بینایی کامپیوتری در تشخیص نقص و عیوب سطحی روی سطح مرکباتی مانند پرتقال، با استفاده از مقایسه الگوریتم های تقسیم بندی محلی

تشخیص خودکار مرکبات دارای عیب، توسط سیستم بینایی کامپیوتری به دلیل توزیع سبکی نابرابر روی سطح پرتغال، چندان آسان نیست. این بدان معنی است که این روش‌ها تنها به طور مستقیم از الگوریتم قطعه‌بندی یا تقسیم بندی جهانی استفاده می‌کنند زمانی که تصاویر پرتقال، کاراکتر نقص ضعیف یا سطح ناهمگن را ارائه می‌کنند. کنتراست و مقایسه بین مناطق بررسی شده و معیوب می‌تواند برای ایجاد نتایج بخش‌بندی دقیق‌تر مورد استفاده قرار گیرد، که بیشتر قادر به تشخیص میزان پیکسل در اطراف مرزهای عیوب روی سطح پرتقال بر پایه روش قطعه‌بندی محلی است. در این مقاله، ما یک الگوریتم قطعه‌بندی محلی پنجره ای را مقایسه کردیم و همچنین روش پردازش تصویر دقیقی از جمله حذف پیکسل های پس‌زمینه، کاهش اندازه تصویر، اصلاح مورفولوژیک تصویر، حذف پیکسل های انتهایی برای تشخیص نقص سطح در یک تصویر سطح خاکستری پرتقال ارائه می‌دهیم. این روش سهمی از تحقیقات اصلی است که امکان قطعه‌بندی موفق انواع مختلف نقص‌ها و عیوب سطح را فراهم می‌کند (‏به عنوان مثال، صدمه ناشی از خوردگی حشرات، آسیب های ناشی از وزش بادهای تند، آفتاب سوختگی، سمیت بیولوژیکی )‏. الگوریتم

Automatic detection of defective oranges by computer vision system is not easy because of the uneven lightness distribution on the surface of oranges. It means that the methods only directly using global segmentation provide unsatisfactory results when orange images present faint defect characters or inhomogeneous surface. The contrast between sound and defective regions can be used to produce more accurate segmentation results, which is more capable of detecting pixels lying around the defect boundary on orange surface based on the local segmentation method. In this paper, we study and propose a sliding comparison window local segmentation algorithm and also presents the detailed image processing procedure including removal of background pixels, image binarization using local segmentation, image subtraction, image morphological modification, removal of stem end pixels for detecting surface defect in an orange gray-level image. This method is an original contribution that allows succes