service phone
0730-84877355
0730-84877355
点击量：752 时间：2026-01-19
(71)申请人广东省农业科学院设施农业研究所地址510640广东省广州市天河区五山路
本发明公开了一种基于图像处理的农产品分选方法及分选系统,涉及图像处理技术领域。当目标农产品进入预设区域,采集包含所述目标农产品的红绿蓝RGB原始图像和高光谱成像HSI原始图像,对RGB原始图像和HSI原始图像分别进行预处理,并分割出目标农产品的RGB图像和HSI图像,分别提取RGB图像和HSI图像的图像特征进行组合,得到目标农产品的混合特征,将混合特征输入预设农产品健康分类模块,确定目标农产品的当前健康状态,根据当前健康状态确定目标农产品的第一分选方式,第一分选方式包括保留和剔除。结合RGB图像和HSI图像共同识别农产品的健康状态,提高了识别精确度和分选效率。
当目标农产品进入预设区域,采集包含所述目标农产品的红绿蓝RGB原始图像和高光谱成像HSI原始图像,
对所述RGB原始图像和所述HSI原始图像分别进行预处理,并分割出所述目标农产品的RGB图像和HSI图像,
分别提取所述RGB图像和所述HSI图像的图像特征进行组合,得到所述目标农产品分的混合特征,
将所述混合特征输入预设农产品分健康分类模型,确定所述目标农产品分的当前健康状态,根据所述当前健康状态确定所述目标农产品分的第一分选方式,所述第一分选方式包括剔除和保留。
2.根据权利要求1所述的一种基于图像处理的农产品分选方法,其特征在于,所述方法还包括,
当所述第一分选方式为保留,则根据所述HSI图像估计所述目标农产品的硬度与可溶性固形物含量,
根据硬度与可溶性固形物含量确定所述目标农产品的产品等级,根据所述产品等级确定所述目标农产品分的第二分选方式。
3.根据权利要求1所述的一种基于图像处理的农产品分选方法,其特征在于,对所述RGB原始图像进行预处理并分割出所述目标农产品分的RGB图像包括,
对所述RGB原始图像进行自适应偏振调整,将图像的暗部和亮部拉伸到偏振,确定所述目标农产品的第一边界框区域,
对所述RGB原始图像中所述第一边界框区域的进行锐化处理,得到第一待分割图像,
通过阈值分割所述第一待分割图像中的所述目标农产品,得到所述目标农产品的RGB图像。
4.根据权利要求3所述的一种基于图像处理的农产品分选方法,其特征在于,对所述HSI原始图像进行预处理并分割出所述目标农产品分的HSI图像包括,
对所述低频图像进行高斯滤波,得到低频增强图像,对所述高频图像进行离散小波变换处理并根据自适应阈值去噪,得到高频增强图像,
通过阈值分割所述第二待分割图像中的所述目标农产品,得到所述目标农产品的HSI图像。
5.根据权利要求4所述的一种基于图像处理的农产品分选方法,其特征在于,分别提取所述RGB图像和所述HSI图像的图像特征进行组合,得到所述目标农产品分的混合特征包括,
提取所述HSI图像中多个预设波长的单色图像合并为有效图像,将所述有效图像导入CNN进行网络特征提取,得到所述目标农产品的网络特征,
采集模块,用于当目标农产品进入预设区域,采集包含所述目标农产品的红绿蓝RGB原始图像和高光谱成像HSI原始图像,
预处理分割模块,用于对所述RGB原始图像和所述HSI原始图像分别进行预处理,并分割出所述目标农产品的RGB图像和HSI图像,
特征提取模块,用于分别提取所述RGB图像和所述HSI图像的图像特征进行组合,得到所述目标农产品分的混合特征,
第一分选模块,用于将所述混合特征输入预设农产品分健康分类模型,确定所述目标农产品分的当前健康状态,根据所述当前健康状态确定所述目标农产品分的第一分选方式,所述第一分选方式包括剔除和保留。
7.根据权利要求6所述的一种基于图像处理的农产品分选系统,其特征在于,所述系统还包括检测模块和第二分选模块,其中,
所述检测模块,用于当所述第一分选方式为保留,则根据所述HSI图像估计所述目标农产品的硬度与可溶性固形物含量,
所述第二分选模块,用于根据硬度与可溶性固形物含量确定所述目标农产品的产品等级,根据所述产品等级确定所述目标农产品分的第二分选方式。
8.根据权利要求6所述的一种基于图像处理的农产品分选系统,其特征在于,预处理分割模块包括第一预处理模块、第二预处理模块和第一分割模块,其中,
所述第一预处理模块,用于对所述RGB原始图像进行自适应偏振调整,将图像的暗部和亮部拉伸到偏振,确定所述目标农产品的第一边界框区域,
所述第二预处理模块,用于对所述RGB原始图像中所述第一边界框区域的进行锐化处理,得到第一待分割图像,
所述第一分割模块,用于通过阈值分割所述第一待分割图像中的所述目标农产品,得到所述目标农产品的RGB图像。
9.根据权利要求8所述的一种基于图像处理的农产品分选系统,其特征在于,预处理分割模块包括分频模块、图像增强模块、组合模块和第二分割模块,其中,
所述分频模块,用于根据预设频率将所述HSI原始图像分解为低频图像和高频图像,
所述图像增强模块,用于对所述低频图像进行高斯滤波,得到低频增强图像,对所述高频图像进行离散小波变换处理并根据自适应阈值去噪,得到高频增强图像,
所述组合模块,用于组合低频增强图像和所述高频增强图像得到第二待分割图像,
所述第二分割模块,用于通过阈值分割所述第二待分割图像中的所述目标农产品,得到所述目标农产品的HSI图像。
10.根据权利要求9所述的一种基于图像处理的农产品分选系统,其特征在于,所述特征提取模块包括第一特征模块、第二特征模块和特征组合模块,其中,
所述第一特征模块,用于提取所述RGB图像各通道的多阶颜色矩作为所述目标农产品的颜色特征,
所述第二特征模块,用于提取所述HSI图像中多个预设波长的单色图像合并为有效图像,将所述有效图像导入CNN进行网络特征提取,得到所述目标农产品的网络特征,
所述特征组合模块,用于组合所述颜色特征和所述网络特征得到所述目标农产品分的混合特征。
[0001 ] 本发明涉及图像处理技术领域,具体涉及一种基于图像处理的农产品分选方法及分选系统。
[0002] 农产品分选是农产品采后商品化处理的核心环节,是提高农产品标准化水平与增加农民收入重要手段。在农产品初加工领域中,对于农产品进行精细化的分选是一个极其重要的程序,是保证农产品质量的一道核心工序。
[0003] 随着图像处理技术的发展,图像处理技术开始广泛应用在农产品品质自动检测与分选中,典型的检测平台分选的流程为,上料机构上料,经过上料机构的传送,待检测的农产品被传输至带有托盘的传输装置上,待检测农产品传输至相机正下方时,相机采集农产品的表面图像,然后传输至计算机,通过对其进行图像处理,获取相关的农产品尺寸、颜色、缺陷等外观品质特征信息,进而依据国家农产品分级标准对待检测农产品进行分级处理。
[0004] 现有技术中,一般通过单一图像进行农产品的分拣,导致识别精确度较低和影响分选效率。
[0005] 本发明的目的就在于解决上述背景技术的问题,而提出一种基于图像处理的农产品分选方法及分选系统。
本发明实施例第一方面,首先提供了一种基于图像处理的农产品分选方法,所述方法包括,
当目标农产品进入预设区域,采集包含所述目标农产品的红绿蓝RGB原始图像和高光谱成像HSI原始图像,
对所述RGB原始图像和所述HSI原始图像分别进行预处理,并分割出所述目标农产品的RGB图像和HSI图像,
分别提取所述RGB图像和所述HSI图像的图像特征进行组合,得到所述目标农产品分的混合特征,
将所述混合特征输入预设农产品分健康分类模型,确定所述目标农产品分的当前健康状态,根据所述当前健康状态确定所述目标农产品分的第一分选方式,所述第一分选方式包括剔除和保留。
当所述第一分选方式为保留,则根据所述HSI图像估计所述目标农产品的硬度与可溶性固形物含量,
根据硬度与可溶性固形物含量确定所述目标农产品的产品等级,根据所述产品等级确定所述目标农产品分的第二分选方式。
[0008] 可选地,对所述RGB原始图像进行预处理并分割出所述目标农产品分的RGB图像包括,
对所述RGB原始图像进行自适应偏振调整,将图像的暗部和亮部拉伸到偏振,确定所述目标农产品的第一边界框区域,
对所述RGB原始图像中所述第一边界框区域的进行锐化处理,得到第一待分割图像,
通过阈值分割所述第一待分割图像中的所述目标农产品,得到所述目标农产品的RGB图像。
[0009] 可选地,对所述HSI原始图像进行预处理并分割出所述目标农产品分的HSI图像包括,
对所述低频图像进行高斯滤波,得到低频增强图像,对所述高频图像进行离散小波变换处理并根据自适应阈值去噪,得到高频增强图像,
通过阈值分割所述第二待分割图像中的所述目标农产品,得到所述目标农产品的HSI图像。
[0010] 可选地,分别提取所述RGB图像和所述HSI图像的图像特征进行组合,得到所述目标农产品分的混合特征包括,
提取所述所述HSI图像中多个预设波长的单色图像合并为有效图像,将所述有效图像导入CNN进行网络特征提取,得到所述目标农产品的网络特征,
[001 1 ] 本发明实施例第二方面还提供了一种基于图像处理的农产品分选系统,所述系统包括,
采集模块,用于当目标农产品进入预设区域,采集包含所述目标农产品的红绿蓝RGB原始图像和高光谱成像HSI原始图像,
预处理分割模块,用于对所述RGB原始图像和所述HSI原始图像分别进行预处理,并分割出所述目标农产品的RGB图像和HSI图像,
特征提取模块,用于分别提取所述RGB图像和所述HSI图像的图像特征进行组合,得到所述目标农产品分的混合特征,
第一分选模块,用于将所述混合特征输入预设农产品分健康分类模型,确定所述目标农产品分的当前健康状态,根据所述当前健康状态确定所述目标农产品分的第一分选方式,所述第一分选方式包括剔除和保留。
所述检测模块,用于当所述第一分选方式为保留,则根据所述HSI图像估计所述目标农产品的硬度与可溶性固形物含量,
所述第二分选模块,用于根据硬度与可溶性固形物含量确定所述目标农产品的产品等级,根据所述产品等级确定所述目标农产品分的第二分选方式。
[0013] 可选地,预处理分割模块包括第一预处理模块、第二预处理模块和第一分割模块,
所述第一预处理模块,用于对所述RGB原始图像进行自适应偏振调整,将图像的暗部和亮部拉伸到偏振,确定所述目标农产品的第一边界框区域,
所述第二预处理模块,用于对所述RGB原始图像中所述第一边界框区域的进行锐化处理,得到第一待分割图像,
所述第一分割模块,用于通过阈值分割所述第一待分割图像中的所述目标农产品,得到所述目标农产品的RGB图像。
[0014] 可选地,预处理分割模块包括分频模块、图像增强模块、组合模块和第二分割模块,其中,
所述分频模块,用于根据预设频率将所述HSI原始图像分解为低频图像和高频图像,
所述图像增强模块,用于对所述低频图像进行高斯滤波,得到低频增强图像,对所述高频图像进行离散小波变换处理并根据自适应阈值去噪,得到高频增强图像,
所述组合模块,用于组合低频增强图像和所述高频增强图像得到第二待分割图像,
所述第二分割模块,用于通过阈值分割所述第二待分割图像中的所述目标农产品,得到所述目标农产品的HSI图像。
[0015] 可选地,所述特征提取模块包括第一特征模块、第二特征模块和特征组合模块,其中,
所述第一特征模块,用于提取所述RGB图像各通道的多阶颜色矩作为所述目标农产品的颜色特征,
所述第二特征模块,用于提取所述HSI图像中多个预设波长的单色图像合并为有效图像,将所述有效图像导入CNN进行网络特征提取,得到所述目标农产品的网络特征,
所述特征组合模块,用于组合所述颜色特征和所述网络特征得到所述目标农产品分的混合特征。
本发明公开了一种基于图像处理的农产品分选方法,当目标农产品进入预设区域,采集包含目标农产品的红绿蓝RGB原始图像和高光谱成像HSI原始图像,对RGB原始图像和HSI原始图像分别进行预处理,并分割出目标农产品的RGB图像和HSI图像,分别提取RGB 图像和HSI图像的图像特征进行组合,得到目标农产品的混合特征,将混合特征输入预设农产品健康分类模块,确定目标农产品的当前健康状态,根据当前健康状态确定目标农产品的第一分选方式,第一分选方式包括保留和剔除。结合RGB图像和HSI图像共同识别农产品的健康状态,提高了识别精确度和分选效率。
[0018] 图1为本发明实施例提供的一种基于图像处理的农产品分选方法的流程图,
[0019] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
[0020] 本发明实施例提供了一种基于图像处理的农产品分选方法。参见图1 ,图1为本发明实施例提供的一种基于图像处理的农产品分选方法的流程图,方法包括,
S1、当目标农产品进入预设区域,采集包含目标农产品的红绿蓝RGB原始图像和高光谱成像HSI原始图像。
[0021 ] S2、对RGB原始图像和HSI原始图像分别进行预处理,并分割出目标农产品的RGB图像和HSI图像。
[0022] S3、分别提取RGB图像和HSI图像的图像特征进行组合,得到目标农产品分的混合特征。
[0023] S4、将混合特征输入预设农产品分健康分类模型,确定目标农产品分的当前健康状态,根据当前健康状态确定目标农产品分的第一分选方式。
[0025] 基于本发明实施例提供的一种基于图像处理的农产品分选方法,结合RGB图像和HSI图像共同识别农产品的健康状态,提高了识别精确度和分选效率。
[0026] 一种实现方式中,目标农产品的健康状态包括内外部的损伤情况以及霉菌感染等病害情况。通过使用RGB图像可以对农产品的视觉外观,例如颜色、质地和形状,进行评估。然而,RGB图像中的R、G、B通道不能有效判断水果的内部特征,限制了检测精度。最近,HSI图像具有外观特征、内部成分和结构的空间分布,可以用于检测农产品的外部和内部。然而,HSI图像的空间分辨率较低无法感知农产品的精细外部特征。通过集成具有高分辨率外部信息的RGB图像和具有良好内部检测精度的HSI图像可以更加全面的识别农产品的健康状态,提升分选效率。
[0027] 一种实现方式中,预设农产品分健康分类模型可以是基于RF、KNN或者SVM的多种图像特征的分类模型。预先使用具有内外部损伤情况以及霉菌感染等病害情况的农产品的图片训练RF、KNN或者SVM得到预设农产品分健康分类模型。
当第一分选方式为保留,则根据HSI图像估计目标农产品的硬度与可溶性固形物含量,
根据硬度与可溶性固形物含量确定目标农产品的产品等级,根据产品等级确定目标农产品分的第二分选方式。
[0029] 一种实现方式中,第二分选方式即为将相同产品等级的农产品分选到一起,
在一个实施例中,对RGB原始图像进行预处理并分割出目标农产品分的RGB图像包括,
对RGB原始图像进行自适应偏振调整,将图像的暗部和亮部拉伸到偏振,确定目标农产品的第一边界框区域,
[0030] 一种实现方式中,通过对RGB原始图像进行自适应偏振调整增加目标农产品与背景的边界差异度,进一步对第一边界框区域的进行锐化处理提高目标农产品与背景的边界的清晰度,提高从第一待分割图像中的分割目标农产品的精确度。
[0031 ] 在一个实施例中,对HSI原始图像进行预处理并分割出目标农产品分的HSI图像包括,
对低频图像进行高斯滤波,得到低频增强图像,对高频图像进行离散小波变换处理并根据自适应阈值去噪,得到高频增强图像,
[0032] 一种实现方式中,低频图像保留了HSI原始图像的主要结构,而高频图像则反映了HSI原始图像的细节特征。低频图像去除了复杂的噪声,进行高斯滤波即可进行对比度增强,而高频图像包含深层图像细节和整个复杂的噪声,需要进行离散小波变换处理并根据自适应阈值去噪。
[0033] 在一个实施例中,分别提取RGB图像和HSI图像的图像特征进行组合,得到目标农产品分的混合特征包括,
提取HS I图像中多个预设波长的单色图像合并为有效图像,将有效图像导入CNN进行网络特征提取,得到目标农产品的网络特征,
[0034] 一种实现方式中,颜色分布信息主要集中在低阶矩,通常提取三通道的三阶颜色矩作为目标农产品的颜色特征,其中一阶表示均值、二阶表示方差和三阶表示偏度分别代表整体明暗度、颜色分布范围和对称性三个颜色特征,可以为每个样本获得九个颜色特征。
[0035] 一种实现方式中,在分选前,计算每个波长的选择概率评估各单色波的重要性,筛选出多个预设波长。从HSI图像中提取多个波长的单色图像并叠加为有效图像。
[0036] 一种实现方式中,CNN由两个具有32和64个3×3内核的卷积层组成,池化层的大小设置为3×3,两个卷积层的特征被集中为网络特征。
[0037] 本发明实施例还提供了一种基于图像处理的农产品分选系统。参见图2,图2为本发明实施例还提供的一种基于图像处理的农产品分选系统的系统框图,系统包括,
采集模块,用于当目标农产品进入预设区域,采集包含目标农产品的红绿蓝RGB原始图像和高光谱成像HSI原始图像,
预处理分割模块,用于对RGB原始图像和HSI原始图像分别进行预处理,并分割出目标农产品的RGB图像和HSI图像,
特征提取模块,用于分别提取RGB图像和HSI图像的图像特征进行组合,得到目标农产品分的混合特征,
第一分选模块,用于将混合特征输入预设农产品分健康分类模型,确定目标农产品分的当前健康状态,根据当前健康状态确定目标农产品分的第一分选方式,第一分选方式包括剔除和保留。
检测模块,用于当第一分选方式为保留,则根据HSI图像估计目标农产品的硬度与可溶性固形物含量,
第二分选模块,用于根据硬度与可溶性固形物含量确定目标农产品的产品等级,根据产品等级确定目标农产品分的第二分选方式。
[0039] 在一个实施例中,预处理分割模块包括第一预处理模块、第二预处理模块和第一分割模块,其中,
第一预处理模块,用于对RGB原始图像进行自适应偏振调整,将图像的暗部和亮部拉伸到偏振,确定目标农产品的第一边界框区域,
第二预处理模块,用于对RGB原始图像中第一边界框区域的进行锐化处理,得到第一待分割图像,
第一分割模块,用于通过阈值分割第一待分割图像中的目标农产品,得到目标农产品的RGB图像。
[0040] 在一个实施例中,预处理分割模块包括分频模块、图像增强模块、组合模块和第二分割模块,其中,
图像增强模块,用于对低频图像进行高斯滤波,得到低频增强图像,对高频图像进行离散小波变换处理并根据自适应阈值去噪,得到高频增强图像,
第二分割模块,用于通过阈值分割第二待分割图像中的目标农产品,得到目标农产品的HSI图像。
[0041 ] 在一个实施例中,特征提取模块包括第一特征模块、第二特征模块和特征组合模块,其中,
第一特征模块,用于提取RGB图像各通道的多阶颜色矩作为目标农产品的颜色特征,
第二特征模块,用于提取HSI图像中多个预设波长的单色图像合并为有效图像,将有效图像导入CNN进行网络特征提取,得到目标农产品的网络特征,
[0042] 在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有华体绘科技股份有限公司线,例如同轴电缆、光纤、数字用户线(DSL),或无线,例如红外、无线、微波等,方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质, (例如,软盘、硬盘、磁带) 、光介质(例如,DVD) 、或者半导体介质,例如固态硬盘
[0043] 需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。