劉 現(xiàn),林營志
雞蛋果大小測量的多種圖像邊緣檢測算子對(duì)比
劉 現(xiàn),林營志*
福建省農(nóng)業(yè)科學(xué)院數(shù)字農(nóng)業(yè)研究所,福建福州 350003
大小測量是雞蛋果采后分選階段一個(gè)十分重要且不可或缺的環(huán)節(jié)。闡述多種邊緣檢測算子以及基于邊緣檢測算法的圖像識(shí)別步驟,模擬雞蛋果采后大小測量分選現(xiàn)場,構(gòu)建一個(gè)水果圖像獲取平臺(tái)。為增加難度,選取40個(gè)表面具有一定皺皮現(xiàn)象的雞蛋果,使用水果圖像獲取平臺(tái)獲取從頂端拍攝的40張雞蛋果圖像作為試驗(yàn)材料。基于Visual Studio 2017集成開發(fā)環(huán)境,調(diào)用OpenCV 3.2.0機(jī)器視覺庫,采用C++編程語言,針對(duì)40張雞蛋果圖像,使用4種算子Canny、Sobel、Laplacian、Scharr進(jìn)行邊緣檢測;使用Photoshop 7.0.1軟件基于圖像測算雞蛋果大小作為真實(shí)果實(shí)大小數(shù)據(jù)的近似值,參照該數(shù)值衡量算法檢測的準(zhǔn)確度;對(duì)4種算子的檢測參數(shù)進(jìn)行自動(dòng)調(diào)優(yōu),依次使用SPSS軟件對(duì)每一種算子的檢測參數(shù)、4種算子的檢測準(zhǔn)確度及單果檢測時(shí)間進(jìn)行統(tǒng)計(jì)分析。試驗(yàn)結(jié)果表明:使用Canny算子在(70, 105, 3)參數(shù)下進(jìn)行雞蛋果大小測量時(shí),與其他幾種算子比較,測量準(zhǔn)確度最高,單果測量平均用時(shí)為1.98 ms,也是4種算子中最快的,可滿足于雞蛋果采后大小智能分選的實(shí)際需求。
雞蛋果;邊緣檢測;算子
雞蛋果(Sims),又名百香果、西番蓮,屬西番蓮科(Passifloraceae)西番蓮屬()的一種熱帶多年生草質(zhì)藤本常綠果樹,原產(chǎn)于夏威夷,我國主要分布在臺(tái)灣、廣西、云南、福建等省(區(qū))[1]。雞蛋果的果實(shí)和果汁富含維生素、礦物質(zhì),具有清熱降火、止瀉、驅(qū)蟲等的功效,此外,百香果及其副產(chǎn)物(果葉、果皮、種籽)具有一定的藥用價(jià)值,有抗疲勞、焦慮、抗成癮、降血壓、抗炎等功能[2-4],因此深受消費(fèi)者喜愛。目前雞蛋果采后分選大多采用人工挑選以及機(jī)械分選的方法。人工挑選方法勞動(dòng)強(qiáng)度大,勞動(dòng)力成本高,分選的結(jié)果受人類主觀因素影響大,工作效率十分低下[5];機(jī)械分選方法主要是通過設(shè)計(jì)專用機(jī)械結(jié)構(gòu)來檢測水果的大小和重量,而無法對(duì)水果的顏色、紋理和表面缺陷等做出評(píng)價(jià),設(shè)備專用性強(qiáng),利用率低,檢測時(shí)水果常發(fā)生碰撞,容易導(dǎo)致水果的損傷[6]。
在計(jì)算機(jī)技術(shù)迅猛發(fā)展的背景下,計(jì)算機(jī)農(nóng)業(yè)圖像處理技術(shù)作為新型計(jì)算機(jī)綜合性交叉學(xué)科之一,其技術(shù)特點(diǎn)是利用計(jì)算機(jī)技術(shù)對(duì)傳感器采集到的圖像進(jìn)行降噪、排除干擾、信息提取[7]。其本質(zhì)上是利用計(jì)算機(jī)模擬人眼對(duì)農(nóng)田系統(tǒng)進(jìn)行初步的信息采集與篩選,將農(nóng)田的實(shí)時(shí)圖像轉(zhuǎn)化成實(shí)時(shí)數(shù)據(jù)傳輸給農(nóng)業(yè)系統(tǒng)[8]。將計(jì)算機(jī)圖像處理技術(shù)用于水果等級(jí)劃分,可提高分級(jí)的精度和速度,降低勞動(dòng)強(qiáng)度[9]。圖像邊緣檢測在農(nóng)業(yè)檢測中的研究十分廣泛,覆蓋了部分農(nóng)產(chǎn)品的大小、形狀、質(zhì)量及缺陷檢測,其步驟都是先進(jìn)行數(shù)字圖像邊緣提取,然后對(duì)提取的邊緣進(jìn)行分析,最后通過數(shù)學(xué)工具映射農(nóng)產(chǎn)品的大小、形狀、質(zhì)量及缺陷[10],因此,圖像邊緣檢測對(duì)農(nóng)產(chǎn)品的大小等各項(xiàng)指標(biāo)的檢測十分重要。
近年來,不少國內(nèi)外學(xué)者將邊緣檢測算子應(yīng)用于圖像處理研究,運(yùn)用機(jī)器視覺技術(shù)對(duì)水果加以分選。黃鳳[11]結(jié)合武夷巖茶彎曲度大的特點(diǎn),采用roberts等5種經(jīng)典算子來檢測茶葉圖像邊緣并通過實(shí)驗(yàn)結(jié)果來比較這5種算子的區(qū)別;劉現(xiàn)等[12]基于Canny算子進(jìn)行了福橘圖像邊緣檢測的研究;朱培逸等[13]運(yùn)用基于機(jī)器視覺的水果品質(zhì)分級(jí)系統(tǒng),實(shí)現(xiàn)水果的動(dòng)態(tài)檢測;劉新庭等[14]設(shè)計(jì)了一套基于圖像處理的蘋果大小分選系統(tǒng),試驗(yàn)表明,分選的正確率為96.67%;崔巍等[15]用CCD攝像機(jī)獲取金桔的樣本圖像,基于圖像采用機(jī)器視覺技術(shù)進(jìn)行自動(dòng)大小分級(jí);黃辰等[16]借助機(jī)器視覺技術(shù)動(dòng)態(tài)采集蘋果傳輸過程中的實(shí)時(shí)圖像,提出改進(jìn)的三層Canny邊緣檢測算法來提取蘋果輪廓以克服采集圖像中的光線噪聲影響,采用粒子群參數(shù)優(yōu)化的支持向量機(jī)對(duì)果形、果面紋理、顏色分布等特征進(jìn)行模型構(gòu)建與分級(jí);SNEHA等[17]使用邊緣檢測方法研究圖像中隱藏的信息;RASHMI等[18]研究了多種邊緣檢測的算法和技術(shù);JAMAL[19]提出了一種新的對(duì)圖像進(jìn)行自動(dòng)目標(biāo)檢測的方法;LEEMANS等[20]以蘋果的缺陷顏色、形狀、紋理、位置等信息為特征,利用-均值聚類和主分量分析相結(jié)合的方法對(duì)蘋果進(jìn)行分類;DEVRIM等[21]使用機(jī)器視覺方法進(jìn)行柑橘在線檢測時(shí),在單一像素下分割出有缺陷部分并提取特征值,用統(tǒng)計(jì)和結(jié)構(gòu)方法加以分級(jí);HASSANKHANI等[22]通過機(jī)器視覺系統(tǒng)獲取馬鈴薯圖像,提取圖像周長和面積信息,通過設(shè)置閾值對(duì)馬鈴薯進(jìn)行分級(jí);ABDOLLAH等[23]開發(fā)了一套基于機(jī)器視覺框架的馬鈴薯實(shí)時(shí)自動(dòng)分級(jí)系統(tǒng),對(duì)傳動(dòng)進(jìn)給系統(tǒng)、光照系統(tǒng)、視覺系統(tǒng)進(jìn)行了優(yōu)化配置設(shè)計(jì),在每秒2個(gè)馬鈴薯的速度下,分級(jí)精度可達(dá)97.4%。
本研究立足于邊緣檢測算法的原理,將4種邊緣檢測算子應(yīng)用于雞蛋果大小測量進(jìn)行對(duì)比研究,并對(duì)邊緣檢測算子的參數(shù)進(jìn)行自動(dòng)調(diào)優(yōu),選取最佳參數(shù)進(jìn)行邊緣檢測,并對(duì)算子的檢測準(zhǔn)確度以及算子的性能進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明,使用Canny算子在(70, 105, 3)參數(shù)下進(jìn)行雞蛋果大小測量時(shí)測量準(zhǔn)確度為4種算子中最高,獲得結(jié)果最接近真實(shí)果實(shí)大小,測量速度也為4種算子中最快,可滿足雞蛋果采后大小智能分選的實(shí)際需求。
1.1.1 植物材料 實(shí)驗(yàn)選用的雞蛋果于2017年7月購自福建福州超市,從中選取40個(gè)雞蛋果,將其編號(hào)為1~40,作為實(shí)驗(yàn)材料。為了增加大小測量的難度,將其放置在室溫下10 d,10 d后雞蛋果產(chǎn)生了不同程度的皺皮現(xiàn)象。
1.1.2 儀器設(shè)備 模擬水果分選現(xiàn)場自主構(gòu)建一個(gè)水果圖像獲取平臺(tái)。使用柔光箱,箱內(nèi)具有單一的白色背景環(huán)境;使用LED18W燈條2根,構(gòu)建穩(wěn)定柔和的圖像拍攝光源環(huán)境;使用3個(gè)Logitech C100 M/N:V-U0013高清攝像頭,可滿足頂端、左側(cè)面、右側(cè)面圖像采集需求且具有較高的清晰度。
1.2.1 雞蛋果圖像采集 選取編號(hào)為1~40的40個(gè)具有一定皺皮現(xiàn)象的雞蛋果,將其逐個(gè)放置在自主研制的圖像采集裝置內(nèi)進(jìn)行圖像采集,從頂端采集雞蛋果圖像40張作為試驗(yàn)材料,圖像采集時(shí)間為2017年7月21日上午9:00—10:00。為了去除背景的干擾,因此對(duì)采集到的40張圖像進(jìn)行統(tǒng)一裁切處理后再進(jìn)行后續(xù)圖像處理與計(jì)算,裁切處理后的圖像分辨率為100×100 px。
1.2.2 雞蛋果大小近似數(shù)據(jù)采集 為驗(yàn)證邊緣檢測算法測算出的果實(shí)大小數(shù)據(jù)的真實(shí)性與有效性,使用Photoshop 7.0.1圖像處理軟件基于40張?jiān)囼?yàn)圖像勾勒出果實(shí)的邊緣,獲取邊緣內(nèi)部的面積像素值,以此作為真實(shí)果實(shí)大小數(shù)據(jù)的近似值并以此為依據(jù)對(duì)邊緣檢測算法測算出來的數(shù)據(jù)進(jìn)行比較,評(píng)估算法檢測的準(zhǔn)確度。
1.2.3 果實(shí)大小檢測 邊緣檢測是使用一種算法來提取出對(duì)象和背景圖像之間的邊界,這種邊界稱之為邊界線。在提取過程中,盡可能使定義的邊界邊緣具有更明顯的變化[24]。經(jīng)典的基于一階導(dǎo)數(shù)進(jìn)行邊緣檢測的算子包括Sobel、Prewitt、Roberts、Canny、Scharr,經(jīng)典的基于二階導(dǎo)數(shù)進(jìn)行邊緣檢測的算子包括Laplacian、Log[25]。這幾種算子具有各自的優(yōu)缺點(diǎn)(表1)。
邊緣檢測一般可分為4個(gè)階段:濾波、增強(qiáng)、檢測、定位(圖1),它的實(shí)質(zhì)是采用某種算法提取出圖像中對(duì)象與背景之間的交界線[34]。
表1 邊緣檢測算子對(duì)比
圖1 基于邊緣檢測算法的圖像識(shí)別步驟
(1)濾波。邊緣檢測的算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù),但導(dǎo)數(shù)通常對(duì)噪聲很敏感[35]。因此在獲得圖像以后首先要對(duì)圖像進(jìn)行降噪處理,提高邊緣檢測的效果[30]。通常使用濾波器來對(duì)圖像進(jìn)行降噪,常用的濾波方法主要有高斯濾波、中值濾波、均值濾波、方框?yàn)V波等[35]。
(2)增強(qiáng)。利用增強(qiáng)算法來提高圖像的對(duì)比度和清晰度[30]。增強(qiáng)算法可以將圖像灰度點(diǎn)領(lǐng)域強(qiáng)度值有顯著變化的點(diǎn)凸顯出來[35]。
(3)檢測。對(duì)濾波增強(qiáng)后的圖像進(jìn)行一階和二階微分運(yùn)算,求得二階導(dǎo)數(shù)過零點(diǎn)和一階梯度最大值,再通過選取適當(dāng)?shù)拈撝祦砼卸ㄟ吘墸_定邊界點(diǎn)[30]。
(4)定位。經(jīng)過濾波、增強(qiáng)、檢測后確定邊緣的位置和方向[30]。
選取40張雞蛋果圖片使用4種算子進(jìn)行邊緣檢測,在使用Sobel、Laplacian、Scharr這3種算子在邊緣檢測過程中將圖像進(jìn)行了轉(zhuǎn)換處理,分別轉(zhuǎn)換為灰度圖像與二值圖像,而Canny算子在邊緣檢測過程中不需要將圖像進(jìn)行轉(zhuǎn)換處理。在使用邊緣檢測算子進(jìn)行檢測時(shí)涉及多種參數(shù),比如threshold、ksize、apertureSize、delta等參數(shù),threshold表示滯后性閾值,一般來說有2個(gè)閾值,小者用于邊緣連接,大者用于控制強(qiáng)邊緣的初始段;ksize是一個(gè)奇數(shù),表示濾波核的寬和高(以像素為單位);apertureSize表示算子的孔徑大??;delta表示在檢測結(jié)果存入目標(biāo)圖之前可選的值,參數(shù)取值不同得到的檢測結(jié)果也會(huì)有較大差異。用于邊緣檢測的算子中參數(shù)的選取關(guān)系到邊緣檢測的效果的優(yōu)劣,為了使測算出來的果實(shí)大小的準(zhǔn)確度較高,滿足農(nóng)產(chǎn)品采后分選實(shí)際應(yīng)用的要求,因此需要進(jìn)行參數(shù)調(diào)優(yōu),選取最佳參數(shù),讓檢測出來的邊緣更加地接近真實(shí)的果實(shí)邊緣,達(dá)到較高的檢測準(zhǔn)確度。
為了測試并比較Canny、Sobel、Laplacian、Scharr這4種邊緣檢測算子應(yīng)用于雞蛋果大小測量中的效果,基于40張雞蛋果圖像,在Visual Studio 2017集成開發(fā)環(huán)境下使用C++語言進(jìn)行編程并調(diào)用OpenCV機(jī)器視覺庫[36],分別使用4種算子對(duì)40個(gè)雞蛋果進(jìn)行邊緣檢測,在此基礎(chǔ)上進(jìn)行面積測算;每種算子在一定范圍內(nèi)按照特定的步長變更參數(shù)進(jìn)行自動(dòng)調(diào)優(yōu)(表2);計(jì)算每一組參數(shù)下所測算出來的果實(shí)大小值MVFS(measured value of fruit size)與真實(shí)果實(shí)大小數(shù)據(jù)近似值A(chǔ)VRFS(approximate value of real fruit size)之間的比值,將該比值作為算法檢測的準(zhǔn)確度誤差值A(chǔ)EV(accuracy error value),可用如下公式表示:
AEV= |AVRFS-MVFS|/AVRFS
表2 算法參數(shù)調(diào)優(yōu)
使用SPSS軟件[37]對(duì)參數(shù)調(diào)優(yōu)結(jié)果進(jìn)行統(tǒng)計(jì)分析,比較分析參數(shù)調(diào)優(yōu)數(shù)據(jù),選出每一種算法的最佳邊緣檢測參數(shù);使用SPSS軟件對(duì)4種算子的檢測準(zhǔn)確度進(jìn)行統(tǒng)計(jì)分析,比較分析4種算子的檢測準(zhǔn)確度數(shù)據(jù),選出檢測準(zhǔn)確度最佳的算子;使用SPSS軟件對(duì)單果檢測所耗時(shí)間進(jìn)行統(tǒng)計(jì)分析,比較分析4種算子的性能,選出單果檢測速度最快的算子。
果實(shí)的皺皮現(xiàn)象越嚴(yán)重邊緣檢測的難度也越大。1~40號(hào)果中1號(hào)、14號(hào)、35號(hào)這3個(gè)果皺皮現(xiàn)象較嚴(yán)重,可從圖像上較明顯顯示出邊緣檢測效果的好壞程度,故選取這3個(gè)果的邊緣檢測結(jié)果來展示圖像上直接可見的邊緣檢測的好壞程度。以下分別是1號(hào)、14號(hào)、35號(hào)雞蛋果邊緣檢測的試驗(yàn)結(jié)果。
表3~表5檢測結(jié)果表明,分別使用Canny、Sobel、Laplacian、Scharr算子進(jìn)行雞蛋果圖像邊緣檢測均可以得到邊緣比較完整且清晰的雞蛋果圖片,其中檢測最完整、準(zhǔn)確度最高的算子是Canny算子。邊緣檢測的圖片是進(jìn)一步進(jìn)行大小檢測的重要依據(jù)。
使用C++語言編程對(duì)4種算子進(jìn)行參數(shù)自動(dòng)調(diào)優(yōu),計(jì)算檢測準(zhǔn)確度誤差值,使用SPSS軟件對(duì)參數(shù)調(diào)優(yōu)結(jié)果進(jìn)行方差分析(表6)。
由于Canny算子做了540次參數(shù)調(diào)優(yōu),組別過多,故不進(jìn)行方差齊性檢驗(yàn);雖然方差分析要求各組方差整齊,但檢驗(yàn)的時(shí)候各組數(shù)據(jù)數(shù)量是一樣的,故方差是否齊性影響很小。Canny、Sobel、Laplacian算子單因素方差分析的結(jié)果表明值=0<0.01,故認(rèn)為不同參數(shù)之間對(duì)算法調(diào)優(yōu)的影響具有極顯著差異。Scharr算子單因素方差分析的結(jié)果中=3.337>0.05表明存在一定的差異,但是由于值=1.000>0.05,故無顯著差異。因此取每一組數(shù)據(jù)的平均值進(jìn)行比較,找出檢測最佳的參數(shù)。為了更直觀地對(duì)每組參數(shù)下檢測獲得的40個(gè)果實(shí)的平均值大小進(jìn)行比較,對(duì)均值進(jìn)行排序,并標(biāo)注正負(fù)誤差線(圖2)。圖2結(jié)果表明Canny算子在(70, 105, 3)參數(shù)下;Sobel算子在(5, 0)參數(shù)下;Laplacian算子在(5, 0)參數(shù)下;Scharr算子在(10)參數(shù)下獲得的結(jié)果最優(yōu)。由于經(jīng)過從小到大排序,這幾組參數(shù)組合序號(hào)均為0。
對(duì)4種算子在最佳參數(shù)下的檢測準(zhǔn)確度誤差值進(jìn)行比較(圖3)。由圖3可知,Canny算子檢測的準(zhǔn)確度誤差值數(shù)據(jù)分布最密集,準(zhǔn)確度誤差值均值整體數(shù)值明顯低于其他算子,表明該算子檢測準(zhǔn)確度最高。
表3 1號(hào)百香果邊緣檢測試驗(yàn)結(jié)果
表4 14號(hào)百香果邊緣檢測試驗(yàn)結(jié)果
表5 35號(hào)百香果邊緣檢測試驗(yàn)結(jié)果
表6 4種算子參數(shù)調(diào)優(yōu)結(jié)果方差分析
圖2 4種算子參數(shù)調(diào)優(yōu)帶誤差線檢測準(zhǔn)確度誤差值均值
圖3 4種算子最佳參數(shù)自動(dòng)調(diào)優(yōu)結(jié)果比較
選取最佳檢測參數(shù),使用SPSS軟件對(duì)4種算子的檢測準(zhǔn)確度進(jìn)行單因素方差分析、方差齊性檢驗(yàn)以及多重比較,統(tǒng)計(jì)分析的結(jié)果中值= 0<0.01,故4種算子檢測準(zhǔn)確度之間方差齊性并且具有極顯著差異。表7對(duì)各種算子檢測準(zhǔn)確度誤差值的最小值、最大值、平均值進(jìn)行了比較,Canny算子的最小檢測誤差值為0.0012,最大檢測誤差值為0.0448,平均檢測誤差值為0.0160,均是4種算子中值最小,由此可見,Canny算子檢測準(zhǔn)確度誤差值最小,是檢測最準(zhǔn)確的算子。
選取最佳檢測參數(shù),使用SPSS軟件對(duì)單果檢測所耗時(shí)間進(jìn)行單因素方差分析、方差齊性檢驗(yàn)以及多重比較,比較4種算子的性能。統(tǒng)計(jì)分析結(jié)果中值=0<0.01,故4種算子單果檢測時(shí)間之間方差齊性并且具有極顯著差異。表8對(duì)各種算子檢測準(zhǔn)確度誤差值的最小值、最大值、平均值進(jìn)行比較,Canny算子單果檢測的程序最小運(yùn)行時(shí)間為1.20 ms,程序最大運(yùn)行時(shí)間為4.60 ms,程序平均運(yùn)行時(shí)間為1.98 ms,均是4種算子中值最小的,由此可見Canny算子單果檢測時(shí)間最短。
表7 4種算子檢測準(zhǔn)確度比較
表8 4種算子單果檢測時(shí)間比較
大小測量是雞蛋果采后階段精細(xì)化分級(jí)的需求,是一個(gè)十分重要且不可或缺的環(huán)節(jié),可間接增加果品的附加值,具有十分重要的意義。本研究選取40個(gè)表面具有一定皺皮現(xiàn)象的雞蛋果作為試驗(yàn)材料,使用水果圖像獲取平臺(tái)獲取從頂端拍攝的40張雞蛋果圖像,針對(duì)40張雞蛋果圖像使用Canny、Sobel、Laplacian、Scharr 4種算子進(jìn)行邊緣檢測,進(jìn)行大小測算,并衡量了算法檢測的準(zhǔn)確度;對(duì)4種算子的檢測參數(shù)進(jìn)行自動(dòng)調(diào)優(yōu),使用SPSS軟件對(duì)4種算子的最佳檢測參數(shù)、檢測準(zhǔn)確度、檢測耗時(shí)進(jìn)行統(tǒng)計(jì)分析。試驗(yàn)結(jié)果表明,使用Canny、Sobel、Laplacian、Scharr算子在雞蛋果的采后階段進(jìn)行大小測量可行,可滿足雞蛋果采后大小智能分選的實(shí)際需求。在測量過程中不同參數(shù)對(duì)檢測結(jié)果的影響具有差異性,因此,對(duì)4種算子進(jìn)行參數(shù)調(diào)優(yōu),選取最佳參數(shù)進(jìn)行邊緣檢測具有一定意義,Canny算子的最佳檢測參數(shù)為(70, 105, 3);Sobel算子的最佳檢測參數(shù)為(5, 0);Laplacian算子的最佳檢測參數(shù)為(5, 0)、Scharr 算子的最佳檢測參數(shù)為(10)。Canny算子的檢測準(zhǔn)確度最佳,Laplacian算子其次,Scharr算子第三,Sobel算子最差。Canny算子的檢測性能最佳,Sobel算子其次,Laplacian算子第三,Scharr算子最差。本研究結(jié)果表明,使用Canny算子對(duì)雞蛋果進(jìn)行大小測量可獲得較為良好的效果,與其他幾種邊緣檢測算子對(duì)比,檢測準(zhǔn)確度最高,單果檢測速度也最快,且最佳檢測參數(shù)為(70, 105, 3)。
本研究結(jié)果對(duì)雞蛋果采后大小測量具有一定參考價(jià)值和良好的應(yīng)用前景,但仍然存在研究的局限性,如測量方法仍然比較傳統(tǒng)等。如何改進(jìn)測量方法,與分選設(shè)備進(jìn)行對(duì)接,促進(jìn)實(shí)際應(yīng)用將是下一階段研究的重點(diǎn)。
[1] 楊 鋒, 黃永春, 何 仁, 任仙娥, 陳錦姬. 百香果加工適性的測定及提高其出汁率的研究[J]. 食品研究與開發(fā), 2008, 29(5): 82-86.
YANG F, HUANG Y C, HE R, REN X E, CHEN J J. Determination of processing suitability of passion fruit and study on improving its juice yield[J]. Food Research and Development, 2008, 29(5): 82-86. (in Chinese)
[2] BARBOSA P R, VALVASSORI S S, BORDIGNON C L, KAPPEL V D, MARTINS M R, GAVIOLI E C, QUEVEDO J, REGINATTO F H. The aqueous extracts ofandreduce anxiety-related behaviors without affecting memory process in rats[J]. Journal of Medicinal Food, 2008, 2(11): 282-288.
[3] COLETA M, BATISTA M T, CAMPOS M G, CARVALHO R, COTRIM M D, DE LIMA T C M, DA CUNHA A P. Neuropharmacological evaluation of the putative anxiolytic effects ofSims, its sub-fractions and flavonoid constituents[J]. Phytotherapy Research, 2006, 12(20): 1067-1073.
[4] SENA L M, ZUCOLOTTO S M, REGINATTO F H, SCHENKEL E P, DE LIMA T C M. Neuropharmacological activity of the pericarp offlavicarpa degener: putative involvement of c-glycosylflavonoids[J]. Experimental Biology & Medicine, 2009, 234(8): 967-975.
[5] 林開顏, 吳軍輝. 基于計(jì)算機(jī)視覺的水果分級(jí)技術(shù)研究進(jìn)展[J]. 信息化縱橫, 2009(10): 1-4.
LIN K Y, WU J H. Research progress of fruit grading technology based on computer vision[J]. Informatization Freely, 2009(10): 1-4. (in Chinese)
[6] 任永新, 單忠德, 張 靜, 戰(zhàn) 麗. 計(jì)算機(jī)視覺技術(shù)在水果品質(zhì)檢測中的研究進(jìn)展[J]. 中國農(nóng)業(yè)科技導(dǎo)報(bào), 2012, 14(1): 98-103.
REN Y X, SHAN Z D, ZHANG J, ZHAN L. Research progress of computer vision technology in fruit quality detection[J]. China Agricultural Science and Technology Guide, 2012, 14(1): 98-103. (in Chinese)
[7] 張書彥, 張文毅, 余山山, 付宇超. 圖像處理技術(shù)在信息農(nóng)業(yè)中的應(yīng)用現(xiàn)狀及發(fā)展趨勢[J]. 江蘇農(nóng)業(yè)科學(xué), 2017, 45(22): 9-13.
ZHANG S Y, ZHANG W Y, YU S S, FU Y C. Application status and development trend of image processing technology in information agriculture[J]. Jiangsu Agricultural Sciences, 2017, 45(22): 9-13. (in Chinese)
[8] 鄧 泓, 楊瀅婷, 劉志超, 彭瑩瓊. 基于實(shí)時(shí)數(shù)據(jù)的智能農(nóng)業(yè)圖像處理系統(tǒng)的實(shí)現(xiàn)[J]. 數(shù)字技術(shù)與應(yīng)用, 2019, 37(11): 160-161.
DENG H, YANG Y T, LIU Z C, PENG Y Q. Implementation of intelligent agricultural image processing system based on real-time data[J]. Digital Technology and Application, 2019, 37(11): 160-161. (in Chinese)
[9] 姚立健, 邊 起, 雷良育, 趙大旭. 基于BP神經(jīng)網(wǎng)絡(luò)的水果分級(jí)研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào), 2012, 24(5): 926-930.
YAO L J, BIAN Q, LEI L Y, ZHAO D Q. Research on fruit grading based on BP neural network[J]. Acta Agriculturae Zhejiangensis, 2012, 24(5): 926-930. (in Chinese)
[10] 周林妹. 數(shù)字圖像邊緣檢測算法及其在農(nóng)產(chǎn)品加工中的應(yīng)用[J]. 食品與機(jī)械, 2009, 25(3): 139-153.
ZHOU L M. Digital image edge detection algorithm and its application in agricultural product processing[J]. Food and Machinery, 2009, 25(3): 139-153. (in Chinese)
[11] 黃 鳳. 邊緣檢測算子在武夷巖茶圖像處理中的比較[J]. 廊坊師范學(xué)院學(xué)報(bào)(自然科學(xué)版), 2013, 13(4): 34-37.
HUANG F. Comparison of edge detection operators in Wuyi Rock Tea image processing[J]. Journal of Langfang Normal University (Natural Science Edition), 2013, 13(4): 34-37. (in Chinese)
[12] 劉 現(xiàn), 蔡淑芳, 黃語燕. 基于Canny算子的福橘圖像邊緣檢測研究[J]. 東南園藝, 2018(6): 19-22.
LIU X, CAI S F, HUANG Y Y. Research on edge detection of Kumquat image based on Canny operator[J]. Southeast Horticulture, 2018(6): 19-22. (in Chinese)
[13] 朱培逸, 劉紅晴. 基于數(shù)學(xué)形態(tài)學(xué)圖像分割算法在水果分級(jí)中的應(yīng)用[J]. 科學(xué)技術(shù)與工程, 2013, 13(34): 10375-10380.
ZHU P Y, LIU H Q. Application of image segmentation algorithm based on mathematical morphology in fruit grading[J]. Science Technology and Engineering, 2013, 13(34): 10375-10380. (in Chinese)
[14] 劉新庭, 匡迎春, 陳 熵, 歐明文, 曾文輝. 基于最小外接圓直徑的蘋果分級(jí)研究[J]. 中國農(nóng)學(xué)通報(bào), 2015, 31(20): 239-243.
LIU X T, KUANG Y C, CHEN S, OU M W, ZENG W H. Study on apple grading based on minimum circumscribed circle diameter[J]. Bulletin of Chinese Agronomy, 2015, 31(20): 239-243. (in Chinese)
[15] 崔 巍, 高 玨, 朱培逸, 徐金星, 鄧 婉. 基于機(jī)器視覺的金桔大小分級(jí)研究[J]. 常熟理工學(xué)院學(xué)報(bào)(自然科學(xué)), 2012, 26(4): 87-90.
CUI W, GAO J, ZHU P Y, XU J X, DENG W. Research on size classification of Kumquat based on machine vision[J]. Journal of Changshu Institute of Technology (Natural Science), 2012, 26(4): 87-90. (in Chinese)
[16] 黃 辰, 費(fèi)繼友. 基于圖像特征融合的蘋果在線分級(jí)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(1):285-291.
HUANG C, FEI J Y. Apple online grading method based on image feature fusion[J]. Journal of Agricultural Engineering, 2017, 33(1): 285-291. (in Chinese)
[17] SNEHA A, SANYAM A. A new approach for image steganography using edge detection method[J]. International Journal of Innovative Research in Computer and Communication Engineering, 2013, 1(3): 626-629.
[18] RASHMI, MUKESH K, ROHINI S. Algorithm and technique on various edge detection: a survey[J]. Signal & Image Processing, 2013, 4(3): 65-75.
[19] JAMAL R. A novel automatic object detection in images[J]. Current Research in Computer Science, 2013, 1(1): 1-4.
[20] LEEMANS V, DESTAIN M F. A real-time grading method of apples based on features extracted from defects[J]. Journal of Food Engineering, 2004(61): 83-89.
[21] DEVRIM U, BERNARD G, OLIVIER K, VINCENT L, MARIE-FRANCE D, OLIVIER D. Automatic grading of bicolored apples by multispectral machine vision[J]. Computer and Electronics in Agriculture, 2011(75): 204-212.
[22] HASSANKHANI R, NAVID H. Potato sorting based on size and color in machine vision system[J]. Journal of Agricultural Science, 2012, 4(5): 235-244.
[23] ABDOLLAH G, FARID B, HOSSEIN B. Design, development and evaluation of an online potato sorting system using machine vision[J]. International Journal of Agriculture and Crop Science, 2013, 6(7): 396-402.
[24] CANNY J. A computational approach to edge detection[J]. IEEE Trans Pattern Analysis and Machine Intelligence, 1986(12): 679-697.
[25] 林 雯. 邊緣檢測算子分析與比較[J]. 湖南工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報(bào), 2012, 12(5): 6-25.
LIN W. Analysis and comparison of edge detection operators[J]. Journal of Hunan Polytechnic College, 2012, 12(5): 6-25. (in Chinese)
[26] 周逢道, 馬 晨, 潘自超. 一種基于Sobel算子的星敏感器星圖預(yù)處理方法[J]. 導(dǎo)航定位與授時(shí), 2021, 8(4): 98-106.
ZHOU F D, MA C, PAN Z C. A star map preprocessing method of star sensor based on Sobel operator[J]. Navigation, Positioning and Timing, 2021, 8(4): 98-106. (in Chinese)
[27] 馮 伍, 張俊蘭, 苗秋瑾. 幾種典型邊緣檢測算子的評(píng)估[J]. 電子設(shè)計(jì)工程, 2011, 19(4): 131-133.
FENG W, ZHANG J L, MIAO Q J. Evaluation of several typical edge detection operators[J]. Electronic Design Engineering, 2011, 19(4): 131-133. (in Chinese)
[28] 王文豪, 姜明新, 趙文東. 基于Canny算子改進(jìn)的邊緣檢測算法[J]. 中國科技論文, 2017, 12(8): 910-915.
WANG W H, JIANG M X, ZHAO W D. Improved edge detection algorithm based on Canny operator[J]. Chinese Scientific Papers, 2017, 12(8): 910-915. (in Chinese)
[29] 李 靜, 陳桂芬, 丁小奇. 基于改進(jìn)Canny算法的圖像邊緣檢測方法研究[J]. 計(jì)算機(jī)仿真, 2021, 38(4): 371-375.
LI J, CHEN G F, DING X Q. Research on image edge detection method based on improved Canny algorithm[J]. Computer Simulation, 2021, 38(4): 371-375. (in Chinese)
[30] 毛星云, 冷雪飛. OpenCV3編程入門[M]. 北京: 電子工業(yè)出版社, 2015.
MAO X Y, LENG X F. Introduction to OpenCV3 programming[M]. Beijing: Electronic Industry Press, 2015. (in Chinese)
[31] 歐溫暖. 幾種常見邊緣檢測算子的分析比較[J]. 現(xiàn)代計(jì)算機(jī)(專業(yè)版), 2010(5): 75-77.
OU W N. Analysis and comparison of several common edge detection operators[J]. Modern Computer (Professional Edition), 2010(5): 75-77. (in Chinese)
[32] 彭士有, 吳 潔, 彭 俊. 拉普拉斯邊緣檢測算法的改進(jìn)及其在探地雷達(dá)中的應(yīng)用[J]. 現(xiàn)代雷達(dá), 2020, 42(8): 41-45.
PENG S Y, WU J, PENG J. Improvement of laplacian edge detection algorithm and its application on GPR[J]. Modern radar, 2020, 42(8): 41-45. (in Chinese)
[33] 杜 偉, 何毅斌, 吳林慧, 汪 強(qiáng). 融合改進(jìn)形態(tài)學(xué)和LOG算子的齒輪邊緣檢測[J]. 武漢工程大學(xué)學(xué)報(bào), 2021, 43(6): 675-680.
DU W, HE Y B, WU L H, WANG Q. Gear edge detection based on improved morphology and LOG operator [J]. Journal of Wuhan University of Engineering, 2021, 43(6): 675-680. (in Chinese)
[34] 喬鬧生, 鄒北驥, 鄧 磊, 曾友兵, 鄒劍臣. 一種基于圖像融合的含噪圖像邊緣檢測方法[J]. 光電子激光, 2012, 23(11): 2215-2219.
QIAO N S, ZOU B J, DENG L, ZENG Y B, ZOU J C. An edge detection method of noisy image based on image fusion[J]. Photoelectron Laser, 2012, 23(11): 2215-2219. (in Chinese)
[35] 張澤泓, 楊成忠, 李廣亮. 交通標(biāo)志邊緣檢測技術(shù)研究[J]. 杭州電子科技大學(xué)學(xué)報(bào), 2014, 34(1): 83-86.
ZHANG Z H, YANG C Z, LI G L. Research on edge detection technology of traffic signs[J]. Journal of Hangzhou University of Electronic Science and Technology, 2014, 34(1): 83-86. (in Chinese)
[36] BRADSKI G, KAEHLER A. 學(xué)習(xí)OpenCV[M]. 北京: 清華大學(xué)出版社, 2009.
BRADSKI G, KAEHLER A. Learning OpenCV[M]. Beijing: Tsinghua University Press, 2009. (in Chinese)
[37] 武 松, 潘發(fā)明. SPSS統(tǒng)計(jì)分析大全[M]. 北京: 清華大學(xué)出版社, 2014.
WU S, PAN F M. SPSS statistical analysis[M]. Beijing: Tsinghua University Press, 2014. (in Chinese)
Comparative Study of Multiple Image Edge Detection Operators Applied to Size Measurement ofSims
LIU Xian, LIN Yingzhi
Digital Agriculture Research Institute, Fujian Academy of Agricultural Sciences, Fuzhou, Fujian 350003, China
Size measurement was a very important and indispensable link in the postpartum sorting stage of passion fruit. This paper described a variety of edge detection operators and image recognition steps based on edge detection algorithm. A fruit image acquisition platform was constructed by simulating fruit sorting site. In order to increase the difficulty, forty passion fruits with certain wrinkle on the surface were obtained by using fruit image acquisition platform and forty images shoot from the top were selected as the test material. Based on the Visual Studio 2017 integrated development environment, called the OpenCV 3.2.0 machine vision library, C++ programming language was used to detect the edge of forty passion fruit images by Canny, Sobel, Laplacian and Scharr operators. The size of passion fruit was measured by photoshop 7.0.1 software based on images as the approximation of real fruit size and according to the value to measure the detection accuracy of algorithm. The detection parameters of the four operators were automatically optimized, and the detection parameters of each operator, the detection accuracy of the four operators and the single fruit detection time were statistically analyzed by SPSS software. The test results showed that the measurement accuracy of passion fruit size using Canny operator under (70, 105, 3) parameters was the highest, the average time consumed of the single fruit measurement was 1.98 ms, it was the fastest of four operators, which can satisfy the actual demand for the intelligent sorting of passion fruit.
passion fruit (Sims); edge detection; operator
S667.9;TP391.4
A
10.3969/j.issn.1000-2561.2022.12.018
2022-03-09;
2022-04-07
福建省自然科學(xué)基金項(xiàng)目(No. 2020J011377);智慧農(nóng)林福建省高校重點(diǎn)實(shí)驗(yàn)室開放基金項(xiàng)目(No. 2019LSAF01);福建省智慧農(nóng)業(yè)科技創(chuàng)新團(tuán)隊(duì)項(xiàng)目(No. CXTD2021013-1)。
劉 現(xiàn)(1985—),女,碩士,助理研究員,研究方向:環(huán)境感知與智能控制。*通信作者(Corresponding author):林營志(LIN Yingzhi),E-mail:LYNNET@163.com。