CN112816487B - 一种基于机器视觉的皮蛋内部品质无损检测方法 - Google Patents

一种基于机器视觉的皮蛋内部品质无损检测方法 Download PDF

Info

Publication number
CN112816487B
CN112816487B CN202110005715.6A CN202110005715A CN112816487B CN 112816487 B CN112816487 B CN 112816487B CN 202110005715 A CN202110005715 A CN 202110005715A CN 112816487 B CN112816487 B CN 112816487B
Authority
CN
China
Prior art keywords
image
egg
preserved
eggs
preserved egg
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
Application number
CN202110005715.6A
Other languages
English (en)
Other versions
CN112816487A (zh
Inventor
王巧华
汤文权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202110005715.6A priority Critical patent/CN112816487B/zh
Publication of CN112816487A publication Critical patent/CN112816487A/zh
Application granted granted Critical
Publication of CN112816487B publication Critical patent/CN112816487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Abstract

本发明公开了一种基于机器视觉的皮蛋内部品质无损检测方法，具体包括：S1、采集皮蛋图像；S2、获得皮蛋原始透射图像；S3、利用RGB颜色模型的色差信息分割出皮蛋的透光区域；S4、判断灰白蛋；S5、判断炸黄蛋，对炸黄蛋蛋黄的突出部分获取图像轮廓信息，把所述轮廓信息作为输入参数输入到BP神经网络中获得轮廓信息模型中进行判断；S6、判断黄蛋，基于S5提取图像透光区域的二值图像，利用气室定位法对二值图像提取气室区域的二值图像，皮蛋透光区域小于气室区域面积，皮蛋为黄蛋；S7、判断臭蛋。本发明能较好的将皮蛋的进行无损检测分级，将皮蛋分为合格蛋、次品蛋和臭蛋具有较高的准确率。

Description

一种基于机器视觉的皮蛋内部品质无损检测方法
技术领域
本发明涉及机器视觉和无损检测领域，特别是涉及一种基于机器视觉的皮蛋内部品质无损检测方法。
背景技术
皮蛋是中国的传统美食，其独特的风味和口感深受中国消费者的喜爱，且在治疗炎症、抗肿瘤等方面有积极的功效。皮蛋是由鲜蛋腌制而成，但是由于用于腌制的原料蛋品质参差不齐，以及腌制过程中存在的多种影响因素，导致所腌制的皮蛋品质参差不齐，根据武汉神丹食品有限公司的分选标准，可将皮蛋按品质分为合格蛋、次品蛋和臭蛋。合格蛋主要包括糖心蛋和沙心蛋，次品蛋中根据其特征的不同，又能被分为灰白蛋、炸黄蛋和黄蛋三大类。合格蛋内容物凝固完整，蛋清呈凝胶状态；次品蛋存在轻微碱伤，剥开后有粘壳、烂头、蜡黄等现象；臭蛋内部完全液化成水，破壳后有明显异味，为劣质蛋，为了保证产品的品质，皮蛋在腌制完成后需要进行人工照蛋分选出其中的次品蛋和臭蛋。
机器视觉技术广应用于鸡蛋、苹果、柑橘等农产品的无损检测，虽然可见/近红外光谱、高光谱、机器视觉等技术已被广泛应用于蛋品的无损检测领域，但是在蛋品在线无损检测领域主要是基于机器视觉技术实现的。目前对于皮蛋无损检测的研究并不多，乐立强等采用机器视觉技术研究了皮蛋蛋壳斑点与研制配方的关系；Wang等通过获取皮蛋的Stocks图像和偏振光图像来检测皮蛋蛋壳裂纹；刘龙采用了超声波检测技术来检测皮带那溏心；胡道栋利用皮蛋蛋壳的声学特性结合DSP技术对皮蛋破损进行检测，以上研究者均未涉及到皮蛋内部品质的检测，因此皮蛋内部品质的无损检测分级技术的工业化应用仍是一个亟待解决的问题。王巧华等研究者虽然应用了机器视觉技术尝试对皮蛋内部品质进行三分类，但是为了提高检测精度，其最终采用的是机器视觉与近红外光谱技术结合的方式来实现，因此现在仍需解决机器视觉对皮蛋内部品质检测精度不高的问题，并最终实现工业应用。
发明内容
本发明的目的是提供一种基于机器视觉的皮蛋内部品质无损检测方法，以解决上述现有技术存在的技术问题，检测精度高，结果可靠性高。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于机器视觉的皮蛋内部品质无损检测方法，包括如下步骤：
S1、基于目标皮蛋，采集所述目标皮蛋的皮蛋图像，基于所述皮蛋图像，获得皮蛋原始透射图像；
S2、基于所述目标皮蛋原始透射图像，通过RGB颜色模型获得目标皮蛋的透光区域图像，根据透光区域图像的颜色差异判断灰白蛋；
S3、基于S2将获得的所述透光区域图像进行二值化得到二值图像；基于所述二值图像和所述透光区域图像，通过掩膜处理，得到二值掩膜图像；基于所述二值掩膜图像，获得所述透光区域图像的R分量和G分量，若所述R分量与G分量比值小于阈值，则所述目标皮蛋为黄蛋；若所述R分量与G分量比值大于或等于阈值，则所述目标皮蛋为合格蛋；
S4、基于S3所述二值掩膜图像，通过提取傅里叶描述子获得所述二值图像轮廓信息与周长、面积、周长面积比等形状参数，把所述轮廓信息和形状参数作为输入参数输入到BP神经网络中获得轮廓信息模型，判断所述目标皮蛋是否为炸黄蛋；
S5、基于气室二值图像，获取皮蛋图像边缘线和气室分界线，得到目标皮蛋气室附近的特征区域二值图像，然后对所述特征区域二值图像与原始图像进行掩膜处理，获得特征区域图像，进而根据其颜色和亮度判断所述目标皮蛋是否为黄蛋。
优选地，所述S3包括，二值化的过程，通过开闭运算和膨胀腐蚀处理填补孔洞，平滑锯齿边缘得到所述透光区域图像。
优选地，所述S3包括，对所述透光区域图像提取R,G,B三分量矩阵确定阈值，并使用公式计算出矩阵的RGB三分量的均值：
R＝SR÷A
G＝SG÷A
B＝SB÷A
其中，R，G，B分别代表RGB三分量的均值，SR，SG，SB分别代表各分量矩阵中所有数值总和，A为透光区域的像素点数量。
优选地，所述透光区域图像的二值图像中的轮廓坐标包括边界点横坐标和边界点纵坐标，基于所述边界点横坐标和边界点纵坐标，获得轮廓信息。
优选地，所述S5中确定目标皮蛋气室区域图像的方法为，将皮蛋横放，气室存在于皮蛋的左右两端，把皮蛋气室二值图像提取两边边界，两边边界包括所述皮蛋边缘线和所述气室分界线，通过比较所述皮蛋边缘线和所述气室分界线的曲率找到气室边界线，平移气室分界线获得特征区域二值图像。
优选地，所述S4中获得所述二值图像轮廓信息过程，傅里叶描述子是傅里叶系数组成的一维行向量，傅里叶描述子代表目标形状边界所具有的特征；傅里叶系数进行反变换，还原表示形状边界的复数序列，把傅里叶描述子归一化。
优选地，所述S5中气室二值图像获取过程，通过RGB颜色模型分割出蓝色分量，获得气室图像，进行灰度调整后直接二值化，得到气室二值图像。
优选地，若所述目标皮蛋图像不存在所述透光区域，则所述目标皮蛋为臭蛋；若所述目标皮蛋图像存在透光区域，且透光区域为椭圆形，则所述目标皮蛋为臭蛋。
本发明公开了以下技术效果：
皮蛋在腌制完成后根据其内部品质可分为合格蛋、次品蛋和臭蛋，其中次品蛋和臭蛋不可流入市场，次品蛋又可分为灰白蛋、炸黄蛋和黄蛋。但国内对皮蛋品质分级所采用的方法主要为人工照检，人工照检不仅费时费力且分级精度高度依赖人工经验。为此本发明构建了一套适用于皮蛋品质检测的图像采集系统，利用色差法对灰白蛋进行判别；运用傅里叶描述子和形状特征参数结合BP神经网络判别炸黄蛋；采用气室定位法提取黄蛋特征，并以此判别黄蛋；利用皮蛋的透光特性差异对臭蛋进行判别；设计了合理的判别流程，综合各种特征的判别顺序。研究表明，机器视觉能够较好的实现皮蛋内部品质的无损检测分级，为相关自动化装备的研发提供了技术支撑。
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，还能根据这些附图获得其他的附图。
图1为皮蛋品质综合判别流程图；
图2为机器视觉装置，其中：1.电脑，2.相机和镜头，3.暗箱，4.皮蛋,5.挡板，6.帕灯；
图3为皮蛋原始透射图像，其中：图3(a)为合格蛋原始透射图像，图3(b)为合格蛋(气室)原始透射图像，图3(c)为灰白蛋原始透射图像，图3(d)为炸黄蛋原始透射图像，图3(e)为黄蛋原始透射图像，图3(f)为臭蛋原始透射图像；
图4为获取透光区域过程，其中：图4(a)为原始图像，图4(b)为二值掩模图，图4(c)为去背景图像；
图5为皮蛋透光区域傅里叶重构，其中：图5(a)为炸黄蛋原始图像；图5(b)为预处理后炸黄蛋透光区域二值图像；图5(c)为透光区域边界轮廓图像；图5(d)为使用1～10阶傅里叶描述子重构的边界轮廓图像；图5(e)为使用1～15阶傅里叶描述子重构的边界轮廓图像；图5(f)为使用1～20阶傅里叶描述子重构的边界轮廓图像；图5(g)为使用1～30阶傅里叶描述子重构的边界轮廓图像；图5(h)为使用1～10阶傅里叶描述子重构的边界轮廓图像。
图6为RGB各分量的图像，其中：图6(a)为原始图像，图6(b)为R分量图像，图6(c)为G分量图像，图6(d)为B分量图像；
图7为黄蛋特征区域提取过程，其中：图7(a)为黄蛋原始图像；图7(b)为气室区域二值图像；图7(c)为特征区域二值图像；图7(d)为黄蛋特征区域图像；图7(e)～(h)为合格蛋的特征区域提取过程。
具体实施方式
现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
除非另有说明，否则本文使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。
在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
本发明中所述的“份”如无特别说明，均按质量份计。
实施例1
(1)采集原始透射图像:
①材料:实验样品是由湖北神丹健康有限公司提供的经由经验丰富的工人挑选的各类皮蛋。
②图像采集装置:本实验所用到的图像采集装置包括：丹麦JAI公司的AD-080GE双通道工业相机；日本Kowa公司的LM6NC镜头；Cob款帕灯；矩形暗箱；挡板。
③方法:由于皮蛋的蛋黄不可透光，且主要分布在中间部位，头部为可透光固体蛋清或可透光的气室，由于皮蛋的透光性较差且蛋壳内外表面均有不透光的黑色斑点，为了更好的采集到皮蛋的透光部分信息，使皮蛋的透光量更大，采集图像时，将托板倾斜，分别将皮蛋的大小头放置在透光孔上，调整相机，使采集到的图像清晰且有足够的亮度，所有皮蛋分别拍摄大头和小头的图像，并将采集到的图像数据保存至计算机，如图3所示。
(2)获取透光区域图像：
利用RGB颜色模型的色差模型的色差信息分割出透光区域图像。
(3)获取透光区域二值图像：
首先将相机采集到的RGB图像进行图像增强处理，在提取图像的RGB分量图像，通过观察能发现R分量的图像亮度最高，能较好的反映皮蛋的透光轮廓，但是相机所采集的图像难以避免的会有漏光，能发现B分量的图像亮度很低，蓝光几乎不能穿透皮蛋，因此在B分量的图像中亮度高的区域即为漏光部分，采用R分量图像与B分量图像求差，能较好的去除漏光部分获取较完整的透光部分图像。将得到的透光部分直接二值化后发现由于皮蛋蛋壳斑点的影响，轮廓内部会有一些孔洞，靠近蛋黄的位置呈现出锯齿状，采用适当的开闭运算和膨胀腐蚀处理能较好的填补内部的孔洞，平滑锯齿状边缘，并最终得到皮蛋透光区域的二值图像，如图4所示。
(4)对灰白蛋检测：
通过透光区域的二值图像与原图像进行掩膜处理获得二值掩膜图像，得到皮蛋的透光信息。提取R，G，B三分量矩阵，计算出矩阵RGB三分量的均值。对处理得到的图像提取R,G,B三分量矩阵，并使用公式(1)～(3)计算出矩阵的RGB三分量的均值。
R＝SR÷A (1)
G＝SG÷A (2)
B＝SB÷A (3)
式子(1)～(3)中R,G,B分别代表RGB三分量的均值，SR，SG，SB分别代表各分量矩阵中所有数值总和，A为透光区域的像素点数量。
合格蛋中R分量与G分量的值相差较大，而灰白蛋中R分量与G分量相差较小，合格蛋R分量与G分量的比值普遍大于灰白蛋，通过设置阈值即可将两种品质的皮蛋分开。
(5)对炸黄蛋检测：
炸黄蛋是由于皮蛋的原料鸭蛋蛋黄膜破裂，导致蛋黄内容物部分外流至蛋白部分，而产生的一种次品蛋，主要表现为皮蛋的透光图像中蛋黄区域包含一定的突出部分，主要判断依据为皮蛋的蛋黄部分是否有突出部分，提取图像的透光区域轮廓坐标，判断轮廓形状。
将得到的二值掩膜图直接获取其边界点的坐标，并组成一个二维矩阵。将边界点坐标的二维矩阵采用公式(4)转化为一维复数形式表示。
z(n)＝x(n)+jy(n),n＝0,1,…,N-1 (4)
其中想x(n)和y(n)分别为边界点的横纵坐标，z(n)为横纵坐标的复数表示形式。
傅里叶描述子是一种基于频域变换的形状表示算法，傅里叶描述子是傅里叶系数组成的一维行向量，傅里叶描述子代表目标形状边界所具有的特征。傅里叶系数进行反变换，还原表示形状边界的复数序列，把傅里叶描述子归一化，这个过程为皮蛋透光区域傅里叶重构确定透光区域轮廓形状，如图5所示。
将傅里叶系数进行反变换，就能还原表示形状边界的复数序列。
傅里叶变换公式为：
Figure BDA0002883285890000091
其逆变换公式为：
Figure BDA0002883285890000092
z(n)是一个以形状边界点为周期的函数，Z(k)为离散傅里叶变换之后的周期函数，其周期均为N。
将提取透光区域轮廓的傅里叶描述子输入到BP神经网络中，可以判断出轮廓周长更长、面积更小的炸黄蛋特性。
(6)对黄蛋检测:
黄蛋是由于皮蛋在腌制过程中的转色阶段，温度等因素的变化导致蛋黄未完成转色阶段，最终使蛋黄呈现出了一种偏黄色的状态，而不是正常的墨绿色。在图像上表现为气室与蛋黄之间有一小部分黄色区域，因此黄蛋判别的关键在于找到这一区域，并根据这部分区域的颜色分量判断出是否为黄蛋。
根据图6所示，利用RGB颜色模型中的蓝色分量找到气室区域，灰度后直接二值化，获得气室二值图像。为了确定气室的方向，将气室的二值图像提取出左右边界，其左右边界分别为皮蛋边缘线和气室分界线，根据规律可知皮蛋的边缘线曲率大于气室分界线的曲率，通过计算两曲线的横坐标的方差大小可知，横坐标方差大的曲线所代表的曲率大，因此通过比较两曲线的方差大小即可判断出左右两边界线中哪条是气室的分界线，若气室分界线为左边界，则气室在皮蛋的右端，若气室分界线为右边界，则气室在皮蛋左端。如果气室在左端，则将气室分界线向右平移10个像素，反之则向左平移，气室分界线与平移之后的曲线之间的区域即为所需要的特征区域，将得到的特征区域的二值图像与原图像进行掩膜处理，所得到的图像即为仅含有特征区域的图像，如图7所示。
黄蛋判别:所述方法对原始图像提取图像的透光区域的二值图像，并同时对原始图像提取气室区域的二值图像，若透光区域与气室区域在皮蛋的同一端，且透光区域面积大于气室区域面积的三倍，则此皮蛋为合格蛋；否则获取皮蛋的特征区域，并计算出特征区域的亮度值及各颜色分量，根据实验得出黄蛋特征图像在RGB颜色模型下R分量与G分量的比值和转成HSV颜色模型下的明度V判别是否为黄蛋。
(7)对臭蛋检测:
若皮蛋图像不存在透光区域，则皮蛋为臭蛋；若皮蛋图像存在透光区域，且透光区域为椭圆形，则皮蛋为臭蛋。
(8)皮蛋的机器视觉无损检测综合判别
臭蛋图像往往表现为不透光，少部分表现为完全透光，在图像上较为容易识别。为了实现对皮蛋内部品质的综合判别，需要设计一个合理的检测流程，确保检测的准确率和可靠性，具体流程图如下:
①对拍摄到的原始图像进行图像预处理，若无法得到透光部分区域，则能判断为臭蛋，否则获取其透光区域二值图像；
②判断透光区域是否接近椭圆形，若接近椭圆形则表明皮蛋表现为完全透光，能判断为臭蛋；
③若透光区域非椭圆形，判断透光区域中是否存在气室，若能提取到气室区域二值图像，则判别是否为黄蛋或合格蛋，否则进行灰白蛋的判别；
④计算出透光区域R分量均值与G分量均值的比值，并根据其阈值判断是否为灰白蛋；
⑤若不为灰白蛋，则提取其透光区域的周长、面积和周长面积比，以及透光区域轮廓点坐标，提取傅里叶描述子并归一化，将归一化之后的傅里叶描述子与周长、面积和周长面积比参数输入到已经训练好的BP神经网络中进行判别，根据判别结果得出皮蛋是炸黄蛋或是合格蛋。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于机器视觉的皮蛋内部品质无损检测方法，其特征在于：包括以下步骤：
S1、基于目标皮蛋，采集所述目标皮蛋的皮蛋图像，基于所述皮蛋图像，获得皮蛋原始透射图像；
S2、基于所述目标皮蛋原始透射图像，通过RGB颜色模型获得目标皮蛋的透光区域图像，根据透光区域图像的颜色差异判断灰白蛋；
S3、基于S2将获得的所述透光区域图像进行二值化得到二值图像；基于所述二值图像和所述透光区域图像，通过掩膜处理，得到二值掩膜图像；基于所述二值掩膜图像，获得所述透光区域图像的R分量和G分量，若所述R分量与G分量比值小于阈值，则所述目标皮蛋为灰白蛋；若所述R分量与G分量比值大于或等于阈值，则所述目标皮蛋为合格蛋；
S4、基于S3所述二值掩膜图像，通过提取傅里叶描述子获得所述二值图像轮廓信息与周长、面积、周长面积比形状参数，把所述轮廓信息和形状参数作为输入参数输入到BP神经网络中获得轮廓信息模型，判断所述目标皮蛋是否为炸黄蛋；
S5、基于气室二值图像，获取皮蛋图像边缘线和气室分界线，得到目标皮蛋气室附近的特征区域二值图像，然后对所述特征区域二值图像与原始图像进行掩膜处理，获得特征区域图像，进而根据其颜色和亮度判断所述目标皮蛋是否为黄蛋。
2.根据权利要求1所述的一种基于机器视觉的皮蛋内部品质无损检测方法，其特征在于：所述S3包括，二值化的过程，通过开闭运算和膨胀腐蚀处理填补孔洞，平滑锯齿边缘得到所述透光区域图像。
3.根据权利要求1所述的一种基于机器视觉的皮蛋内部品质无损检测方法，其特征在于：所述S3包括，对所述透光区域图像提取R,G,B三分量矩阵确定阈值，并使用公式计算出矩阵的RGB三分量的均值：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
其中，R，G，B分别代表RGB三分量的均值，
Figure DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
，
Figure DEST_PATH_IMAGE006
分别代表各分量矩阵中所有数值总和，A为透光区域的像素点数量。
4.根据权利要求1所述的一种基于机器视觉的皮蛋内部品质无损检测方法，其特征在于：所述透光区域图像的二值图像中的轮廓坐标包括边界点横坐标和边界点纵坐标，基于所述边界点横坐标和边界点纵坐标，获得轮廓信息。
5.根据权利要求1所述的一种基于机器视觉的皮蛋内部品质无损检测方法，其特征在于：所述S5中确定目标皮蛋气室区域图像的方法为，将皮蛋横放，气室存在于皮蛋的左右两端，把皮蛋气室二值图像提取两边边界，两边边界包括所述皮蛋边缘线和所述气室分界线，通过比较所述皮蛋边缘线和所述气室分界线的曲率找到气室边界线，平移气室分界线获得特征区域二值图像。
6.根据权利要求1所述的一种基于机器视觉的皮蛋内部品质无损检测方法，其特征在于：所述S4中获得所述二值图像轮廓信息过程，傅里叶描述子是傅里叶系数组成的一维行向量，傅里叶描述子代表目标形状边界所具有的特征；傅里叶系数进行反变换，还原表示形状边界的复数序列，把傅里叶描述子归一化。
7.根据权利要求1所述的一种基于机器视觉的皮蛋内部品质无损检测方法，其特征在于：所述S5中气室二值图像获取过程，通过RGB颜色模型分割出蓝色分量，获得气室图像，进行灰度调整后直接二值化，得到气室二值图像。
8.根据权利要求1所述的一种基于机器视觉的皮蛋内部品质无损检测方法，其特征在于：若所述目标皮蛋图像不存在所述透光区域，则所述目标皮蛋为臭蛋；若所述目标皮蛋图像存在透光区域，且透光区域为椭圆形，则所述目标皮蛋为臭蛋。
CN202110005715.6A 2021-01-05 2021-01-05 一种基于机器视觉的皮蛋内部品质无损检测方法 Active CN112816487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110005715.6A CN112816487B (zh) 2021-01-05 2021-01-05 一种基于机器视觉的皮蛋内部品质无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110005715.6A CN112816487B (zh) 2021-01-05 2021-01-05 一种基于机器视觉的皮蛋内部品质无损检测方法

Publications (2)

Publication Number Publication Date
CN112816487A CN112816487A (zh) 2021-05-18
CN112816487B true CN112816487B (zh) 2022-05-06

Family

ID=75857258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110005715.6A Active CN112816487B (zh) 2021-01-05 2021-01-05 一种基于机器视觉的皮蛋内部品质无损检测方法

Country Status (1)

Country Link
CN (1) CN112816487B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116500048B (zh) * 2023-06-28 2023-09-15 四川联畅信通科技有限公司 一种线缆卡具缺陷检测方法、装置、设备及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1485616A (zh) * 2002-09-23 2004-03-31 华中农业大学 禽蛋品质无损自动检测分级设备及方法
CN102179374B (zh) * 2010-12-23 2013-01-09 华中农业大学 禽蛋品质自动检测分选设备及其方法
CN110006899A (zh) * 2019-04-12 2019-07-12 华中农业大学 皮蛋内部品质的无损视觉检测分级方法

Also Published As

Publication number Publication date
CN112816487A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN108564124A (zh) 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
CN104535588B (zh) 基于安卓系统的鸡蛋新鲜度无损检测系统及其检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
Liu et al. Design of a tomato classifier based on machine vision
Donis-González et al. Assessment of chestnut (Castanea spp.) slice quality using color images
CN106296670B (zh) 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法
Arivazhagan et al. External and internal defect detection of egg using machine vision
CN102279976A (zh) 不同糙米籽粒识别的bp神经网络构建及识别方法
CN110675400A (zh) 一种基于手机app的羊肉品质指标快速智能检测方法
Pandey et al. Non-destructive quality grading of mango (Mangifera Indica L) based on CIELab colour model and size
Wah et al. Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques
CN112816487B (zh) 一种基于机器视觉的皮蛋内部品质无损检测方法
Saifullah et al. Thresholding and hybrid CLAHE-HE for chicken egg embryo segmentation
CN110243805B (zh) 基于拉曼高光谱成像技术的鱼刺检测方法
CN111539293A (zh) 一种果树病害诊断方法及系统
CN110110810B (zh) 一种鱿鱼质量等级识别分选方法
CN116524224A (zh) 一种基于机器视觉的烤后烟叶类型检测方法及系统
Saifullah et al. K-means segmentation based-on lab color space for embryo detection in incubated egg
CN109682821B (zh) 一种基于多尺度高斯函数的柑橘表面缺陷检测方法
CN117256514B (zh) 一种用于分选系统的剔除不合格种蛋的方法
CN107220972B (zh) 一种基于红外图像的禽蛋品质鉴别方法
Liu et al. Evaluation of body weight of sea cucumber Apostichopus japonicus by computer vision
Thinh et al. Sorting and classification of mangoes based on artificial intelligence
Nawawi et al. Comprehensive pineapple segmentation techniques with intelligent convolutional neural network
CN114550167B (zh) 一种基于人工智能的梨的品质分类方法及装置

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