基于机器视觉的类圆形水果缺陷检测关键技术的研发与实现
发布时间：2021-12-21 22:30
水果因其含有的丰富营养价值饱受人们青睐,但在水果的运输过程中,环境变化、病虫侵害、碰撞摩擦等因素会造成其表面的损坏或腐烂,因此在水果正式流通进市场之前需对其表面进行缺陷检测以淘汰坏果。针对该问题,本文对类圆形水果表面缺陷检测的关键技术加以研究,并依据分析对不同检测算法进行适当改进。本文的主要工作包括以下四个方面:（1）提出了一种基于远邻域颜色描述特征及稀疏表达的类圆形水果缺陷检测方法。由于大部分缺陷在颜色上与非缺陷存在明显差异,该缺陷检测方法通过分析中心图像块与其邻域块、远邻域块在颜色上的相似性,并结合中心块自身颜色的数量和空间分布情况,构建了远邻域颜色描述特征。实验证明,所提出的检测方法是合理且有效的。（2）在稀疏模型和卷积稀疏模型的基础上,提出了双类型字典选择方式和基于多变量特征判定区域的缺陷检测方式。由于部分水果表面颜色多样且纹理随机性大,为了在训练阶段减小单类型字典学习的压力,构造出最大响应图与最大响应方向图对图像类型加以划分,并在此基础上进行双类型字典学习;针对检测阶段仅使用重建误差这一单一变量易造成结果可信度不高的问题,该缺陷检测方法采用增加其余变量,构造低维度检测特征和特...
【文章来源】：南京邮电大学江苏省
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
水果表面缺陷由于大部分缺陷与正常水果表皮在颜色上存在较大差异，因此在基于颜色描述特征的缺
南京邮电大学专业学位硕士研究生学位论文第三章基于颜色描述特征的类圆形水果缺陷检测15第三章基于颜色描述特征的类圆形水果缺陷检测常见缺陷检测分类模型的分类依据为缺陷与非缺陷区域的差异特征。如图1.1可知，大部分类圆形水果表面缺陷与非缺陷区域在颜色上存在明显差异，因此颜色特征的提取成为分类模型检测缺陷过程中至关重要的一环。本章将研究重点放在了颜色特征提取上，提出了一种能有效分辨缺陷与非缺陷区域的远邻域颜色描述特征。3.1基于颜色描述特征的水果缺陷检测总流程为了弥补常见颜色特征信息考虑的不足，本章以图像块为基本单位，首先利用统计思想提出了一种新颖的远邻域颜色描述特征，接着通过稀疏表达修正该颜色特征以考虑图像块间的邻域关系，最后通过高斯混合模型实现缺陷图像块与非缺陷图像块的分离。本章所述算法的具体检测流程如图3.1所示：图3.1基于颜色描述特征的缺陷检测算法总流程下面将结合图3.1对图像预处理模块、远邻域颜色描述特征提取模块、邻域信息引入模块、颜色特征分类模块及缺陷输出模块进行详细说明。3.2图像预处理首先直接利用Otsu阈值操作分离出水果，接着将水果各像素点按颜色分为类，最后对
南京邮电大学专业学位硕士研究生学位论文第三章基于颜色描述特征的类圆形水果缺陷检测16水果区域进行10×10重叠块划分。由于类圆形水果形状的特殊性，无法对该圆形区域进行完整划分，因此需要对实际参与后续检测操作的有效图像块进行确定。现规定所有包含水果区域的图像块均为有效图像块，其中位于水果边缘的有效图像块可能包含了部分背景区域，需用所在图像块水果区域的像素均值对这些黑色背景进行填充处理。3.3远邻域颜色描述特征提取预处理后需对图像进行颜色特征提取，本章在颜色统计直方图的基础上提出了一种新颖且有效地远邻域颜色描述特征，该特征的提取过程可以分为两部分，各图像块颜色直方图特征提取及远邻域相似权值和特征提龋远邻域颜色描述特征的总体提取流程如图3.2所示：图3.2远邻域颜色描述特征提取总体流程下面将结合图3.2对远邻域颜色描述特征的具体提取方式进行详细介绍。3.3.1远邻域区域类圆形水果表面缺陷分布随机且形状大小不一，因此无法仅仅利用各图像块内部颜色数量信息进行缺陷检测。观察图3.3可以发现，远离小面积缺陷点的区域中，像素点为非缺陷的可能性较高；远离非缺陷点的区域中，像素点为非缺陷的可能性较高，因此通过待检测目标点与其邻域之外区域像素点在颜色属性上的相似程度可以区分出小面积缺陷点与非缺陷点；而远离大面积缺陷点的区域中，像素点为缺陷的可能性较高，这意味着大面积缺陷点、非缺陷点与各自邻域之外区域中像素点在颜色属性上的相似程度接近。为了进一步区分出二者，可直接利用目标点的颜色信息。
【参考文献】：
期刊论文
[1]基于HALCON的LED陶瓷基板缺陷检测系统[J]. 黄思博,蔡昭权,陈伽,胡辉,蔡映雪,温俊庆. 现代计算机. 2019(16)
[2]基于Fisher判别分析的分类模型研究[J]. 代雪珍,卫军超,常在斌. 价值工程. 2018(26)
[3]机器视觉原理解析及其应用实例[J]. 李定川. 智慧工厂. 2017 (08)
[4]基于邻域保持嵌入稀疏编码的图像分类[J]. 高佳雪,陈秀宏. 计算机工程. 2016(03)
[5]基于类自适应高斯-马尔可夫随机场模型和EM算法的MR图像分割[J]. 王文辉,冯前进,刘磊,陈武凡. 中国图象图形学报. 2008(03)
博士论文
[1]脐橙表面缺陷的机器视觉快速检测研究及嵌入式系统应用[D]. 容典.浙江大学 2017
[2]基于稀疏编码的织物瑕疵检测算法研究[D]. 朱秋平.武汉大学 2014
硕士论文
[1]基于数字图像处理的水果表面品质检测方法研究[D]. 马秀丽.东北大学 2011
本文编号：3545295
【文章来源】：南京邮电大学江苏省
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
水果表面缺陷由于大部分缺陷与正常水果表皮在颜色上存在较大差异，因此在基于颜色描述特征的缺
南京邮电大学专业学位硕士研究生学位论文第三章基于颜色描述特征的类圆形水果缺陷检测15第三章基于颜色描述特征的类圆形水果缺陷检测常见缺陷检测分类模型的分类依据为缺陷与非缺陷区域的差异特征。如图1.1可知，大部分类圆形水果表面缺陷与非缺陷区域在颜色上存在明显差异，因此颜色特征的提取成为分类模型检测缺陷过程中至关重要的一环。本章将研究重点放在了颜色特征提取上，提出了一种能有效分辨缺陷与非缺陷区域的远邻域颜色描述特征。3.1基于颜色描述特征的水果缺陷检测总流程为了弥补常见颜色特征信息考虑的不足，本章以图像块为基本单位，首先利用统计思想提出了一种新颖的远邻域颜色描述特征，接着通过稀疏表达修正该颜色特征以考虑图像块间的邻域关系，最后通过高斯混合模型实现缺陷图像块与非缺陷图像块的分离。本章所述算法的具体检测流程如图3.1所示：图3.1基于颜色描述特征的缺陷检测算法总流程下面将结合图3.1对图像预处理模块、远邻域颜色描述特征提取模块、邻域信息引入模块、颜色特征分类模块及缺陷输出模块进行详细说明。3.2图像预处理首先直接利用Otsu阈值操作分离出水果，接着将水果各像素点按颜色分为类，最后对
南京邮电大学专业学位硕士研究生学位论文第三章基于颜色描述特征的类圆形水果缺陷检测16水果区域进行10×10重叠块划分。由于类圆形水果形状的特殊性，无法对该圆形区域进行完整划分，因此需要对实际参与后续检测操作的有效图像块进行确定。现规定所有包含水果区域的图像块均为有效图像块，其中位于水果边缘的有效图像块可能包含了部分背景区域，需用所在图像块水果区域的像素均值对这些黑色背景进行填充处理。3.3远邻域颜色描述特征提取预处理后需对图像进行颜色特征提取，本章在颜色统计直方图的基础上提出了一种新颖且有效地远邻域颜色描述特征，该特征的提取过程可以分为两部分，各图像块颜色直方图特征提取及远邻域相似权值和特征提龋远邻域颜色描述特征的总体提取流程如图3.2所示：图3.2远邻域颜色描述特征提取总体流程下面将结合图3.2对远邻域颜色描述特征的具体提取方式进行详细介绍。3.3.1远邻域区域类圆形水果表面缺陷分布随机且形状大小不一，因此无法仅仅利用各图像块内部颜色数量信息进行缺陷检测。观察图3.3可以发现，远离小面积缺陷点的区域中，像素点为非缺陷的可能性较高；远离非缺陷点的区域中，像素点为非缺陷的可能性较高，因此通过待检测目标点与其邻域之外区域像素点在颜色属性上的相似程度可以区分出小面积缺陷点与非缺陷点；而远离大面积缺陷点的区域中，像素点为缺陷的可能性较高，这意味着大面积缺陷点、非缺陷点与各自邻域之外区域中像素点在颜色属性上的相似程度接近。为了进一步区分出二者，可直接利用目标点的颜色信息。
【参考文献】：
期刊论文
[1]基于HALCON的LED陶瓷基板缺陷检测系统[J]. 黄思博,蔡昭权,陈伽,胡辉,蔡映雪,温俊庆. 现代计算机. 2019(16)
[2]基于Fisher判别分析的分类模型研究[J]. 代雪珍,卫军超,常在斌. 价值工程. 2018(26)
[3]机器视觉原理解析及其应用实例[J]. 李定川. 智慧工厂. 2017 (08)
[4]基于邻域保持嵌入稀疏编码的图像分类[J]. 高佳雪,陈秀宏. 计算机工程. 2016(03)
[5]基于类自适应高斯-马尔可夫随机场模型和EM算法的MR图像分割[J]. 王文辉,冯前进,刘磊,陈武凡. 中国图象图形学报. 2008(03)
博士论文
[1]脐橙表面缺陷的机器视觉快速检测研究及嵌入式系统应用[D]. 容典.浙江大学 2017
[2]基于稀疏编码的织物瑕疵检测算法研究[D]. 朱秋平.武汉大学 2014
硕士论文
[1]基于数字图像处理的水果表面品质检测方法研究[D]. 马秀丽.东北大学 2011
本文编号：3545295
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3545295.html
最近更新
教材专著
