CN103426164B - 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统 - Google Patents
基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统 Download PDFInfo
- Publication number
- CN103426164B CN103426164B CN201310232507.5A CN201310232507A CN103426164B CN 103426164 B CN103426164 B CN 103426164B CN 201310232507 A CN201310232507 A CN 201310232507A CN 103426164 B CN103426164 B CN 103426164B
- Authority
- CN
- China
- Prior art keywords
- scallop
- image
- line
- size
- profile
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Opencv图像分析的扇贝尺寸计算方法,对扇贝两凸缺陷的起点、终点和深度点进行分别连线,选定所有连线中距离重心最远的一条连线,连接重心与该连线的中点,得到一条直线;计算该直线与被轮廓所截的线段长度,得到所述扇贝的尺寸。由于采用了上述技术方案,本发明提供的基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统,通过视频分析扇贝的两个最明显的凸缺陷,进而确定扇贝的中线,根据中线确定扇贝的尺寸,相较于传动的机械分拣和人工分拣,具有准确率高,分拣迅速,而且不会对扇贝造成任何损害,由于采用的技术成熟,十分适于大范围的推广和使用。
Description
技术领域
本发明涉及一种自动分拣扇贝的方法和系统,尤其涉及一种基于视频分析的扇贝分拣方法和系统。
背景技术
近几年随着我国工业自动化水平的不断提高,采用主动机器视觉检测系统代替现有人工劳动,利用摄像机、图像采集卡和工业计算机进行产品精选分级的企事业单位越来越多。工业自动化技术迅速发展给工业生产带来了很高效率的提升,促使各个生产企业将这一技术都应用于生产中。如自动化流水线生产汽车零部件,食品包装,水果自动分类等。我国是一个海洋大国,海产品生产行业的发展在我国农业生产中占有重要的地位,而目前在许多海产品养殖和生产企业,没有很好的将这工业自动化应用于生产中,而是采用传统人工的方法进行操作,不仅劳动强度大、效率低,而且人工方法的操作的结果具有客观性差的缺点。
发明内容
本发明针对以上问题的提出,而研制的一种基于Opencv图像分析的扇贝尺寸计算方法,具有如下步骤:
—获取检测区域的图像,根据当前帧图像判断是否有扇贝进入检测区域;
—对确认有扇贝进入检测区的图像,使用漫水填充算法获取扇贝在图像中的精确位置,通过位置映射获取一张只含有一个扇贝的目标图像;
—确定所述目标图像的重心和轮廓,使用快速排序法获得所述目标图像的最大轮廓;计算得出扇贝轮廓与包络线之间的所有的凸缺陷,选定两个最大的凸缺陷;对所述两凸缺陷的起点、终点和深度点进行分别连线,选定所有连线中距离重心最远的一条连线,连接重心与该连线的中点,得到一条直线;计算该直线与被轮廓所截的线段长度,得到所述扇贝的尺寸。
所述步骤“—获取检测区域的图像,根据当前帧图像判断是否有扇贝进入检测区域;”具体包括:
—获取当前帧图像,对当前帧图像进行高斯金字塔变换,将图像从RGB空间变换到YCrCb空间,提取Cr通道图像,累加Cr通道图像和Y通道图像,对结果图像进行中值滤波和阈值化分割;
—若当前帧图像为第一帧图像,则重复上述操作;若当前帧图像不是第一帧图像,则计算当前帧和上一帧的差值,去除干扰的帧差图像;
—设定一个阈值比例和一个检测通过位置,当帧差图像超过比例且通过目标位置时,判断有扇贝经过。
所述步骤“对确认有扇贝进入检测区的图像,使用漫水填充算法获取扇贝在图像中的精确位置,通过位置映射获取一张只含有一个扇贝的目标图像;”具体为:
—对确认有扇贝进入检测区域的帧图像,进行轮廓查找,判定找到的轮廓是否大于扇贝的最小尺寸;
—若大于扇贝的最小尺寸,则获得所述轮廓的一个白色像素点的位置,将该像素点的位置映射至当前帧,以该点为种子进行浸水填充,得到贝苗所在的矩形位置。
所述获取目标图像重心具体步骤为:
假设非零的像素值表示区域,矩可以用于二值或灰度级的区域描述:
其中p对应x维度上的矩,q对应y维度上的矩,阶数表示对应的部分的指数;
令Xc,Yc表示区域重心的坐标,分别由M10(p=1,q=0),M00(p=0,q=0)和M01(p=0,q=1)表示,即:
Xc=M10/M00;
Yc=M01/M00。
所述步骤“对所述两凸缺陷的起点、终点和深度点进行分别连线......”具体包括:
—对目标图像通过拉普拉斯金字塔变换进行上采样;然后将图像从RGB空间变换到YCrCb空间,提取Cr通道图像,累加Cr通道图像和Y通道图像,对结果图像进行滤波和阈值化分割操作;
—遍历得到图像的多个轮廓,使用快速排序获取最大的轮廓,该轮廓是扇贝的包络线;
—选定扇贝的两个最大的凸缺陷;对所述两最大凸缺陷的起点、终点和深度点进行分别连线,选定所有连线中距离重心最远的一条连线,连接重心与该连线的中点,得到一条直线,即为扇贝对称中线;计算该对称中线被轮廓所截的线段长度,得到所述扇贝的尺寸。
所述步骤“—设定一个阈值比例和一个检测通过位置,当帧差图像超过比例且通过目标位置时,判断有扇贝经过”具体为:
划定分割线,获取每一张经过摄像头的扇贝图像,当扇贝没有通过分隔线时,不进行记录;当扇贝通过红色线条10%,认为有扇贝出现;直到扇贝在分隔线上的比例小于10%时,认为扇贝已经出去,完成扇贝出现的检测。
一种扇贝分拣系统,具有:
输送扇贝的多级传送带系统;
在多级传送带系统传送扇贝时,分析每个扇贝尺寸的图像处理系统;
接收图像处理系统的分析结果,对所述多级传送带系统承载的扇贝进行分拣的机械分级系统;
所述图像处理系统,应用如权利要求5所述的扇贝尺寸计算方法,通过图像分析确定每个扇贝对称的两耳部的缺陷,进而确定扇贝的中线,通过计算该中线的长度,确定每个扇贝的尺寸,依照改尺寸对扇贝进行分级。
所述图像处理系统具有:
位于所述多级传送带系统上方的光源箱;位于光源箱内部的光源;
位于光源箱内部,采集进入光源箱内部的扇贝图像的相机;对相机采集到的扇贝图像进行分析的远程计算机;
所述图像分析过程如下:
—所述相机获取检测区域的图像,根据当前帧图像判断是否有扇贝进入检测区域;
—所述远程计算机对确认有扇贝进入检测区的图像,使用漫水填充算法获取扇贝在图像中的精确位置,通过位置映射获取一张只含有一个扇贝的目标图像;
—远程计算机确定所述目标图像的重心和轮廓,使用快速排序法获得所述目标图像的最大轮廓;计算得出扇贝轮廓与包络线之间的所有的凸缺陷,选定两个最大的凸缺陷;对所述两凸缺陷的起点、终点和深度点进行分别连线,选定所有连线中距离重心最远的一条连线,连接重心与该连线的中点,得到一条直线;计算该直线与被轮廓所截的线段长度,得到所述扇贝的尺寸。
所述多级传送带系统具有:
多层传送带,位于下方的传送带相对其上方的传送带具有更快的传送速度;承载扇贝经过所述光源箱的传送带为透明传送带;在该透明传送带另一侧设有与光源箱配的反光板。
所述机械分级系统包括:
多个承载不同尺寸级别扇贝的扇贝分类盒;多个与所述透明传送带平行的伸缩机械推手,每个伸缩机械推手将特定尺寸范围的扇贝推送至扇贝分类盒中;
工作状态下,所述的多个伸缩机械推手,接收远程计算机的工作指令,将特定尺寸范围的扇贝推送至指定的扇贝分类盒中。
由于采用了上述技术方案,本发明提供的基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统,通过视频分析扇贝的两个最明显的凸缺陷,进而确定扇贝的中线,根据中线确定扇贝的尺寸,相较于传动的机械分拣和人工分拣,具有准确率高,分拣迅速,而且不会对扇贝造成任何损害,由于采用的技术成熟,十分适于大范围的推广和使用。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1是系统整体结构图。
图中1是漏斗,2是扇贝,3是第一级传送带,4是第二级传送带,5、9是挡板,6是摄像头,7是隔光箱,8是隔光箱内的红色LED光源,10是第三级传送带,11是底部背光板,12是扇贝分类盒,13是机械分类手臂;
图2是虾夷扇贝的几何模型。
图中21是扇贝耳部,22是扇贝壳高,23是扇贝背缘,24是扇贝腹部;
图3是扇贝凸缺陷的图形解释。
图中31是扇贝表面,32是扇贝凸包络线,33是扇贝凸包络线的缺陷;
图4是算法中定义计算对称轴的扇贝两个凸缺陷的特征点。
图中41是凸缺陷的起点,42是凸缺陷的深度点,43是凸缺陷的终点;
图5是算法计算中定义的凸缺陷的特征点连接方式;
图6是扇贝尺寸测量过程算法的图解说明。
图6a分割后的扇贝图像;图6b分割图像经过滤波后的结果;图6c提取扇贝重心点;图6d提取扇贝重心点和轮廓;图6e计算扇贝凸缺陷并找出两个最明显的凸缺陷图;图6f连接图6e中凸缺陷的六个特征点并获取9条线段;图6f计算重心到图6g中获取九条线段的中垂线;图6h取图6f中最长的线段;图6i计算出图6h中线段所在直线;图6j计算图6i中直线与轮廓的交点;
图7是系统流程图,其中图7a为贝苗检测流程图;图7b为贝苗精确定位流程图;
图8是尺寸测量流程图;
图9检测出现过程,其中图9a原始图像;图9b原始图像下采样;图9c色彩空间转换;图9d提出颜色分量;图9e对颜色分量进行阈值化;图9f加强亮度分量;图9g阈值化;图9h平滑;图9i背景图;图9j帧差图;图9k帧差平滑图;
图10定位结果示意图,其中图10a检测到图-原始;图10b检测到图-差分图10c检测到图-灰度;
图11尺寸计算示意图,图11a原始图像;图11b定位图像;图11c扇贝二值图;图11d轮廓图像;图11e平滑轮廓图像;图11f计算结果图像。;
图12为检测扇贝通过的示意图,图12a为无扇贝通过的图像;图12b为扇贝出现的图像;图12c扇贝通过分割线的示意图I;图12d扇贝通过分割线的示意图II;图12e扇贝离开分割线的示意图I;图12f扇贝离开分割线的示意图II;图12g扇贝离开分割线的示意图III;图12h扇贝离开检测区域的示意图。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚,下面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的描述:
如图2-图12h所示:一种基于Opencv图像分析的扇贝尺寸计算方法,主要包括如下步骤:
首先获取检测区域的图像,根据当前帧图像判断是否有扇贝进入检测区域。作为一个较佳的实施方式:
首先提取当前帧图像,对当前帧图像进行高斯金字塔变换,将图像从RGB空间变换到YCrCb空间,提取Cr通道图像,累加Cr通道图像和Y通道图像,对结果图像进行滤波和阈值化分割操作,得到当前帧的二值图像。
判断得到的当前帧的二值图像是不是所采集的第一帧图像,如果是第一帧图像,则重复上述的步骤,以便至少获取两帧的连续图像计算帧差,以便精确判断是否有扇贝经过。如果不是则计算当前帧和上一帧的差值,以获得去除干扰的帧差图像,通过帧差图像判断运动,设定一个阈值比例和一个检测通过位置,当帧差图像超过比例且通过目标位置时,判断有扇贝经过。
如图12a-图12h所示:检测扇贝出现:获取每一张经过摄像头的扇贝图像,当扇贝没有通过图示分隔线(红线)时,不进行记录;当扇贝通过红色线条10%(位于分割线一侧的面积占总扇贝面积),认为有扇贝出现;直到扇贝在分隔线上的比例小于10%时,认为扇贝已经出去。这样就完成了扇贝出现的检测。
构造配置数据结构如下
StructPassConfig
{
ThirdSmoothThreshold=3;//检测通过扇贝前的滤波阈值
ThirdLinePos=70;//扇贝通过图像位置,默认70%位置
ThirdLineHeight=5;//通过位置直线高度像素
ThirdLineRatio=10;//通过多少记为通过,默认10%
}
进一步的,所述的滤波方法为中值滤波,可以去掉较为明显的噪声点,Emgucv开源图像库在其lib中有如下的定义:
publicexternstaticvoidcvSmooth(IntPtrsrc,IntPtrdst,SMOOTH_TYPEtype,intparam1,intparam2,doubleparam3,doubleparam4);
其中函数的第三个参数指定了平滑类型,当取值为CV_MEDIAN时,即表示了对图像进行中值滤波操作。
中值滤波算法在程序中函数以如下形式出现:
CvInvoke.cvSmooth(grayImg.Ptr,grayImg.Ptr,MOOTH_TYPE.CV_MEDIAN,滤波窗口大小,0,0,0);
阈值化使用Image<TColor,TDepth>类的成员函数
publicvoid_ThresholdBinary(TColorthreshold,TColormaxValue);
阈值化算法在程序中函数以如下形式出现:
grayImg._ThresholdBinary(阈值,newGray(255));
所谓帧差是指两帧图像的差值。定义两幅图像Image1和Image2,两幅图的差值结果为ImageResult,差值的计算直接使用’-’号。
即ImageResult=Image1-Image2,在Emgucv中也有相应的计算方法。
对于一张已知的扇贝二值图像Image和图像中扇贝上的一点startPoint(通过帧差获取),我们可以通过函数
CvInvoke.cvFloodFill(Image.Ptr,
startPoint,
newMCvScalar(1,1,1),
newMCvScalar(0),
newMCvScalar(0),
outcomp,
CONNECTIVITY.EIGHT_CONNECTED,
FLOODFILL_FLAG.DEFAULT,
IntPtr.Zero);
计算扇贝所在位置,其中comp参数将给出扇贝的位置信息对于已知图像Image,设拉普拉斯金字塔变换结果为ResImage,其计算过程为
ResImage=Image.PyrUp()其中PyrUp函数是库函数。轮廓的数据结构定义为Contour<Point>,Emgucv已经进行定义,对于一张已知的图像变量Image,轮廓的计算过程定义为:
Contour<Point>contours=Image.FindContours();这样我们就可以对轮廓contours进行分析了。FindContours()为系统库函数。
Contours变量保存的时图像的轮廓序列,我们可以通过遍历序列中的每一个元素,通过比较他们的面积,来获取面积最大的轮廓,来确定最大轮廓。
由上一步帧差图像可以获得该区域内的一个白色像素点所在位置,然后将白色像素位置映射到当前帧去噪后的二值图中,利用漫水填充算法确定贝苗确切位置,准备测量扇贝尺寸。
通过两幅图像的差值(好的情况成月牙形,参见附图9j和图9k),通过差值图像白色区域可以获取一点startPoint(使用重心),这一点必然会在当前图像扇贝上。然后使用
CvInvoke.cvFloodFill(Image.Ptr,
startPoint,
newMCvScalar(1,1,1),
newMCvScalar(0),
newMCvScalar(0),
outcomp,
CONNECTIVITY.EIGHT_CONNECTED,
FLOODFILL_FLAG.DEFAULT,
IntPtr.Zero);
函数,函数计算结果的第五个参数comp会给出扇贝的位置信息。即可得到扇贝的精确位置。
寻找过滤后图像的重心。本文通过计算图像统计特征--矩Moments来描述。
通过假设非零的像素值表示区域,矩可以用于二值或灰度级的区域描述。
其中p对应x维度上的矩,q对应y维度上的矩,阶数表示对应的部分的指数。
令Xc,Yc表示区域重心的坐标,分别由M10(p=1,q=0),M00(p=0,q=0)和M01(p=0,q=1)表示,即:
Xc=M10/M00;
Yc=M01/M00;
计算扇贝的轮廓。一个轮廓一般对应一系列的点,也就是图像中的一条曲线。轮廓信息可以由cvFindContour计算得出。轮廓的数据结构定义为Contour<Point>,Emgucv已经定义好了,对于一张已知的图像变量Image,轮廓的计算过程定义为Contour<Point>contours=Image.FindContours();这样我们就可以对轮廓contours进行分析了。FindContours()为Emgucv系统库函数。
计算轮廓的凸包(包络线)和凸缺陷。从图像中可以获取一系列的凸包和凸缺陷,我们从这些凸包和凸缺陷中选取最能表征扇贝特征的耳部两处明显的凸缺陷,作为下一步计算的基础。所谓扇贝的凸缺陷,如图3所示,是由扇贝及其包络线所包围成的闭合区域。
将两个最大的凸缺陷的六个特征点分别相连后,可以的到距离图像重心最远的一条连线,将重心点与这条线段中点进行连接,就可以确定扇贝壳高的直线所在位置。对于每一个凸缺陷,都由三个特征点构成,分别是起始点(StartPoint),终止点(EndPoint)和深度点(DepthPoint)。
所谓凸包,如图3所示,扇贝周围的红色线条描画了扇贝的凸包,就是包围在扇贝几个形状外的一条曲线,所谓凸缺陷,就是由凸包的缺陷。
这些凸缺陷提供了扇贝特征表现的方法。Opencv有三个关于凸包和凸缺陷的函数的重要函数。
cvConvexHull2、cvCheckContourConvexity和cvConvexityDefects,本文使用cvConvexityDefects进行检测。Emgucv对凸缺陷的定义是Seq<MCvConvexityDefect>,假设要计算图像为Image,凸缺陷计算结果为convexity,通过下面式子即可计算出图像的凸缺陷。
Seq<MCvConvexityDefect>convexity=cMax.GetConvexityDefacts(null,ORIENTATION.CV_CLOCKWISE);其中cMax是通过Image.FindContours()计算的图像的最大轮廓。
壳高直线与扇贝轮廓计算交点,所得到的两个交点进行连线,就是最终获得的扇贝壳高线段,扇贝的大小可以通过该线段进行计算。
也可以直接连接深度点,但是误差较大:1.过重心到深度点的连线中点的直线不准确,由于这两点距离较近,中点稍有偏差,则连接后的直线偏差较大。2.起始点和中止点位置不固定,通过长度的计算可以定位到背缘所在线段。故在本发明中采用最远的连线与重心的连线作为评价扇贝尺寸的依据。
进一步的,使用最小二乘法拟合扇贝的边缘,以进一步提高检测精度。获取扇贝图像后,需要计算直线的长度,但是通过在现场实时图像检测过程中发现,即使在封闭的环境中,在没有太阳光的影响下,扇贝处于同一位置时边缘受自然光照的影响表现的很不均匀。因此,在计算长度时可能由于个别边缘点的噪声而产生较大误差。
故首先获取需要计算扇贝长度的局部图像,局部图像取自最终直线与扇贝轮廓边缘,约20*20像素大小,对该局部图像进行分割后,可以计算得结果图像的边缘L。这些边缘是由一系列连续的点构成,对这些连续的点使用直线拟合,将拟合的结果作为新的局部图像边缘。这样获取的长度计算结果可以减少误差。
如图1所示的扇贝分拣系统,应用上述扇贝尺寸的计算方法,计算出扇贝的中线长度,作为分拣扇贝的尺寸依据,设定不同等级的扇贝尺寸范围,主要包括:
输送扇贝的多级传送带系统;
在多级传送带系统传送扇贝时,实时分析每个扇贝尺寸的图像处理系统;
接收图像处理系统的分析结果,对所述多级传送带系统承载的扇贝进行分拣的机械分级系统;
所述图像处理系统,应用上述关于扇贝尺寸的计算方法,通过图像分析确定每个扇贝对称的两耳部的缺陷,进而确定扇贝的中线,通过计算该中线的长度,确定每个扇贝的尺寸,依照改尺寸对扇贝进行分级。
进一步的,所述的图像处理系统,主要包括:位于传送带上方的光源箱7,采集进入光源箱7内部的扇贝图像的相机6以及位于光源箱7内部的红色LED光源8。相机6采集到图像后,发送至远程计算机对扇贝的尺寸进行分析,得出当前扇贝的尺寸范围,然后向机械分级系统传送指令,机械分级系统对扇贝进行分拣。
进一步的,为了保证进入光源箱6内部的扇贝不出现上下重叠的情况,作为一个较佳的实施方式,传送带系统具有多级传送带,在本发明的实施例中,具有三级传送带,由上至下依次为第一级传送带3、第二级传送带4和第三级传送带10。其中位于下方的传送带的转速要快于位于其上方的传送带。保证扇贝在进入第三级传送带时,每个扇贝都平铺在传送带上,相互之间没有重叠。如图1所示,在第一级传送带3的起始端的上方设有漏斗1。在第二级传送带4和第三级传送带10的起始端分别设有挡板5和挡板9,防止扇贝脱离传送带系统。
进一步的,为了方便图像处理系统采集高质量的扇贝图像,作为一个较佳的实施方式,所述的第三级传送带10为透明的传送带,在第三极传送带10的下方,与光源箱6相对的位置,设有底部背光板11。
所述机械分级系统主要包括:
多个承载不同尺寸级别扇贝的扇贝分类盒12;多个与所述透明传送带平行的伸缩机械推手13,每个伸缩机械推手13将由图像处理系统分析出的特定尺寸范围的扇贝推送至扇贝分类盒12中。在本发明的实施例中,所述的伸缩机械推手13水平设置,运动方向与传送带的方向垂直,对应的扇贝分类盒12位于伸缩机械推手13运动的终端,接收由机械推手推送的扇贝。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于Opencv图像分析的扇贝尺寸计算方法,具有如下步骤:
—获取检测区域的图像,根据当前帧图像判断是否有扇贝进入检测区域;
—对确认有扇贝进入检测区的图像,使用漫水填充算法获取扇贝在图像中的精确位置,通过位置映射获取一张只含有一个扇贝的目标图像;
—确定所述目标图像的重心和轮廓,使用快速排序法获得所述目标图像的最大轮廓;计算得出扇贝轮廓与包络线之间的所有的凸缺陷,选定两个最大的凸缺陷;对所述两凸缺陷的起点、终点和深度点进行分别连线,选定所有连线中距离重心最远的一条连线,连接重心与该连线的中点,得到一条直线;计算该直线与被轮廓所截的线段长度,得到所述扇贝的尺寸;
所述步骤“—获取检测区域的图像,根据当前帧图像判断是否有扇贝进入检测区域;”具体包括:
—获取当前帧图像,对当前帧图像进行高斯金字塔变换,将图像从RGB空间变换到YCrCb空间,提取Cr通道图像,累加Cr通道图像和Y通道图像,对结果图像进行中值滤波和阈值化分割;
—若当前帧图像为第一帧图像,则重复上述操作,得到连续的两帧图像,计算帧差;若当前帧图像不是第一帧图像,则计算当前帧和上一帧的差值,去除干扰的帧差图像;
—设定一个阈值比例和一个检测通过位置,当帧差图像超过比例且通过目标位置时,判断有扇贝经过。
2.根据权利要求1所述的一种基于Opencv图像分析的扇贝尺寸计算方法,其特征还在于所述步骤“对确认有扇贝进入检测区的图像,使用漫水填充算法获取扇贝在图像中的精确位置,通过位置映射获取一张只含有一个扇贝的目标图像;”具体为:
—对确认有扇贝进入检测区域的帧图像,进行轮廓查找,判定找到的轮廓是否大于扇贝的最小尺寸;
—若大于扇贝的最小尺寸,则获得所述轮廓的一个白色像素点的位置,将该像素点的位置映射至当前帧,以该点为种子进行浸水填充,得到贝苗所在的矩形位置。
3.根据权利要求2所述的一种基于Opencv图像分析的扇贝尺寸计算方法,其特征还在于所述获取目标图像重心具体步骤为:
假设非零的像素值表示区域,矩可以用于二值或灰度级的区域描述:
其中p对应x维度上的矩,q对应y维度上的矩,阶数表示对应的部分的指数;
令Xc,Yc表示区域重心的坐标,分别由M10(p=1,q=0),M00(p=0,q=0)和M01(p=0,q=1)表示,即:
Xc=M10/M00;
Yc=M01/M00。
4.根据权利要求2所述的一种基于Opencv图像分析的扇贝尺寸计算方法,其特征还在于所述步骤“对所述两凸缺陷的起点、终点和深度点进行分别连线,选定所有连线中距离重心最远的一条连线,连接重心与该连线的中点,得到一条直线;计算该直线与被轮廓所截的线段长度,得到所述扇贝的尺寸”具体包括:
—对原始图像截定位扇贝区域后的图像,通过拉普拉斯金字塔变换进行上采样;然后将图像从RGB空间变换到YCrCb空间,提取Cr通道图像,累加Cr通道图像和Y通道图像,对结果图像进行滤波和阈值化分割操作;
—遍历得到图像的多个轮廓,使用快速排序获取最大的轮廓,该轮廓是扇贝的包络线;
—选定扇贝的两个最大的凸缺陷;对所述两最大凸缺陷的起点、终点和深度点进行分别连线,选定所有连线中距离重心最远的一条连线,连接重心与该连线的中点,得到一条直线,即为扇贝对称中线;计算该对称中线被轮廓所截的线段长度,得到所述扇贝的尺寸。
5.根据权利要求1所述的一种基于Opencv图像分析的扇贝尺寸计算方法,其特征还在于所述步骤“—设定一个阈值比例和一个检测通过位置,当帧差图像超过比例且通过目标位置时,判断有扇贝经过”具体为:
划定分割线,获取每一张经过摄像头的扇贝图像,当扇贝没有通过分割线时,不进行记录;当扇贝通过红色线条10%,认为有扇贝出现;直到扇贝在分隔线上的比例小于10%时,认为扇贝已经出去,完成扇贝出现的检测。
6.一种扇贝分拣系统,具有:
输送扇贝的多级传送带系统;
在多级传送带系统传送扇贝时,分析每个扇贝尺寸的图像处理系统;
接收图像处理系统的分析结果,对所述多级传送带系统承载的扇贝进行分拣的机械分级系统;
所述图像处理系统,应用如权利要求4所述的扇贝尺寸计算方法,通过图像分析确定每个扇贝对称的两耳部的缺陷,进而确定扇贝的中线,通过计算该中线的长度,确定每个扇贝的尺寸,依照该尺寸对扇贝进行分级。
7.根据权利要求6所述的一种扇贝分拣系统,其特征还在于:所述图像处理系统具有:
位于所述多级传送带系统上方的光源箱;位于光源箱内部的光源;
位于光源箱内部,采集进入光源箱内部的扇贝图像的相机;对相机采集到的扇贝图像进行分析的远程计算机。
8.根据权利要求7所述的一种扇贝分拣系统,其特征还在于:所述多级传送带系统具有:
多层传送带,位于下方的传送带相对其上方的传送带具有更快的传送速度;承载扇贝经过所述光源箱的传送带为透明传送带;在该透明传送带另一侧设有与光源箱配的反光板。
9.根据权利要求7所述的一种扇贝分拣系统,其特征还在于:所述机械分级系统包括:
多个承载不同尺寸级别扇贝的扇贝分类盒;多个与所述透明传送带平行的伸缩机械推手,每个伸缩机械推手将特定尺寸范围的扇贝推送至扇贝分类盒中;
工作状态下,所述的多个伸缩机械推手,接收远程计算机的工作指令,将特定尺寸范围的扇贝推送至指定的扇贝分类盒中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310232507.5A CN103426164B (zh) | 2013-06-09 | 2013-06-09 | 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310232507.5A CN103426164B (zh) | 2013-06-09 | 2013-06-09 | 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103426164A CN103426164A (zh) | 2013-12-04 |
CN103426164B true CN103426164B (zh) | 2016-01-13 |
Family
ID=49650854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310232507.5A Expired - Fee Related CN103426164B (zh) | 2013-06-09 | 2013-06-09 | 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103426164B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104001676B (zh) * | 2014-05-04 | 2017-02-15 | 广东都市丽人实业有限公司 | 大型多品种混搭内衣自动化分拣方法及生产线 |
CN104574398B (zh) * | 2015-01-04 | 2019-07-26 | 长沙理工大学 | 一种基于线扫描相机的装箱香烟滤棒计数系统 |
CN105976396A (zh) * | 2016-04-27 | 2016-09-28 | 梧州市自动化技术研究开发院 | 用于视频图像识别在传送带上运动物体的方法 |
CN106900601B (zh) * | 2017-02-09 | 2020-04-17 | 浙江大学 | 一种快速精准识别对虾图像虾头点与虾尾点的方法 |
CN107730555A (zh) * | 2017-08-25 | 2018-02-23 | 徐州科融环境资源股份有限公司 | 一种基于机器视觉的输煤皮带煤块粒度在线识别监控方法 |
CN109127462B (zh) * | 2018-08-22 | 2020-09-04 | 深圳控石智能系统有限公司 | 一种基于视觉引导的香肠智能分拣方法 |
CN110458843B (zh) * | 2019-06-27 | 2022-06-07 | 清华大学 | 掩模图像的分割方法及系统 |
TWI711802B (zh) * | 2019-08-27 | 2020-12-01 | 勵威電子股份有限公司 | 一種對玻璃上的微粒進行統計的方法 |
CN112896679A (zh) * | 2020-12-07 | 2021-06-04 | 泰州市朗嘉馨网络科技有限公司 | 自动化成衣折叠封袋系统及方法 |
CN113065596B (zh) * | 2021-04-02 | 2022-01-28 | 鑫安利中(北京)科技有限公司 | 一种基于视频分析和人工智能的工业安全实时监测系统 |
CN115921350A (zh) * | 2022-12-08 | 2023-04-07 | 安徽中科光电色选机械有限公司 | 一种爆珠分选设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003284447A (ja) * | 2002-03-29 | 2003-10-07 | Japan Science & Technology Corp | 活貝の成長度認識方法及び活貝の成長度認識装置 |
CN101709951A (zh) * | 2009-12-03 | 2010-05-19 | 中国海洋大学 | 一种扇贝表型性状计算机测量与记录方法 |
CN102353680A (zh) * | 2011-07-08 | 2012-02-15 | 中国科学院宁波材料技术与工程研究所 | 小型工件表面缺陷的评估方法以及检测不合格工件的流程 |
-
2013
- 2013-06-09 CN CN201310232507.5A patent/CN103426164B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003284447A (ja) * | 2002-03-29 | 2003-10-07 | Japan Science & Technology Corp | 活貝の成長度認識方法及び活貝の成長度認識装置 |
CN101709951A (zh) * | 2009-12-03 | 2010-05-19 | 中国海洋大学 | 一种扇贝表型性状计算机测量与记录方法 |
CN102353680A (zh) * | 2011-07-08 | 2012-02-15 | 中国科学院宁波材料技术与工程研究所 | 小型工件表面缺陷的评估方法以及检测不合格工件的流程 |
Non-Patent Citations (2)
Title |
---|
Scallop Detection from Gravel-seabed Images for Fishery Investigation;Enomoto K.et al.;《2nd International Congress on Image and Signal Processing》;20091019;第1-5页 * |
基于机器视觉的虾夷扇贝分级检测方法研究;林艾光等;《水产学报》;20060630;第30卷(第3期);第397-403页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103426164A (zh) | 2013-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103426164B (zh) | 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统 | |
CN111753577B (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
CN107045629B (zh) | 一种多车道线检测方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN107945200B (zh) | 图像二值化分割方法 | |
CN108985169B (zh) | 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法 | |
Liu et al. | A method of segmenting apples at night based on color and position information | |
CN103914708B (zh) | 基于机器视觉的食品品种检测方法及系统 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN106846339A (zh) | 一种图像检测方法和装置 | |
CN104732235A (zh) | 一种消除夜间道路反光干扰的车辆检测方法 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN110210451A (zh) | 一种斑马线检测方法 | |
CN105718916A (zh) | 一种基于霍夫变换的车道线检测方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN111062331A (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN113435452A (zh) | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 | |
CN104648397A (zh) | 车道偏移警示系统及方法 | |
CN103679144B (zh) | 一种基于计算机视觉的复杂环境下果蔬识别方法 | |
CN109657682B (zh) | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 | |
CN105303544A (zh) | 一种基于最小边界距离的视频拼接方法 | |
CN111105390A (zh) | 一种改进的海天线检测和评估方法 | |
CN115311520A (zh) | 一种基于视觉识别的百香果成熟度检测及定位方法 | |
CN103530887A (zh) | 一种基于多特征融合的河面图像区域分割方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160113 Termination date: 20160609 |