计算机视觉在芒果品质检测中的应用研究

详细信息    查看全文 | 推荐本文 |

英文篇名：Application of Computer Vision in Mango Quality Testing 作者：辛华健 英文作者：Xin Huajian;Nanning University; 关键词：计算机视觉 ; 芒果 ; 品质 ; 检测 ; 神经网络 英文关键词：computer vision;;mango;;quality;;detection;;neural network 中文刊名：NJYJ 英文刊名：Journal of Agricultural Mechanization Research 机构：南宁学院; 出版日期：2018-12-24 出版单位：农机化研究 年：2019 期：v.41 基金：广西壮族自治区教育厅广西高校中青年教师基础能力提升项目(2018KY0750) 语种：中文; 页：NJYJ201909036 页数：4 CN：09 ISSN：23-1233/S 分类号：196-199

摘要

传统的芒果分级采用人工观察和化学分析方法,无法适应产业的发展。随着科学的进步,人们开发出多种无损检测和分级技术以提高水果的市场竞争力,但受检测和分级设备的限制,目前的相关研究都停留在试验阶段。为此,设计了一种基于计算机视觉的芒果品质检测方法,拍摄芒果图像后利用自适应Canny算法获取目标区域的边缘,以大小、颜色和表面缺陷反映芒果的品质,并基于BP神经网络实现对芒果的分级。仿真试验表明:计算机视觉对芒果品质分级的准确率超过93%,处理单张图像平均耗时0.8s,可以用于芒果品质的实时检测和在线分级。
        Mango is a very popular tropical fruit and occupies an important position in the tropical agricultural economy.The traditional mango classification uses artificial observation and chemical analysis methods and cannot adapt to the development of the industry. With the progress of science,people have developed a variety of non-destructive testing and grading techniques to improve the market competitiveness of fruits. Due to the limitations of testing and grading equipment,the current related researches are still at the experimental stage. In this paper,a mango quality detection method based on computer vision is designed. After the mango image is taken,adaptive canny algorithm is used to obtain the edge of the target area. The quality of mango was reflected by size,color and surface defects,and the classification of mango was achieved based on BP neural network. In the simulation experiment,the accuracy of computer vision for mango quality grading is over 93%,and the average time for processing a single image is 0.8 s. It can be used for real-time detection and on-line grading of mango quality.

引文

[1]白东升,李康.基于计算机视觉的高速机器人芒果分选系统设计[J].农机化研究,2017,39(8):231-233.
    [2]崔秀帅,唐荣年,杨举华,等.芒果无损检测方法的研究现状及发展趋势[J].贵州农业科学,2013,41(7):167-170.
    [3]韩东海,刘新鑫,涂润林.果品无损检测技术在苹果生产和分级中的应用[J].世界农业,2003(7):42-44.
    [4]虞佳佳,何勇,鲍一丹.基于光谱技术的芒果糖度酸度无损检测方法研究[J].光谱学与光谱分析,2008,28(12):2839-2842.
    [5]曹霞,周学成,范品良.基于近红外漫反射光谱技术的芒果糖度无损检测方法研究[J].农机化研究,2013,35(1):177-180.
    [6]王佳露,刘军.极谱法检测芒果中的维生素C[J].齐齐哈尔医学院学报,2008,29(22):2748.
    [7]沈维政,张长利,刘振恒.基于计算机视觉的田间杂草识别方法研究[J].农机化研究,2006,28(7):163-165.
    [8]王彦辉,赵培琨,边东良.基于计算机视觉的瓜果采摘系统的运营研究[J].农机化研究,2018,40(1):200-203.
    [9]何东健,杨青,薛少平,等.果实表面颜色计算机视觉分级技术研究[J].农业工程学报,1998,14(3):202-205.
    [10]柴阿丽,李宝聚,网倩,等.基于计算机视觉技术的番茄叶片叶绿素含量的测定[J].园艺学报,2009,36(1):45-52.
    [11]王江枫,罗锡文,洪添胜,等.计算机视觉技术在芒果重量及果面坏损检测中的应用[J].农业工程学报,1998,14(4):186-189.
    [12]黄勇平,章程辉,刘静.应用计算机视觉对芒果表面缺陷的判别研究[J].福建热作科技,2008,33(1):4-6.
    [13]张烈平,曾爱群,陈婷.基于计算机视觉和神经网络的芒果检测与等级分类[J].农机化研究,2008,30(10):57-60.
    [14]李国进,董第永,陈双.基于计算机视觉的芒果检测与分级研究[J].农机化研究,2015,37(10):13-18.
    [15]潘俊洋,项辉宇,薛真.基于DSP系统的芒果品质检测平台构建[J].食品与机械,2017(11):127-130.