葉舒銘，楊艷

（攀枝花學(xué)院 智能制造學(xué)院，四川攀枝花，617000）

0 引言

橙子在生長(zhǎng)，采摘，運(yùn)輸?shù)倪^程中，受到害蟲侵?jǐn)_，環(huán)境影響，碰撞摩擦等因素引起的表面損傷及腐爛，這嚴(yán)重影響了橙子的品質(zhì)，直接影響橙子的產(chǎn)后服務(wù)及顧客的滿意度。目前水果分揀大多由人工完成，不僅成本高且效率低下，不適于水果產(chǎn)業(yè)長(zhǎng)期發(fā)展，因此找到一種高效的機(jī)械分揀方法非常重要。

近年來，隨著機(jī)器視覺的迅速發(fā)展，在水果表面缺陷檢測(cè)方面也日益廣泛。我國(guó)是農(nóng)業(yè)大國(guó)，因此，采用機(jī)器視覺對(duì)水果缺陷檢測(cè)的方法在我國(guó)的發(fā)展前景也十分可觀。對(duì)此提出了諸多方法。鄧?yán)^忠[1]提出了一種改進(jìn)的邊界追蹤方法，通過對(duì)去噪后的濾波圖像或是二值圖像作為操作圖像，根據(jù)水果外形來對(duì)水果表面進(jìn)行區(qū)域邊界追蹤，高效地確定了水果圖像，加快了圖像處理速度。王帥[2]提出了一種基于區(qū)域特征聚類顯著性檢測(cè)的表面缺陷分割算法，解決了傳統(tǒng)機(jī)器視覺表面缺陷檢測(cè)算法中的準(zhǔn)確率低，魯棒性弱的問題，但是算法流程過于復(fù)雜，無法達(dá)到快速檢測(cè)的目的。廖繼水等[3]利用區(qū)域生長(zhǎng)法從鮮棗中準(zhǔn)確的定位缺陷區(qū)域，再通過邊緣檢測(cè)算子準(zhǔn)確地將缺陷部位分割出來。容典[4]則提出了一種十分新穎的臍橙表面灰度局部閾值快速分割法，該方法解決了球類水果表面由于光照不均的問題，該算法將積分圖理論與局部閾值計(jì)算相結(jié)合，成功分割出了臍橙表面缺陷區(qū)域，由于此方法對(duì)光照因素較為敏感，可以十分準(zhǔn)確的分離出缺陷部位。顧翔[5]則針對(duì)易受噪聲影響的基于灰度值的模板匹配算法中提出了一種改進(jìn)小波閾值和改進(jìn)雙邊濾波器相結(jié)合的去噪算法，和傳統(tǒng)去噪算法相比，此算法去噪效果相對(duì)更好。上述發(fā)展為基于機(jī)器視覺缺陷檢測(cè)技術(shù)提供了理論依據(jù)，但依然存在著檢測(cè)流程復(fù)雜，效率低下的特點(diǎn)。

基于上述研究，本文提出一種基于機(jī)器視覺的橙子缺陷檢測(cè)技術(shù)，采用大津法（Otsu 法）的圖像分割技術(shù)，再通過運(yùn)用canny 算子對(duì)缺陷部位進(jìn)行精確邊緣檢測(cè)，達(dá)到快速檢測(cè)水果缺陷的目的，此改進(jìn)算法為本文后期的水果缺陷檢測(cè)提供技術(shù)支持。

1 實(shí)驗(yàn)設(shè)備及材料

本文搭建了圖像采樣平臺(tái)如圖1 所示，該圖樣采集裝置主要由相機(jī)、光源、樣本、采樣平臺(tái)，采樣背景選擇黑色卡紙，目的是減少反射光對(duì)圖像采樣的影響。為驗(yàn)證實(shí)驗(yàn)的隨機(jī)性，采樣樣本為攀枝花水果市場(chǎng)隨機(jī)采購(gòu)。

圖1 圖像采樣裝置

本文算法通過MATLAB 將拍攝的樣本圖像傳輸?shù)接?jì)算機(jī)中，運(yùn)用MATLAB 軟件進(jìn)行圖像分析與處理，得到的樣本圖像首先要對(duì)其進(jìn)行圖像預(yù)處理，包括圖像灰度化，去噪處理，圖像增強(qiáng)等操作。邊緣檢測(cè)則獲取圖像邊緣輪廓的過程，是機(jī)器視覺，圖像分析的重要部分。邊緣檢測(cè)一般包括平滑濾波，圖像增強(qiáng)，邊緣檢測(cè)，缺陷定位等步驟。工作流程如圖2 所示。

圖2 缺陷檢測(cè)系統(tǒng)工作流程示意圖

2 缺陷檢測(cè)流程及算法

■2.1 灰度變換和圖像去噪

采集到的RGB 圖像如圖3(a)所示，為簡(jiǎn)化信息更清晰的顯示圖像效果，先對(duì)其進(jìn)行灰度變換，變換效果如圖3(b)所示，灰度變換后的圖像包含多種噪聲，噪聲是圖像干擾的一個(gè)十分重要的因素，由相機(jī)采集到的圖像在數(shù)字化和傳輸?shù)倪^程中常受到設(shè)備內(nèi)部與外部環(huán)境噪聲干擾的影響，從而導(dǎo)致圖像質(zhì)量受損，不僅使得圖像分辨率降低，對(duì)后期圖像處理也極其不利，因此對(duì)圖像進(jìn)行去噪處理十分重要。常見的去噪方法有高斯濾波，中值濾波[6]，均值濾波，雙邊濾波等。高斯濾波對(duì)圖像鄰域內(nèi)像素進(jìn)行平滑時(shí)，對(duì)圖像不同位置的像素賦予了不同的權(quán)值，但是沒有考慮到圖像的邊緣，會(huì)將邊緣模糊掉。因?yàn)楦咚购酥豢紤]到了空間分布，沒考慮像素點(diǎn)的差異。中值濾波則是計(jì)算出了圖像中所有像素的中值，并用計(jì)算出來的中值替代模板中心像素的灰度值，這種方法能有效地抑制椒鹽噪聲，也不會(huì)將邊緣模糊掉。均值濾波則是使用模板內(nèi)所有像素的均值代替模板中心像素灰度值，此方法易受到噪聲干擾，不能有效地消除噪聲。雙邊濾波比高斯濾波多了一個(gè)高斯方差 sigma-d，它是基于空間分布的高斯濾波函數(shù)，與高斯濾波相比它不會(huì)模糊掉邊緣信息，但由于儲(chǔ)存過多的高頻信息，對(duì)于彩色圖像中的高頻噪聲不能很干凈地濾掉，對(duì)低頻噪聲有較好的抑制作用。鑒于以上所述，本文采用中值濾波對(duì)橙子圖像進(jìn)行去噪處理，首先計(jì)算圖像中各像素的灰度值，濾波窗口為W 的二維中值濾波公式為：

圖3 樣本圖像預(yù)處理結(jié)果

其中f(x,y),g(x,y)分別為原始圖像和處理后的圖像，W為二維模板，通常為3*3 或是5*5 區(qū)域，本文采用3*3二維模板。

二維中值濾波的窗口形狀和尺寸對(duì)濾波效果影響較大，這里我們選擇了3*3 的濾波窗口以使得中值濾波后的圖像更加清晰，在有效去除噪聲的同時(shí)可以避免模糊掉邊緣信息。經(jīng)過中值濾波后的圖像如圖3(c)所示，雖然和灰度圖像相比變化不大，但是像素值的分布卻發(fā)生了變化。

■2.2 圖像增強(qiáng)

圖像去噪之后為了更好地提取物體邊緣輪廓信息，本文提出一種采用imadjust 函數(shù)調(diào)整灰度圖像的灰度范圍。原圖像灰度范圍為0~225，本文將小于225*0.2 的灰度值設(shè)為0，將大于255*0.5 的灰度值設(shè)為255。所示效果對(duì)比圖如圖4(a)和4(b)所示。由圖可以看出調(diào)整灰度之后的圖像和原圖像相比邊緣輪廓更加清晰，缺陷部位也更加明顯，為了增加圖像的對(duì)比度，現(xiàn)將圖像進(jìn)行取反運(yùn)算，效果如圖4(c)所示。

圖4 圖像增強(qiáng)處理結(jié)果

■2.3 閾值分割

本文采用大津法（Otsu 法）算法[7]又稱最大類間方差法，這是一種自適應(yīng)的閾值分割方法，與其他閾值分割方式相同，也是根據(jù)灰度特征，選定最佳的閾值。對(duì)取反之后的圖像進(jìn)行閾值分割[8]，提取邊緣輪廓和缺陷部位，分割出樣本和背景。大津閾值算法思想是使類間方差最大，越接近正確分割圖像的閾值。

假設(shè)背景像素點(diǎn)為n0，占總像素點(diǎn)比例為p0,平均像素值為m0；目標(biāo)區(qū)域所有像素點(diǎn)為n1，占總像素的比例為p1,平均像素值為m1;圖像的所有像素點(diǎn)為n，平均像素值為m。那么則有以下關(guān)系式：

得到：

定義類間方差g為 ：

由上式(1)(2)(3)可得，類間方差的計(jì)算公式為：

由圖5 可以明確地看到分割出的前景與背景，缺陷部位也十分明顯。

圖5 閾值分割處理結(jié)果

3 canny 算子邊緣檢測(cè)

針對(duì)傳統(tǒng)canny 算法[9]的閾值需要人為設(shè)定缺陷，算法自適應(yīng)不足等特點(diǎn)。本文通過Otsu 分割方法通過對(duì)圖像灰度特征進(jìn)行分析確定了最佳分割閾值，運(yùn)用該閾值得到分割圖像，然后利用canny 算子來提取出圖像的邊緣信息，下面對(duì)一般的canny 算子和運(yùn)用了Otsu 法后的canny 算子進(jìn)行輪廓提取做了對(duì)比，如圖6(b)和圖6(c)所示，一般的canny 檢測(cè)算子[10]會(huì)將某些真正邊緣檢測(cè)不到，而將不是邊緣的虛假信息作為邊緣被檢測(cè)出來，但是使用Otsu 法后，不僅抑制了虛假邊緣的產(chǎn)生，而且圖像邊緣的連續(xù)性也保持得非常良好，實(shí)驗(yàn)證明該方法具有一定的實(shí)用性。

圖6 canny 算子邊緣檢測(cè)對(duì)比圖

4 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證算法的可行性，本文采用了橙子的幾種常見缺陷作為實(shí)驗(yàn)樣本，實(shí)驗(yàn)結(jié)果如圖7 所示，圖7(a)為原圖，圖7(b)為一般canny 算子檢測(cè)結(jié)果，圖7(c)為本文算法檢測(cè)結(jié)果。

圖7 canny 算子邊緣檢測(cè)對(duì)比圖

實(shí)驗(yàn)結(jié)果表明，分別使用一般canny 算子和本文改進(jìn)后的邊緣檢測(cè)算子對(duì)圖像進(jìn)行邊緣檢測(cè)得到的對(duì)比圖可見。從圖7(b)與圖7(c)可以看出使用傳統(tǒng)canny 算子檢測(cè)方法圖像紋理不如本文改進(jìn)后的清晰，并且產(chǎn)生了許多虛假邊緣，改進(jìn)后的算法不僅保留了圖像內(nèi)部的紋理特征，而且抑制了虛假邊緣的產(chǎn)生，改善了傳統(tǒng)算法在圖像中的分割效果，提高了算法的自適應(yīng)性能，且能夠更好地抑制虛假邊緣的出現(xiàn)，檢測(cè)邊緣較完整，細(xì)化程度較高。以攀枝花果園為例，該算法應(yīng)用于果園水果采摘缺陷檢測(cè)過程中，缺陷檢測(cè)率高達(dá)96.55%，比一般算法更精確地識(shí)別缺陷部位，相較于人工檢測(cè)更省時(shí)省力，且成本更加低廉。

5 結(jié)束語(yǔ)

運(yùn)用Otsu 分割方法解決了傳統(tǒng)的canny 算法需要人為設(shè)定缺陷的閾值、自適應(yīng)力不足等問題，在能夠更好地抑制虛假邊緣產(chǎn)生的同時(shí)，也使得檢測(cè)出來的缺陷邊緣更加接近真實(shí)的缺陷邊緣，并且能夠很好地保證圖像邊緣的完整性和連續(xù)性。采用灰度變換、中值濾波抑制了橙子圖像處理過程中的噪聲因素對(duì)缺陷檢測(cè)產(chǎn)生的影響，以及采用imadjust函數(shù)調(diào)整灰度圖像的灰度范圍，讓處理之后的圖像較原圖輪廓更清晰，缺陷更明顯，改善了在復(fù)雜背景下檢測(cè)邊緣缺陷的效果。利用本文方法可以有效提高在篩選優(yōu)劣橙子時(shí)的準(zhǔn)確性以及高效性。