本发明属于食品分级技术领域，特别涉及一种红枣分级方法。
背景技术：
南疆仅兵团的红枣种植面积就已经超过150万亩，南疆红枣多参量表征方法为本专利的实施提供了广阔市场。目前，国内只有一个有关近红外光谱检测的国家标准，即饲料中水分、粗蛋白、粗纤维、粗脂肪、赖氨酸、蛋氨酸、快速测定近红外光谱法(标准号为GB/T18868-2002)。日前，国家粮食局针对我国粮食收购的需要，已经开展了‘小麦蛋白测定-近红外法’、‘小麦水分测定-近红外法’等标准制定工作。总体来说，我国在饲料、粮食、烟草和国防等行业中已经率先开展了近红外分析标准工作，对我国质量控制体系和近红外分析科学发展具有重大的现实意义。
红枣栽培面积迅速增长对快速无损检测设备需求，这对矛盾制约果品市场快速发展，特别是在南疆红枣现在主流分选方式依然是基于外观和果重的机械加人工的分选方式，这种方式严重制约了红枣这一特色产业的快速发展。由于红枣产量大，糖度高在市场上很受欢迎，但受近红外相应果品校正库的制约，一些先进的进口设备依然不能发挥应用的作用，一定程度上制约了红枣产业的发展步法，所以我区主流分级方式现在主流分选方式依然是基于外观和果重的机械加人工的分选方式，现在红枣的品质分级标准也仅限于果重和尺寸上的分级，由于传统的糖度测量手段是选取样品破开或挤汁但这样就会破坏红枣的完整，而且检测结果受样品选取的影响很大，所以迟迟未对这一体现优势很重要糖度给出具体分级标准。
国外的红枣分级已经相当成熟并且形成了一定的规模。美国、欧洲以及澳大利亚等发达国家，红枣几乎100％的都经过机械化的分级。既按果实着色程度又按果实大小来进行分级，是当今世界生产上最先进的果实采后处理技术。
但是,在利用机械化的设备对红枣进行分级仍然存在着一定的误差，导致分级效果不够理想。
因此，现在亟需一种红枣分级方法，能够通过检测平均残次品率，再利用实时检测的残次品率与之对比，当出现一定偏离时，停止对红枣的分级，避免因此造成的误差。
技术实现要素：
本发明提出一种红枣分级方法，解决了现有技术中不同表现的红枣掺杂，难以进行分级定价和销售的问题。
本发明的技术方案是这样实现的：红枣分级方法，包括如下步骤：
S1：检测红枣中是否存在残次品，并剔除残次品，
S2：检测红枣的直径，若红枣直径大于第一阀值，定义为一级品；
S3：若红枣直径大于第二阀值且小于第二阀值，定义为二级品；
S4：若红枣直径大于第三阀值且小于第二阀值，定义为三级品。
作为一种优选的实施方式，若检测红枣的直径小于第三阀值，定义为四级边缘品。
作为一种优选的实施方式，对检测红枣进行抽样调查，根据N次抽样调查确定红枣的平均残次品率X，然后再将实时检测红枣中的残次品率与平均残次品率X进行对比，当实时检测红枣残次品率与平均残次品率X进行对比，当实时检测红枣残次品率大于残次品系数倍数的平均残次器率X时，停止检测进行人工筛选。
作为一种优选的实施方式，确定红枣中是否存在残次品，采用图像采集系统进行，当红枣达到预定位置时，利用传感器触发信号，利用图像采集卡将红枣图像采集并传送到控制器内在中，通过红枣图像确定是否存在残次品。
作为一种优选的实施方式，完成红枣图像采集后，对图像进行处理，处理内容包括构建红枣掩模图像去除背景，然后确定红枣的灰度图像，再对红枣的灰度图像进行亮度校正，得到红枣的亮度图像。
作为一种优选的实施方式，构建红枣掩模图像包括利用阈值对图像进行二值化处理，并将该二值作掩模图像，基于阈值定义红枣的目标区域和背景区域，然后进行形态学开运算和填充运算，去除目标中的噪声干扰及目标区域中出现的空洞。
作为一种优选的实施方式，利用公式运算获得不含背景的红枣灰度图像：
Imark＝Iorig*T，其中Imark为目标图像，Iorig为原始图像，T为阈值，其中，T取值50-90。
作为一种优选的实施方式，亮度校正包括采用照度-反射模型，利用低通滤波获取R分量图像的亮度并且使用该亮度分量对去除背景后的分量图像进行亮度校正。
作为一种优选的实施方式，亮度校正包括依次采用中心变换、离散傅里叶变换、低通滤波器设计以及傅里叶反变换，定义图像为f(x,y)，h(x,y)为低通滤波器设计，则亮度图像其中表示卷积。
作为一种优选的实施方式，定义f(x,y)图像的大小为M*N，Temp为大小m*m的方形均值滤波模板，通过试验，确定均值滤波模板的尺寸：m＝round[min(M,N)/8]*2+1，式中：min(M,N)表示取M和N的较小值；round()表示圆整。
采用了上述技术方案后，本发明的有益效果是：能够通过检测平均残次品率，再利用实时检测的残次品率与之对比，当出现一定偏离时，停止对红枣的分级，避免因此造成的误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，红枣分级方法，包括如下步骤：
S1：检测红枣中是否存在残次品，并剔除残次品，
S2：检测红枣的直径，若红枣直径大于第一阀值，定义为一级品；
S3：若红枣直径大于第二阀值且小于第二阀值，定义为二级品；
S4：若红枣直径大于第三阀值且小于第二阀值，定义为三级品。
若检测红枣的直径小于第三阀值，定义为四级边缘品。
对检测红枣进行抽样调查，根据N次抽样调查确定红枣的平均残次品率X，然后再将实时检测红枣中的残次品率与平均残次品率X进行对比，当实时检测红枣残次品率与平均残次品率X进行对比，当实时检测红枣残次品率大于残次品系数倍数的平均残次器率X时，停止检测进行人工筛选。
确定红枣中是否存在残次品，采用图像采集系统进行，当红枣达到预定位置时，利用传感器触发信号，利用图像采集卡将红枣图像采集并传送到控制器内在中，通过红枣图像确定是否存在残次品。
完成红枣图像采集后，对图像进行处理，处理内容包括构建红枣掩模图像去除背景，然后确定红枣的灰度图像，再对红枣的灰度图像进行亮度校正，得到红枣的亮度图像。
构建红枣掩模图像包括利用阈值对图像进行二值化处理，并将该二值作掩模图像，基于阈值定义红枣的目标区域和背景区域，然后进行形态学开运算和填充运算，去除目标中的噪声干扰及目标区域中出现的空洞。
利用公式运算获得不含背景的红枣灰度图像：
Imark＝Iorig*T，其中Imark为目标图像，Iorig为原始图像，T为阈值，其中，T取值50-90。
亮度校正包括采用照度-反射模型，利用低通滤波获取R分量图像的亮度并且使用该亮度分量对去除背景后的分量图像进行亮度校正。
亮度校正包括依次采用中心变换、离散傅里叶变换、低通滤波器设计以及傅里叶反变换，定义图像为f(x,y)，h(x,y)为低通滤波器设计，则亮度图像其中表示卷积。
定义f(x,y)图像的大小为M*N，Temp为大小m*m的方形均值滤波模板，通过试验，确定均值滤波模板的尺寸：m＝round[min(M,N)/8]*2+1，式中：min(M,N)表示取M和N的较小值；round()表示圆整。
f’(x,y)＝f(x,y)/I(x,y)；F(x,y)＝{255 if f’(x,y)大于等于1，255f’(x,y)if f’(x,y)小于1。
f’(x,y)为校正后的图像，可以得到高灰度区域即为红枣正常表面，而缺陷部分的图像则为低灰度区域，从而确定红枣是否为残次品。
在检测红枣残次品之前，还通过抽样检测红枣的水分含量、蛋白质含量以及灰分含量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。