CN116434206A - 一种基于机器视觉技术的棉花质量性状检测方法 - Google Patents
一种基于机器视觉技术的棉花质量性状检测方法 Download PDFInfo
- Publication number
- CN116434206A CN116434206A CN202310267728.XA CN202310267728A CN116434206A CN 116434206 A CN116434206 A CN 116434206A CN 202310267728 A CN202310267728 A CN 202310267728A CN 116434206 A CN116434206 A CN 116434206A
- Authority
- CN
- China
- Prior art keywords
- cotton
- image
- shooting
- sample
- model
- 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
- 229920000742 Cotton Polymers 0.000 title claims abstract description 86
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 36
- 239000000835 fiber Substances 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000010339 dilation Effects 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 3
- 239000004753 textile Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
发明公开了一种基于机器视觉技术的棉花质量性状检测方法，包括以下步骤：数据采集、数据预处理、特征提取、模型训练、棉花质量性状检测、性能评估。相比于传统的人工检测方法，本发明采用机器视觉技术进行自动化检测，避免了传统的人工检测方法存在的主观性和误差性问题，提高了检测的准确性和可靠性。通过图像处理和机器学习算法，对棉花纤维进行特征提取和分类，可以实现对棉花的多个质量性状进行快速准确的检测，提高了检测效率。
Description
技术领域
本发明涉及机器视觉检测技术领域，具体为一种基于机器视觉技术的棉花质量性状检测方法。
背景技术
棉花是重要的经济作物之一，在纺织工业中有着广泛的应用。棉花的质量性状直接影响到纺织品的质量，因此对棉花质量的检测十分重要。
目前，棉花质量性状检测主要采用人工检测的方法，即通过目视、手摸等方式进行检测。这种方法存在着检测效率低、准确性差、人力成本高等问题，同时还会受到人为主观因素的影响，导致检测效率和准确性低下。随着机器视觉技术的快速发展，越来越多的研究开始探索利用计算机视觉和机器学习算法实现棉花质量性状检测，但目前的一些方法仍然存在识别准确性低下、运算速度慢等问题。
发明内容
为了解决上述背景技术的问题，本发明提供如下技术方案：
一种基于机器视觉技术的棉花质量性状检测方法，包括以下步骤：
S1数据采集：使用高分辨率摄像头对棉花样本进行拍摄，并记录下样本的相关信息；
S2数据预处理：将采集的图像进行预处理，包括图像去噪、灰度化、二值化等操作,然后，对棉花图像进行分割，将棉花纤维与背景分离；
S3特征提取：对每个棉花纤维进行特征提取，特征包括长度、宽度、纵横比等,提取的特征需要具有较好的区分度，能够准确反映棉花纤维的质量性状；
S4模型训练：使用采集的图像数据和特征数据训练机器学习模型,在训练模型时，需要将数据集划分为训练集和测试集，并进行交叉验证和调参等操作，以提高模型的泛化能力和准确性；
S5棉花质量性状检测：使用训练好的模型对新的棉花样本进行质量性状检测,将棉花样本的图像输入到模型中，提取纤维特征并进行分类，最终输出棉花纤维的质量性状；
S6性能评估：对棉花质量性状检测***进行性能评估，包括准确率、召回率、F1分数等指标,根据需要对***进行参数调整和优化，以提高检测效率和准确性。
优选的，所述S1数据采集信息包括颜色、大小、纤维长度等。
优选的，所述S1数据采集包括如下步骤：
(1)准备摄像设备：使用高分辨率摄像头来采集棉花样本的图像，通常选择具有较高分辨率的工业相机或者智能手机摄像头，
(2)准备棉花样本：选择代表性的棉花样本，注意棉花的质量应该均匀，不应该有太大的差异，将棉花样本准备好并放置在拍摄台上，保证拍摄时样本的位置稳定；
(3)调整拍摄参数：选择合适的拍摄参数，包括曝光时间、光源亮度、焦距等，通常，应该选择较短的曝光时间以避免拍摄时棉花样本的移动和晃动，同时要保证光源亮度充足以提高图像的清晰度；
(4)进行拍摄：使用高分辨率摄像头对棉花样本进行拍摄，并记录下样本的相关信息，如拍摄时间、拍摄位置、拍摄角度等；
(5)存储图像数据：将拍摄获得的图像数据存储在计算机或云端服务器中，并保存相应的信息，如文件名、拍摄时间、拍摄位置等。
优选的，所述S2图像去噪包括如下方法：
灰度化：将彩色图像转化为灰度图像，以便后续的图像二值化和分割操作，灰度化操作可以使用灰度变换方法，例如加权平均法或最大值法；
图像二值化：将灰度图像转化为二值图像，将棉花纤维与背景分离，可以采用全局阈值法、局部自适应阈值法、基于Otsu算法的阈值法方法。
图像分割：将二值化后的图像进行分割，将棉花纤维与背景分离，可以采用各种分割算法，例如边缘检测算法、区域生长算法、水平集算法。
形态学处理：对分割后的图像进行形态学处理，例如腐蚀、膨胀、开运算、闭运算等操作，以消除噪声和连接断裂的棉花纤维。
优选的，所述S3特征提取是采用尺度不变特征变换的特征提取方法，它是一种局部特征提取方法，它可以在不同尺度和旋转角度下提取出纤维的局部特征，对于光照、旋转、缩放等变换具有较好的鲁棒性，能够准确地匹配不同棉花纤维之间的相似度。
优选的，所述S4模型训练采用支持向量机模型，其中需要确定核函数的类型、正则化参数等超参数，一般可以采用网格搜索或随机搜索的方法进行参数调优，选择合适的超参数以获得较好的模型性能，使用训练集对支持向量机模型进行训练，在训练过程中，需要注意避免过拟合问题的出现，可以采用交叉验证方法进行模型评估和调参。
与现有技术相比，本发明的有益效果是：相比于传统的人工检测方法，本发明采用机器视觉技术进行自动化检测，避免了传统的人工检测方法存在的主观性和误差性问题，提高了检测的准确性和可靠性。
通过图像处理和机器学习算法，对棉花纤维进行特征提取和分类，可以实现对棉花的多个质量性状进行快速准确的检测，提高了检测效率。
该方法具有普适性，可以应用于其他材料的质量性状检测。
附图说明
图1为本发明的方法流程示意图；
图2数据采集过程的流程示意图。
具体实施方式
下面将结合发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种基于机器视觉技术的棉花质量性状检测方法，包括如下步骤：
数据采集：使用高分辨率摄像头对棉花样本进行拍摄，并记录下样本的相关信息，例如颜色、大小、纤维长度等。建议使用多种类型、不同等级的棉花样本进行采集，以覆盖不同品种和质量等级的棉花。
数据预处理：将采集的图像进行预处理，包括图像去噪、灰度化、二值化等操作。然后，对棉花图像进行分割，将棉花纤维与背景分离。建议使用图像处理工具。
特征提取：对每个棉花纤维进行特征提取，例如长度、宽度、纵横比等。建议采用多种特征提取方法，例如形态学分析、纹理分析、颜色分析等，并对提取的特征进行归一化处理，本实施例是采用尺度不变特征变换的特征提取方法，它是一种局部特征提取方法，它可以在不同尺度和旋转角度下提取出纤维的局部特征，对于光照、旋转、缩放等变换具有较好的鲁棒性，能够准确地匹配不同棉花纤维之间的相似度。
模型训练：使用采集的图像数据和特征数据训练机器学习模型，例如支持向量机。在训练模型时，需要将数据集划分为训练集和测试集，并进行交叉验证和调参等操作，以提高模型的泛化能力和准确性。
棉花质量性状检测：使用训练好的模型对新的棉花样本进行质量性状检测。将棉花样本的图像输入到模型中，提取纤维特征并进行分类，最终输出棉花纤维的质量性状。建议设置合适的阈值和决策规则，以提高检测的准确性。
性能评估：对棉花质量性状检测***进行性能评估，包括准确率、召回率、F1分数等指标。根据需要对***进行参数调整和优化，以提高检测效率和准确性。
请参阅图2，在本实施例中进行数据采集包括如下步骤：
(1)准备摄像设备：使用高分辨率摄像头来采集棉花样本的图像，通常选择具有较高分辨率的工业相机或者智能手机摄像头，
(2)准备棉花样本：选择代表性的棉花样本，注意棉花的质量应该均匀，不应该有太大的差异，将棉花样本准备好并放置在拍摄台上，保证拍摄时样本的位置稳定；
(3)调整拍摄参数：选择合适的拍摄参数，包括曝光时间、光源亮度、焦距等，通常，应该选择较短的曝光时间以避免拍摄时棉花样本的移动和晃动，同时要保证光源亮度充足以提高图像的清晰度；
(4)进行拍摄：使用高分辨率摄像头对棉花样本进行拍摄，并记录下样本的相关信息，如拍摄时间、拍摄位置、拍摄角度等；
(5)存储图像数据：将拍摄获得的图像数据存储在计算机或云端服务器中，并保存相应的信息，如文件名、拍摄时间、拍摄位置等。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于机器视觉技术的棉花质量性状检测方法，其特征在于，包括以下步骤：
S1数据采集：使用高分辨率摄像头对棉花样本进行拍摄，并记录下样本的相关信息；
S2数据预处理：将采集的图像进行预处理，包括图像去噪、灰度化、二值化操作,然后对棉花图像进行分割，将棉花纤维与背景分离；
S3特征提取：对每个棉花纤维进行特征提取，特征包括长度、宽度、纵横比,提取的特征需要具有较好的区分度，能够准确反映棉花纤维的质量性状；
S4模型训练：使用采集的图像数据和特征数据训练机器学习模型,在训练模型时，需要将数据集划分为训练集和测试集，并进行交叉验证和调参操作，以提高模型的泛化能力和准确性；
S5棉花质量性状检测：使用训练好的模型对新的棉花样本进行质量性状检测,将棉花样本的图像输入到模型中，提取纤维特征并进行分类，最终输出棉花纤维的质量性状；
S6性能评估：对棉花质量性状检测***进行性能评估，包括准确率、召回率、F1分数指标,根据需要对***进行参数调整和优化，以提高检测效率和准确性。
2.根据权利要求1所述的一种基于机器视觉技术的棉花质量性状检测方法，其特征在于：所述S1数据采集信息包括颜色、大小、纤维长度。
3.根据权利要求1所述的一种基于机器视觉技术的棉花质量性状检测方法，其特征在于：所述S1数据采集包括如下步骤：
(1)准备摄像设备：使用高分辨率摄像头来采集棉花样本的图像，通常选择具有较高分辨率的工业相机或者智能手机摄像头，
(2)准备棉花样本：选择代表性的棉花样本，注意棉花的质量应该均匀，不应该有太大的差异，将棉花样本准备好并放置在拍摄台上，保证拍摄时样本的位置稳定；
(3)调整拍摄参数：选择合适的拍摄参数，包括曝光时间、光源亮度、焦距，选择较短的曝光时间以避免拍摄时棉花样本的移动和晃动，同时要保证光源亮度充足以提高图像的清晰度；
(4)进行拍摄：使用高分辨率摄像头对棉花样本进行拍摄，并记录下样本的相关信息，如拍摄时间、拍摄位置、拍摄角度；
(5)存储图像数据：将拍摄获得的图像数据存储在计算机或云端服务器中，并保存相应的信息，如文件名、拍摄时间、拍摄位置。
4.根据权利要求1所述的一种基于机器视觉技术的棉花质量性状检测方法，其特征在于：所述S2图像去噪包括如下方法：
灰度化：将彩色图像转化为灰度图像，以便后续的图像二值化和分割操作，灰度化操作可以使用灰度变换方法，例如加权平均法或最大值法；
图像二值化：将灰度图像转化为二值图像，将棉花纤维与背景分离，可以采用全局阈值法、局部自适应阈值法、基于Otsu算法的阈值法方法；
图像分割：将二值化后的图像进行分割，将棉花纤维与背景分离，可以采用各种分割算法，例如边缘检测算法、区域生长算法、水平集算法；
形态学处理：对分割后的图像进行形态学处理，例如腐蚀、膨胀、开运算、闭运算操作，以消除噪声和连接断裂的棉花纤维。
5.根据权利要求1所述的一种基于机器视觉技术的棉花质量性状检测方法，其特征在于：所述S3特征提取是采用尺度不变特征变换的特征提取方法，它是一种局部特征提取方法，它可以在不同尺度和旋转角度下提取出纤维的局部特征，对于光照、旋转、缩放等变换具有较好的鲁棒性，能够准确地匹配不同棉花纤维之间的相似度。
6.根据权利要求1所述的一种基于机器视觉技术的棉花质量性状检测方法，其特征在于：所述S4模型训练采用支持向量机模型，其中需要确定核函数的类型、正则化参数等超参数，采用网格搜索或随机搜索的方法进行参数调优，选择合适的超参数以获得较好的模型性能，使用训练集对支持向量机模型进行训练，在训练过程中，需要注意避免过拟合问题的出现，可以采用交叉验证等方法进行模型评估和调参。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310267728.XA CN116434206A (zh) | 2023-03-20 | 2023-03-20 | 一种基于机器视觉技术的棉花质量性状检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310267728.XA CN116434206A (zh) | 2023-03-20 | 2023-03-20 | 一种基于机器视觉技术的棉花质量性状检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116434206A true CN116434206A (zh) | 2023-07-14 |
Family
ID=87078806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310267728.XA Pending CN116434206A (zh) | 2023-03-20 | 2023-03-20 | 一种基于机器视觉技术的棉花质量性状检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116434206A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152161A (zh) * | 2023-11-01 | 2023-12-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及*** |
| CN117474912A (zh) * | 2023-12-27 | 2024-01-30 | 浪潮软件科技有限公司 | 一种基于计算机视觉的路段缝隙分析方法及模型 |
-
2023
- 2023-03-20 CN CN202310267728.XA patent/CN116434206A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152161A (zh) * | 2023-11-01 | 2023-12-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及*** |
| CN117152161B (zh) * | 2023-11-01 | 2024-03-01 | 山东迪特智联信息科技有限责任公司 | 一种基于图像识别的刨花板质量检测方法及*** |
| CN117474912A (zh) * | 2023-12-27 | 2024-01-30 | 浪潮软件科技有限公司 | 一种基于计算机视觉的路段缝隙分析方法及模型 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10671833B2 (en) | Analyzing digital holographic microscopy data for hematology applications | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| US8600143B1 (en) | Method and system for hierarchical tissue analysis and classification | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| CN116434206A (zh) | 一种基于机器视觉技术的棉花质量性状检测方法 | |
| Yogesh et al. | Computer vision based analysis and detection of defects in fruits causes due to nutrients deficiency | |
| Wang et al. | Assisted diagnosis of cervical intraepithelial neoplasia (CIN) | |
| CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其*** | |
| CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
| CN113222062A (zh) | 烟叶分类的方法、装置和计算机可读取介质 | |
| CN111353992B (zh) | 一种基于纹理特征的农产品缺陷检测方法及*** | |
| CN117197092A (zh) | 一种煤矿井下图像质量评估方法 | |
| CN100593172C (zh) | 一种基于显微图像的微生物识别***及方法 | |
| CN115439456A (zh) | 一种病理图像中对象检测识别方法及装置 | |
| CN116704526B (zh) | 工尺谱扫描机器人及其方法 | |
| Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
| CN113628252A (zh) | 一种基于热成像视频的泄漏气体云团检测方法 | |
| CN117058089A (zh) | 烟支外观检测方法 | |
| CN114662594B (zh) | 一种目标特征识别分析*** | |
| CN116523851A (zh) | 一种档案报表扫描图像清晰度识别方法、装置与*** | |
| Guo et al. | Fault diagnosis of power equipment based on infrared image analysis | |
| Yang et al. | Fisher’s tobacco leaf grading method based on image multi-features | |
| Souza et al. | MICR automated recognition based on paraconsistent artificial neural networks | |
| KRISHNA et al. | Digitization, Preservation and Character Recognition in Ancient Documents Using Image Processing Techniques–A Review | |
| US20200134357A1 (en) | Neural-network-based optical character recognition using specialized confidence functions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |