CN108007945A - 一种基于x射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法 - Google Patents
一种基于x射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法 Download PDFInfo
- Publication number
- CN108007945A CN108007945A CN201711277072.0A CN201711277072A CN108007945A CN 108007945 A CN108007945 A CN 108007945A CN 201711277072 A CN201711277072 A CN 201711277072A CN 108007945 A CN108007945 A CN 108007945A
- Authority
- CN
- China
- Prior art keywords
- offal
- image
- stalk
- length
- rate
- 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
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/03—Investigating materials by wave or particle radiation by transmission
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/421—Imaging digitised image, analysed in real time (recognition algorithms)
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一种基于X射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法,该方法利用烟梗与烟片的X射线图像特征差异,采用灰度形态学滤噪、区域生长法图像分割进行图像预处理,同时采用基于无监督机器学习功能的模糊C‑均值聚类算法归属判断,结合形状判定因子,设计并实现对烟片物料中烟梗的无损检测识别的图像识别算法。并根据现有粗梗、长短梗的界定标准进一步建立了烟梗形态定量检测算法,包括粗梗率、长短梗率的检测计算,粗梗率检测算法主要涉及分段外接矩形法提取烟梗直径、粗梗判定、粗梗质量计算。长短梗率检测算法主要涉及烟梗骨骼化、骨架长度计算、长短梗判定及质量计算。其优点是能显著提高检测结果的准确性和工作效率,消除人为影响。
Description
技术领域
本发明涉及烟草加工技术领域,尤其涉及一种基于X射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法。
背景技术
在烟草制品生产加工过程中,烟草纯净度是质量管控的重点,将直接影响产品质量及其稳定性,因此对烟草物料纯净度的控制贯穿于烟草制品的主要加工环节中。打叶复烤工艺中成品烟片中的烟梗,以及制丝工艺中切丝后产生的梗签,都属于烟草加工中需要重点控制的同质杂物。
烟梗形态的定量检测是卷烟产品设计以及梗丝在烟丝中掺配质量的关键。烟梗形态定量检测算法主要是解决烟片物料或纯烟梗物料中不同形态烟梗含率的图像测定问题,主要涉及粗梗率、长短梗率的检测计算。依据GB/T21136-2007《打叶烟叶叶中含梗率的测定》,粗梗率是指烟片物料中直径大于2.38mm的烟梗含量,现行方法是在样品打叶粉碎并分离出烟梗后,将烟梗振动筛分出网孔2.38mm以上的烟梗进行称量计算。长梗率是指烟梗中长度大于20mm的烟梗含量,短梗率是指烟梗中长度小于20mm的烟梗含量,长短梗率目前均由人工采用直尺测量,需要对待测样品中每个烟梗进行逐根检测统计。
X射线透射成像检测是基于X射线在通过物质时会发生不同程度的衰减的原理。通过探测器接受透射物体后的X射线成像,不同透射区域X射线衰减程度的差异,导致成像后图像中灰度值不同。对于均匀介质物料的X射线图像来讲,图像的灰度值不同,代表着物料厚度不同。而X射线穿过相同厚度非均匀的物料时,物料的组成和密度差异导致X射线衰减系数不同,也会反映在图像灰度值上。X射线图像虽然是二维图像,但是可以反映出三维信息。其图像灰度值与材料、厚度和内部结构密切相关,因此X射线检测也成为研究内部物理结构的重要方法之一。
以光学检测和计算机图像智能识别为核心的机器视觉方法在烟草加工工艺领域、尤其是在烟叶原料精选除杂方面的应用成果显示出了巨大的应用及推广价值。采用机器视觉的方法,开发出烟草新型精选除杂系统,实现在线自动识别并剔除青烟、霉烟、杂物和烟梗等非等级烟叶,对于有效提升烟叶原料纯净度,提高烟草加工企业原料精选过程的精细化加工水平和智能化控制能力,具有重要作用。
武凯发明了一种采用图像分析法测定烟梗长梗率的设备(专利名称:适用于图像分析法测定烟梗长梗率的设备,公开号:CN102359962A),该设备通过图像分析处理软件对线阵CCD相机采集到的图像进行分析处理计算出烟梗的长度,进而测定出烟梗中的长梗率。该发明的不足之处在于:烟叶经过打叶复烤后实现叶梗分离,但在此过程中难免会有部分烟片发生褶皱,进而包裹住部分烟梗,最后这部分被烟片包裹住的烟梗经风选后进入到烟梗物料中,而该设备采用的可见光图像分析技术不能检测识别到被烟片包裹住的烟梗,故而可能会导致所测定的长梗率值偏离真实值;该发明在测定烟梗长梗率的同时不能实现对烟梗的粗梗率进行测定。
当前, X射线透射图像分析技术在烟梗定量检测中的应用及研究仍处于起步阶段,尚未见基于X射线透射图像定量检测烟梗中粗梗率和长短梗率的相关专利及公开文献报道。
发明内容
本发明的目的正是基于上述应用背景和现有技术状况,而提供的一种定量检测烟梗形态(粗梗率、长短梗率)的新方法,解决了烟片物料或纯烟梗物料中不同形态烟梗含率的定量测定问题,能够快速、方便、准确的检测烟梗粗梗率以及长短梗率。利用该图像分析方法可避免检测过程中对样品的破坏以及人为主观影响,相比传统的离线检测方法,该方法能够显著提高检测结果的准确性和工作效率,确保烟梗粗梗率和长短梗率测定结果的客观、准确和真实。
本发明的目的是通过以下技术方案予以实现:
一种基于X射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法,利用烟梗与烟片的X射线图像特征差异,采用灰度形态学滤噪、区域生长法图像分割进行图像预处理,同时采用基于无监督机器学习功能的模糊C-均值聚类算法归属判断,结合形状判定因子,设计并实现了对烟片物料中烟梗的无损检测识别的图像识别算法,在此基础上,并根据现有的粗梗、长短梗的界定标准进一步建立了烟梗形态定量检测算法,包括粗梗率、长短梗率的检测计算,具体步骤如下:
1). 对粗梗率的图像检测,是建立在烟梗检测识别算法和烟梗含量定量检测算法基础上,主要涉及对图像中的所有烟梗进行直径尺寸提取、粗梗判定、粗梗质量计算、粗梗率计算,具体计算方法如下:
(1)针对采集到的X射线透射图像中的所有烟梗,通过烟梗检测识别算法对图像中烟梗目标识别的基础上,对每个烟梗目标区域采用分段外接矩形法进行图像分割处理,统计烟梗各段的直径(即各段外接矩形的宽度)d1,d2,d3,…,dn,对各段直径取平均值进而计算出烟梗直径D=;
(2)对每个烟梗,当D>2.38mm时即判定为粗梗;
(3)对图像中判定为粗梗的烟梗目标,采用烟梗含量定量检测算法,确定粗梗的质量,进而计算出检测样品中粗梗率;
2). 对长短梗率的图像检测,也是以烟梗检测识别算法和烟梗含量定量检测算法为基础,主要涉及对图像中烟梗长度尺寸提取、长短梗判定、长短梗质量计算、长短梗率计算,具体计算方法如下:
(1)针对采集的X射线透射图像,通过烟梗检测识别算法对图像中烟梗目标识别的基础上,对每个烟梗目标区域采用迭代算法进行图像骨骼化,确定烟梗的几何骨架,计算出的烟梗骨架长度L即为烟梗长度;
(2)对每个烟梗,当L>20mm时即判定为长梗,反之判定为短梗;
(3)对图像中判定为长梗的烟梗目标,采用烟梗含量定量检测算法,确定长梗的质量,进而计算出检测样品中长梗率;基于同样的方法可计算出短梗率。
所述烟梗检测识别算法是基于粗梗的判定标准(GB/21136-2007规定直径大于2.38mm的烟梗为粗梗,长度大于20mm的烟梗为长梗)使用模糊C-均值聚类算法对透射图像中的烟梗进行检测识别,即采用模糊C-均值聚类算法结合形状判定因子对透射头像中的烟梗进行检测识别。
所述烟梗含量定量检测算法是基于前述烟梗检测识别算法对透射图像中烟梗的粗/长梗率进行计算,即检测识别出的所有粗/长梗的质量和与烟梗总质量的比值即为粗/长梗率。
本发明的优点在于:(1)提供了一套能够快速、方便、准确地定量检测烟梗中粗梗率、长短梗率的测定方法,大大提高了烟梗形态检测的自动化程度; (2)减少人为误差,能真实、准确地反映梗丝中粗梗率、长短梗率,客观反映或评价烟梗质量。
附图说明
图1为使用分段外接矩形法对图像分割计算烟梗直径的示意图。
图2为使用迭代算法对图像骨骼化计算烟梗长度的示意图。
具体实施方式
本发明以下结合附图对其原理及操作过程作进一步说明:
1.粗梗率的图像检测计算。
粗梗率的计算是建立在烟梗检测识别算法和烟梗含量定量检测算基础上,主要涉及对X-射线透射图像中烟梗直径尺寸提取、粗梗判定、粗梗质量计算、粗梗率计算,具体实施及算法过程如下:
(1)烟梗直径尺寸提取: 针对采集的X射线透射图像,通过烟梗检测识别算法对图像中烟梗目标识别的基础上,对每个烟梗目标区域采用如图1所示的分段外接矩形法,统计烟梗各段的直径(即各段外接矩形的宽度)d1,d2,d3,…,dn,对各段直径取平均值进而计算出烟梗直径D=;
(2)粗梗判定: 对每个烟梗,当D>2.38mm时即判定为粗梗;
(3)粗梗质量以及粗梗率计算: 对图像中判定为粗梗的烟梗目标,采用烟梗含量定量检测算法,确定粗梗的质量,进而计算出检测样品中粗梗含率。
2. 长短梗率的图像检测计算。
长短梗率的计算也是以烟梗检测识别算法和含量定量检测算法为基础,主要涉及对X射线透射图像中烟梗长度尺寸提取、长短梗判定、长短梗质量计算、长短梗率计算,具体实施及算法过程如下:
(1)烟梗长度尺寸提取: 针对采集的X射线透射图像,通过烟梗检测识别算法对图像中烟梗目标识别的基础上,对每个烟梗目标区域采用迭代算法进行骨骼化,确定如图2所示的烟梗的几何骨架,计算出的烟梗骨架长度L即为烟梗长度;
(2)长短梗判定: 对每个烟梗,当L>20mm时即判定为长梗,反之判定为短梗;
(3)长梗质量以及长梗率计算: 对图像中判定为长梗的烟梗目标,采用烟梗含量定量检测算法确定长梗的质量,进而计算出检测样品中长梗率。
(4)基于同样的方法可计算出短梗率。
Claims (1)
1.一种基于X射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法,其特征在于:该方法利用烟梗与烟片的X射线图像特征差异,采用灰度形态学滤噪、区域生长法图像分割进行图像预处理,同时采用基于无监督机器学习功能的模糊C-均值聚类算法归属判断,结合形状判定因子,设计并实现了对烟片物料中烟梗的无损检测识别的图像识别算法,在此基础上,并根据现有的粗梗、长短梗的界定标准进一步建立了烟梗形态定量检测算法,包括粗梗率、长短梗率的检测计算,具体步骤如下:
1). 对粗梗率的图像检测,是建立在烟梗检测识别算法和烟梗含量定量检测算法基础上的,主要涉及对图像中的所有烟梗进行直径尺寸提取、粗梗判定、粗梗质量计算、粗梗率计算,具体计算方法如下:
(1)针对采集到的X射线透射图像中的所有烟梗,通过烟梗检测识别算法对图像中烟梗目标识别的基础上,对每个烟梗目标区域采用分段外接矩形法进行图像分割处理,统计烟梗各段的直径(即各段外接矩形的宽度)d1,d2,d3,…,dn,对各段直径取平均值进而计算出烟梗直径D=;
(2)对每个烟梗,当D>2.38mm时即判定为粗梗;
(3)对图像中判定为粗梗的烟梗目标,采用烟梗含量定量检测算法,确定粗梗的质量,进而计算出检测样品中粗梗率;
2). 对长短梗率的图像检测,也是以烟梗检测识别和含量定量检测为基础的,主要涉及对图像中烟梗长度尺寸提取、长短梗判定、长短梗质量计算、长短梗率计算,具体计算方法如下:
(1)针对采集的X射线透射图像,通过烟梗检测识别算法对图像中烟梗目标识别的基础上,对每个烟梗目标区域采用迭代算法进行图像骨骼化,确定烟梗的几何骨架,计算出的烟梗骨架长度L即为烟梗长度;
(2)对每个烟梗,当L>20mm时即判定为长梗,反之判定为短梗;
(3)对图像中判定为长梗的烟梗目标,采用烟梗含量定量检测算法,确定长梗的质量,进而计算出检测样品中长梗率;基于同样的方法可计算出短梗率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711277072.0A CN108007945A (zh) | 2017-12-06 | 2017-12-06 | 一种基于x射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711277072.0A CN108007945A (zh) | 2017-12-06 | 2017-12-06 | 一种基于x射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108007945A true CN108007945A (zh) | 2018-05-08 |
Family
ID=62057052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711277072.0A Pending CN108007945A (zh) | 2017-12-06 | 2017-12-06 | 一种基于x射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108007945A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871187A (zh) * | 2018-05-11 | 2018-11-23 | 中国烟草总公司郑州烟草研究院 | 一种卷烟烟丝卷曲度的定量表征方法 |
CN110349153A (zh) * | 2019-07-24 | 2019-10-18 | 南京大树智能科技股份有限公司 | 基于多特征融合的图像法烟草含梗率检测方法 |
CN111948104A (zh) * | 2020-06-29 | 2020-11-17 | 中国烟草总公司郑州烟草研究院 | 一种梗签粒度检测与分类控制方法 |
WO2021174612A1 (zh) * | 2020-03-05 | 2021-09-10 | 云南中烟工业有限责任公司 | 一种烟梗中长梗率测定装置和测定方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103148791A (zh) * | 2013-02-28 | 2013-06-12 | 云南昆船设计研究院 | 一种测定烟梗结构及其分布的方法 |
-
2017
- 2017-12-06 CN CN201711277072.0A patent/CN108007945A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103148791A (zh) * | 2013-02-28 | 2013-06-12 | 云南昆船设计研究院 | 一种测定烟梗结构及其分布的方法 |
Non-Patent Citations (1)
Title |
---|
朱文魁 等: ""基于低能X射线透射成像的打叶片烟中烟梗在线检测"", 《烟草科技》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871187A (zh) * | 2018-05-11 | 2018-11-23 | 中国烟草总公司郑州烟草研究院 | 一种卷烟烟丝卷曲度的定量表征方法 |
CN110349153A (zh) * | 2019-07-24 | 2019-10-18 | 南京大树智能科技股份有限公司 | 基于多特征融合的图像法烟草含梗率检测方法 |
WO2021174612A1 (zh) * | 2020-03-05 | 2021-09-10 | 云南中烟工业有限责任公司 | 一种烟梗中长梗率测定装置和测定方法 |
CN111948104A (zh) * | 2020-06-29 | 2020-11-17 | 中国烟草总公司郑州烟草研究院 | 一种梗签粒度检测与分类控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA1161271A (en) | Method and apparatus for measuring mean cell volume of red blood cells | |
CN108007945A (zh) | 一种基于x射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法 | |
US6947586B2 (en) | Multi-neural net imaging apparatus and method | |
EP2734828B1 (en) | Identifying and measuring reticulocytes | |
US20170307496A1 (en) | Measuring Volume and Constituents of Cells | |
CN104155312B (zh) | 基于近红外计算机视觉的粮粒内部害虫检测方法和装置 | |
CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
CN104198324B (zh) | 基于计算机视觉的烟丝中叶丝比例测定方法 | |
CN1553166A (zh) | 显微多光谱骨髓及外周血细胞自动分析仪和方法 | |
CN101944231A (zh) | 小麦穗部形态参数提取方法 | |
AU2020103260A4 (en) | Rice blast grading system and method | |
CN107563364A (zh) | 基于汗腺的指纹真伪辨别方法以及指纹识别方法 | |
CN114627125A (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
JPH0418267B2 (zh) | ||
CN111833330B (zh) | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 | |
CN108776978A (zh) | 一种打叶复烤片烟片形表征方法 | |
CN112330663A (zh) | 一种基于变径圆的计算机视觉烟丝宽度检测方法 | |
WO2021174612A1 (zh) | 一种烟梗中长梗率测定装置和测定方法 | |
Liu et al. | Digital image analysis method for rapid measurement of rice degree of milling | |
CN115984232B (zh) | 一种基于双目视觉系统的分割猪肉断面脂肪最大厚度检测方法 | |
CN100429502C (zh) | 一种快速无损检测苹果内部质量的方法 | |
CA2377602C (en) | Multi-neural net imaging apparatus and method | |
CN109946300B (zh) | 基于图像法的烟丝耐加工性检测表征方法 | |
CN107403181B (zh) | 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法 | |
WO2001082216A1 (en) | Multi-neural net imaging apparatus and method |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |
|
RJ01 | Rejection of invention patent application after publication |