【看论文】之《基于边缘检测改进算法的脐橙分拣系统设计与实现_陈讯》

骑猪看日落 2022-04-22 09:06 196阅读 0赞

# 论文信息 #

论文题目：《基于边缘检测改进算法的脐橙分拣系统设计与实现》

作者：陈讯

单位：北京邮电大学

来源：中国知网

论文性质：硕士学位论文

提交时间：2016.3

--------------------

# 摘要 #

论文通过引入监督学习的**Adaboost算法**来改进现有的Canny边缘检测算法，使分拣系统对脐橙边缘检测的识别更加准确。针对脐橙的图像特征，从形状特征、变换特征等方面进行研究。类比图像特征与体积的关系，对脐橙的**体积进行了估计**，并以此计算**脐橙的密度**，作为**分拣标准**。

论文介绍了图像边缘检测算法，提升了算法的抗噪能力，并通过Adaboost算法改进**边缘拼接**，使**图像连接**更符合人的认识。对图像特征进行了分析和选取，通过实验，设计样本脐橙的体积模型，完成对图像中**水果的拟合**。

论文设计并搭建了完整的脐橙分拣系统、编写控制应用软件。

**关键词**：脐橙、分拣系统、边缘检测、Adaboost

--------------------

# 1 绪论 #

## 国外研究现状 ##

1985年，美国的Scrkar和Wolfe利用计算机图像实现对新鲜西红柿的检测：利用西红柿的中心区域的颜色均值作为特征，依据颜色的相似度进行分级。由于没有考虑所有的表面颜色特征，结果不准确、处理的速度慢。

1991年，Varghese研究果型对品质的影响：讲苹果固定好位置，收集不同角度的图像，综合评价。方法复杂，且位置的定位与人为因素有关，结果不稳定。

2001年，Penman利用苹果的果梗，在蓝色光源下的反射特性，通过分析蓝光照射下的反射图像与形状的相关性，达到了对果梗方位的检测。

2003年，Blasco等人改进了检测装置，对单体化的水果，利用旋转拍摄了四幅无重叠图像，提高了检测的精度，在苹果的缺陷检测中检测率达88%。

2007年，D.Unay等人，利用机器学习的方法，对果梗就行是被研究，通过阈值法提取目标区域，并提取形状和纹理特性作为SVM算法实现最优分类，准确率很高。

--------------------

## 国内研究现状 ##

1998年，杨秀坤研究了图像处理中的“自适应能力”差的问题，提出“神经网络+加权分类决策树”的方法来实现自适应。

2000年，籍保平等研发了一种水果自动分拣系统，根据水果的 果形、大小、颜色、缺陷对水果进行分级。

2001年，赵静，将“水果的半径、曲率、对称性”作为和神经网络的输入，实现水果的识别。准确率93%。

2002年，冯斌，建立水果的灰度模型，对水果进行阈值分割，通过傅里叶变换进行识别。

2007年，饶秀琴，对机器视觉系统作了深入的研究，提出了一种水果品质检测与分级的生产线系统，是我国率先研究成功的基于视觉系统的分级生产线。

--------------------

# 2 图像处理和识别的基本理论 #

## 图像去噪 ##

分为**图像空间域**去噪和**图像变换域**去噪

空间域去噪：在原有数据的基础上，以像素点为单位进行逐点运算或利用像素的相关性进行操作和变换。常用的方法：领域平均法、多幅图像平均法、中值滤波法、空间域低通滤波法。

变换域去噪：在图像的变换域进行处理，对原始图像进行变换域变换，在该域进行处理，最后反变换，完成去噪。傅里叶变换去噪、小波变换去噪。

--------------------

## 图像识别 ##

概念：利用计算机对图像进行处理分析，以达到识别不同模式下的目标和对象的目的。图像识别的基本依据是**特征**。

常见的特征区域：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70][] 图像特征提取分类

--------------------

# 3 基于边缘检测改进算法的脐橙特征检测 #

## 边缘检测算法（Canny）改进 ##

（1）改进图像处理的铝箔算法

具体改进：为了提高算法的抗噪能力，在对图像进行边缘特征提取前，先采用了中值滤波的预处理方法。在方法的原基础上，引入了方向性，相比与传统的Canny算法的高斯滤波，它能有效地抑制脉冲噪声点，同时保留边缘细节信息。

（2）基于Adaboost的边缘连接算法

图像的边界常常用灰度图像的梯度进行描述，因此，表征边缘最本质的方法是获取灰度变换的梯度值。下面引入Adaboost算法，将不同但具有描述图像特性的**特征作为分类器的输入**，包括**梯度值**，同时考虑**端点**、**角度方向值**、**端点像素距离**、**端点连续边缘长度**等作为**边缘连接的参数**，以利于更好地进行边缘检测。

--------------------

## 脐橙轮廓特征提取 ##

提取的特征集合是对体积进行估计的输入条件。下面是对图像处理后边缘轮廓的一些特征：

（1）面积

通过计算该区域的像素数目获得。

（2）周长

外围轮廓边界上点到点依次顺序的和。

（3）长宽比

脐橙在卡钳内的长度与宽度的比值

（4）傅里叶椭圆和

傅里叶椭圆和是专门用于水果定位的识别特征，这个特征在一定的程度上指示从侧面观察水果的纵断面是椭圆形的。

（5）傅里叶圆和

（6）平均直径

（7）圆度

（8）凸度

凸度是实际周长与凸周长的比值，凸周长是凸包中的点沿其边缘边界点之间距离相加得到。

（9）坚实度

坚实度是其面积与凸区域（凸包面积）的比值

（10）饱和度

该对象面积与边界外接巨型面积之比。

（11）弯曲能量

（12）平均距离

（13）平均距离方差

（14）充实度

--------------------

## 脐橙的体积估计 ##

利用类比公式的体积估算方法。具体如下：

假设脐橙是球形，则可以从轮廓的面积推导出其体积的大小：![V=\\frac\{4\}\{3\\sqrt\{\\pi\} \}A^\{\\frac\{3\}\{2\}\}][V_frac_4_3_sqrt_pi_ _A_frac_3_2]，

因此得到:   ![V\\propto A^\{\\frac\{3\}\{2\}\}][V_propto A_frac_3_2]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 1][] 像素面积与实际体积关系的分布散点图

可以看出，  ![20181104091116941.png][]

--------------------

# 4 脐橙分拣系统设计与实现 #

## 分拣系统的组成 ##

脐橙分拣系统的组成如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 2][] 分拣系统的组成结构

分拣模块：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 3][] 分拣系统模块

--------------------

## 脐橙分拣系统软件开发 ##

主要使用的软件：  
matlab：实现训练和拟合部分的参数值的计算  
opencv+vs：图像处理  
vs:利用Visual C++完成软件界面设计

--------------------

## 运行结果 ##

对体积估计具有很好的效果，在7%以内，平均误差5.3%。基本能够对脐橙进行分级分拣，满足生产加工的需求。

--------------------

# 5 总结与展望 #

## 创新点成果 ##

（1）提出一种新的分拣技术，流水线分拣精度达95%，对脐橙的体积估计精度达93.6%。

（2）改进Canny算法，引入Adaboost算法提高边缘连接的准确性。

（3）通过类推定义了特征与体检的关系，实现了多元线性回归模型对关系式进行求解。

（4）论文提到的方法可以推广到其他的水果检测中，方法具有普适性。

--------------------

## 展望 ##

本文采用的是灰度图像，如果采用RGB彩色图像对脐橙进行图像采集，那么可以进一步的提升脐橙的识别，包括果伤类型的确定和分类。

--------------------

finished，2018.11.4，morning，by songpl

★声明：本篇文章是本人在学习期间的笔记，如有侵权，请联系删除

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70]: /images/20220422/1212e90a401e4534b97803b096824f35.png
[V_frac_4_3_sqrt_pi_ _A_frac_3_2]: https://private.codecogs.com/gif.latex?%5Cfn_jvn%20V%3D%5Cfrac%7B4%7D%7B3%5Csqrt%7B%5Cpi%7D%20%7DA%5E%7B%5Cfrac%7B3%7D%7B2%7D%7D
[V_propto A_frac_3_2]: https://private.codecogs.com/gif.latex?%5Cfn_jvn%20V%5Cpropto%20A%5E%7B%5Cfrac%7B3%7D%7B2%7D%7D
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 1]: /images/20220422/b5ca023db3a142cabd6a0047101b23c3.png
[20181104091116941.png]: /images/20220422/083eed4a0e7c4ecaa62bf51f4a66a83a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 2]: /images/20220422/7a3e25142e334c96824a16cb76e54c3c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 3]: /images/20220422/84f2cbd6a85c47c9ac642fa71e297b90.png