文摘
Perillae吸引了越来越感兴趣的研究由于其广泛使用的药品和食物。评估质量和成熟度perillae需要对其大小的信息。目前,大小的测量和排序perillae主要依靠手工工作,有限的低效率和不满意的精度。为了解决这个问题,在这项研究中,我们发展一个基于机器视觉的方法(MV)技术对在线测量和大小排序。几何模型和相应的数学模型是建立perillae和成像,分别。基于构建模型,提出了测量和大小排序方法,包括图像二值化,关键决心,信息匹配和参数估计。实验结果表明,捕获图像的平均时间消费,平均测量误差,测量误差的方差,和总体分类精度是204.175毫秒,1.48毫米,0.07毫米,和93%,分别,这意味着该方法的可行性和满意的精度。
1。介绍
Perillae是广泛分布在亚洲,它吸引了越来越多的兴趣领域的医学和药学。Perillae已经申请了抑菌,解毒,止咳药,痰了数千年的传统中药。最近,更多的是注意研究关于perillae,包括perillae草ethanolic [1),毛地黄黄酮(2),rosmarinic酸(3]。此外,perillae也是一个受欢迎的食物的国家如中国、日本、和韩国。perillae的大小表明其质量和成熟度密切关系到其医疗和食用价值。因此,它测量具有重要意义,提前perillae的大小。目前,测量和排序的大小perillae主要依靠手工工作,这是低效率和不满意的精度。因此,它是有价值的开发方法准确在线测量和perillae。
机器视觉(MV)技术提供成像自动检测(4- - - - - -6),它已广泛应用于工业领域,如对象检测和机器人指导(7,8]。的应用在农业、以前的工作探索了各种作物(9,10]。在[11),一个紧凑的机器视觉系统提出了基于高光谱成像技术和机器学习在辣椒检测黄曲霉毒素。在[12),分层分级法适用于实时的缺陷检测和土豆的大小排序。在[13),进行的一项研究预测芒果成熟质量使用RGB图像,采用层次聚类的方法将成熟时期划分为五个阶段基于质量参数。在[14],作者将MV和开发一个智能系统的支持向量机分类的剥开心果内核和贝壳。在[15],Sabliov等人开发一个MV-based方法测量体积和表面积的椭圆形农产品以对象为叠加之和基本平截头体的圆锥。在[16),姚明等人开发实时检测仪表使用窄带荧光指数aflatoxin-contaminated玉米。在[17),Pedreschi等人提出一个廉价的计算机视觉系统测量高度异构的食品材料的颜色如薯片。在[18),黄等人提出的方法识别缺陷侧耳属geesteranus基于计算机视觉。在[19)、太阳等人开发机器视觉测量系统和动态称重系统的蛋外部物理特性和重量,这样鸡蛋新鲜度的无损在线估计方法实现。此外,一系列的研究一直在进行测量、卷心菜(20.),花蘑菇(21,樱桃22,荔枝23),和其他农业产品(24- - - - - -29日]。
然而,perillae的自动在线检测还没有探索到现在。几何模型和相应的数学模型,perillae用于自动检测还没有建成。的大小排序perillae仍然需要手工工作。为了解决这个问题,在这项研究中,我们开发一种新颖的方法在线测量和大小排序的紫苏属。采用电荷耦合器件(CCD)相机获取图像的紫苏属照明箱,和MV方法提出了图像处理。本研究的贡献可以概括如下。(1)我们构建perillae的通用几何模型和相应的图像处理的数学模型(2)我们建议的MV-based方法准确在线测量和大小排序perillae根据该模型(3)我们的理论方法,开发的实际系统的可行性和准确性验证的实验结果
本文的其余部分组织如下。部分2介绍了提出的几何模型和数学模型。部分3提供了MV-based在线测量方法。部分4给出了实验结果和分析。部分5本文总结道。
2。几何和数学模型
2.1。几何模型
图1显示了一个典型的perillae医疗和食品使用。的符号是用来表示一个perillae的长度,即。,perillae叶的最大大小。我们主要考虑之间的长度和perillae有用的部分,无论医学或食品使用。之间的长度和 ,即。,the length of perillae, is not taken into the measurement.
图2介绍了排序原则perillae的大小。在这项研究中,根据大小分为四个等级 。如图2一年级是表示为与大小的“规范” ,表示最小的perillae。二年级,“规范L (s),”和第三等级,规范L (b),是由 和 ,分别。四年级,表示为“规范2 m,”是用来表示最大的大小,给出的 。
2.2。数学模型
接下来,我们提供perillae成像的数学模型。本研究中使用的相机校准之前用于成像。如图3,我们捕捉到20棋盘图像用不同的姿势,然后利用OpenCV的校准工具校准相机。
让 ,和表示水平坐标、垂直坐标和相机的位置垂直于棋盘坐标,分别,让 ,和在世界坐标表示相应的坐标。校准结果表明变形误差,reprojection误差可以忽略。假设 是世界上一个像素坐标系,然后投射到这个像素相机坐标系,表示为 。让的内在矩阵使用相机。基于校准工具使用,世界坐标系之间的变换,相机坐标系统可以表示为
矩阵是通过校准,结果是什么
通过结合几何模型和(2),我们可以重写perillae的大小如下: 在哪里 , , ,和点的坐标吗和在世界坐标系统 , , ,和点的坐标吗和在图像坐标系统。显然,所需的大小可以直接计算出如果参数的坐标和是已知的。因此,我们引入该方法来确定这个信息在下一节。
3所示。方法测量Perillae
在本节中,我们提供了测量的方法和大小排序的perillae基于MV和拟议的模型。该方法由以下步骤组成,binarizing原始图像,确定的位置和 ,匹配的信息,估计参数 。
3.1。图像二值化
图4(一)介绍了紫苏子的原始图像。图像应该用于测量前的关键。二值化的原则是由 在哪里 像素的值吗 在图像的关键。的深度图像是8位的,因此,白色像素的值设置为255。示(4),一个像素是白色只要决定 , ,和 ,在哪里和像素的值在蓝色通道和红色通道,分别。第一个条件, ,确保背景设置为黑色,并且只包含紫苏属被认为是该地区。第二个和第三个条件是用来确定一个像素是否属于perillae的面积。如图所示的图像的关键4 (b)。
(一)
(b)
3.2。搜索
我们第一次得到的轮廓图像的关键。策略是设置阈值的最大和最小的地区紫苏属。因此,区域选择满足阈值的约束,和他们的轮廓被视为紫苏子的轮廓。这个过程可以表示为 在哪里表示关键图像轮廓的总数,表示的面积轮廓,是判断的结果。然后最低封闭循环,可以获得每个perillae的凸包。这些紫苏属贴上1、2、3和4基于以下判断:从左到右 在哪里是perillae的每个位置的判断,表示的水平坐标的中心封闭循环,“”表示的perillae捕获的图像。结果显示在图5 (b)和保存为“ 。”
(一)
(b)
最后,我们使用以下策略的端点轮廓,写成和 : 在哪里表示像素的凸包,和的坐标是 , 和的中心的坐标吗封闭循环,代表的半径封闭循环,的像素的数量吗凸包。事实上,可以被视为点离你最远的封闭圈的中心,然后呢离你最远的点吗 。通常这两个点和 。的数据” ,”“ ” ,和保存为“ 。”
3.3。搜索
收购的位置 ,我们进行一个关闭操作,四个腐蚀操作,和四个扩张业务的OpenCV的关键形象,先后。结果呈现在图6(一)。然后,我们推导出轮廓处理使用的策略(7)和(8)。结果如图所示6 (b)和保存为“ 。“最后,最低封闭圆和派生得到轮廓的凸包,如图所示6 (c)。类似于搜索的过程和 ,两个端点,和 ,选择的备选点吗 。另一个被定义为 。的数据” ,” ,和保存到” 。”
(一)
(b)
(c)
3.4。信息匹配
接下来,我们应该认识到和从 , , ,和 。为了这个目的,我们首先计算欧氏距离来 , 来 , 来 ,和来 ,分别。然后,我们比较了四个距离,找出导致最大距离的两个点。假设这两个点和 ,我们可以得出结论是 ,作为替代的吗和 ,和距离来总是比来 。重复的过程”“perillae轮廓,这样的位置和每个perillae可以获得。我们总结这四个表的可能性1。
3.5。比例因子估计和尺寸计算
示(8),参数是控制成像的规模的因素。因此,我们利用以下规模估算方法 。如图7,原来的飞机 。我们使用代表手工测量和使用代表对应的摄像机测量坐标系。然后,我们手动设置来获得的测量通过使用(8)。我们根据这些测量,
因此,可以通过计算
消除测量误差,我们20次,重复以上过程,平均价值用于实验,计算 在哪里表示的计算值审判。
总结了该方法在图8。
4所示。实验结果
我们的实验系统如图9组成的照明箱和个人电脑(PC)。照明箱包含四个发光二极管(LED)光位于环在盒子的顶部和CCD相机中心的盒子。描述的实验设置如下。在进行实验之前,我们手动设置 并获得 通过使用策略引入分段3.5。这个值的用于所有实验在这个研究。首先,我们随机选择了100名紫苏属和手动测量他们的尺寸。然后,我们使用了开发系统来衡量这些紫苏属。
手工测量和自动在线测量结果呈现在图10。我们计算每个perillae的测量误差,在图提供的结果11。显然,通过在线测量结果接近通过手动测量。提供的表2,在100紫苏属,最大测量误差(MAME)是3.66毫米,而最小测量误差(MIME)是0.02毫米。大部分的错误都低于3毫米。总体平均测量误差(OAME)和测量误差的方差(VME)是1.47毫米和0.07毫米,分别。
5。结论
我们开发了一个MV-based perillae自动测量和大小排序的方法。我们首先建立了几何模型perillae和成像的数学模型。模型的基础上,提出了测量和大小排序方法,包括图像二值化,关键决心,信息匹配和参数估计。我们使用OpenCV的CCD相机成像和图像处理工具。实验结果验证了系统的可行性和测量的高精度和大小排序。通过使用100紫苏子实验,曼恩和MIME是3.66毫米和0.02毫米,分别。大部分的错误都低于3毫米。OAME和VME 1.47毫米和0.07毫米,分别。进一步的研究可以解决以下问题。首先,开发系统的小型化要求未来的工作,使该方法更粒子。 Second, utilizing the RGB image or hyperspectral image to detect the maturity of perillaes is also valuable for further study.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是国家重点支持的研究和发展项目赠款2017 yfd0401305。