2024年4月13日发(作者：东方莎莉)
第
３６
卷第
１
期
２０２２
年
１
月
兰州文理学院学报
(
自然科学版
)
)
JournalofLanzhouUniversitfArtsandScience
(
NaturalSciences
y
o
Vol．３６No．１
Jan．２０２２
()
文章编号
:
２０９５Ｇ６９９１２０２２０１Ｇ００５４Ｇ０５
基于
OenMV
的水果筛选系统设计
p
()
莆田学院机电与信息工程学院
,
福建莆田
３５１１００
骆绍烨
,
张长佳
,
周
超
,
蔡荣贵
摘要
:
针对水果筛选中自动化程度较低的问题
,
设计并实现了一种基于
O
将
OenMV
的水果筛选系统
,
enMV
pp
机器视觉模块和计算机相结合
．
通过摄像头获取水果图像
,
并对图像进行水果模板匹配及特征提取和分析
,
实
现水果的品种
、
尺寸和成熟度筛选
．
实验结果表明
,
系统能广泛应用于常见水果品种
,
且具有较高的筛选准确
率
,
适合推广应用
．
关键词
:
水果筛选
;
模板匹配
;
特征提取
OenMV
;
p
中图分类号
:
TP２７
文献标志码
:
A
DesinofFruitScreeninstemBasedonOenMV
gg
S
yp
(,,,)
SchoolofMechatronicsandInformationEnineerinPutianUniversitPutian３５１１００
,
FuianChina
ggyj
LUOShaoＧe
,
ZHANGChanＧia
,
ZHOUChao
,
CAIRonＧui
ygjgg
:,
Abstract
Aimintthe
p
roblemoflowautomationinfruitscreeninafruitscreeninstem
g
a
gg
s
y
,
basedonOenMVwasdesinedandimlementedwhichcombinedOenMVmachinevision
pgpp
,
achievetheselectionoffruitvarietsizeandmaturit．Exerimentalresultsshowedthatthe
yyp
,,
sstemcanbewidelsedincommonfruitvarietiesandhadahihscreeninccuracsuitＧ
yy
u
gg
a
y
ablefor
p
romotionandalication．
pp
:;
O
;
Keords
fruitscreeninenMV
;
temlatematchinfeatureextraction
gppg
y
w
,
amoduleandcomuter．Theimaeoffruitwasobtainedbamerandtheimaewas
pgy
c
g
,
matchedwiththetemlateoffruitandthefeatureextractionandanalsiswerecarriedoutto
py
东南西北所产的水果
我国国土经纬跨度大
,
品种不可枚举
,
在水果产品竞争愈演愈烈的今天
,
如何提高水果品质
、
生产效率就尤其重要
．
而水果
筛选分级是提高水果品质的一个重要环节
．
国内
目前在水果筛选分级上还主要依靠人工或借助部
分简易的筛选装置完成
,
由此带来了劳动量大
、
生
１
]
产率低等诸多缺点
[
借助机器分类方法具有耗
．
图像或图像队列中获取有效信息
,
对物理世界的
]
２
三维景物进行形态与运动识别
,
即计算机视觉
[
．
随着计算机技术的提升和新型算法的提出
,
计算
机视觉技术已开始逐渐在包括农业在内的各个领
域中得到广泛应用
．
针对水果筛选问题
,
本文在
时短
、
高效率
、
契合水果品种不容易受损等特点
,
弥补了人工筛选的缺陷
,
因此研究和开发高效的
水果筛选系统十分必要
．
计算机通过效仿人眼所看到的图像场景
,
在
以
POenMV
微型机器视觉模块的基础上
,
C
端
p
为载体
,
运用计算机视觉相关技术实现水果筛选
．
1
系统结构设计及初始化
1.1
系统硬件结构
基于
OenMV
的水果筛选系统主要包括了
p
收稿日期
:
２０２１Ｇ０８Ｇ３０
);()
育科研项目
(
莆田学院横向项目
(
JAT１９０５７３２０２１AHX１５４L
)
com．
););
基金项目
:
福建省自然科学基金面上项目
(
莆田市科技计划项目
(
福建省中青年教师教
２０２０J０１９２４２０１８GP２００５
),:
作者简介
:
骆绍烨
(
男
,
福建仙游人
,
副教授
,
硕士
,
研究方向
:
计算机视觉
、
文本分析等
．１９８２ＧEＧmailLs１２３＠１６３．
y
Copyright©博看网 . All Rights Reserved.
第
１
期骆绍烨等
:
基于
OenMV
的水果筛选系统设计
p
５５
OenMV
微型机器视觉模块和计算机两部分
．
p
并在体积
OenMV
的核心是
STM３２CPU
芯片
,
p
小巧的硬件模块上集成了
OV７７２５
摄像头芯片
,
]
３
从而使核心机器视觉算法能够高效地实现
[
．
2
系统功能方案设计
这
OenMV
还提供了基于
Pthon
的编程接口
,
py
样就可以方便使用
P
系
thon
来进行二次开发
．
y
统硬件结构设计如图
１
所示
．
基于
OenMV
的水果筛选系统主要包括水
p
果类别筛选
、
水果尺寸筛选和水果成熟度筛选
３
个主要功能
．
这些功能主要依靠对摄像头所拍摄
的水果图像分析实现
．
2.1
水果类别筛选
板匹配就是提前得知一张图像
,
然后在一片大区
５
]
域中搜索已知图像的过程
[
其识别判别的依据
．
水果类别筛选主要通过模板匹配来实现
．
模
是找到与同模板有相同的方向
、
长短和图像元素
的目标
,
通过编写好的
Pthon
程序在区域中定
y
位到目标
,
并确定其坐标位置
,
最后以某种方式框
图
１
系统硬件结构图
摄像头用来拍摄水果图像
,
STM３２CPU
负
责图像的预处理以及机器识别过程
,
计算机则用
于
O
视觉模块的参数设置
enMV
系统中摄像头
、
p
和水果模板的输入
．
系统通过在
OenMV
微型机
p
器视觉模块上的摄像头获取实时图像
,
在对图像
进行预处理后
,
利用形状识别和边缘检测等相关
算法完成目标水果识别与筛选
．
1.2
OpenMV参数设置
OenMV
运用的是小孔成像这一种理想模
p
型
,
在实际应用时镜头会存在场曲和畸变等
[]
４
选出来
．
前期通过录入不同水果的模板图像
,
建立
一个模板库
,
然后让
O
从
enMV
进行模板匹配
,
p
而分辨水果
．
理论上只要模板库足够大
,
就可以识
别很多种类的水果
．
模板匹配流程如图
２
所示
．
)
以通过在标定过程中引入畸变参数
(
解
sensor
决
．
下面是
OenMV
摄像头相关参数的设置代
p
码
．
imortsensor ＃
引入感光元件的模块
p
＃
设置摄像头参数
()
sensor．reset ＃
初始化感光元件
_
p
()
sensor．setixformatsensor．RGB５６５ ＃
,
可
图
２
模板匹配流程图
这一过程中最为核心的任务是建立模板库
．
首先需要在帧缓存区中创建或导入一个指定大小
的
p
通过直接从
Om
格式模板
．enMV
里面截
gp
取一个模板图像
,
通过格式转换工具
,
将
p
n
g
转
成
p
保存在
Om
格式
,
enMV
的
SD
卡文件夹里
gp
MV
自动完成
．
面
,
就形成了模板库
．
识别筛选功能则由
OenＧ
p
2.2
水果尺寸筛选
sor．GRAYSCALE
)
＃
设置为灰度图模式
_(
sensor．setframesizesensor．QVGA
)
＃
设置图像像素的大小
__
g
)
sensor．setautoain
(
False ＃
关闭自动
增益
_
a
()
sensor．setuto
_
whitebalFalse ＃
关闭
白平衡
_
w
)
＃
设置窗口中
sensor．setindowinroi
g
(
的兴趣区
():
whileTrue
()
＃
拍摄照片
imensor．snashot
g
＝s
p
_
p
(
设置摄像头颜色模式
sensor．setixformatsenＧ
利用摄像头物体测距的基本原理借助参照物
进行反推
,
从而得到水果大小
．OenMV
是采用
p
单摄像头
,
选取恰当的参照物
,
并依照参照物的实
际长短与成像后的百分比就能够计算出物体之间
的间距
．OenMV
测距原理如图
３
所示
．
p
由图
３
可知
,
L
为
OenMV
摄像头到水果的
p
距离尺寸
,
A
p
B
p
ix
为整个画面的像素值
,
ix
为水果
在镜头中所占的像素
,
即水果直径的像素
．
R
是水
果真实的直径
,
∠
α
是视角的一半
,
∠
β
是水果半
径视角
,
H
是摄像头覆盖的实际宽度半径
．
Copyright©博看网 . All Rights Reserved.
兰州文理学院学报
(
自然科学版
)
第
３６
卷
５６
图
３
测距原理图
从左侧摄像头里的几何联系可以得到
:
知
:
水果现实尺寸
R
与像头里的像素
B
p
ix
成反比
,
()
１
()
２
通过测量水果成像大小即可计算出其真实大小
．
2.3
水果成熟度筛选
OenMV
采用
Lab
颜色模型能够准确识别
p
各种颜色
,
而颜色是判断大部分水果是否成熟的
主要因素
．Lab
颜色模型是
CIE
组织于
１９３１
年拟
６
]
定的用来衡量颜色的国际标准
[
其中
L．ab
表
B
pix
)
tan
(
．
＝
β
２
L
所以得出以下正切比例公式
:
A
pix
tan
(
α
)
＝
．
２
L
tan
(
α
)
A
pix
()
．
３
＝
tan
(
ix
β
)
B
p
从右侧现实环境里的几何联系可以得到
:
;;
示
:
亮度
)
红色
,
绿色
)
黄色
,
L
(
a
(
＋
:
－
:
b
(
＋
:
,
蓝色
)
让图像颜色显示接近人类视觉
．－
:
Lab
模
型不依赖光线和颜料
,
在理论上包括了我们眼睛
看到并识别出全部色彩的一种强大模式
．
它弥补
了
CMYK
和
R
用数字
GB
两种色彩模式的不足
,
化方法展示出人眼看到的视觉感应
．
因此可根据
水果的颜色来判断水果是否成熟
,
水果成熟度筛
选流程如图
４
所示
．
R
()
tan
(
４
β
)
＝
L
．
代入上述正切比例公式中
,
可得水果尺寸计
算公式
:
(
LB
p
tan
ix
β
)
()
R
＝
．
５
A
p
ix
由
L
、
A
p
tan
(
ix
、
β
)
在系统中均为固定值可
图
４
水果成熟度筛选流程图
导入
在筛选之前首先要设置颜色的阈值
(
),
里面可
thresholdsthresholds
是一个参数列表
,
就需要在这个列表中添加对应的颜色阈值
．
为了
使绿色芒果
(
未成熟
)
区域变成纯白
,
其他地方全
黑即可得出绿色的阈值
．
当然
,
在工业生产线上
,
考虑到一些水果需要长距离运输
,
完全成熟就会
容易损坏
,
可以根据实际情况去设置芒果阈值
,
从
而更好地去筛选
．
阈值测试效果如图
５
所示
．
以包含多个颜色的参数设定
．
若要识别多个颜色
,
识别更精准
,
选择
OenMVIDE
阈值工具进行阈
p
值调试
．
通过滑动
３
个通道的最大值以及最小值
,
Copyright©博看网 . All Rights Reserved.
第
１
期骆绍烨等
:
基于
OenMV
的水果筛选系统设计
p
５７
图
５
阈值测试效果
(
芒果
)
成熟度阈值设置好后就可以进行水果成熟度
筛选
．
通过
OenMV
的摄像头模块拍摄水果照
p
片
,
对水果图片进行图像预处理
．
预处理完成的水
果图像利用之前设置的颜色阈值进行色块查找识
别
,
再将获得的色块进行合并
,
合并过程中过小的
色块将会被过滤掉
．
合并完成后与设置的色块面
积阈值做比较
,
如果面积超过阈值表示该水果达
到了预设的成熟度
,
否则表示未达到成熟度要求
．
3
系统测试与分析
为了验证系统的水果筛选效果
,
本文选取芒
果
、
香蕉
、
沃柑和苹果
４
种常见水果进行测试
．
首
先进行水果不同模板相似度阈值下的识出率测
试
．
每种水果的测试数量为
１
统计能识别出
００
次
,
水果的次数
,
由此获得识出率
．
测试结果如表
１
所
列
．
表
１
水果在不同相似度阈值下的识出率
水果类别
芒果
香蕉
沃柑
苹果
识出率
/
％
相似度阈值
＝０．６
９３
８９
９８
９５
相似度阈值
＝０．７
８７
８０
９１
９０
相似度阈值
＝０．８
８２
７８
８７
８３
相似度阈值
＝０．９
７３
６５
８２
７５
从表
１
可以看出不同水果由于本身的形状和
颜色差异导致在相同的模板和相同的相似度阈值
下识出率具有一定的差异
．
沃柑因为形状比较规
则
,
颜色相对均匀
,
识出率相对较高
．
香蕉的形状
最为不规则
,
在同等条件下的识出率是最低的
,
特
随着相似度阈值的提高
,
水果的检出率呈现
６５％．
下降趋势
．
相似度阈值要求越高
,
对于水果模板匹
配的相似率就越高
,
水果就越难以被识别出
．
但这
并不意味着越低的相似率阈值越有利于水果的类
别筛选
,
过低的阈值将导致大量非水果或其他类
别的水果被误识别
．
通常情况下
,
８０％－９０％
的水
别是在相似度阈值为
０．
其识出率仅有
９
时
,
果识出率是比较适宜的
,
即
０．７－０．８
的水果模板
相似度阈值在水果类别筛选时具有较好的效果
．
为了测试系统对水果尺寸测量的准确性
,
选
取一种外形相对规则的水果
(
沃柑
)
作为测试水果
进行大小测试
,
并与手工多次测量平均尺寸进行
对比
．
测试分为
６
组
,
为了保证测量的准确性
,
每
组测量次数为
５
测试结果如表
２
所列
．０
次
．
量值的误差绝对值最大为
０．
最小仅为
１４cm
,
由表
２
可知
,
系统平均测量值与手工平均测
平均偏差率大部分
(
低于
１．
最
０
2024年4月13日发(作者：东方莎莉)
第
３６
卷第
１
期
２０２２
年
１
月
兰州文理学院学报
(
自然科学版
)
)
JournalofLanzhouUniversitfArtsandScience
(
NaturalSciences
y
o
Vol．３６No．１
Jan．２０２２
()
文章编号
:
２０９５Ｇ６９９１２０２２０１Ｇ００５４Ｇ０５
基于
OenMV
的水果筛选系统设计
p
()
莆田学院机电与信息工程学院
,
福建莆田
３５１１００
骆绍烨
,
张长佳
,
周
超
,
蔡荣贵
摘要
:
针对水果筛选中自动化程度较低的问题
,
设计并实现了一种基于
O
将
OenMV
的水果筛选系统
,
enMV
pp
机器视觉模块和计算机相结合
．
通过摄像头获取水果图像
,
并对图像进行水果模板匹配及特征提取和分析
,
实
现水果的品种
、
尺寸和成熟度筛选
．
实验结果表明
,
系统能广泛应用于常见水果品种
,
且具有较高的筛选准确
率
,
适合推广应用
．
关键词
:
水果筛选
;
模板匹配
;
特征提取
OenMV
;
p
中图分类号
:
TP２７
文献标志码
:
A
DesinofFruitScreeninstemBasedonOenMV
gg
S
yp
(,,,)
SchoolofMechatronicsandInformationEnineerinPutianUniversitPutian３５１１００
,
FuianChina
ggyj
LUOShaoＧe
,
ZHANGChanＧia
,
ZHOUChao
,
CAIRonＧui
ygjgg
:,
Abstract
Aimintthe
p
roblemoflowautomationinfruitscreeninafruitscreeninstem
g
a
gg
s
y
,
basedonOenMVwasdesinedandimlementedwhichcombinedOenMVmachinevision
pgpp
,
achievetheselectionoffruitvarietsizeandmaturit．Exerimentalresultsshowedthatthe
yyp
,,
sstemcanbewidelsedincommonfruitvarietiesandhadahihscreeninccuracsuitＧ
yy
u
gg
a
y
ablefor
p
romotionandalication．
pp
:;
O
;
Keords
fruitscreeninenMV
;
temlatematchinfeatureextraction
gppg
y
w
,
amoduleandcomuter．Theimaeoffruitwasobtainedbamerandtheimaewas
pgy
c
g
,
matchedwiththetemlateoffruitandthefeatureextractionandanalsiswerecarriedoutto
py
东南西北所产的水果
我国国土经纬跨度大
,
品种不可枚举
,
在水果产品竞争愈演愈烈的今天
,
如何提高水果品质
、
生产效率就尤其重要
．
而水果
筛选分级是提高水果品质的一个重要环节
．
国内
目前在水果筛选分级上还主要依靠人工或借助部
分简易的筛选装置完成
,
由此带来了劳动量大
、
生
１
]
产率低等诸多缺点
[
借助机器分类方法具有耗
．
图像或图像队列中获取有效信息
,
对物理世界的
]
２
三维景物进行形态与运动识别
,
即计算机视觉
[
．
随着计算机技术的提升和新型算法的提出
,
计算
机视觉技术已开始逐渐在包括农业在内的各个领
域中得到广泛应用
．
针对水果筛选问题
,
本文在
时短
、
高效率
、
契合水果品种不容易受损等特点
,
弥补了人工筛选的缺陷
,
因此研究和开发高效的
水果筛选系统十分必要
．
计算机通过效仿人眼所看到的图像场景
,
在
以
POenMV
微型机器视觉模块的基础上
,
C
端
p
为载体
,
运用计算机视觉相关技术实现水果筛选
．
1
系统结构设计及初始化
1.1
系统硬件结构
基于
OenMV
的水果筛选系统主要包括了
p
收稿日期
:
２０２１Ｇ０８Ｇ３０
);()
育科研项目
(
莆田学院横向项目
(
JAT１９０５７３２０２１AHX１５４L
)
com．
););
基金项目
:
福建省自然科学基金面上项目
(
莆田市科技计划项目
(
福建省中青年教师教
２０２０J０１９２４２０１８GP２００５
),:
作者简介
:
骆绍烨
(
男
,
福建仙游人
,
副教授
,
硕士
,
研究方向
:
计算机视觉
、
文本分析等
．１９８２ＧEＧmailLs１２３＠１６３．
y
Copyright©博看网 . All Rights Reserved.
第
１
期骆绍烨等
:
基于
OenMV
的水果筛选系统设计
p
５５
OenMV
微型机器视觉模块和计算机两部分
．
p
并在体积
OenMV
的核心是
STM３２CPU
芯片
,
p
小巧的硬件模块上集成了
OV７７２５
摄像头芯片
,
]
３
从而使核心机器视觉算法能够高效地实现
[
．
2
系统功能方案设计
这
OenMV
还提供了基于
Pthon
的编程接口
,
py
样就可以方便使用
P
系
thon
来进行二次开发
．
y
统硬件结构设计如图
１
所示
．
基于
OenMV
的水果筛选系统主要包括水
p
果类别筛选
、
水果尺寸筛选和水果成熟度筛选
３
个主要功能
．
这些功能主要依靠对摄像头所拍摄
的水果图像分析实现
．
2.1
水果类别筛选
板匹配就是提前得知一张图像
,
然后在一片大区
５
]
域中搜索已知图像的过程
[
其识别判别的依据
．
水果类别筛选主要通过模板匹配来实现
．
模
是找到与同模板有相同的方向
、
长短和图像元素
的目标
,
通过编写好的
Pthon
程序在区域中定
y
位到目标
,
并确定其坐标位置
,
最后以某种方式框
图
１
系统硬件结构图
摄像头用来拍摄水果图像
,
STM３２CPU
负
责图像的预处理以及机器识别过程
,
计算机则用
于
O
视觉模块的参数设置
enMV
系统中摄像头
、
p
和水果模板的输入
．
系统通过在
OenMV
微型机
p
器视觉模块上的摄像头获取实时图像
,
在对图像
进行预处理后
,
利用形状识别和边缘检测等相关
算法完成目标水果识别与筛选
．
1.2
OpenMV参数设置
OenMV
运用的是小孔成像这一种理想模
p
型
,
在实际应用时镜头会存在场曲和畸变等
[]
４
选出来
．
前期通过录入不同水果的模板图像
,
建立
一个模板库
,
然后让
O
从
enMV
进行模板匹配
,
p
而分辨水果
．
理论上只要模板库足够大
,
就可以识
别很多种类的水果
．
模板匹配流程如图
２
所示
．
)
以通过在标定过程中引入畸变参数
(
解
sensor
决
．
下面是
OenMV
摄像头相关参数的设置代
p
码
．
imortsensor ＃
引入感光元件的模块
p
＃
设置摄像头参数
()
sensor．reset ＃
初始化感光元件
_
p
()
sensor．setixformatsensor．RGB５６５ ＃
,
可
图
２
模板匹配流程图
这一过程中最为核心的任务是建立模板库
．
首先需要在帧缓存区中创建或导入一个指定大小
的
p
通过直接从
Om
格式模板
．enMV
里面截
gp
取一个模板图像
,
通过格式转换工具
,
将
p
n
g
转
成
p
保存在
Om
格式
,
enMV
的
SD
卡文件夹里
gp
MV
自动完成
．
面
,
就形成了模板库
．
识别筛选功能则由
OenＧ
p
2.2
水果尺寸筛选
sor．GRAYSCALE
)
＃
设置为灰度图模式
_(
sensor．setframesizesensor．QVGA
)
＃
设置图像像素的大小
__
g
)
sensor．setautoain
(
False ＃
关闭自动
增益
_
a
()
sensor．setuto
_
whitebalFalse ＃
关闭
白平衡
_
w
)
＃
设置窗口中
sensor．setindowinroi
g
(
的兴趣区
():
whileTrue
()
＃
拍摄照片
imensor．snashot
g
＝s
p
_
p
(
设置摄像头颜色模式
sensor．setixformatsenＧ
利用摄像头物体测距的基本原理借助参照物
进行反推
,
从而得到水果大小
．OenMV
是采用
p
单摄像头
,
选取恰当的参照物
,
并依照参照物的实
际长短与成像后的百分比就能够计算出物体之间
的间距
．OenMV
测距原理如图
３
所示
．
p
由图
３
可知
,
L
为
OenMV
摄像头到水果的
p
距离尺寸
,
A
p
B
p
ix
为整个画面的像素值
,
ix
为水果
在镜头中所占的像素
,
即水果直径的像素
．
R
是水
果真实的直径
,
∠
α
是视角的一半
,
∠
β
是水果半
径视角
,
H
是摄像头覆盖的实际宽度半径
．
Copyright©博看网 . All Rights Reserved.
兰州文理学院学报
(
自然科学版
)
第
３６
卷
５６
图
３
测距原理图
从左侧摄像头里的几何联系可以得到
:
知
:
水果现实尺寸
R
与像头里的像素
B
p
ix
成反比
,
()
１
()
２
通过测量水果成像大小即可计算出其真实大小
．
2.3
水果成熟度筛选
OenMV
采用
Lab
颜色模型能够准确识别
p
各种颜色
,
而颜色是判断大部分水果是否成熟的
主要因素
．Lab
颜色模型是
CIE
组织于
１９３１
年拟
６
]
定的用来衡量颜色的国际标准
[
其中
L．ab
表
B
pix
)
tan
(
．
＝
β
２
L
所以得出以下正切比例公式
:
A
pix
tan
(
α
)
＝
．
２
L
tan
(
α
)
A
pix
()
．
３
＝
tan
(
ix
β
)
B
p
从右侧现实环境里的几何联系可以得到
:
;;
示
:
亮度
)
红色
,
绿色
)
黄色
,
L
(
a
(
＋
:
－
:
b
(
＋
:
,
蓝色
)
让图像颜色显示接近人类视觉
．－
:
Lab
模
型不依赖光线和颜料
,
在理论上包括了我们眼睛
看到并识别出全部色彩的一种强大模式
．
它弥补
了
CMYK
和
R
用数字
GB
两种色彩模式的不足
,
化方法展示出人眼看到的视觉感应
．
因此可根据
水果的颜色来判断水果是否成熟
,
水果成熟度筛
选流程如图
４
所示
．
R
()
tan
(
４
β
)
＝
L
．
代入上述正切比例公式中
,
可得水果尺寸计
算公式
:
(
LB
p
tan
ix
β
)
()
R
＝
．
５
A
p
ix
由
L
、
A
p
tan
(
ix
、
β
)
在系统中均为固定值可
图
４
水果成熟度筛选流程图
导入
在筛选之前首先要设置颜色的阈值
(
),
里面可
thresholdsthresholds
是一个参数列表
,
就需要在这个列表中添加对应的颜色阈值
．
为了
使绿色芒果
(
未成熟
)
区域变成纯白
,
其他地方全
黑即可得出绿色的阈值
．
当然
,
在工业生产线上
,
考虑到一些水果需要长距离运输
,
完全成熟就会
容易损坏
,
可以根据实际情况去设置芒果阈值
,
从
而更好地去筛选
．
阈值测试效果如图
５
所示
．
以包含多个颜色的参数设定
．
若要识别多个颜色
,
识别更精准
,
选择
OenMVIDE
阈值工具进行阈
p
值调试
．
通过滑动
３
个通道的最大值以及最小值
,
Copyright©博看网 . All Rights Reserved.
第
１
期骆绍烨等
:
基于
OenMV
的水果筛选系统设计
p
５７
图
５
阈值测试效果
(
芒果
)
成熟度阈值设置好后就可以进行水果成熟度
筛选
．
通过
OenMV
的摄像头模块拍摄水果照
p
片
,
对水果图片进行图像预处理
．
预处理完成的水
果图像利用之前设置的颜色阈值进行色块查找识
别
,
再将获得的色块进行合并
,
合并过程中过小的
色块将会被过滤掉
．
合并完成后与设置的色块面
积阈值做比较
,
如果面积超过阈值表示该水果达
到了预设的成熟度
,
否则表示未达到成熟度要求
．
3
系统测试与分析
为了验证系统的水果筛选效果
,
本文选取芒
果
、
香蕉
、
沃柑和苹果
４
种常见水果进行测试
．
首
先进行水果不同模板相似度阈值下的识出率测
试
．
每种水果的测试数量为
１
统计能识别出
００
次
,
水果的次数
,
由此获得识出率
．
测试结果如表
１
所
列
．
表
１
水果在不同相似度阈值下的识出率
水果类别
芒果
香蕉
沃柑
苹果
识出率
/
％
相似度阈值
＝０．６
９３
８９
９８
９５
相似度阈值
＝０．７
８７
８０
９１
９０
相似度阈值
＝０．８
８２
７８
８７
８３
相似度阈值
＝０．９
７３
６５
８２
７５
从表
１
可以看出不同水果由于本身的形状和
颜色差异导致在相同的模板和相同的相似度阈值
下识出率具有一定的差异
．
沃柑因为形状比较规
则
,
颜色相对均匀
,
识出率相对较高
．
香蕉的形状
最为不规则
,
在同等条件下的识出率是最低的
,
特
随着相似度阈值的提高
,
水果的检出率呈现
６５％．
下降趋势
．
相似度阈值要求越高
,
对于水果模板匹
配的相似率就越高
,
水果就越难以被识别出
．
但这
并不意味着越低的相似率阈值越有利于水果的类
别筛选
,
过低的阈值将导致大量非水果或其他类
别的水果被误识别
．
通常情况下
,
８０％－９０％
的水
别是在相似度阈值为
０．
其识出率仅有
９
时
,
果识出率是比较适宜的
,
即
０．７－０．８
的水果模板
相似度阈值在水果类别筛选时具有较好的效果
．
为了测试系统对水果尺寸测量的准确性
,
选
取一种外形相对规则的水果
(
沃柑
)
作为测试水果
进行大小测试
,
并与手工多次测量平均尺寸进行
对比
．
测试分为
６
组
,
为了保证测量的准确性
,
每
组测量次数为
５
测试结果如表
２
所列
．０
次
．
量值的误差绝对值最大为
０．
最小仅为
１４cm
,
由表
２
可知
,
系统平均测量值与手工平均测
平均偏差率大部分
(
低于
１．
最
０