CN106156801B - 一种基于图像处理的有色颗粒选择方法 - Google Patents

一种基于图像处理的有色颗粒选择方法 Download PDF

Info

Publication number
CN106156801B
CN106156801B CN201610599493.4A CN201610599493A CN106156801B CN 106156801 B CN106156801 B CN 106156801B CN 201610599493 A CN201610599493 A CN 201610599493A CN 106156801 B CN106156801 B CN 106156801B
Authority
CN
China
Prior art keywords
particle
image
pixel
frame
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.)
Active
Application number
CN201610599493.4A
Other languages
English (en)
Other versions
CN106156801A (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 CN201610599493.4A priority Critical patent/CN106156801B/zh
Publication of CN106156801A publication Critical patent/CN106156801A/zh
Application granted granted Critical
Publication of CN106156801B publication Critical patent/CN106156801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于图像处理的有色颗粒选择方法，其包括以下步骤：将视频的第一帧设定为参考帧,提取颗粒，对彩色图像进行首帧差分处理获取二值图像；在提取白色像素的同时,累加其个数N,并且获得白像素的区域分布范围,当N>200时,表明该通道工位有颗粒；获得新的二值图像g(x,y)；扫描完二值图像的颗粒区域后获得g(x,y)＝255像素点的个数n,通过n与N之间的关系来判断是否有色颗粒；判断是否是破壳颗粒；在去除边缘后的输出结果图像中,判定该颗粒是否为破裂颗粒，每隔20ms自动采集一帧图像,对每帧图像上的各个工位依次进行上述处理和判断。本发明通过对像素进行处理，判断颗粒的颜色，并对相应颜色颗粒判断是否破壳，本发明在色选时的图像识别准确率高。

Description

一种基于图像处理的有色颗粒选择方法
技术领域
本发明涉及到图像处理技术领域，特别是一种基于图像处理的有色颗粒选择方法。
背景技术
数字图像处理是模式识别、计算机视觉、图像通讯、多媒体技术等的基础学科,是一门涉及多领域的交叉学科。它起源于世纪年代,当时人们采用数字压缩技术通过海底电缆从英国的伦敦到美国的纽约传输了第一幅数字照片。此后,基于遥感等领域的应用,数字图像处理技术逐步受到关注并得到相应的发展。如今,随着计算机及通信技术的发展,图像的应用愈加广泛,并已成为工程学、计算机科学、信息科学、统计学、物理学、化学、生物学、医学甚至社会科学等领域各学科之间学习和研究的对象。随着人们对微光图像,红外图像,光图像的深入研究,数字图像处理技术在军事如夜视仪、工农业生产如工业现场监控,农业自然灾害预警和产品分级、医疗卫生如检测、消费电子家电产品等领域的应用将越来越广泛。颜色快速识别是利用颜色传感器等设备对不同颜色进行区分与辨识,该研究是以光学、机械、电子计算技术为基础的综合性科学技术。随着现代化工业生产向高速化、自动化方向的发展,颜色识别已广泛的应用于造纸、纺织、军工、交通、农业生产等各行业中,生产过程中长期以来由人眼起主导作用的颜色识别工作将越来越多地被相应的颜色传感器所替代。
我国是一个农业大国,农产品产量连续增产,许多农产品都大量出口。以我们内蒙古自治区为例,现在就有多个粮食精选及蔬菜加工场进行农作物加工及出口贸易,而对农产品进行颜色分选分级是食品加工的必经步骤,过去通过人工来实现分选,由于人的主观因素以及工作强度造成的眼疲劳,以及分选时造成的人为污染,大大降低了生产效率以及分选的准确性,且分选后的产品也不符合卫生标准。
发明内容
为解决上述技术问题，本发明提供了一种基于图像处理的有色颗粒选择方法，其特征在于，包括以下步骤：
在采集视频图像时,将视频的第一帧设定为参考帧,将后续的其他帧与参考帧进行差分处理,提取颗粒，利用下面两式对彩色图像进行首帧差分处理获取二值图像：
b(x,y)＝255(f(x,y,n)-f(x,y,1)>k)
b(x,y)＝0(f(x,y,n)-f(x,y,1)≤k)
式中,b(x,y)表示二值图像上(x,y)点处的像素值，f(x,y,1)表示第1帧图像上(x,y)点处像素的R分量值，f(x,y,n)表示第n帧图像上(x,y)点处像素的R分量值，k表示阈值；
二值图像上白色像素表示提取的颗粒像素,黑色表示背景像素，在提取白色像素的同时,累加其个数N,并且获得白像素的区域分布范围,当N>200时,表明该通道工位有颗粒；
在判断出有颗粒时,对二值图像上的颗粒区域进行逐像素扫描,遇到白色像素时,将原图像上对应位置的像素值用下式进行判断,获得新的二值图像
g(x,y),即
g(x,y)＝255(R(x,y)-(G(x,y)+B(x,y))/2>T)
g(x,y)＝0(R(x,y)-(G(x,y)+B(x,y))/2≤T)
式中,g(x,y)表示图像g上(x,y)点处的像素值，R(x,y)表示原图像上(x,y)点处像素的R分量值，G(x,y)表示原图像上(x,y)点处的G分量值；
B(x,y)表示原图像中上(x,y)点处的B分量值，T表示阈值；
扫描完二值图像的颗粒区域后获得g(x,y)＝255像素点的个数n,通过n与N之间的关系来判断是否有色颗粒，若n/N>0.2,认为该颗粒为有色颗粒,进行排除，否则进行后续的破损颗粒判断；
对于不满足有色颗粒判断条件的颗粒,判断其是否是破壳颗粒，具体包括以下步骤：
设定一个参数q＝0,然后对二值图像上的颗粒区域在y方向上进行逐列扫描,如果某条扫描线上的像素由白变黑的次数大于1时,q值加1,当扫描完颗粒区域后,如果q≥4,则可判定此颗粒是破壳颗粒，否则,对颗粒区域进行x方向上的扫描和判断,判断方法和原理同y方向；
对于不满足上述条件的颗粒,需要判断它是否是带有裂纹的颗粒，对颗粒区域原图像的R分量利用Prewitt算子进行微分处理,然后对微分处理后的结果图像逐层去除边缘，以二值图像上的颗粒区域为目标,进行逐层贴标签处理,一共标记5层,然后以标记像素为参考,将微分图像上对应位置的像素值设为零；
在去除边缘后的输出结果图像中,对颗粒区域范围内的像素进行扫描,计算像素值大于200的像素个数m,若m≥5,则可判定该颗粒为破裂颗粒，每隔20ms自动采集一帧图像,对每帧图像上的各个工位依次进行上述处理和判断。
本发明具有以下有益效果：
本发明提供的基于图像处理的有色颗粒选择方法通过对像素进行处理，判断颗粒的颜色，并对相应颜色颗粒判断是否破壳，本发明在色选时的图像识别准确率高。
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。
本发明实施例提供了一种基于图像处理的有色颗粒选择方法，其包括以下步骤：
在采集视频图像时,将视频的第一帧设定为参考帧,将后续的其他帧与参考帧进行差分处理,提取颗粒，利用下面两式对彩色图像进行首帧差分处理获取二值图像：
b(x,y)＝255(f(x,y,n)-f(x,y,1)>k)
b(x,y)＝0(f(x,y,n)-f(x,y,1)≤k)
式中,b(x,y)表示二值图像上(x,y)点处的像素值，f(x,y,1)表示第1帧图像上(x,y)点处像素的R分量值，f(x,y,n)表示第n帧图像上(x,y)点处像素的R分量值，k表示阈值；
二值图像上白色像素表示提取的颗粒像素,黑色表示背景像素，在提取白色像素的同时,累加其个数N,并且获得白像素的区域分布范围,当N>200时,表明该通道工位有颗粒；
在判断出有颗粒时,对二值图像上的颗粒区域进行逐像素扫描,遇到白色像素时,将原图像上对应位置的像素值用下式进行判断,获得新的二值图像g(x,y),即
g(x,y)＝255(R(x,y)-(G(x,y)+B(x,y))/2>T)
g(x,y)＝0(R(x,y)-(G(x,y)+B(x,y))/2≤T)
式中,g(x,y)表示图像g上(x,y)点处的像素值，R(x,y)表示原图像上(x,y)点处像素的R分量值，G(x,y)表示原图像上(x,y)点处的G分量值；B(x,y)表示原图像中上(x,y)点处的B分量值，T表示阈值；
扫描完二值图像的颗粒区域后获得g(x,y)＝255像素点的个数n,通过n与N之间的关系来判断是否有色颗粒，若n/N>0.2,认为该颗粒为有色颗粒,进行排除，否则进行后续的破损颗粒判断；
对于不满足有色颗粒判断条件的颗粒,判断其是否是破壳颗粒，具体包括以下步骤：
设定一个参数q＝0,然后对二值图像上的颗粒区域在y方向上进行逐列扫描,如果某条扫描线上的像素由白变黑的次数大于1时,q值加1,当扫描完颗粒区域后,如果q≥4,则可判定此颗粒是破壳颗粒，否则,对颗粒区域进行x方向上的扫描和判断,判断方法和原理同y方向；
对于不满足上述条件的颗粒,需要判断它是否是带有裂纹的颗粒，对颗粒区域原图像的R分量利用Prewitt算子进行微分处理,然后对微分处理后的结果图像逐层去除边缘，以二值图像上的颗粒区域为目标,进行逐层贴标签处理,一共标记5层,然后以标记像素为参考,将微分图像上对应位置的像素值设为零；
在去除边缘后的输出结果图像中,对颗粒区域范围内的像素进行扫描,计算像素值大于200的像素个数m,若m≥5,则可判定该颗粒为破裂颗粒，每隔20ms自动采集一帧图像,对每帧图像上的各个工位依次进行上述处理和判断。
本发明提供的基于图像处理的有色颗粒选择方法通过对像素进行处理，判断颗粒的颜色，并对相应颜色颗粒判断是否破壳，本发明在色选时的图像识别准确率高。
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 (1)

1.一种基于图像处理的有色颗粒选择方法，其特征在于，包括以下步骤：
在采集视频图像时,将视频的第一帧设定为参考帧,将后续的其他帧与参考帧进行差分处理,提取颗粒，利用下面两式对彩色图像进行首帧差分处理获取二值图像：
b(x,y)＝255 (f(x,y,n)-f(x,y,1)>k)
b(x,y)＝0 (f(x,y,n)-f(x,y,1)≤k)
式中,b(x,y)表示二值图像上(x,y)点处的像素值，f(x,y,1)表示第1帧图像上(x,y)点处像素的R分量值，f(x,y,n)表示第n帧图像上(x,y)点处像素的R分量值，k表示阈值；
二值图像上白色像素表示提取的颗粒像素,黑色表示背景像素，在提取白色像素的同时,累加其个数N,并且获得白像素的区域分布范围,当N>200时,表明色选通道有颗粒；
在判断出有颗粒时,对二值图像上的颗粒区域进行逐像素扫描,遇到白色像素时,将原图像上对应位置的像素值用下式进行判断,获得新的二值图像g(x,y),即
g(x,y)＝255 (R(x,y)-(G(x,y)+B(x,y))/2>T)
g(x,y)＝0 (R(x,y)-(G(x,y)+B(x,y))/2≤T)
式中,g(x,y)表示图像g上(x,y)点处的像素值，R(x,y)表示原图像上(x,y)点处像素的R分量值，G(x,y)表示原图像上(x,y)点处的G分量值；B(x,y)表示原图像中上(x,y)点处的B分量值，T表示阈值；
扫描完二值图像的颗粒区域后获得g(x,y)＝255像素点的个数n,通过n与N之间的关系来判断是否有色颗粒，若n/N>0.2,认为该颗粒为有色颗粒,进行排除，否则进行后续的破损颗粒判断；
对于不满足有色颗粒判断条件的颗粒,判断其是否是破壳颗粒，具体包括以下步骤：
设定一个参数q＝0,然后对二值图像上的颗粒区域在y方向上进行逐列扫描,如果某条扫描线上的像素由白变黑的次数大于1时,q值加1,当扫描完颗粒区域后,如果q≥4,则可判定此颗粒是破壳颗粒，否则,对颗粒区域进行x方向上的扫描和判断,判断方法和原理同y方向；
对于不满足上述条件的颗粒,需要判断它是否是带有裂纹的颗粒，对颗粒区域原图像的R分量利用Prewitt算子进行微分处理,然后对微分处理后的结果图像逐层去除边缘，以二值图像上的颗粒区域为目标,进行逐层贴标签处理,一共标记5层,然后以标记像素为参考,将微分图像上对应位置的像素值设为零；
在去除边缘后的输出结果图像中,对颗粒区域范围内的像素进行扫描,计算像素值大于200的像素个数m,若m≥5,则可判定该颗粒为破裂颗粒，每隔20ms自动采集一帧图像,对每帧图像上的各个色选通道依次进行上述处理和判断。
CN201610599493.4A 2016-07-27 2016-07-27 一种基于图像处理的有色颗粒选择方法 Active CN106156801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610599493.4A CN106156801B (zh) 2016-07-27 2016-07-27 一种基于图像处理的有色颗粒选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610599493.4A CN106156801B (zh) 2016-07-27 2016-07-27 一种基于图像处理的有色颗粒选择方法

Publications (2)

Publication Number Publication Date
CN106156801A CN106156801A (zh) 2016-11-23
CN106156801B true CN106156801B (zh) 2019-04-19

Family

ID=58060799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610599493.4A Active CN106156801B (zh) 2016-07-27 2016-07-27 一种基于图像处理的有色颗粒选择方法

Country Status (1)

Country Link
CN (1) CN106156801B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115672789B (zh) * 2022-12-21 2024-04-30 西安海联石化科技有限公司 一种钛及钛合金回收氧化屑料分选方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101172274A (zh) * 2007-11-14 2008-05-07 天津市华核科技有限公司 一种枸杞子分级分选装置及其方法
CN101890409A (zh) * 2010-07-16 2010-11-24 合肥安晶龙电子有限公司 一种基于彩色空间转换对实物颗粒进行分选的方法
CN104438135A (zh) * 2014-12-25 2015-03-25 天津市光学精密机械研究所 一种彩色双ccd脱绒棉种色选系统及实现方法
CN204486324U (zh) * 2014-12-25 2015-07-22 天津市光学精密机械研究所 一种彩色双ccd脱绒棉种色选系统
US9225970B2 (en) * 2012-01-20 2015-12-29 Realtek Semiconductor Corp. Image depth generation device and method thereof

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101172274A (zh) * 2007-11-14 2008-05-07 天津市华核科技有限公司 一种枸杞子分级分选装置及其方法
CN101890409A (zh) * 2010-07-16 2010-11-24 合肥安晶龙电子有限公司 一种基于彩色空间转换对实物颗粒进行分选的方法
US9225970B2 (en) * 2012-01-20 2015-12-29 Realtek Semiconductor Corp. Image depth generation device and method thereof
CN104438135A (zh) * 2014-12-25 2015-03-25 天津市光学精密机械研究所 一种彩色双ccd脱绒棉种色选系统及实现方法
CN204486324U (zh) * 2014-12-25 2015-07-22 天津市光学精密机械研究所 一种彩色双ccd脱绒棉种色选系统

Also Published As

Publication number Publication date
CN106156801A (zh) 2016-11-23

Similar Documents

Publication Publication Date Title
Dorj et al. An yield estimation in citrus orchards via fruit detection and counting using image processing
CN101907453B (zh) 基于机器视觉的块状农产品尺寸在线测量方法与装置
Liu et al. A method of segmenting apples at night based on color and position information
EP2548147B1 (en) Method to recognize and classify a bare-root plant
Anthonys et al. An image recognition system for crop disease identification of paddy fields in Sri Lanka
CN103521465B (zh) 一种固体籽粒的自动检测与分选系统及方法
CN105701476A (zh) 一种基于机器视觉的生产线产品自动化识别系统及方法
CN104574389A (zh) 基于彩色机器视觉的电池片色差分选控制方法
CN107505325B (zh) 冬枣果实的全方位品质检测方法
CN110070571B (zh) 一种基于深度相机的毛竹形态参数检测方法
Rahamathunnisa et al. Vegetable disease detection using k-means clustering and svm
CN110687121B (zh) 一种陶瓦智能在线检测与自动分级方法和系统
Feng et al. A separating method of adjacent apples based on machine vision and chain code information
CN105427279B (zh) 一种基于计算机视觉及物联网的草原旱情监测系统和方法
Hu et al. Recognition and localization of strawberries from 3D binocular cameras for a strawberry picking robot using coupled YOLO/Mask R-CNN
Ignacio et al. A YOLOv5-based deep learning model for in-situ detection and maturity grading of mango
Rahman et al. Identification of mature grape bunches using image processing and computational intelligence methods
CN106156801B (zh) 一种基于图像处理的有色颗粒选择方法
CN111401121A (zh) 一种基于超像素特征提取实现柑橘分割方法
Huang et al. Mango surface defect detection based on HALCON
Monavar et al. Detection of red ripe tomatoes on stem using Image Processing Techniques
CN110298824A (zh) 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法
CN108830834A (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN108549855A (zh) 面向智能家居场景的实时人形检测方法
Tan et al. A framework for the automatic identification of algae (neomeris vanbosseae ma howe): U 3 s

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