基于圖像邊緣檢測的紅棗大小分級

姚娜+吳剛+陳杰

摘要:從計算機視覺應用研究領域出發,提出了一種以圖像邊緣檢測來計算紅棗(Ziziphus zizyphus)大小進而進行紅棗分級的方法。邊緣檢測的仿真試驗結果證明了小波變換方法的有效性和優越性,并且根據該方法的分級檢測仿真試驗也證明了基于圖像邊緣檢測的紅棗大小分級方法的有效性及快速性,為紅棗分級機核心部分的設計打下了基礎。

關鍵詞:紅棗(Ziziphus zizyphus);邊緣檢測;分級

中圖分類號:S665.1;TP751.1文獻標識碼:A文章編號:0439-8114(2014)10-2427-04

Grading Red Dates Based on the Size from Image Edge Detection

YAO Na,WU Gang,CHEN Jie

(College of Information Engineering,Tarim University,Alar843300,Xinjiang,China)

Abstract:Starting from the application area of research in computer vision, a method of using image edge detection to calculate the size of red dates and to classify red dates in the case of absenting decayed red dates was developed. Simulation of edge detection demonstrated the validity and superiority of the wavelet method and the simulation of grading detection proved that the new method was effective and rapid,providing the basis for the key design of red dates classifier.

Key words:red dates(Ziziphus zizyphus); edge detection; grading

基金項目:新疆生產建設兵團青年科技創新資金專項(2013CB020)

新疆地區紅棗品種較多,有的品種含糖量高達34%,其營養豐富,受到人們的喜愛。目前,紅棗品種越來越多,其產量及銷售量也越來越高,紅棗采集后對其進行分類是加工過程中很重要的工作環節,最初的分揀都是由人工完成,一方面需要大量的人力資源;另一方面不能保證產品的安全。隨著科學技術的發展,農業機械化的應用越來越廣泛,研究者將重點關注紅棗自動分級,可以節省人力而實現農業自動化。李湘萍[1]介紹了紅棗分級機的工作原理;張保生等[2]將紅棗的形狀特征、顏色特征和紋理特征通過BP網絡算法進行自動分級;趙文杰等[3]提出了以顏色作為特征利用支持向量機的方法進行紅棗的缺陷識別,識別率可達96.2%;肖愛玲[4]對幾種典型的紅棗分級機的結構進行了介紹;肖愛玲等[5]對2011年前紅棗的分級技術及研究現狀進行了總結;沈從舉等[6]對紅棗分級機的研究狀態和應用方法進行了歸納。

目前,基于計算機視覺的方法具有智能化、精度高、損傷小等優點,該方法的核心部分在于選取什么特征以及利用何種算法對紅棗進行判斷。研究者提出的方法具有一個共同特點是特征選取較多,比如同時提取顏色特征、形狀特征和紋理特征,因此計算量較大,分級機的設計組成對信息處理的硬件部分有較高的要求,在紅棗分級機的設計中存在兩方面的問題:一方面成本較高;另一方面硬件達不到設計的要求。小波變換對噪聲不敏感,邊緣檢測清晰,所以有不少研究者將不同的小波變換方法[7-10]應用在圖像邊緣檢測中,經仿真試驗證明也適合應用在紅棗的邊緣檢測中。因此,本研究提出一種簡單的分級方法來對紅棗進行分級,即以提取紅棗的邊緣特征,只有形狀特征,應用小波變換的算法,減少了計算量。

1材料與方法

1.1材料

紅棗品種為新疆阿拉爾地區種植的駿棗,已經過人為的挑揀,測試結果得分為優等級的個數較多。

1.2檢測方法

在無腐爛的情況下,個體較大、飽滿的紅棗可分到較高的級別中,可用邊緣檢測方法對紅棗的邊緣進行檢測,然后根據檢測出的邊緣再計算紅棗的面積,面積大于某一設定閾值的紅棗為優等級,其余為低級。

1.3小波邊緣檢測

小波變換可以解決時域和頻域的矛盾,可以將信號進行更精確地分析。圖像中的邊緣點為灰度變化較大的像素點,即一階微分極大值點或者二階微分過零點。圖像邊緣檢測可以通過小波的奇異性來檢測。設θ(x,y)為一個平滑的二維函數,在考慮尺度參數的情況下,θa(x,y)=■■，■,那么二維小波的定義[11]為:

ψx(x,y)=■

ψy(x,y)=■

用矢量形式表示二維小波變換:

a■+■

=af■（x，y）■+f■（x，y）■

=af(x,y)[ψx(x,y)■+ψy(x,y)■]

=a[(fψx)(x,y)■+(fψy)(x,y)■]

=Wxa f(x,y)■+Wya f(x,y)■

=aΔ(fθa)(x,y)

fθa(x,y)表示圖像f(x,y)與平滑函數θa(x,y)卷積后的平滑圖像。梯度矢量的模值為:

■ (3)

梯度矢量與水平方向的夾角為:

α=Arg[Wa(x,y)]

=arctan■(4)

確定梯度矢量的模值極值后,再經過閾值的處理,可以得到圖像的邊緣,不同的a可以實現多個不同尺度的檢測。圖像中目標的方向性是重要的特征之一,作為小波的改進方向,小波的應用成為了一個研究熱點,它能有較好的方向性分析,體現了圖像的方向性。任意方向小波變換[12]的定義為:(假設γ=0,θ∈[0,π)]

Wθa f(x,y)=f(x,y)*g(x,y,θ,γ)

=Wθa f(x,y)cosθ+Wθa f(x,y)sinθ

=||Wa f(x,y)||■·

cosθ+■sinθ (5)

=||Wa f(x,y)||(cos(Arg[Wa f(x,y)]))·

cosθ+sin(Arg[Wa f(x,y)])sinθ

=||Wa f(x,y)||(cosαcosθ+sinαsinθ)

=||Wa f(x,y)||cos(α-θ)

運用小波方法對紅棗進行邊緣檢測,為紅棗分級檢測解決基礎性的第一步難題,同時也用經典的Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子對紅棗進行邊緣檢測以便比較分析各自的特點。

1.4分級檢測的過程

檢測紅棗邊緣后需要對紅棗的面積進行計算,通過對邊緣點的長度進行計算可以得出邊緣的長度,將紅棗的形狀假設為圓形,可以用圓周長將圓面積求出,即可以求出紅棗的面積。假設計算檢測出邊緣點的長度,紅棗的面積近似為:

s=■ (6)

因為整個過程屬于比較過程,所以進行近似計算不影響相對的比較。

整個分級檢測的仿真試驗步驟為:

1)讀入紅棗圖像,將彩色RGB圖像轉為灰度圖像;

2)對紅棗灰度圖像求出小波變換的模值和梯度矢量與水平方向的夾角;

3)在水平方向、垂直方向、-45°方向和+45°方向4個方向上進行搜索判斷模值和梯度方向的條件得到邊緣值,將得到的邊緣值進行歸一化,設定閾值為0.18來判斷紅棗圖像的邊緣;

4)計算紅棗的邊緣長度,確定紅棗邊緣長度的閾值;

5)根據公式(6)計算紅棗的面積;大于邊緣長度閾值的對應面積閾值的紅棗判定為優良等級的紅棗,否則為較差等級的紅棗。

針對不同的分級機的機械設計,紅棗面積的閾值的確定可以根據兩種方式:一種方式是針對分級機單個讀取紅棗圖像并直接進行分級挑揀的情況,閾值根據經驗值來確定,比如某種品種的紅棗大小是在固定范圍內波動,預先設定固定的閾值來進行分級挑揀;另一種方式是針對分級機進行大量紅棗圖像同時進行讀取時,遍歷全部紅棗圖像,找到最大面積的紅棗,然后閾值設定為最大值的80%,大于該閾值的紅棗判定為優等級,否則判定為較差等級。

2結果與分析

仿真試驗中分別對單個紅棗和兩個紅棗為例進行小波的邊緣檢測,并且將小波檢測結果與Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子檢測結果進行分析對比。

2.1 單個紅棗檢測結果

圖1為理想的情況,即一個紅棗全部被讀入沒有遮蓋的情況,也是正常情況下的邊緣檢測。由圖1可以看出,小波方法檢測出的曲線較少,輪廓清晰,輪廓線的連續性好,一方面有利于邊緣長度的計算;另一方面減少了曲線個數的計算,減少了整個方法的計算量。Sobel算子檢測出的紅棗圖像與小波的方法相比較,噪點較多,定位精度不夠高,邊緣比較模糊;Canny算子檢測到的邊緣雖然比較連續,但是出現了由噪聲產生的偽邊緣,這樣在計算紅棗大小時會增加計算量,并且容易出錯;Prewitt算子和Roberts算子的檢測結果類似于Sobel算子的檢測結果,并且Roberts算子的檢測結果中邊緣斷點較多,給計算紅棗的長度帶來困難;Log算子的檢測結果邊緣較為連續,有少量斷點,與小波方法相比較紅棗內部的噪點較多,復雜度僅次于Canny算子的方法檢測出的結果。根據邊緣檢測的效果和計算復雜度以及后期需要的算法的復雜度來比較這幾種方法的優劣順序為小波、Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子。

2.2兩個有遮蓋的紅棗檢測結果

圖2為遮蓋的情況,因此單個紅棗的邊緣不能完全檢測出,但是根據周長閾值的比較結果,同樣可以算出單個紅棗的面積。由圖2可以看出,小波方法對于有遮蓋的紅棗檢測仍是輪廓清晰且連續性好,內部曲線較少。Sobel算子檢測出的紅棗圖像與小波的方法相比較,噪點較多,邊緣斷點較多,邊緣比較模糊;Canny算子檢測到的邊緣過于模糊且斷點較多,還出現了由噪聲產生的偽邊緣,這樣在計算紅棗大小時對后期的算法要求較高,且容易出現錯誤結果;Prewitt算子和Roberts算子的檢測結果類似于Sobel算子的檢測結果,Roberts算子的檢測結果中邊緣較為清楚;Log算子的檢測結果邊緣斷點較多,與小波方法相比較紅棗內部的噪點較多,復雜度僅次于Canny算子的方法檢測出的結果。根據邊緣檢測的結果和計算復雜度以及后期算法的復雜度來比較這幾種方法的優劣順序為小波、Roberts算子、Prewitt算子、Sobel算子、Log算子、Canny算子。對于單個和兩個紅棗進行檢測的仿真結果都說明:較于其他5種算子,小波方法均是最優的。

研究中采集的紅棗圖像大小為442×398像素,閾值采用經驗值,實際的周長閾值映射到圖像中的周長為1 084像素,仿真試驗結果判定為準確可行,試驗結果見表1。

3小結與討論

隨著自動化技術在農業產品中應用越來越廣泛,其理論研究的方法也越來越多,從計算機視覺領域結合農業自動化技術提出了對紅棗加工有促進作用的紅棗自動分級的核心方法,對于紅棗生產的地區有重要意義。研究提出了利用方向小波方法對紅棗圖像進行邊緣檢測進而計算紅棗大小來對紅棗分級的方法,經仿真試驗證明小波變換方法的優越性及整個方法的有效性和快速性。此研究是在假設紅棗無腐爛的情況下進行分級的,所以有一定的局限性,但在下一步研究中可以彌補此點的不足,設置多個閾值可以將紅棗進行多個等級的分揀。

參考文獻:

[1] 李湘萍.6ZF-0.5型紅棗分級機的試驗研究[J].山西農機,2000(14):3-5.

[2] 張保生,姚瑞央.基于BP神經網絡算法的紅棗分級技術應用[J].廣東農業科學,2010(11):282-283.

[3] 趙杰文,劉少鵬,鄒小波.基于機器視覺和支持向量機的缺陷棗的識別研究[J].農業機械學報,2008,39(3):113-115.

[4] 肖愛玲.幾種典型的紅棗分級機[J].新疆農機化,2010(4):10-11.

[5] 肖愛玲,李偉.我國紅棗分級技術及紅棗分級機研究現狀[J].農機化研究,2011(11):241-244.

[6] 沈從舉,賈首星,鄭炫,等.紅棗分級機械的現狀與發展[J].中國農機化學報,2013,34(1):26-30.

[7] 宋文龍,閔昆龍,邢奕,等.基于小波變換的自適應閾值植物根系圖像邊緣檢測[J].北京科技大學學報,2012,34(8):966-970.

[8] 王敬東,徐亦斌,李鵬.圖像小波邊緣檢測中邊界處理的研究[J].計算機工程,2007,33(5):161-163.

[9] 鮑雄偉.小波變換在圖像邊緣檢測中的應用[J].電子設計工程,2012,20(14):160-162.

[10] 薄勝坤,張麗英.一種基于小波變換和Canny算子相結合的邊緣檢測方法[J].長春大學學報,2012,22(10):1177-1180.

[11] 胡艷,張瑞林.基于小波模極大值和形態學的圖像邊緣檢測算法[J].計算機應用與軟件,2010,27(9):75-77.

[12] 韓慧妍,韓燮.基于方向小波變換的邊緣檢測算法[J].微電子學與計算機,2012,29(7):55-57.

s=■ (6)

因為整個過程屬于比較過程,所以進行近似計算不影響相對的比較。

整個分級檢測的仿真試驗步驟為:

1)讀入紅棗圖像,將彩色RGB圖像轉為灰度圖像;

2)對紅棗灰度圖像求出小波變換的模值和梯度矢量與水平方向的夾角;

3)在水平方向、垂直方向、-45°方向和+45°方向4個方向上進行搜索判斷模值和梯度方向的條件得到邊緣值,將得到的邊緣值進行歸一化,設定閾值為0.18來判斷紅棗圖像的邊緣;

4)計算紅棗的邊緣長度,確定紅棗邊緣長度的閾值;

5)根據公式(6)計算紅棗的面積;大于邊緣長度閾值的對應面積閾值的紅棗判定為優良等級的紅棗,否則為較差等級的紅棗。

針對不同的分級機的機械設計,紅棗面積的閾值的確定可以根據兩種方式:一種方式是針對分級機單個讀取紅棗圖像并直接進行分級挑揀的情況,閾值根據經驗值來確定,比如某種品種的紅棗大小是在固定范圍內波動,預先設定固定的閾值來進行分級挑揀;另一種方式是針對分級機進行大量紅棗圖像同時進行讀取時,遍歷全部紅棗圖像,找到最大面積的紅棗,然后閾值設定為最大值的80%,大于該閾值的紅棗判定為優等級,否則判定為較差等級。

2結果與分析

仿真試驗中分別對單個紅棗和兩個紅棗為例進行小波的邊緣檢測,并且將小波檢測結果與Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子檢測結果進行分析對比。

2.1 單個紅棗檢測結果

圖1為理想的情況,即一個紅棗全部被讀入沒有遮蓋的情況,也是正常情況下的邊緣檢測。由圖1可以看出,小波方法檢測出的曲線較少,輪廓清晰,輪廓線的連續性好,一方面有利于邊緣長度的計算;另一方面減少了曲線個數的計算,減少了整個方法的計算量。Sobel算子檢測出的紅棗圖像與小波的方法相比較,噪點較多,定位精度不夠高,邊緣比較模糊;Canny算子檢測到的邊緣雖然比較連續,但是出現了由噪聲產生的偽邊緣,這樣在計算紅棗大小時會增加計算量,并且容易出錯;Prewitt算子和Roberts算子的檢測結果類似于Sobel算子的檢測結果,并且Roberts算子的檢測結果中邊緣斷點較多,給計算紅棗的長度帶來困難;Log算子的檢測結果邊緣較為連續,有少量斷點,與小波方法相比較紅棗內部的噪點較多,復雜度僅次于Canny算子的方法檢測出的結果。根據邊緣檢測的效果和計算復雜度以及后期需要的算法的復雜度來比較這幾種方法的優劣順序為小波、Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子。

2.2兩個有遮蓋的紅棗檢測結果

圖2為遮蓋的情況,因此單個紅棗的邊緣不能完全檢測出,但是根據周長閾值的比較結果,同樣可以算出單個紅棗的面積。由圖2可以看出,小波方法對于有遮蓋的紅棗檢測仍是輪廓清晰且連續性好,內部曲線較少。Sobel算子檢測出的紅棗圖像與小波的方法相比較,噪點較多,邊緣斷點較多,邊緣比較模糊;Canny算子檢測到的邊緣過于模糊且斷點較多,還出現了由噪聲產生的偽邊緣,這樣在計算紅棗大小時對后期的算法要求較高,且容易出現錯誤結果;Prewitt算子和Roberts算子的檢測結果類似于Sobel算子的檢測結果,Roberts算子的檢測結果中邊緣較為清楚;Log算子的檢測結果邊緣斷點較多,與小波方法相比較紅棗內部的噪點較多,復雜度僅次于Canny算子的方法檢測出的結果。根據邊緣檢測的結果和計算復雜度以及后期算法的復雜度來比較這幾種方法的優劣順序為小波、Roberts算子、Prewitt算子、Sobel算子、Log算子、Canny算子。對于單個和兩個紅棗進行檢測的仿真結果都說明:較于其他5種算子,小波方法均是最優的。

研究中采集的紅棗圖像大小為442×398像素,閾值采用經驗值,實際的周長閾值映射到圖像中的周長為1 084像素,仿真試驗結果判定為準確可行,試驗結果見表1。

3小結與討論

隨著自動化技術在農業產品中應用越來越廣泛,其理論研究的方法也越來越多,從計算機視覺領域結合農業自動化技術提出了對紅棗加工有促進作用的紅棗自動分級的核心方法,對于紅棗生產的地區有重要意義。研究提出了利用方向小波方法對紅棗圖像進行邊緣檢測進而計算紅棗大小來對紅棗分級的方法,經仿真試驗證明小波變換方法的優越性及整個方法的有效性和快速性。此研究是在假設紅棗無腐爛的情況下進行分級的,所以有一定的局限性,但在下一步研究中可以彌補此點的不足,設置多個閾值可以將紅棗進行多個等級的分揀。

參考文獻:

[1] 李湘萍.6ZF-0.5型紅棗分級機的試驗研究[J].山西農機,2000(14):3-5.

[2] 張保生,姚瑞央.基于BP神經網絡算法的紅棗分級技術應用[J].廣東農業科學,2010(11):282-283.

[3] 趙杰文,劉少鵬,鄒小波.基于機器視覺和支持向量機的缺陷棗的識別研究[J].農業機械學報,2008,39(3):113-115.

[4] 肖愛玲.幾種典型的紅棗分級機[J].新疆農機化,2010(4):10-11.

[5] 肖愛玲,李偉.我國紅棗分級技術及紅棗分級機研究現狀[J].農機化研究,2011(11):241-244.

[6] 沈從舉,賈首星,鄭炫,等.紅棗分級機械的現狀與發展[J].中國農機化學報,2013,34(1):26-30.

[7] 宋文龍,閔昆龍,邢奕,等.基于小波變換的自適應閾值植物根系圖像邊緣檢測[J].北京科技大學學報,2012,34(8):966-970.

[8] 王敬東,徐亦斌,李鵬.圖像小波邊緣檢測中邊界處理的研究[J].計算機工程,2007,33(5):161-163.

[9] 鮑雄偉.小波變換在圖像邊緣檢測中的應用[J].電子設計工程,2012,20(14):160-162.

[10] 薄勝坤,張麗英.一種基于小波變換和Canny算子相結合的邊緣檢測方法[J].長春大學學報,2012,22(10):1177-1180.

[11] 胡艷,張瑞林.基于小波模極大值和形態學的圖像邊緣檢測算法[J].計算機應用與軟件,2010,27(9):75-77.

[12] 韓慧妍,韓燮.基于方向小波變換的邊緣檢測算法[J].微電子學與計算機,2012,29(7):55-57.

s=■ (6)

因為整個過程屬于比較過程,所以進行近似計算不影響相對的比較。

整個分級檢測的仿真試驗步驟為:

1)讀入紅棗圖像,將彩色RGB圖像轉為灰度圖像;

2)對紅棗灰度圖像求出小波變換的模值和梯度矢量與水平方向的夾角;

3)在水平方向、垂直方向、-45°方向和+45°方向4個方向上進行搜索判斷模值和梯度方向的條件得到邊緣值,將得到的邊緣值進行歸一化,設定閾值為0.18來判斷紅棗圖像的邊緣;

4)計算紅棗的邊緣長度,確定紅棗邊緣長度的閾值;

5)根據公式(6)計算紅棗的面積;大于邊緣長度閾值的對應面積閾值的紅棗判定為優良等級的紅棗,否則為較差等級的紅棗。

針對不同的分級機的機械設計,紅棗面積的閾值的確定可以根據兩種方式:一種方式是針對分級機單個讀取紅棗圖像并直接進行分級挑揀的情況,閾值根據經驗值來確定,比如某種品種的紅棗大小是在固定范圍內波動,預先設定固定的閾值來進行分級挑揀;另一種方式是針對分級機進行大量紅棗圖像同時進行讀取時,遍歷全部紅棗圖像,找到最大面積的紅棗,然后閾值設定為最大值的80%,大于該閾值的紅棗判定為優等級,否則判定為較差等級。

2結果與分析

仿真試驗中分別對單個紅棗和兩個紅棗為例進行小波的邊緣檢測,并且將小波檢測結果與Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子檢測結果進行分析對比。

2.1 單個紅棗檢測結果

圖1為理想的情況,即一個紅棗全部被讀入沒有遮蓋的情況,也是正常情況下的邊緣檢測。由圖1可以看出,小波方法檢測出的曲線較少,輪廓清晰,輪廓線的連續性好,一方面有利于邊緣長度的計算;另一方面減少了曲線個數的計算,減少了整個方法的計算量。Sobel算子檢測出的紅棗圖像與小波的方法相比較,噪點較多,定位精度不夠高,邊緣比較模糊;Canny算子檢測到的邊緣雖然比較連續,但是出現了由噪聲產生的偽邊緣,這樣在計算紅棗大小時會增加計算量,并且容易出錯;Prewitt算子和Roberts算子的檢測結果類似于Sobel算子的檢測結果,并且Roberts算子的檢測結果中邊緣斷點較多,給計算紅棗的長度帶來困難;Log算子的檢測結果邊緣較為連續,有少量斷點,與小波方法相比較紅棗內部的噪點較多,復雜度僅次于Canny算子的方法檢測出的結果。根據邊緣檢測的效果和計算復雜度以及后期需要的算法的復雜度來比較這幾種方法的優劣順序為小波、Prewitt算子、Roberts算子、Sobel算子、Log算子、Canny算子。

2.2兩個有遮蓋的紅棗檢測結果

圖2為遮蓋的情況,因此單個紅棗的邊緣不能完全檢測出,但是根據周長閾值的比較結果,同樣可以算出單個紅棗的面積。由圖2可以看出,小波方法對于有遮蓋的紅棗檢測仍是輪廓清晰且連續性好,內部曲線較少。Sobel算子檢測出的紅棗圖像與小波的方法相比較,噪點較多,邊緣斷點較多,邊緣比較模糊;Canny算子檢測到的邊緣過于模糊且斷點較多,還出現了由噪聲產生的偽邊緣,這樣在計算紅棗大小時對后期的算法要求較高,且容易出現錯誤結果;Prewitt算子和Roberts算子的檢測結果類似于Sobel算子的檢測結果,Roberts算子的檢測結果中邊緣較為清楚;Log算子的檢測結果邊緣斷點較多,與小波方法相比較紅棗內部的噪點較多,復雜度僅次于Canny算子的方法檢測出的結果。根據邊緣檢測的結果和計算復雜度以及后期算法的復雜度來比較這幾種方法的優劣順序為小波、Roberts算子、Prewitt算子、Sobel算子、Log算子、Canny算子。對于單個和兩個紅棗進行檢測的仿真結果都說明:較于其他5種算子,小波方法均是最優的。

研究中采集的紅棗圖像大小為442×398像素,閾值采用經驗值,實際的周長閾值映射到圖像中的周長為1 084像素,仿真試驗結果判定為準確可行,試驗結果見表1。

3小結與討論

隨著自動化技術在農業產品中應用越來越廣泛,其理論研究的方法也越來越多,從計算機視覺領域結合農業自動化技術提出了對紅棗加工有促進作用的紅棗自動分級的核心方法,對于紅棗生產的地區有重要意義。研究提出了利用方向小波方法對紅棗圖像進行邊緣檢測進而計算紅棗大小來對紅棗分級的方法,經仿真試驗證明小波變換方法的優越性及整個方法的有效性和快速性。此研究是在假設紅棗無腐爛的情況下進行分級的,所以有一定的局限性,但在下一步研究中可以彌補此點的不足,設置多個閾值可以將紅棗進行多個等級的分揀。

參考文獻:

[1] 李湘萍.6ZF-0.5型紅棗分級機的試驗研究[J].山西農機,2000(14):3-5.

[2] 張保生,姚瑞央.基于BP神經網絡算法的紅棗分級技術應用[J].廣東農業科學,2010(11):282-283.

[3] 趙杰文,劉少鵬,鄒小波.基于機器視覺和支持向量機的缺陷棗的識別研究[J].農業機械學報,2008,39(3):113-115.

[4] 肖愛玲.幾種典型的紅棗分級機[J].新疆農機化,2010(4):10-11.

[5] 肖愛玲,李偉.我國紅棗分級技術及紅棗分級機研究現狀[J].農機化研究,2011(11):241-244.

[6] 沈從舉,賈首星,鄭炫,等.紅棗分級機械的現狀與發展[J].中國農機化學報,2013,34(1):26-30.

[7] 宋文龍,閔昆龍,邢奕,等.基于小波變換的自適應閾值植物根系圖像邊緣檢測[J].北京科技大學學報,2012,34(8):966-970.

[8] 王敬東,徐亦斌,李鵬.圖像小波邊緣檢測中邊界處理的研究[J].計算機工程,2007,33(5):161-163.

[9] 鮑雄偉.小波變換在圖像邊緣檢測中的應用[J].電子設計工程,2012,20(14):160-162.

[10] 薄勝坤,張麗英.一種基于小波變換和Canny算子相結合的邊緣檢測方法[J].長春大學學報,2012,22(10):1177-1180.

[11] 胡艷,張瑞林.基于小波模極大值和形態學的圖像邊緣檢測算法[J].計算機應用與軟件,2010,27(9):75-77.

[12] 韓慧妍,韓燮.基于方向小波變換的邊緣檢測算法[J].微電子學與計算機,2012,29(7):55-57.