CN112233107B - 基于图像处理技术的葵花籽品级分类方法 - Google Patents
基于图像处理技术的葵花籽品级分类方法 Download PDFInfo
- Publication number
- CN112233107B CN112233107B CN202011217136.XA CN202011217136A CN112233107B CN 112233107 B CN112233107 B CN 112233107B CN 202011217136 A CN202011217136 A CN 202011217136A CN 112233107 B CN112233107 B CN 112233107B
- Authority
- CN
- China
- Prior art keywords
- image
- sunflower seed
- mask
- area
- calculating
- 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
- 235000020238 sunflower seed Nutrition 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 239000000463 material Substances 0.000 claims abstract description 119
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000005520 cutting process Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000003628 erosive effect Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 claims description 3
- 239000000853 adhesive Substances 0.000 claims description 3
- 230000001070 adhesive effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 241000208818 Helianthus Species 0.000 description 2
- 235000003222 Helianthus annuus Nutrition 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000353135 Psenopsis anomala Species 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/194—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
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 & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于图像处理技术的葵花籽品级分类方法,涉及物料分选技术领域,方法包括:拍摄葵花籽的原始图像;对原始图像进行二值化处理,得到二值化图像;从二值化图像中分离出每个单独的葵花籽物料;对葵花籽物料计算纹理杂乱度特征和质心偏离度特征;根据上述两个特征,计算每个葵花籽物料的品质因数;根据设定的品质因数和每个葵花籽物料的品质因数进行品级分类。本发明方法的原理简单、执行高效、分级精度高、计算复杂度低,且不涉及复杂的非线性计算,易于在嵌入式系统中使用C语言实现,也可以方便地移植到FPGA中进行实现,具有良好的工业应用价值。
Description
技术领域
本发明涉及物料分选技术领域,特别是涉及基于图像处理技术的葵花籽品级分类方法。
背景技术
葵花籽又称瓜子,为向日葵的籽实,是中国乃至世界范围内深受消费者喜爱的一种食品。葵花籽富含不饱和脂肪酸、多种维生素、蛋白质以及微量元素,是一种营养价值很高的食品,对防止贫血、改善失眠、增强记忆力等也具有有一定的效果。随着21世纪人们消费能力的提升,葵花籽产品的销量也在逐年增加,市场潜力巨大。作为一种常见的食品,葵花籽的品级直接影响着葵花籽相关产品的质量和销量。一般地,为了对葵花籽物料进行品级筛选,常用的方法有三种:一是利用人工的方法,通过手工分拣,实现籽实饱满的好料与干瘪霉变的坏料的区分;二是利用图像处理的方式,主要通过葵花籽物料的简单几何特征和色彩特征,综合完成相应品级的确定;三是基于深度学习的方式,首先对一个合适的卷积网络进行大量样本的训练,构造出相应的分类器,然后再以在线的方式对葵花籽物料进行品级划分。总体看来,上述三类方案均存在局限性,主要体现在品级分类精度较低、需要人工干预因素较多、实时性较差等方面。
采取人工的方法对葵花籽进行分选,存在着效率较低、人眼容易出现视觉疲劳的问题。尤其是在长时间分拣工作后,手工拣选容易出现错选漏选的情况。另外人工拣选的方式对人力资料和成本的要求也较高。该方法是一种传统的农业手工式方法,适合于对速度要求不高、物料量小的家庭小作坊,不适用于工业化工厂的生产环境。
基于简单图像特征的分类方法是一种模拟人工分拣的方法,该方法主要根据葵花籽的面积、最小外接矩形及直方图等特征,综合实现葵花籽物料的品级分类,该方法由于实现较为简单,因此也是当前农产品色选机中使用的较多的一种方法。该方法的缺点是,由于真实环境下葵花籽的形态各异,因此仅靠简单的几何形状和色彩特征,往往很难对图像的特点进行提取。事实上,葵花籽品级的好坏不但与其形态有关,而且更与籽壳表面的纹理有关,而后者显然需要更加复杂的特征才能进行有效描述。
深度学习品级分类方法是一种基于监督训练的非线性分类法,该方法首先对一组包含有葵花籽物料的样本图像进行复杂特征的提取,在人工标签的基础上对相应的卷积神经网络进行训练,建立输入图像和输出品级之间的关系。基于深度学习的方法输出精度高,可以达到手工分拣的效果,具有较大的应用潜力。但是该方法的缺点也很明显:由于网络中的参数数目巨大,为了取得较好的分类器泛化性能,用于训练网络的样本数量往往是海量的;另外,为了获得较好的实时性,往往需要专用的芯片对在线的分类环节进行加速,增加了额外的硬件成本和用户学习曲线。
发明内容
本发明实施例提供了基于图像处理技术的葵花籽品级分类方法,通过简单高效的方法,对色选机拍摄的葵花籽图像进行处理,根据对外壳图像的纹理分析,量化给出葵花籽的品质等级划分。
本发明提供了基于图像处理技术的葵花籽品级分类方法,所述方法包括以下步骤:
图像获取:拍摄葵花籽的原始图像;
图像二值化:对所述原始图像进行二值化处理,将物料的前景和背景板图像进行分离,得到二值化图像;
物料分割:从所述二值化图像中分离出每个单独的葵花籽物料;
纹理特征提取:对葵花籽物料计算纹理杂乱度特征和质心偏离度特征;
品质因数计算:根据上述两个特征,计算每个葵花籽物料的品质因数;
品级分类:根据设定的品质因数和每个葵花籽物料的品质因数进行品级分类。
优选地,在对所述原始图像进行二值化处置之前,还包括:
图像裁剪:裁减掉所述原始图像的背景两端无效区域;
完成图像裁剪后,对裁剪后的图像进行二值化处理。
优选地,所述图像二值化具体包括:
计算裁剪后图像的R分量与B分量的比值图像R/B;
使用OTSU算法对比值图像进行二值化处理,得到二值化图像。
优选地,所述物料分割具体包括:
定义葵花籽的最大面积maxArea和最小面积minArea;
对所述二值化图像进行基于四连通准则的物料分割,获取每个物料的区域掩膜mask,对于每个区域掩膜mask,进行如下处理:
(1)若mask面积<maxArea,则认为该区域掩膜对应一个非粘连的正常葵花籽物料,对该区域保存;
(2)若mask面积>=maxArea,则认为该区域掩膜由两个或多个葵花籽物料粘连组成,对该区域掩膜执行去粘连处理;
获取每个物料的区域掩膜mask,并计算其面积area。当area∈(minArea,maxArea)时,保留该区域掩膜到物料对象表。
优选地,对区域掩膜执行的去粘连处理具体包括:
(1)对区域掩膜mask执行形态学腐蚀运算,得到多个新的区域掩膜,记这些区域掩膜分别为mask1、mask2...;
(2)对上步的每个区域掩膜,当mask面积>=3时,执行形态学膨胀运算,复原此前因腐蚀而丢失的区域。
优选地,在提取所述葵花籽物料的纹理特征之前,还包括:
姿态调整:对分离出的葵花籽物料进行最优旋转,使之成为直立状态。
优选地,对葵花籽物料的旋转角α由如下步骤计算:
优选地,所述纹理杂乱度的计算按如下步骤进行:
对姿态调整后的物料图像,使用Sobel算子计算y方向梯度,得到梯度图像;
使用OTSU算法对梯度图像进行二值化处理,得到二值化图像;
对与物料图像相应的区域掩膜进行形态学腐蚀运算,将该区域掩膜与上步的二值化图像相乘,得到去除了物料边界的二值化梯度图像;
计算上步输出图像在物料区域内的占空比ρ,该值反映了物料图像在y方向上的纹理杂乱度。
优选地,所述质心偏移度的计算按如下步骤进行:
将姿态调整后的物料图像分为上下两部分;
分别计算上图像和下图像在各自掩膜区域内的平均灰度averU和averD;
优选地,假设葵花籽高品质物料的(ρ,μ)特征基本分布在长轴为0.2、短轴为0.015的椭圆区域内:
则使用如下公式计算葵花籽物料的品质因数:
本发明具有以下有益效果:
本发明方案提供的基于图像处理技术的葵花籽品级分类方法,原理简单、执行高效、分级精度高、计算复杂度低,不涉及复杂的非线性计算,易于在嵌入式系统中使用C语言实现,也可以方便地移植到FPGA中进行实现,具有良好的工业应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中色选机的工作原理图;
图2为色选机拍摄的葵花籽原始图像;
图3为本发明方法的流程图;
图4为二值化的处理结果;
图5为粘连物料的分离示意图;
图6为图像分割的示意图;
图7为旋转角与投影支撑宽度的关系;
图8为姿态调整示意图;
图9为纹理杂乱度特征的计算流程图;
图10为计算得到的纹理杂乱度特征;
图11为特征分散点示意图;
图12为品质因数计算结果;
图13为具有代表性的葵花籽图像及其品质因数计算结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了基于图像处理技术的葵花籽品级分类方法,该方法主要包括以下步骤:
图像获取:拍摄葵花籽的原始图像;
图像裁剪:裁减掉原始图像的背景两端无效区域;
图像二值化:将物料前景和背景板图像进行分离;
物料分割:从图像中分离出每个单独的葵花籽物料,获取相应的区域;
姿态调整:对分离出的葵花籽物料进行最优旋转,使之成为直立状态;
纹理特征提取:对葵花籽物料计算纹理杂乱度特征和质心偏离度特征;
品质因数计算:根据上述两个特征,计算每个葵花籽物料的品质因数;
品级分类:根据设定的品质因数和每个葵花籽物料的品质因数进行品级分类。
下面对每个步骤进行详细说明。
如图1所示,为色选机的工作原理示意图。葵花籽从下料口下落的过程中,线阵式摄像机拍摄葵花籽物料的图像,作为原始图像。对原始图像采用上述步骤进行处理后,得到对于每个物料的品级分类,最后由喷气阀控制气体喷射,将葵花籽物料分选至对应的料斗中。
所述色选机拍摄的原始图像如图2所示,其中(a)中的物料为高品质物料,(b)中的物料为低品质物料。
对于原始图像的处理过程如图3所示。
图像裁剪
将原始图像两边的无效区域剪除,只保留包含葵花籽物料的有效区域。
图像二值化
图像二值化按下列步骤进行:
1、计算裁剪后图像的R分量与B分量的比值图像R/B。
2、使用OTSU算法对比值图像进行二值化处理,得到二值化图像。相关输出的二值化图像如图4所示(以图2中(a)为例)。
物料分割
物料分割按下列步骤进行:
1、定义葵花籽的最大面积maxArea和最小面积minArea(maxArea与minArea的具体数值与摄像机到物料的距离有关,例如取2800和800)。
2、对二值化图像进行基于四连通准则的物料分割,获取每个物料的区域掩膜mask。对于每个mask,进行如下处理:
⑴若mask面积<maxArea,则认为该区域掩膜对应一个非粘连的正常葵花籽物料,对该区域保存。
⑵若mask面积>=maxArea,则认为该区域掩膜可能有两个或多个葵花籽物料粘连组成,此时执行下列去粘连措施:
①对mask执行形态学腐蚀运算,所用结构元素为直径为15的圆。在经过该步处理后,原区域掩膜可能分裂为多个新的区域掩膜,记这些区域掩膜分别为mask1、mask2…maskM(如图5所示);
②对上步的每个区域掩膜,当mask面积>=3时,执行形态学膨胀运算,复原此前因腐蚀而丢失的区域。所用结构元素同上。
3、获取每个物料的区域掩膜mask,并计算其面积area。当area∈(minArea,maxArea)时,保留该区域掩膜到物料对象表。
图6给出了使用上述方法进行物料分割所得到的结果。
姿态调整
一般地,葵花籽物料在成像时往往存在旋转。为了便于后继的特征提取操作,首先需要对物料进行姿态调整,使之旋转为直立姿态。在本发明中,旋转角α由如下步骤计算:
纹理特征提取
纹理杂乱度
纹理杂乱度的计算按如下步骤进行:
1、对姿态调整后的物料图像,使用Sobel算子计算y方向梯度,得到梯度图像;
2、使用OTSU算法对梯度图像进行二值化处理,得到二值化图像;
3、对与物料图像相应的区域掩膜进行形态学腐蚀运算(所用结构元素为直径为9的圆),将该区域掩膜与上步的二值化图像相乘,得到去除了物料边界的二值化梯度图像。执行这一步的原因在于:Sobel梯度算子会在物料边界处产生较大的值,而该值不能作为描述图像纹理强弱程度的依据;
4、计算上步输出图像在物料区域内(区域掩膜收缩后)的占空比ρ。该值反映了物料图像在y方向上的纹理杂乱度。对于葵花籽的高品质物料,由于其纹理主要由y方向上的腰线提供,因此应具有接近于0的ρ值。
上述步骤的流程如图9所示,相关输出图像如图10所示,图10中的四幅图从左到右分别是物料图像、梯度图像、二值化图像和去除了物料边界的二值化梯度图像。
质心偏移度
质心偏移度的计算按如下步骤进行:
1、将姿态调整后的物料图像分为上下两部分;
2、分别计算上图像和下图像在各自掩膜区域内的平均灰度averU和averD;
图11给出了在使用上述方法对测试样本图像进行纹理特征提取后的分布图。从该图可以看出,通过本发明构造的两个特征,可以较好地对葵花籽高品质物料和低品质物料进行区分。另外从图11还可以发现,在代表“好″物料的点和代表“坏″物料的点在分界面附近区域存在部分重叠的情况,造成该情况的原因除了纹理特征提取本身引入的误差外,其另一个原因是:某些标识为“好″的物料和“坏″的物料在外观上本来就具有相似性,这与图11的反映是一致的。
品质因数计算
由图11可以看出,葵花籽高品质物料的(ρ,μ)特征基本分布在长轴为0.2、短轴为0.015的椭圆区域内(参见图11):
据此,本发明使用如下公式来为葵花籽物料计算其品质因数:
图12给出了在使用上述公式对测试图像进行品质因数计算后的分布图。在计算得到葵花籽的品质因数后,即可根据需求,对相关物料进行在线的品级分类。
为验证本发明所提方法的有效性,作为演示,图13的表格给出了一些代表性的葵花籽的图像及其品质因数计算结果。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.基于图像处理技术的葵花籽品级分类方法,其特征在于,所述方法包括以下步骤:
图像获取:拍摄葵花籽的原始图像;
图像二值化:对所述原始图像进行二值化处理,将物料的前景和背景板图像进行分离,得到二值化图像;
物料分割:从所述二值化图像中分离出每个单独的葵花籽物料;
姿态调整:对分离出的葵花籽物料进行旋转,使之成为直立状态;
纹理特征提取:对葵花籽物料计算纹理杂乱度特征和质心偏离度特征;
所述纹理杂乱度的计算按如下步骤进行:
对姿态调整后的物料图像,使用Sobel算子计算y方向梯度,得到梯度图像;
使用OTSU算法对梯度图像进行二值化处理,得到二值化图像;
对与物料图像相应的区域掩膜进行形态学腐蚀运算,将该区域掩膜与上步的二值化图像相乘,得到去除了物料边界的二值化梯度图像;
计算上步输出图像在物料区域内的占空比ρ,该值反映了物料图像在y方向上的纹理杂乱度;
所述质心偏离度的计算按如下步骤进行:
将姿态调整后的物料图像分为上下两部分;
分别计算上图像和下图像在各自掩膜区域内的平均灰度averU和averD;
品质因数计算:根据上述两个特征,计算每个葵花籽物料的品质因数;
葵花籽高品质物料的(ρ,μ)特征基本分布在长轴为0.2、短轴为0.015的椭圆区域内:
则使用如下公式计算葵花籽物料的品质因数:
品级分类:根据设定的品质因数和每个葵花籽物料的品质因数进行品级分类。
2.如权利要求1所述的基于图像处理技术的葵花籽品级分类方法,其特征在于,在对所述原始图像进行二值化处置之前,还包括:
图像裁剪:裁减掉所述原始图像的背景两端无效区域;
完成图像裁剪后,对裁剪后的图像进行二值化处理。
3.如权利要求2所述的基于图像处理技术的葵花籽品级分类方法,其特征在于,所述图像二值化具体包括:
计算裁剪后图像的R分量与B分量的比值图像R/B;
使用OTSU算法对比值图像进行二值化处理,得到二值化图像。
4.如权利要求1所述的基于图像处理技术的葵花籽品级分类方法,其特征在于,所述物料分割具体包括:
定义葵花籽的最大面积maxArea和最小面积minArea;
对所述二值化图像进行基于四连通准则的物料分割,获取每个物料的区域掩膜mask,对于每个区域掩膜mask,进行如下处理:
(1)若mask面积<maxArea,则认为该区域掩膜对应一个非粘连的正常葵花籽物料,对该区域保存;
(2)若mask面积>=maxArea,则认为该区域掩膜由两个或多个葵花籽物料粘连组成,对该区域掩膜执行去粘连处理;
获取每个物料的区域掩膜mask,并计算其面积area,当area∈(minArea,maxArea)时,保留该区域掩膜到物料对象表。
5.如权利要求4所述的基于图像处理技术的葵花籽品级分类方法,其特征在于,对区域掩膜执行的去粘连处理具体包括:
(1)对区域掩膜mask执行形态学腐蚀运算,得到多个新的区域掩膜,记这些区域掩膜分别为mask1、mask2…;
(2)对上步的每个区域掩膜,当mask面积>=3时,执行形态学膨胀运算,复原此前因腐蚀而丢失的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217136.XA CN112233107B (zh) | 2020-11-04 | 2020-11-04 | 基于图像处理技术的葵花籽品级分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217136.XA CN112233107B (zh) | 2020-11-04 | 2020-11-04 | 基于图像处理技术的葵花籽品级分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233107A CN112233107A (zh) | 2021-01-15 |
CN112233107B true CN112233107B (zh) | 2022-10-25 |
Family
ID=74123159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011217136.XA Active CN112233107B (zh) | 2020-11-04 | 2020-11-04 | 基于图像处理技术的葵花籽品级分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233107B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537185A (zh) * | 2020-04-10 | 2021-10-22 | 合肥美亚光电技术股份有限公司 | 葵花籽异常区域识别方法及装置、葵花籽分选方法及设备 |
CN113012248A (zh) * | 2021-02-26 | 2021-06-22 | 合肥高晶光电科技有限公司 | 一种可用于色选机香菇物料品级分类的纹理特征提取方法 |
CN112950574B (zh) * | 2021-02-26 | 2022-10-18 | 合肥高晶光电科技有限公司 | 一种可对香菇进行品级分类的图像识别算法 |
JP7371812B2 (ja) * | 2021-03-16 | 2023-10-31 | 三菱電機株式会社 | 静電選別装置及び静電選別方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445456A (zh) * | 2011-10-09 | 2012-05-09 | 河海大学常州校区 | 基于dsp机器视觉的鸡蛋品质无损检测装置及检测方法 |
CN102521600A (zh) * | 2011-11-03 | 2012-06-27 | 北京农业信息技术研究中心 | 基于机器视觉的南美白对虾病害识别方法及系统 |
CN104408473A (zh) * | 2014-12-08 | 2015-03-11 | 中华人民共和国山东出入境检验检疫局 | 基于距离度量学习的棉花品级分类方法及装置 |
WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN106296644A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的玉米籽粒考种分析方法 |
CN108427862A (zh) * | 2018-03-02 | 2018-08-21 | 华中农业大学 | 基于图像分析的多品种全生育期棉花生物量无损测量方法 |
CN109598193A (zh) * | 2018-10-25 | 2019-04-09 | 安徽新浩信息科技有限公司 | 一种基于人工智能的火焰图像识别方法 |
CN110298362A (zh) * | 2019-06-11 | 2019-10-01 | 浙江工业大学 | 一种牡丹花特征提取方法 |
CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9971929B2 (en) * | 2016-01-28 | 2018-05-15 | University Of The West Indies | Fingerprint classification system and method using regular expression machines |
-
2020
- 2020-11-04 CN CN202011217136.XA patent/CN112233107B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445456A (zh) * | 2011-10-09 | 2012-05-09 | 河海大学常州校区 | 基于dsp机器视觉的鸡蛋品质无损检测装置及检测方法 |
CN102521600A (zh) * | 2011-11-03 | 2012-06-27 | 北京农业信息技术研究中心 | 基于机器视觉的南美白对虾病害识别方法及系统 |
CN104408473A (zh) * | 2014-12-08 | 2015-03-11 | 中华人民共和国山东出入境检验检疫局 | 基于距离度量学习的棉花品级分类方法及装置 |
WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 山东大学 | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 |
CN106296644A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的玉米籽粒考种分析方法 |
CN108427862A (zh) * | 2018-03-02 | 2018-08-21 | 华中农业大学 | 基于图像分析的多品种全生育期棉花生物量无损测量方法 |
CN109598193A (zh) * | 2018-10-25 | 2019-04-09 | 安徽新浩信息科技有限公司 | 一种基于人工智能的火焰图像识别方法 |
CN110298362A (zh) * | 2019-06-11 | 2019-10-01 | 浙江工业大学 | 一种牡丹花特征提取方法 |
CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
Non-Patent Citations (6)
Title |
---|
Enhancement Of Segmentation And Feature Fusion For Apple Disease Classification;P. Kola Sujatha 等;《2018 Tenth International Conference on Advanced Computing (ICoAC)》;20191223;第175-181页 * |
Visual quality assessment of malting barley using color, shape and texture descriptors;Juan-PabloRamirez-Paredes 等;《Computers and Electronics in Agriculture》;20200131;第168卷;第1-10页 * |
利用高光谱图像技术评判茶叶的质量等级;陈全胜 等;《光学学报》;20081231(第4期);第669-674页 * |
基于图像识别的储粮害虫检测;王德发;《中国优秀硕士学位论文全文数据库 农业科技辑》;20180315;第2018年卷(第3期);D045-7 * |
基于目标检测与加权混合特征的目标跟踪算法;周雅;《科技通报》;20171231;第33卷(第4期);第138-143页 * |
基于纹理分析的香菇品质分选方法;陈红 等;《农业工程学报》;20141231;第30卷(第3期);第285-292页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112233107A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112233107B (zh) | 基于图像处理技术的葵花籽品级分类方法 | |
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
Wang et al. | An automatic sorting system for fresh white button mushrooms based on image processing | |
CN103927534A (zh) | 一种基于卷积神经网络的喷码字符在线视觉检测方法 | |
CN104866862A (zh) | 一种带钢表面面积型缺陷识别分类的方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
Ji et al. | Apple grading method based on features of color and defect | |
Pavithra et al. | Machine vision based automatic sorting of cherry tomatoes | |
Vyas et al. | Quality inspection and classification of mangoes using color and size features | |
CN113160136B (zh) | 一种基于改进Mask R-CNN的木材缺陷识别和分割方法 | |
CN109472783A (zh) | 一种泡沫镍表面缺陷提取及分类方法 | |
CN108961301A (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
CN114820471A (zh) | 一种面向智能制造精微结构表面缺陷的视觉检测方法 | |
Chen et al. | A surface defect detection system for golden diamond pineapple based on CycleGAN and YOLOv4 | |
Pour et al. | Curvature-based pattern recognition for cultivar classification of Anthurium flowers | |
Prem Kumar et al. | Quality grading of the fruits and vegetables using image processing techniques and machine learning: a review | |
Pichhika et al. | Detection of Multi-varieties of On-tree Mangoes using MangoYOLO5 | |
CN116921264A (zh) | 一种生鲜食材分拣系统及分拣方法 | |
Doan et al. | A Novel Mango Grading System Based on Image Processing and Machine Learning Methods | |
AmeethaJunaina et al. | A survey on fresh produce grading algorithms using machine learning and image processing techniques | |
Mohana et al. | Stem-calyx recognition of an apple using shape descriptors | |
Sreekanth et al. | Fruit detection using improved K-means algorithm | |
Wattana et al. | Counting and separating damaged seeds of soybean seeds using image processing | |
Li et al. | A Recognition Scheme Based on K-means Feature Clustering for Obscured Apple Object | |
CN116267226B (zh) | 一种基于机器视觉智能识别成熟度的桑葚采摘方法与装置 |
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 |