CN105678759B - 原棉轧工表观质量的数字化检验方法 - Google Patents

原棉轧工表观质量的数字化检验方法 Download PDF

Info

Publication number
CN105678759B
CN105678759B CN201610003763.0A CN201610003763A CN105678759B CN 105678759 B CN105678759 B CN 105678759B CN 201610003763 A CN201610003763 A CN 201610003763A CN 105678759 B CN105678759 B CN 105678759B
Authority
CN
China
Prior art keywords
cotton
digital
value
pixel
standard
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
Application number
CN201610003763.0A
Other languages
English (en)
Other versions
CN105678759A (zh
Inventor
关德威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI XINJIE LIGHTING TECHNOLOGY Co Ltd
Original Assignee
SHANGHAI XINJIE LIGHTING TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHANGHAI XINJIE LIGHTING TECHNOLOGY Co Ltd filed Critical SHANGHAI XINJIE LIGHTING TECHNOLOGY Co Ltd
Priority to CN201610003763.0A priority Critical patent/CN105678759B/zh
Publication of CN105678759A publication Critical patent/CN105678759A/zh
Application granted granted Critical
Publication of CN105678759B publication Critical patent/CN105678759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明涉及一种原棉轧工表观质量的数字化检验方法，包括以下步骤：第一步：建立标准棉花样品的数字化模型；第二步：提取待检测棉花的数字化信息；第三步：将提取的待检测棉花数字化信息和标准棉花样品的数字化模型进行对比分级；本发明标准棉花样品的数字化模型固化在处理芯片中，图像数字转换装置的输出通过数码信息连接线输入到处理芯片，经过处理芯片的计算后，原棉轧工表观质量的分级结果即可输出，本发明提出了可以用仪器替代的当前人工目测评估检验原棉轧工表观质量的全新方法，这种方法的本身不但可以大量的节省每一年在棉花购销环节中间的大量标准制作费用和人工，节省了检验的时间，仪器检测的客观性和公正合理可以更好的保证农工双方利益。

Description

原棉轧工表观质量的数字化检验方法
技术领域：
本发明涉及一种棉花表观质量的检验方法，具体涉及一种采用数字化技术方案来实现对原棉经过轧工后的棉花表观质量的检验方法。
背景技术：
棉农从种植地收获了棉花后，都有经过轧花工艺将棉桃打碎，棉籽去除，取岀棉花纤维进行混合，然后打包后向收购部门销售。棉花的轧工质量是评定棉花等级和原棉收购价格的重要标准。到目前为止，对棉花轧工质量的检验标准还是建立在被检验样品的表观特性上，检验方法是通过检验人员按照国家要求用肉眼对被检样品和标准分级样品进行外观比对来进行评估的。由于天然的棉花产品並非机械加工的产品，国家标准对棉花样品的表观特性描述只是文字表述，未能采取定量方式。由于棉花样品表面形态的多样化，被检样品与标准样品之间也只能是一种程度上宏观评估，並不存在严格的分级图形的对应关系，因此分级比较粗糙，几种特征之间的等级交义和综合也比较模糊，造成在棉花产品的等级检验中容易产生争议，而且分级检验工作涉及大量人力物力。
为了改变这种主观检测验方法，中国农业大学曾经提出了一种利用多光谱图像来检验棉花质量的检验方法，并且申请了中国专利，(201110117211.X一种棉花质量检测方法)，该方法试图利用不同级别的棉花样品的光谱反射率的差别来区分棉花的级别，而国家标准对棉花表观分级是从色泽和表观形态两个方面分别独立进行的。原棉经过棉桃打碎，棉籽去除等轧工后，其主要表现在几何形态的不均匀性和杂屑含量(杂屑包括棉桃碎屑、棉籽碎屑和棉籽被轧破裂后外渗出的液体对棉花表观的污染)上，而这类差异在光谱反射率上的反映极不敏感,经常甚至会低于测量系统的基本起伏,完全不适合用于检验轧工质量,因此者这种方法至今未能得到推广使用。
发明内容：
本发明的一种原棉轧工表观质量的数字化检验方法，包括以下步骤：
第一步：建立标准棉花样品的数字化模型；
第二步：提取待检测棉花的数字化信息；
第三步：将提取的待检测棉花数字化信息和标准棉花样品的数字化模型进行对比分级；
所述第一步中，还包括下述分步骤：
A)数字图像信息获取及图像/数字的转换；
B)数字图像的特征提取；
C)建模。
进一步的改进在于，所述分步骤A)还包括：求取平均亮度作为像素亮度归一化的参照指标，将原始的像素亮度阵列归一化；
对归一化的原始像素亮度阵列中每行的像素值求平均，再逐行进行亮度值的二次归一化处理，然后再对每列像素值同样逐列进行二次归一化处理，重新构成了新的二次归一化的像素阵列，以此消除照明条件的方位性影响。
进一步的改进在于，所述分步骤B)还包括：设定亮度下限值作为区分杂质籽屑的阈值，以低于阈值的像素比例代表杂质所占的总量，就可以得出杂质籽屑的像素比K1代表杂质籽屑的数字集群数量；
在归一的数字阵列中,用平均亮度低于阈值的像素以清除图像中的杂质籽屑影响，构成清洁的像素亮度阵列，然后统计该阵列像素的亮度百分离散值K2，作为标准棉花样品均匀性指标；
对清洁的像素亮度阵列逐行逐列进行DFT变换，得到m+n个空间频谱，对所有频谱求平均值，取得数字图像的一维空间频率分布，釆用高低频成分比K3反映标准棉花样品的纤维纠结或人为折叠的尺度特征。
进一步的改进在于，所述分步骤C)还包括：对K1，K2，K3进行计权处理，得出综合统计值J，并得出K1，K2，K3的分项极限值；
建立K1，K2，K3,J和原棉轧工表观质量等级之间的关联关系。
进一步的改进在于，所述第二步：提取待检测棉花的数字化信息，还包括如下分步骤：
2A)数字图像信息获取及图像/数字的转换；
2B)数字图像的特征提取。
进一步的改进在于，所述标准棉花样品的数字化模型固化在处理芯片中，图像数字转换装置的输出通过数码信息连接线输入到处理芯片，经过处理芯片的计算后，原棉轧工表观质量的分级结果即可输出，输出显示的内容包含K1，K2，K3和J值、分级结果。
本发明创造性地提出利用数码成像和数字处理的技术结合，提出了可以用仪器替代的当前人工目测评估检验原棉轧工表观质量的全新方法，这种方法的本身不但可以大量的节省每一年在棉花购销环节中间的大量标准制作费用和人工，节省了检验的时间，仪器检测的客观性和公正合理可以更好的保证农工双方利益。
附图说明：
图1是待检原棉示意图，图中曲线表示原棉纤维，黑点表示杂屑；
图2是标准棉花样品示意图，图中曲线表示原棉纤维，黑点表示杂屑；
具体实施方式：
以下结合说明书附图，对本发明的具体实施做进一步的描述。
本发明主要分三大步骤来实现对原棉经过轧工后的棉花表观质量的检验：第一步：建立标准棉花样品的数字化模型；
第二步：提取待检测棉花的数字化信息；
第三步：将提取的待检测棉花数字化信息和标准棉花样品的数字化模型进行对比分级。
以下对每一步骤做详细的说明：
第一步：即建立标准棉花样品的数字化模型，包括以下分步骤
A)数字图像信息获取及图像/数字的转换；
B)数字图像的特征提取；
C)建模。
A)首先是数字图像信息获取及图像/数字的转换，本发明数字图像信息的获取是采用最基本的单色数码摄影技术，得到一幅纪录着棉花样品表面亮度二维像素分布图片和相应的数据矩阵X，矩阵中每个数字单元X(ij)代表每个像素的视见亮度，其中下标i＝1,2,3,…m为某个像素所处在的行序号；下标j＝1,2,3,…n为某个像素所处在的列序号。
为保证图像/数据转换的一致性，必须规范拍摄条件，比如需要限定视场幅度：可以用固定焦距成像透镜和规定物距的拍摄方式来限定视场幅度，使整个数字矩阵的大小所覆盖的总面积一致，这样每个像素所反映的被拍实样的实际面元大小也就一样了，这幅图像转换成的两维数字阵列，就是图像特征提取和识别的基础，全部像素构成的图像就包含了标准棉花样品所必需的全部表观特征，而每一种表观特性都有其相应的几何特征和和光反射率；再比如需要规范拍摄场景照明度，由于照明条件会直接影响标准棉花样品的外观表现，但建立一个标准照明实验室要化费大量的人力物力，为此，本发明采用自修正的数字预处理方法，解决拍摄过程的照明光线的影响，从而免去了对标准照明条件的苛刻的要求，同时也包括清除由于棉花样品表面自然状态差别引起的干扰的功能，本发明的数字予处理方法所涉及的是先计算出全部图像素X(ij)的平均亮度V【X(ij)】，然后对X(ij)像素归一化为Y(ij)＝X(ij)/V。这样以Y(ij)构成的图形像素阵列就可以排除拍摄时光照水平差异的影响。
为了消除样品自然表面非理想平面的整体变化对表面照度的影响，该自修正的数字预处理方法还要对归一化的原始像素亮度Y(ij)阵列中毎行的像素值求平均，V(i)＝Average(Y(i1),Y(i2)….Y(in))，再逐行进行亮度值的二次归一化处理求得P(ij)＝Y(ij)/V(i)行方向归一阵列；然后再对每列像素值同样逐列进行二次归一化处理；V(j)＝Average(P(1j)，P(2j)….P(mj))和Q(ij)＝P(ij)/V(j)重新构成了新的二次归一化的像素Q(ij)阵列。本发明采用的上述数字预处理方法以此最大程度地消除照明条件影响，同时也减轻了棉花表面自然状态差别引起的干扰，可以提高检测结果的一致性，免去对实验室照明条件的严格要求；
B)数字图像的特征提取，主要是按照棉花轧工的国标要求分别进行表观特征的提取，然后依据每一种特征进行量化，再综合多个量化指标，归结到轧工分级，现有的目测考核标准所涉及的表观特征主要分两类，第一类---表面平滑，棉层蓬松，均匀，纤维纠结的严重程度；第二类---纤维籽屑，棉结，不孕籽，破籽，索丝，软籽表皮，僵片的数量；本发明据此设置数字处理方法相应地提取上述两类表观特征所对应的数字化信息，並定量地表述第一类表观特征的严重程度和第二类表观特征的数量多寡。
本发明数字处理方法提第二类表观特征信息是利用各类杂屑和正常棉层的光反射率的明显差异，统计归一阵列中数值分别低于0.5的像素在总像素中所占的百分比K1，以此反映杂屑总量；
为了准确提取第一类表观特征并检测其的严重程度，本发明的数字处理方法先用平均亮度V替换归一阵列中所有数值分别低于0.5的像素，以此将归一阵列中的B类表观特征清除，所得到是一幅比较基本清洁的但仍然包含着棉纤维结构特征的归一化数字图像阵列C，计算阵列C中的像素亮度起伏的百分标准差K2，该数值将直接反映出整幅棉纤维图像表观亮度的宏观不均匀性，为了进一步提取反映棉纤维不均匀结构的尺度特性，下一个处理是对阵列C逐行逐列进行空间离散傅利叶变换(DFT)，得到各行各列的空间频谱，然后计算出平均空间频谱；由于样本表面的紊乱程度会显著增加空间频谱的高频成分，为此引入一个高低频成分比K3＝F(h)/F(l)，其中F(h)为高频成分总量，F(l)为低频成分总量，K3值的大小就反映样品直接表观不均匀结构的尺度特性，由于棉花轧工质量表观特征表述的多元性，本发明采用上述K1，K2，K3三项数字化指标来综合表达。
C)建模，棉花轧工质量考核标准执行分级是综合上述第一类、第二类表观特征，而上述两类表观特征，本发明已经建立了K1，K2，K3三项数字化指标来综合表达，本发明的建模步骤就是要建立起K1，K2，K3三项数字化指标和棉花轧工质量优良、普通、差三个等级之间的关联关系，本发明通过对大量标准棉花样品的测量，采集K1，K2，K3三项数字化数据，按标准棉花样品的3个等级进行数据分群，确定K1，K2，K3三项数字化数据的对应极限值，优良级轧工等级必须满足的极限值K(a1)、K(a2)、K(a3)值，和普通级级轧工等级必须满足的极限值K(b1)、K(b2)、K(b3)值,差级轧工必须满足的K(c1)、K(c2)、K(c3)；本发明采用对K1，K2，K3三项数字化指标计权统计J进行综合，J＝W(1)乘以K(1)加上W(2)乘以k(2)加上W(3)乘以K(3)，其中W(1)，W(2)，W(3)分别为对应K(i)值的统计权重，实际上是代表分级评估所关注的轻重,调节权重值为影响同一样品J值的高低。通过对大量标准棉花样品K(i)实测值的的统计，学习，以J值与分级结果的最高相关性来确定最合理的权重分配，这些指标对实际的判决意义是:极限值是升级的必要条件,J值提供了分级得充分性判据。这样就完成了标准棉花样品的建模步骤，解决了目测主观定性评估方法向客观仪器定量检测过渡的困难，为轧工质量分级的采用科学的内置物理标准替代目测实物标准的可行途径，并且为原棉轧工质量分级进一步精确化提供了可能性。
第二步：提取待检测棉花的数字化信息；
下面，就可以提取待检测棉花的数字化信息了，其步骤和和上述第一步中的A)数字图像信息获取及图像/数字的转换；B)数字图像的特征提取；一致；提取出的待检测棉花二次归一化的像素Q(ij)阵列、K1，K2，K3三项数字化指标；
第三步：将提取的待检测棉花数字化信息和标准棉花样品的数字化模型进行对比分级，就是对比待检测棉花数字化信息，是否符合下述等级划分：优良级轧工等级必须满足的极限值K(a1)、K(a2)、K(a3)，普通级级轧工等级必须满足的极限值K(b1)、K(b2)、K(b3)，差级轧工必须满足的极限值K(c1)、K(c2)、K(c3)，同时其综合表现也达到了J值的等级标准。
本发明标准棉花样品的数字化模型固化在处理芯片中，图像数字转换装置的输出通过数码信息连接线输入到处理芯片，经过处理芯片的计算后，原棉轧工表观质量的分级结果即可输出，输出显示的内容包含K1，K2，K3和J值、分级结果。
本发明创造性地提出利用数码成像和数字处理的技术结合，提出了可以用仪器替代的当前人工目测评估检验原棉轧工表观质量的全新方法，这种方法的本身不但可以大量的节省每一年在棉花购销环节中间的大量标准制作费用和人工，节省了检验的时间，仪器检测的客观性和公正合理可以更好的保证农工双方利益。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (3)

1.一种原棉轧工表观质量的数字化检验方法，其特征在于，包括以下步骤：
第一步：建立标准棉花样品的数字化模型；
第二步：提取待检测棉花的数字化信息；
第三步：将提取的待检测棉花数字化信息和标准棉花样品的数字化模型进行对比分级；
所述第一步中，还包括下述分步骤：
A)数字图像信息获取及图像/数字的转换；
B)数字图像的特征提取；
C)建模；
其中，所述分步骤A)还包括：求取平均亮度作为像素亮度归一化的参照指标，将原始的像素亮度阵列归一化；
对归一化的原始像素亮度阵列中每行的像素值求平均，再逐行进行亮度值的二次归一化处理，然后再对每列像素值同样逐列进行二次归一化处理，重新构成了新的二次归一化的像素阵列，以此消除照明条件的方位性影响；
所述分步骤B)还包括：设定亮度下限值作为区分杂质籽屑的阈值，以低于阈值的像素比例代表杂质所占的总量，就可以得出杂质籽屑的像素比K1代表杂质籽屑的数字集群数量；
在归一的数字阵列中,用平均亮度替换归一的数字阵列中所有数值分别低于阈值的像素以清除图像中的杂质籽屑影响，构成清洁的像素亮度阵列，然后统计该阵列像素的亮度百分离散值K2，作为标准棉花样品均匀性指标；
对清洁的像素亮度阵列逐行逐列进行DFT变换，得到m+n个空间频谱，对所有频谱求平均值，取得数字图像的一维空间频率分布，采 用高低频成分比K3反映标准棉花样品的纤维纠结或人为折叠的尺度特征；
所述分步骤C)还包括：对K1，K2，K3进行计权处理，得出综合统计值J，并得出K1，K2，K3的分项极限值；
建立K1，K2，K3,J和原棉轧工表观质量等级之间的关联关系。
2.如权利要求1所述的原棉轧工表观质量的数字化检验方法，其特征在于，所述第二步：提取待检测棉花的数字化信息，还包括如下分步骤：
2A)数字图像信息获取及图像/数字的转换；
2B)数字图像的特征提取。
3.如权利要求1所述的原棉轧工表观质量的数字化检验方法，其特征在于，所述标准棉花样品的数字化模型固化在处理芯片中，图像数字转换装置的输出通过数码信息连接线输入到处理芯片，经过处理芯片的计算后，原棉轧工表观质量的分级结果即可输出，输出显示的内容包含K1，K2，K3和J值、分级结果。
CN201610003763.0A 2016-01-04 2016-01-04 原棉轧工表观质量的数字化检验方法 Active CN105678759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610003763.0A CN105678759B (zh) 2016-01-04 2016-01-04 原棉轧工表观质量的数字化检验方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610003763.0A CN105678759B (zh) 2016-01-04 2016-01-04 原棉轧工表观质量的数字化检验方法

Publications (2)

Publication Number Publication Date
CN105678759A CN105678759A (zh) 2016-06-15
CN105678759B true CN105678759B (zh) 2019-01-11

Family

ID=56298809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610003763.0A Active CN105678759B (zh) 2016-01-04 2016-01-04 原棉轧工表观质量的数字化检验方法

Country Status (1)

Country Link
CN (1) CN105678759B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1948603A (zh) * 2006-11-10 2007-04-18 苏州大学 一种识别机织物疵点的方法
CN102004076A (zh) * 2010-10-29 2011-04-06 中国农业大学 一种皮棉中异性纤维的检测方法和系统
CN103927544A (zh) * 2014-04-30 2014-07-16 山东农业大学 皮棉轧工质量的机器视觉分级方法
CN103976468A (zh) * 2014-04-30 2014-08-13 河南科技大学 一种烟叶分级方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104160241B (zh) * 2012-03-14 2017-06-30 独立行政法人产业技术总合研究所 利用高维亮度信息的条纹图像的相位分布分析方法、装置及其程序

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1948603A (zh) * 2006-11-10 2007-04-18 苏州大学 一种识别机织物疵点的方法
CN102004076A (zh) * 2010-10-29 2011-04-06 中国农业大学 一种皮棉中异性纤维的检测方法和系统
CN103927544A (zh) * 2014-04-30 2014-07-16 山东农业大学 皮棉轧工质量的机器视觉分级方法
CN103976468A (zh) * 2014-04-30 2014-08-13 河南科技大学 一种烟叶分级方法

Also Published As

Publication number Publication date
CN105678759A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN101701916B (zh) 一种玉米品种快速鉴定、鉴别方法
CN108956604B (zh) 一种基于高光谱图像技术识别中华绒螯蟹品质的方法
CN103345617B (zh) 中药识别的方法及其系统
Pujari et al. Grading and classification of anthracnose fungal disease of fruits based on statistical texture features
CN104680524B (zh) 一种叶类蔬菜病害诊断方法
Fabijańska et al. Image processing and analysis algorithms for yarn hairiness determination
Ansari et al. Inspection of paddy seed varietal purity using machine vision and multivariate analysis
CN101692052B (zh) 基于超光谱图像技术的名优茶真伪鉴别方法及装置
CN103034838A (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN112396573A (zh) 基于图像识别的面部皮肤分析方法及系统
CN109253975A (zh) 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法
CN108198176A (zh) 一种基于图像分析烟草成熟度的判别方法
CN110108649A (zh) 基于太赫兹光谱技术的油料作物品质的快速无损检测方法
CN105628708A (zh) 一种南疆红枣多参量品质快速无损检测方法
CN104198398A (zh) 一种基于高光谱成像鉴别阿胶的方法
CN102042984A (zh) 药材等级评价方法及系统
CN105678759B (zh) 原棉轧工表观质量的数字化检验方法
CN201041547Y (zh) 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置
Bindlish et al. Assessment of peanut pod maturity
CN106940292A (zh) 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法
CN110118735B (zh) 一种检测香梨公母的高光谱成像检测方法及装置
Mohammad et al. Classification of fresh N36 pineapple crop using image processing technique
CN116416523A (zh) 一种基于机器学习的水稻生长阶段的识别系统和方法
CN109829879A (zh) 维管束的检测方法及装置
CN105866042B (zh) 基于像素指标无偏估计法生物品质指标空间分布检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant