[发明专利]一种基于机器视觉的大枣分级检测方法

说明书

本发明公开了一种基于机器视觉的大枣分级检测方法，获取表面无缺陷和有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，提取表面无缺陷的大枣图像；对大枣的阈值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和分类，得到不同分级大枣图像的特征库模板；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，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2所得特征库模板中参数的欧式距离，得到分类结果，结合机械装置对大枣进行快速分级，既能降低工人检测的劳动强度，还可以提高大枣分级的效率。

技术领域

本发明属于机器识别应用技术领域，具体涉及一种基于机器视觉的大枣分级检测方法。

背景技术

目前我国大枣加工技术仍很落后，其分级技术主要处于人工分级和简单机械分级阶段，其中人工分级效率低，且人员易于疲劳会出现很多的错拣、漏拣问题，简单机械分拣装置效率一般，而且在分拣过程中较为“暴力”，使很多优质枣变成劣质枣，造成了很大的经济损失。所以形成科技含量高、具有大批量分拣的能力新技术在大枣加工行业具有很深远的意义。

发明内容

为了解决了现有技术中存在的问题，本发明提供一种基于机器视觉的大枣分级检测方法，既有助于降低工人检测的劳动强度，避免错检和漏检问题，还可以提高大枣分级的效率。

为了实现上述目的，本发明采用的技术方案是，一种基于机器视觉的大枣分级检测方法，

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。

用CCD工业相机获取大枣图像，所述图像为RGB图像。

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。

对灰度处理后的图像进行3*3中值滤波。

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。

步骤2具体包括以下步骤：