CN106900601A - 一种快速精准识别对虾图像虾头点与虾尾点的方法 - Google Patents
一种快速精准识别对虾图像虾头点与虾尾点的方法 Download PDFInfo
- Publication number
- CN106900601A CN106900601A CN201710071131.2A CN201710071131A CN106900601A CN 106900601 A CN106900601 A CN 106900601A CN 201710071131 A CN201710071131 A CN 201710071131A CN 106900601 A CN106900601 A CN 106900601A
- Authority
- CN
- China
- Prior art keywords
- point
- prawn
- profile
- shrimp
- image
- 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.)
- Granted
Links
Classifications
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种快速精准识别对虾图像虾头点与虾尾点的方法。先将在线采集的对虾彩色图像预处理获得初始轮廓,再进行多边形逼近进行约减轮廓点个数,形成点集S1;接着进行凸包检测,去除位于对虾腹部的轮廓点形成点集S2;然后进行夹角轮廓分析形成点集S3;最后求取点集S2与点集S3的交集得,取其中的轮廓点作为对虾虾头点与虾尾点。本发明能够快速有效地提取到对虾的虾头点与虾尾点,正确识别率高。
Description
技术领域
本发明涉及了一种快速精准识别对虾图像虾头点与虾尾点的方法,属于机器视觉范畴,适合于基于机器视觉技术对虾在线分选分级的系统研发。
背景技术
经检索,文献《An Efficient Shape Analysis Method for Shrimp QualityEvaluation》提出了TADA轮廓分析法用于虾仁完整性检测,该方法通过等间隔提取虾仁轮廓上的点,然后计算所提取的点对应的转角,该方法通过相机获取虾的整体图想,在由图像预处理得到虾体的轮廓,通过任意取一点为初始点,顺时针等间隔取点,将轮廓点进行约减,而后计算各提取点对应的转角。
现有公开号为CN103801520A的发明专利提供一种虾的自动精选分级装置,包括上料系统、分选通道、采图系统、分级系统和图像处理系统;其中采图系统用于采集原料虾的图像;分级系统包括与单列化通道对应的喷气嘴,该喷气嘴受控于图像处理系统,用于吹动虾体进入不同的接料槽;图像处理系统用于分析图像,对每个虾体的图像分级处理,根据分级结果,并发出控制分级系统的信号。
对虾的完整性检测是基于机器视觉技术对虾的快速分选工艺中的重要环节,对虾的虾头点与虾尾点识别又是判断对虾完整性的关键,如果对虾的虾头点以及虾尾点识别不准确,就会造成对对虾完整性的误判,进而通过后续的剔除机构将误判的对虾剔除,进而降低整个机器的正确识别率,这样即便做到对虾的高速分选分级,却无法保证高效率识别,也是不合格的。
发明内容
为基于机器视觉技术对虾在线快速分选分级过程中的对虾完整性判别这一关键环节,本发明提供了一种快速精准识别对虾图像虾头点与虾尾点的方法,通过夹角轮廓分析等技术手段高效简洁地实现了对虾图像的精准识别,为后续对虾的完整性判别提供了方便快捷的手段。
如图1所示,本发明的具体技术方案如下:
(1)在线采集对虾彩色图像,经过图像预处理获得对虾的初始轮廓及初始轮廓上的各个轮廓点;
所述的对虾彩色图像为包含有完整对虾并且光照均匀、白色背景的图片。
所述步骤(1)图像预处理是:选用R通道对对虾彩色图像进行中值滤波以及形态学开操作,将对虾目标从图像背景中分割出来形成二值图,再采用Canny算法提取对虾目标边缘,进而得到对虾的初始轮廓及初始轮廓上的各个轮廓点。
(2)对初始轮廓进行多边形逼近从而将初始轮廓的轮廓点个数进行约减,约减后的轮廓点形成点集S1;
所述步骤(2)多边形逼近是采用Opencv中cvApproxPoly算子多次迭代进行逼近,逼近达到精度阈值后获得得到点集S1。通过多次实验探索发现精度阈值设为6识别精度最好。
(3)对步骤(2)多边形逼近后的轮廓进行凸包检测,使得位于对虾腹部的轮廓点从点集S1中去除,形成点集S2;
所述步骤(3)凸包检测是对点集S1构成的轮廓处理获得最小凸多形,最小凸多形中的各角点和点集S1中的各轮廓点相同的均保留形成点集S2,从而将位于对虾腹部的轮廓点去除。
(4)对步骤(2)多边形逼近后的轮廓进行夹角轮廓分析,获得符合要求的轮廓点,形成点集S3;
所述步骤(4)夹角轮廓分析原理图如图6所示,具体是遍历点集S1中各轮廓点,计算每个轮廓点分别与其相邻两轮廓点之间夹角的余弦值,即求取点集S1中任意一点与相邻两点之间的夹角,设点集S1第i个轮廓点的坐标为Pi(xi,yi),xi,yi分别表示轮廓点的在图像中的横纵坐标,则余弦值计算为:
其中,为第i点与第i-1点构成的向量,为第i点与第i+1点构成的向量,θi为向量与向量的夹角,即第i点对应的夹角。
并将余弦值与夹角阈值进行比较,保留所有余弦值小于夹角阈值的轮廓点,形成点集S3。优选的,本发明通过实验多次探索设置夹角阈值为-0.40,从而能将符合要求的轮廓点保存在点集S3中。
(5)求取点集S2与点集S3的交集得到点集S4,点集S4中的轮廓点作为对虾虾头点与虾尾点。
本发明的有益效果是:
本发明能够快速有效地提取到对虾图像中的虾头点与虾尾点,能够实现对虾图像中虾头点与虾尾点的精准识别,正确识别率高,为后续对虾的完整性判别提供了方便快捷的手段。
附图说明
图1本发明的原理框图;
图2是实施例动态采集的对虾彩色图像;
图3是实施例对虾预处理之后的初始轮廓;
图4是实施例点集S1构成的分布图;
图5是实施例点集S2构成的分布图;
图6是本发明实施例的夹角轮廓分析图;
图7是实施例点集S3构成的分布图;
图8是实施例点集S4构成的分布图;
图9是实施例点集S4标记到初始轮廓分布图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明实施例如下:
试验对象:对虾,采自某水产市场。
试验实施:
1、将电脑、光源和工业相机打开,将工业相机的帧率设置在30fps,将增益设置在17.22dB,将曝光设置在1/41667sec,将程序轮廓提取的阈值设置在60,将电机打开,带动输送带转动,将输送带的速度设置在0.67m/s然后将对虾放在输送带上;当对虾进入相机视场时进行拍照,获得如图2所示的对虾彩色图像并保存图像至硬盘上;
2、所有对虾图像采集完后,对图像进行预处理,通过分离得到彩色图像的B通道灰度图,利用中值滤波,形态学开操作,可以很好地将对虾从背景中分离出来,并获得较为平滑的初始轮廓,如图3所示;
3、对初始轮廓进行多边形逼近,将多边形逼近的精度设置为6,从而将初始轮廓点个数进行约减,形成点集S1,如图4所示;
4、对多边形逼近后的轮廓进行凸包检测,可以有效地将对虾腹部的轮廓点进行去除,并将凸包检测得到的最小凸多边形的各个顶点存放在点集S2,如图5所示;
5、对多边形逼近后的轮廓进行夹角轮廓分析,如图6所示,从而将符合要求的轮廓点进行保留,形成点集S3,如图7所示;
6、求取点集S2与点集S3的交集,最终得到点集S4,如图8所示。从而确定了对虾虾头点与虾尾点。
7、将点集S4内的点标记到初始轮廓,如图9所示。
实验通过在线采集268幅完整对虾图片,采用本文所提的夹角轮廓分析法通过对比现有技术TADA轮廓分析法,得到的对虾虾头点与虾尾点的识别准确率如表1所示:
表1对虾图片虾头点与虾尾点识别准确率一览表
方法 | 夹角轮廓分析法 | TADA分析法 |
识别准确率 | 98.9% | 91.8% |
通过对比可知,本发明方法具有其突出显著的技术效果,能够大幅度有效地提高对虾图片虾头点与虾尾点的识别准确率,为后续对虾的完整性判别提供了方便快捷的手段。
Claims (7)
1.一种快速精准识别对虾图像虾头点与虾尾点的方法,其特征在于,包括以下步骤:
(1)在线采集对虾彩色图像,经过图像预处理获得对虾的初始轮廓及初始轮廓上的各个轮廓点;
(2)对初始轮廓进行多边形逼近从而将初始轮廓的轮廓点个数进行约减,约减后的轮廓点形成点集S1;
(3)对步骤(2)多边形逼近后的轮廓进行凸包检测,使得位于对虾腹部的轮廓点从点集S1中去除,形成点集S2;
(4)对步骤(2)多边形逼近后的轮廓进行夹角轮廓分析,获得符合要求的轮廓点,形成点集S3;
(5)求取点集S2与点集S3的交集得到点集S4,点集S4中的轮廓点作为对虾虾头点与虾尾点。
2.根据权利要求1所述的一种快速精准识别对虾图像虾头点与虾尾点的方法,其特征在于:所述的对虾彩色图像为包含有完整对虾并且光照均匀、白色背景的图片。
3.根据权利要求1所述的一种快速精准识别对虾图像虾头点与虾尾点的方法,其特征在于:所述步骤(4)夹角轮廓分析是遍历点集S1中各轮廓点,计算每个轮廓点分别与其相邻两轮廓点之间夹角的余弦值,并将余弦值与夹角阈值进行比较,保留所有余弦值小于夹角阈值的轮廓点,形成点集S3。
4.根据权利要求3所述的一种快速精准识别对虾图像虾头点与虾尾点的方法,其特征在于:所述夹角阈值设定为-0.40。
5.根据权利要求1所述的一种快速精准识别对虾图像虾头点与虾尾点的方法,其特征在于:所述步骤(1)图像预处理是:选用B通道对对虾彩色图像进行中值滤波以及形态学开操作,将对虾目标从图像背景中分割出来形成二值图,再采用Canny算法提取对虾目标边缘,进而得到对虾的初始轮廓及初始轮廓上的各个轮廓点。
6.根据权利要求1所述的一种快速精准识别对虾图像虾头点与虾尾点的方法,其特征在于:所述步骤(2)多边形逼近是采用Opencv中cvApproxPoly算子多次迭代进行逼近,逼近达到精度阈值后获得得到点集S1。
7.根据权利要求1所述的一种快速精准识别对虾图像虾头点与虾尾点的方法,其特征在于:所述步骤(3)凸包检测是对点集S1构成的轮廓处理获得最小凸多形,最小凸多形中的各角点和点集S1中的各轮廓点相同的均保留形成点集S2,从而将位于对虾腹部的轮廓点去除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710071131.2A CN106900601B (zh) | 2017-02-09 | 2017-02-09 | 一种快速精准识别对虾图像虾头点与虾尾点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710071131.2A CN106900601B (zh) | 2017-02-09 | 2017-02-09 | 一种快速精准识别对虾图像虾头点与虾尾点的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106900601A true CN106900601A (zh) | 2017-06-30 |
CN106900601B CN106900601B (zh) | 2020-04-17 |
Family
ID=59208232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710071131.2A Active CN106900601B (zh) | 2017-02-09 | 2017-02-09 | 一种快速精准识别对虾图像虾头点与虾尾点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106900601B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704861A (zh) * | 2017-10-23 | 2018-02-16 | 湖南轻创科技有限公司 | 图像轮廓数据结构、文字识别系统、计算机视觉系统、人工智能系统 |
CN109829465A (zh) * | 2019-01-03 | 2019-05-31 | 上海交通大学 | 一种搜寻对虾最佳吸取位置和识别尾肢特征的方法 |
CN111832532A (zh) * | 2020-07-24 | 2020-10-27 | 上海电气集团自动化工程有限公司 | 一种小龙虾位姿识别的在线视觉检测方法及系统 |
CN112674014A (zh) * | 2020-12-18 | 2021-04-20 | 浙江大学 | 一种南美白对虾个体标记识别方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1170316A (zh) * | 1996-07-09 | 1998-01-14 | 大宇电子株式会社 | 用于对视频信号中的对象的轮廓进行编码的方法和装置 |
CN103426164A (zh) * | 2013-06-09 | 2013-12-04 | 大连海事大学 | 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统 |
CN104102347A (zh) * | 2014-07-09 | 2014-10-15 | 东莞万士达液晶显示器有限公司 | 指尖定位方法及指尖定位终端 |
CN104346798A (zh) * | 2013-08-01 | 2015-02-11 | 深圳中兴力维技术有限公司 | 目标轮廓多边形逼近方法及其装置 |
CN105389586A (zh) * | 2015-10-20 | 2016-03-09 | 浙江大学 | 一种基于计算机视觉自动检测虾体完整性的方法 |
-
2017
- 2017-02-09 CN CN201710071131.2A patent/CN106900601B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1170316A (zh) * | 1996-07-09 | 1998-01-14 | 大宇电子株式会社 | 用于对视频信号中的对象的轮廓进行编码的方法和装置 |
CN103426164A (zh) * | 2013-06-09 | 2013-12-04 | 大连海事大学 | 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣系统 |
CN104346798A (zh) * | 2013-08-01 | 2015-02-11 | 深圳中兴力维技术有限公司 | 目标轮廓多边形逼近方法及其装置 |
CN104102347A (zh) * | 2014-07-09 | 2014-10-15 | 东莞万士达液晶显示器有限公司 | 指尖定位方法及指尖定位终端 |
CN105389586A (zh) * | 2015-10-20 | 2016-03-09 | 浙江大学 | 一种基于计算机视觉自动检测虾体完整性的方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704861A (zh) * | 2017-10-23 | 2018-02-16 | 湖南轻创科技有限公司 | 图像轮廓数据结构、文字识别系统、计算机视觉系统、人工智能系统 |
CN107704861B (zh) * | 2017-10-23 | 2021-07-27 | 九竹物联技术有限公司 | 用于计算机视觉系统的图像轮廓数据结构的转换模版的构造方法 |
CN109829465A (zh) * | 2019-01-03 | 2019-05-31 | 上海交通大学 | 一种搜寻对虾最佳吸取位置和识别尾肢特征的方法 |
CN109829465B (zh) * | 2019-01-03 | 2023-03-24 | 上海交通大学 | 一种搜寻对虾最佳吸取位置和识别尾肢特征的方法 |
CN111832532A (zh) * | 2020-07-24 | 2020-10-27 | 上海电气集团自动化工程有限公司 | 一种小龙虾位姿识别的在线视觉检测方法及系统 |
CN112674014A (zh) * | 2020-12-18 | 2021-04-20 | 浙江大学 | 一种南美白对虾个体标记识别方法、装置、计算机设备及存储介质 |
CN112674014B (zh) * | 2020-12-18 | 2021-12-21 | 浙江大学 | 一种南美白对虾个体标记识别方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106900601B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106900601A (zh) | 一种快速精准识别对虾图像虾头点与虾尾点的方法 | |
CN108971190B (zh) | 一种基于机器视觉的生活垃圾分拣方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN103499585A (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN103323455A (zh) | 基于反射、透视和显微图像的烟叶分级方法 | |
CN112560941A (zh) | 基于图像检测的煤矸识别方法 | |
CN107036977A (zh) | 中纤板表面色差检测方法 | |
Galsgaard et al. | Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement | |
CN103759644A (zh) | 一种滤光片表面缺陷的分离细化智能检测方法 | |
CN109800619A (zh) | 成熟期柑橘果实图像识别方法 | |
CN113313692B (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN112990103A (zh) | 一种基于机器视觉的串采二次定位方法 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
CN110648366A (zh) | 基于深度学习的橘子检测系统及分瓣方法 | |
Liu et al. | Development of a machine vision algorithm for recognition of peach fruit in a natural scene | |
CN104992448B (zh) | 机器人防损伤采摘葡萄的自动定位方法 | |
CN106991667A (zh) | 一种构建图像特征谱的对虾完整性判别方法 | |
CN103971367A (zh) | 水文资料图像分割方法 | |
CN107256549A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN113333329A (zh) | 一种基于深度学习的烟支缺陷检测系统 | |
CN115410077B (zh) | 一种基于yolov7目标检测算法实现检测烟丝杂物识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |