CN107451585B - 基于激光成像的马铃薯图像识别装置和方法 - Google Patents
基于激光成像的马铃薯图像识别装置和方法 Download PDFInfo
- Publication number
- CN107451585B CN107451585B CN201710475688.2A CN201710475688A CN107451585B CN 107451585 B CN107451585 B CN 107451585B CN 201710475688 A CN201710475688 A CN 201710475688A CN 107451585 B CN107451585 B CN 107451585B
- Authority
- CN
- China
- Prior art keywords
- image
- difference
- points
- potato
- laser
- 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
Links
Images
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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4733—Discriminating different types of scatterers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4735—Solid samples, e.g. paper, glass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于激光成像的马铃薯图像识别装置和方法。线激光发射器、计算机和工业相机均安装在光照箱内,背景板正对线激光发射器的出射端处开有条形通槽,条形通槽远离光照箱的一侧方置有反射带,待测对象放置在条形通槽靠近光照箱的一侧方;采集原始激光散射图像并进行阈值分割得到二值图像,利用二值图像确定感兴趣区域,在转化为灰度图像的感兴趣区域内提取灰度值,并绘制成激光散射灰度剖面线,再处理后得到样条曲线,在样条曲线上提取四个特征值,用提取到的特征识别待测对象。本发明大大简化了图像识别过程,减少马铃薯在收获除杂过程中的机械损伤,提高生产效率。
Description
技术领域
本发明涉及了一种生物农产品的装置和方法,尤其是涉及了一种基于激光成像的马铃薯图像识别装置和方法。
背景技术
马铃薯作为世界四大粮食作物之一,营养丰富,种植广泛,被联合国粮农组织专家认可为可以拯救人类的粮食作物。随着马铃薯种植面积和产量的不断增加,通过技术手段提高马铃薯的生产效率,已成为现代农业发展的必然需求。
目前马铃薯收获机上应用的分离部件主要是依靠物料的几何尺寸分离,大都是带有振动机构的升运链和摆动式的分离筛,但由于某些杂质(土块、石块等)与马铃薯尺寸相仿,这类分离方法无法进行彻底有效的分离,导致收获的马铃薯中仍混有大约10%左右的杂质。为减少这些杂质对马铃薯后期的运输、储藏等环节的影响,在马铃薯收获期间,一般需要进行人工辅助分拣以提高马铃薯的商品价值。
美国专利US4634881利用激光作为光源在物料抛落过程中检测杂质,用光敏探测器探测物料和背景反射回的光信号,根据异物和正常物料的信号差异进行分类识别,设计的检测装置中背景与正常物料的反射特性相同,当检测到的反射信号低于比正常物料时即判断为异物,反之则为正常的物料(Billion L.Apparatus for detecting impurities intranslucent bodies:US,US4634881[P].1987.)。
美国专利US8642910利用线阵CCD、激光或是卤素灯在物料抛落过程中检测浆果类水果中的异物,采用旋转圆柱体作为背景,背景颜色采用与正常物料相对的颜色,根据图像中目标的颜色差异对物料进行分类识别(Pellenc R,Niero R.Selective-sortingharvesting machine and sorting chain including one such machine:US,US8642910[P].2014.)。
专利WO 2014/037290 A1在利用机器视觉技术对根茎类物料进行异物识别时,为了检测出马铃薯中的异物,对采集到的目标图像进行如下处理:提取彩色图像中的目标,对每个目标所包含的像素进行颜色特征提取,对这些颜色特征对像素进行模式识别,统计目标中马铃薯像素的占比,若目标占比高于阈值时,判断目标为马铃薯,否则判断为土块或石块。阈值的大小与马铃薯表面泥土覆盖的面积相关,当马铃薯表面覆盖泥土面积较大时,阈值较大,反之阈值较小;为了识别图像中的像素,还可以利用高光谱图像信息对每个像素的谱轮廓与正常马铃薯像素的谱轮廓进行相关性分析以达到识别图像像素的目的,然后再根据统计马铃薯像素占比来判断目标是否为马铃薯(McGloughlin J,Frost J,MoynihanM.Method and apparatus for handling harvested root crops:U.S.PatentApplication 14/426,578[P].2013-8-30.)。
美国专利US5887073采用两个相同型号的彩色相机,放置在抛落轨迹的上下两侧,分别采集待测对象图像,提取图像颜色特征和形状特征,输入神经网路目标分类器中进行模式识别检测出物料中的缺陷产品(Fazzari R J,Hebel R J,Skorina F K.High speedmass flow food sorting apparatus for optically inspecting and sorting bulkfood products:US,US5887073[P].1999.)。
美国专利US20120074047A1根据不同物料的反射特性差异检测冷冻食材中异物,在400-1500nm波段范围内,选择物料的反射特性差异较大的波段作为有效波段,第一个有效波段范围是800-1200nm,或850-1110nm,或850-900nm;第二个有效波段是在1470-1570nm。检测器响应波段采用的是与有效波段相对应的相机,当判断待测对象为异物时启动空气喷射器喷出气流将异物从正常的待测对象中吹离(Deefholts B.Sorting methodand apparatus:US,US 20120074047 A1[P].2015.)。
美国专利US 8220639 B2采用三个相同型号的相机,放置在不同的位置,将其中一个相机放置在输送物料的输送带的正上方采集图像,另外两个相机安装在距离输送带较近的位置,抛落轨迹的上下两侧各安置一个。通过从不同角度采集待测对象的图像,根据待测对象的颜色、尺寸等信息判断是否为异物(Jones P T,Hoffman P L,Halmberger H G,etal.Sorting apparatus and method utilizing a mechanical diverter:US,US8220639B2[P].2012.)。
目前主流的异物检测技术主要依据物料的光学特性存在差异进行检测。根据采集信号的传感器不同,将异物检测技术分为三类。一是利用传统的光敏传感器采集光信号,一般单个光敏传感器只能实现对物料上某个点或是某个较小区域的数字信息进行测量判断,数据较少,误差较大,且无法实现对物料的精准定位,只能实现单个对象的检测;二是利用工业相机采集待测对象图像,提取目标图像特征,进行模式识别,这种方法对系统环境要求较高,参与计算的数据量较大,对硬件要求较高,效率受限;三是利用光谱仪采集目标的光谱曲线,对提取物料上某点或是某个区域的光谱曲线与正常目标的光谱曲线进行相关性分析,依据相关的程度进行识别,该方法使用的光谱仪成本较高,涉及数据量巨大,且只能实现单个对象的检测,目前暂时停留在实验室阶段。
发明内容
本发明的目的在于提出了一种基于激光成像的马铃薯图像识别装置和方法,利用机器视觉技术实现马铃薯的识别,从而判断出马铃薯和非马铃薯类。
本发明解决其技术问题所采用的技术方案是:
一、一种用于采集马铃薯激光图像的装置:
包括待测对象、光照箱、线激光发射器、计算机、工业相机、背景板和反射带;线激光发射器、计算机和工业相机均安装在光照箱内,线激光发射器放置在工业相机上方,光照箱侧端开口作为激光出射端,背景板正对线激光发射器的出射端处开有条形通槽,条形通槽远离光照箱的一侧方置有反射带,待测对象放置在条形通槽靠近光照箱的一侧方,待测对象位于线激光发射器出射端的正前方。
所述的反射带的反射面与线激光发射器出射激光之间的夹角为45度。
所述的待测对象为马铃薯、非马铃薯类块。
所述的非马铃薯类块包括土块和石块。
二、一种基于激光成像的马铃薯图像识别方法:
1)线激光发射器的出射端发出水平的线激光照射到待测对象的表面形成激光散射光斑,经待测对象散射后被工业相机采集到包含有激光散射光斑的原始激光散射图像,将原始激光散射图像进行阈值分割得到二值图像;
2)利用二值图像确定感兴趣区域;
3)将原始激光散射图像转化为灰度图像,在灰度图像的感兴趣区域内提取灰度值,并绘制成激光散射灰度剖面线,再处理后得到样条曲线;
4)在样条曲线上提取四个特征值;
5)用提取到的特征识别待测对象为马铃薯或者非马铃薯类。
所述步骤2)具体步骤是:在二值图像中寻找激光散射光斑的最大宽度处(宽度为沿图像纵向方向上的光斑尺寸)并记录,由于激光散射光斑的最大宽度可能不止一处,因此以连续最大宽度处组成作为感兴趣区域的横向范围(即以连续最大宽度处所组成的图像区域沿图像纵向方向的左右两侧分别作为感兴趣区域横向范围的左右两侧边界),由最大宽度处的上边缘点沿图像纵向方向向上延伸5倍的最大宽度作为感兴趣区域纵向范围的上边界,由最大宽度处的下边缘点沿图像纵向方向向下延伸5倍的最大宽度作为感兴趣区域纵向范围的下边界,由此构建形成感兴趣区域。
所述步骤3)具体步骤是:在原始激光散射图像转化为灰度图像后的感兴趣区域内,自上而下提取感兴趣区域沿图像横向方向位于中间位置的灰度值,并按次序绘制在平面坐标图上得到激光散射灰度剖面线,对激光散射灰度剖面线先后依次进行高斯平滑滤波和样条插值,得到样条曲线。
样条曲线实质是由滤波差值后的各个离散点连接构成。
所述步骤4)具体步骤是:
在样条曲线上寻找并记录最高点坐标(um,vm),再寻找并记录样条曲线上纵坐标为0.9vm的两个点坐标、纵坐标为0.1vm的两个点坐标、纵坐标为0.8vm的两个点坐标和纵坐标为0.2vm的两个点坐标,然后采用以下方式提取四个特征值:
记纵坐标为0.9vm两个点的横坐标之间的差值与纵坐标为0.1vm两个点的横坐标之间的差值之比为第一宽比,纵坐标为0.8vm两个点的横坐标之间的差值与纵坐标为0.2vm两个点的横坐标之间的差值之比为第二宽比;
以0.9vm纵坐标值作为样条曲线的高h,以纵坐标为0.1vm两个点的横坐标之间的差值作为样条曲线的宽w,记样条曲线的高h与宽w的比值为第一高宽比;
对样条曲线进行差分得到差分曲线,在差分曲线上查找并记录差分值为5的两个点分别到样条曲线上所对应的点作为正差分点,查找并记录差分值为-5的两个点分别到样条曲线上所对应的点作为负差分点,计算两个正差分点的纵坐标之间的差值与两个负差分点的纵坐标之间的差值的平均值,横坐标较小的正差分点和横坐标较大的负差分点的横坐标之间的差值作为差分差值,记平均值和差分差值的比值为第二高宽比。
对样条曲线进行差分得到差分曲线是以计算样条曲线上的斜率来差分,具体是求取样条曲线上前后相邻两坐标点的纵坐标差值与横坐标差值的比值作为差分曲线的纵坐标,样条曲线的横坐标为差分曲线的横坐标。
所述步骤5)具体为:
5.1)先以已知确定且各自同等数量的马铃薯、土块、石块的三类对象作为待测对象,采用步骤1)-4)进行处理获得每个对象各自的四个特征值,并对三类对象分别构建各自的样本数据矩阵,并计算样本数据矩阵协方差矩阵和均值矩阵;
5.2)接着以未知需要确定是否为马铃薯的对象作为待测对象,采用步骤1)-4)进行处理获得四个特征值,用四个特征值构建待测对象矩阵R,计算待测对象矩阵R分别与马铃薯、土块、石块三类对象的协方差矩阵和均值矩阵之间的马氏距离Dp、Dc、Ds,三个马氏距离Dp、Dc、Ds中最小值为Dp,则对象识别为马铃薯,否则不为马铃薯。
所述步骤5.2)中的马氏距离具体采用以下公式计算:
其中,Dp分别表示待测对象矩阵R和马铃薯所对应的协方差矩阵和均值矩阵之间的马氏距离,Dc分别表示待测对象矩阵R和土块所对应的协方差矩阵和均值矩阵之间的马氏距离,Ds分别表示待测对象矩阵R和石块所对应的协方差矩阵和均值矩阵之间的马氏距离;SP、Sc、Ss分别表示马铃薯、土块、石块三类对象的协方差矩阵,μp、μc、μs分别表示马铃薯、土块、石块三类对象的均值矩阵,T表示矩阵转置。
本发明的有益效果是:
本发明采用传感器方式和工业相机相结合来采集待测图像,并采用特殊的简化算法来识别马铃薯,使识别马铃薯的问题变得简单,使用图像处理的方式准确识别出马铃薯,判断出需要剔除的非马铃薯物料,避免需要识别多种目标的繁琐,减少传统机械筛选对马铃薯的损伤,提高识别效率,并且具有非常高的识别准确精度。
附图说明
图1是本发明的装置结构示意图;
图2是实施例的原始图像;
图3是二值图像;
图4是感兴趣区域标记图像;
图5是灰度采样线标记图像;
图6是马铃薯的激光散射灰度剖面线图像;
图7是土块的激光散射灰度剖面线图像;
图8是石块的激光散射灰度剖面线图像;
图9是剖面线宽比r1示意图;
图10是剖面线高宽比r3示意图;
图11是剖面线高宽比r4示意图。
图中:1、待测对象,2、光照箱,3、线激光发射器,4、计算机,5、工业相机,6、背景板,7、反射带。
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。
如图1所示,本发明具体实施包括待测对象1、光照箱2、线激光发射器3、计算机4、工业相机5、背景板6和反射带7;线激光发射器3、计算机4和工业相机5均安装在光照箱2内,线激光发射器3放置在工业相机5上方,光照箱2侧端开口作为激光出射端,背景板6正对置于光照箱2的出射侧,背景板6正对线激光发射器3的出射端处开有条形通槽,条形通槽远离光照箱2的一侧方置有反射带7,待测对象1放置在条形通槽靠近光照箱2的一侧方,位于工业相机5和背景板6之间,待测对象1位于线激光发射器3出射端的正前方。
工作时,若有待测对象1布置在工业相机5和背景板6之间,线激光发射器3的出射端发出线激光照射到待测对象1的表面,经待测对象1散射后被工业相机5采集,获得待测对象1的原始图像。若工业相机5和背景板6之间未设有待测对象1,线激光发射器3发出的平行光通过背景板6的开口照射到反射带7上,激光光线经过反射作用反射出去,工业相机5无法采集到待测对象1的原始图像。
参照图2-图11,本发明方法的步骤如下:
1)线激光发射器3的出射端发出水平的线激光照射到待测对象1的表面形成激光散射光斑,经待测对象1散射后被工业相机5采集到包含有激光散射光斑的原始激光散射图像,如图2所示;
2)图像二值化。对原始图像进行阈值分割,得到如图3所示的二值图像。
3)确定激光散射光斑横向范围。对二值图像提取轮廓坐标(x1,y1),(x2,y2),…,(xn,yn),取轮廓横坐标的最小值xmin和最大值xmax。
4)确定激光散射光斑宽度。如公式1所式,建立一个行数为xmax-xmin-1、列数为4的矩阵data,在矩阵data第1列从第1行依次写入xmin+1,xmin+2,…,xmax-1,并按照从小到大标记为[X1 X2 … XN]T(X1=xmin+1,X2=xmin+2,XN=xmax-1,N=xmax-xmin-1)。在轮廓坐标中依次搜寻横坐标值为Xi(i=1,2,…N)的两个坐标点,将两个坐标点的纵坐标分别标记为Yiup和Yidown,并记入矩阵data的第i行的第2列和第3列。将Yiup和Yidown的差值△Yi记为激光散射光斑在Xi处的宽度记入第i行的第4列。
5)确定感兴趣区域。在矩阵data的第4列中搜寻最大值并标记为激光散射光斑的最大宽度Wmax,最大宽度Wmax在矩阵data第一列所对应的值的范围按从小到大的次序记为Xstart~Xend,作为感兴趣区域的横向范围,将Xstart~Xend中间点横坐标标记为Xmid,将Xmid对应两个轮廓点纵坐标标记为Ymidup和Ymiddown。如图4所示,在原始图像上取左上角为(Xstart,Ymidup-5×Wmax)和右下角为(Xend,Ymiddown+5×Wmax)的矩形区域作为感兴趣区域。
6)将原始图像转为灰度图像,提取激光散射灰度值。如图5所示,在原始图像中的感兴趣区域内,提取横坐标为Xmid的采样线上的灰度值,并按自上而下的次序依次记录至向量I中。
7)确定激光散射灰度剖面线。将向量I按次序绘制在平面坐标图上,得到激光散射灰度剖面线,对其进行高斯平滑滤波后,再进行样条插值,得到样条曲线LB,样条曲线LB坐标为(u1,v1),(u2,v2),…,(up,vp),记样条曲线上最高点坐标(um,vm)。图6-图8分别是马铃薯、土块、石块样本的激光散射灰度剖面线。
8)计算第一宽比r1。如图9所示,在(u1,v1)和(um,vm)间分别查找纵坐标值为0.9vm和0.1vmm的点,分别记录为(u09L,v09L)和(u01L,v01L),在(um,vm)和(up,vp)间分别查找纵坐标值为0.9vm和0.1vm的点,分别记录为(u09R,v09R)和(u01R,v01R),按公式(2)计算宽比r1。
r1=u09R-u09L/u01R-u01L (2)
9)计算第二宽比r2。在(u1,v1)和(um,vm)间分别查找纵坐标值为0.8vm和0.2vm的点,分别记录为(u08L,v08L)和(u02L,v02L),在(um,vm)和(up,vp)间分别查找纵坐标值为0.8vm和0.2vm的点,分别记录为(u08R,v08R)和(u02R,v02R),按公式(3)计算宽比r2。
r2=u08R-u08L/u02R-u02L (3)
10)计算第一高宽比r3。如图10所示,取h和w,按公式(4-6)计算高宽比r3。
r3=h/w (4)
h=vm-(v01R+v01L)/2 (5)
w=u01R-u01L (6)
11)计算第二高宽比r4。如图11所示,对样条曲线进行差分,得到差分曲线。在差分曲线上查找差分值为5的点在样条曲线上所对应的点,记录(u5L,v5L)和(u5R,v5R),在差分曲线上查找差分值为-5的点在样条曲线上所对应的点,记录为(u-5L,v-5L)和(u-5R,v-5R),按公式(7)计算高宽比r4。
r4=[(v5R-v5L)+(v-5L-v-5R)]/[2((u-5R-u5L))] (7)
12)在对待测目标1进行识别前,分别取n个同等数量的马铃薯、土块、石块的四个比值r1,r2,r3,r4,构成3个n*4的样本数据矩阵,标记为Rp、Rc、Rs,计算样本集的协方差矩阵SP、Sc、Ss,均值矩阵μp、μc、μs。
13)分别计算待测目标1的待测对象矩阵R与上述计算的三种目标的协方差矩阵和均值矩阵的马氏距离Dp、Dc、Ds,构成矩阵M,按公式(8)-公式(11)计算Dp、Dc、Ds、M。
M=[Dp DcDs] (8)
若待待测目标1的min{M}为Dp,则该待测目标1识别为马铃薯,若min{M}不是Dp,则待测目标1识别为非马铃薯类。
三个马氏距离Dp、Dc、Ds中哪个值最小,则对象为该最小马氏距离对应的物体对象。即马氏距离Dp最小,则为马铃薯;马氏距离Dc最小,则为土块;马氏距离Ds最小,则为石块。
本实施采用240个马铃薯、156个土块和163石块以同样方式处理后来验证本发明方法,结果准确性如下:
表1
马铃薯 | 非马铃薯 | 精确度 | |
马铃薯 | 238/240 | 2/240 | 99.17% |
土块 | 0/156 | 156/156 | 100.00% |
石块 | 0/163 | 163/163 | 100.00% |
上表中可以看出,本发明能够在马铃薯、石块和土块中准确检测马铃薯,准确度达到99.17%,同时能够准确鉴别出土块和石块的非马铃薯类。
Claims (4)
1.一种基于激光成像的马铃薯图像识别方法,其特征在于:该方法采用以下装置实现,装置包括待测对象(1)、光照箱(2)、线激光发射器(3)、计算机(4)、工业相机(5)、背景板(6)和反射带(7);线激光发射器(3)、计算机(4)和工业相机(5)均安装在光照箱(2)内,线激光发射器(3)放置在工业相机(5)上方,光照箱(2)侧端开口作为激光出射端,背景板(6)正对线激光发射器(3)的出射端处开有条形通槽,条形通槽远离光照箱(2)的一侧方置有反射带(7),待测对象(1)放置在条形通槽靠近光照箱(2)的一侧方,待测对象(1)位于线激光发射器(3)出射端的正前方;
该方法的步骤如下:
1)线激光发射器(3)的出射端发出水平的线激光照射到待测对象(1)的表面形成激光散射光斑,经待测对象(1)散射后被工业相机(5)采集到包含有激光散射光斑的原始激光散射图像,将原始激光散射图像进行阈值分割得到二值图像;
2)利用二值图像确定感兴趣区域;
3)将原始激光散射图像转化为灰度图像,在灰度图像的感兴趣区域内提取灰度值,并绘制成激光散射灰度剖面线,再处理后得到样条曲线;
4)在样条曲线上提取四个特征值;
步骤4)具体为:
在样条曲线上寻找并记录最高点坐标(um,vm),再寻找并记录样条曲线上纵坐标为0.9vm的两个点坐标、纵坐标为0.1vm的两个点坐标、纵坐标为0.8vm的两个点坐标和纵坐标为0.2vm的两个点坐标,然后采用以下方式提取四个特征值:
记纵坐标为0.9vm两个点的横坐标之间的差值与纵坐标为0.1vm两个点的横坐标之间的差值之比为第一宽比,纵坐标为0.8vm两个点的横坐标之间的差值与纵坐标为0.2vm两个点的横坐标之间的差值之比为第二宽比;
以0.9vm纵坐标值作为样条曲线的高h,以纵坐标为0.1vm两个点的横坐标之间的差值作为样条曲线的宽w,记样条曲线的高h与宽w的比值为第一高宽比;
对样条曲线进行差分得到差分曲线,在差分曲线上查找并记录差分值为5的两个点分别到样条曲线上所对应的点作为正差分点,查找并记录差分值为-5的两个点分别到样条曲线上所对应的点作为负差分点,计算两个正差分点的纵坐标之间的差值与两个负差分点的纵坐标之间的差值的平均值,横坐标较小的正差分点和横坐标较大的负差分点的横坐标之间的差值作为差分差值,记平均值和差分差值的比值为第二高宽比;
5)用提取到的特征值识别待测对象(1)为马铃薯或者非马铃薯类;
步骤5)具体为:
5.1)先以已知确定且各自同等数量的马铃薯、土块、石块的三类对象作为待测对象,采用步骤1)-4)进行处理获得每个对象各自的四个特征值,并对三类对象分别构建各自的样本数据矩阵,并计算样本数据矩阵协方差矩阵和均值矩阵;
5.2)接着以未知且需要确定是否为马铃薯的对象作为待测对象,采用步骤1)-4)进行处理获得四个特征值,用四个特征值构建待测对象矩阵R,计算待测对象矩阵R分别与马铃薯、土块、石块三类对象的协方差矩阵和均值矩阵之间的马氏距离Dp、Dc、Ds,三个马氏距离Dp、Dc、Ds中最小值为Dp,则对象识别为马铃薯,否则不为马铃薯。
2.根据权利要求1所述的一种基于激光成像的马铃薯图像识别方法,其特征在于:步骤2)具体步骤是:在二值图像中寻找激光散射光斑的最大宽度处并记录,以连续最大宽度处组成作为感兴趣区域的横向范围,由最大宽度处的上边缘点沿图像纵向方向向上延伸5倍的最大宽度作为感兴趣区域纵向范围的上边界,由最大宽度处的下边缘点沿图像纵向方向向下延伸5倍的最大宽度作为感兴趣区域纵向范围的下边界,由此构建形成感兴趣区域。
3.根据权利要求1所述的一种基于激光成像的马铃薯图像识别方法,其特征在于:步骤3)具体步骤是:在原始激光散射图像转化为灰度图像后的感兴趣区域内,自上而下提取感兴趣区域沿图像横向方向位于中间位置的灰度值,并按次序绘制在平面坐标图上得到激光散射灰度剖面线,对激光散射灰度剖面线先后依次进行高斯平滑滤波和样条插值,得到样条曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710475688.2A CN107451585B (zh) | 2017-06-21 | 2017-06-21 | 基于激光成像的马铃薯图像识别装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710475688.2A CN107451585B (zh) | 2017-06-21 | 2017-06-21 | 基于激光成像的马铃薯图像识别装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451585A CN107451585A (zh) | 2017-12-08 |
CN107451585B true CN107451585B (zh) | 2023-04-18 |
Family
ID=60486684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710475688.2A Active CN107451585B (zh) | 2017-06-21 | 2017-06-21 | 基于激光成像的马铃薯图像识别装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451585B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018127846A1 (de) * | 2018-11-07 | 2020-05-07 | Grimme Landmaschinenfabrik Gmbh & Co. Kg | Verfahren zur Regelung des Betriebs einer Maschine zum Ernten von Hackfrüchten |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1844900A (zh) * | 2006-04-10 | 2006-10-11 | 浙江大学 | 基于激光图像的水果表面缺陷检测方法及装置 |
CN103177445A (zh) * | 2013-03-13 | 2013-06-26 | 浙江大学 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
CN103455999A (zh) * | 2012-06-05 | 2013-12-18 | 北京工业大学 | 基于内超声图像序列的血管壁边缘自动检测方法 |
CN105300895A (zh) * | 2015-11-05 | 2016-02-03 | 浙江大学 | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 |
CN106228612A (zh) * | 2016-07-11 | 2016-12-14 | 浙江大学 | 利用定轴旋转轮廓图重建马铃薯三维表面的方法和装置 |
CN106355615A (zh) * | 2016-08-31 | 2017-01-25 | 惠州学院 | 一种基于hog与svm的马铃薯定位方法 |
CN106682586A (zh) * | 2016-12-03 | 2017-05-17 | 北京联合大学 | 一种复杂光照条件下基于视觉的实时车道线检测的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7158660B2 (en) * | 2002-05-08 | 2007-01-02 | Gee Jr James W | Method and apparatus for detecting structures of interest |
-
2017
- 2017-06-21 CN CN201710475688.2A patent/CN107451585B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1844900A (zh) * | 2006-04-10 | 2006-10-11 | 浙江大学 | 基于激光图像的水果表面缺陷检测方法及装置 |
CN103455999A (zh) * | 2012-06-05 | 2013-12-18 | 北京工业大学 | 基于内超声图像序列的血管壁边缘自动检测方法 |
CN103177445A (zh) * | 2013-03-13 | 2013-06-26 | 浙江大学 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
CN105300895A (zh) * | 2015-11-05 | 2016-02-03 | 浙江大学 | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 |
CN106228612A (zh) * | 2016-07-11 | 2016-12-14 | 浙江大学 | 利用定轴旋转轮廓图重建马铃薯三维表面的方法和装置 |
CN106355615A (zh) * | 2016-08-31 | 2017-01-25 | 惠州学院 | 一种基于hog与svm的马铃薯定位方法 |
CN106682586A (zh) * | 2016-12-03 | 2017-05-17 | 北京联合大学 | 一种复杂光照条件下基于视觉的实时车道线检测的方法 |
Non-Patent Citations (2)
Title |
---|
D. Lorente等.Laser-light backscattering imaging for early decay detection in citrus fruit using both a statistical and a physical model.《Journal of Food Engineering》.2015,全文. * |
郏东耀等.基于红外多波长透反射成像的相似异物检测新方法.《红外与毫米波学报》.2008,第2008卷(第2008期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN107451585A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress | |
Li et al. | Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods | |
WO2019174572A1 (zh) | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 | |
Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
Blasco et al. | Automatic sorting of satsuma (Citrus unshiu) segments using computer vision and morphological features | |
Xiao-bo et al. | In-line detection of apple defects using three color cameras system | |
Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
ElMasry et al. | In-line sorting of irregular potatoes by using automated computer-based machine vision system | |
Xing et al. | Combination of chemometric tools and image processing for bruise detection on apples | |
Patil et al. | Leaf disease severity measurement using image processing | |
Noordam et al. | High-speed potato grading and quality inspection based on a color vision system | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
Li et al. | Detection of early decayed oranges based on multispectral principal component image combining both bi-dimensional empirical mode decomposition and watershed segmentation method | |
US9588098B2 (en) | Optical method and apparatus for identifying wood species of a raw wooden log | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
Alfatni et al. | Real-time oil palm FFB ripeness grading system based on ANN, KNN and SVM classifiers | |
Si et al. | Image-based automated potato tuber shape evaluation | |
CN107451585B (zh) | 基于激光成像的马铃薯图像识别装置和方法 | |
CN110991469B (zh) | 一种水果可溶性固形物在线检测方法及系统 | |
CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
Ni et al. | Convolution neural network based automatic corn kernel qualification | |
Ünal et al. | Detection of bruises on red apples using deep learning models | |
Syazwan et al. | Categorization of watermelon maturity level based on rind features | |
Song et al. | Design and experiment of a sorting system for haploid maize kernel |
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 |