BP神经网络在水果自动识别的应用神经网络在水果自动识别的应用
我国是水果生产与消费大国,我国水果不但品种丰富,而且以水果为原料的食品如罐头、果冻等加工产业也颇
具规模。然而,在水果果料的加工过程中可能会不经意地混入诸如毛发、纤维丝、纸屑、金属、油漆等异物,
从而对产品质量和消费者心理造成不良影响。目前大多数食品生产企业还是采用人工裸眼检测加工过程中在制
品是否沾染异物,存在效率低、漏检率高、劳动量大等缺点。 人们吃到甚或看到食品中有异物总是很恶
心,为此而向销售、生产商索赔的事件不时发生。生产商为确保食品中无异物,需要在生产中设置多道检测工
位,绝大多数是人工裸眼目检。人的眼脑手配合具有高度智能和柔性,能够识别和提出各种异物缺陷,然而视
觉疲劳、生理和主观因素会
我国是水果生产与消费大国,我国水果不但品种丰富,而且以水果为原料的食品如罐头、果冻等加工产业也颇具规模。然
而,在水果果料的加工过程中可能会不经意地混入诸如毛发、纤维丝、纸屑、金属、油漆等异物,从而对产品质量和消费者心
理造成不良影响。目前大多数食品生产企业还是采用人工裸眼检测加工过程中在制品是否沾染异物,存在效率低、漏检率高、
劳动量大等缺点。
人们吃到甚或看到食品中有异物总是很恶心,为此而向销售、生产商索赔的事件不时发生。生产商为确保食品中无异物,
需要在生产中设置多道检测工位,绝大多数是人工裸眼目检。人的眼脑手配合具有高度智能和柔性,能够识别和提出各种异物
缺陷,然而视觉疲劳、生理和主观因素会带来工作质量的差异和效率低下。利用机器视觉技术来代替人工检测,是现代化生产
的发展趋势。
随着提高产品质量的要求和劳动力成本日益升高的形势,企业迫切希望应用机器视觉技术实现工业生产自动化检测。但是
在农产品质量和食品加工质量方面,国内外原有研究成果主要只针对完整且表面相对干燥的果体进行大小、形状、成熟度、表
面损伤与缺陷等的检测与分级,而在异物检测方面,只有针对单一品种果料如桔瓣上的某种异物进行检测的研究。
本文针对多种水果混合的图像,利用Matlab软件,对水果的识别进行研究。根据水果与背景灰度值的差别选取阈值,对去
噪、增强对比度后的图像进行二值化处理。分割出目标后,由于原始图像中灰度分布不均匀和光照等的影响,可能同一类水果
中会出现空洞或个别边缘处出现断裂情况等,因此要对图像进行边缘检测。然后标签化处理图像,区分水果,再提取不同水果
的颜色、形状、边界不规则等特征,用多幅图像训练BP神经网络,建立水果特征库,利于快速识别水果,从而实现对水果的
正确分拣。
1 水果图像的增强和分割水果图像的增强和分割
在计算机上,图像由像素逐点描述,每个像素点具有一个明确的位置和色彩数值。用Matlab软件读取图像,以矩阵的形式
存放图像数据,其扫描规则是从左向右,从上到下。为处理方便,把原始的彩色图像转换为灰度图像,如图1(a)所示。
采用中值滤波法对灰度图像进行去噪处理。中值滤波是抑制噪声的非线性处理方法,本文用中值滤波法处理3×3像素的局
域图像,把9个灰度值按从小到大的顺序排序后,以第5个(即中央)序号的灰度值作为目标像素的灰度值。中值滤波对于滤
除图像中的椒盐噪声非常有效[5],去噪后的图像如图1(b)所示。
为了得到更清晰的图像,再对图像进行锐化处理,采用反锐化掩模的方法。反锐化掩模法是一种常用的图像锐化方法,其
算法表达式为:
式中,f(x,y)为处理前的图像;f′(x,y)为用人为方法将f(x,y)模糊以后得到的图像;g(x,y)为锐化处理后的图像;
c(c>1)为比例常数,根据具体情况选定。反锐化掩模法有效地提高了高频成分,使模糊呆板的图像变得具有清晰感和生动
感[6],图1(c)是锐化后的结果。
经过去噪和对比度增强,就可以对图像目标进行提取分割。图像阈值分割是常用的图像分割技术,主要利用了图像中背景
与对象之间的灰度差异[6]。只要阈值选取合适,将每个像素与之比较,进行二值化处理,就可以很好地将对象从背景中分离
出来。取阈值为0.34,图2(a)是二值化后的结果。从图2(a)中可以发现水果中有很多空洞,且水果的边缘处有断裂现
象,所以采用边缘提取以弥补断裂的边缘部分,然后基于数学形态学算子对图像进行去除断边、图像填充等必要的后续处理。
索贝尔算子(Sobel operator)是图像处理中的算子之一,主要用作边缘检测。在技术上,它是一离散性差分算子,用来