本文格式為Word版，下載可任意編輯——基于計算機視覺核桃質(zhì)量預測方法的研究

材料和方法

1.1試驗材料

山西為核桃種植大省，試驗所用樣本為“禮品2號”核桃，購于山西省太谷縣農(nóng)貿(mào)市場，使用核桃去空殼裝置去除空癟核桃樣本，人工挑揀質(zhì)地平勻、無破損樣本123個，并使用電子天平稱質(zhì)量（精度為0.01g）。利用Kennard-Stone算法將樣本按3∶1分成校正集和預料集，其中校正集92個，質(zhì)量在6.51～25.23g，預料集31個，質(zhì)量在9.44～18.51g，校正集質(zhì)量范圍包含預料集質(zhì)量范圍，建模樣本有很好代表性。

1.2圖像采集系統(tǒng)及數(shù)據(jù)處理工具

搭建圖像采集系統(tǒng)，由暗箱、相機、環(huán)形熒光燈、載物板組成。

圖像采集系統(tǒng)見圖1。

暗箱（長×寬×高為440mm×335mm×425mm）內(nèi)刷成黑色，外部用黑布遮蓋，防止外界光線干擾，頂部有一個圓形口（直徑為80mm）用于放置相機（FRD-AL00）和鏡頭（傳感器：索尼IMX286，BSICMOS；光圈：f/2.2），暗箱內(nèi)上方安置三基色環(huán)形光源（北京松下照明有限公司，YH327200KE），底部設(shè)有高度可調(diào)載物臺，用于放置樣本。

將樣本做好標簽放置在載物臺上，然后調(diào)整載物臺高度（210mm）、光源和相機，使達成夢想的成像效果，依次采集圖像。每次采集3幅圖像，選取其中成像質(zhì)量最好的樣本圖像。使用計算機內(nèi)置圖像采集卡（恒大公司，DH-CG300）將采集好的樣本圖像存儲于計算機（1.7GHzCPU，512MB內(nèi)存，50GB硬盤）中，使用MatlabR2022a（TheMathWorks，Natick，USA）對圖像舉行預處理、形態(tài)學分割，提取面積特征值。結(jié)果使用MatlabR2022a及SAS（SASINSTITUTEINC，USA）建立LS-SVM質(zhì)量預料模型和多項式回歸質(zhì)量預料模型。

2結(jié)果與分析

2.1圖像預處理

預處理是為了去除或抑制圖像中噪聲，以達成凸顯特征信息的目的[11]。通過試驗比較，采用3×3模板中值濾波和四領(lǐng)域銳化處理，以消釋噪聲影響，鞏固細節(jié)表現(xiàn)力。

圖像預處理見圖2。

2.2樣本投影面積獲取

經(jīng)過大量研究說明，在物體的形態(tài)特征中，投影面積與其質(zhì)量的相關(guān)性最高[12-13]。在提取圖像中樣本投影面積時，需要將樣本與背景分割開，最大類間方差法（Ostu）[14-15]是對比常用的閾值分割方法，但是有些核桃樣本外殼布有黑斑（主要是殘留青皮或單寧氧化、病蟲害造成），這與黑色背景極為好像，在分割過程中將黑斑片面也分割出去，造成投影面積減小。

黑斑核桃Ostu閾值分割效果見圖3。

采用形態(tài)學和規(guī)律學運算獲取樣本投影面積，在Matlab中先將樣本RGB圖像轉(zhuǎn)換為灰度圖像并舉行二值化，然后分別舉行膨脹和腐蝕運算，將膨脹和腐蝕后的圖像相減得到樣本邊緣圖像，依次使用“Imclearborder”“Bwareaopen”“Imfill”算法除掉離散孤立點并舉行填充，正常與黑斑核桃均可得到完好的投影外形。

形態(tài)學規(guī)律算法分割效果見圖4。

在Matlab中使用“Bwarea”算法計算樣本投影像素點數(shù)目，為轉(zhuǎn)換成真實面積，需舉行圖像標定[16]。以25mm標準直徑的一元硬幣為參照物，采用一致拍攝條件采集圖像。

標定物見圖5。

2.3核桃質(zhì)量預料模型建立

2.3.1LS-SVM質(zhì)量預料模型的建立

最小二乘支持向量機（LS-SVM）[17-18]是一種提升優(yōu)化版的支持向量機（SVM）算法，不僅有更好的泛化才能，還能裁減訓練時間、簡化訓練繁雜度。研究將校正集通過計算的投影面積作為輸入，質(zhì)量作為輸出，建立質(zhì)量預料模型。然后對預料集舉行質(zhì)量預料。

LS-SVM模型預料結(jié)果見圖6。

模型正那么化參數(shù)γ=1747.0079，核寬帶σ2=1.0542，相關(guān)系數(shù)R=0.8974。經(jīng)過結(jié)果分析，最大十足誤差為2.9g，最小十足誤差為0.012g，相對誤差均值為6.5%。

2.3.2多項式回歸方程建立

回歸分析（Eegressionanalysis）是確定2種或2種以上變量間相互憑借的定量關(guān)系的一種統(tǒng)計分析方法，只有一個自變量，因此在SAS軟件中建立一元多項式回歸方程，并舉行分析。經(jīng)過屢屢試驗，二次多項式擬合效果最好，回歸方程如公式（2）所示。

Y=-1.47×10-7X+4.356×103X-5.862.（2）

多項式回歸方差分析見表1，多項式回歸參數(shù)估計及其t值見表2。

由表1、表2可知，回歸模型的p值小于0.0001，抉擇系數(shù)R2=0.857207，說明該模型極其顯著且精度較高。然后，將預料集實際投影面積代入回歸方程中，輸出預料的質(zhì)量結(jié)果。經(jīng)過結(jié)果分析，最大十足誤差為2.54g，最小十足誤差為0.016g，相對誤差均值為5.9%。

二次多項式回歸方程預料結(jié)果見圖7。

3結(jié)論

以“禮品2號”核桃為試驗樣本，采用計算機視覺技術(shù)針對核桃質(zhì)量在線檢測問題，建立質(zhì)量預料模型，結(jié)果如下：

（1）構(gòu)建圖像采集系統(tǒng)獲取樣本圖像，經(jīng)過預處理、形態(tài)規(guī)律學算法和參照物標定，能很好地獲取樣本投影面積。

（2）以投影面積為輸入、質(zhì)量為輸出，建立LS-SVM質(zhì)量預料模型，并對預料集舉行質(zhì)量預料，模型相關(guān)系數(shù)R=0.8974，輸出結(jié)果相對誤差均值為6.5%。

（3）以投影面積為自變量，質(zhì)量為因變量