一种基于机器视觉的根茎类农产品缺陷检测方法技术

本发明专利技术提供一种基于机器视觉的根茎类农产品缺陷检测方法，其解决了现有农产品缺陷检测效率及质量不高的技术问题，步骤主要包括：S1、图像拍摄；S2、图像预处理；S3、图像分析；S4、指令发送。通过机器视觉检测农产品表面缺陷，实现快速且准确的筛选。本发明专利技术方法步骤简单，执行效率较高，依靠根茎农作物常见的跌落式输送机构，进行下落过程拍摄，可获得较为全面的图像，识别准确度高，具备较好的表面缺陷检测能力，可广泛应用于农产品分拣技术领域。可广泛应用于农产品分拣技术领域。可广泛应用于农产品分拣技术领域。

【技术实现步骤摘要】
一种基于机器视觉的根茎类农产品缺陷检测方法


[0001]本专利技术涉及农产品分拣
，特别涉及一种基于机器视觉的根茎类农产品缺陷检测方法。

技术介绍

[0002]农产品上市销售前，一般要经过分拣包装环节，借助这个过程，可以有效剔除问题产品，同时更加精细化划分出产品等级，有利于后期分级销售，实现利润最大化。早期我国农产品分拣大都采用人工分拣，不仅费时费力，效率低下，而且分拣的标准因人而异，导致分拣质量不一。近年来，我国在农业蔬菜领域逐步增加了专业分拣系统投入，使其可以代替一部分人工分拣，起到了良好的作用。
[0003]目前，市场上现有的分拣系统一般采用定制的分拣机构完成分拣工作，虽然效率比较高，但受限于特定场景应用，大都应用在水果或者果菜分拣领域，因为瓜果类外形较为统一，分拣标准更易指定。而对于根茎类农产品，如胡萝卜、马铃薯、地瓜等，由于整体外形不规则、特征复杂、难以定制专业分拣机构，同时其外表面还存在水烂点、裂口、烂头和大、小黑斑等外观缺陷，使传统机械分拣装置不能胜任分拣工作；而现有的视觉和光谱分拣技术只能识别出其中的一个或几个特征，因此分拣误差较大。
[0004]中国专利CN113319013A公开了一种基于机器视觉的苹果智能分拣的方法，通过提取苹果图像轮廓区域的最小外接矩形，得到苹果的像素即果径特征。采用S均值μs和方差δs作为苹果中疤痕、划痕和果锈区域识别分类的颜色特征。采用基于双树复小波变换提取苹果纹理特征。将果径特征、颜色特征以及纹理特征进行融合，将融合后的特征向量输入到SVM分类器中进行分类识别。双机械臂将表面合格的苹果进行抓取，并通过深度卷积神经网络对苹果底部图像进行疤痕检测。双机械臂根据路径规划的结果将底部合格的苹果准确装盒，不合格苹果放回传送带进入残次果流程。上述技术方案通过特征提取和支持向量机分类算法进行筛选分类，一定程度上提升了分拣准确性，改善了分拣质量，但是将其应用于根茎类农产品中，并不能很好满足全部需求，同时搭配机械手二次筛选效率不高，故还需进一步改进。

技术实现思路

[0005]本专利技术的目的是为了解决上述技术的不足，结合机器视觉技术，实现根茎类农产品缺陷快速精确检测。
[0006]为此，本专利技术提供一种基于机器视觉的根茎类农产品缺陷检测方法，主要包括以下步骤：
[0007]S1、图像拍摄，根茎类农产品通过跌落式输送机运输，并在下落过程中通过工业相机拍摄所述根茎类农产品的表面图像；
[0008]S2、图像预处理，将S1中获得的图像进行预先处理；
[0009]S3、图像分析，通过机器学习算法搭建的图像分析模型分析所述S2中获得的图像，
反馈当前通过的根茎类农产品的缺陷类型和缺陷尺寸；
[0010]S4、指令发送，根据所述S3获得的所述缺陷类型和所述缺陷尺寸判断当前通过的根茎类农产品是否需要剔除，并向执行机构发送动作指令。
[0011]优选的，所述S2中的图像预处理包括：
[0012]S21、根据二分类算法识别图像中背景和所述根茎类农产品，并对像素点标记类别标签；
[0013]S22、将所述S21中的图像进行灰度处理，获得灰度图；
[0014]S23、对所述S22中灰度图进行图像开运算和中值滤波；
[0015]S24、将所述S23处理后的灰度图进行二值化处理。
[0016]优选的，在进行所述S21处理前，将所述S1获得的图像转换为HSV颜色模型。
[0017]优选的，所述S21中还包括根据所述类别标签对图像进行二值化处理。
[0018]优选的，所述S3中还包括，根据图像中所述根茎类农产品轮廓点空间关系计算形状曲率，并与设定阈值比较。
[0019]优选的，计算形状曲率包括以下步骤：
[0020]S31、对所述S24处理后的图像进行轮廓线提取；
[0021]S32、取所述S31中轮廓线上的多个点计算曲率。
[0022]优选的，所述S31中还包括图像旋转，根据椭圆拟合法确定根茎类农产品图像的旋转矩阵；通过旋转矩阵将所述根茎类农产品的图像旋转至水平。
[0023]优选的，所述S32中，在计算曲率前提取根茎类农产品图像中垂直和水平方向上的几何顶点；对所述几何顶点间的轮廓曲线采取步进式的方式计算最大曲率。
[0024]优选的，所述S1中的工业相机对所述根茎类农产品单次下落拍摄多幅图像，且每幅图像均进入后续步骤中。
[0025]优选的，所述S3中机器学习算法为Yolo算法；所述图像分析模型预先通过根茎类农产品缺陷图像库进行训练。
[0026]本专利技术的有益效果是：
[0027]本专利技术方法步骤简单，执行效率较高，依靠根茎农作物常见的跌落式输送机构，进行下落过程拍摄，可获得较为全面的图像，识别准确度高，具备较好的表面缺陷检测能力；进一步，结合形状曲率检测使缺陷检测更完善，有利于分拣质量的提高。
附图说明
[0028]图1为本专利技术具体实施例中方法流程图；
[0029]图2为本专利技术具体实施例中步骤S21的二值化图；
[0030]图3为本专利技术具体实施例中步骤S22的灰度图；
[0031]图4为本专利技术具体实施例中步骤S23的降噪灰度图；
[0032]图5为本专利技术具体实施例中步骤S24的二值化图；
[0033]图6为本专利技术具体实施例中步骤S24的反色二值化图；
[0034]图7为本专利技术具体实施例中步骤S31的水平旋转图；
[0035]图8为本专利技术具体实施例中步骤S31的轮廓图(边界图)；
[0036]图9为本专利技术具体实施例中步骤S32的顶点标注图；
[0037]图10为本专利技术具体实施例中步骤S32的取点图；
[0038]图11为本专利技术具体实施例中曲率计算结果图；
[0039]图12为本专利技术具体实施例中尺寸计算效果图；
[0040]图13为本专利技术具体实施例中缺陷比对流程图。
具体实施方式
[0041]下面结合附图和具体实施例对本专利技术作进一步说明，以助于理解本专利技术的内容。本专利技术中所使用的方法如无特殊规定，均为常规的方法；所使用的原料和装置，如无特殊规定，均为常规的市售产品。
[0042]本实施例中将通过单一品种的根茎类农产品(胡萝卜)为例进行说明，仅用于展示本专利技术方法步骤和对应结果，并不能理解为限制条件。
[0043]如图1所示，一种基于机器视觉的根茎类农产品缺陷检测方法，主要包括以下步骤：
[0044]S1、图像拍摄，根茎类农产品常见的运输机构中，一般存在跌落式运输机，即第一传输机构的出口与第二传输机构的入口存在垂直方向上的落差，如两个垂直位置不同的传送带组成的运输机，胡萝卜是在其中一条传送带上连续输送，当胡萝卜从较高处的传送带上掉落的时候会触发一个激光触发器，系统接收到信号会控制工业相机(CCD相机)进行拍摄，记录胡萝卜的表面图像。
[0045]S2、图像预处理，将S1中获得的图像进行预先本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的根茎类农产品缺陷检测方法，其特征在于，包括以下步骤：S1、图像拍摄，根茎类农产品通过跌落式输送机运输，并在下落过程中通过工业相机拍摄所述根茎类农产品的表面图像；S2、图像预处理，将S1中获得的图像进行预先处理；S3、图像分析，通过机器学习算法搭建的图像分析模型分析所述S2中获得的图像，反馈当前通过的根茎类农产品的缺陷类型和缺陷尺寸；S4、指令发送，根据所述S3获得的所述缺陷类型和所述缺陷尺寸判断当前通过的根茎类农产品是否需要剔除，并向执行机构发送动作指令。2.根据权利要求1所述的一种基于机器视觉的根茎类农产品缺陷检测方法，其特征在于，所述S2中的图像预处理包括：S21、根据二分类算法识别图像中背景和所述根茎类农产品，并对像素点标记类别标签；S22、将所述S21中的图像进行灰度处理，获得灰度图；S23、对所述S22中灰度图进行图像开运算和中值滤波；S24、将所述S23处理后的灰度图进行二值化处理。3.根据权利要求2所述的一种基于机器视觉的根茎类农产品缺陷检测方法，其特征在于，在进行所述S21处理前，将所述S1获得的图像转换为HSV颜色模型。4.根据权利要求3所述的一种基于机器视觉的根茎类农产品缺陷检测方法，其特征在于，所述S21中还包括根据所述类别标签对图像进行二值化处理。5.根据权利要求4所述的一种基于机器...

【专利技术属性】
技术研发人员：陈彬，朴铁军，白雪峰，于水，胡明亮，
申请(专利权)人：威海若维信息科技有限公司，
类型：发明
国别省市：