《基于嵌入式的苹果采后田间分级检测方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于嵌入式的苹果采后田间分级检测方法及系统.pdf（14页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103646251 A (43)申请公布日 2014.03.19 CN 103646251 A (21)申请号 201310419877.X (22)申请日 2013.09.14 G06K 9/62(2006.01) G01N 21/89(2006.01) G01B 11/00(2006.01) (71)申请人 江南大学 地址 214122 江苏省无锡市蠡湖大道 1800 号江南大学 (72)发明人 朱启兵 许立兵 黄敏 李静 徐志鹏 (54) 发明名称 基于嵌入式的苹果采后田间分级检测方法及 系统 (57) 摘要 本发明涉及一种基于嵌入式的苹果采后田间 分级检测方法。
2、及系统的实现过程。该检测系统 主要包括 ARM 处理器、 步进电机模块、 图像采集 模块、 执行分级模块。步进电机模块滚动传输苹 果， CMOS能采集苹果整个表皮图像， 并通过USB传 送到 ARM， 并与建立好的分类器进行匹配， 实现苹 果缺陷和大小的检测， 并发送控制信号到分级执 行机构。分类器是基于 Haar-like 特征、 改进的 AdaBoost 算法， 并引入了风险系数， 使算法有更 好的鲁棒性和自适应性。采用改进的遗传算法对 样本的权值进行优化， 采用了改进型交叉算子和 改进型变异算子， 保证了遗传算法的收敛能力， 提 高了算法的优化能力。本发明能实现对苹果的缺 陷和大小快速、。
3、 准确地分级。 (51)Int.Cl. 权利要求书 1 页 说明书 9 页 附图 3 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书1页 说明书9页 附图3页 (10)申请公布号 CN 103646251 A CN 103646251 A 1/1 页 2 1. 基于 ARM 的苹果采后田间分级检测方法及系统， 其特征是 ： 所述检测方法包括如下 步骤 ： (a)、 选取典型的苹果缺陷样本， 不同尺寸的无缺陷苹果样本。 (b)、 利用图像的 Haar-like 特性构造样本的特征值 ： Featurej， 其中 Featurej代表第 j 种 Haar-like 块的。
4、特征值， 再利用图像的特征 Featurej， 阈值 j， 偏置 pj(1) 构成弱分类 器 hj， 在样本集合下挑选弱分类器误差最小的一个弱分类器 ht。 (c)、 利用构造的弱分类器训练构造强分类器， 同时利用遗传算法对样本的权值优化。 (d)、 构造强分类器为其中，c 为分类风险系数， 其中 x 为层分类器在级联分类器中所在层数的标号。弱分类器的分类错 误率生成级联分类器 ： 设定误检率， 将强分类器串 联在一起形成级联分类器。 (e)、 传输系统滚动传输待检测的苹果 ； CMOS 相机获取苹果表皮的图像信息， 并通过 USB 传输到 ARM。 (f)、 ARM 接受采集到的苹果图像， 。
5、并送到建立好的分类器中进行模式匹配， 实现苹果缺 陷和大小的检测， 返回检测结果， 控制分级执行机构的动作。 2. 根据权利要求 1 所述， 基于 ARM 的苹果采后田间分级检测方法及系统， 其特征是 ： 采 用改进的AdaBoost算法， 引入了分类风险系数， 使AdaBoost算法与级联分类器的生成算法 更紧密的结合， 使算法有更好的鲁棒性和自适应性。采用改进的遗传算法对样本的权值进 行优化， 采用了改进型交叉算子和改进型变异算子， 保证了遗传算法的收敛能力， 有效地提 高了算法的优化能力， 避免了 “早熟” 现象的发生。 3. 根据权利要求 1 所述， 基于 ARM 的苹果采后田间分级检。
6、测方法及系统， 其特征是 ： 调 用 mmap 将摄像头对应的设备文件映射到内存中。绕过了内核缓存区， 从而实现加速 I O 访问， 同时结合 QT 编写步进电机控制系统， 结合多线程技术， 达到系统的的快速响应。 权 利 要 求 书 CN 103646251 A 2 1/9 页 3 基于嵌入式的苹果采后田间分级检测方法及系统 技术领域 0001 本发明涉及农产品无损检测技术领域， 特别涉及一种苹果表皮缺陷和大小的快速 检测系统和方法。 背景技术 0002 我国是世界果树大国， 栽培历史悠久， 资源丰富， 位居世界前列， 但由于采后处理 不够， 使得外销的品质难以保证， 在国际市场上缺乏竞争力。
7、， 其原因有很多， 其中一个重要 的原因是检测与分级的手段落后。 0003 苹果的采后田间预分检是指果农在田间对采后苹果进行分级检测处理的一道工 序。它一方面可以帮助果农实现苹果的分级销售， 提高经济效益 ； 另一方面， 可以减少苹果 在储藏、 运输期间， 病害苹果之间的交叉感染， 减少产品损耗 ； 同时可方便水果生产加工， 同 时企业根据苹果的田间分检结果， 采用有针对性的储存、 加工、 分级等工艺， 增加企业竞争 力， 提高经济效益。由于潜在的巨大经济效益， 苹果的采后田间预分检被认为是未来 10 年 内对苹果产业具有重大影响的技术之一。 尽管目前国内外已有苹果分级检测系统应用到市 场， 。
8、上位机以 PC 机为主， 体积大， 不易携带， 价格昂贵， 少则上百万， 多则上千万， 普通果农 无法承受， 无法普及推广苹果的采后预分拣技术， 每年造成了巨大的经济损失。 发明内容 0004 本发明的目的是克服现有技术中存在的不足， 提供了一种基于嵌入式的苹果采后 田间分级检测方法及系统， 其采用 ARM(S3C6410) 作为系统的核心处理器， 运行内核可裁剪 的 Linux 系统， 采用基于 Haar-like 特性的改进的 AdaBoost 目标检测算法， 引入了分类风 险系数， 修改了训练中的样本权值更新规则， 同时结合改进的遗传算法对分类器的样本权 值寻优， 保证了遗传算法的收敛能。
9、力， 有效地提高了算法的优化能力， 避免了 “早熟” 现象的 发生。生成分类精度高的强分类器， 最后将强分类器级联生成级联分类器， 调用 OpenCv 机 器视觉库， 检测图像中的缺陷和苹果大小， 结合 QT 编写人机友好交互界面。能快速检测出 采后苹果的缺陷和大小， 具有实时性好， 可靠性高， 稳定性强的特点。 0005 按照本发明提供的技术方案， 基于嵌入式的苹果采后田间分级检测系统， 系统的 工作和开发的过程包括如下步骤 ： 0006 a、 建立检测苹果缺陷和大小的级联分类器， 所述建立的检测苹果缺陷和大小的级 联分类器位于 ARM 内 ； 0007 b、 传输系统滚动传输待检测的苹果 。
10、； 0008 c、 CMOS 相机获取苹果表皮的图像信息， 并通过 USB 传输到 ARM ； 0009 d、 ARM 接受采集到的苹果图像， 并送到建立好的分类器中进行模式匹配， 调用 OpenCv 机器视觉库， 实现苹果缺陷和大小的检测， 返回检测结果 ； 0010 e、 执行机构接收 ARM 发送的分级结果信号， 并启动相应的执行动作， 实现苹果缺 陷和大小的分级。 说 明 书 CN 103646251 A 3 2/9 页 4 0011 所述步骤 a 中， 苹果的缺陷和大小的检测， 是基于 Haar-like 特性的改进的 AdaBoost 级联分类器， 所述步骤 a 包括如下步骤 ： 。
11、0012 a1、 选取 500 个形状、 大小、 颜色、 分布广的苹果， 每个苹果拍摄 4 张图片， 大小为 640480， 共 2000 张图片作为检测苹果大小的正样本， 正样本归一化到 3030 的灰度图， 选择 6000 张不包括苹果的图片作为负样本， 大小为 640480。同时让苹果碰撞， 产生缺陷 和疤痕， 每个苹果作出4个碰撞， 抠出缺陷部位的图像， 共2000张图片作为检测缺陷的正样 本， 正样本图像归一化到 3030 的灰度图， 选择 6000 张不包括缺陷图片作为负样本， 大小 为 640480。下面介绍训练检测缺陷的分类器构造过程， 检测苹果大小的分类器训练过程 和检测缺陷。
12、分类器的步骤相同。 0013 a2、利 用 图 像 的 Haar-like 特 性 构 造 正 负 样 本 的 特 征 值 ： 其中 1 j 15， Haar-like 包括四类 15 种特征 ： 边缘特征 (4 种 )， 线特征 (8 种 )， 中心环绕特征 (2 种 )， 对角线特征 (1 种 )。其中 Featurej代表第 j 种 Haar-like 块的特征值 ； w1是第 j 种 Haar-like 的权值 ； w2是第 j 种 Haar-like 块中黑 色矩形的权值。RectSum(r1) 代表第 j 种 Haar-like 块中包含的所有象素点的象素值之和。 RectSum(。
13、r2) 代表第 j 种 Haar-like 块中黑色矩形块所包含象素的象素值之和。 0014 a3、 构造正负样本的积分图， 积分图的构造方式是一幅图像的位置 (n， m) 处的值 q(n， m) 是原图像 (n， m) 左上角方向所有像素的和 ：积分图构建算法 如下 ： 0015 (1) 用 s(n， m) 代表行方向的累加和， 初始化 s(n， -1)=0。 0016 (2) 用 q(n， m) 代表一个积分图像， 初始化 q(-1,m)=0。 0017 (3) 逐行扫描图像， 递归计算每一个象素 (n， m) 行方向的累加和 s(n， m) 和积分图 像 q(n， m) 的值。 0018。
14、 (4)q(n， m)=s(n， m-1)+q(n， m)， q(n， ， m)=q(n-1， m)+s(nm)。 0019 扫描图像一遍， 达到图像右下角象素时， 积分图构造完成。 0020 a4、利 用 图 像 的 特 征 Featurej，阈 值 j，偏 置 pj(+1) 构 成 弱 分 类 器 0021 hj=1 表示第 j 种特征判断此样本是正样本， 反之则判断为负样本。将所有分类器 中分类误差最小的分类器找出来， 完成一个弱分类器的构造。 0022 a5、 利用构造的弱分类器训练构造强分类器 ： 0023 (1) 给定样本 (x1， y1)， .， (xN,yN)， xi X， y。
15、i=0， 1， 迭代次数为 T， 1 为正样本， 0 为负样本， 正样本为 n， 负样本为 m， 样本总数为 N=n+m， 此处 n=2000,m=4000。 0024 (2) 给出分类风险系数其中 x 为层分类器在级联分类器中所在层数的 标号。 0025 训练样本误分类风险初始化 ： 说 明 书 CN 103646251 A 4 3/9 页 5 0026 初始化样本权值分布 ： 0027 即 ： 0028 (3) 在样本集合和分布 Dt下挑选弱分类器误差最小的一个弱分类器 ht， 弱分类器输出 ： 1 判断为正样本， 0 判断为负样本 ； 记录该弱分类器的分类错误率 计算 0029 (4) 。
16、样本权值更新 ： 0030 样本权值归一化 ： 0031 (5) 采用改进的遗传算法对每一次训练中的权值 Dt(i) 寻优 ： 0032 采用实数数组编码的方式， 基因组为 D=(Dt(1)， Dt(2).Dt(i).Dt(N)， 其中 N 为样本容量， Dt(i) 是第 t 次循环中第 i 个样本的权值。 0033 构造适应度函数 ：设置选择操作 ：得 到新的基因组 D1=(Dt(1)， Dt(2).Dt(i).Dt(N)。 0034 选择单点进行交叉操作， 采用了自适应动态调整交叉概率， 利用改进型交叉算 子 pc， 0035 0036 其 中 Pc1=0.9， 0.6 pc2 0.9， 。
17、fmax是 最 大 适 应 度 值， favg是 平 均 适 应 度 值， ft是要交叉的两个个体中较大的适应度值， 得到交叉后的基因组 D2=(Dt(1)， Dt(2).Dt(i).Dt(N)。 0037 选择均匀变异， 利用改进型变异算子 其 中 Pm1=0.1， 0.001 pm2 0.1， fmax是 最大适应度值， favg是平均适应度值， ft是要变异个体的适应度值， 得到变异后的基因组 D3=(Dt(1)， Dt(2).Dt(i).Dt(N)。 说 明 书 CN 103646251 A 5 4/9 页 6 0038 若已满足指定的进化迭代次数， 则终止计算， 否则转步骤。 003。
18、9 输出最优的权值。 0040 （6) 若已满足指定的迭代次数， 则终止计算， 否则转步骤 (2)。 0041 (7) 构造强分类器为其中 0042 a6、 利用构造好的强分类器， 生成级联分类器 ： 0043 设定误检率， 将强分类器串联在一起形成级联分类器。串联时遵循先中后轻的分 级分类思想， 将由更重要特征的结构且较简单的强分类器放在前面， 这样可以先排除大量 的负样本， 尽管随着级数的增多， 但计算量却在减少， 检测的速度在加快。 0044 所述步骤 b 中， 传输系统包括开关电源、 步进电机、 步进电机驱动器、 通过控制 ARM 产生的 PWM 波的频率控制步进电机的速度。系统采用四。
19、线两相混合式步进电机， 型号是 57HD3403-21B， 步进角 1.8 度， 采用 24V 供电。驱动器采用东芝 TB6560 芯片， 采用 6N137 高 速光耦隔离 . 保证不失步， 提高系统的稳定性。同时系统设置了自动半流功能， 频率可细分 设置整步、 1 2、 1 8、 1 16 细分方式功能。 0045 所述步骤 c 中， 系统使用 CMOS 摄像头采集图像， 并通过 USB 和 ARM 处理器连接， 基 于 Linux 系统下的 V4L2 摄像头数据图像的采集包括以下步骤 ： 0046 c1、 开始视频设备， 打开视频设备文件。 0047 c2、 获取设备信息和图像信息， 获取。
20、设备文件和图像的相关信息， 并存放到系统内 存中。 0048 c3、 初始化图像参数， 如垂直和水平分辨率， 像素深度和调色板等。 0049 c4、 设置缓存区并建立内存映射， 绕过了内核缓存区， 从而实现加速 I O 访问的 目的。 0050 c5、 捕获一帧并送到缓冲区， 完成一帧的捕获。并通过 USB 接口进行传输。 0051 所述步骤d中， ARM接受动态的图像数据， 首先将图像从RGB转化成灰度图， 再进行 灰度图直方图均衡化操作， 然后与检测苹果的分类器进行比对， 调用 OpenCv 机器视觉库， 选择出与分类器中相似度最大的苹果图片， 并返回检测图片的最小外接矩形框， 作为大小 。
21、判断的标准， 并设置阈值， 低于阈值的就认为是小苹果， 反之为大苹果， 然后在检测到的苹 果中检测该苹果是否有缺陷， 并把检测结果送到执行机构。步骤 d 包括以下步骤 ： 0052 所示步骤 e 中， 执行机构模块由继电器控制的的通电线圈构成。继电器接收 ARM 发出的分级执行动作， 当检测到苹果有缺陷时， 产生一个信号， 继电器接通， 控制通电线圈 的接通， 从而执行机构动作， 剔除坏的苹果， 当检测到的苹果是小苹果时候， 产生一个信号， 继电器接通， 控制通电线圈的接通， 执行机构动作， 剔除坏的苹果， 最后从出口 10 出来的是 无缺陷且是大的苹果。 0053 本发明的优点 ： 该系统结。
22、合嵌入式技术， 构建集光学、 图像处理、 模式识别等技 术于一体的苹果品质快速检测装置， 采用改进的 AdaBoost 算法， 引入了分类风险系数， 修 改了训练中的样本权值更新规则， 将风险系数与层分类器在所在的层数相关联， 可以使 AdaBoost 算法与级联分类器的生成算法更紧密的结合， 使算法有更好的鲁棒性和自适应 性， 同时在训练强分类器时采用改进的遗传算法对样本的权值进行优化， 采用了改进型交 说 明 书 CN 103646251 A 6 5/9 页 7 叉算子和改进型变异算子， 保证了遗传算法的收敛能力， 有效地提高了算法的优化能力， 避 免了 “早熟” 现象的发生。运经过试验表。
23、明系统分类精度高、 检测速度快、 能实现苹果采摘 后的快速分级。 附图说明 0054 下面结合附图对本发明进一步说明。 0055 附图 1 系统工作原理图 0056 附图 2 级联分类器训练流程图 0057 附图 3 图像采集流程图 0058 附图 1 标记说明 ： 1- 链轮 ； 2- 传送带 ； 3- 滚子 ； 4- 滚轮 ； 5- 苹果 ； 6- 光源 ； 7- 摄像 头 ； 8- 缺陷苹果出口 ； 9- 小苹果出口 ； 10- 好苹果出口 ； 11 执行机构 具体实施方式 0059 下面结合具体附图对本系统的开发过程作进一步说明。 0060 检测系统在苹果传送运动过程中完成对每个苹果的。
24、图像采集， 处理分析， 分离操 作。图 1 为系统原理图， 两组结构相同的链式传送带 2 并排安装， 由链轮 1 驱动， 传输带带 动滚子 3 和滚轮 4 运动， 苹果在传输平台上滚动向前， 摄像头可以拍摄到苹果的 90以上 的表皮图像。为了减小光照的影响， 所有的苹果都在相同光源 6 下检测， CMOS 摄像头 7 安 装在传送带垂直正上方， 实时采集传输带上目标图像， 处理器对采集的图像， 进行识别和分 级， 并将分级结果发送到执行机构 11 执行不同等级苹果的分离操作。本发明基于嵌入式的 的苹果采后田间分级检测系统包括如下步骤 ： 0061 a、 建立检测苹果缺陷和大小的级联分类器， 所。
25、述建立的检测苹果缺陷和大小的级 联分类器位于 ARM 内 ； 0062 b、 传输系统滚动传输待检测的苹果 ； 0063 c、 CMOS 相机获取苹果表皮的图像信息， 并通过 USB 传输到 ARM ； 0064 d、 ARM 接受采集到的苹果图像， 并送到建立好的分类器中进行模式匹配， 调用 OpenCv 机器视觉库， 实现苹果缺陷和大小的检测， 返回检测结果 ； 0065 e、 执行机构接收 ARM 发送的分级结果信号， 并启动相应的执行动作， 实现苹果缺 陷和大小的分。 0066 所述步骤 a， 苹果的缺陷和大小的分类器的构造， 是基于 Haar-like 特性改进的 AdaBoost 。
26、算法， 同时结合改进的遗传算法对样本权值优化， 训练过程如图 2 所示， 所述步骤 a 包括如下步骤 ： 0067 a1、 选取 500 个形状、 大小、 颜色、 分布广的苹果， 每个苹果拍摄 4 张图片， 大小为 640480， 共 2000 张图片作为检测苹果大小的正样本， 正样本归一化到 3030 的灰度图， 选择 6000 张不包括苹果的图片作为负样本， 大小为 640480。同时让苹果碰撞， 产生缺陷 和疤痕， 每个苹果作出4个碰撞， 抠出缺陷部位的图像， 共2000张图片作为检测缺陷的正样 本， 正样本图像归一化到 3030 的灰度图， 选择 6000 张不包括缺陷图片作为负样本，。
27、 大小 为 640480。下面介绍训练检测缺陷的分类器构造过程， 检测苹果大小的分类器训练过程 和检测缺陷分类器的步骤相同。 说 明 书 CN 103646251 A 7 6/9 页 8 0068 a2、利 用 图 像 的 Haar-like 特 性 构 造 正 负 样 本 的 特 征 值 ： 其中 1 j 15， Haar-like 包括四类 15 种特征 ： 边缘特征 (4 种 )， 线特征 (8 种 )， 中心环绕特征 (2 种 )， 对角线特征 (1 种 )。其中 Featurej代表第 j 种 Haar-like 块的特征值 ； w1是第 j 种 Haar-like 的权值 ； w2。
28、是第 j 种 Haar-like 块中黑 色矩形的权值。RectSum(r1) 代表第 j 种 Haar-like 块中包含的所有象素点的象素值之和。 RectSum(r2) 代表第 j 种 Haar-like 块中黑色矩形块所包含象素的象素值之和。 0069 a3、 构造正负样本的积分图， 积分图的构造方式是一幅图像的位置 (n， m) 处的值 q(n， m) 是原图像 (n， m) 左上角方向所有像素的和 ：积分图构建算法 如下 ： 0070 (1) 用 s(n， m) 代表行方向的累加和， 初始化 s(n， -1)=0。 0071 (2) 用 q(n， m) 代表一个积分图像， 初始化 。
29、q(-1,m)=0。 0072 (3) 逐行扫描图像， 递归计算每一个象素 (n， m) 行方向的累加和 s(n， m) 和积分图 像 q(n， m) 的值。 0073 (4)q(n， m)=s(n， m-1)+q(n， m)， q(n， ， m)=q(n-1， m)+s(n， m)。 0074 扫描图像一遍， 达到图像右下角象素时， 积分图构造完成。 0075 a4、 利用图像的特征 Featurej， 阈值 j， 偏置 pj(1) 构成弱分类器 0076 0077 hj=1 表示第 j 种特征判断此样本是正样本， 反之则判断为负样本。将所有分类器 中分类误差最小的分类器找出来， 完成一个弱。
30、分类器的构造。 0078 a5、 利用构造的弱分类器训练构造强分类器 ： 0079 (1) 给定样本 (x1， y1)， .， (xN,yN)， xi X， yi=0， 1， 迭代次数为 T， 1 为正样本， 0 为负样本， 正样本为 n， 负样本为 m， 样本总数为 N=n+m， 此处 n=2000,m=4000。 0080 (2) 给出分类风险系数其中 x 为层分类器在级联分类器中所在层数的 标号。 0081 训练样本误分类风险初始化 ： 0082 初始化样本权值分布 ： 0083 即 ： 0084 (3) 在样本集合和分布 Dt下挑选弱分类器误差最小的一个弱分类器 ht， 弱分类器输出 。
31、： 1 判断为正样本， 0 判断为负样本 ； 记录该弱分类器的分类错误率 说 明 书 CN 103646251 A 8 7/9 页 9 计算 0085 (4) 样本权值更新 ： 0086 样本权值归一化 ： 0087 (5) 采用改进的遗传算法对每一次训练中的权值 Dt(i) 寻优 ： 0088 采用实数数组编码的方式， 基因组为 D=(Dt(1)， Dt(2).Dt(i).Dt(N)， 其中 N 为样本容量， Dt(i) 是第 t 次循环中第 i 个样本的权值。 0089 构造适应度函数 ：设置选择操作 ： 得到新的基因组 D1=(Dt(1)， Dt(2).Dt(i).Dt(N)。 0090。
32、 选择单点进行交叉操作， 采用了自适应动态调整交叉概率， 利用改进型交叉算 子 pc， 0091 0092 其 中 Pc1=0.9， 0.6 pc2 0.9， fmax是 最 大 适 应 度 值， favg是 平 均 适 应 度 值， ft是要交叉的两个个体中较大的适应度值， 得到交叉后的基因组 D2=(Dt(1)， Dt(2).Dt(i).Dt(N)。 0093 选择均匀变异， 利用改进型变异算子 0094 其中 Pm1=0.1， 0.001 pm2 0.1， fmax是最大适应度值， favg是平均适应度值， ft是 要变异个体的适应度值， 得到变异后的基因组 D3=(Dt(1)， Dt(。
33、2).Dt(i).Dt(N)。 0095 若已满足指定的进化迭代次数， 则终止计算， 否则转步骤。 0096 输出最优的权值。 0097 (6) 若已满足指定的迭代次数， 则终止计算， 否则转步骤 (2)。 0098 (7) 构造强分类器为其中 0099 a6、 利用构造好的强分类器， 生成级联分类器 ： 0100 设定误检率， 和级联的层数， 将强分类器串联在一起形成级联分类器。 串联时遵循 说 明 书 CN 103646251 A 9 8/9 页 10 先重后轻的分级分类思想， 将由更重要特征的结构且较简单的强分类器放在前面， 这样可 以先排除大量的负样本， 尽管随着级数的增多， 但计算量。
34、却在减少， 检测的速度在加快。 0101 所述步骤 b 中， 传输系统包括开关电源、 步进电机、 步进电机驱动器、 通过控制 ARM 产生的 PWM 波的频率控制步进电机的速度。系统采用四线两相混合式步进电机， 型号是 57HD3403-21B， 步进角 1.8 度， 采用 24V 供电。驱动器采用东芝 TB6560 芯片， 采用 6N137 高 速光耦隔离 . 保证不失步， 提高系统的稳定性。同时系统设置了自动半流功能， 频率可细分 设置整步、 1 2、 1 8、 1 16 细分方式功能。 0102 所述步骤 c 中， 系统使用 CMOS 摄像头采集图像， 并通过 USB 和 ARM 处理器。
35、连接， 如 图 3 所示， 基于 Linux 系统下的 V412 摄像头数据图像的采集包括以下步骤 ： 0103 c1、 开始视频设备， 打开视频设备文件。 0104 c2、 获取设备信息和图像信息， 获取设备文件和图像的相关信息， 并存放到系统内 存中。 0105 c3、 初始化图像参数， 如垂直和水平分辨率， 像素深度和调色板等。 0106 c4、 设置缓存区并建立内存映射， 绕过了内核缓存区， 从而实现加速 I O 访问的 目的。 0107 c5、 捕获一帧并送到缓冲区， 完成一帧的捕获。并通过 USB 接口进行传输。 0108 所述步骤d中， ARM接受动态的图像数据， 首先将图像从R。
36、GB转化成灰度图， 再进行 灰度图直方图均衡化操作， 然后与检测苹果的分类器进行比对， 调用 OpenCv 机器视觉库， 选择出与分类器中相似度最大的苹果图片， 并返回检测图片的最小外接矩形框， 作为大小 判断的标准， 并设置阈值， 低于阈值的就认为是小苹果， 反之为大苹果， 然后在检测到的苹 果中检测该苹果是否有缺陷， 并把检测结果送到执行机构。步骤 d 包括以下步骤 ： 0109 d1、 图像从 RGB 转化成灰度图。 0110 d2、 进行灰度图直方图均衡化操作。 0111 d3、 加载训练好的检测苹果缺陷和大小的级联分类器。 0112 d4、 将级联分类器转化为 OpenCv 的内部格。
37、式。 0113 d5、 加载从摄像头获取的苹果图像， 并从图像中首先检测到一序列候选矩形框的 内存区域， 在待检测图像中找到包含苹果的候选的矩形区域， 将候选的矩形区域作为一系 列的矩形框返回。 0114 d6、 将一系列候选矩形框使用目标标定。当分析的矩形框全部通过级联训练器每 一层时， 认为该矩形框包含的图像为目标。 0115 所示步骤 e 中， 执行机构模块由继电器控制的的通电线圈构成。继电器接收 ARM 发出的分级执行动作， 当检测到苹果有缺陷时， 产生一个信号， 继电器接通， 控制通电线圈 的接通， 从而执行机构动作， 剔除坏的苹果， 当检测到的苹果是小苹果时候， 产生一个信号， 继。
38、电器接通， 控制通电线圈的接通， 执行机构动作， 剔除坏的苹果， 最后从出口 10 出来的是 无缺陷且是大的苹果。 0116 该系统结合嵌入式技术， 构建集光学、 图像处理、 模式识别等技术于一体的苹果品 质快速检测装置， 简化了硬件结构， 提高了集成度， 减少了设备的体积， 降低了成本。运行 内核可裁剪的 Linux 系统， 精简了内核， 提高了系统的运行速度和执行效率。采用改进的 AdaBoost 算法， 引入了分类风险系数， 修改了训练中的样本权值更新规则， 将正负样本分开 说 明 书 CN 103646251 A 10 9/9 页 11 进行权值归一化， 使正样本的权值总和在所有样本权。
39、值保持比例不变， 保证正样本得到更 多重视， 在新的权值更新规则中， 当正样本被错误的分类， 它的权值比负样本被错误的分类 时增大的更快， 当正样本被正确分类， 它的权值却比负样本被正确分类时减少的更慢， 将风 险系数与层分类器在所在的层数相关联， 可以使 AdaBoost 算法与级联分类器的生成算法 更紧密的结合， 使算法有更好的鲁棒性和自适应性。采用改进的遗传算法对样本的权值进 行优化， 采用了改进型交叉算子和改进型变异算子， 保证了遗传算法的收敛能力， 有效地提 高了算法的优化能力， 避免了 “早熟” 现象的发生。 0117 系统控制平台采用 6N137 高速光耦隔离， 保证不失步， 同。
40、时传输系统设置了自动 半流功能， 频率可细分设置整步、 1 2、 1 8、 1 16 细分方式功能， 提高传输系统运行的 稳定性。使用 QT 编写控制传输系统和实时显示检测结果的友好的控制界面， 并在控制界面 利用多线程技术， 实现程序的立即响应。经过试验表明系统分类精度高、 检测速度快、 能实 现苹果采摘后的快速分级。 说 明 书 CN 103646251 A 11 1/3 页 12 图 1 说 明 书 附 图 CN 103646251 A 12 2/3 页 13 图 2 说 明 书 附 图 CN 103646251 A 13 3/3 页 14 图 3 说 明 书 附 图 CN 103646251 A 14 。