基于数字图像处理技术的苹果识别方法研究_丁海涛.pdf

2023.7电脑编程技巧与维护1概述苹果作为农产品，在农业经济绿色可持续发展的大环境下，对果农增收具有重要的作用1。目前苹果种植正向着农民专业合作社形式发展，传统的苹果种植变成精细化种植，收购和销售规模变大2。每到苹果丰收季节，为增加农民收入，需要对大量的苹果进行筛选，分出不同等级。但目前苹果的分类筛选仍以人工为主，效率不高，不利于苹果快速进入市场，不利于获取更好的销售机遇。近年来，对苹果进行自动分类的研究很多，刘媛媛等3通过采集苹果上面、下面和3个侧面共5个角度的图片，并进行裁剪，用颜色直方图向量表示图像，用偏最小二乘分类器进行分类，精度达到97.87%。耿磊等4来用苹果外观形状轮廓及颜色纹理特征，通过构建自动识别和分类模型对7种苹果类型进行分类，有较高的分类准确率。毕玉等5提出了基于数字信号处理（DSP）和ARM处理器的苹果分类机器人智能控制系统，通过图像技术和神经网络算法，能够对苹果进行有效分类。以上方法虽然都取得了很好的分类效果，但算法相对比较复杂，忽视了果农对快速筛选的需求，并且表面生病或损坏的苹果一般在采摘的过程中已被剔除，没有必要再次识别。根据果农的实际需求，结合苹果具体特征，在此提出了一种苹果识别方法，该方法选取红色分量像素值的平均值。苹果果实外接矩形的横向长度和纵向长度。果实区域面积与外接矩形面积比值为特征量，选取支持向量机作为分类器进行分类器训练，然后对待测图像集中的图像进行识别，能够更有效地筛选出又大又圆的红色优质苹果。2方法2.1图像采集研究所用苹果为从不同超市购买的苹果，包括大的圆形红色苹果、大的圆形偏青色苹果、小的圆形红苹果、大的椭圆型红苹果各50颗。大苹果选择最大外接圆直径在8 cm以上的；小苹果选择最大外接圆直径在6 cm以下的；圆形苹果选择外形近似圆形的；椭圆形苹果选择外形椭圆形状明显的；青色苹果和红色苹果的颜色特征明显。将每个苹果放在黑色背景上，果核与背景平面近似垂直，采集图像摄像头与苹果距离约30 cm，从上面采集第1张图像，然后将苹果翻转，果核仍然与背景平面近似垂直，采集第2张图像。黑色背景模拟现实筛选系统的传送带的颜色。随机选择4种类型的苹果各25颗，因为每个苹果采集2张图像，所以采集4种类型的苹果图像各50幅，作为训练样本。采集剩余的4种类型的苹果图像各50幅作为待测图像。基金项目：安徽省高校自然科学研究项目（2022AH040333）、（2022AH052656）；安徽省高等学校质量工程项目（2020kfkc370）；滁州职业技术学院研究项目（YJY-2021-02）、（YJY-2021-14）；滁州职业技术学院横向研究项目（CZZY-HX-2023-12）；物联网应用技术专业教学团队（2021jxtd210）；滁州职业技术学院物联网应用技术专业群（2022zya04）。作者简介：丁海涛（1987），男，硕士，助教，研究方向为物联网、计算机教学科研。基于数字图像处理技术的苹果识别方法研究丁海涛，武斌，李兰兰，王军（滁州职业技术学院信息工程学院，安徽 滁州239000）摘要：为帮助果农快速筛选出又大又圆的优质苹果、加快苹果进入市场进度、提高果农经济收益，提出了一种有效的苹果识别方法。采集黑色背景下苹果原始图像，进行红色分量图像提取；进行阈值分割，对分割后的图像进行区域生长算法计算；对得到的有效分割区域构建外接矩形。在此选择苹果原始图像红色分量像素均值，果实外接矩形的横向长度、纵向长度，果实区域面积与外接矩形面积比值等参数为特征量，分别选取50 幅大的圆形红色苹果、大的圆形偏青色苹果、小的圆形红苹果、大的椭圆型红苹果作为样本图像，选取支持向量机作为分类器进行分类器训练，分别选择 4 种类型的苹果各 50 幅图组成待测图像集进行分类识别。实验结果表明，该方法能够较准确地识别出大的圆形红色苹果，识别准确率在 92%以上。该方法对科技兴农有着重要的作用。关键词：苹果；特征量；筛选；果农144DOI:10.16184/prg.2023.07.0402023.7电脑编程技巧与维护2.2图像红色分量彩色图像的像素值是由R、G、B 3种分量组成，在RGB模型中，每一种基色都有256个亮度等级6。根据研究目的，筛选出大的圆形红色苹果，对于采集到的苹果图像，提取红色通道的图像更有利于通过颜色特征对苹果进行分析，颜色特征作为区分红色苹果和青色苹果主要特征，统计苹果图像红色分量像素值均值PR作为一个特征量。2.3阈值分割阈值分割的目的是将图像分割成不同区域，目标区域能够被分割出来。最简单的阈值分割为选取一个阈值，将一幅图像分成两个区域，即图像的二值化分割。研究采集的苹果图像有苹果区域和背景区域，适合用二值化阈值分割法把苹果区域和背景区域分割开，便于后面构建外接矩形。根据提取的红色通道的灰度图像特点，结合固定阈值分割原理和最大类间方差法分割原理，进行算法实现，图像处理后发现采用最大类间方差法进行阈值分割效果很好，因此分割方法选择最大类间方差法7。2.4区域生长区域生长从一组种子点开始，将邻域像素中和种子点性质相似的像素添加到每个种子上，形成生长区域8。从分割后，图像可以看出，背景区域为黑色，苹果区域为白色，苹果核位置为黑色。为将苹果核黑色图像去除，可选取图像起始点像素值为0的点为种子点，将像素值为0的点区域加入其中，经过区域生长后，果核区域黑色图像被去除，图像中只有黑色背景区域和全白色果实区域。2.5外接矩形苹果外接矩形图形如图1所示。经过有效分割后的图像，图像中苹果区域边界明显，为了能够较好的反映苹果果实的大小和果实边界圆形情况，通过构建外接矩形来反映出苹果的基本形状9。在分割后的苹果二值化图像中，只需要计算有效区域边界点横向坐标最大和最小坐标值，纵向坐标的最大和最小坐标值，分别根据横向和纵向最大坐标和最小坐标的差值，即可得出外接矩形的横向长度和纵向长度。以一个方向上像素点的个数作为长度值。W表示外接矩形横向长度，L表示外接矩形纵向长度。根据区域生长后的苹果图像可计算果实区域面积Sa，外接矩形面积SW=LW，以比值r=Sa/Sw、L、W为特征量进行特征提取。2.6支持向量机分类器支持向量机以结构风险最小化原则为理论基础，通过合适的函数子集及相应的判别函数，最小化学习机器的实际风险，从而保证通过有限的训练样本能够得到一种小误差的分类器，支持向量机的基本思想在线性可分的情况下和线性不可分的情况下都可以通过在原空间或者映射到高维属性空间寻找最优分类超平面，这样是为了得到最好的分类效果，并能够使样本空间中的期望风险上界要求得到满足10。对于二类问题，最优分类线的要求是两类间的分类间隔最大的同时，分类的准确性同样能够得到保证。最优分类线用H表示，H1和H2分别是过两类样本离分类线最近的点直线，并且这两条直线与最优分类线相互平行，其中H1和H2之间的距离称为两类的分类间隔。将二维推广到高维，能够将二类数据准确分开的平面叫做超平面。文中选取特征量为线性可分的。线性可分最优分类超平面，如图2所示。3实验与结果分析3.1特征提取通过固定相机拍摄图像，摄像头距离苹果约30 cm，图像处理方法是在VC+6.0编程环境中编程实现的，所用个人计算机（PC）为3.6 GHz CPU，8 GB内存，处理苹果图像大小为400400像素。首先将采集的图像进行绿色通道灰度化处理结果如图3所示，从图3中的图像可以明显看出果实区域和背景区域特征明显，灰度值相差较大，有利于后面采取图像分割的方法进行图1苹果外接矩形图LWOXy图2线性可分最优分类超平面H1H2Hmargin=2/|w|1452023.7电脑编程技巧与维护分割处理。对图3进行计算，计算出图像的像素平均值PR作为一个特征量。利用最大类间方差法处理图3，分割后的图像如图4所示，图4为二值化后的图像。可以看出果实区域像素值为255，背景区域和果核区域图像的像素值为0，果核区域呈现为小的孔洞，需要进一步处理。对图4进行区域生长，首先从图像起始点开始进行区域生长，区域生长种子点像素值为0，将与种子点像素值一致的区域加入生长区域，区域生长后图像如图5所示，内部果核区域已被有效去除。构建外接矩形如图6所示，根据外接矩形的L、W计算出Sw，统计果实区域像素数作为面积Sa，可以计算出特征量r=Sa/Sw，此时特征量PR、L、W、r已经全部求出，紧接着构建分类器进行识别。3.2分类器构建分类的具体思路如下：（1）选取4种类型的苹果图像各50幅，作为训练样本；（2）对样本图像进行特征量，提取样本图像的PR、L、W、r。（3）用特征量作为分类器的输入对分类器进行训练；（4）将待测样本依次通过训练好的组合分类器进行识别。支持向量机分类器训练流程如图7所示。3.3结果分析选取大的圆形红色苹果和小的圆形红苹果待测图像各50幅，共100幅图像进行分类识别，识别率如表1所示，分类器识别出大的圆形红色苹果识别准确率为100%。选取大的圆形红色苹果和大的圆形偏青色苹果待测图像各50幅，共100幅进行分类识别，识别结果如表2所示，分类器识别出大的圆形红色苹果识别准确率为96%。选取大的圆形红色苹果和大的椭圆型红苹果待测图像各50幅，共100幅图像进行分类识别，识别率如表3所示，分类器识别出大的圆形红色苹果识别准确率为92%。图3苹果绿色通道灰度化处理结果图4分割后的图像图5区域生长后图6构建外接矩形图7支持向量机分类器训练流程苹果类型待测数识别准确率大圆红+小圆红100100%表1识别率（大圆红+小圆红）苹果类型待测数识别准确率大圆红+大圆青10096%表2识别率（大圆红+大圆青）苹果类型待测数识别准确率大圆红+大椭圆红10092%表3识别率（大圆红+大椭圆红）开始样本图像图像处理特征量提取是否训练完成？SVM分类器结束1462023.7电脑编程技巧与维护参考文献1张寅,李斌,杨冬.基于物联网技术的大型机械设备智能管理系统开发J.中国仪器仪表,2023(2):53-58.2陈雪英.物联网技术支持下的电厂生产现场智能管理系统分析J.电子测试,2022,36(18):75-77.3段昊鹏.基于物联网技术的养老院智能管理系统设计J.物联网技术,2022,12(2):99-100.4卢璐.浅谈物联网技术下消防装备智能管理系统应用J.中国新通信,2022,24(2):94-96.5孙握瑜,慈尚.基于物联网技术的中小型加工企业智能管理系统设计与实现J.信息与电脑,2021,33(21):183-186.苹果类型待测数识别准确率4种类型苹果20092%选取大的圆形红色苹果、大的圆形偏青色苹果、小的圆形红苹果、大的椭圆型红苹果4种类型苹果待测待测图像各50幅，共200幅图像进行分类识别，分类器识别出大的圆形红色苹果识别准确率为92%。从表1表4的识别率可知，构建的分类器能够较准确地识别出大的圆形红色苹果，大圆红和小圆红组合时，识别率最高达100%，4种类型苹果混合后，识别出大的圆形红色苹果准确率为92%，完全能够满足实际应用要求。4结语对采集到的黑色背景下苹果图像，进行数字图像处理，分别提取出红色分量像素值的平均值PR，苹果果实外接矩形的L、W，果实区域面积与外接矩形面积比值r，选取大的圆形红色苹果、大的圆形偏青色苹果、小的圆形红苹果、大的椭圆型红苹果共4种类型苹果，采集样本图像和待测图像，选取支持向量机作为分类器进行分类器训练。实验结果表明，研究方法能够较准确地识别出大的圆形红色苹果，4种类型苹果图像混合时，识别准确率达到92%。参考文献1张琦.河南省苹果生产发展现状及成本效益分析D.郑州:河南农业大学,2022.2唐坤.苹果种植户加入合作社的收入及环境效应研究D.咸阳:西北农林科技大学,2022.3刘媛媛,王晖,郭躬德,等.基于多角度多区域特征融合的苹果分类方法J.计算机应用,2018,38(5):1309-1314.4耿磊,黄亚龙,郭永敏基于融合注意力机制的苹果品种分类方法J 农业机械报,2022,53(6):304-310+369.5毕玉,杨智勇.基于DSP和ARM的苹果分类机器人智能控制系统J.计算机工程与应用