CN105738294B - 基于单目多视成像的穗状水果自动检测装置及方法 - Google Patents
基于单目多视成像的穗状水果自动检测装置及方法 Download PDFInfo
- Publication number
- CN105738294B CN105738294B CN201610115983.2A CN201610115983A CN105738294B CN 105738294 B CN105738294 B CN 105738294B CN 201610115983 A CN201610115983 A CN 201610115983A CN 105738294 B CN105738294 B CN 105738294B
- Authority
- CN
- China
- Prior art keywords
- ear
- fruit
- conveyor belt
- data processor
- ccd camera
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 85
- 238000003384 imaging method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 26
- 238000005303 weighing Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 239000000725 suspension Substances 0.000 claims abstract description 11
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims abstract description 7
- 229910052782 aluminium Inorganic materials 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 16
- 210000005069 ears Anatomy 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 241000219094 Vitaceae Species 0.000 description 6
- 235000021021 grapes Nutrition 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Dispersion Chemistry (AREA)
- Sorting Of Articles (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种基于单目多视成像的穗状水果检测装置，包括传输模块、平面镜组、成像组件、数据处理器、显示器和分拣装置；传输模块包括传送带、链条传输电机和悬挂夹持机构；传送带下部设有多组悬挂夹持机构；传送带上部安装有称重模块；平面镜组为两片相同尺寸的竖直放置的平面镜，两个平面镜的前表面相对设置且前表面镀铝，通过镀铝面反射光线；两片平面镜的一侧边重合，另一侧边连线与传送带平行；称重模块和平面镜组外侧罩有光照箱；成像组件包括CCD摄像机和位于CCD摄像机前端的偏振片；称重模块和CCD摄像机输出端连接数据处理器输入端；数据处理器输出端连接显示器和分拣装置。本发明以结构简单、成本较低的方式实现穗状水果的自动检测。
Description
技术领域
本发明属于穗状农产品无损检测领域，尤其是涉及一种基于单目多视成像的穗状水果自动检测装置及方法。
背景技术
水果采后商品化处理至关重要，水果按品质分级分类后进入消费市场，可按质论价，不仅提高其市场竞争力和商品附加值，更满足了不同层次的消费需求。目前，水果采后商品化处理主要可分为内部品质与外部品质。计算机视觉技术以其快速、无损、易于在线检测等优势，已成功应用于食品、农产品的外观品质检测，如澳大利亚的CVS公司、Compac公司生产的在线检测设备，主要检测指标包括重量、颜色、形状、坏点等，再按水果等级标准进行分级分类。
单摄像机检测只能获得水果某一侧面图像信息，不能反映该水果整个外观品质，还需获取其他侧面图像才能综合评判该水果的外观等级。专利CN2587534Y通过编码器控制摄像机的抓拍，由于水果在传输带上无翻滚动作，且该分级系统采用一个固定位置的摄像机，抓拍到的图像只能反映水果的局部信息，可靠性差。专利CN202010662U通过高速摄像机连续捕捉斜面上快速滚动的水果，该方法虽可以获取水果的表面信息，但抓拍的图像与翻滚动作之间的对应关系受限于水果尺寸，无法准确判断目标对象质量等级，且该方法不适合外形不规则的水果。专利CN2555110Y利用一个摄像机抓拍传输带上纵向翻滚的水果，但仍只获取的水果部分表面信息，必须采用多摄像头方可实现全部信息。专利CN1603013A利用三个不同摆放位置的摄像机抓拍传输带上翻滚的水果，以全方位地检测水果的外部品质信息，但该方法使用三个摄像机，对硬件设备的要求相对较高，一次性成本投入较高。上述利用水果的翻滚实现全方位检测的方法，只适用于硬度较大、呈球状的水果如苹果、梨等。对于软质穗状水果如葡萄等并不适合用，极易造成果实二次损伤。
专利CN202599818U搭建了一个密封箱，通过手动翻转整串葡萄来获取不同侧面穗状葡萄信息，其操作繁琐，无法实现在线检测。专利CN101121167A利用两个处于直线上对称摆放的两个相机抓拍悬挂于链条上的整穗葡萄进行形状、颜色等指标分级。但这两个摄像机抓拍葡萄成像的轮廓其实是同一个投影轮廓，目标物的轮廓边缘提取不充分。有公开文献传输带两侧放置平面镜来获取水果侧面信息，但该方法收到传输带的阻挡以及其翻滚动作不适合穗状水果且不能反映水果的全部信息。纵观现有计算机视觉技术对水果外观检测的不足，特别像葡萄等穗状水果缺乏有效、简便的检测方法，致使穗状水果的商品化处理水平较低。
发明内容
针对现有技术中存在不足，本发明提供了基于单目多视成像的穗状水果自动检测装置及方法，以结构简单、成本较低的方式实现穗状水果的自动检测。
本发明是通过以下技术手段实现上述技术目的的。
一种基于单目多视成像的穗状水果检测装置，包括传输模块、称重模块、平面镜组、成像组件、光照箱、光照箱支架、数据处理器、显示器和分拣装置；所述传输模块包括传送带、链条传输电机和悬挂夹持机构；所述链条传输电机的输出端连接传送带；所述传送带下部设有多组悬挂夹持机构；所述传送带上部安装有称重模块；所述称重模块用于动态测量穗状水果的质量；所述平面镜组为两片相同尺寸的竖直放置的平面镜，两个平面镜的前表面相对设置，且前表面镀铝，通过镀铝面反射光线；两片平面镜的一侧边重合，另一侧边连线与传送带平行；所述称重模块和平面镜组外侧罩有光照箱，所述光照箱安装在光照箱支架上部；所述成像组件包括CCD摄像机和位于CCD摄像机前端的偏振片；所述称重模块和CCD摄像机的输出端均连接数据处理器的输入端；所述数据处理器的输出端连接显示器和分拣装置。
进一步的，两片平面镜之间的夹角2β1、水果最大宽度W、CCD摄像机前端距传送带的垂直距离D、两片平面镜的相交线距传送带的垂直距离L满足下列式子：
其中，a＝tanβ1，
进一步的，两片平面镜之间的夹角2β1为100-110°；两片平面镜的相交线距传送带的垂直距离L为273mm；所述CCD摄像机前端距传送带的垂直距离D为800mm。
一种基于单目多视成像的穗状水果检测方法，包括如下步骤：
S1：安装好穗状水果检测装置的各个结构；将穗状水果固定在悬挂夹持机构上；启动链条传输电机，穗状水果随着传送带移动；
S2：当穗状水果移动至称重模块时，桥式称重传感器测量穗状水果的重量信息，并传递至数据处理器；当穗状水果移动至与CCD摄像机平行时，CCD摄像机对穗状水果拍摄，并将图像信息传递至数据处理器；
S3：数据处理器对接收到的信息分析、处理，并将结果输出至显示器，并将相应指令给分拣装置执行。
进一步的，步骤S3中所述数据处理器对接收到的信息分析、处理过程如下：
①分割果穗感兴趣区域：将接收到的图像进行预处理；利用局部阈值方法将图像前景分割，区域形态学运算对分割候选区域滤除干扰区域，并利用果实区域特征筛选图像区域；按实像与虚像高度之间的比值作为虚像目标的放大因子，采用仿射变换方法将虚像放大至实像尺寸，放大后的虚像区域与实像区域统称为感兴趣区域；
②果穗颜色的判断：从感兴趣区域中分割出熟时的颜色区域，累加三个果穗区域的成熟面积，并将其与总面积的比值与分类标准比较，确定果穗颜色等级；
③果穗形状的判断：将图像测量得到的平均面积小于A0、果穗高度小于H0，或果穗横纵比大于R0的果穗样本归为不合格果穗；其次针对扁担型穗状水果，采用果穗区段[0.45,0.85]的极小值ym与次最大值yn(即极小值之后的最大值)比值R进行判断，确定分级阈值R0，若其中一个R值小于R0时，即认为是不合格果穗，否则归为合格果穗；
④果穗紧实度的判断：根据果穗的投影关系、空间形状，计算其视在体积、容积密度，以及从果穗感兴趣区域提取区域的形状特征参数，与参照国际葡萄与葡萄酒组织制订的人工评价果穗紧实度结果之间建立偏最小二乘定量模型，预测果穗的紧实度，剔除紧实度异常的果穗；
⑤果穗颗粒数目及尺寸：对感兴趣区域边缘进行圆弧分割，选择圆弧进行最小二乘标准圆拟合标准圆拟合，得到果穗表面的颗粒直径d及颗粒数量c；进而得到果粒重量统计拟合圆重量分布直方图，按照符合正态分布的方法，再依据果穗总质量m0推算出果穗总颗粒数目
本发明的有益效果：
本发明所述的基于单目多视成像的穗状水果自动检测装置及方法，通过设置彼此成一定角度的平面镜组，并调整平面镜组、传动带、相机三者之间的摆放位置，进而实现单一相机获取穗状水果全表面信息的目的，结构简单、检测快速；避免了现有技术中水果检测需要翻转、多次抓拍等操作；通过本发明所述的检测方法能够对穗状水果的颜色、形状、紧实度、颗粒数目及尺寸进行判断，进而对后续分拣工作提供依据。
附图说明
图1为本发明所述基于单目多视成像的穗状水果自动检测装置的俯视图。
图2为本发明所述基于单目多视成像的穗状水果自动检测装置的正视图。
图3为果穗的三个投影轮廓及横切面。
图4为平面镜演示成像投影示意图。
附图标记说明如下：
1-传输链条，2穗状水果，3-夹持结构，4-光照箱，5-光照箱支架，6-分级控制机构，7-显示器，8-LED光源，9-平面镜组，10-称重模块，11-CCD摄像机，12-工控机。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1和图2所示，一种基于单目多视成像的穗状水果检测装置，包括传输模块、称重模块10、平面镜组9、成像组件、光照箱4、光照箱支架5、数据处理器12、显示器7和分拣装置6；所述传输模块包括传送带1、链条传输电机和悬挂夹持机构3；所述链条传输电机的输出端连接传送带1；所述传送带1下部设有多组悬挂夹持机构3；所述传送带1上部安装有称重模块10，所述称重模块10为桥式称重传感器，用于动态测量穗状水果的质量；所述平面镜组9为两片相同尺寸的竖直放置的平面镜，两个平面镜的前表面相对设置，且前表面镀铝，通过镀铝面反射光线；两片平面镜的一侧边重合，另一侧边连线与传送带1平行；所述称重模块10和平面镜组9外侧罩有光照箱4，所述光照箱4安装在光照箱支架5上部；所述成像组件包括CCD摄像机11和位于CCD摄像机11前端的偏振片；所述称重模块10和CCD摄像机11的输出端均连接数据处理器12的输入端；所述数据处理器12的输出端连接显示器7和分拣装置6。
为了拍摄得到完整的水果轮廓，虚像部分不能被实像遮挡，并要求获取的实像、虚像综合信息量最大。调整两片平面镜间的夹角，当成像个数为五时，需要延长平面镜的宽度，此时传输链条将受到平面镜的阻挡而不能正常运行，因此最终确定成像个数为三。当成像个数为三时，即包含一个实像，两个虚像，三个投影轮廓组成一穗形果实实体，如图3所示，为获取表面信息量最大，即要求三个视角轮廓组成的六边形横截面面积s最大，则有
(式1)
其中α、β、π-α-β为三投影图像间的夹角，li为某一投影轮廓的切面半径，经整理如下：
2s＝(l1·l2+l4·l5)sinα+(l2·l3+l5·l6)sinβ+(l3·l4+l6·l1)sin(α+β)
2s＝ε1sinα+ε2sinβ+ε3sin(α+β)
由于果实随机摆放，即li值具有相等概率，有p(ε1)＝p(ε2)＝p(ε3)，即要求式2的χ最大，
χ＝sinα+sinβ+sin(α+β) (式2)
有唯一解α＝60°,β＝60°，即成像三个目标时，要图像旋转120°时可最大限度地得到果实全表面信息。
参考多视投影成像演示的上部分位置关系，如图4所示，P、P’点分别为相机的实点、虚点；G、G’点分别为葡萄中心的实点、虚点；β1为相机与平面镜的夹角；W为果穗直径；葡萄距离相机及平面镜交点分别为D、L。以P点为xy轴坐标原点，则虚像G’点坐标可由GG’、SG’两直线相交推得(式3)，
(式3)
令变量a＝tanβ1，则坐标为能得到完整的虚像G’，不被实像G挡住，必须使直线PB’斜率不小于PA。可由式4推得斜率kPB’：
(式4)
使kPB'≥kPA，即要求：
(式5)
根据检测对象的最大宽度W、实际成像距离D，可以推算得到两平面镜间的夹角2β1以及距离葡萄中心距离L。在多视角投影成像中，实像较大，虚像较小，需要将虚像变换至实像大小，主要有以下两种途径来计算虚像的放大因子：a)通过投影成像演示方法计算虚像实像间的成像距离比；b)借助投影目标物高度不变性来放大虚像。在实际应用中，鉴于不能完全控制试验装置的摆放精度，可采用简便的第二种方法来放大虚像尺寸，从而得到多个尺寸相同的目标图像。
两片平面镜之间的夹角2β1为100-110°，优选的为104°；两片平面镜的相交线距传送带的垂直距离L为273mm；所述CCD摄像机11前端距传送带的垂直距离D为800mm。
一种基于单目多视成像的穗状水果检测方法，包括如下步骤：
S1：安装好穗状水果检测装置的各个结构；将穗状水果2固定在悬挂夹持机构上3；启动链条传输电机，穗状水果2随着传送带1移动；
S2：当穗状水果2移动至称重模块10时，桥式称重传感器测量穗状水果2的重量信息，并传递至数据处理器12；当穗状水果2移动至与CCD摄像机11平行时，CCD摄像机11对穗状水果2拍摄，并将图像信息传递至数据处理器12；
S3：数据处理器12对接收到的信息分析、处理，并将结果输出至显示器7，并将相应指令给分拣装置6执行。
数据处理器12对接收到的信息分析、处理过程如下：
①分割果穗感兴趣区域：将接收到的图像进行预处理，用于增强图像前景与背景之前的差异，以便更好将目标区域分割；由于背景灰度不均匀，影响分割效果，故利用局部阈值方法将图像前景分割；分割出来的区域包含诸多干扰区域，需要去噪声进行形态学处理剔除，可以滤除一些背景缝隙、阴影等区域，通过区域之间的相互加减运算，可以得到果穗目标感兴趣区域；由于悬挂物体高度不变，故借助三个目标区域的高度进行放射变换，将虚像放大到实像高度，从而得到三个等大的果穗区域，分别为不同视角的果穗投影，等同于果穗旋转120°后拍摄得到的图像；即按实像与虚像高度之间的比值作为虚像目标的放大因子，采用仿射变换方法将虚像放大至实像尺寸，放大后的虚像区域与实像区域统称为感兴趣区域；
②果穗颜色的判断：从感兴趣区域中分割出熟时的颜色区域，累加三个果穗区域的成熟面积，并将其与总面积的比值与分类标准比较，确定果穗颜色等级；
③果穗形状的判断：将图像测量得到的平均面积小于A0、果穗高度小于H0，或果穗横纵比大于R0的果穗样本归为不合格果穗；其次针对扁担型穗状水果，采用果穗区段[0.45,0.85]的极小值ym与次最大值yn(即极小值之后的最大值)比值R进行判断，确定分级阈值R0，若其中一个R值小于R0时，即认为是不合格果穗，否则归为合格果穗；
④果穗紧实度的判断：根据果穗的投影关系、空间形状，计算其视在体积、容积密度，重量以及形状特征参数20个，共计23个。果穗紧实度是按照国际葡萄与葡萄酒组织(OIV,2007)定义，以人工评价方法给出紧实度得分，该得分范围为1～9，1分表示最疏松，9分表示最紧实。23个特征变量与紧实度之间建立偏最小二乘定量模型，当预测值大于8或小于2，即认为果穗过于紧密或疏松；过于疏松或过于紧密的果穗，都不适合包装、运输，不能流入消费市场。
⑤果穗颗粒数目及尺寸：对感兴趣区域边缘进行圆弧分割，选择圆弧进行最小二乘标准圆拟合标准圆拟合，得到果穗表面的颗粒直径d及颗粒数量c；进而得到果粒重量统计拟合圆重量分布直方图，按照符合正态分布的方法，再依据果穗总质量m0推算出果穗总颗粒数目
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (3)
1.一种基于单目多视成像的穗状水果检测装置，其特征在于，包括传输模块、称重模块(10)、平面镜组(9)、成像组件、光照箱(4)、光照箱支架(5)、数据处理器(12)、显示器(7)和分拣装置(6)；所述传输模块包括传送带(1)、链条传输电机和悬挂夹持机构(3)；所述链条传输电机的输出端连接传送带(1)；所述传送带(1)下部设有多组悬挂夹持机构(3)；所述传送带(1)上部安装有称重模块(10)；所述称重模块(10)用于动态测量穗状水果的质量；所述平面镜组(9)为两片相同尺寸的竖直放置的平面镜，两个平面镜的前表面相对设置，且前表面镀铝，通过镀铝面反射光线；两片平面镜的一侧边重合，另一侧边连线与传送带(1)平行；所述称重模块(10)和平面镜组(9)外侧罩有光照箱(4)，所述光照箱(4)安装在光照箱支架(5)上部；所述成像组件包括CCD摄像机(11)和位于CCD摄像机(11)前端的偏振片；所述称重模块(10)和CCD摄像机(11)的输出端均连接数据处理器(12)的输入端；所述数据处理器(12)的输出端连接显示器(7)和分拣装置(6)；
两片平面镜之间的夹角2β1、水果最大宽度W、CCD摄像机(11)前端距传送带的垂直距离D、两片平面镜的相交线距传送带的垂直距离L满足下列式子：
其中，a＝tanβ1，
2.根据权利要求1所述一种基于单目多视成像的穗状水果检测装置，其特征在于，两片平面镜之间的夹角2β1为100-110°；两片平面镜的相交线距传送带的垂直距离L为273mm；所述CCD摄像机(11)前端距传送带的垂直距离D为800mm。
3.一种基于单目多视成像的穗状水果检测方法，其特征在于，包括如下步骤：
S1：安装好穗状水果检测装置的各个结构；将穗状水果(2)固定在悬挂夹持机构上(3)；启动链条传输电机，穗状水果(2)随着传送带(1)移动；
S2：当穗状水果(2)移动至称重模块(10)时，桥式称重传感器测量穗状水果(2)的重量信息，并传递至数据处理器(12)；当穗状水果(2)移动至与CCD摄像机(11)平行时，CCD摄像机(11)对穗状水果(2)拍摄，并将图像信息传递至数据处理器(12)；
S3：数据处理器(12)对接收到的信息分析、处理，并将结果输出至显示器(7)，并将相应指令给分拣装置(6)执行；
步骤S3中所述数据处理器(12)对接收到的信息分析、处理过程如下：
①分割果穗感兴趣区域：将接收到的图像进行预处理；利用局部阈值方法将图像前景分割，区域形态学运算对分割候选区域滤除干扰区域，并利用果实区域特征筛选图像区域；按实像与虚像高度之间的比值作为虚像目标的放大因子，采用仿射变换方法将虚像放大至实像尺寸，放大后的虚像区域与实像区域统称为感兴趣区域；
②果穗颜色的判断：从感兴趣区域中分割出熟时的颜色区域，累加三个果穗区域的成熟面积，并将其与总面积的比值与分类标准比较，确定果穗颜色等级；
③果穗形状的判断：将图像测量得到的平均面积小于A0或果穗高度小于H0的果穗样本归为不合格果穗；其次针对扁担型穗状水果，采用果穗区段[0.45,0.85]的极小值ym与次最大值yn比值R进行判断，所述次最大值为即极小值之后的最大值，确定分级阈值R0，若其中一个R值小于R0时，即认为是不合格果穗，否则归为合格果穗；
④果穗紧实度的判断：根据果穗的投影关系、空间形状，计算其视在体积、容积密度，以及从果穗感兴趣区域提取区域的形状特征参数，与参照国际葡萄与葡萄酒组织制订的人工评价果穗紧实度结果之间建立偏最小二乘定量模型，预测果穗的紧实度，剔除紧实度异常的果穗；
⑤果穗颗粒数目及尺寸：对感兴趣区域边缘进行圆弧分割，选择圆弧进行最小二乘标准圆拟合标准圆拟合，得到果穗表面的颗粒直径d及颗粒数量c；进而得到果粒重量统计拟合圆重量分布直方图，按照符合正态分布的方法，再依据果穗总质量m0推算出果穗总颗粒数目
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610115983.2A CN105738294B (zh) | 2016-03-01 | 2016-03-01 | 基于单目多视成像的穗状水果自动检测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610115983.2A CN105738294B (zh) | 2016-03-01 | 2016-03-01 | 基于单目多视成像的穗状水果自动检测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105738294A CN105738294A (zh) | 2016-07-06 |
| CN105738294B true CN105738294B (zh) | 2018-11-06 |
Family
ID=56248949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610115983.2A Expired - Fee Related CN105738294B (zh) | 2016-03-01 | 2016-03-01 | 基于单目多视成像的穗状水果自动检测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105738294B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107790400B (zh) * | 2016-08-31 | 2019-07-19 | 合肥美亚光电技术股份有限公司 | 原粮籽粒检测仪 |
| CN107741432A (zh) * | 2017-11-16 | 2018-02-27 | 天津商业大学 | 一种基于机器视觉的水果自动分拣机器人系统 |
| CN108398073B (zh) * | 2018-02-12 | 2020-07-24 | 中国科学院东北地理与农业生态研究所 | 一种玉米苞叶紧实程度的测定方法 |
| CN108318494B (zh) * | 2018-05-15 | 2019-10-08 | 华中农业大学 | 红提果粉的在线视觉检测分级装置及其方法 |
| JP6744898B2 (ja) | 2018-10-12 | 2020-08-19 | ソニーセミコンダクタソリューションズ株式会社 | 計測装置、計測方法、プログラム |
| CN109917088B (zh) * | 2019-03-21 | 2021-11-19 | 合肥华凌股份有限公司 | 制冷设备以及禽蛋新鲜度检测装置和方法 |
| CN110375647A (zh) * | 2019-07-24 | 2019-10-25 | 海安光易通信设备有限公司 | 一种全自动的光纤连接器端面检测设备 |
| CN110702688A (zh) * | 2019-10-26 | 2020-01-17 | 四川大学青岛研究院 | 基于深度学习的白色家电喷漆外壳检测系统及方法 |
| CN112495822A (zh) * | 2020-11-09 | 2021-03-16 | 张家界康华实业有限公司 | 一种智能自动化粽叶分级筛选的方法 |
| TWI766770B (zh) * | 2021-07-23 | 2022-06-01 | 艾士迪機電工程股份有限公司 | 智慧化西瓜裝卸系統 |
| CN116907576A (zh) * | 2023-07-13 | 2023-10-20 | 广东省农业科学院设施农业研究所 | 一种自动化种苗检测系统、方法及电子设备 |
| JP7632578B1 (ja) | 2023-12-18 | 2025-02-19 | いすゞ自動車株式会社 | 測定システム |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101121167A (zh) * | 2007-08-14 | 2008-02-13 | 中国农业大学 | 一种穗状水果分级装置 |
| CN101933417A (zh) * | 2010-07-06 | 2011-01-05 | 北京农业智能装备技术研究中心 | 基于机器视觉的玉米考种装置 |
| CN103278506A (zh) * | 2013-05-10 | 2013-09-04 | 江苏赢洋实业股份有限公司 | 一种表面光滑水果成像检测中的耀斑消减方法及装置 |
| CN105203543A (zh) * | 2015-09-22 | 2015-12-30 | 华中农业大学 | 基于机器视觉的整箱红提葡萄果粒大小分级装置及其方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2455118C (en) * | 2001-08-03 | 2012-01-17 | Nanosphere, Inc. | Nanoparticle imaging system and method |
-
2016
- 2016-03-01 CN CN201610115983.2A patent/CN105738294B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101121167A (zh) * | 2007-08-14 | 2008-02-13 | 中国农业大学 | 一种穗状水果分级装置 |
| CN101933417A (zh) * | 2010-07-06 | 2011-01-05 | 北京农业智能装备技术研究中心 | 基于机器视觉的玉米考种装置 |
| CN103278506A (zh) * | 2013-05-10 | 2013-09-04 | 江苏赢洋实业股份有限公司 | 一种表面光滑水果成像检测中的耀斑消减方法及装置 |
| CN105203543A (zh) * | 2015-09-22 | 2015-12-30 | 华中农业大学 | 基于机器视觉的整箱红提葡萄果粒大小分级装置及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于计算机视觉的葡萄检测分级系统;陈英等;《农业机械学报》;20100331;第169-172页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105738294A (zh) | 2016-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105738294B (zh) | 基于单目多视成像的穗状水果自动检测装置及方法 | |
| CN109816678B (zh) | 一种基于视觉的喷嘴雾化角度自动检测系统及方法 | |
| CN109772733B (zh) | 一种基于视觉的缺陷竹块检测分拣装置及方法 | |
| CN106093066B (zh) | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 | |
| CN111753577B (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
| CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
| CN101661004B (zh) | 一种基于支持向量机的电路板焊接质量视觉检测方法 | |
| CN106485694B (zh) | 一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法 | |
| CN103644852B (zh) | 镜片膜厚度自动检测系统 | |
| CN103983426B (zh) | 一种基于机器视觉的光纤缺陷检测及分类方法 | |
| CN114235825B (zh) | 一种基于计算机视觉的钢丝绳质量检测方法 | |
| CN106570863A (zh) | 一种输电线路的检测方法及装置 | |
| CN203376271U (zh) | 基于机器视觉的非连续性产品在线检测系统 | |
| CN110766702A (zh) | 一种双孢蘑菇分级判断方法 | |
| CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
| CN112488998B (zh) | 一种基于条纹投影的苹果果梗和花萼检测方法 | |
| Neethu et al. | Role of computer vision in automatic inspection systems | |
| CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN113996556B (zh) | 一种融合云端的产品分拣系统及方法 | |
| CN102680414A (zh) | 基于机器视觉的红提葡萄自动分级装置及其方法 | |
| CN103903265B (zh) | 检测工业产品包装破损的方法 | |
| CN116228772A (zh) | 一种生鲜食品变质区域快速检测方法及系统 | |
| CN102621154A (zh) | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法及装置 | |
| CN108280838A (zh) | 一种基于边缘检测的夹片牙型缺陷检测方法 | |
| CN106872488A (zh) | 一种快速大面积透明基片双表面缺陷视觉检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181106 Termination date: 20190301 |