李运志，Qiang Zhang，陈弘毅，党晓辉，李新岗，胡耀华

(1.西北农林科技大学 a.机械与电子工程学院；b.林学院，陕西 杨凌　712100；2.加拿大曼尼托巴大学 生物系统工程系,温尼伯　R3T 5V6；3.陕西圣华农业科技股份有限公司，西安　710000)



基于机器视觉的半干枣病害和裂纹识别研究

李运志1a，Qiang Zhang2，陈弘毅1a，党晓辉3，李新岗1b，胡耀华1a

(1.西北农林科技大学 a.机械与电子工程学院；b.林学院，陕西 杨凌712100；2.加拿大曼尼托巴大学 生物系统工程系,温尼伯R3T 5V6；3.陕西圣华农业科技股份有限公司，西安710000)

摘要：研究提出了一种基于机器视觉的病害和裂纹的识别方法。在H分量图中，依据半干枣在病害和非病害区域色调值差异提取病害区域，以提取的病害区域与枣表面积的比作为阈值确定较高的病害面积识别精度，可正确识别的感兴趣病害面积为16.87mm2，占枣投影面积的3.3%。为进一步提高在该病害面积识别精度的正确率，依据已确定的病害面积比阈值，将病害面积比值二值化，结合红枣区域颜色特征值H的均值和均方差，用SVM方法建立枣病害的识别模型，训练集和测试集的识别正确率分别为95.77%和95.79%。在I分量图中，对红枣区域进行Otsu’s阈值分割、图像局部属性统计和形态学处理，提取裂纹二值图像，依据裂纹图像不变距方法建立裂纹识别模型，训练集和测试集的识别正确率分别为94.90%和94.55%。

关键词：枣；机器视觉；病害；裂纹；缺陷；支持向量机

0引言

据《中国林业统计年鉴》，2013年全国年产红枣4.315 6×109kg，占世界枣种植面积和产量的98%以上[1]。为提高红枣产品质量和附加值，减少因不能及时、有效的商品化处理带来的损失，应进一步对其黑斑、霉变、裂纹等表面缺陷，以及非正常果形、颜色的红枣进行分级鉴定。……