CN104156702B - 混合豆类自动分类识别方法 - Google Patents
混合豆类自动分类识别方法 Download PDFInfo
- Publication number
- CN104156702B CN104156702B CN201410371209.9A CN201410371209A CN104156702B CN 104156702 B CN104156702 B CN 104156702B CN 201410371209 A CN201410371209 A CN 201410371209A CN 104156702 B CN104156702 B CN 104156702B
- Authority
- CN
- China
- Prior art keywords
- bean
- beans
- soya bean
- image
- color
- 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
- 244000046052 Phaseolus vulgaris Species 0.000 title claims abstract description 72
- 235000010627 Phaseolus vulgaris Nutrition 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 244000068988 Glycine max Species 0.000 claims description 67
- 235000010469 Glycine max Nutrition 0.000 claims description 67
- 240000001417 Vigna umbellata Species 0.000 claims description 20
- 235000011453 Vigna umbellata Nutrition 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000008267 milk Substances 0.000 claims description 7
- 210000004080 milk Anatomy 0.000 claims description 7
- 235000013336 milk Nutrition 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000003384 imaging method Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 230000002902 bimodal effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000266501 Ormosia ormondii Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 240000004922 Vigna radiata Species 0.000 description 1
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 1
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000008935 nutritious Nutrition 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
在豆制品生产过程,有时需要将不同种类的豆类先进行混合,然后再进行生产,各种豆类的混合比例、均匀度影响后续豆制品生产的质量。本发明为采用机器视觉技术进行混合豆类自动分类识别的技术,首先采集混合豆类彩色图像,然后进行图像分割,最后通过一些细化处理,实现混合豆类分类识别。本发明通过对不同识别对象进行选择性的颜色空间转换,使得目标颜色数据突出,并消除或抑制不同对象成像阴影的影响,从而有效的识别了各种豆类。
Description
技术领域
本发明涉及豆类识别领域,特别涉及一种采用机器视觉技术进行混合豆类自动分类识别的技术。
背景技术
豆制品营养丰富,深受人们喜爱。在豆制品生产过程,有时需要将不同种类的豆类先进行混合,然后再进行生产,各种豆类的混合比例、均匀度影响后续豆制品生产的质量。以豆浆为例,市场上销售的豆浆豆通常由黄豆、红豆、芸豆、黑豆、青豆组成,各种豆类的比例和质量决定了豆浆豆的品质和价格,也影响豆浆的质量。
实现豆制品精细生产需要检测混合豆类的品质,人工检测方式无疑繁琐、低效,可以研发基于机器视觉的自动检测技术,然后开发相关检测装置和设备。
目前机器视觉在农产品品质检测中的应用研究非常多,涉及的豆类包括大豆、芸豆、青豆等。这些研究基本上都是针对单一种类的农产品,很少涉及混合种类。
混合豆类品质自动检测首先需要从混合豆类中识别出各种豆类,然后分别检测各种豆类的数量、品质,最后形成关于混合豆类的品质检测结果。
本发明是采用机器视觉技术进行混合豆类自动分类识别的技术,该技术可用于开发豆制品生产在线检测装置,辅助豆制品精细加工及检测;也可以用于开发专用手持检测设备,供相关检验人员进行市场检测。
刘光蓉等(刘光蓉,周红,管庶安.颗粒形混合农产品的图像检测与分类[J].农业工程学报,2011,27(11):344-348)进行了混合颗粒型农产品自动分类识别研究。其研究中使用大米、黄豆、绿豆作为研究对象,识别过程首先对采集到的图像进行二值化处理,然后提取各农产品颗粒的形状、颜色特征识别其种类。其研究存在以下问题:
(1)研究对象种类较少,代表性不足。假如图像中有黑豆或红豆,其二值化处理结果会受影响,识别结果会出现错误。
(2)图像采集时使用了固定的蓝色背景,没有对其它颜色背景进行验证,假如检测对象变化或图像采集背景变化,其技术的可行性未知。
发明内容
本发明提供了一种混合豆类自动分类识别方法,包括以下步骤:
进行图像采集,将一定数量的豆浆豆平铺于扫描仪扫描版上,使用一个较大的盖子遮住扫描版进行图像采集,得到灰色背景的混合豆类图像;
通过图像分割的方法对采集到的原始图像进行分类识别;
对得到的识别图像进行细化处理。
其中分类识别包括以下步骤:
将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间,将饱和度S、明度V两个颜色分量均置为1,然后再转换到RGB颜色空间,识别出红豆和青豆;
将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间,将明度V分量均置为1,然后再转换到RGB颜色空间,识别出芸豆和黄豆;
将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间,得到V分量图像,识别出黑豆。
附图说明
图1是本发明的混合豆类自动分类识别方法的流程图;
图2是本发明的原始图像与颜色空间转换结果;
图3是本发明的红豆和青豆分割与细化处理;
图4是本发明的芸豆与黄豆B分量直方图;
图5是本发明的芸豆和黄豆分割与细化处理;
图6是本发明的黑豆与背景V分量直方图;
图7是本发明的黑豆分割与细化处理。
具体实施方式
如图1所示,本发明的混合豆类自动分类方法包括以下步骤:
1图像采集
将一定数量的豆浆豆平铺于扫描仪扫描版上,使用一个较大的盖子遮住扫描版进行图像采集,得到灰色背景的混合豆类图像,如图2(a)所示。
2分类识别
从原始图像中识别各种豆类可看做多目标图像分割问题。图像分割方法有多种,如基于阈值的方法、基于区域的方法、基于边缘的方法等。从图2(a)可以看到,原始图像中各种豆类的颜色差异较为明显,因此可选用阈值分割方法。
图2(a)中存在多类目标,通过对各类目标的颜色数据采样分析,发现无法一次确定多个阈值完成整幅图像分割,只能分步骤进行。
(1)识别红豆与青豆
将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间,将S(饱和度)、V(明度)两个颜色分量均置为1,然后再转换到RGB颜色空间,得到如图2(b)所示结果。
图2(b)中各种豆类及背景的颜色发生了变化,通过对各种豆类进行颜色采样分析,发现了一些规律,具体如表1所示,其中R、G、B各颜色分量值为归一化数值,“→”表示接近。
表1豆类颜色数据分析
从表1可以看出:
①根据R分量和B分量可以将图像分为两部分,第一部分包括红豆、青豆、芸豆、黄豆,第二部分包括黑豆和背景。
②在第一部分中,根据G分量可以识别红豆和青豆,剩余部分为芸豆和黄豆。芸豆和黄豆的G分量存在重叠,在该步骤无法准确识别。
③黑豆与背景颜色值重叠,也无法识别。
设定红豆与青豆的图像分割条件:r>0.5&&g+b<0.3为红豆,r>0.5&&g>0.8为青豆。
(2)识别芸豆与黄豆
将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间,将V分量均置为1,然后再转换到RGB颜色空间,得到如图2(c)所示结果。
对图2(c)中芸豆与黄豆的颜色数据采样分析,表2为代表性采样数据。
表2芸豆与黄豆颜色数据采样
表2中芸豆与黄豆的R分量都接近1,芸豆的G分量与黄豆有一些重叠,芸豆的B分量基本都大于黄豆。
绘制图2(c)中芸豆与黄豆所占区域的B分量直方图,结果如图4所示,具有明显的双峰。
综合表2和图4可知,根据B分量可以识别芸豆和黄豆。
采用迭代法找到图4中双峰之间的谷底,综合红豆、青豆识别结果,分割芸豆与黄豆。图5为芸豆与黄豆图像分割的结果和细化处理后的结果。
(3)识别黑豆
将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间,得到V分量图像,如图2(d)所示。
图2(d)中黑豆与背景具有较为明显的视觉差异。绘制黑豆与背景的V分量直方图,如图6所示。直方图中横坐标与纵坐标较大的部分为背景,横坐标与纵坐标较小的部分为黑豆,找到两部分之间的谷底,即可分割出黑豆。
采用Otsu法选择阈值,综合红豆、青豆、芸豆、黄豆识别结果,分割黑豆结果如图7(a)所示。
3细化处理
红豆与青豆的图像分割结果分别如图3(a)、(b)所示。其中包含了一些噪声,较小的点状噪声可通过中值滤波去除;较大的斑块噪声可根据连通区域面积去除,即计算各连通区域面积,去掉面积较小的斑块。细化处理结果分别如图3(c)、(d)所示。
芸豆和黄豆的细化处理方法与红豆和青豆识别类似。
图7(a)中黑豆表面出现较大空洞,这是因为这部分黑豆表面较光滑,图像采集过程发生了反光情况,使得图像中这部分的亮度较大,与背景相似,被当成背景去除。在细化处理时,可以通过孔洞填充予以修复。细化处理结果如图7(b)所示。
Claims (1)
1.一种混豆类的自动分类识别方法,包括以下步骤:
将一定数量的豆浆豆平铺于扫描仪扫描版上进行图像采集;
通过图像分割的方法对采集到的原始图像进行分类识别;
对得到的识别图像进行细化处理:在对红豆、青豆、芸豆和黄豆的细化处理过程中,较小的点状噪声通过中值滤波去除,较大的斑块噪声根据连通区域面积去除;在对黑豆的细化处理过程中,使用孔洞填充方法去除黑豆表面的较大空洞;
其特征在于,
图像采集时使用一个较大的盖子遮住扫描版,得到灰色背景的混合豆类图像,
分类识别包括以下步骤:
将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间,将饱和度S、明度V两个颜色分量均置为1,然后再转换到RGB颜色空间,设定红豆分割条件为r>0.5&&g+b<0.3,青豆识别条件为r>0.5&&g>0.8,即图像中满足红豆分割条件的像素为构成红豆的像素,满足青豆分割条件的像素为构成青豆的像素,从而识别出红豆和青豆;其中r、g、b分别为RGB颜色空间各像素的红色、绿色、蓝色颜色分量;RGB颜色空间各颜色分量值域均为[0,1],无量纲,0.3、0.5、0.8为颜色值;
将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间,将明度V分量均置为1,然后再转换到RGB颜色空间,根据B分量采用迭代法确定图像分割阈值,将图像分割成两部分,大于阈值的部分包含芸豆,另一部分包含黄豆,分别去除两部分中已经识别出的红豆和青豆,即可识别出芸豆和黄豆;
将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间,得到V分量图像,采用Otsu法确定图像分割阈值,将图像分割成两部分,小于阈值的部分包含黑豆,去除其中已经识别出的红豆、青豆、芸豆、黄豆,即可识别出黑豆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410371209.9A CN104156702B (zh) | 2014-07-31 | 2014-07-31 | 混合豆类自动分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410371209.9A CN104156702B (zh) | 2014-07-31 | 2014-07-31 | 混合豆类自动分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104156702A CN104156702A (zh) | 2014-11-19 |
CN104156702B true CN104156702B (zh) | 2017-12-08 |
Family
ID=51882199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410371209.9A Expired - Fee Related CN104156702B (zh) | 2014-07-31 | 2014-07-31 | 混合豆类自动分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104156702B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106311628A (zh) * | 2016-08-29 | 2017-01-11 | 安徽兆晨农业科技发展有限公司 | 一种红枣分级装置 |
CN108269264B (zh) * | 2016-12-30 | 2021-11-09 | 南京信息工程大学 | 豆籽粒图像的去噪及分形方法 |
CN106809629A (zh) * | 2017-03-17 | 2017-06-09 | 王怡 | 一种伴药均匀度检测机器人 |
CN107081281B (zh) * | 2017-06-13 | 2019-04-19 | 安徽比达光电科技有限公司 | 一种智能色选机的算法 |
CN109876569B (zh) * | 2019-04-19 | 2021-07-23 | 济南大学 | 一种布袋除尘器净化气体指标在线检测装置、系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385753A (zh) * | 2011-11-17 | 2012-03-21 | 江苏大学 | 一种基于光照分类的自适应图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5068670B2 (ja) * | 2005-02-10 | 2012-11-07 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 画像処理装置及び方法 |
-
2014
- 2014-07-31 CN CN201410371209.9A patent/CN104156702B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385753A (zh) * | 2011-11-17 | 2012-03-21 | 江苏大学 | 一种基于光照分类的自适应图像分割方法 |
Non-Patent Citations (1)
Title |
---|
计算机图像识别鉴定油菜种子颜色;张学昆 等;《中国油料作物学报》;20060331;第11-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104156702A (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156702B (zh) | 混合豆类自动分类识别方法 | |
Li et al. | Segmentation of white blood cell from acute lymphoblastic leukemia images using dual‐threshold method | |
Putzu et al. | White blood cells identification and counting from microscopic blood images | |
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN107977682B (zh) | 基于极坐标变换数据增强的淋巴类细胞分类方法及其装置 | |
US20100040276A1 (en) | Method and apparatus for determining a cell contour of a cell | |
JP4213142B2 (ja) | コロニーの計数方法 | |
CN107180439B (zh) | 一种基于Lab色度空间的色偏特征提取和色偏检测方法 | |
CN101788497A (zh) | 一种基于图像识别技术的嵌入式豆类分类系统 | |
CN109089992A (zh) | 一种基于机器视觉的鱼类新鲜度的分类方法及系统 | |
Lyashenko et al. | Wavelet Analysis of Cytological Preparations Image in Different Color Systems | |
Rahman et al. | Automatic detection of white blood cells from microscopic images for malignancy classification of acute lymphoblastic leukemia | |
Boukouvalas et al. | Automatic segmentation method for CFU counting in single plate-serial dilution | |
Devi et al. | Machine vision based quality analysis of rice grains | |
CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 | |
WO2018068414A1 (zh) | 色环电阻的检测方法、装置和自动光学检测系统 | |
CN111724375A (zh) | 一种屏幕检测方法及系统 | |
CN107671013B (zh) | 基于色选技术的大尺寸物料剔除工艺 | |
JP6765643B2 (ja) | 穀類の搗精度評価方法及びその装置 | |
Beevi et al. | Analysis of nuclei detection with stain normalization in histopathology images | |
CN107122783A (zh) | 一种基于角点检测的装配连接件快速识别方法 | |
Othman et al. | The fusion of edge detection and mathematical morphology algorithm for shape boundary recognition | |
CN107403181B (zh) | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 | |
US20170116746A1 (en) | Method for segmenting a color image and digital microscope | |
CN112529922A (zh) | 一种开放环境下多色叶片rgb图像背景精确分离的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171208 Termination date: 20180731 |
|
CF01 | Termination of patent right due to non-payment of annual fee |