雞蛋果大小測量的多種圖像邊緣檢測算子對比

劉 現，林營志

雞蛋果大小測量的多種圖像邊緣檢測算子對比

劉 現，林營志*

福建省農業科學院數字農業研究所，福建福州 350003

大小測量是雞蛋果采后分選階段一個十分重要且不可或缺的環節。闡述多種邊緣檢測算子以及基于邊緣檢測算法的圖像識別步驟，模擬雞蛋果采后大小測量分選現場，構建一個水果圖像獲取平臺。為增加難度，選取40個表面具有一定皺皮現象的雞蛋果，使用水果圖像獲取平臺獲取從頂端拍攝的40張雞蛋果圖像作為試驗材料。基于Visual Studio 2017集成開發環境，調用OpenCV 3.2.0機器視覺庫，采用C++編程語言，針對40張雞蛋果圖像，使用4種算子Canny、Sobel、Laplacian、Scharr進行邊緣檢測；使用Photoshop 7.0.1軟件基于圖像測算雞蛋果大小作為真實果實大小數據的近似值，參照該數值衡量算法檢測的準確度；對4種算子的檢測參數進行自動調優，依次使用SPSS軟件對每一種算子的檢測參數、4種算子的檢測準確度及單果檢測時間進行統計分析。試驗結果表明：使用Canny算子在（70, 105, 3）參數下進行雞蛋果大小測量時，與其他幾種算子比較，測量準確度最高，單果測量平均用時為1.98 ms，也是4種算子中最快的，可滿足于雞蛋果采后大小智能分選的實際需求。

雞蛋果；邊緣檢測；算子

雞蛋果（Sims），又名百香果、西番蓮，屬西番蓮科（Passifloraceae）西番蓮屬（）的一種熱帶多年生草質藤本常綠果樹，原產于夏威夷，我國主要分布在臺灣、廣西、云南、福建等?。▍^）[1]。雞蛋果的果實和果汁富含維生素、礦物質，具有清熱降火、止瀉、驅蟲等的功效，此外，百香果及其副產物（果葉、果皮、種籽）具有一定的藥用價值，有抗疲勞、焦慮、抗成癮、降血壓、抗炎等功能[2-4]，因此深受消費者喜愛。目前雞蛋果采后分選大多采用人工挑選以及機械分選的方法。人工挑選方法勞動強度大，勞動力成本高，分選的結果受人類主觀因素影響大，工作效率十分低下[5]；機械分選方法主要是通過設計專用機械結構來檢測水果的大小和重量，而無法對水果的顏色、紋理和表面缺陷等做出評價，設備專用性強，利用率低，檢測時水果常發生碰撞，容易導致水果的損傷[6]。

在計算機技術迅猛發展的背景下，計算機農業圖像處理技術作為新型計算機綜合性交叉學科之一，其技術特點是利用計算機技術對傳感器采集到的圖像進行降噪、排除干擾、信息提取[7]。其本質上是利用計算機模擬人眼對農田系統進行初步的信息采集與篩選，將農田的實時圖像轉化成實時數據傳輸給農業系統[8]。將計算機圖像處理技術用于水果等級劃分，可提高分級的精度和速度，降低勞動強度[9]。圖像邊緣檢測在農業檢測中的研究十分廣泛，覆蓋了部分農產品的大小、形狀、質量及缺陷檢測，其步驟都是先進行數字圖像邊緣提取，然后對提取的邊緣進行分析，最后通過數學工具映射農產品的大小、形狀、質量及缺陷[10]，因此，圖像邊緣檢測對農產品的大小等各項指標的檢測十分重要。

近年來，不少國內外學者將邊緣檢測算子應用于圖像處理研究，運用機器視覺技術對水果加以分選。黃鳳[11]結合武夷巖茶彎曲度大的特點，采用roberts等5種經典算子來檢測茶葉圖像邊緣并通過實驗結果來比較這5種算子的區別；劉現等[12]基于Canny算子進行了福橘圖像邊緣檢測的研究；朱培逸等[13]運用基于機器視覺的水果品質分級系統，實現水果的動態檢測；劉新庭等[14]設計了一套基于圖像處理的蘋果大小分選系統，試驗表明，分選的正確率為96.67％；崔巍等[15]用CCD攝像機獲取金桔的樣本圖像，基于圖像采用機器視覺技術進行自動大小分級；黃辰等[16]借助機器視覺技術動態采集蘋果傳輸過程中的實時圖像，提出改進的三層Canny邊緣檢測算法來提取蘋果輪廓以克服采集圖像中的光線噪聲影響，采用粒子群參數優化的支持向量機對果形、果面紋理、顏色分布等特征進行模型構建與分級；SNEHA等[17]使用邊緣檢測方法研究圖像中隱藏的信息；RASHMI等[18]研究了多種邊緣檢測的算法和技術；JAMAL[19]提出了一種新的對圖像進行自動目標檢測的方法；LEEMANS等[20]以蘋果的缺陷顏色、形狀、紋理、位置等信息為特征，利用-均值聚類和主分量分析相結合的方法對蘋果進行分類；DEVRIM等[21]使用機器視覺方法進行柑橘在線檢測時，在單一像素下分割出有缺陷部分并提取特征值，用統計和結構方法加以分級；HASSANKHANI等[22]通過機器視覺系統獲取馬鈴薯圖像，提取圖像周長和面積信息，通過設置閾值對馬鈴薯進行分級；ABDOLLAH等[23]開發了一套基于機器視覺框架的馬鈴薯實時自動分級系統，對傳動進給系統、光照系統、視覺系統進行了優化配置設計，在每秒2個馬鈴薯的速度下，分級精度可達97.4%。

本研究立足于邊緣檢測算法的原理，將4種邊緣檢測算子應用于雞蛋果大小測量進行對比研究，并對邊緣檢測算子的參數進行自動調優，選取最佳參數進行邊緣檢測，并對算子的檢測準確度以及算子的性能進行比較，實驗結果表明，使用Canny算子在（70, 105, 3）參數下進行雞蛋果大小測量時測量準確度為4種算子中最高，獲得結果最接近真實果實大小，測量速度也為4種算子中最快，可滿足雞蛋果采后大小智能分選的實際需求。

1 材料與方法

1.1 材料

1.1.1 植物材料 實驗選用的雞蛋果于2017年7月購自福建福州超市，從中選取40個雞蛋果，將其編號為1～40，作為實驗材料。為了增加大小測量的難度，將其放置在室溫下10 d，10 d后雞蛋果產生了不同程度的皺皮現象。

1.1.2 儀器設備 模擬水果分選現場自主構建一個水果圖像獲取平臺。使用柔光箱，箱內具有單一的白色背景環境；使用LED18W燈條2根，構建穩定柔和的圖像拍攝光源環境；使用3個Logitech C100 M/N:V-U0013高清攝像頭，可滿足頂端、左側面、右側面圖像采集需求且具有較高的清晰度。

1.2 方法

1.2.1 雞蛋果圖像采集 選取編號為1～40的40個具有一定皺皮現象的雞蛋果，將其逐個放置在自主研制的圖像采集裝置內進行圖像采集，從頂端采集雞蛋果圖像40張作為試驗材料，圖像采集時間為2017年7月21日上午9：00—10：00。為了去除背景的干擾，因此對采集到的40張圖像進行統一裁切處理后再進行后續圖像處理與計算，裁切處理后的圖像分辨率為100×100 px。

1.2.2 雞蛋果大小近似數據采集 為驗證邊緣檢測算法測算出的果實大小數據的真實性與有效性，使用Photoshop 7.0.1圖像處理軟件基于40張試驗圖像勾勒出果實的邊緣，獲取邊緣內部的面積像素值，以此作為真實果實大小數據的近似值并以此為依據對邊緣檢測算法測算出來的數據進行比較，評估算法檢測的準確度。

1.2.3 果實大小檢測 邊緣檢測是使用一種算法來提取出對象和背景圖像之間的邊界，這種邊界稱之為邊界線。在提取過程中，盡可能使定義的邊界邊緣具有更明顯的變化[24]。經典的基于一階導數進行邊緣檢測的算子包括Sobel、Prewitt、Roberts、Canny、Scharr，經典的基于二階導數進行邊緣檢測的算子包括Laplacian、Log[25]。這幾種算子具有各自的優缺點（表1）。

邊緣檢測一般可分為4個階段：濾波、增強、檢測、定位（圖1），它的實質是采用某種算法提取出圖像中對象與背景之間的交界線[34]。

表1 邊緣檢測算子對比

圖1 基于邊緣檢測算法的圖像識別步驟

（1）濾波。邊緣檢測的算法主要是基于圖像強度的一階和二階導數，但導數通常對噪聲很敏感[35]。因此在獲得圖像以后首先要對圖像進行降噪處理，提高邊緣檢測的效果[30]。通常使用濾波器來對圖像進行降噪，常用的濾波方法主要有高斯濾波、中值濾波、均值濾波、方框濾波等[35]。

（2）增強。利用增強算法來提高圖像的對比度和清晰度[30]。增強算法可以將圖像灰度點領域強度值有顯著變化的點凸顯出來[35]。

（3）檢測。對濾波增強后的圖像進行一階和二階微分運算，求得二階導數過零點和一階梯度最大值，再通過選取適當的閾值來判定邊緣，確定邊界點[30]。

（4）定位。經過濾波、增強、檢測后確定邊緣的位置和方向[30]。

選取40張雞蛋果圖片使用4種算子進行邊緣檢測，在使用Sobel、Laplacian、Scharr這3種算子在邊緣檢測過程中將圖像進行了轉換處理，分別轉換為灰度圖像與二值圖像，而Canny算子在邊緣檢測過程中不需要將圖像進行轉換處理。在使用邊緣檢測算子進行檢測時涉及多種參數，比如threshold、ksize、apertureSize、delta等參數，threshold表示滯后性閾值，一般來說有2個閾值，小者用于邊緣連接，大者用于控制強邊緣的初始段；ksize是一個奇數，表示濾波核的寬和高（以像素為單位）；apertureSize表示算子的孔徑大小；delta表示在檢測結果存入目標圖之前可選的值，參數取值不同得到的檢測結果也會有較大差異。用于邊緣檢測的算子中參數的選取關系到邊緣檢測的效果的優劣，為了使測算出來的果實大小的準確度較高，滿足農產品采后分選實際應用的要求，因此需要進行參數調優，選取最佳參數，讓檢測出來的邊緣更加地接近真實的果實邊緣，達到較高的檢測準確度。

為了測試并比較Canny、Sobel、Laplacian、Scharr這4種邊緣檢測算子應用于雞蛋果大小測量中的效果，基于40張雞蛋果圖像，在Visual Studio 2017集成開發環境下使用C++語言進行編程并調用OpenCV機器視覺庫[36]，分別使用4種算子對40個雞蛋果進行邊緣檢測，在此基礎上進行面積測算；每種算子在一定范圍內按照特定的步長變更參數進行自動調優（表2）；計算每一組參數下所測算出來的果實大小值MVFS（measured value of fruit size）與真實果實大小數據近似值AVRFS（approximate value of real fruit size）之間的比值，將該比值作為算法檢測的準確度誤差值AEV（accuracy error value），可用如下公式表示：

AEV= |AVRFS-MVFS|/AVRFS

表2 算法參數調優

使用SPSS軟件[37]對參數調優結果進行統計分析，比較分析參數調優數據，選出每一種算法的最佳邊緣檢測參數；使用SPSS軟件對4種算子的檢測準確度進行統計分析，比較分析4種算子的檢測準確度數據，選出檢測準確度最佳的算子；使用SPSS軟件對單果檢測所耗時間進行統計分析，比較分析4種算子的性能，選出單果檢測速度最快的算子。

2 結果與分析

2.1 4種算子邊緣檢測結果

果實的皺皮現象越嚴重邊緣檢測的難度也越大。1～40號果中1號、14號、35號這3個果皺皮現象較嚴重，可從圖像上較明顯顯示出邊緣檢測效果的好壞程度，故選取這3個果的邊緣檢測結果來展示圖像上直接可見的邊緣檢測的好壞程度。以下分別是1號、14號、35號雞蛋果邊緣檢測的試驗結果。

表3～表5檢測結果表明，分別使用Canny、Sobel、Laplacian、Scharr算子進行雞蛋果圖像邊緣檢測均可以得到邊緣比較完整且清晰的雞蛋果圖片，其中檢測最完整、準確度最高的算子是Canny算子。邊緣檢測的圖片是進一步進行大小檢測的重要依據。

2.2 4種算子參數自動調優結果

使用C++語言編程對4種算子進行參數自動調優，計算檢測準確度誤差值，使用SPSS軟件對參數調優結果進行方差分析（表6）。

由于Canny算子做了540次參數調優，組別過多，故不進行方差齊性檢驗；雖然方差分析要求各組方差整齊，但檢驗的時候各組數據數量是一樣的，故方差是否齊性影響很小。Canny、Sobel、Laplacian算子單因素方差分析的結果表明值=0<0.01，故認為不同參數之間對算法調優的影響具有極顯著差異。Scharr算子單因素方差分析的結果中=3.337>0.05表明存在一定的差異，但是由于值=1.000>0.05，故無顯著差異。因此取每一組數據的平均值進行比較，找出檢測最佳的參數。為了更直觀地對每組參數下檢測獲得的40個果實的平均值大小進行比較，對均值進行排序，并標注正負誤差線（圖2）。圖2結果表明Canny算子在（70, 105, 3）參數下；Sobel算子在（5, 0）參數下；Laplacian算子在（5, 0）參數下；Scharr算子在（10）參數下獲得的結果最優。由于經過從小到大排序，這幾組參數組合序號均為0。

對4種算子在最佳參數下的檢測準確度誤差值進行比較（圖3）。由圖3可知，Canny算子檢測的準確度誤差值數據分布最密集，準確度誤差值均值整體數值明顯低于其他算子，表明該算子檢測準確度最高。

表3 1號百香果邊緣檢測試驗結果

表4 14號百香果邊緣檢測試驗結果

表5 35號百香果邊緣檢測試驗結果

表6 4種算子參數調優結果方差分析

圖2 4種算子參數調優帶誤差線檢測準確度誤差值均值

圖3 4種算子最佳參數自動調優結果比較

2.3 算子檢測與果實實際大小近似值比較結果

選取最佳檢測參數，使用SPSS軟件對4種算子的檢測準確度進行單因素方差分析、方差齊性檢驗以及多重比較，統計分析的結果中值= 0<0.01，故4種算子檢測準確度之間方差齊性并且具有極顯著差異。表7對各種算子檢測準確度誤差值的最小值、最大值、平均值進行了比較，Canny算子的最小檢測誤差值為0.0012，最大檢測誤差值為0.0448，平均檢測誤差值為0.0160，均是4種算子中值最小，由此可見，Canny算子檢測準確度誤差值最小，是檢測最準確的算子。

2.4 不同算法的性能比較與評估結果

選取最佳檢測參數，使用SPSS軟件對單果檢測所耗時間進行單因素方差分析、方差齊性檢驗以及多重比較，比較4種算子的性能。統計分析結果中值=0<0.01，故4種算子單果檢測時間之間方差齊性并且具有極顯著差異。表8對各種算子檢測準確度誤差值的最小值、最大值、平均值進行比較，Canny算子單果檢測的程序最小運行時間為1.20 ms，程序最大運行時間為4.60 ms，程序平均運行時間為1.98 ms，均是4種算子中值最小的，由此可見Canny算子單果檢測時間最短。

表7 4種算子檢測準確度比較

表8 4種算子單果檢測時間比較

3 討論

大小測量是雞蛋果采后階段精細化分級的需求，是一個十分重要且不可或缺的環節，可間接增加果品的附加值，具有十分重要的意義。本研究選取40個表面具有一定皺皮現象的雞蛋果作為試驗材料，使用水果圖像獲取平臺獲取從頂端拍攝的40張雞蛋果圖像，針對40張雞蛋果圖像使用Canny、Sobel、Laplacian、Scharr 4種算子進行邊緣檢測，進行大小測算，并衡量了算法檢測的準確度；對4種算子的檢測參數進行自動調優，使用SPSS軟件對4種算子的最佳檢測參數、檢測準確度、檢測耗時進行統計分析。試驗結果表明，使用Canny、Sobel、Laplacian、Scharr算子在雞蛋果的采后階段進行大小測量可行，可滿足雞蛋果采后大小智能分選的實際需求。在測量過程中不同參數對檢測結果的影響具有差異性，因此，對4種算子進行參數調優，選取最佳參數進行邊緣檢測具有一定意義，Canny算子的最佳檢測參數為（70, 105, 3）；Sobel算子的最佳檢測參數為（5, 0）；Laplacian算子的最佳檢測參數為（5, 0）、Scharr 算子的最佳檢測參數為（10）。Canny算子的檢測準確度最佳，Laplacian算子其次，Scharr算子第三，Sobel算子最差。Canny算子的檢測性能最佳，Sobel算子其次，Laplacian算子第三，Scharr算子最差。本研究結果表明，使用Canny算子對雞蛋果進行大小測量可獲得較為良好的效果，與其他幾種邊緣檢測算子對比，檢測準確度最高，單果檢測速度也最快，且最佳檢測參數為（70, 105, 3）。

本研究結果對雞蛋果采后大小測量具有一定參考價值和良好的應用前景，但仍然存在研究的局限性，如測量方法仍然比較傳統等。如何改進測量方法，與分選設備進行對接，促進實際應用將是下一階段研究的重點。

[1] 楊 鋒, 黃永春, 何 仁, 任仙娥, 陳錦姬. 百香果加工適性的測定及提高其出汁率的研究[J]. 食品研究與開發, 2008, 29(5): 82-86.

YANG F, HUANG Y C, HE R, REN X E, CHEN J J. Determination of processing suitability of passion fruit and study on improving its juice yield[J]. Food Research and Development, 2008, 29(5): 82-86. (in Chinese)

[2] BARBOSA P R, VALVASSORI S S, BORDIGNON C L, KAPPEL V D, MARTINS M R, GAVIOLI E C, QUEVEDO J, REGINATTO F H. The aqueous extracts ofandreduce anxiety-related behaviors without affecting memory process in rats[J]. Journal of Medicinal Food, 2008, 2(11): 282-288.

[3] COLETA M, BATISTA M T, CAMPOS M G, CARVALHO R, COTRIM M D, DE LIMA T C M, DA CUNHA A P. Neuropharmacological evaluation of the putative anxiolytic effects ofSims, its sub-fractions and flavonoid constituents[J]. Phytotherapy Research, 2006, 12(20): 1067-1073.

[4] SENA L M, ZUCOLOTTO S M, REGINATTO F H, SCHENKEL E P, DE LIMA T C M. Neuropharmacological activity of the pericarp offlavicarpa degener: putative involvement of c-glycosylflavonoids[J]. Experimental Biology & Medicine, 2009, 234(8): 967-975.

[5] 林開顏, 吳軍輝. 基于計算機視覺的水果分級技術研究進展[J]. 信息化縱橫, 2009(10): 1-4.

LIN K Y, WU J H. Research progress of fruit grading technology based on computer vision[J]. Informatization Freely, 2009(10): 1-4. (in Chinese)

[6] 任永新, 單忠德, 張 靜, 戰 麗. 計算機視覺技術在水果品質檢測中的研究進展[J]. 中國農業科技導報, 2012, 14(1): 98-103.

REN Y X, SHAN Z D, ZHANG J, ZHAN L. Research progress of computer vision technology in fruit quality detection[J]. China Agricultural Science and Technology Guide, 2012, 14(1): 98-103. (in Chinese)

[7] 張書彥, 張文毅, 余山山, 付宇超. 圖像處理技術在信息農業中的應用現狀及發展趨勢[J]. 江蘇農業科學, 2017, 45(22): 9-13.

ZHANG S Y, ZHANG W Y, YU S S, FU Y C. Application status and development trend of image processing technology in information agriculture[J]. Jiangsu Agricultural Sciences, 2017, 45(22): 9-13. (in Chinese)

[8] 鄧 泓, 楊瀅婷, 劉志超, 彭瑩瓊. 基于實時數據的智能農業圖像處理系統的實現[J]. 數字技術與應用, 2019, 37(11): 160-161.

DENG H, YANG Y T, LIU Z C, PENG Y Q. Implementation of intelligent agricultural image processing system based on real-time data[J]. Digital Technology and Application, 2019, 37(11): 160-161. (in Chinese)

[9] 姚立健, 邊 起, 雷良育, 趙大旭. 基于BP神經網絡的水果分級研究[J]. 浙江農業學報, 2012, 24(5): 926-930.

YAO L J, BIAN Q, LEI L Y, ZHAO D Q. Research on fruit grading based on BP neural network[J]. Acta Agriculturae Zhejiangensis, 2012, 24(5): 926-930. (in Chinese)

[10] 周林妹. 數字圖像邊緣檢測算法及其在農產品加工中的應用[J]. 食品與機械, 2009, 25(3): 139-153.

ZHOU L M. Digital image edge detection algorithm and its application in agricultural product processing[J]. Food and Machinery, 2009, 25(3): 139-153. (in Chinese)

[11] 黃 鳳. 邊緣檢測算子在武夷巖茶圖像處理中的比較[J]. 廊坊師范學院學報(自然科學版), 2013, 13(4): 34-37.

HUANG F. Comparison of edge detection operators in Wuyi Rock Tea image processing[J]. Journal of Langfang Normal University (Natural Science Edition), 2013, 13(4): 34-37. (in Chinese)

[12] 劉 現, 蔡淑芳, 黃語燕. 基于Canny算子的福橘圖像邊緣檢測研究[J]. 東南園藝, 2018(6): 19-22.

LIU X, CAI S F, HUANG Y Y. Research on edge detection of Kumquat image based on Canny operator[J]. Southeast Horticulture, 2018(6): 19-22. (in Chinese)

[13] 朱培逸, 劉紅晴. 基于數學形態學圖像分割算法在水果分級中的應用[J]. 科學技術與工程, 2013, 13(34): 10375-10380.

ZHU P Y, LIU H Q. Application of image segmentation algorithm based on mathematical morphology in fruit grading[J]. Science Technology and Engineering, 2013, 13(34): 10375-10380. (in Chinese)

[14] 劉新庭, 匡迎春, 陳 熵, 歐明文, 曾文輝. 基于最小外接圓直徑的蘋果分級研究[J]. 中國農學通報, 2015, 31(20): 239-243.

LIU X T, KUANG Y C, CHEN S, OU M W, ZENG W H. Study on apple grading based on minimum circumscribed circle diameter[J]. Bulletin of Chinese Agronomy, 2015, 31(20): 239-243. (in Chinese)

[15] 崔 巍, 高 玨, 朱培逸, 徐金星, 鄧 婉. 基于機器視覺的金桔大小分級研究[J]. 常熟理工學院學報(自然科學), 2012, 26(4): 87-90.

CUI W, GAO J, ZHU P Y, XU J X, DENG W. Research on size classification of Kumquat based on machine vision[J]. Journal of Changshu Institute of Technology (Natural Science), 2012, 26(4): 87-90. (in Chinese)

[16] 黃 辰, 費繼友. 基于圖像特征融合的蘋果在線分級方法[J]. 農業工程學報, 2017, 33(1):285-291.

HUANG C, FEI J Y. Apple online grading method based on image feature fusion[J]. Journal of Agricultural Engineering, 2017, 33(1): 285-291. (in Chinese)

[17] SNEHA A, SANYAM A. A new approach for image steganography using edge detection method[J]. International Journal of Innovative Research in Computer and Communication Engineering, 2013, 1(3): 626-629.

[18] RASHMI, MUKESH K, ROHINI S. Algorithm and technique on various edge detection: a survey[J]. Signal & Image Processing, 2013, 4(3): 65-75.

[19] JAMAL R. A novel automatic object detection in images[J]. Current Research in Computer Science, 2013, 1(1): 1-4.

[20] LEEMANS V, DESTAIN M F. A real-time grading method of apples based on features extracted from defects[J]. Journal of Food Engineering, 2004(61): 83-89.

[21] DEVRIM U, BERNARD G, OLIVIER K, VINCENT L, MARIE-FRANCE D, OLIVIER D. Automatic grading of bicolored apples by multispectral machine vision[J]. Computer and Electronics in Agriculture, 2011(75): 204-212.

[22] HASSANKHANI R, NAVID H. Potato sorting based on size and color in machine vision system[J]. Journal of Agricultural Science, 2012, 4(5): 235-244.

[23] ABDOLLAH G, FARID B, HOSSEIN B. Design, development and evaluation of an online potato sorting system using machine vision[J]. International Journal of Agriculture and Crop Science, 2013, 6(7): 396-402.

[24] CANNY J. A computational approach to edge detection[J]. IEEE Trans Pattern Analysis and Machine Intelligence, 1986(12): 679-697.

[25] 林 雯. 邊緣檢測算子分析與比較[J]. 湖南工業職業技術學院學報, 2012, 12(5): 6-25.

LIN W. Analysis and comparison of edge detection operators[J]. Journal of Hunan Polytechnic College, 2012, 12(5): 6-25. (in Chinese)

[26] 周逢道, 馬 晨, 潘自超. 一種基于Sobel算子的星敏感器星圖預處理方法[J]. 導航定位與授時, 2021, 8(4): 98-106.

ZHOU F D, MA C, PAN Z C. A star map preprocessing method of star sensor based on Sobel operator[J]. Navigation, Positioning and Timing, 2021, 8(4): 98-106. (in Chinese)

[27] 馮 伍, 張俊蘭, 苗秋瑾. 幾種典型邊緣檢測算子的評估[J]. 電子設計工程, 2011, 19(4): 131-133.

FENG W, ZHANG J L, MIAO Q J. Evaluation of several typical edge detection operators[J]. Electronic Design Engineering, 2011, 19(4): 131-133. (in Chinese)

[28] 王文豪, 姜明新, 趙文東. 基于Canny算子改進的邊緣檢測算法[J]. 中國科技論文, 2017, 12(8): 910-915.

WANG W H, JIANG M X, ZHAO W D. Improved edge detection algorithm based on Canny operator[J]. Chinese Scientific Papers, 2017, 12(8): 910-915. (in Chinese)

[29] 李 靜, 陳桂芬, 丁小奇. 基于改進Canny算法的圖像邊緣檢測方法研究[J]. 計算機仿真, 2021, 38(4): 371-375.

LI J, CHEN G F, DING X Q. Research on image edge detection method based on improved Canny algorithm[J]. Computer Simulation, 2021, 38(4): 371-375. (in Chinese)

[30] 毛星云, 冷雪飛. OpenCV3編程入門[M]. 北京: 電子工業出版社, 2015.

MAO X Y, LENG X F. Introduction to OpenCV3 programming[M]. Beijing: Electronic Industry Press, 2015. (in Chinese)

[31] 歐溫暖. 幾種常見邊緣檢測算子的分析比較[J]. 現代計算機(專業版), 2010(5): 75-77.

OU W N. Analysis and comparison of several common edge detection operators[J]. Modern Computer (Professional Edition), 2010(5): 75-77. (in Chinese)

[32] 彭士有, 吳 潔, 彭 俊. 拉普拉斯邊緣檢測算法的改進及其在探地雷達中的應用[J]. 現代雷達, 2020, 42(8): 41-45.

PENG S Y, WU J, PENG J. Improvement of laplacian edge detection algorithm and its application on GPR[J]. Modern radar, 2020, 42(8): 41-45. (in Chinese)

[33] 杜 偉, 何毅斌, 吳林慧, 汪 強. 融合改進形態學和LOG算子的齒輪邊緣檢測[J]. 武漢工程大學學報, 2021, 43(6): 675-680.

DU W, HE Y B, WU L H, WANG Q. Gear edge detection based on improved morphology and LOG operator [J]. Journal of Wuhan University of Engineering, 2021, 43(6): 675-680. (in Chinese)

[34] 喬鬧生, 鄒北驥, 鄧 磊, 曾友兵, 鄒劍臣. 一種基于圖像融合的含噪圖像邊緣檢測方法[J]. 光電子激光, 2012, 23(11): 2215-2219.

QIAO N S, ZOU B J, DENG L, ZENG Y B, ZOU J C. An edge detection method of noisy image based on image fusion[J]. Photoelectron Laser, 2012, 23(11): 2215-2219. (in Chinese)

[35] 張澤泓, 楊成忠, 李廣亮. 交通標志邊緣檢測技術研究[J]. 杭州電子科技大學學報, 2014, 34(1): 83-86.

ZHANG Z H, YANG C Z, LI G L. Research on edge detection technology of traffic signs[J]. Journal of Hangzhou University of Electronic Science and Technology, 2014, 34(1): 83-86. (in Chinese)

[36] BRADSKI G, KAEHLER A. 學習OpenCV[M]. 北京: 清華大學出版社, 2009.

BRADSKI G, KAEHLER A. Learning OpenCV[M]. Beijing: Tsinghua University Press, 2009. (in Chinese)

[37] 武 松, 潘發明. SPSS統計分析大全[M]. 北京: 清華大學出版社, 2014.

WU S, PAN F M. SPSS statistical analysis[M]. Beijing: Tsinghua University Press, 2014. (in Chinese)

Comparative Study of Multiple Image Edge Detection Operators Applied to Size Measurement ofSims

LIU Xian, LIN Yingzhi

Digital Agriculture Research Institute, Fujian Academy of Agricultural Sciences, Fuzhou, Fujian 350003, China

Size measurement was a very important and indispensable link in the postpartum sorting stage of passion fruit. This paper described a variety of edge detection operators and image recognition steps based on edge detection algorithm. A fruit image acquisition platform was constructed by simulating fruit sorting site. In order to increase the difficulty, forty passion fruits with certain wrinkle on the surface were obtained by using fruit image acquisition platform and forty images shoot from the top were selected as the test material. Based on the Visual Studio 2017 integrated development environment, called the OpenCV 3.2.0 machine vision library, C++ programming language was used to detect the edge of forty passion fruit images by Canny, Sobel, Laplacian and Scharr operators. The size of passion fruit was measured by photoshop 7.0.1 software based on images as the approximation of real fruit size and according to the value to measure the detection accuracy of algorithm. The detection parameters of the four operators were automatically optimized, and the detection parameters of each operator, the detection accuracy of the four operators and the single fruit detection time were statistically analyzed by SPSS software. The test results showed that the measurement accuracy of passion fruit size using Canny operator under (70, 105, 3) parameters was the highest, the average time consumed of the single fruit measurement was 1.98 ms, it was the fastest of four operators, which can satisfy the actual demand for the intelligent sorting of passion fruit.

passion fruit (Sims); edge detection; operator

S667.9；TP391.4

A

10.3969/j.issn.1000-2561.2022.12.018

2022-03-09；

2022-04-07

福建省自然科學基金項目（No. 2020J011377）；智慧農林福建省高校重點實驗室開放基金項目（No. 2019LSAF01）；福建省智慧農業科技創新團隊項目（No. CXTD2021013-1）。

劉 現（1985—），女，碩士，助理研究員，研究方向：環境感知與智能控制。*通信作者（Corresponding author）：林營志（LIN Yingzhi），E-mail：LYNNET@163.com。