第1章緒論八角是一種經(jīng)濟(jì)效益很強(qiáng)的經(jīng)濟(jì)作物，在國(guó)內(nèi)每年對(duì)干八角的需求量約為30000噸；八角茴油方面的需求達(dá)800噸以上。不僅如此，自1995年開始，我國(guó)的八角每年出口量大于600噸，1999年甚至達(dá)800噸[3]。但這幾年來，我國(guó)八角的出口量因品質(zhì)不穩(wěn)定而波動(dòng)較大，波動(dòng)幅度最大時(shí)甚至達(dá)到1500噸左右。出口八角品質(zhì)的不穩(wěn)定與我國(guó)八角品質(zhì)的檢測(cè)技術(shù)有很大的關(guān)系。八角外形復(fù)雜，顏色單一且色差小，我國(guó)雖已有確定的國(guó)家標(biāo)準(zhǔn)（大紅八角顏色為棕紅和褐紅，果型特征為角瓣粗短；角花八角的顏色為褐紅，果型特征為角瓣瘦長(zhǎng)；干枝八角顏色為黑紅，果型特征為壯瘦兼?zhèn)洌?，但品質(zhì)檢測(cè)特別是外觀品質(zhì)的檢測(cè)仍然依靠人工或簡(jiǎn)單機(jī)械進(jìn)行，準(zhǔn)確率低、勞動(dòng)強(qiáng)度大、效率不高，分檢后的產(chǎn)品達(dá)不到進(jìn)口國(guó)的品質(zhì)要求。因此，本文將以機(jī)器視覺技術(shù)為基礎(chǔ)探索一種八角外觀品質(zhì)檢測(cè)技術(shù)，這對(duì)加強(qiáng)我國(guó)出口八角的品質(zhì)檢測(cè)，對(duì)穩(wěn)定出口量、引導(dǎo)八角產(chǎn)業(yè)健康良性發(fā)展具有重要意義。為了分選不同類型的八角，剔除質(zhì)變八角，提高八角的外觀品質(zhì)和實(shí)用價(jià)值。亟需對(duì)八角進(jìn)行分揀，但目前八角的分揀仍然依靠人工或簡(jiǎn)單機(jī)械進(jìn)行，準(zhǔn)確率低、勞動(dòng)強(qiáng)度大、效率不高，分檢后的產(chǎn)品達(dá)不到人們的品質(zhì)要求。因此，本文將以機(jī)器視覺技術(shù)為基礎(chǔ)，對(duì)八角進(jìn)行外觀品質(zhì)檢測(cè)。機(jī)器視覺技術(shù)是通過圖像傳感器技術(shù)在無接觸的情況下采集所需圖片，并對(duì)圖像信息進(jìn)行處理，隨著機(jī)器視覺技術(shù)的不斷成熟，機(jī)器視覺技術(shù)在農(nóng)產(chǎn)品上的應(yīng)用范圍也越來越廣泛。為推進(jìn)我國(guó)農(nóng)業(yè)生產(chǎn)現(xiàn)代化[57]，本文以國(guó)家標(biāo)準(zhǔn)為前提，在前人研究的基礎(chǔ)上對(duì)不同果型、不同顏色和有無質(zhì)變等八角進(jìn)行檢測(cè)識(shí)別研究。本文將為八角外觀品質(zhì)檢測(cè)提供新的方法和檢測(cè)理論，為相關(guān)產(chǎn)業(yè)檢測(cè)技術(shù)提供理論基礎(chǔ)和技術(shù)參考，同時(shí)推進(jìn)我國(guó)的農(nóng)產(chǎn)品外觀檢測(cè)技術(shù)的發(fā)展，促進(jìn)我國(guó)產(chǎn)業(yè)現(xiàn)代化，提高八角的市場(chǎng)價(jià)值。

第2章八角圖像的采集及預(yù)處理運(yùn)用計(jì)算機(jī)視覺技術(shù)對(duì)八角進(jìn)行外觀品質(zhì)之前，需對(duì)八角進(jìn)行圖像采集。圖像采集工作是八角的外觀品質(zhì)檢測(cè)的基礎(chǔ)與前提，因此在開始處理圖像時(shí)應(yīng)先搭建圖像采集系統(tǒng)采集八角圖像，再對(duì)圖像進(jìn)行噪聲濾除、灰度化、圖像分割、輪廓提取等預(yù)處理操作。2.1八角圖像采集2.1.1試驗(yàn)材料本文選取果型特征（角瓣瘦長(zhǎng)和角瓣粗短）、顏色特征（棕紅、黑紅和褐紅色）、變質(zhì)特征（霉變）和正反面（角瓣瘦長(zhǎng)和角瓣粗短）等八角作為研究對(duì)象，通過圖像處理技術(shù)提取其特征信息，建立檢測(cè)方法，實(shí)現(xiàn)對(duì)不同類型的八角果型、顏色和變質(zhì)的識(shí)別。根據(jù)研究的需要，本文主要選取大紅、干枝、角花等3個(gè)常見的八角品種，共394個(gè)，其中大紅192個(gè)（外觀顏色為棕色的101個(gè)、褐紅色的91個(gè)），角花101個(gè)（褐紅色），干枝101個(gè)（黑紅色）為研究對(duì)象。為了檢驗(yàn)識(shí)別效果，另分別選取棕紅、褐紅、黑紅各41個(gè)樣本，角瓣粗短和角瓣瘦長(zhǎng)的八角各35個(gè)樣本用于驗(yàn)證。2.1.2圖像采集系統(tǒng)搭建根據(jù)八角圖像采集的要求，本研究的圖像采集系統(tǒng)其結(jié)構(gòu)如圖2-1所示，主要包括光源、光箱、計(jì)算機(jī)和工業(yè)相機(jī)等部分。774156231-燈管；2-采集箱；3-工業(yè)相機(jī)；4-八角；5-數(shù)據(jù)通信線；6-計(jì)算機(jī)；7-載物臺(tái)1-lamptube;2-Collectionbox;3-Industrialcamera;4-star;5-Datacommunicationline;6-Computer;7-objectstage圖2-1八角圖像采集系統(tǒng)Fig.2-1Octagonimageacquisitionsystem系統(tǒng)中，圖像采集設(shè)備為方誠(chéng)科技FCID130C彩色工業(yè)像機(jī)，分辨率為1280×1024，將其置于光箱（規(guī)格為35cm×25cm×75cm）頂部正中央。周圍有光源，光源由4根白色LED熒光燈組成，功率30W，色溫為白色，平均分布在箱體的四個(gè)角上。相機(jī)正下方為載物臺(tái)，相機(jī)鏡頭與載物臺(tái)上八角距離為65cm，采集圖像時(shí)將八角平放在臺(tái)上。本文中圖像的分析處理均通過VS2019+Opencv3.4.8實(shí)現(xiàn)。2.1.3圖像采集針對(duì)本文的研究需要，在圖像采集時(shí)，將八角樣本平躺放置在工業(yè)相機(jī)的正下方的載物臺(tái)上；打開光源，逐個(gè)對(duì)八角樣本采圖像，每個(gè)樣本采集3次，選其中采集效果最好的進(jìn)行研究，圖像采集的過程中應(yīng)注意相機(jī)的焦距、物距等參數(shù)的一致性，并使八角樣本所在基面與光軸保持垂直。采集的圖片如圖2-2所示。a大紅原圖（棕紅、粗壯）aTheoriginalredstaranise(Brown-red、stout)c角花原圖（褐紅，瘦長(zhǎng)）cOctagonalfloweroriginal(Maroon,lanky)c干枝原圖（黑紅，瘦長(zhǎng)）cDrybranchaniseoriginal(Darkred,lanky)d八角背面特征dAntagonbackfeature圖2-2八角圖像Fig.2-2Octagonimage2.2八角圖像預(yù)處理2.2.1圖像標(biāo)定機(jī)器視覺所處理的圖像信息都是以圖像傳感器采集的數(shù)字圖像為基礎(chǔ)的，因此在采集的過程中圖像與原有物體存在一定的比例關(guān)系，為了能表示這一關(guān)系，需對(duì)這一關(guān)系進(jìn)行表述，稱為標(biāo)定[58]。圖像標(biāo)定主要有傳統(tǒng)相機(jī)標(biāo)定法、主動(dòng)視覺相機(jī)標(biāo)定方法、相機(jī)自標(biāo)定法等。本文采用傳統(tǒng)標(biāo)定法對(duì)其標(biāo)定，標(biāo)定時(shí)，應(yīng)保證相機(jī)的參數(shù)不變，并用網(wǎng)格標(biāo)定法進(jìn)行標(biāo)定。傳統(tǒng)相機(jī)標(biāo)定法需要使用尺寸已知的標(biāo)定物，通過建立標(biāo)定物上坐標(biāo)已知的點(diǎn)與其圖像點(diǎn)之間的對(duì)應(yīng)，利用一定的算法獲得相機(jī)模型的內(nèi)外參數(shù)。傳統(tǒng)相機(jī)標(biāo)定法在標(biāo)定過程中始終需要標(biāo)定物，且標(biāo)定物的制作精度會(huì)影響標(biāo)定結(jié)果。為了保證其準(zhǔn)確可靠，本文利用網(wǎng)格圖像確定物體與其圖像點(diǎn)之間的對(duì)應(yīng)關(guān)系。如圖2-3所示。在標(biāo)定時(shí)，網(wǎng)格平面應(yīng)嚴(yán)格垂直于光軸。圖2-3標(biāo)定網(wǎng)格Fig.2-3Calibrationgrid如圖2-3標(biāo)定網(wǎng)格圖像所示，把視場(chǎng)分割成邊長(zhǎng)為bmm的標(biāo)準(zhǔn)塊，通過計(jì)算標(biāo)準(zhǔn)塊邊長(zhǎng)在圖像中的像素平均值來計(jì)算毫米——像素的比例關(guān)系[59]，得到測(cè)量比常數(shù)K。K=bmmapixel式中：a表示圖像中以像素為單位的網(wǎng)格長(zhǎng)度平均值，K為最終本研究中系統(tǒng)標(biāo)定結(jié)果。2.2.2圖像濾波濾波在字面上的意思是濾除不相干不必要的波，在電學(xué)中指將信號(hào)中特定波段頻率濾除的操作，是抑制和防止干擾的一項(xiàng)重要措施。而本文的濾波是指在圖像采集、傳輸和處理時(shí)會(huì)受到光線、電流和噪音等不同因素的干擾，導(dǎo)致圖像存在一些噪音或噪點(diǎn)，對(duì)八角特征參數(shù)的提取產(chǎn)生不利影響。因此需用濾波程序?yàn)V除這些噪音噪點(diǎn)，常見的濾波有高斯濾波、均值濾波和中值濾波。（1）高斯濾波高斯濾波是一種線性濾波，是常用的一種濾波算法，利用二維高斯函數(shù)的分布方式來對(duì)圖像進(jìn)行平滑，可以集中在高斯函數(shù)的特點(diǎn)，去除圖像中的噪聲。二維高斯函數(shù)是旋轉(zhuǎn)對(duì)稱的，在各個(gè)方向上平滑程度相同，不會(huì)改變?cè)瓐D像的邊緣走向；其二高斯函數(shù)是單值函數(shù)，高斯卷積核的錨點(diǎn)為極值[60]，在所有方向上單調(diào)遞減，錨點(diǎn)像素不會(huì)受到距離錨點(diǎn)較遠(yuǎn)的像素影響過大，保證了特征點(diǎn)和邊緣的特性；其三在頻域上，濾波過程中不會(huì)被高頻信號(hào)污染。但是，由于圖像的長(zhǎng)寬可能不是濾波器大小的整數(shù)倍，同時(shí)我們希望輸出圖像的維度與輸入圖像一致，因此我們需要在圖像的邊緣補(bǔ)0，具體補(bǔ)幾個(gè)0視濾波器與圖像的大小關(guān)系確定，這種方法稱作ZeroPadding。同時(shí)，權(quán)值g（卷積核）要進(jìn)行歸一化操作（∑g=1）。高斯分布公式權(quán)值：gx,y,σ=12πσ其中x和y的坐標(biāo)是以當(dāng)前濾波器的中心點(diǎn)為基準(zhǔn)。例如中心點(diǎn)右上方各1格的坐標(biāo)對(duì)，是(1，-1)。標(biāo)準(zhǔn)差σ=1.3的8近鄰高斯濾波器近似如式（2.3），高斯濾波模板中最重要的參數(shù)就是高斯分布的標(biāo)準(zhǔn)差σ。它代表著數(shù)據(jù)的離散程度，如果σ較小，那么生成的模板中心系數(shù)越大，而周圍的系數(shù)越小，這樣對(duì)圖像的平滑效果就不是很明顯；相反，σ較大時(shí)，則生成的模板的各個(gè)系數(shù)相差就不是很大，比較類似于均值模板，對(duì)圖像的平滑效果就比較明顯。圖2-4為八角圖像高斯濾波后的效果。K=1161a八角原圖aOriginalpictureofoctagonb高斯濾波后八角圖bOctagonafterGaussianfiltering圖2-4高斯濾波Fig.2-4Gaussianfiltering（2）均值濾波均值濾波是一種線性濾波器，處理思路很簡(jiǎn)單，就是將一個(gè)窗口區(qū)域中的像素計(jì)算平均值，然后將窗口中計(jì)算得到的均值設(shè)置為錨點(diǎn)上的像素值。該算法的優(yōu)點(diǎn)在于效率高，思路簡(jiǎn)單。但缺點(diǎn)也很明顯，計(jì)算均值會(huì)將圖像中的邊緣信息以及特征信息“模糊”掉，會(huì)丟失很多特征。計(jì)算均值濾波時(shí)可以采用很多優(yōu)化手段，例如使用積分圖的方法對(duì)圖像進(jìn)行預(yù)處理，處理過后的圖像可以通過O(1)的時(shí)間復(fù)雜度獲取窗口區(qū)域中的像素和[61]。其卷積方案的實(shí)現(xiàn)方為：通過式（2.4）與八角圖像像素進(jìn)行卷積運(yùn)算計(jì)算圖像的卷積和，K=1111在濾波過程中，由于邊緣部分以外部分無像素點(diǎn)，所以在圖像的邊界部分采用padding操作處理。處理后，對(duì)得到的錨點(diǎn)像素值要進(jìn)行歸一化，即除以窗口尺寸大小。如圖2-5為均值濾波后效果圖。a八角原圖aOriginalpictureofoctagonb均值濾波后八角圖OctagonafterB-meansfiltering圖2-5均值濾波圖Fig.2-5AverageFilteringDiagram（3）中值濾波中值濾波器是一種非線性濾波器，常用于消除圖像中的椒鹽噪聲。與低通濾波不同的是，中值濾波有利于保留邊緣的尖銳度，但它會(huì)洗去均勻介質(zhì)區(qū)域中的紋理[62]。中值濾波的思想很簡(jiǎn)單，如果一個(gè)信號(hào)是平緩變化的，那么某一點(diǎn)的輸出值可以用這點(diǎn)的某個(gè)大小的鄰域內(nèi)的所有值的統(tǒng)計(jì)中值來代替。這個(gè)鄰域在信號(hào)處理領(lǐng)域稱之為窗（window）。窗開的越大，輸出的結(jié)果就越平滑，但也可能會(huì)把我們有用的信號(hào)特征給抹掉。所以窗的大小要根據(jù)實(shí)際的信號(hào)和噪聲特性來確定。通常我們會(huì)選擇窗的大小使得窗內(nèi)的數(shù)據(jù)個(gè)數(shù)為奇數(shù)個(gè)，之所以這么選是因?yàn)槠鏀?shù)個(gè)數(shù)據(jù)才有唯一的中間值。其原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，讓周圍的像素值接近的真實(shí)值，從而消除孤立的噪聲點(diǎn)。方法是用某種結(jié)構(gòu)的二維滑動(dòng)模板，將板內(nèi)像素按照像素值的大小進(jìn)行排序，生成單調(diào)上升（或下降）的為二維數(shù)據(jù)序列。二維中值濾波輸出為：g（x,y）=med{f(x-k,y-l),(k,l∈W)}（2.5）其中，f(x,y)，g(x,y)分別為原始圖像和處理后圖像。W為二維模板，通常為3*3，5*5區(qū)域，也可以是不同的的形狀，如線狀，圓形，十字形，圓環(huán)形等。a大紅原圖（棕紅、粗壯）aTheoriginalredstaranise(Brown-red,stout)b大紅中值濾波圖像bBrightredoctagonmedianfilteredimagec角花原圖（褐紅，瘦長(zhǎng)）cOctagonalfloweroriginal(Maroon,lanky)d角花中值濾波圖dOctagonalmedianfiltergraphe干枝原圖（黑紅，瘦長(zhǎng)）eDrybranchaniseoriginal(Darkred,lanky)f干枝中值濾波圖fDrybranchoctagonalmedianfilterFig.圖2-6八角分割圖像Fig.2-6Allkindsofoctagonalsegmentationimages八角顏色色差小且輪廓復(fù)雜，為了能在最大程度上保持八角圖像的顏色和輪廓上的特征。通過對(duì)不同的濾波方法對(duì)比得出，使用中值濾波法對(duì)圖像進(jìn)行濾波處理更合適，中值濾波方法不僅可以有效去除噪音，還能保留較為完整的八角顏色特征。中值濾波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線性信號(hào)平滑處理技術(shù)，它將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值。如圖2-6為八角經(jīng)中值濾波后的效果圖。通過上述比較可以看到對(duì)不同顏色和果形的八角預(yù)處理處理結(jié)果，圖像更加平滑且邊緣信息得到了保護(hù)。2.2.3圖像灰度化在采集圖像時(shí)，原圖像都是以RGB格式保存，RGB格式保存的圖像有3個(gè)通道，分別對(duì)應(yīng)著紅、綠、藍(lán)不同的顏色信息。這些信息為計(jì)算機(jī)提供了豐富多彩的圖像，同時(shí)在圖像處理時(shí)也帶來不少的麻煩。RGB顏色豐富，在圖像處理時(shí)占用大量?jī)?nèi)存，且RGB格式不利于物體形狀特征的處理。為了降低處理難度并節(jié)省計(jì)算時(shí)間，對(duì)八角圖像進(jìn)行灰度化處理，然后提取形狀特征?；叶葓D像是指每個(gè)像素只有一個(gè)采樣顏色的圖像，這類圖像通常顯示為從最暗的黑色到最亮的白色的灰度，可以表示不同顏色的深淺。灰度化映射公式為：Gray（x，y）=T(B(x，y),G(x，y),R(x，y))(2.6)式中Gray(x，y)表示灰度值，B(x，y)、G（x，y）、R（x，y）分別表示B、G、R不同的分量值[63]。較為常見的灰度化方法有平均灰度法和最大值法，平均法是對(duì)B、G、R通道的平均值作為灰度值；最大值法是將原圖像的B、G、R三通道中最亮的值作為灰度值；而較為準(zhǔn)確的方法是設(shè)置不同的權(quán)重，將B、G、R分量按不同比例進(jìn)行劃分，比如人眼對(duì)藍(lán)色敏感度低，對(duì)綠色較強(qiáng)。為了準(zhǔn)確性且符合人們的感官，本文用加權(quán)平方對(duì)圖像進(jìn)行處理[64]。公式為：Y=（0.114）B+（0.587）G+（0.299）R（2.7）灰度圖像在很大程度上降低了圖像需運(yùn)算的數(shù)據(jù)量，同時(shí)也保留了較好的邊緣信息?；叶然蟮膱D像如圖2-7所示。

a原始圖像aOriginalimageb灰度圖bGrayscaleimage圖2-7灰度化圖形Fig.2-7GrayscaleGraph2.2.4圖像分割圖像分割是圖像分析的第一步，是計(jì)算機(jī)視覺的基礎(chǔ)，是提取圖像中所需信息的重要組成部分，同時(shí)也是圖像處理中最困難的問題之一。所謂圖像分割是指根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個(gè)互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同。簡(jiǎn)單的說就是在一副圖像中，把目標(biāo)從背景中分離出來。對(duì)于灰度圖像來說，區(qū)域內(nèi)部的像素一般具有灰度相似性，而在區(qū)域的邊界上一般具有灰度不連續(xù)性。關(guān)于圖像分割技術(shù)，由于問題本身的重要性和困難性，從20世紀(jì)70年代起圖像分割問題就吸引了很多研究人員為之付出了巨大的努力。雖然到目前為止，還不存在一個(gè)通用的完美的圖像分割的方法，但是對(duì)于圖像分割的一般性規(guī)律則基本上已經(jīng)達(dá)成的共識(shí)，已經(jīng)產(chǎn)生了相當(dāng)多的研究成果和方法。本文在對(duì)八角圖像進(jìn)行灰度化處理的基礎(chǔ)上，利用大津法（OSTU）閾值[65-67]分割對(duì)圖像進(jìn)行圖像分割。大津法閾值分割法也屬于閾值分割法，只是算法原理的差別，最簡(jiǎn)單的閾值分割法就是計(jì)算一副圖像的平均值，在圖像大于平均值的像素賦值為0，小于平均值的賦值為1。而大津法（OSTU）是一種確定圖像二值化分割閾值的算法，由日本學(xué)者大津于1979年提出。從大津法的原理上來講，該方法又稱作最大類間方差法，因?yàn)榘凑沾蠼蚍ㄇ蟮玫拈撝颠M(jìn)行圖像二值化分割后，前景與背景圖像的類間方差最大。它被認(rèn)為是圖像分割中閾值選取的最佳算法，計(jì)算簡(jiǎn)單，不受圖像亮度和對(duì)比度的影響，因此在數(shù)字圖像處理上得到了廣泛的應(yīng)用。它是按圖像的灰度特性，將圖像分成背景和前景兩部分。因方差是灰度分布均勻性的一種度量，背景和前景之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大，當(dāng)部分前景錯(cuò)分為背景或部分背景錯(cuò)分為前景都會(huì)導(dǎo)致兩部分差別變小。因此，使類間方差最大的分割意味著錯(cuò)分概率最小。計(jì)算簡(jiǎn)單快速，不受圖像亮度和對(duì)比度的影響，是求圖像全局閾值的最佳方法。具體地：假設(shè)存在閾值TH將圖像所有像素分為兩類：小于TH記為C1，大于TH記為C2，則這兩類像素各自的均值就為m1、m2，圖像全局均值為mg。同時(shí)像素被分為C1和p1?mQUOTEp1+p2=1(2.11根據(jù)方差的概念，類間方差表達(dá)式為：QUOTEσ2=p我們把上式化簡(jiǎn)，將式（2.10）代入式（2.12），可得：σ2=p1p最后求取能使(2.13)最大化的灰度級(jí)k就是OTSU閾值。其中：p1=i=0kpm1=1p1i=0kipiQUOTEQUOTEm2=1p2?i=k+1L?1ip根據(jù)式（2.16），遍歷0~255個(gè)灰度級(jí)，求出使式(2.13)最大的k值，即為OSTU所求值。2.2.5形態(tài)學(xué)處理獲得的二值化圖像輪廓邊緣仍存在許多“毛刺”，為了方便后續(xù)對(duì)八角圖像的分析，需要將毛刺去除。機(jī)器視覺中去除圖像輪廓邊緣的“毛刺”一般采用形態(tài)學(xué)處理，去除一些不必要的干擾信息。形態(tài)學(xué)，即數(shù)學(xué)形態(tài)學(xué)，是圖像處理中應(yīng)用最為廣泛的技術(shù)之一，主要用于細(xì)化、像素化和修剪毛刺等技術(shù)[68]，也常應(yīng)用于圖像的預(yù)處理和后處理中，使后續(xù)的識(shí)別工作能夠抓住目標(biāo)對(duì)象最為本質(zhì)的形狀特征，如邊界和連通區(qū)域等。其的基本思想為膨脹和腐蝕，通過膨脹腐蝕不同組合產(chǎn)生了開運(yùn)算、閉運(yùn)算和頂帽等算法，本文采用開運(yùn)算對(duì)圖像進(jìn)行處理，開運(yùn)算即先腐蝕后膨脹。膨脹操作使被二值化后的白色部分（高亮部分）區(qū)域增強(qiáng)擴(kuò)展,主要用來連通相似顏色或強(qiáng)度的區(qū)域。簡(jiǎn)單來說，膨脹會(huì)使目標(biāo)區(qū)域范圍“變大”，將于目標(biāo)區(qū)域接觸的背景點(diǎn)合并到該目標(biāo)物中，使目標(biāo)邊界向外部擴(kuò)張。作用就是可以用來填補(bǔ)目標(biāo)區(qū)域中某些空洞以及消除包含在目標(biāo)區(qū)域中的小顆粒噪聲[69]，膨脹操作運(yùn)算表達(dá)式為：QUOTEA⊕B=x,y|Bxy∩A=?（2.17腐蝕操作可以消除目標(biāo)物周圍的游離像素塊，使白色部分（高亮部分）的區(qū)域收縮。主要作用使目標(biāo)區(qū)域范圍“變小”，造成圖像的邊界收縮，用來消除小且無意義的目標(biāo)物。腐蝕操作運(yùn)算可以表示為：QUOTEA?B=x,y|(B)xy?A（2.18開運(yùn)算通常會(huì)將分離的細(xì)小像素區(qū)域消除，或可把細(xì)微連接處分離，對(duì)邊界進(jìn)行平滑處理并且保證目標(biāo)區(qū)域面積無明顯改變。先腐蝕后膨脹為開運(yùn)算的處理方式，在結(jié)構(gòu)元素為S時(shí)的定義如下式：A°B=(A?B)⊕B（2.19）因二值化后的八角輪廓與橢圓向近，所以本文選用3*3的橢圓核對(duì)圖像進(jìn)行形態(tài)學(xué)處理去除毛邊和毛刺。得到處理后的二值化圖像，如圖2-6a所示。為了得到八角前景圖像，本文以二值化后的圖像為判斷條件，對(duì)原圖像中的點(diǎn)進(jìn)行遍歷得到只有八角前景的分割圖[70-71]，不同八角處理后的結(jié)果如圖2-8（b-d）所示。a開運(yùn)算圖像aOpenoperationimageb大紅前景分割圖bForegrounddivisionofbrightredstaranisec角花前景分割圖cHorseradishaniseforegroundsegmentationdiagramd干枝前景分割圖dTrunkoctagonalforegroundsegmentationdiagram圖2-8八角分割圖像Fig.2-8Allkindsofoctagonalsegmentationimages2.3本章小結(jié)本章主要介紹了八角圖像的采集，對(duì)圖像進(jìn)行了標(biāo)定、圖像濾波、灰度化、圖像分割和形態(tài)學(xué)處理等處理，獲取了無背景的八角圖像，為后續(xù)提取八角圖像的特征參數(shù)打下了基礎(chǔ)。

第3章八角圖像特征提取為了實(shí)現(xiàn)基于機(jī)器視覺的八角外觀品質(zhì)的識(shí)別與檢測(cè)，需提取八角圖像的特征參數(shù)，本研究分別針對(duì)不同顏色、輪廓、角數(shù)、質(zhì)量和有無質(zhì)變的八角圖像進(jìn)行特征提取。3.1八角顏色特征提取無論何種信息在計(jì)算機(jī)中都以二進(jìn)制進(jìn)行存儲(chǔ)，但是這種信息在日常生活中效率低下且不便于人類理解和處理。為了解決這些矛盾，針對(duì)不同信息作了不同的規(guī)定，例如：接口協(xié)議、網(wǎng)絡(luò)協(xié)議規(guī)定等。圖像也如此，也遵從一定的規(guī)定，在圖像存儲(chǔ)系統(tǒng)中有RGB、HSI、JPEG等不同顏色的空間模型，但是顏色空間模型彼此之間可以相互轉(zhuǎn)化。3.1.1顏色空間模型與轉(zhuǎn)換本文所研究的八角樣本顏色有褐紅、黑紅和棕紅三種，這三種八角顏色單一且色差小，RGB值之間無明顯差別。因此先對(duì)分割后的八角進(jìn)行RGB轉(zhuǎn)化到HSI空間，再選用HSI空間顏色區(qū)別大的顏色特征對(duì)八角顏色進(jìn)行識(shí)別。（1）RGB三原色：RGB三原色規(guī)定是圖像中最常見的顏色規(guī)定，R為紅色、G為綠色、B為藍(lán)色，在規(guī)定中RGB為圖像中常見的三原色，由三原色組合形成色彩繽紛的圖像。而RGB模型是面向硬件的模型，每種顏色通道在硬件存儲(chǔ)中都占用8bit，即每個(gè)顏色通道用256灰度級(jí)表示，因此RGB顏色模型共有256*256*256組合顏色。RGB顏色模型如圖3-1所示：圖3-1RGB顏色空間坐標(biāo)模型Fig.3-1RGBcolorspacecoordinatemodel（2）HSI顏色空間：HSI顏色空間是從人的視覺系統(tǒng)出發(fā)，用色調(diào)（Hue）、色飽和度（Saturation或Chroma）和亮度（Intensity或Brightness）來描述色彩。其中色調(diào)是指一種純色的顏色屬性，飽和度是指純色被白光稀釋的程度的度量，亮度是一個(gè)主觀因子，實(shí)際上是不可度量的。HSI顏色空間可以用一個(gè)圓錐空間模型來描述，相當(dāng)復(fù)雜，但卻能把色調(diào)、亮度和色彩飽和度的變化情形表現(xiàn)得很清楚。在HSI顏色模型的雙六棱錐上。飽和度S，是指純色被白光稀釋的程度的度量，亮度是一個(gè)主觀因子，實(shí)際上是不可度量的。I是強(qiáng)度軸，對(duì)應(yīng)成像亮度和圖像灰度，是顏色的明亮程度。色調(diào)H的角度范圍為[0，2π]，其中，純紅色的角度為0，純綠色的角度為2π/3，純藍(lán)色的角度為4π/3，如圖3-2所示。RGB向HSI模型的轉(zhuǎn)換是由一個(gè)基于笛卡爾直角坐標(biāo)系的單位立方體向基于圓柱極坐標(biāo)的雙錐體的轉(zhuǎn)換?；疽笫菍GB中的亮度因素分離，將色度分解為色調(diào)和飽和度，并用角向量表示色調(diào)。圖3-2HSI顏色空間模型Fig.3-2HSIcolorspacemodel根據(jù)以上分析可以知，RGB模型更適合計(jì)算機(jī)中的圖像，但是并不能很好的適應(yīng)人解釋的顏色，因此在肉眼中常用HSI顏色空間模型對(duì)物體進(jìn)行描述和解釋。根據(jù)顏色空間模型的各自優(yōu)缺點(diǎn)，本問通過研究發(fā)現(xiàn)的八角在RGB顏色空間分辨不明顯，但研究發(fā)現(xiàn)八角圖像在HSI顏色空間模型中的H分量下表現(xiàn)較為明顯。RGB轉(zhuǎn)化到HSI[72]顏色空間的轉(zhuǎn)換公式為：H=θ,B≤G360?θ,B>GQUOTE（3.1）QUOTEθ=arccos12R?G+R?BQUOTES=1?3B+G+RminB,G,R（3.3）QUOTEI=13B+G+R（3.4）式中H為色調(diào)，以角度度量；S為飽和度，表示顏色與光譜色的接近程度，值越大則越接近飽和；I為強(qiáng)度，表示顏色的明暗程度，值越大表明越亮。根據(jù)式（3.1）-（3.4），對(duì)101個(gè)黑紅、褐紅和棕紅色八角樣本的RGB圖像作H、S、I變換，計(jì)算這些樣本的H、S、I的均值，詳細(xì)值見附表3。3.2八角輪廓特征提取分析一張圖片時(shí)，物體的輪廓能表現(xiàn)出許多信息。輪廓對(duì)區(qū)分和識(shí)別不同的物體有著很重要的作用。因此應(yīng)先提取八角的輪廓特征，再在八角的輪廓特征上提取需要的八角角數(shù)。3.2.1輪廓提取利用OpenCV中的輪廓查找函數(shù)findcontours查找預(yù)處理后圖像的輪廓，但是輪廓查找函數(shù)查找到的輪廓包含了許多干擾輪廓，為了去除這部分輪廓，將利用OpenCV中的Rect函數(shù)對(duì)查找到的輪廓進(jìn)行“填裝”，再遍歷Rect的最大面積，即為的八角的輪廓特征，如圖5a所示。Findcontours輪廓查找函數(shù)是基于satosHSIuzuki[73-74]發(fā)表的一篇論文思路實(shí)現(xiàn)的。輪廓查找函數(shù)是對(duì)二值圖像進(jìn)行拓?fù)浞治?，確定二值圖像輪廓的圍繞關(guān)系，即孔和輪廓的之間的層次關(guān)系。因?yàn)檩喞驮瓐D的區(qū)域是一一對(duì)應(yīng)的（輪廓對(duì)應(yīng)的二值圖像像素值為1的連通域，孔對(duì)應(yīng)的值為0），將這些輪廓標(biāo)記為cX和hX，其中c代表“輪廓”（contour），h代表“空”（hole），X代表數(shù)字。再采用編碼的思想對(duì)不同的孔和輪廓進(jìn)行賦值，從而得到孔和輪廓的輪廓樹，而輪廓樹上的子樹就是對(duì)應(yīng)的不同輪廓編碼。3.2.2輪廓極坐標(biāo)變換為了提取八角的角數(shù)特征，需對(duì)八角的輪廓特征進(jìn)行極坐標(biāo)轉(zhuǎn)換，具體流程如下：（1）圓心提取。物體中心的提取一般采用物體的質(zhì)心，考慮到八角復(fù)雜的形狀，本文以最小內(nèi)接圓法對(duì)質(zhì)心進(jìn)行提取。首先，對(duì)前文中得到的八角輪廓進(jìn)行Harris角點(diǎn)檢測(cè)，再以檢測(cè)出的角點(diǎn)為基礎(chǔ)，用最小內(nèi)接圓法找到八角的圓心（X0QUOTE，Y0）和半徑R，處理后的圖像如圖5b所示。（2）找到輪廓后對(duì)八角輪廓上的點(diǎn)進(jìn)行逐點(diǎn)掃描，并存入一個(gè)vector<Point2>中。存入后的坐標(biāo)為（Point[k].x，Point[k].y），為了下文的描述和處理本文將（Point[k].x，Point[k].y）看成(xk，yk)。(k=1,2,3,…n)。Vector是一個(gè)封裝了動(dòng)態(tài)大小數(shù)組的順序容器，而vector<Point2>主要用來存儲(chǔ)八角輪廓上的每個(gè)點(diǎn)。a輪廓圖aOutlinedrawingb最小內(nèi)接圓圖bMinimalinscribedcirclediagram圖3-3最小內(nèi)接圓效果圖Fig.3-3Minimuminnercirclerenderings（3）找到圓心和輪廓像素點(diǎn)位置后，以找到的圓心為中心點(diǎn)（X0QUOTE，Y0），將輪廓上的點(diǎn)帶入式（3.5）和（3.6）進(jìn)行極坐標(biāo)變換。式中xk為輪廓點(diǎn)上的行坐標(biāo)，yk為輪廓點(diǎn)上的列坐標(biāo)，X0最小內(nèi)接圓下求得的圓心行坐標(biāo)，Y0最小內(nèi)接圓下求得的圓心列坐標(biāo)，ρk為極坐標(biāo)變換后的縱軸像素點(diǎn)坐標(biāo)值，θ變換公式如下：QUOTEρk=（xk?X0）θk=180π?tan?1yk圖3-4八角極坐標(biāo)變化圖Fig.3-4Changeofoctagonalpolarcoordinates3.3八角角數(shù)特征提取所謂八角，一般指八角茴香有八個(gè)角，但分揀過程中通過人工方式計(jì)數(shù)區(qū)分八角，無疑費(fèi)時(shí)費(fèi)力，為了識(shí)別八角角數(shù)，本節(jié)通過機(jī)器視覺技術(shù)對(duì)八角圖像進(jìn)行處理，從而達(dá)到代替人力識(shí)別八角角數(shù)的目的。為了準(zhǔn)確識(shí)別八角的角數(shù)，采用以下方法和步驟：（1）極坐標(biāo)錯(cuò)位相減：在進(jìn)行輪廓識(shí)別和極坐標(biāo)變換后，點(diǎn)與點(diǎn)之間會(huì)存在許多間斷點(diǎn)，由求導(dǎo)的定義知不能直接對(duì)其進(jìn)行求導(dǎo)，本文采用了對(duì)轉(zhuǎn)換后得到的極坐標(biāo)的ρk進(jìn)行錯(cuò)位相減，得到QUOTE?ρ=ρk?ρk?1，為了計(jì)算方便將其記為ρ（2）歸一化：因?yàn)殄e(cuò)位相減后的數(shù)值大小不一，不利于數(shù)據(jù)的處理，因此把求得的ρn方程進(jìn)行歸一化。具體地：如果導(dǎo)數(shù)方程中的點(diǎn)大于等于零的點(diǎn)則將其變?yōu)?，如果導(dǎo)數(shù)方程中的點(diǎn)小于零則為-1，歸一化后的圖如3-5ba錯(cuò)位相減圖aDislocationsubtractiondiagramb二值化圖bNormalizedgraph圖3-5錯(cuò)位相減與歸一化圖Fig.3-5.Diagramofdislocationsubtractionandnormalization（3）濾波：從圖3-5b可以看到二值化后的圖還有許多以“0”為中點(diǎn)的上下跳躍點(diǎn)，這些跳躍點(diǎn)可能是八角的角數(shù)特征，也可能是干擾點(diǎn)。為了能得到八角的角數(shù)，需濾除這些干擾點(diǎn)，本文采用記數(shù)法。本文計(jì)數(shù)法采用長(zhǎng)度為N的區(qū)間對(duì)其進(jìn)行遍歷，長(zhǎng)度可以根據(jù)需要進(jìn)行調(diào)整，本文選用10。具體地：如果遍歷中左右兩端+1和-1的個(gè)數(shù)相差小于1到2，則判定為有極值點(diǎn)，并記錄點(diǎn)的位置Pn，處理后得到的點(diǎn)和變換后的極值點(diǎn)Pn點(diǎn)如圖3-6所示。被識(shí)別出的極值點(diǎn)點(diǎn)數(shù)為八角角數(shù)的2倍，所以八角角數(shù)為極值點(diǎn)數(shù)得a歸一化圖aBinarizationFig.b識(shí)別后的輪廓極值點(diǎn)圖bIdentifiedcontourextremumpointgraphc無序八角輪廓極值點(diǎn)原圖cOriginalpictureoftheextremepointofanunorderedoctagonalcontour圖3-6八角角數(shù)識(shí)別圖Fig.3-6Octagonalimageprocessingrecognitiondiagram3.4八角質(zhì)量特征參數(shù)提取在外觀品質(zhì)檢測(cè)中，質(zhì)量特征對(duì)八角品質(zhì)有著重要的作用。傳統(tǒng)的物體質(zhì)量測(cè)重一般采用稱量的方法，但該法不利于八角的自動(dòng)化分揀。機(jī)器視覺技術(shù)的發(fā)展，使物體質(zhì)量的測(cè)量在無接觸檢測(cè)情況下變成了可能。本文也將利用機(jī)器視覺法對(duì)八角質(zhì)量進(jìn)行測(cè)量，探索八角質(zhì)量與圖像的關(guān)系。在研究中發(fā)現(xiàn)二值化后的八角點(diǎn)數(shù)與八角質(zhì)量有很大的關(guān)系，因此本文利用二值化后的八角圖像（八角為0，背景為1）對(duì)其為0的像素點(diǎn)進(jìn)行統(tǒng)計(jì)。統(tǒng)計(jì)后的像素點(diǎn)如表：表3-1部分八角投影面積Table3-1partialoctagonalprojectionarea序號(hào)pixel/g序號(hào)pixel/g序號(hào)pixel/g118902.777781322152.083332420332222978.303751421628.626692520806.25320337.455831521047.337282622183.74558417928.68721620078.504672722069.09091521098.484851721336.12042820439.70315618207.142861822787.430682921652.77778719815.254241918333.823533019467286782022902.222223121026.80067919068.115942120730.897013220765.923571024700.575822221379.367723320928.455281118454.237292320414.925373422631.889761219348.529412422784.090913517770.318023.5八角正反面紋理特征參數(shù)提取為了對(duì)八角進(jìn)行正反面進(jìn)行識(shí)別，本文將對(duì)八角的正反面進(jìn)行提取，通過提取的特征對(duì)八角正反面進(jìn)行判斷。紋理特征是在圖像計(jì)算中經(jīng)過量化的圖像特征，也是一種全局特征，它也描述了圖像或圖像區(qū)域所對(duì)應(yīng)景物的表面性質(zhì)。但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質(zhì)屬性，所以僅僅利用紋理特征是無法獲得高層次圖像內(nèi)容的。與顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算。在模式匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會(huì)由于局部的偏差而無法匹配成功。作為一種統(tǒng)計(jì)特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對(duì)于噪聲有較強(qiáng)的抵抗能力。而紋理識(shí)別中應(yīng)用最廣泛的算法為灰度共生矩陣，灰度共生矩陣(GLDM)的統(tǒng)計(jì)方法是20世紀(jì)70年代初由R.Haralick等人提出的，它是在假定圖像中各像素間的空間分布關(guān)系包含了圖像紋理信息的前提下，提出的具有廣泛性的紋理分析方法。灰度共生矩陣被定義為從灰度為i的像素點(diǎn)出發(fā)，離開某個(gè)固定位置（相隔距離為d，方位為）的點(diǎn)上灰度值為的概率，即，所有估計(jì)的值可以表示成一個(gè)矩陣的形式，以此被稱為灰度共生矩陣。對(duì)于紋理變化緩慢的圖像，其灰度共生矩陣對(duì)角線上的數(shù)值較大；而對(duì)于紋理變化較快的圖像，其灰度共生矩陣對(duì)角線上的數(shù)值較小，對(duì)角線兩側(cè)的值較大。由于灰度共生矩陣的數(shù)據(jù)量較大，一般不直接作為區(qū)分紋理的特征，而是基于它構(gòu)建的一些統(tǒng)計(jì)量作為紋理分類特征。Haralick曾提出了14種基于灰度共生矩陣計(jì)算出來的統(tǒng)計(jì)量：即：能量、熵、對(duì)比度、均勻性、相關(guān)性、方差、和平均、和方差等相關(guān)信息測(cè)度以及最大相關(guān)系數(shù)。本文使用能量、對(duì)比度、相關(guān)性、非相似性和逆差矩對(duì)八角進(jìn)行正反面特征提取。紋理即元素或基元依據(jù)某些準(zhǔn)則進(jìn)行排序，所形成的模式[75]。①能量。是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。②對(duì)比度。反映了圖像的清晰度和紋理溝紋深淺的程度。③逆差距。反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。④相關(guān)性。圖像在相對(duì)位置上的相似性和相關(guān)程度。⑤對(duì)比度。反映了圖像的清晰度和紋理溝紋深淺的程度。3.6八角霉變特征參數(shù)提取八角變質(zhì)特征主要包括黑變和霉變，八角作為采用的香料，而八角的質(zhì)變會(huì)直接影響著八角的香味，但是生活中的八角都以人力進(jìn)行區(qū)分，不利于生產(chǎn)生活的自動(dòng)化，為此本文基于八角的質(zhì)變特征，擬探索采用機(jī)器視覺的方法主要對(duì)八角霉變進(jìn)行鑒別的可行性。圖像處理中常用的顏色特征主要有RGB顏色空間、HSV顏色空間等。本研究發(fā)現(xiàn)八角的質(zhì)變顏色略有不同，因此可以通過顏色特征進(jìn)行區(qū)分。本研究對(duì)質(zhì)變的八角提取6個(gè)顏色特征（R、G、B、H、S、V），如圖3-7所示，用于分辨質(zhì)變八角。圖3-7霉變八角RGB/HSV圖像Figure3-7moldyaniseRGB/HSVimage根據(jù)對(duì)比可以發(fā)現(xiàn)，霉變的位置在G分量上能夠較好的體現(xiàn)，因此，在多次試驗(yàn)后選擇168為合適閾值，將霉變位置與背景進(jìn)行分割，結(jié)果如圖3-8（b）所示，框選位置即霉變位置。a完好八角agoodstaraniseb霉變八角bmoldyandstaranise圖3-8霉變八角識(shí)別圖像Fig.3-8Recognitionimageofmoldyanise如上圖所示，在G分量取閾值168時(shí)，對(duì)完好八角和霉變樣本圖像分別進(jìn)行處理，發(fā)現(xiàn)能識(shí)別出八角霉變位置。說明這一方法可以對(duì)霉變進(jìn)行分割。3.7本章小結(jié)為了實(shí)現(xiàn)對(duì)八角的品質(zhì)檢測(cè)，主要針對(duì)八角的質(zhì)量特征，顏色特征，輪廓特征、果數(shù)特征、霉變特征進(jìn)行提取。提取過程中詳細(xì)闡述了八角特征與圖像處理技術(shù)建立了數(shù)量關(guān)系，為八角后續(xù)量化和進(jìn)一步研究做了準(zhǔn)備。

第4章八角外觀品質(zhì)檢測(cè)識(shí)別本章主要在八角特征提取的基礎(chǔ)上對(duì)特征建立數(shù)學(xué)模型，對(duì)不同顏色、不同果型、八角均勻性和有無霉變進(jìn)行研究。4.1不同顏色八角顏色提取結(jié)果根據(jù)式（3.1）-（3.4），對(duì)101個(gè)黑紅、褐紅和棕紅色八角樣本的RGB圖像作H、S、I變換，計(jì)算這些樣本的H、S、I的均值，然后做出H、S、I顏色分量的Hue折線圖。分析發(fā)現(xiàn)只有在H分量下，黑紅、棕紅和褐紅色彩呈現(xiàn)較明顯的區(qū)別，S、I分量下則并無明顯區(qū)別。圖4-1所示為三種顏色的樣本圖像在H分量下的Hue折線圖。從圖中可以看出，若H值大于60則為褐紅，35~60之間為黑紅，小于35的則為棕紅。圖4-1各類八角顏色H分量圖Fig.4-1Huelinediagramsinvariousoctagonalcolors由上述可以看出八角顏色在H空間區(qū)別明顯，雖有重疊部分（造成此現(xiàn)象的原因主要是少量八角樣本在貯藏過程受到環(huán)境的影響而導(dǎo)致顏色發(fā)生變化），但是對(duì)八角的顏色識(shí)別仍具有理論意義和實(shí)際意義。4.2八角顏色識(shí)別結(jié)果對(duì)選取的不同顏色的八角各41個(gè)在H分量下對(duì)其進(jìn)行識(shí)別，結(jié)果如圖4-2所示。其中落在35~60的黑紅八角為39個(gè)、大于60的褐紅八角為40個(gè)，小于35的棕紅八角為39個(gè)。由表4.1可知，在H分量下對(duì)黑紅、褐紅和棕紅色的八角樣本進(jìn)行識(shí)別的比率分別為95.12%、97.56%、95.12%。圖4-2不同八角顏色在H分量下的識(shí)別比率Fig.4-2RecognitionratioofdifferentoctagoncolorsunderHcomponent表4.1八角顏色特征識(shí)別結(jié)果Table4.1Recognitionresultsofanisecolorfeatures樣本顏色樣本數(shù)量/個(gè)Numberofsamples/number落在相應(yīng)H分量區(qū)間的個(gè)數(shù)/個(gè)ThenumberofHcomponents/number識(shí)別比率Recognitionrate棕紅Brownishred413995.12%黑紅Blackred413995.12%褐紅Maroon414097.56%由表4-1可知，在H分量下對(duì)黑紅、褐紅和棕紅色的八角樣本進(jìn)行識(shí)別的比率分別為95.12%、97.56%、95.12%。4.3果數(shù)特征提取結(jié)果圖4-3為角數(shù)都為8的八角角數(shù)識(shí)別率，識(shí)別率比為94.73%。從圖中可以看到識(shí)別果數(shù)多的次數(shù)多于次數(shù)少的，造成這種現(xiàn)象的原因是，由于個(gè)別八角輪廓會(huì)出現(xiàn)小的波峰，從而導(dǎo)致誤判。圖4-3八角角數(shù)識(shí)別圖Fig.4-3Octagonalimageprocessingrecognitiondiagram4.4正弦定理法果型提取結(jié)果通過前文對(duì)八角角數(shù)的提取，結(jié)合國(guó)家標(biāo)準(zhǔn)中八角角瓣的大小，本文基于前文中的八角角數(shù)，以角數(shù)建立角度特征作為描述果型的特征參數(shù),其參數(shù)定義和果型特征提取如下：（1）波峰與波谷。由前文可知，雖然已經(jīng)可以準(zhǔn)確地定位極值點(diǎn)，極值點(diǎn)即八角角數(shù)P（ρn,θn），但識(shí)別到的極值點(diǎn)之間排列沒有規(guī)律且不能直觀的表述八角特征，因此需對(duì)極值點(diǎn)P進(jìn)行排序和標(biāo)記，分為波峰和波谷。求取八角極值點(diǎn)行坐標(biāo)ρn的平均值，公式為means=n=0NρnN(n=1,2,3,…,N)，式中N為極值點(diǎn)的個(gè)數(shù)[76-77]。以平均值means為中心將極值點(diǎn)分為兩組數(shù)組Cr[i]、Tr[j]，再對(duì)極值點(diǎn)中的θn進(jìn)行從大到小排序,這樣就得到了波峰Cr1a有序極坐標(biāo)波谷圖(Tr)aSortedpolartroughchart（Tr）b有序極坐標(biāo)波峰圖(Cr)bOrdinatedpolarcrestdiagram（Cr）c波谷有序原圖cTroughssortedaftertheoriginaldiagramd波峰有序原圖dTheoriginalimageafterthecrestissortede波峰一一對(duì)應(yīng)圖eTheoriginaldiagramcorrespondstothepolarcrest圖4-4波峰波谷圖Fig.4-4Crestandtroughcharts(2)正弦模型建立。得到波峰和波谷后，以波峰為起點(diǎn)，波谷為終點(diǎn)建立向量ak、bk,波峰到波谷的距離為高h(yuǎn)k(k=1,2,3,…,K)，如圖4-5所示。并將ak和bk帶入式（4.1）-（4.2）建立正弦公式。式中θ為八角波峰和兩邊波谷的夾角（待求），ak，bkcosθ=akQUOTEφk=180π?cos?1cosQUOTE?k=φkhk圖4-5向量定義圖Fig.4-5Vectordefinitiondiagram根據(jù)1.6.4所述，由圖4-5可知，對(duì)極坐標(biāo)點(diǎn)進(jìn)行向量標(biāo)記計(jì)算復(fù)雜[78-79]，也不能直觀的表述出八角的特征，因此本文將尋找到的波峰和波谷點(diǎn)進(jìn)行反變換得到笛卡爾坐標(biāo)系并在八角輪廓上畫出。通過對(duì)各個(gè)極值點(diǎn)距離的向量帶入式（4.1）與式（4.2）得到夾角值φk，如圖4-6b所示，計(jì)算得到的夾角值和高（QUOTEhk）為波峰到波谷的距離，利用點(diǎn)到直線的距離求出，求出的高h(yuǎn)k如圖4-5c所示。圖4-6中C代表度、H代表高。

a圖像處理后的八角廓輪標(biāo)記圖aMarkingdiagramofoctagonalprofilewheelafterimageprocessingb圖像處理后的八角角度標(biāo)記圖bAfterimageprocessing,theoctagonalAnglemarkingdiagramc圖像處理后的八角高與角度標(biāo)記圖cOctagonalheightandanglemarkmapafterimageprocessing圖4-6果型特征圖Fig.4-6Fruittypefeaturemap4.5正弦定理八角角瓣識(shí)別結(jié)果通過正弦定理對(duì)另選取的不同果型的八角各35個(gè)角瓣識(shí)別結(jié)果，角瓣瘦長(zhǎng)識(shí)別占比為97.14%，角瓣粗短的識(shí)別占比為94.29%。如表4.2所示。表4.2基于余弦定理的角瓣識(shí)別結(jié)果Table4.2Cornerloberecognitionresultsbasedonlawofcosines果形特征Fruittypecharacteristics個(gè)數(shù)Totalnumber識(shí)別占比Recognitionrate角瓣瘦長(zhǎng)Angularvalveslender3597.14%角瓣粗短Theanglevalveisthickandshort3594.29%4.6傅里葉變換法果型提取結(jié)果八角的形狀復(fù)雜，對(duì)八角肉瓣直接識(shí)別難度較大且不易于分析，但八角極坐標(biāo)變換后的輪廓酷似一周期信號(hào)。為了能更好對(duì)八角的肉瓣進(jìn)行識(shí)別，將輪廓點(diǎn)θ(k)和ρ(k)帶入式（4.4）進(jìn)行轉(zhuǎn)換[80-81]。Sk=θ(k)+jρ(k)式中k=1,2,3,…,k-1。其中θ(k)為極坐標(biāo)點(diǎn)xk，為復(fù)數(shù)域的實(shí)數(shù)軸，ρ(k)為極坐標(biāo)點(diǎn)yk，為復(fù)數(shù)域的虛軸，S(k)為復(fù)數(shù)域，k為輪廓點(diǎn)數(shù)。通過公式（將S(k)帶入公式（4.5）au=k=0離散傅里葉變換（DFT）中，s(k)=1I0Ia(u)e?j2πnkKdt，I為常量,n=0，±1，±2，±3…a角瓣粗短頻率圖aAngularlobecoarseshortfrequencydiagramb角瓣瘦長(zhǎng)頻率圖bAngularlobeleanfrequencydiagramc頻率-幅度平均值圖cFrequency-amplitudeaveragegraph圖4-7頻率-幅度對(duì)比圖Fig.4-7Frequency-amplitudecomparisondiagram4.7傅里葉八角角瓣識(shí)別結(jié)果另選取角瓣瘦長(zhǎng)和角瓣粗短的八角各35個(gè)進(jìn)行圖像預(yù)處理，輪廓識(shí)別與極坐標(biāo)變換后，再進(jìn)行傅里葉變換識(shí)別八角的形狀。角瓣瘦長(zhǎng)識(shí)別正確率為94.29%，角瓣粗短的識(shí)別正確率為94.29%，如表4.3所示。其中，檢測(cè)錯(cuò)誤主要由于頻率計(jì)算時(shí)，個(gè)別八角果型不規(guī)律，造成不同果型的八角頻率相近。但對(duì)八角輪廓特征進(jìn)行離散傅里葉變換簡(jiǎn)化了問題的方向，也為后續(xù)繼續(xù)研究八角的人提供一定的思路和方法。表4.3基于傅里葉變換后的角瓣識(shí)別結(jié)果Table4.3TherecognitionresultofcornerlobeisbasedonFouriertransform果形特征Fruittypecharacteristics個(gè)數(shù)/個(gè)Total/Number識(shí)別正確率Recognitionrate角瓣瘦長(zhǎng)Angularvalveslender3594.29%角瓣粗短Theanglevalveisthickandshort3594.29%4.8八角均勻系數(shù)提取結(jié)果在對(duì)八角進(jìn)行分類或者分級(jí)過程中，對(duì)于八角的外觀都有嚴(yán)格的要求。角瓣參差不齊這一特征能為消費(fèi)者帶來更多的選擇，本文利用標(biāo)準(zhǔn)差公式對(duì)這一特征進(jìn)行描述。具體如下：σ=1本文通過人工挑選角瓣均勻的90個(gè)八角，并利用前文識(shí)別出來的八角角數(shù)N（波峰）和最小內(nèi)接圓下求得的半徑μ，xi為波峰到圓心μ的徑向距離，再帶入標(biāo)準(zhǔn)差公式（4.6）求出結(jié)果就可以知道八角果角的均勻性，如果σ值很大，那么八角角瓣參差不齊、不均勻，則判定八角的外觀不好。由下圖可以看到角瓣均勻的八角σ的像素小于60Pix，因此大于60Pix的則判為不均勻，如圖4-8所示。因此可以認(rèn)為均勻系數(shù)在圖4-8均勻八角標(biāo)準(zhǔn)差圖Fig.4-8Uniformoctagonstandarddeviationchart4.9八角質(zhì)量模型建立4.9.1質(zhì)量與像素點(diǎn)的回歸模型重量是衡量八角品質(zhì)的一個(gè)重要特征，對(duì)分析八角的均勻性和檢測(cè)八角品質(zhì)都有一定的作用。對(duì)前文中八角二值圖像的白色區(qū)域進(jìn)行遍歷操作，既可以得到白色像素點(diǎn)的個(gè)數(shù)，像素?cái)?shù)目越大，說明八角的重量相對(duì)越大。為研究八角質(zhì)量y（單位g）與二值圖像像素的個(gè)數(shù)之間的函數(shù)關(guān)系，本研究選取了300個(gè)八角樣本，用電子天平測(cè)出每個(gè)樣本質(zhì)量（單位g），然后與二值圖像的白色像素點(diǎn)個(gè)數(shù)作對(duì)照。圖4-9為八角樣本質(zhì)量與像素點(diǎn)之間的散點(diǎn)圖，從圖中可以看出，八角的質(zhì)量y與八角樣本二值圖像中白色像素點(diǎn)的個(gè)數(shù)x之間有很強(qiáng)的相關(guān)性。圖4-9八角質(zhì)量與像素點(diǎn)的相關(guān)圖Fig.4-9Adiagramofoctagonalmassandpixelpoints對(duì)照八角的質(zhì)量y與對(duì)應(yīng)的八角像素點(diǎn)個(gè)數(shù)x，可以得到八角質(zhì)量對(duì)于像素點(diǎn)個(gè)數(shù)的預(yù)測(cè)模型：y=5×10?5x其中，y表示八角的質(zhì)量預(yù)測(cè)值（g），x為八角像素點(diǎn)數(shù)。建模完整數(shù)據(jù)見附表2，表中有5列數(shù)據(jù)，依次為八角序號(hào)、二值圖像像素個(gè)數(shù)、八角實(shí)際質(zhì)量、殘差、標(biāo)準(zhǔn)殘差、八角預(yù)測(cè)值。通過分析數(shù)據(jù)可知，建立的一元線性回歸模型具有較高的相關(guān)性和顯著性。4.9.2回歸模型顯著性檢驗(yàn)用方程的F值和相關(guān)系數(shù)R對(duì)回歸所得模型進(jìn)行顯著性檢驗(yàn)，結(jié)果如表4-1。表4.4模型顯著性檢驗(yàn)Table4.4Modelsignificancetest標(biāo)準(zhǔn)誤差相關(guān)系數(shù)RF值（α=0.02）P值0.06370.94492714.7454.2×10-8從表4.4看出，模型的相關(guān)系數(shù)R=0.9449，標(biāo)準(zhǔn)誤差為0.0637，對(duì)模型進(jìn)行F檢驗(yàn)，F(xiàn)=2714.745，P<0.0001，回歸方程極顯著，表明八角實(shí)際質(zhì)量與像素點(diǎn)存在很高的相關(guān)性。4.10八角正反面紋理特征提取結(jié)果為了識(shí)別器正反面的區(qū)別，本節(jié)將利用能量、對(duì)比度、相關(guān)性、非相似性和逆差矩對(duì)八角進(jìn)行正反面特征提取，如圖4-10為粗壯八角背面和瘦長(zhǎng)八角背面圖像。a粗壯八角背面面圖像aRobustoctagonbackimageb瘦長(zhǎng)八角背面面圖像bSkinnyandlonganisebacksideimage圖4-10八角背面圖像Fig.4-10Imageofthebackoftheoctagon能量：也稱為角二階矩，是灰度共生矩陣元素值的平方和，所以也稱能量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度。如果共生矩陣的所有值均相等，則ASM值小，紋理就越細(xì)致；相反，如果其中一些值大而其它值小，則ASM值大，紋理就越粗糙。當(dāng)共生矩陣中元素集中分布時(shí)，此時(shí)ASM值大。ASM值大表明一種較均一和規(guī)則變化的紋理模式，如下圖（4.11）-（4.12）能量折線圖。計(jì)算公式如下（4.8）：W1=i其中：W1i，j分別為圖中灰度像素點(diǎn)的出發(fā)點(diǎn)和終點(diǎn)（下面公式中i，j亦同）圖4-11粗短八角能量折線圖Fig.4-11powerlinediagramofshortandthickoctagonal圖4-12瘦長(zhǎng)八角能量折線圖Fig.4-12thinandlongoctagonalenergylinediagram（2）非相似性：代表了圖像的信息量，是圖像內(nèi)容隨機(jī)性的度量，能表征紋理的復(fù)雜程度。當(dāng)圖像無紋理時(shí)熵為0，滿紋理時(shí)熵最大。從數(shù)學(xué)角度看，當(dāng)共生矩陣中的元素近似相等時(shí)熵最大。如下圖（4.13）-（4.14）熵折線圖以及計(jì)算公式如下（4.9）：W2=?i其中：W2圖4-13粗短八角正反面非相似性折線圖Fig.4-13linechartofdissimilaritybetweenpositiveandnegativesidesofshortandthickoctagon圖4-14瘦長(zhǎng)八角正反面非相似性折線圖Fig.4-14linechartofdissimilaritybetweenthepositiveandnegativesidesofslenderanise（3）對(duì)比度：是關(guān)于主對(duì)角線的慣性矩。它度量了矩陣值的分布情況和圖像的局部變化。從數(shù)學(xué)角度看，共生矩陣中遠(yuǎn)離對(duì)角線元素的系數(shù)變大，對(duì)比度隨之變大。在圖像中主要利用其表述清晰度和紋理溝紋深淺的程度，紋理溝紋越深，其對(duì)比度越大，視覺效果越清晰；反之，對(duì)比度小，則溝紋淺，效果模糊?；叶炔罴磳?duì)比度大的象素對(duì)越多，這個(gè)值越大。灰度公生矩陣中遠(yuǎn)離對(duì)角線的元素值越大。如圖（4.15）-（4.16）對(duì)比度折線圖。計(jì)算公式如下（4.10）：W3=i其中：W3圖4-15粗短八角正反面紋理對(duì)比度折線圖Fig.4-15.Brokenlinechartofpositiveandnegativetexturecontrastofshortandthickoctagon圖4-16瘦長(zhǎng)八角正反面紋理對(duì)比度折線圖Fig.4-16thinanisetexturecontrastlinechart（4）相關(guān)性：它度量空間灰度共生矩陣元素在行或列方向上的相似程度，因此，相關(guān)值大小反映了圖像中局部灰度相關(guān)性。當(dāng)矩陣元素值均勻相等時(shí)，相關(guān)值就大；相反，如果矩陣像元值相差很大則相關(guān)值小。如圖（4.17）-（4.18）正反面相關(guān)性折線圖。計(jì)算公式如下（4.13）可知：W4=其中：W4μ1=δ1圖4-17粗短八角正反面相關(guān)性折線圖Fig.4-17linechartofpositiveandnegativecorrelationofshortandthickanise圖4-18瘦長(zhǎng)八角正反面相關(guān)性折線圖Fig.4-18linediagramofpositiveandnegativecorrelationofthinandlonganise（5）逆差矩：反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。其值大則說明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻。如圖（4.19）-（4.20）為逆差矩折線圖。計(jì)算公式如下（4.14）：W5=i其中：W5圖4-19粗短八角正反面逆差矩折線圖Fig.4-19chunk-shortoctagonpositiveandnegativebalancemomentlinediagram圖4-20瘦長(zhǎng)八角正反面逆差矩折線圖Fig.4-20thinandlonganisepositiveandnegativebalancemomentlinediagram取八角在0°、90°兩個(gè)方向的紋理特征值的5個(gè)統(tǒng)計(jì)量，對(duì)八角的正反面進(jìn)行提取和分析比較可知：八角在能量、非相似性、逆差矩、相關(guān)性和對(duì)比度五個(gè)統(tǒng)計(jì)量中都有明顯的區(qū)別。（1）在能量表現(xiàn)上，粗短八角正面能量值在0.0038~0.0073之間波動(dòng)，而反面能量值在0.0039~0.0081之間小幅度的波動(dòng)；瘦長(zhǎng)八角八角正面能量值在0.0104~0.0135之間波動(dòng)，而反面能量值在0.0036~0.0078之間波動(dòng)。（2）非相似性上，粗短八角正面相似性值在2.9756~4.2516之間，而反面相似性值在1.5321~2.4879之間小幅度的波動(dòng)；瘦長(zhǎng)八角正面相似性值在1.4879~2.4895之間小幅度波動(dòng)，而反面相似性值在2.5151~4.1219之間波動(dòng)。（3）對(duì)比度表現(xiàn)上，粗短八角正面對(duì)比度值小于9.8954~39.9655，而反面對(duì)不度值在38.1506~96.1199之間的波動(dòng)；瘦長(zhǎng)八角正面對(duì)比度值在14.9846~25.1546之間進(jìn)行小幅度波動(dòng)，而反面對(duì)不度值在18.3553~79.6736之間的波動(dòng)。（4）相關(guān)性表現(xiàn)上，粗短八角正面相關(guān)性值在0.9856~0.9939之間波動(dòng)，而反面相關(guān)性值在0.9859~0.9938之間的波動(dòng)；瘦長(zhǎng)八角正面相關(guān)性值在0.9583~0.9788之間波動(dòng)，而反面相關(guān)性值在0.9870~0.9966之間的波動(dòng)。（5）逆差矩表現(xiàn)上，粗短八角正面逆差矩值在0.3756~0.3955之間，而反面逆差矩值在0.3345~0.3792之間的波動(dòng)；瘦長(zhǎng)八角正面逆差矩值在0.3925~0.4125之間波動(dòng)，而反面逆差矩值在0.3456~0.3804之間的波動(dòng)。4.11本章小結(jié)本章主要通過機(jī)器視覺技術(shù)，識(shí)別八角顏色、八角角數(shù)、八角均勻度、八角果形識(shí)別方法和八角正反面識(shí)別的理論。其主要結(jié)論如下：（1）研究發(fā)現(xiàn)八角在H顏色空間的差異可用來識(shí)別了棕紅、黑紅、褐紅不同顏色的八角。H值大于60則為褐紅，識(shí)別率為97.65%；30~60之間為黑紅，識(shí)別率為92.08%；小于30的為棕紅，識(shí)別率為95.05%。（2）通過變換后得到的極坐標(biāo)模型，利用導(dǎo)數(shù)思想對(duì)變換后的點(diǎn)進(jìn)行錯(cuò)位相減，在進(jìn)行歸一化、極值點(diǎn)判別識(shí)別到了八角輪廓的波峰和波谷，對(duì)8個(gè)角的八角進(jìn)行識(shí)別，識(shí)別率為。（3）通過識(shí)別到的波峰和波谷點(diǎn)排序并建立一對(duì)一的關(guān)系后，用向量思想建立余弦定理方程求出八角各角的角度值。根據(jù)本文研究得出瘦長(zhǎng)八角角瓣的角度平均值為21.2958度、八角高平均像素值為69.2812Pix、角度與高比值為0.3074度/Pix，識(shí)別率達(dá)98.04%，粗短八角角瓣的角度平均值為38.7501度、八角高平均像素值為51.3750Pix、角度與高比值為0.7542度/Pix，識(shí)別率達(dá)96.08%；通過識(shí)別到的波峰到圓心的徑向距離與半徑建立標(biāo)準(zhǔn)差方程，識(shí)別到的均勻八角值小于60Pix。（4）通過八角波峰到圓心的徑向距離與半徑建立標(biāo)準(zhǔn)差方程提取了八角的均勻系數(shù)，均勻八角的像素值在60Pix以下。（5）通過變換后的八角輪廓進(jìn)行傅里葉變換發(fā)現(xiàn)瘦長(zhǎng)八角角瓣的八角在前5個(gè)頻率值小于粗短八角角瓣，從7-29之間的都略大于角瓣瘦長(zhǎng)的頻率值，瘦長(zhǎng)八角角瓣的識(shí)別率為92.26，粗短八角角瓣識(shí)別率為91.27%。（6）通過提取八角正反面的能量、非相似性、逆差矩、相關(guān)性和對(duì)比度五個(gè)統(tǒng)計(jì)量。

第5章八角分揀系統(tǒng)及其軟件設(shè)計(jì)為了使八角能有條不絮地實(shí)現(xiàn)八角在線識(shí)別和分揀，本文根據(jù)八角的特點(diǎn)將整個(gè)八角的分揀過程分成多個(gè)流程。并設(shè)計(jì)了分揀機(jī)構(gòu)、檢測(cè)裝置、軟件系統(tǒng)和硬件系統(tǒng)組成的分揀系統(tǒng)。其中分揀機(jī)構(gòu)主要由掃平機(jī)構(gòu)、排序機(jī)構(gòu)、拍照機(jī)構(gòu)、翻轉(zhuǎn)機(jī)構(gòu)和分揀等幾部分機(jī)構(gòu)組成，流程如圖5-1所示。掃平掃平排序整理分揀圖5-1八角分揀流程Fig.5-1Octagonsortingprocess5.1八角總體機(jī)構(gòu)設(shè)計(jì)為了保證八角識(shí)別的準(zhǔn)確性和效率，需對(duì)八角正反面進(jìn)行圖像采集。經(jīng)過前期的分析和研究，在第二章所述的圖像采集系統(tǒng)的基礎(chǔ)上，提出了一種八角圖像檢測(cè)裝置，該裝置主要包括機(jī)架、料斗、掃平機(jī)構(gòu)、傳送帶、光箱、工業(yè)攝像頭、驅(qū)動(dòng)部件等部件，其中機(jī)架為工字鋼焊接成的方形框架。223A45B8976C11、料斗；2、掃平機(jī)構(gòu)；3、傳送帶1；4、傳送帶2；5、光箱1；6、工業(yè)攝像頭1；7、工業(yè)攝像頭2；8、光箱2；9、傳送帶3；10、驅(qū)動(dòng)部件；11、機(jī)架；1.Hopper;2.Quashedinstitutions;3.Conveyorbelt1;4,conveyorbelt2;5.Lightbox1;6.Industrialcamera1;7.Industrialcamera2;8.LightBox2;9.Conveyorbelt3;10.Drivingcomponents;11.Rack;圖5-2八角分揀機(jī)構(gòu)圖Fig.5-2octagonalsortercomposition該機(jī)構(gòu)主要分為四組，如圖5-2所示：第一組：第一組有八角料斗1通過焊接于機(jī)架右上方，漏斗1下方為傳送帶3，前方有掃平機(jī)構(gòu)2和電機(jī)模組和排序機(jī)構(gòu)A等組成。第二組：第二組主要有傳送帶、拍攝裝置、驅(qū)動(dòng)部件和機(jī)架組成。第三組：第二組主要有傳送帶、拍攝裝置、驅(qū)動(dòng)部件、翻轉(zhuǎn)機(jī)構(gòu)和機(jī)架組成。第四組：第四組有多個(gè)分揀單元，每個(gè)分揀單元都有分揀電機(jī)、凸輪機(jī)構(gòu)、彈簧和圓形分揀箱組成。該裝置的工作過程如下：將待分揀的八角放于料斗中，八角果實(shí)在重力的作用下滑到下方的傳送帶上，在驅(qū)動(dòng)部件驅(qū)動(dòng)傳送帶的作用下八角被無規(guī)則（主要表現(xiàn)為重疊）的帶到掃平機(jī)構(gòu)下，由于掃平機(jī)構(gòu)的存在，通過掃平機(jī)構(gòu)的八角絕大部分都不在重疊。不重疊的八角隨著傳送帶繼續(xù)移動(dòng)至排序整理單元，整理單元將對(duì)八角進(jìn)行整理，整理后的八角傳送帶的驅(qū)動(dòng)下逐個(gè)流到下一傳送帶中，此時(shí)可以對(duì)八角的任意面進(jìn)行圖像采集，采集后的圖像傳輸?shù)浇K端進(jìn)行處理得到需要的信息。由于八角有兩個(gè)面，且每個(gè)面的信息反映特征不一樣，所以還需對(duì)八角的另一個(gè)面進(jìn)行圖像采集。完成了八角其中一個(gè)面的圖像采集后，八角機(jī)械移動(dòng)至翻轉(zhuǎn)機(jī)構(gòu)，翻轉(zhuǎn)機(jī)構(gòu)對(duì)八角進(jìn)行翻轉(zhuǎn)后繼續(xù)移動(dòng)至下個(gè)圖像采集單元對(duì)八角另一個(gè)面進(jìn)行圖像采集，在將采集的結(jié)果傳輸?shù)诫娔X終端進(jìn)行處理。由于已經(jīng)采集了八角其中一個(gè)面，所以在這個(gè)過程中可以通過傳感器挑選想要進(jìn)行二次圖像采集的八角。電腦端對(duì)不同面的八角圖像處理后，將處理的八角圖像信息傳輸?shù)较挛粰C(jī)，下位機(jī)控制分揀機(jī)構(gòu)進(jìn)行分揀，至此完成不同類型的八角分揀。該裝置將八角的分揀分成了不同的流程，每個(gè)流程完成不一樣的功能，最終有條不絮的對(duì)八角正反面進(jìn)行圖像采集，獲取了八角的更多信息，有效的識(shí)別了不同類別和品質(zhì)的八角，極大的提高了八角分揀效率。5.2排序機(jī)構(gòu)設(shè)計(jì)為了對(duì)雜亂無章的八角進(jìn)行排序，本文將對(duì)八角進(jìn)行排列，以提高后續(xù)八角的檢測(cè)效率。排序機(jī)構(gòu)主要機(jī)構(gòu)有兩大部分組成：掃平機(jī)構(gòu)和轉(zhuǎn)輥機(jī)構(gòu)。掃平機(jī)構(gòu)主要將傳送帶上重疊的多個(gè)八角去重疊；轉(zhuǎn)輥機(jī)構(gòu)主要將無重疊的八角進(jìn)行逐一排列，以實(shí)現(xiàn)八角圖像逐一采集。如圖5-3所示圖5-3八角排序機(jī)構(gòu)圖Fig.5-3Octagonsortingmechanismdiagram5.2.1掃平機(jī)構(gòu)設(shè)計(jì)八角通過漏斗流到漏斗口，漏斗口上有傳感器和截流裝置，八角通過傳送帶流到排序裝置，排序速度可能跟不上流入速度，所以對(duì)其進(jìn)行控制。當(dāng)八角流到掃平裝置時(shí)會(huì)出現(xiàn)多個(gè)八角重疊的問題，因此通過掃平裝置對(duì)八角進(jìn)行掃平處理。5.2.2排序機(jī)構(gòu)設(shè)計(jì)八角經(jīng)過掃平機(jī)構(gòu)來到排序機(jī)構(gòu)入口區(qū)，由于轉(zhuǎn)輥、轉(zhuǎn)輥和機(jī)架之間構(gòu)成一個(gè)弧線區(qū)域，如圖所示5-4b所示，所以八角容易在此堆積進(jìn)行下一步動(dòng)作。在此區(qū)域中八角的果角與轉(zhuǎn)輥的勾齒相互作用下，八角將逐個(gè)通過轉(zhuǎn)輥間隙進(jìn)入下一個(gè)傳送帶。如圖所示5-4所示。a排序機(jī)構(gòu)軸側(cè)視圖a.Axissideviewofsortingmechanismb排序原理圖bSortingschematicdiagram圖5-4八角排序機(jī)構(gòu)圖Fig.5-4Octagonsortingmechanismdiagram5.3圖像采集機(jī)構(gòu)5.3.1圖像采集設(shè)計(jì)八角從排序機(jī)構(gòu)出來后，再在每個(gè)傳動(dòng)帶的輸送下來到圖像采集裝置1，采集裝置會(huì)對(duì)八角其中的一個(gè)面進(jìn)行圖像采集，采集后的圖像被上傳到處理單元進(jìn)行處理，如果采集的是八角的正面圖像，則對(duì)八角的特征進(jìn)行提取，如果采集的是反面，則將結(jié)果傳輸給下位機(jī)，八角會(huì)繼續(xù)在傳送帶的輸送下移動(dòng)至翻轉(zhuǎn)機(jī)構(gòu)，翻轉(zhuǎn)機(jī)構(gòu)將八角進(jìn)行翻轉(zhuǎn)后，由于在圖像采集裝置1時(shí)已對(duì)八角的正反面進(jìn)行識(shí)別，所以翻轉(zhuǎn)后的八角會(huì)在圖像采集裝置2進(jìn)行圖像采集，這次采集只會(huì)對(duì)沒有拍到的正面圖像進(jìn)行圖像采集并提取八角的特征，這樣的設(shè)計(jì)在很大程度上減少了拍照的次數(shù)，提高可工作效率。如圖5-5所示。圖5-5八角圖像采集裝置Fig.5-5Octagonimageacquisitiondevice5.3.2翻轉(zhuǎn)機(jī)構(gòu)設(shè)計(jì)如圖5-6所示，八角在傳送帶的帶動(dòng)下逐漸移動(dòng)至缺口弧度擋板，由于擋板一邊有缺口且有弧度，所以八角會(huì)向一邊傾斜，當(dāng)八角向缺口端傾斜時(shí)，八角將小幅度逐漸向90度方向翻轉(zhuǎn)，由于八角不斷向前，隨著缺口弧度板的角度不斷增加，再加上上輔助擋板的弧面設(shè)置，致使八角以大于90度下落，在八角下落后，由于下輔助擋板的弧形輔助的原因，使八角完全翻面，隨之掉落在下一傳送帶，至此八角翻轉(zhuǎn)成功。圖5-6八角翻轉(zhuǎn)機(jī)構(gòu)圖Fig.5-6Diagramofoctagonalturnovermechanism5.3.3分揀機(jī)構(gòu)設(shè)計(jì)被采集和處理后的八角繼續(xù)移動(dòng)到八角旋轉(zhuǎn)分揀裝置，因?yàn)榘私菆D片的基本特征基本已被識(shí)別完畢，而八角的信息也被傳輸至下位機(jī)，下位機(jī)對(duì)每一個(gè)傳送帶上的八角進(jìn)行識(shí)別。由于每個(gè)旋轉(zhuǎn)分揀裝置上都備有分揀口，如果要對(duì)八角有其他的分揀要求，只需在旋轉(zhuǎn)分揀機(jī)構(gòu)上增加即可。當(dāng)對(duì)八角進(jìn)行分揀時(shí)，下位機(jī)會(huì)驅(qū)動(dòng)旋轉(zhuǎn)電機(jī)進(jìn)行旋轉(zhuǎn)定位，當(dāng)定位到不同的分揀口后，當(dāng)八角到來時(shí)，小電機(jī)驅(qū)動(dòng)凸輪機(jī)構(gòu)，由頂桿將八角推入分揀口，完成分揀工作。如圖5-7所示。a八角分揀軸側(cè)視圖aOctagonsortingaxialsideviewb八角分揀內(nèi)部視圖bOctagonsortinginternalview圖5-7八角分揀原理圖Fig.5-7.Schematicdiagramofoctagonalsorting5.4八角軟件設(shè)計(jì)GUI（GraphicalUserInterface）即采用圖形方式顯示的計(jì)算機(jī)操作的用戶界面。GUI提供了簡(jiǎn)潔易用的人機(jī)交互接口，利于平時(shí)使用。為了在分揀八角有一個(gè)友好的交互界面，結(jié)合本文圖像處理OpenCV為C++寫的庫，本文選用Qt庫對(duì)八角分揀系統(tǒng)軟件進(jìn)行界面設(shè)計(jì)。5.4.1Qt簡(jiǎn)介Qt是由QtCompany在1911年通過C++開發(fā)的一個(gè)圖像用戶界面庫，后被Nokia收購。它具有跨平臺(tái)性、面向?qū)ο?、豐富的API等優(yōu)點(diǎn)，且在多個(gè)領(lǐng)域得到廣泛的應(yīng)用。Qt是一個(gè)完整的應(yīng)用開發(fā)框架，由QtCreator、QtLinguist、Qt開發(fā)庫等組成，如圖5-8所示。Qt繼承了C++的面向?qū)ο?，在面向?qū)ο蟮幕A(chǔ)上使用特殊的代碼生成擴(kuò)展((MetaObjectCompiler,moc)元對(duì)象編譯器)以及一些宏，增加了信號(hào)與槽機(jī)制，使Qt有了事件驅(qū)動(dòng)，加上Qt本身的庫實(shí)現(xiàn)了真正地組件編程。Qt中基類窗口有QWidget、QMainWindow和QDialog三類，QWidget只有一個(gè)主窗口、QMainWindow本身具有任務(wù)欄、狀態(tài)了、主窗口、工具欄和部件動(dòng)作等，QDialog為彈出提醒窗口。根據(jù)需要本文采用QMainWindow基類窗口PC端GUI進(jìn)行設(shè)計(jì)?？梢哉fQt是一個(gè)跨平臺(tái)的C++圖形用戶界面應(yīng)用程序框架，它為應(yīng)用程序開發(fā)者提供建立藝術(shù)級(jí)圖形界面所需的所有功能。它是完全面向?qū)ο蟮模苋菀讛U(kuò)展，并且允許組件編程。QtIDEQt開發(fā)庫QtCreatorQtLinguist其他平臺(tái)應(yīng)用程序圖形控件（QDeclarative）圖形引擎事件驅(qū)動(dòng)FrameBuffer輸入輸出設(shè)備OS圖5-8Qt開發(fā)原理圖Fig.5-8Qtdevelopmentschematicdiagram5.4.2軟件界面的實(shí)現(xiàn)一個(gè)易于操作的圖像界面在很大程度上能提高工作效率和改善工作的心情，因此本文將借助Qt庫對(duì)八角圖像采集進(jìn)行UI設(shè)計(jì)。在日常生活中雖然窗口各有不同，但是無論什么樣的窗口中都包含事件和組件等常見內(nèi)容。事件主要是用于監(jiān)控窗口中所做的操作，例如：鼠標(biāo)單擊事件、定時(shí)器事件和鍵盤事件等。組件則是組成一個(gè)大窗口的基本元器件，例如：工具欄、狀態(tài)欄、菜單欄、浮動(dòng)窗口、按鈕、標(biāo)簽和下拉框等。同樣，Qt中也具有這一套組件和庫，下面就利用QtIDE對(duì)其進(jìn)行界面設(shè)計(jì)。（1）軟件設(shè)計(jì)流程本文主要針對(duì)八角得外觀品質(zhì)進(jìn)行檢測(cè)，所以所需的功能為常見功能，如圖片顯示，結(jié)果顯示，和基本的文件保存、退出和選擇方法控件?；诖?，本文選擇Qt中的MainWindow作為基類。具體MainWindow流程如下所示：打開打開QtIDE新建工程選擇QMainWindow基類布局界面嵌入八角分揀程序運(yùn)行程序結(jié)束圖5-9軟件設(shè)計(jì)流程圖Fig.5-9softwaredesignflowchart雙擊安裝好的Qt開發(fā)環(huán)境圖標(biāo)QtCreator，即可打開軟件，隨后點(diǎn)擊project后，再點(diǎn)擊New后跳出圖窗口，接著再點(diǎn)擊Application，再點(diǎn)擊QtWegetsApplication，即可得到Qt環(huán)境下的工作界面。如圖5-10所示。圖5-10GUI設(shè)計(jì)流程圖Fig.5-10GUIdesignflowchart環(huán)境搭好后選擇Qt中的基本控件Qlabel作為操作單元。Qt中的Qlabel控件功能強(qiáng)大，有顯示圖片、GIF、網(wǎng)址和文字等功能。根據(jù)需要，本設(shè)計(jì)主要顯示的元素有圖片（2張）、提升信息（顏色、果型、均勻性、果數(shù)和有無質(zhì)變等5個(gè)基本提示信息）、同樣顯示八角品質(zhì)檢測(cè)結(jié)果也需五個(gè)，所以應(yīng)通過程序新建12個(gè)label控件。選擇好控件后對(duì)每個(gè)QLabel進(jìn)行布局，實(shí)現(xiàn)后的界面如圖5-11所示。圖5-11GUI效果圖Fig.5-11GUIrenderings（2）