CN102721509B - 粘连块状农产品在线分级方法 - Google Patents
粘连块状农产品在线分级方法 Download PDFInfo
- Publication number
- CN102721509B CN102721509B CN201210161335.2A CN201210161335A CN102721509B CN 102721509 B CN102721509 B CN 102721509B CN 201210161335 A CN201210161335 A CN 201210161335A CN 102721509 B CN102721509 B CN 102721509B
- Authority
- CN
- China
- Prior art keywords
- agricultural products
- standard deviation
- massive agricultural
- weighting
- qualified
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及自动化生产过程在线质量检测技术领域,公开了一种粘连块状农产品在线分级方法,包括以下步骤:S1、为合格块状农产品建立NMI特征模型与加权转动惯量标准差模型;S2、利用合格块状农产品的NMI特征模型与加权转动惯量标准差模型和待分级块状农产品的NMI特征和加权转动惯量标准差信息进行待分级块状农产品在线分级。本发明将NMI特征、加权转动惯量标准差和数学模型引入块状农产品在线分级,针对流水线上块状农产品粘连的情况,用距离变换和分水岭的方法,实现自动、无损地分割粘连块状农产品,并对其进行分级,从而实现其合格率的在线检测。
Description
技术领域
本发明涉及自动化生产过程在线质量检测技术领域,特别涉及一种粘连块状农产品在线分级方法。
背景技术
块状农产品自动化分级是指在不接触、不破坏块状农产品的前提下,对块状农产品的颜色、尺寸、形状等外部品质进行分级,这些指标对块状农产品的分级和定价有着决定性的影响。
机器视觉技术是一项融合了数字图像处理、机械、控制、电子、视觉技术、照明、光学、计算机软硬件等技术的综合技术。机器视觉系统可以自动分割粘连(两个农产品在视野里相连在一起即是粘连)块状农产品,实现产品的无损分级,因此,机器视觉技术作为一种重要的检测手段已经日益引起人们的重视,并广泛地应用于成品检验和质量控制等领域。
鲜切块状农产品的合格率主要由块状农产品的尺寸、颜色和形状三种外观特征决定。在机器视觉中,可以通过颜色空间转换和自适应阈值法区分不同的颜色信息,通过测量面积、周长等几何特征区分不同尺寸的块状农产品,因此,研究开发能够准确、高效、快捷的识别块状农产品形状的方法,对块状农产品合格率检测,提高农产品的品质以及农产品的大批量、自动化生产加工具有重要意义。
目前块状农产品的分级、分选主要依靠感官评判的方法。感官评判是由专业分选人员对块状农产品的尺寸、颜色和形状等外观特征进行逐一评判来分选合格的块状农产品和不合格的块状农产品,但人的感觉器官的灵敏度受到经验、精神状态、身体状况、劳动强度以及周围环境等因素的干扰,并且长时间单调乏味的重复劳动,容易使人产生视觉疲劳,从而影响分选结果的准确性。
鉴于现有技术的上述缺陷,需要一种新的粘连块状农产品分级方法,以能够有效地对粘连农产品进行分割,并进行无损分级,同时依据分级的匹配度量化块状农产品的合格率。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何实现自动、无损地分割粘连块状农产品,并对其进行分级。
(二)技术方案
为了解决上述技术问题,本发明提供一种粘连块状农产品在线分级方法,包括以下步骤:
S1、为合格块状农产品建立NMI特征模型与加权转动惯量标准差模型;
S2、利用合格块状农产品的NMI特征模型与加权转动惯量标准差模型和待分级块状农产品的NMI特征和加权转动惯量标准差进行待分级块状农产品在线分级。
优选地,步骤S1具体为,对于合格块状农产品执行步骤S11~S13:
S11、将采集的产品图像从RGB空间转换到YCbCr空间,用自适应阈值法将产品从背景中分离,并对分离之后的图像进行预处理;
S12、采用形态学开闭运算进行图像空洞的填充,并采用八连通序贯算法提取连通区域,然后跟踪连通区域的边缘,得到产品的边缘信息和重心信息,利用边缘信息和重心信息计算图像的NMI特征;利用NMI特征的统计信息用EM算法建立NMI特征混合高斯模型;
S13、用Harris方法提取产品的角点特征,根据最近的两个角点之间的位置关系赋予不同的权值,并计算产品图像的加权转动惯量标准差,利用加权转动惯量标准差的统计信息建立加权转动惯量标准差模型。
优选地,步骤S11中用自适应阈值法将产品从背景中分离的步骤为:把图像分成多个区域,针对每一个区域,根据区域的灰度直方图分布自适应地选取分割阈值,利用该分割阈值分割图像,得到二值图像。
优选地,步骤S11中所述预处理是利用中值滤波法对分离后得到的产品二值图像进行去噪。
优选地,步骤S13中,根据最近的两个角点之间的位置关系赋予不同的权值的步骤具体为:
假设n为连通区域的周长,点i为当前的边缘点,沿边缘两个方向离点i最近的两角点分别为A和B,则为边缘点i所赋予的权值为:
其中,表示点A、B之间的曲线距离,表示点A、i之间的直线距离,表示点i、B之间的直线距离。
优选地,步骤S13中计算产品图像的加权转动惯量标准差,利用加权转动惯量标准差的统计信息建立加权转动惯量标准差模型的步骤具体为:
假设Ji表示转动惯量,加权转动惯量标准差σ的计算公式是:
然后用加权转动惯量标准差σ的统计信息建立单高斯模型。
优选地,步骤S2具体为:采用马氏距离计算待分级块状农产品的NMI特征与合格块状农产品的NMI特征模型之间的相似度,并计算待分级块状农产品的加权转动惯量标准差与合格块状农产品的加权转动惯量标准差模型之间的相似度,若两种相似度均大于预设阈值,则将待分级块状农产品判定为合格的块状农产品,否则判定为不合格的块状农产品。
优选地,在步骤S2之后还包括步骤:用距离变换方法将不合格的块状农产品的图像从二值空间转换到灰度空间,用分水岭方法分割粘连的块状农产品,并计算分割后的粘连块状农产品的NMI特征和加权转动惯量标准差,最终实现粘连块状农产品在线分级。
(三)有益效果
上述技术方案具有如下优点:将NMI特征、加权转动惯量标准差和数学模型引入块状农产品在线分级,针对流水线上块状农产品粘连的情况,用距离变换和分水岭方法,能够实现自动、无损地分割粘连块状农产品,并对其进行分级,从而实现其合格率的在线检测。
附图说明
图1是本发明实施例的方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本发明实施例的粘连块状农产品分级方法具体过程如下:
S1、为合格块状农产品(也称为标准块状农产品,本实施例中为土豆丁)建立NMI(Normalized Moment Inertia,归一化转动惯量)特征模型与加权转动惯量标准差模型:
S11、将采集的土豆丁彩色图像从RGB空间转换到YCbCr空间,用自适应阈值法将土豆丁从复杂背景中分离,并进行预处理。
本步骤中,用自适应阈值的方法分割背景是由于:当背景发生变化,如照明不均匀、存在机器噪声,或者背景灰度变化较大、土豆丁图像灰度变化较大、受阴影影响时,图像灰度变化不连续,用单一阈值不可能很好的分割,因此用自适应阈值的方法分割背景,使分割结果能更好的抑制噪声,更加鲁棒。用自适应阈值的方法分割背景的思路是,把图像分成多个区域,针对每一个区域,根据灰度直方图分布自适应地选取分割阈值,利用该分割阈值对图像进行分割,得到二值图像。
所述预处理是利用中值滤波法对分离后得到的土豆丁二值图像进行去噪。去噪是由于图像信息在采集过程中会受到很多噪声的干扰,若不经过去噪,会对特征提取造成影响。中值滤波法去噪既可做到噪声抑制、滤波脉冲干扰及图像扫描噪声,又可以克服线性滤波器带来的图像细节模糊,保持图像边缘信息。
S12、采用形态学开闭运算进行二值图像空洞的填充,并采用八连通序贯算法提取连通区域(这是由于:背景分割之后的二值图像很明显的存在一些空洞,如果直接提取连通区域,将会对计算连通区域面积产生较大影响,影响了后期土豆丁特征的提取结果,因此,采用形态学的开闭运算进行空洞填充),然后跟踪连通区域的边缘,得到土豆丁的边缘信息和重心信息,利用该边缘信息和重心信息计算NMI特征(计算公式为现有技术);利用NMI特征的统计信息用EM(Expection Maximum,最大期望)算法建立NMI特征的混合高斯模型。
S13、用Harris方法提取土豆丁的角点,根据最近的两个角点之间的位置关系赋予不同的权值,计算加权转动惯量标准差,利用加权转动惯量标准差的统计信息建立加权转动惯量标准差模型。
本步骤中,假设n为连通区域的周长,点i为当前的边缘点,在点i两边,沿边缘两个方向离点i最近的两点分别为A和B,根据沿着边缘距离边缘点最近的两个角点与边缘点之间的位置关系赋予不同的权值Wi:
上式中,表示点A、B之间的曲线距离,表示点A、i之间的直线距离,表示点i、B之间的直线距离。
假设Ji表示转动惯量,加权转动惯量标准差σ的具体计算公式是:
然后用加权转动惯量标准差的统计信息建立单高斯模型。这是由于:光照的变化、阴影的影响、噪声的干扰和边缘特征在二维形态上的细微差别都会对NMI特征和加权转动惯量标准差的计算产生影响,如果直接用一个标准土豆丁的NMI特征和加权转动惯量标准差表示合格土豆丁的NMI特征和加权转动惯量标准差,在分级过程中,容易将合格土豆丁识别为不合格土豆丁,因此用加权转动惯量标准差的统计信息建立单高斯模型能提高识别的准确率。
S2、利用合格块状农产品的NMI特征模型与加权转动惯量标准差模型和待分级块状农产品的NMI特征和加权转动惯量标准差进行待分级块状农产品在线分级:
采用马氏距离计算待分级土豆丁的NMI特征与标准土豆丁的NMI特征模型之间的相似度,并计算待分级土豆丁的加权转动惯量标准差与标准土豆丁的加权转动惯量标准差模型之间的相似度,这两种相似度用于描述两种土豆丁间的相似度,两种相似度值均大于预设阈值的判定为合格的土豆丁,否则判定为不合格的土豆丁。
步骤S2中,待分级土豆丁的NMI特征和加权转动惯量标准差的计算方法与合格土豆丁的NMI特征和加权转动惯量标准差的计算方法一样,可参见步骤S11~S13。
考虑到不合格的土豆丁中可能存在两个或多个合格的土豆丁粘连在一起的情况,因此在步骤S2之后需要用距离变换方法将识别为不合格土豆丁的图像从二值空间转换到灰度空间,然后用分水岭方法分割粘连土豆丁,并重新计算分割后的粘连土豆丁的NMI特征和加权转动惯量标准差,分别与合格土豆丁的NMI特征模型和加权转动惯量标准差模型比较,计算相似度,两种相似度值均大于预设阈值的判定为合格的土豆丁,否则判定为不合格的土豆丁,最终完成粘连土豆丁在线分级。
下面进行土豆丁图像的下一帧采集,然后重复进行上述过程。
由以上实施例可以看出,本发明将NMI特征、加权转动惯量标准差和数学模型引入块状农产品在线分级,针对流水线上块状农产品粘连的情况,用距离变换和分水岭的方法,实现自动、无损地分割粘连块状农产品,并对其进行分级,从而实现其合格率的在线检测。本发明与人工分级相比,结果更客观公正,并且不会对人的健康和块状农产品的卫生情况造成损害,将机器视觉用于块状农产品分选过程中,既可以有效的减轻工人劳动强度,提高生产率,又可以排除人的主观因素干扰,提高检测的可信度,提高农产品的产品质量及附加值,该发明可以应用于块状农产品的自动化生产、分级过程。
本发明对瓜果、块状农产品的分级具有通用性,但由于产品种类很多,因此本发明只举一个用于土豆丁分级的实施实例,其它瓜果和块状农产品的切块形状分级可以参照该实施实例的方法,具体针对所测瓜果、块状农产品的切块特征,改变相关参数,就可以对新的切块形状进行分级。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (7)
1.一种粘连块状农产品在线分级方法,其特征在于,包括以下步骤:
S1、将采集的合格块状农产品图像从RGB空间转换到YCbCr空间,用自适应阈值法将产品从背景中分离,并对分离之后的图像进行预处理;
S2、采用形态学开闭运算进行图像空洞的填充,并采用八连通序贯算法提取连通区域,然后跟踪连通区域的边缘,得到合格块状农产品的边缘信息和重心信息,利用边缘信息和重心信息计算图像的NMI特征;利用NMI特征的统计信息用EM算法建立合格块状农产品的NMI特征混合高斯模型;
S3、用Harris方法提取合格块状农产品的角点特征,根据最近的两个角点之间的位置关系赋予不同的权值,并计算产品图像的加权转动惯量标准差,利用加权转动惯量标准差的统计信息建立合格块状农产品的加权转动惯量标准差模型;
S4、利用合格块状农产品的NMI特征模型与加权转动惯量标准差模型和待分级块状农产品的NMI特征和加权转动惯量标准差进行待分级块状农产品在线分级。
2.如权利要求1所述的方法,其特征在于,步骤S1中用自适应阈值法将产品从背景中分离的步骤为:把图像分成多个区域,针对每一个区域,根据区域的灰度直方图分布自适应地选取分割阈值,利用该分割阈值对图像进行分割,得到二值图像。
3.如权利要求1所述的方法,其特征在于,步骤S1中所述预处理是利用中值滤波法对分离后得到的产品二值图像进行去噪。
4.如权利要求1所述的方法,其特征在于,步骤S3中,根据最近的两个角点之间的位置关系赋予不同的权值的步骤具体为:
假设n为连通区域的周长,点i为当前的边缘点,沿边缘两个方向离点i最近的两角点分别为A和B,则为边缘点i所赋予的权值为:
其中,表示点A、B之间的曲线距离,表示点A、i之间的直线距离,表示点i、B之间的直线距离。
5.如权利要求4所述的方法,其特征在于,步骤S3中计算产品图像的加权转动惯量标准差,利用加权转动惯量标准差的统计信息建立加权转动惯量标准差模型的步骤具体为:
假设Ji表示转动惯量,加权转动惯量标准差σ的计算公式是:
然后用加权转动惯量标准差σ的统计信息建立单高斯模型。
6.如权利要求1所述的方法,其特征在于,步骤S4具体为:采用马氏距离计算待分级块状农产品的NMI特征与合格块状农产品的NMI特征模型之间的相似度,并计算待分级块状农产品的加权转动惯量标准差与合格块状农产品的加权转动惯量标准差模型之间的相似度,若两种相似度均大于预设阈值,则将待分级块状农产品判定为合格的块状农产品,否则判定为不合格的块状农产品。
7.如权利要求1~6中任一项所述的方法,其特征在于,在步骤S4之后还包括步骤:用距离变换方法将不合格的块状农产品的图像从二值空间转换到灰度空间,用分水岭方法分割粘连的块状农产品,并计算分割后的粘连块状农产品的NMI特征和加权转动惯量标准差,最终实现粘连块状农产品分级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210161335.2A CN102721509B (zh) | 2012-05-22 | 2012-05-22 | 粘连块状农产品在线分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210161335.2A CN102721509B (zh) | 2012-05-22 | 2012-05-22 | 粘连块状农产品在线分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102721509A CN102721509A (zh) | 2012-10-10 |
CN102721509B true CN102721509B (zh) | 2014-09-03 |
Family
ID=46947334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210161335.2A Active CN102721509B (zh) | 2012-05-22 | 2012-05-22 | 粘连块状农产品在线分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102721509B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103785622B (zh) * | 2014-01-28 | 2015-12-30 | 浙江理工大学 | 基于机器视觉的零件分拣装置的零件分拣方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3927314A1 (de) * | 1989-08-18 | 1991-02-21 | Hofmann Gmbh & Co Kg Maschinen | Verfahren und vorrichtung zum messen einer statischen unwucht |
CN101905737A (zh) * | 2010-08-05 | 2010-12-08 | 上海交通大学 | Flng液舱晃荡模型的试验惯量调节方法 |
CN101907453A (zh) * | 2010-07-23 | 2010-12-08 | 北京农业信息技术研究中心 | 基于机器视觉的块状农产品尺寸在线测量方法与装置 |
CN102122430A (zh) * | 2011-03-21 | 2011-07-13 | 北京农业智能装备技术研究中心 | 农产品信息采集器及采集方法 |
CN202160400U (zh) * | 2011-06-17 | 2012-03-14 | 北京农业信息技术研究中心 | 基于立体视觉的玉米果穗外在形态记录与测量装置 |
-
2012
- 2012-05-22 CN CN201210161335.2A patent/CN102721509B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3927314A1 (de) * | 1989-08-18 | 1991-02-21 | Hofmann Gmbh & Co Kg Maschinen | Verfahren und vorrichtung zum messen einer statischen unwucht |
CN101907453A (zh) * | 2010-07-23 | 2010-12-08 | 北京农业信息技术研究中心 | 基于机器视觉的块状农产品尺寸在线测量方法与装置 |
CN101905737A (zh) * | 2010-08-05 | 2010-12-08 | 上海交通大学 | Flng液舱晃荡模型的试验惯量调节方法 |
CN102122430A (zh) * | 2011-03-21 | 2011-07-13 | 北京农业智能装备技术研究中心 | 农产品信息采集器及采集方法 |
CN202160400U (zh) * | 2011-06-17 | 2012-03-14 | 北京农业信息技术研究中心 | 基于立体视觉的玉米果穗外在形态记录与测量装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102721509A (zh) | 2012-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN109859181A (zh) | 一种pcb焊点缺陷检测方法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN110610506B (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
CN107328787A (zh) | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
CN106295789A (zh) | 一种基于图像处理的作物种子计数方法 | |
Poornima et al. | Detection and classification of diseases in plants using image processing and machine learning techniques | |
CN103226832A (zh) | 基于光谱反射率变化分析的多光谱遥感影像变化检测方法 | |
CN102998316A (zh) | 一种透明液体杂质检测系统及其检测方法 | |
CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
CN111814825B (zh) | 基于遗传算法优化支持向量机的苹果检测分级方法及系统 | |
Pratibha et al. | Analysis and identification of rice granules using image processing and neural network | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
CN111161233A (zh) | 一种用于冲孔皮革缺陷检测方法及系统 | |
Gaikwad et al. | Fruit disease detection and classification | |
CN102721509B (zh) | 粘连块状农产品在线分级方法 | |
Khadabadi et al. | Disease detection in vegetables using image processing techniques: A review | |
Sidehabi et al. | The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine. | |
CN103761520B (zh) | 基于笔划宽度的文档图像无参二值化方法 | |
CN108363967A (zh) | 一种遥感图像场景的分类系统 | |
Srivastava et al. | A novel vision sensing system for tomato quality detection | |
CN102254173B (zh) | 基于k均值聚类与线性邻域传播结合的指纹图像分割方法 | |
Jasani et al. | Review of shape and texture feature extraction techniques for fruits | |
Bini et al. | Intelligent agrobots for crop yield estimation using computer vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |