【水果识别】基于机器视觉苹果和香蕉的成熟度和大小检测附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥内容介绍

一、引言：机器视觉在水果检测中的应用价值

在现代农业与智能零售领域，水果的成熟度和大小是决定其品质、价格及货架期的关键指标。传统人工检测效率低、主观性强，而基于机器视觉的检测技术通过模拟人类视觉感知，结合图像处理与深度学习算法，可实现对苹果、香蕉等水果的自动化、高精度检测。本文将从技术原理、核心算法、实战流程及应用场景等维度，解析如何利用机器视觉构建水果检测系统。

二、技术原理：从图像采集到特征解析的核心逻辑

（一）图像采集与预处理技术

硬件配置要点采用高分辨率摄像头（如 500 万像素以上）搭配均匀 LED 光源，避免反光与阴影干扰。针对苹果和香蕉的颜色特性，光源优选白色或近红外光谱，确保果皮颜色特征的准确捕捉。在实际操作中，500 万像素的摄像头能够捕捉到水果表面更细微的纹理和色泽变化，为后续分析提供丰富的数据基础。例如，在检测苹果表面的果锈或香蕉表皮的黑斑时，高分辨率图像能清晰呈现其形状和大小。而均匀的 LED 光源则可保证整个水果表面光照一致，防止因局部过亮或过暗导致检测误差。

预处理关键步骤颜色空间转换：将 RGB 图像转为 HSV 或 Lab 空间，增强颜色对比度。例如，苹果成熟度相关的红色分量在 HSV 的 H 通道更易分离，香蕉的黄色与斑点在 RGB 转灰度图后通过阈值分割可突出纹理。以苹果为例，在 RGB 颜色空间中，红色、绿色和蓝色分量相互交织，难以精准提取与成熟度相关的红色信息。而转换到 HSV 空间后，H 通道（色调）能够直接反映颜色的种类，成熟苹果的红色在 H 通道有特定的取值范围，通过设定合适阈值，可轻松分离出红色区域，便于计算红色占比等成熟度指标。对于香蕉，将 RGB 图像转换为灰度图后，利用阈值分割技术，可使香蕉表皮的斑点与周围正常表皮形成鲜明对比，凸显纹理特征，有助于后续对斑点面积率、密度等参数的计算 。

降噪与增强：使用高斯模糊（GaussianBlur）去除图像噪声，结合自适应直方图均衡化（CLAHE）提升局部对比度，为后续特征提取奠定基础。水果在采集图像过程中，由于环境干扰、摄像头传感器的电子噪声等因素，图像中不可避免会出现噪点。高斯模糊通过对图像中每个像素点及其邻域像素进行加权平均，能够有效平滑图像，去除高频噪声，使图像变得更加柔和。而自适应直方图均衡化（CLAHE）则是针对传统直方图均衡化在增强图像全局对比度时可能丢失局部细节的问题而提出的。CLAHE 将图像划分为多个小块，对每个小块分别进行直方图均衡化，从而能够在增强局部对比度的同时，保留图像的细节信息。比如，在检测苹果果皮粗糙度时，经过 CLAHE 处理后的图像，其表面纹理细节更加清晰，利用灰度共生矩阵计算对比度时，结果将更加准确。

（二）成熟度与大小检测的核心特征

在苹果成熟度检测中，红色占比越高、绿色残留度越低，通常表示苹果越成熟；圆形度越接近 1，说明苹果形状越规则；果皮粗糙度低，表明苹果表皮光滑，品质较好。而对于香蕉，黄色饱和度高、斑点面积率和密度低，意味着香蕉成熟度佳；弯曲度和长度 / 直径比则反映了香蕉的生长形态 。这些特征相互关联又各有侧重，共同构成了机器视觉检测水果成熟度和大小的关键依据。

三、核心技术解析：从传统算法到深度学习的融合应用

（一）传统图像处理：快速检测的基石

1. 二值化与轮廓提取：在传统图像处理中，二值化是将水果从背景中分离的关键步骤。Otsu 算法，作为一种经典的自动阈值选择方法，基于图像的灰度直方图，通过最大化前景与背景的类间方差来确定最佳分割阈值。在 Python 的 OpenCV 库中，可以使用cv2.threshold函数并指定cv2.THRESH_OTSU标志来实现 Otsu 二值化 。以苹果图像为例，当采用逆向二值化（THRESH_BINARY_INV）时，果肉部分会呈现为白色，而背景则变为黑色，这种清晰的黑白对比为后续的轮廓查找提供了便利。使用cv2.findContours函数能够准确找到苹果的轮廓，进而通过计算轮廓的外接矩形（bounding box），我们可以轻松获取苹果的宽度、高度等大小参数 。这些参数在水果分级、包装设计等实际应用中具有重要价值，例如根据苹果的大小进行精准的包装匹配，既能节省包装材料，又能确保运输过程中水果的安全。

2. 颜色阈值分割：对于香蕉成熟度的检测，颜色阈值分割发挥着关键作用。香蕉在成熟过程中，其表皮颜色会从绿色逐渐转变为黄色，同时可能出现黑色斑点。利用 HSV 颜色空间中黄色的范围（H: 20 - 35, S: 50 - 255, V: 50 - 255），我们可以有效地分割出香蕉的果肉部分。具体实现时，将 RGB 图像转换为 HSV 图像后，通过设置合适的阈值，筛选出符合黄色范围的像素，从而得到香蕉果肉的二值图像。为了进一步检测香蕉的成熟度，我们可以将图像转换为灰度图，此时成熟香蕉上的黑色斑点区域灰度值较低，易于检测。结合形态学运算中的膨胀和腐蚀操作，可以去除图像中的噪声，使斑点更加清晰。最后，通过统计斑点的数量与面积，我们能够量化香蕉的成熟度。例如，当斑点面积率超过一定阈值时，可以判断香蕉已经过度成熟，不适合长期储存和销售 。这种基于颜色阈值分割和形态学运算的方法，在实际应用中能够快速、有效地对香蕉的成熟度进行初步判断，为水果的质量控制提供了有力支持。

⛳️ 运行结果

📣 部分代码

figure(7);

imhist(grayIm1);

ylim([0 1000]);

title('Histrogram of new Grayscale Image');

alpha = 20; % Threshold for extracting the red components

count = 1;

count1 = 1;

% iterate through the grayscale image

for i = 1:M

for j = 1:N

if(grayIm1(i,j)>alpha && grayIm1(i,j)<alpha + 120)% 20 < grayIm1[i][j] <140

count = count + 1; % red components

elseif(grayIm1(i,j)>alpha+120) % >140

count1 = count1 + 1; %bright pixels ->non-red

end

end

end

figure(8);

imshow(Im2); % Display Result

R = count/count1; % ratio = red components / non red components

if(R>10)

title('Result - Rotten')

disp('Rotten Apple');

else

if (R>1)

title('Result - Ripe');

disp('Ripe Apple');

else

if(R<1)

title('Result - Unripe');

disp('Unripe Apple');

end

end

end

end

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

👇 关注我领取海量matlab电子书和数学建模资料

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化

电力系统核心问题经济调度：机组组合、最优潮流、安全约束优化。新能源消纳：风光储协同规划、弃风弃光率量化、爬坡速率约束建模多能耦合系统：电-气-热联合调度、P2G与储能容量配置新型电力系统关键技术灵活性资源：虚拟电厂、需求响应、V2G车网互动、分布式储能优化稳定与控制：惯量支撑策略、低频振荡抑制、黑启动预案设计低碳转型：碳捕集电厂建模、绿氢制备经济性分析、LCOE度电成本核算风光出力预测：LSTM/Transformer时序预测、预测误差场景生成（GAN/蒙特卡洛）不确定性优化：鲁棒优化、随机规划、机会约束建模能源流分析、PSASP复杂电网建模，经济调度，算法优化改进，模型优化，潮流分析，鲁棒优化，创新点，文献复现微电网配电网规划，运行调度，综合能源，混合储能容量配置，平抑风电波动，多目标优化，静态交通流量分配，阶梯碳交易，分段线性化，光伏混合储能VSG并网运行，构网型变流器， 虚拟同步机等包括混合储能HESS：蓄电池+超级电容器，电压补偿,削峰填谷，一次调频，功率指令跟随，光伏储能参与一次调频，功率平抑，直流母线电压控制；MPPT最大功率跟踪控制，构网型储能，光伏，微电网调度优化，新能源，虚拟同同步机，VSG并网，小信号模型

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码