CN112070741A - 一种基于图像显著性区域提取方法的大米垩白度检测系统 - Google Patents
一种基于图像显著性区域提取方法的大米垩白度检测系统 Download PDFInfo
- Publication number
- CN112070741A CN112070741A CN202010926208.1A CN202010926208A CN112070741A CN 112070741 A CN112070741 A CN 112070741A CN 202010926208 A CN202010926208 A CN 202010926208A CN 112070741 A CN112070741 A CN 112070741A
- Authority
- CN
- China
- Prior art keywords
- image
- rice
- chalky
- area
- edge
- 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
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 141
- 235000009566 rice Nutrition 0.000 title claims abstract description 141
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 title claims abstract description 34
- 240000007594 Oryza sativa Species 0.000 title claims description 99
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 241000209094 Oryza Species 0.000 claims abstract 45
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 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
- 229920002472 Starch Polymers 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06T7/13—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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
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)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于图像显著性区域提取方法的大米垩白度检测系统,包括垩白米检测机器视觉装置和垩白度检测系统,垩白米检测机器视觉装置包括暗箱、工业相机、LED光源、大米放置拖板、数据连接线和电脑,垩白度检测系统的检测步骤包括一、把大米放置暗箱中用工业相机进行拍摄,获取图像后先对图像进行灰度化处理;二、对图像进行中值滤波让图像更为平滑减少噪声干扰,再对图像进行反运算突出大米图像区域,并对其进行阈值分割后计算出大米面积;三、另外通过图像显著性区域提取的算法对图像垩白区域进行提取并计算垩白区域面积,最后计算出大米的垩白度。能够准确快速的识别出大米垩白区域,并且能够分割出大米细小的垩白区域部分且抗干扰能力强。
Description
技术领域
本发明及自动化、机器视觉或图像显著性技术领域,具体涉及一种基于图像显著性区域提取方法的大米垩白度检测系统。
背景技术
近年来我国食品安全问题一直是高度关注的问题,大米作为人们日常饮食的主要部分,其品质尤为重要。在大米中垩白米是因为大米生长发育不佳,淀粉等物质运输受阻排列不整齐,在国家标准GB_T1354-2018也定义了优质大米的垩白度标准。如果通过人眼对垩白米进行识别,效率较低并且无法准确的判断垩白度的大小,而通过机器视觉的方法对大米图像进行采集,会受到噪声的影响,并且大米垩白区域分布不均匀,颜色深浅不一,在拍摄过程中还会受到环境光源的影响,以上因素都会影响大米垩白区域的识别。
发明内容
为了解决现有技术中存在的某种或某些技术问题,本发明提供一种基于图像显著性区域提取方法的大米垩白度检测系统,能够准确快速的识别出大米垩白区域,并且能够分割出大米细小的垩白区域部分且抗干扰能力强。
为解决上述现有的技术问题,本发明采用如下方案:
一种基于图像显著性区域提取方法的大米垩白度检测系统,包括垩白米检测机器视觉装置和垩白度检测系统,所述垩白米检测机器视觉装置包括暗箱、工业相机、LED光源、大米放置拖板、数据连接线和电脑,所述垩白度检测系统的检测步骤包括:
步骤一、把大米放置暗箱中用工业相机进行拍摄,获取图像后先对图像进行灰度化处理;
步骤二:对图像进行中值滤波让图像更为平滑减少噪声干扰,再对图像进行反运算突出大米图像区域,并对其进行阈值分割后计算出大米面积;
步骤三:另外通过图像显著性区域提取的算法对图像垩白区域进行提取并计算垩白区域面积,最后计算出大米的垩白度。
进一步地,所述垩白度检测系统的处理步骤包括:
a、大米彩色图像采集系统:将被检测的垩白米放置到暗箱中的大米放置托盘,对被检测的垩白米进行图像采集,并对图像大小进行调整;
b、灰度化处理系统:对采用图像显著性区域提取算法对大米图像进行图像显著性区域提取,提取出垩白区域部分;
c、滤波处理系统:对采集到的图像进行滤波处理,去除掉图像的噪声;
d、计算大米垩白度:计算出大米垩白区域面积,并对大米的垩白度进行计算,输出结果。
进一步地,所述滤波处理系统和所述计算大米垩白度之间还设有图像反运算系统,通过图像反运行系统计算出大米垩白度。
进一步地,所述图像反运算系统的计算方法包括:
步骤1、阈值分割:对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值;
步骤2、计算垩白区域像素点的和:利用该阈值进行该区域的分割,分割出整张图片的垩白区域,并计算出大米的垩白度。
进一步地,所述图像反运算系统的计算方法包括:
步骤A、图像特征变化边缘化提取:用机器视觉装置获取大米图像,对大米图像进行滤波处理;
步骤B、计算边缘像素平均值;
步骤C、阈值分割:对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值;
步骤D、计算垩白区域像素点的和:利用该阈值进行该区域的分割,分割出整张图片的垩白区域,并计算出大米的垩白度。
进一步地,对所述步骤一中所述图像进行滤波处理方法包括包括:
步骤A、通过工业相机采集到大米图像后将图像裁剪成512×512像素,对图像进行灰度化处理;
步骤B、对在拍摄图像中含有噪声的图像显著区域进行提取,对图像灰度图进行中值滤波,对图像进行平滑处理。
进一步地,步骤二中所述的图像特征边缘进行提取后的垩白度进行计算,计算公式如下,
根据公式可得在图像中计算大米垩白度需要得出大米像素面积和垩白区域像素面积。
进一步地,所述图像反运算系统包括Canny边缘检测器对,通过所述Canny边缘检测器对图像像素边缘进行提取。
进一步地,所述Canny边缘检测器的提取步骤包括:
(1)计算图像每个像素点的梯度强度和方向得到大概边缘区域;
(2)应用非极大值抑制,以消除边缘检测带来的杂散响应;
(3)利用双阈值检测,设定低阈值和高阈值,灰度变化大于高阈值设置为强边缘像素,低于低阈值的剔除,在低阈值和高阈值之间的设置为弱边缘。
进一步地,所述工业相机、LED光源和所述大米放置拖板均设置于所述暗箱内,所述暗箱内的环境通过所述LED光源照明,所述工业相机采用500万像素、拍摄分辨率为2592×1944,所述工业相机通过数据线将采集到的图片传送至所述暗箱外的所述电脑内,通过所述电脑对采集的图片进行大米垩白度的计算。
相比现有技术,本发明的有益效果在于:
为适应农业检测自动化要求,该发明专利结合垩白米自身结构特点,在大米垩白度检测方面提出了一种基于图像显著性区域提取的算法,首先,用机器视觉装置获取大米图像,对大米图像进行滤波处理,其次,对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值,最后,利用该阈值进行该区域的分割,分割出整张图片的垩白区域,并计算出大米的垩白度,相较于传统的OTSU方法,该方法的鲁棒性更强,能够准确快速的识别出大米垩白区域,并且能够分割出大米细小的垩白区域部分且抗干扰能力强。
附图说明
图1为本发明专利垩白米检测机器视觉装置图;
图2为本发明专利的垩白度检测系统流程框图;
图3为本发明专利的图像滤波效果图;
图4为本发明专利Canny边缘检测器流程图;
图5为本发明专利的图像显著性区域提取效果图;
图中:工业相机1、LED光源2、大米放置拖板3、数据连接线4和电脑5。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1~图5所示,一种基于图像显著性区域提取方法的大米垩白度检测系统,包括垩白米检测机器视觉装置和垩白度检测系统,所述垩白米检测机器视觉装置包括暗箱、工业相机1、LED光源2、大米放置拖板3、数据连接线4和电脑5,垩白米检测机器视觉装置的具体结构具体为所述工业相机1、LED光源2和所述大米放置拖板3均设置于所述暗箱内,所述暗箱内的环境通过所述LED光源2照明,所述工业相机1采用500万像素、拍摄分辨率为2592×1944,所述工业相机1通过数据线4将采集到的图片传送至所述暗箱外的所述电脑5内,其中,工业相机1采用500万像素,拍摄分辨率在2592×1944,拍摄环境设置在暗箱内并采用LED光源2提供光源以便减少环境光源干扰,在暗箱内有一块大米放置拖板3,大米放置拖板3颜色与大米颜色相反可在图像中更好反映大米的形态特征,工业相机1通过数据线4将采集到的图片传送至电脑5,电脑5对图片进行大米垩白度的计算。
所述垩白度检测系统的流程包括:
步骤一、把大米放置暗箱中用工业相机1进行拍摄,获取图像后先对图像进行灰度化处理;
步骤二:对图像进行中值滤波让图像更为平滑减少噪声干扰,再对图像进行反运算突出大米图像区域,并对其进行阈值分割后计算出大米面积;
步骤三:另外通过图像显著性区域提取的算法对图像垩白区域进行提取并计算垩白区域面积,最后计算出大米的垩白度。
进一步地,所述垩白度检测系统的处理步骤包括:
a、大米彩色图像采集系统:将被检测的垩白米放置到暗箱中的大米放置托盘,对被检测的垩白米进行图像采集,并对图像大小进行调整;
b、灰度化处理系统:对采用图像显著性区域提取算法对大米图像进行图像显著性区域提取,提取出垩白区域部分;
c、滤波处理系统:对采集到的图像进行滤波处理,去除掉图像的噪声;
d、计算大米垩白度:计算出大米垩白区域面积,并对大米的垩白度进行计算,输出结果。
在滤波处理系统中,通过工业相机1采集到大米图像后将图像裁剪成512×512像素,对图像进行灰度化处理,根据图像像素变化如图3中ab所示,可以发现在拍摄图像中含有噪声,为了减少图像噪声对图像显著区域的提取,对图像灰度图进行中值滤波,中值滤波对脉冲干扰级椒盐噪声的抑制效果好,并且对图像进行了平滑处理,减少了干扰,在实验中,中值滤波效果明显如图3中cd所示。
进一步地,所述滤波处理系统和所述计算大米垩白度之间还设有图像反运算系统,通过图像反运行系统计算出大米垩白度。
进一步地,所述图像反运算系统的计算方法包括:
步骤1、阈值分割:对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值;
步骤2、计算垩白区域像素点的和:利用该阈值进行该区域的分割,分割出整张图片的垩白区域,并计算出大米的垩白度。
进一步地,所述图像反运算系统的计算方法包括:
步骤A、图像特征变化边缘化提取:用机器视觉装置获取大米图像,对大米图像进行滤波处理;
步骤B、计算边缘像素平均值;
步骤C、阈值分割:对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值;
步骤D、计算垩白区域像素点的和:利用该阈值进行该区域的分割,分割出整张图片的垩白区域,并计算出大米的垩白度。
进一步地,对所述步骤一中所述图像进行滤波处理方法包括包括:
步骤A、通过工业相机1采集到大米图像后将图像裁剪成512×512像素,对图像进行灰度化处理;
步骤B、对在拍摄图像中含有噪声的图像显著区域进行提取,对图像灰度图进行中值滤波,对图像进行平滑处理。
进一步地,根据大米国家标准GB_T1354-2018中指出垩白米是指大米胚乳中的白色不透明部分,包括(腹白、心白和背白)。步骤二中所述的图像特征边缘进行提取后的垩白度进行计算,计算公式如下,
根据公式可得在图像中计算大米垩白度需要得出大米像素面积和垩白区域像素面积。对滤波过后的图像进行图像反运算图5中a所示,其次用Canny边缘检测器对图像像素边缘进行提取,流程如图4所示,具体步骤如下,
(4)计算图像每个像素点的梯度强度和方向得到大概边缘区域;
(5)应用非极大值抑制,以消除边缘检测带来的杂散响应;
(6)利用双阈值检测,设定低阈值和高阈值,灰度变化大于高阈值设置为强边缘像素,低于低阈值的剔除,在低阈值和高阈值之间的设置为弱边缘;进一步来确定真实的和潜在的边缘。
其中,图像显著性区域提取效果如图5中a所示,可以清楚看到大米图像像素变化的边缘由白线画出,因提取出的边缘图为二值图像,白色部分像素为1,黑色部分像素为0,把边缘图与灰度图像相乘则可以得到边缘的像素值Bi,根据下列公式可计算边缘像素平均值B,其中,num为边缘的个数。
用边缘平均像素值对图像进行阈值分割,如图5中c所示可以清楚的看到大米垩白区域被分割了出来,图5中d所示相比较OTSU方法提取的垩白区域,图像显著区域性提取算法对于细节的提取更为准确,对垩白度的计算精度更高,并且不会对噪声的干扰而产生影响。图5中c所示的垩白度为54.5052%。
为适应农业检测自动化要求,该发明专利结合垩白米自身结构特点,在大米垩白度检测方面提出了一种基于图像显著性区域提取的算法,首先,用机器视觉装置获取大米图像,对大米图像进行滤波处理,其次,对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值,最后,利用该阈值进行该区域的分割,分割出整张图片的垩白区域,并计算出大米的垩白度,相较于传统的OTSU方法,该方法的鲁棒性更强,能够准确快速的识别出大米垩白区域,并且能够分割出大米细小的垩白区域部分且抗干扰能力强。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基于图像显著性区域提取方法的大米垩白度检测系统,其特征在于:包括垩白米检测机器视觉装置和垩白度检测系统,所述垩白米检测机器视觉装置包括暗箱、工业相机、LED光源、大米放置拖板、数据连接线和电脑,所述垩白度检测系统的检测步骤包括:
步骤一、把大米放置暗箱中用工业相机进行拍摄,获取图像后先对图像进行灰度化处理;
步骤二:对图像进行中值滤波让图像更为平滑减少噪声干扰,再对图像进行反运算突出大米图像区域,并对其进行阈值分割后计算出大米面积;
步骤三:另外通过图像显著性区域提取的算法对图像垩白区域进行提取并计算垩白区域面积,最后计算出大米的垩白度。
2.根据权利要求1所述的一种基于图像显著性区域提取方法的大米垩白度检测系统,其特征在于,所述垩白度检测系统的处理步骤包括:
a、大米彩色图像采集系统:将被检测的垩白米放置到暗箱中的大米放置托盘,对被检测的垩白米进行图像采集,并对图像大小进行调整;
b、灰度化处理系统:对采用图像显著性区域提取算法对大米图像进行图像显著性区域提取,提取出垩白区域部分;
c、滤波处理系统:对采集到的图像进行滤波处理,去除掉图像的噪声;
d、计算大米垩白度:计算出大米垩白区域面积,并对大米的垩白度进行计算,输出结果。
3.根据权利要求2所述的一种基于图像显著性区域提取方法的大米垩白度检测系统,其特征在于:所述滤波处理系统和所述计算大米垩白度之间还设有图像反运算系统,通过图像反运行系统计算出大米垩白度。
4.根据权利要求3所述的一种基于图像显著性区域提取方法的大米垩白度检测系统,其特征在于:所述图像反运算系统的计算方法包括:
步骤1、阈值分割:对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值;
步骤2、计算垩白区域像素点的和:利用该阈值进行该区域的分割,分割出整张图片的垩白区域,并计算出大米的垩白度。
5.根据权利要求3所述的一种基于图像显著性区域提取方法的大米垩白度检测系统,其特征在于:所述图像反运算系统的计算方法包括:
步骤A、图像特征变化边缘化提取:用机器视觉装置获取大米图像,对大米图像进行滤波处理;
步骤B、计算边缘像素平均值;
步骤C、阈值分割:对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值;
步骤D、计算垩白区域像素点的和:利用该阈值进行该区域的分割,分割出整张图片的垩白区域,并计算出大米的垩白度。
6.根据权利要求2所述的一种基于图像显著性区域提取方法的大米垩白度检测系统,其特征在于:对所述步骤一中所述图像进行滤波处理方法包括包括:
步骤A、通过工业相机采集到大米图像后将图像裁剪成512×512像素,对图像进行灰度化处理;
步骤B、对在拍摄图像中含有噪声的图像显著区域进行提取,对图像灰度图进行中值滤波,对图像进行平滑处理。
8.根据权利要求7所述的一种基于图像显著性区域提取方法的大米垩白度检测系统,其特征在于:所述图像反运算系统包括Canny边缘检测器对,通过所述Canny边缘检测器对图像像素边缘进行提取。
9.根据权利要求8所述的一种基于图像显著性区域提取方法的大米垩白度检测系统,其特征在于:所述Canny边缘检测器的提取步骤包括:
(1),计算图像每个像素点的梯度强度和方向得到大概边缘区域;
(2)、应用非极大值抑制,以消除边缘检测带来的杂散响应;
(3)、利用双阈值检测,设定低阈值和高阈值,灰度变化大于高阈值设置为强边缘像素,低于低阈值的剔除,在低阈值和高阈值之间的设置为弱边缘。
10.根据权利要求1所述的一种基于图像显著性区域提取方法的大米垩白度检测系统,其特征在于:所述工业相机、LED光源和所述大米放置拖板均设置于所述暗箱内,所述暗箱内的环境通过所述LED光源照明,所述工业相机采用500万像素、拍摄分辨率为2592×1944,所述工业相机通过数据线将采集到的图片传送至所述暗箱外的所述电脑内,通过所述电脑对采集的图片进行大米垩白度的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926208.1A CN112070741B (zh) | 2020-09-07 | 2020-09-07 | 一种基于图像显著性区域提取方法的大米垩白度检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926208.1A CN112070741B (zh) | 2020-09-07 | 2020-09-07 | 一种基于图像显著性区域提取方法的大米垩白度检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070741A true CN112070741A (zh) | 2020-12-11 |
CN112070741B CN112070741B (zh) | 2024-02-23 |
Family
ID=73662800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010926208.1A Active CN112070741B (zh) | 2020-09-07 | 2020-09-07 | 一种基于图像显著性区域提取方法的大米垩白度检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070741B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114689527A (zh) * | 2022-05-31 | 2022-07-01 | 合肥安杰特光电科技有限公司 | 一种大米垩白检测方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271522A (zh) * | 2008-05-21 | 2008-09-24 | 中国农业大学 | 一种大米中黄粒米的自动识别方法 |
CN102982534A (zh) * | 2012-11-01 | 2013-03-20 | 北京理工大学 | 基于弦线切线法的Canny边缘检测双阈值获取方法 |
CN104215584A (zh) * | 2014-08-29 | 2014-12-17 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
CN104458747A (zh) * | 2014-12-22 | 2015-03-25 | 扬州大学 | 一种水稻垩白测算方法 |
CN105319223A (zh) * | 2015-12-07 | 2016-02-10 | 浙江工商大学 | 一种垩白米的检测方法和检测系统 |
CN106918595A (zh) * | 2017-03-22 | 2017-07-04 | 扬州大学 | 一种整精米率批量测定方法及其设备 |
WO2018234733A1 (en) * | 2017-06-19 | 2018-12-27 | Earlham Institute | DATA PROCESSING OF IMAGES OF A PLANT CULTURE |
US20190073759A1 (en) * | 2017-09-05 | 2019-03-07 | Vibe Imaging Analytics Ltd. | System and method for automated grain inspection and analysis of results |
CN111223050A (zh) * | 2018-11-27 | 2020-06-02 | 南京邮电大学 | 一种实时图像边缘检测算法 |
-
2020
- 2020-09-07 CN CN202010926208.1A patent/CN112070741B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271522A (zh) * | 2008-05-21 | 2008-09-24 | 中国农业大学 | 一种大米中黄粒米的自动识别方法 |
CN102982534A (zh) * | 2012-11-01 | 2013-03-20 | 北京理工大学 | 基于弦线切线法的Canny边缘检测双阈值获取方法 |
CN104215584A (zh) * | 2014-08-29 | 2014-12-17 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
CN104458747A (zh) * | 2014-12-22 | 2015-03-25 | 扬州大学 | 一种水稻垩白测算方法 |
CN105319223A (zh) * | 2015-12-07 | 2016-02-10 | 浙江工商大学 | 一种垩白米的检测方法和检测系统 |
CN106918595A (zh) * | 2017-03-22 | 2017-07-04 | 扬州大学 | 一种整精米率批量测定方法及其设备 |
WO2018234733A1 (en) * | 2017-06-19 | 2018-12-27 | Earlham Institute | DATA PROCESSING OF IMAGES OF A PLANT CULTURE |
US20190073759A1 (en) * | 2017-09-05 | 2019-03-07 | Vibe Imaging Analytics Ltd. | System and method for automated grain inspection and analysis of results |
CN111223050A (zh) * | 2018-11-27 | 2020-06-02 | 南京邮电大学 | 一种实时图像边缘检测算法 |
Non-Patent Citations (7)
Title |
---|
NADEESHA NAGODA ET AL.: "Rice Sample Segmentation and Classification Using Image Processing and Support Vector Machine", 《2018 IEEE 13TH INTERNATIONAL CONFERENCE ON INDUSTRIAL AND INFORMATION SYSTEMS (ICIIS)》, pages 179 - 184 * |
于润伟;朱晓慧;: "基于图像处理的稻米垩白自动检测研究", 中国粮油学报, no. 01, pages 122 - 125 * |
孙明,凌云,王一鸣: "在MATLAB环境中基于计算机视觉技术的大米垩白检测", 农业工程学报, no. 04, pages 146 - 149 * |
房国志等: "基于形态学分水岭的垩白米粒检测方法", 《光电子.激光》, vol. 21, no. 04, pages 569 - 571 * |
林萍;张华哲;何坚强;邹志勇;陈永明;: "可见光谱图与深度神经网络的垩白大米检测方法", 光谱学与光谱分析, no. 01, pages 233 - 238 * |
申聪等: "稻米垩白度测定特征值提取的算法研究", 《湖南农业科学》, no. 07, pages 98 - 100 * |
陈昊然等: "基于图像显著性区域提取的垩白米检测", 《中国粮油学报》, vol. 36, no. 2, pages 145 - 149 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114689527A (zh) * | 2022-05-31 | 2022-07-01 | 合肥安杰特光电科技有限公司 | 一种大米垩白检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112070741B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
CN110445921A (zh) | 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN111062293B (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN107328776A (zh) | 一种免疫层析试纸卡的快速检测方法 | |
CN101984346A (zh) | 基于低通滤波的水果表面缺陷检测方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN110310275B (zh) | 一种基于图像处理的链式传送带缺陷检测方法 | |
CN110348461A (zh) | 一种工件表面缺陷特征提取方法 | |
CN106651893A (zh) | 一种基于边缘检测的墙体裂缝识别方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN110070523A (zh) | 一种用于瓶底的异物检测方法 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 | |
CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
CN112233111A (zh) | 一种基于数字图像处理的隧道缝隙检测方法 | |
CN112070741B (zh) | 一种基于图像显著性区域提取方法的大米垩白度检测系统 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN113610185A (zh) | 基于主色调识别的木材色选方法 | |
CN110930346B (zh) | 一种眼底图像微血管瘤自动检测方法及存储设备 | |
CN116500052A (zh) | 一种食用油杂质视觉检测系统及其使用方法 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 |
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 |