CN104156702B - 混合豆类自动分类识别方法 - Google Patents

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

混合豆类自动分类识别方法

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。