在商业条件下工作的重复性，使用了个金冠苹果，大小在和毫米之间。果实在西班牙标准为基础上被分为三类，根据其尺寸和外部污点。测试包括水果通过传递机，盒装水果，根据相应的类别。各自的箱反复通过该系统，并且对在分类中产生的变化进行观察并计数。图四图像分割流程图图像分割流程图像分割像素分割缓冲外部特征基本颜色平均数次色平均数第二颜色形心最长缺陷尺寸总共受损面积茎和花萼行心形态特征水果尺寸水果形心结果与讨论评价分割程序表给出了桔子，苹果和桃子的图像像素分割性能，指出种和剩余其他种类分开的最佳分离背景，使更好的估计质心和水果的大小。大多数像素分割程序中出现的是由于孤立的或小群的像素，这些主要位于相邻区域的边界。这些误差可以检测和纠正，如果每个分割区域的特征得到计算，因为这些群由于面积小常被分割为忽略不顾的区域。表每种水果的识别率种类像素类别精确度，橙子苹果桃皮缺陷茎背景干检测该系统检测茎的性能被进行了测量，使用了个橘子，个苹果和个桃子的图像，而大多数图像都是在线获取的。实验表明，桔子的图像中有五幅茎未检测出来，而在另外两幅中，瘀伤和茎的检测发生了混淆。对于桃子，个图像中有幅茎没有检测出来，尽管其中图像中有幅没有茎，所以有误测。在苹果中，个图像中有两个茎没有检测出来，然而，却被误测为三分之十三。对于剩下的三个水果的图像，茎被正确的检测和定位见表。茎的不同颜色或形状和水果果型，能引起茎检测的结果不同。不过，在茎和瘀伤之间有点混淆，大多数的混淆是由于在没有茎的水果至于该系统使用所述硬件配置检查水果所用的时间，图像采集和分析所需的时间小于毫秒，比最初的要求的时间要低。如果采用更新更快的计算机，并且提高算法来让图像的获取和处理重叠，这个时间可减少至低于毫秒。表人工评测水果表面污点等级的可重复性专家有擦伤的水果在两项测试中的分类无擦伤的水果在两项测试中的分类水果类别变化可重复性，机器表在线评测水果类别的可重复性种类类别属性可重复性，缺陷长度，表面缺陷的最大面积，允许的最大褐斑，平均结论分割方法对在线处理来说是快速和恰当的，但是却极大地取决于被检查对象的颜色。出于这个原因，系统需要经常由专门操作人员调试。机器视觉系统表现出良好的结果在定位桔子，桃子，苹果的茎干时和探测它们大多数时，很少和面部污点混淆。损坏的区域在苹果中能正确地检测到，但该算法在橙子和桃子应用时需要更广泛地进行测试。为了检测没有正确被区分出来的缺陷，还需要做进步的工作，未能检测出来的原因主要是因为它的颜色浅，类似于完整果皮颜色的检验。在线操作的尺寸重复性介于和，有个的平均值。该机器的重复性在在线检测外部缺陷时约为，主要受第类中取得的的那些结果影响。将这些结果和人类估测的大小和皮肤的损伤程度的平均重复性，分别为和，进行比较，并且考虑到决策算法也同样被人工操作者训练和测试，由此我们认为结果可以接受的。实验结果表明将小缺陷或脱色区域认为是缺陷，取决于每位专家的主观标准。出于这个原因，机器的性能是由每个盒子的整体内容的估计测量，而不是单独考察成果作为机分类结果，被所有的专家认为是正确的。致谢这项研究由项目的综合处理系统，检验和包装的水果和蔬菜获得了欧洲委员会部分赞助资金。将瘀伤检测为了茎。表果茎的自动检测和分级结果橙子桃苹果正确正确正确无果茎有果茎总计在线性能和可重复性专家们在两次独立的实验中测量同个苹果的尺寸的平均精度为毫米，呈现了约的相对误差。但是，考虑到水果正确的大小作为六个测量的平均值每个专家两个有效测量，平均精度毫米的相对误差。这些数字可能与视觉系统最大期望精度有关，该精度不会超过专家的精度，只是测量的参考。因此，个的误差课容许，当分析系统在线结果的重复性时。当专家按分类中所述的尺寸种类进行水果分类时，他们表现出平均的可重复性。视觉系统的可重复性由最小尺寸水果的变化到极端大的水果的，平均为见表。表系统估测水果尺寸在线可重复性的结果尺寸范围，可重复性，非常小小大较大整体可重复考虑到标准允许的的误判，其结果可以被视为良好。个的来源是由于大多数苹果为和毫米，而毫米被选为大小之间的临界尺寸。专家们估计果皮上的损害程度时的重复性介于和，平均为见表由于该系统被专家编程和培训，从理论上说，它的性能受到了专家们的重复性的限制。因此，视觉系统重复性的最大期望值约。表显示，该系统在线进行外观缺陷检测时，有重复性。这些是由于在预测质量时三个因素被考虑了最长的缺陷，受损面积和褐色化区。如果只有其中个估计参数变化，品质变化从个传递到另外，果实将被归类在不同的类别。这事实特别影响了类型，那里的重复性被认为是较低的，因为这个类别只包括损坏程度极低的水果，并有因颜色浅而被认为是果皮缺陷。指出这点很重要，即这种类型的实验结果很大程度上依赖于果实大小分布及水果上污点的颜色和大小。不同区域的图像和分配所有每个地区像素于其中个预先确定的类别背景，原色，次主色，般伤害类型，般伤害类型，特定的功能，茎，花萼。由于分类采用这样种方式，所以他们对所有类型的水果都适用。训练系统分别单颜色的水果，此主色类没有使用。用两个类颜色方法检测般的损害是合理的，因为每个种类的水果都有不同的颜色的缺陷，可以区分为明亮的与黑暗的。另个预先定义的类被用于检测水果的特定特点，如金冠苹果的赤褐色度。由于每个类代表性的区域已选定，贝叶斯判别模型被创建，它利用像素的三个基本色红色，绿色和蓝色作为独立变量。贝叶斯判别分析包括对上述每个类别的值组合的概率的计算。个阿雷尔描述的算法被应用，即采用不同的协方差矩阵为每个类，它的结果在二次判别模型。此过程可参考表来进行。该表，存储在计算机内存中并在网上操作时给予咨询，允许每个像素的图像分配到最接近匹配的类水果的颜色，作为水果成熟的状态标志，即是是在同种水果里，也可以因为许多因素而略有不同。由于此分割方法极大地依赖于每个水果的像素颜色，它是对这些变化非常敏感。出于这个原因，该系统需要进行测试，并且对每个测试期都要创建个新的表格。图第图像的采集第二个图像的采集杯旋转水果第三个图像的采集杯将水果再旋转第四图像的采集杯抓住水果并旋转在线操作最先要获取第幅图像，并利用上面提到的表格将其按先前定义的类进行分类图图照相机拍摄的原始图像分割图像显示完好皮肤，褐色化度，茎块和损坏区域除了茎和背景以外的所有区域，用来计算的大小类别展示了大小如何估计的图像同种类的八个相连的像素中的每份被认为是相互独立的区域。然后，为了加快轮廓提取的进程，基于模滤波器的缓和程序被应用到了分段的图像，以便平缓图像之间的毗邻地区及消除孤立的所以后面的进步消耗的计算资源的转换是不需要的。图分割图像显示褐色度，茎和损坏的区域图像显示周长，褐色度中心和茎区和最长损害区的长度该系统的性能评价分割程序虽然分割方法的可靠性可由系统通过结果和可重复推导出来，为了在水果的图像上分析分割程序通常要做个初步试验。在这些测试中，代表团体桔子，桃子，苹果的图像的像素，对应于其背景，皮肤完整度，损伤和茎秆除了桃子，被人工选定生成基于贝叶斯非线性判别的判别分析函数。这些功能在个独立设置的像素上进行了测试，属于不同图像，也是人工选定。两个独立设置的像素的使用保证了分类器的估计的性能是没有偏见性的。色彩估计为了评估利用开发的传感器估计的演的精度，颜色测量取自西红柿几个表面。这些部位从个红绿色颜色变动为红色。机器视觉系统确定果实颜色的能力通过比较常用于不同的水果的几种标准色指数得到了计算。这些指数从猎人实验室获得，和由三色度计圆形区域毫米直径在选定的每个部门随机提供的值致。茎定位为了评估该对茎的位置的算法的性能，每个，个桔子随机的角度图片和苹果的都被使用。在桃子的情况下，个水果中每个水果都随机取向的取了两个图像，共提出了图像。该图像分析算法得到了应用同时茎的重心也显示在了电脑屏幕上。然后，操作者决定是否系统正确地在个图像中检测到茎。专家的重复性在确定视觉系统在测量大小和检测瑕疵的精度前，为了估计人工操作的精度和重复性要进行个简单的试验，这是目前商业分级厂房的的参考。由于苹果的形状更加不规则所以被用于这些实验。桃子和柑橘更加类似球形，因而更容易被视觉系统分辨大小。在第个实验中，个周长和毫米之间的苹果被随机挑选。每个苹果的大小被专家用卡钳测量了两次。两个测量进行了比较并且通过平均误差来计算精度。为了估计检测瑕疵时人工操作的重复性，另个检测是个苹果被机器分良分类像素图第二步由提取特性来将水果按大小进行分类构成。单值图像中的前景是水果的图像，认为是各区域形成的，除了那些被视为背景或茎块的区域。然而茎块并不认为是水果的部分，因为较长的茎块可能导致的测量尺寸图。然后，对水果区域边界进行提取并编纂通过用链码为基础的算法弗里曼，年来计算量做惯性主轴的长度面积和尺寸图。在第三步中，各地区不再视作为单果，每个独立的区域面积却要被测定图。为了纠正分割过程中产生的，表面积少于定的阈值的区域被认为是无效的分类像素。对于有效的地区，根据他们的像素所处类别不同，不同的参数被计算。例如，在有任何类各地区组成的损害像素区域中，长度和面积分别计算。在被划为茎块的区域的情况中，只有共同的坐标质心进行了测定。在检测到多茎块的情况中，最长的区域被选定为真正的茎块，其他的认为是干扰图。在分配到基本和次等的颜色区域，质心及颜色均值要计算。该流程的整个过程如图所示。该水果四个角度被不断重复。当最后个图像被处理时,每个果实下列特征都要测量主要损伤的长度定义为主要区域的长度，归类为损伤，在上面四种视角中都有损伤面积等同于所有受伤区域的总和，在四