柑橘果实糖度的复杂性测度无损检测方法
【专利摘要】本发明公开了一种柑橘果实糖度的复杂性测度无损检测方法，包括步骤：采集M个训练样本和N个检验样本；采集训练样本和检验样本的原始图像；对原始图像进行裁切；对裁切后的图像进行去背景处理；对去背景处理后的图像进行边缘检测及果实区域提取，将RGB图像转换为HSI图像；求得HSI图像的复杂性测度C(Y)和信息熵H(Y)；用糖度计测定训练样本的平均糖度；建立柑橘果实糖度无损检测模型；将检测样本的H(Y)和C(Y)输入无损检测模型，输出检测样本对应的糖度。本发明能够对柑橘果实糖度进行无损检测，实用性强，为生产和销售过程中柑橘内部品质分级提供了依据。
【专利说明】
巧橘果实糖度的复杂性测度无损检测方法
技术领域
[0001 ]本发明设及一种相橘果实糖度的复杂性测度无损检测方法。
【背景技术】
[0002] 在现有技术中，对相橘果实的糖度测定需要将待测果实破损才能实现，运种方法 实用性不强。
[0003] 由于相橘果皮是内部品质与外观质量的综合映射体，果皮的颜色与相橘果实糖度 之间存在关联性。若能通过一种无损的方法检测相橘果实糖度，就为生产中相橘果实内部 品质分级提供了依据。基于运点，提出一种相橘果实糖度的复杂性测度无损检测方法。
【发明内容】
[0004] 本发明的目的在于，针对上述现有技术的不足，提供一种相橘果实糖度的复杂性 测度无损检测方法。
[0005] 为解决上述技术问题，本发明所采用的技术方案是：
[0006] -种相橘果实糖度的复杂性测度无损检测方法，包括W下步骤：
[0007] 步骤一，采集Μ个待检测的相橘果实作为训练样本，采集N个待检测的相橘果实作 为检验样本，将训练样本和检验样本超出果面的果梗部分去除；
[000引步骤二，对训练样本和检验样本进行清洗及吹干处理后，采集训练样本和检验样 本的原始图像；
[0009] 步骤Ξ，对原始图像进行裁切；
[0010] 步骤四，对裁切后的图像进行去背景处理；
[0011] 步骤五，对去背景处理后的图像进行边缘检测及果实区域提取，将RGB图像转换为 服I图像；
[0012] 步骤六，对所述HSI图像的色调区间[0，120°]进行长度为1°的均匀分割，形成120 个子区间yi = [ai，ai+i]，其中1 = 0,1，…，119;a〇 = 0，ai2〇= 120;统计各子区间内像素化，计 算像素分布概率
1，求得复杂性测度C(Y)=H(Y)XD(Y)，式中，Y为随机变量， 平衡分布兴乂')=去，N=ai2〇-日〇,信息婚
[0013] 步骤屯，取出每一个训练样本的果肉并分别揽拌均匀，用糖度计测定每一个训练 样本的平均糖度；
[0014] 步骤八，W训练样本的信息赌H(Y)和复杂性测度C(Y)为输入量、W训练样本对应 的平均糖度作为输出量训练神经网络，建立相橘果实糖度无损检测模型；
[0015] 步骤九，将检测样本的信息赌H(Y)和复杂性测度C(Y)输入所述无损检测模型，输 出检测样本对应的糖度。
[0016] 作为一种优选方式，所述步骤二中包括:将训练样本和检验样本分别置于500 X 500X500mm3的光照箱底部中央，背景黑色，数码相机于光照箱顶部中央，相机镜头距果顶 460~490mm，箱顶W相机镜头为中屯、对称均布4盏60w白识灯，采集果实的数字图像。
[0017] 作为一种优选方式，所述步骤Ξ中包括:利用数字图像处理软件对采集的原始图 像进行1024X1024像素大小的裁切。
[0018] 作为一种优选方式，所述步骤四中包括：统计裁切后相橘果实图像的亮度Υ = 0.1770R+0.8124G+0.010她直方图，其中，R、G、B分别为裁切后相橘果实图像的红色、绿色和 蓝色分量;提取亮度直方图双峰间的波谷亮度分界值作为阔值T，建立亮度分段函数，低于 分界值的灰度置1，高于分界值的灰度不变。
[0019] 作为一种优选方式，所述步骤五中边缘检测及果实区域提取的方法包括:对去背 景后的图像进行水平和垂直两个方向的Prewitt算子滤波，得到滤波图像gh和gv;对所述滤 波图像进行欧氏距离变换得到集水盆地到分水岭的距离df;对df进行分水岭检测，标记df的 外部约束em，W局部亮度梯度极大值大小为条件，动态调整阔值，筛选出高于阔值的去背景 灰度图像灰度极大值进行扩展极大值变换，计算df的内部约束im;利用em和im重构梯度图 g2;对g2做分水岭检测，合并外部区域和内部区域，完成果实边缘检测，连通边界，标记果实 边界轮廓，提取果实区域。
[0020] 传统的分水岭算法存在较严重的过度分割问题，本发明中改进型分水岭算法在传 统分水岭算法的基础上进行梯度阔值化处理及内部约束动态调整，克服了运一缺点。
[0021] 作为一种优选方式，所述步骤八中建立相橘果实糖度无损检测模型的方法包括： W训练样本的信息赌H(Y)和复杂性测度C(Y)为输入量、W训练样本对应的平均糖度作为输 出量建立3层前馈神经网络相橘果实糖度无损检测模型，所述神经网络中，隐含层节点为5 个，隐含层节点采用tansig传递函数，输出层节点采用purelin传递函数，网络训练使用正 则化算法，将输出误差10-4作为终止训练准则。
[0022] 作为一种优选方式，所述步骤九中检测样本对应的糖虔
巧 中
，。=化1131旨传递函数成=口1?"日1；[]1传递函数，町功输入层至隐 含层的连接权值，Vj为隐含层至输出层的连接权值，分别为隐含层和输出层的阔值， xi = H(Y) ,X2 = C(Y)。
[0023] 与现有技术相比，本发明能够对相橘果实糖度进行无损检测，实用性强，为生产和 销售过程中相橘内部品质分级提供了依据。
【附图说明】
[0024] 图1为裁切后的图像。
[00巧]图2为亮度直方图。
[0026] 图3为去背景处理后的图像。
[0027] 图4为果实边缘与果实区域图。
【具体实施方式】
[0028] 本发明为一种相橘果实糖度的复杂性测度无损检测方法，W宫川溫州蜜相作为被 测对象，包括W下步骤：
[0029] 步骤一，采集100个待检测的相橘果实作为训练样本，采集100个待检测的相橘果 实作为检验样本，将果梗平齐果面，将训练样本和检验样本超出果面的果梗部分减去；
[0030] 步骤二，对训练样本和检验样本进行清洗及吹干处理后，采集训练样本和检验样 本的原始图像；
[0031 ]将训练样本和检验样本分别置于500 X 500 X 500mm3的光照箱底部中央，背景黑 色，数码相机于光照箱顶部中央，相机镜头距果顶460~490mm，箱顶W相机镜头为中屯、对称 均布4盏60W白识灯，采集果实的数字图像。
[0032] 步骤Ξ，对原始图像进行裁切；
[0033] 利用数字图像处理软件对采集的原始图像进行1024X1024像素大小的裁切，得到 如图1所示的图像。
[0034] 步骤四，对裁切后的图像进行去背景处理；
[00巧]统计裁切后相橘果实图像的亮度Υ = 0.1770R+0.8124G+0.0106B直方图，其中，R、 G、B分别为裁切后相橘果实图像的红色、绿色和蓝色分量;提取亮度直方图双峰间的波谷亮 度分界值作为阔值T，建立亮度分段函数，低于分界值的灰度置1，高于分界值的灰度不变。 亮度直方图如图2所示。经过处理后，如图3所示，去除了大部分相橘果实区域外的背景。
[0036] 步骤五，对去背景处理后的图像进行边缘检测及果实区域提取，将RGB图像转换为 服I图像；
[0037] 边缘检测及果实区域提取的方法包括:对去背景后的图像进行水平和垂直两个方 向的Prewitt算子滤波，得到滤波图像gh和gv;计算距离函I
;对所述滤波图像 进行欧氏距离变换得到集水盆地到分水岭的距离df;对df进行分水岭检测，标记df的外部约 束em，W局部亮度梯度极大值大小为条件，动态调整阔值，筛选出高于阔值的去背景灰度图 像灰度极大值进行扩展极大值变换，计算df的内部约束im;利用em和im重构梯度图g2;对邑2 做分水岭检测，合并外部区域和内部区域，完成果实边缘检测，连通边界，标记果实边界轮 廓，提取果实区域。如图4所示，经过处理后，果实边缘连贯不间断，果实区域完整无孔桐。
[0038] 步骤六，对所述HSI图像的色调区间[0，120°]进行长度为1°的均匀分割，形成120 个子区间yi = [ai，ai+i]，其中i = 〇, 1，…，119;曰日=0，曰12日=120;统计各子区间内像素化，计 算像素分布概^
求得复杂性测度C(Y)=H(Y)XD(Y)，式中，Y为随机变量，平 衡分布
[0039] 步骤屯，取出每一个训练样本的果肉并分别揽拌均匀，用WYT-4型手持糖度计测定 每一个训练样本的平均糖度.
[0040] 步骤八，W训练样本的信息赌H(Y)和复杂性测度C(Y)为输入量、W训练样本对应 的平均糖度作为输出量训练神经网络，建立相橘果实糖度无损检测模型；
[0041] 所述步骤八中建立相橘果实糖度无损检测模型的方法包括：W100个训练样本的 信息赌H(Y)和复杂性测度C(Y)为输入量、W训练样本对应的平均糖度作为输出量建立能实 现复杂映射的3层前馈神经网络相橘果实糖度无损检测模型，所述神经网络中，为使网络结 构不至于过多冗余，取隐含层节点为5个，输入层节点为2个，输出层节点为1个，隐含层节点 采用常用的tansig传递函数，输出层节点采用常用的purelin传递函数，网络训练使用权值 和阔值数冗余少的正则化算法。由于误差太大影响糖度检测精度，误差太小则网络训练时 间太长，取到小数点后4位较合适，即将输出误差10-4作为终止训练准则，当网络达到输出误 差10-4时训练结束，信息赌、复杂性测度及对应的糖度通过节点联接权记忆下来。
[0042] 步骤九，将检测样本的信息赌Η(Υ)和复杂性测度C(Y)输入所述无损检测模型，输 出检测样本对应的糖度。
[0043] 所述步骤九中检测样本对应的糖运
fi = 1:ansig传递函数、f2 = purelin传递函数，wij为输入层至隐含层的连接权值，vj为隐含层 至输出层的连接权值，6P、b2分别为隐含层和输出层的阔值，xi = H(Y)，X2 = C(Y)。
[0044] 为验证本发明方法的有效性，首先分别利用本发明所述方法检测100个检验样本 的糖度，然后将100个检验样本的果肉取出并分别揽拌均匀，用WYT-4型手持糖度计测定每 一个检验样本的平均糖度，最后将用糖度计测得的糖度与本发明测得的糖度比较，发现在 ±1°白利度范围内糖度判断正确率为83%，在±0.5°白利度范围内糖度判断正确率为 67%，因此本发明所述方法可有效地作为相橘果实糖度的无损估测。
【主权项】
1. 一种柑橘果实糖度的复杂性测度无损检测方法，其特征在于，包括以下步骤： 步骤一，采集Μ个待检测的柑橘果实作为训练样本，采集N个待检测的柑橘果实作为检 验样本，将训练样本和检验样本超出果面的果梗部分去除； 步骤二，对训练样本和检验样本进行清洗及吹干处理后，采集训练样本和检验样本的 原始图像； 步骤三，对原始图像进行裁切； 步骤四，对裁切后的图像进行去背景处理； 步骤五，对去背景处理后的图像进行边缘检测及果实区域提取，将RGB图像转换为HSI 图像； 步骤六，对所述HSI图像的色调区间[0，120°]进行长度为1°的均匀分割，形成120个子 区间yi = [ ai，ai+ι ]，其中i = 0，l，…，119;a〇 = 0, ai2Q = 120;统计各子区间内像素m，计算像 119 素分布概率ρ.(.ν,) 1, ，求得复杂性测度C(Y)=H(Y) XD(Y)，式中，Y为随机变量，平衡 a . . 119 1.19 分布戌Λ)= 玄：，N=ai2〇-ao, 信息熵打(f).= -Σ，7 A(7t)，.0(7) = EA.(J,:)l〇g2[AfcW l=M ?-?! 步骤七，取出每一个训练样本的果肉并分别搅拌均匀，用糖度计测定每一个训练样本 的平均糖度； 步骤八，以训练样本的信息熵Η(Υ)和复杂性测度C(Υ)为输入量、以训练样本对应的平 均糖度作为输出量训练神经网络，建立柑橘果实糖度无损检测模型； 步骤九，将检测样本的信息熵Η(Υ)和复杂性测度C(Y)输入所述无损检测模型，输出检 测样本对应的糖度。2. 如权利要求1所述的柑橘果实糖度的复杂性测度无损检测方法，其特征在于，所述步 骤二中包括:将训练样本和检验样本分别置于500X500 X 500mm3的光照箱底部中央，背景 黑色，数码相机于光照箱顶部中央，相机镜头距果顶460~490mm，箱顶以相机镜头为中心对 称均布4盏60w白炽灯，采集果实的数字图像。3. 如权利要求1所述的柑橘果实糖度的复杂性测度无损检测方法，其特征在于，所述步 骤三中包括:利用数字图像处理软件对采集的原始图像进行1024X1024像素大小的裁切。4. 如权利要求1所述的柑橘果实糖度的复杂性测度无损检测方法，其特征在于，所述步 骤四中包括:统计裁切后柑橘果实图像的亮度Y = 0.1770R+0.8124G+0.0106B直方图，其中， R、G、B分别为裁切后柑橘果实图像的红色、绿色和蓝色分量;提取亮度直方图双峰间的波谷 亮度分界值作为阈值T，建立亮度分段函数，低于分界值的灰度置1，高于分界值的灰度不 变。5. 如权利要求1所述的柑橘果实糖度的复杂性测度无损检测方法，其特征在于，所述步 骤五中边缘检测及果实区域提取的方法包括:对去背景后的图像进行水平和垂直两个方向 的Prewitt算子滤波，得到滤波图像g h和gv;对所述滤波图像进行欧氏距离变换得到集水盆 地到分水岭的距离df;对d f进行分水岭检测，标记df的外部约束em，以局部亮度梯度极大值 大小为条件，动态调整阈值，筛选出高于阈值的去背景灰度图像灰度极大值进行扩展极大 值变换，计算df的内部约束im;利用em和im重构梯度图g2;对g2做分水岭检测，合并外部区域 和内部区域，完成果实边缘检测，连通边界，标记果实边界轮廓，提取果实区域。6. 如权利要求1所述的柑橘果实糖度的复杂性测度无损检测方法，其特征在于，所述步 骤八中建立柑橘果实糖度无损检测模型的方法包括：以训练样本的信息熵H(Y)和复杂性测 度C(Y)为输入量、以训练样本对应的平均糖度作为输出量建立3层前馈神经网络柑橘果实 糖度无损检测模型，所述神经网络中，隐含层节点为5个，隐含层节点采用tansig传递函数， 输出层节点采用purelin传递函数，网络训练使用正则化算法，将输出误差10- 4作为终止训 练准则。7. 如权利要求6所述的柑橘果实糖度的复杂性测度无损检测方法，其特征在于，所述步 骤九中检测样本对应的糖度y =义[Σ (v/w /)_匕]，式中，Μ厂乂 [Σ (uvY/) - W/? ]，f 1 = M i=i tansig传递函数、f2 = purelin传递函数，wij为输入层至隐含层的连接权值，vj为隐含层至 输出层的连接权值，#、b2分别为隐含层和输出层的阈值，X1 = H(Y)，X2 = C(Y)。
【文档编号】G06T7/00GK106067173SQ201610366953
【公开日】2016年11月2日
【申请日】2016年5月30日 公开号201610366953.9, CN 106067173 A, CN 106067173A, CN 201610366953, CN-A-106067173, CN106067173 A, CN106067173A, CN201610366953, CN201610366953.9
【发明人】曹乐平
【申请人】湖南生物机电职业技术学院