[发明专利]一种基于深度学习分割的水果表面缺陷检测方法

说明书

本发明公开了一种基于深度学习分割的水果表面缺陷检测方法。本发明的具体检测方法为：获取水果RGB彩色图像，去背景后转换成灰度图像并统一尺寸512×512；准备阳性样本图像数据和阴性样本图像数据，用于训练卷积神经分割网络；设计卷积神经分割网络进行训练，保存训练结束后的网络连接权重矩阵T用于后续检测步骤；将待检测水果图像送进已经训练好的卷积神经分割网络完成图像分割，获得水果表面缺陷图像。本发明检测准确、快速，能有效避免了对水果及农产品形状、大小的依赖以及避免了亮度矫正带来的复杂影响，应用对象广，具有较大的应用价值。

技术领域

本发明涉及计算机视觉图像处理方法，具体涉及一种基于深度学习分割的水果表面缺陷检测方法。

背景技术

表面缺陷检测是水果分级的重要依据之一，在世界各国的水果评级标准中有严格的规定。国内外大量学者研究通过计算机视觉方式检测水果及农产品表面缺陷，但是许多农产品是类球体，二维图形中部的灰度值要远大于边缘的灰度值，导致表面缺陷图像检测的困难。

经过现有的技术检索发现，方法主要分为三类：

1)基于球体灰度模型的处理方法。譬如专利文献中国专利CN101984346A记载了一种基于低通滤波的水果表面缺陷检测方法，首先获得去除背景的R分量图像，利用水果彩色图像通过离散傅里叶变换进行低通滤波然后离散傅里叶反变换获得表面亮度图像，前者图像除以后者图像得到均一化亮度图像，再采用单阈值实现水果表面缺陷分割，该技术能检测亮度较低的表面缺陷，但是会丢失在中心区域以及边缘区域的高亮度及中亮度表面缺陷。

2)基于表面纹理特征的处理方法。López-García F等人(2010)利用多元图像理论以及表面纹理特征算法训练方法检测脐橙表面缺陷，该算法比较复杂不易用于在线，而且检测脐橙表面缺陷类型有限。(López-García F,Andreu-García G,Blasco J,etal.Automatic detection of skin defects in citrus fruits using a multivariateimage analysis approach[J].Computers and Electronics in Agriculture,2010,71(2):189-19)。

3)基于多光谱成像技术的处理方法。J.Blascoa等人利用多光谱成像设备进行脐橙表面缺陷分析，该方法硬件成本较高和复杂(2007)(J.Blascoa,N.Aleixos.(2007).Citrus sorting by identification of the most common defects usingmultispectral computer vision.Journal of Food Engineering 83(2007)384–393)。

现有方法存在检测表面缺陷类型有限以及计算方法较复杂难以用于在线检测或者依赖成本较高的复杂硬件成像技术的问题，因此需要新的水果表面缺陷检测方法。

发明内容

为了解决背景技术中检测表面缺陷类型有限以及计算方法较复杂难以用于在线检测或者依赖成本较高的复杂硬件成像技术的问题，本发明的目的在于提供一种基于深度学习分割的水果表面缺陷检测方法，相比背景技术，识别方法更简单，表面缺陷检测类型更多以及对象实用性更广。

本发明所采用技术方案包括如下步骤：

1)获取水果RGB彩色图像，将水果RGB彩色图像去背景后转换成灰度图像；

2)将步骤1)的灰度图像分为阳性样本图像和阴性样本图像，并构建训练数据用于训练卷积神经分割网络，所述训练数据为阳性样本图像和其对应的二值化图像样本及阴性样本图像和其对应的二值化图像样本；

3)设计用于水果表面缺陷检测的卷积神经分割网络结构，使用步骤2)的训练数据进行训练，完成训练后获取网络连接权重矩阵T；