基于图像识别的苹果分级研究 第11页
滑过这些极小值。
4．4．3基于神经网络的苹果分级判别
前向多层神经网络作为具有教强模式识别功能的工具，已被广泛应用于各个
领域。本系统所采用的网络包含输入层、隐层、及输出层。隐层可以是一层和多
层，每层上的神经元称为节点或单元。网络的信号传播是由输入单元传到隐单元，
最后传到输出单元。每个隐单元的活性取决于输入单元的活性及输入单元与隐单
元的之间的连接权值。同样输出单元的行为取决于隐单元的活性以及隐单元和输
出单元的连接权。
图4-4 BP神经网络
苹果按大小分等级，提取的特征量只有一个——平均半径％，输出有四种情
况(1号，1号，3号，3号)，可用两位二进制数表示：00，01，10，1l。取隐层
为一层，4个接点即可。图4．4表示了本设计用BP神经网络所采用的网络结构图。
利用标准等级的苹果首先进行学习，得出学习结果连接权值；然后根据连接权值
进行判断分级。
等级”。
a．图像处理子项 b．特征提取子项
图5—2菜单选项图
工具栏是苹果分级时用到的算法所的选项，如“中值滤波”、“Sobel边缘检
测”、“图像二值化”、“图像细化”、“分等级”。
客户区主要显示处理的图像。分级时，只显示原始苹果图像。也可以按步单独
处理，并查看处理的结果图，如图5．3所示，其中显示的图像有原始图、滤波结
果、边沿检测结果、二值化结果、细化结果。
图5．3单步图像处理结果显示
5．2算法设计
在软件的编写过程中，完成了本人所选用的图像处理算法(中值滤波、Sobel
边缘检测算法、图像二值化、灰度直方图平滑、图像细化)，特征值的提取算法(重
心计算，平均半径计算、相对平均半径方差)，依据判别函数和特征量对苹果进行
分级等计算。
基于图像识别的苹果分级系统软件部分流程图如图5．3所示。
图5．3苹果分级系统软件部分流程图
在代码书写过程中生成了不少API函数，并加入了不少注释，这为二次开发
打下了基础。以下是FeatureAbstract．h文件中的API函数定义，可以看出书写规
范，接口标准统一。
撑ifndef INC FeatureAbstractAPl
#define INC FeatureAbstractAPI
／／计算_二值图像重心函数
BOOL WINAPI CenterGravity(BYTE’lpDIBBits，LONG IWidth，LONG IHeight，CPoint’pt)；
／／对图像二值化图像后边缘轮廓过滤函数
BOOL WINAPI BinaryEdgeFilter(BYTE’lpDIBBits，LONG lWidth，LONG IHeight，CPoint’pt)
基于图像识别的苹果分级系统软件部分流程图如图5．3所示。
图5．3苹果分级系统软件部分流程图
在代码书写过程中生成了不少API函数，并加入了不少注释，这为二次开发
打下了基础。以下是FeatureAbstract．h文件中的API函数定义，可以看出书写规
范，接口标准统一。
撑ifndef INC FeatureAbstractAPl
#define INC FeatureAbstractAPI
／／计算_二值图像重心函数
BOOL WINAPI CenterGravity(BYTE’lpDIBBits，LONG IWidth，LONG IHeight，CPoint’pt)；
／／对图像二值化图像后边缘轮廓过滤函数
BOOL WINAPI BinaryEdgeFilter(BYTE’lpDIBBits，LONG lWidth，LONG IHeight，CPoint’pt)
}嘲化
BOOL WINAPI ThiningDIB(BYTE‘lpDIBBits，LONG IWidth，LONG IHeight)；
，／清除内部斑点
BOOL WINAPI eliminatelnSpot(BYTE’lpDIBBits，LONG IWidth，LONG IHeight)；
／／长宽计算提取
BOOL wINAPI SizeCalculate(BYTE’lpDIBBits，LONG IWidth，LONG IHeight，CSize’pSize)；
“平均半径
BOOL WINAPI averageRadius(BYTE’lpDIBBits，LONG IWidth，LONG IHeight，CPoint ’pt，float
‘averageR．float‘maxRadius)；
，／半径相对误差计算
BOOL WINAPI SequareRootRadiiError(BYTE’lpDIBBits，LONG IWidth，LONG IHeight，CPoint’pt，float
’averageR．float’SequareRootRadiaError)；
#endif
39
果大小、形状自动分级是完全可行的。估计近几年内，在我国会出现商品化的基
于图像识别的水果大小、形状和颜色的自动分级系统。其次水果按颜色和表面缺
陷的快速检测是目前面临的一大难题，也是限制分级速度和引起误差的主要因素。
对于按颜色、缺陷分级还尚待进一步研究。需要进一步完善视觉信息处理系
统，为实现动态水果全表面缺陷的快速检测，应采用多视角技术和近红外或中红
外成像技术，为了提高视觉信息的处理速度，除进行有效、快速的算法外，还需
要在硬件上采取必要的措施，如采用具有并行特点的高速DSP技术，采用流水线
图像处理硬件系统以及快速的智能处理芯片技术(如神经网络集成芯片、图像滤
波芯片等)；机械系统还需要进一步完善，下一步应设计智能化的输送机构、水果
卸载机构和分选机构，保证水果无损地通过整个分选过程的同时，机器视觉可以
快速地完成水果全表面的检查。