CN114486877B - 大米品质检测方法、设备以及存储介质 - Google Patents
大米品质检测方法、设备以及存储介质 Download PDFInfo
- Publication number
- CN114486877B CN114486877B CN202011149529.1A CN202011149529A CN114486877B CN 114486877 B CN114486877 B CN 114486877B CN 202011149529 A CN202011149529 A CN 202011149529A CN 114486877 B CN114486877 B CN 114486877B
- Authority
- CN
- China
- Prior art keywords
- image
- rice
- value
- grains
- pixel point
- 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
- 241000209094 Oryza Species 0.000 title claims abstract description 269
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 269
- 235000009566 rice Nutrition 0.000 title claims abstract description 269
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 235000013339 cereals Nutrition 0.000 claims abstract description 140
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 31
- 238000007689 inspection Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- YGLMVCVJLXREAK-MTVMDMGHSA-N 1,1-dimethyl-3-[(1S,2R,6R,7S,8R)-8-tricyclo[5.2.1.02,6]decanyl]urea Chemical compound C([C@H]12)CC[C@@H]1[C@@H]1C[C@@H](NC(=O)N(C)C)[C@H]2C1 YGLMVCVJLXREAK-MTVMDMGHSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- KSEYRUGYKHXGFW-UHFFFAOYSA-N 6-methoxy-N-[(1-prop-2-enyl-2-pyrrolidinyl)methyl]-2H-benzotriazole-5-carboxamide Chemical compound COC1=CC2=NNN=C2C=C1C(=O)NCC1CCCN1CC=C KSEYRUGYKHXGFW-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- 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
-
- 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
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种大米品质检测方法、设备以及存储介质。其中,大米品质检测方法包括:采集米粒的图像,记为第一图像,其中,第一图像为RGB图像;对第一图像进行预处理,得到第二图像;获取第一图像中各像素点的红色值和蓝色值;根据第一图像中各像素点的红色值和蓝色值,以及第二图像确定米粒的所属类别,其中,所属类别包括黃粒米或垩白米。该大米品质检测方法,可以针对具体的大米生产加工任务,实现对米粒的所属类别进行判断,从而判断大米的品质。
Description
技术领域
本发明涉及大米检测技术领域,尤其涉及一种大米品质检测方法、设备以及存储介质。
背景技术
随着人们生活水平的提高,人们对食用大米的营养价值和外观有了更高的要求。国家市场监督管理总局和中国国家标准化管理委员会于2018年10月10日发布新的大米标准GB/T 1354-2018,该标准规定了大米的术语和定义、分类、质量要求、检验方法、检验规则及包装、标签、储存和运输的要求。因此,在大米生产加工的过程中需要有效检测出大米的加工精度、碎米含量、不完善粒含量、垩白度、黄粒米含量以及互混率等相关质量指标。
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大米品质检测方法,以针对具体的大米生产加工任务,实现对米粒的所属类别进行判断,从而判断大米的品质。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种大米品质检测设备。
为达到上述目的,本发明第一方面实施例提出一种大米品质检测方法,所述方法包括以下步骤:采集米粒的图像,记为第一图像,其中,所述第一图像为RGB图像;对所述第一图像进行预处理,得到第二图像;获取所述第一图像中各像素点的红色值和蓝色值;根据所述第一图像中各像素点的红色值和蓝色值,以及所述第二图像确定所述米粒的所属类别,其中,所述所属类别包括黃粒米或垩白米。
本发明实施例的大米品质检测方法,通过采集米粒的图像得到第一图像,并对第一图像进行处理得到第二图像,进而获取第一图像各像素点的红色值和蓝色值,从而根据第一图像中各像素点的红色值和蓝色值,以及第二图像确定米粒的所属类别。由此,可以针对具体的大米生产加工任务,实现对米粒的所属类别进行判断,从而判断大米的品质。
另外,本发明上述的大米品质检测方法还可以具有如下附加的技术特征:
根据本发明的一个实施例,所述对所述第一图像进行预处理,得到第二图像,包括:对所述第一图像进行二值化处理,得到所述第二图像,其中,所述第二图像中像素点的灰度值为第一灰度值或者第二灰度值。
根据本发明的一个实施例,述根据所述第一图像中各像素点的红色值和蓝色值,以及所述第二图像确定所述米粒的所属类别,包括:将满足式100*(R-B)/R>nRB的像素点的灰度值设置为所述第一灰度值,得到第三图像,其中,R为所述红色值,B为所述蓝色值,nRB为第一预设阈值;获取所述第三图像中灰度值为所述第一灰度值的像素点的第一数量,并根据所述第二图像获取米粒区域中像素点的第二数量;根据所述第一数量和所述第二数量,以及第一预设函数关系,确定所述米粒是否为黄粒米。
根据本发明的一个实施例,所述根据所述第一数量和所述第二数量,以及第一预设函数关系,确定所述米粒是否为黄粒米,包括:如果所述第一数量与所述第二数量之间的比值大于第一预设值,则确定所述米粒为黄粒米;或者,如果所述第一数量与所述第二数量之间的比值大于第二预设值,且所述第一数量不包含第一连通域中像素点的数量,则确定所述米粒为黄粒米,其中,所述第一连通域为所述第三图像中灰度值为所述第一灰度值的连通域中,像素点的数量小于第二预设阈值的连通域。
根据本发明的一个实施例,所述根据所述第一图像中各像素点的红色值和蓝色值,以及所述第二图像确定所述米粒的所属类别,包括:将满足R小于第三预设阈值且R-B小于第一差值阈值的像素点的灰度值设置为所述第一灰度值,得到第四图像,其中,R为所述红色值,B为所述蓝色值;获取所述第四图像中灰度值为所述第一灰度值的像素点的第三数量,并根据所述第二图像获取米粒区域中像素点的第四数量;根据所述第三数量和所述第四数量,以及第二预设函数关系,确定所述米粒是否为垩白米。
根据本发明的一个实施例,所述根据所述第三数量和所述第四数量,以及第二预设函数关系,确定所述米粒是否为垩白米,包括:如果所述第三数量与所述第四数量之间的比值大于第三预设值,则确定所述米粒为垩白米;或者,如果所述第三数量与所述第四数量之间的比值大于第四预设值,且所述第三数量不包含第二连通域中像素点的数量,则确定所述米粒为垩白米,其中,所述第二连通域为所述第四图像中灰度值为所述第一灰度值的连通域中,像素点的数量小于第三预设阈值的连通域。
根据本发明的一个实施例,所述大米品质检测方法还包括:根据所述第一图像中各像素点的绿色值G和蓝色值B,以及所述第二图像确定所述米粒是否为不完善粒。
根据本发明的一个实施例,所述根据所述第一图像中各像素点的绿色值G和蓝色值B,以及所述第二图像确定所述米粒是否为不完善粒,包括:计算所有蓝色值B的平均值;如果所述平均值大于第五预设值,则获取所述第一图像中各像素点的绿色值G;判断所述第一图像中的像素点(i,j)的绿色值G和蓝色值B是否均小于nThr,其中,像素点(i,j)在所述第二图像中灰度值为所述第一灰度值,nThr为第四预设阈值;如果所述第一图像中的像素点(i,j)的绿色值G和蓝色值B均小于nThr,则将所述第一图像的像素点(i,j)的灰度值设置为所述第一灰度值,得到第五图像;获取所述第五图像中像素点灰度值为所述第一灰度值的各连通域的像素点的第五数量;根据所述第五数量,以及第三预设函数关系,确定所述米粒是否为不完善粒。
根据本发明的一个实施例,所述根据所述第五数量,以及第三预设函数关系,确定所述米粒是否为不完善粒,包括:如果存在第五数量大于或者等于第六预设值的连通域,则确定所述米粒为不完善粒。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述的大米品质检测方法。
本发明实施例的计算机可读存储介质,在其上存储的计算机程序被处理器执行时,可以针对具体的大米生产加工任务,实现对米粒的所属类别进行判断,从而判断大米的品质。
为达到上述目的,本发明第三方面实施例提出了一种大米品质检测设备,包括存储器、处理器和存储在所述存储器上的技术算计程序,所述计算机程序被处理器执行时,实现上述的大米品质检测方法。
本发明实施例的大米品质检测设备,通过实现上述的大米品质检测方法,可以针对具体的大米生产加工任务,实现对米粒的所属类别进行判断,从而判断大米的品质。
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
图1是是本发明实施例的大米品质检测方法的流程图;
图2是本发明一个具体实施例的大米品质检测方法的流程图;
图3是本发明另一个具体实施例的大米品质检测方法的流程图;
图4是本发明又一个具体实施例的大米品质检测方法的流程图;
图5是本发明第一个示例的米粒的示意图;
图6是本发明第二个示例的米粒的示意图;
图7是本发明一个示例的大米品质检测装置的示意图;
图8是本发明另一个示例的大米品质检测装置的示意图;
图9是本发明第三个示例的米粒的示意图;
图10是本发明第四个示例的米粒的示意图;
图11是本发明第五个示例的米粒的示意图。
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1-11描述本发明实施例的大米品质检测方法、设备以及存储介质。
图1是本发明一个实施例的大米品质检测方法的流程图。
如图1所示,大米品质检测方法包括以下步骤:
S11,采集米粒的图像,记为第一图像,其中,第一图像为RGB图像。
具体地,可通过图像采集装置采集米粒的图像,得到第一图像。其中,第一图像可仅包含一个角度的米粒图像,也可包含多个角度的米粒图像;第一图像可基于白光源采集,也可基于近红外光源采集,当包含多个角度的米粒图像时,可具体包含基于白光源采集和基于近红外光源采集的图像。
作为一个示例,如图7所示,图像采集装置的数量可以是三个,分别记为图像采集装置1、2、3。为获得上述RGB图像,图像采集装置1、2、3同时采集同一粒米多角度的外观特征,以提高采集到大米表面所有特征的概率;图像采集装置1、2的视镜模块前可安装如图8所示的滤光片9,使得图像采集装置1、2只接收到白光LED光源4、5、6作用于米粒表面而产生的R、G、B信号,图像采集装置3前不加滤光片9,同时接收白光LED光源4、5、6和近红外光源7作用于米粒表面而产生的R、G、B信号。
作为另一个示例,还可将近红外光源7更换为背景光源8,使得三个图像采集装置均在白光LED光源下获得三个角度的RGB图像,并基于该RGB图像通过相应的算法进行米粒属性识别,且不需要使用滤光片9。
基于图7、8所示的装置,得到的第一图像包括三个角度的图像,分别记为第一角度图像、第二角度图像和第三角度图像,三个角度的图像中至少第一角度图像和第二角度图像基于白光光源拍摄。
S12,对第一图像进行预处理,得到第二图像。
具体地,可对第一图像进行二值化处理,得到第二图像,其中,第二图像中像素点的灰度值为第一灰度值或者第二灰度值。
作为一个示例,对第一图像进行预处理可包括:获取第一图像中各像素点的红色值R、绿色值G和蓝色值B,将满足式(R+G+B)<nThr的像素点的灰度值设置为第二灰度值,并将不满足式(R+G+B)<nThr的像素点的灰度值设置为第一灰度值。其中,nThr为第四预设阈值,其可以在70~80之间取值,例如可以是75,上述第一灰度值可以是255,上述第二灰度值可以是0。
例如,参见图5,图5中(a)示出了第一图像,通过上述对第一图像进行预处理的方法得到的第二图像可如图5中(b)所示。
需要说明的是,由于黑背景的原因,上述第二图像中的米粒二值图像可能会存在内部空洞的现象,如图6中(a)所示。因而,在对第一图像进行预处理得到第二图像之后,还需要对第二图像进行边缘检测,检测出米粒二值图像的边缘,进而对米粒二值图像的内部进行填充,得到图6中(b)所示的图像。
可选地,还可采用形态学腐蚀运算,对第二图像的图像边缘腐蚀两圈,从而防止边缘像素颜色失真对识别造成影响。
S13,获取第一图像中各像素点的红色值和蓝色值。
S14,根据第一图像中各像素点的红色值和蓝色值,以及第二图像确定米粒的所属类别,其中,所属类别包括黃粒米或垩白米。
具体地,以图7所示的图像采集装置为例,由于近红外光源作用于透明米与黄粒米时透射性大于反射性,作用于垩白米时反射性大于透射性,因此可设置白光LED光源4、5电流值相同,白光LED光源6电流值按一定比例减小,以降低白光对图像采集装置3的影响,从而图像采集装置3采集到的透明米与黄粒米的R值信号远高于采集到的垩白米的R值信号,基于此通过R值的区别,可将垩白米与透明米和黄粒米区分开。图像采集装置1、2接收到白光LED光源作用于米粒表面的R、G、B信号相同,利用透明米与黄粒米的颜色差异可将两者区分开。由此,可实现透明米、黄粒米、垩白米的单独分类识别。
具体而言,参见图7、图8,三个图像采集装置可呈相同夹角(即两两夹角均为120°)位于同一平面上,同时采集同一米粒的全方位外观特征,提升采集到米粒的病斑特征的概率。三组白光LED光源以相同夹角分布于三个图像采集装置同侧上下,一组近红外光源位于其中一个图像采集装置的对侧,该图像采集装置可同时采集白光中的R、G、B值信号与近红外信号,另外两个图像采集装置采用滤光片滤除近红外信号,只接收白光中的R、G、B值信号,再将三组白光光源与近红外光源电流值以一定比例设置。因透明米、黄粒米对近红外信号透射性强于垩白米,从而在接收白光信号与近红外信号的图像采集装置上垩白米信号值弱,透明米与黄粒米信号强,可实现垩白米与透明米、黄粒米的区分,再利用两组只接收白光信号的图像采集装置通过颜色差异区分透明米与黄粒米。
由此,通过第一图像中各像素点的红色值和蓝色值,以及二值化的第二图像,可确定米粒是黃粒米,还是垩白米,实现了针对具体的大米生产加工任务,对米粒的所属类别的判断。
在一些示例中,如图2所示,上述根据第一图像中各像素点的红色值和蓝色值,以及第二图像确定米粒的所属类别的流程可以包括:
S21,将满足式100*(R-B)/R>nRB的像素点的灰度值设置为第一灰度值,得到第三图像,其中,R为红色值,B为蓝色值,nRB为第一预设阈值。
具体地,将满足式100*(R-B)/R>nRB的像素点的灰度值设置为第一灰度值,得到第三图像。其中,还可将不满足式100*(R-B)/R>nRB的像素点的灰度值设置为第二灰度值。
其中,上述第一预设阈值可以在10~35之间取值,例如可以是13.5。
S22,获取第三图像中灰度值为第一灰度值的像素点的第一数量,并根据第二图像获取米粒区域中像素点的第二数量。
S23,根据第一数量和第二数量,以及第一预设函数关系,确定米粒是否为黄粒米。
其中,上述第一预设函数关系为:第一数量与第二数量之间的比值,与第一预设值之间的关系。
具体地,如果第一数量与第二数量之间的比值大于第一预设值,则确定米粒为黄粒米;或者,如果第一数量与第二数量之间的比值大于第二预设值,且第一数量不包含第一连通域中像素点的数量,则确定米粒为黄粒米,其中,第一连通域中像素点的数量小于第二预设阈值,即言,第三图像中灰度值为第一灰度值的连通域中,像素点的个数小于第二预设阈值的连通域为第一连通域,由此,可以防止噪声和误识别影响检测结果。
其中,上述第一预设值可以在0.4~0.5之间取值,例如可以是0.45,上述第二预设值小于等于上述第一预设值;上述第二预设阈值可以在290~310之间取值,例如可以是300。
在该示例中,参见图10,图10中(a)示出了黄粒米的第一图像,图10中(b)示出了删除了误识别区域后的第三图像,其中,误识别区域为上述的第一连通域。
需要说明的是,在本示例中,第一图像是采用白光光源照射米粒的情况下采集的,例如,第一图像可包括基于白光光源采集得到的第一角度图像、第二角度图像。
由此,可实现针对具体的大米生产加工任务,判断米粒是否为黄粒米。
在一些示例中,如图3所示,上述根据第一图像中各像素点的红色值和蓝色值,以及第二图像确定米粒的所属类别的流程还可以包括:
S31,将满足R小于第三预设阈值且R-B小于第一差值阈值的像素点的灰度值设置为第一灰度值,得到第四图像,其中,R为红色值,B为蓝色值。
具体地,将满足R小于第三预设阈值且R-B小于第一差值阈值的像素点的灰度值设置为第一灰度值,得到第四图像。其中,还可将不满足R小于第三预设阈值且R-B小于第一差值阈值的像素点的灰度值设置为第二灰度值
其中,上述第三预设阈值可以在165~175之间取值,例如可以是170;上述第一差值阈值可以在13~17之间取值,例如可以是15。
S32,获取第四图像中灰度值为第一灰度值的像素点的第三数量,并根据第二图像获取米粒区域中像素点的第四数量。
S33,根据第三数量和第四数量,以及第二预设函数关系,确定米粒是否为垩白米。
具体地,如果第三数量与第四数量之间的比值大于第三预设值,则确定米粒为垩白米;或者,如果第三数量与第四数量之间的比值大于第四预设值,且第三数量不包含第二连通域中像素点的数量,则确定米粒为垩白米,其中,第二连通域中像素点的数量小于第三预设阈值,即言,第四图像中灰度值为第一灰度值的连通域中,像素点的个数小于第三预设阈值的连通域为第二连通域,由此,可以防止噪声和误识别影响检测结果。
其中,上述第三预设值可以在0.12~0.18之间取值,例如可以是0.15,上述第四预设值小于第三预设值;上述第三预设阈值可以在90~110之间取值,例如可以是100。
在该示例中,参见图11,图11中(a)示出了垩白米的第一图像,图11中(b)示出了删除了误识别区域后的第四图像,其中,误识别区域为上述的第二连通域。
需要说明的是,在本示例中,第一图像是采用近红外光源照射米粒的情况下采集的,从而实现更高的识别准确率。即,本示例中的第一图像可以是基于近红外光源采集得到的第三角度图像。
由此,可实现针对具体的大米生产加工任务,判断米粒是否为垩白米。
在一些示例中,米粒的所属类别还包括不完善粒,此时,需根据第一图像中各像素点的绿色值G和蓝色值B,以及第二图像确定米粒是否为不完善粒,具体地,如图4所示。
如图4所示,上述根据第一图像中各像素点的绿色值G和蓝色值B,以及第二图像确定米粒是否为不完善粒的流程可包括:
S41,计算所有蓝色值B的平均值。
具体地,获取第一图像中各像素点的蓝色值B,进而计算所有蓝色值B的平均值。
S42,如果平均值大于第五预设值,则获取第一图像中各像素点的绿色值G。
其中,上述第五预设值可以在45~55之间取值,例如可以是50。
在该示例中,若平均值小于或等于第五预设值如50,则判断该米粒为完善粒。
S43,判断第一图像中的像素点(i,j)的绿色值G和蓝色值B是否均小于nThr,其中,像素点(i,j)在第二图像中灰度值为第一灰度值,nThr为第四预设阈值。
S44,如果第一图像中的像素点(i,j)的绿色值G和蓝色值B均小于nThr,则将第一图像的像素点(i,j)的灰度值设置为第一灰度值,得到第五图像。
S45,获取第五图像中像素点灰度值为第一灰度值的各连通域的像素点的第五数量。
S46,根据第五数量,以及第三预设函数关系,确定米粒是否为不完善粒。
具体地,如果存在第五数量大于或者等于第六预设值的连通域,则确定米粒为不完善粒。
其中,上述第六预设值可为本领域技术人员根据经验设定的预设值,例如,第六预设值可以在13-18范围内取值,如可以是15。
在该示例中,参见图9,图9中(a)示出了不完善粒的第一图像,图9中(b)示出了第五图像。
需要说明的是,当采用图7、图8所示的图像采集装置得到第一图像时,在本示例中,第一图像可以包括第一角度图像、第二角度图像、第三角度图像中的一个或多个,第三角度图像可以为基于近红外光和白光拍摄的。
由此,可实现针对具体的大米生产加工任务,判断米粒是否为不完善粒。
需要说明的是,上述步骤S21-S23、步骤S31-S33、步骤S41-S46可以为独立进行的步骤,以确定出米粒的类别。例如,可以只进行步骤S21-S23,若需要判断米粒是否为黄粒米,则可以只进行步骤S21-S23;或者,若需要判断米粒是否为黄粒米、垩白米,则可以进行步骤S21-S23、步骤S31-S33;或者,若需要判断米粒是否为黄粒米、垩白米、不完善粒,则可以进行步骤S21-S23、步骤S31-S33、步骤S41-S46。
在一些示例中,还可根据第二图像对米粒进行形状分类,其中,形状所属类别包括碎米、小碎米、籼米、粳米中的至少一个。
具体而言,可通过如下公式确定米粒形状的所属类别:
其中,nArea为第二图像中灰度值为255的所有像素点的数量,gray(i,j)为第二图像中的像素点(i,j)的灰度值,circleArea为第二图像中米粒的最小外接圆面积,a、b、c、d分别为第二图像中米粒最上行所在的行数、最下行所在的行数、最左边所在的列数、最右边所在的列数。
在该示例中,可单独通过上式(1)确定米粒形状的所属类别,具体为:可以预先设定米粒的面积阈值,进而将上述nArea与预设的米粒的面积阈值进行对比,从而确定米粒的所属类别。例如,可以设定面积阈值为800、480,若480<nArea<800,则米粒的所属类别为碎米,若nArea<480,则米粒的所属类别为小碎米。进一步地,也可根据上式(1)和(2)确定米粒形状的所属类别,具体为:若米粒的面积与米粒的最小外接圆面积的比值大于预先设定的比值阈值,则可认为米粒的所属类别为籼米,否则可认为米粒的所属类别为粳米。例如,可以设定比值阈值为0.35,若nArea>circleArea*0.35,则可认为米粒的类别为籼米。
综上,本发明实施例的大米品质检测方法,可以针对具体的大米生产加工任务,实现对米粒的所属类别进行判断,从而判断大米的品质。
下面通过一个具体实施例,说明本发明实施例的大米品质检测方法的检测效果:
在该具体实施例中,第一图像可以基于图7、8所示的装置采集得到,包括第一角度图像、第二角度图像、第三角度图像,第一角度图像和第二角度图像可以是基于白光拍摄的,第三角度图像可以是基于近红外光源和白光源拍摄的。上述识别过程中,黄粒米的识别可以通过对第一图像中任意一个或多个角度的图像进行识别来实现,优选对第一角度图像和第二角度图像中的一个进行识别,一般情况下,黄粒米的缺陷会影响米粒整体,基于上述识别方式对第一角度图像或第二角度图像识别即可实现黄粒米的准确识别。垩白米的识别可以通过对第一图像中任意一个或多个角度的图像进行识别来实现,优选针对第三角度图像进行识别,上述已经说明过相关优点,在此不作赘述。不完善粒的识别可以通过对第一图像中任意一个或多个角度的图像进行识别来实现,优选对多个角度图像进行识别,一般情况下不完善米粒的缺陷可能会存在米粒的任何角度,通过多角度识别可以提高识别的准确率。
一种实施方式中,黄粒米的识别通过对第一图像中第一角度图像进行识别来实现,垩白米的识别通过对第三角度图像进行识别来实现,不完善粒的识别通过对第一角度图像、第二角度图像和第三角度图像进行识别来实现。
基于上述识别方式进行试验,得到如下数据:
米样 | 总数 | 识别个数 | 识别率 |
不完善粒(病斑米) | 783 | 752 | 96.0% |
黄粒米 | 1463 | 1426 | 98.8% |
垩白米 | 1180 | 1175 | 99.6% |
可见,本发明的大米品质检测方法对不同类别的米粒,均可以获得相对较好的识别效果,不完善粒的识别率可以达到96.0%,黄粒米的识别率可以达到98.8%,垩白米的识别率可以达到99.6%。
当然,还可对米粒形状进行识别判断,具体为可通过对第一角度图像、第二角度图像和第三角度图像进行识别来实现。
进一步地,本发明提出一种计算机可读存储介质。
在本发明实施例中,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时刻实现上述的大米品质检测方法。
本发明实施例的计算机可读存储介质,在其上存储的计算机程序被处理器执行时,可以针对具体的大米生产加工任务,实现对米粒的所属类别进行判断,从而判断大米的品质。
进一步地,本发明提出一种大米品质检测设备。
在本发明实施例中,大米品质检测设备包括存储器、处理器和存储在存储器上的技术算计程序,该计算机程序被处理器执行时,可实现上述的大米品质检测方法。
本发明实施例的大米品质检测设备,通过实现上述的大米品质检测方法,可以针对具体的大米生产加工任务,实现对米粒的所属类别进行判断,从而判断大米的品质。
需要说明的是,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所述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所述程序,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。例如,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。
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一定指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何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
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。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
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 (11)
1.一种大米品质检测方法,其特征在于,包括以下步骤:
采集米粒的图像,记为第一图像,其中,所述第一图像为RGB图像;
对所述第一图像进行预处理,得到第二图像;
获取所述第一图像中各像素点的红色值和蓝色值;
根据所述第一图像中各像素点的红色值和蓝色值,以及所述第二图像确定所述米粒的所属类别,其中,所述所属类别包括黃粒米或垩白米,其中,所述根据所述第一图像中各像素点的红色值和蓝色值,以及所述第二图像确定所述米粒的所属类别,包括:
将满足式100*(R-B)/R>nRB的像素点的灰度值设置为第一灰度值,得到第三图像,其中,R为所述红色值,B为所述蓝色值,nRB为第一预设阈值;
获取所述第三图像中灰度值为所述第一灰度值的像素点的第一数量,并根据所述第二图像获取米粒区域中像素点的第二数量;
根据所述第一数量和所述第二数量,以及第一预设函数关系,确定所述米粒是否为黄粒米,其中,所述根据所述第一数量和所述第二数量,以及第一预设函数关系,确定所述米粒是否为黄粒米,包括:
如果所述第一数量与所述第二数量之间的比值大于第一预设值,则确定所述米粒为黄粒米。
2.如权利要求1所述的大米品质检测方法,其特征在于,所述对所述第一图像进行预处理,得到第二图像,包括:
对所述第一图像进行二值化处理,得到所述第二图像,其中,所述第二图像中像素点的灰度值为第一灰度值或者第二灰度值。
3.如权利要求1所述的大米品质检测方法,其特征在于,所述根据所述第一数量和所述第二数量,以及第一预设函数关系,确定所述米粒是否为黄粒米,还包括:
如果所述第一数量与所述第二数量之间的比值大于第二预设值,且所述第一数量不包含第一连通域中像素点的数量,则确定所述米粒为黄粒米,其中,所述第一连通域为所述第三图像中灰度值为所述第一灰度值的连通域中,像素点的数量小于第二预设阈值的连通域。
4.如权利要求1所述的大米品质检测方法,其特征在于,所述根据所述第一图像中各像素点的红色值和蓝色值,以及所述第二图像确定所述米粒的所属类别,包括:
将满足R小于第三预设阈值且R-B小于第一差值阈值的像素点的灰度值设置为所述第一灰度值,得到第四图像,其中,R为所述红色值,B为所述蓝色值;
获取所述第四图像中灰度值为所述第一灰度值的像素点的第三数量,并根据所述第二图像获取米粒区域中像素点的第四数量;
根据所述第三数量和所述第四数量,以及第二预设函数关系,确定所述米粒是否为垩白米。
5.如权利要求4所述的大米品质检测方法,其特征在于,所述根据所述第三数量和所述第四数量,以及第二预设函数关系,确定所述米粒是否为垩白米,包括:
如果所述第三数量与所述第四数量之间的比值大于第三预设值,则确定所述米粒为垩白米;
或者,
如果所述第三数量与所述第四数量之间的比值大于第四预设值,且所述第三数量不包含第二连通域中像素点的数量,则确定所述米粒为垩白米,其中,所述第二连通域为所述第四图像中灰度值为所述第一灰度值的连通域中,像素点的数量小于第三预设阈值的连通域。
6.如权利要求4或5所述的大米品质检测方法,其特征在于,所述第一图像是采用近红外光源照射米粒的情况下采集的。
7.如权利要求1所述的大米品质检测方法,其特征在于,所述米粒的所属类别还包括不完善粒,所述方法还包括:
根据所述第一图像中各像素点的绿色值G和蓝色值B,以及所述第二图像确定所述米粒是否为不完善粒。
8.如权利要求7所述的大米品质检测方法,其特征在于,所述根据所述第一图像中各像素点的绿色值G和蓝色值B,以及所述第二图像确定所述米粒是否为不完善粒,包括:
计算所有蓝色值B的平均值;
如果所述平均值大于第五预设值,则获取所述第一图像中各像素点的绿色值G;
判断所述第一图像中的像素点(i,j)的绿色值G和蓝色值B是否均小于nThr,其中,像素点(i,j)在所述第二图像中灰度值为所述第一灰度值,nThr为第四预设阈值;
如果所述第一图像中的像素点(i,j)的绿色值G和蓝色值B均小于nThr,则将所述第一图像的像素点(i,j)的灰度值设置为所述第一灰度值,得到第五图像;
获取所述第五图像中像素点灰度值为所述第一灰度值的各连通域的像素点的第五数量;
根据所述第五数量,以及第三预设函数关系,确定所述米粒是否为不完善粒。
9.如权利要求8所述的大米品质检测方法,其特征在于,所述根据所述第五数量,以及第三预设函数关系,确定所述米粒是否为不完善粒,包括:
如果存在第五数量大于或者等于第六预设值的连通域,则确定所述米粒为不完善粒。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-9中任一项所述的大米品质检测方法。
11.一种大米品质检测设备,包括存储器、处理器和存储在所述存储器上的计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-9中任一项所述的大米品质检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149529.1A CN114486877B (zh) | 2020-10-23 | 2020-10-23 | 大米品质检测方法、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149529.1A CN114486877B (zh) | 2020-10-23 | 2020-10-23 | 大米品质检测方法、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114486877A CN114486877A (zh) | 2022-05-13 |
CN114486877B true CN114486877B (zh) | 2024-01-19 |
Family
ID=81471305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011149529.1A Active CN114486877B (zh) | 2020-10-23 | 2020-10-23 | 大米品质检测方法、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114486877B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611927B (zh) * | 2024-01-22 | 2024-04-16 | 中储粮成都储藏研究院有限公司 | 一种稻谷互混率检测方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002365222A (ja) * | 2001-06-12 | 2002-12-18 | Satake Corp | 米粒品位判別装置 |
JP2003042963A (ja) * | 2001-08-02 | 2003-02-13 | Satake Corp | 穀物品位判別装置 |
KR20090033568A (ko) * | 2007-10-01 | 2009-04-06 | 대한민국(관리부서:농촌진흥청) | 쌀 및 현미의 외관 품위 측정장치 및 그 방법 |
CN103674957A (zh) * | 2013-12-25 | 2014-03-26 | 浙江工商大学 | 黄粒米粒检测方法及系统 |
CN103674816A (zh) * | 2013-12-25 | 2014-03-26 | 浙江工商大学 | 垩白米粒检测方法及系统 |
JP2015001441A (ja) * | 2013-06-14 | 2015-01-05 | 独立行政法人農業・食品産業技術総合研究機構 | 米粒の白濁部位等の詳細判別システム、詳細判別プログラム及び記憶媒体 |
CN104483243A (zh) * | 2014-11-21 | 2015-04-01 | 浙江工商大学 | 大米粘连米检测分割方法、装置及系统 |
CN105139405A (zh) * | 2015-09-07 | 2015-12-09 | 中国人民解放军理工大学 | 一种重叠碎米与整米的视觉分离检测方法 |
CN105319223A (zh) * | 2015-12-07 | 2016-02-10 | 浙江工商大学 | 一种垩白米的检测方法和检测系统 |
CN105954284A (zh) * | 2016-05-06 | 2016-09-21 | 安徽贝通智能科技有限公司 | 一种大米品质检测方法 |
CN106248674A (zh) * | 2016-08-09 | 2016-12-21 | 中国水稻研究所 | 一种食用籼米和食用粳米的质量分级方法 |
CN107993244A (zh) * | 2017-12-27 | 2018-05-04 | 合肥市雅视智能科技有限公司 | 一种玉米自动检测方法 |
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 |
CN110009609A (zh) * | 2019-03-26 | 2019-07-12 | 江南大学 | 一种快速检测黄粒米的方法 |
CN110221032A (zh) * | 2019-07-09 | 2019-09-10 | 浙江五芳斋实业股份有限公司 | 一种基于近红外光谱的大米品质检测方法 |
CN110610183A (zh) * | 2018-06-15 | 2019-12-24 | 佛山市顺德区美的电热电器制造有限公司 | 谷物评估方法、装置和存储介质 |
-
2020
- 2020-10-23 CN CN202011149529.1A patent/CN114486877B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002365222A (ja) * | 2001-06-12 | 2002-12-18 | Satake Corp | 米粒品位判別装置 |
JP2003042963A (ja) * | 2001-08-02 | 2003-02-13 | Satake Corp | 穀物品位判別装置 |
KR20090033568A (ko) * | 2007-10-01 | 2009-04-06 | 대한민국(관리부서:농촌진흥청) | 쌀 및 현미의 외관 품위 측정장치 및 그 방법 |
JP2015001441A (ja) * | 2013-06-14 | 2015-01-05 | 独立行政法人農業・食品産業技術総合研究機構 | 米粒の白濁部位等の詳細判別システム、詳細判別プログラム及び記憶媒体 |
CN103674957A (zh) * | 2013-12-25 | 2014-03-26 | 浙江工商大学 | 黄粒米粒检测方法及系统 |
CN103674816A (zh) * | 2013-12-25 | 2014-03-26 | 浙江工商大学 | 垩白米粒检测方法及系统 |
CN104483243A (zh) * | 2014-11-21 | 2015-04-01 | 浙江工商大学 | 大米粘连米检测分割方法、装置及系统 |
CN105139405A (zh) * | 2015-09-07 | 2015-12-09 | 中国人民解放军理工大学 | 一种重叠碎米与整米的视觉分离检测方法 |
CN105319223A (zh) * | 2015-12-07 | 2016-02-10 | 浙江工商大学 | 一种垩白米的检测方法和检测系统 |
CN105954284A (zh) * | 2016-05-06 | 2016-09-21 | 安徽贝通智能科技有限公司 | 一种大米品质检测方法 |
CN106248674A (zh) * | 2016-08-09 | 2016-12-21 | 中国水稻研究所 | 一种食用籼米和食用粳米的质量分级方法 |
CN107993244A (zh) * | 2017-12-27 | 2018-05-04 | 合肥市雅视智能科技有限公司 | 一种玉米自动检测方法 |
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 |
CN110610183A (zh) * | 2018-06-15 | 2019-12-24 | 佛山市顺德区美的电热电器制造有限公司 | 谷物评估方法、装置和存储介质 |
CN110009609A (zh) * | 2019-03-26 | 2019-07-12 | 江南大学 | 一种快速检测黄粒米的方法 |
CN110221032A (zh) * | 2019-07-09 | 2019-09-10 | 浙江五芳斋实业股份有限公司 | 一种基于近红外光谱的大米品质检测方法 |
Non-Patent Citations (11)
Title |
---|
图像处理方法检测大米加工精度中垩白米影响的消除;张浩;张崟;周展明;;河南工业大学学报(自然科学版)(04);第40-42+46页 * |
基于图像处理技术大米加工精度的检测研究;张浩;孟永成;周展明;杨红卫;;中国粮油学报(04);第140-142页 * |
基于图像处理的稻米垩白自动检测研究;于润伟;朱晓慧;;中国粮油学报(01);第127-130页 * |
基于图像的大米品质检测方法研究与仿真;梁明;孟大伟;;计算机仿真(06);第252-255页 * |
基于图像识别的黄粒米自动检测研究;尚艳芬, 侯彩云, 常国华;农业工程学报(04);第146-148页 * |
基于图象处理技术的大米色泽检测;刘光蓉;管庶安;周红;;粮食与饲料工业(01);第12-13页 * |
基于数字图像处理技术整米和碎米含量检测;周显青;白国伟;张玉荣;任洪玲;;粮食与饲料工业(09);第6-10页 * |
基于数字图像处理的大米质量检测;王付军;;安徽农业科学(22);第338-339+396页 * |
基于色调的黄粒米检测方法;孙明, 王一鸣, 凌云, 张小超;农业机械学报(08);第78-81页 * |
基于计算机视觉的稻米品质评价研究进展;周志强;成军虎;潘石;;河南工业大学学报(自然科学版)(06);第99-104页 * |
计算机视觉技术在稻米品质检测中的应用;方长云;谢黎虹;李刚;段彬伍;于永红;;中国稻米(06);第4-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114486877A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
US7336821B2 (en) | Automatic detection and correction of non-red eye flash defects | |
CN114913177B (zh) | 一种基于霍夫圆的汽车零部件缺陷检测方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN115908411B (zh) | 基于视觉检测的混凝土养护质量分析方法 | |
CN114219794B (zh) | 基于机器视觉的刨花板表面质量评估方法及系统 | |
CN109741314A (zh) | 一种零件的视觉检测方法及系统 | |
CN115311294B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法 | |
CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN115063400B (zh) | 利用视觉手段的乐器生产缺陷检测方法 | |
CN112380973B (zh) | 交通信号灯的识别方法和系统 | |
CN114486877B (zh) | 大米品质检测方法、设备以及存储介质 | |
CN115205290A (zh) | 一种pcb板生产过程在线检测方法及系统 | |
CN111122590A (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN114972575A (zh) | 一种基于轮廓边缘的直线拟合算法 | |
CN115294159A (zh) | 金属紧固件腐蚀区域分割方法 | |
CN110175556A (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN113109240A (zh) | 一种计算机实施的粮食不完善粒测定方法和系统 | |
CN112036391B (zh) | 一种基于页岩气田生产站场的电子巡检方法及系统 | |
CN107240109B (zh) | 一种仪表刻度线位置自动检测方法 | |
CN110569801B (zh) | 一种行驶证关键内容识别方法 | |
CN116485801A (zh) | 基于计算机视觉的胶管质量在线检测方法及系统 | |
CN115375679B (zh) | 一种缺陷芯片寻边寻点定位方法及装置 | |
CN113614774A (zh) | 用于目标涂层的图像数据中的缺陷检测的方法和系统 |
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 |