CN113838081A - 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 - Google Patents
一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 Download PDFInfo
- Publication number
- CN113838081A CN113838081A CN202111080529.5A CN202111080529A CN113838081A CN 113838081 A CN113838081 A CN 113838081A CN 202111080529 A CN202111080529 A CN 202111080529A CN 113838081 A CN113838081 A CN 113838081A
- Authority
- CN
- China
- Prior art keywords
- color
- value
- uniformity
- tobacco
- values
- 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.)
- Pending
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 174
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000000903 blocking effect Effects 0.000 claims abstract description 8
- 239000003086 colorant Substances 0.000 claims description 8
- 230000004075 alteration Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 238000011077 uniformity evaluation Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 6
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000001135 Friedman test Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Manufacture Of Tobacco Products (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置,包括:采用高分辨率照相机对烤烟烟叶进行图像采集,得到RGB图像;提取RGB图像中的R值和B值进行阈值分割,以将RGB图像分割成烟叶颜色区域和非烟叶颜色区域;对烟叶颜色区域进行图像分块后,进行有效图像块的提取;将有效图像块内的R、G、B值转化为的L、A、B值,然后计算每个有效图像块内的L、A、B值的平均值,根据平均值计算每两个有效图像块的色差,通过统计小于阈值的色差在总色差的占比确定烟叶颜色的均匀度值;利用建立的颜色均匀度比对关系表确定烟叶颜色的均匀度值确定烟叶颜色的均匀度档次。该方法和装置提升了烟叶颜色均匀度评价的准确性。
Description
技术领域
本发明属于烟草农业领域中的烟叶质量评价技术领域,具体涉及一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置。
背景技术
烤烟烟叶颜色是指同一型烟叶经调制后烟叶的相关色彩、色泽饱和度和色值的状态。烤烟颜色是烟叶的一个重要外观质量因素,是烤烟分级标准的重要分组因素之一。在烟叶生产调制过程中,烟叶内部各种色素比例不断变化,使烟叶呈现不同的颜色,烟叶颜色的均匀程度是影响烟叶外观质量评价的重要因素。而实际生产中对烟叶颜色均匀度的评价依靠专家的定性分析,在客观性和科学性上存在不足,无法通过数据反映整片烟叶颜色的均匀性特征。
公开号为CN102749140A的专利申请公开了一种烤烟烟叶表面颜色均匀度判别方法,在计算烟叶颜色明度(L*),红度(a*)和黄度(b*)三个特征参数的均值和变异系数基础上,利用建立的烟叶颜色均匀度比对关系表实现烟叶颜色明度、红度和黄度均匀度判别,该判别方法过于简单,判别不准确。
公开号为CN101762583A的专利申请公开了一种产地特色烟叶外观颜色的表征方法,计算烟叶颜色各分量(红色、绿色、蓝色、亮度)不同阈值参数对应的分形维数,将其作为定量描述烟叶颜色表面分布状态的指标,绘制各颜色分量的分形维数变化曲线,分形维数变化曲线可以全面的反映烟叶颜色的表面分布状态;运用分形维数变化曲线能很好的表征产地特色烟叶外观颜色。该方法同样过于简单,判别不准确。
发明内容
针对依靠专家的定性分析烟叶颜色均匀度导致在客观性和科学性上存在不足,而使评价不很准确的问题,本发明提供了一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置,把整片烟叶的颜色数据进行了采集与分析,能够客观准确的反映整片烟叶颜色的均匀性,提升烟叶颜色均匀度评价的准确性。
为实现上述目的,实施例提供了一种基于机器视觉判别烤烟烟叶颜色均匀度的方法,包括以下步骤:
采用高分辨率照相机对烤烟烟叶进行图像采集,得到RGB图像;
提取RGB图像中的R值和B值进行阈值分割,以将RGB图像分割成烟叶颜色区域和非烟叶颜色区域;
对烟叶颜色区域进行图像分块后,进行有效图像块的提取,包括:如果每个图像块内每个像素对应的R、G、B值均为0,则删除图像块;如每个图像块内部分像素对应的R、G、B值均为0,则将把R、G、B值均为0的像素赋予空值,剩余的图像块为有效图像块;
将有效图像块内的R、G、B值转化为的L、A、B值,然后计算每个有效图像块内的L、A、B值的平均值,根据平均值计算每两个有效图像块的色差,通过统计小于阈值的色差在总色差的占比确定烟叶颜色的均匀度值;
利用建立的颜色均匀度比对关系表确定烟叶颜色的均匀度值确定烟叶颜色的均匀度档次。
在一个实施例中,在采集烤烟烟叶的RGB图像时,将烟叶铺展在桌面底板为白色油纸上,在距离桌面110-130c处固定高分辨率照相机,然后利用高分辨率照相机采集烤烟烟叶的RGB图像。
在一个实施例中,提取RGB图像中的R值和B值进行阈值分割,包括:
分别绘制R值和B值的频率分布直方图,提取R值对应的频率分布直方图中与颜色相关的频率分布直方图确定烟叶颜色R值的最小阈值;提取B值对应的频率分布直方图中与颜色相关的频率分布直方图确定烟叶颜色B值的最大阈值;
通过双循环语句把小于烟叶颜色R值的最小阈值或大于烟叶颜色B值的最大阈值的数值赋予0值,这样处理后,R和B值为0的区域为非烟叶颜色区域,R和B值不为0的区域为烟叶颜色区域。
在一个实施例中,按照图像块为100*100像素的尺寸,对烟叶颜色区域进行图像分块时,图像块的尺寸为(80-120)×(80-120)像素。
在一个实施例中,采用以下公式计算每两个有效图像块的色差ΔE,
其中,li、ai、bi分别表示第i个有效图像块内的L、A、B值的平均值,lj、aj、bj分别表示第j个有效图像块内的L、A、B值的平均值。
在一个实施例中,采用以下公式统计小于阈值色差在总色差的占比确定烟叶颜色的均匀度值X;
其中,m为小于阈值色差的个数,n为总色差的个数。
在一个实施例中,建立的颜色均匀度比对关系表为:
均匀度档次 | 均匀 | 尚均匀 | 中等 | 稍不匀 | 不匀 |
X(%) | 70≦X | 65≦X<70 | 60≦X<65 | 55≦X<60 | X<55 |
。
为实现上述发明目的,实施例提供了一种基于机器视觉判别烤烟烟叶颜色均匀度的装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取利用高分辨率照相机对烤烟烟叶进行图像采集得到的RGB图像;
提取RGB图像中的R值和B值进行阈值分割,以将RGB图像分割成烟叶颜色区域和非烟叶颜色区域;
对烟叶颜色区域进行图像分块后,进行有效图像块的提取,包括:如果每个图像块内每个像素对应的R、G、B值均为0,则删除图像块;如每个图像块内部分像素对应的R、G、B值均为0,则将把R、G、B值均为0的像素赋予空值,剩余的图像块为有效图像块;
将有效图像块内的R、G、B值转化为的L、A、B值,然后计算每个有效图像块内的L、A、B值的平均值,根据平均值计算每两个有效图像块的色差,通过统计小于阈值的色差在总色差的占比确定烟叶颜色的均匀度值;
利用建立的颜色均匀度比对关系表确定烟叶颜色的均匀度值确定烟叶颜色的均匀度档次。
实施例提供的技术方案,具有的有益效果至少包括:
(1)通过采集的图像可获取整片烟叶颜色的信息,统计颜色色差ΔE小于设定阈值的占比表征均匀度值,通过颜色均匀度比对关系表得到均匀度,能够客观准确的判别烤烟烟叶颜色的均匀度,不依赖于技术人员的经验,更具科学性和准确性,为我国烟叶外观质量评价提供了科学依据,为智能化分选提供技术支撑。
(2)利用了阈值分割法更好了消除了烟叶的主支脉、病斑和气候斑对于烟叶颜色的影响,得到均匀度值更好的反映了烟叶颜色的均匀性。
(3)操作简单,方便快捷,可广泛用于烟叶颜色量化分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是一实施例提供的基于机器视觉判别烤烟烟叶颜色均匀度的方法的流程图;
图2是一实施例提供的烤烟烟叶的原始RGB图像;
图3是一实施例提供的图像R数值的频率分布直方图,图中的直线代表了烟叶颜色R数值最小阈值临界线;
图4是一实施例提供的图像B数值的频率分布直方图,图中的直线代表了烟叶颜色B数值最大阈值临界线;
图5是一实施例提供的阈值分割后的烤烟烟叶图像;
图6是一实施例提供的图像分块的示意图;
图7是一实施例提供的第一组五个均匀度梯度的烟叶图像;
图8是一实施例提供的第二组五个均匀度梯度的烟叶图像。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
实施例,对云南曲靖品种为云烟87的上部烟叶、中部烟叶和下部烟叶3个部位烟叶样品进行了烟叶颜色均匀度的判别,并与技术人员的判别进行了比较。每个部位烤烟样品选取10片代表性烟叶,按照如图1所示的基于机器视觉判别烤烟烟叶颜色均匀度的方法,判别烟叶颜色的均匀度。
如图1所示,实施例提供的基于机器视觉判别烤烟烟叶颜色均匀度的方法,包括以下步骤:
步骤1,采用高分辨率照相机对烤烟烟叶进行图像采集,得到RGB图像。
在标准烟叶分级实验室条件下,将烟叶铺展在桌面底板为白色油纸上,在距离平台台面120cm处固定高分辨率照相机,采用高分辨率照相机进行图像采集,数字图像分辨率为3840*5120,每个分辨率对应着三个数值,分别是R、G和B,采集的原始图像,如图2所示。
步骤2,提取RGB图像中的R值和B值进行阈值分割,以将RGB图像分割成烟叶颜色区域和非烟叶颜色区域。
实施例中,对采集的原始图像R和B数值绘制频率分布直方图,组别设定为3,根据R数值频率分布直方图的第二组和B数值频率分布直方图的第一组确定烟叶颜色R值的最小阈值和B值的最大阈值(R数值频率分布直方图的第二组和B数值频率分布直方图的第一组为烟叶颜色的数值频率分布直方图),如图3和图4所示。通过双循环语句把小于烟叶颜色R值的最小阈值或大于烟叶颜色B值的最大阈值的数值赋予0值;通过阈值分割将图像分割成2个区域(烟叶颜色区域和非烟叶颜色区域),如图5所示。
步骤3,对烟叶颜色区域进行图像分块后,进行有效图像块的提取。
实施例中,把烟叶颜色区域划分成38×51的正方形的图像块(每个图像块分辨率为100×100),如图6所示。对图像块区域内全部RGB数值同时为0数值,进行此图像块的删除;图像块区域内部分RGB同时为0数值,将此图像块内RGB同时为0数值赋予空值;处理后剩余的图像块为有效图像块。
步骤4,将有效图像块内的R、G、B值转化为的L、A、B值后,依据L、A、B值确定烟叶颜色的均匀度值。
实施例中,将有效图像块内的R、G、B值转化为的L、A、B值,然后计算每个有效图像块内的L、A、B值的平均值,即每个有效图像块对应着一组数据分别为li、ai、bi,根据平均值计算每两个有效图像块的色差,通过统计小于阈值的色差在总色差的占比确定烟叶颜色的均匀度值,实施例中,阈值取值范围为4~10,优选为6。
实施例中,采用以下公式(1)计算每两个有效图像块的色差ΔE,
其中,li、ai、bi分别表示第i个有效图像块内的L、A、B值的平均值,lj、aj、bj分别表示第j个有效图像块内的L、A、B值的平均值。
采用以下公式(2)统计小于阈值色差在总色差的占比确定烟叶颜色的均匀度值X;
其中,m为小于阈值色差的个数,n为总色差的个数。
步骤5,利用建立的颜色均匀度比对关系表确定烟叶颜色的均匀度值确定烟叶颜色的均匀度档次。
实施例中,建立的颜色均匀度比对关系为表1:
表1
均匀度档次 | 均匀 | 尚均匀 | 中等 | 稍不匀 | 不匀 |
X(%) | 70≦X | 65≦X<70 | 60≦X<65 | 55≦X<60 | X<55 |
通过上述步骤得到了云南曲靖的烤烟3个部位30片烟叶样品的均匀度值如2表所示:
表2 烟叶颜色均匀度判别表
为了验证本发明与技术人员的差异性,随机抽取上述不同均匀度梯度的烟叶各一片,组成一组,为第一组五个均匀度梯度的烟叶,如图7所示;重复上述操作,再组成一组,为第二组五个均匀度梯度的烟叶,如图8所示。对每组内的烟叶进行随机编号,号码与烟叶序号对应表见表3,邀请七名行业专业分别对两组烟叶进行颜色均匀度的判定,得到的结果进行Friedman检验,检验结果见表4。
表3 烟叶序号与样品编号对应表
表4 烟叶颜色均匀度秩和表
根据Friedman检验的方法中的公式(3)计算出烟叶僵硬度的检验统计量Ftest,第一组和第二组检验统计量分别为26.51和24.80,查表知α=0.01,j=7,p=5时对应的临界值为11.97,由于第一组和第二组检验统计量分别大于11.97,因此,在显著性水平为0.01时,每组5个样品在颜色均匀度度上存在极显著性差异,说明了此发明判别的烟叶颜色均匀度能够客观准确地区分,且能够实现重复。
实施例还提供了一种基于机器视觉判别烤烟烟叶颜色均匀度的装置,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在处理器上执行的计算机程序,处理器执行所述计算机程序时实现以下步骤:
步骤1,获取利用高分辨率照相机对烤烟烟叶进行图像采集得到的RGB图像;
步骤2,提取RGB图像中的R值和B值进行阈值分割,以将RGB图像分割成烟叶颜色区域和非烟叶颜色区域;
步骤3,对烟叶颜色区域进行图像分块后,进行有效图像块的提取;
步骤4,将有效图像块内的R、G、B值转化为的L、A、B值后,依据L、A、B值确定烟叶颜色的均匀度值;
步骤5,利用建立的颜色均匀度比对关系表确定烟叶颜色的均匀度值确定烟叶颜色的均匀度档次。
实施例提供的基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置,通过采集的图像可获取整片烟叶颜色的信息,统计颜色色差ΔE小于设定阈值的占比表征均匀度值,通过颜色均匀度比对关系表得到均匀度,能够客观准确的判别烤烟烟叶颜色的均匀度,不依赖于技术人员的经验,更具科学性和准确性,为我国烟叶外观质量评价提供了科学依据,为智能化分选提供技术支撑。利用了阈值分割法更好了消除了烟叶的主支脉、病斑和气候斑对于烟叶颜色的影响,得到均匀度值更好的反映了烟叶颜色的均匀性。该方法和装置操作简单,方便快捷,可广泛用于烟叶颜色量化分析。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于机器视觉判别烤烟烟叶颜色均匀度的方法,其特征在于,包括以下步骤:
采用高分辨率照相机对烤烟烟叶进行图像采集,得到RGB图像;
提取RGB图像中的R值和B值进行阈值分割,以将RGB图像分割成烟叶颜色区域和非烟叶颜色区域;
对烟叶颜色区域进行图像分块后,进行有效图像块的提取,包括:如果每个图像块内每个像素对应的R、G、B值均为0,则删除图像块;如每个图像块内部分像素对应的R、G、B值均为0,则将把R、G、B值均为0的像素赋予空值,剩余的图像块为有效图像块;
将有效图像块内的R、G、B值转化为的L、A、B值,然后计算每个有效图像块内的L、A、B值的平均值,根据平均值计算每两个有效图像块的色差,通过统计小于阈值的色差在总色差的占比确定烟叶颜色的均匀度值;
利用建立的颜色均匀度比对关系表确定烟叶颜色的均匀度值确定烟叶颜色的均匀度档次。
2.根据权利要求1所述的基于机器视觉判别烤烟烟叶颜色均匀度的方法,其特征在于,在采集烤烟烟叶的RGB图像时,将烟叶铺展在桌面底板为白色油纸上,在距离桌面110-130c处固定高分辨率照相机,然后利用高分辨率照相机采集烤烟烟叶的RGB图像。
3.根据权利要求1所述的基于机器视觉判别烤烟烟叶颜色均匀度的方法,其特征在于,提取RGB图像中的R值和B值进行阈值分割,包括:
分别绘制R值和B值的频率分布直方图,提取R值对应的频率分布直方图中与颜色相关的频率分布直方图确定烟叶颜色R值的最小阈值;提取B值对应的频率分布直方图中与颜色相关的频率分布直方图确定烟叶颜色B值的最大阈值;
通过双循环语句把小于烟叶颜色R值的最小阈值或大于烟叶颜色B值的最大阈值的数值赋予0值,这样处理后,R和B值为0的区域为非烟叶颜色区域,R和B值不为0的区域为烟叶颜色区域。
4.根据权利要求1所述的基于机器视觉判别烤烟烟叶颜色均匀度的方法,其特征在于,按照图像块为100*100像素的尺寸,对烟叶颜色区域进行图像分块时,图像块的尺寸为(80-120)×(80-120)像素。
7.根据权利要求1所述的基于机器视觉判别烤烟烟叶颜色均匀度的方法,其特征在于,建立的颜色均匀度比对关系表为:
。
8.一种基于机器视觉判别烤烟烟叶颜色均匀度的装置,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取利用高分辨率照相机对烤烟烟叶进行图像采集得到的RGB图像;
提取RGB图像中的R值和B值进行阈值分割,以将RGB图像分割成烟叶颜色区域和非烟叶颜色区域;
对烟叶颜色区域进行图像分块后,进行有效图像块的提取,包括:如果每个图像块内每个像素对应的R、G、B值均为0,则删除图像块;如每个图像块内部分像素对应的R、G、B值均为0,则将把R、G、B值均为0的像素赋予空值,剩余的图像块为有效图像块;
将有效图像块内的R、G、B值转化为的L、A、B值,然后计算每个有效图像块内的L、A、B值的平均值,根据平均值计算每两个有效图像块的色差,通过统计小于阈值的色差在总色差的占比确定烟叶颜色的均匀度值;
利用建立的颜色均匀度比对关系表确定烟叶颜色的均匀度值确定烟叶颜色的均匀度档次。
9.如权利要求8所述的基于机器视觉判别烤烟烟叶颜色均匀度的装置,其特征在于,提取RGB图像中的R值和B值进行阈值分割,包括:
分别绘制R值和B值的频率分布直方图,提取R值对应的频率分布直方图中与颜色相关的频率分布直方图确定烟叶颜色R值的最小阈值;提取B值对应的频率分布直方图中与颜色相关的频率分布直方图确定烟叶颜色B值的最大阈值;
通过双循环语句把小于烟叶颜色R值的最小阈值或大于烟叶颜色B值的最大阈值的数值赋予0值,这样处理后,R和B值为0的区域为非烟叶颜色区域,R和B值不为0的区域为烟叶颜色区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080529.5A CN113838081A (zh) | 2021-09-15 | 2021-09-15 | 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111080529.5A CN113838081A (zh) | 2021-09-15 | 2021-09-15 | 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113838081A true CN113838081A (zh) | 2021-12-24 |
Family
ID=78959500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111080529.5A Pending CN113838081A (zh) | 2021-09-15 | 2021-09-15 | 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838081A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114304699A (zh) * | 2021-12-27 | 2022-04-12 | 上海创和亿电子科技发展有限公司 | 一种烟叶初烤青黄比例提取方法 |
CN114677384A (zh) * | 2022-03-13 | 2022-06-28 | 江苏神州新能源电力有限公司 | 一种太阳能电池镀膜缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749140A (zh) * | 2012-07-10 | 2012-10-24 | 中国烟草总公司郑州烟草研究院 | 一种烤烟烟叶表面颜色均匀度判别方法 |
CN107341807A (zh) * | 2017-06-07 | 2017-11-10 | 北京科技大学 | 一种提取烟叶颜色数字化表达特征值的方法 |
CN108268895A (zh) * | 2018-01-12 | 2018-07-10 | 上海烟草集团有限责任公司 | 基于机器视觉的烟叶部位识别方法、电子设备及存储介质 |
CN108510474A (zh) * | 2018-03-09 | 2018-09-07 | 上海烟草集团有限责任公司 | 烟叶图像质量的评价方法、***、存储器、及电子设备 |
CN111681289A (zh) * | 2020-06-10 | 2020-09-18 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及*** |
-
2021
- 2021-09-15 CN CN202111080529.5A patent/CN113838081A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749140A (zh) * | 2012-07-10 | 2012-10-24 | 中国烟草总公司郑州烟草研究院 | 一种烤烟烟叶表面颜色均匀度判别方法 |
CN107341807A (zh) * | 2017-06-07 | 2017-11-10 | 北京科技大学 | 一种提取烟叶颜色数字化表达特征值的方法 |
CN108268895A (zh) * | 2018-01-12 | 2018-07-10 | 上海烟草集团有限责任公司 | 基于机器视觉的烟叶部位识别方法、电子设备及存储介质 |
CN108510474A (zh) * | 2018-03-09 | 2018-09-07 | 上海烟草集团有限责任公司 | 烟叶图像质量的评价方法、***、存储器、及电子设备 |
CN111681289A (zh) * | 2020-06-10 | 2020-09-18 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及*** |
Non-Patent Citations (1)
Title |
---|
李达辉: "数字图像处理核心技术及应用", 31 March 2019, 电子科技大学出版社, pages: 122 - 123 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114304699A (zh) * | 2021-12-27 | 2022-04-12 | 上海创和亿电子科技发展有限公司 | 一种烟叶初烤青黄比例提取方法 |
CN114677384A (zh) * | 2022-03-13 | 2022-06-28 | 江苏神州新能源电力有限公司 | 一种太阳能电池镀膜缺陷检测方法 |
CN114677384B (zh) * | 2022-03-13 | 2022-12-02 | 江苏神州新能源电力有限公司 | 一种太阳能电池镀膜缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN113838081A (zh) | 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 | |
CN114627125B (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
CN110853006B (zh) | 一种使用扫描仪获取的数字病理图像质量评价的方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
JP2014513292A (ja) | 定量的ビデオ顕微鏡を準備する方法及び関連システム | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN110646354A (zh) | 一种棉纤维的颜色测试装置及方法 | |
JP7467205B2 (ja) | バイオマーカを光学的に検出するための方法 | |
JPH08504522A (ja) | 境界ピクセル・パラメータの規則正しいシーケンスを用いた物体を識別するための方法及び装置 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理***及方法 | |
CN105466921A (zh) | 一种多样品同时检测的方法 | |
CN113109240B (zh) | 一种计算机实施的粮食不完善粒测定方法和*** | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及*** | |
CN110044485B (zh) | 一种图像式织物颜色测量方法 | |
CN115170570A (zh) | 基于灰度游程矩阵的织物起毛起球检测方法 | |
CN110009609B (zh) | 一种快速检测黄粒米的方法 | |
CN117252786A (zh) | 一种基因检测数据增强处理方法 | |
WO2020151529A1 (zh) | 服装图像分类、图像分类方法、装置及设备 | |
CN107527365A (zh) | 一种动态计算类圆物体形态学直径的方法及装置 | |
CN107389677B (zh) | 一种绒布绒毛品质的检测方法及其装置 | |
CN117451580B (zh) | 拉丝蛋白挤压稳定性分析方法 |
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 |