基于机器视觉南疆红枣颜色分级方法研究
开题报告
目 录
一、选题背景
二、研究目的和意义
三、本文研究涉及的主要理论
四、本文研究的主要内容及研究框架
（一）本文研究的主要内容
（二）本文研究框架
五、写作提纲
六、本文研究进展
七、目前已经阅读的文献
一、选题背景
我国加入 WTO 后农业发展进入了对农业和农村经济结构进行调整的新阶段，以前农业生产的主要是为了追求产量的增长，现阶段主要是在保持总量不变的前提下突出质量和效益，努力向高质量、多元化的方向发展，争取大规模地实现农业产品的增值和转化。随着人们生活水平的不断提高，人们更加关心的是农产品品质，价格是其次。农产品品质是中国农业的一个重大课题，从古至今，我国农产品加工检测技术发展相对缓慢，特别是农产品质量检测体系与质量控制体系缺乏，使得市场上的农产品鱼目混珠，高品质的绿色农产品得不到相对高的增值。所以我国目前迫切需要对农产品品质进行检测与产业化，提高农产品品质和安全性，提高我国农业国际市场竞争力与综合效益，推动农业结构调整。新疆南疆的红枣种植面积大且种类繁多。近年来南疆地区红枣存在着有数量没质量，结构单一等问题导致优质优良的红枣价格提不上去，随着人们生活水平的提高，对红枣质量的要求也越来越严格，而且南疆大部分红枣采摘后就进行人工分级直接上市，导致红枣的附加值没有体现出来。南疆红枣需要提高加工生产水平，改善检测和分级手段，红枣上市之前必须经过商品化处理，例如：清洗、烘干、分选、分级、包装，在传输过程和分选分级过程必须进行无损检测。现阶段红枣分级技术多为国外厂家垄断，所以研究红枣的自动化分级是一个十分重要的课题[4]。红枣的外部表面品质是人眼最直接的感官质量属性。它不仅影响红枣在市场上的销售价格、消费者的喜好，而且影响红枣的内部品质。红枣的外部品质通常是指大小、颜色、形状、纹理以及视觉缺陷。靠人工检测红枣的外部品质既费时又费力，并且劳动强度大。经过十几年的发展，计算机视觉系统已广泛应用在食品和农产品自动检测方面。现阶段大多数南疆红枣采用大小分级的方式，然而红枣大小与其糖度、口感并没有直接关系，很多小红枣中也有糖度高、口感好的红枣，所以对南疆地区的红枣采用大小分级很不合理。红枣颜色是红枣外部品质的一个重要指标，红枣的颜色根据红枣受光照时间和光照强度的不同而不同，受光照时间长的红枣呈暗红色，糖分积累高，受光照时间短的红枣呈淡黄色，糖分积累少。所以对红枣的颜色进行检测和分级很有必要。红枣当表面的破损、黑斑等缺陷占红枣表面积一定比例时就属于坏枣，应当剔除。纹理也是红枣外部品质的重要特征，纹理多果肉少重量轻的红枣属于“皮皮枣”，在对红枣分级前应当首先将“皮皮枣”先挑出。
二、研究目的和意义
研究适合南疆红枣的颜色、纹理和缺陷分级方法，并初步制定南疆红枣分级标准。为实现在线检测奠定理论基础。
三、本文研究涉及的主要理论
计算机机器视觉技术是一种新兴的检测技术，近几年来发展十分迅速。其研究应用于农业、工业、医学、军事等众多领域。在 20 世纪 70 年代末机器视觉技术研究在农业上成功应用，主要是应用于植物种类的鉴别、检测、农产品品质分级等。随着数字图像处理技术和计算机硬件的快速发展，其在农业上的研究应用有了很大了进展[5]。由于计算机机器视觉系统可以快速地获取丰富的信息，并且便于自动处理，所以机器视觉广泛运用在农产品品质检测和质量控制领域。机器视觉通常是在一些不适合人工作业的危险环境或人工视觉无法满足的场合，来代替人工视觉。在大批量工业生产中，人工检测产品质量效率低下且精度不高，分级质量与检验员自身的技术水平也有很大的关系，相反机器视觉检测可以大大提高生产效率和机器自动化程序。利用机器视觉技术对农产品品质分级检测已经是一种主流技术手段，无损、分级精度高、智能化程度高是其技术优点。
一般情况下，CCD 获取的原始图像即彩色图像受到随机干扰和各种条件限制，在视觉系统中使用之前需要对彩色图像进行噪声过滤和灰度校正等图像预处理。机器视觉系统对图像的预处理不需要考虑其降质原因，只需要突出图像中感兴趣的某些特性，衰减不需要的特征，因此经过预处理的输出图像不需要接近原图像。这种图像预处理方法称为图像增强。图像增强算法可分成两大类：空间域法和频率域法。空域算法是直接对图像灰度级做运算，空间域主要算法有中值滤波即取局部邻域中的中间像素值法以及局部求平均值法等，它们能够去除或减弱噪声。频率域法是把图像当成一种二维信号，进行二维傅里叶变换使信号增强。基于频域的算法是一种对图像间接增强的算法，对图像的变换系数值在某种变换域内进行某种修正的算法。高通滤波法能够增强边缘等高频信号，把模糊的图片变得清晰；低通滤波法即只让低频信号通过，能够去掉图中的噪声。空域的算法分为邻域去噪算法和点运算算法。邻域增强算法分为图像锐化和平滑两种。锐化便于突出物体的边缘轮廓，用来进行目标识别。常用算法有高通滤波、统计差值法、梯度法、掩模匹配法算子等。平滑能够用来消除图像噪声，但容易引起边缘的模糊。常用算法有中值滤波和均值滤波。点运算算法包括直方图修正、灰度级校正、灰度变换等，它们能够扩展对比度、使图像成像均匀，扩大图像动态范围。
空域是指组成图像中所有像素的集合，空域图像增强是以灰度映射作为变换基础直接对图像中的像素灰度值运算处理。空间域处理是在原图像上直接进行数据计算。空域图像增强主要包括直方图均衡化和灰度变换处理。空域图像增强应用最频繁的一种方法是直方图均衡化，它能够使得图像处理后的灰度级近似于均匀分布，目的是使图像达到增强的效果。但是它的缺点是其变换函数是累积分布函数，导致其处理后的图像都是很相似的均匀直方图，这使得直方图均衡化的功能很难发挥出来。图像的灰度级细节部分是通过改变灰度的动态范围来达到图像增强的效果，这就是灰度变换的原理。变换函数一般包括分段线性变换、线性变换、非线性变换。选择具体的函数与图像相应的应用场合和成像系统和有关。为了能够对图像的局部进行处理，产生了基于局部变换的图像增强方法，如局部统计特性的噪声去除方法、局部直方图均衡化、对比度受限自适应直方图均衡化。它们能够对图像细节的部分达到很好的增强效果，但是图像处理时间相对较长，算法运算量较大是它们共同的缺点，这就使得这些算法不是很适用于实时应用处理系统中。这几年，一类基于直方图分割的算法越来越受到大家的广泛关注，该算法虽然应用到低照度图像增强上，对图像整体亮度的提高效果不明显。但是它处理图像的侧重点在于处理后图像的亮度保持上，使得处理后图像更适合人眼特性观察。
四、本文研究的主要内容及研究框架
（一）本文研究的主要内容
1）南疆红枣静态图片采集的条件选择、方法选择；
2）南疆红枣颜色模型的选择、颜色特征的提取和颜色分级标准的初步制定；
3）南疆红枣纹理特征的提取，按纹理分级的初步标准制定；
4）南疆红枣缺陷红枣的定义、识别和检测方法的研究。
（二）本文研究框架
本文研究框架可简单表示为：
五、写作提纲
摘要 3-4
Abstract 4
第1章 前言 9-21
1.1 研究目的和意义 9-11
1.1.1 南疆红枣 9-10
1.1.2 南疆红枣分级需求 10-11
1.1.3 机器视觉技术的优越性 11
1.2 机器视觉在农产品外部品质检测的研究现状 11-19
1.2.1 国外研究现状 11-17
1.2.2 国内研究现状 17-19
1.3 研究目标、内容和方法 19-20
1.3.1 研究目标 19
1.3.2 研究内容 19
1.3.3 研究方法 19-20
1.3.4 技术路线 20
1.4 小结 20-21
第2章 图像预处理 21-33
2.1 图像预处理 21
2.2 基于空间域的图像增强方法 21-28
2.2.1 灰度变换 22-25
2.2.2 空域滤波 25-27
2.2.3 多图像平均法 27-28
2.3 基于频率域的图像增强方法 28-32
2.3.1 低通滤波 28-29
2.3.2 高通滤波 29-30
2.3.3 带通和带阻滤波器 30-31
2.3.4 同态图像滤波 31-32
2.4 小结 32-33
第3章 红枣图像分割方法的研究 33-40
3.1 灰度阈值分割法 33-35
3.1.1 全局阈值的确定方法 33
3.1.2 最大方差阈值法 33-35
3.2 边缘检测法 35-39
3.2.1 Sobel 算子 35-36
3.2.2 Prewitt 算子 36-37
3.2.3 Roberts 算子 37
3.2.4 Laplacian of a Gaussian(LoG)算子 37-38
3.2.5 零交叉算子 38
3.2.6 Canny 算子 38-39
3.3 小结 39-40
第4章 红枣缺陷检测 40-45
4.1 红枣图像的采集 40-41
4.2 红枣图像的处理 41-42
4.3 红枣图像缺陷的分割 42-43
4.4 缺陷有无的判别 43-44
4.4.1 确定判断依据 43
4.4.2 判断结果 43-44
4.5 小结 44-45
第5章 红枣纹理检测 45-53
5.1 纹理特征的提取 45-47
5.1.1 基于统计分析的纹理识别方法研究 45-47
5.2 材料与方法 47-48
5.3 红枣图片采集 48
5.4 红枣图像预处理 48
5.5 BP 人工神经网络颜色分级 48-50
5.5.1 BP 神经网络简介 48-49
5.5.2 BP 神经网络的训练学习 49-50
5.6 BP 神经网络的红枣纹理分级 50-51
5.7 纹理与水分试验 51-52
5.8 小结 52-53
第6章 红枣颜色检测 53-61
6.1 颜色模型的确定 53-55
6.1.1 RGB 颜色模型 54
6.1.2 HSI 颜色模型 54-55
6.1.3 颜色模型转换 55
6.2 颜色特征的提取 55-57
6.2.1 红枣图像采集 56
6.2.2 红枣图像背景分割 56
6.2.3 特征提取 56-57
6.3 RGB 模型和 HSI 模型的红枣颜色分级 57-59
6.3.1 实验材料与方法 57-58
6.3.2 输入层设计 58
6.3.3 输出层设计 58
6.3.4 中间层设计与网络训练 58
6.3.5 分级结果 58-59
6.4 糖度与颜色的关系 59-60
6.5 小结 60-61
第7章 结论与展望 61-63
7.1 结论 61-62
7.2 展望 62-63
附录 63-70
参考文献 70-75
致谢 75-76
六、本文研究进展(略)
七、目前已经阅读的主要文献
[1] 张冬.基于机器视觉的红枣分级检测技术研究[D].宁夏大学,2008.
[2] 贾文婷等.新疆南疆地区红枣产业营销现状与战略思考金新文[J].新疆农垦经济,2014,01:37-39.
[3] 周健华. 红枣分级机的设计及试验研究[D].新疆农业大学,2012.
[4] 庞江伟,应义斌. 机器视觉在水果缺陷检测中的研究现状[J]. 农机化研究,2006,09:47-49.
[5] 赵晓霞.计算机视觉技术在农业中的应用[J]. 科技情报开发与经济,2004,04:124-126.
[6] Pathare, P. B., Opara, U. L., & Al-Said, F. A. (2013). Colour measurement and analysis in fresh andprocessed foods: A review. Food and Bioprocess Technology, 6(1),36–60.
[7] Wu, D., & Sun, D. W. (2013). Colour measurements by computer vision for food quality control — Areview. Trends in Food Science & Technology, 29(1), 5–20.
[8] Zheng, C. X., Sun, D. W., & Zheng, L. Y. (2006). Recent developments and applications of imagefeatures for food quality evaluation and inspection — A review. Trends inm Food Science &Technology, 17(12), 642–655.
[9] Leemans, V., Magein, H., & Destain, M. F. (2002). On-line fruit grading according to their externalquality using machine vision. Biosystems Engineering, 83(4),397–404.
[10] Kurita, M. (2006). Extraction methods of color and shape features for tomato grading.ShokubutsuKankyo Kogaku, 18(2), 145–153.
[11] Blasco, J., Aleixos, N., Gomez-Sanchis, J., & Molto, E. (2009). Recognition and classification ofexternal skin damage in citrus fruits using multispectral data and morphological features. BiosystemsEngineering, 103(2), 137–145.
[12] Blasco, J., Cubero, S., Gomez-Sanchis, J., Mira, P., & Molto, E. (2009). Development of a machinefor the automatic sorting of pomegranate (Punica granatum) arils based on computer vision. Journal ofFood Engineering, 90(1), 27–34.
[13] Cubero, S., Aleixos, N., Molto, E., Gomez-Sanchis, J., & Blasco, J. (2011). Advances in machinevision applications for automatic inspection and quality evaluation of fruits and vegetables (vol 4, pg487, 2011). Food and Bioprocess Technology,4(5), 829–830.
[14] Zou, X. B., Zhao, J. W., & Li, Y. X. (2007). Apple color grading based on organization featureparameters. Pattern Recognition Letters, 28(15), 2046–2053.
[15] Mendoza, F., Dejmek, P., & Aguilera, J. M. (2006). Calibrated color measurements of agriculturalfoods using image analysis. Postharvest Biology and Technology, 41(3),285–295.
[16] Little, A. C. (1975). A research note off on a tangent. Journal of Food Science, 40(2),410–411.
[17] Stewart, I., & Wheaton, T. (1971). Effects of ethylene and temperature on carotenoid pigmentation ofcitrus peel. Proceedings of Florida State HorticulturalSociety.
[18] Kondo, N., Chong, V. K., Ninomiya, K., Ninomiya, T., & Monta, M. (2005). Application of NIR-colorCCD camera to eggplant grading machine. ASAE Annual International Meeting, Paper.
[19] Haralick, R. M., Shanmugam, K., & Dinstein, I. H. (1973). Textural features for image classification.Systems, Man and Cybernetics, IEEE Transactions on, 6, 610–621.
[20] Kartikeyan, B., & Sarkar, A. (1991). An identification approach for 2-D autoregressive models indescribing textures. CVGIP: Graphical Models and Image Processing, 53(2),121–131.
[21] Bharati, M. H., Liu, J. J., & MacGregor, J. F. (2004). Image texture analysis: Methods andcomparisons. Chemometrics and Intelligent Laboratory Systems, 72(1), 57–71.
[22] Du, C. J., & Sun, D. W. (2004). Recent developments in the applications of image processingtechniques for food quality evaluation. Trends in Food Science & Technology, 15(5),230–249.
[23] Mendoza, F., & Aguilera, J. M. (2004). Application of image analysis for classification of ripeningbananas. Journal of Food Science, 69(9), E471–E477.
[24] Kondo, N. (2010). Automation on fruit and vegetable grading system and food traceability. Trends inFood Science & Technology, 21(3), 145–152.
[25] Kim, D. G., Burks, T. F., Qin, J., & Bulanon, D. M. (2009). Classification of grapefruit peel diseasesusing color texture feature analysis. International Journal of Agricultural and Biological Engineering,2(3), 41–50.
[26] Zhao, X., Burks, T. F., Qin, J., & Ritenour, M. A. (2009). Digital microscopic imaging for citrus peeldisease classification using color texture features. Applied Engineering in Agriculture, 25(5), 769–776.
[27] ElMasry, G., Wang, N., ElSayed, A., & Ngadi, M. (2007). Hyperspectral imaging for nondestructivedetermination of some quality attributes for strawberry. Journal of Food Engineering, 81(1), 98–107.
[28] Letal, J., Jirak, D., Suderlova, L., & Hajek, M. (2003). MRI ‘texture’ analysis of MR images of applesduring ripening and storage. Lebensmittel-Wissenschaft Und-Technologie—Food Science andTechnology, 36(7), 719–727.
[29] Menesatti, P., Zanella, A., D'Andrea, S., Costa, C., Paglia, G., & Pallottino, F. (2009). Supervisedmultivariate analysis of hyper-spectral NIR images to evaluate the starch index of apples. Food andBioprocess Technology, 2(3), 308–314.
[30] Kavdir, I., & Guyer, D. E. (2002). Apple sorting using artificial neural networks and spectral imaging.Transactions of the ASABE, 45(6), 1995–2005.