CN113820322B - 一种用于种子外观品质的检测装置及方法 - Google Patents
一种用于种子外观品质的检测装置及方法 Download PDFInfo
- Publication number
- CN113820322B CN113820322B CN202111221999.9A CN202111221999A CN113820322B CN 113820322 B CN113820322 B CN 113820322B CN 202111221999 A CN202111221999 A CN 202111221999A CN 113820322 B CN113820322 B CN 113820322B
- Authority
- CN
- China
- Prior art keywords
- drawer
- image
- seeds
- objective table
- touch display
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title description 15
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims description 17
- 230000017525 heat dissipation Effects 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 239000011324 bead Substances 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 11
- 235000013339 cereals Nutrition 0.000 description 7
- 230000005855 radiation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003333 near-infrared imaging Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/136—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
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Abstract
本发明公开了一种用于种子外观品质的检测装置及方法,包括触控显示器、抽屉载物台、五通道相机、配套光源和主机区组成机箱架,触控显示器倾斜嵌入在机箱架的顶部,抽屉载物台设置在机箱架的中间,抽屉载物台的上方设置有配套光源,配套光源的上方中间、触控显示器的底部设置有五通道相机,抽屉载物台的下方设置有LED背光板,机箱架的后面设置有供电和数据处理用的主机区。实现对批量种子精准、智能的优选和品质分级,提高检测时的效率,包括对批量种子的破损率、病变率、杂质率等数据指标全面客观的综合分析和判断,本发明实用性强,筛选准确度高,自动化检测分析,从而帮助生产企业大幅节约检测成本并提高种子来源品质。
Description
技术领域
本发明涉及种子检测技术领域,尤其涉及一种用于种子外观品质的检测装置及方法。
背景技术
针对于种子的外观品质检测,目前在种子生产储存过程中,种子的外观品质检测方法主要是通过人工的自主鉴定、肉眼结合参照物的直观分析或器械的检测。靠人工检查的方法进行评估,不仅费时费力,且检测结果很大程度上依赖于检验人员的主观性,检验人员水平的良莠不齐及评判标准的地域性差别,使得当前无法实现种子的外观品质检测的快速、精准判别;而器械检测主要是基于图像处理技术的种子外观品质检测模拟,其估测模型依靠图像的RGB三通道值,具有可变性,不稳定。其次是基于近红外技术的种子定量分析与建模方法,包括线性回归、主成分回归、偏最小二乘回归等方法。以上两种检测方法不仅费时费力,而且劳动强度大,工艺复杂、易破坏试验样品、不稳定等缺陷,从而导致无法快速无损精准检测稻米的外观品质并实现准确的分类。在国内外农业公司,图像技术在种子上的应用比较领先,已在外观品质检测和生产工艺中得以推广,但是利用机器视觉技术为主导,将图像处理技术和近红外技术相结合建立检测模型的研究较少,且将检测模型和硬件平台以及软件操作界面的综合研究较少,传统的器械检测主要通过RGB三通道相机检测,具有可变性,不稳定等缺陷,从而导致无法快速精准的检测种子的外观品质并实现准确的分类。考虑前人的不足,本应用在图像处理、建模方法上做出革新。
发明内容
本发明的目的是提供一种用于种子外观品质的检测装置及方法,解决无法快速无损、精准检测种子的品质并准确分级的问题。
为解决上述技术问题,本发明采用如下技术方案:
本发明一种用于种子外观品质的检测装置及方法,包括机箱架、触控显示器、抽屉载物台、五通道相机和主机区,所述触控显示器倾斜嵌入在所述机箱架的顶部,所述抽屉载物台设置在所述机箱架的内部且位于中间位置,所述抽屉载物台的上方设置有配套光源,所述五通道相机安装在所述机箱架的顶端,且位于所述配套光源的上方中间,所述抽屉载物台的下方设置有LED背光板,且所述LED背光板位于所述机箱架的底部,所述机箱架的后面设置有供电和数据处理用的所述主机区;所述触控显示器、五通道相机、配套光源均与所述主机区电连接。
进一步的,所述抽屉载物台设置在所述谷物槽内,所述谷物槽内置双侧滑轨,抽拉所述抽屉载物台在所述双侧滑轨上作直线往复运动,所述抽屉载物台的外侧下方且贴近机箱架处设置有种子回收槽;所述抽屉载物台上平铺有待检测种子,待检测种子检测结束后随所述抽屉载物台拉出并回收至所述种子回收槽内。
进一步的,所述触控显示器的后端设置有第一散热扇,所述主机区的下方设置有第二散热扇,所述主机区的后面开设有散热孔。
进一步的,所述配套光源包括两种光源的LED灯珠,分别是不同波段的白炽光和近红外光的LED灯珠;所述五通道相机拍摄的图像包括RGB图像和双通道的近红外图像。
进一步的,所述触控显示器作为整体控制操作区采用液晶显示屏,所述触控显示器上设置有三个界面,包括登录界面、图像采集储存界面和数据显示界面,所述图像采集储存界面与所述主机区内的图像处理模块连接,所述数据显示界面与所述主机区内的建立模型模块连接。
进一步的,包括以下步骤:
步骤一、检查装备完整性并连通电源;启动触控显示器,登录界面输入账号后转到图像采集储存界面;
步骤二、取500-1000粒种子平铺到抽屉载物台上;打开配套光源和LED背光板;
步骤三、图像采集及处理;操控所述五通道相机拍摄图像,所述图像采集储存界面转化并显示出所述图像,操作数据显示界面完成所述图像的种子品质分析结果;
步骤四、图像采集完成后,沿滑轨抽出抽屉载物台,将种子倾斜倒入种子回收槽;
再将新的种子放在抽屉载物台内进行新的检测,完成新的一组种子的检测作业。
进一步的,所述五通道相机拍摄图像并传递给所述主机区的图像处理模块,所述图像经过处理后通过所述图像采集储存界面显示出来,图像处理模块将采集的图像通过RGB三通道和双通道的NIR图像进行叠加处理后;再经过采用分水岭分割和阈值分割相结合的处理办法后;再经过图像去噪时进行多次的腐蚀、膨胀、开运算后,最后运用最小外接矩阵算法精准的计算出每一粒种子的长、宽和面积。
进一步的,所述数据显示界面将处理后的图像传递给建立模型模块,所述主机区将处理后的图像导入2D-CNN算法进行分级训练并建立模型,将处理后的图像进行第一级品质识别和第二级缺陷识别后,最后理化分析、公式计算出品质合格率。
与现有技术相比,本发明的有益技术效果:
本发明一种用于种子外观品质的检测装置及方法,通过设计的硬件平台和软件框架,组成一套快速精准检测种子品质的检测机箱架,基于高分辨率的可见光和近红外成像技术,软件框架通过机器视觉技术、图像处理技术和近红外成像技术的结合,采用机器视觉和深度学习算法对批量种子的外观形状,可以快速、精准的提供种子的图像采集,实现对批量种子精准、智能的优选和品质分级,提高检测时的效率,包括对批量种子的破损率、病变率、杂质率等数据指标全面客观的综合分析和判断,与市场上的通用检测仪器相比,本发明实用性强,筛选准确度高,自动化检测分析,从而帮助生产企业大幅节约检测成本并提高种子来源品质。
附图说明
下面结合附图说明对本发明作进一步说明。
图1为本发明用于种子外观品质的检测装置示意图;
图2为本发明用于种子外观品质的检测装置软件分析原理图;
附图标记说明:1、触控显示器;2、谷物槽;3、种子回收槽;4、抽屉载物台;5、五通道相机;6、配套光源;7、主机区;8、LED背光板;9、第一散热扇;10、散热孔;12、机箱架;13、第二散热扇。
具体实施方式
如图1所示,一种用于种子外观品质的检测装置及方法,包括机箱架11、触控显示器1、抽屉载物台4、五通道相机5和主机区7,所述触控显示器1倾斜嵌入在所述机箱架11的顶部,所述抽屉载物台4设置在所述机箱架11的内部且位于中间位置,所述抽屉载物台4的上方设置有配套光源6,所述五通道相机5安装在所述机箱架11的顶端,且位于所述配套光源6的上方中间,所述抽屉载物台4的下方设置有LED背光板8,且所述LED背光板8位于所述机箱架11的底部,所述机箱架11的后面设置有供电和数据处理用的所述主机区7;所述触控显示器1、五通道相机5、配套光源6均与所述主机区7电连接。通过五通道相机5配合使用配套光源6,对下方抽屉载物台4盛放的种子进行图像采集,然后经过机箱架7内部软件的分析,得出种子的外观品质信息,LED背光板8的作用是使种子图像的轮廓更加清晰,易于图像分割算法得到单粒种子。
所述抽屉载物台4设置在所述谷物槽2内,所述谷物槽2内置双侧滑轨,抽拉所述抽屉载物台4在所述双侧滑轨上作直线往复运动,所述抽屉载物台4的外侧下方且贴近机箱架11处设置有种子回收槽3;所述抽屉载物台4上平铺有待检测种子,待检测种子检测结束后随所述抽屉载物台4拉出并回收至所述种子回收槽3内。谷物槽2内置双侧滑轨,使抽屉载物台4可以快速进出谷物槽2,种子回收槽3主要作用是将检测完的种子实现快速的回收。
所述触控显示器1的后端设置有第一散热扇9,所述主机区7的下方设置有第二散热扇12,所述主机区7的后面开设有散热孔10。散热扇9和散热孔10实现机箱架整体的散热功能,触控显示器1实现整体的功能操作和图像结果显示。
所述配套光源6包括两种光源的LED灯珠,分别是不同波段的白炽光和近红外光的LED灯珠;所述五通道相机5拍摄的图像包括RGB图像和双通道的近红外图像。基于高分辨率的可见光和近红外成像技术,稳定清晰的得到种子图像,易于后期图像分割算法得到单粒种子。
所述触控显示器1作为整体控制操作区采用液晶显示屏,所述触控显示器1上设置有三个界面,包括登录界面、图像采集储存界面和数据显示界面,所述图像采集储存界面与所述主机区7内的图像处理模块连接,所述数据显示界面与所述主机区7内的建立模型模块连接。触控显示器1上的用户操作界面的设计,登录界面实现专属账号、密码的登录,保证了仪器的安全性;图像采集储存界面,实现对五通道相机的控制,获取RGB图像和双通道的NIR图像,对图像进行预处理并储存进行数据分析;数据显示界面,该界面基于上述建立的模型,直接导入图像数据便可以稳定、准确的分析出批量种子的数据并生成报告界面,可以快速直观的看到种子的外观品质性状,将报告储存上传到数据库,便于后期查看。
所述五通道相机5拍摄图像并传递给所述主机区7的图像处理模块,所述图像经过处理后通过所述图像采集储存界面显示出来,图像处理模块将采集的图像通过RGB三通道和双通道的NIR图像进行叠加处理后;再经过采用分水岭分割和阈值分割相结合的处理办法后;再经过图像去噪时进行多次的腐蚀、膨胀、开运算后,最后运用最小外接矩阵算法精准的计算出每一粒种子的长、宽和面积。在图像处理上,采用RGB三通道和双通道的NIR图像进行叠加处理,保证了图像数据稳定性和可靠性;采用分水岭分割和阈值分割相结合,对密集种子图像实现了良好的分割处理;在图像去噪上进行多次的腐蚀、膨胀、开运算,达到很好的去噪效果。
所述数据显示界面将处理后的图像传递给建立模型模块,所述主机区7将处理后的图像导入2D-CNN算法进行分级训练并建立模型,将处理后的图像进行第一级品质识别和第二级缺陷识别后,最后理化分析、公式计算出品质合格率。在建模方法上,将处理好的图像数据导入2D-CNN算法进行分级训练并建立模型,分级训练模型具有很好的稳定性,第一级分出被检批次种子的好、坏,第二级在好坏的基础上分出破损种子、杂质、霉变种子、病变种子,以破损种子为例:选择被检种子中籽粒最长的100粒种子,计算其平均面积并设定为标准的种子面积,对检测批次的种子逐粒进行对比,被检种子面积小于标准面积的0.9倍,即被判定为有破损,最后运用公式计算被检批次种子的破损率、杂质率、霉变率、病变率。
本发明的动作过程如下:
步骤一、检查装备完整性并连通电源;启动触控显示器1,登录界面输入账号后转到图像采集储存界面;
步骤二、取500-1000粒种子平铺到抽屉载物台4上;打开配套光源6和LED背光板8;
步骤三、图像采集及处理;操控所述五通道相机5拍摄图像,所述图像采集储存界面转化并显示出所述图像,操作数据显示界面完成所述图像的种子品质分析结果;在触屏显示器1上操作便可一键成像,待五通道相机5完成相应种子的成像后通过数据转换显示到触控显示屏1上,其配套软件完成品种识别、缺陷识别、理化分析等功能,准确的分析出批量种子的数据并生成报告界面,可以快速直观的看到种子的外观品质性状,将报告储存上传到数据库,便于后期查看。
步骤四、图像采集完成后,沿滑轨抽出抽屉载物台4,将种子倾斜倒入种子回收槽3;
再将新的种子放在抽屉载物台4内进行新的检测,完成新的一组种子的检测作业。
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 (1)
1.一种用于种子外观品质的检测装置,其特征在于:包括机箱架(11)、触控显示器(1)、抽屉载物台(4)、五通道相机(5)和主机区(7),所述触控显示器(1)倾斜嵌入在所述机箱架(11)的顶部,所述抽屉载物台(4)设置在所述机箱架(11)的内部且位于中间位置,所述抽屉载物台(4)的上方设置有配套光源(6),所述五通道相机(5)安装在所述机箱架(11)的顶端,且位于所述配套光源(6)的上方中间,所述抽屉载物台(4)的下方设置有LED背光板(8),且所述LED背光板(8)位于所述机箱架(11)的底部,所述机箱架(11)的后面设置有供电和数据处理用的所述主机区(7);所述触控显示器(1)、五通道相机(5)、配套光源(6)均与所述主机区(7)电连接;
应用于所述种子外观品质的检测装置的检测方法,包括以下步骤:
步骤一、检查装备完整性并连通电源;启动触控显示器(1),登录界面输入账号后转到图像采集储存界面;
步骤二、取500-1000粒种子平铺到抽屉载物台(4)上;打开配套光源(6)和LED背光板(8);
步骤三、图像采集及处理;操控所述五通道相机(5)拍摄图像,所述图像采集储存界面转化并显示出所述图像,操作数据显示界面完成所述图像的种子品质分析结果;
步骤四、图像采集完成后,沿滑轨抽出抽屉载物台(4),将种子倾斜倒入种子回收槽(3);
再将新的种子放在抽屉载物台(4)内进行新的检测,完成新的一组种子的检测作业;
所述五通道相机(5)拍摄图像并传递给所述主机区(7)的图像处理模块,所述图像经过处理后通过所述图像采集储存界面显示出来,图像处理模块将采集的图像通过RGB三通道和双通道的NIR图像进行叠加处理后;再经过采用分水岭分割和阈值分割相结合的处理办法后;再经过图像去噪时进行多次的腐蚀、膨胀、开运算后,最后运用最小外接矩阵算法精准的计算出每一粒种子的长、宽和面积;
所述数据显示界面将处理后的图像传递给建立模型模块,所述主机区(7)将处理后的图像导入2D-CNN算法进行分级训练并建立模型,将处理后的图像进行第一级品质识别和第二级缺陷识别后,最后理化分析、公式计算出品质合格率;
所述抽屉载物台(4)设置在谷物槽(2)内,所述谷物槽(2)内置双侧滑轨,抽拉所述抽屉载物台(4)在所述双侧滑轨上作直线往复运动,所述抽屉载物台(4)的外侧下方且贴近机箱架(11)处设置有种子回收槽(3);所述抽屉载物台(4)上平铺有待检测种子,待检测种子检测结束后随所述抽屉载物台(4)拉出并回收至所述种子回收槽(3)内;
所述触控显示器(1)的后端设置有第一散热扇(9),所述主机区(7)的下方设置有第二散热扇(12),所述主机区(7)的后面开设有散热孔(10);
所述配套光源(6)包括两种光源的LED灯珠,分别是不同波段的白炽光和近红外光的LED灯珠;所述五通道相机(5)拍摄的图像包括RGB图像和双通道的近红外图像;
所述触控显示器(1)作为整体控制操作区采用液晶显示屏,所述触控显示器(1)上设置有三个界面,包括登录界面、图像采集储存界面和数据显示界面,所述图像采集储存界面与所述主机区(7)内的图像处理模块连接,所述数据显示界面与所述主机区(7)内的建立模型模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221999.9A CN113820322B (zh) | 2021-10-20 | 2021-10-20 | 一种用于种子外观品质的检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111221999.9A CN113820322B (zh) | 2021-10-20 | 2021-10-20 | 一种用于种子外观品质的检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113820322A CN113820322A (zh) | 2021-12-21 |
CN113820322B true CN113820322B (zh) | 2023-12-26 |
Family
ID=78920737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111221999.9A Active CN113820322B (zh) | 2021-10-20 | 2021-10-20 | 一种用于种子外观品质的检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113820322B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114885634A (zh) * | 2022-03-28 | 2022-08-12 | 河北农业大学 | 一种农作物种子活力检测装置及其使用方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680414A (zh) * | 2012-05-30 | 2012-09-19 | 华中农业大学 | 基于机器视觉的红提葡萄自动分级装置及其方法 |
CN106483135A (zh) * | 2016-10-12 | 2017-03-08 | 河北农业大学 | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 |
CN112642727A (zh) * | 2020-09-11 | 2021-04-13 | 吉林农业科技学院 | 基于机器视觉的玉米种子精选机、精选方法和精选系统 |
CN112858311A (zh) * | 2021-01-20 | 2021-05-28 | 河北农业大学 | 一种基于机器视觉技术的稻米表型监测系统及方法 |
CN113128578A (zh) * | 2021-04-08 | 2021-07-16 | 青岛农业大学 | 一种花生优良种子筛选系统及其筛选方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8031910B2 (en) * | 2003-09-17 | 2011-10-04 | Syngenta Participations Ag | Method and apparatus for analyzing quality traits of grain or seed |
-
2021
- 2021-10-20 CN CN202111221999.9A patent/CN113820322B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680414A (zh) * | 2012-05-30 | 2012-09-19 | 华中农业大学 | 基于机器视觉的红提葡萄自动分级装置及其方法 |
CN106483135A (zh) * | 2016-10-12 | 2017-03-08 | 河北农业大学 | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 |
CN112642727A (zh) * | 2020-09-11 | 2021-04-13 | 吉林农业科技学院 | 基于机器视觉的玉米种子精选机、精选方法和精选系统 |
CN112858311A (zh) * | 2021-01-20 | 2021-05-28 | 河北农业大学 | 一种基于机器视觉技术的稻米表型监测系统及方法 |
CN113128578A (zh) * | 2021-04-08 | 2021-07-16 | 青岛农业大学 | 一种花生优良种子筛选系统及其筛选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113820322A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104360501B (zh) | 一种液晶屏幕缺陷视觉检测方法及装置 | |
CN103872983B (zh) | 太阳能电池表面缺陷检测方法 | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
WO2023168972A1 (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
CN107782733A (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
CN110567976B (zh) | 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN113820322B (zh) | 一种用于种子外观品质的检测装置及方法 | |
US11315229B2 (en) | Method for training defect detector | |
CN110020691B (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
CN103778257B (zh) | 疵品不合格原因实时采集分析的方法 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN108802052A (zh) | 一种关于拉链缺陷的检测系统及其检测方法 | |
CN104777172A (zh) | 一种光学镜头次品快速智能检测装置及方法 | |
CN103091330A (zh) | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 | |
CN106872488A (zh) | 一种快速大面积透明基片双表面缺陷视觉检测方法及装置 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN106353340A (zh) | 一种棒状高反射率零件表面缺陷检测方法 | |
CN107576660B (zh) | 一种基于距离等高线的双黄鸭蛋自动视觉检测方法 | |
CN114881987A (zh) | 基于改进YOLOv5的热压导光板缺陷可视化检测方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN104677920A (zh) | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 | |
CN105619741B (zh) | 一种基于Tegra K1的模具智能检测方法 | |
CN112304969A (zh) | 显示模块检测设备、方法、装置及系统和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |