基于机器视觉和X射线的水果品质综合分级方法和装置制造方法及图纸

本发明专利技术为基于机器视觉和X射线的水果品质综合分级方法和装置，该方法首先采集待分级水果的外观图像，计算果面缺陷、果形大小和色泽三种特征的特征值，依据因子分析法和专家经验将水果外观划分为多个等级，对水果外观图像进行标注并生成标签；其次，搭建外观分级网络，将训练后的外观分级网络作为第一初级分类器；然后采集待分级水果的X射线图像并标注，基于人工特征和CNN特征构建三个分类器，采用决策级融合方式对三个分类器的结果进行融合建立第二初级分类器；最后根据水果品质综合分级规则建立次级分类器输出分级结果。将外观品质和内部缺陷信息相结合，完成了水果品质的综合分级，分级指标更加全面，满足了对高品质水果的分级需求。分级需求。分级需求。

【技术实现步骤摘要】
基于机器视觉和X射线的水果品质综合分级方法和装置


[0001]本专利技术涉及水果外观和内部的综合品质分级
，具体是一种基于机器视觉和X射线的水果品质综合分级方法和装置。

技术介绍

[0002]目前对于水果外观的分级主要依靠人工进行，对于水果外观分级存在主观性强、效率低等缺点，而人工无法进行水果内部缺陷的分级。无损检测已经成功应用于柑橘等水果的内部缺陷检测中，为水果品质的智能化分级提供了手段。
[0003]申请号为202011437542.7公开了一种基于神经网络的水果缺陷无损检测方法及水果分级方法，该方法获取了梨外观图像、X射线图像、切片图像以及切片化学检测数据集，基于神经网络搭建了水果品质分级模型，将带有标签的梨X射线数据集输入到神经网络进行训练，训练完成后的模型用于对待检测的梨数据集进行检测，梨品质分级包括了外观特征以及内部特征。但是此方法只针对梨的缺陷进行无损检测与分级，提取的特征较少，不能全面反映水果的综合品质。
[0004]申请号201810695675.0公开了一种水果品质视觉检测分级装置与分级方法，该分级装置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉和X射线的水果品质综合分级方法，其特征在于，该方法包括以下步骤：第一步、通过CCD图像采集模块获取待分级水果的外观图像，对外观图像进行预处理，大量的外观图像构成外观图像数据库；提取预处理后的外观图像的缺陷区域，得到外观缺陷图像数据库；第二步、计算果面缺陷、果形大小和色泽三种特征的特征值，果面缺陷包含的特征有：缺陷总面积、缺陷个数、缺陷总面积与缺陷个数之比；果形大小包含的特征有：椭圆度、周长、投影面积、高度、宽度、长宽比以及矩形度；色泽包含的特征有：R通道均值与方差、G通道均值与方差、R通道均值与G通道均值之比；针对外观缺陷图像数据库中的外观缺陷图像，提取各个果面缺陷特征的特征值；针对外观图像数据库中的外观图像，提取果形大小特征和色泽特征的特征值，得到果面缺陷、果形大小和色泽这三个特征的特征值数据表；利用因子分析法对外观图像进行标注，包括使用主成分分析法提取特征值数据表中各个特征的主成分，并计算各个主成分的方差贡献率，计算各个外观图像的综合得分，综合得分为各个主成分与其相应方差贡献率的线性组合，然后将各个外观图像的综合得分由高到低进行排序，并依据专家经验将待分级水果的外观品质分为优等、一等、二等共三个等级，根据此分级结果对外观图像进行标注并生成标签；第三步、搭建外观分级网络，将训练后的外观分级网络作为第一初级分类器；第四步、通过X射线图像采集模块获取待分级水果的X射线图像，建立X射线图像数据库；对X射线图像进行预处理，得到预处理后的X射线图像；对经过X射线成像的水果样本进行切片处理，依据切片反应的缺陷信息对预处理后的X射线图像进行标注，标注信息为是否存在缺陷，得到标注后的X射线图像；第五步、提取预处理后的X射线图像的HOG特征和LBP特征，利用SVM模型对这两个特征分别构建分类器；针对预处理后的X射线图像，基于神经网络构建CNN分类器；将三个分类器的分类结果进行决策级融合得到第二初级分类器，对待分级水果内部缺陷进行分类；第六步、制定水果品质综合分级规则，基于集成学习策略，将第一初级分类器和第二初级分类器的输出作为次级分类器的输入，次级分类器根据水果品质综合分级规则输出分级结果，至此完成整个分级过程。2.根据权利要求1所述的基于机器视觉和X射线的水果品质综合分级方法，其特征在于，第五步包括：对上述三个分类器进行训练，利用训练后的三个分类器进行预测，提取各个分类器的分类性能评价指标和计算各个分类器的预测概率，预测概率包括内部有缺陷的概率和内部无缺陷的概率；根据分类器个数、各个分类性能评价指标及分类性能评价指标总个数，构建多通道评价矩阵；计算每个分类性能评价指标在各个分类器中的权重和各个分类器进行多通道融合时的权重；利用式(21)计算待分级水果内部缺陷的融合分数P，将最大融合分数对应的类别作为最终分类结果；其中，P
q
表示第q个分类器的预测概率，q＝1,2,
…
,Q，Q为分类器个数，ω
q
表示第q个分
类器进行多通道融合时的权重。3.根据权利要求2所述的基于机器视觉和X射线的水果品质综合分级方法，其特征在于，分类性能评价指标包括准确率、召回率、F1分数和精确率，根据式(11)计算各个分类性能评价指标的权重；其中，α
k
表示第k个分类性能评价指标的权重，K表示分类性能评价指标总个数，表示第k个分类性能评价指标的权重，K表示分类性能评价指标总个数，表示第k个分类性能评价指标在决策过程中的相对重要性，表示第k个分类性能评价指标在决策过程中的相对重要性，表示第k个分类性能评价指标d
q,k
在所有分类器中的标准差，d
q,k
表示第q个分类器中第k个分类性能评价指标；r
kg
为相关系数矩阵R＝(r
kg
)
K
×
K
中的项，计算公式如式(12)；为第k个分类性能评价指标在所有分类器中的平均值，计算公式如式(1...

【专利技术属性】
技术研发人员：杨泽青，李志蒙，胡宁，孙凌宇，丁湘燕，齐正磐，段书用，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：