CN101271522A - 一种大米中黄粒米的自动识别方法 - Google Patents
一种大米中黄粒米的自动识别方法 Download PDFInfo
- Publication number
- CN101271522A CN101271522A CNA2008101120842A CN200810112084A CN101271522A CN 101271522 A CN101271522 A CN 101271522A CN A2008101120842 A CNA2008101120842 A CN A2008101120842A CN 200810112084 A CN200810112084 A CN 200810112084A CN 101271522 A CN101271522 A CN 101271522A
- Authority
- CN
- China
- Prior art keywords
- rice
- kernel
- yellow
- grain
- threshold value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了属于计算机图像处理技术领域一种黄粒米自动识别的方法,包括:将米样置于图像采集器中,采集原始图像信息;读取原始图像信息,分离背景和米样;读取每粒大米的原始色度信息R、G、B值,通过理想颜色模型XYZ,将R、G、B色度值转化为均匀颜色模型色度值L*a*b*;选择判定特征色度值b*,若每粒大米的所有像素中特征色度值b*超过色度阈值,且所占比例大于面积阈值时,判定该大米为黄粒米。其中色度阈值和面积阈值由操作者根据大米的品种和产地,自行设定。本发明所述方法可以广泛应用于在稻谷现场收购与市场交易中对大米品质的检测过程,使检测快速、客观、准确。
Description
技术领域
本发明属于计算机图像处理技术领域,特别涉及一种大米中黄粒米的自动识别方法。
背景技术
黄粒米是将糙米磨成精度为国家标准一等大米时,胚乳呈黄色,与正常米粒色泽明显不同的颗粒,黄粒米重量占试样重量的百分率称为黄粒米率。国家标准GB/T 17891-1999《优质稻谷》规定黄粒米的检测按国家标准GB 1350-1999《稻谷》规定方法进行检测,而国家标准GB 1350-1999《稻谷》中并没有黄粒米检测方法的阐述,指出,黄粒米检测按国家标准GB 5496-1985《粮食、油料检验黄粒米及裂纹粒检验法》进行。
国家标准GB 5496-1985《粮食、油料检验黄粒米及裂纹粒检验法》规定黄粒米检测方法为:稻谷经检验出糙率以后,将其糙米试样用小型碾米机碾磨至近似标准二等米的精度,除去糠粉,称重W,作为试样重量,再按规定拣出黄粒米,称重W1。稻谷黄粒米含量按公式计算:黄粒米(%)=(W1/W)×100%。其中黄粒米的识别方式为:分取大米试样约50g或在检验碎米的同时,按规定拣出黄粒米,其捡出的依据完全依靠人眼进行。这种方法由于检测时间长、主观性强、准确性低,可操作性、重复性差,且易受环境影响等缺陷难以满足在稻谷现场收购和市场交易中对品质检测快速、客观、准确性高的要求。
针对上述问题本发明提出了基于L*a*b*颜色模型的黄粒米检测方法,将计算机图像处理技术引入稻谷质量评定,使检测技术准确、客观、可操作性强、自动化程度高。
发明内容
本发明提供了一种基于L*a*b*颜色模型的黄粒米自动识别的方法,其特征在于包括下列步骤:
获取米粒图像信息;
分析米粒色度信息;
识别黄粒米。
所述获取米粒图像信息具体包括下列步骤:
将一定数量的米样置于图像采集器中,采集原始图像信息;
读取原始图像信息,分割背景与米粒,并将背景色设置为与米粒颜色相区别的颜色。
所述米样数量为10-1000粒。
所述分割背景与米粒的方法为迭代法。
所述迭代法具体包括下列步骤:
求出图像中的最大和最小灰度值Z1和Zk,令阈值初值Tk=(Z1+Zk)/2;
根据阈值Tk将图像分割成目标和背景两部分,求出两部分的平均灰度值Z0、ZB;
求出新阈值Tk+1=(Z0+ZB)/2;
若Tk=Tk+1,则所得即为阈值,否则根据计算出的Tk值继续计算阈值,迭代计算。
所述分割背景与米粒时,背景颜色选择纯黑色即RGB(0,0,0)。
所述分析米粒色度信息的具体步骤包括:
将原始RGB色度信息转化成L*a*b*色度信息,其中L*为明度指数,取值范围为0~100,a*为色品指数,表示颜色由深绿色到亮红色,取值范围为-120~120,b*为色品指数,表示颜色由亮蓝色到焦黄色,取值范围为-120~120;
分析每粒大米中每个象素的L*a*b*色度信息,选L*a*b*色度信息中的b*作为分析黄粒米的特征色度值。
所述利用L*a*b*颜色模型中的特征色度值b*进行判定,由RGB颜色模型通过理想颜色模型XYZ向L*a*b*颜色模型的具体转化公式为:
X=0.4124f(R/255)+0.3576f(G/255)+0.1805f(B/255)
Y=0.2126f(R/255)+0.7152f(G/255)+0.0722f(B/255)
Z=0.0193f(R/255)+0.1192f(G/255)+0.9505f(B/255)
其中:R、G、B为所读取的米粒原始色度信息值,
函数
由理想XYZ颜色模型向L*a*b*颜色模型转化公式为:
L*=116f(Y/Y0)-16
a*=500[f(X/X0)-f(Y/Y0)]
b*=200[f(Y/Y0)-f(Z/Z0)]
所述识别黄粒米的具体步骤包括:
利用黄粒米检测软件设定判定黄粒米的色度阈值和面积阈值;
以L*a*b*颜色模型中b*为基础,结合色度阈值和面积阈值,判定每粒大米是否为黄粒米,将其边界画出,统计黄粒米率。
所述判断大米是否为黄粒米时,色度阈值和面积阈值由操作者根据不同的大米品种和生产地自行设置,其选择范围为色度阈值15~30;面积阈值5%~40%。
本发明的有益效果为:利用计算机图像处理技术代替了GB/T 17891-1999《优质稻谷》规定的检测人员人眼判别法,可以快速、客观、准确地识别精米中的黄粒米,克服了现有技术方案中检测时间长、主观性强、准确性低、可操作性和重复性差等缺陷。满足了在稻谷现场收购和市场交易中对品质检测快速、客观、准确性高的要求。而且,根据本发明所述方法编制的计算机图像识别***,还具有可同时完成垩白度、垩白粒率、整精米率、粒型和液态物质等多项指标的检测的功能,使执行国家标准中彼此相互独立的多项指标的检测,可以由一套***一起完成,每次可最多检测1000粒大米,具有自动化程度高,操作快速、简便的特点。
附图说明
图1是本发明的图像获取及处理装置连接示意图。
图中标号:
1-扫描仪;2-计算机;3-打印机。
具体实施方式
下面结合附图对本发明作进一步说明:
图1为本发明的图像获取及处理装置连接示意图,
1、利用计数板兼取样板从待测的大米批样中取约10~1000粒米样,置取样器于扫描仪1上,采集图像,存储为24位bmp格式文件。其中扫描仪1的亮度、对比度设为-15~25之间。
2、在计算机2上利用黄粒米检测***识别图像中的黄粒米,具体的是:
a)读取原始图像信息,存储每粒米粒中每个像素的色度信息,其原始色度信息为RGB颜色信息;
b)利用迭代法分割背景和米粒,将背景设为纯黑色即RGB(0,0,0),
迭代法的具体步骤是:
(1)求出图像中的最大和最小灰度值Z1和Zk,令阈值初值Tk=(Z1+Zk)/2;
(2)根据阈值Tk将图像分割成目标和背景两部分,求出两部分的平均灰度值Z0、ZB;
(3)求出新阈值Tk+1=(Z0+ZB)/2;
(4)若Tk=Tk+1,则所得即为阈值,否则转(2),迭代计算;
c)将米粒的RGB颜色信息转化成L*a*b*颜色信息,其中L*为明度指数,取值范围为0~100,a*为色品指数,表示颜色由深绿色到亮红色,取值范围为-120~120,b*为色品指数,表示颜色由亮蓝色到焦黄色,取值范围为-120~120;
由RGB颜色模型通过理想颜色模型XYZ向L*a*b*颜色模型的具体转化公式为:
X=0.4124f(R/255)+0.3576f(G/255)+0.1805f(B/255)
Y=0.2126f(R/255)+0.7152f(G/255)+0.0722f(B/255)
Z=0.0193f(R/255)+0.1192f(G/255)+0.9505f(B/255)
其中:R、G、B为所读取的米粒原始色度信息值,
函数
由理想XYZ颜色模型向L*a*b*颜色模型转化公式为:
L*=116f(Y/Y0)-16
a*=500[f(X/X0)-f(Y/Y0)]
b*=200[f(Y/Y0)-f(Z/Z0)]
d)分析每粒米粒的L*a*b*色度信息,并选用色度值b*作为分析黄粒米的特征色度值;
e)利用黄粒米检测软件设置色度阈值和面积阈值,阈值的设定由操作者根据被测米样的产地和品种设定,其选择范围为色度阈值15~30;面积阈值5%~40%;
f)以色度值b*为基础,结合色度阈值和面积阈值,判定每粒大米是否为黄粒米具体的判定原理为:当每粒大米中色度值b*大于色度阈值的像素超过面积阈值规定的值,则该粒大米为黄粒米。并用黄色线条画出该米粒的轮廓,同时统计黄粒米粒率;
g)检测结果利用人机交互界面输出,若需要了解每粒大米的平均色度信息,或每粒米中每个像素色度信息,可通过检测界面的菜单项输入至EXCEL中进行查看;
h)在计算机2上将所得结果输出到打印机3,进行打印。
以上所述的实施例,只是本发明较优选的具体实施方式,本领域的技术人员可以在所附权利要求的范围内做出各种修改。
Claims (10)
1.一种大米中黄粒米的自动识别方法,其特征在于包括下列步骤:
获取米粒图像信息;
分析米粒色度信息;
识别黄粒米。
2.根据权利要求1所述大米中黄粒米的自动识别方法,其特征在于,所述获取米粒图像信息具体包括下列步骤:
将米样置于图像采集器中,采集原始图像信息;
读取原始图像信息,并将背景色设置为与米粒颜色相区别的颜色,分割背景与米粒。
3.根据权利要求2所述大米中黄粒米的自动识别方法,其特征在于,所述米样数量为10-1000粒。
4.根据权利要求2所述大米中黄粒米的自动识别方法,其特征在于,所述分割背景与米粒的方法为迭代法。
5.根据权利要求4所述大米中黄粒米的自动识别方法,其特征在于,所述迭代法具体包括下列步骤:
求出图像中的最大和最小灰度值Z1和Zk,令阈值初值Tk=(Z1+Zk)/2;
根据阈值Tk将图像分割成目标和背景两部分,求出两部分的平均灰度值Z0、ZB;
求出新阈值Tk+1=(Z0+ZB)/2;
若Tk=Tk+1,则所得即为阈值,否则根据计算出的Tk值继续计算阈值,迭代计算。
6.根据权利要求2所述的黄粒米自动识别的方法,其特征在于,所述分割背景与米粒时,背景颜色选择纯黑色即RGB(0,0,0)。
7.根据权利要求1所述大米中黄粒米的自动识别方法,其特征在于,所述分析米粒色度信息的具体步骤包括:
将原始RGB色度信息转化成L*a*b*色度信息,其中L*为明度指数,取值范围为0~100,a*为色品指数,表示颜色由深绿色到亮红色,取值范围为-120~120,b*为色品指数,表示颜色由亮蓝色到焦黄色,取值范围为-120~120;
分析每粒大米中每个象素的L*a*b*色度信息,选L*a*b*色度信息中的b*作为分析黄粒米的特征色度值。
8.根据权利要求7所述大米中黄粒米的自动识别方法,其特征在于,所述利用L*a*b*颜色模型中的特征色度值b*进行判定,由RGB颜色模型通过理想颜色模型XYZ向L*a*b*颜色模型的具体转化公式为:
X=0.4124f(R/255)+0.3576f(G/255)+0.1805f(B/255)
Y=0.2126f(R/255)+0.7152f(G/255)+0.0722f(B/255)
Z=0.0193f(R/255)+0.1192f(G/255)+0.9505f(B/255)
其中:R、G、B为所读取的米粒原始色度信息值,
函数
由理想XYZ颜色模型向L*a*b*颜色模型转化公式为:
L*=116f(Y/Y0)-16
a*=500[f(X/X0)-f(Y/Y0)]
b*=200[f(Y/Y0)-f(Z/Z0)]
9.根据权利要求1所述大米中黄粒米的自动识别方法,其特征在于,所述识别黄粒米的具体步骤包括:
利用黄粒米检测软件设定判定黄粒米的色度阈值和面积阈值;
以L*a*b*颜色模型中b*为基础,结合色度阈值和面积阈值,判定每粒大米是否为黄粒米,将其边界画出,统计黄粒米率。
10.根据权利要求9所述大米中黄粒米的自动识别方法,其特征在于所述判断大米是否为黄粒米时,色度阈值和面积阈值由操作者根据不同的大米品种和生产地自行设置,其选择范围为色度阈值15~30;面积阈值5%~40%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008101120842A CN101271522A (zh) | 2008-05-21 | 2008-05-21 | 一种大米中黄粒米的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008101120842A CN101271522A (zh) | 2008-05-21 | 2008-05-21 | 一种大米中黄粒米的自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101271522A true CN101271522A (zh) | 2008-09-24 |
Family
ID=40005484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008101120842A Pending CN101271522A (zh) | 2008-05-21 | 2008-05-21 | 一种大米中黄粒米的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101271522A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564993A (zh) * | 2011-12-31 | 2012-07-11 | 江南大学 | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 |
CN101788497B (zh) * | 2009-12-30 | 2013-05-29 | 深圳先进技术研究院 | 一种基于图像识别技术的嵌入式豆类分类*** |
CN103649993A (zh) * | 2011-06-29 | 2014-03-19 | 宝洁公司 | 用于检查卫生制品组件的***和方法 |
CN106881171A (zh) * | 2017-01-16 | 2017-06-23 | 国粮武汉科学研究设计院有限公司 | 一种留胚米和多等级大米的联产加工的方法 |
CN108742663A (zh) * | 2018-04-03 | 2018-11-06 | 深圳蓝韵医学影像有限公司 | 曝光剂量评价方法、装置及计算机可读存储介质 |
CN108885178A (zh) * | 2016-02-22 | 2018-11-23 | 株式会社佐竹 | 粒状物外观品相判别装置 |
CN110009609A (zh) * | 2019-03-26 | 2019-07-12 | 江南大学 | 一种快速检测黄粒米的方法 |
CN110610183A (zh) * | 2018-06-15 | 2019-12-24 | 佛山市顺德区美的电热电器制造有限公司 | 谷物评估方法、装置和存储介质 |
CN111435428A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 基于色度检测的大米识别方法和装置 |
CN111507148A (zh) * | 2019-12-31 | 2020-08-07 | 浙江苏泊尔家电制造有限公司 | 一种储米装置的控制***及控制方法 |
CN111767772A (zh) * | 2019-11-12 | 2020-10-13 | 方勤 | 定制类型羊体收购平台、方法及存储介质 |
CN111814808A (zh) * | 2020-07-17 | 2020-10-23 | 安徽萤瞳科技有限公司 | 一种用于大米色选的发黄物料识别方法 |
CN112070741A (zh) * | 2020-09-07 | 2020-12-11 | 浙江师范大学 | 一种基于图像显著性区域提取方法的大米垩白度检测*** |
CN113458013A (zh) * | 2021-05-13 | 2021-10-01 | 深圳市蓝际工业技术有限公司 | 基于ccd检测和皮带供料的建筑垃圾分选***和方法 |
CN116503402A (zh) * | 2023-06-26 | 2023-07-28 | 中储粮成都储藏研究院有限公司 | 一种粮食并肩杂质含量的检测方法及装置 |
-
2008
- 2008-05-21 CN CNA2008101120842A patent/CN101271522A/zh active Pending
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788497B (zh) * | 2009-12-30 | 2013-05-29 | 深圳先进技术研究院 | 一种基于图像识别技术的嵌入式豆类分类*** |
CN103649993A (zh) * | 2011-06-29 | 2014-03-19 | 宝洁公司 | 用于检查卫生制品组件的***和方法 |
CN103649993B (zh) * | 2011-06-29 | 2016-05-11 | 宝洁公司 | 用于检查卫生制品组件的***和方法 |
CN102564993A (zh) * | 2011-12-31 | 2012-07-11 | 江南大学 | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 |
CN102564993B (zh) * | 2011-12-31 | 2015-07-15 | 江南大学 | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 |
CN108885178A (zh) * | 2016-02-22 | 2018-11-23 | 株式会社佐竹 | 粒状物外观品相判别装置 |
CN108885178B (zh) * | 2016-02-22 | 2021-12-10 | 株式会社佐竹 | 粒状物外观品相判别装置 |
CN106881171A (zh) * | 2017-01-16 | 2017-06-23 | 国粮武汉科学研究设计院有限公司 | 一种留胚米和多等级大米的联产加工的方法 |
CN108742663A (zh) * | 2018-04-03 | 2018-11-06 | 深圳蓝韵医学影像有限公司 | 曝光剂量评价方法、装置及计算机可读存储介质 |
CN110610183A (zh) * | 2018-06-15 | 2019-12-24 | 佛山市顺德区美的电热电器制造有限公司 | 谷物评估方法、装置和存储介质 |
CN111435428A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 基于色度检测的大米识别方法和装置 |
CN111435428B (zh) * | 2019-01-14 | 2023-10-31 | 珠海格力电器股份有限公司 | 基于色度检测的大米识别方法和装置 |
CN110009609B (zh) * | 2019-03-26 | 2021-03-30 | 江南大学 | 一种快速检测黄粒米的方法 |
CN110009609A (zh) * | 2019-03-26 | 2019-07-12 | 江南大学 | 一种快速检测黄粒米的方法 |
CN111767772A (zh) * | 2019-11-12 | 2020-10-13 | 方勤 | 定制类型羊体收购平台、方法及存储介质 |
CN111507148A (zh) * | 2019-12-31 | 2020-08-07 | 浙江苏泊尔家电制造有限公司 | 一种储米装置的控制***及控制方法 |
CN111507148B (zh) * | 2019-12-31 | 2023-10-24 | 浙江苏泊尔家电制造有限公司 | 一种储米装置的控制***及控制方法 |
CN111814808A (zh) * | 2020-07-17 | 2020-10-23 | 安徽萤瞳科技有限公司 | 一种用于大米色选的发黄物料识别方法 |
CN112070741A (zh) * | 2020-09-07 | 2020-12-11 | 浙江师范大学 | 一种基于图像显著性区域提取方法的大米垩白度检测*** |
CN112070741B (zh) * | 2020-09-07 | 2024-02-23 | 浙江师范大学 | 一种基于图像显著性区域提取方法的大米垩白度检测*** |
CN113458013A (zh) * | 2021-05-13 | 2021-10-01 | 深圳市蓝际工业技术有限公司 | 基于ccd检测和皮带供料的建筑垃圾分选***和方法 |
CN116503402A (zh) * | 2023-06-26 | 2023-07-28 | 中储粮成都储藏研究院有限公司 | 一种粮食并肩杂质含量的检测方法及装置 |
CN116503402B (zh) * | 2023-06-26 | 2023-09-08 | 中储粮成都储藏研究院有限公司 | 一种粮食并肩杂质含量的检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101271522A (zh) | 一种大米中黄粒米的自动识别方法 | |
Symons et al. | Determination of wheat kernel morphological variation by digital image analysis: I. Variation in Eastern Canadian milling quality wheats | |
Hoffmaster et al. | An automated system for vigor testing three-day-old soybean seedlings | |
CN101701916B (zh) | 一种玉米品种快速鉴定、鉴别方法 | |
JP6999812B2 (ja) | 骨年齢評価と身長予測モデルの確立方法、そのシステム及びその予測方法 | |
CN100480680C (zh) | 多光谱肉类新鲜度人工智能测量方法及*** | |
CN103955938B (zh) | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 | |
JP2019195304A (ja) | 画像解析方法、装置、コンピュータプログラム、及び深層学習アルゴリズムの生成方法 | |
US9466103B2 (en) | Biomarker evaluation through image analysis | |
US20030072484A1 (en) | Method and apparatus for identifying and quantifying characteristics of seeds and other small objects | |
Rad et al. | Classification of rice varieties using optimal color and texture features and BP neural networks | |
CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN104198325B (zh) | 基于计算机视觉的烟丝中梗丝比例测定方法 | |
CN107679569A (zh) | 基于自适应超图算法的拉曼光谱物质自动识别方法 | |
CN104021369A (zh) | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 | |
CN101964293A (zh) | 一种金相显微组织图像处理方法 | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
CN101799920A (zh) | 基于颜色特征的舌象分析方法及其应用 | |
CN110782440A (zh) | 一种作物籽粒性状测量方法 | |
CN201041553Y (zh) | 基于多光谱成像技术的水果品质无损检测*** | |
CN109781730A (zh) | 一种快速识别垩白米的方法 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN113109240A (zh) | 一种计算机实施的粮食不完善粒测定方法和*** | |
CN102435316B (zh) | 一种基于图像细节能量的印刷色彩均匀性测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20080924 |