鸡蛋果大小测量的多种图像边缘检测算子对比

刘 现，林营志

鸡蛋果大小测量的多种图像边缘检测算子对比

刘 现，林营志*

福建省农业科学院数字农业研究所，福建福州 350003

大小测量是鸡蛋果采后分选阶段一个十分重要且不可或缺的环节。阐述多种边缘检测算子以及基于边缘检测算法的图像识别步骤，模拟鸡蛋果采后大小测量分选现场，构建一个水果图像获取平台。为增加难度，选取40个表面具有一定皱皮现象的鸡蛋果，使用水果图像获取平台获取从顶端拍摄的40张鸡蛋果图像作为试验材料。基于Visual Studio 2017集成开发环境，调用OpenCV 3.2.0机器视觉库，采用C++编程语言，针对40张鸡蛋果图像，使用4种算子Canny、Sobel、Laplacian、Scharr进行边缘检测；使用Photoshop 7.0.1软件基于图像测算鸡蛋果大小作为真实果实大小数据的近似值，参照该数值衡量算法检测的准确度；对4种算子的检测参数进行自动调优，依次使用SPSS软件对每一种算子的检测参数、4种算子的检测准确度及单果检测时间进行统计分析。试验结果表明：使用Canny算子在（70, 105, 3）参数下进行鸡蛋果大小测量时，与其他几种算子比较，测量准确度最高，单果测量平均用时为1.98 ms，也是4种算子中最快的，可满足于鸡蛋果采后大小智能分选的实际需求。

鸡蛋果；边缘检测；算子

鸡蛋果（Sims），又名百香果、西番莲，属西番莲科（Passifloraceae）西番莲属（）的一种热带多年生草质藤本常绿果树，原产于夏威夷，我国主要分布在台湾、广西、云南、福建等省（区）[1]。鸡蛋果的果实和果汁富含维生素、矿物质，具有清热降火、止泻、驱虫等的功效，此外，百香果及其副产物（果叶、果皮、种籽）具有一定的药用价值，有抗疲劳、焦虑、抗成瘾、降血压、抗炎等功能[2-4]，因此深受消费者喜爱。目前鸡蛋果采后分选大多采用人工挑选以及机械分选的方法。人工挑选方法劳动强度大，劳动力成本高，分选的结果受人类主观因素影响大，工作效率十分低下[5]；机械分选方法主要是通过设计专用机械结构来检测水果的大小和重量，而无法对水果的颜色、纹理和表面缺陷等做出评价，设备专用性强，利用率低，检测时水果常发生碰撞，容易导致水果的损伤[6]。

在计算机技术迅猛发展的背景下，计算机农业图像处理技术作为新型计算机综合性交叉学科之一，其技术特点是利用计算机技术对传感器采集到的图像进行降噪、排除干扰、信息提取[7]。其本质上是利用计算机模拟人眼对农田系统进行初步的信息采集与筛选，将农田的实时图像转化成实时数据传输给农业系统[8]。将计算机图像处理技术用于水果等级划分，可提高分级的精度和速度，降低劳动强度[9]。图像边缘检测在农业检测中的研究十分广泛，覆盖了部分农产品的大小、形状、质量及缺陷检测，其步骤都是先进行数字图像边缘提取，然后对提取的边缘进行分析，最后通过数学工具映射农产品的大小、形状、质量及缺陷[10]，因此，图像边缘检测对农产品的大小等各项指标的检测十分重要。

近年来，不少国内外学者将边缘检测算子应用于图像处理研究，运用机器视觉技术对水果加以分选。黄凤[11]结合武夷岩茶弯曲度大的特点，采用roberts等5种经典算子来检测茶叶图像边缘并通过实验结果来比较这5种算子的区别；刘现等[12]基于Canny算子进行了福橘图像边缘检测的研究；朱培逸等[13]运用基于机器视觉的水果品质分级系统，实现水果的动态检测；刘新庭等[14]设计了一套基于图像处理的苹果大小分选系统，试验表明，分选的正确率为96.67％；崔巍等[15]用CCD摄像机获取金桔的样本图像，基于图像采用机器视觉技术进行自动大小分级；黄辰等[16]借助机器视觉技术动态采集苹果传输过程中的实时图像，提出改进的三层Canny边缘检测算法来提取苹果轮廓以克服采集图像中的光线噪声影响，采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级；SNEHA等[17]使用边缘检测方法研究图像中隐藏的信息；RASHMI等[18]研究了多种边缘检测的算法和技术；JAMAL[19]提出了一种新的对图像进行自动目标检测的方法；LEEMANS等[20]以苹果的缺陷颜色、形状、纹理、位置等信息为特征，利用-均值聚类和主分量分析相结合的方法对苹果进行分类；DEVRIM等[21]使用机器视觉方法进行柑橘在线检测时，在单一像素下分割出有缺陷部分并提取特征值，用统计和结构方法加以分级；HASSANKHANI等[22]通过机器视觉系统获取马铃薯图像，提取图像周长和面积信息，通过设置阈值对马铃薯进行分级；ABDOLLAH等[23]开发了一套基于机器视觉框架的马铃薯实时自动分级系统，对传动进给系统、光照系统、视觉系统进行了优化配置设计，在每秒2个马铃薯的速度下，分级精度可达97.4%。

本研究立足于边缘检测算法的原理，将4种边缘检测算子应用于鸡蛋果大小测量进行对比研究，并对边缘检测算子的参数进行自动调优，选取最佳参数进行边缘检测，并对算子的检测准确度以及算子的性能进行比较，实验结果表明，使用Canny算子在（70, 105, 3）参数下进行鸡蛋果大小测量时测量准确度为4种算子中最高，获得结果最接近真实果实大小，测量速度也为4种算子中最快，可满足鸡蛋果采后大小智能分选的实际需求。

1 材料与方法

1.1 材料

1.1.1 植物材料 实验选用的鸡蛋果于2017年7月购自福建福州超市，从中选取40个鸡蛋果，将其编号为1～40，作为实验材料。为了增加大小测量的难度，将其放置在室温下10 d，10 d后鸡蛋果产生了不同程度的皱皮现象。

1.1.2 仪器设备 模拟水果分选现场自主构建一个水果图像获取平台。使用柔光箱，箱内具有单一的白色背景环境；使用LED18W灯条2根，构建稳定柔和的图像拍摄光源环境；使用3个Logitech C100 M/N:V-U0013高清摄像头，可满足顶端、左侧面、右侧面图像采集需求且具有较高的清晰度。

1.2 方法

1.2.1 鸡蛋果图像采集 选取编号为1～40的40个具有一定皱皮现象的鸡蛋果，将其逐个放置在自主研制的图像采集装置内进行图像采集，从顶端采集鸡蛋果图像40张作为试验材料，图像采集时间为2017年7月21日上午9：00—10：00。为了去除背景的干扰，因此对采集到的40张图像进行统一裁切处理后再进行后续图像处理与计算，裁切处理后的图像分辨率为100×100 px。

1.2.2 鸡蛋果大小近似数据采集 为验证边缘检测算法测算出的果实大小数据的真实性与有效性，使用Photoshop 7.0.1图像处理软件基于40张试验图像勾勒出果实的边缘，获取边缘内部的面积像素值，以此作为真实果实大小数据的近似值并以此为依据对边缘检测算法测算出来的数据进行比较，评估算法检测的准确度。

1.2.3 果实大小检测 边缘检测是使用一种算法来提取出对象和背景图像之间的边界，这种边界称之为边界线。在提取过程中，尽可能使定义的边界边缘具有更明显的变化[24]。经典的基于一阶导数进行边缘检测的算子包括Sobel、Prewitt、Roberts、Canny、Scharr，经典的基于二阶导数进行边缘检测的算子包括Laplacian、Log[25]。这几种算子具有各自的优缺点（表1）。

边缘检测一般可分为4个阶段：滤波、增强、检测、定位（图1），它的实质是采用某种算法提取出图像中对象与背景之间的交界线[34]。

表1 边缘检测算子对比

图1 基于边缘检测算法的图像识别步骤

（1）滤波。边缘检测的算法主要是基于图像强度的一阶和二阶导数，但导数通常对噪声很敏感[35]。因此在获得图像以后首先要对图像进行降噪处理，提高边缘检测的效果[30]。通常使用滤波器来对图像进行降噪，常用的滤波方法主要有高斯滤波、中值滤波、均值滤波、方框滤波等[35]。

（2）增强。利用增强算法来提高图像的对比度和清晰度[30]。增强算法可以将图像灰度点领域强度值有显著变化的点凸显出来[35]。

（3）检测。对滤波增强后的图像进行一阶和二阶微分运算，求得二阶导数过零点和一阶梯度最大值，再通过选取适当的阈值来判定边缘，确定边界点[30]。

（4）定位。经过滤波、增强、检测后确定边缘的位置和方向[30]。

选取40张鸡蛋果图片使用4种算子进行边缘检测，在使用Sobel、Laplacian、Scharr这3种算子在边缘检测过程中将图像进行了转换处理，分别转换为灰度图像与二值图像，而Canny算子在边缘检测过程中不需要将图像进行转换处理。在使用边缘检测算子进行检测时涉及多种参数，比如threshold、ksize、apertureSize、delta等参数，threshold表示滞后性阈值，一般来说有2个阈值，小者用于边缘连接，大者用于控制强边缘的初始段；ksize是一个奇数，表示滤波核的宽和高（以像素为单位）；apertureSize表示算子的孔径大小；delta表示在检测结果存入目标图之前可选的值，参数取值不同得到的检测结果也会有较大差异。用于边缘检测的算子中参数的选取关系到边缘检测的效果的优劣，为了使测算出来的果实大小的准确度较高，满足农产品采后分选实际应用的要求，因此需要进行参数调优，选取最佳参数，让检测出来的边缘更加地接近真实的果实边缘，达到较高的检测准确度。

为了测试并比较Canny、Sobel、Laplacian、Scharr这4种边缘检测算子应用于鸡蛋果大小测量中的效果，基于40张鸡蛋果图像，在Visual Studio 2017集成开发环境下使用C++语言进行编程并调用OpenCV机器视觉库[36]，分别使用4种算子对40个鸡蛋果进行边缘检测，在此基础上进行面积测算；每种算子在一定范围内按照特定的步长变更参数进行自动调优（表2）；计算每一组参数下所测算出来的果实大小值MVFS（measured value of fruit size）与真实果实大小数据近似值AVRFS（approximate value of real fruit size）之间的比值，将该比值作为算法检测的准确度误差值AEV（accuracy error value），可用如下公式表示：

AEV= |AVRFS-MVFS|/AVRFS

表2 算法参数调优

使用SPSS软件[37]对参数调优结果进行统计分析，比较分析参数调优数据，选出每一种算法的最佳边缘检测参数；使用SPSS软件对4种算子的检测准确度进行统计分析，比较分析4种算子的检测准确度数据，选出检测准确度最佳的算子；使用SPSS软件对单果检测所耗时间进行统计分析，比较分析4种算子的性能，选出单果检测速度最快的算子。

2 结果与分析

2.1 4种算子边缘检测结果

果实的皱皮现象越严重边缘检测的难度也越大。1～40号果中1号、14号、35号这3个果皱皮现象较严重，可从图像上较明显显示出边缘检测效果的好坏程度，故选取这3个果的边缘检测结果来展示图像上直接可见的边缘检测的好坏程度。以下分别是1号、14号、35号鸡蛋果边缘检测的试验结果。

表3～表5检测结果表明，分别使用Canny、Sobel、Laplacian、Scharr算子进行鸡蛋果图像边缘检测均可以得到边缘比较完整且清晰的鸡蛋果图片，其中检测最完整、准确度最高的算子是Canny算子。边缘检测的图片是进一步进行大小检测的重要依据。

2.2 4种算子参数自动调优结果

使用C++语言编程对4种算子进行参数自动调优，计算检测准确度误差值，使用SPSS软件对参数调优结果进行方差分析（表6）。

由于Canny算子做了540次参数调优，组别过多，故不进行方差齐性检验；虽然方差分析要求各组方差整齐，但检验的时候各组数据数量是一样的，故方差是否齐性影响很小。Canny、Sobel、Laplacian算子单因素方差分析的结果表明值=0<0.01，故认为不同参数之间对算法调优的影响具有极显著差异。Scharr算子单因素方差分析的结果中=3.337>0.05表明存在一定的差异，但是由于值=1.000>0.05，故无显著差异。因此取每一组数据的平均值进行比较，找出检测最佳的参数。为了更直观地对每组参数下检测获得的40个果实的平均值大小进行比较，对均值进行排序，并标注正负误差线（图2）。图2结果表明Canny算子在（70, 105, 3）参数下；Sobel算子在（5, 0）参数下；Laplacian算子在（5, 0）参数下；Scharr算子在（10）参数下获得的结果最优。由于经过从小到大排序，这几组参数组合序号均为0。

对4种算子在最佳参数下的检测准确度误差值进行比较（图3）。由图3可知，Canny算子检测的准确度误差值数据分布最密集，准确度误差值均值整体数值明显低于其他算子，表明该算子检测准确度最高。

表3 1号百香果边缘检测试验结果

表4 14号百香果边缘检测试验结果

表5 35号百香果边缘检测试验结果

表6 4种算子参数调优结果方差分析

图2 4种算子参数调优带误差线检测准确度误差值均值

图3 4种算子最佳参数自动调优结果比较

2.3 算子检测与果实实际大小近似值比较结果

选取最佳检测参数，使用SPSS软件对4种算子的检测准确度进行单因素方差分析、方差齐性检验以及多重比较，统计分析的结果中值= 0<0.01，故4种算子检测准确度之间方差齐性并且具有极显著差异。表7对各种算子检测准确度误差值的最小值、最大值、平均值进行了比较，Canny算子的最小检测误差值为0.0012，最大检测误差值为0.0448，平均检测误差值为0.0160，均是4种算子中值最小，由此可见，Canny算子检测准确度误差值最小，是检测最准确的算子。

2.4 不同算法的性能比较与评估结果

选取最佳检测参数，使用SPSS软件对单果检测所耗时间进行单因素方差分析、方差齐性检验以及多重比较，比较4种算子的性能。统计分析结果中值=0<0.01，故4种算子单果检测时间之间方差齐性并且具有极显著差异。表8对各种算子检测准确度误差值的最小值、最大值、平均值进行比较，Canny算子单果检测的程序最小运行时间为1.20 ms，程序最大运行时间为4.60 ms，程序平均运行时间为1.98 ms，均是4种算子中值最小的，由此可见Canny算子单果检测时间最短。

表7 4种算子检测准确度比较

表8 4种算子单果检测时间比较

3 讨论

大小测量是鸡蛋果采后阶段精细化分级的需求，是一个十分重要且不可或缺的环节，可间接增加果品的附加值，具有十分重要的意义。本研究选取40个表面具有一定皱皮现象的鸡蛋果作为试验材料，使用水果图像获取平台获取从顶端拍摄的40张鸡蛋果图像，针对40张鸡蛋果图像使用Canny、Sobel、Laplacian、Scharr 4种算子进行边缘检测，进行大小测算，并衡量了算法检测的准确度；对4种算子的检测参数进行自动调优，使用SPSS软件对4种算子的最佳检测参数、检测准确度、检测耗时进行统计分析。试验结果表明，使用Canny、Sobel、Laplacian、Scharr算子在鸡蛋果的采后阶段进行大小测量可行，可满足鸡蛋果采后大小智能分选的实际需求。在测量过程中不同参数对检测结果的影响具有差异性，因此，对4种算子进行参数调优，选取最佳参数进行边缘检测具有一定意义，Canny算子的最佳检测参数为（70, 105, 3）；Sobel算子的最佳检测参数为（5, 0）；Laplacian算子的最佳检测参数为（5, 0）、Scharr 算子的最佳检测参数为（10）。Canny算子的检测准确度最佳，Laplacian算子其次，Scharr算子第三，Sobel算子最差。Canny算子的检测性能最佳，Sobel算子其次，Laplacian算子第三，Scharr算子最差。本研究结果表明，使用Canny算子对鸡蛋果进行大小测量可获得较为良好的效果，与其他几种边缘检测算子对比，检测准确度最高，单果检测速度也最快，且最佳检测参数为（70, 105, 3）。

本研究结果对鸡蛋果采后大小测量具有一定参考价值和良好的应用前景，但仍然存在研究的局限性，如测量方法仍然比较传统等。如何改进测量方法，与分选设备进行对接，促进实际应用将是下一阶段研究的重点。

[1] 杨 锋, 黄永春, 何 仁, 任仙娥, 陈锦姬. 百香果加工适性的测定及提高其出汁率的研究[J]. 食品研究与开发, 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] 林开颜, 吴军辉. 基于计算机视觉的水果分级技术研究进展[J]. 信息化纵横, 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, 单忠德, 张 静, 战 丽. 计算机视觉技术在水果品质检测中的研究进展[J]. 中国农业科技导报, 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] 张书彦, 张文毅, 余山山, 付宇超. 图像处理技术在信息农业中的应用现状及发展趋势[J]. 江苏农业科学, 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] 邓 泓, 杨滢婷, 刘志超, 彭莹琼. 基于实时数据的智能农业图像处理系统的实现[J]. 数字技术与应用, 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, 边 起, 雷良育, 赵大旭. 基于BP神经网络的水果分级研究[J]. 浙江农业学报, 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. 数字图像边缘检测算法及其在农产品加工中的应用[J]. 食品与机械, 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] 黄 凤. 边缘检测算子在武夷岩茶图像处理中的比较[J]. 廊坊师范学院学报(自然科学版), 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] 刘 现, 蔡淑芳, 黄语燕. 基于Canny算子的福橘图像边缘检测研究[J]. 东南园艺, 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, 刘红晴. 基于数学形态学图像分割算法在水果分级中的应用[J]. 科学技术与工程, 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] 刘新庭, 匡迎春, 陈 熵, 欧明文, 曾文辉. 基于最小外接圆直径的苹果分级研究[J]. 中国农学通报, 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 珏, 朱培逸, 徐金星, 邓 婉. 基于机器视觉的金桔大小分级研究[J]. 常熟理工学院学报(自然科学), 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] 黄 辰, 费继友. 基于图像特征融合的苹果在线分级方法[J]. 农业工程学报, 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. 边缘检测算子分析与比较[J]. 湖南工业职业技术学院学报, 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, 马 晨, 潘自超. 一种基于Sobel算子的星敏感器星图预处理方法[J]. 导航定位与授时, 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] 冯 伍, 张俊兰, 苗秋瑾. 几种典型边缘检测算子的评估[J]. 电子设计工程, 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, 赵文东. 基于Canny算子改进的边缘检测算法[J]. 中国科技论文, 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 静, 陈桂芬, 丁小奇. 基于改进Canny算法的图像边缘检测方法研究[J]. 计算机仿真, 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, 冷雪飞. OpenCV3编程入门[M]. 北京: 电子工业出版社, 2015.

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

[31] 欧温暖. 几种常见边缘检测算子的分析比较[J]. 现代计算机(专业版), 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, 吴 洁, 彭 俊. 拉普拉斯边缘检测算法的改进及其在探地雷达中的应用[J]. 现代雷达, 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 伟, 何毅斌, 吴林慧, 汪 强. 融合改进形态学和LOG算子的齿轮边缘检测[J]. 武汉工程大学学报, 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] 乔闹生, 邹北骥, 邓 磊, 曾友兵, 邹剑臣. 一种基于图像融合的含噪图像边缘检测方法[J]. 光电子激光, 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] 张泽泓, 杨成忠, 李广亮. 交通标志边缘检测技术研究[J]. 杭州电子科技大学学报, 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. 学习OpenCV[M]. 北京: 清华大学出版社, 2009.

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

[37] 武 松, 潘发明. SPSS统计分析大全[M]. 北京: 清华大学出版社, 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

福建省自然科学基金项目（No. 2020J011377）；智慧农林福建省高校重点实验室开放基金项目（No. 2019LSAF01）；福建省智慧农业科技创新团队项目（No. CXTD2021013-1）。

刘 现（1985—），女，硕士，助理研究员，研究方向：环境感知与智能控制。*通信作者（Corresponding author）：林营志（LIN Yingzhi），E-mail：LYNNET@163.com。