[发明专利]基于近红外编码点阵结构光的苹果果梗/花萼检测方法

说明书

技术领域

本发明涉及蔬菜水果检测技术领域，特别涉及一种基于近红外编码点阵结构光的苹果果梗/花萼检测方法。

背景技术

我国是苹果生产大国，但目前苹果的产后处理水平十分低下，大部分苹果种植者对苹果的分级认识不够，仅剔除不能上市的苹果，对苹果大小做粗略的分级，分级手段主要靠人工分级，分级结果不够准确。基于机器视觉的苹果外部品质分选机可以综合检测苹果的大小，颜色，果形和表面缺陷等主要外部品质指标，具有精度高，自动化程度高和非破坏性检测等优点，在苹果产后分级处理中得到了广泛应用。

苹果大小、形状、颜色指标的自动检测方法已比较成熟，而缺陷的快速识别一直是苹果实时分级的障碍，其主要难点是由于苹果表面的缺陷区域和果梗/花萼区域在图像的灰度值上有非常大的相似性，二者在图像上都呈现为暗黑色的斑点，从而导致缺陷与果梗/花萼难以区分。因此是否能够准确检测苹果图像中的果梗/花萼区域成为正确识别苹果表面缺陷的前提。现有的检测苹果果梗/花萼的方法主要有：

特征检测法：提取缺陷区域与果梗/花萼区域的特征，利用人工神经网络，支撑向量机等分类器进行识别，这类方法的缺点是识别正确率较低。

高光谱检测法：利用高光谱相机检测苹果表面缺陷，尽管识别正确率较高，但是高光谱相机价格极其昂贵，很难用于实际的生产当中。

阴影重建检测法：利用苹果表面的阴影对苹果进行三维重建，根据重建结果识别苹果表面的凹陷区域，这类方法很难保证苹果处于任意姿态时都提供足够的阴影信息用于三维重建，而且当缺陷区域的颜色特征与阴影相似时，缺陷区域会被错误地判别为果梗/花萼区域。

结构光编码方法通过向物体投射编码图案，大大提高了检测速度，从而在三维重建、工业测量领域有着广泛的应用前景。在苹果在线检测过程中，不仅要对果梗/花萼和缺陷进行检测，还要检测表面着色率。如果使用彩色结构光编码图像，一方面影响表面着色率的检测，另一方面会受到表面颜色的干扰。而近红外结构光可以避免这两个问题，因为近红外图像仅反映物体表面的性质，与表面颜色无关。近红外图像为灰度图像，无法利用颜色作为编码信息，同时普通投影设备无法投射出近红外编码图案，这使得在可见光波段常用的颜色、灰度变化以及特定图案这些常用的结构光编码手段无法直接用于近红外结构光。因此需要一种不依赖于颜色、灰度变化以及图形符号的结构光编码基元。对于单纯的近红外结构光光斑阵列，每个光斑都具有相似的形状，因此很难对投射到物体表面的光斑与投射到参考平面上面的光斑进行匹配。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是解决目前利用机器视觉技术检测苹果果梗/花萼方面的不足。

(二)技术方案

本发明提出了一种基于近红外编码点阵结构光的苹果果梗/花萼检测方法，包括：

S1，设置n1条虚拟的平行且间距相等的水平直线和n2条虚拟的平行且间距相等的垂直直线，对应每条垂直直线和水平直线的交点生成一个光斑，该光斑位于该水平直线上且位于与对应交点成固定距离的该垂直直线的左侧或右侧，当该光斑位于左侧时，该光斑的取值为第一基本编码基元，当该光斑位于右侧时，该光斑的取值为第二基本编码基元，从而生成n₁×n₂的近红外编码点阵结构光，并且对于任意包括k₁行和k₂列光斑的子窗口，子窗口对应的码值各不相同，其中n₁、n₂、k₁、k₂均为正整数；

S2，将近红外编码点阵结构光分别投射到参考平面和苹果表面后，分别采集得到参考图像和苹果图像，求取近红外编码点阵结构光在每个图像上的每个光斑的位置；

S3，选取苹果图像上的一个包括k₁行和k₂列光斑的子窗口，计算该子窗口的码值，再在n₁×n₂的近红外编码点阵中搜索具有相同码值的子窗口，从而确定苹果表面近红外光斑在近红外编码点阵中的位置，进而建立起苹果图像的每个光斑与参考图像的每个光斑的对应关系；

S4，计算苹果图像的每个光斑与参考图像对应光斑的位置的纵坐标差值，如果苹果图像上左右都存在其他光斑的某光斑的所述纵坐标差值的二阶差分小于0，则该光斑的相应位置标记为果梗/花萼区域，如果左右有一侧不存在其他光斑的某光斑与其水平相邻光斑的所述纵坐标差值之差大于设定阈值，则相应位置标记为果梗/花萼区域。