李燕等：基于轮廓坐标系转换拟合的柚子果形检测分级方法（2021年第1期）
引用格式
李燕, 沈杰, 谢航, 高广垠, 刘建雄, 刘洁. 基于轮廓坐标系转换拟合的柚子果形检测分级方法[J]. 智慧农业(中英文), 2021, 3 (1): 86-95.
LI Yan, SHEN Jie, XIE Hang, GAO Guangyin, LIU Jianxiong, LIU Jie. Detection and grading method of pomelo shape based on contour coordinate transformation and fitting[J]. Smart Agriculture, 2021, 3 (1): 86-95.
基于轮廓坐标系转换拟合的柚子果形检测分级方法
李燕1， 沈杰1， 谢航1， 高广垠1， 刘建雄1， 刘洁1，2，3*
（1.华中农业大学 工学院，湖北武汉430070；2.农业农村部长江中下游农业装备重点实验室，湖北武汉430070；3.农业农村部柑橘全程机械化科研基地，湖北武汉 430070）
摘要：针对柚子果形和尺寸分级依赖人工经验判断的现状，本研究提出一种采用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法检测柚子纵、横径尺寸并基于果形指数对柚子形状缺陷进行判断的方法。以CMOS相机、点阵式LED光源、平面镜、计算机、箱体和支架搭建图像采集装置，获取168个不同尺寸与形状等级的沙田柚样本全表面图像数据。选择G-B分量灰度图像进行去噪与分割，利用Laplacian算子边缘检测算法提取果实的边缘像素，采用多项式拟合方式完成直角坐标向极坐标的转换从而简化果形描述，利用特征点极角值补偿样本纵横径的随机方向，继而区别类球形和类梨形两种类型计算柚子的纵径和横径。以广东梅州沙田柚为对象进行试验，结果表明，利用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法的方法检测柚子纵径的平均绝对误差、最大绝对误差和平均相对误差分别为2.23 mm、7.39 mm和1.6%，横径的平均绝对误差、最大绝对误差和平均相对误差分别为2.21 mm、7.66 mm和1.4%。从柚子轮廓极坐标的拟合函数中提取3个峰值高度、3个波峰宽度和1个波谷值差值7个特征值，利用BP神经网络算法建立柚子果形判别模型并用独立验证集进行验证，形状判别的总识别率为83.7%。本方法能为柚子尺寸和形状的自动化检测与分级提供快速无损方法。
关键词：柚子轮廓；果形检测；BP神经网络；坐标系转换；图像处理；果形判别模型
图1 柚子果形特征
Fig. 1 Shape features of pomelo fruit
图2 3类柚子样本原始图像
Fig. 2 Original images of three pomelo types
注：1.辅助光源 2.平面镜 3.CMOS相机 4.主光源 5.样本放置位
图3 图像采集系统结构图
Fig. 3 Structure diagram of image acquisition system
图4 系统获取的原始样本图像示例
Fig. 4 Arandom original image obtained by the system
图5 特征提取及形状检测技术路线
Fig. 5 Thetechnical route of feature extraction and shape detection
图6 样本G-B色差图像
Fig. 6 Image of chromatic aberration G-B component of the sample
图7 样本边缘轮廓图像
Fig. 7 Edgecontour image of the sample
图8 不同坐标系中的类梨形柚子样本轮廓
Fig. 8 Theedges of a pear-like sample in cartesian coordinate and polar coordinatesystems
图9 步长取10、20和30的轮廓描述
Fig. 9 Contours description based on step lengths at 10,20 and 30
图10 不同坐标系中的类球形柚子样本轮廓
Fig. 10 Theedges of a spherical sample in cartesian coordinate and polar coordinatesystems
图11 不同方位柚子图像
Fig. 11 Images of pomelo samples with different orientations
图12 拟合函数特征
Fig. 12 Features of fitting function
图 13 BP神经网络预测分类与实际类别比对图
Fig.13 Backpropagation neural network prediction classification and actual categorycomparison
来源：《智慧农业（中英文）》2021年第1期