CN109211739A - 大米加工工艺检测系统及检测方法 - Google Patents
大米加工工艺检测系统及检测方法 Download PDFInfo
- Publication number
- CN109211739A CN109211739A CN201811061419.2A CN201811061419A CN109211739A CN 109211739 A CN109211739 A CN 109211739A CN 201811061419 A CN201811061419 A CN 201811061419A CN 109211739 A CN109211739 A CN 109211739A
- Authority
- CN
- China
- Prior art keywords
- image
- thread
- ambient noise
- automated inspection
- obtains
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 25
- 235000009566 rice Nutrition 0.000 title claims abstract description 25
- 240000007594 Oryza sativa Species 0.000 title 1
- 238000007689 inspection Methods 0.000 claims abstract description 35
- 241000209094 Oryza Species 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000003068 static effect Effects 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000004814 polyurethane Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种大米加工工艺检测系统及检测方法，在透明皮带环上段的上表面上方、下表面下方各安装一套机器视觉系统，透明皮带环匀速运动，机器视觉系统获取透明皮带环的图像，将上、下机器视觉系统获取的图像通过角点检测算法连接起来，构成完整的皮带环图像，即得到背景噪声，去除包含被检物的原始图像中的背景噪声，获得被检物的轮廓，对该轮廓进行分割，得到被检物的测量空间。运用GPU的多线程处理能力和模式分类在CPU中的多线程处理设计方式实现大米加工检测的并行处理。本发明可以对大米加工过程中每一道工序的工艺效果进行在线的、动态的、实时的、准确的检测。
Description
技术领域
本发明涉及大米加工检测领域，特别是一种大米加工工艺检测系统及检测方法。
背景技术
大米加工智能工厂的实现需要以工厂内万物互联为基础、以数据驱动为核心完成对生产设备的智能控制。其“数据驱动”的“数据”则主要依赖于对每道工序的工艺进行检测：在线工艺检测的数据就是对大米加工生产设备进行智能控制的核心依据。
当前的大米加工工艺检测技术中，虽有部分采用了构建神经网络并进行机器学习的人工智能技术，但不论是传统方法还是最新技术，都存在两方面缺陷，无法满足智能工厂对工艺检测的在线与实时的要求：
1、只能静态检测：在被测物静止的状态下，获取被测物的测量空间，对其进行特征提取后输入神经网络进行判别。只能静态检测的原因在于静态条件下，被检测对象的背景与噪声同样是静止的、固定的，用“减法”即可完成背景去噪而获得“纯净”的测量空间。只能静态检测的结果是无法对大米加工工艺进行在线检测而失去在智能控制中的实用价值。
不能动态检测的原因在于被测物在运动状态下，机器视觉获取的原始图像的背景噪声是不断变化的，因其不断变化而致使无法将被测物与背景分离。
2、只能串行处理：大米加工工艺检测过程为：通过视觉获取原始图像-对原始图像进行背景去噪-提取被测物的测量空间-提取物体特征-将特征转换为特征向量-输入神经网络-判别-将判别信息存入数据库，只有在将判别信息存入数据库之后才能进行下一次图像获取与进行下一回合检测。只能串行处理的结果是，不能适应连续的、流动的在线检测，因而也就无法满足智能工厂对工艺检测的需要。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种大米加工工艺检测系统及检测方法，实现对大米加工的动态检测和并行处理。
为解决上述技术问题，本发明所采用的技术方案是：一种大米加工工艺检测系统，包括透明皮带环；所述透明皮带环两侧边沿均安装有能带动所述透明皮带环匀速移动的齿条；所述齿条由电机驱动；所述透明皮带环后段的上表面上方、前段的下表面下方各安装有一套机器视觉系统（即上机器视觉系统和下机器视觉系统）。
本发明中，所述透明皮带环宽度为50mm，长度为1570mm。
本发明中，两个所述机器视觉系统的中心点之间的距离为200mm，且所述机器视觉系统的视觉场大小为20*30mm。
相应地，本发明还提供了一种大米加工检测方法，其包括以下步骤：
1）透明皮带环以速度V做匀速运动，设机器视觉系统每T秒获取一次透明皮带环的图像；将透明皮带环上表面上方的上机器视觉系统获取的图像通过角点检测方法连接起来，构成透明皮带环的完整图像，即得到背景噪声A；同理，将透明皮带环下表面下方的下机器视觉系统获取的图像通过角点检测方法连接起来，构成透明皮带环的完整图像，即得到背景噪声B；
2）去除上机器视觉系统获取的包含被测物的原始图像中的背景噪声A，去除下机器视觉系统获取的包含被测物的原始图像中的背景噪声B，分别获得被测物的轮廓，分别对上机器视觉系统、下机器视觉系统获取的轮廓进行分割，获得被测物的所有测量空间。
设置两套机器视觉系统的原因在于，被检测物是放置于透明皮带环上的，被检测物的特征可能在其上表面，也可能在其下表面，为了保证检测精度，在透明皮带环上、下表面相应位置均设置机器视觉系统。
本发明的方法还包括以下步骤：
3）利用所述测量空间，提取被测物特征；
4）将被测物特征转换为特征向量；
5）将所述特征向量输入神经网络，得到判别结果。
所述机器视觉系统将最先获取的被测物图像A送入GPU中，GPU对被测物图像A进行背景噪声处理，将经过背景噪声处理的图像A1送入CPU缓存中，并为A1开设线程1，同时将机器视觉系统新采集的被测物图像B送入GPU中进行背景噪声处理；为A1开设线程2，在线程2中，对A1进行轮廓提取，得到图像A2，同时被测物图像B完成背景噪声处理，得到图像B1，将B1送入CPU的线程1中；将机器视觉系统新采集的被测物图像C送入GPU中进行背景噪声处理；为A2开设线程3，将完成轮廓提取的A2进行分割处理，获得独立的被测物A3，此时，机器视觉系统新采集的被测物图像D被送入GPU中进行背景噪声处理；B1被送入线程2中处理，得到B2；被测物图像C在GPU中完成背景去噪，得到C1，将C1送入线程1；为A3开设线程4，完成对A3的特征提取，并利用A3的特征建立特征向量，将特征向量输入神经网络完成判别；此时，B2进入线程3并完成处理，得到B3，C1进入线程2，D完成背景噪声处理，并被送入线程1；依此类推，直至处理完机器视觉系统采集的所有被测物图像。以此完成连续的、流动的在线检测，满足智能工厂对工艺检测的要求。
与现有技术相比，本发明所具有的有益效果为：本发明可以对大米加工过程中每一道工序的工艺效果进行在线的、动态的、实时的、准确的检测，检测的指标包括静态检测下的所有指标，其检测结果与静态检测结果完全一致，可在一分钟时间内完成超过一份国标样本量的检测，完全满足智能工厂对于在线工艺检测的时效要求；在线实时的工艺检测数据为大米加工智能工厂的智能控制提供了核心依据。
附图说明
图1为本发明检测系统原理图。
具体实施方式
如图1所示，本发明以PU为材质制成宽50mm，长1570mm的透明皮带环，皮带环边沿（两边）各留出1cm宽的空间用于安装齿条（齿条材料为聚氨酯），通过匀速运转的电机以齿轮驱动皮带环做匀速运动。
在皮带环后段的上表面上方、前段的下表面下方（皮带从右方向左方运动，那么，图1的右面为“前”，左面为“后”）分别设置机器视觉系统，两个机器视觉系统中心点相距200mm，将机器视觉系统的视觉场大小调至20*30mm。
电机驱动皮带环以120mm/s的速度做匀速运动，设置机器视觉每80毫秒获取一次图像，皮带环转动一周共获取164*2张图像，上、下机器视觉各获取164张图像。这些图像是经过透明皮带所获取的图像，将上机器视觉获取的164张图像通过角点检测算法连接起来构成皮带环的完整图像，这个皮带环的完整图像就是获取纯净被测物测量空间时的背景噪声。同样，可得到下机器视觉的背景噪声。
皮带上有被测物时，将包含被测物的原始图像用“减法”减去皮带环的背景噪声（即，每获得一个原始图像，使用角点检测算法从完整的皮带环中找到当前这一原始图像所对应的皮带部分（背景噪声）；将原始图像与皮带上完全相匹配的对应背景的像素进行一一对应运算：R值（Red，红色值）、G值（Green，绿色值）、B值（Blue，蓝色值）分别相减；相减后留下的部分即为目标物。），即获得被测物的轮廓，对轮廓进行分割便获得被测物的所有测量空间。
通过上述处理，被测物与不断变化的背景噪声得到完美准确的分离，分离的准确率100%，误差率0%。
对于每一次机器视觉系统获取的图像（该图像包括一个或多个被测物以及被测物所在位置的背景和噪声），本发明的处理流程如下：通过视觉获取原始图像-对原始图像进行背景去噪-提取被测物的测量空间-提取物体特征-将特征转换为特征向量-输入神经网络-判别-将判别信息存入数据库。
在某一时刻内，机器视觉以80ms/次的时间间隔依次获取了A、B、C、D...数张图像，则将最早获得的图像A送入GPU中，利用GPU本身自带的多线程处理能力对A进行背景噪声的处理（即将A“减去”背景噪声），这一处理过程只需几毫秒。
将经过背景噪声处理的A1送入CPU缓存中，并为之开设一个线程（线程1），同时新产生的图像B被送入GPU中进行背景噪声处理。
接着，为A1再开设一个线程（线程2），在此线程中，将经过背景噪声处理的A1进行轮廓提取（A2）；同时B在GPU中完成背景噪声处理（B1）并被送入CPU的线程1中；且，最新生成的C图像进入GPU接受处理。
继而，为A2再开设一个新线程（线程3），将完成轮廓提取的A2进行分割处理，获得一个一个独立的被测物（大米或杂质颗粒）（A3）；此时，新生成的图像D被送入GPU处理，B1被送入线程2中被处理为B2，C在GPU中完成背景去噪成为C1并被送入线程1中接受处理。
进一步，为A3（此时的A3不是一个对象，而是完成分割后的多个对象）开设一个新线程（线程4），在此线程中，完成对A3的特征提取、建立特征向量、输入神经网络完成判别，且将判别结果存入数据库，至此，则完成了对原始图像A的全流程处理。此时，B2已进入线程3并完成处理成为B3；C1已进入线程2处理；D已完成GPU的背景噪声处理且被送入线程1中；而且，最新生成的图像被送入GPU中接受处理。如此流程不断循环。
通过并行处理方式，使得系统可同时处理若干个原始图像，最终每一个生成的图像（机器视觉每80ms获取一次，内含多个被测物）完成全流程处理平均时间只需50毫秒，不仅极大提高了在线工艺检测的效率，更保证与满足了在线检测对于时效性的要求。
Claims (6)
1.一种大米加工工艺检测系统，其特征在于，包括透明皮带环（1）；所述透明皮带环（1）两侧边沿均安装有能带动所述透明皮带环（1）匀速移动的齿条（2）；所述齿条（2）由电机驱动；所述透明皮带环（1）后段的上表面上方设置有上机器视觉系统（3）；所述透明皮带环（1）前段的下表面下方设置有下机器视觉系统（4）。
2.根据权利要求1所述的大米加工工艺检测系统，其特征在于，所述透明皮带环（1）宽度为50mm，长度为1570mm。
3.根据权利要求1所述的大米加工工艺检测系统，其特征在于，两个上机器视觉系统（3）、下机器视觉系统（4）的中心点之间的距离为200mm，且所述上机器视觉系统（3）、下机器视觉系统（4）的视觉场大小均为20*30mm。
4.一种利用权利要求1～3之一所述检测系统实现大米加工检测的方法，其特征在于，包括以下步骤：
1）透明皮带环（1）以速度V做匀速运动，设机器视觉系统每T秒获取一次透明皮带环（1）的图像；将上机器视觉系统获取的图像通过角点检测方法连接起来，构成透明皮带环的完整图像，即得到背景噪声A；同理，将下机器视觉系统获取的图像通过角点检测方法连接起来，构成透明皮带环的完整图像，即得到背景噪声B；
2）去除上机器视觉系统获取的包含被测物的原始图像中的背景噪声A，去除下机器视觉系统获取的包含被测物的原始图像中的背景噪声B，分别获得被测物的轮廓，分别对获取的被测物轮廓进行分割，获得被测物的所有测量空间。
5.根据权利要求4所述的大米加工检测方法，其特征在于，还包括以下步骤：
3）利用所述测量空间，提取被测物特征；
4）将被测物特征转换为特征向量；
5）将所述特征向量输入神经网络，得到判别结果。
6.根据权利要求5所述的大米加工检测方法，其特征在于，所述机器视觉系统将最先获取的被测物图像A送入GPU中，GPU对被测物图像A进行背景噪声处理，将经过背景噪声处理的图像A1送入CPU缓存中，并为A1开设线程1，同时将机器视觉系统新采集的被测物图像B送入GPU中进行背景噪声处理；为A1开设线程2，在线程2中，对A1进行轮廓提取，得到图像A2，同时被测物图像B完成背景噪声处理，得到图像B1，将B1送入CPU的线程1中；将机器视觉系统新采集的被测物图像C送入GPU中进行背景噪声处理；为A2开设线程3，将完成轮廓提取的A2进行分割处理，获得独立的被测物A3，此时，机器视觉系统新采集的被测物图像D被送入GPU中进行背景噪声处理；B1被送入线程2中处理，得到B2；被测物图像C在GPU中完成背景去噪，得到C1，将C1送入线程1；为A3开设线程4，完成对A3的特征提取，并利用A3的特征建立特征向量，将特征向量输入神经网络完成判别；此时，B2进入线程3并完成处理，得到B3，C1进入线程2，D完成背景噪声处理，并被送入线程1；依此类推，直至处理完机器视觉系统采集的所有被测物图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811061419.2A CN109211739A (zh) | 2018-09-12 | 2018-09-12 | 大米加工工艺检测系统及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811061419.2A CN109211739A (zh) | 2018-09-12 | 2018-09-12 | 大米加工工艺检测系统及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109211739A true CN109211739A (zh) | 2019-01-15 |
Family
ID=64983663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811061419.2A Pending CN109211739A (zh) | 2018-09-12 | 2018-09-12 | 大米加工工艺检测系统及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109211739A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112705292A (zh) * | 2020-12-29 | 2021-04-27 | 哈尔滨工程北米科技有限公司 | 一种具有高精度视觉伺服系统智能化碾磨的留胚米机 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4699273A (en) * | 1983-12-06 | 1987-10-13 | Gunson's Sortex Limited | Sorting machine |
| CN105181714A (zh) * | 2015-09-08 | 2015-12-23 | 哈尔滨工程大学 | 一种基于图像处理的瓶装液体杂质检测系统及其检测方法 |
| CN204974516U (zh) * | 2015-09-11 | 2016-01-20 | 赣州谷神米业有限公司 | 大米色选机 |
| CN106483135A (zh) * | 2016-10-12 | 2017-03-08 | 河北农业大学 | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 |
| CN108469435A (zh) * | 2018-07-26 | 2018-08-31 | 长沙荣业软件有限公司 | 人工智能大米质检机器人及质检方法 |
| CN108465649A (zh) * | 2018-07-26 | 2018-08-31 | 长沙荣业软件有限公司 | 人工智能玉米质检机器人及质检方法 |
-
2018
- 2018-09-12 CN CN201811061419.2A patent/CN109211739A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4699273A (en) * | 1983-12-06 | 1987-10-13 | Gunson's Sortex Limited | Sorting machine |
| CN105181714A (zh) * | 2015-09-08 | 2015-12-23 | 哈尔滨工程大学 | 一种基于图像处理的瓶装液体杂质检测系统及其检测方法 |
| CN204974516U (zh) * | 2015-09-11 | 2016-01-20 | 赣州谷神米业有限公司 | 大米色选机 |
| CN106483135A (zh) * | 2016-10-12 | 2017-03-08 | 河北农业大学 | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 |
| CN108469435A (zh) * | 2018-07-26 | 2018-08-31 | 长沙荣业软件有限公司 | 人工智能大米质检机器人及质检方法 |
| CN108465649A (zh) * | 2018-07-26 | 2018-08-31 | 长沙荣业软件有限公司 | 人工智能玉米质检机器人及质检方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯莹莹、郭常山著: "《智能监控视频中运动目标跟踪方法研究》", 30 June 2018, 吉林大学出版社 * |
| 王柳祎等: "《全国大学生嵌入式系统专题邀请赛优秀作品选编(2004)》", 30 November 2005, 上海交通大学出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112705292A (zh) * | 2020-12-29 | 2021-04-27 | 哈尔滨工程北米科技有限公司 | 一种具有高精度视觉伺服系统智能化碾磨的留胚米机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105118044B (zh) | 一种轮形铸造产品缺陷自动检测方法 | |
| CN104458755B (zh) | 一种基于机器视觉的多类型材质表面缺陷检测方法 | |
| CN111815601B (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
| CN107392232B (zh) | 一种浮选工况分类方法和系统 | |
| CN112837295B (zh) | 一种基于生成对抗网络的橡胶手套缺陷检测方法 | |
| CN102221559B (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
| CN108280856A (zh) | 基于混合信息输入网络模型的未知物体抓取位姿估计方法 | |
| CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
| Tilocca et al. | Detecting fabric defects with a neural network using two kinds of optical patterns | |
| CN106934813A (zh) | 一种基于视觉定位的工业机器人工件抓取实现方法 | |
| CN104914111A (zh) | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 | |
| CN111260609B (zh) | 一种基于深度学习的烟支外观缺陷检测方法 | |
| CN106404793A (zh) | 基于视觉的轴承密封件缺陷检测方法 | |
| CN109852748B (zh) | 监测高炉布料周期煤气流发展过程及预测煤气利用率方法 | |
| CN108647722B (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN109215015A (zh) | 一种基于卷积神经网络的蚕茧在线视觉检测方法 | |
| CN114066820A (zh) | 一种基于Swin-Transformer与NAS-FPN的织物疵点检测方法 | |
| CN207238542U (zh) | 一种基于机器视觉的篾片缺陷在线检测系统 | |
| CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
| CN107133962A (zh) | 一种基于边缘检测的金刚石锯片裂纹提取方法 | |
| Nandi et al. | Machine vision based automatic fruit grading system using fuzzy algorithm | |
| CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
| CN108931621B (zh) | 一种基于过程纹理特征的锌矿品位软测量方法 | |
| CN112150417A (zh) | 基于深度学习的涂布缺陷检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |
|
| RJ01 | Rejection of invention patent application after publication |