CN111832490A - 一种智能分选设备的碎物料识别方法 - Google Patents
一种智能分选设备的碎物料识别方法 Download PDFInfo
- Publication number
- CN111832490A CN111832490A CN202010685718.4A CN202010685718A CN111832490A CN 111832490 A CN111832490 A CN 111832490A CN 202010685718 A CN202010685718 A CN 202010685718A CN 111832490 A CN111832490 A CN 111832490A
- Authority
- CN
- China
- Prior art keywords
- pixel points
- background
- pixel
- image
- materials
- 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
- 239000000463 material Substances 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012937 correction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 235000007164 Oryza sativa Nutrition 0.000 abstract description 10
- 235000009566 rice Nutrition 0.000 abstract description 10
- 239000003086 colorant Substances 0.000 abstract description 2
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 241000209094 Oryza Species 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 239000012535 impurity Substances 0.000 description 4
- 238000007664 blowing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10024—Color image
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
本发明公开了一种智能分选设备的碎物料识别方法,涉及大米分选技术领域,通过遍历待识别图像中物料的每一个像素点,统计其有效物料像素点数量,若有效物料像素点数量在设定阈值范围内,则判定为碎物料。本发明基于色选机现有结构,融入碎物料识别算法,能够在色选的同时进行碎物料的识别,识别效率高、准确率高,同时节约了硬件成本。
Description
技术领域
本发明涉及物料分选技术领域,尤其是一种基于图像处理的智能分选设备的碎物料识别方法。
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。现有技术中基于图像处理的大米分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。对于混入大米中的碎米通常都是过筛分选,不便于与色选同时进行,需要单独设置过筛机构。
发明内容
针对上述问题,本发明提供一种基于图像处理的智能分选设备的碎物料识别方法,能够在色选的同时进行碎物料的识别。
一种智能分选设备的碎物料识别方法,通过遍历待识别图像中物料的每一个像素点,统计其有效物料像素点数量,若有效物料像素点数量在设定阈值范围内,则判定为碎物料。
从槽道线性图像中完成每一颗物料像素点遍历的算法步骤如下:
1、初始化物料像素点数量M=0,背景行标识符S=0;
2、取一行像素点;
3、逐个遍历选中行的像素点;
4、判断当前遍历的像素点是否为该行最后一个像素点,
若不是该行最后一个像素点,再判断是否为背景像素点;若不是背景像素点,则置S=1,物料像素点数量M自加1,再跳转步骤3;若是背景像素点,则直接跳转步骤3;
若是该行最后一个像素点,再判断S是否为1;若S=0,再判断M是否为0,若M=0,则跳转步骤3,若M≠0,则判断物料像素点数量是否在设定阈值范围内,若在设定阈值范围内,则判定其为碎物料;若S=1,置S=0,再跳转步骤3。
其中,背景像素点的判断方法为通过背景像素点样本集获取背景像素的RGB范围,若待识别图像中的像素点落入背景像素的RGB范围,则判定为背景像素点。
优选的,遍历待识别图像之前对其进行预处理,预处理包括畸变矫正和边缘增强。
本发明基于色选机现有结构,融入碎物料识别算法,能够在色选的同时进行碎物料的识别,识别效率高、准确率高,同时节约了硬件成本。
附图说明
图1为碎物料识别算法流程图;
图2为像素化的待识别图像黑白示意图。
具体实施方式
下面结合附图和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。
本发明公开了一种智能分选设备的碎物料识别方法,能够在色选的同时进行碎物料的识别,具体包括以下步骤:
1、初始化物料像素点数量M=0,背景行标识符S=0;
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、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和边缘增强。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。
4、取一行像素点;
5、逐个遍历选中行的像素点;
6、判断当前遍历的像素点是否为该行最后一个像素点,
若不是该行最后一个像素点,再判断是否为背景像素点;若不是背景像素点,则置S=1,物料像素点数量M自加1,再跳转步骤5;若是背景像素点,则直接跳转步骤5;
若是该行最后一个像素点,再判断S是否为1;若S=0,再判断M是否为0,若M=0,则跳转步骤4,选取下一行像素点,若M≠0,则判断物料像素点数量是否在设定阈值范围内,若在设定阈值范围内,则判定其为碎物料;若S=1,置S=0,再跳转步骤4,选取下一行像素点。
结合图2,并上述流程进行阐述。通过调整摄像头方位使得获取的待识别图像包括背景像素点和物料像素点,从中每张图像的像素点数量是确定的,每行的像素点数量也是确定的。上述算法中以行为单位,进行像素点遍历,并判定一颗物料是否遍历完毕。当一行全部为背景时,S不会被置1,从图2可以看出,一行全部为背景在图像的顶部和底部都会出现,那么就不能单纯根据S来判断一颗物料是否遍历完毕。当全背景行位于图像顶部时,M必然是0,因此结合S和M就可以判定图像是否遍历完毕,也就是流程中提到的S=0且M≠0时,判定一颗物料遍历完毕。
7、确定待识别图像中的物料为碎物料,启动吹阀将该物料剔除。
本实施例虽然以大米为例进行叙述,但公开的算法可应用于其他种类物料的分选。
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 (4)
1.一种智能分选设备的碎物料识别方法,其特征在于,通过遍历待识别图像中物料的每一个像素点,统计其有效物料像素点数量,若有效物料像素点数量在设定阈值范围内,则判定为碎物料。
2.根据权利要求1所述的智能分选设备的碎物料识别方法,其特征在于,物料像素点遍历操作包括以下步骤:
步骤1,初始化物料像素点数量M=0,背景行标识符S=0;
步骤2,取一行像素点;
步骤3,逐个遍历选中行的像素点;
步骤4,判断当前遍历的像素点是否为该行最后一个像素点,
若不是该行最后一个像素点,再判断是否为背景像素点;若不是背景像素点,则置S=1,物料像素点数量M自加1,再跳转步骤3;若是背景像素点,则直接跳转步骤3;
若是该行最后一个像素点,再判断S是否为1;若S=0,再判断M是否为0,若M=0,则跳转步骤3,若M≠0,则判断物料像素点数量是否在设定阈值范围内,若在设定阈值范围内,则判定其为碎物料;若S=1,置S=0,再跳转步骤3。
3.根据权利要求2所述的智能分选设备的碎物料识别方法,其特征在于,背景像素点的判断方法为通过背景像素点样本集获取背景像素的RGB范围,若待识别图像中的像素点落入背景像素的RGB范围,则判定为背景像素点。
4.根据权利要求1所述的智能分选设备的碎物料识别方法,其特征在于,遍历待识别图像之前对其进行预处理,预处理包括畸变矫正和边缘增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010685718.4A CN111832490A (zh) | 2020-07-16 | 2020-07-16 | 一种智能分选设备的碎物料识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010685718.4A CN111832490A (zh) | 2020-07-16 | 2020-07-16 | 一种智能分选设备的碎物料识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832490A true CN111832490A (zh) | 2020-10-27 |
Family
ID=72923041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010685718.4A Pending CN111832490A (zh) | 2020-07-16 | 2020-07-16 | 一种智能分选设备的碎物料识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832490A (zh) |
-
2020
- 2020-07-16 CN CN202010685718.4A patent/CN111832490A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8295606B2 (en) | Device and method for detecting shadow in image | |
CN1193315C (zh) | 数字图像中的偏色检测和消除 | |
US8300051B2 (en) | Apparatus and method for enhancing images in consideration of region characteristics | |
US8064680B2 (en) | Process for segmenting leukocytes | |
CN100423542C (zh) | 对比度校正电路 | |
US6876384B1 (en) | Pixel selective white balancing | |
CN110136071A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN102034080A (zh) | 车辆颜色识别方法及装置 | |
CN101933047A (zh) | 数字图像中的牙齿定位与白化 | |
CN110275975A (zh) | 一种相似图片的快速检索方法 | |
CN114866754B (zh) | 自动白平衡方法、装置及计算机可读存储介质和电子设备 | |
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 | |
CN103268472B (zh) | 基于双色彩空间的嘴唇检测方法 | |
CN110807406B (zh) | 一种雾天检测方法及装置 | |
CN111862244A (zh) | 一种基于图像处理的塑料片智能色选方法 | |
CN112819017B (zh) | 基于直方图的高精度色偏图像识别方法 | |
EP3363193B1 (en) | Device and method for reducing the set of exposure times for high dynamic range video imaging | |
CN108965749B (zh) | 基于纹理识别的缺陷像素检测和校正装置及方法 | |
EP2472876A2 (en) | Apparatus and method for improving image quality based on definition and chroma | |
CN111832490A (zh) | 一种智能分选设备的碎物料识别方法 | |
CN111881921A (zh) | 一种用于大米色选机的优粒直选方法 | |
CN113537410B (zh) | 一种通用的深度学习正样本自动均衡方法 | |
CN109389579A (zh) | 一种结合熵约束和标准差加权的纺织品色差检测抗光照干扰方法 | |
CN111814808A (zh) | 一种用于大米色选的发黄物料识别方法 | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 |
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 |