CN113537185A - 葵花籽异常区域识别方法及装置、葵花籽分选方法及设备 - Google Patents

葵花籽异常区域识别方法及装置、葵花籽分选方法及设备 Download PDF

Info

Publication number
CN113537185A
CN113537185A CN202010276922.0A CN202010276922A CN113537185A CN 113537185 A CN113537185 A CN 113537185A CN 202010276922 A CN202010276922 A CN 202010276922A CN 113537185 A CN113537185 A CN 113537185A
Authority
CN
China
Prior art keywords
abnormal area
row
suspected
suspected abnormal
sunflower seed
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
Application number
CN202010276922.0A
Other languages
English (en)
Inventor
吴小号
刘松
米华贇
阮兴
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.)
Hefei Meyer Optoelectronic Technology Inc
Original Assignee
Hefei Meyer Optoelectronic Technology Inc
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 Hefei Meyer Optoelectronic Technology Inc filed Critical Hefei Meyer Optoelectronic Technology Inc
Priority to CN202010276922.0A priority Critical patent/CN113537185A/zh
Publication of CN113537185A publication Critical patent/CN113537185A/zh
Pending legal-status Critical Current

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
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3425—Sorting according to other particular properties according to optical properties, e.g. colour of granular material, e.g. ore particles, grain
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种葵花籽异常区域识别方法及装置、葵花籽分选方法及设备，该方法包括：采集葵花籽图像；基于所述葵花籽图像，利用颜色或深度卷积分割网络预测模型对所述葵花籽进行异常区域的预识别，得到疑似异常区域；根据所述疑似异常区域的形状特征判断所述疑似异常区域是否为异常区域，实现对葵花籽异常区域的识别，多种识别方式相结合，先预识别，再排除误识别，既能保证一定识别效率，还能进一步提高识别精度。

Description

葵花籽异常区域识别方法及装置、葵花籽分选方法及设备
技术领域
本发明涉及物料分选技术领域，尤其涉及一种葵花籽异常区域识别方法及装置、葵花籽分选方法及设备。
背景技术
葵花籽上出现影响其外观的异常区域，会形成花粒葵花籽，这类葵花籽甚至可能影响食用，因此，需要对葵花籽中的花粒进行识别以便进行分选，从而可以减少对商家销售的影响。异常区域可能有多种类型，参照图1，如脱皮区域，出现脱皮区域的主要原因有两个方面，一方面是葵花籽在自然生长过程中，如果内部出现了霉变，则表面容易出现脱皮；另一方面是由于存储运输等原因造成脱皮。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种葵花籽异常区域识别方法，包括：
采集葵花籽图像；基于所述葵花籽图像，利用颜色或深度卷积分割网络预测模型对所述葵花籽进行异常区域的预识别，得到疑似异常区域；根据所述疑似异常区域的形状特征判断所述疑似异常区域是否为异常区域。
本技术方案中，根据颜色或深度卷积分割网络预测模型对葵花籽进行预识别，得到疑似异常区域，然后根据疑似异常区域的形状特征疑似异常区域再确认其是否为异常区域。在这个过程中，通过颜色或深度卷积分割网络进行预识别，能够有效提高识别效率，基于预识别结果，进一步通过形状特征确认是否异常区域，可以排除误识别，从而实现对葵花籽异常区域的识别。多种识别方式相结合，先预识别，再排除误识别，既能保证一定识别效率，还能进一步提高识别精度。
可选的，所述基于所述葵花籽图像，利用颜色对所述葵花籽进行异常区域识别，得到疑似异常区域，包括：从所述葵花籽图像中，提取所述葵花籽每个像素点的目标通道的灰度值，判断每个所述灰度值是否大于预设灰度阈值，其中，所述目标通道为RGB通道中的任一通道；将所述灰度值大于所述预设灰度阈值的像素点组成的区域确定为疑似异常区域。
可选的，所述异常区域为脱皮区域，所述目标通道为G通道。
可选的，所述根据所述疑似异常区域的形状特征判断所述疑似异常区域是否为异常区域，包括：根据所述疑似异常区域的面积、行向宽度和列向宽度，计算所述疑似异常区域的平均宽度；判断所述平均宽度是否小于预设宽度阈值；如果小于，则判定所述疑似异常区域不是异常区域，和/或，如果大于，则判断所述疑似区域为异常区域。
可选的，所述根据所述疑似异常区域的形状特征判断所述疑似异常区域是否为异常区域，包括：计算所述疑似异常区域预设方向宽度的变化幅度；判断所述变化幅度是否大于预设幅度阈值；如果小于，则判定所述疑似异常区域不是异常区域，和/或，如果大于，则判定所述疑似异常区域为异常区域。
可选的，所述计算所述疑似异常区域预设方向宽度的变化幅度，包括：统计所述疑似异常区域中沿所述预设方向延伸的每排像素点个数，以及排数，其中，如果列向宽度大于行向宽度，所述预设方向为行向，否则为列向；根据统计的排数和每排像素点个数，计算排像素点个数均值；根据排数、每排像素点个数和排像素点个数均值，计算排像素点个数方差；将所述排像素点个数方差作为所述疑似异常区域预设方向宽度的变化幅度。
可选的，所述计算所述疑似异常区域预设方向宽度的变化幅度，包括：统计所述疑似异常区域中每两排相邻像素点个数差，以及排数，其中，每排像素点沿所述预设方向延伸，如果列向宽度大于行向宽度，所述预设方向为行向，否则为列向；根据统计的排数和每两排相邻像素点个数差，计算排像素点个数差均值；根据排数、每两排相邻像素点个数差和排像素点个数差均值，计算个数差方差；将所述个数差方差作为所述疑似异常区域预设方向宽度的变化幅度。
本发明的第二个目的在于提出一种葵花籽分选方法，包括：
根据上述任一项所述的葵花籽异常区域识别方法识别出异常区域；
控制剔除模块剔除带有异常区域的葵花籽。
本发明的第三个目的在于提出一种葵花籽异常区域识别装置。该装置包括：采集模块，用于采集葵花籽图像；预识别模块，用于基于所述葵花籽图像，利用颜色或深度卷积分割网络预测模型对所述葵花籽进行异常区域的预识别，得到疑似异常区域；判断模块，用于根据所述疑似异常区域的形状特征判断所述疑似异常区域是否为异常区域。
本发明的第四个目的在于提出一种葵花籽分选设备。
为达到上述目的，本发明第四方面实施例提出了一种葵花籽分选设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现上述的葵花籽异常区域识别方法，或上述葵花籽分选方法。
本发明实施例的葵花籽分选设备，通过执行上述的葵花籽异常区域识别方法，能够实现对葵花籽异常区域的识别，保证一定识别效率的同时，提高了异常区域识别精度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为带有脱皮区域的葵花籽；
图2为正常的葵花籽；
图3为本发明实施例提供的一种葵花籽异常区域识别方法的流程图；
图4为本发明实施例提供的一种葵花籽异常区域识别装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的一种葵花籽异常区域识别方法及装置。需要说明的是，本实施例中的行向是指图像中一行像素点的排列延伸方向，如图1中从左到右或从右到左的方向；列向是指图像中一列像素点的排列延伸方向，如图1中从上至下或从下至上的方向；而一排像素点的排列延伸方向是预设方向，如果预设方向为行向，则一排像素点可以指一行像素点，如果预设方向为列向，则一排像素点可以指一列像素点。
参照图3，本发明实施例提供的一种葵花籽异常区域识别方法，包括：
S101、采集葵花籽图像。例如，本发明实施例提供的葵花籽异常区域识别别方法应用于葵花籽分选设备时，可以通过高速相机采集葵花籽分选设备下料时葵花籽的图像。
S102、基于葵花籽图像，利用颜色或深度卷积分割网络预测模型对葵花籽进行异常区域的预识别，得到疑似异常区域。
异常区域可以包括脱皮区域、病斑区域、虫蚀区域和霉变区域中的一种或任意多种的组合。通过颜色或深度卷积分割网络预测模型进行识别，可能会存在一些误识别，也就是说疑似异常区域可能为异常区域，也可能不是异常区域。
一种实施方式中，基于葵花籽图像，利用颜色对葵花籽进行异常区域识别，得到疑似异常区域，包括：
(1)从葵花籽图像中，提取葵花籽每个像素点的目标通道的灰度值，判断每个灰度值是否大于预设灰度阈值，其中，目标通道为RGB通道中的任一通道。如果异常区域为脱皮区域，目标通道可以为G通道即绿通道，相对其他两个通道来说，G通道的灰度值差别较大，效果较好。脱皮区域的颜色与葵花籽原本的浅色区域接近，阈值可以是根据葵花籽原有的浅色区域与异常区域的差别来设置的，从而可以将浅色区域与异常区域区分开。
(2)将灰度值大于预设灰度阈值的像素点组成的区域确定为疑似异常区域。在目标通道的灰度值大于预设灰度阈值的情况下，该像素点为疑似的异常像素点，所有确定的疑似的异常像素点组成疑似异常区域。
另一种实施方式中，通过深度卷积分割网络预测模型对葵花籽的异常区域进行预识别。搭建深度卷积分割网络训练模型，采集用于训练的物料的样本图像并对样本的异常区域进行像素级的标记，然后采用标记后的样本对所搭建的深度卷积分割网络训练模型，以得到可以实现识别功能的深度卷积分割网络预测模型。
S103、根据疑似异常区域的形状特征判断疑似异常区域是否为异常区域。
正常的葵花籽表面可以由条纹形的浅色区域和条纹形的深色区域组成，如果识别到的疑似异常区域的形状特征与条纹形相差较大，则可以判断该疑似异常区域为影响葵花籽外观的异常区域。
采用色选技术对葵花籽花粒进行分选，可以通过颜色进行识别，正常葵花籽表面深浅颜色区域分布均匀，所出现的异常区域可能与葵花籽原本的深色区域或浅色区域的颜色接近，如若深色区域出现脱皮现象时，则会出现与浅色区域颜色接近的脱皮区域。由于颜色接近，所以通过颜色难以实现对葵花籽异常区域的高精度识别，存在一定程度的误识别，如图1和图2所示，将图1中脱皮区域识别出来的同时，可能也会将图2中的浅皮区域误识别为脱皮区域。
本实施例中，根据颜色或深度卷积分割网络预测模型对葵花籽进行预识别，得到疑似异常区域，然后根据疑似异常区域的形状特征对疑似异常区域再确认其是否为异常区域。在这个过程中，通过颜色或深度卷积分割网络进行预识别，能够有效提高识别效率，基于预识别结果，进一步通过形状特征确认是否异常区域，可以排除误识别，从而实现对葵花籽异常区域的识别。多种识别方式相结合，先预识别，再排除误识别，既能保证一定识别效率，还能进一步提高识别精度。
需要说明的是，每个疑似异常区域为一个连通域，针对葵花籽图像，通过预识别得到的疑似异常区域的数量可能为1个，也可能为多个。本实施例中，针对每个疑似异常区域都可以实现进一步判断，判断其是否为异常区域。
根据疑似异常区域的形状特征判断疑似异常区域是否为异常区域，包括：
(1)根据疑似异常区域的面积、行向宽度和列向宽度，计算疑似异常区域的平均宽度。
Figure BDA0002445115200000071
其中，
Figure BDA0002445115200000072
为疑似异常区域的平均宽度，S表示疑似异常区域的面积，即作为疑似异常区域的连通域的面积，w,h分别表示疑似异常区域即对应连通域的行向宽度和列向宽度。
(2)判断平均宽度是否小于预设宽度阈值，如果小于，则判定疑似异常区域不是异常区域，和/或，如果大于，则判断疑似区域为异常区域。
可以理解的是，一种实施方式中，如果平均宽度小于预设宽度阈值，则可以判断疑似异常区域不是异常区域。对于平均宽度大于预设宽度阈值的疑似异常区域，可以将该疑似异常区域直接判定为异常区域，或者通过其他方式再进一步判断其是否为异常区域，该其他方式如可以为本文的其他任一种判断疑似异常区域是否为异常区域的方式。
另一种实施方式中，如果平均宽度大于预设宽度阈值，则可以将该疑似异常区域直接判定为异常区域，对于平均宽度小于预设宽度阈值的疑似异常区域，可以将该疑似异常区域直接判定为不是异常区域，或者通过其他方式再进一步判断其是否为异常区域，该其他方式如可以为本文的其他任一种判断疑似异常区域是否为异常区域的方式。
葵花籽表面的条纹宽度偏窄，通过设定的宽度阈值可以将葵花籽正常的表面与异常区域区分开，从而识别出异常区域。
根据疑似异常区域的形状特征判断疑似异常区域是否为异常区域，包括：计算疑似异常区域预设方向宽度的变化幅度，预设方向为行向或列向；判断变化幅度是否大于预设幅度阈值；如果小于，则判定疑似异常区域不是异常区域，和/或，如果大于，则判定疑似异常区域为异常区域。。
可以理解的是，一种实施方式中，如果变化幅度小于预设幅度阈值，则可以判断疑似异常区域不是异常区域。对于变化幅度大于预设幅度阈值的疑似异常区域，可以将该疑似异常区域直接判定为异常区域，或者通过其他方式再进一步判断其是否为异常区域，该其他方式如可以为本文的其他任一种判断疑似异常区域是否为异常区域的方式。
另一种实施方式中，如果变化幅度大于预设幅度阈值，则可以将该疑似异常区域直接判定为异常区域，对于变化幅度小于预设幅度阈值的疑似异常区域，可以将该疑似异常区域直接判定为不是异常区域，或者通过其他方式再进一步判断其是否为异常区域，该其他方式可以如后文的任一种判断疑似异常区域是否为异常区域的方式。
一种实施方式中，计算疑似异常区域预设方向宽度的变化幅度，包括：
统计疑似异常区域中沿预设方向延伸的每排像素点个数，以及排数，其中，如果列向宽度大于行向宽度，预设方向为行向，否则为列向；根据统计的排数和每排像素点个数，计算排像素点个数均值；根据排数、每排像素点个数和排像素点个数均值，计算排像素点个数方差；将排像素点个数方差作为疑似异常区域预设方向宽度的变化幅度。
具体实施时，一方面如果葵花籽的列向宽度大于行向宽度，前述的排就是行，则统计疑似异常区域中行数和每行像素点个数；根据统计的行数和每行像素点个数，计算行像素点个数均值；根据行数、每行像素点个数和行像素点个数均值，计算行像素点个数方差；将行像素点个数方差作为疑似异常区域预设方向宽度的变化幅度。
另一方面，如果葵花籽的列向宽度小于行向宽度，前述的排就是列，则统计疑似异常区域中列数和每列像素点个数；根据统计的列数和每列像素点个数，计算列像素点个数均值；根据列数、每列像素点个数和列像素点个数均值，计算列像素点个数方差；将列像素点个数方差作为疑似异常区域预设方向宽度的变化幅度。
另一种实施方式中，计算疑似异常区域预设方向宽度的变化幅度，包括：
统计疑似异常区域中每两排相邻像素点个数差，以及排数，其中，每排像素点沿预设方向延伸，如果列向宽度大于行向宽度，预设方向为行向，否则为列向；根据统计的排数和每两排相邻像素点个数差，计算排像素点个数差均值；根据排数、每两排相邻像素点个数差和排像素点个数差均值，计算个数差方差；将个数差方差作为疑似异常区域预设方向宽度的变化幅度。
具体应用时，一方面，如果葵花籽的列向宽度大于行向宽度，前述的排就是行，则统计疑似异常区域中行数和每两行相邻像素点个数差；根据统计的行数和每两行相邻像素点个数差，计算行像素点个数差均值；根据行数、每两行相邻像素点个数差和行像素点个数差均值，计算个数差方差；将个数差方差作为疑似异常区域预设方向宽度的变化幅度。
另一方面，如果葵花籽的列向宽度小于行向宽度，前述的排就是列，则统计疑似异常区域中列数和每两列相邻像素点个数差；根据统计的列数和每两列相邻像素点个数差，计算列像素点个数差均值；根据列数、每两列相邻像素点个数差和列像素点个数差均值，计算个数差方差；将个数差方差作为疑似异常区域预设方向宽度的变化幅度。
上述的方差可以按照以下公式进行：
Figure BDA0002445115200000091
若δ2为排(即行或列)像素点个数方差，则n为异常区域内的排(即行或列)数，xi为每排(即行或列)像素点个数，
Figure BDA0002445115200000101
为排像素点个数均值。
若δ2为个数差方差，则n为每两排(即行或列)相邻像素点个数差的数量，也就是异常区域内的排(即行或列)数减1，xi为每两排(即行或列)相邻像素点个数差，
Figure BDA0002445115200000102
为排(即行或列)像素点个数差均值。
本发明实施例还提供了一种葵花籽分选方法，该方法包括：
首先根据上述实施例中任一项葵花籽异常区域识别方法识别出异常区域；
然后再控制剔除模块剔除带有异常区域的葵花籽。
基于与上述葵花籽异常区域识别方法相同的发明构思，本发明实施例还提供了一种葵花籽异常区域识别装置，参照图4，该装置包括：
采集模块11，用于采集葵花籽图像；
预识别模块12，用于基于葵花籽图像，利用颜色或深度卷积分割网络预测模型对葵花籽进行异常区域的预识别，得到疑似异常区域；
判断模块13，用于根据疑似异常区域的形状特征判断疑似异常区域是否为异常区域。
应用本装置，根据颜色或深度卷积分割网络预测模型对葵花籽进行预识别，得到疑似异常区域，然后根据疑似异常区域的形状特征疑似异常区域再确认其是否为异常区域。在这个过程中，通过颜色或深度卷积分割网络进行预识别，能够有效提高识别效率，基于预识别结果，进一步通过形状特征确认是否异常区域，可以排除误识别，从而实现对葵花籽异常区域的识别。多种识别方式相结合，先预识别，再排除误识别，既能保证一定识别效率，还能进一步提高识别精度。
预识别模块12，具体用于从葵花籽图像中，提取葵花籽每个像素点的目标通道的灰度值，判断每个灰度值是否大于预设灰度阈值，其中，目标通道为RGB通道中的任一通道；将灰度值大于预设灰度阈值的像素点组成的区域确定为疑似异常区域。其中，异常区域为脱皮区域，目标通道为G通道。
一种实施方式中，判断模块13，具体用于：根据疑似异常区域的面积、行向宽度和列向宽度，计算疑似异常区域的平均宽度；判断平均宽度是否小于预设宽度阈值；如果小于，则判定疑似异常区域不是异常区域，和/或，如果大于，则判断疑似区域为异常区域。
另一种实施方式中，判断模块13，具体包括：计算单元和判断单元。
其中，计算单元，用于计算疑似异常区域预设方向宽度的变化幅度，预设方向为行向或列向。
判断单元，用于判断变化幅度是否大于预设幅度阈值；如果小于，则判定疑似异常区域不是异常区域，和/或，如果大于，则判定疑似异常区域为异常区域。
一种实施方式中，计算单元，具体用于：统计疑似异常区域中沿预设方向延伸的每排像素点个数，以及排数，其中，如果列向宽度大于行向宽度，预设方向为行向，否则为列向；根据统计的排数和每排像素点个数，计算排像素点个数均值；根据排数、每排像素点个数和排像素点个数均值，计算排像素点个数方差；将排像素点个数方差作为疑似异常区域预设方向宽度的变化幅度。
另一种实施方式中，计算单元，具体用于：统计疑似异常区域中每两排相邻像素点个数差，以及排数，其中，每排像素点沿预设方向延伸，如果列向宽度大于行向宽度，预设方向为行向，否则为列向；根据统计的排数和每两排相邻像素点个数差，计算排像素点个数差均值；根据排数、每两排相邻像素点个数差和排像素点个数差均值，计算个数差方差；将个数差方差作为疑似异常区域预设方向宽度的变化幅度。
本发明实施例还提供了一种葵花籽分选设备，包括：上述任一种葵花籽异常区域识别装置，以及用于根据判断模块的判断结果剔除带有异常区域的葵花籽的剔除模块。
本发明实施例还提供了一种葵花籽分选设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述任一项的葵花籽异常区域识别方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种葵花籽异常区域识别方法，其特征在于，包括：
采集葵花籽图像；
基于所述葵花籽图像，利用颜色或深度卷积分割网络预测模型对所述葵花籽进行异常区域的预识别，得到疑似异常区域；
根据所述疑似异常区域的形状特征判断所述疑似异常区域是否为异常区域。
2.根据权利要求1所述的方法，其特征在于，所述基于所述葵花籽图像，利用颜色对所述葵花籽进行异常区域识别，得到疑似异常区域，包括：
从所述葵花籽图像中，提取所述葵花籽每个像素点的目标通道的灰度值，判断每个所述灰度值是否大于预设灰度阈值，其中，所述目标通道为RGB通道中的任一通道；
将所述灰度值大于所述预设灰度阈值的像素点组成的区域确定为疑似异常区域。
3.根据权利要求2所述的方法，其特征在于，所述异常区域为脱皮区域，所述目标通道为G通道。
4.根据权利要求1所述的方法，其特征在于，所述根据所述疑似异常区域的形状特征判断所述疑似异常区域是否为异常区域，包括：
根据所述疑似异常区域的面积、行向宽度和列向宽度，计算所述疑似异常区域的平均宽度；
判断所述平均宽度是否小于预设宽度阈值；
如果小于，则判定所述疑似异常区域不是异常区域，和/或，如果大于，则判断所述疑似区域为异常区域。
5.根据权利要求1所述的方法，其特征在于，所述根据所述疑似异常区域的形状特征判断所述疑似异常区域是否为异常区域，包括：
计算所述疑似异常区域预设方向宽度的变化幅度；
判断所述变化幅度是否大于预设幅度阈值；
如果小于，则判定所述疑似异常区域不是异常区域，和/或，如果大于，则判定所述疑似异常区域为异常区域。
6.根据权利要求5所述的方法，其特征在于，所述计算所述疑似异常区域预设方向宽度的变化幅度，包括：
统计所述疑似异常区域中沿所述预设方向延伸的每排像素点个数，以及排数，其中，如果列向宽度大于行向宽度，所述预设方向为行向，否则为列向；
根据统计的排数和每排像素点个数，计算排像素点个数均值；
根据排数、每排像素点个数和排像素点个数均值，计算排像素点个数方差；
将所述排像素点个数方差作为所述疑似异常区域预设方向宽度的变化幅度。
7.根据权利要求5所述的方法，其特征在于，所述计算所述疑似异常区域预设方向宽度的变化幅度，包括：
统计所述疑似异常区域中每两排相邻像素点个数差，以及排数，其中，每排像素点沿所述预设方向延伸，如果列向宽度大于行向宽度，所述预设方向为行向，否则为列向；
根据统计的排数和每两排相邻像素点个数差，计算排像素点个数差均值；
根据排数、每两排相邻像素点个数差和排像素点个数差均值，计算个数差方差；
将所述个数差方差作为所述疑似异常区域预设方向宽度的变化幅度。
8.一种葵花籽分选方法，其特征在于，包括：
根据权利要求1-7任一项所述的葵花籽异常区域识别方法识别出异常区域；控制剔除模块剔除带有异常区域的葵花籽。
9.一种葵花籽异常区域识别装置，其特征在于，包括：
采集模块，用于采集葵花籽图像；
预识别模块，用于基于所述葵花籽图像，利用颜色或深度卷积分割网络预测模型对所述葵花籽进行异常区域的预识别，得到疑似异常区域；
判断模块，用于根据所述疑似异常区域的形状特征判断所述疑似异常区域是否为异常区域。
10.一种葵花籽分选设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-7中任一项所述的葵花籽异常区域识别方法，或如权利要求8所述的葵花籽分选方法。
CN202010276922.0A 2020-04-10 2020-04-10 葵花籽异常区域识别方法及装置、葵花籽分选方法及设备 Pending CN113537185A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010276922.0A CN113537185A (zh) 2020-04-10 2020-04-10 葵花籽异常区域识别方法及装置、葵花籽分选方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010276922.0A CN113537185A (zh) 2020-04-10 2020-04-10 葵花籽异常区域识别方法及装置、葵花籽分选方法及设备

Publications (1)

Publication Number Publication Date
CN113537185A true CN113537185A (zh) 2021-10-22

Family

ID=78087767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010276922.0A Pending CN113537185A (zh) 2020-04-10 2020-04-10 葵花籽异常区域识别方法及装置、葵花籽分选方法及设备

Country Status (1)

Country Link
CN (1) CN113537185A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266736A (zh) * 2022-09-29 2022-11-01 江苏宸洋食品有限公司 一种茂谷柑霉变的快速识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100095394A1 (en) * 2008-10-02 2010-04-15 Pioneer Hi-Bred International, Inc. Statistical approach for optimal use of genetic information collected on historical pedigrees, genotyped with dense marker maps, into routine pedigree analysis of active maize breeding populations
CN104084379A (zh) * 2014-06-04 2014-10-08 中国农业大学 一种玉米种子图像精选装置及其使用方法
US20170323148A1 (en) * 2015-01-29 2017-11-09 Ventana Medical Systems, Inc. Dot detection, color classification of dots and counting of color classified dots
CN110216082A (zh) * 2019-05-23 2019-09-10 上海交通大学 荧光标记种子动态识别方法和系统
CN112233107A (zh) * 2020-11-04 2021-01-15 安徽大学 基于图像处理技术的葵花籽品级分类方法
CN113516611A (zh) * 2020-04-09 2021-10-19 合肥美亚光电技术股份有限公司 异常物料剔除区域的确定方法及装置、物料分选方法及设备
CN115205319A (zh) * 2022-09-19 2022-10-18 山东省金春雨种业科技有限公司 用于选种过程中的种子特征提取及分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100095394A1 (en) * 2008-10-02 2010-04-15 Pioneer Hi-Bred International, Inc. Statistical approach for optimal use of genetic information collected on historical pedigrees, genotyped with dense marker maps, into routine pedigree analysis of active maize breeding populations
CN104084379A (zh) * 2014-06-04 2014-10-08 中国农业大学 一种玉米种子图像精选装置及其使用方法
US20170323148A1 (en) * 2015-01-29 2017-11-09 Ventana Medical Systems, Inc. Dot detection, color classification of dots and counting of color classified dots
CN110216082A (zh) * 2019-05-23 2019-09-10 上海交通大学 荧光标记种子动态识别方法和系统
CN113516611A (zh) * 2020-04-09 2021-10-19 合肥美亚光电技术股份有限公司 异常物料剔除区域的确定方法及装置、物料分选方法及设备
CN112233107A (zh) * 2020-11-04 2021-01-15 安徽大学 基于图像处理技术的葵花籽品级分类方法
CN115205319A (zh) * 2022-09-19 2022-10-18 山东省金春雨种业科技有限公司 用于选种过程中的种子特征提取及分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WIESNEROVA´ DANA，等: "Computer image analysis of seed shape and seed color for flax cultivar description", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, pages 126 - 135 *
王卫翼，等: "基于机器视觉的虫蚀葵花籽识别与分选系统", 《食品与机械》, vol. 30, no. 2, pages 109 - 113 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266736A (zh) * 2022-09-29 2022-11-01 江苏宸洋食品有限公司 一种茂谷柑霉变的快速识别方法

Similar Documents

Publication Publication Date Title
CN108805023B (zh) 一种图像检测方法、装置、计算机设备及存储介质
US6674904B1 (en) Contour tracing and boundary detection for object identification in a digital image
US8144978B2 (en) System and method for identifying complex tokens in an image
EP2357799B1 (en) Apparatus and method for removing defective pixels
CN106067177B (zh) Hdr场景侦测方法和装置
CN109300104B (zh) 角点检测方法、装置
CN113724257A (zh) 一种碳板灰色污点检测方法、计算机设备及存储介质
US8000535B2 (en) Methods and systems for refining text segmentation results
CN106611431A (zh) 图片检测方法和装置
CN104504703A (zh) 一种基于片式元器件smt焊点彩色图像分割方法
CN111179291A (zh) 一种基于邻域关系的边缘像素点提取方法及装置
CN113537185A (zh) 葵花籽异常区域识别方法及装置、葵花籽分选方法及设备
CN114419533A (zh) 深水网衣破损识别方法、装置、设备及存储介质
US7502525B2 (en) System and method for edge detection of an image
CN115187588B (zh) 异物检测方法、装置及存储介质、电子设备
CN115797327A (zh) 一种缺陷检测方法、装置、终端设备及存储介质
CN111317426A (zh) 一种内窥镜参数自适应调整方法和装置
CN109117843B (zh) 字符遮挡检测方法及装置
CN111695557B (zh) 一种图像处理方法及装置
CN114022856A (zh) 一种非结构化道路可行驶区域识别方法、电子设备及介质
CN108776146B (zh) 丝印线条的检测方法及装置
CN114140620A (zh) 一种物体直线轮廓检测方法
CN113469171A (zh) 识别sfr测试卡图像中感兴趣区域的方法及装置、介质
CN111325658A (zh) 一种彩色图像自适应去色方法
CN110717890A (zh) 一种对接环识别方法及介质

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