水果品質(zhì)自動(dòng)分級(jí)的機(jī)器視覺(jué)系統(tǒng)外文翻譯

1、水果品質(zhì)自動(dòng)分級(jí)的機(jī)器視覺(jué)系統(tǒng)原文來(lái)源：j. blasco; n. aleixos; e. molt.machine vision system for automatic quality grading of fruit. biosystems engineering (2003) 85 (4), 415423；摘要水果和蔬菜，通常以批次的形式提供給消費(fèi)者消費(fèi)。而水果的均勻性和外觀(guān)對(duì)消費(fèi)者的決策有著重大的影響。由于這個(gè)原因，農(nóng)農(nóng)產(chǎn)品的展現(xiàn)無(wú)論是在田地里還是在最后流向消費(fèi)者的不同階段，都會(huì)被處理，而且通常是朝著同類(lèi)產(chǎn)品的清洗和分類(lèi)方面來(lái)進(jìn)行的。該項(xiàng)目的esprit3，參考9230。集處理，檢查

2、和包裝水果和蔬菜于一體的綜合系統(tǒng)（英文簡(jiǎn)寫(xiě)shiva）形成了一種自動(dòng)、無(wú)損檢測(cè)和處理的水果的機(jī)器人系統(tǒng)。本文的目的是報(bào)告在valenciano de investigaciones agrarias研究所研究的對(duì)桔子，桃子，蘋(píng)果品質(zhì)進(jìn)行實(shí)時(shí)測(cè)評(píng)而發(fā)展起來(lái)的機(jī)器視覺(jué)技術(shù)，并評(píng)估該技術(shù)在下列質(zhì)量屬性：大小，顏色，莖的位置及外部瑕疵檢測(cè)中的效率。此種分解研究，在貝葉斯判別分析的基礎(chǔ)上，使用并且允許水果因背景不同而精確的進(jìn)行區(qū)分。因此，尺寸的確定性恰當(dāng)?shù)牡玫搅私鉀Q。水果由此系統(tǒng)測(cè)出的顏色，和目前被用作標(biāo)準(zhǔn)的色度指標(biāo)值非常吻合。在莖塊的定位和瑕疵的檢測(cè)中也取得了良好的效果。該系統(tǒng)在用大批量蘋(píng)果進(jìn)行在線(xiàn)測(cè)

3、試分級(jí)后也取得了很不錯(cuò)的表現(xiàn)，并且并在缺陷檢測(cè)和規(guī)模估計(jì)中分別取得了86和93的重復(fù)一致性。此系統(tǒng)的準(zhǔn)確性和可重復(fù)性和人工分級(jí)幾乎一樣。1.簡(jiǎn)介機(jī)器視覺(jué)在水果和蔬菜檢驗(yàn)中的應(yīng)用在最近幾年有所增加。如今，世界各地的一些制造商生產(chǎn)按水果大小，顏色和重量進(jìn)行水果前期分級(jí)的分揀機(jī)。然而，市場(chǎng)不斷地要求更高質(zhì)量的產(chǎn)品，因此，其他功能已經(jīng)發(fā)展來(lái)提高機(jī)器視覺(jué)檢測(cè)系統(tǒng)（例如莖定位，確定主，副皮膚的顏色，檢測(cè)污點(diǎn)）。 大小，是第一個(gè)與質(zhì)量有關(guān)的參數(shù)，已經(jīng)通過(guò)使用機(jī)器視覺(jué)測(cè)量周長(zhǎng)或直徑其中任一種得到了測(cè)量（陶等，1990;varghese等，1999），周長(zhǎng)（薩卡沃爾夫，1985）或直徑（布羅迪等。，1994）。

4、顏色也是一個(gè)重要的品質(zhì)因素，已被廣泛研究（singh等人，1992年，1993年。哈恩，2002年;多布然斯基和rybczynski，2002）。有些水果有一種顏色均勻分布在皮膚表面，我們稱(chēng)之為主色。該平均表面顏色對(duì)這些水果來(lái)說(shuō)是一個(gè)很好的質(zhì)量指標(biāo)。然而，一些其他水果（例如桃子，蘋(píng)果，西紅柿）有次要顏色可作為一種成熟的良好指標(biāo)。在這種情況下，它是不可能完全只把全球面色彩作為質(zhì)量參數(shù)的。在桔子，桃子，蘋(píng)果這些水果中，有必要進(jìn)行長(zhǎng)莖檢測(cè)，以避免損害其他水果，或者是因?yàn)闆](méi)有他們可能意味著質(zhì)量損失。已經(jīng)有若干解決方案被提出了來(lái)確定莖的位置，如：使用結(jié)構(gòu)的照明檢測(cè)蘋(píng)果凹陷（楊，1993）;顏色分割技術(shù)來(lái)

5、區(qū)分柑橘類(lèi)水果的花萼和莖塊（魯依斯等，1996）；或研究蘋(píng)果光的反射（彭曼，2002）。有時(shí)候，莖容易混淆成皮膚上的缺陷或瑕疵。損傷和擦傷檢測(cè)是質(zhì)量評(píng)價(jià)的一個(gè)關(guān)鍵因素。眾多蘋(píng)果擦傷檢測(cè)方法中有一種是基于對(duì)干擾過(guò)性濾器的使用（rehkugler斯魯普，1986年）。其他研究同時(shí)進(jìn)行瑕疵處理和顏色評(píng)定這兩項(xiàng)。（米勒和delwiche，1989年;勒費(fèi)弗爾等，1994;切魯托等，1996;萊曼斯等，1999，2002; blasco及蛻皮澳，2002年）。最近的技術(shù)結(jié)合紅外和可見(jiàn)的信息來(lái)檢測(cè)瑕疵（aleixos等，2002）或者使用高光譜成像（peirs等，2002）。這項(xiàng)工作的目的是報(bào)告在項(xiàng)目es

6、prit3（參考 9230的集處理，檢查和包裝水果和蔬菜于一體的綜合系統(tǒng)，英文簡(jiǎn)寫(xiě)shiva），該技術(shù)在其他地方被描述過(guò)（墨爾特等，1997，1998），和valeenciano agrarias（ivia）研究所在1998年三月進(jìn)行的測(cè)試中取得的成果的基礎(chǔ)上發(fā)展而來(lái)的圖像分析技術(shù)。該視覺(jué)系統(tǒng)是為了在線(xiàn)測(cè)量與桔子，桃子，蘋(píng)果質(zhì)量有關(guān)的幾個(gè)參數(shù)，如大小，以及鑒定次要色點(diǎn)（桃和蘋(píng)果一些種類(lèi)的水果需要），莖塊位置或斑點(diǎn)的存在。水果要在不1秒的時(shí)間里于四個(gè)不同角度被檢測(cè)。為了評(píng)估視覺(jué)系統(tǒng)的效率，自動(dòng)檢驗(yàn)的性能和重復(fù)性和專(zhuān)家們的人工檢測(cè)進(jìn)行了比較。 2.材料與方法2.1.硬件 機(jī)器視覺(jué)系統(tǒng)是由一個(gè)三電荷

7、耦合器件（ccd）彩色攝像機(jī)（索尼xc003p）和一個(gè)圖像采集卡（流星的matrox）組成的，并被連接到了一臺(tái)可兼容的個(gè)人電腦奔騰200兆赫，48mb隨機(jī)存取存儲(chǔ)器（ram）。該系統(tǒng)提供了768每576像素的圖像，以 35mm每像素實(shí)現(xiàn)。圖像采集卡從相機(jī)擷取并解碼復(fù)合視頻信號(hào)為在紅，綠，藍(lán)色坐標(biāo)（rgb）的三個(gè)用戶(hù)定義的緩沖區(qū)。照明系統(tǒng)是一個(gè)環(huán)形日光燈管組成的，里面內(nèi)室涂有白色亞光半球形熒光，并在頂部有一個(gè)洞來(lái)放置相機(jī)。由在于日光燈管和場(chǎng)景之間放置了用于保護(hù)的反射面，避免了直射向水果的光。視覺(jué)系統(tǒng)是用于自動(dòng)檢測(cè)，處理和包裝的機(jī)器人系統(tǒng)中一部分。進(jìn)入檢查室前的水果都被單個(gè)化處理了，然后傳遞給一系

8、列的移動(dòng)真空杯，他們有旋轉(zhuǎn)和翻譯能力，能使水果在四個(gè)不同角度傳遞給相機(jī)，使其不位于重疊的位置，以盡量多的檢查水果的表面（圖1）。2.2.圖像分析 圖像分析是由ivia用編程語(yǔ)言c研發(fā)的一個(gè)特定的應(yīng)用軟件來(lái)來(lái)執(zhí)行的，在磁盤(pán)操作系統(tǒng)下運(yùn)行（dos）。該軟件分為兩 模塊：一個(gè)為培訓(xùn)系統(tǒng)的應(yīng)用;另一個(gè)為命令采集，處理圖像，并提供各水果質(zhì)量估計(jì)參數(shù)給機(jī)械控制系統(tǒng)。 系統(tǒng)需要離線(xiàn)預(yù)先訓(xùn)練。利用錄制的水果圖像，專(zhuān)家選擇不同區(qū)域的圖像和分配所有每一個(gè)地區(qū)像素于其中一個(gè)預(yù)先確定的類(lèi)別：背景，原色，次主色，一般傷害類(lèi)型1，一般傷害類(lèi)型 2，特定的功能，莖，花萼。由于分類(lèi)采用這樣一種方式，所以他們對(duì)所有類(lèi)型的水果都

9、適用。訓(xùn)練系統(tǒng)分別單一顏色的水果，此主色類(lèi)沒(méi)有使用。用兩個(gè)類(lèi)顏色方法檢測(cè)一般的損害是合理的，因?yàn)槊總€(gè)種類(lèi)的水果都有不同的顏色的缺陷 ，可以區(qū)分為明亮的與黑暗的。另一個(gè)預(yù)先定義的類(lèi)被用于檢測(cè)水果的特定特點(diǎn)，如金冠蘋(píng)果的赤褐色度。 由于每個(gè)類(lèi)代表性的區(qū)域已選定，貝葉斯判別模型被創(chuàng)建，它 利用像素的三個(gè)基本色：紅色，綠色和藍(lán)色作為獨(dú)立變量（rgb）。 貝葉斯判別分析包括對(duì)上述每個(gè)類(lèi)別的rgb值組合的概率的計(jì)算。一個(gè)阿雷爾（1991）描述的算法被應(yīng)用，即采用不同的協(xié)方差矩陣為每個(gè)類(lèi)，它的結(jié)果在二次判別模型。此過(guò)程可參考表來(lái)進(jìn)行。該表，存儲(chǔ)在計(jì)算機(jī)內(nèi)存中并在網(wǎng)上操作時(shí)給予咨詢(xún)，允許每個(gè)像素的圖像分配到最

10、接近匹配的類(lèi).水果的顏色，作為水果成熟的狀態(tài)標(biāo)志，即是是在同一種水果里，也可以因?yàn)樵S多因素而略有不同。由于此分割方法極大地依賴(lài)于每個(gè)水果的像素顏色，它是對(duì)這些變化非常敏感。出于這個(gè)原因，該系統(tǒng)需要進(jìn)行測(cè)試，并且對(duì)每個(gè)測(cè)試期都要?jiǎng)?chuàng)建一個(gè)新的表格。圖1（a）第一圖像的采集（b）第二個(gè)圖像的采集-杯1旋轉(zhuǎn)水果120（c）第三個(gè)圖像的采集-杯1將水果再旋轉(zhuǎn)120（d）第四圖像的采集-杯2抓住水果并旋轉(zhuǎn)180在線(xiàn)操作最先要獲取第一幅圖像，并利用上面提到的表格將其按先前定義的類(lèi)進(jìn)行分類(lèi)（圖.2（a）。圖2 (a) 照相機(jī)拍攝的原始圖像（b）分割圖像顯示完好皮膚，褐色化度，莖塊和損壞區(qū)域（c）除了莖和背景以

11、外的所有區(qū)域，用來(lái)計(jì)算的大小類(lèi)別（d）展示了大小如何估計(jì)的圖像同一種類(lèi)的八個(gè)相連的像素中的每一份被認(rèn)為是相互獨(dú)立的區(qū)域。然后，為了加快輪廓提取的進(jìn)程，基于模濾波器的緩和程序被應(yīng)用到了分段的圖像，以便平緩圖像之間的毗鄰地區(qū)及消除孤立的不良分類(lèi)像素圖. 2（b）第二步由提取特性來(lái)將水果按大小進(jìn)行分類(lèi)構(gòu)成。單值圖像中的前景是水果的圖像，認(rèn)為是各區(qū)域形成的，除了那些被視為背景或莖塊的區(qū)域。然而莖塊并不認(rèn)為是水果的一部分，因?yàn)檩^長(zhǎng)的莖塊可能導(dǎo)致錯(cuò)誤的測(cè)量尺寸（圖. 2（c）。 然后，對(duì)水果區(qū)域邊界進(jìn)行提取并編纂通過(guò)用鏈碼為基礎(chǔ)的算法 （弗里曼，1961年）來(lái)計(jì)算量做慣性主軸的長(zhǎng)度面積和尺寸（圖. 2（d

12、）。 在第三步中，各地區(qū)不再視作為單果，每個(gè)獨(dú)立的區(qū)域面積卻要被測(cè)定(圖. 3（a）)。為了糾正分割過(guò)程中產(chǎn)生的錯(cuò)誤，表面積少于一定的閾值的區(qū)域被認(rèn)為是無(wú)效的分類(lèi)像素。對(duì)于有效的地區(qū)，根據(jù)他們的像素所處類(lèi)別不同，不同的參數(shù)被計(jì)算。例如，在有任何類(lèi)各地區(qū)組成的損害像素區(qū)域中，長(zhǎng)度和面積分別計(jì)算。在被劃為莖塊的區(qū)域的情況中，只有共同的坐標(biāo)質(zhì)心進(jìn)行了測(cè)定。在檢測(cè)到多莖塊的情況中，最長(zhǎng)的區(qū)域被選定為真正的 莖塊，其他的認(rèn)為是干擾（圖3（b）。在分配到基本和次等的顏色區(qū)域，質(zhì)心及顏色rgb均值要計(jì)算。該流程的整個(gè)過(guò)程如圖4所示。該水果四個(gè)角度被不斷重復(fù)。 當(dāng)最后一個(gè)圖像被處理時(shí),每個(gè)果實(shí)下列特征都要測(cè)量

13、： (1)主要損傷的長(zhǎng)度定義為主要區(qū)域的長(zhǎng)度，歸類(lèi)為損傷，在上面四種視角中都有； (2)損傷面積等同于所有受傷區(qū)域的總和，在四個(gè)獨(dú)立的視角中; (3)莖和瑕疵需要考慮，如果在四種視角中的任一種中發(fā)現(xiàn);(4)基礎(chǔ)色計(jì)算作為基礎(chǔ)的顏色，在每個(gè)獨(dú)立的視角中統(tǒng)計(jì) (5)次主色計(jì)算作為次要主色，在每個(gè)獨(dú)立的視角中統(tǒng)計(jì)(6)水果的尺寸根據(jù)現(xiàn)在的標(biāo)準(zhǔn)，尺寸是根據(jù)替代物的尺寸測(cè)來(lái)的。由于水果不具有方向性，水果都是由離莖最近的地方開(kāi)始定位測(cè)量的。如果莖在少于兩張圖像中看到，該水果的尺寸就被當(dāng)做其他四幅圖像的水果的平均尺寸。盡管一些用于顏色描述的立體模型，作為his或la * b *值，描述的顏色和我們的感覺(jué)很接

14、近，但rgb系統(tǒng)被用來(lái)描述是由于圖像采集卡直接提供本系統(tǒng)中的圖像的像素顏色，所以后面的進(jìn)一步消耗的計(jì)算資源的轉(zhuǎn)換是不需要的。 圖3 （a）分割圖像顯示褐色度，莖和損壞的區(qū)域（b）圖像顯示周長(zhǎng)，褐色度中心和莖區(qū)和最長(zhǎng)損害區(qū)的長(zhǎng)度2.3該系統(tǒng)的性能評(píng)價(jià) 2.3.1.分割程序 雖然分割方法的可靠性可由系統(tǒng)通過(guò)結(jié)果和可重復(fù)推導(dǎo)出來(lái)，為了在水果的圖像上分析分割程序通常要做個(gè)初步試驗(yàn)。在這些測(cè)試中，代表團(tuán)體桔子，桃子，蘋(píng)果的圖像的像素，對(duì)應(yīng)于其背景，皮膚完整度，損傷和莖稈（除了桃子），被人工選定生成基于貝葉斯非線(xiàn)性判別的判別分析函數(shù)。這些功能在一個(gè)獨(dú)立設(shè)置的像素上進(jìn)行了測(cè)試，屬于不同圖像，也是人工選定。兩

15、個(gè)獨(dú)立設(shè)置的像素的使用保證了分類(lèi)器的估計(jì)的性能是沒(méi)有偏見(jiàn)性的。2.3.2.色彩估計(jì) 為了評(píng)估利用開(kāi)發(fā)的傳感器估計(jì)的演的精度，顏色測(cè)量取自22西紅柿幾個(gè)表面。這些部位從一個(gè)紅綠色顏色變動(dòng)為紅色。機(jī)器視覺(jué)系統(tǒng)確定果實(shí)顏色的能力通過(guò)比較常用于不同的水果的幾種標(biāo)準(zhǔn)色指數(shù)得到了計(jì)算。這些指數(shù)從獵人實(shí)驗(yàn)室獲得，和由三色度計(jì)圓形區(qū)域（8毫米直徑）在選定的每一個(gè)部門(mén)隨機(jī)提供的值一致。2.3.3.莖定位 為了評(píng)估該對(duì)莖的位置的算法的性能，每一個(gè)，100個(gè)桔子隨機(jī)的角度圖片和100蘋(píng)果的都被使用。在桃子的情況下， 76個(gè)水果中每個(gè)水果都隨機(jī)取向的取了兩個(gè)圖像，共提出了152圖像。該圖像分析算法得到了應(yīng)用同時(shí)莖的重

16、心也顯示在了電腦屏幕上。然后，操作者決定是否系統(tǒng)正確地在個(gè)圖像中檢測(cè)到莖。2.3.4.專(zhuān)家的重復(fù)性 在確定視覺(jué)系統(tǒng)在測(cè)量大小和檢測(cè)瑕疵的精度前，為了估計(jì)人工操作的精度和重復(fù)性要進(jìn)行一個(gè)簡(jiǎn)單的試驗(yàn)，這是目前商業(yè)分級(jí)廠(chǎng)房的的參考。由于蘋(píng)果的形狀更加不規(guī)則所以被用于這些實(shí)驗(yàn)。桃子和柑橘更加類(lèi)似球形，因而更容易被視覺(jué)系統(tǒng)分辨大小。在第一個(gè)實(shí)驗(yàn)中，40個(gè)周長(zhǎng)63和86毫米之間的蘋(píng)果被隨機(jī)挑選。每個(gè)蘋(píng)果的大小被專(zhuān)家用卡鉗測(cè)量了兩次。兩個(gè)測(cè)量進(jìn)行了比較并且通過(guò)平均誤差來(lái)計(jì)算精度。為了估計(jì)檢測(cè)瑕疵時(shí)人工操作的重復(fù)性，另一個(gè)檢測(cè)是：48個(gè)蘋(píng)果被機(jī)器分類(lèi)后被選定，其中24個(gè)列為有缺陷的，其他24個(gè)為無(wú)缺陷。接著，

17、三位專(zhuān)家人工的將他們歸入同樣的兩類(lèi)。15分鐘后，他們重新歸類(lèi)該蘋(píng)果。兩次分類(lèi)之間的相似性和異同被記錄。2.3.5視覺(jué)系統(tǒng)的在線(xiàn)重復(fù)性 在線(xiàn)測(cè)試，為了檢查機(jī)器在商業(yè)條件下工作的重復(fù)性，使用了1247個(gè)金冠蘋(píng)果，大小在64和92毫米之間。果實(shí)在西班牙標(biāo)準(zhǔn)為基礎(chǔ)上被分為三類(lèi)，根據(jù)其尺寸和外部污點(diǎn)。測(cè)試包括水果通過(guò)傳遞機(jī)，盒裝水果，根據(jù)相應(yīng)的類(lèi)別。各自的箱反復(fù)通過(guò)該系統(tǒng)，并且對(duì)在分類(lèi)中產(chǎn)生的變化進(jìn)行觀(guān)察并計(jì)數(shù)。（圖四.圖像分割流程） 圖 像 分 割 莖和花萼形心總共受損面積最長(zhǎng)缺陷尺寸第二顏色形心次色平均數(shù)基本顏色平均數(shù)外 部 特 征水 果 形 心水 果 尺 寸形 態(tài) 特 征緩 沖像 素 分 割3.結(jié)

18、果與討論 3.1.評(píng)價(jià)分割程序表一給出了桔子，蘋(píng)果和桃子的圖像像素分割性能，指出一種和剩余其他種類(lèi)分開(kāi)的最佳分離背景（100），使更好的估計(jì)質(zhì)心和水果的大小。大多數(shù)像素分割程序中出現(xiàn)的錯(cuò)誤是由于孤立的或小群的像素，這些主要位于相鄰區(qū)域的邊界。這些誤差可以檢測(cè)和糾正，如果每個(gè)分割區(qū)域的特征得到計(jì)算，因?yàn)檫@些群由于面積小常被分割為忽略不顧的區(qū)域。3.2干檢測(cè) 該系統(tǒng)檢測(cè)莖的性能被進(jìn)行了測(cè)量，使用了93個(gè)橘子，95個(gè)蘋(píng)果和140個(gè)桃子的圖像，而大多數(shù)圖像都是在線(xiàn)獲取的。實(shí)驗(yàn)表明，桔子的圖像中有五幅莖未檢測(cè)出來(lái)，而在另外兩幅中，瘀傷和莖的檢測(cè)發(fā)生了混淆。對(duì)于桃子， 73個(gè)圖像中有一幅莖沒(méi)有檢測(cè)出來(lái)，盡

19、管其中79圖像中有11幅沒(méi)有莖，所以有誤測(cè)。在蘋(píng)果中，87個(gè)圖像中有兩個(gè)莖沒(méi)有檢測(cè)出來(lái)，然而，卻被誤測(cè)為三分之十三。對(duì)于剩下的三個(gè)水果的圖像，莖被正確的檢測(cè)和定位（見(jiàn)表2）。莖的不同顏色或形狀和水果果型，能引起莖檢測(cè)的結(jié)果不同。不過(guò)，在莖和瘀傷之間有一點(diǎn)混淆，大多數(shù)的混淆錯(cuò)誤是由于在沒(méi)有莖的水果中將瘀傷檢測(cè)為了莖。3.3.在線(xiàn)性能和可重復(fù)性 專(zhuān)家們?cè)趦纱为?dú)立的實(shí)驗(yàn)中測(cè)量同一個(gè)蘋(píng)果的尺寸的平均精度為0.6毫米，呈現(xiàn)了約0.8的相對(duì)誤差。但是，考慮到水果正確的大小作為六個(gè)測(cè)量的平均值（每個(gè)專(zhuān)家兩個(gè)有效測(cè)量），平均精度1.4毫米（1.9的相對(duì)誤差）。這些數(shù)字可能與視覺(jué)系統(tǒng)最大期望精度有關(guān)，該精度不會(huì)

20、超過(guò)專(zhuān)家的精度，只是測(cè)量的參考。因此，一個(gè)1mm的誤差課容許，當(dāng)分析系統(tǒng)在線(xiàn)結(jié)果的重復(fù)性時(shí)。當(dāng)專(zhuān)家按分類(lèi)中所述的尺寸種類(lèi)進(jìn)行水果分類(lèi)時(shí)，他們表現(xiàn)出平均94的可重復(fù)性。視覺(jué)系統(tǒng)的可重復(fù)性由最小尺寸水果的89變化到極端大的水果的100，平均為93（見(jiàn)表3）。考慮到標(biāo)準(zhǔn)允許的10的誤判，其結(jié)果可以被視為良好。一個(gè)錯(cuò)誤的來(lái)源是由于大多數(shù)蘋(píng)果為72-74和79-82毫米，而74毫米被選為大小之間的臨界尺寸。專(zhuān)家們估計(jì)果皮上的損害程度時(shí)的重復(fù)性介于85%和90，平均為88（見(jiàn)表4）。由于該系統(tǒng)被專(zhuān)家編程和培訓(xùn)，從理論上說(shuō)，它的性能受到了專(zhuān)家們的重復(fù)性的限制。因此，視覺(jué)系統(tǒng)重復(fù)性的最大期望值約88。表5顯示

21、，該系統(tǒng)在線(xiàn)進(jìn)行外觀(guān)缺陷檢測(cè)時(shí)，有86重復(fù)性。這些錯(cuò)誤是由于在預(yù)測(cè)質(zhì)量時(shí)三個(gè)因素被考慮了：最長(zhǎng)的缺陷，受損面積和褐色化區(qū)。如果只有其中一個(gè)估計(jì)參數(shù)變化，品質(zhì)變化從一個(gè)傳遞到另外，果實(shí)將被歸類(lèi)在不同的類(lèi)別。這一事實(shí)特別影響了類(lèi)型一，那里的重復(fù)性被認(rèn)為是較低的，因?yàn)檫@個(gè)類(lèi)別只包括損壞程度極低的水果，并有因顏色淺而被認(rèn)為是果皮缺陷。指出這點(diǎn)很重要，即這種類(lèi)型的實(shí)驗(yàn)結(jié)果很大程度上依賴(lài)于果實(shí)大小分布及水果上污點(diǎn)的顏色和大小。至于該系統(tǒng)使用所述硬件配置檢查水果所用的時(shí)間，圖像采集和分析所需的時(shí)間小于300毫秒，比最初的要求1s的時(shí)間要低。如果采用更新更快的計(jì)算機(jī)，并且提高算法來(lái)讓圖像的獲取和處理重疊，這個(gè)

22、時(shí)間可減少至低于50毫秒。4.結(jié)論 分割方法對(duì)在線(xiàn)處理來(lái)說(shuō)是快速和恰當(dāng)?shù)模菂s極大地取決于被檢查對(duì)象的顏色。出于這個(gè)原因，系統(tǒng)需要經(jīng)常由專(zhuān)門(mén)操作人員調(diào)試。機(jī)器視覺(jué)系統(tǒng)表現(xiàn)出良好的結(jié)果在定位桔子，桃子，蘋(píng)果的莖干時(shí)和探測(cè)它們大多數(shù)時(shí)，很少和面部污點(diǎn)混淆。損壞的區(qū)域在蘋(píng)果中能正確地檢測(cè)到，但該算法在橙子和桃子應(yīng)用時(shí)需要更廣泛地進(jìn)行測(cè)試。為了檢測(cè)沒(méi)有正確被區(qū)分出來(lái)的缺陷，還需要做進(jìn)一步的工作，未能檢測(cè)出來(lái)的原因主要是因?yàn)樗念伾珳\，類(lèi)似于完整果皮顏色的檢驗(yàn)。在線(xiàn)操作的尺寸重復(fù)性介于91和95，有一個(gè)93的平均值。該機(jī)器的重復(fù)性在在線(xiàn)檢測(cè)外部缺陷時(shí)約為86，主要受第一類(lèi)中取得的的那些結(jié)果影響。將這些

23、結(jié)果和人類(lèi)估測(cè)的大小和皮膚的損傷程度的平均重復(fù)性，分別為94和88，進(jìn)行比較，并且考慮到?jīng)Q策算法也同樣被人工操作者訓(xùn)練和測(cè)試，由此我們認(rèn)為結(jié)果可以接受的。實(shí)驗(yàn)結(jié)果表明將小缺陷或脫色區(qū)域認(rèn)為是缺陷，取決于每位專(zhuān)家的主觀(guān)標(biāo)準(zhǔn)。出于這個(gè)原因，機(jī)器的性能是由每個(gè)盒子的整體內(nèi)容的估計(jì)測(cè)量，而不是單獨(dú)考察成果作為機(jī)分類(lèi)結(jié)果，被所有的專(zhuān)家認(rèn)為是正確的。5.致謝這項(xiàng)研究由esprit項(xiàng)目的9230（綜合處理系統(tǒng)，檢驗(yàn)和包裝的水果和蔬菜）獲得了歐洲委員會(huì)一部分贊助資金。參考文獻(xiàn)待添加的隱藏文字內(nèi)容3aleixos n; blasco j; navarr!on f; molt!o e (2002). multis

24、pectralinspection of citrus in real-time using machine vision anddigital signal processors. computers and electronics in agriculture, 33(2), 121137blasco j; molt!o e (2002). identification of defects in citrus using multispectral imaging. international conference on agricultural engineering, ageng 0

25、2, budapest, hungary. eurageng paper no. 02-ae-031brodie j r; hansen a c; reid j f (1994). size assessment of stacked logs via the hough transform. transactions of the asae, 37(1), 303310cerruto e; failla s; schillaci g (1996). identification of blemishes on oranges. international conference on agri

26、cultural engineering, ageng 96, madrid, spain. eurageng paper no. 96-f-017dobrzanski b; rybczynski r (2002). colour change of apple as a result of storage, shelf-life,and bruising. international agrophysics, 16, 261268freeman h (1961). on the encoding of arbitrary geometric configurations. ire trans

27、actions of electronic computers. ec-10, pp 260268hahn f (2002). multispectral prediction of unripe tomatoes.biosystems engineering, 81(2), 147155, doi:10.1006/bioe.2001.0035harrel r c (1991). processing of colour images with bayesian discriminate analysis. international seminar on use of machine vis

28、ion systems for the agricultural and bio-industries, montpellier,france, pp 1120leemans v; magein h; destain m f (1999). defects segmentation on golden delicious apples using colour vision and bayesian method. computers and electronics in agriculture, 23, 4353leemans v; magein h; destain m f (2002).

29、 on-line fruit grading according to their external quality using machine vision. biosystems engineering 83(4), 397404 doi:10.1006/bioe.2002.0131lefebvre m; zimmerman t; baur c; gugerli p; pun t (1994).potato operation: automatic detection of potato diseases.proceedings of spie, 2345, 29mapa (1992).

30、normas de calidad para frutas y hortalizas.quality standards for fruits and vegetables. ministerio de agricultura, pesca y alimentaci!on. isbn: 84-7479-920-1miller b k; delwiche m j (1989). a color vision system for peach grading. transactions of the asae, 34(4), 14841490molt!o e; blasco j; steinmet

31、z v; bourelya; navarr!on f;perotto g (1997). shiva: a robotics solution for automatic handling, inspection and packing of fruit and vegetables.robotics and automated machinery for bio-productions,bio-robotics 97, gand!a, valencia, spain, pp 6570.isbn： isbn: 84-8498-659-4molt!o e; blasco j; steinmetz

32、 v; bourelya; navarr!on f;perotto g (1998). multi-sensor inspection and robotic packing of fruit. ageng 98. oslo, denmark. eurageng paper no. 98-f-030peirs, a; scheerlinck n; de baerdemaeker j; nicolai b m (2002). quality determination of apple fruits with a hyperspectral imaging system. ageng 02. budapest, hungary.eurageng paper no. 02-ph -028penman dw(2002). determination of stem and calyx location on apples using automatic visual inspection. computers and electronics in agriculture, 33(2002), 718rehkugler g e; throop j a (1986). apple sorting with machine