基于近红外编码点阵结构光的苹果果梗/花萼检测方法
【技术领域】
[0001] 本发明涉及蔬菜水果检测技术领域，特别涉及一种基于近红外编码点阵结构光的 苹果果梗/花萼检测方法。
【背景技术】
[0002] 我国是苹果生产大国，但目前苹果的产后处理水平十分低下，大部分苹果种植者 对苹果的分级认识不够，仅剔除不能上市的苹果，对苹果大小做粗略的分级，分级手段主要 靠人工分级，分级结果不够准确。基于机器视觉的苹果外部品质分选机可以综合检测苹果 的大小，颜色，果形和表面缺陷等主要外部品质指标，具有精度高，自动化程度高和非破坏 性检测等优点，在苹果产后分级处理中得到了广泛应用。
[0003] 苹果大小、形状、颜色指标的自动检测方法已比较成熟，而缺陷的快速识别一直是 苹果实时分级的障碍，其主要难点是由于苹果表面的缺陷区域和果梗/花萼区域在图像的 灰度值上有非常大的相似性，二者在图像上都呈现为暗黑色的斑点，从而导致缺陷与果梗/ 花萼难以区分。因此是否能够准确检测苹果图像中的果梗/花萼区域成为正确识别苹果表 面缺陷的前提。现有的检测苹果果梗/花萼的方法主要有：
[0004] 特征检测法：提取缺陷区域与果梗/花萼区域的特征，利用人工神经网络，支撑向 量机等分类器进行识别，这类方法的缺点是识别正确率较低。
[0005] 高光谱检测法：利用高光谱相机检测苹果表面缺陷，尽管识别正确率较高，但是高 光谱相机价格极其昂贵，很难用于实际的生产当中。
[0006] 阴影重建检测法：利用苹果表面的阴影对苹果进行三维重建，根据重建结果识别 苹果表面的凹陷区域，这类方法很难保证苹果处于任意姿态时都提供足够的阴影信息用于 三维重建，而且当缺陷区域的颜色特征与阴影相似时，缺陷区域会被错误地判别为果梗/ 花萼区域。
[0007] 结构光编码方法通过向物体投射编码图案，大大提高了检测速度，从而在三维重 建、工业测量领域有着广泛的应用前景。在苹果在线检测过程中，不仅要对果梗/花萼和缺 陷进行检测，还要检测表面着色率。如果使用彩色结构光编码图像，一方面影响表面着色率 的检测，另一方面会受到表面颜色的干扰。而近红外结构光可以避免这两个问题，因为近红 外图像仅反映物体表面的性质，与表面颜色无关。近红外图像为灰度图像，无法利用颜色作 为编码信息，同时普通投影设备无法投射出近红外编码图案，这使得在可见光波段常用的 颜色、灰度变化以及特定图案这些常用的结构光编码手段无法直接用于近红外结构光。因 此需要一种不依赖于颜色、灰度变化以及图形符号的结构光编码基元。对于单纯的近红外 结构光光斑阵列，每个光斑都具有相似的形状，因此很难对投射到物体表面的光斑与投射 到参考平面上面的光斑进行匹配。
【发明内容】
[0008] (一）要解决的技术问题
[0009] 本发明要解决的技术问题是解决目前利用机器视觉技术检测苹果果梗/花萼方 面的不足。
[0010] (二）技术方案
[0011] 本发明提出了一种基于近红外编码点阵结构光的苹果果梗/花萼检测方法，包 括：
[0012] S1，设置nl条虚拟的平行且间距相等的水平直线和n2条虚拟的平行且间距相等 的垂直直线，对应每条垂直直线和水平直线的交点生成一个光斑，该光斑位于该水平直线 上且位于与对应交点成固定距离的该垂直直线的左侧或右侧，当该光斑位于左侧时，该光 斑的取值为第一基本编码基元，当该光斑位于右侧时，该光斑的取值为第二基本编码基元， 从而生成H 1XH2的近红外编码点阵结构光，并且对于任意包括k i行和k 2列光斑的子窗口， 子窗口对应的码值各不相同，其中叫、n2、kp k2均为正整数；
[0013] S2,将近红外编码点阵结构光分别投射到参考平面和苹果表面后，分别采集得到 参考图像和苹果图像，求取近红外编码点阵结构光在每个图像上的每个光斑的位置；
[0014] S3,选取苹果图像上的一个包括ki行和1^2列光斑的子窗口，计算该子窗口的码值， 再在Ii1 Xn2的近红外编码点阵中搜索具有相同码值的子窗口，从而确定苹果表面近红外光 斑在近红外编码点阵中的位置，进而建立起苹果图像的每个光斑与参考图像的每个光斑的 对应关系；
[0015] S4,计算苹果图像的每个光斑与参考图像对应光斑的位置的纵坐标差值，如果苹 果图像上左右都存在其他光斑的某光斑的所述纵坐标差值的二阶差分小于0,则该光斑的 相应位置标记为果梗/花萼区域，如果左右有一侧不存在其他光斑的某光斑与其水平相邻 光斑的所述纵坐标差值之差大于设定阈值，则相应位置标记为果梗/花萼区域。
[0016] 优选地，所述基本编码单元，若近红外结构光光斑位于对应的虚拟垂直直线左侧， 则第一基本编码基元表示为1，若近红外结构光光斑位于对应的虚拟垂直直线右侧，则第二 基本编码基元表示为〇 ;或者为：若近红外结构光光斑位于对应的虚拟垂直直线左侧，则第 一基本编码基元为0,若近红外结构光光斑位于对应的虚拟垂直直线右侧，则第二基本编码 基元为1。
[0017] 优选地，所述光斑的位置，为该光斑中灰度值最大的点的坐标，如果该光斑中有多 个灰度值相同的最大值点，则按照从上到下，从左到右的顺序求取第一个灰度值最大的点 的坐标作为光斑的位置。
[0018] 优选地，在S3中，所述苹果图像的子窗口中的每个光斑的取值如此确定：横坐标 差值小于第一阈值的光斑组成一列光斑，对于平均横坐标差值小于第二阈值的相邻两列光 斑，左列中光斑的取值为第一基本编码基元，右列中光斑的取值为第二基本编码基元。
[0019] 优选地，其特征在于，Ii1= 15, η 2= 17。
[0020] 优选地，其特征在于，Ic1= 4, k 2= 2。
[0021] 优选地，所述近红外编码点阵结构光由近红外激光点阵仪或近红外LED点阵结构 光投射装置发射。
[0022] 优选地，所述参考平面为苹果分选传送装置的上表面。
[0023] 优选地，所述苹果图像和参考图像由相机在同一位置采集。
[0024] 优选地，采集一个苹果在分选传送装置的三个工位上的近红外图像，对每一个苹 果图像求取果梗/花萼区域。
[0025] (三）有益效果
[0026] 本发明针对果梗/花萼为苹果表面凹陷区域这一特征，通过结构光投射器将近 红外点阵结构光编码图案投射到苹果表面，使用工业相机拍摄投射后的编码图像，利用投 射到苹果表面前后图像中点阵光斑的匹配关系，确定苹果图像中果梗/花萼区域的位置信 息。在实际生产当中，需要在果品分选生产线在线运行的过程中识别果梗/花萼的位置，因 此对检测方法的实时性提出了较高的要求。本方法将对整张苹果图像的分析，转换为通过 对图像中若干离散结构光光斑的分析来识别果梗/花萼的位置，从而大大降低计算时间， 满足实际生产中高速在线检测的要求。
【附图说明】
[0027] 图1是点阵结构光成像模型的几何结构关系原理图；
[0028] 图2是点对在成像坐标系X方向和Y方向上的变化图；
[0029] 图3是近红外点阵结构光编码模式示意图；
[0030] 图4是近红外编码点阵结构光投射在苹果表面后在线检测效果图。
【具体实施方式】
[0031] 下面结合附图和实施例，对