CN102495068B - 大米垩白米在线检测方法 - Google Patents

Abstract

本发明实施例提供了一种大米垩白米在线检测方法和***，用于实时、准确检测大米垩白率和垩白度，获取大米产线生产信息。本发明实施例方法包括：周期性的采集数目相同的米粒作为检测样本；采用摄像装置对所述检测样品进行样本图像采集，形成采集图像数据；将所述采集图像数据进行灰度图像处理，形成灰度图像数据；将所述灰度图像数据分出正常区域、反光区域和垩白区域；通过期望最大值算法对垩白像素点进行进一步检测；根据垩白像素点检测出垩白米的垩白率和垩白度。

Description

大米垩白米在线检测方法

技术领域

本发明涉及图像数据处理领域，尤其涉及一种大米垩白米在线检测方法和***。 

背景技术

我国是世界上最大的稻米生产国。而稻米品质问题已经成为制约我国大米生产、销售和出口的瓶颈。大米的垩白度是大米品质的一项十分重要的指标，也是影响大米市场价格的重要因素。优质稻米国家标准GB/T17981-1999中定义：“垩白”是指米粒胚乳中的白色不透明部分，根据垩白在大米胚乳中所处的位置分为腹白、心白和背白。在优质稻米检测指标中，垩白指标有两个：垩白度和垩白粒率，国家规定的检测方法如下： 

垩白粒率：从优质稻米精米试样中随机取整精米数100粒，拣出有垩白的米粒，按下式求出垩白粒率： 

垩白度：在检测垩白粒率时拣出的垩白米中，随机取10粒，不足10粒按实有数取，将米粒平放，正视观察，逐粒目测垩白面积占整个籽粒投影面积的百分率，求出平均值，垩白度按下式计算： 

垩白度(％)＝垩白粒率×垩白大小 

垩白米蒸煮以后，饭粒上会出现裂纹，米饭蓬松中空，食味较差，商品性差，市场价格低，因此有必要在产线生产时对垩白米进行检测。 

发明内容

本发明实施例提供了一种大米垩白米在线检测方法和***，用于实时、准确检测大米垩白率和垩白度，获取大米产线生产信息。 

本发明一实施例提供的一种大垩白米在线检测方法，用于在线检测大米垩白率和垩白度，判断大米生产状态，包括以下步骤： 

周期性的采集数目相同的米粒作为检测样本； 

采用摄像装置对所述检测样品进行样本图像采集，形成采集图像数据； 

将所述采集图像数据进行灰度图像处理，形成灰度图像数据； 

将所述灰度图像数据分出正常区域、反光区域和垩白区域； 

通过期望最大值算法对垩白像素点进行进一步检测， 

根据垩白像素点检测出垩白米的垩白粒和垩白度。 

进一步地，通过期望最大值算法对垩白像素点进行进一步的准确检测，具体为： 

A、初始设定图像的像素值均匀分布，取米粒区域的灰度和色度的最小值作为正常区域均值，平均值作为反光区域均值，最大值作为垩白区域均值，假设其出现的初始概率值分别为0.4、0.3、0.3，均方差为128； 

B、利用EM算法对参数模型进行迭代计算， 

E步骤：计算完整数据的对数似然函数的期望，记为： 

$p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})=\frac{{\mathrm{\π}}_i^t{p}_{y_i}\left(x_i\right|{\mathrm{\θ}}_{y_i}^{\left(t\right)})}{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\π}}_k^t{p}_k\left(x_i\right|{\mathrm{\θ}}_k^{\left(t\right)})},y_i=\mathrm{1,2,3}.$

上式中，p(y_i|x_i，θ^(t))表示第t次迭代之后的后验概率， 表示第t次迭代时第i类像素出现的概率，θ^(t)表示第t次迭代时的参数集，x_i表示样本数据(即灰度值)，y_i表示隐含的参数(即样本属于哪一类)； 

C、M步骤：将E步骤的p(y_i|x_i，θ^(t))和θ^(t)代入下列迭代公式进行计算： 

${\mathrm{\π}}_j^{t+1}=\frac{1}{n}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})$

${\mathrm{\μ}}_j^{t+1}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})}$

${\mathrm{\Σ}}_j^{(t+1}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})(x_i-u_i^{t+1}){(x_i-u_i^{t+1})}^T}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})}$

D、用M步骤中得到的参数作为θ^(t+1)代替θ^(t)，不断交替计算E步骤和M步骤，对于给定的ε＞0，如果|θ^(t)-θ^(t+1)|＜ε，则停止迭代。此时可以得到此4个高斯分布的一组参数θ^(*)； 

E、利用参数集θ^(*)，计算每个像素分属于此3类的概率，即若p(y_i＝j|x_i，θ^(*))＝max{p(y_i＝j|x_i，θ^(*))}，j＝1，2，3，则将x_i归为j类，从而准确检测到垩白米粒的像素点。 

优选地，采集图像数据的像素为800*600以上，帧率25fps以上。 

本发明又一实施例提供了一种大米垩白米在线检测***，用于在线检测大米垩白率和垩白度，判断大米生产状态，包括： 

采样装置，周期性的对在线大米进行采样收集，形成检测样本； 

图像信号采集装置，对所述检测样本进行摄像以及图像数据采集，形成采集图像数据； 

图像识别与处理装置，用于接收所述采集图像数据，对所述采集图像数据进行灰度化处理，形成灰度图像数据；将所述灰度图像数据分出正常区域、反光区域和垩白区域；通过期望最大值算法对垩白像素点进行进一步的准确检测，根据垩白像素点检测出垩白米的垩白粒和垩白度； 

客户端装置，用以实时监测大米垩白率和垩白度，获取产线运行状态信息。 

优选地，采样装置安装在大米生产线上，周期性对大米进行采样。 

优选地，周期性对大米进行采样的时间为每20秒采样一次。 

优选地，采样装置为筛状带有凹坑的采样器。 

优选地，图像信号采集装置包括摄像装置和数据采集卡， 

优选地，摄像装置具有800×600以上像素，采集检测样品图像数据； 

优选地，数据采集卡包括多路数据输入选择模块、模拟/数字转换模块和通信接口模块，多路数据输入选择模块接收图像数据，并通过模拟/数字转换模块将模拟的图像数据转换为数字图像数据，再通过通信接口模块发送给图像识别与处理装置进行图像处理。 

从以上技术方案可以看出，可以准确实时的对大米垩白米粒的垩白率和垩白度进行检测，有效控制大米生产质量。 

附图说明

图1是本发明实施例一大米垩白米在线检测方法流程图； 

图2是本发明实施例二大米垩白米在线检测***结构示意图。 

具体实施方式

本发明实施例提供了一种大米碎米粒在线检测方法和***，以下将结合具体实施例详细描述本发明实现过程。 

一种大米碎米粒在线检测方法，用于在线检测大米碎米粒，判断大米生产状态，流程图如图1所示： 

S101，周期性的采集数目相同的米粒作为检测样本； 

本实施例中采用每分钟3次即每20秒一次的周期对样本进行检测，每次采样的数目是100粒，本领域的技术人员可知，可以根据实际产线生产的需求控制检测样本的时间和样本的大小。 

S102，采用摄像装置对检测样品进行样本图像采集，形成采集图像数据； 

本实施例中摄像装置为24位真彩高速摄像装置，有效像素在800×600以上，每像素24bit，帧率为25fps以上，可保证采集图像数据的准确性，保证检测效果。 

S103，将采集图像数据进行灰度图像处理，形成灰度图像数据； 

将采集的图像数据通过接口接入数据处理装置进行数据处理，先将24位彩色图像转换为8位灰度图像，以便数据处理装置进行处理。 

S104，将所述灰度图像数据分出正常区域、反光区域和垩白区域； 

S105，通过期望最大值算法对垩白像素点进行进一步检测； 

S106，根据垩白像素点检测出垩白米的垩白粒和垩白度。 

通过期望最大值算法对垩白像素点进行进一步的准确检测，具体为：A、初始设定图像的像素值均匀分布，取米粒区域的灰度和色度的最小值作为正常区域均值，平均值作为反光区域均值，最大值作为垩白区域均值，假设其出现的初始概率值分别为0.4、0.3、0.3，均方差为128； 

B、利用EM算法对参数模型进行迭代计算， 

E步骤：计算完整数据的对数似然函数的期望，记为： 

$p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})=\frac{{\mathrm{\π}}_i^t{p}_{y_i}\left(x_i\right|{\mathrm{\θ}}_{y_i}^{\left(t\right)})}{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\π}}_k^t{p}_k\left(x_i\right|{\mathrm{\θ}}_k^{\left(t\right)})},y_i=\mathrm{1,2,3}.$

上式中，p(y_i|x_i，θ^(t))表示第t次迭代之后的后验概率， 

表示第t次迭代时第i类像素出现的概率，θ^(t)表示第t次迭代时的参数集，x_i表示样本数据(即灰度值)，y_i表示隐含的参数(即样本属于哪一类)； 

C、M步骤：将E步骤的p(y_i|x_i，θ^(t))和θ^(t)代入下列迭代公式进行计算： 

${\mathrm{\π}}_j^{t+1}=\frac{1}{n}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})$

${\mathrm{\μ}}_j^{t+1}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})}$

${\mathrm{\Σ}}_j^{(t+1}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})(x_i-u_i^{t+1}){(x_i-u_i^{t+1})}^T}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})}$

D、用M步骤中得到的参数作为θ^(t+1)代替θ^(t)，不断交替计算E步骤和M步骤，对于给定的ε＞0，如果|θ^(t)-θ^(t+1)|＜ε，则停止迭代。此时可以得到此4个高斯分布的一组参数θ^(*)； 

E、利用参数集θ^(*)，计算每个像素分属于此3类的概率，即若p(y_i＝j|x_i，θ^(*))＝max{p(y_i＝j|x_i，θ^(*))}，j＝1，2，3，则将x_i归为j类，从而准确检测到垩白米粒的像素点。 

一种大米碎米粒在线检测***，结构示意图如图2所示，包括： 

采样装置21，周期性的对在线大米进行采样收集，形成检测样本； 

本实施例用采用推进机构将大米样品从生产线推入直径60-100mm的采样筛进行采样，每隔20秒对大米进行一次采样，采样时采用筛状带有凹坑的采样器，且采样器每次固定采样大米100粒，采样器倾斜放置，凹坑中的大米很容易被产险上流动的大米带走，方便下一次采样。 

图像信号采集装置22，对所述检测样本进行摄像以及图像数据采集，形成采集图像数据； 

图像信号采集装置22包括摄像装置和数据采集卡，摄像装置具有800*600以上像素，每像素24bit，帧率为25fps以上，可保证采集图像数据的准确性，保证检测效果，采集检测样品图像数据；数据采集卡包括多路数据输入选择模块、模拟/数字转换模块和通信接口模块，多路数据输入选择模块接收图像 数据，并通过模拟/数字转换模块将模拟的图像数据转换为数字图像数据，再通过通信接口模块发送给所述图像识别与处理装置进行图像处理。 

图像识别与处理装置23，用于接收所述采集图像数据，对所述采集图像数据进行灰度化，形成灰度图像数据；将所述灰度图像数据分出正常区域、反光区域和垩白区域；通过期望最大值算法对垩白像素点进行进一步的准确检测，根据垩白像素点检测出垩白米的垩白粒和垩白度；； 

将采集的图像数据通过接口接入数据处理装置进行数据处理，先将24位彩色图像转换为8位灰度图像，以便数据处理装置进行处理。 

客户端装置24，用以实时监测碎米粒数，获取产线运行状态信息。 

客户端装置24接收图像识别与处理装置通过网络接口发送过来的碎米率百分比，实时检测碎米粒是否超标，如果超过产线定义的碎米率，则可将产线停止，重新进行前序生产工序的调解，以保证大米的生产质量。 

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。 

以上对本发明所提供的一种大米垩白米在线检测方法和***进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。 

Claims (1)

1.一种大米垩白米在线检测方法，用于在线检测大米垩白米粒，判断大米生产状态，其特征在于，包括以下步骤：

周期性的采集数目相同的米粒作为检测样本；

采用摄像装置对所述检测样品进行样本图像采集，形成采集图像数据；

将所述采集图像数据进行灰度图像处理，形成灰度图像数据；

将所述灰度图像数据分出正常区域、反光区域和垩白区域；

通过期望最大值算法对垩白像素点进行进一步检测；

根据垩白像素点检测出垩白米的垩白粒和垩白度；

其中，通过期望最大值算法对垩白像素点进行进一步的准确检测，具体为：

A、初始设定图像的像素值均匀分布，取米粒区域的灰度和色度的最小值作为正常区域均值，平均值作为反光区域均值，最大值作为垩白区域均值，假设其出现的初始概率值分别为0.4、0.3、0.3，均方差为128；

B、利用EM算法对参数模型进行迭代计算，

E步骤：计算完整数据的对数似然函数的期望，记为：

$p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})=\frac{{\mathrm{\π}}_i^t{p_y}_i\left(x_i\right|{\mathrm{\θ}}_{y_i}^{\left(t\right)})}{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\π}}_k^t{p}_k\left(x_i\right|{\mathrm{\θ}}_k^{\left(t\right)})},y_i=\mathrm{1,2,3}.$

上式中，p(y_i|x_i，θ^(t))表示第t次迭代之后的后验概率，

表示第t次迭代时第i类像素出现的概率，θ^(t)表示第t次迭代时的参数集，x_i表示样本数据(即灰度值)，y_i表示隐含的参数(即样本属于哪一类)；

C、M步骤：将E步骤的p(y_i|x_i，θ^(t))和θ^(t)代入下列迭代公式进行计算：

${\mathrm{\π}}_j^{t+1}=\frac{1}{n}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})$

${\mathrm{\μ}}_j^{t+1}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})}$

${\mathrm{\Σ}}_j^{(t+1}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})(x_i-u_i^{t+1}){(x_i-u_i^{t+1})}^T}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y_i\right|x_i,{\mathrm{\θ}}^{\left(t\right)})}$

D、用M步骤中得到的参数作为θ^(t+1)代替θ^(t)，不断交替计算E步骤和M步骤，对于给定的ε＞0，如果|θ^(t)-θ^(t+1)|＜ε，则停止迭代。此时可以得到此4个高斯分布的一组参数θ^(*)；

E、利用参数集θ^(*)，计算每个像素分属于此3类的概率，即若p(y_i=j|x_i，θ^(*))=max{p(y_i=j|x_i，θ^(*))}，j=1，2，3，则将x_i归为j类，从而准确检测到垩白米粒的像素点。

Images