附录B 外文原文
Automatic Counting and Individual Size and Mass Estimation of Olive-Fruits Through Computer Vision Techniques
JUAN M. PONCE，ARTURO AQUINO，BORJA MILLAN AND JOSEacute;M.ANDUacute; JAR
ABSTRACT
Fruit grading is an essential post-harvest task in the olive industry, where size-and-mass based fruit classification is especially important when processing high-quality table olives. Within this context, this research presents a new methodology aimed at supporting accurate automatic olive-fruit grading by using computer vision techniques and feature modeling. For its development, a total of 3600 olive-fruits from nine varieties were photographed, stochastically distributing the individuals on the scene, using an ad-hoc designed an imaging chamber. Then, an image analysis algorithm, based on mathematical morphology, was designed to individually segment olives and extract descriptive features to estimate their major and minor axes and their mass. Regarding its accuracy for the individual segmentation of olive-fruits, the algorithm was proven through 117 captures containing 11 606 fruits, producing only six fruit-segmentation mistakes. Furthermore, by linearly correlating the data obtained by image analysis and the corresponding reference measurements, models for estimating the three features were computed. Then, the models were tested on 2700 external validation samples, giving relative errors below 0.80% and 1.05% for the estimation of the major and minor axis length for all varieties, respectively. In the case of estimating olive-fruit mass, the models provided relative errors never exceeding 1.16%. The ability of the developed algorithm to individually segment olives stochastically positioned, along with the low error rates of around 1% reported by the estimation models for the three features, makes the methodology a promising alternative to be integrated into a new generation of improved and non-invasive olive classification machines. The new developed system has been registered in the Spanish Patent and Trademark Office with the number P201930297.
KEYWORDS
Computer vision, feature modeling, food industry, fruit grading, image analysis, olive.
INTRODUCTION
The olive (Olea europaea) is a species belonging to the family of Oleaceae, which nowadays comprises one of the most significative horticultural crops worldwide. Mainly due to the increase of popularity the olive-derived products have experienced over the last decades, its cultivation, practiced for centuries in the Mediterranean Basin, has spread all around the world. Indeed, it can be found with a growing presence in such disparate countries as China, Australia or USA [1], [2]. This geographical expansion has obviously been accompanied by a huge growth in terms of production, which is directly reflected in the numbers the olive industry deals with. Thus, according to estimations for the 2018/19 crop year, a table olive production of 2,750,000 tons [3], and 3,130,000 tons for the case of olive oil is expected [4].
The increasing demand and consumption of these olivebased products has led the industry to explore the use of new technologies aimed at developing a more profitable, competitive and sustainable market around it. Thus, as in other mainstream crops, olive sector is currently experiencing a process of major transformation [5], [6].
When talking about table olives, fruit classification according to size is a relevant task undertaken during postharvest manufacturing [7]. Size homogeneity, along with othersensory attributes, have a positive impact on the overall consumer opinion about the quality of the product [8]. Furthermore, this is not exclusive of olives, since fruit-size grading is a global issue within food industry when processing high- quality horticultural commodities [9]. So much so that its automation has been historically a challenge to deal with, since this activity has traditionally been performed by hand, with all the drawbacks that it brings. First approaches to the problem have been based on purely mechanical solutions, as the integration of different size hoppers through which fruits can slide, according to their dimensions, into the conveyor belts used during postharvest treatment. However, they can potentially damage fruits [10], [11], since it implies a higher degree of physical manipulation of the commodities. In addition, they present obvious limitations in terms of the features the classification can be based on, and the information that can be recorded after processing.
Within the described scenario, the classical mechanical approaches have been reviewed in recent years [12], being machine vision probably the most investigated technique to build a new generation of less invasive postharvest horticultural classification machines. Thus, Baigvand et al. [13] proposed a machine-vision-based integral solution for dried figs sorting. Sad et al. [14] presented a methodology fusing image processing and supervised machine learning for grading mangoes according to shape and mass. Focused on the same crop, Wang et al. [15] suggested the use of RGB-D sensing for infield fruit size estimation. In addition, Mizushima and Lu [16] faced the segmentation of images of apples, in order to enable their automatic sorting.
Likewise, the use of computer vision techniques has already been approached within the olive sector. Gatica et al. [17] proposed RGB-image analysis and the use of neural networks to recognize the fruits directly in the trees, thus ideally estimating the best harvest time. On the other hand, several studies have focused on varietal identification on the basis of image analysis. Thus, Martinez et al. [18] approached the problem by feature extraction from images of olive endocarps, and then using
剩余内容已隐藏，支付完成后下载完整资料
附录A 外文译文
利用计算机视觉技术对橄榄枝进行自动计数、个体尺寸和质量估计
JUAN M. PONCE，ARTURO AQUINO，BORJA MILLAN ，AND JOSEacute;M. ANDUacute; JAR，
摘 要
在橄榄产业中，水果分级是一项必不可少的收获后任务，在加工高质量的餐桌橄榄时，基于大小和质量的水果分类尤为重要。在此背景下，本研究提出了一种新的方法，旨在利用计算机视觉技术和特征建模支持准确的自动橄榄果实分级。为了发展橄榄树，共拍摄了9个品种的3600颗橄榄果实，随机分布在现场的个体，使用一个特定设计的成像室。然后，设计了一种基于数学形态学的图像分析算法，分别分割橄榄并提取描述性特征，以估计其主轴和次轴及质量。关于其对橄榄果实个体分割的准确性，该算法通过包含11606个水果的117个捕获来验证，只产生6个水果分割错误。此外，通过将图像分析得到的数据与相应的参考测量结果线性相关，计算出三种特征的估计模型。然后，在2700个外部验证样本上对模型进行了测试，给出了相对误差分别低于0.80%和1.05%的估计所有品种的主轴和次轴长度。在估计橄榄果实质量的情况下，模型提供的相对误差从不超过1.16%。所开发的算法具有随机定位的单独分割橄榄的能力，以及三种特征的估计模型所报告的约1%的低误差率，使该方法成为一种很有前途的替代方法，可集成到新一代改进和非侵入性橄榄分类机中。新开发的系统已在西班牙专利商标局注册，编号为P201930297。
关键词：计算机视觉，特征建模，食品工业，水果分级，图像分析，橄榄。
导言
橄榄(Olea europaea)是属于Oleaceae科的一个物种，它是当今世界上最重要的园艺作物之一。 主要是由于橄榄衍生产品在过去几十年中受到越来越多的欢迎，其栽培在地中海盆地进行了几个世纪，已遍布世界各地。事实上，它可以在中国、澳大利亚或美国等不同国家的日益存在[1]、[2]。这种地域扩张显然伴随着一个巨大的增长。产量，这直接反映在橄榄产业所处理的数字中。因此，根据2018/19作物年度的估计，预计橄榄产量为275万吨[3]，橄榄油产量为313万吨[4]。
这些以橄榄为基础的产品的需求和消费的日益增长，促使该行业探索使用新技术，旨在围绕其开发一个更有利可图、更具竞争力和可持续性的市场。因此，与其他主流作物一样，橄榄部门目前正在经历一个重大转变的过程[5]，[6]。
当谈论食用橄榄时，根据果实大小对水果进行分类是收获后制造过程中的一项相关任务[7]。大小均一，以及其他感官属性，对产品质量的整体消费者意见产生积极影响[8]。此外，这并不排除橄榄，因为水果大小的分级是食品工业在加工高质量园艺商品时的一个全球性问题[9]。以至于它的自动化在历史上一直是一个挑战，因为这项活动传统上是手工进行的，它带来了所有的缺点。解决这一问题的第一种方法是基于纯粹的机械解决方案，即将不同大小的料斗集成起来，使水果能够根据其尺寸滑入采后处理期间使用的传送带。然而，它们可能会损坏水果[10]、[11]，因为这意味着对商品的物理操纵程度较高。此外，它们在分类可以基于的特征和处理后可以记录的信息方面存在明显的局限性。
在所描述的场景中，近年来对经典的机械方法进行了回顾[12]，机器视觉可能是建立新一代较少侵入性收获后园艺分类机的最主要技术。因此，Baigvand等人[13]提出了一种基于机器视觉的干燥无花果分类解决方案。Sad等人[14]提出了一种融合图像处理和监督机器学习的方法，根据形状和质量对芒果进行分级。集中在同一作物上，Wang等人[15]建议使用RGB-D传感进行内地果实大小估计。此外，Mizushima和Lu[16]面临苹果图像的分割，以便能够自动排序。
同样，已经在橄榄领域内开始使用计算机视觉技术。Gatica等人[17]提出了RGB图像分析和利用神经网络直接识别树上的果实，从而理想地估计最佳收获时间。另一方面，一些研究集中在图像分析的基础上进行品种鉴定。因此，Martinez等人[18]通过从橄榄果皮的图像中提取特征，然后使用部分最小二乘判别分类器来解决这个问题。同样，Beyaz等人的建议[19]利用捕获的水果和内果皮来鉴定橄榄品种。除了品种分类外，还进行了研究，以处理有缺陷的水果歧视。 为此，Diaz等人[20]比较了根据橄榄表面条件对其进行分类的不同算法。另一方面，Puerto等人[21]提出了一种方法来区分从地面采集的橄榄和直接从树上收获的橄榄，因为前者使后来生产的橄榄油的质量下降。
在先前的一项研究中，Ponce等人[22]通过图像分析，成功地找到了关于橄榄质量和大小估计可行性的有力证据。为了扩大所接近的范围，本文提出了一种高度改进的基于计算机视觉和特征建模的新方法。它承担了一个新的场景，更接近于满足橄榄产业在自动水果分级方面的需求。 因此，设计了一个图像采集室，可能在传送带中被整合，具有在受控条件下拍摄橄榄批次照片的能力。利用这种装置，从九个不同品种的橄榄中拍摄了一组，随机地将个体定位在捕获区域，以模拟它们在真正的传送带上的混乱分布。然后，通过基于聚类的图像阈值对图像进行二值化，并利用数学形态学原理分离出用于接触的橄榄枝。在分离单个橄榄后，从转换后的图像中提取所研究特征的描述性数据。最后，对这些测量与其相应的个别客观观测之间的相关性进行线性回归分析，以前是在实验室进行的，以计算用于估计图像中出现的每一个橄榄的大小和质量的模型。
与该领域的其他研究不同，所提出的方法是新颖的，因为首先，它提出了一个特定的图像采集系统，旨在支持高精度、低计算成本的捕获二值化。它使我们有可能在一个潜在的可以在实时系统中适用的时间框架内面对随后的水果的个别分割，这对橄榄产业的可用性产生了影响。 此外，在研究开发过程中使用的大量样本为所获得的结果的可靠性和通用性提供了保证。
此后，手稿分为三个主要部分。首先，第二节侧重于实验设计，介绍了与整个研究过程中使用的这些水果样本的特征有关的不同方面(第二-A节)，描述了如何进行图像采集和参考数据收集(第二-B节)，并详细说明了开发图像分析算法的框架(第二-C节)。第三节介绍了所开发的方法，重点介绍了如何设计这一图像分析程序以二值化(第三-A节)、水果级段(第三-B节)和对初始捕获进行后处理(第三-C节)。其次，讨论了特征定性(第三-D节)和建模(第三-E节)，并详细介绍了方法的业绩评价(第三-F节)。在第四节中，介绍和讨论了所取得的结果。最后，最后一部分总结了所取得的成果，并提出了本研究的主要结论。
材料和方法
样本收集
本研究考虑了9个欧莱雅品种：Arbequina、Arbosana、Picual、Ocal、Changlot Real、Verdialde Huevar、Lechinde Sevilla和两个实验品种，分别命名为967和1030。因此，在位于吉布拉伦（37°20rsquo;09.2”N7°02rsquo;19.8”W)的橄榄园，手工采集了每个品种400个样本(共计3600个），韦尔瓦省（西班牙安达卢西亚），2018年10月。对于每个品种，选择样本以涵盖观察到的变异性的大小。
图1. 图像采集室。 图2.Picual品种的捕获图像示例：(a)常规图像；(b)应力图像。
表1. 材料：所用九个品种中每个品种的橄榄果实样品和图像的组织。
a.每张图片50个水果。 b.随机数量的水果。
参考资料和图像资料
对于图像捕获，设计和制作了一个成像室，目的是将场景与任何外部光源隔离开来，从而最大限度地提高照明控制（见图1）。
这些水果被放在半半透明的白色塑料布上。 这张纸的尺寸为500times;500times;2 mm，从腔室底部整齐地放置了65 mm，它从下面被一组由25个5V的LED组成的7条均匀分布的条所照亮。 由于这种照明系统的设计，它是可能的，以避免阴影投射的水果。作为捕获设备，索尼alpha;7-II数码无反光镜相机（索尼公司，东京，日本）安装在腔室的顶部，垂直观察成像区域。该相机安装了一个24Mpx CCD稳定传感器，并配备了一个蔡司24/70 mm镜头与光学稳定。它设置在手动模式，配置孔径在f/7.1，快门速度在1/50s，ISO灵敏度在250，焦距在31 mm。相机设置为以JPEG文件格式保存图像，分辨率为6000times;3376像素，颜色深度为24位，像素密度为350ppi。
每套400个橄榄品种被分成50个水果的批次，然后分别拍摄，从而获得每个品种的8张图像（总共72张）。关于果子的成像方式，唯一的标准是强迫多个接触事件。建立这一先决条件的目的是接近一个复杂和现实的情况。
此外，为了测试所开发的图像分析算法的鲁棒性和准确性，每个品种（总共45个）获得了一组五个应力图像。在这五幅图像中，出现的水果数量逐渐增加。获取的图像的两个示例可以在图2中检查。此外，表1总结了橄榄果实样品是如何组织和拍摄的九个研究品种。
一旦一个批次被拍摄下来，就对每个单独的水果进行质量和大小的测量并进行登记。为此，使用KERN PCB 3500-2精密平衡（KERN amp; Sohn GmbH，Balingen，德国）来评估橄榄质量（克-g）。为了对每个水果的大小进行分级，使用数字游标卡尺测量其相应的主轴和小轴长度（以毫米为单位），该卡尺提供0.01mm的分辨率和0.02mm的精度。必须指出，对于每一个品种，400个人中的100个人（总共900个人）的主轴和小轴由三个不同的观察者独立测量，再次使用数显卡尺手动测量。这为了以后进行一项可变性研究，目的是通过用数字卡尺测量橄榄的大小来评估不确定性的程度。
图像分析算法实现
所提出的方法的核心是一种图像分析算法，其目的是，首先，将橄榄果实捕获转化为二值分割的图像，其次，从它们中提取数据结构，以便对三种不同的特征进行水果计数和表征来估计。后者，对于最初捕获中出现的每个水果。它的发展主要是通过基于数学形态学的变换和统计阈值技术的二值化来实现的。关于它的实施，使用了MATLAB和图像处理工具箱发布2018a(数学工程公司，Natick，马萨诸塞州，美国)。 注意到这项技术的选择只是为了原型目的，因为人们意识到，一个基于拟议方法的实际系统将需要一个基于计算上更灵活和更有效的语言的算法实现。
开发方法
如图所示的图3说明所进行的研究得出的方法。基本上，数据由获取的橄榄图像及相应的参考测量组成，以前记录在案，用于整个图像处理和分析过程，目的是计算并最终验证所追求的水果质量和大小估计模型。 这种转换捕获和提取水果的描述性特征的过程，以饲料估计模型训练，将在下面的小节中详细描述。
图3. 所开发的计算和验证橄榄果实质量和大小估计模型的方法的代表性图表。
图像预处理
如前所述，本研究的重点是一个场景，在这种情况下，橄榄可能出现与其他在图像中的接触。在此背景下，开发的图像分析算法是在分水岭变换[23]的基础上设计的，用于单独分割橄榄果实。本节描述了一组应用于支持后续流域转换应用程序性能的图像转换。
首先，进行了一个图像二值化，包括将与水果对应的像素从背景中分离出来。为此，图像先前从RGB转换为HSV颜色空间[24]。 大量的文献研究了在开发图像分析程序时使用正确的颜色表示的重要性，在处理园艺产品的捕获时也不例外，无论追求的目标是[25]，[26]。在本研究中，特定的光照条件使图像的获取具有重要的区别，在光度或亮度方面，背景像素和水果之间。为了利用这一特性来对图像进行二值化，HSV包括一种合适的颜色表示，因为亮度信息可以直接在特定的通道V（值）中进行分析。因此，在处理时，该通道被视为灰度图像，表示为Iv，其灰度值被倒置，以表示比水果值更低的背景像素：
(1)
其中255是颜色深度为8位的图像的最高灰度值。然后，根据Otsu方法[27]计算的阈值对进行二值化。这种全局阈值技术假设有两类像素，它们的灰度值，属于前景的像素和对应于背景的像素。因此，该方法通过最大化类间方差或类似地通过最小化类内方差自动计算类间分离的最佳阈值，因此两个类的像素级别的测量扩展之和最小。因此，对图像计算阈值ThOtsu，然后将其二值化为：
（2）
接下来，将形态开口应用于所得到的二值图像，具有双重目的：1)消除由于像素尺寸异常而不能表示橄榄的微小白色像素组；2)去除图像中可能存在的橄榄蒂。数学上：
（3）
图4. 图像预处理的示意图：(A)原始子图像；(B)二进制子图像；(C)噪声和花梗去除后的二进制子图像；(D)图像(C)的距离变换；(E)图像的补全(D)。
其中gamma;是在无线电中使用30像
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[607090]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
