基于NI Vision Assistant的樱桃缺陷检测方法

为了改善我国樱桃分选仍然主要由人工作业的现状，实现樱桃缺陷果自动筛选，提高樱桃生产效率。本

根据中商产业研究院发布的《2016/17 年度全球樱桃行业研究报告》数据显示，2015 年全球樱桃总产量为303 万吨，其中我国樱桃产量为24.2 万吨，约占全球总产量的8%。我国樱桃进口量占世界进口总量的24.3%， 已经取代俄罗斯成为世界第一大樱桃进口国， 然而出口量却不足全球总出口量的不足3%。

究其原因不难发现造成我国樱桃出口量低的主要原因便是在樱桃采摘后的产后处理环节不足及产后处理技术偏低。当前樱桃出口大国如智利，美国等，其樱桃产后商品化处理比例已达80%~90%，而我国还不到总产量的5%。按照国际标准，只有经过筛选筛选的高档樱桃才能参与国际竞争，而我国很多优质樱桃由于没有经过严格品质检测与筛选，良莠不齐，只能以低等级樱桃出售。因此如何充分利用先进技术手段和方法将樱桃进行筛选筛选是提高我国樱桃国际竞争力的关键。随着无损检测技术和图像处理技术的飞速发展，已有许多国内外学者在水果缺陷检测上做过研究，国外如Tao Y (1995) [1]等做了基于机器视觉的苹果和土豆的颜色检测，实验结果表明该方法对苹果和土豆的分级效果显著，但是对运动图像处理效果较差。国内如早期的应义斌等(1999) [2]做过基于傅立叶变换结合神经网络算法来实现黄花梨的果形识别的研究，能识别水果外形但是无法识别缺陷，近年来有刘佳男(2012) [3]研究了基于BP 神经网络来对水果缺陷种类进行分类，该方法对各种缺陷的识别效果较好；王福杰(2016) [4]则设计了一种新的运动状态下多相机水果检测系统，该方法有较好的背景分割效果但是识别准确率较低，且速度较慢无法满足工业需求。

但是针对樱桃的精准检测方法与设备暂时还未出现。因此本文参照已有的水果检测方法，设计了一种全新的基于NI Vision Assistant 的樱桃缺陷自动检测及筛选系统。利用机器视觉原理去检测缺陷，不仅可以提高筛选精度与准确性，而大大节约了人工成本，提高了生产效率。

2. 缺陷检测视觉系统方案概述 2.1. 实验材料 实验材料为市面所售红灯樱桃，此品种属中大型果，果皮色泽鲜红成熟时深紫，果肉肥厚多汁，成熟期较早，但肉质较软，果皮较薄，不耐贮运且容易腐烂，采收前如遇雨天还会出现轻微裂果。并且会出现自然腐果、鸟啄以及疤痕等情况，还会出现异型果体征。由于条件所限，实验所用樱桃包含正常果与部分缺陷果。