CN106156782B - 一种基于ccd传感器的色选机特定颗粒识别方法 - Google Patents

一种基于ccd传感器的色选机特定颗粒识别方法 Download PDF

Info

Publication number
CN106156782B
CN106156782B CN201610601061.2A CN201610601061A CN106156782B CN 106156782 B CN106156782 B CN 106156782B CN 201610601061 A CN201610601061 A CN 201610601061A CN 106156782 B CN106156782 B CN 106156782B
Authority
CN
China
Prior art keywords
particle
image
ccd sensor
contour line
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.)
Active
Application number
CN201610601061.2A
Other languages
English (en)
Other versions
CN106156782A (zh
Inventor
沈振东
纪明伟
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.)
Hefei Growking Optoelectronic Technology Co Ltd
Original Assignee
Hefei Growking Optoelectronic 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 Hefei Growking Optoelectronic Technology Co Ltd filed Critical Hefei Growking Optoelectronic Technology Co Ltd
Priority to CN201610601061.2A priority Critical patent/CN106156782B/zh
Publication of CN106156782A publication Critical patent/CN106156782A/zh
Application granted granted Critical
Publication of CN106156782B publication Critical patent/CN106156782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3425—Sorting according to other particular properties according to optical properties, e.g. colour of granular material, e.g. ore particles, grain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Sorting Of Articles (AREA)
  • Image Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明提供了一种基于CCD传感器的色选机特定颗粒识别方法，其包括以下步骤：S1：提取颗粒的外部轮廓数据；S2：获取所述颗粒的外部轮廓所围成的图像面积S1；S3：将高于所述灰度阈值、低于所述灰度阈值的图像通过第二轮廓线间隔；S4：获取颗粒的外部轮廓线的面积与第二轮廓线内的图像面积比值K；S5：取所有颗粒比值K的平均值K*，所述平均值的误差系数为L；S6：将混有所述特定颗粒的待色选的颗粒物通过CCD传感器获取各个颗粒的图像，并按照步骤S1‑S4进行处理，当比值K在K*‑L与K*+L，则选择该颗粒为特定颗粒，否则为需要剔除的颗粒。本发明通过获取不同灰度值的分布面积，根据特定颗粒的灰度分布特征，得到是否需要选择或者剔除。

Description

一种基于CCD传感器的色选机特定颗粒识别方法
技术领域
本发明涉及到色选机技术领域，特别是一种基于CCD传感器的色选机特定颗粒识别方法。
背景技术
光电色选机综合利用了现代光学、电子学和生物学等新技术,是典型的光、机、电一体化的高新技术设备。色选是大米精加工中最终质量控制和质量强化的一道工序，由此去除黄色、黑、红、腹白等异色粒和微小病斑等瑕疵米粒，以提高大米的纯度，增强产品的质量和竞争力。通过剔除大米中的黄米、病斑米等异色杂质，首先可以在感官上提升大米的竞争力，刺激人们的购买欲望，其次杂质的剔除有效地降低了大米的黄曲霉素等有害物质，实实在在地提升大米的质量，提升人们的消费品位。因此，色选机成为大米加工企业提高产品质量和衡量企业实力的关键设备，越来越多的企业选择并应用它，色选机具有很好的发展前景，市场发展逐步成熟。
随着色选机在大米加工企业中应用的推广，人们对色选机的要求也越来越高，既要求色选机具有良好的色选效果，又要求色选机的产量大。色选效果包括两个方面：色选精度和带出比。色选精度是指色选后成品的质量，以成品中好料占总重量百分比来衡量；带出比是指色选时选出的废料中坏料与好料的比例，色选精度高、带出比低而且产量大的色选机才是先进的色选机。同时新兴的杂粮领域异军突起，为色选机提供了新的应用平台，现在色选机已经应用在了葵花籽、枸杞、白瓜子、葡萄干等领域，它们对色选机的要求更高，这些应用领域使用的色选机价格相对较高，利润相对较大，使色选机即面临机遇，又面临新的挑战。除了在农业方面的应用外，色选机也在工业领域得到了应用，如色选机在塑料和矿石等领域得到了应用。色选机技术的发展水平越来越高，市场竞争也越来越激烈，色选机的竞争将是高新技术和低成本的较量。
色选机的竞争力主要体现在色选的精度高，识别率高，而色选机的图像处理方法是其能够提高色选效率的关键因素。目前色选机技术领域还没有一种通过对待色选颗粒的灰度的分布特征对图像进行处理色选的方法
发明内容
为解决上述技术问题，本发明提供了一种基于CCD传感器的色选机特定颗粒识别方法，其包括以下步骤：
S1：通过CCD传感器获得各个颗粒的图像，并提取颗粒的外部轮廓数据；
S2：获取所述颗粒的外部轮廓所围成的图像面积S1；
S3：将所述外部轮廓内的图像按照设定一灰度阈值，将高于所述灰度阈值和低于所述灰度阈值的图像通过第二轮廓线间隔；
S4：获取所述第二轮廓线内的图像面积S2，得到颗粒的外部轮廓线的面积与第二轮廓线内的图像面积比值K；
S5：获取各个颗粒的外部轮廓线与第二轮廓线的比值K，并取平均值K*，所述平均值的误差系数为L，颗粒比值K在K*-L与K*+L之间属于所述特定颗粒；
S6：将混有所述特定颗粒的待色选的颗粒物通过CCD传感器获取各个颗粒的图像，并按照步骤S1-S4进行处理，当得到的颗粒的外部轮廓线与第二轮廓线的比值K在K*-L与K*+L之间，则选择该颗粒为特定颗粒，否则为需要剔除的颗粒。
较佳地，去噪后的灰度图像经对比度自适应的直方图均衡化、二值化、中值滤波处理之后，得到低于所述灰度阈值的图像，并得到第二轮廓线。
较佳地，面积计算采用边界跟踪来获得第二轮廓线的轮廓点，同时获得各轮廓点的跟踪方向信息，并根据其跟踪方向信息来判断各轮廓点的状态，以计算轮廓内像素总数之用。
本发明具有以下有益效果：
本发明提供基于CCD传感器的色选机特定颗粒识别方法通过对CCD传感器采集到的颗粒图像的灰度值进行分析，得到不同灰度值的分布面积，根据特定颗粒的灰度分布特征，得到是否需要选择或者剔除，为一种全新的色选方法。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
具体实施方式
下面将结合本发明实施例对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供了一种基于CCD传感器的色选机特定颗粒识别方法，其包括以下步骤：
S1：通过CCD传感器获得各个颗粒的图像，并提取颗粒的外部轮廓数据；
S2：获取所述颗粒的外部轮廓所围成的图像面积S1；
S3：将所述外部轮廓内的图像按照设定一灰度阈值，将高于所述灰度阈值和低于所述灰度阈值的图像通过第二轮廓线间隔；
S4：获取所述第二轮廓线内的图像面积S2，得到颗粒的外部轮廓线的面积与第二轮廓线内的图像面积比值K；
S5：获取各个颗粒的外部轮廓线与第二轮廓线的比值K，并取平均值K*，所述平均值的误差系数为L，颗粒比值K在K*-L与K*+L之间属于所述特定颗粒；
S6：将混有所述特定颗粒的待色选的颗粒物通过CCD传感器获取各个颗粒的图像，并按照步骤S1-S4进行处理，当得到的颗粒的外部轮廓线与第二轮廓线的比值K在K*-L与K*+L之间，则选择该颗粒为特定颗粒，否则为需要剔除的颗粒。
其中去噪后的灰度图像经对比度自适应的直方图均衡化、二值化、中值滤波处理之后，得到低于所述灰度阈值的图像，并得到第二轮廓线。
本实施例中面积计算采用边界跟踪来获得第二轮廓线的轮廓点，同时获得各轮廓点的跟踪方向信息，并根据其跟踪方向信息来判断各轮廓点的状态，以计算轮廓内像素总数之用。
本发明具有以下有益效果：
本发明提供基于CCD传感器的色选机特定颗粒识别方法通过对CCD传感器采集到的颗粒图像的灰度值进行分析，得到不同灰度值的分布面积，根据特定颗粒的灰度分布特征，得到是否需要选择或者剔除，为一种全新的色选方法。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (3)

1.一种基于CCD传感器的色选机特定颗粒识别方法，其特征在于，包括以下步骤：
S1：通过CCD传感器获得各个颗粒的图像，并提取颗粒的外部轮廓数据；
S2：获取所述颗粒的外部轮廓所围成的图像面积S1；
S3：将所述外部轮廓内的图像按照设定一灰度阈值，将高于所述灰度阈值和低于所述灰度阈值的图像通过第二轮廓线间隔；
S4：获取所述第二轮廓线内的图像面积S2，得到颗粒的外部轮廓线的面积与第二轮廓线内的图像面积比值K；
S5：获取各个颗粒的外部轮廓线与第二轮廓线的比值K，并取平均值K*，所述平均值的误差系数为L，颗粒比值K在K*-L与K*+L之间属于所述特定颗粒；
S6：将混有所述特定颗粒的待色选的颗粒物通过CCD传感器获取各个颗粒的图像，并按照步骤S1-S4进行处理，当得到的颗粒的外部轮廓线与第二轮廓线的比值K在K*-L与K*+L之间，则选择该颗粒为特定颗粒，否则为需要剔除的颗粒。
2.如权利要求1所述的基于CCD传感器的色选机特定颗粒识别方法，其特征在于，去噪后的灰度图像经对比度自适应的直方图均衡化、二值化、中值滤波处理之后，得到低于所述灰度阈值的图像，并得到第二轮廓线。
3.如权利要求1所述的基于CCD传感器的色选机特定颗粒识别方法，其特征在于，面积计算采用边界跟踪来获得第二轮廓线的轮廓点，同时获得各轮廓点的跟踪方向信息，并根据其跟踪方向信息来判断各轮廓点的状态，以计算轮廓内像素总数之用。
CN201610601061.2A 2016-07-27 2016-07-27 一种基于ccd传感器的色选机特定颗粒识别方法 Active CN106156782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610601061.2A CN106156782B (zh) 2016-07-27 2016-07-27 一种基于ccd传感器的色选机特定颗粒识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610601061.2A CN106156782B (zh) 2016-07-27 2016-07-27 一种基于ccd传感器的色选机特定颗粒识别方法

Publications (2)

Publication Number Publication Date
CN106156782A CN106156782A (zh) 2016-11-23
CN106156782B true CN106156782B (zh) 2019-05-07

Family

ID=58060265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610601061.2A Active CN106156782B (zh) 2016-07-27 2016-07-27 一种基于ccd传感器的色选机特定颗粒识别方法

Country Status (1)

Country Link
CN (1) CN106156782B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639941A (zh) * 2009-01-13 2010-02-03 中国人民解放军军事医学科学院放射与辐射医学研究所 Cb法微核图像中双核淋巴细胞的准确快速提取方法
CN105705966A (zh) * 2013-11-05 2016-06-22 株式会社岛津制作所 轮廓图像生成装置以及核医学诊断装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9563973B2 (en) * 2014-11-10 2017-02-07 Adobe Systems Incorporated Color selector for desktop publishing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639941A (zh) * 2009-01-13 2010-02-03 中国人民解放军军事医学科学院放射与辐射医学研究所 Cb法微核图像中双核淋巴细胞的准确快速提取方法
CN105705966A (zh) * 2013-11-05 2016-06-22 株式会社岛津制作所 轮廓图像生成装置以及核医学诊断装置

Also Published As

Publication number Publication date
CN106156782A (zh) 2016-11-23

Similar Documents

Publication Publication Date Title
Zheng et al. A least-squares support vector machine (LS-SVM) based on fractal analysis and CIELab parameters for the detection of browning degree on mango (Mangifera indica L.)
CN102043950B (zh) 基于canny算子和边缘点统计的车辆轮廓识别方法
CN104715239B (zh) 一种基于去雾处理和权重分块的车辆颜色识别方法
CN101832941B (zh) 一种基于多光谱图像的水果品质评价装置
CN101153851B (zh) 一种基于机器视觉的苹果检测分级方法
CN102305769B (zh) 应用于中国古画修复的多光谱抠图方法
CN105046700A (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统
CN109883967B (zh) 一种基于信息融合的中华绒螯蟹品质等级判别方法
CN102855641A (zh) 基于外在品质的水果等级分类系统
Zhang et al. Images features extraction of tobacco leaves
CN105738294A (zh) 基于单目多视成像的穗状水果自动检测装置及方法
CN105344618B (zh) 矩形竹片缺棱缺陷及颜色分拣方法
CN117253024B (zh) 一种基于机器视觉的工业盐质检管控方法及系统
CN102855627B (zh) 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法
CN103258334B (zh) 彩色图像的场景光源颜色估计方法
CN108416814A (zh) 一种菠萝头部的快速定位与识别方法及系统
CN102254304B (zh) 一种目标物体轮廓检测方法
CN107516331A (zh) 一种竹条颜色分类方法及系统
CN101674490B (zh) 一种基于视网膜视觉机制的彩色图像颜色恒常方法
CN106238347A (zh) 一种ccd色选机的图像处理方法
Gao et al. Detection of wheat unsound kernels based on improved ResNet
CN106156782B (zh) 一种基于ccd传感器的色选机特定颗粒识别方法
Ali et al. Low cost solution for rice quality analysis using morphological parameters and its comparison with standard measurements
CN102567969A (zh) 一种彩色图像边缘检测方法
CN113610187B (zh) 基于图像技术的木材纹理提取及分类方法

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