[发明专利]一种基于机器视觉的大枣分级检测方法

权利要求书

1.一种基于机器视觉的大枣分级检测方法，其特征在于，

步骤1、获取表面无缺陷大枣的原始图像，对所述原始图像进行灰度化处理以及滤波处理，提取表面无缺陷大枣的灰度图；

步骤2、获取非连续有缺陷大枣的图像，对所述图像进行灰度化处理以及滤波处理，对滤波处理之后有缺陷大枣的灰度图像进行阈值分割，得到有缺陷大枣的二值化图像；

步骤3、对步骤1所得表面无缺陷大枣的灰度图和步骤2所得有缺陷大枣的二值化图像求解灰度值均值与方差，对所述灰度值均值与方差组成的向量采用机器学习中最小二乘支持向量机的方法进行训练，然后进行分类，得到基于分类结果，即有缺陷不同分级大枣图像的特征库模板；

步骤4、获取待分级大枣图像，对所述大枣图像进行处理，得到待分级大枣图像的特征参数，设置检测参量的精度范围，检测参量为二值化处理后的图像中1值像素占图像像素的百分比；采用欧式距离算法计算待分级大枣图像的特征参数和步骤3所得特征库模板中参数的欧式距离，根据所述欧式距离，得到分类结果。

2.根据权利要求1所述的基于机器视觉的大枣分级检测方法，其特征在于，用CCD工业相机获取大枣图像，所述图像为RGB图像。

3.根据权利要求1所述的基于机器视觉的大枣分级检测方法，其特征在于，采用加权平均值法对图像进行灰度化处理：Gray＝w₁R+w₂G+w₃B，式中，w₁、w₂、w₃为权值，且w₁+w₂+w₃＝1。

4.根据权利要求1所述的基于机器视觉的大枣分级检测方法，其特征在于，对灰度处理后的图像进行3*3中值滤波。

5.根据权利要求1所述的基于机器视觉的大枣分级检测方法，其特征在于，步骤1具体包括以下步骤：

步骤11，获取大枣表面图像；

步骤12，对步骤11所获取的大枣表面图像进行灰度化处理，

步骤13，对灰度化处理之后的大枣表面图像进行中值滤波，并基于canny算子边缘对中值滤波后的图像进行边缘检测，得到完整的无缺陷大枣的灰度化处理图像。

6.根据权利要求1所述的基于机器视觉的大枣分级检测方法，其特征在于，步骤2具体包括以下步骤：

步骤3中，将步骤1所得表面无缺陷大枣的灰度图和步骤2所得有缺陷大枣的二值化图像求均值和方差，得到正常枣、破皮枣、霉变枣以及浆头枣的均值及方差构成的矩阵向量，采用机器学习中的最小二乘支持向量机的方法对得到的正常枣与缺陷枣的均值与方差向量进行分类训练，得到不同种大枣的分类结果；

提取特征参数作为特征库模板，特征参数包括缺陷图像的几何特征中的面积、长径和短径之比以及周长。

7.根据权利要求1所述的基于机器视觉的大枣分级检测方法，其特征在于，步骤3中，最小二乘支持向量机模型回归估计公式为：

其中，w和x都是n维列向量，x为平面上的点，w为平面上的法向量，决定了超平面的方向，b是一个实数，代表超平面到原点的距离。

8.根据权利要求1所述的基于机器视觉的大枣分级检测方法，其特征在于，步骤4中，在二值图中，1表示前景点，0表示背景点，在灰度图像中，像素的灰度值表示为该像素到前景点的距离，则有：

D_p＝min(disf(p,q)),p∈A,q∈B，其中，

其中A表示前景色，B为背景色，p为前景色中的点，q为背景色中的点。