CN114088714B - 一种谷物颗粒表面规则度的检测方法 - Google Patents
一种谷物颗粒表面规则度的检测方法 Download PDFInfo
- Publication number
- CN114088714B CN114088714B CN202111319970.4A CN202111319970A CN114088714B CN 114088714 B CN114088714 B CN 114088714B CN 202111319970 A CN202111319970 A CN 202111319970A CN 114088714 B CN114088714 B CN 114088714B
- Authority
- CN
- China
- Prior art keywords
- grain
- grains
- pixel
- pixels
- formula
- 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
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
- G01N21/85—Investigating moving fluids or granular solids
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
Abstract
本发明公开了一种谷物颗粒表面规则度的检测方法,主要步骤:采集待测谷物图像;对所述待测谷物图像进行预处理,得到预处理后的谷物图像;提取所述预处理后的谷物图像的特征信息,所述特征信息包括谷粒的中心坐标、最小半径、最大半径;根据待测谷物的特征信息与谷物标准样的特征信息,判断谷物颗粒表面规则程度。本发明提供的方法相比人工检测的方法更加简便、快捷、可靠,显著提高了检测的效率和检测的客观性、准确性。
Description
技术领域
本发明涉及粮食检测领域,更具体的,涉及一种谷物颗粒表面规则度的检测方法。
背景技术
农业是我国的经济基础,而粮食生产是农业最基础和最重要的一项工作。近年来,粮食的产量已趋于平衡,基本解决了农业发展中的需求问题,但粮食安全问题仍然十分严峻。相当数量的粮食由于品质低下导致在市场中处于劣势地位从而造成积压,这样既浪费了农业资源,又降低了农民生产的积极性,阻碍了农业的进一步发展。再者,随着经济的发展和人们生活水平的提高,粮食质量安全已经成为近些年世界各国讨论和重视的热点话题之一,所以中国的农业发展必须以提高粮食品质为中心,积极发展高产高效的粮食生产。
表面规则度差的谷物颗粒是未成熟、受到损伤但尚有使用价值的粮食颗粒,不同粮食种类其表面规则度的定义稍有区别,如小麦表面规则度差的谷粒包括虫蚀粒、病斑粒、破损粒、生芽粒和生霉粒,稻谷表面规则度包括未熟粒、虫蚀粒、病斑粒、生芽粒和生霉粒,玉米表面规则度包括虫蚀粒、病斑粒、破损粒、生芽粒、生霉粒和热损伤粒,大豆表面规则度包括未熟粒、虫蚀粒、病斑粒、生芽粒、涨大粒、生霉粒、冻伤粒、热损伤粒和破碎粒。在粮食收购和贸易过程中,表面规则度是非常重要的定等作价指标。目前,谷物表面规则度检验,是根据相关粮食标准所规定的定义和检测方法,主要依靠人工进行挑拣、分类、辨识、计算而进行,操作过程复杂,收获季节人员劳动强度极大。同时,由于感观检验对人的专业能力要求非常高,检验结果会受人的知识、经验、技术熟练程度、工作状态、疲劳程度等因素影响,传统人工方法经常会产生较大误差;另一方面,不同检验人员存在主观标准不一致的问题,主观测量有时也会影响贸易公平,损害农民或弱势方利益。
近年来随着粮食产业的现代化发展,计算机信息技术已经融入到粮食管理领域中,主要应用于农产品品质检测和分类中,成为保障我国农业产业高效发展的有力手段。数字图像处理技术借助计算机图像扫描技术和发达的图形算法,用智能化的仪器设备替代人工检验,在粮食品质检测方面具有检测速度快、分类能力强、信息量大、精度高、可大批量检测等优点,在“准、快、一致性”等方面比人工检验更高,能够有效降低人工劳动强度、提高效率,从而提高基层检验效能和现代化水平。
发明内容
有鉴于此,本发明的目的在于提供一种谷物颗粒表面规则度的检测方法、装置、设备及存储介质,简便、快捷、可靠,可以提高检测效率,增加检测结果的客观性和准确性。其具体方案如下:
首先,本发明提供了一种谷物颗粒表面规则程度的检测方法,其特征在于,包括以下步骤:
a)采集待测谷物图像;
b)对所述待测谷物图像进行预处理,得到预处理后的谷物图像;
c)提取所述预处理后的谷物图像的特征信息,所述特征信息包括谷粒的中心坐标、最小半径、最大半径;
d)根据待测谷物的特征信息与谷物标准样的特征信息,判断谷物颗粒表面规则程度。
进一步的,所述预处理具体包括图像分割、图像配准、灰度处理、二值化处理、图像增强处理中的一种或多种。
进一步的,所述方法还包括以下内容:
对不同地区、不同品种、不同年份的谷物标准样,分别按照所述步骤a至步骤c的方法提取谷物标准样的特征信息,建立谷物标准样特征信息库。
进一步的,在所述步骤d结束后,回收待测谷物,重复步骤a-d,综合两次检测的结果判断谷物颗粒表面规则程度。
进一步的,所述步骤c中的特征信息还包括:
1)黑色、白色和灰色异常检测:
式中:R为黑色、白色和灰色像素占总像素的百分比;
Pi为黑色、白色和灰色像素个数;
P为总像素个数;
2)黑斑面积A,所述黑斑面积A的计算公式为:
式中,A为黑斑面积;
L为灰度变异值超过阈值的像素个数,即在检测黑斑时,判断黑斑边缘的灰度值跳变的像素个数;
3)颜色异常像素,所述颜色异常像素的判断公式为:
abs(b-g)<TH1
abs(r-g)>TH2
r>TH3
式中:r、g、b分别为颗粒像素红、绿、蓝色分量值;
abs(b-g)为像素蓝色分量和绿色分量的差值绝对值;
abs(r-g)为像素红色分量和绿色分量的差值绝对值;
当某一像素同时满足上述三个不等式时,可判断为颜色异常像素;当某一谷物颗粒检测到的颜色异常像素占总像素数量的比例超过阈值时,认为其为存在颜色异常的颗粒,颜色异常像素占总像素数量的比例以C表示;
4)生芽情况,所述生芽的判断方法为:
将谷物颗粒表面异常凸起的边缘与平滑表面的交叉点定义为拐点,计算相邻两个拐点之间的距离D,然后将所述距离D与设定的阈值进行比较以确定谷物颗粒是否存在生芽情况,所述距离D的计算公式为:
式中:D为相邻两个拐点之间的距离;
X为拐点的横坐标;
Y为拐点的纵坐标;
5)表面纹理,所述表面纹理的特征是颜色明显比表面主体区域暗的条纹,当像素灰度与主体灰度的差值大于阈值时,则为表面纹理像素,所述主体灰度的灰度值小于128;
式中:T为表面纹理像素占总像素的百分比;
Pv为表面纹理像素个数;
P为总像素个数;
6)圆滑度E,其计算公式为:
式中,E为圆滑度;
dmin为最小半径;
dmax为最大半径;
7)轮廓
按照八邻域连通规则沿顺时针或逆时针方向依次提取轮廓点,其中与下一像素点为水平或垂直连接关系的像素点个数Nf,与下一像素点为对角连接关系的像素点个数Ne,所述轮廓的计算公式为:
式中,O为轮廓;
dmin为最小半径;
dmax为最大半径;
8)直方图相似度,其计算公式为:
式中,S为直方图相似度;
L为灰度级数;
p(Ri)为红色像素直方图;
p(Gi)为绿色像素直方图;
p(Bi)为蓝色像素直方图。
进一步的,所述检测方法还包括谷物胚部的识别,所述生芽情况的检测部位为谷物的胚部。
进一步的,所述步骤d是具体包括利用以下函数判断谷物颗粒表面规则程度:
1)虫蚀粒检测函数W(x),W(x)=R×A;
3)生芽粒检测函数G(x),G(x)=2D2;
10)未熟粒、热损伤粒和破损粒综合检测函数P(x),
本申请还提供了一种谷物颗粒表面规则程度检测设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现上述的谷物颗粒表面规则程度检测方法。
本发明还提供一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现上述的谷物颗粒表面规则程度检测方法。
本发明还提供了一种谷物颗粒表面规则程度的检测系统,其特征在于,包括:图像采集模块、单片机核心处理器和图像显示模块;所述单片机核心处理器包括图像预处理模块、图像特征提取和分析模块;所述图像采集模块,用于采集谷物的原始图像;所述图像预处理模块,用于对所述原始谷物图像进行预处理;所述特征提取和分析模块,用于获取预处理后的谷物图像的特征信息并定量分析;所述图像显示模块,用于显示所述单片机核心处理器处理后的信息;所述图像显示模块包括显示屏。
有益技术效果:
1.本申请针对不同地域、不同年份谷物品质差别较大的情况建立了一种谷物标准样特征信息库,本申请通过检测某一地区某一年份的谷物规则粒的参数,进而确定相应的标准值或阈值,使检测结果更准确。
2.本发明采用黑斑、颜色、发芽、黑色、白色、灰色、表面纹理、圆滑度、轮廓、模板直方图等特征信息来判断谷物颗粒表面规则度,通过这些参数可获得5大模块的特征函数,将其与模型对比可获得表面规则度的情况。其中白色、边缘圆滑度、轮廓参数用于检测破损粒、热损伤粒及未熟粒,颜色、表面纹理、直方图模板参数用于检测病斑粒(其中表面纹理还可用于检测涨大粒,颜色和直方图可用于检测冻伤粒),黑斑、灰色参数用于检测虫蚀粒,生芽参数用于检测生芽粒,黑色参数用于检测生霉粒。
3.本发明提供的谷物颗粒表面规则度的检测方法通过图像预处理和图像特征提取算法提取谷物轮廓、颜色异常情况、生芽情况等特征,比人工更简便、快捷、可靠,有利于提高检测效率,增加检测结果的客观性和准确性。此外,本发明还针对谷物颗粒表面规则度的检测方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
附图说明
图1为谷物标准样的一些示例。
图2为表面规则度较差的谷物的一些示例。
图3为本申请发芽检测的一个示例。
图4为本申请得到的谷物纹理像素图的一个示例。
图5为本申请得到的RGB三颜色直方图的一个示例,从上至下依次为红色像素直方图、绿色像素直方图、蓝色像素直方图。
图6为本申请判断小麦颗粒表面规则程度的模型图。
图7为本申请判断稻谷颗粒表面规则程度的模型图。
图8为本申请判断玉米颗粒表面规则程度的模型图。
图9为本申请判断大豆颗粒表面规则程度的模型图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种谷物颗粒表面规则程度的检测方法,其特征在于,包括以下步骤:
a)采集待测谷物图像;
附图1、2为采集得到的谷物图像的示例。
b)对所述待测谷物图像进行预处理,得到预处理后的谷物图像;
上述预处理具体包括图像分割、图像配准、灰度处理、二值化处理、图像增强处理中的一种或多种。
c)提取所述预处理后的谷物图像的特征信息,所述特征信息包括谷粒的中心坐标、最小半径、最大半径;
在检测开始前,先对不同地区、不同品种、不同年份的谷物标准样,分别按照所述步骤a至步骤c的方法提取谷物标准样的特征信息,建立谷物标准样特征信息库。谷物特征提取和分析中的各种阈值由谷物标准样的特征信息确定。
上述特征信息还包括:
1)黑色、白色和灰色异常检测:
式中:R为黑色、白色和灰色像素占总像素的百分比;
Pi为黑色、白色和灰色像素个数;
P为总像素个数;
2)黑斑面积A,所述黑斑面积A的计算公式为:
式中,A为黑斑面积;
L为灰度变异值超过阈值的像素个数;
3)颜色异常像素,所述颜色异常像素的判断公式为:
abs(b-g)<TH1;
abs(r-g)>TH2
r>TH3
式中:r、g、b分别为颗粒像素红、绿、蓝色分量值;
abs(b-g)为像素蓝色分量和绿色分量的差值绝对值;
abs(r-g)为像素红色分量和绿色分量的差值绝对值;
当某一像素同时满足上述三个不等式时,可判断为颜色异常像素;当某一谷物颗粒检测到的颜色异常像素占总像素数量的比例超过阈值时,认为其为存在颜色异常的颗粒,颜色异常像素占总像素数量的比例以C表示;
4)生芽情况,所述生芽的判断方法为:
将谷物颗粒表面异常凸起的边缘与平滑表面的交叉点定义为拐点,计算相邻两个拐点之间的距离D,然后将所述距离D与设定的阈值进行比较以确定谷物颗粒是否存在生芽情况,以小麦图像最下端的点为原点,两个拐点的坐标分别为(X1,Y1)和(X2,Y2)。
所述距离D的计算公式为:
式中:D为相邻两个拐点之间的距离;
X为拐点的横坐标;
Y为拐点的纵坐标;
然后将距离D与设定的阈值进行比较以确定谷物颗粒是否存在生芽情况;
5)表面纹理,所述表面纹理的特征是颜色明显比表面主体区域暗的条纹,当像素灰度与主体灰度的差值大于阈值时,则为表面纹理像素,所述主体灰度的灰度值小于128;
式中:T为表面纹理像素占总像素的百分比;
Pv为表面纹理像素个数;
P为总像素个数;
6)圆滑度E,其计算公式为:
式中,E为圆滑度;
dmin为最小半径;
dmax为最大半径;
7)轮廓
按照八邻域连通规则沿顺时针或逆时针方向依次提取轮廓点,其中与下一像素点为水平或垂直连接关系的像素点个数Nf,与下一像素点为对角连接关系的像素点个数Ne,所述轮廓的计算公式为:
式中,O为轮廓;
dmin为最小半径;
dmax为最大半径;
8)直方图相似度,其计算公式为:
式中,S为直方图相似度;
L为灰度级数;
p(Ri)为红色像素直方图;
p(Gi)为绿色像素直方图;
p(Bi)为蓝色像素直方图。
d)根据待测谷物的特征信息与谷物标准样的特征信息,判断谷物颗粒表面规则程度。
本实施例中,谷物颗粒表面规则程度的判断是基于计算模型实现的。
附图6-9分别给出了小麦、稻谷、玉米、大豆的计算模型。
其中,BS为黑斑函数,GC为灰色异常函数,C为颜色异常函数,ST为表面纹理函数,HG为直方图函数,GN为发芽函数,BC为黑色异常函数,WC为白色异常函数,RD为圆滑度函数,CT为轮廓函数;
W(x)为虫蚀粒检测函数,W(x)=R×A;
G(x)为生芽粒检测函数,G(x)=2D2;
P(x)为未熟粒、热损伤粒和破损粒综合检测函数,
F(x)为表面规则度检测函数,将F(x)的值与设定的阈值相比较,即可判断谷物颗粒是否为表面不规则谷粒。
初次使用时,先构建标准模板库,软件根据标准模板对样品进行统计分析,从而获得样品的表面不规则谷粒比例。
在上述步骤d结束后,回收待测谷物,重复步骤a-d一次或多次,综合多次检测的结果判断谷物颗粒表面规则程度。
实施例2
本实验例在于研究检测结果的准确性。
实验例1
采用本发明提供的谷物颗粒表面规则度检测方法检测小麦样品,规则粒、病斑粒、虫蚀粒、生芽粒、生霉粒、破损粒各1000粒,检测结果见表1。
表1小麦样品识别结果
由表1可见,规则粒、病斑粒、虫蚀粒、生芽粒、发霉粒、破损粒正确识别的个数总计为5890粒,正确识别率为98.17%。
实验例2
采用本发明提供的谷物颗粒表面规则度检测方法检测玉米样品,规则粒、病斑粒、虫蚀粒、生芽粒、生霉粒、破损粒、热损伤粒各1000粒,检测结果见表2。
表2玉米样品识别结果
由表2可见,玉米样品规则粒、病斑粒、虫蚀粒、生芽粒、发霉粒、破损粒、热损伤粒正确识别的个数总计为6882粒,正确识别率为98.31%。
实验例3
采用本发明提供的谷物颗粒表面规则度检测方法检测稻谷样品,规则粒、病斑粒、虫蚀粒、生芽粒、生霉粒、未熟粒各1000粒,检测结果见表3。
表3稻谷样品识别结果
由表3可见,稻谷样品规则粒、病斑粒、虫蚀粒、生芽粒、生霉粒、涨大粒、冻伤粒、热损伤粒、未熟粒、破损粒正确识别的个数总计为5903粒,正确识别率为98.38%。
实验例4
采用本发明提供的谷物颗粒表面规则度检测方法检测大豆样品,规则粒、病斑粒、虫蚀粒、生芽粒、生霉粒、涨大粒、冻伤粒、热损伤粒、未熟粒、破损粒各1000粒,检测结果见表4。
表4大豆样品识别结果
由表4可见,大豆样品正确识别的个数总计为9827粒,正确识别率为98.27%。
由实验例1-4的实验结果可知,采用本申请提供的谷物颗粒表面规则度检测方法检测谷物样品,小麦、玉米、稻谷和大豆的正确识别率分别为98.17%、98.31%、98.38%和98.27%,正确识别率均超过98%,符合检测要求。
实施例3
本实验例在于研究本方法与GB/T 5494-2019的一致性。
采用本发明提供的谷物颗粒表面规则度检测方法检测包含规则粒及各种表面规则度较差的1000粒混合小麦,同时请经验丰富的实验人员采用GB/T 5494-2019方法辨别每粒小麦,结果见表5。
表5混合小麦样品识别结果
由表5可见,规则粒的识别率为98.54%,病斑粒的识别率为100%,虫蚀粒的识别率为94.44%,生芽粒的识别率为88.89%,发霉粒的识别率为93.75%,破损粒的识别率为100%,规则粒、病斑粒、虫蚀粒、生芽粒、发霉粒、破损粒正确识别的个数总计为984粒,正确识别率为98.40%。
根据GB/T 5494-2019对试样质量的规定,选取约50g小麦、50g稻谷、100g玉米、100g大豆各5份,分别采用本发明提供的表面规则度检测方法和GB/T 5494-2019方法检测小麦、玉米、稻谷和大豆样品的表面规则度,结果见表6。
符合度(%)=(本发明方法表面规则度率)/(GB/T 5494-2019方法表面规则度率)×100%
表6本方法与国标方法的一致性
由表6可见,采用本发明所述表面规则度检测仪和国标方法检测小麦、玉米、稻谷、大豆四类样品,小麦的符合度为97.30%-98.96%,玉米的符合度为96.40%-101.87%,稻谷的符合度为96.20-102.60%,大豆的符合度为97.34%-103.26%,4种样品类型的符合度均大于为95%。
实施例4
本实施例在于研究本申请提供的表面规则度检测方法的精密度。
采用本申请提供的表面规则度检测方法检测小麦籽粒,每个检测做3个平行,结果取平均值,检测结果见表7。
表7精密度
由表7可见,根据本申请提供的表面规则度检测方法的识别结果,不同类型小麦颗粒的识别率为96.53%-99.33%,变异校准系数(CV%)为0.2%-0.96%。因此,本发明所述检测仪的准确度和变异系数均符合快速检测要求,可用于谷物表面规则度的检测。
实施例5
本实施例在于研究采用圆滑度参数与圆形度参数所获结果的准确性。
圆形度=4ΠA/p2
式中,A为面积,p为周长。
采用圆形度参数替代本发明所述圆滑度参数构建模型,分别采用本发明所述模型和圆形度构建的模型检测小麦、玉米、稻谷和大豆各3个样品,每个样品做3个平行,结果取平均值,检测结果见表8。符合度的定义同实验例2。
表8圆滑度及圆形度对检测结果的影响
可见采用圆滑度作为检测指标时的符合度显著高于圆形度,因此本申请选择检测效果更优的圆滑度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种谷物颗粒表面规则程度的检测方法,其特征在于,包括以下步骤:
a)采集待测谷物图像;
b)对所述待测谷物图像进行预处理,得到预处理后的谷物图像;
c)提取所述预处理后的谷物图像的特征信息,所述特征信息包括谷粒的中心坐标、最小半径、最大半径;
d)根据待测谷物的特征信息与谷物标准样的特征信息,判断谷物颗粒表面规则程度;
所述步骤c中的特征信息还包括:
1)黑色、白色和灰色异常检测:
式中:R为黑色、白色和灰色像素占总像素的百分比;
Pi为黑色、白色和灰色像素个数;
P为总像素个数;
2)黑斑面积A,所述黑斑面积A的计算公式为:
式中,A为黑斑面积;
L为灰度变异值超过阈值的像素个数;
3)颜色异常像素,所述颜色异常像素的判断公式为:
abs(b-g)<TH1;
abs(r-g)>TH2
g>TH3
式中:r、g、b分别为颗粒像素红、绿、蓝色分量值;
abs(b-g)为像素蓝色分量和绿色分量的差值绝对值;
abs(r-g)为像素红色分量和绿色分量的差值绝对值;
当某一像素同时满足上述三个不等式时,可判断为颜色异常像素;当某一谷物颗粒检测到的颜色异常像素占总像素数量的比例超过阈值时,认为其为存在颜色异常的颗粒,颜色异常像素占总像素数量的比例以C表示;
4)生芽情况,判断方法为:
将谷物颗粒表面异常凸起的边缘与平滑表面的交叉点定义为拐点,计算相邻两个拐点之间的距离D,然后将所述距离D与设定的阈值进行比较以确定谷物颗粒是否存在生芽情况,所述距离D的计算公式为:
式中:D为相邻两个拐点之间的距离;
X为拐点的横坐标;
Y为拐点的纵坐标;
然后将距离D与设定的阈值进行比较以确定谷物颗粒是否存在生芽情况;
5)表面纹理,所述表面纹理的特征是颜色明显比表面主体区域暗的条纹,当像素灰度与主体灰度的差值大于阈值时,则为表面纹理像素,所述主体灰度的灰度值小于128;
式中:T为表面纹理像素占总像素的百分比;
Pv为表面纹理像素个数;
P为总像素个数;
6)圆滑度E,其计算公式为:
式中,E为圆滑度;
dmin为最小半径;
dmax为最大半径;
7)轮廓
按照八邻域连通规则沿顺时针或逆时针方向依次提取轮廓点,其中与下一像素点为水平或垂直连接关系的像素点个数Nf,与下一像素点为对角连接关系的像素点个数Ne,所述轮廓的计算公式为:
式中,O为轮廓;
dmin为最小半径;
dmax为最大半径;
8)直方图相似度,其计算公式为:
式中,S为直方图相似度;
L为灰度级数;
p(Ri)为红色像素直方图;
p(Gi)为绿色像素直方图;
p(Bi)为蓝色像素直方图。
2.如权利要求1所述谷物颗粒表面规则程度的检测方法,其特征在于,所述预处理具体包括图像分割、图像配准、灰度处理、二值化处理、图像增强处理中的一种或多种。
3.如权利要求1所述谷物颗粒表面规则程度的检测方法,其特征在于,所述方法还包括以下内容:
对不同地区、不同品种、不同年份的谷物标准样,分别按照所述步骤a至步骤c的方法提取谷物标准样的特征信息,建立谷物标准样特征信息库。
4.如权利要求1所述谷物颗粒表面规则程度的检测方法,其特征在于,在所述步骤d结束后,回收待测谷物,重复步骤a-d,综合两次检测的结果判断谷物颗粒表面规则程度。
5.如权利要求1所述谷物颗粒表面规则程度的检测方法,其特征在于,所述检测方法还包括谷物胚部的识别,所述生芽情况的检测部位为谷物的胚部。
7.一种谷物颗粒表面规则程度检测设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至6任一项所述的谷物颗粒表面规则程度检测方法。
8.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的谷物颗粒表面规则程度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111319970.4A CN114088714B (zh) | 2021-11-09 | 2021-11-09 | 一种谷物颗粒表面规则度的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111319970.4A CN114088714B (zh) | 2021-11-09 | 2021-11-09 | 一种谷物颗粒表面规则度的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114088714A CN114088714A (zh) | 2022-02-25 |
CN114088714B true CN114088714B (zh) | 2022-08-26 |
Family
ID=80299528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111319970.4A Active CN114088714B (zh) | 2021-11-09 | 2021-11-09 | 一种谷物颗粒表面规则度的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114088714B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937077A (zh) * | 2022-04-22 | 2022-08-23 | 南通荣华包装材料有限公司 | 一种花生种子筛选方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB613584A (en) * | 1946-06-19 | 1948-11-30 | Alvan Bennett Blanch | Apparatus for drying grain |
JP4605890B2 (ja) * | 2000-10-31 | 2011-01-05 | 株式会社ケット科学研究所 | 穀粒の品質判別装置 |
EP1830176A1 (en) * | 2006-03-02 | 2007-09-05 | FOSS Analytical AB | Device and method for optical measurement of small particles such as grains from cereals and like crops |
CN108613989A (zh) * | 2018-04-24 | 2018-10-02 | 南京财经大学 | 一种稻谷不完善粒的检测方法 |
JP7392375B2 (ja) * | 2019-10-10 | 2023-12-06 | 株式会社サタケ | 穀物検査装置を利用した栽培管理システム |
CN112077026A (zh) * | 2020-09-15 | 2020-12-15 | 迩言(上海)科技有限公司 | 一种粮食不完善粒检测设备 |
CN112464706A (zh) * | 2020-10-14 | 2021-03-09 | 鲁班嫡系机器人(深圳)有限公司 | 果实筛选、分拣方法、装置、系统、存储介质及设备 |
CN112683922A (zh) * | 2020-12-07 | 2021-04-20 | 泰州可以信息科技有限公司 | 米粒残缺程度现场分析系统及方法 |
CN113109240B (zh) * | 2021-04-08 | 2022-09-09 | 国家粮食和物资储备局标准质量中心 | 一种计算机实施的粮食不完善粒测定方法和系统 |
-
2021
- 2021-11-09 CN CN202111319970.4A patent/CN114088714B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114088714A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Histogram-based automatic thresholding for bruise detection of apples by structured-illumination reflectance imaging | |
Zapotoczny | Discrimination of wheat grain varieties using image analysis and neural networks. Part I. Single kernel texture | |
Yu et al. | Automatic grading of apples based on multi-features and weighted K-means clustering algorithm | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN112330628A (zh) | 一种金属工件表面缺陷图像检测方法 | |
Valiente-Gonzalez et al. | Automatic corn (Zea mays) kernel inspection system using novelty detection based on principal component analysis | |
Rad et al. | Classification of rice varieties using optimal color and texture features and BP neural networks | |
CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
Fang et al. | Simultaneous determination of multi rice quality parameters using image analysis method | |
CN114088714B (zh) | 一种谷物颗粒表面规则度的检测方法 | |
Wang et al. | Improved rotation kernel transformation directional feature for recognition of wheat stripe rust and powdery mildew | |
Payman et al. | Development of an expert vision-based system for inspecting rice quality indices | |
Yimyam et al. | Physical properties analysis of mango using computer vision | |
CN110110810B (zh) | 一种鱿鱼质量等级识别分选方法 | |
CN115205319A (zh) | 用于选种过程中的种子特征提取及分类方法 | |
Jin et al. | Methodology for potatoes defects detection with computer vision | |
Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis | |
CN114088624B (zh) | 用于谷物颗粒表面规则度检测设备 | |
CN110047064B (zh) | 一种马铃薯疮痂检测方法 | |
Cheng et al. | Detection of multi-corn kernel embryos characteristic using machine vision | |
CN113933304A (zh) | 基于视觉的金针菇成熟状态检测方法 | |
Behera et al. | A novel approach for classification of apple using on-tree images based on image processing | |
Zakiyyah et al. | Characterization and Classification of Citrus reticulata var. Keprok Batu 55 Using Image Processing and Artificial Intelligence | |
CN108734703B (zh) | 基于机器视觉的抛光砖打印图样检测方法、系统及装置 |
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 |