XXX我國的農(nóng)業(yè)勞動(dòng)力正越來越少，勞動(dòng)力的減少勢必會(huì)影響水果分級等各類農(nóng)業(yè)活動(dòng)的發(fā)展，而機(jī)器視覺技術(shù)是一種利用機(jī)器進(jìn)行識別以及后續(xù)的系列操作，與傳統(tǒng)的人工目測不同的一種科學(xué)技術(shù)，它將所需識別或者分級的產(chǎn)品轉(zhuǎn)換為圖像，接著將圖像中的信號傳輸至圖像處理系統(tǒng)中，這在某種程度上證實(shí)了利用該系統(tǒng)對此圖像信號進(jìn)行分析，其檢測結(jié)果客觀且具有準(zhǔn)確性、檢測效率高且具有可重復(fù)性(林浩然,陳夢琪,2021)REF_Ref27316\r\h[2]。因此，可以利用先進(jìn)的機(jī)器視覺技術(shù)來代替?zhèn)鹘y(tǒng)的人工水果的分級方式，通過提取蘋果的大小、顏色、形態(tài)等特征，并將提取到的蘋果特征與國家的蘋果分級標(biāo)準(zhǔn)相對照，獲得蘋果的最終分級結(jié)果，成功實(shí)現(xiàn)蘋果的高效分級。通過使用基于機(jī)器視覺的自動(dòng)檢測分級技術(shù)，利用其處理信息量大、處理速度快的特點(diǎn)以及不受主管因素的作用，實(shí)現(xiàn)蘋果的無損檢測，這對于未來農(nóng)業(yè)領(lǐng)域的智能化和信息化，都起著很大的促進(jìn)作用(黃昕怡,楊子萱,2022)REF_Ref27417\r\h[3]。圖像的采集及預(yù)處理2.1引言蘋果圖像的采集及蘋果圖像的預(yù)處理主要由圖像獲取、圖像變換、圖像增強(qiáng)和圖像復(fù)原等過程組成，圖像獲取時(shí)需要保證采集到的樣本外接環(huán)境的一致性，而圖像預(yù)處理是指在對每個(gè)文本圖像進(jìn)行分檢之后，繼續(xù)進(jìn)行識別模塊的過程，這個(gè)過程可以去除一些操作中不需要的信息，如特征提取、圖像分割、圖像匹配等，還可以有效的增加圖像中的有用信息的比例，最大程度的簡化數(shù)據(jù)，這在某種程度上說明了為正確執(zhí)行后續(xù)步驟打下堅(jiān)實(shí)的基礎(chǔ)REF_Ref28877\r\h[17]。圖像預(yù)處理中對應(yīng)的作用分別如下所示(張涵煜,李澤宇,2022)：圖像變換：圖像處理和分析的主要方法，主要是對原始圖像執(zhí)行二維線性和可逆轉(zhuǎn)換，經(jīng)過變換后的圖像，再繼續(xù)進(jìn)行圖像增強(qiáng)、圖像壓縮等復(fù)雜過程時(shí)，操作起來會(huì)更加簡便，且可用正交函數(shù)或正交矩陣來表示，常用的圖像變換有傅里葉變換、余弦離散變換、Randon變換等方式(趙睿智,楊可兒,2022)。圖像增強(qiáng)：圖像增強(qiáng)是圖像處理領(lǐng)域中的非常重要的一個(gè)過程，圖像增強(qiáng)技術(shù)和特定的應(yīng)用結(jié)合之后效果更加，這在一定程度上注解了如圖像中的邊緣、輪廓等特征，經(jīng)過圖像增強(qiáng)后，這些特征將得到強(qiáng)調(diào)或者銳化，使這些特征的顯示得以促進(jìn)，對后續(xù)的觀察和處理都是有利的。經(jīng)過增強(qiáng)后的圖像，更適合應(yīng)用與特定的環(huán)境中，這是因?yàn)閳D像增強(qiáng)不僅可以使圖像去噪，還能較好的保護(hù)圖像的特征，更加清晰的描述圖像中的信息，從而保證提供的信息特征的可靠和準(zhǔn)確，常用的圖像增強(qiáng)有灰度變換增強(qiáng)、空間域?yàn)V波增強(qiáng)、頻域增強(qiáng)、色彩增強(qiáng)等方式(徐浩然,孫倩文,2020)。圖像復(fù)原：由于圖像成像過程中偶爾會(huì)出現(xiàn)圖像退化的現(xiàn)象，即圖像中可能會(huì)出現(xiàn)模糊、失真或者由于噪聲的混入，某程度能看出而使圖像質(zhì)量下降的現(xiàn)象。圖像復(fù)原就是通過一些技術(shù)手段，消除由于圖像的模糊或噪聲的混入等而引起圖像質(zhì)量下降的現(xiàn)象，恢復(fù)原始圖像質(zhì)量的過程。常見的圖像復(fù)原主要包括逆濾波、維納濾波、盲區(qū)卷積濾波、約束的最小二乘方濾波等復(fù)原方式(王子和,周嘉琪,2020)REF_Ref28955\r\h[18]REF_Ref28968\r\h[19]。2.2圖像的灰度化變換 為了使后續(xù)步驟中特征提取更為準(zhǔn)確，首先需要對采集到的蘋果RGB圖像進(jìn)行灰度化變換，這是因?yàn)槿魏我粡埖乃蓄伾ㄟ^RGB值都可以進(jìn)行調(diào)節(jié)，而彩色圖片中，其RGB值不完全一致，而經(jīng)過灰度化后的圖片，是一張黑白的圖像，此時(shí)，圖片中的RGB值就變?yōu)橄嗤?。其中，R、G、B三個(gè)元素分別對應(yīng)彩色圖像中的紅、綠、藍(lán)三個(gè)顏色，而灰度化后的圖像中灰度值最大的像素點(diǎn)最亮，為白色，即灰度值為255的像素點(diǎn)的顏色，反之灰度值最小的像素點(diǎn)最暗，為黑色，即灰度值為0的像素點(diǎn)的顏色REF_Ref29102\r\h[20]。目前，灰度化方法常用的主要有下列幾種(李雅婷,趙麗萍,2020)：最大值法：該灰度化法是同時(shí)令R、G、B的三個(gè)值，等于其中數(shù)值最大的一個(gè)值，即R=G=B=max(R、G、B)，由于R、G、B值中兩個(gè)值都變大，所以使用最大值法得到的灰度化圖像會(huì)變亮，更靠近于白色，利用最大值法處理后的灰度化圖像如圖2-1所示：圖2-1最大值法轉(zhuǎn)化的灰度圖圖2-2平均值法轉(zhuǎn)化的灰度圖平均值法：該灰度化法是通過求取R、G、B三個(gè)分量的平均值，并令這三個(gè)值同時(shí)等于所計(jì)算的平均值，即R=G=B=（R+G+B）/3，由于三個(gè)值所賦的值為這三個(gè)值的平均數(shù)，所以使用平均值法得到的灰度化圖像相對而言會(huì)更加柔和，這無疑地傳達(dá)出利用平均值法處理后的灰度化圖像如圖2-2所示(鄧嘉晨,張梓萱,2022)：加權(quán)平均值法：該灰度化法是通過衡量R、G、B三個(gè)值的重要性，或者其它所要求的指標(biāo)，對這三個(gè)值作加權(quán)平均，數(shù)學(xué)公式表示為：R=G=B=XR+YG+ZB，其中X，Y，Z分別R、G、B所對應(yīng)的權(quán)重。大量的實(shí)驗(yàn)研究表示，人眼敏感度最高的顏色是綠色，其次是紅色，敏感度最低的顏色是藍(lán)色，故而該算式中Y>X>Z，并且研究表明：當(dāng)X=0.30，Y=0.59，Z=0.11時(shí)，灰度變化后的圖像是最符合人眼對顏色的感受REF_Ref29266\r\h[21]，利用加權(quán)平均值法處理后的灰度化圖像如圖2-3所示(黃子豪,李詩琪,2022)：圖2-3加權(quán)平均值法轉(zhuǎn)化的灰度圖本次設(shè)計(jì)是通過對rgb2gray函數(shù)直接調(diào)用，即人們根據(jù)用加權(quán)平均值法編寫的函數(shù)，實(shí)現(xiàn)了圖像的灰度化處理，通過函數(shù)的調(diào)用，從這些現(xiàn)象中顯示簡化了我們的操作過程，且實(shí)現(xiàn)的效果更符合人眼所觀察到的蘋果圖像。蘋果原始圖像、處理后的灰度化圖像分別如圖2-4、2-5所示：圖2-4蘋果原始圖像圖2-5蘋果的灰度化圖像2.3圖像的平滑處理初始圖像的獲取過程中，難免受到傳輸設(shè)備和拍攝抖動(dòng)等的影響，對圖像處理產(chǎn)生額外的噪聲干擾，這些噪聲對后續(xù)的特征提取和視覺效果都會(huì)產(chǎn)生難以避免的影響。所以灰度化處理后的圖像還需進(jìn)行平滑處理從而改善圖像質(zhì)量，從這些操作中看出降低噪聲的干擾(王宏偉,張怡萱,2023)REF_Ref29373\r\h[22]。目前，干擾噪聲消除的方法主要有兩種：頻域法和空域法，頻域法以低通濾波技術(shù)和傅里葉變換為技術(shù)基礎(chǔ)，空域法以模板卷積為技術(shù)基礎(chǔ)(龔浩杰,劉晨曦,2022)。其中，頻域法是通過保留頻域中的低頻成分，濾除頻域中的高頻成分，從而實(shí)現(xiàn)頻域中的平滑處理，實(shí)現(xiàn)干擾噪聲消除的目的，但是由于在頻域法處理的過程中，這在一部分程度上揭示了需要于頻域和時(shí)域中進(jìn)行不斷的切換，所以處理起來速度較慢，在實(shí)際操作中不能夠廣泛應(yīng)用。以上結(jié)果給研究在后文的行文有了一定的啟示，它強(qiáng)調(diào)了理論與實(shí)證研究緊密結(jié)合的重要性。本研究表明在構(gòu)建理論框架時(shí)充分考慮實(shí)際數(shù)據(jù)和案例的支持可以大大提高理論的解釋力和預(yù)測能力。這不僅有助于加深對現(xiàn)有現(xiàn)象的理解也為未來可能出現(xiàn)的新情況提供了應(yīng)對思路。所以在實(shí)際的應(yīng)用中，通常選擇的平滑處理方式是空域法，目前，主要包括中值濾波、快速中值、鄰域平均法等方法REF_Ref29419\r\h[23]。在平滑處理前，需要先通過調(diào)用imcomplement函數(shù)，實(shí)現(xiàn)灰度圖的取反，是圖片呈現(xiàn)出底片的效果，此函數(shù)在編譯器中的表達(dá)式為(劉錦程,王婷婷,2022)：im2=imcomplement(im1)（2-1）其中im1的數(shù)據(jù)來自源圖像，im2的數(shù)據(jù)來自取反后的圖像。2.3.1中值濾波法中值濾波法是非線性濾波的一種方式，在空域法中經(jīng)常被使用。中值濾波法的原理是排序窗口中的像素，取排序后的像素中值，然后再次移動(dòng)窗口，對新窗口中的像素排序，獲得其中的中值像素點(diǎn)，不斷重復(fù)以上步驟，至所有像素點(diǎn)排序完畢。中值濾波法不僅可以平滑噪聲，還能保護(hù)圖像的邊緣信息，對信號邊緣的保護(hù)，以現(xiàn)有結(jié)果為基準(zhǔn)我們可以推斷使圖像邊緣部分不會(huì)模糊，這種優(yōu)良性質(zhì)，是線性濾波方法所不具備的，也因此，中值濾波法在數(shù)字圖像步驟中的邊緣提取得到了廣泛的應(yīng)用，對于椒鹽噪聲，其濾波效果尤其更佳。此外，中值濾波不僅適用于軟件，在硬件中也易于實(shí)現(xiàn)，實(shí)現(xiàn)的算法也很簡單(范曉霜,徐英杰,2021)REF_Ref30304\r\h[24]。在MATLAB中，只需調(diào)用函數(shù)medfilt2，即可實(shí)現(xiàn)圖像的中值濾波，其在編譯器中的表達(dá)式為：A=medfilt2（B,[m,n]）(2-2)其中，A為進(jìn)行中值濾波后的圖像矩陣，B為原圖矩陣，m和n是模版數(shù)據(jù)處理大小，默認(rèn)值為3×3。使用中值濾波法得到的圖像如圖2-6所示：2-6中值濾波處理后的圖2.3.2快速中值濾波快速中值濾波是中值濾波的優(yōu)化算法，它利用窗口移動(dòng)時(shí)，部分像素沒有移出窗口，故而仍然處于窗口移動(dòng)前排好序的狀態(tài)，這在一定意義上透露了因此只用將新添加的像素插入原來的像素中，就可以實(shí)現(xiàn)排序的完成。由于有時(shí)我們并不需要一個(gè)完整的排列數(shù)序，找到部分所需排列像素的中值，就完成了中值濾波(邱藝文,袁雅彤,2022)。快速中值濾波法采用直方圖來計(jì)算像素點(diǎn)，直方圖中像素點(diǎn)是橫坐標(biāo)，窗口中像素點(diǎn)的個(gè)數(shù)是縱坐標(biāo)，這在一定程度上顯露通過在直方圖的橫坐標(biāo)上設(shè)置一個(gè)可以左右移動(dòng)的光標(biāo)，當(dāng)光標(biāo)移動(dòng)到橫坐標(biāo)兩邊的像素點(diǎn)相等的位置時(shí)，光標(biāo)對應(yīng)的像素點(diǎn)就是我們所尋找的中值，接著移動(dòng)窗口，讓直方圖得到更新，并再次移動(dòng)橫坐標(biāo)上的光標(biāo)，找到橫坐標(biāo)上像素點(diǎn)相等的像素值，不斷重復(fù)這個(gè)過程。其中，我們需要注意，光標(biāo)的移動(dòng)過程中，不能讓光標(biāo)移動(dòng)到像素點(diǎn)為0的點(diǎn)上，當(dāng)光標(biāo)移動(dòng)到像素點(diǎn)為0的點(diǎn)上時(shí)，在這個(gè)窗口中，很有可能無法找到所需的中值(郝建華,王碩輝,2021)REF_Ref30392\r\h[25]。使用快速中值濾波法得到的圖像如圖2-7所示：圖2-7快速中值濾波法處理后的圖像2.3.3鄰域平均法鄰域平均法是將圖像中某些突變像素值，即噪聲點(diǎn)，使其數(shù)值等于其周圍一圈像素點(diǎn)的平均值，以減少這些像素點(diǎn)的影響。結(jié)論與預(yù)測的這一致性也為實(shí)際應(yīng)用提供了理論依據(jù)，表明基于這些理論發(fā)展出的技術(shù)或策略具有較高的可行性和有效性。本研究不僅在理論上有所貢獻(xiàn)在實(shí)踐應(yīng)用方面同樣具備重要價(jià)值。然而盡管目前的結(jié)果令人鼓舞仍需認(rèn)識到科學(xué)研究的動(dòng)態(tài)性和復(fù)雜性，持續(xù)關(guān)注后續(xù)可能出現(xiàn)的新情況和挑戰(zhàn)不斷調(diào)整和優(yōu)化研究策略。因而，使用鄰域平均法進(jìn)行平滑濾波后，一個(gè)明顯的結(jié)果就是濾波后的圖片會(huì)產(chǎn)生一定程度的模糊，這在某種程度上證實(shí)了從而對后續(xù)的操作產(chǎn)生影響。故而有人針對此現(xiàn)象提出了超限鄰域平均法(余佳怡,趙英杰,2021)：若圖像中某個(gè)像素點(diǎn)的灰度值在一定程度上大于其鄰域像素的平均值，就直接判定該像素點(diǎn)為噪聲，并且該像素點(diǎn)的灰度值設(shè)定為其鄰域像素的均值REF_Ref30493\r\h[26]REF_Ref30503\r\h[27]。使用鄰域平均法得到的圖像如圖2-8所示(何逸飛,孫子凡,2022)：圖2-8鄰域平均法處理后的圖像在本系統(tǒng)的設(shè)計(jì)過程中，不僅需要考慮圖像處理的效率，還要綜合考慮實(shí)現(xiàn)的難易、準(zhǔn)確程度，均值濾波模糊了圖像邊緣，目前MATLAB中沒有編譯好的快速中值濾波法，故而其調(diào)用沒有中值濾波法方便，所以結(jié)合程序?qū)嶋H執(zhí)行過程中的分級效率和便利性，最終選擇采用中值濾波法來實(shí)現(xiàn)灰度化處理后的平滑處理(劉秀芳,周雅琴,2020)。2.4圖像的二值化及噪點(diǎn)消除圖像的二值化，就是將圖像變成只有兩個(gè)值的過程，這兩個(gè)值分為0和1，是圖像處理中平滑處理后的后續(xù)操作。這在某種程度上說明了首先需要通過調(diào)用graythresh函數(shù)，得到灰度化圖像的二值化閾值，接著將大于閾值的灰度值，統(tǒng)一設(shè)定為1，而對于小于閾值的灰度值，則統(tǒng)一設(shè)定為0。經(jīng)過二值化處理后的經(jīng)過圖像，其所包含的信息量將更加簡單，數(shù)據(jù)量也因此減少，還能突出感興趣的對象輪廓，更有利于提取圖像中的信息(朱文靜,高夢媛,2020)。如果希望獲取的二值圖效果更加理想，則可重新定義圖像區(qū)域，采用封閉連接的邊界重新設(shè)定一個(gè)不疊加的區(qū)域，對于區(qū)域中像素點(diǎn)灰度值大于或等于閥值的，這在一定程度上注解了全部判定其為特定物體，并設(shè)置其灰度值為255，而對于灰度值小于閾值的像素點(diǎn)，則將其排出在區(qū)域之外，并且設(shè)定其灰度值為0，調(diào)用函數(shù)im2bw即可實(shí)現(xiàn)圖像的二值化。從中可以看出本文的研究與前文的理論驗(yàn)證基本一致，這不僅印證了研究方向的正確性，同時(shí)也進(jìn)一步鞏固了該領(lǐng)域內(nèi)現(xiàn)有理論框架的有效性和可靠性，本研究通過引入新的視角和方法論對既有理論進(jìn)行了補(bǔ)充和完善為未來的研究提供了更為堅(jiān)實(shí)的基礎(chǔ)和廣闊的探索空間。在編譯器中的表達(dá)式為(葉子欣,蔣子淇,2022)：thresh=graythresh(I)

(2-3)其中I是原圖矩陣，thresh表示自動(dòng)得到的二值化閾值。A=im2bw(I,thresh);

(2-4)其中，I是原圖矩陣，不同的thresh值有著不同的效果，如thresh=0.5時(shí)，表示灰度值在128以下的所有像素點(diǎn)變成黑色，而所有灰度值在128的像素點(diǎn)都將變成白色。并通過imclose、imfill函數(shù)對圖像實(shí)現(xiàn)閉運(yùn)算，交融圖像中的細(xì)長彎口和窄缺口，補(bǔ)齊蘋果圖像輪廓上的縫隙，實(shí)現(xiàn)噪點(diǎn)的消除和圖像填充，在編譯器中的表達(dá)式為：IM2=imclose(IM,SE)(2-5)其中SE是單個(gè)結(jié)構(gòu)元素對象或者結(jié)構(gòu)元素對象的數(shù)組的表示(張昕怡,李景瑞,2022)。BW2=imfill(BW,'holes')(2-6)其中holes表示填充二值圖像中的空洞區(qū)域二值化、消除噪點(diǎn)和圖像的填充并后得到的圖像如圖2-9、2-10所示：圖2-9二值化后的圖像圖2-10噪點(diǎn)消除及圖像填充圖像2.5本章小結(jié)本章通過比較不同的灰度化、平滑處理的方法，最后通過加權(quán)平均值法，直接調(diào)用軟件中自帶的rgb2gray函數(shù)，實(shí)現(xiàn)圖像的灰度化處理，中值濾波法，即調(diào)用medfilt2函數(shù)對灰度化后的蘋果圖像進(jìn)行平滑處理，既對噪聲進(jìn)行了合理的處理，也使預(yù)處理后的圖像變的更加清晰，使用的便利性也是這幾種方法中最好的，某程度能看出有效的保證了后續(xù)水果特征提取的準(zhǔn)確性，并通過二值化處理，即調(diào)用im2bw函數(shù)使整個(gè)圖像呈現(xiàn)出明顯的黑白效果，最后通過imclose、imfill函數(shù)進(jìn)行噪點(diǎn)的消除和圖像的填充處理，有利于后續(xù)工作的繼續(xù)開展(李宇杰,周銘遠(yuǎn),2022)。水果大小特征的提取3.1引言水果分級的一個(gè)重要標(biāo)準(zhǔn)就是水果的大小，因而，本次設(shè)計(jì)的一個(gè)重要過程就是提取水果的大小特征。目前，提取水果大小特征的方法已經(jīng)有很多，在水果大小特征提取方面的研究已經(jīng)比較成熟(孫家輝,王紫琪,2023)。3.2水果大小檢測分級和研究目前，主要有兩種方案來獲取水果的大小特征：一是通過切割水果邊緣，從而獲取水果的果徑大小，水果的果徑就是水果的直徑，這無疑地傳達(dá)出可以直接確定水果的大小，從而完成水果的大小分級；二是通過提取水果的邊緣部分，對提取出的邊緣部分進(jìn)行單獨(dú)的傅里葉變換，由傅里葉變換得到的傅里葉系數(shù)，從這些現(xiàn)象中顯示實(shí)現(xiàn)水果的果徑大小、果形等重要的特征值的計(jì)算計(jì)算，從而實(shí)現(xiàn)水果的大小特征分級(張雨澤,鄭和宇,2023)。這一結(jié)果與理論上大致相同，這也驗(yàn)證了前期研究中所提出的構(gòu)思從而進(jìn)一步鞏固了該領(lǐng)域的理論框架。本研究的發(fā)現(xiàn)不僅在方法論上提供了新的視角，而且對于實(shí)際應(yīng)用也具有重要的指導(dǎo)，而通過對比分析本文發(fā)現(xiàn)與預(yù)期結(jié)果之間的偏差可以歸因于特定變量的影響，這為后續(xù)研究指明了方向。3.2.1投影面積法投影面積法是根據(jù)采集到的二維水果原始圖像，對預(yù)處理后的蘋果圖像面積S進(jìn)行計(jì)算，通過大量的實(shí)驗(yàn)數(shù)據(jù)，得到蘋果實(shí)際表面積和所求投影面積S之間的關(guān)系K，即蘋果實(shí)際的表面積等于投影面積S與K的乘積(劉珂瑤,陳曉彤,2022)REF_Ref30650\r\h[28]。從這些操作中看出在前期圖像預(yù)處理的過程中，包含了圖像的二值化，這使得蘋果的圖像中的每個(gè)像素都可以看成一個(gè)點(diǎn)，通過調(diào)用bwarea函數(shù)，就可以得到所有的像素點(diǎn)，即蘋果的投影面積大小，該函數(shù)在編譯器中的表達(dá)式為：B=bwarea(BW)(3-1)其中，BW是預(yù)處理中二值化后的圖像；B是利用bwarea函數(shù)計(jì)算的蘋果投影圖像的面積。由于K值需要我們通過大量數(shù)據(jù)的和實(shí)驗(yàn)才能獲取，并且得到的蘋果表面積僅為近似數(shù)值，具有效率低、穩(wěn)定性差、準(zhǔn)確率低的特點(diǎn)，故不適合本次蘋果大小特征的獲取。3.2.2最小外接矩形法最小外接矩形法是找到蘋果的最小外接矩形，首先需要確定蘋果的中心位置，并在中心位置出進(jìn)行固定，使水果以固定的旋轉(zhuǎn)度數(shù)轉(zhuǎn)動(dòng)，旋轉(zhuǎn)的范圍在90度內(nèi)，旋轉(zhuǎn)的角度一般選擇3度，選擇一次，這在一部分程度上揭示了就記錄本次旋轉(zhuǎn)過程中，外接矩形邊界在橫坐標(biāo)上的最大值x,縱坐標(biāo)上的最大值y，矩形的面積就等于4xy，通過每一次旋轉(zhuǎn)所記錄的坐標(biāo)值計(jì)算外接矩形的面積，所求的面積中面積最小的那個(gè)矩形即為所尋找的矩形，該最小外接矩形的長即為蘋果的果徑長度，將獲得的果徑長度與國家蘋果分級標(biāo)準(zhǔn)中的大小分級標(biāo)準(zhǔn)相對照，即可實(shí)現(xiàn)水果大小特征的分級REF_Ref30751\r\h[29]REF_Ref30761\r\h[30]。通過最小外接矩形法得到的矩形框圖如圖3-1所示(王思遠(yuǎn),何瑞華,2022)：圖3-1最小外接矩形法3.2.3最小外接圓法最小外接圓法首先需要采集蘋果邊緣的像素點(diǎn)，找到所有像素點(diǎn)中距離最大的兩個(gè)點(diǎn)，記這兩個(gè)像素點(diǎn)之間的距離為dmax，接著求取兩個(gè)像素點(diǎn)的中點(diǎn)坐標(biāo)，并繼續(xù)尋找蘋果邊緣像素點(diǎn)上除最初兩個(gè)點(diǎn)外的離求出的中點(diǎn)最遠(yuǎn)的像素點(diǎn)，以現(xiàn)有結(jié)果為基準(zhǔn)我們可以推斷求該點(diǎn)到中點(diǎn)像素點(diǎn)之間的距離d，若d<=0.5dmax,則該中點(diǎn)即為最小外接圓的圓心，若d>0.5dmax,則由離中心最遠(yuǎn)的點(diǎn)和距離最大的兩點(diǎn)組成的三角形的最小外接圓的圓心為蘋果二值化圖像的最小外接圓的圓心(趙建輝,陳佳璇,2022)。盡管當(dāng)前研究結(jié)果與理論預(yù)期相符，但在應(yīng)用這些結(jié)論時(shí)仍需考慮特定情境下的局限性和可能存在的變量影響，以便更全面地解釋現(xiàn)象并指導(dǎo)實(shí)踐。未來的研究可以著眼于探索這些變量的影響機(jī)制，以及在不同條件下的適用性，從而推動(dòng)理論與實(shí)踐的深度融合。設(shè)最小外接圓的半徑為R,邊緣輪廓上各個(gè)點(diǎn)到圓心的最小距離為Rmin，則(R-Rmin)的差值即為最小外接圓的圓度誤差REF_Ref30843\r\h[31]。這在一定意義上透露了通過最小外接圓法得到的結(jié)果如圖3-2所示：圖3-2最小外接圓法通過對以上方法進(jìn)行比較，最終決定采用最小外接圓法來實(shí)現(xiàn)蘋果大小的特征提取，這是由于靜態(tài)圖像中，蘋果邊緣像素點(diǎn)的獲取較容易，進(jìn)而容易求得蘋果的中心坐標(biāo)及蘋果的半徑，根據(jù)蘋果的半徑即可求得蘋果的直徑，即果徑的大小，而投影面積法需要大量的數(shù)據(jù)和實(shí)驗(yàn)才能確定K值；這在一定程度上顯露最小外接矩形法則計(jì)算量大，操作起來比較麻煩，效率不高，且提取到的最小外接矩形長寬不一定一致，故而得到的果徑值不夠精確。所以在本次設(shè)計(jì)中，選擇了最大果寬法來實(shí)現(xiàn)蘋果大小特征的獲取(胡晨曦,林宇語,2019)。3.3水果大小分級標(biāo)準(zhǔn)通過國家蘋果分級標(biāo)準(zhǔn)，得知對于蘋果的果徑大小分級如表3-1所示：等級優(yōu)等/mm一等/mm二等/mm等外/mm大型果>=80>=75>=70<70中型果>=65>=60>=55<55小型果>=60>=55>=50<50表3-1國家蘋果大小分級標(biāo)準(zhǔn)蘋果的分級模型可以表示如下：IfL>=th1;蘋果是優(yōu)等果ElseifL>=th2;蘋果是一等果ElseifL>=th3;蘋果是二等果Else；蘋果是等外果其中，th1、th2、th3分別對應(yīng)優(yōu)等果、一等果和二等果。3.4本章小結(jié)本章通過對比幾種不同求取蘋果大小的方法，最終選擇最小外接圓法來實(shí)現(xiàn)蘋果大小特征的提取，首先采集蘋果的邊緣像素點(diǎn)，并找出所有采集的像素點(diǎn)之間的距離最大的兩個(gè)點(diǎn)，接著求取其中點(diǎn)坐標(biāo)以及除此兩點(diǎn)外的另一個(gè)距離最遠(yuǎn)的像素點(diǎn)，最后通過比較，獲得蘋果圖像的最小外接圓及其半徑大小，這在某種程度上證實(shí)了進(jìn)而求得果徑的大小，并將提取到的果徑大小與國家的蘋果分級進(jìn)行對照，實(shí)現(xiàn)對蘋果大小的分級(許浩然,吳泰寧,2020)。水果顏色特征的提取4.1引言蘋果口感和品質(zhì)的一個(gè)重要判斷依據(jù)就是蘋果的顏色。色澤飽滿的蘋果，其口感往往偏甜，含糖量多，屬于品質(zhì)優(yōu)等的蘋果，相反，著色率差的蘋果，其口感及品質(zhì)都較差。這和顧客在購買的過程中，更傾向于選擇色澤飽滿、著色度高的蘋果的實(shí)際情況是相吻合的。所以在本次設(shè)計(jì)過程中，蘋果顏色特征的提取是非常重要的(李晨逸,鄭睿潔,2022)REF_Ref30973\r\h[32]。4.2水果顏色的模型4.2.1顏色模型的基本介紹顏色模型(顏色空間)是一個(gè)數(shù)學(xué)模型，此模型實(shí)現(xiàn)了用一組數(shù)值對顏色進(jìn)行描述，合適彩色模型的選取在彩色圖像的處理過程中是非常關(guān)鍵的一步REF_Ref31071\r\h[33]。目前，常見的彩色模型根據(jù)其應(yīng)用可分為以下兩類：面向硬件設(shè)備的彩色模型RGB模型面向硬件設(shè)備使用的最經(jīng)典、最常見的彩色模型，如電視、攝像機(jī)和彩色掃描儀等常用的硬件設(shè)備，都以RGB模型為基礎(chǔ)來完成其工作。RGB顏色模型是建立在坐標(biāo)系中一個(gè)立方體模型，該坐標(biāo)系的縱橫豎三個(gè)坐標(biāo)軸分別代表R、G和B，即紅、綠、藍(lán)三種顏色，如圖4-1所示，原點(diǎn)坐標(biāo)（0,0,0）表示黑色，這在某種程度上說明了與原點(diǎn)相對的立方體上與原點(diǎn)相距最遠(yuǎn)的那個(gè)點(diǎn)（1,1,1）表示白色，RGB模型中，白光由紅光加綠光加藍(lán)光疊加而成，所以其建立的基礎(chǔ)是光的疊加，它在顯示器這樣的設(shè)備中得到廣泛的應(yīng)用(鐘麗娜,黃浩宇,2022)REF_Ref31163\r\h[34]。圖4-1RGB模型然而，RGB顏色模型存在一個(gè)顯著的缺點(diǎn)，它與人的心理感知不相符，通過R、G、B所對應(yīng)的數(shù)值，我們無法得到相應(yīng)的數(shù)值所代表的顏色屬性，故而RGB模型不過直觀，這是其不能面向視覺感知的一個(gè)重要原因。這在一定程度上注解了此外，RGB模型中的顏色分布不夠均勻，通過RGB顏色模型中兩個(gè)顏色點(diǎn)之間的距離，我們不能得到這兩種顏色之間的知覺差異，因此，這種顏色模型只能面向硬件設(shè)備(任力宏,李志凱,2021)。YCrCb模型在YCrCb模型中，Y是亮度分量的表示，Cr是紅色色度分量的表示，而Cb是藍(lán)色色度分量的表示。通過大量實(shí)驗(yàn)表明，人類的肉眼在三個(gè)分量中最敏感的是Y分量，因此，盡管對亮度分量子采樣，某程度能看出此時(shí)亮度分量將減少，但人眼也不能察覺到圖像質(zhì)量的變化REF_Ref31271\r\h[35]。這是YCrCb模型常用于膚色的檢測的一個(gè)原因，通過各類實(shí)驗(yàn)人們發(fā)現(xiàn)，面向硬件設(shè)備的RGB顏色模型與YCrCb顏色模型之間可以進(jìn)行相互的轉(zhuǎn)換。其中RGB顏色模型轉(zhuǎn)成YCbCr顏色模型的公式為(邱夢瑤,方啟航,2022)：Y=0.299R+0.587G+0.114BCb=0.564(B-Y)

Cr=0.713(R-Y)（4-1）YCbCr顏色模型轉(zhuǎn)成RGB顏色模型的公式為：R=Y+1.402Cr

G=Y-0.344Cb-0.714Cr

B=Y+1.772Cb（4-2）面向視覺感知的彩色模型以上描述的是和人眼的視覺感知是不相似的面向硬件設(shè)備的彩色模型，使用起來并不方便，如即使已知一個(gè)RGB彩色模型，我們也無法用肉眼判定其R、G、B分量。因此人們發(fā)現(xiàn)了面向視覺感知的彩色模型，這些模型更接近我們?nèi)搜鄣母兄闆r，并且還存在獨(dú)立的設(shè)備顯示。常見的面向視覺感知的彩色模型如下所示(傅德昊,張媛媛,2021)：HSI模型HSI模型是面向視覺感知中常見的的顏色模型，其模型為雙菱錐結(jié)構(gòu)，如圖4-2所示：圖4-2HSI模型其中，色調(diào)H（Hue）:是人對不同顏色的感官感知的表示，取決于光波的波長，H分量不同，顏色不同，它還能表示如冷色、暖色等在一定范圍內(nèi)的顏色，由其數(shù)值所決定，H分量的值對應(yīng)一個(gè)夾角，這無疑地傳達(dá)出即R軸與指向該點(diǎn)的矢量之間的角度(馮宇和,馬欣怡,2022)。這一結(jié)果與理論上的預(yù)測基本一致，首先表明在設(shè)定的條件范圍內(nèi)，實(shí)際情況與理論模型之間具有高度的吻合性。這不僅增強(qiáng)了本文對相關(guān)理論機(jī)制的理解，同時(shí)也為后續(xù)研究提供了堅(jiān)實(shí)的基礎(chǔ)。此外，此發(fā)現(xiàn)還進(jìn)一步支持了該領(lǐng)域內(nèi)其他類似研究所得到的結(jié)論，促進(jìn)了理論框架的完善與發(fā)展。飽和度S（Saturation）:是顏色純度的表示，純光譜色是完全飽和的，想要稀釋飽和度，可以加入白光實(shí)現(xiàn)，越鮮艷的顏色其飽和度越大，反之飽和度越小的顏色，越不鮮艷。在三角形中，飽和度由內(nèi)向外增大，中心的飽和度最小，邊上的飽和度最大(史嘉玲,葉振華,2020)。亮度I（Intensity）:表示顏色的明亮程度，對應(yīng)于圖像的亮度和灰度，HSI模型中，中點(diǎn)向上變?yōu)榘咨?，從這些現(xiàn)象中顯示向下變?yōu)楹谏?，越白越亮，越黑越?高晨曦,劉國棟,2022)REF_Ref31395\r\h[36]。經(jīng)學(xué)者研究發(fā)現(xiàn)，RGB顏色模型與HSI顏色模型之間是能夠相互轉(zhuǎn)化的，轉(zhuǎn)化公式如下所示：HS=1?

I=(R+G+B)3

HSI模型建立的幾個(gè)重要依據(jù)如下：1.圖像中的彩色信息與I分量無關(guān)；2.人眼感受顏色的方式與H和S分量有著直接的關(guān)系的，3.實(shí)驗(yàn)條件中，光源的純度和強(qiáng)度一定，故而圖像的S和I分量固定，所以彩色圖像特征提取只需提取H分量的特征，這幾個(gè)特點(diǎn)保證了HSI模型可以對彩色特性進(jìn)行檢測，并且保證了其分析的準(zhǔn)確(余佳怡,趙英杰,2021)。為保證研究結(jié)果的精準(zhǔn)性，本研究考慮到研究過程中可能出現(xiàn)的各種偏差，本文在設(shè)計(jì)階段就采取了多種策略來加以控制。為了增強(qiáng)研究的透明度和可重復(fù)性，本文詳細(xì)記錄了所有研究步驟，包括數(shù)據(jù)處理過程、分析方法的選擇依據(jù)以及任何可能影響結(jié)果的決策點(diǎn)。HSB模型HSB彩色模型是基于對立色理論建立的，對立色理論起源于人們對對立色調(diào)的觀察，如紅和綠、黃和藍(lán)，人們通過觀察發(fā)現(xiàn)，當(dāng)相同量的對立色相加后，其所顯現(xiàn)的顏色能夠相互抵消，故而人們建立HSB彩色模型，其中H是色調(diào)的表示，S是飽和度的表示，B是亮度的表示，并且在HSB模型中，白色和黑色無色相，白色、黑色和灰色沒有飽和度REF_Ref31486\r\hREF_Ref31516\r\h[37]。HSB的模型結(jié)構(gòu)如圖4-3所示：圖4-3HSB模型其中，H（Hue）色調(diào)：在標(biāo)準(zhǔn)色環(huán)上，按照角度值的不同進(jìn)行標(biāo)識，從0°-360°，每一個(gè)度數(shù)對應(yīng)一個(gè)顏色，如0°是紅色，30°是橙色。S（Saturation）飽和度：指顏色的純度，從這些操作中看出它表示總色彩中彩色成分的比例，從左向右，色立面上的飽和度逐次遞增，用百分比來進(jìn)行衡量，從左到右對應(yīng)從0%到100%，其中，灰色對應(yīng)左邊線0%，右邊線100%對應(yīng)完全飽和(許琦璇,趙光宇,2022)。B（Brightness）亮度：顏色明暗程度的表示，從上至下，色立面上的亮度依次遞減，用百分比來度量，從上至下對應(yīng)從0%到100%，其中，白色對應(yīng)上邊線100%，黑色對應(yīng)下邊線0%。4.2.2蘋果顏色模型的選擇及實(shí)現(xiàn)由于圖像的彩色信息中，HSI顏色模型中的I分量與圖像中彩色信息無關(guān)，并且HSI模型與人對顏色的感受十分相近REF_Ref31597\r\h[38]，所以本次將選擇HSI模型來實(shí)現(xiàn)蘋果顏色特征的提取。在分級的實(shí)際過程中，首先利用采集到的蘋果圖像，這在一部分程度上揭示了提取其中的RGB分量，接著根據(jù)轉(zhuǎn)化公式編寫的rgb2hsi函數(shù)進(jìn)行模型轉(zhuǎn)化，轉(zhuǎn)化為貼合人眼視覺的HIS模型，提取其中的HIS分量。在本次分級系統(tǒng)設(shè)計(jì)中，提取到的R、G、B分量如圖4-4所示：圖4-4蘋果的RGB分量圖轉(zhuǎn)換后的HSI分量如圖4-5所示：圖4-5蘋果的HSI分量圖4.3水果顏色特征的分析及等級的劃分在蘋果的顏色等級劃分中，囊括了很多方面，其中，色度、紅區(qū)比例及蘋果的著色均勻度三部分是最主要的，就色度而言，青蘋果的色度比黃蘋果的大，而就品質(zhì)的話，偏黃蘋果的品質(zhì)較偏綠的好；蘋果紅區(qū)的比例是蘋果紅區(qū)面積大小的反映，而紅區(qū)面積又代表蘋果的含糖量，蘋果的紅區(qū)面積越大，以現(xiàn)有結(jié)果為基準(zhǔn)我們可以推斷其含糖量越高，相應(yīng)的，蘋果的口感就更好；蘋果的顏色均勻性也很重要，即蘋果的著色均勻度，著色越均勻的蘋果，越美觀，顧客更愿意購買，蘋果的著色度在蘋果顏色的分級過程中起著十分重要的作用，它是蘋果的紅區(qū)面積和蘋果總表面積比值的反映(王子杰,李可欣,2022)。蘋果顏色特征的提取方法是：首先將初始的RGB圖形用轉(zhuǎn)換公式編寫的rgb2hsi函數(shù)將其轉(zhuǎn)化為HSI模型，并提取其中的H分量，然后通過graythresh函數(shù)，提取合適的閾值對紅區(qū)進(jìn)行二值化處理，并對紅區(qū)的面積進(jìn)行計(jì)算，最后用紅區(qū)面積與蘋果總表面積相比，比值即為蘋果的著色度。其中，國家蘋果顏色等級的劃分如表4-1所示：蘋果等級優(yōu)等品一等品二等品顏色紅或條紅90%以上紅或條紅75%以上紅或條紅55%以上表4-1鮮蘋果顏色等級要求4.4本章小結(jié)蘋果顏色特征的提取是蘋果分級中一個(gè)重要的因素，本章中選取了與人眼感受顏色方式最接近的HSI模型，利用H分量獲取得到蘋果紅區(qū)的面積大小，再將求得的紅區(qū)面積大小與蘋果的實(shí)際表面積相比，這在一定意義上透露了所得的比值即為蘋果的著色度，最后按照國家蘋果顏色等級標(biāo)準(zhǔn)進(jìn)行劃分，得到蘋果的顏色等級。在本文的研究推進(jìn)過程中不可避免地遇到了一些挑戰(zhàn)和局限，例如在應(yīng)用已有理論框架時(shí)，盡量考慮到其適用性和局限性，并嘗試通過實(shí)證數(shù)據(jù)對其進(jìn)行檢驗(yàn)和完善，但這仍然是一個(gè)持續(xù)的過程。水果形態(tài)特征的提取5.1引言水果的形態(tài)一般從果形、果徑、色澤三方面進(jìn)行討論研究，根據(jù)其特征按照國家水果分級標(biāo)準(zhǔn)劃分為等外品、二等品、一等品、優(yōu)等品這幾種品質(zhì)。其中果徑和色澤在前文中已經(jīng)進(jìn)行了討論，現(xiàn)在將針對蘋果的果形進(jìn)行探索。這在一定程度上顯露蘋果的果形一般描述為圓形度、圓形指數(shù)，圓形度是指果實(shí)的圓形程度，越圓的蘋果果形，在分級過程中，果實(shí)被劃分的等級將越高，這和實(shí)際生活中，顧客更愿意購買更圓潤的水果的情況是相符合的；而果形指數(shù)讓果實(shí)縱徑與橫徑相比，根據(jù)計(jì)算得到的比值可將果形分為圓形、橢圓形、扁圓形等類型。在現(xiàn)階段的研究過程中，對果形的研究主要從圓形度上入手(林欣怡,張宏偉,2023)。5.2水果形態(tài)的檢測及分級標(biāo)準(zhǔn)5.2.1蘋果形態(tài)的檢測方法通常，形態(tài)特征表示的方法有兩種，一種是區(qū)域特征，另一種是輪廓特征。圖像的區(qū)域特征主要針對整個(gè)形狀區(qū)域，而圖像的輪廓特征則只關(guān)系到物體的外邊界，下面幾種是常用的描述形狀特征的方法：最小最大半徑比值法：該方法首先需要確定蘋果的圓心，接著計(jì)算蘋果邊緣上所有像素點(diǎn)到圓心的距離，選擇其中的最小值和最大值，將最小值和最大值相比，得到的比值在0-1之間，該值即為蘋果的圓形度，蘋果越圓，比值越靠近1.傅里葉形狀描述法：此方法的基本原理是邊界區(qū)具有的周期性和封閉性，對蘋果邊界作傅里葉變換，將二維問題變換為一維問題。這在某種程度上證實(shí)了經(jīng)過變換后，可以得到三種描述形狀的表達(dá)式，分別是質(zhì)心距離、曲率函數(shù)和復(fù)坐標(biāo)函數(shù)。此方法雖然形態(tài)特征的描述比較精確，但計(jì)算量相比而言較大，并不滿足流水線中實(shí)時(shí)性分級的要求。圓度值法：該方法是通過求取蘋果的圓形的周長和面積，再根據(jù)周長和面積求出對應(yīng)的半徑，對于形狀規(guī)則的圓而言，根據(jù)周長和面積求出來的半徑是相等的，這在某種程度上說明了但由于大部分的蘋果并不是很標(biāo)準(zhǔn)的圓，所以由周長和面積求出來的圓的半徑并不相等，形狀越不規(guī)則的圓，求出來的半徑相差越大，所以可以通過兩者平方的比值來描述蘋果的圓形度REF_Ref31708\r\h[39]，并通過周長和面積進(jìn)行推導(dǎo)，得到圓形度的公式如下所示：

metric=rs2rL2=S/π其中，metric表示圓形度，rS是根據(jù)面積求出的半徑，rL是根據(jù)周長求出的半徑，且面積S=πrS2，周長L=2πrL。這在一定程度上注解了其中蘋果越圓，其圓度值越與1越接近，圖5-1為本次設(shè)計(jì)樣本中的蘋果的圓度值：圖5-1蘋果的圓度值特征5.2.2水果形態(tài)的分級標(biāo)準(zhǔn)蘋果形態(tài)的分級標(biāo)準(zhǔn)同樣按照國家頒布的分級標(biāo)準(zhǔn)，如表5-1所示：蘋果等級優(yōu)等品一等品二等品圓形度>=0.84>=0.83>=0.82表5-1蘋果圓形度分級標(biāo)準(zhǔn)5.3本章小結(jié)本章通過綜合考慮，選擇圓度值法來獲取蘋果的圓度值形態(tài)特征，能夠較好的描述蘋果的形狀，與傅里葉變換形狀描述法相比，圓度值法的計(jì)算更為簡便，運(yùn)行結(jié)果快且結(jié)果準(zhǔn)確，符合分級的實(shí)時(shí)性要求。水果分級系統(tǒng)的研究6.1引言通過前面的圖像采集、圖像處理和特征提取的分步進(jìn)行，為蘋果的分級系統(tǒng)建立做好了充足的準(zhǔn)備，蘋果的大小、顏色、形態(tài)這些都是蘋果的單一特征，只是針對某一特征進(jìn)行分級會(huì)導(dǎo)致結(jié)果的不準(zhǔn)確性和片面性，不能滿足蘋果分級的要求。只有將多個(gè)特征相結(jié)合，綜合判斷蘋果的等級，才能保證得到的蘋果分級結(jié)果是準(zhǔn)確可靠的。而GUI（圖像用戶界面）在環(huán)境開發(fā)時(shí)存在可復(fù)用的器件，能夠幫助用戶在界面測試時(shí)更加準(zhǔn)確和省時(shí)REF_Ref31973\r\h[40]。6.2水果分級系統(tǒng)的設(shè)計(jì)及結(jié)果本系統(tǒng)以GUI（圖形用戶界面）作為平臺，采用先進(jìn)的計(jì)算機(jī)技術(shù)，如模式識別、圖像處理、機(jī)器視覺等，實(shí)現(xiàn)蘋果的準(zhǔn)確分級。任何理論模型都是現(xiàn)實(shí)世界的簡化，因此不可避免地會(huì)存在一些假設(shè)和近似處理。這可能導(dǎo)致模型不能完全捕捉到所有相關(guān)變量及其復(fù)雜的交互作用，從而引發(fā)模型偏差。為了解決這一問題，本文不僅參考了廣泛接受的理論基礎(chǔ)，還結(jié)合最新的研究成果來調(diào)整和完善本文的分析框架。同時(shí)，在討論研究結(jié)果時(shí)，本文也特別注意區(qū)分哪些結(jié)論是基于特定假設(shè)得出的，哪些具有更廣泛的解釋力。本系統(tǒng)設(shè)計(jì)的GUI界面如圖6-1所示，包括“打開圖像”、“圖像處理”、“開始分級”、“退出”四個(gè)按鈕，通過“打開圖像”按鈕來導(dǎo)入采集并經(jīng)過一定處理后的蘋果圖片，某程度能看出導(dǎo)入后顯示在按鈕上面的框中；通過“圖像處理”按鈕，可實(shí)現(xiàn)圖像的預(yù)處理，包括灰度化、中值濾波和二值化處理等，并生成一個(gè)圖像預(yù)處理后的新界面，顯示圖像處理后的圖像，產(chǎn)生的新界面如圖6-2所示；通過“開始分級”按鈕可實(shí)現(xiàn)蘋果按照大小、顏色和形態(tài)三個(gè)特征的分級，首先是提取蘋果的三個(gè)特征，并將提取到的特征值分別寫入左下角對應(yīng)的特征框中，這無疑地傳達(dá)出接著與右上角國家蘋果的分級標(biāo)準(zhǔn)對照，最后將最終的結(jié)果輸入到右下角的蘋果分級結(jié)果框中，顯示最終的分級結(jié)果；通過“退出”按鈕可實(shí)現(xiàn)GUI界面的關(guān)閉；界面中有一個(gè)進(jìn)度顯示框，當(dāng)每一個(gè)按鈕實(shí)現(xiàn)了其所包含的作用后，進(jìn)度顯示框?qū)@示對應(yīng)的操作已完成。最終的運(yùn)行結(jié)果界面如圖6-3所示：圖6-1蘋果分級系統(tǒng)的GUI設(shè)計(jì)界面圖6-2彈出的圖像預(yù)處理界面圖6-3蘋果分級系統(tǒng)的結(jié)果輸出界面由于不同地域、不同季節(jié)、不同市場、不同種類蘋果的分級標(biāo)準(zhǔn)不一定一致，所以水果分級標(biāo)準(zhǔn)的設(shè)置我采用的是個(gè)人可設(shè)置的水果分級標(biāo)準(zhǔn)，即可根據(jù)當(dāng)?shù)氐臉?biāo)準(zhǔn)進(jìn)行更換，方便不同的分級需求，從這些現(xiàn)象中顯示并自帶有國家頒布的蘋果分級標(biāo)準(zhǔn)，便于用戶的使用。通過輸入蘋果的樣本圖像，得到最終的實(shí)驗(yàn)結(jié)果，并與人工分級的結(jié)果想比較，得到本系統(tǒng)的蘋果分級準(zhǔn)確率為90%及以上，且單個(gè)蘋果處理的時(shí)間不超過5s，這極大的提高了蘋果的分級效率，從這些操作中看出有效的節(jié)省了時(shí)間和勞動(dòng)力，且本系統(tǒng)不受人為因素干擾，有利于水果分級自動(dòng)化的實(shí)現(xiàn)，以上都表明了本系統(tǒng)是可行和有效的。6.3本章小結(jié)本章主要介紹了水果分級系統(tǒng)的GUI界面的設(shè)計(jì)內(nèi)容及實(shí)現(xiàn)的結(jié)果，主要包括圖像的打開、圖像預(yù)處理、蘋果分級等一列按鈕的編程實(shí)現(xiàn)，并通過國家蘋果分級標(biāo)準(zhǔn)的設(shè)置，與提取到的蘋果特征值相比較，在分級結(jié)果框中顯示最終的蘋果分級結(jié)果，該界面清晰明了、易于用戶操作，具有一定的推廣價(jià)值。第七章結(jié)論與展望7.1研究總結(jié)本文的主要內(nèi)容是基于機(jī)器視覺的水果分級系統(tǒng)研究，由于我國蘋果的產(chǎn)量巨大但出口量較小，所以選取的水果研究對象是蘋果，主要的操作過程包括蘋果圖像采集、蘋果圖像預(yù)處理、蘋果特征的提取及最終結(jié)果的輸出，為蘋果的分級奠定一定的基礎(chǔ)，論文的主要內(nèi)容和研究工作可以概括為以下幾個(gè)方面：圖像的采集：購買一定數(shù)量的蘋果并將其處于同一背景、同一光照下進(jìn)行拍攝，以保證采集的蘋果樣本圖像的可靠性，這在一部分程度上揭示了由于采集到的蘋果環(huán)境比較復(fù)雜且圖片分辨率較高，故而在圖像預(yù)處理前進(jìn)行了背景更換、圖片壓縮等處理，提高后續(xù)工作的效率；圖像預(yù)處理：預(yù)處理是輸入圖像后的操作，也是特征量提取前的必要處理步驟，通過多種處理方法的比較和對照，首先采用加權(quán)平均值法對采集到的蘋果圖像進(jìn)行灰度化轉(zhuǎn)化，接著為了消除由于拍攝時(shí)抖動(dòng)或傳輸設(shè)備等的影響而產(chǎn)生的干擾噪聲，采用中值濾波法繼續(xù)對圖像作平滑處理，然后為了方便提高計(jì)算機(jī)識別時(shí)的效率及圖像中信息的提取，對圖像繼續(xù)作二值化處理，最后為了實(shí)現(xiàn)噪點(diǎn)的消除和圖像的填充，調(diào)用imclose、imfill函數(shù)，實(shí)現(xiàn)圖像的閉運(yùn)算，融合圖像中的細(xì)長彎口和窄缺口的同時(shí)補(bǔ)齊輪廓上的縫隙。特征提?。核旨壷饕罁?jù)水果的大小、顏色、果形等特征，故而本次研究首先通過對比投影面積法、最小外接矩形法、最小外接圓法來獲取蘋果的大小特征，這是由最小外接圓法得到的果徑數(shù)值更精確所決定的，以現(xiàn)有結(jié)果為基準(zhǔn)我們可以推斷接著通過對比RGB、YCbCr、HSI、HSB等各類顏色模型，最終選取與人感受顏色的方式最接近的HSI模型，利用其中的H分量獲取蘋果紅區(qū)面積的數(shù)值，將紅區(qū)面積與蘋果的實(shí)際面積相比，比值即為蘋果的著色度，即蘋果的顏色特征值，最后通過對比邊界特征法、傅里葉形狀描述法、圓度值法，選取計(jì)算更為簡便，運(yùn)行結(jié)果快且結(jié)果準(zhǔn)確，符合分級的實(shí)時(shí)性要求的圓度值法實(shí)現(xiàn)蘋果果形特征的提取。蘋果分級：即最終蘋果分級結(jié)果的輸出，通過MATLABGUI界面的設(shè)計(jì)，將提取到的多個(gè)蘋果特征進(jìn)行融合，查閱國家規(guī)定的蘋果分級標(biāo)準(zhǔn)，與提取到的蘋果果徑、紅色著色比、圓度值三個(gè)特征值進(jìn)行對比，輸出最終的蘋果分級結(jié)果，該界面操作簡單，簡潔明了，具有一定的使用價(jià)值。7.2研究展望本文雖進(jìn)行了一定的蘋果分級算法的研究，取得了一定的研究成果，但是仍存在問題需要繼續(xù)探究，還有很多工作要做：蘋果采集的環(huán)境過于簡單，這與實(shí)際作業(yè)下蘋果分級環(huán)境是不一致的，在實(shí)際的操作環(huán)境中才可以繼續(xù)改進(jìn)分級算法。選擇分級的蘋果種類比較單一，且采集的蘋果樣本有限，因此需要建立更多的數(shù)據(jù)樣本，使分級系統(tǒng)得到不斷的完善。提取的特征值有限，在未來的研究中，還可繼續(xù)對蘋果表面的缺陷情況等進(jìn)行研究，剔除分級中的壞果，從而提高該系統(tǒng)的工作效率。參考文獻(xiàn)陳俊杰,王思涵,等.蘋果分級的研究現(xiàn)狀及進(jìn)展[J].落葉果樹,2022,051(006):24-27.李宇翔,劉婧怡.基于圖像處理的多特征融合蘋果分級方法研究[D].河北科技大學(xué),2023.張建國,孫曉琳.基于機(jī)器視覺的蘋果品質(zhì)分級技術(shù)的研發(fā)[D].黑龍江大學(xué).林浩然,陳夢琪,etal.MachineVisionforColorInspectionofPotatoesandApples[J].TransactionsoftheAsae,2021,38(5):1555-1561.ArivazhaganS,ShebiahRN,NidhyanandhanSS,etal.FruitRecognitionusingColorandTextureFeatures.journalofemergingtrendsincomputing&informationsciences,2010.?.Kavd?randD.E.Guyer.Evaluationofdifferentpatternrecognitiontechniquesforapplesorting[J].Bio王宏偉,張怡萱temsEngineering,2008.SofuMM,ErO,K陳俊杰,王思涵canMC,etal.Designofanautomaticapplesorting王宏偉,張怡萱temusingmachinevision[J].ComputersandElectronicsinAgriculture,2016.MizushimaA,LuR.AnimagesegmentationmethodforapplesortingandgradingusingsupportvectormachineandOtsu’smethod[J].Computersandelectronicsinagriculture,2013,94:29-37.OhaliYA.Computervisionbaseddatefruitgrading王宏偉,張怡萱tem:Designandimplementation[J].JournalofKingSaudUniversity-ComputerandInformationSciences,2011,23(1):29-36.MoallemP,SerajoddinA,PourghassemH.Computervision-basedapplegradingforgoldendeliciousapplesbasedonsurfacefeatures[J].InformationProcessinginAgriculture,2017:S2214317315300068.黃昕怡,楊子萱.計(jì)算機(jī)視覺在芒果品質(zhì)檢測中的應(yīng)用研究[J].農(nóng)機(jī)化研究,2019,041(009):190-193.鄭偉強(qiáng),吳雅婷.基于圖像特征融合的蘋果在線分級方法[J].農(nóng)業(yè)工程學(xué)報(bào),2017,33(01):285-291.李翔宇,鄭琳娜.基于計(jì)算機(jī)視覺的血橙無損檢測與分級技術(shù)研究[D].西南大學(xué),2016.周子浩,王靜茹.基于決策樹支持向量機(jī)的蘋果表面缺陷識別[J].食品與機(jī)械,2017,33(09):131-135.王雪晴,劉芝和.基于機(jī)器視覺的蘋果在線分級系統(tǒng)平臺研究.[沈陽農(nóng)業(yè)大學(xué)碩士論文].沈陽:沈陽農(nóng)業(yè)大學(xué),2018高宇航,唐欣怡.基于機(jī)器視覺的水果外部品質(zhì)檢測技術(shù)研究[D].華南農(nóng)業(yè)大學(xué),2017.4-5.龔雪媛,陳志宇.基于噪聲評價(jià)的微光紅外圖像自適應(yīng)融合方法[J].海軍工程大學(xué)學(xué)報(bào)，2017，29(1)：102~106．張涵煜,李澤宇.基于稀疏表示的圖像去噪算法優(yōu)化[J]．計(jì)算機(jī)與數(shù)字工程，2015，43(11)：2020~2023．趙睿智,楊可兒,等.結(jié)合全變分的雙邊濾波圖像去噪方法研究[J].現(xiàn)代電子技術(shù),2017(17):44-47.徐浩然,孫倩文.基于輪廓形狀和復(fù)雜網(wǎng)絡(luò)的圖像識別新方法[D].廣東工業(yè)大學(xué),2016.Nercessian,ShahanC,Panetta,etal.Non-LinearDirectMulti-ScaleImageEnhancementBasedontheLuminanceandContrastMaskingCharacteristicsoftheHumanVisual王宏偉,張怡萱tem[J].I(黃昕