CN114441444A - 一种基于多波段复用的融合分选方法 - Google Patents

一种基于多波段复用的融合分选方法 Download PDF

Info

Publication number
CN114441444A
CN114441444A CN202210095829.9A CN202210095829A CN114441444A CN 114441444 A CN114441444 A CN 114441444A CN 202210095829 A CN202210095829 A CN 202210095829A CN 114441444 A CN114441444 A CN 114441444A
Authority
CN
China
Prior art keywords
image
screened
module
light source
determining
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
CN202210095829.9A
Other languages
English (en)
Inventor
万云武
石江涛
贾仁耀
黄守强
胡先鹏
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 Taihe Intelligent Technology Group Co Ltd
Original Assignee
Hefei Taihe Intelligent Technology Group Co Ltd
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 Taihe Intelligent Technology Group Co Ltd filed Critical Hefei Taihe Intelligent Technology Group Co Ltd
Priority to CN202210095829.9A priority Critical patent/CN114441444A/zh
Publication of CN114441444A publication Critical patent/CN114441444A/zh
Pending legal-status Critical Current

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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8845—Multiple wavelengths of illumination or detection
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/061—Sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Immunology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Sorting Of Articles (AREA)

Abstract

本发明公开了一种基于多波段复用的融合分选方法，涉及色选机技术领域。该方法应用于色选机，当检测到待筛选物料进入目标区域时，依次使用不同波段的光源对待筛选物料进行拍照，得到多张包含待筛选物料的图像，作为第一图像；待筛选物料的物料类型包括合格物料和异物杂质；从第一图像中确定与合格物料的感光属性相匹配的图像，作为第二图像，从第一图像中确定与异物杂质的感光属性相匹配的图像，作为第三图像；根据第二图像和第三图像的图像特征，确定待筛选物料的物料类型；若待筛选物料的物料类型是异物杂质，则剔除待筛选物料。实现了从多维度确定待筛选物料的类型，对待筛选物料进行分选，提高了分选的精确度。

Description

一种基于多波段复用的融合分选方法
技术领域
本发明涉及色选机技术领域，具体涉及一种基于多波段复用的融合分选方法。
背景技术
色选机主要用于大米、核桃、花生、大豆等农作物产品的分选工作，可以将上述物料中的杂质异物、不合格物料等剔除。具体的工作原理是：当物料脱离料槽后，物料反射照明光源向物料发射的光线，反射的光线进入到传感器得到物料的图像，处理器对该图像进行处理，通过分析图像的特性，从而判断该物料是合格物料、异物杂质还是不合格物料，而后控制器控制剔除系统将异物杂质以及不合格物料剔除。
现有技术中，色选机使用单一的光源难以对具有特定形状特征的异物进行分选，并且单一的色选算法对于大颗粒的物料的形状、纹理、种类信息分选效果不佳。
发明内容
本发明实施例的目的在于提供一种基于多波段复用的融合分选方法，以实现从多维度确定待筛选物料的类型，对待筛选物料进行分选，提高了分选的精确度。
具体技术方案如下：
在本发明实施的第一方面，首先提供了一种基于多波段复用的融合分选方法，所述方法应用于色选机，所述方法包括：
当检测到待筛选物料进入目标区域时，依次使用不同波段的光源对所述待筛选物料进行拍照，得到多张包含所述待筛选物料的图像，作为第一图像；所述待筛选物料的物料类型包括合格物料和异物杂质；
从所述第一图像中确定与所述合格物料的感光属性相匹配的图像，作为第二图像，从所述第一图像中确定与所述异物杂质的感光属性相匹配的图像，作为第三图像；
根据所述第二图像和所述第三图像的图像特征，确定所述待筛选物料的物料类型；
若所述待筛选物料的物料类型是异物杂质，则剔除所述待筛选物料。
可选地，所述色选机包括光源控制模块、光源驱动模块、光源模块和图像采集模块；其中所述光源模块包括N个光源子模块；N个光源子模块发射的光线波段两两之间不重叠；
所述当检测到待筛选物料进入目标区域时，依次使用不同波段的光源对所述待筛选物料进行拍照，得到多张包含所述待筛选物料的图像，作为第一图像，包括：
当检测到待筛选物料进入目标区域时，通过所述光源控制模块向光源驱动模块发出频率为F/N的触发脉冲，以使所述光源驱动模块控制所述光源模块中的N个光源子模块依次发射N种光线波段的光线；
同时，通过所述光源控制模块向所述图像采集模块发出频率为F的脉冲触发信号，以使所述图像采集模块在脉冲上升沿的时候进行拍照，采集得到N张在不同波段下生成的包含所述待筛选物料的图像，作为第一图像。
可选地，控制所述光源模块中的N个光源子模块的触发脉冲频率相同，且相位相差π/N°。
可选地，所述方法还包括：
通过所述光源控制模块向所述图像处理模块发送同步信号；以使所述图像处理模块根据所述同步信号，确定每一种光线波段与该光线波段采集的第一图像之间的对应关系。
可选地，从所述第一图像中确定与所述合格物料的感光属性相匹配的图像，作为第二图像，从所述第一图像中确定与所述异物杂质的感光属性相匹配的图像，作为第三图像，包括：
根据所述合格物料的感光属性，确定所述光源模块发射的N种光线波段中，所述合格物料成像清晰度最高的光线波段，将该光线波段对应的第一图像作为第二图像；
根据所述异物杂质的感光属性，确定所述光源模块发射的N种光线波段中，所述异物杂质成像清晰度最高的光线波段，将该光线波段对应的第一图像作为第三图像。
可选地，所述色选机还包括深度学习算法处理模块、色选算法处理模块以及数据融合模块；
所述根据所述第二图像和所述第三图像的图像特征，确定所述待筛选物料的类型，包括：
将所述第二图像输入所述色选算法处理模块，得到所述待筛选物料的物料类型属于异物杂质的概率，作为第一概率；所述色选算法处理模块用于根据输入图像中的物料的颜色属性，确定该物料的物料类型属于异物杂质的概率；
将所述第三图像输入所述深度学习算法处理模块，得到所述待筛选物料的物料类型属于异物杂质的概率，作为第二概率；所述深度学习算法处理模块用于根据输入图像中的物料的形状属性，确定该物料的物料类型属于异物杂质的概率；
通过所述数据融合模块根据所述第一概率、所述第二概率、预设权重和预设阈值，确定所述待筛选物料的物料类型。
可选地，所述色选机还包括剔除模块；
所述若所述待筛选物料的物料类型是异物杂质，则剔除所述待筛选物料，包括：
若所述数据融合模块确定所述待筛选物料的物料类型是异物杂质，则通过所述数据融合模块将吹阀数据发送给所述剔除模块；以使所述剔除模块剔除所述待筛选物料。
基于本发明实施例提供的基于多波段复用的融合分选方法，当检测到待筛选物料进入目标区域时，依次使用不同波段的光源对待筛选物料进行拍照，得到多张包含待筛选物料的图像，作为第一图像；待筛选物料的物料类型包括合格物料和异物杂质；从第一图像中确定与合格物料的感光属性相匹配的图像，作为第二图像，从第一图像中确定与异物杂质的感光属性相匹配的图像，作为第三图像；根据第二图像和第三图像的图像特征，确定待筛选物料的物料类型；若待筛选物料的物料类型是异物杂质，则剔除待筛选物料。通过在不同波段的光源下采集待筛选物料的图像，分别选择与合格物料和异物杂质感光属性相匹配的图像对待筛选物料的特征进行分析。可以从多维度确定待筛选物料的类型，对待筛选物料进行分选，提高了分选的精确度。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供的一种基于多波段复用的融合分选方法的流程图；
图2是本发明实施例提供的另一种基于多波段复用的融合分选方法的流程图；
图3是本发明实施例提供的一种基于多波段复用的融合分选系统的结构框图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
现有技术中，色选机使用单一的光源难以对具有特定形状特征的异物进行分选，并且单一的色选算法对于大颗粒的物料的形状、纹理、种类信息分选效果不佳。
针对上述问题，本发明实施例提供了一种基于多波段复用的融合分选方法，该方法应用于色选机。
参见图1，图1为本发明实施例提供的一种基于多波段复用的融合分选方法的流程图，该方法可以包括以下步骤：
S101，当检测到待筛选物料进入目标区域时，依次使用不同波段的光源对待筛选物料进行拍照，得到多张包含待筛选物料的图像，作为第一图像。
S102，从第一图像中确定与合格物料的感光属性相匹配的图像，作为第二图像，从第一图像中确定与异物杂质的感光属性相匹配的图像，作为第三图像。
S103，根据第二图像和第三图像的图像特征，确定待筛选物料的物料类型。
S104，若待筛选物料的物料类型是异物杂质，则剔除待筛选物料。
待筛选物料的物料类型包括合格物料和异物杂质。
基于本发明实施例提供的基于多波段复用的融合分选方法，通过在不同波段的光源下采集待筛选物料的图像，分别选择与合格物料和异物杂质感光属性相匹配的图像对待筛选物料的特征进行分析。可以从多维度确定待筛选物料的类型，对待筛选物料进行分选，提高了分选的精确度。
一种实现方式中，待筛选物可以是大米、核桃、花生、大豆等农作物产品，其中可能掺杂着石头、玻璃等异物。待筛选物料的类型包括合格物料和异物杂质，例如，合格物料可以为合格的大米、核桃、花生、大豆等，异物杂质可以为石头、玻璃等异物，或者异物杂质可以为破损的大米、核桃、花生、大豆等。
一种实现方式中，确定与合格物料的感光属性相匹配的图像，在该图像中合格物料的特征更明显，因此可以更容易地排除异物杂质。确定与异物杂质感光属性相匹配的图像，在该图像中异物杂质特征更明显，因此可以更容易地确定异物杂质。因此，可以从多维度确定待筛选物料的物料类型，对待筛选物料进行分选，提高了分选的精确度。
一种实现方式中，可以从第一图像中确定与多种异物杂质的感光属性相匹配的多个图像，作为第三图像。
一种实现方式中，根据合格物料的感光属性和异物杂质感光属性匹配相应的算法模型，通过该算法模型识别第二图像和第三图像中的异物杂质。
在一个实施例中，色选机包括光源控制模块、光源驱动模块、光源模块和图像采集模块，其中光源模块包括N个光源子模块，N个光源子模块发射的光线波段两两之间不重叠。
步骤S101，包括：
步骤一，当检测到待筛选物料进入目标区域时，通过光源控制模块向光源驱动模块发出频率为F/N的触发脉冲，以使光源驱动模块控制光源模块中的N个光源子模块依次发射N种光线波段的光线。
步骤二，同时，通过光源控制模块向图像采集模块发出频率为F的脉冲触发信号，以使图像采集模块在脉冲上升沿的时候进行拍照，采集得到N张在不同波段下生成的包含待筛选物料的图像，作为第一图像。
一种实现方式中，图像采集模块包括图像传感器和镜头，其中图像传感器能够响应多个波段的光源，或者使用多个单一波段响应的传感器拼接而成。当待筛选物料经过色选机的滑道进入到相机的视场内时，光源控制模块发出触发信号控制1波段光源进行照明，同时发送一个触发信号到相机上，使相机在1波段光源的照明窗口时间内，对待筛选物料进行拍照，并完成图像曝光。然后，光源控制模块将1波段光源关闭，同时打开2波段光源进行照明，同时发送一个触发信号到相机上，使相机在2波段光源的照明窗口时间内，对待筛选物料进行拍照，并完成图像曝光。如此，依次使用各个波段光源对待筛选物料进行拍照，并完成图像曝光。最后，当待筛选物料掉落整个视场空间，可以得到在不同照明波段生成的N幅图像，根据在待筛选物料在不同波段的成像特点，选取合适的图像用于图像分析。
在一个实施例中，控制光源模块中的N个光源子模块的触发脉冲频率相同，且相位相差π/N°。
一种实现方式中，光源控制模块通过一路控制信号通过发出相位相差π/N°的脉冲信号控制光源驱动单板，从而实现波段1照明模块、波段2照明模块到波段N照明模块交替闪烁，从而实现某一个时刻只有一种波段的光源在照明。
在一个实施例中，该方法还包括：
通过光源控制模块向图像处理模块发送同步信号，以使图像处理模块根据同步信号，确定每一种光线波段与该光线波段采集的第一图像之间的对应关系。
在一个实施例中，步骤S102包括：
步骤一，根据合格物料的感光属性，确定光源模块发射的N种光线波段中，合格物料成像清晰度最高的光线波段，将该光线波段对应的第一图像作为第二图像。
步骤二，根据异物杂质的感光属性，确定光源模块发射的N种光线波段中，异物杂质成像清晰度最高的光线波段，将该光线波段对应的第一图像作为第三图像。
在一个实施例中，色选机还包括深度学习算法处理模块、色选算法处理模块以及数据融合模块。参见图2，在图1的基础上，步骤S103包括：
S1031，将第二图像输入色选算法处理模块，得到待筛选物料的物料类型属于异物杂质的概率，作为第一概率。
S1032，将第三图像输入深度学习算法处理模块，得到待筛选物料的物料类型属于异物杂质的概率，作为第二概率。
S1033，通过数据融合模块根据第一概率、第二概率、预设权重和预设阈值，确定待筛选物料的物料类型。
色选算法处理模块用于根据输入图像中的物料的颜色属性，确定该物料的物料类型属于异物杂质的概率。深度学习算法处理模块用于根据输入图像中的物料的形状属性，确定该物料的物料类型属于异物杂质的概率。
一种实现方式中，色选算法处理模块可以确定图像中物质的各种颜色分量，正常物料、异常杂质和图像背景的颜色分量会有显著的差异。通过连通域算法将第二图像上的待筛选物料分割出来，通过分析分割出来的待筛选物料的各种颜色分量，确定该物料的物料类型属于异物杂质的概率。
一种实现方式中，技术人员可以根据异物杂质的感光属性，在相匹配的光源下，采集异物杂质的图像，对采集的包含异物杂质的图像，送入神经网络进行训练，建立推理模型并计算配置参数，获取图像特征的特征向量T，并计算其相应的权重。计算得到的特征向量T和相应的权重作为算法模型存储在深度学习算法处理模块中。深度学习算法处理模块可以存储多种算法模型，深度学习算法处理模块可以根据异物杂质感光属性匹配相应的算法模型，通过该算法模型识别第三图像中的异物杂质。
一种实现方式中，根据第一概率、第二概率以及预设权重可以计算待筛选物料的物料类型属于异物杂质的概率(可以称为第三概率)，例如，可以将预设权重一设为0.5，预设权重二设为0.5，第一概率乘以预设权重一加上第二概率乘以预设权重二得到第三概率，或者，可以将预设权重一设为0.6，预设权重二设为0.4，第一概率乘以预设权重一加上第二概率乘以预设权重二得到第三概率。如果第三概率大于预设阈值，则确定待筛选物料的物料类型为异物杂质。其中，预设权重和预设阈值可以根据技术人员的经验进行设置，在此不做限定。
在一个实施例中，色选机还包括剔除模块，步骤S104，具体为：
若数据融合模块确定待筛选物料的物料类型是异物杂质，则通过数据融合模块将吹阀数据发送给剔除模块，以使剔除模块剔除待筛选物料。
参见图3，图3为本发明实施例提供的一种基于多波段复用的融合分选系统的结构框图。
在一个实施例中，色选机使用线阵RGB(Red、Green、Blue，红绿蓝色彩模式)+NIR(Near Infrared，近红外光谱技术)传感器，光源模块为RGB光源和NIR光源组成。
在色选机启动后，光源控制模块通过一路控制信号发出相位相差90°的脉冲信号控制光源驱动单板，使RGB光源和NIR光源交替闪烁。同时在RGB光源和NIR光源的照明交替切换的同时，光源控制模块发出触发脉冲控制图像采集模块拍照，使在相应波段的照明点亮的时候传感器相应的感光区域曝光。
在一个照明周期内，使用RGB光源照明，可以采集到三行RGB数据，在下一个周期内，使用NIR光源照明，可以采集一行红外数据。将采集到的RGB图像数据和红外图像数据分别送入色选算法处理模块和深度学习算法处理模块，根据所要分选物料的特征适配相应的算法。
色选算法处理模块对连续的3行RGB图像数据进行分析，正常物料、异常物料和背景的RGB三个颜色分量会有显著的差异。通过连通域算法将图像上的待筛选物料分割出来，通过分析分割出来的待筛选物料的RGB颜色分量，确定该物料的物料类型属于异物杂质的概率。例如，正常的大米颜色分量R＝139，G＝133，B＝116，可以设定一个区间R[130，150]，G[123，143]，R[106，126]，如果待筛选物料的颜色RGB分量不在上述区间，则确定该物料的物料类型属于异物杂质的概率为1，如果待筛选物料的颜色RGB分量有两项不在上述区间，则确定该物料的物料类型属于异物杂质的概率为0.8，如果待筛选物料的颜色RGB分量有一项不在上述区间，则确定该物料的物料类型属于异物杂质的概率为0.6，如果待筛选物料的颜色RGB分量全在上述区间，则确定该物料的物料类型属于异物杂质的概率为0.1。
使用深度学习算法判断目标需要使用完整的待筛选物料，因此，首先需要对采集到的红外图像进行缓存，将红外数据缓存64行，并对64行数据进行预处理，找出图像中物料的位置、形状并将待筛选物料分割出来。
由于线阵传感器采集的图像数据是无头无尾的连续数据，在截取的64行图像数据中，可能包含待筛选物料的一部分，在深度学习算法处理模块中数据处理方式使用卷帘方式，即每次计算64行，下一次计算在首行加入一行，然后去掉最后一行数据，确保每次只计算64行数据待筛选物料都会以完整的形态出现。
将色选算法处理模块中计算RGB图得到的色彩信息和深度学习算法处理模块中计算红外图像得到的形状信息送入到数据融合模块。
由于色选算法处理模块计算RGB图完成的时间和深度学习算法处理模块计算红外图像完成的时间不完全一致，需要在数据融合模块中对两幅图像给出的结果进行同步处理。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (7)

1.一种基于多波段复用的融合分选方法，其特征在于，应用于色选机，所述方法包括：
当检测到待筛选物料进入目标区域时，依次使用不同波段的光源对所述待筛选物料进行拍照，得到多张包含所述待筛选物料的图像，作为第一图像；所述待筛选物料的物料类型包括合格物料和异物杂质；
从所述第一图像中确定与所述合格物料的感光属性相匹配的图像，作为第二图像，从所述第一图像中确定与所述异物杂质的感光属性相匹配的图像，作为第三图像；
根据所述第二图像和所述第三图像的图像特征，确定所述待筛选物料的物料类型；
若所述待筛选物料的物料类型是异物杂质，则剔除所述待筛选物料。
2.根据权利要求1所述的一种基于多波段复用的融合分选方法，其特征在于，所述色选机包括光源控制模块、光源驱动模块、光源模块和图像采集模块；其中所述光源模块包括N个光源子模块；N个光源子模块发射的光线波段两两之间不重叠；
当检测到待筛选物料进入目标区域时，依次使用不同波段的光源对所述待筛选物料进行拍照，得到多张包含所述待筛选物料的图像，作为第一图像，包括：
当检测到待筛选物料进入目标区域时，通过所述光源控制模块向光源驱动模块发出频率为F/N的触发脉冲，以使所述光源驱动模块控制所述光源模块中的N个光源子模块依次发射N种光线波段的光线；
同时，通过所述光源控制模块向所述图像采集模块发出频率为F的脉冲触发信号，以使所述图像采集模块在脉冲上升沿的时候进行拍照，采集得到N张在不同波段下生成的包含所述待筛选物料的图像，作为第一图像。
3.根据权利要求2所述的一种基于多波段复用的融合分选方法，其特征在于，控制所述光源模块中的N个光源子模块的触发脉冲频率相同，且相位相差π/N°。
4.根据权利要求3所述的一种基于多波段复用的融合分选方法，其特征在于，所述方法还包括：
通过所述光源控制模块向所述图像处理模块发送同步信号；以使所述图像处理模块根据所述同步信号，确定每一种光线波段与该光线波段采集的第一图像之间的对应关系。
5.根据权利要求4所述的一种基于多波段复用的融合分选方法，其特征在于，从所述第一图像中确定与所述合格物料的感光属性相匹配的图像，作为第二图像，从所述第一图像中确定与所述异物杂质的感光属性相匹配的图像，作为第三图像，包括：
根据所述合格物料的感光属性，确定所述光源模块发射的N种光线波段中，所述合格物料成像清晰度最高的光线波段，将该光线波段对应的第一图像作为第二图像；
根据所述异物杂质的感光属性，确定所述光源模块发射的N种光线波段中，所述异物杂质成像清晰度最高的光线波段，将该光线波段对应的第一图像作为第三图像。
6.根据权利要求2所述的一种基于多波段复用的融合分选方法，其特征在于，所述色选机还包括深度学习算法处理模块、色选算法处理模块以及数据融合模块；
根据所述第二图像和所述第三图像的图像特征，确定所述待筛选物料的类型，包括：
将所述第二图像输入所述色选算法处理模块，得到所述待筛选物料的物料类型属于异物杂质的概率，作为第一概率；所述色选算法处理模块用于根据输入图像中的物料的颜色属性，确定该物料的物料类型属于异物杂质的概率；
将所述第三图像输入所述深度学习算法处理模块，得到所述待筛选物料的物料类型属于异物杂质的概率，作为第二概率；所述深度学习算法处理模块用于根据输入图像中的物料的形状属性，确定该物料的物料类型属于异物杂质的概率；
通过所述数据融合模块根据所述第一概率、所述第二概率、预设权重和预设阈值，确定所述待筛选物料的物料类型。
7.根据权利要求6所述的一种基于多波段复用的融合分选方法，其特征在于，所述色选机还包括剔除模块；
若所述待筛选物料的物料类型是异物杂质，则剔除所述待筛选物料，包括：
若所述数据融合模块确定所述待筛选物料的物料类型是异物杂质，则通过所述数据融合模块将吹阀数据发送给所述剔除模块；以使所述剔除模块剔除所述待筛选物料。
CN202210095829.9A 2022-01-26 2022-01-26 一种基于多波段复用的融合分选方法 Pending CN114441444A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210095829.9A CN114441444A (zh) 2022-01-26 2022-01-26 一种基于多波段复用的融合分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210095829.9A CN114441444A (zh) 2022-01-26 2022-01-26 一种基于多波段复用的融合分选方法

Publications (1)

Publication Number Publication Date
CN114441444A true CN114441444A (zh) 2022-05-06

Family

ID=81368916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210095829.9A Pending CN114441444A (zh) 2022-01-26 2022-01-26 一种基于多波段复用的融合分选方法

Country Status (1)

Country Link
CN (1) CN114441444A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114985305A (zh) * 2022-05-27 2022-09-02 安徽国祯生态科技有限公司 一种秸秆质量检测分类系统及方法
CN116503678A (zh) * 2023-06-28 2023-07-28 广东省农业科学院设施农业研究所 一种基于图像处理的农产品分选方法及分选系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046218A (zh) * 2015-07-09 2015-11-11 华南理工大学 一种基于串并行处理的多特征交通视频烟雾检测方法
CN106778810A (zh) * 2016-11-23 2017-05-31 北京联合大学 基于rgb特征与深度特征的原始图像层融合方法及系统
CN107234074A (zh) * 2017-07-19 2017-10-10 合肥泰禾光电科技股份有限公司 一种分时led双红外在线物料分选装置及分选方法
CN108229548A (zh) * 2017-12-27 2018-06-29 华为技术有限公司 一种物体检测方法及装置
US20180268559A1 (en) * 2017-03-16 2018-09-20 Electronics And Telecommunications Research Institute Method for tracking object in video in real time in consideration of both color and shape and apparatus therefor

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046218A (zh) * 2015-07-09 2015-11-11 华南理工大学 一种基于串并行处理的多特征交通视频烟雾检测方法
CN106778810A (zh) * 2016-11-23 2017-05-31 北京联合大学 基于rgb特征与深度特征的原始图像层融合方法及系统
US20180268559A1 (en) * 2017-03-16 2018-09-20 Electronics And Telecommunications Research Institute Method for tracking object in video in real time in consideration of both color and shape and apparatus therefor
CN107234074A (zh) * 2017-07-19 2017-10-10 合肥泰禾光电科技股份有限公司 一种分时led双红外在线物料分选装置及分选方法
CN108229548A (zh) * 2017-12-27 2018-06-29 华为技术有限公司 一种物体检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郏东耀, 丁天怀: "棉花中异性纤维的多光谱检测", 清华大学学报(自然科学版), no. 02, pages 193 - 196 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114985305A (zh) * 2022-05-27 2022-09-02 安徽国祯生态科技有限公司 一种秸秆质量检测分类系统及方法
CN114985305B (zh) * 2022-05-27 2024-04-26 安徽国祯生态科技有限公司 一种秸秆质量检测分类系统及方法
CN116503678A (zh) * 2023-06-28 2023-07-28 广东省农业科学院设施农业研究所 一种基于图像处理的农产品分选方法及分选系统

Similar Documents

Publication Publication Date Title
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、系统及存储介质
JP4997252B2 (ja) 画像内の照明域を識別する方法
CN114441444A (zh) 一种基于多波段复用的融合分选方法
US10489900B2 (en) Inspection apparatus, inspection method, and program
JP3126474B2 (ja) 製品の受容性を光学的に決定する方法と装置
CN109791111A (zh) 食品检查装置、食品检查方法以及食品检查装置的识别机构的学习方法
KR20200084940A (ko) Cnn 기반 병해 및 손상 과일 분류 장치 및 방법
CN104198324B (zh) 基于计算机视觉的烟丝中叶丝比例测定方法
KR940015471A (ko) 안과용 렌즈 검사 방법 및 장치
JP2016504574A (ja) 食品の品質をスコア付け及び制御するための方法及び装置
Huang et al. Real-time classification of green coffee beans by using a convolutional neural network
CN111712769A (zh) 用于设定照明条件的方法、装置、系统及程序以及存储介质
US20210024297A1 (en) System and method for sorting moving objects
CN104792789A (zh) 化纤纸管外观检测装置及方法
CN108267455A (zh) 塑料薄膜印刷字符缺陷检测装置及方法
CN112977974A (zh) 烟包外观质量检测装置及其方法、烟包包装机
US20200055093A1 (en) Method of Producing Gluten Free Oats through Hyperstectral Imaging
CN116030002A (zh) 一种基于高动态技术的图像缺陷分类方法及系统
CN105844282A (zh) 一种运用线扫描相机检测喷油嘴O-Ring缺陷的方法
RU2438174C1 (ru) Способ распознавания объектов
CN115128033A (zh) 烟叶检测方法、装置和系统、存储介质
Anami et al. Influence of light, distance and size on recognition and classification of food grains' images
CN107578067A (zh) 一种基于卷积神经网络的烟丝组分识别方法及装置
CN115672778A (zh) 一种智能视觉识别系统
CN113439870B (zh) 一种雪茄烟外观分类方法及装置

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