李燕等：基于轮廓坐标系转换拟合的柚子果形检测分级方法（2021年第1期）

引用格式

李燕, 沈杰, 谢航, 高广垠, 刘建雄, 刘洁. 基于轮廓坐标系转换拟合的柚子果形检测分级方法[J]. 智慧农业(中英文), 2021, 3 (1): 86-95.

LI Yan, SHEN Jie, XIE Hang, GAO Guangyin, LIU Jianxiong, LIU Jie. Detection and grading method of pomelo shape based on contour coordinate transformation and fitting[J]. Smart Agriculture, 2021, 3 (1): 86-95. 

点击直达知网阅读

点击直达期刊官网阅读（免费，全文）

基于轮廓坐标系转换拟合的柚子果形检测分级方法

李燕1， 沈杰1， 谢航1， 高广垠1， 刘建雄1， 刘洁1，2，3*

（1.华中农业大学 工学院，湖北武汉430070；2.农业农村部长江中下游农业装备重点实验室，湖北武汉430070；3.农业农村部柑橘全程机械化科研基地，湖北武汉 430070）

摘要：针对柚子果形和尺寸分级依赖人工经验判断的现状，本研究提出一种采用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法检测柚子纵、横径尺寸并基于果形指数对柚子形状缺陷进行判断的方法。以CMOS相机、点阵式LED光源、平面镜、计算机、箱体和支架搭建图像采集装置，获取168个不同尺寸与形状等级的沙田柚样本全表面图像数据。选择G-B分量灰度图像进行去噪与分割，利用Laplacian算子边缘检测算法提取果实的边缘像素，采用多项式拟合方式完成直角坐标向极坐标的转换从而简化果形描述，利用特征点极角值补偿样本纵横径的随机方向，继而区别类球形和类梨形两种类型计算柚子的纵径和横径。以广东梅州沙田柚为对象进行试验，结果表明，利用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法的方法检测柚子纵径的平均绝对误差、最大绝对误差和平均相对误差分别为2.23 mm、7.39 mm和1.6%，横径的平均绝对误差、最大绝对误差和平均相对误差分别为2.21 mm、7.66 mm和1.4%。从柚子轮廓极坐标的拟合函数中提取3个峰值高度、3个波峰宽度和1个波谷值差值7个特征值，利用BP神经网络算法建立柚子果形判别模型并用独立验证集进行验证，形状判别的总识别率为83.7%。本方法能为柚子尺寸和形状的自动化检测与分级提供快速无损方法。

关键词：柚子轮廓；果形检测；BP神经网络；坐标系转换；图像处理；果形判别模型

文章图片

图1　柚子果形特征

Fig. 1  Shape features of pomelo fruit

图2 3类柚子样本原始图像

Fig. 2 Original images of three pomelo types

注：1.辅助光源 2.平面镜  3.CMOS相机  4.主光源  5.样本放置位

图3　图像采集系统结构图

Fig. 3 Structure diagram of image acquisition system

图4　系统获取的原始样本图像示例

Fig. 4  Arandom original image obtained by the system

图5　特征提取及形状检测技术路线

Fig. 5  Thetechnical route of feature extraction and shape detection

图6　样本G-B色差图像

Fig. 6 Image of chromatic aberration G-B component of the sample

图7　样本边缘轮廓图像

Fig. 7  Edgecontour image of the sample

图8　不同坐标系中的类梨形柚子样本轮廓

Fig. 8  Theedges of a pear-like sample in cartesian coordinate and polar coordinatesystems

图9　步长取10、20和30的轮廓描述

Fig. 9 Contours description based on step lengths at 10,20 and 30

图10　不同坐标系中的类球形柚子样本轮廓

Fig. 10  Theedges of a spherical sample in cartesian coordinate and polar coordinatesystems

图11　不同方位柚子图像

Fig. 11 Images of pomelo samples with different orientations

图12　拟合函数特征

Fig. 12 Features of fitting function

图 13 BP神经网络预测分类与实际类别比对图

Fig.13  Backpropagation neural network prediction classification and actual categorycomparison

来源：《智慧农业（中英文）》2021年第1期

转载请联系编辑部授权

通讯作者简介

刘洁 副教授刘洁，女，工学博士，硕士生导师，华中农业大学副教授。湖北省机电工程学会理事，中国农业机械学会人工智能分会委员、检测分会委员。研究方向为生物信息智能化检测和自动控制技术，主要从事基于机器视觉、近红外/高光谱技术和超声波检测技术的农产品品质和生物质机械特性无损检测研究。已主持完成国家自然科学基金青年基金、华中农业大学创新团队培育、国家外专局重点引智等项目。现参与国家重点研发计划子课题2项，参与农业农村部重点示范基地（柑橘全程机械化科研基地）1项。以通讯或第一作者发表论文15篇，其中SCI收录2篇，EI收录11篇，授权实用新型专利1项。

本期支持单位

Supporters

京蓝云智物联网技术有限公司

浙江臻善科技股份有限公司

推荐阅读

微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

信息发布

科研团队介绍及招聘信息、学术会议及相关活动的宣传推广

求点赞每增加1个赞，小编绩效加5毛钱！