《一种减小基于机器视觉的水果尺寸测量误差的方法》-农学论文，农业论文-论文范文参考-科学狗论文网

标题

一种减小基于机器视觉的水果尺寸测量误差的方法

范文

徐义鑫张雪飞李凤菊

摘? ? 要：水果采后分级可以提高其附加值，增加经济效益。随着以成像技术、人工智能为基础的机器视觉技术的迅猛发展，其在水果的外观品质分级上也逐渐得到了广泛应用。基于机器视觉测量水果尺寸时，标尺通常在载物台平面，并未与所测水果直径在同一平面;另一方面，水果边缘成像点可能并非水果最大直径平面的点，这两个因素都会导致测量误差，进而影响分级结果。本研究对这两个因素导致的误差进行了分析，提出了一种减小误差的方法：若已知被测水果平均半径R，可将相机镜头置于与载物台距离为nR的高度，并计算校正系数，用测得的尺寸乘以校正系数即可减小误差。番茄果横经的测量试验结果显示，与用机器视觉方法的未校正测量结果相比，本方法可有效减小果横径测量平均绝对误差14.127%。结果表明，该方法具有简单、有效的特点。

关键词：机器视觉;水果分级;尺寸测量;减小误差

中图分类号：TP391.4? ? ? ? ? 文献标识码：A? ? ? ? ?DOI 编码：10.3969/j.issn.1006-6500.2020.04.009

Abstract： Fruits grading after harvest can increase their additional value and economic benefit.With the rapid development of machine vision technology which is based on imaging technology and artificial intelligence， it has been widely used in fruit appearance quality grading. When using machine vision to measure fruit size， the ruler is usually on the plane of the stage and is not on the same plane as the diameter of the fruit. On the other hand， the imaging point of the fruit edge may not be the point on the plane of the largest diameter of the fruit. Both of these factors will lead to measurement errors， and then affect the grading results. This paper analyzed the errors caused by these two factord， and proposed a method to reduce the errors. If the average radius R of the measured fruit was known， the camera lens could be placed at a height of nR from the stage， and the correction coefficient could be calculated. Then the error could be reduced by multiplying the measured size by the correction coefficient. The experiment results of tomato transverse diameter measurement showed that the method could effectively reduce the average absolute error by 14.127% compared with the uncorrected results of the machine vision method. It showed that this method was simple and effective.

Key words： machine vision; fruits grading; size measurement; error reduction

水果采后的分级是上市销售之前的一个关键环节，既能增强其市场竞争力，又能提高经济效益[1]。水果分级涉及两大要素：外观品质与内部品质[2]，其中外观品质是分级的主要依据，包括尺寸、形状、颜色和表面缺陷等[3]。优质水果主要表现为个体较大、形状均匀、颜色鲜艳且无表面缺陷。

传统的人工分级结果受分级者主观因素影响较大，且存在精度低、视觉易疲劳、速度缓慢等问题[4]。而随着以成像技术、人工智能为依托的机器视觉技术的迅猛发展，其在水果的外观品质分级上也逐渐得到了广泛应用。机器视觉技术具有实时、客观、无损等优点[5]，它对采集得到的水果图像进行处理来提取水果的外部品质特征参数，然后利用相应的模式实现分级。

水果尺寸是水果等级不可缺少的重要指标，基于机器视觉的水果尺寸检测已有较多相关工作。应义斌等[6]设计了一种利用柑桔最小外接矩形求最大横径的方法，能够满足实际生产中柑桔分级精度的要求。安爱琴等[7]用CCD像机获取苹果图像，利用MATLAB对图像进行处理，求出了苹果的直径，并参照标准进行了分级。谢洪起[8]用Kinect获取猕猴桃的二维彩色图像与三维深度图像，测量了猕猴桃的长、最大直径、最小直径以及体积，与用游标卡尺测量结果相比，准确率较高。李国进等[1]利用计算机视觉方法，选择芒果的面积、等效椭圆长短轴之比、颜色H分量值和缺陷面积所占百分比4个参数作为芒果外观等级分级的特征参数，并利用基于粒子群优化的极限学习机模型对芒果进行了分级。伍光绪[9]通过图像采集及图像處理，提取了血橙的大小、周长、成熟度3个分级特征参数，并通过模糊聚类方法进行了有效分级。其他相关工作还包括利用机器视觉测量西瓜[10]、红毛丹[11]、茄子[12]、番茄[13]、马铃薯[14]等果蔬的尺寸。

利用机器视觉技术求出水果尺寸后，通常会根据尺寸值对比分级标准来判断被测水果所属级别。但在实际分级过程中，由于种种原因造成的误差可能会引起误判，进而影响水果的实际分级结果，带来不必要的经济损失[15]。本文以Android手机通过机器视觉方法测量番茄果横经为例，提出一种系数法，以减小测量误差。

1 材料和方法

1.1 试验仪器

试验所用手机为Android 10.0系统的Google Pixel 2，CPU为高通骁835，RAM为4 GB。

1.2 试验材料

被测量番茄为市场所购的普通番茄10个，果横经在6～10cm之间。

1.3 试验方法

如图1，将被测番茄（球O）置于平坦的载物台上，然后将手机镜头置于番茄正上方O1，手机方向与载物台平行，拍照并通过机器视觉算法计算得到番茄果横经。

2 结果与分析

2.1 试验结果

由表1可知，以游标卡尺测量的果横经为准，机器视觉方法的测量结果明显偏大，测量误差在12%～19%之间，平均绝对误差16.144%。

2.2 误差分析

鉴于许多分级的水果如苹果、柑橘等均近似球形，为便于分析，假设被测量水果为一个理想的球体，半径为R，球心为O，水果过O点的一个垂直截面如图1所示。点O1为透镜光心且点O1在点O正上方，O1O延长线与载物台交于点O2，OO2为水果半径且OO2=R。设O1射出的光线与水果截面相切于点A，与载物台交于点D，则O2D⊥O1O2于点O2，OA=R，作AB⊥O1O2于点B，设AB=r，OB=x，∠AOO1=θ，∠DO1 O2=β。OC为水果半径且OC⊥O1O2于点O，OC=R。H为透镜平面与载物台的距离，即O1 O2=H。

要求的水果直径即2OC=2R，现对OC进行分析。由于O1射出的光线与水果截面相切于点A，并非点C，且基于机器视觉的方法中标尺通常在载物台平面，因此，在实际求得的半径是AB在载物台的投影DO2的长度l，并非OC的长度，这必然会使测量结果偏大，进而导致误差。下面对误差进行分析：

取校正系数c=0.845（表1中的机器视觉方法测量果已经是在H=7R的条件下得到的），对表1中的机器视觉方法测量果横经结果进行校正。如表1所示，校正后的测量结果误差明显减小，平均绝对误差降为2.017%，与未校正的机器视觉测量方法相比，平均绝对误差减小14.127%。结果表明，此减小误差的方法是有效的。

3 结论与讨论

目前，对于基于机器视觉测量果蔬尺寸并进行分级的研究较多，但对产生的测量误差缺鲜有报道。本文假设分级水果为一个理想球体，对基于机器视觉的尺寸测量产生的误差进行了分析，提出了一种减小误差的方法，并通过试验证明了方法的有效性。

对于其他截面也近似圆形的果蔬如香蕉、胡萝卜、黄瓜等，本方法也有一定的参考价值。但本文也有一定的局限性，如并未分析因水果不规则形状导致的测量误差。下一步，可对更多因素导致的误差进行分析，并提出相应的减小误差的方法。

参考文献：

[1]李国进，董第永，陈双.基于计算机视觉的芒果检测与分级研究[J].农机化研究， 2015（10）：13-18.

[2]孙曙光，张佩，李金磊.水果分选技术的现状和发展[J].农业装备技术， 2018， 44（3）：19-20.

[3]钱中华.计算机视觉技术在红富士苹果自动分级系统中的应用[J].农机化研究， 2018， 40（3）：181-184.

[4]蔡宇翔.基于机器视觉的番茄品质检测和分级方法研究[D]. 广州：中山大学， 2010.

[5]周竹，黄懿，李小昱，等.基于机器视觉的马铃薯自动分级方法[J].农业工程学报， 2012， 28（7）：178-183.

[6]应义斌，成芳，马俊福.基于最小矩形法的柑桔横径实时检测方法研究[J].生物数学学报， 2004， 19（3）：352-356.

[7]安愛琴，余泽通，王宏强.基于机器视觉的苹果大小自动分级方法[J]. 农机化研究， 2008（4）：163-166.

[8]谢洪起.基于RGB-D相机的猕猴桃外形和体积检测方法研究[D].杨凌：西北农林科技大学， 2018.

[9]伍光绪.基于计算机视觉的血橙无损检测与分级技术研究[D]. 重庆：西南大学， 2016.

[10]赵巍.机器视觉在西瓜无损检测与分级中的应用[D].武汉：华中农业大学，2013.

[11]章程辉，刘木华，韩东海，等.红毛丹外形尺寸的图像处理技术研究[J].江西农业大学学报， 2006， 28（2）：300-303.

[12]CHONG V K， KONDO N， NINOMIYA K， et al. Features extraction for eggplant fruit grading system using machine vision[J]. Applied engineering in agriculture，2008， 24（5）：675-684.

[13]袁亮，涂雪滢，巨刚，等.基于机器视觉的番茄实时分级系统设计[J].新疆大学学报（自然科学版）， 2017， 34（1）：11-16.

[14]RAZMJOOY N， MOUSAVI B S， SOLEYMANI F. A real-time mathematical computer method for potato inspection using machine vision[J].Computers and mathematics with applications， 2012， 63（1）：268-279.

[15]饶秀勤，应义斌.基于机器视觉的水果尺寸检测误差分析[J]. 农业工程学报， 2003， 19（1）：121-123.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。