3、确定柑橘轮廓

基于OpenCV的边缘检测算法（部分代码见附录1）：用于描述柑橘轮廓，通过图像边缘部分来检测某些需要识别的特征图像。所谓边缘是指其周围像素灰度急剧变化的那些象素的集合，它是图像最基本的特征。边缘存在于目标、背景和区域之间，所以，它是图像分割所依赖的最重要的依据。因为边缘是位置的标志，对灰度的变化并不敏感，因此，边缘也是的重要的形象搭配特征。

边缘检测和区域划分是图像分割的两种不同的方法，二者具有相互补充的特点。在边缘检测中，是提取图像中不连续部分的特征，根据闭合的边缘确定区域。而在区域划分中，是把图像分割成特征相同的区域，区域之间的边界就是边缘。由于边缘检测方法不需要将图像逐个像素地分割，因此更适合大图像的分割。对于灰度值有明显的跳变情况时，这么做的结果使得该点的灰度值很大，可以判断柑橘表面的损坏程度从而进一步判断柑橘的优劣程度。边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了对于柑橘重要的表面结构属性。

4、确定柑橘优劣级别

基于MATLAB柑橘分类系统（部分代码见附录）：

基于matlab软件提供的函数下运行，并提供了GUI界面方便用户操作，将机械臂捕获的原始图片进行灰度化处理得出灰度图，在灰度图的基础上用中值法得出滤波图、二值图，之后将二值图的图象处理求得白色块面积，从而求出直径，获得得色率，依据事先设置好的参数归类，即可得出参考结论。

（三）柑橘溃疡病图像分类及检测

本研究采用了基于滑动窗口的方法，通过在图像上移动固定大小的窗口，对每个窗口中的图像进行分类和检测，最终确定是否存在柑橘溃疡病斑。

经过智能标注和卷积神经网络处理后，输出图像分类结果。

一、实验与结果分析

（一） 数据集介绍与实验环境介绍

1、数据集介绍

本研究采用公开数据集Citrus Canker Dataset，并进行了数据增强操作。该数据集包含了涵盖柑橘树生长周期的大量高质量图像，共计5938张，其中柑橘溃疡病图像占比为47%。数据集中涵盖了不同品种、不同生长阶段和不同光照条件下的柑橘树图像，具有较高的代表性和泛化能力。Citrus Canker Dataset中的图像均经过专业人员的标注和验证，并提供了相关的标签和元数据信息。该数据集可以用于训练和测试机器学习和深度学习模型，如卷积神经网络等，用于实现柑橘溃疡病的自动检测和分类。

2、运行环境

本实验运行环境的内容具体如下表展开介绍：

表 4 运行环境表