基于机器视觉的橙子缺陷检测

叶舒铭，杨艳

（攀枝花学院 智能制造学院，四川攀枝花，617000）

0 引言

橙子在生长，采摘，运输的过程中，受到害虫侵扰，环境影响，碰撞摩擦等因素引起的表面损伤及腐烂，这严重影响了橙子的品质，直接影响橙子的产后服务及顾客的满意度。目前水果分拣大多由人工完成，不仅成本高且效率低下，不适于水果产业长期发展，因此找到一种高效的机械分拣方法非常重要。

近年来，随着机器视觉的迅速发展，在水果表面缺陷检测方面也日益广泛。我国是农业大国，因此，采用机器视觉对水果缺陷检测的方法在我国的发展前景也十分可观。对此提出了诸多方法。邓继忠[1]提出了一种改进的边界追踪方法，通过对去噪后的滤波图像或是二值图像作为操作图像，根据水果外形来对水果表面进行区域边界追踪，高效地确定了水果图像，加快了图像处理速度。王帅[2]提出了一种基于区域特征聚类显著性检测的表面缺陷分割算法，解决了传统机器视觉表面缺陷检测算法中的准确率低，鲁棒性弱的问题，但是算法流程过于复杂，无法达到快速检测的目的。廖继水等[3]利用区域生长法从鲜枣中准确的定位缺陷区域，再通过边缘检测算子准确地将缺陷部位分割出来。容典[4]则提出了一种十分新颖的脐橙表面灰度局部阈值快速分割法，该方法解决了球类水果表面由于光照不均的问题，该算法将积分图理论与局部阈值计算相结合，成功分割出了脐橙表面缺陷区域，由于此方法对光照因素较为敏感，可以十分准确的分离出缺陷部位。顾翔[5]则针对易受噪声影响的基于灰度值的模板匹配算法中提出了一种改进小波阈值和改进双边滤波器相结合的去噪算法，和传统去噪算法相比，此算法去噪效果相对更好。上述发展为基于机器视觉缺陷检测技术提供了理论依据，但依然存在着检测流程复杂，效率低下的特点。

基于上述研究，本文提出一种基于机器视觉的橙子缺陷检测技术，采用大津法（Otsu 法）的图像分割技术，再通过运用canny 算子对缺陷部位进行精确边缘检测，达到快速检测水果缺陷的目的，此改进算法为本文后期的水果缺陷检测提供技术支持。

1 实验设备及材料

本文搭建了图像采样平台如图1 所示，该图样采集装置主要由相机、光源、样本、采样平台，采样背景选择黑色卡纸，目的是减少反射光对图像采样的影响。为验证实验的随机性，采样样本为攀枝花水果市场随机采购。

图1 图像采样装置

本文算法通过MATLAB 将拍摄的样本图像传输到计算机中，运用MATLAB 软件进行图像分析与处理，得到的样本图像首先要对其进行图像预处理，包括图像灰度化，去噪处理，图像增强等操作。边缘检测则获取图像边缘轮廓的过程，是机器视觉，图像分析的重要部分。边缘检测一般包括平滑滤波，图像增强，边缘检测，缺陷定位等步骤。工作流程如图2 所示。

图2 缺陷检测系统工作流程示意图

2 缺陷检测流程及算法

■2.1 灰度变换和图像去噪

采集到的RGB 图像如图3(a)所示，为简化信息更清晰的显示图像效果，先对其进行灰度变换，变换效果如图3(b)所示，灰度变换后的图像包含多种噪声，噪声是图像干扰的一个十分重要的因素，由相机采集到的图像在数字化和传输的过程中常受到设备内部与外部环境噪声干扰的影响，从而导致图像质量受损，不仅使得图像分辨率降低，对后期图像处理也极其不利，因此对图像进行去噪处理十分重要。常见的去噪方法有高斯滤波，中值滤波[6]，均值滤波，双边滤波等。高斯滤波对图像邻域内像素进行平滑时，对图像不同位置的像素赋予了不同的权值，但是没有考虑到图像的边缘，会将边缘模糊掉。因为高斯核只考虑到了空间分布，没考虑像素点的差异。中值滤波则是计算出了图像中所有像素的中值，并用计算出来的中值替代模板中心像素的灰度值，这种方法能有效地抑制椒盐噪声，也不会将边缘模糊掉。均值滤波则是使用模板内所有像素的均值代替模板中心像素灰度值，此方法易受到噪声干扰，不能有效地消除噪声。双边滤波比高斯滤波多了一个高斯方差 sigma-d，它是基于空间分布的高斯滤波函数，与高斯滤波相比它不会模糊掉边缘信息，但由于储存过多的高频信息，对于彩色图像中的高频噪声不能很干净地滤掉，对低频噪声有较好的抑制作用。鉴于以上所述，本文采用中值滤波对橙子图像进行去噪处理，首先计算图像中各像素的灰度值，滤波窗口为W 的二维中值滤波公式为：

图3 样本图像预处理结果

其中f(x,y),g(x,y)分别为原始图像和处理后的图像，W为二维模板，通常为3*3 或是5*5 区域，本文采用3*3二维模板。

二维中值滤波的窗口形状和尺寸对滤波效果影响较大，这里我们选择了3*3 的滤波窗口以使得中值滤波后的图像更加清晰，在有效去除噪声的同时可以避免模糊掉边缘信息。经过中值滤波后的图像如图3(c)所示，虽然和灰度图像相比变化不大，但是像素值的分布却发生了变化。

■2.2 图像增强

图像去噪之后为了更好地提取物体边缘轮廓信息，本文提出一种采用imadjust 函数调整灰度图像的灰度范围。原图像灰度范围为0~225，本文将小于225*0.2 的灰度值设为0，将大于255*0.5 的灰度值设为255。所示效果对比图如图4(a)和4(b)所示。由图可以看出调整灰度之后的图像和原图像相比边缘轮廓更加清晰，缺陷部位也更加明显，为了增加图像的对比度，现将图像进行取反运算，效果如图4(c)所示。

图4 图像增强处理结果

■2.3 阈值分割

本文采用大津法（Otsu 法）算法[7]又称最大类间方差法，这是一种自适应的阈值分割方法，与其他阈值分割方式相同，也是根据灰度特征，选定最佳的阈值。对取反之后的图像进行阈值分割[8]，提取边缘轮廓和缺陷部位，分割出样本和背景。大津阈值算法思想是使类间方差最大，越接近正确分割图像的阈值。

假设背景像素点为n0，占总像素点比例为p0,平均像素值为m0；目标区域所有像素点为n1，占总像素的比例为p1,平均像素值为m1;图像的所有像素点为n，平均像素值为m。那么则有以下关系式：

得到：

定义类间方差g为 ：

由上式(1)(2)(3)可得，类间方差的计算公式为：

由图5 可以明确地看到分割出的前景与背景，缺陷部位也十分明显。

图5 阈值分割处理结果

3 canny 算子边缘检测

针对传统canny 算法[9]的阈值需要人为设定缺陷，算法自适应不足等特点。本文通过Otsu 分割方法通过对图像灰度特征进行分析确定了最佳分割阈值，运用该阈值得到分割图像，然后利用canny 算子来提取出图像的边缘信息，下面对一般的canny 算子和运用了Otsu 法后的canny 算子进行轮廓提取做了对比，如图6(b)和图6(c)所示，一般的canny 检测算子[10]会将某些真正边缘检测不到，而将不是边缘的虚假信息作为边缘被检测出来，但是使用Otsu 法后，不仅抑制了虚假边缘的产生，而且图像边缘的连续性也保持得非常良好，实验证明该方法具有一定的实用性。

图6 canny 算子边缘检测对比图

4 实验结果及分析

为验证算法的可行性，本文采用了橙子的几种常见缺陷作为实验样本，实验结果如图7 所示，图7(a)为原图，图7(b)为一般canny 算子检测结果，图7(c)为本文算法检测结果。

图7 canny 算子边缘检测对比图

实验结果表明，分别使用一般canny 算子和本文改进后的边缘检测算子对图像进行边缘检测得到的对比图可见。从图7(b)与图7(c)可以看出使用传统canny 算子检测方法图像纹理不如本文改进后的清晰，并且产生了许多虚假边缘，改进后的算法不仅保留了图像内部的纹理特征，而且抑制了虚假边缘的产生，改善了传统算法在图像中的分割效果，提高了算法的自适应性能，且能够更好地抑制虚假边缘的出现，检测边缘较完整，细化程度较高。以攀枝花果园为例，该算法应用于果园水果采摘缺陷检测过程中，缺陷检测率高达96.55%，比一般算法更精确地识别缺陷部位，相较于人工检测更省时省力，且成本更加低廉。

5 结束语

运用Otsu 分割方法解决了传统的canny 算法需要人为设定缺陷的阈值、自适应力不足等问题，在能够更好地抑制虚假边缘产生的同时，也使得检测出来的缺陷边缘更加接近真实的缺陷边缘，并且能够很好地保证图像边缘的完整性和连续性。采用灰度变换、中值滤波抑制了橙子图像处理过程中的噪声因素对缺陷检测产生的影响，以及采用imadjust函数调整灰度图像的灰度范围，让处理之后的图像较原图轮廓更清晰，缺陷更明显，改善了在复杂背景下检测边缘缺陷的效果。利用本文方法可以有效提高在筛选优劣橙子时的准确性以及高效性。