毕业设计（论文）花生仁粒数检测算法的研究.doc

《毕业设计（论文）花生仁粒数检测算法的研究.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）花生仁粒数检测算法的研究.doc（22页珍藏版）》请在三一办公上搜索。

1、广西科技大学毕业设计（论文）说明书课题名称 花生仁粒数检测算法的研究（中文） Peanut kernels detection algorithm research （英文） 系 别 专 业 班 级 学 号 姓 名 指导教师 2012年 05 月 26 日摘要花生作为我国主要的经济作物之一，其主要用于生产植物油。能快速的估算出花生里的花生仁粒数所占的比例，对于预测一大批花生的产油量，提高企业的效用，很有必要。本文基于机器视觉的花生仁粒数的检查，对花生选取合适的背景，在光照886LUX的条件下，采用黑色作为拍摄图像的背景，进行拍摄花生图像。再通过otsu法对花生图像二值化处理，估算花生图像的面积

2、，通过最小二乘法对花生图像面积和花生颗粒的实际花生仁粒数进行拟合，从而达到估算出花生的花生仁粒数。再通过估算出来的花生仁粒数与花生颗粒的花生仁粒数进行比较，得出实验方法的误差精度。实验中，一共拍摄了花生图像338幅：其中出现一定误差的有42幅，算出实验的精度为12.426%。试验能达到预期的要求。关键字：花生，图像，二值化，二乘法AbstractPeanuts as one of Chinas major economic crops, mainly for the production of vegetable oil. Can quickly estimate the proportion

3、 of peanut in the peanut grains, and improving the effectiveness, it is necessary to predict a large number of peanut oil production. Based on the inspection of machine vision peanut grains, peanuts, select the appropriate background, under the in light 886LUX conditions, using black as the backgrou

4、nd of the captured images, to shoot the peanut image. Then the OTSU France peanut binary image processing to estimate the peanut image area were fitted by the least squares method peanut image area, and peanuts were peanut grains, so as to achieve the estimate peanut peanut grains. Estimated from th

5、e peanut grains and peanuts were peanut grains comparison, the error precision of the experimental method. Experiment, shooting a total of 338 peanut image: 42 in which a certain error, calculate the experimental accuracy of 12.426%. The test can meet expectations. Keywords: Peanut, image, Binarizat

6、ion，Two multiplication目录1. 绪论11.1 基于机器视觉的花生仁粒数检测的目的、意义11.2 基于机器视觉的花生仁粒数检测的研究现状11.3 本课题研究的内容22 花生图像32.1 彩色图像32.1.1 RGB空间模型的描述42.1.2 花生图像42.2 花生仁粒数与图像的关系53 花生图像的分割63.1 图像的分割方法63.1.1 阈值的分割方法63.1.2 阈值的选取方法73.2 图像分割效果的分析83.2.1 二值图像83.2.2采用的分割方法94 基于花生图像面积粒数的检测94.1 图像面积与粒数的关系94.2 图像面积的计算104.3 采用最小二乘法算法估算花

7、生粒数104.4 实验得出的结果115 结论与展望13致谢14参考文献15附录一 程序16附录二 表171. 绪论1.1 基于机器视觉的花生仁粒数检测的目的、意义作为重要的油料作物和经济作物之一花生，用于食用植物油和食品业的加工，起着非常重要的作用，同时又是我国富有特色的出口农产品之一。我们国家的社会经济发展越来越快，随着人们生活水平的不断提高，花生的需求量对于国内、国外的市场的要求也越来越高，越来越大。因此， 大力发展花生加工产业，充分利用国内丰富的花生资源，提高花生制品的科技含量和各种附加值，对于花生在国内、国外的市场的竞争力的加强，加大努力，以便确保国家食油安全、食物安全和生态安全。花生

8、经济价值高、丰产潜力大、营养丰富、是优质饲料源、养地效果好。有统计数字表明，世界花生总产量约为2100万吨，主产花生大国和地区：印度750万吨，居首位；中国700万吨，次之；美国200多万吨，人均占有量仍数美国第一；其余为非洲250万吨，阿根廷及巴西50万吨，缅甸与印度尼西亚150万吨。而花生作为我国重要的植物油的原料，为了能够快速估计算出花生仁所能够榨油的产量值，提高效率，就显得重要了。那么能快速估算每颗花生里含的花生仁数，就对于估计花生能榨油的产量有必要性：只要能快速算出花生仁所占花生的百分比，就能快速算出这批花生的产油量。这样对工业批量生产花生油有着重要意义：省时、省力、还有高效性等。这

9、将会促进行业更高效率的发展，使行业获取更大的利润。1.2 基于机器视觉的花生仁粒数检测的研究现状国内现在研究的现状是对于花生的外观品种、基于图像特征的花生贮藏时间的识别方法检测、基于形态和颜色特征的花生品质检测等。1999年，广东省农业科学院作物研究所的周桂元等对“国内外花生遗传转化研究的现状”进行了研究【1】。1996年，中国农科院油料作物研究所的段乃雄等对中国的龙花生IV进行了研究：对叶部、花生青枯病、抗线虫种质的帅选、抗杂草及虫害的特性的抗病性，和种子品质形状分析：蛋白质与油份含量、OL比值和龙花生与近缘野生种的亲缘关系等等的研究【2】。2007年，韩仲志 等对基于形态和颜色特征的花生品

10、质检测方法，运用图像采集设备拍摄农产品的数字图像, 获得产品的全部外观特征，然后对取得的数据、图像进行处理、计算和分析, 建立品质和特征参数之间的相关模型, 即可对外在品质进行检测分级，他们是对这两种特征一起分析的方法【3】。2010年，韩仲志等基于花生外观品质品种图像分析与系统仿真的研究，采用图像处理的方法进行的花生外观品质的检测，采用SVM 识别和ANN识别进行比较，得出SVM识别效果更好【4】。2007年，熊利荣等进行基于机器视觉的花生大小检验的研究，运用二值图像的转换和像素和的方法进行研究【5】。2011年，张龙翔基于计算机视觉的花生品质检测分析平台，对针对目前花生品质检测的局限性,提

11、出了采用计算机视觉的花生外观品质的检测分析方法【6】。2011年，陈红等对于基于图像特征的花生贮藏时间识别方法研究，运用了基于马氏距离的花生贮藏时间判别的方法【7】。2011年，石玉秋等对花生图像采集中背景颜色和光强影响进行了研究，提出了从3种背景颜色和5种光照强度的试验中得出在黑色背景5090 1x的光强下效果较好【8】。2012年，河南师范大学生命科学学院的周延清等对花生种子的黄曲霉抗性物质成分和基因研究进展进行了分析【9】。 花生图像识别受着诸多因素的影响：有光照强度、所取的拍摄背景、摄像头到花生的距离和角度等等。为此，对于花生粒仁数的研究，综合当今社会来讲，就显得有必要：能快速估算花生

12、仁的净含量对榨油来说，能够提高该行业的效用性。1.3 本课题研究的内容本文研究的是基于机器视觉的花生仁粒数的检测，输入的是花生图像，输出的是花生粒数。首先，通过选取若干颗花生在不同的背景下进行拍摄，不同带壳花生的组合，得到若干相片，然后筛选花生图片，进行图像处理分割。采取最佳阈值二值化处理图像。对所得的二值化图像，进行算花生图像的面积。找出面积与花生仁粒数的关系，然后与花生颗粒的实际花生仁粒数进行比较，算出误差，得出一定的精度。再对此方法以后的展望。2 花生图像2.1 彩色图像 图像的定义是指各种图形和影像的总称。对于一个函数y=f(x)，如果把其中的自变量x视为直角坐标系上的某一点的横坐标，

13、把对应的唯一的函数值y视为此点的纵坐标，那么，这个函数y=f(x)，无论x取何值，都同时确定了一个点，由于x的取值范围是无穷大，同样y也有无穷个，表示的点也就有无穷个。这些点在平面上组成的图形就是此函数的图象，简称图象。布图中呈现的任何单个的几何图形： (1) 被氧化的硅片上刻蚀出的二氧化硅图像； (2) 基片上的涂层经曝光和显影后呈现的光致抗蚀剂图形投影； (3) 上及照相基片或干板上的乳胶层中的照相图像；(4) 在屏幕上或目视的光学图像，通常经过若干倍的放大或缩小光学掩模版 (5) 作为底图或布图一部分的绘制图形。图像的定义：由相机、摄像头、扫描仪等等的输入设备对实际的画面进行捕捉后，所产

14、生的数字图像；是一种位图，由像素点阵组成。数字作为图像的一种表示方法，可以对像素点、强度和颜色进行任意的描述。但，由于所要描述画面的信息的文件的储存量很大，所以，所描述的对象里，在放大或缩小的过程中，就会对画面图像产生一定影响的干扰，比如会不见一些细节或使图像的画面变得不圆滑等。拍摄的图像就会通过显示器显示出来。显示器显示出来的图像是以一定的分辨率，在图像上的每个点呈现出来的色彩信息，都呈现为数字化的方式。影响图像质量的参数有分辨率和灰度等。而图像是用来对画面的质量、繁琐进行描述的，包括图像里大量的细节，光照的强度、复杂的场景、色彩的丰富多彩等，比如照片、绘图等等。要想得到高质量、更清晰或产生

15、特殊效果的图像，可以通过一些专业的图像处理软件进行处理。对计算机中的图像进行分类，其中从处理方式来分可以分为矢量图和位图。图像处理是对图像进行分析、加工和处理，使其能够使人对视觉、心理以及其他要求的技术而满足。图像处理是信号处理在图像域上的一个应用。此外，基于光学理论的处理方法依然占有重要的地位。图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。数字图像处理技术，相对于模拟方法来说，比较容易实现，而且也更加容易让大众接受和学习。比如，在当今社会的商业界，像基于流水线的计算机体系结构等方面都取得了巨大的成功。所以，对于当今社会，数字图像处理技术就相当重要：而商业化的处理图

16、像是以软件的形式实现的，在个人电脑上运行。2.1.1 RGB空间模型的描述工业界的一种颜色标准模型：RGB色彩模型。RGB色彩模型的呈现是通过对RGB（分别代表红绿蓝三种颜色）三种颜色的不同比例的相互叠加，以便得到各种自己所需的任意颜色。RGB颜色立方图如图2.1所示。RGB色彩模型的每一个像素点的RGB的分量都分配有一个强度值，其范围为：0255。RGB图像就是使用红绿蓝这三种颜色，通过这红绿蓝这三种颜色依据不同的比例进行混合，就能够是其在屏幕上显示出不同的颜色，一共有16777216种颜色。RGB是根据颜色发光的原理来设定的，就是简单一点的说，它们好像就是由红绿蓝三盏颜色灯进行混合得到的。

17、当它们的光相互叠合的时候，色彩相混，而亮度就等于两者亮度的总和，混合越多，亮度越高，即加法混合。红、绿、蓝三盏灯的叠加情况，中心三色最亮的叠加区为白色，加法混合的特点：越叠加越明亮。红、绿、蓝三个颜色通道每种色各分为255阶亮度。当三色数值相同时为无色彩的灰度色，而三色都为255时为最亮的白色，都为0时为黑色。RGB 颜色称为加成色，因为您通过将 R、G 和 B 添加在一起可产生白色。图2.1 RGB颜色立方图2.1.2 花生图像花生图像的拍摄：初步尝试，选取我们的花生若干颗，花生里的花生仁粒数有一粒、两粒的。通过采取在不同的光照条件下，选取不同的拍摄背景，进行花生图像的拍摄：因为花生本身的因

18、素，花生的外壳容易受光照的影响，光照太强，花生外壳反射的光太强，拍摄出来的图像不利于实验；再者，花生外壳本身颜色的特征，就决定了不同拍摄背景下拍摄会有不同的效果；而且，摄像头到花生的距离，得把握好，太近了，当增加花生颗数到一定数目时，会拍摄不全全部花生；太远了，会使花生在图像里显得小了，这样不利于实验。所以，经过多次拍摄试验，最终选取：在摄像头到花生的距离为16.2cm，进行拍摄图像。在花生图像采集所选取的拍摄背景下，均采用了白色背景、黑色背景、红色背景、蓝色背景、牛皮纸颜色等等作为图像的拍摄背景，通过观察不同背景拍摄下的花生图像，和通过实验，得出黑色作为拍摄背景所得到的图像最为理想。其中，在

19、黑色背景的条件下，通过改变不同的光照条件，最终经过实验选出的黑色背景的花生图像在光照为886LUX的情况下较为理想。以下是我拍摄的花生图像，如图2.2所示。图2.2 拍摄的原始图像2.2 花生仁粒数与图像的关系花生仁粒数与拍摄的花生图像有着什么样的关系：很容易明白，在摄像头到花生的距离固定为一定值的情况下，那么花生图像则是花生的正投影就是说花生与花生图像呈相关关系：在同个地方的花生，花生里的粒数多的，那么花生个头就相对其他会大些，那么，所拍摄的花生图像所得的正投影的花生图像就会大些。所以，固定好摄像头到花生颗粒的距离是关键的一步。摄像头到花生的距离越近，那么整体每颗花生的花生图像就越大；摄像头

20、到花生的距离越远，则花生图像里的每颗花生图像就小了。所以，拍摄距离一定的情况下，每一颗的花生的花生图像是一定的。也就是，同个地方的花生里，花生的图像相对其他花生图像越大，那么花生颗粒里的花生仁粒数就越多：它们呈现出线性关系。3 花生图像的分割3.1 图像的分割方法图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得同一区域内的这些特征，表现出一致性或相似性，而在不同区域间表现出明显的不同。通俗的讲，就是把所要处理的图像的目标，把目标与图像的背景等其他不相干的东西分离出来，使得图像能进一步处理。数字图像处理与计算机视觉领域里，低层次视觉中最为基础和重要的一个

21、就是图像分割，它的基本前提是对图像进行视觉分析和模式识别，也是这领域里是一个经典难题。图像处理的分割方法有很多，没有一种通用的方法，判断图像分割是否成功的客观标准也不存在。所要，分割的方法，对图像处理来说，最为重要的一个环节。 3.1.1 阈值的分割方法阈值法分割图像，是一种比较普遍，传统的图像分割方法。阈值分割因其计算量小、实现简单，有比较好的稳定性能而被誉为最基本、最广泛的分割技术，已被很多领域所采用。比如：在农业工程领域中，水果品质的好坏、无损的检测过程中，水果图像和水果背景的分割；工业生产领域中，基于机器视觉对产品质量进行检测；医学领域中，对于人体骨架等的拍摄图像，使骨架和其他背景进行

22、分割；在太空领域中，对所要拍摄的目标与其他背景的分割；在工业液位检测中，如啤酒液位高度的检测等，对目标和背景的分割等等领域里，都离不开图像分割。而这些领域的应用中，图像分割的前提是对图像进一步识别、分析。所以，图像分割的准确性，会对后续任务的有效性有直接影响。其中，阈值的选取的关键技术则是图像的阈值分割方法。图像分割方法中，图像阈值化分割是一种简单常用的方法，对于目标和背景占据不同灰度级范围的图像特别适用。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划

23、分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。阈值分割法是一种基于区域的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像像素点有几种分类。阈值分割经常用到的特征有：直接在原始图像上显示的灰度和图像的色彩特征；还有由原始图像的灰度和彩色值变换后得到的特征。假设原始图像为f(x,y)，根据一定的准则从f(x,y)里找到相应的特征值t，这样就将图像分割成为两个部分，分割后得到的图像表示为： （3-1）若取 ：b0=0（黑）表示花生图像里的黑色背景，b1=1（白）是花生图像里

24、的花生颗粒。这样阈值进行过的二值化处理的图像，就是我们通常说的图像的二值化。下图就是花生图像的阈值化处理过的原始图像和二值化图像。如图3.1，图3.2所示。 图3.1 原始图像 图3.2 阈值分割后的二值化图像3.1.2 阈值的选取方法数字图像二值化处理的关键主要是阈值的选取与确定。对于同一幅图像，采用不同的阈值选取方法进行图像处理，也会产生多个不同的二值化处理结果。由于不同图像目标的性质不同，和它灰度不相同的多样性，所以要是想采用传统的二值化处理方法实现就显得有一定的困难，所达到的效果也不理想，这对于图像的后续处理就产生了影响和不方便。而二值化阈值的选取，也很重要，得讲究：阈值选取过小，就容

25、易产生噪音等的干扰；阈值选取过大又会使得图像的分辨力降低，从而会把非噪音的信号当成噪音去除掉。阈值的选取方法有多种多样。根据阈值选取的应用范围可把阈值的选取方法划分为动态阈值法、局部阈值法和整体阈值法。其中，动态阈值法是根据图像周围像素的灰度值及该图像像素的灰度值和像素位置信息所决定的；局部阈值法的二值化的阈值是通过像素的灰度值和像素周围局部的灰度特性来确定的；整体阈值法则是在二值化处理图像的过程中，只采用一个阈值。通常来说，对于质量较好的图像，可以采用整体阈值法；对于较为复杂的图像则应该采用局部阈值法。图像二值化方法根据阈值确定原理来分，可以分为最小误差阈值法和最大方差阈值法。其中本文采用的

26、方法为OSTU法。根据OTSU算法，背景和前景的分割阈值设为t，前景的像素点所占图像比例为W0 ，其内积的平均值是U0 ；背景的像素点占图像的比例W1 ，其内积的平均值为U1 。所以，图像内积的平均值表示为：u=W0*U0 + W1*U1 。若假设从最小灰度值到最大灰度值的遍历为t，那么当使得g=W0*(U0-u)2+W1*(U1-u)2 最大值的时候，所取得的t 就是分割时所需的最佳阈值。这个式子其实是类间方差值，通过阈值t 对图像进行二值化处理，分割出来的前景和背景两部分：前景取的数值是W1 ，概率是W0，背景取值为U1，概率是W1，总均值则为U，由方差的定义也是这个式子。但由于方差是其内

27、积值就是色彩差异分布均匀性的一种量度，方差的数值越大，表明组成图像的那两个部分的差别就越大，若有部分的图像目标被错认为是背景或者部分背景被当做是目标的时候，都会导致这两个部分的差别变小。由此，就使得类间方差最大的分割表明错分的概率最小。在实验中，内积值的变化范围在0-1之间，其精度取值0.0001，根据内积值的定义，我们可以作出如下化简计算，当内积值小于0.9000的时候，像素点颜色差异足够大，因此，将这些像素点值归为计为0.9000这个内积值的像素点。因此，我们可以得到1001个内积值，其范围0.9000-1.0000。对这1001个内积值分别计算其类间方差，然后寻找使类间方差最大的内积值，

28、即为我们的阈值。3.2 图像分割效果的分析 3.2.1 二值图像二值图像是指每个像素不是黑就是白，其灰度值没有中间过渡的图像。二值图像一般用来描述文字或者图形，其优点是占用空间少，缺点是，当表示人物，风景的图像时，二值图像只能描述其轮廓，不能描述细节。这时候要用更高的灰度级。 二值图像是每个像素只有两个可能值的数字图像。人们经常用黑白、单色图像表示二值图像，但是也可以用来表示每个像素只有一个采样值的任何图像，例如灰度图像等。 二值图像中的所有像素都只能在0和1这两个值里面取。所有，在MATLAB中，就是用0和1组成的二维矩阵来表示二值图像。其中，0表示花生图像中的背景部分，1表示花生图像里的花

29、生颗粒的图像。这两个选取的值，依次对应着关闭和打开：关闭表现出来的特征为该花生图像的像素处于背景，打开的表征表明花生图像处于目标前景。为了能更好的更容易的对花生图像的结构特征进行识别，就采用这种方式来进行花生图像的二值化处理。对花生图像的二值化处理操作，只能返回和二值化图像结构和形式有关的信息。如要对其他种类的图像进行相关的操作处理，那得先将图像转换成二进制的格式图像。采用上述的方法，选取最佳阈值，对花生图像进行二值化处理，就得到二值化的花生图像：其中，b0=0(黑的花生图像背景)，b1=1(白的花生颗粒图像)。这就是我们通常说的图像二值化。二值化图像如图3.2所示。图3.2 二值图像处理3.

30、2.2采用的分割方法通过查看了多种阈值的选取方法和图像分割的方法，最终为了使实验更加的简单化、易懂，就采用二值化处理花生图像；而阈值，则采用otsu算法选取最佳阈值，从而达到能达到实验目的的二值化图像。通过学习，采用otsu算法选取最佳阈值和二值化处理图像。通过程序，处理出来的二值化图像如图3.3所示：（程序见附录a） 图3.3 采用otsu算法二值化处理所得图像与原图对比图4 基于花生图像面积粒数的检测4.1 图像面积与粒数的关系花生图像的二值化图像出来了。这二值化图像就是花生的正投影图像。那么，这二值化的图像的面积，与花生颗粒的花生仁粒数的关系：如前面说的差不多。就花生来讲，按照我们的常识

31、，都是花生仁粒数多的，花生的个头就大。事实也是如此，花生里面，花生颗粒里的花生仁粒数多的，花生颗粒个头就大，那么拍摄出来的图像的正投影区域就大。而这个正投影的花生颗粒的区域，可以用面积进行描述。也就是说，花生仁粒数多的花生，那它的外壳就会大，它的图像区域面积就会大些。花生图像的面积与粒数呈线性关系。4.2 图像面积的计算对拍摄的所有花生图像，进行二值化处理图像，把花生图像部分与背景分离出来。然后就对花生的二值化图像的提取部分进行算面积。采用MATLAB 图像处理命令里的bwarea指令，进行计算二进制图像对象的面积。其中语法指令见附录中的b。 采用这个指令对拍摄的花生图像的二值制图像对象进行算

32、面积。然后进行统计计算。4.3 采用最小二乘法算法估算花生粒数首先，介绍一下最小二乘法：最小二乘法又被叫做最小的平方法，是运用数学方法进行优化的一种技术。最小二乘法是运用最小化的误差的二次方和，以便找到最佳的数据函数，使其与之匹配。对于未知的数据和所需要的数据，就可以通过最小二乘法简单的求出来，而且可以使得这些实际的数据和所求的数据之间的二次方之和最小。最小二乘法对曲线的拟合，还很方便；还可以对能量等的最大化、最小化的问题进行优化。最小二乘法的原理：对两个变量（x，y）的相互关系进行研究时，一般可以得到成对的数据，如：（x1，y1.x2，y2xm，ym）。再把这些数据在x-y的直角坐标系里表示

33、出来，如果发现这系列的点近似分布在一条直线的附近，那么这条直线的方程表示为如式4-1： （4-1）其中，a0，a1是任意实数，Y为计算值。为了能建立这条直线方程，就要对a0，a1进行确定，运用最小二乘法原理，把实际测出来的数值Yi与利用式子1-1的离差即（Yi-Y）的二次方和（如式4-2）为最小时作为优化判据。过程如下：令： （4-2）把式4-1代入式4-2中得到： （4-3）当最小时，就可以用函数对，求偏导数，那么令这函数的这两个偏导数分别等于0，即得到如式4-4和式4-5，式子如下： （4-4） （4-5）于是，得到两个方程组关于未知数为，的，对这两个方程组求解，得出： （4-6） （4-

34、7）将，代入式4-1中，式4-1就是我们数学模型中的回归元线性方程。在元线性方程回归里面，关联式的回归是不会全部都通过每一个回归的数据点（X1，Y1.X2，Y2Xm，Ym），以便能更好的判断关联式的好坏，通过借助相关的系数“R”，统计量数值“F”，剩余标准差数值“S”来判断；“R”数值的趋势越接近1就越好；“F”数值的绝对值越大，证明就越好；“S”的数值趋势越靠近于0，就越好。式子表示如式4-8 （4-8）在式4-8中，m是样本容量，就是花生图像拍摄的张数；Xi,Yi 表示任意一组实验的数值，X表示的是二值化花生图像里花生颗粒的面积，Y是输出估算的粒数。所以，为了实验的简洁性，采用最小二乘法进

35、行估算面积与花生仁粒数，对面积与粒数进行拟合。再用得出的估算粒数与花生颗粒的实际粒数进行比较，得出精度误差。进行二次拟合，得出实验结果。其中，MatlAB实验程序见附录中的c。4.4 实验得出的结果经过整理实验的结果，得出实验结果：存在一定的误差。经过实验，一共拍摄花生图像338幅，通过算二值化花生图像花生颗粒的面积，用此面积和花生颗粒里的花生仁粒数进行拟合，估算出的每一颗花生的花生仁粒数与实际的花生仁粒数进行相减，得出差值后，取整，再与花生颗粒的实际花生仁粒数相除，得到相对误差。其中得到表格，如附录二表所示。通过附录二表可以看出，338幅图像里，对花生颗粒的花生仁粒数估算中，花生仁粒数被估算

36、比实际粒数多一粒的图像有21幅，估算的粒数比实际的粒数少一粒的有21幅；估算的误差在1粒。在338幅图像里，出现误差的图像一共42幅，占所有图像里的12.426%。通过实验结果，可以看出，实验结果误差不大。只要通过改进，对于估算花生颗粒的花生仁粒数来说，这种通过对花生颗粒的二值化图像的面积估算花生仁粒数的方法，的确是个不错的方法。5 结论与展望经过拍摄图像，处理图像，和实验，得出的结果，证明了此方法的可行性。通过此方法，算得了花生颗粒的花生仁粒数，与实际相比，差入不大。在误差允许的范围内，方法可行。即可以基于机器视觉对花生颗粒进行花生仁粒数的检测。也就是说，可以通过拍摄花生图像作为输入，则可以

37、估算出花生颗粒的花生仁粒数。这方法，经过不断的实验，使误差缩小，精度提高，那就可以为生产花生油的行业服务，促使得行业提高效率。能够让行业在相当短的时间内，通过拍摄的花生图像，而快速的估算出花生仁的粒数，那么就可以大概的把花生仁占花生颗粒的百分比，这样就能够知道这批花生带壳的大概产油量。估算处理这个大概产油量，就可以为该行业起到一个省时、高效的作用，算出这批花生所产的油量是否能给该行业带来利润，给该行业提供了一个快速的参考。如此，这方法就可以给行业对这批花生的产油量做出了一定的判断依据。所以，这个方法再提高精度，让此方法进一步成熟，有望被该行业采用，必将会给该行业带来更高的效应，省时、省力、还有

38、高效性。将能够很好的为该行业服务。致谢感谢所有帮助过我的老师们和同学们：尤其感谢胡波老师、马兆敏老师对我的指导和帮助。谢谢你们！感谢你们对我的指导和帮助，谢谢你们对我的支持，是你们，让我能顺利的完成我的毕业设计：老师，您辛苦了。同时，我要感谢我的父母，是他们含辛茹苦，才让我能顺利完成我的学业。没有他们，就没有我的今天。父母，您辛苦了。感谢覃文忠同学，还有各个舍友等帮助过我的人，谢谢你们！参考文献【1】. 周桂元,梁炫强,李一聪,李少雄,黎穗临国内外的花生遗传转化研究的现状广州：广东省农业科学院作物研究所，作物杂志，1999年2月【2】. 段乃雄,姜慧芳,周蓉,廖伯寿中国的龙花生 中国龙花生的研

39、究现状武汉：中国农科院油料作物研究所，中国油料1996年第18卷第3期【3】. 韩仲志,匡桂娟,元勇,严敏基于形态和颜色特征的花生品质检测方法( . 山东青岛，青岛农业大学信息科学与工程学院；.广西桂林，广西师范大学物理与电子工程学院; . 山东青岛，青岛农业大学植物科技学院)，花生学报 2007, 36( 4) : 18 21 【4】. 韩仲志,赵友刚花生外观品质品种图像分析与系统仿真青岛：青岛农业大学理学与信息科学学院，中国粮油报2010年11月第25卷第11期【5】. 熊利荣,任奕林,肖任勤基于机器视觉的花生大小检验武汉：华中农业大学工程技术学院，湖北农业科学，2007年【6】. 张龙翔

40、基于计算机视觉的花生品质检测分析平台临沂大学：微计算机信息，2011年【7】. 陈红,王晶,熊利荣,万鹏基于图像特征的花生贮藏时间识别方法研究武汉：华中农业大学工学院，花生学报，2011,40（3）：1619【8】. 石玉秋,曹乃文,胡波花生图像采集中背景颜色和光强影响的研究广西柳州：广西工学院，安徽农业科学，2011，39(33)【9】. 周延清,陈艳梅,张永华,王晓林,郭静佩,周春娥,张喻花生种子的黄曲霉抗性物质成分和基因研究进展河南：贵州农业科学，2012，40(1)：3640【10】. 韩仲志,赵友刚基于外观特征识别的花生品种与品质检测方法青岛：青岛农业大学信息科学与工程学院，中国粮油

41、报 2009年5月第24卷第5期 【11】. 吴冰,秦志远自动确定图像二值化最佳阈值的新方法测绘学院学报，2001年12月第18卷第4期【12】. 徐平,邵定宏,魏楹最佳阀值分割和轮廓提取技术及其应用江苏南京：计算机工程与设计Computer Engineering and Design 2009，30(2) 437【13】. Venora G,Grillo O,Shahin M A,et al. Identification of sicili-an landraces and canadian cultivars of lentil using an imageanalysis syste

42、mJ .Food Res Intl, 2007,40, 40 :161-166【14】. Mastication of heterogeneous foods: Peanuts inside two different food matrices【作 者】Scott C. Hutchings;Kylie D. Foster;John E. Bronlund;Roger G. Lentle;Jim R. Jones and Marco P. Morgenstern【刊 名】Food Quality and Preference【出版日期】2011【卷 号】Vol.22【期 号】No.4【页 码】

43、332-339【15】. Anaphylaxis from Passive Transfer of Peanut Allergen in a Blood Product 刊名：NEJM出版日期：2011期号：No.20卷号：Vol.364附录一 程序a 采用otsu算法选取最佳阈值和二值化处理图像程序如下：clear allI=imread( c4.jpg );subplot(1,2,1),imshow(I);title(原始图像)level=graythresh(I); %确定灰度阈值BW=im2bw(I,level);subplot(1,2,2),imshow(BW);b 算取花生图像的花

44、生颗粒的面积程序：语法：total = bwarea(BW)c 得出实验结果，与实际颗粒数相减得到差值的程序如下：a=xlsread(G:XXaa.xls);p=polyfit(a(:,1),a(:,2),2);y=(a(:,1)*p(1)+p(2).*a(:,1)+p(3);y=round(y);(a(:,2)-y)./a(:,2)y为输出的花生仁粒数；a是花生的二值化图像的面积附录二 表花生颗数花生颗粒二值化图像面积数花生估算花生仁粒数花生实际的花生仁粒数相对误差110394 1.288710110512 1.307610110516 1.308310110507 1.306810110512 1.307610110511 1.307510110524 1.309610110514 1.307910110513 1.307810110513 1.307810110498 1.305410110521 1.309110110521 1.309110110503 1.306210110522 1.309210110539 1.31210110565 1.316110110565 1.31611