CN114724027A - 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 - Google Patents
基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 Download PDFInfo
- Publication number
- CN114724027A CN114724027A CN202210305471.8A CN202210305471A CN114724027A CN 114724027 A CN114724027 A CN 114724027A CN 202210305471 A CN202210305471 A CN 202210305471A CN 114724027 A CN114724027 A CN 114724027A
- Authority
- CN
- China
- Prior art keywords
- granular raw
- granular
- image
- raw materials
- brewing
- 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
Links
- 239000002994 raw material Substances 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000007787 solid Substances 0.000 title claims abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 239000008187 granular material Substances 0.000 claims description 10
- 238000011514 vinification Methods 0.000 claims description 10
- 239000012535 impurity Substances 0.000 claims description 5
- 238000004040 coloring Methods 0.000 claims description 4
- 238000013124 brewing process Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 239000004615 ingredient Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 239000007858 starting material Substances 0.000 claims 2
- 238000012850 discrimination method Methods 0.000 claims 1
- 239000011236 particulate material Substances 0.000 claims 1
- 230000008961 swelling Effects 0.000 claims 1
- 240000006394 Sorghum bicolor Species 0.000 description 30
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 30
- 238000004519 manufacturing process Methods 0.000 description 10
- 235000013339 cereals Nutrition 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 244000184734 Pyrus japonica Species 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- TUSDEZXZIZRFGC-UHFFFAOYSA-N 1-O-galloyl-3,6-(R)-HHDP-beta-D-glucose Natural products OC1C(O2)COC(=O)C3=CC(O)=C(O)C(O)=C3C3=C(O)C(O)=C(O)C=C3C(=O)OC1C(O)C2OC(=O)C1=CC(O)=C(O)C(O)=C1 TUSDEZXZIZRFGC-UHFFFAOYSA-N 0.000 description 1
- 229920000945 Amylopectin Polymers 0.000 description 1
- 229920000856 Amylose Polymers 0.000 description 1
- 239000001263 FEMA 3042 Substances 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- LRBQNJMCXXYXIU-PPKXGCFTSA-N Penta-digallate-beta-D-glucose Natural products OC1=C(O)C(O)=CC(C(=O)OC=2C(=C(O)C=C(C=2)C(=O)OC[C@@H]2[C@H]([C@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)[C@@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)[C@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)O2)OC(=O)C=2C=C(OC(=O)C=3C=C(O)C(O)=C(O)C=3)C(O)=C(O)C=2)O)=C1 LRBQNJMCXXYXIU-PPKXGCFTSA-N 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002306 biochemical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010563 solid-state fermentation Methods 0.000 description 1
- LRBQNJMCXXYXIU-NRMVVENXSA-N tannic acid Chemical compound OC1=C(O)C(O)=CC(C(=O)OC=2C(=C(O)C=C(C=2)C(=O)OC[C@@H]2[C@H]([C@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)[C@@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)[C@@H](OC(=O)C=3C=C(OC(=O)C=4C=C(O)C(O)=C(O)C=4)C(O)=C(O)C=3)O2)OC(=O)C=2C=C(OC(=O)C=3C=C(O)C(O)=C(O)C=3)C(O)=C(O)C=2)O)=C1 LRBQNJMCXXYXIU-NRMVVENXSA-N 0.000 description 1
- 229940033123 tannic acid Drugs 0.000 description 1
- 235000015523 tannic acid Nutrition 0.000 description 1
- 229920002258 tannic acid Polymers 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法,包括以下步骤:步骤1:提供已知品种的颗粒状原料样本的图像;步骤2:对步骤1提供的图像进行预处理,分割颗粒状原料和采样背景;步骤3:根据步骤2中分割出的图像区域,提取颗粒状原料对应的色彩空间信息,以及形态学参数特征;步骤4:对步骤3得到的颗粒状原料的颜色和形状特征,进行数据降维处理;步骤5:使用步骤4降维处理后的数据训练颗粒品种分类器,得到掺杂辨别模型;步骤6:拍摄待检测颗粒状原料的图像;步骤7:对步骤6中采集到的图像进行预处理,进行数据降维处理,利用步骤5训练得到的模型对分割出的颗粒状原料进行品种识别,并计算掺杂率。
Description
技术领域
本发明涉及一种基于机器视觉掺杂检测领域,尤其涉及一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法。
背景技术
酒是中华民族的传统文化,是五千年华夏文明中的瑰宝,但目前我国的白酒制造行业还属于劳动密集型行业,机械化程度低,大部分的白酒企业还处于手工操作生产的原始模式。近年来,受到劳动力成本不断攀升、土地资源日益紧张以及国家发展高效、低耗产业政策的影响,中国白酒酿造生产行业进行技术革新、改变传统的生产方式已经迫在眉睫,数字化及智能化是其未来发展方向。
目前,白酒无论是酱香型还是浓香型其酿造工艺都以固态发酵为主,酿造过程中用到多种颗粒类原料,包括粮食、酒曲及稻壳、糠壳等。以高粱为例,它的营养成分及物理性质使其具有出酒率高、酿酒清冽香醇的特点,远胜其它禾谷、薯类、豆类等粮食作物,我国的主要白酒多使用高粱作为酿造主料。研究表明,不同产地、品种的高粱在直链淀粉、支链淀粉、蛋白质、丹宁酸、脂肪等成分上有变化,最终会影响出酒的品质和产量。而实际生产中,常有以次充好将粳高粱掺入糯高粱的情况,损害了酿酒成品质量的一致性,也降低了生产效益。
因此,对于高粱原料的来源和品种进行监测是固态酿造白酒工艺过程中的重要环节。然而,现有的原料检验多通过人工抽取样本并观察筛分的方法进行,其对工人经验的依赖程度较大,机械化自动化的程度仍然较低,在精确程度与时间成本方面都还有很大的提升空间。具体的,目前实验室研究常采用生物化学方法、近红外光谱和高光谱成像方式辨别不同品种颗粒状原料,但前者需要研磨粉碎,耗时较长,后两者设备较昂贵,均不适合大规模应用到工业生产中。
发明内容
有鉴于此,本发明提供一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,该方法的自动化程度高,精确度高,且省时省力。
一种基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法,包括以下步骤:
步骤1:提供已知品种的颗粒状原料样本的图像;步骤2:对步骤1提供的图像进行预处理,分割颗粒状原料和采样背景;步骤3:根据步骤2中分割出的图像区域,提取颗粒状原料对应的色彩空间信息,以及形态学参数特征;步骤4:对步骤3得到的颗粒状原料的颜色和形状特征,进行数据降维处理;步骤5:使用步骤4降维处理后的数据训练颗粒品种分类器,得到掺杂辨别模型;步骤6:将待检测颗粒状原料分散开,并拍摄待检测颗粒状原料的图像;步骤7:对步骤6中采集到的图像进行预处理,分割颗粒状原料和采样背景,提取颜色和形状特征,进行数据降维处理,利用步骤5训练得到的掺杂辨别模型对分割出的颗粒状原料进行品种识别,采用伪着色法标注出正常与杂质颗粒,并计算掺杂率。
与现有技术相比,本发明提供的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法,可以实现对制酒颗粒状原料的持续采样及粒度在线测量,同时建立样本模型数据库,便于不断迭代提升模型,对酿造行业数字化及智能化生产和精细化管理提供技术支持。另外,所述基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法有助于为酒品分级以及精细化的管理提供必要的数据支撑,让原料配比不再全靠人工,提高精确度。而且,本实施例的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法可以快速无损检测高粱颗粒品种,促进了固态白酒酿造工业的数字化改造及生产效率的提升。
附图说明
图1是本发明实施例的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法的算例算法流程图。
图2是本发明实施例的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法中图像预处理效果图。
图3是本发明实施例的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法中粳高粱与糯高粱形状参数分布直方图及概率密度函数拟合曲线。
图4是本发明实施例的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法的掺杂分辨效果图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
下面将结合附图及具体实施例对本发明提供的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法作进一步的详细说明。
一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其具体步骤包括:
步骤1:提供已知品种的颗粒状原料样本的图像;
步骤2:对步骤1提供的图像进行预处理,分割颗粒状原料和采样背景;
步骤3:根据步骤2中分割出的图像区域,提取颗粒状原料对应的色彩空间信息,以及形态学参数特征;
步骤4:对步骤3得到的颗粒状原料的颜色和形状特征,进行数据降维处理;
步骤5:使用步骤4降维处理后的数据训练颗粒品种分类器,得到掺杂辨别模型;
步骤6:将待检测颗粒状原料分散开,并拍摄待检测颗粒状原料的图像;
步骤7:对步骤6中采集到的图像进行预处理,分割颗粒状原料和采样背景,提取颜色和形状特征,进行数据降维处理,利用步骤5训练得到的掺杂辨别模型对分割出的颗粒状原料进行品种识别,采用伪着色法标注出正常与杂质颗粒,并计算掺杂率。
具体的,在步骤1中,可以使用低成本的视觉传感器,如CCD工业相机等,拍摄已知品种的颗粒状原料样本的图像。
在步骤2中,对图像进行预处理的操作具体为,亮度均衡、图像二值化、去噪、膨胀腐蚀、计算连通图、计算阈值分割颗粒状原料与图像背景。
在步骤3中,色彩空间信息包括RGB通道数据及由之计算得到的CIELAB、HSV颜色表示;形态学参数特征包括如面积、周长、长短轴直径、离心率、圆度、长短轴直径比等颗粒图像区域提取的形状信息。
在步骤4中,数据降维处理可以使用PCA及其衍生算法、聚类以及MDS、LLE等流形学习算法。
在步骤5中,训练颗粒品种分类器可以使用PLS、SVM等模型。
在步骤6中,将待检测颗粒状原料放置于振动台,利用振动台将待检测颗粒状原料分散开,减少待检测颗粒状原料颗粒粘连。并采用CCD工业相机等拍摄待检测颗粒状原料的图像。
在步骤7中,对图像进行预处理的操作具体为,亮度均衡、图像二值化、去噪、膨胀腐蚀、计算连通图、计算阈值分割颗粒状原料与图像背景。颜色特征具体为RGB通道数据及由之计算得到的CIELAB、HSV颜色表示;形状特征具体为面积、周长、长短轴直径、离心率、圆度、长短轴直径比等颗粒图像区域提取的形状信息。数据降维处理可以使用PCA及其衍生算法、聚类以及MDS、LLE等流形学习算法。
请参阅图1,本发明实施例提供一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其具体步骤包括:
步骤1:提供粳高粱与糯高粱两种高粱的图像。具体的,可以采用CCD工业相机拍摄粳高粱与糯高粱样本的图像。
步骤2:对粳高粱与糯高粱样本的图像分别进行预处理,分割颗粒状原料和采样背景。对图像进行预处理的操作具体为,进行亮度均衡及二值化处理,分离高粱颗粒和采样盒背景,去除噪点后,通过计算连通区域,将颗粒状原料和采样背景分割开,如图2所示。
步骤3:根据步骤2中分割出的图像区域,提取颗粒状原料对应的色彩空间信息,以及形态学参数特征。具体的,统计颗粒的像素面积、长短轴直径等信息,绘制其分布直方图,并以此为据设置阈值,筛除数据异常的点,如多粒高粱粘连的情况。阈值确定后,对同类高粱的所有图像进行批处理,提取颗粒的面积、长短轴、离心率、圆度等形态学参数,以及对应区域的RGB通道数据,以待后续分类器训练使用。绘制对比两种高梁的面积、长轴直径、离心率和圆度分布直方图,并拟合概率密度函数(probability density function,pdf),如图3所示(短轴直径分布与长轴类似,故以后者作为代表)。从图3可以看出,粳高粱和糯高粱在面积和长轴长度两个特征方面近似于高斯分布,且有较大差别,能够设计分类器将两类高粱区分开。
步骤4:对步骤3得到的颗粒状原料的颜色和形状特征,进行数据降维处理。具体的,本实施例中,使用主成分分析(Principal components analysis,PCA)的降维处理方式。
步骤5:使用步骤4降维处理后的数据训练颗粒品种分类器,得到掺杂辨别模型。
在本实施例中,对两个品种各采集了300张图片分割出约18000个颗粒,提取其形状参数数据,使用其中70%进行训练,剩余30%用作测试集。在测试集上,径向基函数(Radial Basis Function,RBF)核的支持向量机(Support Vector Machine,SVM)模型取得了84.71%的分类准确率。
步骤6:将待检测颗粒状原料分散开,并拍摄待检测颗粒状原料的图像。具体的,按照粳高粱占10%的掺杂率,配制待检测颗粒状原料样本,随机采样选出部分待检测颗粒状原料放置于振动台,利用振动台的振动将待检测颗粒状原料分散开,减少待检测颗粒状原料颗粒粘连的现象,并采用CCD工业相机拍摄待检测颗粒状原料的图像。
步骤7:对步骤6中采集到的图像进行预处理,分割颗粒状原料和采样背景,提取颜色和形状特征,进行数据降维处理,利用步骤5训练得到的掺杂辨别模型对分割出的颗粒状原料进行品种识别,采用伪着色法标注出正常与杂质颗粒,并计算掺杂率。具体的,通过步骤5训练好的分类器进行分类并标注杂质颗粒,如图4所示,白色为糯高粱颗粒,共26粒,灰色为识别出的粳高粱颗粒,共3粒。按照颗粒数占比计算出待检测颗粒状原料中粳高粱的掺杂率为10.34%,与10%的实际值相比,相对误差为3.29%。
相较于现有依托人工少量取样并通过人工筛分的测量方法,本发明实施例提供的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法,可以实现对制酒颗粒状原料的持续采样及粒度在线测量,同时建立样本模型数据库,便于不断迭代提升模型,对酿造行业数字化及智能化生产和精细化管理提供技术支持。另外,所述基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法有助于为酒品分级以及精细化的管理提供必要的数据支撑,让原料配比不再全靠人工,提高精确度。本实施例的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法可以快速无损检测高粱颗粒品种,促进了固态白酒酿造工业的数字化改造及生产效率的提升。
另外,本领域技术人员还可在本发明精神内做其他变化,当然,这些依据本发明精神所做的变化,都应包含在本发明所要求保护的范围之内。
Claims (10)
1.一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,包括以下步骤:
步骤1:提供已知品种的颗粒状原料样本的图像;
步骤2:对步骤1提供的图像进行预处理,分割颗粒状原料和采样背景;
步骤3:根据步骤2中分割出的图像区域,提取颗粒状原料对应的色彩空间信息,以及形态学参数特征;
步骤4:对步骤3得到的颗粒状原料的颜色和形状特征,进行数据降维处理;
步骤5:使用步骤4降维处理后的数据训练颗粒品种分类器,得到掺杂辨别模型;
步骤6:将待检测颗粒状原料分散开,并拍摄待检测颗粒状原料的图像;
步骤7:对步骤6中采集到的图像进行预处理,分割颗粒状原料和采样背景,提取颜色和形状特征,进行数据降维处理,利用步骤5训练得到的掺杂辨别模型对分割出的颗粒状原料进行品种识别,采用伪着色法标注出正常与杂质颗粒,并计算掺杂率。
2.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其特征在于,在步骤1中,使用视觉传感器拍摄已知品种的颗粒状原料样本的图像。
3.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其特征在于,在步骤2和步骤7中,所述对图像进行预处理的操作具体为亮度均衡、图像二值化、去噪、膨胀腐蚀、计算连通图、计算阈值分割颗粒状原料与图像背景。
4.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其特征在于,在步骤3中,所述色彩空间信息包括RGB通道数据及由之计算得到的CIELAB、HSV颜色表示。
5.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其特征在于,在步骤3中,所述形态学参数特征包括面积、周长、长短轴直径、离心率、圆度、长短轴直径比颗粒图像区域提取的形状信息。
6.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其特征在于,在步骤4和步骤7中,所述进行数据降维处理可以使用PCA及其衍生算法、聚类、MDS、LLE流形学习算法。
7.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其特征在于,在步骤5中,所述训练颗粒品种分类器可以使用PLS或SVM模型。
8.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其特征在于,在步骤6中,将待检测颗粒状原料放置于振动台,利用该振动台将所述待检测颗粒状原料分散开。
9.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其特征在于,在步骤7中,所述颜色特征具体为RGB通道数据及由之计算得到的CIELAB、HSV颜色表示。
10.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法,其特征在于,在步骤7中,所述形状特征具体为面积、周长、长短轴直径、离心率、圆度、长短轴直径比颗粒图像区域提取的形状信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305471.8A CN114724027A (zh) | 2022-03-25 | 2022-03-25 | 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305471.8A CN114724027A (zh) | 2022-03-25 | 2022-03-25 | 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114724027A true CN114724027A (zh) | 2022-07-08 |
Family
ID=82239914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210305471.8A Pending CN114724027A (zh) | 2022-03-25 | 2022-03-25 | 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114724027A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090167850A1 (en) * | 2005-04-26 | 2009-07-02 | Empresa Brasileira De Pesquisa Agropecuaria - Embrapa | Method for identifying guignardia citricarpa |
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
CN108020556A (zh) * | 2017-11-27 | 2018-05-11 | 山东理工大学 | 一种基于机器视觉的玉米种子在线破损检测分类方法 |
CN109034269A (zh) * | 2018-08-22 | 2018-12-18 | 华北水利水电大学 | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 |
CN109919224A (zh) * | 2019-03-06 | 2019-06-21 | 颐保医疗科技(上海)有限公司 | 一种基于人工智能的真伪混杂中药材的鉴别方法 |
CN111563519A (zh) * | 2020-04-26 | 2020-08-21 | 中南大学 | 基于Stacking加权集成学习的茶叶杂质识别方法及分选设备 |
CN111931700A (zh) * | 2020-09-10 | 2020-11-13 | 华中农业大学 | 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 |
CN114067207A (zh) * | 2021-11-16 | 2022-02-18 | 福州大学 | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 |
CN114136920A (zh) * | 2021-12-02 | 2022-03-04 | 华南农业大学 | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 |
-
2022
- 2022-03-25 CN CN202210305471.8A patent/CN114724027A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090167850A1 (en) * | 2005-04-26 | 2009-07-02 | Empresa Brasileira De Pesquisa Agropecuaria - Embrapa | Method for identifying guignardia citricarpa |
CN101701916A (zh) * | 2009-12-01 | 2010-05-05 | 中国农业大学 | 一种玉米品种快速鉴定、鉴别方法 |
CN108020556A (zh) * | 2017-11-27 | 2018-05-11 | 山东理工大学 | 一种基于机器视觉的玉米种子在线破损检测分类方法 |
CN109034269A (zh) * | 2018-08-22 | 2018-12-18 | 华北水利水电大学 | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 |
CN109919224A (zh) * | 2019-03-06 | 2019-06-21 | 颐保医疗科技(上海)有限公司 | 一种基于人工智能的真伪混杂中药材的鉴别方法 |
CN111563519A (zh) * | 2020-04-26 | 2020-08-21 | 中南大学 | 基于Stacking加权集成学习的茶叶杂质识别方法及分选设备 |
CN111931700A (zh) * | 2020-09-10 | 2020-11-13 | 华中农业大学 | 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 |
CN114067207A (zh) * | 2021-11-16 | 2022-02-18 | 福州大学 | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 |
CN114136920A (zh) * | 2021-12-02 | 2022-03-04 | 华南农业大学 | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 |
Non-Patent Citations (2)
Title |
---|
吕景美;: "一种改进的多类SVM彩色图像分割算法", 核电子学与探测技术, no. 08, 20 August 2013 (2013-08-20) * |
左卫刚;高洋;: "人工视觉网络在小麦籽粒分类中的应用", 种子, no. 07, 25 July 2020 (2020-07-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Liu et al. | Identification of rice seed varieties using neural network | |
Zapotoczny et al. | Application of image analysis for the varietal classification of barley:: Morphological features | |
Luo et al. | Classification of weed seeds based on visual images and deep learning | |
CN104990892A (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
Arefi et al. | Recognition of weed seed species by image processing | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
Khunkhett et al. | Non-destructive identification of pure breeding rice seed using digital image analysis | |
Sidnal et al. | Grading and quality testing of food grains using neural network | |
CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
Agustin et al. | Automatic milled rice quality analysis | |
Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
Yang et al. | Machine vision based granular raw material adulteration identification in Baijiu brewing | |
Ji et al. | Apple color automatic grading method based on machine vision | |
CN114724027A (zh) | 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 | |
Zhang et al. | Design of tire damage image recognition system based on deep learning | |
Bai et al. | Recognition of bovine milk somatic cells based on multi-feature extraction and a GBDT-AdaBoost fusion model | |
CN114494405A (zh) | 一种草莓外形估测与自动分级方法、装置以及计算机存储介质 | |
Symons et al. | Quality evaluation of corn/maize | |
Akhtar et al. | Shape and texture based classification of citrus using principal component analysis | |
Kaur et al. | Automatic classification of turmeric rhizomes using the external morphological characteristics | |
CN114724005A (zh) | 基于深度神经网络的固态酿造颗粒状原料掺杂鉴别方法 |
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 |