饶秀勤[1]2007年在《基于机器视觉的水果品质实时检测与分级生产线的关键技术研究》文中认为针对我国商品水果品质差、出口量小、价格低、附加值低等问题，采用机器视觉技术，研究了水果品质的实时检测与分级方法，对提高我国水果的市场竞争力，具有非常现实的社会和经济意义。研究成果为应用机器视觉技术开展农产品品质检测方法研究提供了范例，用于球形对象表面积的球带法、数字图像的线段描述方法为其它领域的机器视觉技术应用提供了新的方法，具有重要的理论和学术意义。主要成果有：①提出了水果表面积检测的球带计算法。球带是水果表面上一个窄长区域，其图像是宽度为一个像素的水平线段。球带作为圆柱的一部分，其宽度h、半径r及圆心角a根据其图像的纵坐标、线段起点和终点横坐标确定，其面积值为h×r×a。累加全部球带面积可得到水果表面ROI面积。试验结果表明，最大相对误差为1.32％。②提出了数字图像的线段描述方法。对数字图像上一组相同特性的像素用线段来描述，通过比较纵坐标相邻的两条线段的起点和终点来确定二者之间的相邻关系，利用这种关系将滤波、区域生长和对象边界数据等操作一次完成，大大减少了运算量，比拉普拉斯方法提高运算速度3倍。③提出了用于椭球形水果尺寸的椭圆回归法和软件卡尺方法。比较了MER方法、椭圆回归法和软件卡尺方法的运算量、检测精度。椭圆回归法运算量最小，软件卡尺方法检测精度最高，这是由于软件卡尺方法能保证计算机检测到的检测点与卡尺检测得到的检测点一致。④采用HIS颜色模型、主成分分析方法和马氏距离法，实现了水果按表面颜色分级。对800幅水果图像进行的分类结果表明，总的相对误差1.75％，能满足水果颜色检测与分级的要求。提出了由RGB颜色模型到HIS颜色模型的快速转换方法，转换速度提高了20％。⑤建立了水果图像的光度学模型，采用该模型得到水果图像灰度计算值，该值与水果图像实际灰度值相减后得到灰度差值图，对灰度差值图作阈值分割得到待定缺陷区域ROI，利用ROI的R分量和G分量曲面回归参数将缺陷表面、梗部和蒂部区分开来，从而完成了水果表面缺陷的检测。对1778幅正常水果图像和390幅含有表面缺陷的水果图像检测结果表明，正确率为94％，误判率为1.5％。⑥分别用F检验和t检验分析了水果在不同检测通道上的方差齐性和均值一致性，试验表明，在a=0.01的水平上，两检测通道的检测结果符合等精度要求。以上成果为在我国率先研制成功基于机器视觉技术的水果品质检测与分级生产线作出了贡献。
冯斌[2]2002年在《计算机视觉信息处理方法与水果分级检测技术研究》文中提出利用计算机视觉技术进行水果品质的在线检测与分选技术研究，对提高果品市场竞争力与产品增值效益具有重要应用前景。特别是在我国加入WTO世界贸易组织之后，这一需求显得更为迫切。本文就是在这样的背景下，研究了水果在线检测与品质分选的方法和技术，目的在于解决动态条件下，图象质量差，信息量大，实时处理能力低，检测精度低等问题。主要研究内容如下： (1)在分析现有微分边缘检测算子的基础上，根据水果图象在检测时只需要检测目标外边缘的特点，提出了两种新的边缘检测算法：灰度邻域法和模板分析法。这两种方法检测的图象面积仅约传统方法的1／2，因此检测速度约是传统方法的2倍。由于在搜索过程中采用圆周上等角度方向进行，使检测出的边缘点有序。且边缘点清晰、连续，无需进一步细化和序列化处理，提高了系统处理速度。 (2)根据试验图象背景的均匀特性，提出了图象的快速定位和标记方法。对160×140大小的图象以10×10网点处理，仅需处理224个象素点后，就可以通过质点法计算出目标物体的参考形心和参考平均半径，有效地减少了后续处理的图象面积，提高了处理速度。 (3)对于运动造成的图象模糊问题，传统方法是根据运动成像模型分析得出的差分算法进行恢复。但是该方法计算量大、实时性差，且恢复过程属近似计算过程。本文在运动成像模型的基础上，结合图象的特点，以图象象素分析的方法进行恢复。试验结果表明恢复效果好，且处理速度快。 (4)对果径的检测提出了新的轴向检测算法和果径检测方法。克服了动态检测过程中传统方法很难确定果梗而造成果径检测的误差。该方法检测的方向与国标要求的方向一致，通过实际测量，计算机检测结果与人工检测结果有良好的相关性。本中提出的水果果形模型使形状的描述从定性提高到定量分析的水平，为果形分级提供了依据，使形状分级过程简化而且有效。 (5)提出以各色度域的分形维数为颜色特征值，取4个域的分形特征值作为输入模式，以人工神经网络进行颜色分级。由于这些特征值在考察各色度值累计特性的同时，考察了各色度的空间分布特性，因此，使颜色分级过程更符合实际情况。 (6)提出以待测图象的反射特性、平均半径为参数的标准球体灰度模型。以该模型的灰度值与待测图象作差进行缺陷分割，仅用单个阈值使不同灰度级的缺陷一次分割成功。该方法计算量小，操作速度快，同时不会在边缘产生接缝问题。 (7)提出了以水果空间结构特点识别缺陷与果梗花萼的方法。该方法取可疑缺陷区边缘上、下、左、右4个方向的灰度剖面线平均后作为特征剖面线，通过傅氏变换，再以低频项系数进行傅氏反变换重建，得剖面的总体形状，用该形状来识别缺陷。 (8)建立了以分级为目的的软硬件系统。硬件系统可完成水果的传输和动态捕获图象的功能。软件系统包括水果大小、形状、颜色以及缺陷的分级功能。
何芳[3]2011年在《基于视觉的番木瓜外观品质检测技术研究》文中进行了进一步梳理水果品质检测与分级,是水果流通和加工过程中的重要环节之一。如何快速、准确的检测水果外观品质,解决检测手段滞后于行业标准的问题,成为目前急需着手的工作。由于计算机视觉分级精度、自动化程度高,属于非接触检测过程,因此将其用于水果外观品质检测具有潜在的应用价值和很好的发展前景。国内外学者对于计算机视觉应用于水果外观品质检测进行了大量的研究工作,并且取得了很多研究成果,对此领域的发展做出了很大的贡献。但总体来说,还存在一些亟待解决的问题：第一大部分外观品质检测研究集中于苹果、梨、甘橘等近球形的水果,而对于像番木瓜这类椭球型的水果几乎未涉及到；第二,很多研究工作都是针对静态的水果进行外观检测,分级精度高但实用性不强,对于实用性较强的动态水果研究较少。基于上述背景,结合实际生产的需要,本研究设计了计算机视觉番木瓜检测系统,提出基于视觉的番木瓜外观品质检测的方法,所有算法实现采用的软件工具是MATLAB软件。本文的主要研究内容和结果包括：(1)搭建了图像采集系统并使用简单易行的方法对摄像机进行标定,采用小角度斜面作为采集番木瓜图像的工作平台,找到适合的斜面角度来实现番木瓜的纯滚动,便于番木瓜图像的动态采集。采集到的图像存在很多冗余信息影响图像处理的速度,因此对图像裁剪以减少数据量。(2)对图像预处理中图像灰度化、图像滤波、图像增强、图像分割及边缘检测等方法的各种算法进行了比较,通过实验验证选取了适合番木瓜分类的低层图像处理方法。(3)参考国内外学者用于水果特征提取的方法,选择了提取效果较好的几种方法比较分析后,找到了适合番木瓜颜色、大小、形状及表面缺陷特征提取的方法。番木瓜的颜色描述选用了CIE-L*a*b颜色模型,选取最小外接矩和周长来描述番木瓜的大小,运用圆形度和形状不变矩相结合的方法识别番木瓜的外形特征,使用损伤区域轮廓法得到缺陷区域,以损伤区域面积比为指标描述番木瓜的缺陷区域大小。(4)研究人工神经网络的各种方法,选择了具有代表性的BP网络、RBF网络及SVM网络实现番木瓜外观品质的分类,分级准确率在75%-80%之间,分类结果一致。准确率未达到100%的主要原因可能是在使用神经网络方法对番木瓜外观品质分级时训练样本和测试样本过少。由分级结果得出：基于本研究的设计方法结构合理,软硬件可行,并得到较准确地分类结果,系统性能可以满足番木瓜外观品质检测的实际需求。
冯迪[4]2017年在《基于高光谱成像苹果外观与内部多指标检测研究》文中研究说明我国是苹果种植大国,产量近10年高居世界首位,各种苹果需要精确分级以适应不同人群的需求。面对庞大的数量,有必要建立精度高、速度快、指标全的检测线,以实现智能化分级,对于提高分级效率、节省劳动成本、保障我国优质苹果与进口品种的竞争力具有重要意义。本文以寒富苹果为研究对象,利用高光谱成像系统中图像与光谱相结合的特点,检测苹果外观与内部的多项指标。根据指标特征开发针对性的检测技术与方法,并通过挖掘检测中的共用信息建立多指标综合分级仿真系统。主要研究内容如下:(1)分析苹果的指标特性,根据指标的重要性确定检测流程。外观指标包括大小、外形与病害,内部指标包括糖度与硬度,颜色作为辅助指标参考内部指标检测的光谱信息验证分级结果。建立大小→外形→病害→糖度→硬度→颜色的检测顺序,实现外观状态与内部品质综合评价。(2)依据765nm与904nm两个最佳波长信息检测大小、外形与病害3项外观指标。图像预处理环节中,采用中值滤波法增强904nm图像以检测大小与外形;获取765nm的掩膜图像应用于病害检测。检测过程中,各类指标开发了针对性的描述方法与数学方法。采用MER矩判别法与像素点统计法检测大小,准确率为98.75%。通过苹果轮廓最小外接圆与最大内切圆的相关信息判别果形指数、偏心度与对称度,其中以两圆的面积比描述果形指数,以两圆的极限距离比描述偏心度,以内切圆切点连线对轮廓的分割区域比描述对称度,实现叁角度外形检测,准确率为95%。病害检测中,根据病害区域与正常区域的反射光谱差异提出改进流行距离算法,通过比较流行距离L值开发了 3个适合病害检测的特征波长—700nm、765nm和904nm。根据不同波长下的光谱信息组合,建立BP神经网络检测模型,发现765nm结合904nm的反射光谱可以更好的检测病害特征,准确率为96.25%。(3)内部品质检测中,利用543nm与674nm光谱信息同时检测苹果的糖度与硬度。在双面图像采集的前提下,获取亮度相近感兴趣区域(ROIs)的光谱反射波形,采用二阶导数结合标准正态变量(SD+SNV)的方式平滑波形;根据ROIs的糖度与硬度的测试结果连续投影(SPA)出两项指标各自的特征波长,结合特征波长分布提出互换输出指标的二次连续投影算法,寻找双指标检测中共用的波长信息;根据不同环境下共用的波长信息,比较最小二乘支持向量机(LS-SVM)与遗传算法开发神经网络(GA-BP)的预测效果,发现GA-BP参考双面取样最佳波长(543nm与674nm)信息可建立最优效果,糖度预测相关系数(R)为0.8476,均方误差(MSE)为3.32;硬度R为0.7938,MSE为9.6。此外,利用糖度与硬度的最佳波长信息检测苹果颜色,根据两个波长下RIOs的反射光谱差异提出了红绿色的极限差之比与着色浓度比,判断苹果的着色度,实现颜色指标的量化判定。(4)使用MATLAB2013a设计苹果在线综合分级仿真系统,按照大小→外形→病害→糖度→硬度的顺序编写检测程序,通过识别苹果的图像、光谱、指标信息模拟在线分级。系统参照分级标准建立不同环境下的指标数据库,按照量化标准分为特级果、一级果、二级果、等外果。程序末端增设了选用的检验环节,通过检测颜色指标验证分级结果的准确性。设计仿真系统操作界面,包含用户管理、环境参数、指标参数、数据显示等功能,操作人员参考帮助信息合理使用分级系统,实现对苹果多指标的综合检测。
徐莹莹[5]2011年在《基于计算机视觉的甜瓜外观品质检测研究》文中进行了进一步梳理农业是我国国民经济的基础,提高农业生产效率和自动化程度是实现农业生产现代化的根本途径。近年来,水果的自动化分级应用日益广泛,但品质分级检测仍是一项技术难题。甜瓜是市场上及进出口贸易中常见的水果,甜瓜的外部品质主要涉及形状、大小、外观颜色和表面缺陷。本研究旨在应用计算机图像识别技术研究甜瓜瓜蒂和缺陷的检测算法,为实现甜瓜自动分级检测奠定一定的基础。准确检测并分离甜瓜瓜蒂,对于精确测量甜瓜形状、大小、区分表面缺陷具有重要意义。本文提出了一种基于角点检测的瓜蒂检测和分离新方法,该方法利用角点在瓜蒂区域和甜瓜其它部分密度分布差异较大的特点,可准确地找到并擦除瓜蒂,本算法对瓜蒂形状、长短、粗细和旋转不敏感,鲁棒性好。与多种已知瓜蒂检测算法的对比实验表明,本算法具有很高的识别率和较小的耗时。为了提高甜瓜缺陷检测与分类的精准率,提取基于纹理和颜色的综合特征作为判别因子,并采用支持向量机作为分类器。对甜瓜图像可疑区域进行纹理分析时,提取基于灰度共生矩阵的四个特征参数,经过比较实验发现角二阶矩和对比度这两个参数对甜瓜的瓜蒂、花萼、擦伤以及霉变部位有明显的可区分性。在颜色分析时,对可疑区域提取出由R、G、B分量和算术运算组成的12种颜色特征,由实验筛选出区分性较好的四种颜色特征。实验结果表明,依据这些优选出的纹理与颜色特征组成的综合特征,建立支持向量机分类器的模式识别方式,对甜瓜缺陷的识别准确率达到92.2%。本文在MATLAB7.0平台上,实现了上述算法,实现了一个简易的甜瓜分级实验系统。
姜继祥[6]2013年在《基于计算机视觉系统的大枣在线分级》文中研究说明利用机器自动化来代替人的体力劳动是人类在长期的社会生产实践中不断追求的目标。其中,机器视觉即计算机视觉应用得到了广泛的发展。它是用机器功能(摄像机等)取代人的视觉效果对目标对象进行识别、判断、测量以及处理等,主要研究的内容为：利用计算机的相关功能模拟人的视觉功能并进行进一步处理。计算机视觉技术设计的领域很多,主要有获取目标对象、处理相关图像信息、以及识别和测量相关对象。计算机视觉系统的组成部分有如下几个方面：视觉感知、图像识别和处理、结果显示、系统控制。在工业生产过程中,相对于传统检测测量方法,计算机视觉技术的最大优点是快速、准确、可靠和智能化,对提高产品检验的一致性、产品生产的安全性、降低工人劳动强度以及实现企业的高效安全生产和自动化管理具有不可替代的作用。本课题根据目前国内外水果品质检测研究的现状,借鉴国外的先进技术和经验,提出利用计算机视觉技术,对于新疆大枣的大小、形状、颜色、缺陷等进行图像信息处理,然后通过人机化界面对现场进行控制,达到智能化自动分级目的。本文主要研究内容有：(1)分析目前国内外对水果自动化检测的现状,并讨论新疆大枣进行计算机视觉检测的可行性和必要性。(2)研究进行智能化分级所需的硬件平台和工作原理,确定总体方案,对各主要组件(光源、摄像机、计算机、DSP等)进行选型,并搭建系统的硬件平台。(3)研究计算机视觉系统进行自动分级的软件基础,包括图像获取、图像处理(包括阈值分割、中值滤波等),并将其应用于大枣分级,对大枣的大小、形状、颜色、缺陷等进行分析,利用VC编写相应的处理程序。(4)对分级系统的上位机程序进行开发,根据现场生产的需要,采用模块化的设计思想,进行系统功能的模块划分,主要实现用户登录、参数配置、加工运行、故障报警诊断等功能,设计出符合要求的上位机人机界面。(5)通过实验数据分析算法的可行性。(6)分析本论文仍可改进和进一步研究的部分问题以及本文的创新点。
李庆中[7]2000年在《苹果自动分级中计算机视觉信息快速获取与处理技术的研究》文中认为高品质、绿色农产品的生产是21世纪农业发展的重要方向之一。在国际市场上，高品质意味着高收益。目前在我国，因缺乏农产品品质检测标准和手段，使各种农产品混杂上市，在国际市场上缺乏竞争力，初级农产品得不到增值，给国家和农民造成了巨大的经济损失，中国加入WTO后，这个问题会显得更加突出。因此，现在迫切需要进行农产品品质、农业化学品残留等污染物的监测新技术的开发和研究。水果的外部品质主要涉及大小、形状、颜色和表面缺陷。目前，国外在利用机器视觉技术进行水果大小、形状和颜色自动分级方面，已达到实用化水平；但因缺陷检测的复杂性，外部缺陷的快速自动检测还一直处在继续研究阶段。国内从90年代开始进行这方面的研究，但主要集中在水果静态图象处理和识别方法的研究上，因算法处理速度的限制，至今尚未开发出自动分级的商品化产品。本文以提高基于计算机视觉的图象信息处理速度和探索水果自动分级机械的产业化开发为目标，应用计算机视觉信息技术与机电一体化技术，对苹果在线状态下，计算机视觉信息快速获取和处理技术进行了研究，完成的主要研究成果如下： （1）图象低层处理算法是利用计算机视觉进行水果在线快速分级的基础。本文首先对图象低层处理中的平滑、增强算法进行了有效性和实时性研究，得到了适合苹果在线快速分选的图象增强算法和平滑算法。在图象边缘检测方面，提出了基于分形特征的图象边缘检测新方法，该方法具有较强的抗噪声性能。对基于类别方差和信息熵的两种图象分割算法进行了研究，提出了适合水果在线状态下，果实与背景快速分割的算法。 （2）水果表面缺陷的识别复杂而费时，一直是实现水果自动化分级的障碍。为提高缺陷分割的速度，本文提出一种基于参考图象的缺陷快速分割算法，可有效、快速地分割出在线状态下水果表面的缺陷。真正缺陷区与梗萼凹陷区的快速识别是国内外研究的另一热点，因为这是造成分级误差的主要原因。为此，本文提出基于有向分形维数和人工神经网络的快速识别新方法，并提出双金字塔数据形式的盒维数快速计算方法。以上两个难题的解决，为实现水果表面缺陷的自动化检测奠定了基础。 （3）国内研究者提出的水果形状、大小识别算法，都是围绕水果中心轴线来提取特征参量，而水果在分选生产线上的状态是随机的，故这些特征参量的提取方法不再适合于在线状态。为此，本文提出基于参考形状的苹果果型相关评判和果径计算新方法，并利用改进的遗传算法提高处理速度，试验表明这是一种快速而有效的方法。 （4）水果颜色的在线快速分级，要求系统在快速获取表面颜色信息的同时，对 博士 论文 一 水果的着色率进行实时评价。本文对颜色信息快速获取的方法和有效颜色特征的 提取方法进行了研究，并利用遗传算涪实现了颜色分级神经网络的结构设计和权 值学习，克服以往神经网络设计时，结构人为确定带来的弊病，可有效缩短神经 网络的设计和训练时间。 ＊）为了尽快开发利用计算机视觉进行水果自动化分级的实用化产品，本文 通过多视觉、多光谱、光学成象以及机电技术的有机集成，提出了一种快速获取 水果全视角图象的新方法，并完成了该系统的研制。该系统由苹果输送机构、机 器视觉成象、处理系统和照明室叁部分组成，可完成苹果在线状态下图象信息的 4”””“”—’—”——””一—”“”『“““’”””“————”’””——’—””“—’一’”‘”“”””‘“”””－”‘“””“ 快速采集和处理，为开发商品化产品提供了可行的途径。 …）根据苹果外部品质各项指标在线检测实现的方法和实时分级的速度要求， 确定了合理的在线分级方案。用 Visual＋＋5．0编程，综合设计了苹果形状、大 小、颜色和表面缺陷自动分级的软件系统。最后利用开发的硬件和软件系统对3 种苹果进行了检测、分级综合试验。试验结果表明：系统分级的正确率在 85％以 上，利用联想Pill—500微机系统检测分级1个苹果表面缺陷所用的时间为320ms， 检测分级 1个苹果的形状、大小和颜色，所用的时间平均小于 2 10 ms。分级速度 已基本达到在线分级的要求。 本研究对于我国开展基于视觉技术的水果自动分选系统高新技术产品的开 发，具有重要参考价值，对高品质水果的增值和推进创汇农业科技活动，提高提 高农业国际竟争能力有重要的经济意义。
陈小娜[8]2010年在《绿橙表面缺陷及大小尺寸的计算机视觉分级技术研究》文中提出本文应用计算机视觉技术研究了绿橙的表面缺陷及大小尺寸的检测方法。研究内容如下：1、建立并完善了适合本课题的计算机视觉系统。该系统包括大亨图像采集卡、CCD摄像机、光照箱、计算机主机、显示器、打印机、滚筒式传输带、叁项异步电动机及美国国家仪器公司推出的NI Vision Development Module Ver 8.2.1软件和Lab WindowsCVI8.1软件。2、分析了对绿橙图像进行预处理的方法,包括：图像平滑、图像增强、边缘检测、图像分割等。3、研究了各种检测绿橙大小尺寸的方法,最终确定采用果径法来进行检测,试验结果表明,分级正确率为93.5%。4、研究了检测绿橙表面缺陷的方法。通过CCD采集绿橙的可见光图像,经图像低层处理后,采用美国National Instruments Vision Assistant软件测得绿橙的果实横径、整果、缺陷像素数,将果实横径像素数变换成实际的果实横径后即可求出绿橙的表面积,再根据绿橙的表面积和整果、缺陷像素数之间的比例关系计算出缺陷面积,进而对其进行分级。结果表明,该方法对绿橙的4个质量等级的正确分级率分别是97.44%,91.49%,91.78%和95.12%。
叶昱程[9]2005年在《基于多光谱图像的水果外观品质检测方法研究》文中研究说明利用计算机视觉和图像处理技术对水果进行品质无损检测和自动分级过程中,果梗、花萼部分容易和碰伤、腐烂等常见表面缺陷混淆,从而被误判而引起分级错误。本文主要针对这种情况,研究了碰伤、腐烂等常见表面缺陷的检测方法,并对果梗和花萼的识别进行了研究,主要研究内容和研究成果如下: 1、综述了利用计算机视觉技术和多光谱图像技术进行水果品质检测和自动分级的国内外研究进展,并指出了国内外同类研究中所存在的问题。 2、建立并完善了适合本研究的多光谱图像系统。该系统由光照箱、8支TL514W/840HE荧光灯、HUBBA-Ⅲ黑白数字CCD摄像头、滤光片支架、滤光片、Meteor Ⅱ/MC图像采集卡及ADVANTECH INDUSTRIAL COMPUTER 610工控机组成。 3、进行了苹果的分光反射特性实验,采用美国分析光谱仪器公司(Analytical Spectral Devices)生产的FieldSpec~(?) HandHeld光谱分析仪进行。通过该实验测定苹果的完好、碰伤、腐烂、果梗和花萼等不同表面组织的光谱反射特性曲线,进而可以得出区分不同表面组织的波段,然后选择合适的滤光片,有利于水果分级精度的提高。 4、根据RGB颜色模型理论,把在480nm±10nm、530nm±10nm、630nm±10nm和830nm±10nm四个波段下所采集到的图像区域分别用B、G、R和I表示,然后作为RGB颜色模型中的各个分量进行迭加,分别得到RGB、RGI、GBI和RGBI四种多光谱图像。从碰伤和腐烂等常见表面缺陷的识别结果可以看出:利用R、G、B、I单色图像和RGB、RGI、GBI、RGBI多光谱图像进行分级时,对完好表面的识别率分别为75%、78.3%、55%、51.7%、95%、100%、96.7%、98.3%,而对有缺陷表面的识别率分别为75.8%、73.3%、53.3%、43.3%、97.5%、96.7%、91.7%、95.8%。由此可见,多光谱图像的识别率要高于单色图像,而RGI多光谱图像的识别率则要高于RGB、GBI和RGBI多光谱图像的识别率。 5、根据图像代数运算的理论,把在480nm±10nm、530nm±10nm、630nm±10nm和830nm±10nm四个波段下所采集到的图像区域分别用I_(480)、I_(530)、I_(630)和I_(830)表示,然
付峰[10]2003年在《球体图像的灰度变换与颜色变换模型及其在柑桔图像校正中的应用研究》文中认为利用计算机视觉和图像处理技术对水果进行品质无损检测和自动分级过程中，摄像头采集的水果图像质量将直接影响最终的检测和分级结果。因此，在图像采集过程中需要尽量降低图像失真程度。除了计算机视觉系统本身硬件设备的局限性造成的图像失真外，叁维物体投影到二维图像平面时也会形成不同程度的灰度和颜色变化，来反映物体的形状信息。这种图像失真是不可避免的，只能通过校正算法来减小失真。本文主要针对这种图像失真，研究了图像校正的方法，主要研究内容和研究成果如下： 1．综述了利用计算机视觉技术进行水果自动检测和分级的国内外研究进展，并指出了国内外同类研究中所存在的问题。 2．根据所采用的计算机视觉系统的硬件组成以及摄像机的几何模型，给出了摄像机的常用定标方法，并利用标准色卡研究了本系统图像采集颜色信号的失真规律，建立了摄像机颜色校正模型：R=2.903R′-1.124G′-140.903，G=0.369R′+1.846G′-0.308B′-150.777，B=0.297R′+0.466G′+1.288B′-151.384，其中R′、G′、B′和R、G、B分别是校正前和校正后的颜色刺激值，模型的相关系数R~2分别为0.980、0.973、0.981。 3．分别在6个不同位置采集叁种大小、19种不同表面颜色的球体的图像，提取球体图像灰度分布特征。通过分析发现，不同大小和不同表面颜色球体的图像具有相同的灰度失真规律，失真灰度值随着到球心距离的增加逐渐变大。同时，随着球体图像采集位置到摄像头视区中心的距离增大，球体图像中像素点的灰度值也在下降。结合球体成像过程的光度学分析，建立了位于摄像头视区中心的球体图像灰度校正模型：ΔG=31.725-31.725cos(α)，cos(α)=(1-(r/R)~2)~(1/2)，其中ΔG是球心像素与待校正像素之间的灰度差值，r是待校正像素到球心像素的距离，只是球体半径，模型相关系数R~2=0.796；建立了偏离摄像头视区中心的球体图像灰度校正模型：ΔG=0.04975d-0.467，其中ΔG是位于视区中心与偏离视区中心的图像之间的灰度差值，d是偏离视区中心的距离，模型相关系数R~2=0.842。 4．通过对球体彩色图像的亮度、色调和饱和度的分布特征的分析发现，球体图像颜色失真主要跟颜色的亮度分量有关，而与色调和饱和度分量关系不大。本研究在HSV颜色空间上建立了球体图像的颜色校正模型：ΔV=0.180-180cos(α)，cos(α)=(1-(r/R)~2)~(1/2)，其中ΔV是亮度失真值，r是待校正像素到球心像素的距离，R是球体半径，模型相关系数R~2=0.846。球体图像的亮度失真校正模型与灰度校正模型在形式上类似，仅模型参数上不同。 5．根据已建立的球体图像的灰度和颜色失真校正模型，研究了柑桔图像的灰度和颜色失真校正方法，提出了相应的校正算法，并用Matlab语言完成了程序设计。 6．使用图像校正程序，分别校正了试验球体的图像失真，图像的校正结果验证了球体图像的灰度和颜色校正模型和方法的有效性。
参考文献：
[1]. 基于机器视觉的水果品质实时检测与分级生产线的关键技术研究[D]. 饶秀勤. 浙江大学. 2007
[2]. 计算机视觉信息处理方法与水果分级检测技术研究[D]. 冯斌. 中国农业大学. 2002
[3]. 基于视觉的番木瓜外观品质检测技术研究[D]. 何芳. 昆明理工大学. 2011
[4]. 基于高光谱成像苹果外观与内部多指标检测研究[D]. 冯迪. 沈阳农业大学. 2017
[5]. 基于计算机视觉的甜瓜外观品质检测研究[D]. 徐莹莹. 甘肃农业大学. 2011
[6]. 基于计算机视觉系统的大枣在线分级[D]. 姜继祥. 扬州大学. 2013
[7]. 苹果自动分级中计算机视觉信息快速获取与处理技术的研究[D]. 李庆中. 中国农业大学. 2000
[8]. 绿橙表面缺陷及大小尺寸的计算机视觉分级技术研究[D]. 陈小娜. 海南大学. 2010
[9]. 基于多光谱图像的水果外观品质检测方法研究[D]. 叶昱程. 浙江大学. 2005
[10]. 球体图像的灰度变换与颜色变换模型及其在柑桔图像校正中的应用研究[D]. 付峰. 浙江大学. 2003