CN105354836B - 色选方法 - Google Patents

色选方法 Download PDF

Info

Publication number
CN105354836B
CN105354836B CN201510673852.1A CN201510673852A CN105354836B CN 105354836 B CN105354836 B CN 105354836B CN 201510673852 A CN201510673852 A CN 201510673852A CN 105354836 B CN105354836 B CN 105354836B
Authority
CN
China
Prior art keywords
image
color
black white
region
white image
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.)
Active
Application number
CN201510673852.1A
Other languages
English (en)
Other versions
CN105354836A (zh
Inventor
方茂雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HEFEI ANJINGLONG ELECTRONICS CO Ltd
Original Assignee
HEFEI ANJINGLONG ELECTRONICS CO Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HEFEI ANJINGLONG ELECTRONICS CO Ltd filed Critical HEFEI ANJINGLONG ELECTRONICS CO Ltd
Priority to CN201510673852.1A priority Critical patent/CN105354836B/zh
Publication of CN105354836A publication Critical patent/CN105354836A/zh
Application granted granted Critical
Publication of CN105354836B publication Critical patent/CN105354836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Sorting Of Articles (AREA)
  • Image Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明属于图像处理技术领域，特别涉及一种色选方法，包括如下步骤：通过相机或摄像机获取物料的原始图像，原始图像中物料颜色与背景色具有便于识别的色差；分别以背景色、坏料颜色的取值范围为阈值，对原始图像进行二值化处理得到第一、二黑白图像；对第一黑白图像进行背景膨胀处理，该膨胀处理的结构元素取值大于等于物料阴影的尺寸；将第二黑白图像与膨胀处理后的图像进行交集处理，并将交集处理后的图像标记并选出，余下合格品。通过一系列处理，将大颗粒物料的边缘阴影排除，只判断物料本身有无坏料颜色，避免了误将阴影识别成坏料颜色造成的误判，这样处理后，对大颗粒物料的色选精度大大提升。

Description

色选方法
技术领域
本发明属于图像处理技术领域，特别涉及一种色选方法。
背景技术
色选机是一种主要根据颜色来分选物料的自动分选设备。最初色选机主要是应用于大米色选，而现在则已广泛应用于杂粮、脱水蔬菜、废塑料、矿石等多种物料的色选。
大米、绿豆等一些颗粒较小的物料在色选的时候，好料和坏料之间的区分比较容易，因为物料颗粒较小，只要某个物料颗粒的颜色全部或部分为坏料颜色，即可判断该颗粒为坏料。但当色选大蒜、花生果、大白芸豆、矿石、废塑料片等较大颗粒物料时，判断某个物料颗粒是好料还是坏料就会变得比较复杂。因为当物料颗粒较大时，会出现以下一些干扰情况：
一种干扰是来自成像过程中的阴影和反光，大颗粒物料由于其有厚度，并且表面也不平整，色选机的光源也无法实现光照的各向均匀，因此大颗粒物料所成图像的边缘会有阴影或反光的情况，这些阴影或反光在判断时很容易被识别成坏料颜色。例如对大蒜、花生之类的物料，如果有黑斑则是坏料，而物料阴影的颜色也是灰黑色，和黑斑的颜色基本相同，那么好料在图像上的阴影就会导致色选机的误判，最终导致该好料也被误选出来。另一种是来自大颗粒物料上少量杂色的干扰，例如塑料瓶盖碎片上会有一些其它颜色的字迹或者一些物料上有少量杂色斑点，这些字迹或斑点并不会影响到物料的质量，但是色选的时候，这些好料上的少量杂色字迹或者是斑点也会导致色选机的误判。因此要实现对上述大颗粒物料的精确色选，减少好料的带出，就必须要求色选机在处理物料图像时有消除干扰的能力。
发明内容
本发明的目的在于提供一种色选方法，提高大颗粒物料的色选精度。
为实现以上目的，本发明采用的技术方案为：一种色选方法，包括如下步骤：(A)通过相机或摄像机获取物料的原始图像，原始图像中物料颜色与背景色具有便于识别的色差；(B)以背景色的取值范围为阈值，对原始图像进行二值化处理得到第一黑白图像；(C)以坏料颜色的取值范围为阈值，对原始图像进行二值化处理得到第二黑白图像；(D)对第一黑白图像进行背景膨胀处理，该膨胀处理的结构元素取值大于等于物料阴影的尺寸；(E)将第二黑白图像与步骤D处理后的图像进行交集处理，并将交集处理后的图像标记并选出，余下合格品。
与现有技术相比，本发明存在以下技术效果：通过一系列处理，将大颗粒物料的边缘阴影排除，只判断物料本身有无坏料颜色，避免了误将阴影识别成坏料颜色造成的误判，这样处理后，对大颗粒物料的色选精度大大提升。
附图说明
图1是本发明的原理框图；
图2是本发明的处理过程示意图，其中图2a为彩色图像。
具体实施方式
下面结合图1至图2，对本发明做进一步详细叙述。
参阅图1，一种色选方法，包括如下步骤：(A)通过相机或摄像机获取物料的原始图像，原始图像中物料颜色与背景色具有便于识别的色差；(B)以背景色的取值范围为阈值，对原始图像进行二值化处理得到第一黑白图像；(C)以坏料颜色的取值范围为阈值，对原始图像进行二值化处理得到第二黑白图像；(D)对第一黑白图像进行背景膨胀处理，该膨胀处理的结构元素取值大于等于物料阴影的尺寸；(E)将第二黑白图像与步骤D处理后的图像进行交集处理，并将交集处理后的图像标记并选出，余下合格品。需要注意的是，步骤D中的对背景进行膨胀处理也即对物料进行腐蚀处理。通过步骤D中的背景膨胀处理，将物料外侧一圈的区域排除掉，这样就能将物料周围的阴影部分排除，避免阴影部分影响到后续的判断。这样，通过步骤E的交集处理，就能很准确的选出不合格品。
在以上的处理中，根据二值化处理时标记的不同，有两种具体的实施方式：
参阅图2，实施例一，这里以花生米为例，原始图像如图2a所示，原始图像为彩色的，图2a中左侧的花生米是合格品，右侧的花生米是不合格品，但是由于阴影的存在，如果按照现有的色选方法直接进行色选，会将左侧有阴影的、合格的花生米当成不合格品。所述的第一黑白图像中，背景区域标记为0，物料区域标记为1，第一黑白图像如图2b所示。第二黑白图像中，坏料区域和阴影区域标记为1，其余区域标记为0，第二黑白图像如图2c所示。步骤D中，对标记为0的区域进行膨胀处理，处理后的图像如图2d。步骤E中，交集处理即将两幅图像相同位置的两个标记进行逻辑与运算，运算后标记为1的区域即含有坏物料的区域，交集处理后的图像如图2e所示。
实施例二，所述的第一黑白图像中，背景区域标记为1，物料区域标记为0；第二黑白图像中，坏料区域和阴影区域标记为0，其余区域标记为1；步骤D中，对标记为1的区域进行膨胀处理；步骤E中，交集处理即将两幅图像相同位置的两个标记进行逻辑或运算，运算后标记为0的区域即含有坏物料的区域。实施例二与实施例一相类似，仅在与二值化处理的时候，区域颜色标记相反，这样处理时需要注意的是，在交集处理时，不再是逻辑与运算，而是逻辑或运算，并且，运算后标记为0的区域是含有坏料的区域。
作为本发明的优选方案，所述的步骤A中，将原始图像由RGB格式转换为HSI模式，步骤B、步骤C中根据H、S、I的取值将原始图像二值化。根据H、S、I值进行二值化处理，更方便可靠，处理效果更佳。

Claims (2)

1.一种色选方法，包括如下步骤：
(A)通过相机或摄像机获取物料的原始图像，原始图像中物料颜色与背景色具有便于识别的色差；
(B)以背景色的取值大小为阈值，对原始图像进行二值化处理得到第一黑白图像；
(C)以坏料颜色的取值大小为阈值，对原始图像进行二值化处理得到第二黑白图像；
(D)对第一黑白图像进行背景膨胀处理，该膨胀处理的结构元素取值大于等于物料阴影的尺寸；
(E)将第二黑白图像与步骤D处理后的图像进行交集处理，并将交集处理后的图像标记并选出，余下合格品；
其中：所述的第一黑白图像中，背景区域标记为0，物料区域标记为1；第二黑白图像中，坏料区域和阴影区域标记为1，其余区域标记为0；步骤D中，对标记为0的区域进行膨胀处理；步骤E中，交集处理即将两幅图像相同位置的两个标记进行逻辑与运算，运算后标记为1的区域即含有坏物料的区域；
或所述的第一黑白图像中，背景区域标记为1，物料区域标记为0；第二黑白图像中，坏料区域和阴影区域标记为0，其余区域标记为1；步骤D中，对标记为1的区域进行膨胀处理；步骤E中，交集处理即将两幅图像相同位置的两个标记进行逻辑或运算，运算后标记为0的区域即含有坏物料的区域。
2.如权利要求1所述的色选方法，其特征在于：所述的步骤A中，将原始图像由RGB格式转换为HSI模式，步骤B、步骤C中根据H、S、I的取值将原始图像二值化。
CN201510673852.1A 2015-10-14 2015-10-14 色选方法 Active CN105354836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510673852.1A CN105354836B (zh) 2015-10-14 2015-10-14 色选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510673852.1A CN105354836B (zh) 2015-10-14 2015-10-14 色选方法

Publications (2)

Publication Number Publication Date
CN105354836A CN105354836A (zh) 2016-02-24
CN105354836B true CN105354836B (zh) 2018-08-28

Family

ID=55330803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510673852.1A Active CN105354836B (zh) 2015-10-14 2015-10-14 色选方法

Country Status (1)

Country Link
CN (1) CN105354836B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110523660A (zh) * 2019-09-26 2019-12-03 合肥长隆光电科技有限公司 一种色选机用快速色选处理方法
CN113052177B (zh) * 2019-12-26 2022-08-23 合肥美亚光电技术股份有限公司 大蒜的疤识别方法、装置及分选设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1403813A2 (en) * 2002-09-30 2004-03-31 Canon Kabushiki Kaisha Image processing method, apparatus and program for dealing with inverted characters
CN102509300A (zh) * 2011-11-18 2012-06-20 深圳市宝捷信科技有限公司 一种缺陷检测方法及***
CN103077529A (zh) * 2013-02-27 2013-05-01 电子科技大学 基于图像扫描的植物叶片特征分析***
CN103456021A (zh) * 2013-09-24 2013-12-18 苏州大学 一种基于形态学分析的布匹瑕疵检测方法
CN103559712A (zh) * 2013-11-07 2014-02-05 合肥安晶龙电子有限公司 黑瓜子色选方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1403813A2 (en) * 2002-09-30 2004-03-31 Canon Kabushiki Kaisha Image processing method, apparatus and program for dealing with inverted characters
CN102509300A (zh) * 2011-11-18 2012-06-20 深圳市宝捷信科技有限公司 一种缺陷检测方法及***
CN103077529A (zh) * 2013-02-27 2013-05-01 电子科技大学 基于图像扫描的植物叶片特征分析***
CN103456021A (zh) * 2013-09-24 2013-12-18 苏州大学 一种基于形态学分析的布匹瑕疵检测方法
CN103559712A (zh) * 2013-11-07 2014-02-05 合肥安晶龙电子有限公司 黑瓜子色选方法

Also Published As

Publication number Publication date
CN105354836A (zh) 2016-02-24

Similar Documents

Publication Publication Date Title
EP1832867A1 (en) Defect inspection apparatus and defect inspection method
US8064691B2 (en) Method for identifying color in machine and computer vision applications
CN111133300B (zh) 具有彩色照明的检查设备
Morgand et al. Generic and real-time detection of specular reflections in images
CN105354836B (zh) 色选方法
CN1370309A (zh) 数字图像分段的方法和装置
CN113034488B (zh) 一种喷墨印刷品的视觉检测方法
US20220023917A1 (en) Method for separating and classifying waste, in particular packaging
CN111665251A (zh) 一种表面缺陷视觉检测方法
CN108037142A (zh) 基于图像灰度值的掩膜版光学缺陷检测方法
CN110412055A (zh) 一种基于多光源暗场照明的透镜白雾缺陷检测方法
Vishwanath et al. Connected component analysis for Indian license plate infra-red and color image character segmentation
CN104156703A (zh) 基于色彩纹理的车牌定位方法及***
JP2022133297A (ja) 操作者の強調された視認のための色の区分けを備える映像システム
Duong et al. Vision inspection system for pharmaceuticals
US10145756B2 (en) Inspection of defects in a contact lens
Fan et al. An automatic machine vision method for the flaw detection on car's body
WO2013018207A1 (ja) 容器口部検査方法及び装置
JP5390755B2 (ja) 画像処理による外観検査方法およびその装置
KR101543896B1 (ko) 스캡 결함 검출 장치 및 방법
Henderson et al. An application of gaussian mixtures: Colour segmenting for the four legged league using hsi colour space
CN105344620A (zh) 基于物料形状的色选方法
Henderson et al. An automated colour calibration system using multivariate gaussian mixtures to segment hsi colour space
US7321679B2 (en) Machine for inspecting glass bottles
CN109543687A (zh) 一种流水线快餐盒自动识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant