CN112435235B - 一种基于图像分析的籽棉含杂率检测方法 - Google Patents
一种基于图像分析的籽棉含杂率检测方法 Download PDFInfo
- Publication number
- CN112435235B CN112435235B CN202011321189.6A CN202011321189A CN112435235B CN 112435235 B CN112435235 B CN 112435235B CN 202011321189 A CN202011321189 A CN 202011321189A CN 112435235 B CN112435235 B CN 112435235B
- Authority
- CN
- China
- Prior art keywords
- image
- edge detection
- seed cotton
- gray
- value
- 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
- 239000012535 impurity Substances 0.000 title claims abstract description 50
- 229920000742 Cotton Polymers 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000010191 image analysis Methods 0.000 title claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012805 post-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- 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
- G06T2207/30124—Fabrics; Textile; Paper
Abstract
本发明公开了一种基于图像分析的籽棉含杂率检测方法,通过相机拍摄获取含杂籽棉图像,首先对图像进行灰度化、灰度拉伸和中值滤波处理,以增强图像的信息特征,提高对比度;接着分别运用最大类间方差法和多种算子结合的边缘检测分割图像,使图像转换为二值图像,即像素值只有0或1的图像;然后用数学形态学操作对分割后的二值图像进行处理优化;最后通过连通区域分析算法确定杂质区域的总像素面积,并得出其在整个图像像素面积中的占比,作为最终含杂率。本发明提供的方法可以快速的分割出籽棉图像中的杂质,并得出相应的含杂率,为后续清除工序的安排提供帮助。
Description
技术邻域
本发明涉及图像处理分析技术邻域,具体涉及一种基于图像分析的籽棉含杂率检测方法。
背景技术
棉花中杂质的存在一直是一个不可避免的难题。其中,籽棉中的杂质含量尤为突出,若不对籽棉中的杂质进行去除处理,会直接影响到后续生产过程中籽棉的加工质量,会使得皮棉的含杂量增加,品级被降低。粗大的杂质更是容易堵塞机器,从而加快机器的磨损,减少机器的工作时长。因此,在棉花加工前及加工过程中,杂质的检测是十分重要的,旨在及时发现,及时处理,保证将其不良影响降到最低。
图像处理技术的不断研究与发展,使其在纺织行业中的运用越来越宽泛。近年来,国内外研究人员将其应用到了棉花检测领域中,并取得了较好的成果。然而,目前基于图像的棉花检测更多偏向的是异性纤维的检测与剔除,而针对含杂率的运用相对较少。含杂率的检测,可以明确棉花中杂质的含量,为后续清除工序的安排提供依据,同时也可用于判定棉花的质量是否符合标准。
发明内容
本发明的目的在于提供一种基于图像分析的籽棉含杂率检测方法,以解决检测含杂籽棉图像含杂率的问题。
本发明采用的技术方案为:
一种基于图像分析的籽棉含杂率检测方法,具体包括以下步骤:
步骤1,采集含杂籽棉图像,对采集的图像进行灰度化、灰度拉伸和中值滤波处理,得到预处理图像;
步骤2,对步骤1得到的预处理图像运用最大类间方差法处理,得到含杂籽棉的分割图像,即二值图像,具体步骤包括:
步骤2.1,设预处理图像的像素值总数为N,灰度值的范围是[0,L-1],其中灰度级为i的像素点有ni个,则i出现的概率为:
步骤2.2,在灰度值T处将图像内所有的像素分为A和B两个组,A组的灰度值范围为[0,T],B组灰度值范围[T,L-1],由图像的灰度分布概率可得总均值为:
则A、B两组的均值分别为:
其中,故可得:
uT=ω0u0+ω1u1 (5)
步骤2.3,A、B两组的类间方差是:
步骤2.4,让T在灰度范围[0,L-1]内依次取值,直到类间方差σ2的值达到最大,这时的灰度值T则为最优的阈值,进而图像的分割可通过下式实施:
其中,f(x,y)表示预处理后图像中像素点的灰度值;g(x,y)表示分割后图像的灰度值,即只有黑白两种颜色的二值图像;
步骤3,对步骤1得到的预处理图像运用多种算子结合的边缘检测处理,得到含杂籽棉的分割图像,具体步骤包括:
步骤3.1,用Prewitt边缘检测算子对预处理后的图像进行边缘检测,得到图像IP;
步骤3.2,用Roberts边缘检测算子对预处理后的图像进行边缘检测,得到图像IR;
步骤3.3,用Sobel边缘检测算子对预处理后的图像进行边缘检测,得到图像IS;
步骤3.4,用Canny边缘检测算子对预处理后的图像进行边缘检测,得到图像IC,具体步骤包括:
步骤3.4.1,利用高斯滤波器对图像进行平滑处理,所选高斯函数为:
步骤3.4.2,利用一阶偏导的有限差分计算出滤波后图像梯度的幅值和方向,高斯函数在方向n上的一阶导数为:
将f(x,y)与G(x,y)卷积,改变n,当f(x,y)*G(x,y)的值达到最大时,n的方向即为梯度的方向,这时,
幅值:G=|f(x,y)*G(x,y)| (10)
方向:
步骤3.4.3,对所得到的梯度幅值运用极大值抑制,找出像素梯度的局部极大值点,将其他非极大值点置为0,细化边缘;
步骤3.4.4,采用双阈值的算法检测和连接图像的边缘;
步骤3.5,将上述算子所得图像IP、IR、IS、IC进行融合,得到边缘检测的分割结果;
步骤4,对含杂籽棉的分割图像通过数学形态学操作,得到后处理图像,数学形态学操作包括区域填充、闭运算和删除小面积;
步骤5,对后处理图像通过连通区域分析算法,确定杂质的总像素面积,并得出其在整个图像像素面积中的占比,作为最终含杂率,具体包括:连通区域分析算法按照8邻域的方式进行,将二值图像内像素值为1的点整合成连通区域,然后从上到下、从左到右进行扫描,记录每个连通区域内的像素个数,并计算得出总的像素个数,即为杂质总的像素面积,最后运用杂质的总像素面积和整个图像的总像素面积,得出最终的含杂率。
进一步地,所述步骤1的中值滤波处理是用邻域中各点的中值代替原灰度值,去除图像中的孤立噪声点,应用5×5模板。
本发明的有益效果是:
(1)最大类间方差法分割图像可以大大的降低误分割的概率,而且不管图像的灰度直方图中是否有明显的波峰波谷,都能够得到令人比较满意的结果。
(2)Roberts算子的定位精准度高,但却对噪声较为敏感;Sobel算子和Prewitt算子可抑制噪声,但却存在较多的间断点;Canny算子的检测精度高,对虚假边缘有抑制作用,但对含杂的籽棉图像来说,Canny算子的检测过于细致,往往有一点变化的棉花区域就会被检测出来。因此本发明将多种边缘检测算子结合起来,提高了边缘检测的精度。
(3)本发明提供的一种基于图像分析的籽棉含杂率检测方法可以应用于生产线上,检测速度快,成本低。
附图说明
图1是本发明一种基于图像分析的籽棉含杂率检测方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,以下结合具体实施方式,对本发明进行进一步详细说明。
如图1,一种基于图像分析的籽棉含杂率检测方法,具体包括:
步骤1,对含杂籽棉图像,进行灰度化、灰度拉伸和中值滤波处理,以增强图像的信息特征,提高对比度,得到预处理图像。
步骤1中的中值滤波处理是用邻域中各点的中值代替原灰度值,去除图像中的孤立噪声点,应用5×5模板。
步骤2,对预处理图像,运用最大类间方差法处理,得到含杂籽棉的分割图像,即二值图像。
步骤2.1,设图像的像素值总数为N,灰度值的范围是[0,L-1]。其中灰度级为i的像素点有ni个,则i出现的概率为:
步骤2.2,在灰度值T处将图像内所有的像素分为A和B两个组,A组的灰度值范围为[0,T],B组灰度值范围[T,L-1]。由图像的灰度分布概率可得总均值为:
则A、B两组的均值分别为:
其中,故可得:
uT=ω0u0+ω1u1 (5)
步骤2.3,A、B两组的类间方差是:
2.4,让T在灰度范围[0,L-1]内依次取值,直到类间方差σ2的值达到最大,这时的灰度值T则为最优的阈值,进而图像的分割可通过下式实施:
其中,f(x,y)表示预处理后图像中像素点的灰度值;g(x,y)表示分割后图像的灰度值,即只有黑白两种颜色的二值图像。
步骤3,对预处理图像,运用多种算子结合的边缘检测处理,得到含杂籽棉图像的分割图像。
步骤3.1,用Prewitt边缘检测算子对预处理后的图像进行边缘检测,得到图像IP;
步骤3.2,用Roberts边缘检测算子对预处理后的图像进行边缘检测,得到图像IR;
步骤3.3,用Sobel边缘检测算子对预处理后的图像进行边缘检测,得到图像IS;
步骤3.4,用Canny边缘检测算子对预处理后的图像进行边缘检测,得到图像IC。
步骤3.4.1,利用高斯滤波器对图像进行平滑处理。所选高斯函数为:
步骤3.4.2,利用一阶偏导的有限差分计算出滤波后图像梯度的幅值和方向。高斯函数在方向n上的一阶导数为:
将f(x,y)与G(x,y)卷积,改变n,当f(x,y)*G(x,y)的值达到最大时,n的方向即为梯度的方向,这时,
幅值:G=|f(x,y)*G(x,y)| (10)
方向:
步骤3.4.3,对所得到的梯度幅值运用极大值抑制,找出像素梯度的局部极大值点,将其他非极大值点置为0,细化边缘。
步骤3.4.4,采用双阈值的算法检测和连接图像的边缘。
步骤3.5,将上述算子所得图像IP、IR、IS、IC进行融合,得到边缘检测的分割结果。
步骤4,对含杂籽棉的分割图像,通过区域填充、闭运算和删除小面积的数学形态学操作,进一步处理优化,得到后处理图像。
步骤5,对后处理图像,通过连通区域分析算法确定杂质区域的总像素面积,并得出其在整个图像像素面积中的占比,作为最终含杂率。
连通区域分析算法按照8邻域的方式进行,从像素值为1的点开始,分别向上、下、左、右、左上、左下、右上、右下八个方向进行扫描,将具有相同像素值的点,整合为成连通区域并标记。标记后的二值图像内,各个连通区域标有不同的像素数。再从上到下、从左到右进行扫描,记录每个连通区域内的像素个数,并计算得出总的像素个数,即为杂质总的像素面积。
本发明提供了一种基于图像分析的籽棉含杂率检测方法,运用图像处理分析技术,实施对含杂籽棉图像含杂率的检测,检测时间短,运行速度快,操作成本低。图像分割部分,采用最大类间方差法降低了误分割的概率;采用多种算子结合的边缘检测提高了检测的精度。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种基于图像分析的籽棉含杂率检测方法,其特征在于,具体包括以下步骤:
步骤1,采集含杂籽棉图像,对采集的图像进行灰度化、灰度拉伸和中值滤波处理,得到预处理图像;
步骤2,对步骤1得到的预处理图像运用最大类间方差法处理,得到含杂籽棉的分割图像,即二值图像,具体步骤包括:
步骤2.1,设预处理图像的像素值总数为N,灰度值的范围是[0,L-1],其中灰度级为i的像素点有ni个,则i出现的概率为:
步骤2.2,在灰度值T处将图像内所有的像素分为A和B两个组,A组的灰度值范围为[0,T],B组灰度值范围[T,L-1],由图像的灰度分布概率可得总均值为:
则A、B两组的均值分别为:
其中,故可得:
uT=ω0u0+ω1u1 (5)
步骤2.3,A、B两组的类间方差是:
步骤2.4,让T在灰度范围[0,L-1]内依次取值,直到类间方差σ2的值达到最大,这时的灰度值T则为最优的阈值,进而图像的分割可通过下式实施:
其中,f(x,y)表示预处理后图像中像素点的灰度值;g(x,y)表示分割后图像的灰度值,即只有黑白两种颜色的二值图像;
步骤3,对步骤1得到的预处理图像运用多种算子结合的边缘检测处理,得到含杂籽棉的分割图像,具体步骤包括:
步骤3.1,用Prewitt边缘检测算子对预处理后的图像进行边缘检测,得到图像IP;
步骤3.2,用Roberts边缘检测算子对预处理后的图像进行边缘检测,得到图像IR;
步骤3.3,用Sobel边缘检测算子对预处理后的图像进行边缘检测,得到图像IS;
步骤3.4,用Canny边缘检测算子对预处理后的图像进行边缘检测,得到图像IC,具体步骤包括:
步骤3.4.1,利用高斯滤波器对图像进行平滑处理,所选高斯函数为:
步骤3.4.2,利用一阶偏导的有限差分计算出滤波后图像梯度的幅值和方向,高斯函数在方向n上的一阶导数为:
将f(x,y)与G(x,y)卷积,改变n,当f(x,y)*G(x,y)的值达到最大时,n的方向即为梯度的方向,这时,
幅值:G=|f(x,y)*G(x,y)| (10)
方向:
步骤3.4.3,对所得到的梯度幅值运用极大值抑制,找出像素梯度的局部极大值点,将其他非极大值点置为0,细化边缘;
步骤3.4.4,采用双阈值的算法检测和连接图像的边缘;
步骤3.5,将上述算子所得图像IP、IR、IS、IC进行融合,得到边缘检测的分割结果;
步骤4,对含杂籽棉的分割图像通过数学形态学操作,得到后处理图像,数学形态学操作包括区域填充、闭运算和删除小面积;
步骤5,对后处理图像通过连通区域分析算法,确定杂质的总像素面积,并得出其在整个图像像素面积中的占比,作为最终含杂率,具体包括:连通区域分析算法按照8邻域的方式进行,将二值图像内像素值为1的点整合成连通区域,然后从上到下、从左到右进行扫描,记录每个连通区域内的像素个数,并计算得出总的像素个数,即为杂质总的像素面积,最后运用杂质的总像素面积和整个图像的总像素面积,得出最终的含杂率。
2.根据权利要求1所述的一种基于图像分析的籽棉含杂率检测方法,其特征在于,所述步骤1的中值滤波处理是用邻域中各点的中值代替原灰度值,去除图像中的孤立噪声点,应用5×5模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321189.6A CN112435235B (zh) | 2020-11-23 | 2020-11-23 | 一种基于图像分析的籽棉含杂率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011321189.6A CN112435235B (zh) | 2020-11-23 | 2020-11-23 | 一种基于图像分析的籽棉含杂率检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112435235A CN112435235A (zh) | 2021-03-02 |
CN112435235B true CN112435235B (zh) | 2024-02-02 |
Family
ID=74692903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011321189.6A Active CN112435235B (zh) | 2020-11-23 | 2020-11-23 | 一种基于图像分析的籽棉含杂率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435235B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658143B (zh) * | 2021-08-19 | 2022-10-21 | 济南大学 | 一种机采籽棉含杂率检测方法及系统 |
CN116188488B (zh) * | 2023-01-10 | 2024-01-16 | 广东省第二人民医院(广东省卫生应急医院) | 基于灰度梯度的b超图像病灶区域分割方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470343A (zh) * | 2017-02-23 | 2018-08-31 | 南宁市富久信息技术有限公司 | 一种改进的图像边缘检测方法 |
WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
CN111833366A (zh) * | 2020-06-03 | 2020-10-27 | 佛山科学技术学院 | 一种基于Canny算法的边缘检测方法 |
-
2020
- 2020-11-23 CN CN202011321189.6A patent/CN112435235B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470343A (zh) * | 2017-02-23 | 2018-08-31 | 南宁市富久信息技术有限公司 | 一种改进的图像边缘检测方法 |
WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
CN111833366A (zh) * | 2020-06-03 | 2020-10-27 | 佛山科学技术学院 | 一种基于Canny算法的边缘检测方法 |
Non-Patent Citations (2)
Title |
---|
刘军民 ; 夏彬 ; 桑小田 ; 秦建锋 ; .基于边缘检测的棉花杂质图像分割方法比较与分析.中国棉花.2014,(第12期),全文. * |
齐英兰 ; .应用自适应滤波与阈值迭代的原棉杂质视觉检测方法.毛纺科技.2020,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112435235A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112435235B (zh) | 一种基于图像分析的籽棉含杂率检测方法 | |
CN109035195B (zh) | 一种织物疵点检测方法 | |
CN114549497B (zh) | 基于图像识别的走台板表面缺陷检测方法及人工智能系统 | |
CN109540917B (zh) | 一种多角度模式下纱线外观特征参数提取与分析方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN114757900A (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN116758071B (zh) | 一种视觉辅助下碳电极脏污智能检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
CN116091504B8 (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN111598897B (zh) | 基于Otsu和改进Bernsen的红外图像分割方法 | |
CN112365448B (zh) | 一种经编织造过程中的织物疵点检测方法 | |
CN110335233A (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN109472779B (zh) | 一种基于形态结构的纱线外观特征参数提取与分析方法 | |
CN111242888A (zh) | 一种基于机器视觉的图像处理方法及系统 | |
CN110728286B (zh) | 一种基于火花图像的砂带磨削材料去除率识别方法 | |
CN109919939B (zh) | 一种基于遗传算法的纱线缺陷检测方法和装置 | |
CN111882549A (zh) | 一种灰绿色细小异纤自动检测识别方法及检测识别系统 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN111681181A (zh) | 一种织物表面起球程度的评价方法 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN115994921A (zh) | 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法 |
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 |