CN109752391A - 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 - Google Patents
一种基于机器视觉的胡萝卜表面缺陷识别量化方法 Download PDFInfo
- Publication number
- CN109752391A CN109752391A CN201910162568.6A CN201910162568A CN109752391A CN 109752391 A CN109752391 A CN 109752391A CN 201910162568 A CN201910162568 A CN 201910162568A CN 109752391 A CN109752391 A CN 109752391A
- Authority
- CN
- China
- Prior art keywords
- carrot
- image
- quantization method
- matrix
- gray
- 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.)
- Granted
Links
- 244000000626 Daucus carota Species 0.000 title claims abstract description 117
- 235000002767 Daucus carota Nutrition 0.000 title claims abstract description 117
- 238000013139 quantization Methods 0.000 title claims abstract description 49
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005336 cracking Methods 0.000 claims abstract description 22
- 238000005452 bending Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 32
- 210000000746 body region Anatomy 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000012271 agricultural production Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 235000012055 fruits and vegetables Nutrition 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241000207199 Citrus Species 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241000220324 Pyrus Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000021017 pears Nutrition 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于机器视觉的胡萝卜表面缺陷识别量化方法,包括:胡萝卜图像的预处理;胡萝卜断裂缺陷识别量化方法、胡萝卜弯曲缺陷识别量化方法、胡萝卜开裂缺陷识别量化方法、胡萝卜须根缺陷识别量化方法和胡萝卜虫眼缺陷识别量化方法;本发明所公开的胡萝卜断裂、弯曲、开裂、侧根和虫眼等缺陷识别量化检测方法利用CCD相机获得胡萝卜实时图像,基于图像处理技术对获得的实时图像进行缺陷识别量化,克服了人工检测的主观性,提高了缺陷识别量化的客观性和准确性。应用于农业生产加工和分级,能够提高生产效率,降低生产成本。
Description
技术领域
本发明涉及农产品加工技术领域,具体涉及一种基于机器视觉的胡萝卜表面缺陷识别量化方法。
背景技术
胡萝卜的分级销售有助于提升胡萝卜的市场竞争力和销售价格,提高胡萝卜生产企业利润。目前胡萝卜分选主要依靠人工完成,这种分选方式效率低,主观性强、标准不严格,具有人工分选的固有缺陷。并且随着用人成本的上升,进一步压缩了胡萝卜加工企业的利润。人工分选已经不能满足胡萝卜加工企业的生产要求。
机器视觉提供了一种高效、低成本和实时的果蔬在线检测、分级方法,采用机器视觉对胡萝卜进行在线分级,可以节省劳动力,提高识别准确性,保证胡萝卜分级的一致性,为胡萝卜生产企业降低生产成本,提高行业竞争力。目前有大量的运用机器视觉对果蔬分级的研究,但其主要适用于球形或类球形果蔬,如苹果、桃、梨、柑橘和马铃薯等。这些技术在长形果蔬上的应用具有局限性,因此需要研究开发适合胡萝卜分选的机器视觉方法。
目前国内还没有相对成熟的基于机器视觉的胡萝卜分选方法,根据中华人民共和国国内贸易行业标准(SB/T10450-2007)、胡萝卜购销等级要求(中华人民共和国***2007.12.28发布),影响胡萝卜购销等级的关键指标有歪扭、弯曲、开裂、青头和病虫伤等,其衡量标准比较模糊,为胡萝卜缺陷检测带来了困难,需要对胡萝卜的缺陷指标进行量化。
发明内容
现有的胡萝卜分级设备多根据胡萝卜的粗细不同,采用不同间隙的滚轴等机械方式使胡萝卜按照一定的粗度分级,虽然这种分级方式极大提高了生产效率,节省人工成本,但不能把有缺陷(青头、断裂、弯曲、开裂、须根等)的胡萝卜识别出来,影响分级效果,因此不适合大规模推广应用。本发明公开的胡萝卜表面缺陷检测方法可提供一种基于机器视觉的胡萝卜断裂、弯曲、开裂、须根、虫眼五种缺陷识别量化方法。
为达到以上目的,本发明采取的技术方案是:
一种基于机器视觉的胡萝卜表面缺陷识别量化方法,包括:胡萝卜图像的预处理;胡萝卜断裂缺陷识别量化方法、胡萝卜弯曲缺陷识别量化方法、胡萝卜开裂缺陷识别量化方法、胡萝卜须根缺陷识别量化方法和胡萝卜虫眼缺陷识别量化方法;
所述胡萝卜图像的预处理包括以下步骤:
(1)将胡萝卜的RGB图像转换为HSV图像,提取出H、S、V三个分量图像,对H、S、V三个分量图像分别选取阈值使背景变为黑色,得到消除背景的二值图像;
(2)从胡萝卜源图像中获取R、G、B三个分量图像,并根据公式①、②对R、G、B三个分量图像进行处理,得到灰度图像Gray和灰度图像gray,再利用全局阈值对灰度图像Gray和灰度图像gray分别进行二值化,消除复杂背景影响,得到灰度图像Gray、灰度图像gray对应的二值图像;
Gray=G-B ①
gray=2*R-G-B ②;
所述胡萝卜断裂缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的H分量图像得到二值图像;
(2)获得二值图像的边缘;
(3)根据二值图像的边缘,获取二值图像的最小外接矩形,得到最小外接矩形的长L和宽W;
(4)计算胡萝卜的纵横比ZR=W/L;
(5)提取出二值图像两端的边缘点坐标,保存在矩阵Q1和矩阵Q2中;
(6)分别对矩阵Q1、矩阵Q2求斜率,得到斜率k1和斜率k2;
(7)根据ZR、k1和k2,确定胡萝卜是否是真的断裂,防止误判并判断出断裂曲面的形状;
当ZR大于阈值0.25时且k1或k2中出现多于5个无穷大时,胡萝卜为断裂,且ZR越大断裂越严重,当k1或k2中出现无穷大次数越多时,表示断面越陡峭;
所述胡萝卜弯曲缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的H分量图像得到二值图像;
(2)对得到的二值图像进行面积去噪,去掉小的斑点;
(3)用圆形腐蚀单元对二值图像进行腐蚀,消除边缘毛刺;
(4)在二值图像中提取出连通像素面积在某一范围内的区域,即为胡萝卜主体区域;
(5)抽取胡萝卜主体区域的骨架,获得骨架图像;
(6)对骨架图像进行hough变换,得到骨架图像的两条拟合直线,两条拟合直线的夹角分别为θ1,θ2;
(7)根据θ1,θ2计算得到弯曲度BR,BR=180/π*|θ1-θ2|;
当弯曲度BR大于阈值5时,表示胡萝卜弯曲,且弯曲度BR越大,表示胡萝卜弯曲程度越大;
所述胡萝卜开裂缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的R、G、B三个分量图像,通过式①得到灰度图像Gray,对灰度图像Gray进行二值化,得到二值图像;
(2)在二值图像中提取出连通像素面积在某一范围(如[200050000])内的区域;
(3)获得该区域的等价椭圆,得到等价椭圆的长半轴a和短半轴b以及区域面积A2;
(4)根据椭圆面积公式S=π*a*b计算出等价椭圆的面积;
(5)计算区域面积和等价椭圆面积之比i=A2/S,长半轴和短半轴之比a/b;
(6)开裂度用长半轴与短半轴构成三角形的夹角表示,KR=2*180/π*arctan(b/a);
当a/b大于5时且i=A2/S大于阈值0.8时,判断其为开裂区域,开裂度KR越大说明开裂越严重;
所述胡萝卜须根缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的S分量图像,得到二值图像;
(2)对二值图像进行内部孔洞的填充;
(3)获取二值图像的边缘点坐标,保存在矩阵P中;
(4)从矩阵P中提取出上边缘的坐标存在矩阵P1中,从矩阵P提取出下边缘坐标存在矩阵P2中;
(5)分别对矩阵P1和矩阵P2每隔50个像素进行取样,取样后得到矩阵P3和矩阵P4;
(6)分别对矩阵P3、矩阵P4求斜率,得到斜率k3、斜率k4,求取k3和k4的峰值,当有一个峰值大于阈值1.5时,则胡萝卜存在一处须根,当有若干个峰值大于阈值1.5时,则胡萝卜存在若干处须根,找到峰值对应的点,并记录在二值图像中,求取坐标,该坐标对应胡萝卜须根的位置;
所述胡萝卜虫眼缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的R、G、B三个分量图像,通过式②得到灰度图像gray,对灰度图像gray进行二值化,得到二值图像,二值图像的面积为A;
(2)在二值图像中提取出面积在某一范围(如[1000 20000])的连通区域;
(3)获得连通区域的等价椭圆,得到等价椭圆的长半轴a、短半轴b和周长C;
(4)根据椭圆面积公式S=π*a*b计算出等价椭圆的面积;
(5)获得连通区域的圆形度e=4*π*S/C2;
(6)计算虫眼比CR=S/A;
当圆形度e大于阈值0.6时,判断其为虫眼,并计算出虫眼比。
附图说明
本发明有如下附图:
图1本发明的缺陷识别量化流程图。
图2本发明中须根识别量化流程图。
图3本发明中断裂识别量化示意图。
图4本发明中弯曲识别量化示意图。
图5本发明中开裂识别量化示意图。
图6本发明中须根识别示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例,请参照图1-图6,图1给出了本发明所述的胡萝卜缺陷识别量化主流程图;图2给出了本发明中胡萝卜须根识别量化检测的流程图;图3示出了本发明中断裂识别量化检测的示意图;图4示意性的给出了本发明中弯曲识别量化检测的原理图;图5展示了本发明中开裂识别量化检测的示意图;图6示出了本发明中胡萝卜须根识别量化检测的原理图。
首先采用CCD摄像头拍摄胡萝卜图像,图像分辨率为2592*1944且胡萝卜为水平放置。接着依据图1所示流程依次对所采集的图像进行如下处理:
对图像进行预处理,分别获取胡萝卜图像的H、S、V图像和R、G、B图像,然后对H分量图像采用阈值为0.2进行二值化,获得消除背景的二值图像;对S分量图像进行二值化,阈值为0.5,背景设为黑色;对V分量图像采用阈值为0.4进行二值化,获得二值图像;利用公式①得到灰度图像并二值化,阈值为100;利用公式②得到灰度图像,用全局阈值(100)进行二值化,得到突出红色部分的二值图像。接下来根据前面所提到的方法进行胡萝卜断裂、弯曲、开裂、须根和虫眼的量化识别。
胡萝卜断裂识别量化步骤如下:
1)对胡萝卜的H分量图像进行阈值分割,阈值为0.2,得到二值图像;
2)用面积去噪的方式去除噪声,获得二值图像的边缘;
3)根据二值图像的边缘,获取二值图像的最小外接矩形,得到最小外接矩形的长L和宽W;
4)计算胡萝卜的纵横比ZR=W/L;
5)提取出二值图像两端的边缘坐标,保存在Q1和Q2中(如图3(Q)所示;
6)计算出Q1和Q2的斜率k1、k2(如图3(K1)所示);
当纵横比ZR大于0.25且k1或k2中有不少于5个无穷大时,即判断为断裂,本实施例中的纵横比ZR为0.27且k1中有15个无穷大点,所以本实施例可以判定为断裂,且断裂面很陡峭。
胡萝卜弯曲识别量化实施步骤如下:
1)对胡萝卜的H分量图像进行阈值分割,阈值为0.2,得到二值图像;
2)对得到的二值图像进行面积去噪,去掉小的斑点;
3)用半径为3的圆形腐蚀单元对二值图像进行腐蚀处理,消除边缘毛刺;
4)在二值图像中提取出面积大于100000个像素面积的区域,即为胡萝卜主体区域;
5)抽取胡萝卜主体区域的骨架,获得骨架图像;
6)对骨架图像进行hough变换,获得如图4所示的两条拟合直线,两条拟合直线的夹角分别为θ1,θ2;
6)根据θ1,θ2计算得到弯曲度BR=180/π*|θ1-θ2|;
本实施例中,弯曲度BR为11.24,弯曲度BR越大,表示胡萝卜弯曲程度越严重。
胡萝卜开裂识别量化结果如图5所示,具体步骤如下:
1)获取胡萝卜RGB图像后,用公式①计算得到灰度图像,并二值化,得到二值图像,阈值为100;
2)在二值图像中提取出面积在[2000 50000]的连通区域;
3)获得连通区域的等价椭圆和连通区域的面积A2;
4)获得等价椭圆的长半轴a和短半轴b,椭圆面积为S=π*a*b;
5)计算i=A2/S、长半轴和短半轴之比a/b和开裂度KR=2*180/π*arctan(b/a);
本例中a/b=6.53且i=0.97,所以判断其为开裂,开裂度KR=17.41。
胡萝卜须根识别量化步骤如下:
1)根据图2所示流程图,选取S分量图像进行二值化,得到二值图像,阈值为0.5;
2)对二值图像进行内部孔洞的填充;
3)提取出二值图像的边缘点坐标,保存到P中,如图6(P)所示;
4)按顺时针从P中提取出上边缘坐标(图6(P1))和下边缘坐标,分别存在P1和P2(图6(P2));
5)对P1和P2每隔50个像素进行取样,取样后得到P3和P4,
6)分别对矩阵P3、矩阵P4求斜率,得到斜率k3、斜率k4,求取k3和k4的峰值,如图6(K)所示;
本例中有一个峰值为2.07,大于1.5,所以胡萝卜有一个须根,须根的位置在图上的坐标为(1417,377);
胡萝卜虫眼识别量化步骤如下:
1)获取胡萝卜的RGB图像,通过公式②获得强调红色的灰度图像,并二值化,得到二值图像,阈值为100;二值图像的面积为A=480936;
2)通过面积去噪的方式,在二值图像中获得面积在[1000 20000]的连通区域,即是虫眼区域;
3)获得虫眼区域的等价椭圆并得到等价椭圆的长半轴a=34.16、短半轴b=28.57、周长C=201.87;
4)根据椭圆面积公式S=π*a*b计算出等价椭圆的面积,即为虫眼面积;
5)圆形度计算公式e=4*π*S/C2;
6)计算虫眼比CR=S/A;
本例中椭圆面积S为3065.8个像素面积,虫眼比CR=0.0064,虫眼圆形度为0.945。
本发明的优点:
本发明所公开的胡萝卜断裂、弯曲、开裂、侧根和虫眼等缺陷识别量化检测方法利用CCD相机获得胡萝卜实时图像,基于图像处理技术对获得的实时图像进行缺陷识别量化,克服了人工检测的主观性,提高了缺陷识别量化的客观性和准确性。应用于农业生产加工和分级,能够提高生产效率,降低生产成本。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (2)
1.一种基于机器视觉的胡萝卜表面缺陷识别量化方法,其特征在于,包括:胡萝卜图像的预处理;胡萝卜断裂缺陷识别量化方法、胡萝卜弯曲缺陷识别量化方法、胡萝卜开裂缺陷识别量化方法、胡萝卜须根缺陷识别量化方法和胡萝卜虫眼缺陷识别量化方法;
所述胡萝卜图像的预处理包括以下步骤:
(1)将胡萝卜的RGB图像转换为HSV图像,提取出H、S、V三个分量图像,对H、S、V三个分量图像分别选取阈值使背景变为黑色,得到消除背景的二值图像;
(2)从胡萝卜源图像中获取R、G、B三个分量图像,并根据公式①、②对R、G、B三个分量图像进行处理,得到灰度图像Gray和灰度图像gray,再利用全局阈值对灰度图像Gray和灰度图像gray分别进行二值化,消除复杂背景影响,得到灰度图像Gray、灰度图像gray对应的二值图像;
Gray=G-B ①
gray=2*R-G-B ②;
所述胡萝卜断裂缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的H分量图像得到二值图像;
(2)获得二值图像的边缘;
(3)根据二值图像的边缘,获取二值图像的最小外接矩形,得到最小外接矩形的长L和宽W;
(4)计算胡萝卜的纵横比ZR=W/L;
(5)提取出二值图像两端的边缘点坐标,保存在矩阵Q1和矩阵Q2中;
(6)分别对矩阵Q1、矩阵Q2求斜率,得到斜率k1和斜率k2;
(7)根据ZR、k1和k2,确定胡萝卜是否是真的断裂,并判断出断裂曲面的形状;
当ZR大于阈值0.25时且k1或k2中出现多于5个无穷大时,胡萝卜为断裂,且ZR越大断裂越严重,当k1或k2中出现无穷大次数越多时,表示断面越陡峭;
所述胡萝卜弯曲缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的H分量图像得到二值图像;
(2)对得到的二值图像进行面积去噪,去掉小的斑点;
(3)用圆形腐蚀单元对二值图像进行腐蚀,消除边缘毛刺;
(4)在二值图像中提取出连通像素面积在某一范围内的区域,即为胡萝卜主体区域;
(5)抽取胡萝卜主体区域的骨架,获得骨架图像;
(6)对骨架图像进行hough变换,得到骨架图像的两条拟合直线,两条拟合直线的夹角分别为θ1,θ2;
(7)根据θ1,θ2计算得到弯曲度BR,BR=180/π*|θ1-θ2|;
当弯曲度BR大于阈值5时,表示胡萝卜弯曲,且弯曲度BR越大,表示胡萝卜弯曲程度越大;
所述胡萝卜开裂缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的R、G、B三个分量图像,通过式①得到灰度图像Gray,对灰度图像Gray进行二值化,得到二值图像;
(2)在二值图像中提取出连通像素面积在某一范围内的区域;
(3)获得该区域的等价椭圆,得到等价椭圆的长半轴a和短半轴b以及区域面积A2;
(4)根据椭圆面积公式S=π*a*b计算出等价椭圆的面积;
(5)计算区域面积和等价椭圆面积之比i=A2/S,长半轴和短半轴之比a/b;
(6)开裂度用长半轴与短半轴构成三角形的夹角表示,KR=2*180/π*arctan(b/a);
当a/b大于5时且i=A2/S大于阈值0.8时,判断其为开裂区域,开裂度KR越大说明开裂越严重。
2.如权利要求1所述的基于机器视觉的胡萝卜表面缺陷识别量化方法,其特征在于,所述胡萝卜须根缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的S分量图像,得到二值图像;
(2)对二值图像进行内部孔洞的填充;
(3)获取二值图像的边缘点坐标,保存在矩阵P中;
(4)从矩阵P中提取出上边缘的坐标,保存在矩阵P1中,从矩阵P提取出下边缘坐标,保存在矩阵P2中;
(5)分别对矩阵P1和矩阵P2每隔50个像素进行取样,取样后得到矩阵P3和矩阵P4;
(6)分别对矩阵P3、矩阵P4求斜率,得到斜率k3、斜率k4,求取k3和k4的峰值,当有一个峰值大于阈值1.5时,则胡萝卜存在一处须根,当有若干个峰值大于阈值1.5时,则胡萝卜存在若干处须根,找到峰值对应的点,并记录在二值图像中,求取坐标,该坐标对应胡萝卜须根的位置;
所述胡萝卜虫眼缺陷识别量化方法,包括如下步骤:
(1)根据胡萝卜的R、G、B三个分量图像,通过式②得到灰度图像gray,对灰度图像gray进行二值化,得到二值图像,二值图像的面积为A;
(2)在二值图像中提取出面积在某一范围的连通区域;
(3)获得连通区域的等价椭圆,得到等价椭圆的长半轴a、短半轴b和周长C;
(4)根据椭圆面积公式S=π*a*b计算出等价椭圆的面积;
(5)获得连通区域的圆形度e=4*π*S/C2;
(6)计算虫眼比CR=S/A;
当圆形度e大于阈值0.6时,判断其为虫眼,并计算出虫眼比。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018115869272 | 2018-12-25 | ||
CN201811586927 | 2018-12-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109752391A true CN109752391A (zh) | 2019-05-14 |
CN109752391B CN109752391B (zh) | 2020-06-30 |
Family
ID=66406784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910162568.6A Expired - Fee Related CN109752391B (zh) | 2018-12-25 | 2019-03-05 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109752391B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110434090A (zh) * | 2019-08-23 | 2019-11-12 | 中山德著智能科技有限公司 | 一种胡萝卜表面瑕疵检测方法 |
CN114354628A (zh) * | 2022-01-05 | 2022-04-15 | 威海若维信息科技有限公司 | 一种基于机器视觉的根茎类农产品缺陷检测方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08171634A (ja) * | 1994-12-16 | 1996-07-02 | Iseki & Co Ltd | 果実認識装置 |
JPH09163853A (ja) * | 1995-12-19 | 1997-06-24 | Iseki & Co Ltd | 果実の画像処理装置 |
JP2007071789A (ja) * | 2005-09-08 | 2007-03-22 | Yanmar Co Ltd | 栗の品質検査方法 |
TWI277911B (en) * | 2005-03-01 | 2007-04-01 | Ta-Te Lin | An image processing method for selected fruit by the X-ray scanner to automatically identify the region of injury within the scanned fruit |
CN101281112A (zh) * | 2008-04-30 | 2008-10-08 | 浙江理工大学 | 一种对网状粘连稻米的图像式自动分析方法 |
EP2466380A1 (en) * | 2010-12-20 | 2012-06-20 | Agfa Graphics N.V. | A curable jettable fluid for making a flexographic printing master |
CN102829735A (zh) * | 2012-08-31 | 2012-12-19 | 哈尔滨工业大学 | 基于机器视觉的e型磁材背面几何形状缺陷检测方法 |
CN103394472A (zh) * | 2013-07-04 | 2013-11-20 | 中国农业大学 | 一种基于机器视觉的绿化马铃薯检测分级方法 |
CN104056789A (zh) * | 2013-03-19 | 2014-09-24 | 青岛农业大学 | 一种胡萝卜缺陷的图像量化检测方法与分拣装置 |
CN104215639A (zh) * | 2013-06-05 | 2014-12-17 | 江南大学 | 一种基于机器视觉的梨表面缺陷检测方法 |
CN104280349A (zh) * | 2014-10-28 | 2015-01-14 | 南京农业大学 | 一种基于高光谱图像对白萝卜糠心鉴定的方法 |
CN105092597A (zh) * | 2015-09-14 | 2015-11-25 | 广东电网有限责任公司电力科学研究院 | 一种硬塑材料表面的裂纹检测方法 |
CN105354847A (zh) * | 2015-11-10 | 2016-02-24 | 浙江大学 | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 |
CN105404869A (zh) * | 2015-11-20 | 2016-03-16 | 陕西科技大学 | 一种基于计算机视觉的水果外形分级方法 |
CN105891231A (zh) * | 2015-01-26 | 2016-08-24 | 青岛农业大学 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
CN106204589A (zh) * | 2016-07-11 | 2016-12-07 | 陕西科技大学 | 一种基于数字图像处理的水果外形质量分级方法 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN106355185A (zh) * | 2016-08-30 | 2017-01-25 | 兰州交通大学 | 一种振动条件下快速提取钢轨表面区域的方法 |
CN107256549A (zh) * | 2017-06-06 | 2017-10-17 | 滁州市天达汽车部件有限公司 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108171693A (zh) * | 2017-12-27 | 2018-06-15 | 合肥市雅视智能科技有限公司 | 一种自动检测劣质蘑菇的方法 |
CN108985363A (zh) * | 2018-07-03 | 2018-12-11 | 长安大学 | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 |
CN109002821A (zh) * | 2018-07-19 | 2018-12-14 | 武汉科技大学 | 一种基于连通域和切线斜率的网银盾数字识别方法 |
-
2019
- 2019-03-05 CN CN201910162568.6A patent/CN109752391B/zh not_active Expired - Fee Related
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08171634A (ja) * | 1994-12-16 | 1996-07-02 | Iseki & Co Ltd | 果実認識装置 |
JPH09163853A (ja) * | 1995-12-19 | 1997-06-24 | Iseki & Co Ltd | 果実の画像処理装置 |
TWI277911B (en) * | 2005-03-01 | 2007-04-01 | Ta-Te Lin | An image processing method for selected fruit by the X-ray scanner to automatically identify the region of injury within the scanned fruit |
JP2007071789A (ja) * | 2005-09-08 | 2007-03-22 | Yanmar Co Ltd | 栗の品質検査方法 |
CN101281112A (zh) * | 2008-04-30 | 2008-10-08 | 浙江理工大学 | 一种对网状粘连稻米的图像式自动分析方法 |
EP2466380A1 (en) * | 2010-12-20 | 2012-06-20 | Agfa Graphics N.V. | A curable jettable fluid for making a flexographic printing master |
CN102829735A (zh) * | 2012-08-31 | 2012-12-19 | 哈尔滨工业大学 | 基于机器视觉的e型磁材背面几何形状缺陷检测方法 |
CN104056789A (zh) * | 2013-03-19 | 2014-09-24 | 青岛农业大学 | 一种胡萝卜缺陷的图像量化检测方法与分拣装置 |
CN104215639A (zh) * | 2013-06-05 | 2014-12-17 | 江南大学 | 一种基于机器视觉的梨表面缺陷检测方法 |
CN103394472A (zh) * | 2013-07-04 | 2013-11-20 | 中国农业大学 | 一种基于机器视觉的绿化马铃薯检测分级方法 |
CN104280349A (zh) * | 2014-10-28 | 2015-01-14 | 南京农业大学 | 一种基于高光谱图像对白萝卜糠心鉴定的方法 |
CN105891231A (zh) * | 2015-01-26 | 2016-08-24 | 青岛农业大学 | 一种基于图像处理的胡萝卜表面缺陷检测方法 |
CN105092597A (zh) * | 2015-09-14 | 2015-11-25 | 广东电网有限责任公司电力科学研究院 | 一种硬塑材料表面的裂纹检测方法 |
CN105354847A (zh) * | 2015-11-10 | 2016-02-24 | 浙江大学 | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 |
CN105404869A (zh) * | 2015-11-20 | 2016-03-16 | 陕西科技大学 | 一种基于计算机视觉的水果外形分级方法 |
CN106204589A (zh) * | 2016-07-11 | 2016-12-07 | 陕西科技大学 | 一种基于数字图像处理的水果外形质量分级方法 |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN106355185A (zh) * | 2016-08-30 | 2017-01-25 | 兰州交通大学 | 一种振动条件下快速提取钢轨表面区域的方法 |
CN107256549A (zh) * | 2017-06-06 | 2017-10-17 | 滁州市天达汽车部件有限公司 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108171693A (zh) * | 2017-12-27 | 2018-06-15 | 合肥市雅视智能科技有限公司 | 一种自动检测劣质蘑菇的方法 |
CN108985363A (zh) * | 2018-07-03 | 2018-12-11 | 长安大学 | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 |
CN109002821A (zh) * | 2018-07-19 | 2018-12-14 | 武汉科技大学 | 一种基于连通域和切线斜率的网银盾数字识别方法 |
Non-Patent Citations (10)
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110434090A (zh) * | 2019-08-23 | 2019-11-12 | 中山德著智能科技有限公司 | 一种胡萝卜表面瑕疵检测方法 |
CN114354628A (zh) * | 2022-01-05 | 2022-04-15 | 威海若维信息科技有限公司 | 一种基于机器视觉的根茎类农产品缺陷检测方法 |
CN114354628B (zh) * | 2022-01-05 | 2023-10-27 | 威海若维信息科技有限公司 | 一种基于机器视觉的根茎类农产品缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109752391B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yiyang | The design of glass crack detection system based on image preprocessing technology | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN109187581A (zh) | 基于视觉的成品轴承端面缺陷检测方法 | |
CN107610104A (zh) | 一种基于机器视觉的电梯补偿链r处裂纹检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN105445277A (zh) | 一种fpc表面质量视觉智能检测方法 | |
CN113658131B (zh) | 一种基于机器视觉巡游式环锭纺断纱检测方法 | |
CN108596930A (zh) | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 | |
CN108038838A (zh) | 一种棉麻纤维种类自动检测方法和*** | |
CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
CN111080636A (zh) | 彩钢瓦表面缺陷的cnn语义分割自学习检测方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN108647593A (zh) | 基于图像处理和svm的无人机路面破损分类检测方法 | |
CN115330645A (zh) | 一种焊接图像增强方法 | |
CN109752391A (zh) | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 | |
CN114792316A (zh) | 一种盘刹车轴底板点焊缺陷检测方法 | |
CN115471466A (zh) | 一种基于人工智能的钢材表面缺陷检测方法及*** | |
CN115201206A (zh) | 基于机器视觉的电动车车把缺陷检测方法 | |
Tang et al. | Surface inspection system of steel strip based on machine vision | |
CN115619799B (zh) | 一种基于迁移学习的晶粒图像分割方法及*** | |
CN111860500A (zh) | 一种鞋印磨损区域检测与描边方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200630 |