CN110766702A - 一种双孢蘑菇分级判断方法 - Google Patents
一种双孢蘑菇分级判断方法 Download PDFInfo
- Publication number
- CN110766702A CN110766702A CN201910994655.8A CN201910994655A CN110766702A CN 110766702 A CN110766702 A CN 110766702A CN 201910994655 A CN201910994655 A CN 201910994655A CN 110766702 A CN110766702 A CN 110766702A
- Authority
- CN
- China
- Prior art keywords
- image
- mushroom
- foreground
- pixel
- agaricus bisporus
- 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
- 235000001674 Agaricus brunnescens Nutrition 0.000 title claims abstract description 160
- 241000222519 Agaricus bisporus Species 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000006740 morphological transformation Effects 0.000 claims abstract description 14
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 230000007306 turnover Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 210000000078 claw Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012364 cultivation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种双孢蘑菇分级判断方法,属于双孢蘑菇生产领域。该装置包括如下步骤:S1,获取蘑菇图像信息;S2,提取感兴趣区域S3,图像分割,其包括:S31,将待提取图像转化为灰度图像;S32,采用OSTU阈值分割算法处理;S33,进行形态学变换;S34,对形态学变换图进行膨胀操作;S35,进行距离变换;S36,以距离为阈值进行固定阈值二值化确定前景图像;S37,将背景图像和前景图像相减,提取图像轮廓;S38,根据不确定区域在markers中经过分水岭变化最终得到原始图像的边界;S4,根据获取的前景图像,计算前景图像的像素个数m;S5,按照预设规则,根据蘑菇菌盖的面积判定等级。本发明可以提高双孢蘑菇的分级判断的精准度,降低人工分级所带来的误差。
Description
技术领域
本发明涉及双孢蘑菇生产领域,特别涉及一种双孢蘑菇分级判断方法。
背景技术
双孢蘑菇又称白蘑菇、蘑菇、洋蘑菇,欧美各国生产经营者常称之为普通栽培蘑菇或纽扣蘑菇。双孢蘑菇是世界性栽培和消费的菇类,有“世界菇”之称,可鲜销、罐藏、盐渍。双孢蘑菇的菌丝还作为制药的原料。中国双孢蘑菇栽培最多的有福建、山东、河南、浙江等省。栽培方式有菇房栽培、大棚架式栽培和大棚畦栽等。不同地区,不同气候条件和不同季节可采取适合自己的栽培方式。分布极广泛,中国普遍栽培。不过随着双孢菇栽培技术的不断发展,目前已经实现了双孢菇的工厂化生产,通过对蘑菇房的环境控制可以实现一年四季不间断地生产。工厂化生产双孢菇可以对蘑菇房的温度、湿度、CO2浓度及通风量等进行精确的控制,从而给双孢菇提供了非常适宜的生长环境。目前规模较大的双孢菇工厂日产量可以达到上百吨。
双孢菇在进行生产销售时,一般需要根据菌盖大小、残缺情况、褐变程度等参数对双孢菇进行等级筛选,以便根据市场需求获得更高的市场价格。但是目前双孢蘑菇工厂化生产中仍然采用人工分级,而人工分级对工人的熟练度要求较高,不同工作水平的人员分级的精准度参差不齐,另外大量依靠人工进行分级筛选工作量较大、效率低。
发明内容
本发明提供一种双孢蘑菇分级判断方法,可以解决现有技术中对双孢蘑菇进行分级时存在误差大、效率低的问题。
一种双孢蘑菇分级判断方法,包括如下步骤:
S1,获取蘑菇图像信息;
S2,提取感兴趣区域:根据蘑菇图像拍摄环境,设定参数并截取具有单一底色的蘑菇图像,获得待提取图像;计算出蘑菇外轮廓的最小外接矩形的左上点的坐标值,以及最小外接矩形的宽度W和高度H;
S3,图像分割,其包括:
S31,将待提取图像转化为灰度图像;
S32,采用OSTU阈值分割算法处理,得到二值化图像;
S33,进行形态学变换:使用3*3的矩阵作为模板进行闭运算,先膨胀,对图片的每一个像素x置于模板的中央,遍历所有被模板覆盖的其他元素,修改像素x的值为所有像素中最大的值,对膨胀后的图片进行腐蚀,对图像的每个像素做遍历修改像素为模板中的最小值,得到形态学变换图;
S34,对形态学变换图进行膨胀操作,得到背景图像;
S35,进行距离变换:设置掩模大小为3*3,设前景图片的RBG值为(255,255,255),即白色;设背景图片的RBG值为(0,0,0),即黑色;将非零像素点作为前景目标,零像素点作为背景;计算前景图片和背景图片的所有像素距离,使用最小二乘法,用所述距离替换为像素,生成距离变换图;
S36,以所述距离为阈值进行固定阈值二值化确定前景图像;
S37,将背景图像和前景图像相减,确定前景图像和背景图像重合的不确定区域,提取图像轮廓,得到标记markers;
S38,根据不确定区域在markers中经过分水岭变化最终得到原始图像的边界;
S4,根据获取的前景图像,计算前景图像的像素个数m,则蘑菇菌盖的面积为:m*25.4/d平方毫米,其中,d为摄像头的分辨率;
S5,按照预设规则,根据蘑菇菌盖的面积判定等级。
更优地,在S2中,采用OpenCV中的库函数findContours和boundingRect来计算蘑菇的最小外接矩形的左上点的坐标值,以及矩形的宽度W和高度H。
更优地,在S2中,还包括对所述最小外接矩形向外延伸13mm,得到扩展矩形。
更优地,S4中还包括分别计算蘑菇的正面和反面的面积,取二者最大值作为蘑菇的面积。
更优地,还包括S41,其包括:
S411,提取特征点:构建Hessian矩阵,待提取图像中任意一个像素点X=(x,y)的Hessian矩阵H(X,σ)如下:
其中,σ为尺度,Lxx(X,σ),Lxy(X,σ),Lyy(X,σ)分别为高斯滤波后待提取图像在各个方向上的二阶导数;
将积分图像与方框滤波器的卷积近似表示为Dxx,Dxy,Dyy,则得到Hessian行列式近似计算为:
det(Hessian)=DxxDyy-(λDxy)2 (2)
其中,λ为权重系数,用来平衡使用方框滤波器近似带来的误差;
将所有经过Hessian矩阵处理后的像素点与尺度空间中的点进行非极大值比较,找出图像的兴趣点;
在尺度空间和图像空间中进行线性插值运算获得最后稳定的特征点;
S412,将原始图像转换为灰度图像;
根据提取到的特征点,以特征点为圆心画圆;
取蘑菇正面阈值为5mm,反面阈值为13mm;
如果圆的大小超过该阈值,则认为是残缺,反之,则不是残缺;
S5,按照预设规则,根据蘑菇菌盖的面积和残缺情况判定等级。
本发明提供一种双孢蘑菇分级判断方法,可以提高双孢蘑菇的分级判断的精准度,降低人工分级所带来的误差,同时可以有效降低劳动工作量,提高效率降低成本。
附图说明
图1为双孢蘑菇分级***的结构示意图;
图2为图1的俯视图;
图3为图1的主视图;
图4为图1中翻面装置的结构示意图;
图5为图4的俯视图;
图6为图4的主视图;
图7为图1中分级装置的结构示意图;
图8为摄像头获取的原始图像;
图9为截取后的原始图像;
图10为待提取图像;
图11为图像分割的过程示例图;
图12为图像分割的流程图;
图13为菌盖面积计算流程图;
图14为S41的过程示例图;
图15为S41的流程图;
图16为褐变筛选的过程示例图。
具体实施方式
下面结合附图,对本发明的一个具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1至图3所示,本发明实施时提供的一种双孢蘑菇分级***,包括:
机架10;
离心式送料盘20,设置在机架10上,其中离心式送料盘20为现有技术中的送料盘,其利用离心力将物料顺序送出;
第一输送带11,固定安装在机架10上,其一端与离心式送料盘20相连接,用于输送从离心式送料盘20中送出的蘑菇;
第二输送带12,固定安装在机架10上,位于第一输送带11下方;
过渡连筒13,连接在第一输送带11的末端和第二输送带12的前端,用于将第一输送带11上输送的蘑菇传送至第二输送带12,过渡连筒13为C形结构的圆弧连接筒,其具有贯通的空腔,空腔也成C形结构,第一输送带11输送的蘑菇运动至第一输送带11的末端时,落入过渡连筒13中,在重力作用下,蘑菇通过过渡连筒13滑落至第二输送带12上;
图像采集***,用于获取第一输送带11上的蘑菇的图像并判定蘑菇等级;
分级装置,用于对第二输送带12上的蘑菇进行分级剔除;
控制装置,用于获取蘑菇等级信息并控制分级装置动作。
具体地,分级装置包括光电传感器和分拣抓40,光电传感器设置在机架10上,用于检测第二输送带12上是否有蘑菇,光电传感器信号连接至控制装置;分拣抓40包括分拣电机41和若干拨杆42,若干拨杆42沿分拣电机41的输出轴周向均匀布置,若干拨杆42的一端固定连接至分拣电机41的输出端,分拣电机41的输出轴的轴心线与竖直方向具有一夹角A,拨杆42转动时用于将第二输送带12上的蘑菇剔除。其中,夹角A为60°,拨杆42与分拣电机41的输出轴的轴心线具有一夹角B,夹角B为120°。
蘑菇在离心式送料盘20的输送下,进入第一输送带11,在第一输送带11上输送的过程中,经过第一图像采集装置30时,第一图像采集装置30获取蘑菇的图像信息并发送至处理器,处理器根据预设的算法对蘑菇等级进行判断并发送至控制装置,控制装置接收信号,对分级装置进行控制。由于蘑菇是按顺序进行输送,因此第一图像采集装置30获取并判断等级的蘑菇会依次输送至第二输送带12上,根据顺序即可通过分级装置对蘑菇按照等级进行剔除。具体的,当经过第一图像采集装置30采集图像信息并判断等级的蘑菇运送至第二输送带12时,光电传感器检测到该蘑菇,发送信号至控制装置,控制装置根据接收到的等级信息,控制分级装置动作,需要剔除时,控制装置控制分拣电机41转动,分拣电机41带动拨杆42转动,拨杆42转动至第二输送带12正上方时恰好为竖直状态,可以方便地将蘑菇拨送至一侧的回收装置,其中,为了更好的将蘑菇剔除,在拨杆42远离分拣电机41的端部还设置有拨片43,拨片43和拨杆42垂直设置,拨片43可以增大拨杆42的工作面积,更易于将蘑菇剔除。与传统的气泵推离不同,本实施例中的分级装置没有所谓的回程,在蘑菇较为集中的情况下也不会对蘑菇分拣造成影响,避免漏检。
如图4至图6所示,本***还包括翻面装置和固定架50,翻面装置包括红外传感器51、相对设置的两个气缸52和设置在气缸52的输出端的挡板53,固定架50设置在机架10上,两个挡板53呈八字形布置,挡板53开口较大的一端均固定连接至固定架50,气缸52动作时,用于控制两个挡板53的自由端的开口角度,红外传感器51信号连接至控制装置,用于检测蘑菇是否翻面;其中,图像采集***包括第一图像采集装置30和第二图像采集装置31,第一图像采集装置30用于采集蘑菇一面的图像信息,第二图像采集装置31用于采集蘑菇另一面的图像信息;翻面装置位于第一图像采集装置30沿第一输送带11运动方向上的后侧,且位于第二图像采集装置31沿第一输送带11运动方向上的前侧。
具体地,图像采集装置包括设置在机架10上的暗箱、摄像头和光源,摄像头和光源设置在暗箱内,摄像头信号连接至控制装置。
当蘑菇在第一输送带11上运送时,先经过第一图像采集装置30,运动至第一图像采集装置30时,第一图像采集装置30对蘑菇一面的信息进行拍摄并判断蘑菇等级,而后蘑菇在第一输送带11的运送下继续动作,运动至翻面装置时,由于蘑菇的大小基本上在一个区间内,因此将两块挡板53较小的开口端的距离设置为比蘑菇的外径小,较大的开口端的距离比蘑菇的外径大,如此蘑菇可以顺利进入两块挡板53之间,然后运动至靠近较小的开口端的位置时,蘑菇部分接触挡板53,受到阻力,由于蘑菇的特殊形状,其上侧部分接触挡板53,而底部不会接触挡板53,且同时底部还收到第一输送带11的摩擦力,因此会对蘑菇形成一个斜向上的合力,促使蘑菇进行翻转,由于蘑菇的高度一般小于外径尺寸,因此当蘑菇翻转时,如图6所示,正常运送下红外传感器51不会检测到蘑菇,而当蘑菇翻转时,在竖直方向上变高,会进入红外传感器51的检测范围内,红外传感器51检测到蘑菇翻转,将信号发送至控制装置,控制装置控制气缸52回缩,带动挡板53打开。为了防止蘑菇还没有完全翻转时,挡板53已经打开,导致蘑菇又再次翻转回去,可以对气缸52回缩行程设置延时操作,如红外传感器51检测到蘑菇翻转后,发送信号至控制装置,控制装置设置延时操作,经过1-2S后,再控制气缸52回缩。经过翻转后的蘑菇再在第一输送带11的运送下进入第二图像采集装置31,进行另一面的图像信息的获取,并进一步判断等级。
实施例一:
具体判断时,***根据双孢蘑菇的大小作为特征参数,将其分为四个等级分别为A级、B级、C级以及D级。
分级判断时,包括如下步骤:
S1,通过摄像头获取蘑菇图像信息;
S2,提取感兴趣区域:根据蘑菇图像拍摄环境,设定参数并截取具有单一底色的蘑菇图像,获得待提取图像;计算出蘑菇外轮廓的最小外接矩形的左上点的坐标值,以及最小外接矩形的宽度W和高度H。
具体地,本实施例以摄像头分辨率为96为例,***获取到的蘑菇图像包括传送带及其边缘部分,为准确获取双孢蘑菇的特征参数,需要对蘑菇图像进行感兴趣区域提取,首先对摄像头拍到的图8左侧截取158个像素右侧截取150个像素,去除传送带侧边铝材,得到图9所示的图像,其中,具体截取的像素值根据传送带的宽度和摄像头的取景大小来具体设定,最终目的获取到单一背景色的图像即可;然后对图9中的图片采用OpenCV中的库函数findContours和boundingRect设定特定的参数计算出蘑菇的最小外接矩形的左上点位置(x,y)和矩形的宽度w和高度h,然后对这个矩形向外延伸50个像素点,得到矩形的位置:长:x-50~x+w+50,宽:y-50~y+h+50,根据矩形的位置截取得到图10所示的图像。
感兴趣区域提取将双孢蘑菇的图像从整幅图像中分离出来,去除干扰,得到待提取图像,作为后续的图像处理使用。
如图11所示,S3,图像分割,其包括:
S31,将待提取图像转化为灰度图像;
S32,采用OSTU阈值分割算法处理,得到二值化图像;
S33,进行形态学变换:使用3*3的矩阵作为模板进行闭运算,先膨胀,对图片的每一个像素x置于模板的中央,遍历所有被模板覆盖的其他元素,修改像素x的值为所有像素中最大的值,对膨胀后的图片进行腐蚀,对图像的每个像素做遍历修改像素为模板中的最小值,得到形态学变换图;
S34,对形态学变换图进行膨胀操作,得到背景图像;
S35,进行距离变换:设置掩模大小为3*3,设前景图片的RBG值为(255,255,255),即白色;设背景图片的RBG值为(0,0,0),即黑色;将非零像素点作为前景目标,零像素点作为背景;计算前景图片和背景图片的所有像素距离,使用最小二乘法,用所述距离替换为像素,生成距离变换图;
S36,以所述距离为阈值进行固定阈值二值化确定前景图像;
S37,将背景图像和前景图像相减,确定前景图像和背景图像重合的不确定区域,提取图像轮廓,得到标记markers;
S38,根据不确定区域在markers中经过分水岭变化最终得到原始图像的边界;
S4,根据获取的前景图像,计算前景图像的像素个数m,则蘑菇菌盖的面积为:m*25.4/d平方毫米,其中,d为摄像头的分辨率;
具体地,如图12所示,首先将待提取图像,也即图11中(a)转化为图11中的灰度图像(b),采用OSTU阈值分割算法,得到图11中的二值化图像(c)。然后进行形态学变换,使用3*3的矩阵作为模板进行闭运算,先膨胀,对图片的每一个像素x置于模板的中央,遍历所有被模板覆盖的其他元素,修改像素x的值为所有像素中最大的值,然后在对膨胀后的图片进行腐蚀,对图像的每个像素做遍历修改像素为模板中的最小值,结果消除小型黑洞以及裂缝,去除噪声得到图11中的图像(d),对形态学变换得到的形态学变换图进行膨胀操作,得到图11中的背景图像(e)。接着进行距离变换,设置掩模大小为3*3,设前景图片RGB值为(255,255,255),即白色,背景RGB值为(0,0,0),即黑色,所以非零像素点即为前景目标,零像素点即为背景,前景目标中的像素距离背景越远,距离越大,使用最小二乘法,用这个距离替换为像素,生成图11中的图像(f),以这些距离为阈值进行固定阈值二值化确定得到图11中的前景图像(g),将图11中的背景图像(e)和图11中的前景图像(g)相减确定前景和背景重合的不确定区域,提取图像轮廓,得到标记markers。根据不确定区域在markers中经过分水岭变化最终得到图11中的待提取图像的边界(h)。算法流程图如图12所示。
S5,按照预设规则,根据蘑菇菌盖的面积判定等级。
具体地,如图13所示,***根据双孢蘑菇行业标准NY/T1790-2009,选用双孢蘑菇菌盖面积作为大小分级的特征参数,分为“大、中、小”3级(直径>45mm为一级,25≤直径≤45mm为二级,直径<25mm为三级),本研究在此基础上将直径<10mm定义为四级。1英寸=2.54厘米,像素高/分辨率=图像高的尺寸,像素宽/分辨率=图像宽的尺寸装置选用的摄像头分辨率为96,根据前述步骤获取的前景图像,计算前景图像的像素个数m,则蘑菇的面积为:m*25.4/96平方毫米。分别计算蘑菇的正面和反面的面积,由于蘑菇柄部可能使蘑菇出现侧放现象,导致正面面积减小,因此取二者最大值作为蘑菇的面积。
实施例二:
SURF(Speeded-up Robust Features)算法是基于SIFT(Scale-invariantfeature transform)算法的改进算法,由Herbert Bay于2006年在欧洲计算机视觉国际会议上提出,该算法不依赖于像素值且受遮挡、角度等拍摄效果影响较小,具有计算速度快、稳定性高的特点。SURF算法主要包括两个部分:特征点的提取、特征点的描述。
在实施例一的基础上,如图14和图15所示,本实施例还包括S41,其包括:
S411,提取特征点:构建Hessian矩阵,待提取图像中任意一个像素点X=(x,y)的Hessian矩阵H(X,σ)如下:
其中,σ为尺度,Lxx(X,σ),Lxy(X,σ),Lyy(X,σ)分别为高斯滤波后待提取图像在各个方向上的二阶导数;
将积分图像与方框滤波器的卷积近似表示为Dxx,Dxy,Dyy,则得到Hessian行列式近似计算为:
det(Hessian)=DxxDyy-(λDxy)2 (2)
其中,λ为权重系数,用来平衡使用方框滤波器近似带来的误差;
将所有经过Hessian矩阵处理后的像素点与尺度空间中的点进行非极大值比较,找出图像的兴趣点;
在尺度空间和图像空间中进行线性插值运算获得最后稳定的特征点;
S412,将原始图像转换为灰度图像;
根据提取到的特征点,以特征点为圆心画圆;
取蘑菇正面阈值为5mm,反面阈值为13mm;在本实施例中,也即正面阈值为22像素,反面阈值为50像素。由于蘑菇反面菇柄的存在,因此反面阈值大于正面阈值。
如果圆的大小超过该阈值,则认为是残缺,反之,则不是残缺;
其中,图14给出了几个具体实施时的图像示例。
S5,按照预设规则,根据蘑菇菌盖的面积和残缺情况判定等级。
实施例三:
在实施例一或二的基础上,还包括根据褐变筛选的步骤。如图16所示,Lab格式图像中L值能够较好地反映蘑菇的亮度,从而反映蘑菇褐变程度,因此将摄像头获取的RGB格式图像转化为Lab格式图像。L=0为黑色,L=100为白色,L值大表示偏白,L值小表示偏黑;L值在86及以上为品质好的蘑菇,L值在80-85之间为较好的蘑菇,L值在70-79之间为较差蘑菇,L值低于69的蘑菇则没有食用价值,分别对应1、2、3、4四个等级。对菌盖的每个像素点进行遍历,统计每个等级对应的像素点个数,根据分水岭算法得到的菌盖像素个数,分别计算出1、2、3、4四个等级对应的像素个数占菌盖像素总数的比率为R1、R2、R3、R4,经过大量实验确定,R1≥0.65为1等级,0.58≤R2<0.65为2等级,0.53≤R3<0.58为3等级,R4<0.53为4等级。
目前,在实验室对样机进行了试验。从沈阳农业大学食用菌基地采摘蘑菇100个,采后直接运至实验室,使用样机进行测试并与人工分级结果进行对比,将人工分级结果作为标准。人工判别使用游标卡尺测量双孢蘑菇的菌盖直径作为大小参数,褐变、残缺特征参数找行业相关专家通过肉眼观察蘑菇外观进行判别。试验结果如表1所示。
表1分级试验结果
Table2 Result of Agaricus bisporus grading
从表1可以看出,使用双孢蘑菇自动分级***平均正确率约为96.45%,其中,检测错误主要是因为残缺和褐变出现在蘑菇的柄部或者侧面,摄像头无法拍到的部分。试验结果表明分级方法对双孢蘑菇大小、褐变、残缺检测有效。
以上公开的仅为本发明的几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (5)
1.一种双孢蘑菇分级判断方法,其特征在于,包括如下步骤:
S1,获取蘑菇图像信息;
S2,提取感兴趣区域:根据蘑菇图像拍摄环境,设定参数并截取具有单一底色的蘑菇图像,获得待提取图像;计算出蘑菇外轮廓的最小外接矩形的左上点的坐标值,以及最小外接矩形的宽度W和高度H;
S3,图像分割,其包括:
S31,将待提取图像转化为灰度图像;
S32,采用OSTU阈值分割算法处理,得到二值化图像;
S33,进行形态学变换:使用3*3的矩阵作为模板进行闭运算,先膨胀,对图片的每一个像素x置于模板的中央,遍历所有被模板覆盖的其他像素,修改像素x的值为所有像素中最大的值,对膨胀后的图片进行腐蚀,对图像的每个像素做遍历修改像素为模板中的最小值,得到形态学变换图;
S34,对形态学变换图进行膨胀操作,得到背景图像;
S35,进行距离变换:设置掩模大小为3*3,设前景图片的RBG值为(255,255,255),即白色;设背景图片的RBG值为(0,0,0),即黑色;将非零像素点作为前景目标,零像素点作为背景;计算前景图片和背景图片的所有像素距离,使用最小二乘法,用所述距离替换为像素,生成距离变换图;
S36,以所述距离为阈值进行固定阈值二值化确定前景图像;
S37,将背景图像和前景图像相减,确定前景图像和背景图像重合的不确定区域,提取图像轮廓,得到标记markers;
S38,根据不确定区域在markers中经过分水岭变化最终得到原始图像的边界;
S4,根据获取的前景图像,计算前景图像的像素个数m,则蘑菇菌盖的面积为:m*25.4/d平方毫米,其中,d为摄像头的分辨率;
S5,按照预设规则,根据蘑菇菌盖的面积判定等级。
2.如权利要求1所述的一种双孢蘑菇分级判断方法,其特征在于,在S2中,采用OpenCV中的库函数findContours和boundingRect来计算蘑菇的最小外接矩形的左上点的坐标值,以及矩形的宽度W和高度H。
3.如权利要求1所述的一种双孢蘑菇分级判断方法,其特征在于,在S2中,还包括对所述最小外接矩形向外延伸13mm,得到扩展矩形。
4.如权利要求1所述的一种双孢蘑菇分级判断方法,其特征在于,S4中还包括分别计算蘑菇的正面和反面的面积,取二者最大值作为蘑菇的面积。
5.如权利要求1所述的一种双孢蘑菇分级判断方法,其特征在于,还包括S41,其包括:
S411,提取特征点:构建Hessian矩阵,待提取图像中任意一个像素点X=(x,y)的Hessian矩阵H(X,σ)如下:
其中,σ为尺度,Lxx(X,σ),Lxy(X,σ),Lyy(X,σ)分别为高斯滤波后待提取图像在各个方向上的二阶导数;
将积分图像与方框滤波器的卷积近似表示为Dxx,Dxy,Dyy,则得到Hessian行列式近似计算为:
det(Hessian)=DxxDyy-(λDxy)2 (2)
其中,λ为权重系数,用来平衡使用方框滤波器近似带来的误差;
将所有经过Hessian矩阵处理后的像素点与尺度空间中的点进行非极大值比较,找出图像的兴趣点;
在尺度空间和图像空间中进行线性插值运算获得最后稳定的特征点;
S412,将原始图像转换为灰度图像;
根据提取到的特征点,以特征点为圆心画圆;
取蘑菇正面阈值为5mm,反面阈值为13mm;
如果圆的大小超过该阈值,则认为是残缺,反之,则不是残缺;
S5,按照预设规则,根据蘑菇菌盖的面积和残缺情况判定等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994655.8A CN110766702B (zh) | 2019-10-18 | 2019-10-18 | 一种双孢蘑菇分级判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994655.8A CN110766702B (zh) | 2019-10-18 | 2019-10-18 | 一种双孢蘑菇分级判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766702A true CN110766702A (zh) | 2020-02-07 |
CN110766702B CN110766702B (zh) | 2023-08-01 |
Family
ID=69332395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910994655.8A Active CN110766702B (zh) | 2019-10-18 | 2019-10-18 | 一种双孢蘑菇分级判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766702B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191176A (zh) * | 2020-06-08 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 数据处理方法和装置 |
CN113869294A (zh) * | 2021-12-03 | 2021-12-31 | 深圳竹云科技有限公司 | 基于计算机视觉的数据保护方法及相关设备 |
CN114800533A (zh) * | 2022-06-28 | 2022-07-29 | 诺伯特智能装备(山东)有限公司 | 一种用于工业机器人的分拣控制方法及*** |
CN114838665A (zh) * | 2022-07-04 | 2022-08-02 | 江西农业大学 | 一种基于黑皮鸡枞菌的尺寸原位测量方法 |
CN115082428A (zh) * | 2022-07-20 | 2022-09-20 | 江苏茂融智能科技有限公司 | 基于神经网络的金属斑点检测方法及*** |
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN117689673A (zh) * | 2024-02-04 | 2024-03-12 | 湘潭大学 | 基于分水岭的wc颗粒电镜图像分割及粒度分布计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527343A (zh) * | 2017-08-31 | 2017-12-29 | 山东省农业科学院科技信息研究所 | 一种基于图像处理的双孢蘑菇分级方法 |
US20190080450A1 (en) * | 2017-09-08 | 2019-03-14 | International Business Machines Corporation | Tissue Staining Quality Determination |
CN110059663A (zh) * | 2019-04-24 | 2019-07-26 | 扬州龙科信息科技有限公司 | 一种基于特征点检测的粘连蘑菇视觉识别与测量方法 |
-
2019
- 2019-10-18 CN CN201910994655.8A patent/CN110766702B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527343A (zh) * | 2017-08-31 | 2017-12-29 | 山东省农业科学院科技信息研究所 | 一种基于图像处理的双孢蘑菇分级方法 |
US20190080450A1 (en) * | 2017-09-08 | 2019-03-14 | International Business Machines Corporation | Tissue Staining Quality Determination |
CN110059663A (zh) * | 2019-04-24 | 2019-07-26 | 扬州龙科信息科技有限公司 | 一种基于特征点检测的粘连蘑菇视觉识别与测量方法 |
Non-Patent Citations (2)
Title |
---|
卢丹 等: "基于图像处理的双孢蘑菇分级方法研究" * |
王延江 等, 西安电子科技大学出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191176A (zh) * | 2020-06-08 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 数据处理方法和装置 |
CN113869294A (zh) * | 2021-12-03 | 2021-12-31 | 深圳竹云科技有限公司 | 基于计算机视觉的数据保护方法及相关设备 |
CN114800533A (zh) * | 2022-06-28 | 2022-07-29 | 诺伯特智能装备(山东)有限公司 | 一种用于工业机器人的分拣控制方法及*** |
CN114800533B (zh) * | 2022-06-28 | 2022-09-02 | 诺伯特智能装备(山东)有限公司 | 一种用于工业机器人的分拣控制方法及*** |
CN114838665A (zh) * | 2022-07-04 | 2022-08-02 | 江西农业大学 | 一种基于黑皮鸡枞菌的尺寸原位测量方法 |
CN114838665B (zh) * | 2022-07-04 | 2022-09-02 | 江西农业大学 | 一种基于黑皮鸡枞菌的尺寸原位测量方法 |
CN115082428A (zh) * | 2022-07-20 | 2022-09-20 | 江苏茂融智能科技有限公司 | 基于神经网络的金属斑点检测方法及*** |
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN116912250B (zh) * | 2023-09-13 | 2023-11-28 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN117689673A (zh) * | 2024-02-04 | 2024-03-12 | 湘潭大学 | 基于分水岭的wc颗粒电镜图像分割及粒度分布计算方法 |
CN117689673B (zh) * | 2024-02-04 | 2024-04-23 | 湘潭大学 | 基于分水岭的wc颗粒电镜图像分割及粒度分布计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110766702B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766702B (zh) | 一种双孢蘑菇分级判断方法 | |
CN107486415B (zh) | 基于机器视觉的篾片缺陷在线检测***及检测方法 | |
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN110614232B (zh) | 一种双孢蘑菇分级*** | |
US9527115B2 (en) | Computer vision and machine learning software for grading and sorting plants | |
JP4704804B2 (ja) | 木材の節探査方法及び装置及びプログラム | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及*** | |
CN110610141A (zh) | 一种物流仓储规则形状货物识别*** | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
Deng et al. | A carrot sorting system using machine vision technique | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和*** | |
CN111739003A (zh) | 一种用于外观检测的机器视觉算法 | |
CN210847255U (zh) | 一种双孢蘑菇分级*** | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN116862900A (zh) | 一种大葱育秧播种质量检测方法 | |
CN108108678A (zh) | 一种钨矿矿石识别分选方法 | |
Bulanon et al. | A machine vision system for the apple harvesting robot | |
CN113145473A (zh) | 一种水果智能分拣***及方法 | |
CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及*** | |
CN112798108B (zh) | 一种瓷砖自适应分色方法及装置 | |
Liu et al. | Intelligent bamboo part sorting system design via machine vision | |
CN109829496A (zh) | 一种物理测量分类方法及设备 | |
CN112337810B (zh) | 一种视觉引导分拣珍珠机器人及其分拣方法 | |
KR101673056B1 (ko) | 곡물불량검출방법 |
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 |