CN104484653A - 一种基于图像识别技术的坏玉米粒检测方法 - Google Patents
一种基于图像识别技术的坏玉米粒检测方法 Download PDFInfo
- Publication number
- CN104484653A CN104484653A CN201410774658.8A CN201410774658A CN104484653A CN 104484653 A CN104484653 A CN 104484653A CN 201410774658 A CN201410774658 A CN 201410774658A CN 104484653 A CN104484653 A CN 104484653A
- Authority
- CN
- China
- Prior art keywords
- image
- iblet
- bad
- recognition technology
- threshold value
- 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.)
- Pending
Links
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
Abstract
本发明提供一种基于图像识别技术的坏玉米粒检测方法,包括:步骤1、通过摄像头对n个方格中的玉米粒进行整体图像采集;步骤2、重复m次步骤1,采集并存储得到的m张图像;步骤3、图像识别模块读取第1张图像;步骤4、调整图像宽度为n的倍数;步骤5、将调整后的图像平均划分为n个感兴趣区域,并提取对应的n张子图像;步骤6、统计子图像玉米粒区域内坏掉部分对应像素的总像素点数;步骤7、判断该子图像对应的玉米粒是否为坏玉米粒,并得到需要的统计信息;步骤8、标示出坏玉米粒的位置信息;步骤9、重复步骤3-步骤7,直至第m张图像处理完毕。本发明实现了坏玉米粒的自动筛选,减少了工作量,具有实时、高效、无损伤等优点。
Description
技术领域
本发明涉及图像识别技术领域,尤其是涉及一种基于图像识别技术的坏玉米粒检测方法。
背景技术
玉米是最重要的饲料加工原料之一,玉米质量的高低直接影响饲料安全,而玉米质量检验评价是确保玉米质量和饲料加工的重要环节。现有技术中对玉米质量的检测主要通过化学法,不仅投入的成本很高,而且花费的时间很长,易受环境条件的影响。由于工作人员的劳动量巨大,会产生疲倦厌烦,导致无法清楚地辨识,最终效率低下且准确率不高。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于图像识别技术的坏玉米粒检测方法,利用图像识别技术对玉米粒进行检测,自动筛选出坏玉米粒。
本发明采用以下技术方案:
一种基于图像识别技术的坏玉米粒检测方法,包括以下步骤:
步骤1、将玉米粒放入n个尺寸相同且依次连接的方格中,每个方格中放1粒;通过与检测设备连接的摄像头对摆放在n个方格中的玉米粒进行整体图像采集;
步骤2、重复m次步骤1,把采集到的m张图像存储到检测设备的存储模块;
步骤3、通过检测设备的图像识别模块,从存储模块中读取采集到的第1张图像;
步骤4、调整图像的宽度为n的倍数;
步骤5、将调整后的图像平均划分为n个感兴趣区域,并提取对应的n张子图像;
步骤6、将每个子图像中的每点像素值与阈值I进行比较,统计玉米粒区域内坏掉部分对应像素的总像素点数;
步骤7、将所述总像素点数与阈值II进行比较,判断该子图像对应的玉米粒是否为坏玉米粒,并得到需要的统计信息;
步骤8、检测设备的显示模块显示识别后的子图像,并标示出坏玉米粒的位置信息;
步骤9、顺序读取采集到的第2张图像,重复步骤4-步骤8,直至第m张图像处理完毕,标示出坏玉米粒的位置信息。
步骤4中调整图像的宽度为n的倍数的方法为:w2*n,其中,w2=[w1/n]+1 ,w1为原始图像的宽度。
步骤5中平均划分感兴趣区域并提取对应子图像的方法为:以整张图像的左上角坐标位置(0,0)为第一个矩阵区域的起始位置坐标点,以步骤4调整后图像的宽度w2为步长,沿横坐标方向对图像依次进行划分并提取。
步骤5中每个感兴趣区域矩阵起始坐标位置为:(w2*(n-1),0),其中,n为自然数。
所述步骤6中的比较方法为:小于阈值I的像素点为背景区域和玉米粒上的坏掉的部分,大于阈值I的像素点就是玉米粒上未坏掉的部分。
所述步骤7中的比较方法为:如果所述总像素点数大于阈值II,则认为是坏的玉米粒;如果所述总像素点数等于阈值II,则认为玉米粒完好。
本发明利用图像识别技术对玉米粒的像素值与预设阈值进行比较和统计,达到区分玉米粒好坏的目的,不会受到人为环境制约,实现了坏玉米粒的自动筛选,很大程度地减少了工作量,具有实时、高效、无损伤等优点。
附图说明
图1为本发明的流程图。
图2为本发明的n个感兴趣区域划分示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
参见图1,本发明提供一种基于图像识别技术的坏玉米粒检测方法,包括以下步骤:
步骤1、将玉米粒放入n个尺寸相同且依次连接的方格中,每个方格中放1粒;通过与检测设备连接的摄像头对摆放在n个方格中的玉米粒进行整体图像采集;n个方格设置在槽体中,该槽体安装在检测设备上。
步骤2、重复m次步骤1,把采集到的m张图像存储到检测设备的存储模块的特定路径下。
步骤3、通过检测设备的图像识别模块,从存储模块中读取采集到的第1张图像。
步骤4、调整图像的宽度为n的倍数,调整方法为:w2*n,其中,w2=[w1/n]+1 ,w1为原始图像的宽度,中括号表示下取整。
步骤5、依据玉米粒的轮廓及大小将调整后的图像平均划分为n个感兴趣区域,并提取对应的n张子图像,方法为:以整张图像的左上角坐标位置(0,0)为第一个矩阵区域的起始位置坐标点,以步骤4调整后图像的宽度w2为步长,沿横坐标方向对图像依次进行划分并提取。参见图2,第n个感兴趣区域(ROI)矩阵的起始位置坐标为:(w2*(n-1),0),其中,n为自然数 ,宽度为w2,高度为h。
步骤6、将每个子图像中的每点像素值与阈值I进行比较判断,小于阈值I的像素点为背景区域和玉米粒上的坏掉的部分,大于阈值I的像素点就是玉米粒上未坏掉的部分,并由此统计分割出玉米粒区域内坏掉部分对应像素的总像素点数。
阈值I是依据像素值即RGB值设置的,由于坏玉米粒的颜色与正常玉米粒的颜色不同,即所拍得的图像中坏玉米粒上存在与好玉米粒的RGB值不同的像素点,所以本发明通过设置阈值判断玉米粒的好坏。本实施例中,阈值I用RGB值中的R值进行判断,取70。
步骤7、将所述总像素点数与阈值II进行比较,判断该子图像对应的玉米粒是否为坏玉米粒,并得到需要的统计信息。如果大于阈值II,则认为是坏的玉米粒,如果等于阈值II,可以认为玉米粒完好,阈值II可根据实际生产需要进行灵活调整。
步骤8、检测设备的显示模块显示识别后的子图像,并标示出坏玉米粒的坐标位置信息。
步骤9、顺序读取采集到的第2张图像,重复步骤4-步骤8,直至第m张图像处理完毕,标示出坏玉米粒的坐标位置信息。
视觉是人类最重要的感知手段,图像又是视觉的基础。对图像的识别技术成为了计算机视觉领域中的一项重要的技术,它是指图形刺激作用于感觉器官,人们辨认出它是经验过的某一图形的过程,也叫图像再认。在图像识别中,既要有当时进入感官的信息,也要有记忆中存储的信息;只有通过存储的信息与当前的信息进行比较的加工过程,才能实现对图像的再认。本发明利用图像识别技术对玉米粒的像素值与预设阈值进行比较统计,达到区分玉米粒好坏的目的,不会受到人为环境制约,实现了坏玉米粒的自动筛选,很大程度地减少了工作量,具有实时、高效、无损伤等优点。
本发明不仅适用于饲料加工行业,而且还适用于种子行业以及粮食加工行业,具有广阔的推广应用前景。
Claims (6)
1.一种基于图像识别技术的坏玉米粒检测方法,其特征在于包括以下步骤:
步骤1、将玉米粒放入n个尺寸相同且依次连接的方格中,每个方格中放1粒;通过与检测设备连接的摄像头对摆放在n个方格中的玉米粒进行整体图像采集;
步骤2、重复m次步骤1,把采集到的m张图像存储到检测设备的存储模块;
步骤3、通过检测设备的图像识别模块,从存储模块中读取采集到的第1张图像;
步骤4、调整图像的宽度为n的倍数;
步骤5、将调整后的图像平均划分为n个感兴趣区域,并提取对应的n张子图像;
步骤6、将每个子图像中的每点像素值与阈值I进行比较,统计玉米粒区域内坏掉部分对应像素的总像素点数;
步骤7、将所述总像素点数与阈值II进行比较,判断该子图像对应的玉米粒是否为坏玉米粒,并得到需要的统计信息;
步骤8、检测设备的显示模块显示识别后的子图像,并标示出坏玉米粒的位置信息;
步骤9、顺序读取采集到的第2张图像,重复步骤4-步骤8,直至第m张图像处理完毕,标示出坏玉米粒的位置信息。
2.根据权利要求1所述的基于图像识别技术的坏玉米粒检测方法,其特征在于:步骤4中调整图像的宽度为n的倍数的方法为:w2*n,其中,w2=[w1/n]+1 ,w1为原始图像的宽度。
3. 根据权利要求1所述的基于图像识别技术的坏玉米粒检测方法,其特征在于:步骤5中平均划分感兴趣区域并提取对应子图像的方法为:以整张图像的左上角坐标位置(0,0)为第一个矩阵区域的起始位置坐标点,以步骤4调整后图像的宽度w2为步长,沿横坐标方向对图像依次进行划分并提取。
4. 根据权利要求3所述的基于图像识别技术的坏玉米粒检测方法,其特征在于:步骤5中每个感兴趣区域矩阵起始坐标位置为:(w2*(n-1),0),其中,n为自然数。
5. 根据权利要求1所述的基于图像识别技术的坏玉米粒检测方法,其特征在于:所述步骤6中的比较方法为:小于阈值I的像素点为背景区域和玉米粒上的坏掉的部分,大于阈值I的像素点就是玉米粒上未坏掉的部分。
6. 根据权利要求1所述的基于图像识别技术的坏玉米粒检测方法,其特征在于:所述步骤7中的比较方法为:如果所述总像素点数大于阈值II,则认为是坏的玉米粒;如果所述总像素点数等于阈值II,则认为玉米粒完好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410774658.8A CN104484653A (zh) | 2014-12-16 | 2014-12-16 | 一种基于图像识别技术的坏玉米粒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410774658.8A CN104484653A (zh) | 2014-12-16 | 2014-12-16 | 一种基于图像识别技术的坏玉米粒检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104484653A true CN104484653A (zh) | 2015-04-01 |
Family
ID=52759194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410774658.8A Pending CN104484653A (zh) | 2014-12-16 | 2014-12-16 | 一种基于图像识别技术的坏玉米粒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484653A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599987A (zh) * | 2016-12-12 | 2017-04-26 | 郑州云海信息技术有限公司 | 一种图像计数的方法及装置 |
CN107993244A (zh) * | 2017-12-27 | 2018-05-04 | 合肥市雅视智能科技有限公司 | 一种玉米自动检测方法 |
CN108230307A (zh) * | 2017-12-29 | 2018-06-29 | 浙江大学 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
CN113109240A (zh) * | 2021-04-08 | 2021-07-13 | 国家粮食和物资储备局标准质量中心 | 一种计算机实施的粮食不完善粒测定方法和系统 |
CN113776996A (zh) * | 2021-07-28 | 2021-12-10 | 深圳市麦稻智联科技有限公司 | 一种大米外观检测系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009045035A1 (en) * | 2007-10-01 | 2009-04-09 | Rural Development Administration | White and brown rice appearance characteristics measurement system and method |
CN103198531A (zh) * | 2013-04-10 | 2013-07-10 | 北京速通科技有限公司 | 一种多车道自由流车辆图像抓拍的方法 |
-
2014
- 2014-12-16 CN CN201410774658.8A patent/CN104484653A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009045035A1 (en) * | 2007-10-01 | 2009-04-09 | Rural Development Administration | White and brown rice appearance characteristics measurement system and method |
CN103198531A (zh) * | 2013-04-10 | 2013-07-10 | 北京速通科技有限公司 | 一种多车道自由流车辆图像抓拍的方法 |
Non-Patent Citations (2)
Title |
---|
万鹏 等: "基于计算机视觉的玉米粒形检测方法", 《中国粮油学报》 * |
终于进来: "ps划分切片后切片的大小不一样,有微差?", 《HTTPS://ZHIDAO.BAIDU.COM/QUESTION/479853807.HTML》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599987A (zh) * | 2016-12-12 | 2017-04-26 | 郑州云海信息技术有限公司 | 一种图像计数的方法及装置 |
CN107993244A (zh) * | 2017-12-27 | 2018-05-04 | 合肥市雅视智能科技有限公司 | 一种玉米自动检测方法 |
CN107993244B (zh) * | 2017-12-27 | 2020-09-11 | 合肥市雅视智能科技有限公司 | 一种玉米自动检测方法 |
CN108230307A (zh) * | 2017-12-29 | 2018-06-29 | 浙江大学 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
CN113109240A (zh) * | 2021-04-08 | 2021-07-13 | 国家粮食和物资储备局标准质量中心 | 一种计算机实施的粮食不完善粒测定方法和系统 |
CN113776996A (zh) * | 2021-07-28 | 2021-12-10 | 深圳市麦稻智联科技有限公司 | 一种大米外观检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310261B (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
CN104484653A (zh) | 一种基于图像识别技术的坏玉米粒检测方法 | |
CN103521465B (zh) | 一种固体籽粒的自动检测与分选系统及方法 | |
CN103903005B (zh) | 车牌影像辨识系统及方法 | |
US8248474B2 (en) | Surveillance system and surveilling method | |
CN109635768B (zh) | 一种图像帧中停车位状态检测方法、系统及相关设备 | |
CN109859181A (zh) | 一种pcb焊点缺陷检测方法 | |
CN107844797A (zh) | 一种基于深度图像的哺乳母猪姿态自动识别的方法 | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
US20170177938A1 (en) | Automated detection of nitrogen deficiency in crop | |
CN108230307B (zh) | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 | |
CN104091175B (zh) | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 | |
CN102855640A (zh) | 基于神经网络的水果等级分类系统 | |
CN107066959B (zh) | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
KR101030257B1 (ko) | 카메라의 영상을 이용한 보행자 계수 방법 및 장치 | |
CN111046728A (zh) | 一种基于特征金字塔网络的秸秆燃烧检测方法 | |
CN109919038A (zh) | 基于机器视觉与深度学习的配电柜方形压板状态识别方法 | |
Jana et al. | Intra-class recognition of fruits using color and texture features with neural classifiers | |
CN103150575A (zh) | 一种实时三维无标记人体姿态识别方法及系统 | |
CN105989600A (zh) | 基于特征点分布统计的配电网设备外观检测方法及系统 | |
CN113591973B (zh) | 一种轨道板外观状态变化智能比对方法 | |
CN103106412B (zh) | 薄片类介质识别方法和识别装置 | |
CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150401 |