CN113658143B - 一种机采籽棉含杂率检测方法及系统 - Google Patents
一种机采籽棉含杂率检测方法及系统 Download PDFInfo
- Publication number
- CN113658143B CN113658143B CN202110956481.3A CN202110956481A CN113658143B CN 113658143 B CN113658143 B CN 113658143B CN 202110956481 A CN202110956481 A CN 202110956481A CN 113658143 B CN113658143 B CN 113658143B
- Authority
- CN
- China
- Prior art keywords
- image
- impurity
- gray
- real
- mechanically
- 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
- 229920000742 Cotton Polymers 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000010813 municipal solid waste Substances 0.000 title claims description 13
- 239000012535 impurity Substances 0.000 claims abstract description 114
- 238000003708 edge detection Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 230000000877 morphologic effect Effects 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 241000219146 Gossypium Species 0.000 description 51
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 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
- G06T7/0004—Industrial image inspection
-
- 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 by the use of local operators
-
- G06T5/70—
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Abstract
本公开提供了一种机采籽棉含杂率检测方法，包括获取机采籽棉含杂图像的饱和度通道图像；利用截断分割方法进行图像分割后利用改进的Canny算子进行边缘检测；对边缘检测后的图像进行形态学闭操作形成闭合区域，并将形成的闭合区域进行孔洞填充；对存在杂质与图像边缘相交的图像，利用降噪后的图像与孔洞填充后的图像进行灰度值相加通过灰度直方图确定分割阈值，再进行灰度图像的二值化操作；将处理后的图像输出给数据处理线程进行实时含杂率和平均含杂率的求解并输出图像。通过本发明的方法可以实时监控机采籽棉加工过程中含杂率的情况，具有抗干扰性和实时性的特点。
Description
技术领域
本公开涉及数字图像处理技术领域，尤其涉及一种机采籽棉含杂率检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
近年来，棉花的种植和采收机械化程度越来越高，而随着机械化水平的逐年增高，棉花中混入的杂质也随之增多，如机采籽棉中存在的铃壳、僵瓣、棉枝、棉叶、尘杂等天然性杂质。同时，机采棉加工工艺也逐步发展起来，机采棉加工设备多、工艺复杂，设备的工作工作状态对棉花的清理有很大影响，如机采棉加工设备转速过低对棉花的清理效果不好，转速过高会对棉花纤维造成损伤。因此，实时监控籽棉中的杂质含量，可为机采棉加工设备调整转速提供依据，对于棉花的质量提升，具有重要意义。
在基于图像信息的含杂率检测过程中，首要任务是将杂质从棉花图像中分割出来，在棉花杂质图像分割方面，主要有阈值分割、提取特征分割、区域分割、边缘分割、利用分类神经网络进行分割等，这些方法取得了一定程度上的实验效果。但仍旧有局限性，如处理时间过长，从而不能进行实时的检测，求解过程受环境影响过大，抗干扰性较差等局限。
发明内容
本公开为了解决上述问题，提出了一种机采籽棉含杂率检测方法及系统，本公开能够实现实时监控机采籽棉加工过程中含杂率的变化，指导棉花的加工过程。
根据一些实施例，本公开采用如下技术方案：
一种机采籽棉含杂率检测方法，包括：
步骤1、实时采集机采籽棉含杂图像，提取S(饱和度)通道图像输入至机采籽棉含杂率检测系统中；
步骤2、利用截断分割方法进行图像分割后利用改进的Canny算子进行边缘检测；
步骤3、对边缘检测后的图像进行形态学闭操作形成闭合区域；
步骤4、利用轮廓边界跟踪判断起始点和终止点是否重合来判定是否形成闭合区域，若没有形成闭合区域，通过增大形态学操作中核的尺寸，并再次进行步骤3，直至形成闭合区域；
步骤5、对得到的闭合区域图像进行孔洞填充，利用图像最外围像素点的灰度值判断是否存在与图像边缘相交的杂质，若存在杂质与图像边缘相交的图像，进行步骤6，否则，进行步骤7；
步骤6、利用步骤2中得到的降噪后图像与步骤5得到的孔洞填充后的图像进行灰度值相加操作；
步骤7、对步骤6得到的灰度图像通过灰度直方图确定分割阈值，再进行灰度图像的二值化操作，并输出给数据处理线程，显示处理后的图像。
进一步的，所述数据处理线程，包括：
对进行处理完成的图像进行像素点的遍历，记录灰度值为255的点的个数；
进一步的，所述数据处理线程，还包括：
将灰度值为255的像素点的个数除以图像中总像素数，得到实时的含杂率；
进一步地，所述数据处理线程，还包括：
将实时含杂率累加到变量S中，并计算图像处理线程中处理图像数i，用变量S和处理图像数i相除，得到平均含杂率，并输出实时含杂率和平均含杂率。
进一步地，所述步骤1，具体包括：
通过相机实时采集机采籽棉含杂图像；将图像从RGB颜色空间转换到HSV颜色空间；提取HSV颜色空间中的S通道。
进一步地，所述步骤2，具体包括：
对分割后的灰度图像进行均值滤波去除噪点；
进一步地，所述步骤2，还包括：
对去噪图像利用非局部平均去噪方法进一步降噪；
进一步地，所述步骤2，还包括：
对降噪后的灰度图像利用Canny算子进行边缘检测。
一种机采籽棉含杂率检测系统，包括：
图像处理模块，被配置为：
提取机采籽棉含杂图像的饱和度通道图像输入至机采籽棉含杂率检测系统中；
利用截断分割方法对图像进行分割后利用改进的Canny算子进行边缘检测；
对边缘检测后的图像进行形态学闭操作形成闭合区域，并将形成的闭合区域进行孔洞填充；
对存在杂质与图像边缘相交图像，利用降噪后的图像与孔洞填充后的图像进行灰度值相加，通过灰度直方图确定分割阈值，再进行灰度图像的二值化操作；
一种机采籽棉含杂率检测系统，包括：
数据处理模块，被配置为：
对进行处理完成的图像进行像素点的遍历，记录灰度值为255的点的个数；
将灰度值为255的像素点的个数除以图像中总像素数，得到实时的含杂率；
将实时含杂率累加到变量S中，并计算图像处理线程中处理图像数i，用变量S和处理图像数i相除，得到平均含杂率，并输出实时含杂率和平均含杂率。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行一种机采籽棉含杂率检测方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行一种机采籽棉含杂率检测方法。
与现有技术相比，本公开的有益效果为：
本公开所提供的一种机采籽棉含杂率检测方法及系统，是针对机采籽棉加工过程中实现含杂率实时检测而设计的，根据棉花和杂质之间的饱和度不同的特点，通过提取图像的S通道进行分割杂质；针对传统的Canny算子边缘检测存在的问题(一是无法消除局部噪声的干扰,在检测出伪边缘的同时还会丢失边缘细节；二是很难设定高斯滤波参数)，采用均值滤波和非局部平均去噪的方法来替代高斯滤波，可以有效的去掉图像中存在的噪声；并利用多线程技术，相较于单线程处理时间缩短40％，有效提高处理帧率；并通过求解含杂率的平均值来增强算法的抗干扰性，具有实时性和稳定性的特点，本公开以解决现有方法对机采籽棉含杂率求解速度慢，实时性差，易受干扰等问题，进而指导棉花生产加工过程。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明针对机采籽棉含杂率检测方法及系统的流程图；
图2(a，b)为通过相机采集的两幅机采籽棉含杂图像；
图3为图2在HSV颜色空间下的图像；
图4为图3的S通道的图像；
图5为对图4利用截断分割后的图像；
图6为对图5进行均值滤波后的图像；
图7为对图6利用非局部平均去噪方法后的图像；
图8为对图7利用canny算子进行边缘检测后的图像；
图9为对图8进行形态学闭操作后的图像；
图10为对图9进行孔洞填充后的图像；
图11为将图7和图10进行灰度值相加后的图像；
图12为图11的灰度直方图；
图13为对图12进行二值化后的图像；
图14为分割出的杂质图像。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，一种机采籽棉含杂率检测方法，
首先通过相机实时采集机采籽棉含杂图像，将采集到的RGB颜色空间图像转换为HSV颜色空间图像，并从HSV颜色空间图像中提取S(饱和度)通道，对S通道的图像进行截断分割，再进行均值滤波去除噪点，并利用非局部平均去噪方法进一步降噪，再利用Canny算子进行边缘检测，对边缘检测后的图像进行形态学闭操作形成闭合区域，并将形成的闭合区域进行孔洞填充，对于存在杂质与图像边缘相交的图像，利用上述降噪后的图像与孔洞填充后的图像进行灰度值相加操作，通过灰度直方图确定分割阈值，再进行灰度图像的二值化操作，将处理后的图像输出给另一个线程进行实时含杂率和平均含杂率的求解，最终输出实时含杂率、平均含杂率和分割后的图像。
具体按照以下步骤实施：
图像处理线程：
步骤一，通过相机实时采集机采籽棉含杂图像并提取S(饱和度)通道图像输入到机采籽棉含杂率检测系统中，具体包括：
通过相机实时采集机采籽棉含杂图像，如图2(a，b)所示；
将图像从RGB颜色空间转换到HSV颜色空间，如图3(a，b)所示；
提取HSV颜色空间中的S通道，如图4(a，b)所示，可以看出在S通道下杂质和棉花背景有较好的区分效果，但仍存在噪点、雾等干扰因子。如图4(a，b)中中间部分存在一片灰度值介于背景和杂质之间的雾状干扰物。
步骤二，对步骤一得到的图像利用截断分割(THRESH_TRUNC)的方法进行分割，如图5(a，b)所示，可以看出分割后的图像相较于S通道的图像杂质区域明暗对比度减少，杂质融为一体；
具体计算方法为，
步骤三，对步骤二得到的分割后的灰度图像进行均值滤波去除噪点，如图6(a，b)所示，可见图像中由棉花背景产生的噪点减少；
步骤四，对步骤三得到的去噪图像利用非局部平均去噪方法进一步降噪，如图7(a，b)所示，可见图像中噪点进一步减少，且杂质区域更加平滑易于提取边缘信息；
步骤五，对步骤四得到的降噪后的灰度图像利用Canny算子进行边缘检测，如图8(a，b)所示，可见边缘提取后存在部分边缘未形成闭合区域，如图8(a)中间部分的杂质铃壳附近的叶屑，图8(b)上部杂质铃壳的外边缘均未闭合；
其中，利用Canny算子进行边缘检测时，图像梯度大小和方向计算公式为，
图像X、Y方向的梯度dx、dy计算公式为，
步骤六，对步骤五得到的边缘检测后的图像进行形态学闭操作形成闭合区域，如图9(a，b)所示，可见图8中未闭合的区域已经闭合；
步骤七，对步骤六得到的图像进行判断，利用轮廓边界跟踪判断起始点和终止点是否重合来判定是否形成闭合区域。若没有形成闭合区域，通过增大形态学操作中核的尺寸，并再次进行步骤六，直至形成闭合区域；
步骤八，对步骤七得到的闭合区域图像进行孔洞填充，如图10(a，b)所示，可见孔洞填充未将与图像边缘相交的杂质进行填充，因为与图像相交的杂质边缘未闭合，如图10(a)中左下角的杂质和右部分中杂质棉枝的部分区域，图10(b)中左下角杂质和中上部铃壳，均未进行填充；
步骤九，对步骤八得到的孔洞填充后的图像进行判断，利用图像最外围像素点的灰度值来判断是否存在与图像边缘相交的杂质。若存在杂质与图像边缘相交的图像，进行步骤十，否则，进行步骤十二；
具体判断方法为，
K＝{(0,:),(maxc,:),(:,0),(:,maxl)} (2)
步骤十，利用步骤四得到的降噪后的图像与步骤八得到的孔洞填充后的图像进行灰度值相加操作，如图11(a，b)所示，可见进行图像相加操作后，上图中未填充区域灰度值明显增加，可以通过阈值分割将杂质彻底分割出来；
步骤十一，对步骤十得到的灰度图像通过灰度直方图确定分割阈值，如图12(a，b)所示，可见分割的阈值选择范围为(45，80)，再进行灰度图像的二值化操作，如图13(a，b)所示，可见杂质区域彻底从图像中分割出来；
步骤十二，将处理后的图像输出给数据处理线程，并显示处理后的图像，如图14(a，b)所示，可见大块杂质分割的完整且完全，小块杂质(如叶屑等)会存在部分漏分割的情况，但因漏分割区域过小，不影响整体含杂率的判断，故可以忽略。
数据处理线程：
步骤一，对进行处理完成的图像进行像素点的遍历，记录灰度值为255的点的个数；
步骤二，将灰度值为255的像素点的个数除以图像中总像素数，得到实时的含杂率；
具体计算方法为，
步骤三，将实时含杂率累加到变量S中，并计算图像处理线程中处理图像数i，用变量S和处理图像数i相除，得到平均含杂率；
具体计算方法为，
步骤四，输出实时含杂率和平均含杂率。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行本实施例提供的一种机采籽棉含杂率检测方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行本实施例提供的一种机采籽棉含杂率检测方法。
实施例2.
针对机采籽棉含杂率检测方法，首先通过相机实时采集机采籽棉含杂图像，将采集到的RGB颜色空间图像转换为HSV颜色空间图像，并从HSV颜色空间图像中提取S(饱和度)通道，对S通道的图像进行截断分割，再利用改进的Canny算子进行边缘检测，对边缘检测后的图像进行形态学闭操作形成闭合区域，并将形成的闭合区域进行孔洞填充，对于存在杂质与图像边缘相交的图像，利用上述降噪后的图像与孔洞填充后的图像进行灰度值相加操作，通过灰度直方图确定分割阈值，再进行灰度图像的二值化操作，将处理后的图像输出给另一个线程进行实时含杂率和平均含杂率的求解，最终输出实时含杂率、平均含杂率和分割后的图像。
该系统包括下述两线程，
线程一：图像处理线程；
线程二：数据处理线程。
图像处理线程具体按照以下步骤实施：
步骤一，通过相机实时采集机采籽棉含杂图像并提取S(饱和度)通道图像输入到机采籽棉含杂率检测系统中；
步骤二，对步骤一得到的图像利用截断分割(THRESH_TRUNC)的方法进行分割；
步骤三，对步骤二得到的图像利用改进的Canny算子进行边缘检测；
步骤四，对步骤三得到的边缘检测后的图像进行形态学闭操作形成闭合区域；
步骤五，对步骤四得到的图像进行判断，利用轮廓边界跟踪判断起始点和终止点是否重合来判定是否形成闭合区域。若没有形成闭合区域，通过增大形态学操作中核的尺寸，并再次进行步骤四，直至形成闭合区域；
步骤六，对步骤五得到的闭合区域图像进行孔洞填充；
步骤七，对步骤六得到的孔洞填充后的图像进行判断，利用图像最外围像素点的灰度值来判断是否存在与图像边缘相交的杂质。若存在杂质与图像边缘相交的图像，进行步骤八，否则，进行步骤十；
步骤八，利用步骤三中得到的降噪后的图像与步骤六得到的孔洞填充后的图像进行灰度值相加操作；
步骤九，对步骤八得到的灰度图像通过灰度直方图确定分割阈值，再进行灰度图像的二值化操作；
步骤十，将处理后的图像输出给数据处理线程，并显示处理后的图像。
数据处理线程具体按照以下步骤实施：
步骤一，对进行处理完成的图像进行像素点的遍历，记录灰度值为255的点的个数；
步骤二，将灰度值为255的像素点的个数除以图像中总像素数，得到实时的含杂率；
步骤三，将实时含杂率累加到变量S中，并计算图像处理线程中处理图像数i，用变量S和处理图像数i相除，得到平均含杂率；
步骤四，输出实时含杂率和平均含杂率。
步骤一，具体包括：
通过相机实时采集机采籽棉含杂图像；
将图像从RGB颜色空间转换到HSV颜色空间；
提取HSV颜色空间中的S通道。
所述步骤二中截断分割(THRESH_TRUNC)的计算公式为，
其中，式(1)中dst(x,y)表示截断分割后的图像在点(x,y)位置像素的灰度值；thresh表示截断分割的阈值，src(x,y)表示截断分割前的图像在点(x,y)位置像素的灰度值。
步骤三利用改进的Canny算子进行边缘检测，具体包括：
步骤一，对分割后的灰度图像进行均值滤波去除噪点；
步骤二，对去噪图像利用非局部平均去噪方法进一步降噪；
步骤三，对降噪后的灰度图像利用Canny算子进行边缘检测。
所述步骤七中判断是否存在杂质与图像边缘相交图像的方法为，
K＝{(0,:),(maxc,:),(:,0),(:,maxl)} (2)
其中，式(2)中K表示图像最外围像素点坐标的集合；maxc表示图像的最大行数；maxl表示图像的最大列数；“：”表示从0到定义域最大值的所有值。式(3)中k表示像素点的灰度值。
所述步骤二中实时含杂率的计算公式为，
其中，式(4)中q表示灰度值为255的像素点的个数；Q表示图像中总像素数；Si表示实时含杂率。
所述步骤三中平均含杂率的计算公式为，
其中，式(5)中Si表示实时含杂率；i表示图像处理线程中处理图像数；Smean表示平均含杂率。
步骤三利用Canny算子进行边缘检测时，图像梯度大小和方向计算公式为，
其中，式(6)中G表示图像总梯度大小；dx表示图像X方向的梯度；dy表示图像Y方向的梯度。式(7)中θ表示图像总梯度的方向。
图像X、Y方向的梯度dx、dy计算公式为，
其中，式(8)、(9)中A为经过降噪处理后的机采籽棉灰度图像矩阵。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (5)
1.一种机采籽棉含杂率检测方法，其特征在于，包括：
获取机采籽棉含杂图像的饱和度通道图像；具体包括：通过相机实时采集机采籽棉含杂图像；将图像从RGB颜色空间转换到HSV颜色空间；提取HSV颜色空间中的S通道；
利用截断分割方法对图像进行分割后利用改进的Canny算子进行边缘检测；包括：对分割后的灰度图像进行均值滤波去除噪点；对去噪图像利用非局部平均去噪方法进一步降噪；对降噪后的灰度图像利用Canny算子进行边缘检测；
对边缘检测后的图像进行形态学闭操作形成闭合区域，并将形成的闭合区域进行孔洞填充；
对存在杂质与图像边缘相交图像，利用降噪后的图像与孔洞填充后的图像进行灰度值相加，通过灰度直方图确定分割阈值，再进行灰度图像的二值化操作，通过对二值化处理后的图像求解得到含杂率结果；
所述二值化操作后，将处理后的图像输出给数据处理线程进行实时含杂率和平均含杂率的求解，并输出实时含杂率和平均含杂率；
所述数据处理线程，包括：对进行处理完成的图像进行像素点的遍历，记录灰度值为255的点的个数；将灰度值为255的像素点的个数除以图像中总像素数，得到实时的含杂率；具体计算方法为，
所述数据处理线程，还包括：将实时含杂率累加到变量S中，并计算图像处理线程中处理图像数i，用变量S和处理图像数i相除，得到平均含杂率，具体计算方法为，
并输出实时含杂率和平均含杂率。
2.一种机采籽棉含杂率检测系统，其特征在于，包括：
图像获取模块，被配置为，获取机采籽棉含杂图像的饱和度通道图像输入至机采籽棉含杂率检测系统中；
分割检测模块，被配置为，利用截断分割方法对图像进行分割后利用改进的Canny算子进行边缘检测；
闭合填充模块，被配置为，对边缘检测后的图像进行形态学闭合操作形成闭合区域，并将形成的闭合区域进行孔洞填充；
灰度处理模块，被配置为，对存在杂质与图像边缘相交图像，利用降噪后的图像与孔洞填充后的图像进行灰度值相加，通过灰度直方图确定分割阈值，再进行灰度图像的二值化操作，并输出给数据处理模块。
3.如权利要求2所述的一种机采籽棉含杂率检测系统，其特征在于，还包括：
数据处理模块，被配置为，
对进行处理完成的图像进行像素点的遍历，记录灰度值为255的点的个数；
将灰度值为255的像素点的个数除以图像中总像素数，得到实时的含杂率；
将实时含杂率累加到变量S中，并计算图像处理线程中处理图像数i，用变量S和处理图像数i相除，得到平均含杂率，并输出实时含杂率和平均含杂率。
4.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1所述的一种机采籽棉含杂率检测方法。
5.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1所述的一种机采籽棉含杂率检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110956481.3A CN113658143B (zh) | 2021-08-19 | 2021-08-19 | 一种机采籽棉含杂率检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110956481.3A CN113658143B (zh) | 2021-08-19 | 2021-08-19 | 一种机采籽棉含杂率检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113658143A CN113658143A (zh) | 2021-11-16 |
| CN113658143B true CN113658143B (zh) | 2022-10-21 |
Family
ID=78492454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110956481.3A Active CN113658143B (zh) | 2021-08-19 | 2021-08-19 | 一种机采籽棉含杂率检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658143B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
| CN109738436A (zh) * | 2018-12-28 | 2019-05-10 | 安徽财经大学 | 一种籽棉杂质定量快速检测系统及方法 |
| CN110930361A (zh) * | 2019-10-22 | 2020-03-27 | 西安理工大学 | 一种虚实物体遮挡检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102234928A (zh) * | 2010-05-06 | 2011-11-09 | 乌斯特技术股份公司 | 双刺辊机构的纤维杂质重量分析装置 |
| CN104751199B (zh) * | 2013-12-30 | 2017-11-24 | 华中科技大学 | 一种棉花裂铃期自动检测方法 |
| CN106770006A (zh) * | 2016-11-29 | 2017-05-31 | 安徽财经大学 | 一种基于近红外光谱的籽棉杂质检测方法 |
| CN112435235B (zh) * | 2020-11-23 | 2024-02-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
| CN112767367B (zh) * | 2021-01-25 | 2022-11-25 | 济南大学 | 一种机采籽棉的棉花杂质检测方法及系统 |
| CN112862841A (zh) * | 2021-04-09 | 2021-05-28 | 山东大学 | 基于形态学重构和自适应阈值的棉花图像分割方法及系统 |
-
2021
- 2021-08-19 CN CN202110956481.3A patent/CN113658143B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
| CN109738436A (zh) * | 2018-12-28 | 2019-05-10 | 安徽财经大学 | 一种籽棉杂质定量快速检测系统及方法 |
| CN110930361A (zh) * | 2019-10-22 | 2020-03-27 | 西安理工大学 | 一种虚实物体遮挡检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Feature selection based on improved ant colony optimization for online detection of foreign fiber in cotton;Xuehua Zhao 等;《Applied Soft Computing》;20141130;第24卷;全文 * |
| 应用区域颜色分割的机采棉杂质检测方法;张成梁 等;《纺织学报》;20170731;第38卷(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113658143A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
| Bakar et al. | Rice leaf blast disease detection using multi-level colour image thresholding | |
| CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
| CN112990103B (zh) | 一种基于机器视觉的串采二次定位方法 | |
| CN104123731A (zh) | 低对比度皮棉地膜图像分割方法 | |
| CN110599507B (zh) | 一种番茄识别定位方法及系统 | |
| CN105701829A (zh) | 一种套袋绿色果实图像分割方法 | |
| CN113298777A (zh) | 一种基于颜色特征和超像素聚类的棉花叶枯病检测方法及系统 | |
| CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
| CN105023272A (zh) | 农作物叶子虫害检测方法和系统 | |
| CN114596274A (zh) | 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法 | |
| 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 | |
| CN110796654A (zh) | 一种引导线检测方法、装置、设备、轮胎吊及介质 | |
| CN113658143B (zh) | 一种机采籽棉含杂率检测方法及系统 | |
| CN110544262A (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
| AU2020103260A4 (en) | Rice blast grading system and method | |
| Valliammal et al. | A hybrid method for enhancement of plant leaf recognition | |
| Zhang et al. | Cherry recognition in natural environment based on the vision of picking robot | |
| CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
| 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 | |
| CN112016418B (zh) | 一种割线识别方法、装置、电子设备及存储介质 | |
| CN114332626A (zh) | 一种基于视觉分析的水稻产量预测方法 | |
| CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
| CN107194320A (zh) | 一种基于图像特征分析的温室青椒采摘机器人目标识别方法 | |
| CN114581660A (zh) | 植物叶片分割识别方法及系统 |
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 |