✅作者简介：热爱数据处理、建模、算法设计的Matlab仿真开发者。
🍎更多Matlab代码及仿真咨询内容点击 🔗：Matlab科研工作室
🍊个人信条：格物致知。
🔥 内容介绍
一、技术背景与核心目标
香蕉作为全球消费量最大的水果之一，其质量直接影响市场价值与消费者体验。传统香蕉质量检测依赖人工目测，存在效率低、主观性强、标准不统一、易受疲劳影响等局限，难以满足现代化农产品加工与流通的规模化、自动化需求。机器视觉技术凭借非接触式检测、客观精准、可批量处理等优势，成为农产品质量检测的主流技术方向。
本文提出基于机器视觉的香蕉质量检测系统，核心目标是：通过机器视觉技术采集香蕉图像，自动提取颜色、形状、表面缺陷等关键特征，实现对香蕉成熟度分级、表面缺陷识别（如病斑、损伤、虫蛀）、大小规格判定等质量指标的精准检测，输出量化质量评分与分级结果，为香蕉分拣、包装、仓储等环节提供高效、标准化的技术支撑，同时具备对光照变化、姿态偏移、轻微遮挡等复杂场景的鲁棒性。
二、系统整体架构与核心技术模块
系统采用 “图像采集 - 预处理 - 特征提取 - 质量检测 - 结果输出” 的端到端架构，各模块协同实现从图像输入到质量判定的全流程自动化，具体架构如下：
- 图像采集模块
构建标准化采集环境，确保图像数据的一致性与有效性：
硬件配置：采用工业 CCD 相机（分辨率≥2048×1536 像素，帧率≥30fps），搭配环形 LED 补光灯（色温 5500K，光照强度均匀性≥90%），避免阴影与反光干扰；
采集场景：设置白色哑光背景板（反射率≥85%），香蕉放置于可旋转载物台（转速 5r/min），单次采集 3-4 个角度的图像（正面、侧面、顶部、底部），确保全表面覆盖；
辅助装置：配备遮光罩减少环境光干扰，载物台内置重量传感器，同步采集香蕉重量信息，为规格判定提供多维度数据。
- 图像预处理模块
针对采集图像中的噪声、背景冗余、光照不均等问题，设计专项预处理流程，为特征提取奠定基础：
噪声抑制：采用中值滤波（3×3 窗口）去除椒盐噪声，结合高斯滤波（5×5 窗口，σ=1.2）平滑传感器噪声，保留香蕉表面细节；
背景分割：基于 HSV 颜色空间阈值法（H:20-40°，S:40-100%，V:30-100%）分离香蕉前景与背景，结合形态学闭运算（先膨胀后腐蚀）填补分割缺口，优化前景轮廓；
图像矫正：通过霍夫变换检测香蕉主轴，对倾斜图像进行旋转矫正，采用透视变换消除拍摄角度导致的形变，确保特征测量准确性；
感兴趣区域（ROI）提取：基于轮廓检测（Canny 算子，阈值自适应调整）提取香蕉主体区域，裁剪去除边缘冗余，聚焦核心检测区域。
- 特征提取模块（机器视觉核心）
提取香蕉质量相关的多维度视觉特征，涵盖颜色、形状、表面缺陷三大核心维度：
颜色特征（关联成熟度）：
在 HSV 与 Lab 颜色空间中，统计颜色直方图（H 通道 16 区间、S 通道 8 区间、a 通道 8 区间、b 通道 8 区间）；
计算颜色均值、方差、偏度等颜色矩，重点提取 b 通道均值（表征黄色程度，与成熟度正相关）、H 通道峰值位置（未成熟香蕉偏绿，H 值偏高；成熟香蕉偏黄，H 值偏低）；
共提取 32 维颜色特征，量化香蕉颜色分布与成熟度关联特性。
形状特征（关联规格与完整性）：
几何参数：计算香蕉的长度（主轴长度）、宽度（最大横向距离）、长宽比、面积、周长、圆形度（4π× 面积 / 周长 ²）；
轮廓特征：通过傅里叶描述子（前 10 阶）表征轮廓形状，提取 Hu 矩（7 个不变矩）抵御尺度、旋转变化影响；
共提取 19 维形状特征，刻画香蕉的大小规格与形态完整性。
表面缺陷特征（关联缺陷类型与程度）：
缺陷区域分割：基于颜色差异（缺陷区域与正常区域的 HSV 阈值差）与纹理差异（灰度共生矩阵对比度阈值），结合阈值分割（Otsu 算法）提取缺陷候选区域；
缺陷特征：计算缺陷区域的面积、数量、占比（缺陷面积 / 香蕉总面积）、圆形度、纹理对比度、相关性等；
共提取 12 维缺陷特征，量化缺陷严重程度与类型（病斑：不规则形状、低对比度；损伤：高对比度、边缘清晰；虫蛀：小面积密集分布）。
- 质量检测模块（核心推理单元）
基于提取的多维度特征，构建 “成熟度分级 + 缺陷识别 + 规格判定” 的综合检测模型：
成熟度分级：
采用支持向量机（SVM）分类器，以颜色特征为输入，将香蕉分为 5 个等级（1 级：未成熟，绿色为主；2 级：轻度成熟，绿黄相间；3 级：中度成熟，黄色为主，少量绿色；4 级：完全成熟，全黄色；5 级：过成熟，黄色带褐色斑点）；
训练过程采用网格搜索优化 SVM 核函数参数（RBF 核，惩罚系数 C=10，gamma=0.1），提升分级精度。
表面缺陷识别与评级：
采用随机森林（RF）分类器，以缺陷特征为输入，识别缺陷类型（病斑、损伤、虫蛀、无缺陷）；
基于缺陷占比与数量，将缺陷程度分为 3 级（1 级：无缺陷；2 级：轻微缺陷，占比≤5%；3 级：严重缺陷，占比 > 5%）；
随机森林设置决策树数量为 100 棵，最大深度为 10，避免过拟合。
规格判定：
基于形状特征中的长度、宽度、面积，结合重量传感器数据，建立规格分级模型（小型：长度，重量 g；中型：15-20cm，100-150g；大型：>20cm，>150g）；
采用线性回归模型拟合视觉特征与实际重量的关联关系，提升规格判定准确性。
⛳️ 运行结果
Image
Image
🔗 参考文献
[1]杨镇宇,祝诗平.基于机器视觉和SVM的花椒外观品质检测[C]//2009全国虚拟仪器大会论文集（二）.2009.DOI:ConferenceArticle/5a9fe732c095d722205db3b7.
🎈 部分理论引用网络文献，若有侵权联系博主删除
