CN116883403B - 一种基于机器视觉的大豆品质检测方法 - Google Patents
一种基于机器视觉的大豆品质检测方法 Download PDFInfo
- Publication number
- CN116883403B CN116883403B CN202311146666.3A CN202311146666A CN116883403B CN 116883403 B CN116883403 B CN 116883403B CN 202311146666 A CN202311146666 A CN 202311146666A CN 116883403 B CN116883403 B CN 116883403B
- Authority
- CN
- China
- Prior art keywords
- soybean
- image
- defect
- feature
- mildew
- 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.)
- Active
Links
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 485
- 244000068988 Glycine max Species 0.000 title claims abstract description 485
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000007547 defect Effects 0.000 claims abstract description 193
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 230000009466 transformation Effects 0.000 claims abstract description 29
- 238000012797 qualification Methods 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 210000001113 umbilicus Anatomy 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 150000002333 glycines Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
Classifications
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- 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
- G06T7/50—Depth or shape recovery
-
- 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
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了一种基于机器视觉的大豆品质检测方法,包括:获取大豆表面灰度图像,采用大豆表面灰度图像获取大豆特征更新图像;根据大豆特征更新图像获取距离变换分布图,根据距离变换分布图像获取大豆特征更新图像中每个像素点的光照度;根据大豆特征更新图像中每个像素点的光照度获取大豆形状差异矩阵;根据大豆形状差异矩阵获取大豆形状合格判别值;根据大豆表面缺陷特征获取霉变粘连系数、霉变渐变系数;根据霉变粘连系数、霉变渐变系数获取霉变缺陷辨别指数;根据合格判别值和霉变缺陷辨别指数判断大豆质量。本发明根据大豆形状合格判别值和霉变缺陷辨别指数对大豆质量进行判断,提高对大豆品质的检测精度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于机器视觉的大豆品质检测方法。
背景技术
大豆是重要的经济作物之一,在农作物生产中占据着重要地位,而且大豆在人们生产和生活的多个方面有着重要的用途。现如今大豆的生产逐渐向自动化、机械化方面发展,大豆的生产效率也在不断提高。但是在大豆的生产过程中会出现霉变、缺损或者干瘪的大豆颗粒,这些大豆颗粒可能会带来严重的粮食安全问题,因此对大豆质量的检测尤为重要。
近几年大豆质量的检测多采用机器视觉的方式,不仅提高了大豆质量检测的效率,也进一步提高了大豆质量检测的准确性。但由于大豆颗粒表面霉变、缺损或者干瘪等表现的特征差异较大,这些缺陷差异特征会导致通过采集大豆图像数据进行大豆缺陷的分析出现较大的误差,降低大豆品质检测的精度。
发明内容
本发明提供一种基于机器视觉的大豆品质检测方法,以解决大豆品质检测精度较低的问题,所采用的技术方案具体如下:
一种基于机器视觉的大豆品质检测方法,该方法包括以下步骤:
获取大豆表面灰度图像,利用大豆表面灰度图像获取大豆特征更新图像;
根据大豆特征更新图像获取大豆特征更新图像的距离变换分布图像;根据大豆特征更新图像的距离变换分布图像获取大豆特征更新图像中每个像素点的光照度;根据大豆特征更新图像中每个像素点的光照度和大豆特征更新图像获取大豆特征更新图像的大豆形状差异矩阵;根据大豆特征更新图像的大豆形状差异矩阵获取大豆特征更新图像的大豆形状合格判别值;
根据大豆特征更新图像的大豆形状差异矩阵获取大豆特征更新图像的大豆缺陷重叠图,利用大豆缺陷重叠图获取大豆缺陷重叠图的大豆色块区域;根据大豆缺陷重叠图像中色块粘连特征计算大豆特征更新图像的霉变粘连系数;根据大豆缺陷重叠图像中色块类型计算大豆特征更新图像的霉变渐变系数;根据大豆特征更新图像的霉变粘连系数和霉变渐变系数获取大豆特征更新图像的霉变缺陷辨别指数;
根据大豆特征更新图像的大豆形状合格判别值和霉变缺陷辨别指数对大豆品质进行检测。
优选的,根据大豆特征更新图像获取大豆特征更新图像的距离变换分布图像的方法为:
获取大豆特征更新图像的R、G、B三通道图像作为大豆特征更新图像的R图像、G图像、B图像,采用大津阈值分割算法分别获取大豆特征更新图像的R二值图像、G二值图像、B二值图像,采用距离变换函数获取所述大豆特征更新图像的R二值图像的R距离变换分布图、G二值图像的G距离变换分布图、B二值图像的B距离变换分布图。
优选的,根据大豆特征更新图像的距离变换分布图像获取大豆特征更新图像中每个像素点的光照度的方法为:
式中,表示大豆特征更新图像的R图像中第/>个像素点的光照度;/>表示线阵光源的光照强度,/>表示R距离变换分布图的中心像素点/>的像素值,/>表示R距离变换分布图中第/>个像素点的像素值,/>表示线阵光源到R距离变换分布图的中心像素点/>所在位置的几何距离。
优选的,根据大豆特征更新图像中每个像素点的光照度和大豆特征更新图像获取大豆特征更新图像的大豆形状差异矩阵的方法为:
将大豆特征更新图像的R图像中每个像素点的像素值和光照度的差值作为所述大豆特征更新图像的R图像中每个像素点的形状差异系数,根据大豆特征更新图像的R图像中每个像素点的位置信息和形状差异系数构建所述大豆特征更新图像的R图像大豆形状差异矩阵;
与所述大豆特征更新图像的R图像大豆形状差异矩阵的获取方式相同,可以得到大豆特征更新图像的G图像大豆形状差异矩阵和B图像大豆形状差异矩阵。
优选的,根据大豆特征更新图像的大豆形状差异矩阵获取大豆特征更新图像的大豆形状合格判别值的方法为:
将大豆形状差异矩阵中所有元素的累加和作为分子,将大豆形状差异矩阵中元素的数量作为分母,将分子与分母的比值作为大豆合格判别值。
优选的,根据大豆特征更新图像的大豆形状差异矩阵获取大豆特征更新图像的大豆缺陷重叠图,利用大豆缺陷重叠图获取大豆缺陷重叠图的大豆色块区域的方法为:
根据大豆特征更新图像的大豆形状差异矩阵获取所述大豆特征更新图像的R大豆缺陷图、G大豆缺陷图、B大豆缺陷图,采用阈值分割算法获取所述大豆特征更新图像的R大豆缺陷图、G大豆缺陷图、B大豆缺陷图的二值图像,分别为R大豆缺陷二值图、G大豆缺陷二值图、B大豆缺陷二值图;
将R大豆缺陷二值图中像素值为1的像素点像素值不变,G大豆缺陷二值图中像素值为1的像素点像素值置为2,B大豆缺陷二值图中像素值为1的像素点像素值置为4;将像素值更新后的R大豆缺陷二值图、G大豆缺陷二值图、B大豆缺陷二值图中相同位置的像素点的像素值累加,将所述更新后的R大豆缺陷二值图、G大豆缺陷二值图、B大豆缺陷二值图中相同位置的像素点的像素值累加结果作为相同位置像素点的累加像素值,利用每个位置像素点的累加像素值代替大豆特征更新图像中每个位置像素点的像素值,将更新后的结果图像作为大豆特征更新图像的大豆缺陷重叠图;
利用所述大豆缺陷重叠图中像素点的像素值得到所述大豆缺陷重叠图中色块区域的划分结果。
优选的,根据大豆特征更新图像的大豆形状差异矩阵获取所述大豆特征更新图像的R大豆缺陷图、G大豆缺陷图、B大豆缺陷图的方法为:
将大豆特征更新图像的R图像大豆形状差异矩阵中每个元素的绝对值作为每个元素对应像素点的像素值,将得到的结果图像作为大豆特征更新图像的R大豆缺陷图;将大豆特征更新图像的G图像大豆形状差异矩阵中每个元素的绝对值作为每个元素对应像素点的像素值,将得到的结果图像作为大豆特征更新图像的G大豆缺陷图;将大豆特征更新图像的B图像大豆形状差异矩阵中每个元素的绝对值作为每个元素对应像素点的像素值,将得到的结果图像作为大豆特征更新图像的B大豆缺陷图。
优选的,根据大豆缺陷重叠图像中色块粘连特征计算大豆特征更新图像的霉变粘连系数的方法为:
式中,表示大豆缺陷重叠图的霉变粘连系数;/>表示大豆缺陷重叠图中色块区域的数量,/>表示大豆缺陷重叠图中像素点的数量,/>表示缺陷数量阈值;/>表示大豆缺陷重叠图中色块粘连组合类型的数量,/>表示第/>种色块粘连组合类型中色块区域的数量,/>表示大豆缺陷重叠图中第/>种色块粘连组合类型的数量。
优选的,根据大豆缺陷重叠图像中色块类型计算大豆特征更新图像的霉变渐变系数的方法为:
式中,表示大豆缺陷重叠图像的霉变渐变系数,/>表示大豆缺陷重叠图像的色块类型序列中第/>个数据,/>表示大豆缺陷重叠图像的色块类型序列的均值,/>表示色块类型序列中数据的数量。
优选的,根据大豆特征更新图像的霉变粘连系数和霉变渐变系数获取大豆特征更新图像的霉变缺陷辨别指数的方法为:
将大豆缺陷重叠图像的霉变粘连系数作为分子,将大豆缺陷重叠图像的霉变渐变系数与预设调节参数的和作为分母,将分子与分母的比值作为大豆的霉变缺陷辨别指数。
本发明的有益效果是:通过分析大豆表面图像中形状差异和霉变缺陷区域的数据特征,根据大豆表面图像中形状差异和霉变缺陷区域的数据特征的分析结果构建大豆的大豆形状合格判别值和大豆霉变缺陷辨别指数。基于大豆形状合格判别值和大豆霉变缺陷辨别指数计算大豆的品质合格判定系数,其有益效果在于充分考虑大豆品质较低时表面存在的形状、霉变等缺陷的特征,提高对大豆的品质的检测精度。
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作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种基于机器视觉的大豆品质检测方法的流程示意图;
图2为本发明一个实施例所提供的光源与大豆位置示意图。
具体实施方式
下面将结合本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本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,其示出了本发明一个实施例提供的一种基于机器视觉的大豆品质检测方法流程图,该方法包括以下步骤:
步骤S001,获取大豆表面图像,利用大豆表面图像获取大豆特征更新图像。
将待检测大豆放置于传送带上,在传送带上端设置相机对大豆图像进行采集,采用较高分辨率高深度的色彩空间的工业/>相机采集大豆表面图像,传送带上方采用线阵光源进行打光。将采集的大豆表面灰度图像转换为灰度图像,采用分水岭算法获取大豆表面图像中每个大豆的分割图像,将获取的每个大豆的分割图像作为大豆特征图像。例如在一张大豆表面图像中含有/>个大豆,则可以得到的/>个大豆特征图像,分水岭算法的具体实现过程为公知技术,不再进行赘述。
不同品种的大豆脐部颜色不同,而且大豆脐部的形状也较为复杂,在进行大豆缺陷分析时,大豆脐部位置所表现的特征会干扰大豆存在缺陷严重程度的判断,需将每个大豆特征图像中的脐部位置的图像数据删除。具体的,采用大津阈值算法获取大豆特征图像的二值图像,对大豆特征图像进行连通域检测,获取大豆特征图像中的连通域;对大豆特征图像的二值图像进行图像处理中的腐蚀操作,获取腐蚀操作结果图像中的腐蚀区域。
统计大豆特征图像中腐蚀区域中连通域的数量,若/>则对大豆特征图像不进行处理,将大豆特征图像作为大豆特征更新图像;若/>,将腐蚀区域中的连通域作为目标连通域,计算腐蚀区域中目标连通域内像素点的数量与腐蚀区域的像素点的数量的比值作为脐部图像判别值/>,其中/>则将腐蚀后的大豆特征图像的二值图像与大豆特征图像进行与运算,将与运算处理后的结果作为大豆特征更新灰度图像,将大豆特征更新灰度图像转换为/>图像作为大豆特征更新图像。上述大津阈值分割算法、图像处理中的腐蚀操作和与运算为公知技术,不再进行赘述。
至此,获取了每个大豆颗粒的大豆特征更新图像。
步骤S002,根据大豆特征更新图像获取R距离变换分布图,利用R距离变换分布图获取大豆特征更新图像的R图像中每个像素点的光照度。
将大豆特征更新图像按照R、G、B三个通道分开,分别作为R图像,G图像,B图像,以大豆特征更新图像的R图像为例进行分析。采用大津阈值分割算法对R图像进行处理得到R二值图像,采用距离变换函数获取R二值图像的R距离变换分布图,R距离变换分布图可以反应出R图像中各个像素点距离大豆表面曲面最高点的距离,距离越近则数值越大。
将大豆图像分为三个通道进行缺陷分析的目的是考虑大豆表面图像的色彩信息,提高对大豆表面缺陷分析的准确性。在大豆特征更新图像中,由于大豆表面是曲面且我们采用线阵光源打光,则大豆表面反射光由大豆中心向外成环状减弱,对应到图像中是从大豆中心到边缘像素灰度值呈环状减弱。由于是从正上方打光,球面上任意一点到球面中心处的光照度关系式如下:
式中,表示线阵光源的光照强度;/>表示点/>和点/>之间的几何距离;/>表示点/>和点/>之间的几何距离。如图2所示/>代表大豆中心点,/>代表大豆表面的任意一点,/>代表线阵光源的位置。
因为R距离变换分布图中,像素点的值等于该点到大豆边缘的距离,若距离变换分布图中任意一点/>的像素值是/>,则像素点/>到大豆中心/>的距离/>,其中/>是/>距离变换分布图中大豆中心/>的像素值,/>是/>距离变换分布图中像素点/>的像素值。因此可根据光照度关系式计算每个像素点的光照度,具体计算公式如下:
式中,表示大豆特征更新图像的R图像中第/>个像素点的光照度;表示线阵光源的光照强度,/>表示R距离变换分布图的中心像素点/>的像素值,/>表示R距离变换分布图中第/>个像素点的像素值,/>表示线阵光源到R距离变换分布图的中心像素点/>所在位置的几何距离。
至此,获取了大豆特征更新图像的R图像中每个像素点的光照度。
步骤S003,根据大豆特征更新图像的R图像中每个像素点的光照度获取R图像大豆形状差异矩阵,根据R图像大豆形状差异矩阵获取大豆形状合格判别值,根据大豆表面缺陷特征获取大豆霉变缺陷辨别指数。
不合格大豆常见的表面缺陷通常分为以下四类:干瘪未成熟缺陷,虫蚀破损缺陷,点状霉变缺陷,线状霉变缺陷。根据大豆特征更新图像的R图像中每个像素点的光照度获取大豆形状差异矩阵。具体的,将大豆特征更新图像的R图像中每个像素点的像素点值与每个像素点对应的光照度的差值作为大豆特征更新图像中每个像素点的大豆光照差异值,根据大豆特征更新图像中每个像素点的位置信息和每个像素点的大豆光照差异值构建R图像大豆形状差异矩阵。
在大豆的检测过程中,考虑大豆表面由于缺陷存在使大豆的形状存在较大的差异,例如干瘪等缺陷的存在使采集的大豆表面产生光照差异,根据R图像大豆形状差异矩阵计算大豆形状合格判别值,具体计算过程如下:
式中,表示大豆特征更新图像的R图像的大豆形状合格判别值,/>表示R图像大豆形状差异矩阵中第/>个元素,/>表示R图像大豆形状差异矩阵中元素的数量。通过R图像大豆形状差异矩阵对大豆表面的形状进行分析,若大豆表面的形状差异越大,则计算得到的/>的值越大,得到的/>的值越大,表示大豆表面形状差异较大,是不合格大豆的可能性越大。同时可以获取大豆特征更新图像的G图像和B图像的大豆形状合格判别值/>和/>。
进一步的,在大豆的检测中,霉变大豆可能带有毒素,且感染的霉菌可能蔓延,因此在上述大豆形状差异矩阵的基础上考虑大豆表面存在霉变缺陷时的点状和线状特征,根据大豆形状差异矩阵对霉变缺陷特征进行分析。将大豆形状差异矩阵中的所有元素取绝对值,将取绝对值后的矩阵中每个元素作为像素点的像素值的结果图像作为大豆缺陷灰度图。
采用大津阈值分割算法获取大豆缺陷灰度图的二值图像,因此可根据R图像、G图像、B图像的大豆缺陷灰度图分别获取R图像的大豆缺陷灰度图的二值图像、G图像的大豆缺陷灰度图的二值图像、B图像的大豆缺陷灰度图的二值图像,分别作为R大豆缺陷二值图、G大豆缺陷二值图、B大豆缺陷二值图。根据R大豆缺陷二值图、G大豆缺陷二值图、B大豆缺陷二值图获取大豆缺陷重叠图像。大豆缺陷的重叠图像的具体获取过程为:将大豆缺陷二值图中像素值为1的像素点像素值不变,/>大豆缺陷二值图中像素值为1的像素点像素值置为2,/>大豆缺陷二值图中像素值为1的像素点像素值置为4;将像素值改变后的R大豆缺陷二值图、G大豆缺陷二值图、B大豆缺陷二值图相同位置像素点的像素值相加,将相加后的结果图像作为大豆缺陷重叠图像。在大豆缺陷重叠图像中像素值可能为0、1、2、3、4、5、6、7,因此根据像素点的像素值可将大豆缺陷重叠图像分为背景区域、R色块区域、G色块区域、RG色块区域、B色块区域、RB色块区域、GB色块区域、RGB色块区域。
通过上述步骤可以得到大豆缺陷重叠图像,根据大豆缺陷重叠图像分析色块区域特征,例如在大豆缺陷重叠图像中像素值等于3的区域为RG类型的色块区域,说明该区域的像素点在R大豆缺陷二值图中是缺陷连通域的可能性较大,在G大豆缺陷二值图中是缺陷连通域的可能性也较大,据此不同色块类型的不同表示是缺陷的可能性不同。
其中干瘪未成熟缺陷和虫蚀破损缺陷的大豆表面颜色单一,即其色块数量较少。而点状霉变缺陷,线状霉变缺陷他们的色块颜色多种多样,色块数量多,常常是多种颜色的色块粘连在一起。由于大豆表面的霉菌是自然生长产生的,呈现点状或者线状特征,在大豆缺陷重叠图像中表现为一系列不同的色块组合在一起构成一个缺陷,统计各个色块区域的链接程度,将互相连接的色块视为一个色块组合,计算每个色块组合内的色块数量。具体的,将大豆缺陷图像素值为0的区域保持不变,像素值不为0的像素值置为1,得到大豆缺陷二值图像;对大豆缺陷二值图像进行连通域检测,每个连通域即为一个色块组合。
根据上述处理可以得到大豆缺陷重叠图像中色块组合,统计每个色块组合中的不同像素值的数量,获取色块组合序列,例如色块序列中出现的像素值为,表示改色块组合由四种类型的色块组成,将色块组合序列中数据的数量作为粘连色块数量。根据大豆缺陷重叠图像中每种色块组合的色块组合数量计算霉变粘连系数,具体计算公式如下:
式中,表示大豆缺陷重叠图的霉变粘连系数;/>表示大豆缺陷重叠图中色块区域的数量,/>表示大豆缺陷重叠图中像素点的数量,/>表示缺陷数量阈值,大小取经验值0.2;/>表示大豆缺陷重叠图中色块粘连组合类型的数量,/>表示第/>种色块粘连组合类型中色块区域的数量,/>表示大豆缺陷重叠图中第/>种色块粘连组合类型的数量。
若大豆表面的霉变较为严重,则色块粘连较为严重,即计算得到的和/>的值越大,且霉变较为严重时大豆缺陷重叠图像中色块区域的数量越大,即/>的值越大,得到的的值越大,计算得到的霉变粘连系数/>的值越大,表示大豆表面霉变较为严重的可能性越大。
进一步的,霉变程度不同大豆表面的颜色不同,霉变较为严重的区域颜色较深,且颜色较为丰富。霉变较浅的区域颜色较浅且颜色丰富程度较低,统计大豆缺陷重叠图像中每种类型色块的数量,将统计的结果由小到大进行排序组成的序列作为大豆缺陷重叠图像的色块类型数量序列,根据色块类型序列计算大豆缺陷重叠图像中的色块计算霉变渐变系数,具体计算公式如下:
式中,表示大豆缺陷重叠图像的霉变渐变系数,/>表示大豆缺陷重叠图像的色块类型序列中第/>个数据,/>表示大豆缺陷重叠图像的色块类型序列的均值,/>表示色块类型序列中数据的数量。若大豆表面的霉变较为严重且不同区域霉变程度不同,则计算得到的/>的值越小,即得到的/>的值越小,表示大豆表面出现了不同类型色块的数量较为接近,即大豆表面的霉变渐变程度越严重。
进一步的,通过大豆缺陷重叠图像的霉变粘连系数和霉变渐变系数计算大豆的霉变缺陷辨别指数,具体计算公式如下:
式中,表示大豆的霉变缺陷辨别指数,/>表示大豆缺陷重叠图的霉变粘连系数,/>表示大豆缺陷重叠图像的霉变渐变系数,/>表示调节参数,大小取经验值0.1。若大豆表面霉变较为严重,呈现多个不同霉变程度区域的粘连则计算得到的/>的值越大,同时霉变程度不同的区域数量较多,则计算得到的/>的值越小,得到的大豆的霉变缺陷辨别指数/>的值越大,表示大豆表面的霉变破坏程度较严重,为不合格大豆的可能性越大。
至此,获取了大豆形状合格判别值和大豆霉变缺陷辨别指数。
步骤S004,根据大豆形状合格判别值和大豆霉变缺陷辨别指数对大豆品质进行检测。
根据大豆形状合格判别值和大豆霉变缺陷辨别指数对每个采集的大豆表面图像中的大豆品质进行检测。具体的,根据大豆图像中每个大豆的大豆特征更新图像的大豆形状合格判别值和大豆霉变缺陷辨别指数计算此次采集大豆表面图像的品质合格判定系数,具体计算公式如下:
式中,表示大豆表面图像的品质合格判定系数,/>和/>分别表示采集的大豆表面图像中第/>个大豆的大豆形状合格综合判别值和大豆霉变缺陷辨别指数,/>表示大豆表面图像中大豆的数量;/>、/>和/>分别表示大豆表面图像中第/>个大豆的大豆特征更新图像中R图像、G图像、B图像的大豆形状合格判别值。设置大豆品质的合格判定阈值为0.2,若大豆表面图像的品质合格判定系数/>大于大豆品质的合格判定阈值则表示此次采集图像数据的大豆品质不合格。
至此,可根据每次采集的大豆表面图像完成对大豆品质的检测。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于机器视觉的大豆品质检测方法,其特征在于,该方法包括以下步骤:
获取大豆表面灰度图像,利用大豆表面灰度图像获取大豆特征更新图像;
根据大豆特征更新图像获取大豆特征更新图像的距离变换分布图像;根据大豆特征更新图像的距离变换分布图像获取大豆特征更新图像中每个像素点的光照度;根据大豆特征更新图像中每个像素点的光照度和大豆特征更新图像获取大豆特征更新图像的大豆形状差异矩阵;根据大豆特征更新图像的大豆形状差异矩阵获取大豆特征更新图像的大豆形状合格判别值;
根据大豆特征更新图像的大豆形状差异矩阵获取大豆特征更新图像的大豆缺陷重叠图,利用大豆缺陷重叠图获取大豆缺陷重叠图的大豆色块区域;根据大豆缺陷重叠图像中色块粘连特征计算大豆特征更新图像的霉变粘连系数;根据大豆缺陷重叠图像中色块类型计算大豆特征更新图像的霉变渐变系数;根据大豆特征更新图像的霉变粘连系数和霉变渐变系数获取大豆特征更新图像的霉变缺陷辨别指数;
根据大豆特征更新图像的大豆形状合格判别值和霉变缺陷辨别指数对大豆品质进行检测;
所述根据大豆特征更新图像中每个像素点的光照度和大豆特征更新图像获取大豆特征更新图像的大豆形状差异矩阵的方法为:
将大豆特征更新图像的R图像中每个像素点的像素值和光照度的差值作为所述大豆特征更新图像的R图像中每个像素点的形状差异系数,根据大豆特征更新图像的R图像中每个像素点的位置信息和形状差异系数构建所述大豆特征更新图像的R图像大豆形状差异矩阵;
与所述大豆特征更新图像的R图像大豆形状差异矩阵的获取方式相同,可以得到大豆特征更新图像的G图像大豆形状差异矩阵和B图像大豆形状差异矩阵;
所述根据大豆特征更新图像的大豆形状差异矩阵获取大豆特征更新图像的大豆形状合格判别值的方法为:
将大豆形状差异矩阵中所有元素的累加和作为分子,将大豆形状差异矩阵中元素的数量作为分母,将分子与分母的比值作为大豆合格判别值;
所述根据大豆特征更新图像的大豆形状差异矩阵获取大豆特征更新图像的大豆缺陷重叠图,利用大豆缺陷重叠图获取大豆缺陷重叠图的大豆色块区域的方法为:
根据大豆特征更新图像的大豆形状差异矩阵获取所述大豆特征更新图像的R大豆缺陷图、G大豆缺陷图、B大豆缺陷图,采用阈值分割算法获取所述大豆特征更新图像的R大豆缺陷图、G大豆缺陷图、B大豆缺陷图的二值图像,分别为R大豆缺陷二值图、G大豆缺陷二值图、B大豆缺陷二值图;
将R大豆缺陷二值图中像素值为1的像素点像素值不变,G大豆缺陷二值图中像素值为1的像素点像素值置为2,B大豆缺陷二值图中像素值为1的像素点像素值置为4;将像素值更新后的R大豆缺陷二值图、G大豆缺陷二值图、B大豆缺陷二值图中相同位置的像素点的像素值累加,将所述更新后的R大豆缺陷二值图、G大豆缺陷二值图、B大豆缺陷二值图中相同位置的像素点的像素值累加结果作为相同位置像素点的累加像素值,利用每个位置像素点的累加像素值代替大豆特征更新图像中每个位置像素点的像素值,将更新后的结果图像作为大豆特征更新图像的大豆缺陷重叠图;
利用所述大豆缺陷重叠图中像素点的像素值得到所述大豆缺陷重叠图中色块区域的划分结果;
所述根据大豆特征更新图像的大豆形状差异矩阵获取所述大豆特征更新图像的R大豆缺陷图、G大豆缺陷图、B大豆缺陷图的方法为:
将大豆特征更新图像的R图像大豆形状差异矩阵中每个元素的绝对值作为每个元素对应像素点的像素值,将得到的结果图像作为大豆特征更新图像的R大豆缺陷图;将大豆特征更新图像的G图像大豆形状差异矩阵中每个元素的绝对值作为每个元素对应像素点的像素值,将得到的结果图像作为大豆特征更新图像的G大豆缺陷图;将大豆特征更新图像的B图像大豆形状差异矩阵中每个元素的绝对值作为每个元素对应像素点的像素值,将得到的结果图像作为大豆特征更新图像的B大豆缺陷图;
所述根据大豆缺陷重叠图像中色块粘连特征计算大豆特征更新图像的霉变粘连系数的方法为:
式中,表示大豆缺陷重叠图的霉变粘连系数;/>表示大豆缺陷重叠图中色块区域的数量,/>表示大豆缺陷重叠图中像素点的数量,/>表示缺陷数量阈值;/>表示大豆缺陷重叠图中色块粘连组合类型的数量,/>表示第/>种色块粘连组合类型中色块区域的数量,/>表示大豆缺陷重叠图中第/>种色块粘连组合类型的数量;
所述根据大豆缺陷重叠图像中色块类型计算大豆特征更新图像的霉变渐变系数的方法为:
式中,表示大豆缺陷重叠图像的霉变渐变系数,/>表示大豆缺陷重叠图像的色块类型序列中第/>个数据,/>表示大豆缺陷重叠图像的色块类型序列的均值,/>表示色块类型序列中数据的数量;
所述根据大豆特征更新图像的霉变粘连系数和霉变渐变系数获取大豆特征更新图像的霉变缺陷辨别指数的方法为:
将大豆缺陷重叠图像的霉变粘连系数作为分子,将大豆缺陷重叠图像的霉变渐变系数与预设调节参数的和作为分母,将分子与分母的比值作为大豆的霉变缺陷辨别指数。
2.根据权利要求1所述的一种基于机器视觉的大豆品质检测方法,其特征在于,所述根据大豆特征更新图像获取大豆特征更新图像的距离变换分布图像的方法为:
获取大豆特征更新图像的R、G、B三通道图像作为大豆特征更新图像的R图像、G图像、B图像,采用大津阈值分割算法分别获取大豆特征更新图像的R二值图像、G二值图像、B二值图像,采用距离变换函数获取所述大豆特征更新图像的R二值图像的R距离变换分布图、G二值图像的G距离变换分布图、B二值图像的B距离变换分布图。
3.根据权利要求1所述的一种基于机器视觉的大豆品质检测方法,其特征在于,所述根据大豆特征更新图像的距离变换分布图像获取大豆特征更新图像中每个像素点的光照度的方法为:
式中,表示大豆特征更新图像的R图像中第/>个像素点的光照度;/>表示线阵光源的光照强度,/>表示R距离变换分布图的中心像素点/>的像素值,/>表示R距离变换分布图中第/>个像素点的像素值,/>表示线阵光源到R距离变换分布图的中心像素点/>所在位置的几何距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146666.3A CN116883403B (zh) | 2023-09-07 | 2023-09-07 | 一种基于机器视觉的大豆品质检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146666.3A CN116883403B (zh) | 2023-09-07 | 2023-09-07 | 一种基于机器视觉的大豆品质检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883403A CN116883403A (zh) | 2023-10-13 |
CN116883403B true CN116883403B (zh) | 2023-11-14 |
Family
ID=88272032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311146666.3A Active CN116883403B (zh) | 2023-09-07 | 2023-09-07 | 一种基于机器视觉的大豆品质检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883403B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021248915A1 (zh) * | 2020-06-10 | 2021-12-16 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及*** |
CN114937041A (zh) * | 2022-07-25 | 2022-08-23 | 聊城市博源节能科技有限公司 | 一种汽车发动机油路铜套缺陷检测方法及*** |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115457037A (zh) * | 2022-11-10 | 2022-12-09 | 澳润(山东)药业有限公司 | 一种用于阿胶制品生产的原材料质检方法 |
CN116030060A (zh) * | 2023-03-29 | 2023-04-28 | 高唐县红发塑业有限公司 | 一种塑料颗粒质量检测方法 |
-
2023
- 2023-09-07 CN CN202311146666.3A patent/CN116883403B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021248915A1 (zh) * | 2020-06-10 | 2021-12-16 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及*** |
CN114937041A (zh) * | 2022-07-25 | 2022-08-23 | 聊城市博源节能科技有限公司 | 一种汽车发动机油路铜套缺陷检测方法及*** |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115457037A (zh) * | 2022-11-10 | 2022-12-09 | 澳润(山东)药业有限公司 | 一种用于阿胶制品生产的原材料质检方法 |
CN116030060A (zh) * | 2023-03-29 | 2023-04-28 | 高唐县红发塑业有限公司 | 一种塑料颗粒质量检测方法 |
Non-Patent Citations (1)
Title |
---|
图像处理对大豆外观品质识别的方法;鲍磊;袁辉;侯升飞;;粮油仓储科技通讯(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883403A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN116703251B (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN110749598A (zh) | 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法 | |
CN114445348B (zh) | 基于光学手段的新材料水泵缺陷检测方法及*** | |
CN113870217A (zh) | 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及*** | |
CN117392469B (zh) | 基于机器视觉的钙钛矿电池表面涂膜检测方法及*** | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN114972894A (zh) | 一种基于计算机视觉的cpp薄膜缺陷分类方法 | |
CN111369526A (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN116883403B (zh) | 一种基于机器视觉的大豆品质检测方法 | |
CN116758045A (zh) | 一种半导体发光二极管的表面缺陷检测方法及*** | |
JP2022514427A (ja) | バクテリアコロニーのバクテリア増殖を監視しコロニーバイオマスを予測するシステム及び方法 | |
CN112750119B (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Machine Vision Based Soybean Quality Detection Method Granted publication date: 20231114 Pledgee: Weifang Bank Co.,Ltd. Liaocheng Gaotang Branch Pledgor: Shandong Guohong Biotechnology Co.,Ltd. Registration number: Y2024980005498 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |