CN108020556A - 一种基于机器视觉的玉米种子在线破损检测分类方法 - Google Patents

一种基于机器视觉的玉米种子在线破损检测分类方法 Download PDF

Info

Publication number
CN108020556A
CN108020556A CN201711199965.8A CN201711199965A CN108020556A CN 108020556 A CN108020556 A CN 108020556A CN 201711199965 A CN201711199965 A CN 201711199965A CN 108020556 A CN108020556 A CN 108020556A
Authority
CN
China
Prior art keywords
image
maize seed
grain
seed grain
corn
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
Application number
CN201711199965.8A
Other languages
English (en)
Inventor
赵静
崔欣
徐文腾
马伟童
杨焕波
李志铭
鲁文霞
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN201711199965.8A priority Critical patent/CN108020556A/zh
Publication of CN108020556A publication Critical patent/CN108020556A/zh
Pending legal-status Critical Current

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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及机器视觉检测技术领域，具体为一种基于机器视觉的玉米种子在线破损检测分类方法。其过程主要包括：玉米种粒图像采集、图像降噪及分割等预处理、玉米种粒特征值提取、图像Hu不变矩特征参数提取、支持向量机（SVM）识别模型的建立、SVM识别模型检测。其特征如下：通过玉米种子在线破损检测分类方法可以识别破损玉米种粒，并能将破损玉米种粒与完整玉米种粒分离。设计了一种图像分割方法，可以将玉米种粒图像从背景图像中分割出来；将Hu不变矩应用到玉米种粒特征中，提取了玉米种粒包括7个Hu不变矩在内的16个特征值；建立了SVM玉米种粒破损识别模型，能准确高效的识别出破损玉米种粒并将其与完整玉米种粒分离。

Description

一种基于机器视觉的玉米种子在线破损检测分类方法
技术领域
本发明涉及机器视觉检测技术领域，具体为一种基于机器视觉的玉米种子在线破损检测分类方法。
背景技术
我国是农业生产大国，玉米是我国十分重要粮食作物之一，与粮食安全与粮食生产紧密相关，其战略地位十分重要。
机器视觉技术是在20世纪70年代初在生物医学图像和遥感图像处理两项应用中取得不俗成果后开始逐渐发展起来的。随着计算机技术的高速发展，计算机的性价比和处理速度不断提高，为机器视觉相关技术的研究和应用奠定了坚实的基础。
机器视觉检测技术与人工检测技术相比，检测精度高、速度快、信息量大、重复性好，在谷物外观品质检测领域的发展及应用前景十分广阔。机器视觉技术在谷物外观品质检测中的应用有：农产品及作物种子表面裂纹检测、农作物种子精选及分级、根据农产品表面信息进行损伤缺陷检测并进行分级等。机器视觉检测技术逐渐取代人工检测，是自动化检测发展的必然趋势。
发明内容
本发明的目的在于提供一种基于机器视觉的玉米种子在线破损检测及分类方法，此方法精确高效，可以实现玉米种粒的在线破损识别及自动分类。
为实现上述目的，本发明的解决方案如下：
一种基于机器视觉的破损玉米种子在线破损检测分类方法，主要包含以下步骤：
步骤1：利用图像采集装置采集单粒玉米种粒图像，并将玉米种粒图像转化为灰度图像；
步骤2：利用差影法分析图像噪声类型，判断噪声类型为椒盐噪声，并采用中值滤波法对图像进行初步降噪处理；
步骤3：提取图像的灰度直方图并对其进行分析，采用灰度阈值法中的二值化处理对图像进行分割，完成玉米种粒图像同背景图像的分割；
步骤4：将二值分割后的图像进行闭合区域筛选，将最小像素值设为100，忽略图像中闭合区域低于最小像素值的区域，完成整个玉米种粒图像预处理过程；
步骤5：提取预处理过的图像中玉米种粒的的几何特征参数，包含周长、面积、周长面积比、长轴长、短轴长、长宽比；
步骤6：提取图像中玉米种粒的形状几何参数，包含矩形度、圆形度、紧凑度；
步骤7：提取图像中玉米种粒的7个Hu不变矩形状特征参数。输入预处理后的图像，计算其零阶矩、一阶矩、二阶矩及三阶矩，归一化中心矩从而得到7个Hu不变矩参数；
步骤8：选择径向基函数（RBF）作为支持向量机（SVM）的核函数；
步骤9：将训练样本图像进行预处理后进行特征参数提取，将几何特征和形状特征共16个特征参数归一化并构造核矩阵H{1，1}后输入支持向量机分类器，将样本的特征参数映射到线性可分的特征空间中，计算权值向量W及超平面系数b，最终构造出最优分类超平面并通过训练获得玉米种粒破损识别模型。输出值为1、0，分别代表“合格”、“不合格”；
步骤10：对构造的玉米种粒破损识别模型进行验证。将测试样本图像进行图像预处理及特征提取，将提取的16个特征值归一化并构造核矩阵后输入训练好的玉米种粒破损识别模型中，统计识别正确率；
步骤11：对玉米种粒图像的Hu不变矩的旋转、缩放及平移不变性进行试验验证。
附图说明
图1是本发明的图像采集装置示意图。
图2是本发明的玉米种粒破损识别检测流程图。
图3是本发明的玉米种粒图像预处理流程图。
图4是本发明的玉米种粒图像降噪示实例图。
图5是本发明的玉米种粒图像分割实例图。
图6是本发明的玉米种粒特征提取的示意图。
图7是本发明的玉米种粒几何及形状特征参数示意图。
图8是本发明的Hu不变矩提取流程图。
具体实施方式
下面结合附图所示的各实施方式对本发明的作进一步的详细说明。
参照图1，本发明的图像采集装置，其结构主要包括：CCD工业相机[1]、LED环形光源排[2]、图像采集区[3]、支架[4]。
参照图2，本发明的玉米种粒破损识别检测流程图，将采集的图像样本分为训练样本和测试样本，将测试样本图像经预处理后提取16个几何特征及形状特征值，将训练样本的16个特征值归一化后建立核矩阵输入SVM分类器进行训练，得到最优分类超平面从而得到SVM玉米种粒破损识别模型，将测试样本图像同样进行图像预处理及特征提取后输入训练得到的玉米破损种粒SVM识别模型，输出检测结果1、0，分别代表“合格”、“不合格”。
参照图3，本发明的图像预处理流程图，将采集的玉米种粒彩色图像转化为灰度图像，并利用差影法判断玉米种粒图像噪声类型，判断结果为椒盐噪声并采用中值滤波法对图像进行全局初步降噪，采用灰度阈值法中的二值化处理对图像进行分割，完成玉米种粒图像同背景图像的分割，最后通过将二值分割后的图像进行闭合区域筛选，将最小像素值设为100，忽略图像中闭合区域低于最小像素值的区域，完成玉米种粒图像的区域降噪处理。
参照图4，本发明的玉米种粒降噪实例图，左图为灰度化后的玉米种粒图像，中图为将连续拍摄的两幅玉米种粒图像作减法运算得到的差影法分析图，右图为经过降噪处理后的玉米种粒图像。由左右两幅图像对比可清晰看出，经降噪处理后的玉米种粒图像大部分椒盐噪点已经去除，但仍留有部分大的噪点或杂质点。
参照图5，本发明的玉米种粒图像分割实例图，左图为经初步降噪后的玉米种粒图像，中图为二值化分割后的玉米种粒图像，右图为忽略像素值小于100像素的闭合区域之后的图像，由图中可清晰看出经忽略像素值小于100像素的闭合区域处理的二值分割图像，效果较好，可将玉米种粒图像从背景图像中分割出来。
参照图6，玉米种粒特征提取的示意图，本发明提取了玉米种粒的16个特征值，包括周长（L）、面积（S）、周长面积比（L/S）、长轴长（Lab）、短轴长（Lcd）、长宽比（Lab/Lcd）6个几何特征和矩形度（S/S1）、圆形度（4πS/L2）、紧凑度（S/Lab）、7个Hu不变矩10个形状特征。其几何及形状特征参数示意图参照图7。
参照图8，Hu不变矩提取流程图，首先计算经预处理的玉米种粒图像的0阶矩和1阶矩，其次计算其3阶一下的中心矩，然后将中心矩归一化，最后提取出图像7个Hu不变矩。

Claims (4)

1.一种基于机器视觉的玉米种子在线破损检测分类方法，其过程主要包括：玉米种粒图像采集、图像降噪及分割等预处理、玉米种粒特征值提取及Hu不变矩特征参数提取、支持向量机（SVM）破损玉米种粒识别模型的建立、SVM破损玉米种粒识别模型检测，其特征如下：通过玉米种子在线破损检测分类方法可以识别破损玉米种粒，并能实现将破损玉米种粒与完整玉米种粒分类功能；设计了一种图像分割方法，可以将玉米种粒图像从背景图像中分割出来；将Hu不变矩应用到玉米种粒特征中，提取了玉米种粒包括7个Hu不变矩在内的16个特征值；建立了SVM玉米种粒破损识别模型，能准确高效的识别出破损玉米种粒并将其与完整玉米种粒分类；
所述玉米种粒图像采集装置，由CCD工业相机[1]、LED环形光源排[2]、图像采集区[3]、支架[4]组成，其特征是：CCD工业相机安装在通过螺纹杆连接在支架上，相机光轴与图像采集区垂直，LED环形光源安装在CCD镜头上，并与CCD光轴同轴；
所述图像降噪及分割等预处理，主要包括：玉米种粒彩色图像灰度化处理、通过差影法分析图像噪声类型、利用中值滤波法对图像进行全局初步降噪处理、采用灰度阈值法中的二值化处理对图像进行分割、忽略图像中像素值小于100的闭合区域，其特征是：通过差影法分析了玉米种粒噪声图像，并对分割后的二值图像进行了忽略像素值小于100的闭合区域工作，使玉米种粒图像从背景图像完整分割出来；
所述玉米种粒特征值提取，主要提取了玉米种粒的6个几何特征值，包含周长、面积、周长面积比、长轴长、短轴长、长宽比；10个形状特征值，包含矩形度、圆形度、紧凑度和7个Hu不变矩，其特征在于：将Hu不变矩应用到玉米种粒的特征提取中，提取出了玉米种粒的7个Hu不变矩特征，并通过试验证明玉米种粒图像的Hu不变矩具有旋转、缩放、平移不变性；
所述支持向量机（SVM）破损玉米种粒识别模型的建立，其流程包括：选择径向基函数（RBF）作为支持向量机（SVM）的核函数、将训练样本图像进行预处理后进行特征参数提取、将几何特征和形状特征共16个特征参数归一化并构造核矩阵H{1，1}后输入支持向量机分类器、将样本的特征参数映射到线性可分的特征空间中，计算权值向量W及超平面系数b、最终构造出最优分类超平面并通过训练获得玉米种粒破损识别模型，输出值为1、0，分别代表“合格”、“不合格”；
所述SVM破损玉米种粒识别模型的检测，其流程包括：将测试样本图像进行图像预处理及特征提取、将提取的16个特征值归一化并构造核矩阵后输入训练好的玉米种粒破损识别模型中、统计输出结果、计算识别正确率。
2.根据权利要求1所述的一种基于机器视觉的玉米种子在线破损检测分类方法，其特征在于在图像预处理阶段，通过对分割后的二值图像进行了忽略像素值小于100的闭合区域工作，进行玉米种粒图像区域降噪处理，去除图像中较大的噪点及杂质点。
3.根据权利要求1所述的一种基于机器视觉的玉米种子在线破损检测分类方法，其特征在于提取了玉米种粒的16个特征值，并Hu不变矩应用到玉米种粒的特征参数提取中，提取了7个玉米种粒图像的Hu不变矩特征参数。
4.根据权利要求1所述的一种基于机器视觉的玉米种子在线破损检测分类方法，其特征在于基于SVM分类器构造了破损玉米种粒识别模型。
CN201711199965.8A 2017-11-27 2017-11-27 一种基于机器视觉的玉米种子在线破损检测分类方法 Pending CN108020556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711199965.8A CN108020556A (zh) 2017-11-27 2017-11-27 一种基于机器视觉的玉米种子在线破损检测分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711199965.8A CN108020556A (zh) 2017-11-27 2017-11-27 一种基于机器视觉的玉米种子在线破损检测分类方法

Publications (1)

Publication Number Publication Date
CN108020556A true CN108020556A (zh) 2018-05-11

Family

ID=62077313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711199965.8A Pending CN108020556A (zh) 2017-11-27 2017-11-27 一种基于机器视觉的玉米种子在线破损检测分类方法

Country Status (1)

Country Link
CN (1) CN108020556A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108896564A (zh) * 2018-07-16 2018-11-27 山东理工大学 一种基于机器视觉的玉米种子双面破损检测方法
CN109270067A (zh) * 2018-09-29 2019-01-25 格力电器（武汉）有限公司 设备外观的检测方法、装置和系统
CN110595959A (zh) * 2019-04-19 2019-12-20 齐鲁工业大学 一种糖膏颗粒粒度分析系统及分析方法
CN111986192A (zh) * 2020-08-31 2020-11-24 华中科技大学 一种基于机器视觉的香菇破损检测方法
CN112560692A (zh) * 2020-12-17 2021-03-26 华侨大学 一种基于深度学习的金针菇分类系统及方法
CN112642727A (zh) * 2020-09-11 2021-04-13 吉林农业科技学院 基于机器视觉的玉米种子精选机、精选方法和精选系统
CN113628171A (zh) * 2021-07-19 2021-11-09 北京科技大学 一种基于机器视觉及数据驱动的球团生产方法及装置
CN114724027A (zh) * 2022-03-25 2022-07-08 清华大学 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
杨蜀秦: "农作物籽粒的图像处理和识别方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
许威威: "小管道气液两相流段塞流流量测量研究", 《中国优秀硕士学位论文全文数据库 基础科学辑 第2015年期》 *
贾伟宽: "苹果采摘机器人夜间图像降噪算法", 《农业工程学报》 *
贾永红: "《数字图像处理》", 31 July 2015, 武汉大学出版社 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108896564A (zh) * 2018-07-16 2018-11-27 山东理工大学 一种基于机器视觉的玉米种子双面破损检测方法
CN109270067A (zh) * 2018-09-29 2019-01-25 格力电器（武汉）有限公司 设备外观的检测方法、装置和系统
CN110595959A (zh) * 2019-04-19 2019-12-20 齐鲁工业大学 一种糖膏颗粒粒度分析系统及分析方法
CN111986192A (zh) * 2020-08-31 2020-11-24 华中科技大学 一种基于机器视觉的香菇破损检测方法
CN111986192B (zh) * 2020-08-31 2022-05-27 华中科技大学 一种基于机器视觉的香菇破损检测方法
CN112642727A (zh) * 2020-09-11 2021-04-13 吉林农业科技学院 基于机器视觉的玉米种子精选机、精选方法和精选系统
CN112560692A (zh) * 2020-12-17 2021-03-26 华侨大学 一种基于深度学习的金针菇分类系统及方法
CN112560692B (zh) * 2020-12-17 2023-06-02 华侨大学 一种基于深度学习的金针菇分类系统及方法
CN113628171A (zh) * 2021-07-19 2021-11-09 北京科技大学 一种基于机器视觉及数据驱动的球团生产方法及装置
CN113628171B (zh) * 2021-07-19 2023-09-19 北京科技大学 一种基于机器视觉及数据驱动的球团生产方法及装置
CN114724027A (zh) * 2022-03-25 2022-07-08 清华大学 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法

Similar Documents

Publication Publication Date Title
CN108020556A (zh) 一种基于机器视觉的玉米种子在线破损检测分类方法
Sahu et al. Defect identification and maturity detection of mango fruits using image analysis
AU2020100953A4 (en) Automated food freshness detection using feature deep learning
Tripathi et al. Recent machine learning based approaches for disease detection and classification of agricultural products
Mengistu et al. Ethiopian coffee plant diseases recognition based on imaging and machine learning techniques
CN105389581B (zh) 一种胚芽米胚芽完整度智能识别系统及其识别方法
CN101059425A (zh) 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置
Haque et al. Rice leaf disease classification and detection using yolov5
Khan et al. Machine learning-based detection and classification of walnut fungi diseases
CN110929787B (zh) 一种基于图像的苹果客观定级系统
Rashmi et al. A machine learning technique for identification of plant diseases in leaves
Bobde et al. Fruit quality recognition using deep learning algorithm
CN102680488B (zh) 一种基于pca的块状农产品在线识别装置及方法
Zhang et al. Fabric defect detection based on visual saliency map and SVM
Janardhana et al. Computer aided inspection system for food products using machine vision—a review
CN201041547Y (zh) 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置
CN112614113A (zh) 一种基于深度学习的带钢缺陷检测方法
Varjão et al. Citrus fruit quality classification using support vector machines
Das et al. Leaf disease detection, quantification and classification using digital image processing
Sun et al. Enhanced individual characteristics normalized lightweight rice-VGG16 method for rice seed defect recognition
Poorni et al. Detection of rice leaf diseases using convolutional neural network
Sungsiri et al. The classification of edible-nest swiftlets using deep learning
Bachhal et al. Real-time disease detection system for maize plants using deep convolutional neural networks
Xue et al. Detection of young green apples in orchard environment using adaptive ratio chromatic aberration and HOG-SVM
Poetro et al. Advancements in Agricultural Automation: SVM Classifier with Hu Moments for Vegetable Identification

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180511