一种基于视觉技术的高效葵花籽脱壳方法
技术领域
本发明涉及一种基于视觉技术的高效葵花籽脱壳方法,属于农产品加工技术领域。
背景技术
近年来,随着技术的进步与发展,自动化的生产装备不断问世。葵花籽作为一种重要油料来源和休闲食品,其脱壳机得到了广泛的应用。脱壳机的分离系统由风机、导流装置、分离筛、振动电机等组成,其工作时为了提高葵花籽脱壳品质经常需要手工来不断调整分离系统的相关参数。例如,在葵花仁内含皮量增多时,需要及时调整风机的进风量;精仁中含未脱开的籽粒超标时,需要及时调整振动电机和筛面的角度,提高精选效果。如果用户经验不足,容易导致脱壳率偏低。
发明内容
本发明的目的,是提供一种基于视觉的高效葵花籽脱壳方法,脱壳自动化程度高、质量高,特别是提高了脱壳成品率。
采用的技术方案是:
一种基于视觉技术的高效葵花籽脱壳方法,所使用的设备包括葵花籽脱壳机、计算机和摄像机,其中脱壳机分离系统包括风机、导流装置、分离筛、振动电机等,摄像机装安装在脱壳机上适于拍摄葵花籽工作面的固定位置上,其特征在于:非接触式实时检测脱壳率。
所述葵花籽脱壳方法包括下述步骤:
1、脱壳机开始工作,摄像机摄取葵花籽脱壳工作面图像。然后,将葵花籽图像输入计算机内,执行图像分割算法,依据葵花籽与葵花仁在图像中所占的面积,在线实时估计获得葵花籽的脱壳率。脱壳机依据葵花籽的脱壳率,自动调整脱壳机的相关参数。
图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。现有的图像分割方法主要分为:基于阈值的方法、基于区域的方法和基于边缘的方法等。针对不同的任务,需要选择合适的图像分割算法及颜色空间。颜色空间常用的有RGB,CMY,HSV及HSI等。
在脱壳过程中,葵花籽与葵花仁间相互间堆叠在一起。这种堆叠导致葵花籽脱壳工作面图像执行图像分割算法会产成了大量的孔洞和模糊物体间的边缘,这些孔洞难以统计,为准确地估计脱壳率带来了极大的挑战。此外,在外界光照较强时拍摄脱壳工作面,由于葵花籽迎光面的反光较强,这导致葵花仁与葵花籽在亮度上十分相似。同时,为准确地估计脱壳率,必须有效区分葵花仁、葵花籽、边缘及孔洞。为了解决孔洞估计的问题,联合采用对比度空间和亮度空间加以区分;为了消除光照造成葵花籽强反光而影响估计精度的问题,联合采用色调空间和亮度空间来区分葵花籽与葵花仁。针对图像中目标区域难以分割的问题,在HSV空间上采用预定义标记的分水岭算法进行图像分割,通过统计图像分割后的葵花籽与葵花仁的比例估计获得脱壳率,从而引导机器进行参数调整操作。
1.1 HSV彩色空间
HSV颜色空间的参数分别是:色调(H),饱和度(S),亮度(V)。色调H表示色彩信息,即所处的光谱颜色的位置。该参数用一角度量来表示,红、绿、蓝分别相隔120度。互补色分别相差180度。角度量来表示,红、绿、蓝分别相隔120度。互补色分别相差180度。饱和度S为一比例值,范围从0到1,它表示成所选颜色的饱和度和该颜色最大的饱和度之间的比率。S=0时,只有灰度。亮度V表示色彩的明亮程度,范围从0到1。有一点要注意:它和光强度之间并没有直接的联系。
RGB彩色空间与HSV彩色空间的转换公式如下:
(1)
本发明中R、G、B的取值范围为0-1,为适应计算机数据处理为后续计算准备,H取值范围设为0-180度,S和V取值范围设为0-1。
1.2 分水岭算法
分水岭算法是一种基于区域的图像分割算法。基本思想是把图像视为测地学的拓扑地貌,图像的像素值的灰度值视为该点的海拔高度,每个局部极小值及其影响区域视为集水盆地,其边界可形成分水岭。可以利用浸水法理解,在每个局部极小值表面刺穿一个小孔,然后把整个模型浸入水中,随着浸水程度加深,每个局部极小值的影响区域会慢慢向外延伸,在集水盆交汇处形成分水岭。基于梯度图像的直接分水岭算法存在过分割现象,本发明不采用最小值而采用一种基于标记的分水岭算法,使用预定义标记引导图像分割。从本质上讲,基于标记的分水岭算法是利用先验知识来帮助分割的一种方法,因此关键点在于如何获得准确的目标总标记图像。
1.3 二维Otsu算法
Otsu算法,又称最大类间方差法,是一种全局的、自动、非参数且无监督的阈值确定方法。它依据图像的灰度特性划分背景和目标,二者类间方差越大,表明两者差别越大;当部分目标错分为背景或部分背景错分为目标时,都会导致二者的类间方差变小。然而,在实际应用中,由于干扰因素的影响,利用Otsu算法,图像灰度直方图的波峰与波谷之间的区别并不明显。因而,使用Otsu算法难以得到适当的阈值。为此,刘和栗等人引入了像素与邻域的空间关系,提出了一种基于灰度图像的二维Otsu算法。由于它同时考虑了像素点的灰度值分布和其邻域像素点的平均灰度值分布,在二维类间方差下取最大值作为最佳阈值,大大提高了算法的抗噪能力。然而,二维Otsu算法的计算复杂度较高,不适合在线系统,因而,有学者提出采用查询表来消除冗余计算,从而提高计算速度。
2、葵花籽脱壳的具体操作流程:
系统流程如图1所示,主要包括预滤波、彩色空间转换、目标总标志图、图像分割、后滤波及脱壳率估计。首先,将输入图像经中值滤波预处理,去除掉图像采集时的部分噪声干扰。其次,将图像由RGB彩色空间转换为HSV彩色空间后,通过二维Otsu算法对其H分量、S分量分别进行二值化,并将V分量和H分量相结合获得葵花籽和葵花仁的标志图,将V分量和S分量相结合获得孔洞标志图。接着,由葵花籽标志图、葵花仁标志图、孔洞标志图及V分量获得的形态学梯度图组成目标总标志图;然后,利用目标总标志图来引导分水岭算法对图像进行区域分割,并对获得的图像再次进行去噪处理,最终依据葵花籽、葵花仁及的孔洞区域在图像中所占面积的比例,估计获得葵花籽的脱壳率。
2.1 预滤波处理
在图像形成和传输过程中,会受到外界各种离散和随机的噪声干扰而导致其质量退化,为减小噪声的影响,可采用滤波方法对输入图像进行预处理。因为中值滤波能较好地保护目标的边缘特征,因而采用中值滤波器对输入图像进行去噪。
2.2 目标总标记图
估计葵花籽脱壳率,需要在图像中分割出葵花籽与葵花仁区域,但葵花籽与葵花仁互相堆叠并造成大量孔洞,且目标边缘不清晰。特别是,当图像中的目标全部为葵花仁时,简单地应用二维Otsu算法对原始图像进行二值化分割,效果并不理想。图像的目标包括孔洞、葵花籽、葵花仁,使用分水岭算法可以分割多目标和目标互相重叠情况。
V分量中孔洞的亮度低于40/255且S分量中其数值接近1,为加强泛化能力,通过二维Otsu对S分量二值化。把V分量中数值低于40/255并且S分量二值化为1的像素点作为空洞的标志。为通过分水岭算法获得较好的分割效果,对标志图做适当的形态学操作以减小面积较大的部分。
即使排除孔洞的影响,光照不均及葵花籽姿态各异等原因也会导致反光强烈的葵花籽的亮度V分量较大,且与葵花仁的亮度V分量部分重合,故只利用V分量不能从图像中准确地分割出葵花籽与葵花仁。由于二者在颜色上差别较大,因此考虑参考H分量对二者进行分割。为加强算法泛化能力,利用二维Otsu算法对H分量进行二值化。把二值化后H分量中数值设定为1,并且将V分量数值在50/255至140/255之间的像素点标记为葵花籽的标志。同时,在获取葵花仁标志时,使用的H分量和V分量都采用二维Otsu算法自动阈值后的二值图。设定V分量是1且H分量是0的像素点作为葵花仁的标志。因为葵花籽反光强烈的部分的H分量,在二值化后不为0,所以在葵花仁标志中不包括葵花籽反光强烈的部分。但该区域位于葵花仁中心且亮度值很高,在分水岭算法中类似于山岭,所以其不会被其他标志所扩展。
当目标相互重叠时,目标边缘比较模糊,若只确定葵花籽、葵花仁以及孔洞的标志,在执行分水岭算法时,分割图像的边缘会产生错分情况。形态学梯度,即膨胀图与腐蚀图之差,利用它可以获得目标边缘。但形态学梯度得到的目标边缘的线条较粗,在分水岭算法中会干扰其他标志扩展,故将边缘细化为宽度为单像素的线。在标志图中,加入细化后的目标边缘标志,可以较好地保持分割后目标的原本边缘,边缘像素亮度低于葵花仁且高于葵花籽。所以,经过分水岭算法只能向葵花仁区域扩展,因而在计算脱壳率时,边缘区域将会计入葵花仁区域中。
总标志图像由孔洞标志图、葵花籽标志图、葵花仁标志图、边缘细化标志图的合成图,通过总标志图引导分水岭算法进行图像分割。由于在葵花籽较多时,孔洞与葵花籽边界不清晰且孔洞灰度值小于葵花籽灰度值,故大量葵花籽被扩展为孔洞,可把分割后孔洞中V分量大于30/255的像素点置为葵花籽。
2.3后滤波处理
经标志图引导的分水岭算法对图像进行分割后,各区域内部会存在小孔洞等噪声干扰,这影响统计脱壳率的准确度,需要对其降噪处理。去除大目标内部小孔洞常采用形态学中腐蚀或膨胀等操作,但在本发明中,分水岭算法处理后的图像并非为二值图,其中有多类目标。因此对孔洞、葵花籽、葵花仁这三类目标分别提取相应的二值图后,再分别进行闭运算操作可得到较好效果。
3实验结果与分析
使用二维Otsu算法直接对葵花籽脱壳工作面图像进行自动阈值分割,无法消除孔洞干扰,而且当图像中全是葵花仁时误差较大,会把部分颜色较暗的葵花仁分割为葵花籽。使用本发明可较好地解决这个问题。
(1)当图像中葵花籽较多时。使用二维Otsu算法直接对工作图像进行阈值分割,孔洞被分割为葵花籽,并且部分反光强烈的葵花籽被误判为葵花仁,使用本方法可使准确性得到提高,实验对比如图2所示。
图2(a)为中值滤波后的图像;
图2(b)为采用二维Otsu算法后的二值化图像;
图2(c)为通过V分量与S分量得到孔洞标志图,并且通过区域生长筛选出面积较大的孔洞标志做腐蚀;
图2(d)为形态学梯度得到的边缘细化后的标志图;
图2(e)为通过H分量与V分量得到的葵花仁标志图;
图2(f)为通过H分量与V分量得到的葵花籽标志图;
图2(g)为总标志图,用于引导基于标记的分水岭算法对图像进行分割。
图2(h)为分割后并去除各目标内部孔洞的图像。
(2)当全是葵花仁时。实验对比结果如图3所示。
图3(a)为中值滤波后的图像,可看到图像比较平滑;
图3(b)为采用二维Otsu算法后二值化图像;
图3(c)为通过V分量与S分量得到的孔洞标志图,并且通过区域生长筛选出面积较大的孔洞标志做腐蚀;
图3(d)为形态学梯度得到的边缘细化后的标志图;
图3(e)为通过H分量与V分量得到的葵花仁标志图;
图3(f)为通过H分量与V分量得到的葵花籽标志图;
图3(g)为总标志图,用于引导基于标记的分水岭算法对图像进行分割;
图3(h)为分割后并去除各目标内部孔洞的图像。
脱壳率为葵花仁所占像素数与葵花籽和葵花仁像素数之和的百分比,计算时,边缘标记也算为葵花仁,脱壳率数据对比如表1所示,相比于二维Otsu分割图像,在葵花籽与葵花仁数量相当时误差率有所降低,在葵花仁数量较多时,获得较大提高。
表1 脱壳率测试结果
图像状态 |
正确脱壳率 |
二维最大类间方差 |
改进型区域生长 |
误差率减少 |
当全为葵花仁 |
100% |
63.8% |
96.92% |
33.12% |
当葵花仁与葵花籽相当 |
43% |
39.2% |
41.81% |
2.61% |
本发明的优点在于:
本发明提高了葵花籽的出仁率,降低了葵花籽仁的破损率,提高了经济效益。
附图说明
图1是本发明葵花籽脱壳流程图。
图2中a、b、c、d、e、f、g、h为葵花籽与葵花仁数量相当时实验图。
图3中a、b、c、d、e、f、g、h为全部为葵花仁时实验图。
具体实施方式
一种基于视觉技术的高效葵花籽脱壳方法,使用的设备包括脱壳机、计算机、摄像机,其特征在于:非接触式实时检测脱壳机脱壳率。
葵花籽脱壳包括下述步骤:
1、启动脱壳机和摄像机,待脱壳的葵花籽进入脱壳机脱壳,摄像机实时摄取图像,并把图像输入计算机进行分析和处理。
图像经中值滤波器进行预处理,去除图像采集时的噪声干扰。
2、通过计算机将图像由RGB彩色空间转换为HSV彩色空间,通过二维Otsu算法对其H分量、S分量分别进行二值化,并将V分量和H分量相结合获得葵花籽和葵花仁的标志图,并将V分量和H分量相结合获得葵花籽和葵花仁的标志图,将V分量和S分量相结合获得孔洞标志图。
3、经计算机处理将葵花籽标志图、葵花仁标志图、孔洞标志图及V分量获得的形态式梯度图组成目标总标志图;接着,利用目标总标志图引导分水岭算法对图像进行区域分割,并对得到的图像进行再去噪处理;然后,依据葵花籽与葵花仁在图像中所占面积,实时估计得出葵花籽脱壳率;最后,计算机实时发出指令,按最佳脱壳率参数调整脱壳机的振动筛电机及振动筛面角度,进行葵花籽脱壳,即得。