解 博，周 律

(上海理工大学 机械工程学院，上海 200093)



基于机器视觉的杏核图像识别系统设计

解 博，周 律

(上海理工大学 机械工程学院，上海 200093)

针对杏核分拣效率问题，文中构建了一种基于机器视觉的杏核图像特征检测系统。运用多种数字图像处理技术完成对不同杏核图像的识别，前期基于Matlab完成算法研究，再采用VC++调用Opencv图像处理函数库实现分拣系统软件。经验证，杂质杏核识别率可达94%，有效提高了杏核识别的准确性和时效性。

Matlab；图像处理；VC++；机器视觉

XIE Bo, ZHOU Lv

(School of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

传统的杏核产品分拣多采用目测法通过杏核表面特征的差异实现人工分拣，分拣方法存在人力成本高、分拣效率低下、劳动强度大、耗工耗时、检测结果主观性强等弊端。随着人力资源成本的不断提高，亟需找到一种新方法来代替传统人工分拣的方式，实现杏核产品的自动化分拣。本研究设计出机器视觉检测算法系统，在算法研究阶段采用Matlab编程实现，运用多种数字图像处理技术，采用VC++开发平台完成杏核识别软件。本研究根据杏核产品的质量及市场定位，利用计算机视觉技术[1-3]、图像处理技术[4-5]研究了杏核分拣方法，搭建了基于机器视觉的杏核识别系统，可实现对发黑发霉、褐斑一类杏核的检测，为后续分拣系统的研发提供了参考。

1 机器视觉采集系统设计

机器视觉检测是利用镜头、摄像机、图像采集卡等设备获取图像信息，基于计算机或嵌入式系统进行分析计算获得结果，进而控制执行设备完成相应动作的过程，其构成如图1所示。

图1 机器视觉系统构成

通过对杏核形状、颜色及尺寸大小等方面的实验研究，最终对本系统中所涉及到的视觉设备进行了如下的设计与选型：

研究使用的是日本WAT-535EX2型工业相机，总像素为811(H)×508(V)有效像素为768(H)×494(V)，足以满足系统要求；本研究的图像采集卡采用大恒公司的DH-CG400图像采集卡，具有集成度高、功耗低等特点。由于工业检测时周围有环境光，照明方案设计需考虑排除周围光线的干扰，因此本文设计了排除外界光源干扰的光源箱。本研究的照明方式选用漫射光照明，其安装特点是在光照箱内4个角落安装上LED光源。

计算机是视觉检测系统硬件环境，直接关系到图像处理算法的运行速度，以及整个系统的工作稳定性。本研究利用现有的试验条件，所选用计算机配置如表1所示。

表1 系统计算机配置

2 杏核图像处理

利用Matlab提供的数字图像处理工具对获取的杏核图像进行包括图像滤波、阀值分割、边缘检测等预处理并进一步进行杏核图像的二次分割，为后续图像特征和参数的提取做好准备。

2.1 杏核图像滤波

在采集待检测物体图像时，由于受到各种因素干扰，如电磁光线以及摄像机内部元器件性能等，实际获取的数字图像中不可避免地夹杂着大量的噪声信号，导致图像品质下降。因此，为便于计算机对图像进行后期的检测与识别，需进行图像预处理，消除或尽量减少噪声，改善图像质量，突出感兴趣信息。图2为待处理的杏核图像。

图2 杏核初始图像

中值滤波[6]是一种统计滤波方式。中值滤波过程中首先对模板单元内的像素按灰度值进行排序，然后将排序结果中的灰度中值作为该模板中心的灰度替代值。该方法对于存在较多独立噪声点的图像切实可行，能极大限度的滤除孤立点，同时对图像损坏较小，使图像的边缘保持清晰。中值滤波表达式为

g(x,y)=Med{f(x-k,y-l),(k,l∈W)}

(1)

其中，f(x,y)表示原图像；g(x,y)表示中值滤波后的图像；W表示中值滤波模型单元。滤波结果如图3所示。

图3 杏核图像中值滤波处理结果

2.2 杏核图像阀值分割

图像分割[7]是杏核识别过程中至关重要的一步，只有准确分离杏核与背景，提取出杏核区域，才能可靠地提取杏核特征，从而提高杏核识别的准确性。由于杏核区域与背景之间灰度值差异明显，可采用灰度阈值分割方法获取杏核区域。本文采用自动阀值中的Otsu法[8]进行杏核图像的阀值分割处理。根据图像整体灰度分布，基于最小二乘原理，将图像看作目标和背景两类，寻找最优阈值，使目标和背景之间的灰度方差最大，以实现图像的最佳分割。背景和目标的类间方差表示为

(2)

令k在0～L～1范围内，计算不同k值下的类间方差δ2(k)，使δ2(k)最大的那个k值就是最佳分割阈值。在使用Otsu阀值分割对图像进行阀值分割处理后，图像杏核区域空洞少，能准确地提取出杏核区域。分割效果如图4所示。

图4 Otsu阀值分割处理结果

2.3 杏核定位及杏核区域提取算法

图像采集卡采集的杏核原始图像大小为768×570像素，为减小运算量、提高图像处理速度，并为后续提取单粒杏核的识别特征做准备，考虑提取仅包含杏核在内的较小图像区域，将其作为图像处理对象，减小图像处理面积。为精确提取包含杏核在内的较小图像区域，采用基于杏核重心的定位算法获取杏核区域。定位算法如下：

首先对杏核的二值图像进行连通区域标记，提取出一幅图像中的多粒杏核。然后，计算每一粒杏核的重心坐标，对于连通区域标记后大小为M×N的连通区域f(x,y)，重心坐标计算公式如下

(3)

(4)

其中，x,y为二值图像的行与列；f(x,y)表示图像像素的灰度值。获取杏核区域重心坐标后，以每粒杏核重心为中心，截取以各杏核重心为中心大小为像素的矩形区域，作为图像处理和特征提取的单元。进行杏核区域提取，提取结果如图5所示。

图5 采用重心定位算法获取的杏核图像

2.4 杏核边缘检测

边缘是一种重要的图像信息，是图像处理过程中目标与背景之间的分界线，依靠边缘可将图像目标和背景分开，边缘检测[9]是一种图像分割方法，同时也是后续提取形状特征及其他特征的基础。

边缘是图像中灰度值剧烈变化的像素点的集合。由于图像中目标和背景之间灰度值差异明显，使得杏核图像整体灰度分布并不连续，而边缘恰是这些灰度变化最剧烈的像素点。由于图像灰度分布较为复杂，本设计采用图像一阶导数和二阶导数来计算边缘，采用的边缘算子为Sobel算子[10]。

图6 边缘检测结果

2.5 发黑发霉杏核褐斑杏核图像二次分割

观察优质杏核与褐斑杏核、发黑发霉杏核的灰度分布直方图可发现，优质杏核与褐斑杏核、发黑发霉杏核在较低灰度区间像素分布比例存在差异，考虑对褐斑杏核、发黑发霉杏核图像进行二次灰度阈值分割，提取出褐斑杏核区域、发黑发霉杏核区域，进一步提取杏核特征。

经Otsu自动阈值分割操作后，可较好地提取出杏核区域，为进一步分析优质杏核、褐斑杏核、发黑发霉杏核的杏核区域灰度特性，由于杏核灰度在较高灰度区间存在一个聚集分布，为了去除这部分灰度干扰，取杏核褐斑区域和发黑发霉区域作为前景，杏核其他区域作为背景，对于0～Ave(杏核整体灰度均值)区间灰度采用Otsu法进行二次分割，计算前景与背景之间的分割阈值thresh2。确立了图像中背景和目标的类间方差判别公式为

(5)

发黑发霉杏核褐斑杏核图像二次分割结果如图7所示。

图7 发黑发霉杏核二次分割图像

3 杏核视觉检测算法研究

3.1 杏核特征参数的提取

灰度特征[11]：根据计算得到的分割阈值，统计每一粒测试杏核的杏核区域灰度值位于阈值以下的像素所占比例，将此比例作为褐斑杏核、发黑发霉杏核及优质杏核识别的灰度识别特征。经研究，优质杏核与褐斑杏核发黑发霉杏核较低区域灰度分布比例差别明显，可作为识别特征。

纹理特征[12]：纹理是图像灰度在空间位置上交织作用形成的一定灰度关系。灰度共生矩阵是其中一种应用最广泛的纹理特征表达方法。灰度共生矩阵是一种二阶统计方法，可描述一定方向上相距特定距离的大量像素点的灰度统计信息。

3.2 杏核识别系统的设计

图8 发黑发霉、褐斑杏核识别流程图

采集杏核图像，经图像滤波，Otsu灰度阈值分割，提取杏核区域，计算杏核区域像素灰度均值，若杏核像素灰度均值小于给定阈值，则该杏核为杂质杏核；若灰度均值大于给定阈值T0，则判断杏核区域灰度值位于给定灰度阈值Thresh1以下比例是否大于给定值P1，若大于，则该杏核为杂质杏核；否则判断该杏核纹理特征能量值是否

4 杏核分拣系统软件设计

一套完备的杏核视觉检测系统需要有良好的软件系统支撑，设计在算法阶段采用Matlab编程实现，充分利用了Matlab编程快速便捷的优点，在软件的最终完成阶段，采用VC++调用Opencv图像处理函数库[13-15]实现，充分发挥其高效的执行效率优点。

本设计构建的基于机器视觉的杏核识别系统主要由图像采集、图像预处理、图像特征提取、杏核分类4大模块组成：图像采集模块是调用图像采集子程序，完成CCD摄像头采集杏核图像信息的过程，并可根据需要将图像以BMP格式储存到指定空间区域内；图像处理模块包括杏核图像滤波、杏核图像分割、杏核图像边缘检测等模块；特征提取模块包括杏核几何形状特征提取、杏核纹理特征提取部分；杏核分类就是根据颜色特征、纹理特征进行的对发黑发霉、褐斑一类杏核的识别。系统界面如图9所示。

图9 杏核识别系统显示界面

5 结束语

基于机器视觉的杏核识别系统具有高精度、非接触、自动化的特点，克服了传统的人工分拣效率低、检测结果主观性强、一致性较差的弊端，具有较好的应用价值。为实现对发黑发霉、褐斑杏核的检测，研究了优质杏核与发黑发霉杏核、褐斑杏核在灰度特征和纹理特征方面的差异，利用改进的Otsu阀值分割算法，对杏核图像进行二次分割，获取分割阀值。通过大量的统计数据分析对比，确立了最终的特征阀值，建立了一种基于颜色和纹理特征阀值的杏核识别规则。

[1] 黄星奕,吴守一,方如明,等.计算机视觉在大米胚芽识别中的应用[J].农业机械学报,2000,31(1):62-65.

[2] 许俐.机器视觉测量大米留胚率的研究[J].江苏理工大学学报,1997,18 (6):8-11.

[3] 徐洪蕊.基于计算机视觉对“次郎”甜柿外部品质检测与分级的研究[D].南京: 南京农业大学,2010.

[4] 杨新华,王艳,段永军,等.基于Matlab的图像增强处理系统的设计与实现[M]. 火力与指挥控制,2008,33(6):143-145, 153.

[5] 杨丹,赵海滨,龙哲,等.Matlab图像处理实例详解[M].北京:清华大学出版社,2013.

[6] 候宏花,陈树越,郭保全.医学B超图像降噪处理的三种方法比较[J].测试技术学报,2003,17(3):262-264.

[7] 赵荣椿,赵忠明,赵歆波.数字图像处理与分析[M].北京:清华大学出版社,2013.

[8] 王凤朝,黄树采,韩朝超.基于改进的二维Otsu法的图像分割法[J].航空计算技术,2008,38(4):4-7.

[9] 张凯丽,刘辉.边缘检测技术的发展研究[J].昆明理工大学学报:理工版,2000,25(5):36-39.

[10] 容观澳.计算机图像处理学[M].北京: 清华大学出版社,1999.

[11] 汪黎明,陈健敏,王锐,等.织物折皱纹理灰度共生矩阵分析[J].青岛大学学报:工程技术版,2003,18(4):5-8.

[12] 徐小军,邵英,郭尚芬.基于灰度共生矩阵的火焰图像纹理特征分析[J].计算机技术与自动化,2007,26(4):64-67.

[13] Bradski G,Kaehler A.学习Opencv[M]. 于仕琪,刘瑞祯,译.北京:清华大学出版社,2009.

[14] 曲扬.精通Visual C++实效编程280例[M].北京:人民邮电出版社,2009.

[15] 刘锐宁,宁坤.Visual C++从入门到精通[M].北京:清华大学出版社,2010.

Design of an Almond Image Recognition System Based on Machine Vision

This paper constructs an almond image feature detection system based on machine vision for higher almond sorting efficiency. A variety of digital image processing technologies are employed for the identification of different almond images. The Matlab algorithm is studied and the sorting system software is implemented by using C++ image processing library to call Opencv. Tests show that the impurity almond recognition rate improves up to 94% after verification.

Matlab; image processing; VC++; machine vision

2015- 12- 28

解博(1990-)，男，硕士研究生。研究方向：机器视觉图像处理。周律(1976-)，男，博士，讲师，硕士生导师。研究方向：机电一体化。

10.16180/j.cnki.issn1007-7820.2016.10.028

TP391.41

A

1007-7820(2016)10-097-04