CN110084788A - 一种紧压茶外观纹理记录及识别方法 - Google Patents

一种紧压茶外观纹理记录及识别方法 Download PDF

Info

Publication number
CN110084788A
CN110084788A CN201910299666.4A CN201910299666A CN110084788A CN 110084788 A CN110084788 A CN 110084788A CN 201910299666 A CN201910299666 A CN 201910299666A CN 110084788 A CN110084788 A CN 110084788A
Authority
CN
China
Prior art keywords
picture
compressed tea
value
prefabricated
identification
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.)
Granted
Application number
CN201910299666.4A
Other languages
English (en)
Other versions
CN110084788B (zh
Inventor
吴颖
朱楚云
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.)
Xujing Chacang Ningbo Network Technology Co ltd
Original Assignee
Ningbo Tianbei Culture Communication Co Ltd
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 Ningbo Tianbei Culture Communication Co Ltd filed Critical Ningbo Tianbei Culture Communication Co Ltd
Priority to CN201910299666.4A priority Critical patent/CN110084788B/zh
Publication of CN110084788A publication Critical patent/CN110084788A/zh
Application granted granted Critical
Publication of CN110084788B publication Critical patent/CN110084788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

一种紧压茶外观纹理记录及识别方法，涉及一种图像识别技术，包括以下步骤，步骤A：紧压茶压制成固定形状后对其外观进行拍照录入形成图片；步骤B：对图片中紧压茶外观纹理进行多次特征提取，根据纹理特征确定与其相对应的唯一特征值，并将特征值保存至服务器；步骤C：识别时，对紧压茶进行拍照录入形成图片，然后对图片中的外观纹理进行特征提取获得识别值，最后比对识别值与特征值。与现有技术相比，本发明通过纹理识别技术，直接标识于产品本身，让每个紧压茶都具有唯一的标签，相比现有的流程追溯系统仅靠外置标检的方式，本申请完全杜绝了在紧压茶在消费端的以次充好、假冒伪劣的问题，是具有唯一性、真实性可靠性的质量追溯手段。

Description

一种紧压茶外观纹理记录及识别方法
技术领域
本发明涉及一种图像识别技术，尤其是一种紧压茶纹理识别技术。
背景技术
中国饮茶历史源远流长，古代不仅中原地区饮茶，蒙藏云贵也有饮茶习惯，为此还有专门的茶马古道进行茶叶的运输和销售。茶叶按存储形态可分为紧压茶和散茶，紧压茶便于携带，在少数民族地区非常流行。紧压茶主要是以黑毛茶、老青茶、做庄茶及其它适合制毛茶为原料，经过渥堆、蒸、压等典型工艺过程加工而成的砖形或其它形状的茶叶，紧压茶的多数品种比较粗老，干茶色泽黑褐，汤色澄黄或澄红。随着近期黑茶的流行、大量的紧压茶充斥市场，造成市面上产品良莠不齐，尤其是普洱茶，出现了很多假冒伪劣的低质产品。相比散茶，紧压茶往往做成饼状和砖状，由于茶叶和茶梗的形状和发酵后的颜色，在这些茶饼和茶砖上都会显现出独一无二的纹路，这些纹路则是紧压茶最好的防伪标记。
图像识别技术是人工智能的一个重要领域。它是指对图像进行对象识别，以识别各种不同模式的目标和对像的技术。深度学习是指多层神经网络上运用各种机器学习算法解决图像，文本等各种问题的算法集合，深度学习从大类上可以归入神经网络，卷积神经网络是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题。卷积网络的基本原理是通过一系列方法，成功将数据量庞大的图像识别问题不断降维，最终使其能够被训练进而自动识别图像。本申请则是利用图像识别技术来识别确定唯一的紧压茶纹路。
发明内容
本发明针对现有技术中的不足，提供了一种紧压茶外观纹理记录及识别方法，通过纹理识别技术，直接标识于产品本身，让每个紧压茶都具有唯一的标签，关联唯一的质量信息，相比现有的流程追溯系统仅靠外置标检的方式，本申请完全杜绝了在紧压茶在消费端的以次充好、假冒伪劣的问题，是具有唯一性、真实性可靠性的质量追溯手段。
为了解决上述技术问题，本发明通过下述技术方案得以解决：一种紧压茶外观纹理记录及识别方法，包括以下步骤，步骤A：紧压茶压制成固定形状后对其外观进行拍照录入形成图片；步骤B：对图片中紧压茶外观纹理进行多次特征提取，根据纹理特征确定与其相对应的唯一特征值，并将特征值保存至服务器；步骤C：识别时，对紧压茶进行拍照录入形成图片，然后对图片中的外观纹理进行特征提取获得识别值，最后比对识别值与特征值，在误差允许的范围内识别值与特征值一致，则识别成功。
上述技术方案中，优选的，在步骤B中特征值的提取包括以下步骤，步骤B1：通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的预制图片；步骤B2：根据拍照距离得出预制图片中紧压茶的实际尺寸以及实物和预制图片大小的预制比例关系；步骤B3：对预制图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对预制图片进行二值化处理；步骤B4：二值化处理后在预制图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；步骤B5：选取至少25个白色像素块的位置信息，如果白色像素块不足25个则重新行进B3步骤，更改二值化阈值后重新进行二值化处理直至具有至少25个白色像素块；步骤B6：将选取的位置信息进行集合得到位置矩阵；步骤B7：以上步骤至少完成两次得到至少两个位置矩阵，对所有位置矩阵进行比较，提取至少15个所有在误差范围内相同的位置信息，然后将这些位置信息与预制比例关系进行存储得到特征值，如果没有至少15个在误差范围内相同的位置信息则重新进行上述步骤直到获得至少15个在误差范围内相同的位置信息。
上述技术方案中，优选的，在步骤C中识别值的提取以及识别值和特征值的比对包括以下步骤，步骤C1：通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的识别图片；步骤C2：根据拍照距离得出识别图片中紧压茶的实际尺寸以及实物和识别图片大小的识别比例关系；步骤C3：获取相应特征值内的预制比例关系，通过预制比例关系和识别比例关系调整识别图片的大小使其符合规格；步骤C4：对识别图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对识别图片进行二值化处理；步骤C5：二值化处理后在识别图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；步骤C6：将所有的白色像素块的位置信息集合得到位置矩阵，此位置矩阵即为识别值；步骤C7：提取将特征值内的位置信息集合，然后与识别值匹配，如果特征值的所有位置信息在误差范围内与识别值内的位置信息匹配则识别成功。
上述技术方案中，优选的，在步骤C中识别值的提取以及识别值和特征值的比对包括以下步骤，步骤C1：通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的识别图片；步骤C2：根据拍照距离得出识别图片中紧压茶的实际尺寸以及实物和识别图片大小的识别比例关系；步骤C3：对识别图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对识别图片进行二值化处理；步骤C4：二值化处理后在识别图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；步骤C5：将所有的白色像素块的位置信息集合得到位置矩阵，此位置矩阵即为识别值；步骤C6：提取将特征值内的位置信息集合和预制比例关系，通过预制比例关系和识别比例关系调整特征值内的位置信息集合数值，然后与识别值匹配，如果特征值的所有位置信息在误差范围内与识别值内的位置信息匹配则识别成功。
上述技术方案中，优选的，在步骤A中，在光线良好的情况下对紧压茶的正面进行拍摄。
上述技术方案中，优选的，在步骤B1中，预制图片为矩形，预制图片的四边边缘为紧压茶图形的最大边缘。
上述技术方案中，优选的，在步骤C1中，识别图片为矩形，预制图片的边缘为紧压茶图形的最大边缘。
上述技术方案中，优选的，所述的误差范围在10％以下。
上述技术方案中，优选的，在获取特征值后将此紧压茶的其他质量信息与特征值同时上传至服务器上，当识别值与特征值一致则识别成功后，可以收到相应的质量信息。
本申请是图像识别技术的一种应用，但具有其自身的特殊性。紧压茶绝大多数是发酵过的黑茶压制而成饼状或者砖状。本身颜色严重偏黑，并在存储的过程中会有变色现象。紧压茶中色差最明显的是叶与梗，通常茶叶偏黑，茶梗偏白，在紧压的过程中每个茶饼或茶砖都会形成独一无二的纹路。本申请的核心思路是先提取出图片中紧压茶，让其单独成为预制图片，虽然预制图片为矩形，但预制图片非紧压茶部分为透明。然后对预制图片进行灰度化，并得到每个像素的灰度值。由于紧压茶整体偏黑，且照片本身亮度不可控，本申请识别的关键在于确定二值化阈值。二值化阈值可采用局部阈值(动态阈值)、阈值差值法、水线阈值法、基于小波的多阈值方法、基于边界点的递归多阈值方法、均衡对比度递归多阈值方法、直方图双峰法等方法得出，本申请优选动态阈值法。二值化确定后，则预制图片主要为黑色背景为主，白色纹路为辅的图像，此时需要统计每块白色像素块的位置信息，并选取至少25块的位置信息，然后重复上述步骤，得到若干次的统计数据，最后选取至少15个重合的位置数据作为特征值进行存储。识别时也是一样，既分析图片，得出纹路的位置信息，然后与特征值进行比较，如果一直则比较成功。
与现有技术相比，本发明的有益效果是：通过纹理识别技术，直接标识于产品本身，让每个紧压茶都具有唯一的标签，关联唯一的质量信息，相比现有的流程追溯系统仅靠外置标检的方式，本申请完全杜绝了在紧压茶在消费端的以次充好、假冒伪劣的问题，是具有唯一性、真实性可靠性的质量追溯手段。
具体实施方式
下面结合具体实施方式对本发明作进一步详细描述。
实施例1，一种紧压茶外观纹理记录及识别方法，主要包括三个步骤。步骤A：紧压茶压制成固定形状后对其外观进行拍照录入形成图片。在实际使用中对紧压茶的拍照并无特殊要求，但为了得到更好的效果，需要在光线良好、距离适中的情况下正对紧压茶正面进行拍照。有需求的，也可以对背面或侧面进行拍照，共同进行纹理的录入。一般而言此处可由机器拍照，获得统一的照片格式，减少后期处理。
步骤B：对图片中紧压茶外观纹理进行多次特征提取，根据纹理特征确定与其相对应的唯一特征值，并将特征值保存至服务器。在步骤B中特征值的提取包括以下步骤，步骤B1：通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的预制图片，预制图片为矩形，预制图片的四边边缘为紧压茶图形的最大边缘，预制图片中非紧压茶部分为透明。步骤B2：根据拍照距离以及拍照角度得出预制图片中紧压茶的实际尺寸以及实物和预制图片大小的预制比例关系；然后根据识别情况对预制图片做出变形处理，使得紧压茶图形大小适中且始终为正面。如果在步骤A中由专门的机器进行拍照则此步骤可以省略大量的处理工作。步骤B3：对预制图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对预制图片进行二值化处理。步骤B4：二值化处理后在预制图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；此时的白色像素块就是原本紧压茶上淡色纹理，此处的位置信息则是每个整个像素块的总的位置信息。步骤B5：选取至少25个白色像素块的位置信息，如果白色像素块不足25个则重新行进B3步骤，更改二值化阈值后重新进行二值化处理直至具有至少25个白色像素块。步骤B6：将选取的位置信息进行集合得到位置矩阵。步骤B7：以上步骤至少完成两次得到至少两个位置矩阵，以上步骤可以是B1步骤开始，既同一图片重新识别，也可以是A步骤开始，既重新拍照识别新的图片。然后对所有位置矩阵进行比较，提取至少15个所有在误差范围内相同的位置信息，所述的误差范围在10％以下，优选5％以下。然后将这些位置信息与预制比例关系进行存储得到特征值。如果没有至少15个在误差范围内相同的位置信息则重新进行上述步骤直到获得至少15个在误差范围内相同的位置信息。
相应的，获得唯一的特征值后，可以把产品的质量信息、年份信息以及其他相关信息都可以存储在服务器中并关联特征值。
步骤C：识别时，对紧压茶进行拍照录入形成图片。然后对图片中的外观纹理进行特征提取获得识别值，最后比对识别值与特征值，在误差允许的范围内识别值与特征值一致，则识别成功。在步骤C中识别值的提取以及识别值和特征值的比对包括以下步骤，步骤C1：由于此时紧压茶已经进入消费端，大多由人工进行拍照，为了达到精确识别的目的。这时对拍照的技术有一定要求，既需要在光线良好的环境下对紧压茶正表面进行拍照。通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的识别图片；识别图片为矩形，识别图片的边缘为紧压茶图形的最大边缘，识别图片中非紧压茶部分为透明。步骤C2：根根据拍照距离以及拍照角度得出预制图片中紧压茶的实际尺寸以及实物和预制图片大小的预制比例关系；。步骤C3：获取相应特征值内的预制比例关系，通过预制比例关系和识别比例关系调整识别图片的大小以及对识别图片进行变形使其符合规格既在同等距离下让识别图片中的紧压茶正面水平。步骤C4：对识别图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对识别图片进行二值化处理。步骤C5：二值化处理后在预制图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；此时的白色像素块就是原本紧压茶上淡色纹理，此处的位置信息则是每个整个像素块的总的位置信息。步骤C6：将所有的白色像素块的位置信息集合得到位置矩阵，此位置矩阵即为识别值；步骤C7：提取将特征值内的位置信息集合，然后与识别值匹配，如果特征值的所有位置信息在误差范围内与识别值内的位置信息匹配则识别成功。所述的误差范围在10％以下，优选5％以下。
匹配成功了即可获得相应的质量信息等。如果没有匹配成功，则说明此产品的有问题，可能并不是真货。
实施例2，一种紧压茶外观纹理记录及识别方法，主要包括三个步骤。步骤A：紧压茶压制成固定形状后对其外观进行拍照录入形成图片。在实际使用中对紧压茶的拍照并无特殊要求，但为了得到更好的效果，需要在光线良好、距离适中的情况下正对紧压茶正面进行拍照。有需求的，也可以对背面或侧面进行拍照，共同进行纹理的录入。一般而言此处可由机器拍照，获得统一的照片格式，减少后期处理。
步骤B：对图片中紧压茶外观纹理进行多次特征提取，根据纹理特征确定与其相对应的唯一特征值，并将特征值保存至服务器。在步骤B中特征值的提取包括以下步骤，步骤B1：通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的预制图片，预制图片为矩形，预制图片的四边边缘为紧压茶图形的最大边缘，预制图片中非紧压茶部分为透明。步骤B2：根据拍照距离以及拍照角度得出预制图片中紧压茶的实际尺寸以及实物和预制图片大小的预制比例关系；然后根据识别情况对预制图片做出变形处理，使得紧压茶图形大小适中且始终为正面。如果在步骤A中由专门的机器进行拍照则此步骤可以省略大量的处理工作。步骤B3：对预制图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对预制图片进行二值化处理。步骤B4：二值化处理后在预制图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；此时的白色像素块就是原本紧压茶上淡色纹理，此处的位置信息则是每个整个像素块的总的位置信息。步骤B5：选取至少25个白色像素块的位置信息，如果白色像素块不足25个则重新行进B3步骤，更改二值化阈值后重新进行二值化处理直至具有至少25个白色像素块。步骤B6：将选取的位置信息进行集合得到位置矩阵。步骤B7：以上步骤至少完成两次得到至少两个位置矩阵，以上步骤可以是B1步骤开始，既同一图片重新识别，也可以是A步骤开始，既重新拍照识别新的图片。然后对所有位置矩阵进行比较，提取至少15个所有在误差范围内相同的位置信息，所述的误差范围在10％以下，优选5％以下。然后将这些位置信息与预制比例关系进行存储得到特征值。如果没有至少15个在误差范围内相同的位置信息则重新进行上述步骤直到获得至少15个在误差范围内相同的位置信息。
相应的，获得唯一的特征值后，可以把产品的质量信息、年份信息以及其他相关信息都可以存储在服务器中并关联特征值。
步骤C：识别时，对紧压茶进行拍照录入形成图片。然后对图片中的外观纹理进行特征提取获得识别值，最后比对识别值与特征值，在误差允许的范围内识别值与特征值一致，则识别成功。步骤C1：由于此时紧压茶已经进入消费端，大多由人工进行拍照，为了达到精确识别的目的。这时对拍照的技术有一定要求，既需要在光线良好的环境下对紧压茶正表面进行拍照。通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的识别图片；识别图片为矩形，识别图片的边缘为紧压茶图形的最大边缘，识别图片中非紧压茶部分为透明。步骤C2：根据拍照距离以及拍照角度得出预制图片中紧压茶的实际尺寸以及实物和预制图片大小的预制比例关系；然后根据识别情况对预制图片做出变形处理，使得紧压茶图形大小适中且始终为正面。步骤C3：对识别图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对识别图片进行二值化处理；步骤C4：二值化处理后在预制图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；此时的白色像素块就是原本紧压茶上淡色纹理，此处的位置信息则是每个整个像素块的总的位置信息。步骤C5：将所有的白色像素块的位置信息集合得到位置矩阵，此位置矩阵即为识别值。步骤C6：提取将特征值内的位置信息集合和预制比例关系，通过预制比例关系和识别比例关系调整特征值内的位置信息集合数值，然后与识别值匹配，如果特征值的所有位置信息在误差范围内与识别值内的位置信息匹配则识别成功。所述的误差范围在10％以下，优选5％以下。
匹配成功了即可获得相应的质量信息等。如果没有匹配成功，则说明此产品的有问题，可能并不是真货。

Claims (9)

1.一种紧压茶外观纹理记录及识别方法，其特征为包括以下步骤，
步骤A：紧压茶压制成固定形状后对其外观进行拍照录入形成图片；
步骤B：对图片中紧压茶外观纹理进行多次特征提取，根据纹理特征确定与其相对应的唯一特征值，并将特征值保存至服务器；
步骤C：识别时，对紧压茶进行拍照录入形成图片，然后对图片中的外观纹理进行特征提取获得识别值，最后比对识别值与特征值，在误差允许的范围内识别值与特征值一致，则识别成功。
2.根据权利要求1所述的一种紧压茶外观纹理记录及识别方法，其特征为，在步骤B中特征值的提取包括以下步骤，
步骤B1：通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的预制图片；
步骤B2：根据拍照距离得出预制图片中紧压茶的实际尺寸以及实物和预制图片大小的预制比例关系；
步骤B3：对预制图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对预制图片进行二值化处理；
步骤B4：二值化处理后在预制图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；
步骤B5：选取至少25个白色像素块的位置信息，如果白色像素块不足25个则重新行进B3步骤，更改二值化阈值后重新进行二值化处理直至具有至少25个白色像素块；
步骤B6：将选取的位置信息进行集合得到位置矩阵；
步骤B7：以上步骤至少完成两次得到至少两个位置矩阵，对所有位置矩阵进行比较，提取至少15个所有在误差范围内相同的位置信息，然后将这些位置信息与预制比例关系进行存储得到特征值，如果没有至少15个在误差范围内相同的位置信息则重新进行上述步骤直到获得至少15个在误差范围内相同的位置信息。
3.根据权利要求2所述的一种紧压茶外观纹理记录及识别方法，其特征为，在步骤C中识别值的提取以及识别值和特征值的比对包括以下步骤，
步骤C1：通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的识别图片；
步骤C2：根据拍照距离得出识别图片中紧压茶的实际尺寸以及实物和识别图片大小的识别比例关系；
步骤C3：获取相应特征值内的预制比例关系，通过预制比例关系和识别比例关系调整识别图片的大小使其符合规格；
步骤C4：对识别图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对识别图片进行二值化处理；
步骤C5：二值化处理后在识别图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；
步骤C6：将所有的白色像素块的位置信息集合得到位置矩阵，此位置矩阵即为识别值；
步骤C7：提取将特征值内的位置信息集合，然后与识别值匹配，如果特征值的所有位置信息在误差范围内与识别值内的位置信息匹配则识别成功。
4.根据权利要求2所述的一种紧压茶外观纹理记录及识别方法，其特征为，在步骤C中识别值的提取以及识别值和特征值的比对包括以下步骤，
步骤C1：通过卷积神经网络视觉识别技术识别图片中的紧压茶，并把图片中的紧压茶图形单独提取分割形成新的识别图片；
步骤C2：根据拍照距离得出识别图片中紧压茶的实际尺寸以及实物和识别图片大小的识别比例关系；
步骤C3：对识别图片进行灰度化，并得到像素点平均灰度值，根据像素点平均灰度值设置二值化阈值，然后根据二值化阈值对识别图片进行二值化处理；
步骤C4：二值化处理后在识别图片上检索所有白色像素点，如果白色像素点是连续的则记录此白色像素块的位置信息；
步骤C5：将所有的白色像素块的位置信息集合得到位置矩阵，此位置矩阵即为识别值；
步骤C6：提取将特征值内的位置信息集合和预制比例关系，通过预制比例关系和识别比例关系调整特征值内的位置信息集合数值，然后与识别值匹配，如果特征值的所有位置信息在误差范围内与识别值内的位置信息匹配则识别成功。
5.根据权利要求1至4任一所述的一种紧压茶外观纹理记录及识别方法，其特征为，在步骤A中，在光线良好的情况下对紧压茶的正面进行拍摄。
6.根据权利要求2所述的一种紧压茶外观纹理记录及识别方法，其特征为，在步骤B1中，预制图片为矩形，预制图片的四边边缘为紧压茶图形的最大边缘。
7.根据权利要求3或4中所述的一种紧压茶外观纹理记录及识别方法，其特征为，在步骤C1中，预制图片为矩形，识别图片的边缘为紧压茶图形的最大边缘。
8.根据权利要求2或3或4中所述的一种紧压茶外观纹理记录及识别方法，其特征为，所述的误差范围在10％以下。
9.根据权利要求1述的一种紧压茶外观纹理记录及识别方法，其特征为，在获取特征值后将此紧压茶的其他质量信息与特征值同时上传至服务器上，当识别值与特征值一致则识别成功后，可以收到相应的质量信息。
CN201910299666.4A 2019-04-15 2019-04-15 一种紧压茶外观纹理记录及识别方法 Active CN110084788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910299666.4A CN110084788B (zh) 2019-04-15 2019-04-15 一种紧压茶外观纹理记录及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910299666.4A CN110084788B (zh) 2019-04-15 2019-04-15 一种紧压茶外观纹理记录及识别方法

Publications (2)

Publication Number Publication Date
CN110084788A true CN110084788A (zh) 2019-08-02
CN110084788B CN110084788B (zh) 2022-12-20

Family

ID=67415065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910299666.4A Active CN110084788B (zh) 2019-04-15 2019-04-15 一种紧压茶外观纹理记录及识别方法

Country Status (1)

Country Link
CN (1) CN110084788B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008842A (zh) * 2019-11-19 2020-04-14 中冶赛迪工程技术股份有限公司 一种茶叶检测方法、系统、电子设备及机器可读介质
CN111444897A (zh) * 2020-05-09 2020-07-24 杨绍荣 一种基于纹路成像识别技术的普洱茶鉴别方法
CN111523910A (zh) * 2020-04-17 2020-08-11 济南浪潮高新科技投资发展有限公司 一种基于Siamese Network的茶砖识别方法及系统
CN113379720A (zh) * 2021-06-29 2021-09-10 云南昆船设计研究院有限公司 一种基于茶饼图像特征编码的茶饼防伪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059425A (zh) * 2007-05-29 2007-10-24 浙江大学 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
US20120188228A1 (en) * 2010-11-24 2012-07-26 University Of Southern California Method and apparatus for realistically reproducing eyeball
CN106095827A (zh) * 2016-06-01 2016-11-09 惠州市和易科技有限公司 紧压物的鉴别装置及其使用方法
US20170236037A1 (en) * 2013-04-11 2017-08-17 Digimarc Corporation Methods for object recognition and related arrangements
CN108444924A (zh) * 2018-03-07 2018-08-24 安徽农业大学 一种应用高光谱图像技术判别茶叶贮藏期的方法
CN208377374U (zh) * 2018-06-27 2019-01-15 陈杏妹 一种普洱茶自动化储存管理装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101059425A (zh) * 2007-05-29 2007-10-24 浙江大学 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
US20120188228A1 (en) * 2010-11-24 2012-07-26 University Of Southern California Method and apparatus for realistically reproducing eyeball
US20170236037A1 (en) * 2013-04-11 2017-08-17 Digimarc Corporation Methods for object recognition and related arrangements
CN106095827A (zh) * 2016-06-01 2016-11-09 惠州市和易科技有限公司 紧压物的鉴别装置及其使用方法
CN108444924A (zh) * 2018-03-07 2018-08-24 安徽农业大学 一种应用高光谱图像技术判别茶叶贮藏期的方法
CN208377374U (zh) * 2018-06-27 2019-01-15 陈杏妹 一种普洱茶自动化储存管理装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008842A (zh) * 2019-11-19 2020-04-14 中冶赛迪工程技术股份有限公司 一种茶叶检测方法、系统、电子设备及机器可读介质
CN111008842B (zh) * 2019-11-19 2023-08-25 中冶赛迪工程技术股份有限公司 一种茶叶检测方法、系统、电子设备及机器可读介质
CN111523910A (zh) * 2020-04-17 2020-08-11 济南浪潮高新科技投资发展有限公司 一种基于Siamese Network的茶砖识别方法及系统
CN111444897A (zh) * 2020-05-09 2020-07-24 杨绍荣 一种基于纹路成像识别技术的普洱茶鉴别方法
CN113379720A (zh) * 2021-06-29 2021-09-10 云南昆船设计研究院有限公司 一种基于茶饼图像特征编码的茶饼防伪方法
CN113379720B (zh) * 2021-06-29 2022-08-09 云南昆船设计研究院有限公司 一种基于茶饼图像特征编码的茶饼防伪方法

Also Published As

Publication number Publication date
CN110084788B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN110084788A (zh) 一种紧压茶外观纹理记录及识别方法
CN106204779B (zh) 基于多人脸数据采集策略和深度学习的课堂考勤方法
CN102222384B (zh) 纸币多光谱图像分析方法
CN106295656B (zh) 基于图像色块内容的图像轮廓特征提取方法和装置
CN101976332B (zh) 一种利用多特征的手指静脉采集识别方法
CN104851113B (zh) 多分辨率遥感影像的城市植被自动提取方法
CN108229458A (zh) 一种基于运动检测和多特征提取的火焰智能识别方法
CN108710916B (zh) 图片分类的方法及装置
CN109543640A (zh) 一种基于图像转换的活体检测方法
CN112464942B (zh) 基于计算机视觉的重叠烟叶智能化分级方法
CN107680077A (zh) 一种基于多阶梯度特征的无参考图像质量评价方法
CN103136845A (zh) 一种基于冠字号图像特征的人民币鉴伪方法
CN108537239A (zh) 一种图像显著性目标检测的方法
CN104217221A (zh) 基于纹理特征的书画作品检测方法
CN107844736A (zh) 虹膜定位方法和装置
CN108154195A (zh) 茶叶识别方法及使用该方法的茶叶分拣装置
CN109241983A (zh) 一种图像处理与神经网络结合的条烟图像识别方法
CN108509870A (zh) 一种基于图像匹配的中华绒螯蟹唯一性识别方法
CN106156684A (zh) 一种二维码识别方法及装置
CN105632015A (zh) 一种基于云平台的银行票据指纹特征防伪鉴别方法
CN104537756A (zh) 一种基于Lab色彩空间的钞票分类鉴别方法和装置
CN105844213A (zh) 一种绿色果实识别方法
CN108921831A (zh) 一种基于图像处理技术的污损硬币识别方法
CN109255414A (zh) 一种用于图书盘点的彩色条码、图书识别方法、电子设备及存储介质
CN108932449A (zh) 一种基于聚类的条码二值化方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20221201

Address after: 4-2, Floor 4, No. 1558, Jiangnan Road, High tech Zone, Ningbo, Zhejiang 315100

Applicant after: Xujing Chacang (Ningbo) Network Technology Co.,Ltd.

Address before: No. 338, Sangtian Road, Yinzhou District, Ningbo, Zhejiang 315000

Applicant before: NINGBO TIANBEI CULTURE COMMUNICATION Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant