發(fā)布時間：2021-12-21 22:30

　　水果因其含有的豐富營養(yǎng)價值飽受人們青睞,但在水果的運輸過程中,環(huán)境變化、病蟲侵害、碰撞摩擦等因素會造成其表面的損壞或腐爛,因此在水果正式流通進市場之前需對其表面進行缺陷檢測以淘汰壞果。針對該問題,本文對類圓形水果表面缺陷檢測的關鍵技術加以研究,并依據(jù)分析對不同檢測算法進行適當改進。本文的主要工作包括以下四個方面:（1）提出了一種基于遠鄰域顏色描述特征及稀疏表達的類圓形水果缺陷檢測方法。由于大部分缺陷在顏色上與非缺陷存在明顯差異,該缺陷檢測方法通過分析中心圖像塊與其鄰域塊、遠鄰域塊在顏色上的相似性,并結合中心塊自身顏色的數(shù)量和空間分布情況,構建了遠鄰域顏色描述特征。實驗證明,所提出的檢測方法是合理且有效的。（2）在稀疏模型和卷積稀疏模型的基礎上,提出了雙類型字典選擇方式和基于多變量特征判定區(qū)域的缺陷檢測方式。由于部分水果表面顏色多樣且紋理隨機性大,為了在訓練階段減小單類型字典學習的壓力,構造出最大響應圖與最大響應方向圖對圖像類型加以劃分,并在此基礎上進行雙類型字典學習;針對檢測階段僅使用重建誤差這一單一變量易造成結果可信度不高的問題,該缺陷檢測方法采用增加其余變量,構造低維度檢測特征和特... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【部分圖文】：

水果表面缺陷由于大部分缺陷與正常水果表皮在顏色上存在較大差異，因此在基于顏色描述特征的缺

南京郵電大學專業(yè)學位碩士研究生學位論文第三章基于顏色描述特征的類圓形水果缺陷檢測15第三章基于顏色描述特征的類圓形水果缺陷檢測常見缺陷檢測分類模型的分類依據(jù)為缺陷與非缺陷區(qū)域的差異特征。如圖1.1可知，大部分類圓形水果表面缺陷與非缺陷區(qū)域在顏色上存在明顯差異，因此顏色特征的提取成為分類模型檢測缺陷過程中至關重要的一環(huán)。本章將研究重點放在了顏色特征提取上，提出了一種能有效分辨缺陷與非缺陷區(qū)域的遠鄰域顏色描述特征。3.1基于顏色描述特征的水果缺陷檢測總流程為了彌補常見顏色特征信息考慮的不足，本章以圖像塊為基本單位，首先利用統(tǒng)計思想提出了一種新穎的遠鄰域顏色描述特征，接著通過稀疏表達修正該顏色特征以考慮圖像塊間的鄰域關系，最后通過高斯混合模型實現(xiàn)缺陷圖像塊與非缺陷圖像塊的分離。本章所述算法的具體檢測流程如圖3.1所示：圖3.1基于顏色描述特征的缺陷檢測算法總流程下面將結合圖3.1對圖像預處理模塊、遠鄰域顏色描述特征提取模塊、鄰域信息引入模塊、顏色特征分類模塊及缺陷輸出模塊進行詳細說明。3.2圖像預處理首先直接利用Otsu閾值操作分離出水果，接著將水果各像素點按顏色分為類，最后對

南京郵電大學專業(yè)學位碩士研究生學位論文第三章基于顏色描述特征的類圓形水果缺陷檢測16水果區(qū)域進行10×10重疊塊劃分。由于類圓形水果形狀的特殊性，無法對該圓形區(qū)域進行完整劃分，因此需要對實際參與后續(xù)檢測操作的有效圖像塊進行確定�，F(xiàn)規(guī)定所有包含水果區(qū)域的圖像塊均為有效圖像塊，其中位于水果邊緣的有效圖像塊可能包含了部分背景區(qū)域，需用所在圖像塊水果區(qū)域的像素均值對這些黑色背景進行填充處理。3.3遠鄰域顏色描述特征提取預處理后需對圖像進行顏色特征提取，本章在顏色統(tǒng)計直方圖的基礎上提出了一種新穎且有效地遠鄰域顏色描述特征，該特征的提取過程可以分為兩部分，各圖像塊顏色直方圖特征提取及遠鄰域相似權值和特征提齲遠鄰域顏色描述特征的總體提取流程如圖3.2所示：圖3.2遠鄰域顏色描述特征提取總體流程下面將結合圖3.2對遠鄰域顏色描述特征的具體提取方式進行詳細介紹。3.3.1遠鄰域區(qū)域類圓形水果表面缺陷分布隨機且形狀大小不一，因此無法僅僅利用各圖像塊內(nèi)部顏色數(shù)量信息進行缺陷檢測。觀察圖3.3可以發(fā)現(xiàn)，遠離小面積缺陷點的區(qū)域中，像素點為非缺陷的可能性較高；遠離非缺陷點的區(qū)域中，像素點為非缺陷的可能性較高，因此通過待檢測目標點與其鄰域之外區(qū)域像素點在顏色屬性上的相似程度可以區(qū)分出小面積缺陷點與非缺陷點；而遠離大面積缺陷點的區(qū)域中，像素點為缺陷的可能性較高，這意味著大面積缺陷點、非缺陷點與各自鄰域之外區(qū)域中像素點在顏色屬性上的相似程度接近。為了進一步區(qū)分出二者，可直接利用目標點的顏色信息。

【參考文獻】：
期刊論文
[1]基于HALCON的LED陶瓷基板缺陷檢測系統(tǒng)[J]. 黃思博,蔡昭權,陳伽,胡輝,蔡映雪,溫俊慶.  現(xiàn)代計算機. 2019(16)
[2]基于Fisher判別分析的分類模型研究[J]. 代雪珍,衛(wèi)軍超,常在斌.  價值工程. 2018(26)
[3]機器視覺原理解析及其應用實例[J]. 李定川.  智慧工廠. 2017 (08)
[4]基于鄰域保持嵌入稀疏編碼的圖像分類[J]. 高佳雪,陳秀宏.  計算機工程. 2016(03)
[5]基于類自適應高斯-馬爾可夫隨機場模型和EM算法的MR圖像分割[J]. 王文輝,馮前進,劉磊,陳武凡.  中國圖象圖形學報. 2008(03)

博士論文
[1]臍橙表面缺陷的機器視覺快速檢測研究及嵌入式系統(tǒng)應用[D]. 容典.浙江大學 2017
[2]基于稀疏編碼的織物瑕疵檢測算法研究[D]. 朱秋平.武漢大學 2014

碩士論文
[1]基于數(shù)字圖像處理的水果表面品質檢測方法研究[D]. 馬秀麗.東北大學 2011



本文編號：3545295