CN106651882B - 一种基于机器视觉的燕窝杂质识别与检测方法及装置 - Google Patents

Abstract

本发明实施例公开了一种基于机器视觉的燕窝杂质识别与检测方法及装置，用于解决使用单目相机进行检测只能得到杂质区域轮廓信息而无法获取到杂质区域高度信息，这样在后续杂质剔除操作中，在剔除杂质同时也会夹带着一些燕窝，从而造成原料产品浪费并降低经济效益；使用双目视觉检测得到三维信息精度低，误差大，满足不了燕窝杂质检测要求的技术问题。

Description

一种基于机器视觉的燕窝杂质识别与检测方法及装置

技术领域

本发明涉及机器视觉、杂质分拣工程交叉领域，尤其涉及一种基于机器视觉的燕窝杂质识别与检测方法及装置。

背景技术

杂质分拣，例如：燕窝、茶叶等，它们的杂质具有不规则形状，目前大部分仍采用人工分拣杂质方式。这种方式存在以下问题：1)人工检测，难以提供一个可靠、稳定而且准确的检测结果；2)检测工作需要大量劳动力，容易出现人工分拣效率低下，增加生产成本；3)人工分拣没有统一标准，误检率和漏检率高，导致分拣的产品参差不齐有损企业利益；4)长期人工作业，对工人眼和身心有较大伤害。为此，利用机器视觉技术，开发杂质自动分拣设备可以减少劳动成本，提高产品检测质量也是发展的必然趋势。

燕窝形状不规则，厚度不一，燕窝与羽毛灰度对比度大等特点，经过反复实验证明，使用单目相机对其进行检测可以识别出燕窝羽毛杂质，但是只能得到杂质区域轮廓信息而无法获取到杂质区域高度信息，这样在后续杂质剔除操作中，在剔除杂质同时也会夹带着一些燕窝，从而造成原料产品浪费并降低经济效益；使用双目视觉检测也同样可以检测出羽毛杂质，但是燕窝羽毛杂质比较细小，要求检测精度以及误差都比较高，而双目视觉得到三维信息精度低，误差大，因此满足不了燕窝杂质检测要求。

发明内容

本发明实施例提供了一种基于机器视觉的燕窝杂质识别与检测方法及装置，解决了使用单目相机进行检测只能得到杂质区域轮廓信息而无法获取到杂质区域高度信息，这样在后续杂质剔除操作中，在剔除杂质同时也会夹带着一些燕窝，从而造成原料产品浪费并降低经济效益；使用双目视觉检测得到三维信息精度低，误差大，满足不了燕窝杂质检测要求的技术问题。

本发明实施例提供的一种基于机器视觉的燕窝杂质识别与检测方法，包括：

S1：通过图像预处理方法和基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域；

S2：通过羽毛杂质特征选取和特征匹配方法剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域，并将燕窝二维图像中的羽毛杂质区域再次分拣得到燕窝二维图像中的目标羽毛杂质区域；

S3：通过点定位方法将燕窝二维图像中的目标羽毛杂质区域质心坐标进行燕窝三维图像的质心坐标转换，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值，使得根据羽毛杂质区域二维坐标的高度值获取燕窝二维图像中目标羽毛杂质区域三维信息。

优选地，

所述步骤S1之前还包括：

S0：通过颜色均匀、形状规则圆形或者矩形具有预置高度的物体的Mark点进行二维图像和三维图像的映射并标定相机坐标，对燕窝图像进行采集。

优选地，

所述步骤S1具体包括：

对采集的燕窝二维图像依次进行中值滤波、分段线性变换、基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域；

优选地，

所述步骤S2具体包括：

S21：对燕窝二维图像初步分割后的羽毛杂质区域进行羽毛杂质区域和特征提取，剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域；

S22：通过预置质心公式计算剔除误检区域的羽毛杂质区域质心坐标(i_cn,j_cn)，修正羽毛杂质区域质心坐标(i_cn,j_cn)，通过欧式距离判断剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d是否等于0，若是，则质心坐标不变，若否，则计算羽毛杂质区域最小外接椭圆长半轴a，获得起点为质心(i_cn,j_cn)，终点为质心到区域最小距离点(x_i,y_i)的线段L，获得最小外接椭圆长半轴a的直线M与羽毛杂质区域交点(m,n)，计算交点(m,n)和质心到羽毛杂质区域最小距离点(x_i,y_i)中心点(p,q)即新的质心坐标(i_cm,j_cm)。

优选地，

所述步骤S3具体包括：

计算燕窝二维图像中Mark点质心坐标(i_c1,j_c1)和修正后羽毛杂质区域质心坐标(i_cm,j_cm)距离关系：

再通过燕窝三维图像中Mark点质心坐标(ic2,jc2)、获得一个新的距离关系：

即燕窝三维图像中羽毛杂质区域二维坐标(row_3m,col_3m)，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值z_3m，使得根据羽毛杂质区域二维坐标的高度值z_3m获取羽毛杂质区域三维坐标(row_3m,col_3m,z_3m)。

本发明实施例中提供的一种基于机器视觉的燕窝杂质识别与检测装置包括：

初步分割单元，用于通过图像预处理方法和基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域；

提取单元，用于通过羽毛杂质特征选取和特征匹配方法剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域，并将燕窝二维图像中的羽毛杂质区域再次分拣得到燕窝二维图像中的目标羽毛杂质区域；

定位单元，用于通过点定位方法将燕窝二维图像中的目标羽毛杂质区域质心坐标进行燕窝三维图像的质心坐标转换，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值，使得根据羽毛杂质区域二维坐标的高度值获取燕窝二维图像中目标羽毛杂质区域三维信息。

优选地，

还包括：

标定单元，用于通过颜色均匀、形状规则圆形或者矩形具有预置高度的物体的Mark点进行二维图像和三维图像的映射并标定相机坐标，对燕窝图像进行采集。

优选地，

所述初步分割单元具体包括：

中值滤波子单元，具体用于对采集的燕窝二维图像进行中值滤波；

分段线性变换子单元，具体用于对采集的燕窝二维图像进行分段线性变换；

迭代子单元，具体用于对采集的燕窝二维图像进行基于灰度级二次迭代选择阈值方法进行羽毛杂质区域初步分割。

优选地，

所述提取单元具体包括：

剔除子单元，具体用于对燕窝二维图像初步分割后的羽毛杂质区域进行羽毛杂质区域和特征提取，剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域；

修正子单元，具体用于通过预置的质心公式计算剔除误检区域的羽毛杂质区域质心坐标(i_cn,j_cn)，修正羽毛杂质区域质心坐标(i_cn,j_cn)；

判断子单元，具体用于通过欧式距离判断剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d是否等于0；

不变子单元，具体用于若剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d等于0，则质心坐标不变；

更新子单元，具体用于若剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d不等于0，则计算羽毛杂质区域最小外接椭圆长半轴a，获得起点为质心(i_cn,j_cn)，终点为质心到区域最小距离点(x_i,y_i)的线段L，获得最小外接椭圆长半轴a的直线M与各羽毛杂质区域交点(m,n)，计算交点(m,n)和质心到各羽毛杂质区域最小距离点(x_i,y_i)中心点(p,q)即新的质心坐标(i_cm,j_cm)。

优选地，

所述定位单元具体包括：

计算子单元，具体用于计算燕窝二维图像中Mark点质心坐标(i_c1,j_c1)和修正后羽毛杂质区域质心坐标(i_cm,j_cm)距离关系：

第一获取子单元，通过燕窝三维图像中Mark点质心坐标(ic2,jc2)、获得一个新的距离关系：

即燕窝三维图像中羽毛杂质区域二维坐标(row_3m,col_3m)；

第二获取子单元，具体用于获取燕窝三维图像中羽毛杂质区域二维坐标的高度值z_3m；

第三获取子单元，具体用于获取羽毛杂质区域三维坐标(row_3m,col_3m,z_3m)。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例提供的一种基于机器视觉的燕窝杂质识别与检测方法及装置，其中一种基于机器视觉的燕窝杂质识别与检测方法包括：S1：通过图像预处理方法和基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域；S2：通过羽毛杂质特征选取和特征匹配方法剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域，并将燕窝二维图像中的羽毛杂质区域再次分拣得到燕窝二维图像中的目标羽毛杂质区域；S3：通过点定位方法将燕窝二维图像中的目标羽毛杂质区域质心坐标进行燕窝三维图像的质心坐标转换，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值，使得根据羽毛杂质区域二维坐标的高度值获取燕窝二维图像中目标羽毛杂质区域三维信息。本实施例中，通过利用图像预处理技术和提出基于灰度级二次迭代选择阈值法将羽毛杂质区域初步分割；提出羽毛杂质特征选取和特征匹配方法剔除误检区域并将羽毛杂质区域再次分拣得到目标羽毛杂质区域；针对羽毛杂质定位，提出点定位方法将二维图像中羽毛杂质区域质心坐标转换到三维图像中，利用3D相机可以获取图像中每一点高度值，得到羽毛杂质区域三维信息，能对燕窝表面形状不规杂质实现在线识别与检测，能够准确识别燕窝羽毛杂质，快速实现对羽毛杂质目标的检测与定位，具有检测精度高、漏检率低、误检率低、检测速度快、实时性好特点，解决了使用单目相机进行检测只能得到杂质区域轮廓信息而无法获取到杂质区域高度信息，这样在后续杂质剔除操作中，在剔除杂质同时也会夹带着一些燕窝，从而造成原料产品浪费并降低经济效益；使用双目视觉检测得到三维信息精度低，误差大，满足不了燕窝杂质检测要求的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1本发明实施例提供的一种燕窝羽毛杂质分拣识别与定位算法流程图。

具体实施方式

本发明实施例提供了一种基于机器视觉的燕窝杂质识别与检测方法及装置，用于解决使用单目相机进行检测只能得到杂质区域轮廓信息而无法获取到杂质区域高度信息，这样在后续杂质剔除操作中，在剔除杂质同时也会夹带着一些燕窝，从而造成原料产品浪费并降低经济效益；使用双目视觉检测得到三维信息精度低，误差大，满足不了燕窝杂质检测要求的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

本发明实施例提供的一种基于机器视觉的燕窝杂质识别与检测方法的一个实施例包括：

101、通过图像预处理方法和基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域；

102、通过羽毛杂质特征选取和特征匹配方法剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域，并将燕窝二维图像中的羽毛杂质区域再次分拣得到燕窝二维图像中的目标羽毛杂质区域；

103、通过点定位方法将燕窝二维图像中的目标羽毛杂质区域质心坐标进行燕窝三维图像的质心坐标转换，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值，使得根据羽毛杂质区域二维坐标的高度值获取燕窝二维图像中目标羽毛杂质区域三维信息。

上面是对一种基于机器视觉的燕窝杂质识别与检测方法进行详细的描述，下面将对一种基于机器视觉的燕窝杂质识别与检测方法的过程进行更详细的介绍，本发明实施例中提供的一种基于机器视觉的燕窝杂质识别与检测方法的另一个实施例包括：

201、通过颜色均匀、形状规则圆形或者矩形具有预置高度的物体的Mark点进行二维图像和三维图像的映射并标定相机坐标，对燕窝图像进行采集；

相机标定：利用Mark点实现二维图像与三维图像的映射并标定相机坐标。

a)Mark点选取。为提高识别精度和速度，本发明从几何形状和颜色两方面出发，选取颜色均匀、形状规则圆或者矩形且具有一定高度的物体作Mark点。Mark点相当于一个参照物体，本实施例中先拍摄一张二维的，再拍摄一副高度图片，两幅合起来才是一个完整的杂质三维图片，两幅图片依赖于Mark点来标定，就是位置信息。

b)Mark点区域识别。Mark点和检测物体的灰度及形状差异显著，用灰度阈值方法和矩形度特征将Mark点识别出来再计算其质心坐标。Mark点识别流程如下：

Step1：图像预处理。对原图像进行中值滤波去除噪声。

Step2：利用阈值分割方法将Mark点区域从原图像中分割出来。

Step3：计算矩形度。计算Mark点区域连通域矩形度，然后和设定矩形度阈值进行比较。若等于设定矩形度阈值，则该区域就是Mark点区域。

c)Mark点质心坐标计算，对一幅2D离散化数字图像图像，f(x,y)≥0。p+q阶矩m_pq和中心矩μ_pq定义为(其中：p，q代表矩的阶数)：

其中(i_c,j_c)为质心坐标(i，j分别代表像素的行和列)，且：

计算可得二维图像和三维图像点质心坐标分别为(i_c1,j_c1)和(i_c,j_c)。

d)图像坐标转换。计算出Mark点质心坐标后，在二维图像中随机选取一点，通过坐标转换将该点转换到三维图像中，从而实现平面相机和3D相机间标定。具体坐标转换过程如下：

Step1：在工作台上任意选取一点作为检测对象，面阵相机识别该点并计算该点在二维图像中质心坐标(i_c,j_c)；

Step2：求出二维图像中Mark点质心坐标(i_c1,j_c1)和(i_c,j_c)行距和列距：

Step3：计算二维图像和三维图像之间图像长之比k_l和宽之比k_w：

式中l_2D二维图像长，w_2D二维图像宽，l_3D三维图像长，w_3D三维图像宽。

Step4：根据三维图像中Mark点质心坐标(ic₂,jc₂)，计算三维图像中的各羽毛区域二维坐标(row₁,col₁)：

(其中，k_l和k_w分别代表二维图像和三维图像之间图像长之比和宽之比；row和col分别代表二维图像中Mark点质心坐标(i_c1,j_c1)和(i_c,j_c)行距和列距)

Step5：三维图像中每一个二维坐标点都对应一个固定高度值z，从而得到各羽毛区域的三维坐标(row₁,col₁,z)。

202、对采集的燕窝二维图像依次进行中值滤波、分段线性变换、基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域；

请参阅图1，对所采集图像进行滤波，滤除噪声；经过分段线性变换，来扩展(斜率>1)羽毛杂质较多区域的灰度区间，相对抑制那些不含羽毛杂质区域的灰度区间；根据燕窝整体呈白或灰白颜色，羽毛杂质呈黑色的特征，提出基于灰度级二次迭代选择阈值法分割羽毛杂质区域，具体算法过程如下：

Step1：计算预处理后的图像灰度直方图，把占图像总体像素96％的像素值f(i,j)作为第一次阈值x_n。图像中所有像素灰度值，把小于灰度值x_n设置为0，而大于灰度值x_n则保持不变。

Step2：找出图像中所有像素灰度值不为0取其平均值，把它作为第二次选择阈值x_n2。通过阈值分割，将小于像素值阈值x_n2设置为0，大于x_n2设置为255。

Step3：在图像的阈值分割后，运用二值形态学开运算和闭运算操作，用以消除图像中小孔和填补断裂轮廓线。

203、对燕窝二维图像初步分割后的羽毛杂质区域进行羽毛杂质区域和特征提取，剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域；

通过预置质心公式计算剔除误检区域的羽毛杂质区域质心坐标(i_cn,j_cn)，修正羽毛杂质区域质心坐标(i_cn,j_cn)，通过欧式距离判断剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d是否等于0，若是，则质心坐标不变，若否，则计算羽毛杂质区域最小外接椭圆长半轴a，获得起点为质心(i_cn,j_cn)，终点为质心到区域最小距离点(x_i,y_i)的线段L，获得最小外接椭圆长半轴a的直线M与羽毛杂质区域交点(m,n)，计算交点(m,n)和质心到羽毛杂质区域最小距离点(x_i,y_i)中心点(p,q)即新的质心坐标(i_cm,j_cm)；

羽毛杂质特征选择：

本发明结合处理后的灰度图像，提取羽毛杂质与形状特性相关的几何特征：LW、S和Convexity用作最终的羽毛杂质区域提取。

其中，Length和Width分表代表羽毛杂质区域边框长度和宽度，LW为长宽比阈值；Area代表羽毛杂质区域面积(区域的像素数)，Area_circle代表羽毛杂质区域最小外接圆面积，S为面积比阈值；Area_{convex_hull}表示羽毛区域凸壳面积，Convexity为羽毛杂质区域凸度。

请参阅图1，羽毛杂质区域分类和修正：

a)羽毛杂质区域分类。利用欧式距离去判断各羽毛杂质区域质心到自身区域最小距离点间值d，通过质心公式求出各羽毛杂质区域质心坐标为(i_cn,j_cn)。并根据d值判断质心区域，若d＝0，该羽毛区域属于第一类，即质心落在羽毛区域里面；若d≠0，该羽毛区域属于第二类，质心落在羽毛区域外面。把第二类羽毛区域进行修正，将落在羽毛区域外质心通过修正算法，获得新的落在羽毛区域里面的点(i_cm,j_cm)。

b)质心修正。采用最小外接椭圆长半轴直线延长法修正羽毛区域外质心，算法过程如下：

Step1：求取属于第二类羽毛区域最小外接椭圆，从而获得各个区域最小外接椭圆长半轴a；

Step2：以区域外质心(i_cn,j_cn)为起点，质心到区域最小距离点(x_i,y_i)为终点，连接两点得线段L；

Step3：以质心到区域最小距离点(x_i,y_i)为起点，作直线L延长线，延长a得到新直线M；

Step4：求取新直线M与各羽毛区域交点(m,n)，计算点(m,n)和质心到区域最小距离点(x_i,y_i)中心点(p,q)，该点即为新的落在羽毛区域里面的点(i_cm,j_cm)。

204、计算燕窝二维图像中Mark点质心坐标(i_c1,j_c1)和修正后羽毛杂质区域质心坐标(i_cm,j_cm)距离关系：

再通过燕窝三维图像中Mark点质心坐标(ic2,jc2)、获得一个新的距离关系：

即燕窝三维图像中羽毛杂质区域二维坐标(row_3m,col_3m)，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值z_3m，使得根据羽毛杂质区域二维坐标的高度值z_3m获取羽毛杂质区域三维坐标(row_3m,col_3m,z_3m)。

请参阅图1，采用面阵相机和3D相机相结合检测方案，在定位时需要引入Mark点，用于计算Mark点与各羽毛区域之间距离关系，从而在三维相机中实现物体定位。具体算法过程如下：

a)计算Mark点质心坐标(i_c1,j_c1)和修正后各羽毛区域质心坐标(i_cm,j_cm)距离关系：

b)利用三维图像中Mark点质心坐标(i_c2,j_c2)以及公式(4)和得到一个新的距离关系：

其中，(row_2m,col_2m)代表Mark点质心坐标(i_c1,j_c1)和修正后各羽毛区域质心坐标(i_cm,j_cm)距离关系。

c)得到(row_3m,col_3m)就是三维图像中各羽毛区域二维坐标；

d)三维图像中每一个二维坐标点都对应一个固定高度值z，利用求得的(row_3m,col_3m)坐标寻求其在三维图像中对应的高度值从而就可以得到各羽毛区域三维坐标(row_3m,col_3m,z_3m)。

通过上面算法，求出三维坐标(row_3m,col_3m,z_3m)在允许最小偏差内，就可以获取到各羽毛区域三维坐标，实现物体精确定位。

本发明提出面阵相机和3D相机相结合方法进行基于机器视觉燕窝羽毛杂质识别与检测。利用图像预处理技术和提出基于灰度级二次迭代选择阈值法将羽毛杂质区域初步分割；提出羽毛杂质特征选取和特征匹配方法剔除误检区域并将羽毛杂质区域再次分拣得到目标羽毛杂质区域；针对羽毛杂质定位，提出Mark点定位方法将二维图像中羽毛杂质区域质心坐标转换到三维图像中，利用3D相机可以获取图像中每一点高度值，得到羽毛杂质区域三维信息。相比现有技术，本发明具有以下有益效果：

1)识别和检测燕窝杂质图像精度高，误检率低。首先对图像进行预处理技术，增强图像与杂质间对比度，利用灰度级二次迭代选择阈值将燕窝羽毛杂质初步分拣出来；进一步提出羽毛杂质特征选取和特征匹配方法剔除误检区域并将羽毛杂质区域再次分拣得到目标羽毛杂质区域，从而提高检测精度，降低误识别。

2)定位准确率高，该算法受外界环境(例如：震动和光照等)影响小，精度能达微米级，计算量少，具有较强鲁棒性，适合物体不规则杂质的在线识别与检测。

3)本发明只需要通过Mark点算出面阵相机中各燕窝羽毛杂质区域质心间距离，利用这个距离关系反求出燕窝羽毛杂质在3D相机中的三维坐标，既实现了面阵相机和3D相机间的相机标定又到达定位目的。该方法有别于传统的相机标定法，具有速度快、工作量少、精度高，鲁棒性强特点。

本发明实施例提供的一种基于机器视觉的燕窝杂质识别与检测装置的一个实施例包括：

初步分割单元，用于通过图像预处理方法和基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域；

提取单元，用于通过羽毛杂质特征选取和特征匹配方法剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域，并将燕窝二维图像中的羽毛杂质区域再次分拣得到燕窝二维图像中的目标羽毛杂质区域；

定位单元，用于通过点定位方法将燕窝二维图像中的目标羽毛杂质区域质心坐标进行燕窝三维图像的质心坐标转换，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值，使得根据羽毛杂质区域二维坐标的高度值获取燕窝二维图像中目标羽毛杂质区域三维信息。

进一步地，

还包括：

标定单元，用于通过颜色均匀、形状规则圆形或者矩形具有预置高度的物体的Mark点进行二维图像和三维图像的映射并标定相机坐标，对燕窝图像进行采集。

进一步地，

所述初步分割单元具体包括：

中值滤波子单元，具体用于对采集的燕窝二维图像进行中值滤波；

分段线性变换子单元，具体用于对采集的燕窝二维图像进行分段线性变换；

迭代子单元，具体用于对采集的燕窝二维图像进行基于灰度级二次迭代选择阈值方法进行羽毛杂质区域初步分割。

进一步地，

所述提取单元具体包括：

剔除子单元，具体用于对燕窝二维图像初步分割后的羽毛杂质区域进行羽毛杂质区域和特征提取，剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域；

修正子单元，具体用于通过预置的质心公式计算剔除误检区域的羽毛杂质区域质心坐标(i_cn,j_cn)，修正羽毛杂质区域质心坐标(i_cn,j_cn)；

判断子单元，具体用于通过欧式距离判断剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d是否等于0；

不变子单元，具体用于若剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d等于0，则质心坐标不变；

更新子单元，具体用于若剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d不等于0，则计算羽毛杂质区域最小外接椭圆长半轴a，获得起点为质心(i_cn,j_cn)，终点为质心到区域最小距离点(x_i,y_i)的线段L，获得最小外接椭圆长半轴a的直线M与各羽毛杂质区域交点(m,n)，计算交点(m,n)和质心到各羽毛杂质区域最小距离点(x_i,y_i)中心点(p,q)即新的质心坐标(i_cm,j_cm)。

进一步地，

所述定位单元具体包括：

计算子单元，具体用于计算燕窝二维图像中Mark点质心坐标(i_c1,j_c1)和修正后羽毛杂质区域质心坐标(i_cm,j_cm)距离关系：

第一获取子单元，通过燕窝三维图像中Mark点质心坐标(ic2,jc2)、获得一个新的距离关系：

即燕窝三维图像中羽毛杂质区域二维坐标(row_3m,col_3m)；

第二获取子单元，具体用于获取燕窝三维图像中羽毛杂质区域二维坐标的高度值z_3m；

第三获取子单元，具体用于获取羽毛杂质区域三维坐标(row_3m,col_3m,z_3m)。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于机器视觉的燕窝杂质识别与检测方法，其特征在于，包括：

S1：通过图像预处理方法和基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域；

S2：通过羽毛杂质特征选取和特征匹配方法剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域，并将燕窝二维图像中的羽毛杂质区域再次分拣得到燕窝二维图像中的目标羽毛杂质区域；

S3：通过点定位方法将燕窝二维图像中的目标羽毛杂质区域质心坐标进行燕窝三维图像的质心坐标转换，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值，使得根据羽毛杂质区域二维坐标的高度值获取燕窝二维图像中目标羽毛杂质区域三维信息。

2.根据权利要求1所述的一种基于机器视觉的燕窝杂质识别与检测方法，其特征在于，所述步骤S1之前还包括：

S0：通过颜色均匀、形状规则圆形或者矩形具有预置高度的物体的Mark点进行二维图像和三维图像的映射并标定相机坐标，对燕窝图像进行采集。

3.根据权利要求2所述的一种基于机器视觉的燕窝杂质识别与检测方法，其特征在于，所述步骤S1具体包括：

对采集的燕窝二维图像依次进行中值滤波、分段线性变换、基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域。

4.根据权利要求3所述的一种基于机器视觉的燕窝杂质识别与检测方法，其特征在于，所述步骤S2具体包括：

S21：对燕窝二维图像初步分割后的羽毛杂质区域进行羽毛杂质区域和特征提取，剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域；

S22：通过预置质心公式计算剔除误检区域的羽毛杂质区域质心坐标(i_cn,j_cn)，修正羽毛杂质区域质心坐标(i_cn,j_cn)，通过欧式距离判断剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d是否等于0，若是，则质心坐标不变，若否，则计算羽毛杂质区域最小外接椭圆长半轴a，获得起点为质心(i_cn,j_cn)，终点为质心到区域最小距离点(x_i,y_i)的线段L，获得最小外接椭圆长半轴a的直线M与羽毛杂质区域交点(m,n)，计算交点(m,n)和质心到羽毛杂质区域最小距离点(x_i,y_i)中心点(p,q)即新的质心坐标(i_cm,j_cm)。

5.根据权利要求4所述的一种基于机器视觉的燕窝杂质识别与检测方法，其特征在于，所述步骤S3具体包括：

计算燕窝二维图像中Mark点质心坐标(i_c1,j_c1)和修正后羽毛杂质区域质心坐标(i_cm,j_cm)距离关系：

再通过燕窝三维图像中Mark点质心坐标(ic2,jc2)、获得一个新的距离关系：

即燕窝三维图像中羽毛杂质区域二维坐标(row_3m,col_3m)，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值z_3m，使得根据羽毛杂质区域二维坐标的高度值z_3m获取羽毛杂质区域三维坐标(row_3m,col_3m,z_3m)。

6.一种基于机器视觉的燕窝杂质识别与检测装置，其特征在于，包括：

初步分割单元，用于通过图像预处理方法和基于灰度级二次迭代选择阈值方法对采集的燕窝二维图像中的羽毛杂质区域进行初步分割得到羽毛杂质区域；

提取单元，用于通过羽毛杂质特征选取和特征匹配方法剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域，并将燕窝二维图像中的羽毛杂质区域再次分拣得到燕窝二维图像中的目标羽毛杂质区域；

定位单元，用于通过点定位方法将燕窝二维图像中的目标羽毛杂质区域质心坐标进行燕窝三维图像的质心坐标转换，获取燕窝三维图像中羽毛杂质区域二维坐标的高度值，使得根据羽毛杂质区域二维坐标的高度值获取燕窝二维图像中目标羽毛杂质区域三维信息。

7.根据权利要求6所述的一种基于机器视觉的燕窝杂质识别与检测装置，其特征在于，还包括：

标定单元，用于通过颜色均匀、形状规则圆形或者矩形具有预置高度的物体的Mark点进行二维图像和三维图像的映射并标定相机坐标，对燕窝图像进行采集。

8.根据权利要求7所述的一种基于机器视觉的燕窝杂质识别与检测装置，其特征在于，所述初步分割单元具体包括：

中值滤波子单元，具体用于对采集的燕窝二维图像进行中值滤波；

分段线性变换子单元，具体用于对采集的燕窝二维图像进行分段线性变换；

迭代子单元，具体用于对采集的燕窝二维图像进行基于灰度级二次迭代选择阈值方法进行羽毛杂质区域初步分割。

9.根据权利要求8所述的一种基于机器视觉的燕窝杂质识别与检测装置，其特征在于，所述提取单元具体包括：

剔除子单元，具体用于对燕窝二维图像初步分割后的羽毛杂质区域进行羽毛杂质区域和特征提取，剔除燕窝二维图像初步分割后的羽毛杂质区域的误检区域；

修正子单元，具体用于通过预置的质心公式计算剔除误检区域的羽毛杂质区域质心坐标(i_cn,j_cn)，修正羽毛杂质区域质心坐标(i_cn,j_cn)；

判断子单元，具体用于通过欧式距离判断剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d是否等于0；

不变子单元，具体用于若剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d等于0，则质心坐标不变；

更新子单元，具体用于若剔除误检区域的羽毛杂质区域质心到自身区域最小距离点间值d不等于0，则计算羽毛杂质区域最小外接椭圆长半轴a，获得起点为质心(i_cn,j_cn)，终点为质心到区域最小距离点(x_i,y_i)的线段L，获得最小外接椭圆长半轴a的直线M与各羽毛杂质区域交点(m,n)，计算交点(m,n)和质心到各羽毛杂质区域最小距离点(x_i,y_i)中心点(p,q)即新的质心坐标(i_cm,j_cm)。

10.根据权利要求9所述的一种基于机器视觉的燕窝杂质识别与检测装置，其特征在于，所述定位单元具体包括：

计算子单元，具体用于计算燕窝二维图像中Mark点质心坐标(i_c1,j_c1)和修正后羽毛杂质区域质心坐标(i_cm,j_cm)距离关系：

第一获取子单元，通过燕窝三维图像中Mark点质心坐标(ic2,jc2)、获得一个新的距离关系：

即燕窝三维图像中羽毛杂质区域二维坐标(row_3m,col_3m)；

第二获取子单元，具体用于获取燕窝三维图像中羽毛杂质区域二维坐标的高度值z_3m；

第三获取子单元，具体用于获取羽毛杂质区域三维坐标(row_3m,col_3m,z_3m)。