CN107807126A - 一种基于pcnn的面粉麸星检测方法 - Google Patents
一种基于pcnn的面粉麸星检测方法 Download PDFInfo
- Publication number
- CN107807126A CN107807126A CN201711009202.2A CN201711009202A CN107807126A CN 107807126 A CN107807126 A CN 107807126A CN 201711009202 A CN201711009202 A CN 201711009202A CN 107807126 A CN107807126 A CN 107807126A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- pcnn
- munderover
- 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.)
- Pending
Links
Classifications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开的一种基于PCNN的面粉麸星检测方法,包括以下步骤:步骤1:选择小麦籽粒,对小麦籽粒进行预处理,将预处理后的小麦籽粒进行加工;步骤2:采集面粉图像,进行灰度化处理,采用PCNN图像处理算法对处理后的图像进行检测。本发明对图像进行灰度熵变换并映射成熵值图像,将麸星在熵值图像中进行了加强,利用PCNN对熵值图像进行迭代处理,根据图像灰度和空间特性设置PCNN网络参数,根据最小交叉熵判定最优迭代次数,本发明具有较好的检测灵敏度,减少了漏检。
Description
技术领域
本发明属于食品加工技术领域,涉及一种基于PCNN的面粉麸星检测方法。
背景技术
面粉麸是小麦的种皮。小麦的种子,也就是收获的小麦颗粒,是由包裹在表面的种皮,饱含淀粉和蛋白质和胚乳,和藏在中间的胚芽组成的。其中,胚乳和胚芽磨碎后就是我们吃的面粉。种皮是褐色的,含有大量的纤维素,口感很粗糙,在磨面粉前要先去除。如果不去除种皮就一起磨成面粉,面粉呈灰黑色,吃的时候口感很硬,很粗糙。在磨面粉前去除掉的种皮就是麦麸。
面粉麸星是成品面粉中肉眼可见、颜色深于面粉的斑点,其主要成分是小麦加工过程中未分离出去的小麦麸皮。由于面粉麸星不但会影响到面粉的纯度和白度,也将关系面粉生产工艺过程中其他相关指标。因此,面粉麸星的精确检测是面粉加工过程中的重要环节。
传统的麸星检测方法是操作人员利用放大镜直接查找视野范围内能见的麸星并统计个数。该方式不仅检测效率极低,且易受疲劳。
发明内容
本发明的目的在于提供一种基于PCNN的面粉麸星检测方法,能够精确的检测出面粉中麸星,对不明显的麸星位置可以准确分割的目的。
本发明所采用的技术方案是:一种基于PCNN的面粉麸星检测方法,步骤1:选择小麦籽粒,对小麦籽粒进行预处理,将预处理后的小麦籽粒进行加工;
步骤2:采集面粉图像,进行灰度化处理,采用PCNN图像处理算法对处理后的图像进行检测。
本发明的特点还在于,
步骤1中,对选择的水润小麦籽粒进行润麦,常温放置16~18h,使小麦籽粒含水量达到15~20%。
步骤2中,采集面粉图像,对采集的图像进行灰度化处理,采用PCNN图像处理算法对处理后的图像进行检测包括以下具体步骤:
步骤2.1:选择一幅大小M×N的图像进行灰度化处理;
步骤2.2:对面粉图像进行灰度熵变换并进行比例映射,生成熵值灰度图,设fij为图像中点(i,j)处的灰度值,图像中的灰度熵Sf为:
式中,pij为图像的灰度分布,
步骤2.3:设置PCNN网络的连接权值ωijkl、连接强度系数βij、阈值调整步长Δ参数以及迭代次数n;
连接权值ωijkl,表示相邻神经元的输出脉冲对神经元的影响程度,设fij临近的图像点为(i+k,j+k),根据图像自身的灰度和空间特性进行设定:
式中:dgrey(k,l)表示像素(i,j)和(i+k,j+l)的灰度绝对差;dspace(k,l)表示两像素的欧式距离;
连接强度系数βij是控制fij被提升的幅度,其公式为:
式中:Vij、Mij分别表示像素(i,j)所在领域内像素灰度值的方差和均值;
阈值调整步长Δ,公式为Δ=1/nmax (6)
式中:nmax为最大的迭代次数设定;
步骤2.4:根据已设置的PCNN网络参数对面粉的熵值灰度图进行自动分割;
步骤2.5:根据最小交叉熵计算最佳迭代次数,并输出分割图像结果,对分割结果分析判断面粉中的麸星是否合格;计算机定义图像和分割结果之间的交叉熵为:
式中:f为图像灰度,h(f)为图像灰度统计直方图,G为图像灰度上界,t∈[0,255]为假定的阈值,μ1(t)为假定阈值下目标的平均灰度、μ2(t)分别为假定阈值下背景的平均灰度。
步骤2.5中,μ1(t)和μ2(t)公式为
步骤2.1中,选择一幅大小M×N的图像进行灰度化处理,公式如下:
R1=G1=B1=max(R,G,B) (1)
式中,R1、G1、B1,为转换后的像素值;R、G、B为转换前的像素值。
本发明的有益效果是:本发明的一种基于PCNN的面粉麸星检测方法,对图像进行灰度熵变换并映射成熵值图像,将麸星在熵值图像中进行了加强,利用PCNN对熵值图像进行迭代处理,根据图像灰度和空间特性设置PCNN网络参数,根据最小交叉熵判定最优迭代次数,本发明具有较好的检测灵敏度,减少了漏检。
附图说明
图1是本发明一种基于PCNN的面粉麸星检测方法的摄像机实际采集的面粉图;
图2是本发明一种基于PCNN的面粉麸星检测方法的面粉图像进行灰度熵变换图;
图3是本发明一种基于PCNN的面粉麸星检测方法的为交叉熵与迭代次数的曲线图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种基于PCNN的面粉麸星检测方法,包括以下步骤:
步骤1:选择小麦籽粒,对小麦籽粒进行预处理,将预处理后的小麦籽粒进行加工;
步骤2:采集面粉图像,进行灰度化处理,采用PCNN图像处理算法对处理后的图像进行检测。
步骤1中,对选择的水润小麦籽粒进行润麦,常温放置16~18h,使小麦籽粒含水量达到15~20%。
步骤2中,采集面粉图像,对采集的图像进行灰度化处理,采用PCNN图像处理算法对处理后的图像进行检测包括以下具体步骤:
步骤2.1:选择一幅大小M×N的图像进行灰度化处理,公式如下:
R1=G1=B1=max(R,G,B) (1)
式中,R1、G1、B1,为转换后的像素值;R、G、B为转换前的像素值;
步骤2.2:对面粉图像进行灰度熵变换并进行比例映射,生成熵值灰度图,设fij为图像中点(i,j)处的灰度值,图像中的灰度熵Sf为:
式中,pij为图像的灰度分布,
步骤2.3:设置PCNN网络的连接权值ωijkl、连接强度系数βij、阈值调整步长Δ参数以及迭代次数n;
连接权值ωijkl,表示相邻神经元的输出脉冲对神经元的影响程度,若领域内的像素与其越相近,则相应的影响程度也就越大;设fij临近的图像点为(i+k,j+k),根据图像自身的灰度和空间特性进行设定:
式中:dgrey(k,l)表示像素(i,j)和(i+k,j+l)的灰度绝对差;dspace(k,l)表示两像素的欧式距离。若两像素间灰度差异越大或空间距离越大,其影响程度越低。
连接强度系数βij是控制fij被提升的幅度,其公式为:
式中:Vij、Mij分别表示像素(i,j)所在领域内像素灰度值的方差和均值。
阈值调整步长Δ,公式为Δ=1/nmax (6)
式中:nmax为最大的迭代次数设定。
步骤2.4:根据已设置的PCNN网络参数对面粉的熵值灰度图进行自动分割。
步骤2.5:根据最小交叉熵计算最佳迭代次数,并输出分割图像结果,对分割结果分析判断面粉中的麸星是否合格;计算机定义图像和分割结果之间的交叉熵为:
式中:f为图像灰度,h(f)为图像灰度统计直方图,G为图像灰度上界,t∈[0,255]为假定的阈值,μ1(t)为假定阈值下目标的平均灰度、μ2(t)分别为假定阈值下背景的平均灰度,μ1(t)和μ2(t)公式为
如图1所示,为摄像机实际采集的面粉,肉眼可以很直观的看出面粉当中存在一些深色麦麸斑点,如图2所示,面粉图像进行局部灰度熵变换,得到对应的熵值图像,麸星在对应熵值中得到了加强。采用PCNN对熵值图像进行分割,通过计算机定义图像和分割结果之间的交叉熵公式(7)计算最优迭代次数,如图3所示,为交叉熵与迭代次数的曲线图,可看出该曲线为单峰曲线,便可唯一确定出最优迭代次数。PCNN的网络参数可根据步骤2.3的公式(4)~公式(6)确定,并输出分割图像结果,判断是否合格。
通过上述方式,本发明的基于PCNN的面粉麸星检测方法,对图像进行灰度熵变换并映射成熵值图像,将麸星在熵值图像中进行了加强,利用PCNN对熵值图像进行迭代处理,根据图像灰度和空间特性设置PCNN网络参数,根据最小交叉熵判定最优迭代次数,本发明具有较好的检测灵敏度,减少了漏检。
Claims (5)
1.一种基于PCNN的面粉麸星检测方法,其特征在于,
步骤1:选择小麦籽粒,对小麦籽粒进行预处理,将预处理后的小麦籽粒进行加工;
步骤2:采集面粉图像,进行灰度化处理,采用PCNN图像处理算法对处理后的图像进行检测。
2.如权利要求1所述的一种基于PCNN的面粉麸星检测方法,其特征在于,所述步骤1中,对选择的水润小麦籽粒进行润麦,常温放置16~18h,使小麦籽粒含水量达到15~20%。
3.如权利要求1所述的一种基于PCNN的面粉麸星检测方法,其特征在于,步骤2中,采集面粉图像,对采集的图像进行灰度化处理,采用PCNN图像处理算法对处理后的图像进行检测包括以下具体步骤:
步骤2.1:选择一幅大小M×N的图像进行灰度化处理;
步骤2.2:对面粉图像进行灰度熵变换并进行比例映射,生成熵值灰度图,设fij为图像中点(i,j)处的灰度值,图像中的灰度熵Sf为:
<mrow>
<msub>
<mi>S</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>lgp</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,pij为图像的灰度分布,
步骤2.3:设置PCNN网络的连接权值ωijkl、连接强度系数βij、阈值调整步长Δ参数以及迭代次数n;
连接权值ωijkl,表示相邻神经元的输出脉冲对神经元的影响程度,设fij临近的图像点为(i+k,j+k),根据图像自身的灰度和空间特性进行设定:
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>e</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>a</mi>
<mi>c</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
</munder>
<mn>1</mn>
<mo>/</mo>
<mo>(</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>e</mi>
<mi>y</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>a</mi>
<mi>c</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:dgrey(k,l)表示像素(i,j)和(i+k,j+l)的灰度绝对差;dspace(k,l)表示两像素的欧式距离;
连接强度系数βij是控制fij被提升的幅度,其公式为:
<mrow>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<msub>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</msqrt>
<mo>/</mo>
<msub>
<mi>M</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:Vij、Mij分别表示像素(i,j)所在领域内像素灰度值的方差和均值;
阈值调整步长Δ,公式为Δ=1/nmax (6)
式中:nmax为最大的迭代次数设定;
步骤2.4:根据已设置的PCNN网络参数对面粉的熵值灰度图进行自动分割;
步骤2.5:根据最小交叉熵计算最佳迭代次数,并输出分割图像结果,对分割结果分析判断面粉中的麸星是否合格;计算机定义图像和分割结果之间的交叉熵为:
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>t</mi>
</munderover>
<mo>&lsqb;</mo>
<mi>f</mi>
<mo>&times;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>lg</mi>
<mfrac>
<mi>f</mi>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>lg</mi>
<mfrac>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>f</mi>
</mfrac>
<mo>&rsqb;</mo>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>G</mi>
</munderover>
<mo>&lsqb;</mo>
<mi>f</mi>
<mo>&times;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>lg</mi>
<mfrac>
<mi>f</mi>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>lg</mi>
<mfrac>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>f</mi>
</mfrac>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:f为图像灰度,h(f)为图像灰度统计直方图,G为图像灰度上界,t∈[0,255]为假定的阈值,μ1(t)为假定阈值下目标的平均灰度、μ2(t)分别为假定阈值下背景的平均灰度。
4.如权利要求3所述的一种基于PCNN的面粉麸星检测方法,其特征在于,步骤2.5中,μ1(t)和μ2(t)公式为
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>t</mi>
</munderover>
<mi>f</mi>
<mo>&times;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>t</mi>
</munderover>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>G</mi>
</munderover>
<mi>f</mi>
<mo>&times;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>G</mi>
</munderover>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
5.如权利要求3所述的一种基于PCNN的面粉麸星检测方法,其特征在于,步骤2.1中,选择一幅大小M×N的图像进行灰度化处理,公式如下:
R1=G1=B1=max(R,G,B) (1)
式中,R1、G1、B1,为转换后的像素值;R、G、B为转换前的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711009202.2A CN107807126A (zh) | 2017-10-25 | 2017-10-25 | 一种基于pcnn的面粉麸星检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711009202.2A CN107807126A (zh) | 2017-10-25 | 2017-10-25 | 一种基于pcnn的面粉麸星检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107807126A true CN107807126A (zh) | 2018-03-16 |
Family
ID=61592443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711009202.2A Pending CN107807126A (zh) | 2017-10-25 | 2017-10-25 | 一种基于pcnn的面粉麸星检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107807126A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100350A (zh) * | 2018-08-21 | 2018-12-28 | 珠海市博恩科技有限公司 | 一种面粉麸星检测方法 |
CN113109240A (zh) * | 2021-04-08 | 2021-07-13 | 国家粮食和物资储备局标准质量中心 | 一种计算机实施的粮食不完善粒测定方法和系统 |
CN115862006A (zh) * | 2023-03-01 | 2023-03-28 | 山东长有面粉有限公司 | 一种面粉磨粉过程中麸星的检测方法 |
CN116071351A (zh) * | 2023-03-06 | 2023-05-05 | 山东金利康面粉有限公司 | 基于面粉麸星识别的面粉质量视觉检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069807A (zh) * | 2015-08-28 | 2015-11-18 | 西安工程大学 | 一种基于图像处理的冲压工件缺陷检测方法 |
CN107154048A (zh) * | 2017-05-09 | 2017-09-12 | 中国科学院遥感与数字地球研究所 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
-
2017
- 2017-10-25 CN CN201711009202.2A patent/CN107807126A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069807A (zh) * | 2015-08-28 | 2015-11-18 | 西安工程大学 | 一种基于图像处理的冲压工件缺陷检测方法 |
CN107154048A (zh) * | 2017-05-09 | 2017-09-12 | 中国科学院遥感与数字地球研究所 | 一种脉冲耦合神经网络模型的遥感图像分割方法及装置 |
Non-Patent Citations (2)
Title |
---|
傅军栋 等: "《实景图像拼接及其漫游控制技术》", 30 June 2011, 成都:西南交通大学出版社 * |
陈天飞 等: "基于PCNN的面粉麸星检测方法", 《中国粮油学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100350A (zh) * | 2018-08-21 | 2018-12-28 | 珠海市博恩科技有限公司 | 一种面粉麸星检测方法 |
CN113109240A (zh) * | 2021-04-08 | 2021-07-13 | 国家粮食和物资储备局标准质量中心 | 一种计算机实施的粮食不完善粒测定方法和系统 |
CN113109240B (zh) * | 2021-04-08 | 2022-09-09 | 国家粮食和物资储备局标准质量中心 | 一种计算机实施的粮食不完善粒测定方法和系统 |
CN115862006A (zh) * | 2023-03-01 | 2023-03-28 | 山东长有面粉有限公司 | 一种面粉磨粉过程中麸星的检测方法 |
CN116071351A (zh) * | 2023-03-06 | 2023-05-05 | 山东金利康面粉有限公司 | 基于面粉麸星识别的面粉质量视觉检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patil et al. | Leaf disease severity measurement using image processing | |
CN107807126A (zh) | 一种基于pcnn的面粉麸星检测方法 | |
El-Faki et al. | Weed detection using color machine vision | |
Sun et al. | A method for rapid identification of rice origin by hyperspectral imaging technology | |
Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
Ganatra et al. | A survey on diseases detection and classification of agriculture products using image processing and machine learning | |
CN106525732B (zh) | 基于高光谱成像技术的苹果内外品质快速无损检测方法 | |
CN104535588B (zh) | 基于安卓系统的鸡蛋新鲜度无损检测系统及其检测方法 | |
Taghadomi-Saberi et al. | Determination of Cherry Color Parameters during Rip ening by Artificial Neural Network Assisted Image Process ing Technique | |
CN103528967B (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
Shaikh et al. | Citrus leaf unhealthy region detection by using image processing technique | |
CN112557393A (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
CN111476153A (zh) | 一种水果成熟度计算方法 | |
CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
Srivastava et al. | Machine-vision based handheld embedded system to extract quality parameters of citrus cultivars | |
CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
Sidnal et al. | Grading and quality testing of food grains using neural network | |
CN107516331A (zh) | 一种竹条颜色分类方法及系统 | |
Sosa et al. | An algorithm for detection of nutritional deficiencies from digital images of coffee leaves based on descriptors and neural networks | |
Khoshrou et al. | Deep learning prediction of chlorophyll content in tomato leaves | |
Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
Su | [Retracted] Data Research on Tobacco Leaf Image Collection Based on Computer Vision Sensor | |
CN111160250A (zh) | 一种基于人工神经网络的蓝莓生长期检测方法及装置 | |
Yu et al. | Nondestructive testing of external defects on Nanguo pear | |
Zahan et al. | A deep learning-based approach for mushroom diseases classification |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180316 |
|
WD01 | Invention patent application deemed withdrawn after publication |