CN111815724A - 一种用于大米色选的发黑物料识别方法 - Google Patents

一种用于大米色选的发黑物料识别方法 Download PDF

Info

Publication number
CN111815724A
CN111815724A CN202010692577.9A CN202010692577A CN111815724A CN 111815724 A CN111815724 A CN 111815724A CN 202010692577 A CN202010692577 A CN 202010692577A CN 111815724 A CN111815724 A CN 111815724A
Authority
CN
China
Prior art keywords
pixel
edge
image
background
black
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
CN202010692577.9A
Other languages
English (en)
Inventor
汪俊锋
邓宏平
刘罡
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.)
Anhui Yingtong Technology Co ltd
Original Assignee
Anhui Yingtong Technology 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 Anhui Yingtong Technology Co ltd filed Critical Anhui Yingtong Technology Co ltd
Priority to CN202010692577.9A priority Critical patent/CN111815724A/zh
Publication of CN111815724A publication Critical patent/CN111815724A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种用于大米色选的发黑物料识别方法，涉及大米色选技术领域，将获取的槽道线性图像进行逐行逐像素的遍历，对其中有效的物料像素点进行加权的灰度处理，若灰度值小于黑色阈值，则判定该像素点为黑色像素点，若该待识别图像连续n行的黑色像素点数量均超出坏点数阈值，则判定该物料为发黑物料。通过上述方法既提高了黑色像素点识别的准确度，又不会轻易产生误判，从而能够大大提高发黑物料剔除的工作效率和准确率；与此同时，能够剔除部分发黑的物料，且允许发黑范围可根据实际需要进行设置，具有较强的适用性。

Description

一种用于大米色选的发黑物料识别方法
技术领域
本发明涉及大米色选技术领域，尤其是一种用于大米色选的发黑物料识别方法。
背景技术
随着生活水平的提高，人们对大米的消费逐步向优质化、功能化、绿色化方向发展。大米筛选通常是利用颜色差异剔除混入大米中的异色杂质，主要的异色杂质有发黑杂质、发黄杂质。目前，市场上现有的大米色选机存在异色杂质分选精度不够高，需要多次分选的问题，究其根本还是因为异色杂质的识别准确度不够高。
发明内容
针对上述问题，本发明提供一种用于大米色选的发黑物料识别方法，能够大大提高发黑物料剔除的准确率。
一种用于大米色选的发黑物料识别方法，将待识别图像进行逐行逐像素的遍历，对其中有效的物料像素点进行加权的灰度处理，若灰度值小于黑色阈值，则判定该像素点为黑色像素点，若该待识别图像连续n行的黑色像素点数量均超出坏点数阈值，则判定该物料为发黑物料。
进一步的，从待识别图像中提取有效的物料像素点包括去除背景操作和去除边缘操作，去除背景操作是通过背景像素点样本集获取背景像素的RGB范围，若待识别图像的像素点落入背景像素的RGB范围，则判定为背景像素点；去除边缘操作是通过边缘像素点样本集获取边缘像素的RGB范围，若待识别图像的像素点落入边缘像素的RGB范围，则判定为物料边缘像素点。
进一步的，边缘像素点样本图像采用1024帧低速下料图像，提取物料边缘区域，获取边缘像素的RGB范围。
本发明具体包括以下步骤：
1、设置加权灰度化参数(KR,KG,KB)、黑色阈值M1、坏点数阈值M2，其中KR、KG、KB取整数0-1024；
2、采集背景像素点样本集，统计背景像素的RGB范围；
3、采集边缘像素点样本集，统计边缘像素的RGB范围；
4、获取待识别图像并进行预处理；
5、逐行逐像素遍历待识别图像，去除背景像素点和物料边缘像素点，对剩余的有效物料像素点进行加权的灰度处理，若灰度值小于黑色阈值M1，则判定该像素点为黑色像素点，若该待识别图像连续n行的黑色像素点数量均超出坏点数阈值M2，则判定该物料为发黑物料。
进一步的，所述步骤4中的预处理包括畸变矫正和边缘增强。
本发明通过微观像素点识别，去除背景和边缘后，通过加权的灰度处理判定某一像素点是否为黑色像素点，但并不是存在黑色像素点就判定为发黑物料，而是连续n行的黑色像素点数量均超出一定阈值，才判定为发黑物料，将其剔除。通过上述方法既提高了黑色像素点识别的准确度，又不会轻易产生误判，从而能够大大提高发黑物料剔除的工作效率和准确率；与此同时，能够剔除部分发黑的物料，且允许发黑范围可根据实际需要进行设置，具有较强的适用性。
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的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
大米分选机通常都划分为若干槽道(例如64槽道或128槽道)，每个槽道对应一个吹阀，确保每一个槽道内的米粒依序经过图像采集器和吹阀，不发生堆叠情况。色选算法只需单独处理单条槽道内的线性图像，作出吹阀判断即可。
本发明公开了一种用于大米色选的发黑物料识别方法，能够大大提高发黑物料剔除的准确率，具体包括以下步骤：
1、设置加权灰度化参数(KR,KG,KB)、黑色阈值M1、坏点数阈值M2，其中KR、KG、KB取整数0-1024。
2、采集1024帧背景图像作为背景像素点样本集，统计背景像素的RGB范围。
3、采集1024帧低速下料图像作为边缘像素点样本集，基于OpenCV算法库使用边缘检测算法提取物料边缘区域(定义物料边缘宽度为2个像素)，将背景区域的像素点的RGB值置0，获取边缘像素的RGB范围。
4、获取待识别图像并进行预处理，这里的待识别图像可以是仅包含一颗物料的槽道线性图像，也可以取自于槽道线性图像的某一特定位置，当然还要考虑从通过算法识别出碎物料到吹阀动作的时间差内物料的运行距离。预处理包括畸变矫正、边缘增强，畸变矫正和边缘增强都是常见的图像处理技术，这里对本实施例采用的具体算法进行简述。
畸变校正算法流程：
⑴采集背景图像采集：获取1帧背景图像作为校准的参考背景图，每行包含2700个RGB像素点；
⑵校准系数计算：首先计算该行图像在RGB三通道上的平均值MR、MG、MB，然后将整行图像上的2700个像素点的RGB值分别除以MR、MG、MB，得到畸变系数，最后将这2700个像素点的RGB通道上的畸变系数乘以27，实现取整数处理，得到最终的校准系数；
⑶畸变校正计算：针对输入的每一帧图像，将得到的2700个像素点的RGB值，分别乘以对应的校准系数，然后再进行右移7位的操作，实现对每个像素点的畸变校正。
整体思路为，将一行线性图像的每个像素点的RGB值乘以对应系数，实现图像拉平，去除中间凸起、两边凹陷的问题。
边缘增强算法流程：
⑴背景图像采集：获取1024帧背景图像作为背景像素点样本集；
⑵计算背景像素范围和均值：基于背景像素点样本集，统计RGB上限和下限，得到背景范围(Rmin,Rmax)&(Gmin,Gmax)&(Bmin,Bmax)，背景均值(Rmean,Gmean,Bmean)；
⑶滑动扫描线性图像：针对获取的每一帧线性图像，使用4(经验值)个像素点的滑动窗口遍历，当像素点的RGB值在背景范围内状态为1标识为背景，否则状态为0标识为物料，滑动窗口的状态可以用4位二进制4'bXXXX(高位为先到的像素)描述；
⑷识别物料边缘：按照滑动窗口的遍历方向将边缘分为“滑动进边缘”和“滑动出边缘”两类，滑动窗口状态为4'b1100时，识别为滑动进边缘，状态低位的2个像素点为边缘，滑动窗口状态为4'b0011时，识别为滑动出边缘，状态高位的2个像素点为边缘；
⑸处理物料边缘：将上述步骤被识别为边缘的2个像素的RGB值，修正为背景均值(Rmean,Gmean,Bmean)。
整体思路为，将物料图像边缘的2个像素区域修正为背景值，以减少边缘像素值对算法效果的干扰。由于图像预处理必须实时进行，所以边缘增强算法只能对单帧线性图像处理，基于线性像素点的分布情况提取边缘规律。
5、逐行逐像素遍历待识别图像，去除背景像素点和物料边缘像素点，对剩余的有效物料像素点进行加权的灰度处理，灰度处理的计算公式为K＝(R×KR+G×KG+B×KB)，再右移10位(相当于除以1024)，与前面KR、KG、KB取整数0-1024相对应，相当于KR、KG、KB实际取值0-1。
若灰度值小于黑色阈值M1，则判定该像素点为黑色像素点；若该待识别图像连续n行的黑色像素点数量均超出坏点数阈值M2，则判定该物料为发黑物料，发出吹阀信号，将该物料吹出。这里的行数n、加权灰度化参数KR、KG、KB、黑色阈值M1、坏点数阈值M2可根据不同大米、不同杂质、不同筛选需求进行设置，例如发黑物料个体尺寸范围和/或正常米粒中允许存在的发黑范围决定了行数n、坏点数阈值M2的选取，发黑程度决定了加权灰度化参数KR、KG、KB和黑色阈值M1的选取。
显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

Claims (5)

1.一种用于大米色选的发黑物料识别方法，其特征在于，将待识别图像进行逐行逐像素的遍历，对其中有效的物料像素点进行加权的灰度处理，若灰度值小于黑色阈值，则判定该像素点为黑色像素点，若该待识别图像连续n行的黑色像素点数量均超出坏点数阈值，则判定该物料为发黑物料。
2.根据权利要求1所述的用于大米色选的发黑物料识别方法，其特征在于，从待识别图像中提取有效的物料像素点包括去除背景操作和去除边缘操作，
去除背景操作是通过背景像素点样本集获取背景像素的RGB范围，若待识别图像的像素点落入背景像素的RGB范围，则判定为背景像素点；
去除边缘操作是通过边缘像素点样本集获取边缘像素的RGB范围，若待识别图像的像素点落入边缘像素的RGB范围，则判定为物料边缘像素点。
3.根据权利要求2所述的用于大米色选的发黑物料识别方法，其特征在于，边缘像素点样本图像采用1024帧低速下料图像，提取物料边缘区域，获取边缘像素的RGB范围。
4.根据权利要求3所述的用于大米色选的发黑物料识别方法，其特征在于，具体包括以下步骤：
步骤1，设置加权灰度化参数(KR,KG,KB)、黑色阈值M1、坏点数阈值M2，其中KR、KG、KB取整数0-1024；
步骤2，采集背景像素点样本集，统计背景像素的RGB范围；
步骤3，采集边缘像素点样本集，统计边缘像素的RGB范围；
步骤4，获取待识别图像并进行预处理；
步骤5，逐行逐像素遍历待识别图像，去除背景像素点和物料边缘像素点，对剩余的有效物料像素点进行加权的灰度处理，若灰度值小于黑色阈值M1，则判定该像素点为黑色像素点，若该待识别图像连续n行的黑色像素点数量均超出坏点数阈值M2，则判定该物料为发黑物料。
5.根据权利要求4所述的用于大米色选的发黑物料识别方法，其特征在于，所述步骤4中的预处理包括畸变矫正、边缘增强。
CN202010692577.9A 2020-07-17 2020-07-17 一种用于大米色选的发黑物料识别方法 Pending CN111815724A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010692577.9A CN111815724A (zh) 2020-07-17 2020-07-17 一种用于大米色选的发黑物料识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010692577.9A CN111815724A (zh) 2020-07-17 2020-07-17 一种用于大米色选的发黑物料识别方法

Publications (1)

Publication Number Publication Date
CN111815724A true CN111815724A (zh) 2020-10-23

Family

ID=72865750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010692577.9A Pending CN111815724A (zh) 2020-07-17 2020-07-17 一种用于大米色选的发黑物料识别方法

Country Status (1)

Country Link
CN (1) CN111815724A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503719A (zh) * 2016-09-27 2017-03-15 深圳增强现实技术有限公司 一种物体颜色提取与检测方法及装置
KR20180091509A (ko) * 2017-02-07 2018-08-16 대한민국(국립농산물품질관리원장) 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503719A (zh) * 2016-09-27 2017-03-15 深圳增强现实技术有限公司 一种物体颜色提取与检测方法及装置
KR20180091509A (ko) * 2017-02-07 2018-08-16 대한민국(국립농산물품질관리원장) 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴彦红 等: "基于计算机视觉的大米外观品质检测", 农业机械学报, vol. 38, no. 7, pages 107 - 111 *
尚艳芬 等: "基于图像识别的黄粒米自动检测研究", 农业工程学报, vol. 20, no. 4, pages 146 - 148 *

Similar Documents

Publication Publication Date Title
CN114937055A (zh) 基于人工智能的图像自适应分割方法与系统
US6738496B1 (en) Real time binarization of gray images
CN110210477B (zh) 一种数字式仪表读数识别方法
CN104794502A (zh) 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法
KR100542365B1 (ko) 영상 화질 개선 장치 및 그 방법
CN115115615A (zh) 一种基于图像识别的纺织面料质量评估方法及系统
CN111259925B (zh) 基于k均值聚类和宽度突变算法的田间麦穗计数方法
CN109146878A (zh) 一种基于图像处理的杂质检测方法
CN109410205B (zh) 一种复杂路面背景下的裂缝提取方法
CN114708325A (zh) 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法
CN112365450A (zh) 基于图像识别的物品分类计数的方法、装置和存储介质
CN110765887A (zh) 隧道衬砌裂纹自动识别技术及检测方法
CN111881921A (zh) 一种用于大米色选机的优粒直选方法
CN107292898B (zh) 一种基于hsv的车牌阴影检测和去除方法
CN116630813A (zh) 一种公路路面施工质量智能检测系统
CN110687121A (zh) 一种陶瓦智能在线检测与自动分级方法和系统
CN111753794A (zh) 水果品质分类方法、装置、电子设备及可读存储介质
CN101706959A (zh) 基于二维信息熵金属板带表面缺陷提取方法
CN103268472B (zh) 基于双色彩空间的嘴唇检测方法
US20080310685A1 (en) Methods and Systems for Refining Text Segmentation Results
CN109472779A (zh) 一种基于形态结构的纱线外观特征参数提取与分析方法
RU2616152C1 (ru) Способ контроля пространственного положения участников спортивного события на игровом поле
CN108491846B (zh) 成熟果实机器识别方法
CN108230334B (zh) 基于灰度阈值的高浓度风沙图像分割的方法
CN111814808A (zh) 一种用于大米色选的发黄物料识别方法

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