CN111311539A - 一种应用于磨米机精度检测方法 - Google Patents
一种应用于磨米机精度检测方法 Download PDFInfo
- Publication number
- CN111311539A CN111311539A CN201911424001.8A CN201911424001A CN111311539A CN 111311539 A CN111311539 A CN 111311539A CN 201911424001 A CN201911424001 A CN 201911424001A CN 111311539 A CN111311539 A CN 111311539A
- Authority
- CN
- China
- Prior art keywords
- rice
- image
- whiteness
- brown rice
- milling machine
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 134
- 235000009566 rice Nutrition 0.000 title claims abstract description 134
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 240000007594 Oryza sativa Species 0.000 title description 108
- 235000021329 brown rice Nutrition 0.000 claims abstract description 50
- 238000003801 milling Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 241000209094 Oryza Species 0.000 claims abstract 27
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000021049 nutrient content Nutrition 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013325 dietary fiber Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Images
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
-
- 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
- G01N21/85—Investigating moving fluids or granular solids
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G01N21/85—Investigating moving fluids or granular solids
- G01N2021/8592—Grain or other flowing solid samples
Abstract
一种应用于磨米机精度检测方法，其特征在于：该方法的步骤如下：第一步，对在磨米机内碾磨的糙米进行径宽比的判别；第二步，对第一步中判别后的糙米的图像进行采集；第三步，基于改进的自适应分数阶函数对第二步中采集的糙米图像进行去噪预处理；第四步，基于亮度Fisher分析的精米检测算法，对第三步预处理之后的图像中不同大米的精白度进行检测，从而检测出三分白、五分白和七分白的大米。本发明将去噪增强后精米图像，进行不同精白度的识别，从而检测出三分白、五分白和七分白的大米。在对不同精白度图像的识别中，本发明采用基于亮度Fisher分析的识别算法。
Description
技术领域：
本发明涉及图像处理领域，更具体的说，涉及一种应用于磨米机精度检测方法。
背景技术：
研磨后的精米，精白度不同，其含有膳食纤维不同，精白度越高能快速排出体内的毒素。辅助其它营养素的吸收，培养对人体有益的活菌。改善肌肤光泽，克服肥胖，因此需要对大米进行不同精白度的处理。随着磨米机的运行，对大米不同精白度的检测至关重要。
现有的大米精白度检测方法主要有比较法和仪器法。其中比较法是利用加工后的大米与相应的加工精度等级标准样品对照比较,通过观测判定加工精度，该方法是一种定性检测，无法实现动态操作，准确率低。仪器法是指根据不同加工精度导致大米营养含量不同，采用大米表面提取物进行可见或红外的光谱分析，该方法受到不同米样本身的营养含量影响,其结果难以准确定量。
现有上述的检测方法无法对大米精白度进行量化检测研究,无法对磨米机内的大米进行动态的精白度检测，因此本文设计一种应用于磨米机的精度检测方法。
发明内容：
发明目的：
本发明所要解决的技术问题是提供一种应用于磨米机精度检测方法。为解决大米精度检测效率低、不同精白度大米参杂现象明显等问题，本发明提供以下技术方案：
技术方案：
一种应用于磨米机精度检测方法，其特征在于：该方法的步骤如下：第一步，对在磨米机内碾磨的糙米进行径宽比(糙米长度与宽度的比例)的判别；
第二步，对第一步中判别后的糙米(径宽比为0.3～0.6之间)的图像进行采集；
第三步，基于改进的自适应分数阶Alexander(亚历山大)函数对第二步中采集的糙米图像进行去噪预处理；
第四步，基于亮度Fisher(费希尔)分析的精米检测算法，对第三步预处理之后的图像中不同大米的精白度进行检测，从而检测出三分白、五分白和七分白的大米。
第一步中，利用光栅式传感器对糙米进行径宽比的测量，判别出糙米的径宽比在0.3～0.6之间，并与数据库中多种型号的糙米进行对比，判别偏差控制在±0.01mm，判断出需要碾磨糙米的型号。
第二步中，采用高清CCD摄像头，对磨米机内运动的图像进行获取，以150Hz/s的速度自动拍摄，以采集符合要求的精米图像。
根据权利要求1所述的一种应用于磨米机精度检测方法，其特征在于：第三步中所述的精米图像预处理，是利用一种自适应分数阶 Alexander函数对灰度图像进行去噪处理，具体如下：
由α＝0时(α为图像的灰度对比值)，
基于Mittag-Leffler函数的定义，
结合Alexander函数定义(3)，得出Alexander滤波函数，
式中，lm为正整数，V为分数阶微积分阶次。I为积分图像，D为微分图像，u为调节系数，E为参数调节函数，t为参数稳定系数。i、 d、m为正整数。
基于Alexander函数定义了分数阶微分算子(AFD)和分数阶积分算子(AFI)的两个掩模窗口系数；从式(1)、(2)、(3)、(4)得出。
分数阶微分算子：
分数阶积分算子
式中，V为分数阶微积分阶次，t为参数稳定系数。
选择式(5)～(10)、(11)～(15)的掩模窗口系数，构造使图像具有旋转不变性的AFD、AFI掩模窗口；采用X轴正负、Y轴正负和左右对角线的数据，构造具有各向同性的8方向掩模；将8个方向的 AFD、AFI掩模窗口，各构造一个5×5掩模滤波器；
将其中分数阶微分算子和分数阶积分算子中的最大值Δ6、
的系数作为掩模窗口的中心位置，使掩模权值为0的像素点不被忽略，同时保证分解图像区域的像素点在0～255范围内变化，对掩模中的各个系数进行加权处理，即进行归一化。
第四步中，在对不同精白度图像的识别中，采用基于亮度Fisher分析的识别算法，具体如下：
首先根据预处理的精白米图像，进行像素点的数据集的采集。
式中，xi∈RD，yi∈{1,2…c}，N是样本个数，D为样本维数，xi,yi是像素点，c是类别总数。
将采集的像素点数据集进行分析，求解得到识别模板。
(6)式为中，Zi为识别数据。(7)式中，P为识别模板，P∈RD×m， m为设定的空间大小，x∈RD×N为(6)样本模板，Lb∈RN×N， Lw∈RN×N为拉普拉斯模板，A为对模板x(Lb+Lw)特征分解后的非零像素点的特征模板。Pm为识别模板，PT为识别转置函数，AT为图像像素点转置模板，x，y为像素点，xT为横轴的像素点转置。
一种应用于磨米机精度检测系统，其特征在于：该系统包括图像采集模块、判别模块、图像预处理模块和图像识别模块；
判别模块对在磨米机内碾磨的糙米进行径宽比(糙米长度与宽度的比例)的判别；
图像采集模块，对第一步中判别后的糙米(径宽比达到0.3～0.6 之间)的图像进行采集；
图像预处理模块基于改进的自适应分数阶Alexander(亚历山大) 函数对第二步中采集的糙米图像进行去噪预处理；
图像识别模块基于亮度Fisher分析的检测算法，对图像预处理模块中预处理后的图像中的不同大米的精白度进行检测，从而检测出三分白、五分白和七分白的大米。
优点及效果：
所述不同精白度大米的检测方法，包括一种对在磨米机内碾磨的糙米进行径宽比的判别，对高速旋转的糙米图像采集，基于分数阶微积分图像增强的不同精白度检测以及基于亮度Fisher分析的精米识别算法。
所述的不同精白度大米的检测方法，首先对在磨米机内碾磨的糙米进行径宽比的判别。
所述的不同精白度大米的检测方法，对磨米机内高速旋转运行的糙米进行精确的图像采集。
所述的精米图像预处理，利用一种自适应分数阶Alexander函数对灰度图像进行去噪处理。
为突出图像的亮度信息，进一步丰富图像纹理细节，更好的抑制噪声，由α＝0时(α为图像的灰度对比值)，
基于Mittag-Leffler函数的定义，
结合Alexander函数定义(3)，得出Alexander滤波函数，
式中，lm为正整数，V为分数阶微积分阶次。I为积分图像，D为微分图像，u为调节系数，E为参数调节函数，t为参数稳定系数。i、 d、m为正整数。
所述大米精白度的检测。将去噪增强后精米图像，进行不同精白度的识别，从而检测出三分白、五分白和七分白的大米。在对不同精白度图像的识别中，本发明采用基于亮度Fisher分析的识别算法。
首先根据预处理的精白米图像，进行像素点的数据集的采集。
式中，xi∈RD，yi∈{1,2…c}，N是样本个数，D为样本维数，xi,yi是像素点，c是类别总数。
将采集的像素点数据集进行分析，求解得到识别模板。
(5)式为中，Zi为识别数据。(7)式中，P为识别模板，P∈RD×m， m为设定的空间大小，x∈RD×N为(6)样本模板，Lb∈RN×N， Lw∈RN×N为拉普拉斯模板，A为对模板x(Lb+Lw)特征分解后的非零像素点的特征模板。Pm为识别模板，PT分别为识别转置函数，AT分别为图像像素点转置模板，x，y为像素点，xT为横轴的像素点转置。该装置包括图像获取模块，图像预处理模块和大米精白度识别模块依次连接进行。所述大米精白度检测装置位于磨米机的操作区域内，更能精确的测定米粒的色度。
本发明与现有技术相比具有的有益效果是：在磨米机操作区内实现米与米糠精确分离，利用精白度识别模块分辨米的精白度,得到不同程度的大米精度。
在上述方案基础优先，所述的精米图像预处理，设计一种自适应分数阶Alexander函数对灰度图像进行去噪处理。
本发明将去噪增强后精米图像，进行不同精白度的识别，从而检测出三分白、五分白和七分白的大米。在对不同精白度图像的识别中，本发明采用基于亮度Fisher分析的识别算法。
最终的目的就是如果要三分白的米就控制磨米机只磨出三分白的米，如果需要7分白的就控制磨米机只磨出7分白的米，以此类推。
附图说明：
图1为一种基于分数阶微积分图像增强的不同精白度检测流程图。
图2为一种基于分数阶微积分图像增强的不同精白度检测装置示意图。
图3为得到的AFD、AFI滤波器。
具体实施方式：下面结合附图对本发明做进一步的说明：
由图1可知，本发明的一种基于分数阶微积分图像增强的不同精白度检测流程图具体包括以下步骤。
步骤1：糙米的判别，对在磨米机内碾磨的糙米进行径宽比的判别。在本发明中，首先利用光栅式传感器对糙米进行径宽比的测量，并与数据库中多种型号的糙米进行对比，判断出需要碾磨糙米的型号。糙米粒型的判别，首先根据测量米粒的径宽比确定米的种类，在对比数据模板中，进一步确定米的型号；为下一步糙米碾磨后的精米色度的检测做基础。由于不同型号大米的径宽比不同，在磨米机内碾磨后精米的不同色度对应各自的径宽比。
步骤2：图像采集，对磨米机内搅拌的糙米进行图像采集。
在本发明中，为了准确的获得不同大米精白度的图像，采用高清CCD 摄像头，对运动的图像进行获取，从而精确的判断出大米的精白度。由于图像是高速旋转的，为了准确的采集图像，需要进行连续慢速的拍摄，以采集符合要求的精米图像。
步骤3：图像预处理，对采集的图像进行去噪、滤波处理，增强图像的检测度。
由于采集的是高速旋转下的精米图像，图像会有所失贞，在图像传输过程中，会受到高斯噪声的污染。
首先将采集的精密米图像进行灰度化处理，利用一种自适应分数阶 Alexander函数对灰度图像进行去噪处理。
为突出图像的亮度信息，进一步丰富图像纹理细节，更好的抑制噪声，由α＝0时(α为图像的灰度对比值)，
基于Mittag-Leffler函数的定义，
结合于Mittag-Leffler函数定义(3)，得出Alexander滤波函数，
式中，lm为正整数，V为分数阶微积分阶次。
基于Alexander函数定义了分数阶微分算子(AFD)和分数阶积分算子(AFI)的两个掩模窗口系数。从式(1)、(2)、(3)、(4)得出，分数阶微分算子：
分数阶积分算子
式中，V为分数阶微积分阶次，t为参数稳定系数。
为更好的对采集的精米图像进行去噪，保持图像的清晰度，本发明选择式(5)～(10)、(11)～(15)的掩模窗口系数，构造使图像具有旋转不变性的AFD、AFI掩模窗口。采用X轴正负、Y轴正负和左右对角线的数据，构造具有各向同性的8方向掩模；为了让掩模滤波器稳定，计算方便，将8个方向的AFD、AFI掩模窗口，各构造一个 5×5掩模滤波器。
将其中的最大值Δ6、
的系数作为掩模窗口的中心位置，为保证掩模的各向同性，使其权值为0的像素点不被忽略，同时保证分解图像区域的像素点在一定范围内变化，对掩模中的各个系数进行加权处理，即进行归一化，得到的AFD、AFI滤波器如图3所示：
图3的a中
图3的b中，
对处理后的精米图像，采用客观评价图像去噪的标准参数峰值信噪比 (PeakSignal to Noise Ratio，PSNR)和评价两幅图像相似结构的指标的参数图像相似度(Structural Similarity Index Measurement，SSIM) 对去噪声效果进行性能评价。
参数定义如下：
式中，Ii,j是像素点为256×256的原始lean图像，Ki,j为去噪后的图像，u1,u2分别为Ii,j,Ki,j的均值，σ1,σ2分别表示Ii,j,Ki,j的方差，σ1,2表示Ii,j,Ki,j的协方差，为保持系统的稳定性，引入定量常数c1＝0.01,c2＝0.02；其PSNR 越高，SSIM越大，表示图像的去噪效果越好。
表1各含噪图像经算法处理后的PSNR和SSIM值
从表1得知，本算法得到的PSNR值和SSIM值均高于其他算法，从而验证了该算法对高斯噪声、椒盐噪声、乘性噪声去噪效果的良好性。从而说明了本算法对受到噪声污染的图像具有良好的预处理效果。步骤4：大米精白度的检测。将去噪增强后精米图像，进行不同精白度的识别，从而检测出三分白、五分白和七分白的大米。
在对不同精白度图像的识别中，本发明采用基于亮度Fisher分析的识别算法。首先根据预处理的精白米图像，进行像素点的数据集的采集。
式中，xi∈RD，yi∈{1,2…c}，N是样本个数，D为样本维数，xi,yi是像素点，c是类别总数。
将采集的像素点数据集进行分析，求解得到识别模板。
(18)式为中，Zi为识别数据(利用此数据得出不同色度，在利用表1判断精白度)。(20)式中，P为识别模板，P∈RD×m，m为设定的空间大小， x∈RD×N为(18)样本模板，Lb∈RN×N，Lw∈RN×N为拉普拉斯模板， A为对模板x(Lb+Lw)特征分解后的非零像素点的特征模板。Pm为识别模板，PT分别为识别转置函数，AT分别为图像像素点转置模板，x， y为像素点，xT为横轴的像素点转置。
由图2可知，一种基于分数阶微积分图像增强的不同精白度检测装置具体包括图像获取模块，图像预处理模块和大米精白度识别模块。所述大米精白度检测装置与磨米机的搅拌装置相连，更能精确的测定米粒的色度。
所述图像获取模块401，利用高清CCD相机进行图像的采集。
所述图像预处理模块402，对采集的精米图像，利用数据线进行快速传输，在计算机MATLAB软件中进行处理，首先将图像的灰度化，基于A-FAP去噪算法对图像进行细化，采用分数阶微积分滤波器对图像进行增强，使处理的图像效果更好。
所述大米的精白度识别模块403。经计算机处理的精米图像，首先进行像素点的数据采集，然后在精米识别模板的检测下，区分大米的色度，检测出三分白、五分白和七分白的大米。
从大米精白度标准得知，普通大米的白度值在50％～70％之间，三分白的大米为60％～75％，五分白大米为75％～80％，七分白大米为80％～90％；对粳米精白度大米进行检测分析，粳米的径宽比小于2，得到以下数据：
表1不同精白度大米的检测数据
一种应用于磨米机精度检测系统，其特征在于：该系统包括图像采集模块、判别模块、图像预处理模块和图像识别模块；
判别模块对在磨米机内碾磨的糙米进行径宽比(糙米长度与宽度的比例)的判别；
图像采集模块，对第一步中判别后的糙米(径宽比达到0.3～0.6 之间)的图像进行采集；
图像预处理模块基于改进的自适应分数阶Alexander(亚历山大) 函数对第二步中采集的糙米图像进行去噪预处理；
图像识别模块基于亮度Fisher分析的检测算法，对图像预处理模块中预处理后的图像中的不同大米的精白度进行检测，从而检测出三分白、五分白和七分白的大米。
综上，本发明设计一种应用于磨米机精度检测方法及装置，首先对高速旋转的糙米图像进行采集；然后基于改进的自适应分数阶 Alexander函数对精米图像进行去噪处理；最后基于亮度Fisher分析的精米检测算法，对不同大米的精白度进行检测，从而检测出三分白、五分白和七分白的大米。
Claims (9)
1.一种应用于磨米机精度检测方法，其特征在于：该方法的步骤如下：
第一步，对在磨米机内碾磨的糙米进行径宽比的判别；
第二步，对第一步中判别后的糙米的图像进行采集；
第三步，基于改进的自适应分数阶Alexander函数对第二步中采集的糙米图像进行去噪预处理；
第四步，基于亮度Fisher分析的精米检测算法，对第三步预处理之后的图像中不同大米的精白度进行检测，从而检测出三分白、五分白和七分白的大米。
2.根据权利要求1所述的一种应用于磨米机精度检测方法，其特征在于：
第一步中，利用光栅式传感器对糙米进行径宽比的测量，判别出径宽比在0.3～0.6之间糙米图像，并与数据库中多种型号的糙米进行对比，其对比的判别偏差控制在±0.01mm，准确的判断出需要碾磨糙米的型号。
3.根据权利要求1所述的一种应用于磨米机精度检测方法，其特征在于：
第二步中，采用高清CCD摄像头，对磨米机内运动的图像进行获取，以150Hz/s的速度自动拍摄，以采集符合要求的精米图像。
4.根据权利要求1所述的一种应用于磨米机精度检测方法，其特征在于：
第三步中所述的精米图像预处理，是利用一种自适应分数阶Alexander函数对灰度图像进行去噪处理，具体如下：
由α＝0时(α为图像的灰度对比值)，
基于Mittag-Leffler函数的定义，
结合Alexander函数定义(3)，得出Alexander滤波函数，
式中，lm为正整数，V为分数阶微积分阶次。I为积分图像，D为微分图像，u为调节系数，E为参数调节函数，t为参数稳定系数。i、d、m为正整数。
5.根据权利要求4所述的一种应用于磨米机精度检测方法，其特征在于：
基于Alexander函数定义了分数阶微分算子(AFD)和分数阶积分算子(AFI)的两个掩模窗口系数；从式(1)、(2)、(3)、(4)得出。
分数阶微分算子：
分数阶积分算子
式中，V为分数阶微积分阶次，t为参数稳定系数。
选择式(5)～(10)、(11)～(15)的掩模窗口系数，构造使图像具有旋转不变性的AFD、AFI掩模窗口；采用X轴正负、Y轴正负和左右对角线的数据，构造具有各向同性的8方向掩模；将8个方向的AFD、AFI掩模窗口，各构造一个5×5掩模滤波器；
将其中分数阶微分算子和分数阶积分算子中的最大值Δ6、Δ～6的系数作为掩模窗口的中心位置，使掩模权值为0的像素点不被忽略，同时保证分解图像区域的像素点在0～255范围内变化，对掩模中的各个系数进行加权处理，即进行归一化。
6.根据权利要求1所述的一种应用于磨米机精度检测方法，其特征在于：第四步中，在对不同精白度图像的识别中，采用基于亮度Fisher分析的识别算法，具体如下：
首先根据预处理的精白米图像，进行像素点的数据集的采集。
式中，xi∈RD，yi∈{1,2…c}，N是样本个数，D为样本维数，xi,yi是像素点，c是类别总数。
将采集的像素点数据集进行分析，求解得到识别模板。
(6)式为中，Zi为识别数据。(7)式中，P为识别模板，P∈RD×m，m为设定的空间大小，x∈RD ×N为(6)样本模板，Lb∈RN×N，Lw∈RN×N为拉普拉斯模板，A为对模板x(Lb+Lw)特征分解后的非零像素点的特征模板。Pm为识别模板，PT为识别转置函数，AT为图像像素点转置模板，x，y为像素点，xT为横轴的像素点转置。
7.根据权利要求1所述的一种应用于磨米机精度检测方法，其特征在于：
第一步中对在磨米机内碾磨的糙米进行径宽比的判别中：径宽比为糙米长度与宽度的比例。
8.根据权利要求1所述的一种应用于磨米机精度检测方法，其特征在于：第二步中糙米径宽比达到0.3～0.6之间。
9.一种应用于磨米机精度检测系统，其特征在于：该系统包括图像采集模块、判别模块、图像预处理模块和图像识别模块；
判别模块对在磨米机内碾磨的糙米进行径宽比(糙米长度与宽度的比例)的判别；
图像采集模块，对第一步中判别后的糙米(径宽比达到0.3～0.6之间)的图像进行采集；
图像预处理模块基于改进的自适应分数阶Alexander(亚历山大)函数对第二步中采集的糙米图像进行去噪预处理；
图像识别模块基于亮度Fisher分析的检测算法，对图像预处理模块中预处理后的图像中的不同大米的精白度进行检测，从而检测出三分白、五分白和七分白的大米。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911424001.8A CN111311539A (zh) | 2019-12-31 | 2019-12-31 | 一种应用于磨米机精度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911424001.8A CN111311539A (zh) | 2019-12-31 | 2019-12-31 | 一种应用于磨米机精度检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111311539A true CN111311539A (zh) | 2020-06-19 |
Family
ID=71159838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911424001.8A Pending CN111311539A (zh) | 2019-12-31 | 2019-12-31 | 一种应用于磨米机精度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311539A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0232229A (ja) * | 1988-07-21 | 1990-02-02 | Kubota Ltd | 穀粒選別装置用穀粒分布検出装置 |
| AU2002301417A1 (en) * | 2001-10-31 | 2003-06-12 | Japan Rice Millers Association | Quality evaluation method and apparatus for non-bran rice |
| WO2009045035A1 (en) * | 2007-10-01 | 2009-04-09 | Rural Development Administration | White and brown rice appearance characteristics measurement system and method |
| JP2016017832A (ja) * | 2014-07-08 | 2016-02-01 | 株式会社サタケ | 穀粒外観品位判別装置の白度値表示方法 |
-
2019
- 2019-12-31 CN CN201911424001.8A patent/CN111311539A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0232229A (ja) * | 1988-07-21 | 1990-02-02 | Kubota Ltd | 穀粒選別装置用穀粒分布検出装置 |
| AU2002301417A1 (en) * | 2001-10-31 | 2003-06-12 | Japan Rice Millers Association | Quality evaluation method and apparatus for non-bran rice |
| WO2009045035A1 (en) * | 2007-10-01 | 2009-04-09 | Rural Development Administration | White and brown rice appearance characteristics measurement system and method |
| JP2016017832A (ja) * | 2014-07-08 | 2016-02-01 | 株式会社サタケ | 穀粒外観品位判別装置の白度値表示方法 |
Non-Patent Citations (2)
| Title |
|---|
| HAMID A.JALAB 等: "Fractional Alexander polynomials for image denoising", SIGNAL PROCESSING * |
| 吕海峰 等: "大米外观和理化指标在产地溯源的探究", 农产品加工 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106529429B (zh) | 一种基于图像识别的面部皮肤分析系统 | |
| CN101153851B (zh) | 一种基于机器视觉的苹果检测分级方法 | |
| CN110097034A (zh) | 一种智能人脸健康程度的识别与评估方法 | |
| CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
| CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
| CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
| CN101551853A (zh) | 复杂静态彩色背景下的人耳检测方法 | |
| CN101162503A (zh) | 利用改进Hausdorff距离提取识别人耳特征的方法 | |
| CN106228170A (zh) | 一种指针式仪表的指针位置提取方法 | |
| CN102999909A (zh) | 基于改进视觉注意模型的sar目标检测方法 | |
| CN109409389A (zh) | 一种融合多特征的面向对象变化检测方法 | |
| CN116563799B (zh) | 基于视频监控的粉尘在线监测方法 | |
| CN101655973A (zh) | 一种基于人眼视觉特征的图像增强方法 | |
| CN113658207B (zh) | 一种基于引导滤波的视网膜血管分割方法及装置 | |
| CN110599422B (zh) | 一种基于边缘保护的加权平均椒盐噪声降噪方法 | |
| Belkacem-Boussaid et al. | Computer-aided classification of centroblast cells in follicular lymphoma | |
| Madhankumar et al. | Characterization of skin lesions | |
| CN108242060A (zh) | 一种基于Sobel算子的图像边缘检测方法 | |
| CN114022539A (zh) | 一种显微镜图像细胞位置判断方法 | |
| CN112802074A (zh) | 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法 | |
| CN111311539A (zh) | 一种应用于磨米机精度检测方法 | |
| CN117274293A (zh) | 基于图像特征的细菌菌落精确划分方法 | |
| CN110070532B (zh) | 基于三维图像与二维图像特征结合的织物平整度评价方法 | |
| Liu et al. | Illumination compensation and feedback of illumination feature in face detection | |
| Potocnik et al. | Image enhancement by using directional wavelet transform |
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 |