【正文】 測。另一個(gè)預(yù)先定義的類被用于檢測水果的特定特點(diǎn)，如金冠蘋果的赤褐色度。 然后，對水果區(qū)域邊界進(jìn)行提取并編纂通過用鏈碼為基礎(chǔ)的算法 （弗里曼， 1961年）來計(jì)算量做慣性主軸的長度面積和尺寸（圖 . 2（ d））。如果莖在少于兩張圖像中看到，該水果的尺寸就被當(dāng)做其他四幅圖像的水果的平均尺寸。桃子和柑橘更加類似球形，因而更容易被視覺系統(tǒng)分辨大小。實(shí)驗(yàn)表明，桔子的圖像中有五幅莖未檢測出來，而在另 外兩幅中，瘀傷和莖的檢測發(fā)生了混淆。因此，視覺系統(tǒng)重復(fù)性的最大期望值約 88％。實(shí)驗(yàn)結(jié)果表明將小缺陷或脫色區(qū)域認(rèn)為是缺陷，取決于每位專家的主觀標(biāo)準(zhǔn)。 Destain M F (2020). Online fruit grading according to their external quality using machine vision. Biosystems Engineering 83(4), 397– 404 doi:Lefebvre M。 Scheerlinck N。 Sommer J H (1990).Automated machine vision inspection of potatoes. ASAE Paper No. 903531 Varghese Z。 Johnson R S。 Steinmetz V。 Rybczynski R (2020). Colour change of apple as a result of storage, shelflife,and bruising. International Agrophysics, 16, 261– 268 Freeman H (1961). On the encoding of arbitrary geometric configurations. IRE Transactions of Electronic Computers. EC10, pp 260– 268 Hahn F (2020). Multispectral prediction of unripe Engineering, 81(2), 147– 155, doi:Harrel R C (1991). Processing of colour images with Bayesian discriminate analysis. International Seminar on Use of Machine Vision Systems for the Agricultural and BioIndustries, Montpellier,France, pp 11– 20 Leemans V。為了檢測沒有正確被區(qū)分出來的缺陷，還需要做進(jìn)一步的工作，未能檢測出來的原因主要是因?yàn)樗念伾珳\，類似于完整果皮顏色的檢驗(yàn)?？紤]到標(biāo)準(zhǔn)允許的 10％的誤判，其結(jié)果可以被視為良好。（圖四 .圖像分割流程） 表一給出了桔子，蘋果和桃子的圖像像素分割性能，指出一種和剩余其他種類分開的最佳分離背景（ 100％），使更好的估計(jì)質(zhì)心和水果的大小。該圖像分析算法得到了應(yīng)用同時(shí)莖的重心也顯示在了電腦屏幕上。 當(dāng)最后一個(gè)圖像被處理時(shí) ,每個(gè)果實(shí)下列特征都要測量： (1)主要損傷的長度 —— 定義為主要區(qū)域的長度，歸類為損傷，在上面四種視角中都有； (2)損傷面積 —— 等同于所有受傷區(qū)域的總和，在四個(gè)獨(dú)立的視角中 。 圖 2 (a) 照相機(jī)拍攝的原始 圖像（ b）分割圖像顯示完好皮膚，褐色化度，莖塊和損壞區(qū)域（ c）除了莖和背景以外的所有區(qū)域，用來計(jì)算的大小類別（ d）展示了大小如何估計(jì)的圖像 同一種類的八個(gè)相連的像素中的每一份被認(rèn)為是相互獨(dú)立的區(qū)域。利用錄制的水果圖像，專家選擇不同區(qū)域的圖像和分配所有每一個(gè)地區(qū)像素于其中一個(gè)預(yù)先確定的類別：背景，原色，次主色，一般傷害類型 1，一般傷 害類型 2，特定的功能，莖，花萼。 Blasco 及蛻皮澳， 2020年）。哈恩， 2020年 。該項(xiàng)目的 ESPRIT3，參考 9230。水果由此系統(tǒng)測出的顏色，和目前被用作標(biāo)準(zhǔn)的色度指標(biāo)值非常吻合。在這種情況下，它是不可能完全只把全球面色彩作為質(zhì)量參數(shù)的。為了評估視覺系統(tǒng)的效率，自動(dòng)檢驗(yàn)的性能和重復(fù)性和專家們的人工檢測進(jìn)行了比較。 由于每個(gè)類代表性的區(qū)域已選定，貝葉斯判別模型被創(chuàng)建，它 利用像素的三個(gè)基本色：紅色，綠色和藍(lán)色作為獨(dú)立變量（ RGB）。 在第三步中，各地區(qū)不再視作為單果，每個(gè)獨(dú)立的區(qū)域面積卻要被測定 (圖 . 3（ a） )。 盡管一些用于顏色描述的立體模型，作為 HIS或 La * b *值，描述的顏色和我們的感覺很接近，但 RGB系統(tǒng)被用來描述是由于圖像采集卡直接提供本系統(tǒng)中的圖像的像素顏色，所以后面的進(jìn)一步消耗的計(jì)算資源的轉(zhuǎn)換是不需要的。 在第一個(gè)實(shí)驗(yàn)中， 40個(gè)周長 63和 86毫米之間的蘋果被隨機(jī)挑選。對于桃子， 73個(gè)圖像中有一幅莖沒有檢測出來，盡管其中 79圖像中有11幅沒有莖，所以有誤測。表 5顯示，該系統(tǒng)在線進(jìn)行外觀缺陷檢測時(shí)，有 86％重復(fù)性。出于這個(gè)原因，機(jī)器的性能是由每個(gè)盒子的整體內(nèi)容的估計(jì)測量，而不是單獨(dú)考察成果作為機(jī)分類