CN112077018A - 一种采用计算机视觉的海参大小筛选方法 - Google Patents
一种采用计算机视觉的海参大小筛选方法 Download PDFInfo
- Publication number
- CN112077018A CN112077018A CN202010891305.1A CN202010891305A CN112077018A CN 112077018 A CN112077018 A CN 112077018A CN 202010891305 A CN202010891305 A CN 202010891305A CN 112077018 A CN112077018 A CN 112077018A
- Authority
- CN
- China
- Prior art keywords
- sea cucumber
- image
- screening
- euclidean distance
- reference object
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/04—Sorting according to size
- B07C5/10—Sorting according to size measured by light-responsive means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
- B07C2501/0081—Sorting of food items
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种采用计算机视觉的海参大小筛选方法,主要通过单目摄像头对海参图像进行采集,通过对海参图像进行二值化、高斯滤波以及形态学处理等得到处理后的图像。通过在边缘图像中提取到海参和参照物的轮廓绘制出海参和参照物的最小外切矩形,根据外切矩的顶点计算出图片中海参和参照物的欧式距离,通过标准参照物欧式距离与实际距离的比例计算出海参的实际距离。本发明解决了人工筛选中工作效率低、筛选不精确等问题,解决了筛网筛选中筛网堵塞和容易导致筛选不精确以及筛网划伤海参等多种问题。
Description
技术领域
本发明涉及一种海参大小筛选方法,特别是一种采用计算机视觉的海参大小筛选方法,属于海参大小筛选技术领域。
背景技术
海参具有极高的营养和药用价值,而海参的个头越大则其的参龄就越长,其积累的营养物质就越丰富。相对于小海参来说,大海参具备更好的品质,其价值也就更高。现阶段针对海参的筛选方法主要有人工筛选和通过倒三角型的筛网进行筛选这两种方式。人工筛选的方法具有劳动力需求量高,工作效率慢,大小筛选不标准等一系列的缺点。而筛网筛选的方法也存在筛选标准选择性少、不精确,且当海参通过筛网时容易造成筛网堵塞或筛网损伤海参导致影响海参品质等一系列缺点。
在传统的海参大小筛选方法中,人工筛选方法的步骤主要是通过人工进行初选,剔除较小的海参,再对剩余的海参进行肥瘦分拣,肥瘦分拣主要借助称重设备进行称重,不仅工作效率低,且增加了海参的加工成本。而通过筛网进行筛选的主要步骤是通过设置三级孔大小依次减小的筛网,由机器带动海参抖动,使得个头大的海参留在上层筛网,小海参则通过筛网到达下层实现海参分级筛选,这种半自动化的方法不仅容易造成筛网堵塞,还容易导致筛选不精确以及筛网划伤海参等多种问题
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种采用计算机视觉的海参大小筛选方法,实现对海参大小的筛选。本方法主要是通过单目摄像头获取海参的彩色RGB图像,使用opencv对图像进行处理,利用图片中的欧式距离以及标准参照物实际大小实现对海参实际大小的测量。
为解决上述技术问题,本发明的一种采用计算机视觉的海参大小筛选方法,包括以下步骤:
步骤1:利用计算机视觉系统对海参和设置好长和宽的标准参照物进行图像采集,采集到原始的彩色RGB图像;
步骤2:对所得图像进行灰度化和高斯滤波处理,处理完成之后进行边缘检测以及膨胀、腐蚀等形态学处理,然后在边缘图像中提取到海参和参照物的轮廓;
步骤3:对边缘图像中所有轮廓按从左到右的顺序进行排序处理,在排序完成后循环遍历图片中所有物体的每一个轮廓;
步骤4:根据每个物体的轮廓计算出其最小外切矩形框,以左上方的点为起始点按顺时针方向对所有顶点进行排序,绘制出其最小外切矩形框;
步骤5:计算出外切矩形框左上和右上顶点的中点坐标、左下和右下顶点的中点坐标并通过线段将两中点坐标连接,计算出左上和左下顶点的中点坐标以及右上和右下顶点的中点坐标,同样通过线段将两中点坐标连接,计算出每对中心点在图片中的欧式距离;
步骤6:根据已知长和宽的标准参照物,计算出图片中参照物的欧氏距离与标准参照物实际距离的比例,根据这个比例和图片中海参的欧式距离计算出海参的实际长度和宽度,根据海参的实际长度和宽度实现对海参大小的筛选。
本发明还包括:
1.步骤1中,通过计算机视觉系统对图像进行采集时,应确保单目摄像头处于整个图像采集平面的正上方,以防止物体的阴影或拍摄角度差异对后续的处理产生影响。
2.步骤1中采集得到的图像的颜色模型为24位RGB彩色模型,每一幅图像由红、绿、蓝三个基本颜色分量组成,每个颜色分量为8位。
3.步骤2中的加权平均值灰度化方法为:
Y(x,y)=WrR(x,y)+WgG(x,y)+WbB(x,y)
1=Wr+Wg+Wb
其中,Y(x,y)为灰度图像,R(x,y)、G(x,y)、B(x,y)分别表示红、绿、蓝颜色分量,Wr、Wg、Wb为权值系数;根据人眼对光的敏感度,三种颜色分量的权值满足条件Wg=0.59、Wr=0.3、Wb=0.11时最为合理。
4.步骤2中的二维高斯滤波公式为:
其中(x,y)为点坐标,σ是标准差。
5.步骤4中最小外切矩形框运用到了opencv里面的cv2.minAreaRect函数。
6.步骤5中中心点坐标运算运用到了公式:
其中l(x,y)和r(x,y)分别代指相邻两顶点坐标,而z(x,y)代指中点坐标。
7.步骤6中计算每对中心点的欧式距离运用到了公式:
其中L代表两点之间的欧式距离,而x1、x2分别为两顶点在x轴上的坐标。y1、y2分别为两顶点在y轴上的坐标。
8.步骤6中海参实际长度和宽度运算运用到了公式:
Hc=D*Oc
Hk=P*Ok
其中Hc代指海参实际长度,Oc代指海参在图片中长度上的欧式距离,D代指标准参照物实际长度与图片中欧式长度距离的比例。Hk代指海参实际宽度,Ok代指海参在图片中宽度上的欧式距离,P代指标准参照物实际宽度与图片中欧式宽度距离的比例。
本发明的有益效果:
本发明利用单目摄像头采集海参图像,通过计算机视觉系统对图像中海参的长度与宽度进行测量,实现能够通过自主测量海参大小对海参进行筛选,可以通过opencv实现对海参大小的智能测量,能够通过设置海参长和宽的大小范围实现对海参大小的智能筛选,使得筛选出的海参更加标准,有效的节约了劳动力提高了筛选效率和准确率。
通过运用本方法对海参大小进行筛选使得海参在筛选过程中避免了传统方法产生的筛网堵塞导致机器停止运作或筛网划伤海参导致的海参品质降低问题,同时在整个海参大小测量过程中与海参无接触,有效的降低了海参在筛选过程中的损耗。
附图说明
图1为本发明中使用计算机视觉系统对海参大小筛选的总体流程框图;
图2为对得到的彩色RGB图像进行图像预处理示意图;
图3为对图像绘制最小外切矩形示意图;
图4是图像中输出海参实际长度和宽度示意图。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
结合图1,本发明提出了一种基于计算机视觉的海参大小筛选方法。通过计算机视觉系统使用单目摄像头获得海参和标准参照物的原始彩色RGB图像,使用opencv对图像进行处理,利用最小外接矩每条边的中点获得欧式距离,利用标准参照物算出海参实际长和宽的距离,具体包括以下步骤:
步骤1:利用计算机视觉系统对海参和设置好长和宽的标准参照物进行图像采集,采集到原始的彩色RGB图像。
步骤2:对所得图像进行灰度化和高斯滤波处理,处理完成之后进行边缘检测以及膨胀、腐蚀等形态学处理,然后在边缘图像中提取到海参和参照物的轮廓。
步骤3:对边缘图像中所有轮廓按从左到右的顺序进行排序处理,在排序完成后循环遍历图片中所有物体的每一个轮廓。
步骤4:根据每个物体的轮廓计算出其最小外切矩形框,以左上方的点为起始点按顺时针方向对所有顶点进行排序,绘制出其最小外切矩形框。
步骤5:计算出外切矩形框左上和右上顶点的中点坐标、左下和右下顶点的中点坐标并通过线段将两中点坐标连接。同理也计算出左上和左下顶点的中点坐标以及右上和右下顶点的中点坐标,同样通过线段将两中点坐标连接。计算出每对中心点在图片中的欧式距离。
步骤6:根据已知长和宽的标准参照物,计算出图片中参照物的欧氏距离与标准参照物实际距离的比例,根据这个比例和图片中海参的欧式距离计算出海参的实际长度和宽度,根据海参的实际长度和宽度实现对海参大小的筛选。
采集原始RGB图像用到以下方法:
计算机CPU为英特尔i5-9300h、内存8G、显卡为英伟达GTX1650,工业摄像头为200万像素,最大帧率为60FPS,数据接口为USB。镜头焦距为6-12mm,最大光圈为F1.6。应当注意摄像头在采集图像时应当处于图片的正上方,只有当图片处于正上方时才能保证在拍摄时图像中的物体不会产生阴影或因为摄像机的角度使得图像发生扭曲,才能保证不影响后续的图像处理。单目摄像头直接将海参图像输出为彩色RGB图像,通过颜色的不同来区分出整个图像的不同区域,建立24位RGB彩色模型,每一幅图像由红、绿、蓝三个基本颜色分量组成,每个颜色分量为8位。
对图像进行加权平均化灰度处理用到以下方法:
Y(x,y)=WrR(x,y)+WgG(x,y)+WbB(x,y)
1=Wr+Wg+Wb
其中,Y(x,y)为灰度图像,R(x,y)、G(x,y)、B(x,y)分别表示红、绿、蓝颜色分量,Wr、Wg、Wb为权值系数;根据人眼对光的敏感度,三种颜色分量的权值满足条件Wg=0.59、Wr=0.3、Wb=0.11时最为合理。
3.运用高斯滤波对图像中噪声点进行剔除用到以下方法:
其中(x,y)为点坐标,σ是标准差。
4.在opencv中求出最小外切矩形运用到了以下方法:
运用opencv中的cv2.minAreaRect函数,通过此函数调用最小外切矩形算法求解出海参轮廓的最小外切矩形。
5.对外切矩形框进行中心点坐标运算运用到了以下方法:
其中l(x,y)和r(x,y)分别代指相邻两顶点坐标,而z(x,y)代指中点坐标。
6.根据得到的每对中心点坐标计算中心点的欧式距离用到了以下方法:
其中L代表两点之间的欧式距离,而x1、x2分别为两顶点在x轴上的坐标。y1、y2分别为两顶点在y轴上的坐标。
7.对海参实际长度和宽度运算运用了以下的方法:
Hc=D*Oc
Hk=P*Ok
其中Hc代指海参实际长度,Oc代指海参在图片中长度上的欧式距离,D代指标准参照物实际长度与图片中欧式长度距离的比例。Hk代指海参实际宽度,Ok代指海参在图片中宽度上的欧式距离,P代指标准参照物实际宽度与图片中欧式宽度距离的比例。
本发明的主要工作原理:
主要通过根据海参图像计算出最小外切矩形框,根据最小外切矩形框计算出图像中海参的长和宽的欧式距离,从而再通过标准参照物计算出海参实际长度和宽度。首先通过设计好的计算机控制系统对海参图像进行采集,之后对采集到的图像进行预处理,对处理好的图像进行轮廓提取,提取完成后对图像轮廓作最小外切矩形。通过顶点坐标确定好最小外切矩形各边的中点,根据中点计算出最小外切矩形框的长度和宽度的欧式距离,对于海参的形状,其外切矩形框的长度和宽度就基本等于图像中海参的长度和宽度。再根据标准参照物在图像中的长度和宽度与已知的标准参照物的实际长度与宽度比例计算出海参实际长度与宽度,实现对海参大小的筛选。
本发明主要通过单目摄像头对海参图像进行采集,通过对海参图像进行二值化、高斯滤波以及形态学处理等得到处理后的图像。通过在边缘图像中提取到海参和参照物的轮廓绘制出海参和参照物的最小外切矩形,根据外切矩的顶点计算出图片中海参和参照物的欧式距离,通过标准参照物欧式距离与实际距离的比例计算出海参的实际距离。本发明解决了人工筛选中工作效率低、筛选不精确等问题,解决了筛网筛选中筛网堵塞和容易导致筛选不精确以及筛网划伤海参等多种问题。
Claims (9)
1.一种采用计算机视觉的海参大小筛选方法,其特征在于,包括以下步骤:
步骤1:利用计算机视觉系统对海参和设置好长和宽的标准参照物进行图像采集,采集到原始的彩色RGB图像;
步骤2:对所得图像进行灰度化和高斯滤波处理,处理完成之后进行边缘检测以及膨胀、腐蚀等形态学处理,然后在边缘图像中提取到海参和参照物的轮廓;
步骤3:对边缘图像中所有轮廓按从左到右的顺序进行排序处理,在排序完成后循环遍历图片中所有物体的每一个轮廓;
步骤4:根据每个物体的轮廓计算出其最小外切矩形框,以左上方的点为起始点按顺时针方向对所有顶点进行排序,绘制出其最小外切矩形框;
步骤5:计算出外切矩形框左上和右上顶点的中点坐标、左下和右下顶点的中点坐标并通过线段将两中点坐标连接,计算出左上和左下顶点的中点坐标以及右上和右下顶点的中点坐标,同样通过线段将两中点坐标连接,计算出每对中心点在图片中的欧式距离;
步骤6:根据已知长和宽的标准参照物,计算出图片中参照物的欧氏距离与标准参照物实际距离的比例,根据这个比例和图片中海参的欧式距离计算出海参的实际长度和宽度,根据海参的实际长度和宽度实现对海参大小的筛选。
2.根据权利要求1所述的一种采用计算机视觉的海参大小筛选方法,其特征在于:所述的步骤1中,通过计算机视觉系统对图像进行采集时,应确保单目摄像头处于整个图像采集平面的正上方,以防止物体的阴影或拍摄角度差异对后续的处理产生影响。
3.根据权利要求1所述的一种采用计算机视觉的海参大小筛选方法,其特征在于:所述的步骤1中采集得到的图像的颜色模型为24位RGB彩色模型,每一幅图像由红、绿、蓝三个基本颜色分量组成,每个颜色分量为8位。
4.根据权利要求1所述的一种采用计算机视觉的海参大小筛选方法,其特征在于:步骤2中所述的加权平均值灰度化方法为:
Y(x,y)=WrR(x,y)+WgG(x,y)+WbB(x,y)
1=Wr+Wg+Wb
其中,Y(x,y)为灰度图像,R(x,y)、G(x,y)、B(x,y)分别表示红、绿、蓝颜色分量,Wr、Wg、Wb为权值系数;根据人眼对光的敏感度,三种颜色分量的权值满足条件Wg=0.59、Wr=0.3、Wb=0.11时最为合理。
6.根据权利要求1所述的一种采用计算机视觉的海参大小筛选方法,其特征在于:步骤4中所述的最小外切矩形框运用到了opencv里面的cv2.minAreaRect函数。
9.根据权利要求1所述的一种采用计算机视觉的海参大小筛选方法,其特征在于:步骤6中海参实际长度和宽度运算运用到了公式:
Hc=D*Oc
Hk=P*Ok
其中Hc代指海参实际长度,Oc代指海参在图片中长度上的欧式距离,D代指标准参照物实际长度与图片中欧式长度距离的比例。Hk代指海参实际宽度,Ok代指海参在图片中宽度上的欧式距离,P代指标准参照物实际宽度与图片中欧式宽度距离的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010891305.1A CN112077018A (zh) | 2020-08-30 | 2020-08-30 | 一种采用计算机视觉的海参大小筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010891305.1A CN112077018A (zh) | 2020-08-30 | 2020-08-30 | 一种采用计算机视觉的海参大小筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112077018A true CN112077018A (zh) | 2020-12-15 |
Family
ID=73728147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010891305.1A Pending CN112077018A (zh) | 2020-08-30 | 2020-08-30 | 一种采用计算机视觉的海参大小筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112077018A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844611A (zh) * | 2015-01-29 | 2016-08-10 | 霍尼韦尔国际公司 | 用于使用输入图像来测量磨损销长度的算法 |
CN107478152A (zh) * | 2017-08-11 | 2017-12-15 | 哈尔滨工业大学 | Tr芯片定位方法及检测方法 |
CN107506801A (zh) * | 2017-09-30 | 2017-12-22 | 河南省水产科学研究院 | 一种鱼类性状测量装置及方法 |
KR20180068150A (ko) * | 2016-12-13 | 2018-06-21 | 강원대학교산학협력단 | 영상 분석을 이용한 건해삼 등급 분류 시스템 |
CN108388874A (zh) * | 2018-03-05 | 2018-08-10 | 厦门大学 | 基于图像识别与级联分类器的对虾形态参数自动测量方法 |
CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
CN110738631A (zh) * | 2019-08-26 | 2020-01-31 | 中国农业机械化科学研究院 | 一种基于图像的对虾外形信息检测方法和检测系统 |
CN110766744A (zh) * | 2019-11-05 | 2020-02-07 | 北京华捷艾米科技有限公司 | 一种基于3d深度摄像头的mr体积测量方法及装置 |
CN111080696A (zh) * | 2019-10-25 | 2020-04-28 | 青岛农业大学 | 一种基于计算机视觉的水下海参识别及定位方法 |
CN111354009A (zh) * | 2020-02-27 | 2020-06-30 | 西安交通大学 | 激光增材制造熔池形状的提取方法 |
-
2020
- 2020-08-30 CN CN202010891305.1A patent/CN112077018A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844611A (zh) * | 2015-01-29 | 2016-08-10 | 霍尼韦尔国际公司 | 用于使用输入图像来测量磨损销长度的算法 |
KR20180068150A (ko) * | 2016-12-13 | 2018-06-21 | 강원대학교산학협력단 | 영상 분석을 이용한 건해삼 등급 분류 시스템 |
CN107478152A (zh) * | 2017-08-11 | 2017-12-15 | 哈尔滨工业大学 | Tr芯片定位方法及检测方法 |
CN107506801A (zh) * | 2017-09-30 | 2017-12-22 | 河南省水产科学研究院 | 一种鱼类性状测量装置及方法 |
CN108388874A (zh) * | 2018-03-05 | 2018-08-10 | 厦门大学 | 基于图像识别与级联分类器的对虾形态参数自动测量方法 |
CN109190636A (zh) * | 2018-07-30 | 2019-01-11 | 北京航空航天大学 | 一种遥感图像舰船目标信息提取方法 |
CN110738631A (zh) * | 2019-08-26 | 2020-01-31 | 中国农业机械化科学研究院 | 一种基于图像的对虾外形信息检测方法和检测系统 |
CN111080696A (zh) * | 2019-10-25 | 2020-04-28 | 青岛农业大学 | 一种基于计算机视觉的水下海参识别及定位方法 |
CN110766744A (zh) * | 2019-11-05 | 2020-02-07 | 北京华捷艾米科技有限公司 | 一种基于3d深度摄像头的mr体积测量方法及装置 |
CN111354009A (zh) * | 2020-02-27 | 2020-06-30 | 西安交通大学 | 激光增材制造熔池形状的提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485275B (zh) | 一种实现盖板玻璃与液晶屏定位贴合的方法 | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CA2867365C (en) | Method, system and computer storage medium for face detection | |
CN106824806B (zh) | 基于机器视觉的小模数塑料齿轮的检测方法 | |
CN107358627B (zh) | 基于Kinect相机的果实尺寸检测方法 | |
CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN110211110B (zh) | 一种构件尺寸的检测方法、系统及终端设备 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN109190617B (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
CN110782436A (zh) | 一种基于计算机视觉的传送带物料状态检测方法 | |
CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN108280838A (zh) | 一种基于边缘检测的夹片牙型缺陷检测方法 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
CN112767497A (zh) | 基于圆形标定板的高鲁棒性标定装置及定位方法 | |
CN111583193A (zh) | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 | |
CN116958125A (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN115108466A (zh) | 一种集装箱吊具智能定位的方法 | |
CN114494169A (zh) | 基于机器视觉的工业柔性物体检测方法 | |
CN115690107B (zh) | 基于图像处理的豆荚果粒高通量计数方法、系统及装置 | |
CN114998571B (zh) | 基于固定尺寸标志物的图像处理及颜色检测方法 | |
CN112077018A (zh) | 一种采用计算机视觉的海参大小筛选方法 | |
CN116883498A (zh) | 基于灰度质心提取算法的视觉合作靶标特征点定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |