CN110827267A - 一种白酒厂原酒酿造过程配糟质量视觉分析方法及*** - Google Patents
一种白酒厂原酒酿造过程配糟质量视觉分析方法及*** Download PDFInfo
- Publication number
- CN110827267A CN110827267A CN201911086865.3A CN201911086865A CN110827267A CN 110827267 A CN110827267 A CN 110827267A CN 201911086865 A CN201911086865 A CN 201911086865A CN 110827267 A CN110827267 A CN 110827267A
- Authority
- CN
- China
- Prior art keywords
- vinasse
- grade
- image
- color
- quality
- 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
- 238000002156 mixing Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000000007 visual effect Effects 0.000 title claims abstract description 20
- 238000013124 brewing process Methods 0.000 title claims abstract description 19
- 239000012535 impurity Substances 0.000 claims abstract description 59
- 238000005054 agglomeration Methods 0.000 claims abstract description 44
- 230000002776 aggregation Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 15
- 239000004615 ingredient Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000002360 preparation method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 241000208140 Acer Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8411—Application to online plant, process monitoring
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种白酒厂原酒酿造过程配糟质量视觉分析方法及***,方法包括:在恒亮度的情况下实时获取酒厂原酒酿造过程配糟区的彩色图像;在彩色图像中选取感兴趣区域;对选取的感兴趣区域的图像进行预处理;对预处理图像分别进行颜色等级、结团率等级、杂质等级及饱满等级的四个指标的计算;通过对四个指标进行加权计算得到配槽质量;本发明可直接顶替人工检测配糟质量,节约人力、时间,同时提供了量化的质量标准来判断配糟质量,判断配糟质量标准严谨且可追溯,为后期自动化过程奠定基础;同时本发明通过分析配槽的颜色等级、结团率等级、杂质等级及饱满等级指标来综合判断配槽质量,所得结果更为客观、准确。
Description
技术领域
本发明涉及白酒原酒酿造过程中质量监测技术领域,具体的说是涉及一种白酒厂原酒酿造过程配糟质量视觉分析方法及***。
背景技术
配糟是白酒酿造过程中重要的一环,配糟的状态以及配糟的质量直接影响着白酒的质量以及白酒的香味。然而通常情况下配糟的质量检测一般由有经验的老师傅,肉眼直接判断其好坏。这样的判断浪费人力及时间,并且存在不可对比性及不可确定性,从而导致配糟的质量一直没有可以量化的质量标准,且对于后期自动化过程中是薄弱的一环。
发明内容
为解决上述背景技术中提出的问题,本发明的目的在于提供一种白酒厂原酒酿造过程配糟质量视觉分析方法及***。
为实现上述目的,本发明采取的技术方案为:
本发明提供了一种白酒厂原酒酿造过程配糟质量视觉分析方法,包括以下步骤:
步骤1、在恒亮度的情况下实时获取酒厂原酒酿造过程中配糟区的彩色图像;
步骤2、利用模板匹配算法在步骤1获取的彩色图像中选取感兴趣区域,排除掉画面中无用的部分;
步骤3、对步骤2中选取的感兴趣区域的图像进行预处理;
预处理的具体方法为,对步骤2中选取的感兴趣区域的图像进行腐蚀、高斯变换的操作,消除图像中噪声,恢复有用的真实信息,增强有关信息的可检测性并简化数据;
步骤4、获取步骤3中预处理后的图像中的像素点个数及颜色,并计算像素点颜色占比,即配料颜色为红色和黄色占比之和,并判断颜色等级;
步骤5、获取步骤3中预处理过后的图像中所有连通图,并根据所有连通图的信息判断出配糟配料结团的连通图及结团率等级、配糟配料存在异物与杂质连通图及杂质等级、或者配糟颗粒饱满的连通图及饱满等级;
步骤6、根据步骤5的颜色等级和步骤6的结团率等级、杂质率等级及饱满等级的结合来分析配糟质量;
配糟质量得分为四项指标(颜色、结团、杂质、饱满度)加权得分之和,其中颜色占比的加权值为0.1,结团情况的加权值为0.5,杂质情况的加权值为0.2,饱满情况的加权值为0.2.,即配糟质量得分=0.1×颜色得分+0.5×结团得分+0.2×杂质得分+0.2×饱满得分。
上述技术方案中,步骤1中白酒厂原酒酿造过程配糟区保持恒亮度的方法为:利用感光元件实时监测配糟环境的亮度,并由光源控制器根据当前亮度自动调节光源亮度,实现配糟环境的恒亮度控制。
上述技术方案中,步骤4中,判断颜色等级的方法为:黄色像素点和红色像素点的总个数占图像中的像素点总个数的比例超过95%,则认为颜色等级为1;低于95%高于90%,则认为颜色等级为2;低于90%高于85%,则认为颜色等级为3;低于85%,则认为颜色等级为4;
上述技术方案中,步骤5中,判断配糟配料结团的连通图及结团率等级的方法:根据预处理过后的图像中每个连通图的像素点个数来判断是否结团,单个连通图的像素点大于阈值为3000的椭圆形为结团物质,同时计算判断为结团的连通图的像素点个数在整个配糟中像素点的个数的所占比例;当结团比例低于5%时认为结团率等级为1,结团比例低于10%高于5%时认为结团率等级为2,结团比例低于15%高于10%时认为结团率等级为3,结团比例高于15%时认为结团率等级为4;
上述技术方案中,步骤5中,判断配糟配料存在异物与杂质连通图及杂质等级的方法:根据预处理过后的图像中每个连通图的大小、像素点个数以及形状来判断是否存在异物与杂质,连通像素点个数大于1000小于3000的不为椭圆形状的物体为异物与杂质,同时计算判断为异物与杂质的连通图的像素点在整个配糟中像素点个数所占的比例;当杂质比例低于5%时认为杂质率等级为1,杂质比例低于10%高于5%时认为杂质率等级为2,杂质比例低于15%高于10%时认为杂质率等级为3,杂质比例高于15%时认为杂质率等级为4;
上述技术方案中,步骤5中,判断配糟颗粒饱满的连通图及饱满等级的方法:根根据预处理过后的图像中每个连通图形状及个数作为标准来判断配糟颗粒是否饱满,图像中单个连通图像素点低于1000的连通图为单个配糟颗粒,同时计算单个配糟颗粒中纵向的像素点最大个数与横向像素点的最大个数之比的比例,即单个配糟颗粒纵横比,纵横比越接近1则认为颗粒越饱满,越偏离1则认为越干瘪;若平均纵横比低于1.1则认为饱满等级为1;若平均纵横比低于1.3高于1.1则认为饱满等级为2;若平均纵横比低于1.5高于1.3则认为饱满等级为3;若平均纵横比高于1.5则认为饱满等级为4。
本发明还提供了一种白酒厂原酒酿造过程配糟质量视觉分析***,包括酒厂原酒酿造过程中的配槽区、设置在配槽区的设备架、光度调节模块、图像采集模块以及图像处理模块,所述光度调节模块、图像采集模块以及图像处理模块设置在设备架上。
所述光度调节模块包括感光元件和光源控制器,所述光源控制器与感光元件连接;所述感光元件实时监测配糟环境的亮度并将亮度信息发送给光源控制器;所述光源控制器根据感光元件实时监测的配糟区亮度,自动调节光源亮度,实现配糟环境的恒亮度控制;
所述图像采集模块包括摄像头和高速录像机,所述摄像头与高速录像机电连接,所述摄像头用于对配糟区进行录像,所述高速录像机用于储存摄像头对配糟区录像;
所述图像处理模块包括工控机,所述工控机内嵌设有配套软件,所述工控机从高速录像机中读取配糟区录像,再经过工控机内设的配套软件对录像进行处理,具体为截取配糟区录像其中的图像,再上述方法中的步骤2至步骤6进行分析处理最终得到配糟的质量结果。
与现有技术相比,本发明的有益效果是:
1、本发明可直接顶替人工检测配糟质量,节约人力、时间,同时提供了量化的质量标准来判断配糟质量,判断配糟质量标准严谨且可追溯,为后期自动化过程奠定基础。
2、本发明通过实时获取配槽区的彩色图像,并对彩色图像进行选区、预处理后,进行颜色等级、结团率等级、杂质等级及饱满等级的四个指标的计算,最后通过对四个指标进行加权计算得到配槽质量。本发明通过配槽的多项指标来综合判断配槽质量,所得结果更为客观、准确。
附图说明
图1为本发明提供的白酒厂原酒酿造过程配糟质量视觉分析方法的流程示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合附图和具体实施方式,进一步阐述本发明是如何实施的。
本发明提供了一种白酒厂原酒酿造过程配糟质量视觉分析方法,包括以下步骤:
步骤1、在恒亮度的情况下实时获取酒厂原酒酿造过程中配糟区的彩色图像;保持配槽区恒定亮度,可使传送的彩色图像具有最佳视觉信杂比;
其中,酒厂原酒酿造过程中配糟区保持恒亮度的方法为:利用感光元件实时监测配糟环境的亮度,并由光源控制器根据当前亮度自动调节光源亮度,实现配糟环境的恒亮度控制。
步骤2、利用模板匹配算法在步骤1获取的彩色图像中选取感兴趣区域,排除掉画面中无用的部分;其中,模板匹配算法为现有技术。
步骤3、对步骤2中利用模板匹配算法选取的感兴趣区域的图像进行预处理;
其中,使用模板匹配算法来选取感兴趣区域的具体方法为:首先根据初始图片建立一个标准模模板库,从待识别图像中提取若干特征向量与模板对应的特征向量进行比较,计算图像与模板特征向量之间的距离,用最小距离法判定所属类别为感兴趣区域或者是非感兴趣区域。
预处理的具体方法为,对步骤2中选取的感兴趣区域的图像进行腐蚀、高斯变换的操作,消除图像中噪声,恢复有用的真实信息,增强有关信息的可检测性并最大限度地简化数据;
步骤4、获取步骤3中预处理后的图像中的像素点个数及颜色,并计算像素点颜色占比,即配料颜色为红色和黄色占比之和,并判断颜色等级;
其中,配料黄色和红色总占比超过95%,则认为颜色等级为1;低于95%高于90%,则认为颜色等级为2;低于90%高于85%,则认为颜色等级为3;低于85%,则认为颜色等级为4;其中,配料黄色和红色总占比的计算方法为:黄色像素点和红色像素点的总个数占图像中的像素点总个数的比例。
步骤5、获取步骤3中预处理过后的图像中所有连通图,并根据所有连通图的信息判断出配糟配料结团的连通图及结团率等级、配糟配料存在异物与杂质连通图及杂质等级、或者配糟颗粒饱满的连通图及饱满等级;
5-1、判断配糟配料结团的连通图及结团率等级的方法:根据预处理过后的图像中每个连通图的像素点个数来判断是否结团,单个连通图的像素点大于阈值为3000的椭圆形为结团物质,同时计算判断为结团的连通图的像素点个数在整个配糟中像素点的个数的所占比例;当结团比例低于5%时认为结团率等级为1,结团比例低于10%高于5%时认为结团率等级为2,结团比例低于15%高于10%时认为结团率等级为3,结团比例高于15%时认为结团率等级为4;
5-2、判断配糟配料存在异物与杂质连通图及杂质等级的方法:根据预处理过后的图像中每个连通图的大小、像素点个数以及形状来判断是否存在异物与杂质,连通像素点个数大于1000小于3000的不为椭圆形状的物体为异物与杂质,同时计算判断为异物与杂质的连通图的像素点在整个配糟中像素点个数所占的比例;当杂质比例低于5%时认为杂质率等级为1,杂质比例低于10%高于5%时认为杂质率等级为2,杂质比例低于15%高于10%时认为杂质率等级为3,杂质比例高于15%时认为杂质率等级为4;
5-3、判断配糟颗粒饱满的连通图及饱满等级的方法:根根据预处理过后的图像中每个连通图形状及个数作为标准来判断配糟颗粒是否饱满,图像中单个连通图像素点低于1000的连通图为单个配糟颗粒,同时计算单个配糟颗粒的纵横比,纵横比越接近1则认为颗粒越饱满,越偏离1则认为越干瘪;若平均纵横比低于1.1则认为饱满等级为1;若平均纵横比低于1.3高于1.1则认为饱满等级为2;若平均纵横比低于1.5高于1.3则认为饱满等级为3;若平均纵横比高于1.5则认为饱满等级为4。其中,单个配糟颗粒的纵横比的计算方法为:单个配糟颗粒中纵向的像素点最多个数与横向像素点的最多个数之比;平均纵横比为所有单个配糟颗粒的纵横比的平均值。
步骤6、根据步骤5的颜色等级和步骤6的结团率等级、杂质率等级及饱满等级的结合来分析配糟质量;
配糟质量得分为四项指标加权得分之和,其中颜色占比的加权值为0.1,结团情况的加权值为0.5,杂质情况的加权值为0.2,饱满情况的加权值为0.2.,即配糟质量得分=0.1×颜色得分+0.5×结团得分+0.2×杂质得分+0.2×饱满得分。
本发明还提供了一种白酒厂原酒酿造过程配糟质量视觉分析***,包括酒厂(例如劲牌集团枫林酒厂)原酒酿造过程的配槽区、设置在配槽区的设备架、光度调节模块、图像采集模块以及图像处理模块,所述光度调节模块、图像采集模块以及图像处理模块设置在设备架上。
所述光度调节模块包括感光元件和光源控制器,所述光源控制器与感光元件连接;所述感光元件实时监测配糟环境的亮度并将亮度信息发送给光源控制器;所述光源控制器根据感光元件实时监测的配糟区亮度,自动调节光源亮度,实现配糟环境的恒亮度控制;
所述图像采集模块包括摄像头和高速录像机,所述摄像头与高速录像机电连接,所述摄像头用于对配糟区进行录像,所述高速录像机用于储存摄像头对配糟区录像;
所述图像处理模块包括工控机,所述工控机内嵌设有配套软件,所述工控机从高速录像机中读取配糟区录像,再经过工控机内设的配套软件对录像进行处理,具体为截取配糟区录像其中的图像,再根据上述方法中所述的步骤2至步骤6进行分析处理最终得到配糟的质量结果。
本发明中,白酒厂原酒酿造过程配糟质量视觉分析***工作原理为:
首先通过光度调节模块的感光元件和光源控制器保持酒厂中试车间的配槽区的恒定亮度,
然后通过摄像头对保持恒定亮度的配糟区进行录像,并将录像存储至高速录像机,
再次工控机从高速录像机中读取配糟区录像,再经过工控机内设的配套软件对录像的彩色图像进行处理,得到配槽质量。
其中,工控机内设的配套软件的处理步骤包括:1、选取录像的彩色图像感兴趣区域;2、对感兴趣区域图像进行预处理;3、对预处理图像分别进行颜色等级、结团率等级、杂质等级及饱满等级的四个指标的计算;4、对四个指标进行加权计算得到配槽质量,加权计算所得数值越低,则配槽质量越好。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围中。
Claims (7)
1.一种白酒厂原酒酿造过程配糟质量视觉分析方法,其特征在于,包括以下步骤:
步骤1、在恒亮度的情况下实时获取原酒酿造车间配糟区的彩色图像;
步骤2、利用模板匹配算法在步骤1获取的彩色图像中选取感兴趣区域,排除掉画面中无用的部分;
步骤3、对步骤2中模板匹配算法选取的感兴趣区域的图像进行预处理;
预处理的具体方法为,对步骤2中选取的感兴趣区域的图像进行腐蚀、高斯变换的操作,消除图像中噪声,恢复有用的真实信息,增强有关信息的可检测性并简化数据;
步骤4、获取步骤3中预处理后的图像中的像素点个数及颜色,并计算像素点颜色占比,即配料颜色为红色和黄色占比之和,并判断颜色等级;
步骤5、获取步骤3中预处理过后的图像中所有连通图,并根据所有连通图的信息判断出配糟配料结团的连通图及结团率等级、配糟配料存在异物与杂质连通图及杂质等级、或者配糟颗粒饱满的连通图及饱满等级;
步骤6、根据步骤5的颜色等级和步骤6的结团率等级、杂质率等级及饱满等级的结合来分析配糟质量;
配糟质量得分为四项指标加权得分之和,其中四项指标为颜色、结团、杂质和饱满度,颜色占比的加权值为0.1,结团情况的加权值为0.5,杂质情况的加权值为0.2,饱满情况的加权值为0.2.,即配糟质量得分=0.1×颜色得分+0.5×结团得分+0.2×杂质得分+0.2×饱满得分。
2.根据权利要求1所述的一种白酒厂原酒酿造过程配糟质量视觉分析方法,其特征在于,步骤1中原酒酿造过程配糟区保持恒亮度的方法为:利用感光元件实时监测配糟环境的亮度,并由光源控制器根据当前亮度自动调节光源亮度,实现配糟环境的恒亮度控制。
3.根据权利要求1所述的一种白酒厂原酒酿造过程配糟质量视觉分析方法,步骤4中,判断颜色等级的方法为:黄色像素点和红色像素点的总个数占图像中的像素点总个数的比例超过95%,则认为颜色等级为1;低于95%高于90%,则认为颜色等级为2;低于90%高于85%,则认为颜色等级为3;低于85%,则认为颜色等级为4。
4.根据权利要求1所述的一种白酒厂原酒酿造过程配糟质量视觉分析方法,步骤5中,判断配糟配料结团的连通图及结团率等级的方法:根据预处理过后的图像中每个连通图的像素点个数来判断是否结团,单个连通图的像素点大于阈值为3000的椭圆形为结团物质,同时计算判断为结团的连通图的像素点个数在整个配糟中像素点的个数的所占比例;当结团比例低于5%时认为结团率等级为1,结团比例低于10%高于5%时认为结团率等级为2,结团比例低于15%高于10%时认为结团率等级为3,结团比例高于15%时认为结团率等级为4。
5.根据权利要求1所述的一种白酒厂原酒酿造过程配糟质量视觉分析方法,步骤5中,判断配糟配料存在异物与杂质连通图及杂质等级的方法:根据预处理过后的图像中每个连通图的大小、像素点个数以及形状来判断是否存在异物与杂质,连通像素点个数大于1000小于3000的不为椭圆形状的物体为异物与杂质,同时计算判断为异物与杂质的连通图的像素点在整个配糟中像素点个数所占的比例;当杂质比例低于5%时认为杂质率等级为1,杂质比例低于10%高于5%时认为杂质率等级为2,杂质比例低于15%高于10%时认为杂质率等级为3,杂质比例高于15%时认为杂质率等级为4。
6.根据权利要求1所述的一种白酒厂原酒酿造过程配糟质量视觉分析方法,步骤5中,判断配糟颗粒饱满的连通图及饱满等级的方法:根根据预处理过后的图像中每个连通图形状及个数作为标准来判断配糟颗粒是否饱满,图像中单个连通图像素点低于1000的连通图为单个配糟颗粒,同时计算单个配糟颗粒中纵向的像素点最大个数与横向像素点的最大个数之比的比例,即单个配糟颗粒纵横比,纵横比越接近1则认为颗粒越饱满,越偏离1则认为越干瘪;若平均纵横比低于1.1则认为饱满等级为1;若平均纵横比低于1.3高于1.1则认为饱满等级为2;若平均纵横比低于1.5高于1.3则认为饱满等级为3;若平均纵横比高于1.5则认为饱满等级为4。
7.一种白酒厂原酒酿造过程配糟质量视觉分析***,其特征在于,包括白酒厂原酒酿造过程的配槽区、设置在配槽区的设备架、光度调节模块、图像采集模块以及图像处理模块,所述光度调节模块、图像采集模块以及图像处理模块设置在设备架上。
所述光度调节模块包括感光元件和光源控制器,所述光源控制器与感光元件连接;所述感光元件实时监测配糟环境的亮度并将亮度信息发送给光源控制器;所述光源控制器根据感光元件实时监测的配糟区亮度,自动调节光源亮度,实现配糟环境的恒亮度控制;
所述图像采集模块包括摄像头和高速录像机,所述摄像头与高速录像机电连接,所述摄像头用于对配糟区进行录像,所述高速录像机用于储存摄像头对配糟区录像;
所述图像处理模块包括工控机,所述工控机内嵌设有配套软件,所述工控机从高速录像机中读取配糟区录像,再经过工控机内设的配套软件对录像进行处理,具体为截取配糟区录像其中的图像,再根据如权利要求1中的步骤2至步骤6进行分析处理最终得到配糟的质量结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911086865.3A CN110827267B (zh) | 2019-11-08 | 2019-11-08 | 一种白酒厂原酒酿造过程配糟质量视觉分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911086865.3A CN110827267B (zh) | 2019-11-08 | 2019-11-08 | 一种白酒厂原酒酿造过程配糟质量视觉分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827267A true CN110827267A (zh) | 2020-02-21 |
CN110827267B CN110827267B (zh) | 2023-04-07 |
Family
ID=69553533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911086865.3A Active CN110827267B (zh) | 2019-11-08 | 2019-11-08 | 一种白酒厂原酒酿造过程配糟质量视觉分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827267B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
CN103063674A (zh) * | 2012-12-26 | 2013-04-24 | 浙江大学 | 一种铜块的铜品位检测方法及其检测*** |
CN103076288A (zh) * | 2012-12-26 | 2013-05-01 | 中国科学院海洋研究所 | 一种基于计算机视觉的鱼肉自动分级装置和方法 |
CN105117607A (zh) * | 2015-09-15 | 2015-12-02 | 安徽瑞思威尔科技有限公司 | 一种基于化学计量学方法对不同质量的大曲分类的方法 |
CN105628708A (zh) * | 2016-01-27 | 2016-06-01 | 塔里木大学 | 一种南疆红枣多参量品质快速无损检测方法 |
US20180114325A1 (en) * | 2016-10-26 | 2018-04-26 | Duke University | Systems and methods for determining quality metrics of an image or images based on an edge gradient profile and characterizing regions of interest in an image or images |
CN109084957A (zh) * | 2018-08-31 | 2018-12-25 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其*** |
CN109903275A (zh) * | 2019-02-13 | 2019-06-18 | 湖北工业大学 | 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法 |
CN110097537A (zh) * | 2019-04-12 | 2019-08-06 | 江南大学 | 一种基于三维纹理特征的肉质定量分析评价方法 |
CN110120032A (zh) * | 2019-04-10 | 2019-08-13 | 西安工程大学 | 基于相对总变差模型与mser的织物毛球等级评价方法 |
-
2019
- 2019-11-08 CN CN201911086865.3A patent/CN110827267B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
CN103063674A (zh) * | 2012-12-26 | 2013-04-24 | 浙江大学 | 一种铜块的铜品位检测方法及其检测*** |
CN103076288A (zh) * | 2012-12-26 | 2013-05-01 | 中国科学院海洋研究所 | 一种基于计算机视觉的鱼肉自动分级装置和方法 |
CN105117607A (zh) * | 2015-09-15 | 2015-12-02 | 安徽瑞思威尔科技有限公司 | 一种基于化学计量学方法对不同质量的大曲分类的方法 |
CN105628708A (zh) * | 2016-01-27 | 2016-06-01 | 塔里木大学 | 一种南疆红枣多参量品质快速无损检测方法 |
US20180114325A1 (en) * | 2016-10-26 | 2018-04-26 | Duke University | Systems and methods for determining quality metrics of an image or images based on an edge gradient profile and characterizing regions of interest in an image or images |
CN109084957A (zh) * | 2018-08-31 | 2018-12-25 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其*** |
CN109903275A (zh) * | 2019-02-13 | 2019-06-18 | 湖北工业大学 | 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法 |
CN110120032A (zh) * | 2019-04-10 | 2019-08-13 | 西安工程大学 | 基于相对总变差模型与mser的织物毛球等级评价方法 |
CN110097537A (zh) * | 2019-04-12 | 2019-08-06 | 江南大学 | 一种基于三维纹理特征的肉质定量分析评价方法 |
Non-Patent Citations (7)
Title |
---|
M.A. SHAHIN 等: "A machine vision system for grading lentils", 《CANADIAN BIOSYSTEMS ENGINEERING》 * |
YOGESH GUPTA: "Selection of important features and predicting wine quality using machine learning techniques", 《PROCEDIA COMPUTER SCIENCE》 * |
ZHIGUO REN 等: "Diamond Color Grading Based on Machine Vision", 《2009 IEEE 12TH INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS》 * |
刘木华 等: "基于图像处理和支持向量机分类的牛肉大理石花纹等级评定", 《沈阳农业大学学报》 * |
董伟辉 等: "双色双杂质棉纤维检测***的设计及应", 《纺织器材》 * |
蔡绍堂 等: "基于红外热成像技术的酒糟摊晾温度监测", 《食品工业》 * |
阎克玉 等: "烤烟质量评价指标体系研究", 《郑州轻工业学院学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110827267B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650204B (zh) | 基于级联目标检测的输电线路金具缺陷检测方法及*** | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN112906769A (zh) | 一种基于CycleGAN的输变电设备图像缺陷样本增广方法 | |
CN105791709A (zh) | 带有逆光补偿的自动曝光处理方法及装置 | |
CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN109187553A (zh) | 一种基于机器视觉的变质鸡蛋在线智能识别方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN110827267B (zh) | 一种白酒厂原酒酿造过程配糟质量视觉分析方法及*** | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN113947746A (zh) | 一种基于反馈机制监督下的配网安全质量管控方法 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN110533626B (zh) | 一种全天候水质识别方法 | |
CN115266732A (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
CN114838972A (zh) | 基于工业大数据与油液分析的机械故障预警方法及*** | |
CN111222360A (zh) | 硅料熔化状态的检测方法、设备及存储介质 | |
CN103034997A (zh) | 一种适用于监控视频前/背景分离的前景检测方法 | |
CN112489018A (zh) | 一种电力线智能巡线方法及巡线 | |
CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及*** | |
CN116704440A (zh) | 基于大数据的智能综合采集分析*** | |
CN103605973A (zh) | 一种图像字符检测鉴别方法 | |
CN116228706A (zh) | 基于深度学习的细胞自噬免疫荧光图像分析***和方法 | |
CN111083468B (zh) | 一种基于图像梯度的短视频质量评价方法及*** | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及*** |
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 |