CN111986192B - 一种基于机器视觉的香菇破损检测方法 - Google Patents
一种基于机器视觉的香菇破损检测方法 Download PDFInfo
- Publication number
- CN111986192B CN111986192B CN202010900934.6A CN202010900934A CN111986192B CN 111986192 B CN111986192 B CN 111986192B CN 202010900934 A CN202010900934 A CN 202010900934A CN 111986192 B CN111986192 B CN 111986192B
- Authority
- CN
- China
- Prior art keywords
- mushroom
- image
- gray
- mushrooms
- gray level
- 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.)
- Active
Links
- 235000001674 Agaricus brunnescens Nutrition 0.000 title claims abstract description 116
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 6
- 235000013372 meat Nutrition 0.000 abstract description 5
- 240000000599 Lentinula edodes Species 0.000 description 6
- 235000001715 Lentinula edodes Nutrition 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000007781 pre-processing 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于香菇检测领域,并具体公开了一种基于机器视觉的香菇破损检测方法,包括如下步骤:S1采集剪去菇柄香菇的图像,将图像转化为灰度图像,对灰度图像进行边缘特征提取,进而获取香菇外轮廓;S2根据灰度图像,对香菇的正面图像和反面图像进行区分,以香菇长有菇柄一侧的图像为反面图像;S3根据反面图像中的香菇外轮廓,获取外轮廓上的灰度采样图;S4提取灰度采样图中的破损特征参数,并将破损特征参数输入分类器中分类,从而将香菇分为完整香菇和破损香菇两个种类,完成对香菇破损情况的检测。本发明从香菇外轮廓处香菇外表与香菇肉质的灰度差异出发,通过识别灰度信息进行香菇破损检测,兼顾智能性与实用性,提高香菇分级的效率。
Description
技术领域
本发明属于香菇检测领域,更具体地,涉及一种基于机器视觉的香菇破损检测方法。
背景技术
香菇营养丰富,香味独特,肉质鲜美,是世界上最著名的食用菌之一。香菇作为产量最大的食用菌品种,具有广大的市场空间,近年来,香菇需求量将进一步提升,具有广阔的发展空间。目前香菇品质检测主要依靠人工,在分类精度、速度上较为低下,长时间重复的工作容易造成视觉疲劳,降低分级效率和准确性。在某种程度上,香菇的检测技术已经影响香菇加工产业的发展。
随着机器视觉技术的发展,基于机器视觉的检测方法具有效率高、精度高等优点,现已经应用于各种农产品的加工中。香菇的外观是判定香菇质量的重要因素,外观完整的香菇更容易被消费者所接受,更容易卖出高价。香菇破损检测作为香菇加工过程中的重要检测过程,目前缺乏有效的自动化检测方案。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于机器视觉的香菇破损检测方法,其目的在于,从香菇外轮廓处香菇外表与香菇肉质的灰度差异出发,破损处的灰度值较大,通过识别灰度信息进行破损检测;先对香菇正反面进行识别,再对香菇反面外轮廓进行灰度采样,生成灰度采样图,进而将香菇分为完整和破损两类,兼顾了智能性与实用性,提高了香菇分级的效率。
为实现上述目的,本发明提出了一种基于机器视觉的香菇破损检测方法,包括如下步骤:
S1采集剪去菇柄香菇的图像,将所有图像转化为灰度图像,对灰度图像进行边缘特征提取,进而获取各图像中的香菇外轮廓;
S2根据灰度图像,对香菇的正面图像和反面图像进行区分,以香菇原先长有菇柄一侧的图像为反面图像;
S3根据反面图像中的香菇外轮廓,获取外轮廓上的灰度采样图;
S4提取灰度采样图中的破损特征参数,并将破损特征参数输入分类器中进行分类,从而将香菇分为完整香菇和破损香菇两个种类,完成对香菇破损情况的检测。
作为进一步优选的,所述S1中,将所有图像进行滤波平滑,去除噪声后再转化为灰度图像。
作为进一步优选的,所述S2中,对香菇的正面图像和反面图像进行区分时,首先计算灰度图像的识别特征参数,然后将识别特征参数输入最小距离分类器中进行分类,从而完成对正面图像和反面图像的区分。
作为进一步优选的,所述识别特征参数包括灰度图像的灰度平均值μ,标准偏差σ,平滑度R,三阶矩F,一致性S,其计算公式如下:
其中,N是灰度图像数量,i是灰度等级,zi是等级为i的灰度值,p(zi)是香菇区域中等级为i的灰度对应的灰度概率密度函数。
作为进一步优选的,所述S3中,以香菇外轮廓上随机一个点作为起点,获取外轮廓上每个位置对应的灰度值,从而得到外轮廓上灰度值与位置关系的灰度采样图。
作为进一步优选的,所述破损特征参数包括灰度采样图中像素灰度的平均值、方差,以及灰度采样图的平均波峰宽度、最大波峰宽度;其中,将灰度采样图中灰度值大于预设阈值的部分作为波峰。
作为进一步优选的,所述S4中,将破损特征参数输入KNN分类器中进行分类。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
1.本发明从香菇外轮廓处香菇外表与香菇肉质的灰度差异出发,破损处的灰度值较大,通过识别灰度信息进行破损检测;先对香菇正反面进行识别,再对香菇反面外轮廓进行灰度采样,生成灰度采样图,进而将香菇分为完整和破损两类,能够准确完成香菇破损检测,提高了香菇分级的效率,且兼顾了智能性与实用性。
2.本发明以灰度采样图中每个像素的平均值、方差,以及平均波峰宽度、最大波峰宽度作为破损特征参数,以对香菇破损情况进行准确判断,并进一步根据破损特征参数使用KNN算法进行分类,提高了香菇分类的准确率和效率。
附图说明
图1为本发明实施例基于机器视觉的香菇破损检测方法流程图;
图2为本发明实施例经边缘特征提取后获取的香菇外轮廓图;
图3为本发明实施例香菇正反面检测流程图;
图4a为本发明实施例破损香菇的灰度采样图;
图4b为本发明实施例完整香菇的灰度采样图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供的一种基于机器视觉的香菇破损检测方法,如图1所示,包括如下步骤:
S1图像获取,采集剪去菇柄香菇的正反面图像。
S2图像前处理,对采集到的图像进行滤波平滑,去除噪声后转化为灰度图像,对灰度图像进行边缘特征提取,获取香菇灰度图像的轮廓,然后过滤内部轮廓信息,只保留香菇的外轮廓,将其保存在数组中,不同香菇外轮廓保存在不同数组中,如图2所示。
S3正反面检测,如图3所示,去除香菇图像的背景,将背景设置为黑色,然后将去除背景的香菇图像转化为灰度图像;根据灰度图像,对香菇的正面图像和反面图像进行区分,其中以香菇原先长有菇柄一侧的图像为反面图像;
具体的,对香菇的正面图像和反面图像进行区分时,首先计算灰度图像的识别特征参数,然后将识别特征参数输入最小距离分类器中进行分类,将香菇图像分为正面和反面两种结果,从而完成对正面图像和反面图像的区分。
进一步的,所述识别特征参数包括灰度图像的灰度平均值μ,标准偏差σ,平滑度R,三阶矩F,一致性S,其计算公式如下:
其中,N是灰度图像数量,i是灰度等级,zi是等级为i的灰度值,p(zi)是香菇区域中等级为i的灰度对应的灰度概率密度函数。
S4边缘灰度采样,根据反面图像中的香菇外轮廓,获取外轮廓上的灰度采样图;具体的,以香菇外轮廓上随机一个点作为起点,假设x为轮廓上的位置,p(x)为随着位置x变化的灰度值,从而得到外轮廓上灰度值与位置关系的灰度采样图;破损香菇、完整香菇的灰度采样图分别如图4a、图4b所示。
S5破损特征提取,提取灰度采样图中的破损特征参数,所述破损特征参数包括灰度采样图中每个像素灰度的平均值μ、方差σ,以及灰度采样图的平均波峰宽度最大波峰宽度Lmax;其中,选择一个合理阈值,对于灰度采样图中的灰度曲线,将灰度值大于该阈值的部分作为波峰;
Lmax=max(L(0),L(1),......L(k))
其中,l为灰度采样图上采样点数量,p(x)为采样点x处的灰度值,L(k)为第k个波峰的波峰宽度,M为波峰数量。
S6破损识别,将破损特征参数输入分类器中进行分类,从而将香菇分为完整香菇和破损香菇两个种类,完成对香菇破损情况的检测;优选的,将破损特征参数输入KNN分类器中进行分类。
综上,从香菇外轮廓处香菇外表与香菇肉质的灰度差异出发,破损处的灰度值较大,通过识别灰度信息进行破损检测;首先进行香菇正反面识别,对香菇反面外轮廓进行灰度采样,生成灰度采样图,提取均值,方差,平均波峰宽度和最大波峰宽度四个特征参数,使用KNN算法进行分类,将香菇分为完整和破损两类,本发明所构思的技术方案兼顾了智能性与实用性,提高了香菇分级的效率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于机器视觉的香菇破损检测方法,其特征在于,包括如下步骤:
S1采集剪去菇柄香菇的图像,将所有图像转化为灰度图像,对灰度图像进行边缘特征提取,进而获取各图像中的香菇外轮廓;
S2根据灰度图像,对香菇的正面图像和反面图像进行区分,以香菇原先长有菇柄一侧的图像为反面图像;
具体的,对香菇的正面图像和反面图像进行区分时,首先计算灰度图像的识别特征参数,然后将识别特征参数输入最小距离分类器中进行分类,从而完成对正面图像和反面图像的区分;
所述识别特征参数包括灰度图像的灰度平均值μ,标准偏差σ,平滑度R,三阶矩F,一致性S,其计算公式如下:
其中,N是灰度图像数量,i是灰度等级,zi是等级为i的灰度值,p(zi)是香菇区域中等级为i的灰度对应的灰度概率密度函数;
S3根据反面图像中的香菇外轮廓,获取外轮廓上的灰度采样图;
具体的,以香菇外轮廓上随机一个点作为起点,获取外轮廓上每个位置对应的灰度值,从而得到外轮廓上灰度值与位置关系的灰度采样图;
S4提取灰度采样图中的破损特征参数,并将破损特征参数输入分类器中进行分类,从而将香菇分为完整香菇和破损香菇两个种类,完成对香菇破损情况的检测;
所述破损特征参数包括灰度采样图中像素灰度的平均值、方差,以及灰度采样图的平均波峰宽度、最大波峰宽度;其中,将灰度采样图中灰度值大于预设阈值的部分作为波峰。
2.如权利要求1所述的基于机器视觉的香菇破损检测方法,其特征在于,所述S1中,将所有图像进行滤波平滑,去除噪声后再转化为灰度图像。
3.如权利要求1或2所述的基于机器视觉的香菇破损检测方法,其特征在于,所述S4中,将破损特征参数输入KNN分类器中进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010900934.6A CN111986192B (zh) | 2020-08-31 | 2020-08-31 | 一种基于机器视觉的香菇破损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010900934.6A CN111986192B (zh) | 2020-08-31 | 2020-08-31 | 一种基于机器视觉的香菇破损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986192A CN111986192A (zh) | 2020-11-24 |
CN111986192B true CN111986192B (zh) | 2022-05-27 |
Family
ID=73448558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010900934.6A Active CN111986192B (zh) | 2020-08-31 | 2020-08-31 | 一种基于机器视觉的香菇破损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986192B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763504A (zh) * | 2009-12-30 | 2010-06-30 | 邱怀骏 | 复杂场景下的人体头部识别方法 |
CN103177257A (zh) * | 2013-04-09 | 2013-06-26 | 江苏大学 | 一种鸡腿菇图像识别方法与分级方法 |
CN103440492A (zh) * | 2013-09-05 | 2013-12-11 | 湖北省烟草公司荆州市公司 | 一种手持卷烟识别器 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN107516311A (zh) * | 2017-08-08 | 2017-12-26 | 中国科学技术大学 | 一种基于gpu嵌入式平台的玉米破损率检测方法 |
CN107945193A (zh) * | 2017-10-31 | 2018-04-20 | 成都意町工业产品设计有限公司 | 一种用于检测高压线破损情况的检测系统 |
CN108020556A (zh) * | 2017-11-27 | 2018-05-11 | 山东理工大学 | 一种基于机器视觉的玉米种子在线破损检测分类方法 |
CN108596891A (zh) * | 2018-04-23 | 2018-09-28 | 中国计量大学 | 一种面向多种类混合蚕茧的计数方法 |
CN109685786A (zh) * | 2018-12-20 | 2019-04-26 | 龙口味美思环保科技有限公司 | 一种禽蛋表面裂纹的无损检测及自动分级方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008243184A (ja) * | 2007-02-26 | 2008-10-09 | Fujifilm Corp | 濃淡画像の輪郭補正処理方法及びその装置 |
WO2013089268A1 (ja) * | 2011-12-16 | 2013-06-20 | 三菱瓦斯化学株式会社 | 酸素吸収性樹脂組成物、並びにこれを用いた多層体、容器、インジェクション成形体および医療用容器 |
CN109069208B (zh) * | 2016-03-14 | 2023-02-28 | 穆罕默德·R·马赫福兹 | 用于无线超声跟踪和通信的超宽带定位 |
-
2020
- 2020-08-31 CN CN202010900934.6A patent/CN111986192B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763504A (zh) * | 2009-12-30 | 2010-06-30 | 邱怀骏 | 复杂场景下的人体头部识别方法 |
CN103177257A (zh) * | 2013-04-09 | 2013-06-26 | 江苏大学 | 一种鸡腿菇图像识别方法与分级方法 |
CN103440492A (zh) * | 2013-09-05 | 2013-12-11 | 湖北省烟草公司荆州市公司 | 一种手持卷烟识别器 |
CN105405142A (zh) * | 2015-11-12 | 2016-03-16 | 冯平 | 一种玻璃面板的边缺陷检测方法及系统 |
CN107516311A (zh) * | 2017-08-08 | 2017-12-26 | 中国科学技术大学 | 一种基于gpu嵌入式平台的玉米破损率检测方法 |
CN107945193A (zh) * | 2017-10-31 | 2018-04-20 | 成都意町工业产品设计有限公司 | 一种用于检测高压线破损情况的检测系统 |
CN108020556A (zh) * | 2017-11-27 | 2018-05-11 | 山东理工大学 | 一种基于机器视觉的玉米种子在线破损检测分类方法 |
CN108596891A (zh) * | 2018-04-23 | 2018-09-28 | 中国计量大学 | 一种面向多种类混合蚕茧的计数方法 |
CN109685786A (zh) * | 2018-12-20 | 2019-04-26 | 龙口味美思环保科技有限公司 | 一种禽蛋表面裂纹的无损检测及自动分级方法 |
Non-Patent Citations (2)
Title |
---|
Structural damage detection based on a micro-genetic algorithm using incomplete and noisy modal test data;F.T.K.AU等;《Journal of Sound and Vibration》;20030130;第1081-1094页 * |
基于图像的绝缘子串伞裙破损识别;王政;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20200115(第01期);第C042-334页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111986192A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
US20160196467A1 (en) | Three-Dimensional Face Recognition Device Based on Three Dimensional Point Cloud and Three-Dimensional Face Recognition Method Based on Three-Dimensional Point Cloud | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN102426649A (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN112132153B (zh) | 基于聚类和形态学处理的番茄果实识别方法及系统 | |
CN113674226A (zh) | 一种基于深度学习的采茶机茶叶芽尖检测方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
CN115376032A (zh) | 一种基于图像理解的林业病虫智能识别方法及系统 | |
CN114029943A (zh) | 一种基于图像数据处理的目标抓取定位方法及系统 | |
CN114985283A (zh) | 一种多特征图像识别技术的茶叶识别方法 | |
CN117269168B (zh) | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 | |
CN111986192B (zh) | 一种基于机器视觉的香菇破损检测方法 | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN113610187B (zh) | 基于图像技术的木材纹理提取及分类方法 | |
CN105844641A (zh) | 一种动态环境下的自适应阈值分割方法 | |
CN113239837A (zh) | 一种基于机器学习的自然环境下绿色番茄识别方法 | |
CN109492685B (zh) | 一种用于对称特征的目标物体视觉检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |