[发明专利]基于机器视觉的核桃仁分级方法及核桃仁分级装置

摘要

本发明涉及基于机器视觉的分级追踪技术领域，是一种基于机器视觉的核桃仁分级方法及核桃仁分级装置；前者包括以下步骤，依次是获取历史样本数据，图像处理，图像分割，建立原始特征矩阵，特征的选择，模型的建立和分级追踪；本发明结构合理而紧凑，使用方便；通过机器视觉采集核桃仁图像后，在PC主机上对核桃仁进行追踪分级，待核桃仁到达分级位置后，通过气吹的方式将核桃仁吹入至分级卸料槽内，从而实现核桃仁分级；其中，采用特征bin19、K1和bin15，并利用分类效果最佳的朴素贝叶斯分类方法作为核桃仁分级模型；分级处理速度快，能够在输送平台上动态的核桃仁实现自动分级，代替人工分级，节省劳动力。

主权项

1.一种基于机器视觉的核桃仁分级方法，其特征在于按照如下步骤进行：第一步：获取历史样本数据：通过人工分级，获取两个或多个等级的核桃仁样本各30个，将30个核桃仁样本放置在输送平台上，通过输送平台上的机器视觉设备获得每个核桃仁图像；第二步：图像处理：对采集的核桃仁图像进行处理，获得核桃仁轮廓完整的图像；第三步：图像分割：采用最小外接矩形分割核桃仁图像，获得仅含有单个核桃仁的图像；第四步：对历史样本数据进行处理，建立原始特征矩阵：(Ⅰ)、获取与核桃仁图像颜色有关的37个特征作为核桃仁颜色分级的原始特征，具体包括基于色调直方图获取31个颜色特征，31个特征分别是bin0到bin30；和基于颜色矩获取6个特征，6个特征分别是Hμ、Hv、Hs、Sμ、Sv和Ss；(Ⅱ)、获取与核桃仁形状完整度有关的9个特征，具体包括核桃仁轮廓最小外接矩形长宽比K1、核桃仁轮廓面积与其最小外接圆轮廓面积比K2和7个Hu矩特征，7个Hu矩特征分别是I1、I2、I3、I4、I5、I6和I7；(Ⅲ)、根据上述特征建立原始特征矩阵，其中每一行为一个样本，每一列为一个特征，每一列自左至右分别是K1、K2、I1、I2、I3、I4、I5、I6、I7、Hμ、Hv、Hs、Sμ、Sv、Ss、bin0、bin1、bin2、bin3、bin4、bin5、bin6、bin7、bin8、bin9、bin10、bin11、bin12、bin13、bin14、bin15、bin16、bin17、bin18、bin19、bin20、bin21、bin22、bin23、bin24、bin25、bin26、bin27、bin28、bin29和bin30；(Ⅳ)、对原始特征矩阵的进行归一化处理，即通过归一化函数对将每一列的数值线性映射到[0,1]区间之间；第五步：特征的选择：一、基于ReliefF的特征筛选：将原始特征矩阵运用ReliefF算法进行特征选择运算，去除Hu矩特征I3、I4、I5、I6、I7；二、基于mRMR的信息差MID和互信息MIQ两种算法的特征选择：①使用mRMR的信息差MID算法对基于ReliefF算法的特征筛选之后的特征矩阵进行特征选择，取算法选择的前15个特征，15个特征依次为bin19、K1、bin15、bin20、K2、bin13、bin16、bin12、bin18、bin14、bin17、Hv、bin11、bin21、bin15；②使用mRMR的互信息MIQ算法对基于ReliefF算法的特征筛选之后的特征矩阵进行特征选择，取算法选择的前15个特征，15个特征依次为bin19、K1、bin15、bin16、bin13、I2、Sv、K2、bin17、bin12、bin18、bin14、bin5、bin25和bin20；第六步：模型的建立：在互信息差MID和互信息商MIQ两个准则所分别获取的15个特征中，分别取前3个特征，即bin19、K1和bin15，利用这三个特征对朴素贝叶斯分类模型进行训练，获取核桃仁分级模型；第七步：分级追踪：根据模型对待测核桃仁进行分级追踪，根据输出概率的大小确定核桃仁级别。