CN114998565B - 一种半成品虾的尺寸检测装置与方法 - Google Patents
一种半成品虾的尺寸检测装置与方法 Download PDFInfo
- Publication number
- CN114998565B CN114998565B CN202210568757.5A CN202210568757A CN114998565B CN 114998565 B CN114998565 B CN 114998565B CN 202210568757 A CN202210568757 A CN 202210568757A CN 114998565 B CN114998565 B CN 114998565B
- Authority
- CN
- China
- Prior art keywords
- image
- skeleton line
- semi
- finished
- shrimp
- 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
- 241000238557 Decapoda Species 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 94
- 241000238562 Farfantepenaeus aztecus Species 0.000 claims abstract description 46
- 241000238565 lobster Species 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 26
- 238000005286 illumination Methods 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000002788 crimping Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010257 thawing Methods 0.000 description 6
- 230000002035 prolonged effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 241000442431 Pleoticus muelleri Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011265 semifinished product Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 241000238424 Crustacea Species 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种半成品虾的尺寸检测装置及方法,装置包括:传送装置、图像采集装置、图像处理装置和控制器;所述控制器分别与所述传送装置和所述图像处理装置连接;所述传送装置用于带动半成品阿根廷红虾的运动,并在运动时,控制图像采集装置的工作;所述图像采集装置用于采集原始图像,并将所述原始图像传输至图像处理装置;所述图像处理装置用于判断是否成功通过所述图像采集装置获取到半成品阿根廷红虾的图像,还用于判断尺寸检测方法的程序运行是否正常,并根据所述原始图像来确定尺寸。所述控制器用于接收所述图像处理装置发出的异常信号,并控制所述传送装置的关停。本发明能够智能测量半成品虾的长度,兼顾了智能性与实用性。
Description
技术领域
本发明涉及无损检测技术领域,特别是涉及一种半成品虾的尺寸检测装置与方法。
背景技术
计算机视觉作为目前前沿技术,已经广泛应用制造业、农业、产品无损检测等领域。计算机视觉是通过图像采集装置来代替人眼,通过图像处理装置来代替人脑对图像进行加工处理,相比于人工,其优势在于识别速度快,准确率高,不会因主观因素导致误差,且检测结果之间具有一致性。
虾是一种具有高食疗价值的甲壳类节肢动物。随着虾的捕捞业的发展,我国已经成为虾的最大消费市场之一。但是很长时间以来,捕捞过的虾在加工工厂中经前处理后主要依靠工人来对照卡尺进行长度的判定,这会占用大量的劳动力,不可避免的会出现工作效率低下,加工主观性强等问题,并且工人长期工作之后容易出现视觉疲劳,降低半成品虾的分级效率及准确性,影响企业的收益,带来一系列不必要的损失。
因此,目前亟需一种在半成品虾的尺寸检测过程中更加高效且准确的装置与方法。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种半成品虾的尺寸检测装置与方法。
为实现上述目的,本发明提供了如下方案:
一种半成品虾的尺寸检测装置,包括:传送装置、图像采集装置、图像处理装置和控制器;
所述控制器分别与所述传送装置和所述图像处理装置连接;所述传送装置用于带动半成品阿根廷红虾的运动,并在所述半成品阿根廷红虾的运动时,控制图像采集装置的工作;
所述图像采集装置用于采集半成品阿根廷红虾的原始图像,并将所述原始图像传输至图像处理装置;
所述图像处理装置用于判断是否成功通过所述图像采集装置获取到半成品阿根廷红虾的图像,还用于判断半成品阿根廷红虾的尺寸检测方法的程序运行是否正常,并根据所述原始图像来确定半成品阿根廷红虾的尺寸。
所述控制器用于接收所述图像处理装置发出的异常信号,并控制所述传送装置的关停。
优选地,还包括承重支架;
所述传送装置、所述图像采集装置和所述控制器设置在所述承重支架上。
优选地,所述传送装置包括传送系统和光电传感器;所述传送系统的两侧各开有槽口;各个所述槽口均设置有所述光电传感器;所述光电传感器用于控制所述图像采集装置的工作状态。
优选地,所述传送系统的表面部分涂有绿色材料。
优选地,所述图像采集装置包括光照箱、相机支架固定板、CMOS彩色相机、白色LED带孔背光板和光源板支架;所述光照箱顶部设置有所述相机支架固定板,所述相机支架固定板下方中心位置设置有所述CMOS彩色相机,所述CMOS彩色相机镜头穿过所述白色LED带孔背光板,所述白色LED带孔背光板设置于所述光源板支架上,所述光源板支架固定于所述光照箱一侧。
优选地,所述光照箱的宽度大于所述传送装置的宽度;所述相机支架固定板设置于所述光照箱的顶端中心位置处,且所述相机支架固定板的一侧开有槽口,槽口位于靠近所述传送系统的一侧,且开口方向垂直于所述传送系统,槽口用于安装CMOS彩色相机;
所述CMOS彩色相机的镜头穿过所述白色LED带孔背光板,所述CMOS彩色相机的输入端连接所述光电传感器的输出端,所述CMOS彩色相机的输出端连接所述图像处理装置的输入端,CMOS彩色相机用于所述根据光电传感器发出的信号获取半成品阿根廷红虾的图像,并将获取的图像传输给图像处理装置;
所述光电传感器的输出端与所述CMOS彩色相机连接,所述光电传感器用于控制CMOS彩色相机进行拍照;所述白色LED带孔背光板通过所述光源板支架平行放置于所述传送系统的上方,所述白色LED带孔背光板用于采集图像时进行补光以保证半成品阿根廷红虾的图像采集质量;
所述光源板支架设置在所述传送系统运动方向的一侧,所述光源板支架用于支撑白色LED带孔背光板;所述传送系统平行放置于承重支架上,所述传送系统用于带动半成品阿根廷红虾运动,并根据所述控制器的指令进行停止工作;所述控制器放置于所述承重支架上,所述控制器的输入端连接所述图像处理装置,所述控制器的输出端连接所述传送系统,所述控制器用于接收所述图像处理装置的程序运行异常信号,并且输出停止所述传送系统运行的指令。
一种半成品虾的尺寸检测方法,应用于上述半成品虾的尺寸检测装置,所述方法包括:
获取传送装置上的半成品虾的原始图像;
根据训练模型对所述半成品虾的原始图像进行处理,得到半成品虾的边界框信息和半成品虾的分割图像;所述训练模型是由半成品虾的数据特征训练得到的;
对所述分割图像进行图像处理,获得半成品虾的轮廓图像、轮廓特征信息、骨架线图像和骨架线特征信息;
根据所述骨架线图像和所述骨架线特征信息,对骨架线是否有分支点进行判断,以确定是否对半成品虾的骨架线进行剪支,根据判断结果并确定主骨架线图像及主骨架线特征信息;
根据所述轮廓特征信息和所述主骨架线特征信息建立长度检测模型,并根据所述长度检测模型确定半成品虾的长度。
优选地,所述对所述分割图像进行图像处理,获得半成品虾的轮廓图像、轮廓特征信息、骨架线图像和骨架线特征信息,包括:
根据所述边界框信息对所述分割图像进行裁剪,获得裁剪图像;
对所述裁剪图像进行模糊处理,获得平滑图像;
对所述平滑图像进行灰度处理,获得灰度图像;
对所述灰度图像进行轮廓提取,获得所述半成品虾的轮廓图像和所述轮廓特征信息;
对所述灰度图像进行二值化,获得半成品虾的二值图像;
对所述二值图像进行骨架线提取,获得所述骨架线图像和所述骨架线特征信息。
优选地,所述根据所述骨架线图像和所述骨架线特征信息,对骨架线是否有分支点进行判断,以确定是否对半成品虾的骨架线进行剪支,根据判断结果并确定主骨架线图像及主骨架线特征信息,包括:
对所述骨架线图像中每一像素点周围的像素点的像素值之和进行计算,并判断所述像素值之和是否小于设定值,若是,则判断无分支点,直接进行下一步骤;若否,则判断有分支点,需进行剪支处理,所述剪支处理具体包括:
根据所述骨架线图像,获取所述分支点的数量及所述分支点的像素坐标;
对所述分支点的像素值进行重设,以确定不同的分支并统计不同分支的像素点数量;
根据所述分支点的数量确定随机选取分支的数目,统计每一种方式产生的分支像素点数量之和;
根据所述分支像素点数量之和进行数量比较,选取分支像素点数量之和最多时所对应的分支作为主骨架线,得到应保留的分支信息;
根据所述应保留的分支信息去除剩余分支,并通过对所述剩余分支的像素值进行重设,获得所述主骨架线图像和所述主骨架线特征信息。
优选地,所述根据所述轮廓特征信息和所述主骨架线特征信息建立长度检测模型,并根据所述长度检测模型确定半成品虾的长度,包括:
获取主骨架线的卷曲度和边缘轮廓的周长;所述卷曲度的确定方法为:获取所述主骨架线的两端点坐标,并确定所述主骨架线两端点连线的垂直平分线方程;获取所述主骨架线上满足所述垂直平分线方程的坐标点和所述主骨架线两端点形成的三角形;根据所述三角形求取所述主骨架线上满足所述垂直平分线方程的坐标点所对应的角度,得到所述卷曲度;
延长所述主骨架线并确定延长后的主骨架线的长度;
根据所述主骨架线的卷曲度、所述边缘轮廓的周长和所述主骨架线的长度确定所述半成品虾的长度,具体包括:
根据所述卷曲度、所述周长和所述延长后的主骨架线的长度,利用如下公式确定所述半成品虾的长度:
S=W(αθ+βC+μL+τ)
其中,S为半成品虾的长度,W为分支点影响系数,α、β、μ和τ分别为需求的第一未知参量、第二未知参量、第三未知参量和第四未知参量,θ为主骨架线的卷曲度,C为边缘轮廓的周长,L为延长后的主骨架线的长度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明基于无损检测的方法,对半成品虾的尺寸进行自动检测,兼顾了智能型与实用性能。通过一种半成品虾的检测装置与方法,按照规定要求将半成品虾放置在传送带指定区域上,即可自动测得半成品虾的实际长度,为后序分级做准备。在现有技术中,大多数是以未经前加工的虾为研究对象,对于在实际生产过程中的半成品虾的研究少有提及,所以本发明以半成品虾为研究对象,相比于现有生产加工过程中的工人依靠卡尺来测量半成品虾的长度,本发明利用一种半成品虾的检测装置对半成品虾的图像进行获取的同时根据一种半成品虾的检测方法对图像进行处理,能够智能测量半成品虾的长度,兼顾了智能性与实用性,填补了半成品虾的尺寸智能无损检测领域的空白,具有一定实际意义。本发明减少了加工过程的工人数量,提高了加工过程的工作效率及准确率。相比于现有生产加工过程中的工人依靠卡尺来测量半成品虾的长度,本发明大大减少了工人的数量,提高了工作效率,同时在满足实验规定要求的情况下,能够提高检测的准确率,避免因工人主观因素而导致的半成品虾的长度检测出现极大误差,从而导致后序依靠长度分级出现误分情况的出现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的装置结构图;
图2为本发明提供的实施例中的方法流程图。
图3为本发明提供的实施例中的整体流程图。
图4为本发明提供的实施例中的训练模型处理后的分割图像。
图5为本发明提供的实施例中的裁剪结果示意图;
图6为本发明提供的实施例中的图像模糊结果示意图;
图7为本发明提供的实施例中的轮廓提取结果示意图;
图8为本发明提供的实施例中的骨架线提取结果示意图;
图9为本发明提供的实施例中的像素点标记示意图;
图10为本发明提供的实施例中的主骨架线图像示意图;
图11为本发明提供的实施例中的卷曲度计算示意图;
图12为本发明提供的实施例中的延长主骨架线示意图。
1-相机支架固定板,2-CMOS彩色相机,3-白色LED带孔背光板,4-光源板支架,5-光照箱,6-光电传感器,7-传送系统,8-图像处理装置,9-控制器,10-承重支架。
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。
本发明的目的是提供一种半成品虾的尺寸检测装置与方法,能够智能测量半成品虾的长度,兼顾了智能性与实用性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的实施例中的装置结构图,如图1所示,本发明提供了一种半成品阿根廷红虾的尺寸检测装置,包括:传送装置、图像采集装置、图像处理装置8、控制器9和承重支架10;
所述传送装置、所述图像处理装置8均与所述控制器9连接;所述传送装置用于带动半成品阿根廷红虾的运动并控制图像采集装置的工作;所述图像采集装置用于采集半成品阿根廷红虾的原始图像并将所述半成品阿根廷红虾的原始图像传输至图像处理装置8;所述图像处理装置8用于判断是否成功通过所述图像采集装置获取到半成品阿根廷红虾的图像以及用于判断半成品阿根廷红虾的尺寸检测方法的程序运行是否正常同时能够根据所获取的半成品阿根廷红虾的原始图像来确定半成品阿根廷红虾的尺寸。所述控制器9用于接收图像处理装置8发出的异常信号并且控制传送系统的关停;所述承重支架10用于支撑所述传送装置、图像采集装置以及控制器9。
所述传送装置包括传送系统7和光电传感器6;所述传送系统7表面部分涂有绿色且两侧各开有槽口;所述槽口一侧各设有一个且同轴线;所述槽口用于设置安装所述光电传感器6;所述光电传感器6用于控制图像采集工作的进行。
所述图像采集装置包括:光照箱5,相机支架固定板1,CMOS彩色相机2,白色LED带孔背光板3,光源板支架4;所述光照箱5顶部设置有所述相机支架固定板1,所述相机支架固定板1下方中心位置设置有所述CMOS彩色相机2,所述CMOS彩色相机2镜头穿过所述白色LED带孔背光板3,所述白色LED带孔背光板3设置于所述光源板支架4上,所述光源板支架4固定于所述光照箱5一侧。光照箱5放置于承重支架10上,作用是固定相机支架固定板1和光源板支架4,光照箱5的宽度大于传送装置的宽度,便于传送装置从光照箱5内部穿过。相机支架固定板1设置于光照箱5的顶端中心位置处且相机支架固定板1一侧开有槽口,槽口位于靠近传送系统7一侧且开口方向垂直于传送系统7,用于安装CMOS彩色相机2。CMOS彩色相机2为高帧率秒拍相机且相机镜头穿过白色LED带孔背光板3,CMOS彩色相机2输入端连接光电传感器6的输出端,CMOS彩色相机2输出端连接图像处理装置8输入端,CMOS彩色相机2作用是在传送系统6运动过程中根据光电传感器6发出的信号获取半成品阿根廷红虾的清晰图像并将获取的图像传输给图像处理装置8。光电传感器6设置于传统系统7运行方向的两侧槽口处,输出端与CMOS彩色相机2连接,作用是控制CMOS彩色相机2进行拍照。白色LED带孔背光板3通过光源板支架4平行放置于传送系统7的上方,作用是采集图像时进行补光以保证半成品阿根廷红虾的图像采集质量。光源板支架4设置在传送系统7运动方向的一侧,作用是支撑白色LED带孔背光板3。传送系统7平行放置于承重支架10上,作用是带动半成品阿根廷红虾运动并根据控制器9的指令进行停止工作。控制器9放置于承重支架10上,输入端连接图像处理装置8,输出端连接传送系统7,作用是接收图像处理装置8的程序运行异常信号并且输出停止传送系统7运行的指令。
所述传送系统7为传送带,传送带部分表面涂有绿色,其余为白色,绿色所在传送带上的区域宽度与CMOS彩色相机2的拍照区域宽度一致,区域长度与整个传送带的长度一致。
图2为本发明提供的实施例中的,如图2所示,本发明还提供一种半成品虾的尺寸检测方法,应用于上述半成品虾的尺寸检测装置,所述方法包括:
步骤100:获取传送装置上的半成品虾的原始图像;
步骤200:根据训练模型对所述半成品虾的原始图像进行处理,得到半成品虾的边界框信息和半成品虾的分割图像;所述训练模型是由半成品虾的数据特征训练得到的;
步骤300:对所述分割图像进行图像处理,获得半成品虾的轮廓图像、轮廓特征信息、骨架线图像和骨架线特征信息;
步骤400:根据所述骨架线图像和所述骨架线特征信息,对骨架线是否有分支点进行判断,以确定是否对半成品虾的骨架线进行剪支,根据判断结果并确定主骨架线图像及主骨架线特征信息;
步骤500:根据所述轮廓特征信息和所述主骨架线特征信息建立长度检测模型,并根据所述长度检测模型确定半成品虾的长度。
优选地,步骤100所述的半成品虾来自南大西洋的阿根廷红虾,捕捞出水后速冻至零下20摄氏度以下,之后在零下18摄氏度的冷藏条件下运输至加工工厂,需经过前加工处理后才可获得实验样本,前加工处理具体包括:
解冻。通过流速稳定的流水对阿根廷红虾进行解冻,解冻时长约在15min左右,流水温度在8℃左右,流速保证不对虾体造成损伤,并在流水解冻过程中间不断在虾体上涂抹随车运来的冰层,通过8℃的流水对阿根廷红虾进行解冻可以保证阿根廷红虾在解冻过程中不会因虾体水分流失过多导致虾体形状发生变化,从而影响后序的图像采集质量。在流水过程中不断涂抹冰层是为了保持阿根廷红虾本身外观颜色,便于和背景区分,有利于后序图像特征提取的顺利进行。利用此种方法进行解冻能够保证虾体的形状解冻前后无较大变化并且能够保证阿根廷红虾自身的外观颜色;
去头。人工对解冻后的阿根廷红虾去头,通过人工判断阿根廷红虾的头部位置并通过人手对阿根廷红虾头部慢慢转动保证虾线随虾头的去除能够被抽出来,在去头过程中并保证不对阿根廷红虾的虾体造成损伤,且保证虾体上无虾线、无触角等残留。通过对阿根廷红虾进行去头,保证了后序的半成品阿根廷红虾提取的轮廓光滑无突变情况,从而在一定程度上保证了半成品阿根廷红虾的周长与长度具有相关性,对后序的长度模型公式的建立提供了现实依据;
去壳。人工对无头的半成品阿根廷红虾进行剥壳,保证虾足的完全去除,从而保证了虾体边缘无凸起,便于后序图像处理中轮廓的提取,并在一定程度上保证了半成品阿根廷红虾的周长与长度之间的相关性,去壳过程中在保证不损伤虾体的情况下,获得半成品阿根廷红虾。
经上述步骤处理后,随机选取色泽均匀且虾体本身与虾体之间不粘连的半成品阿根廷红虾进行实验。
优选地,步骤200所述的根据训练模型对所述半成品虾的原始图像进行处理,得到半成品虾的边界框信息和半成品虾的分割图像模型,所述训练模型应在实验前提前训练好,训练过程具体包括:
采集预训练的半成品阿根廷红虾的图像。利用半成品虾的尺寸检测装置采集模型的预训练的半成品阿根廷红虾的图像,将经过前加工处理的半成品阿根廷红虾随机选取一定个数依次放置在传送系统7绿色区域上,保证半成品阿根廷红虾的不同个体之间具有一定间隔,保证当一个半成品阿根廷红虾在拍照区域内时,在其后方的另一个半成品阿根廷红虾还未进入拍照区域,当半成品阿根廷红虾经过光电传感器6时,通过半成品阿根廷红虾尺寸检测装置获取其图像,将其传输到图像处理装置8中,保存到指定路径中,按照如上所述,直至指定路径中采集的用于训练模型的半成品阿根廷红虾图像个数满足于半成品阿根廷红虾在实际加工中的处理要求,则通过图像处理装置8控制图像处理装置内部蜂鸣器进行警示,通知操作人图像采集完毕;
人工标注半成品阿根廷红虾的图像。通过人工对预训练的半成品阿根廷红虾图像的目标区域进行标注。利用可选的labelimg工具箱对采集到的半成品阿根廷红虾的图像进行标注,从而得到用于训练模型的标签图像;
模型训练。将预训练的半成品阿根廷红虾的图像以及对应的标签图像按照可选的训练集和验证集的比值为7比3送入相应模型中进行训练,可选的相应迭代次数为300,可选的加载图片数为2;
生成模型。通过模型训练得到最终可用于处理半成品阿根廷红虾的模型。
优选地,所述步骤300包括:
根据所述边界框信息对所述分割图像进行裁剪,获得裁剪图像;
对所述裁剪图像进行模糊处理,获得平滑图像;
对所述平滑图像进行灰度处理,获得灰度图像;
对所述灰度图像进行轮廓提取,获得所述半成品虾的轮廓图像和所述轮廓特征信息;
对所述灰度图像进行二值化,获得半成品虾的二值图像;
对所述二值图像进行骨架线提取,获得所述骨架线图像和所述骨架线特征信息。
优选地,所述步骤400包括:
对所述骨架线图像中每一像素点周围的像素点的像素值之和进行计算,并判断所述像素值之和是否小于设定值,若是,则判断无分支点,直接进行下一步骤;若否,则判断有分支点,需进行剪支处理,所述剪支处理具体包括:
根据所述骨架线图像,获取所述分支点的数量及所述分支点的像素坐标;
对所述分支点的像素值进行重设,以确定不同的分支并统计不同分支的像素点数量;
根据所述分支点的数量确定随机选取分支的数目,统计每一种方式产生的分支像素点数量之和;
根据所述分支像素点数量之和进行数量比较,选取分支像素点数量之和最多时所对应的分支作为主骨架线,得到应保留的分支信息;
根据所述应保留的分支信息去除剩余分支,并通过对所述剩余分支的像素值进行重设,获得所述主骨架线图像和所述主骨架线特征信息。
优选地,所述步骤500包括:
获取主骨架线的卷曲度和边缘轮廓的周长;所述卷曲度的确定方法为:获取所述主骨架线的两端点坐标,并确定所述主骨架线两端点连线的垂直平分线方程;获取所述主骨架线上满足所述垂直平分线方程的坐标点和所述主骨架线两端点形成的三角形;根据所述三角形求取所述主骨架线上满足所述垂直平分线方程的坐标点所对应的角度,得到所述卷曲度;
延长所述主骨架线并确定延长后的主骨架线的长度;
根据所述主骨架线的卷曲度、所述边缘轮廓的周长和所述主骨架线的长度确定所述半成品虾的长度,具体包括:
根据所述卷曲度、所述周长和所述延长后的主骨架线的长度,利用如下公式确定所述半成品虾的长度:
S=W(αθ+βC+μL+τ)
其中,S为半成品虾的长度,W为分支点影响系数,α、β、μ和τ分别为需求的第一未知参量、第二未知参量、第三未知参量和第四未知参量,θ为主骨架线的卷曲度,C为边缘轮廓的周长,L为延长后的主骨架线的长度。
如图3所示,将半成品阿根廷红虾按照实验要求依次放置在传送带绿色区域内。通过图像采集装置获取半成品阿根廷红虾的原始图像,传输进入图像处理装置中,并由图像处理装置来判断图像是否获取成功,若无成功获取,则通过图像处理装置发出信号给控制器,通过控制器来使传送系统停止,之后通过图像处理装置内部程序调用图像采集装置继续获取图像,直至图像获取成功,传送系统继续运行。将获取的图像传入相对应的训练模型中进行处理,处理结果见图4所示。
在实际应用中,若因操作人员操作失误,导致出现一些问题导致图像采集的质量不符合实验要求,则经过训练模型处理后,需通过图像处理装置内部算法来对图像中半成品阿根廷红虾完整度进行检测,主要判断其边缘轮廓曲线中是否存在大于设定阈值的直线长度来对半成品阿根廷红虾的完整度进行判断。若存在不完整的虾体,则通过图像处理装置控制内部蜂鸣器进行预警并向控制器发出信号,通过控制器使传送系统停止,通过人工将半成品阿根廷红虾按照实验要求重新放置于传送带上,进行处理。若虾体完整,则根据边界框数目来判断虾体个数是否为1,若虾体个数为1,则通过图像处理装置内部算法继续判断虾体自身或者虾体之间是否粘连,若粘连,则通过基于拓扑理论的数学形态学分割算法,对其进行分割,若不粘连,则直接进行后序裁剪图像处理。若虾体个数不为1,则通过图像处理装置向控制器发出信号,通过控制器控制传送系统停止,之后通过图像处理装置内部算法判断虾体自身或者虾体之间是否粘连,若粘连,则通过基于拓扑理论的数学形态学分割算法,对其进行分割,若不粘连,则直接进行后序裁剪图像处理。
在本实施例中,半成品阿根廷红虾的图像质量符合实验要求,则经过训练模型处理之后直接对半成品阿根廷红虾的分割图像进行裁剪,根据经过训练模型处理后所得到的半成品阿根廷红虾的边界框左上角坐标和右下角坐标对图像进行裁剪。获得裁剪后的半成品阿根廷红虾的分割图像,裁剪结果见图5所示。对裁剪后的半成品阿根廷红虾的分割图像进行模糊处理去除噪声,采用定义的3×3的卷积核δ来对裁剪后的图像进行处理,3×3的卷积核δ如下所示:
图像模糊结果见图6所示。之后对其进行灰度转换,以减少通道数,增加图像处理速度,之后对灰度转换后的图像进行轮廓提取和图像二值化,将边缘轮廓的坐标值放入集合Q{(p1,q1),(p2,q2),(p3,q3),……,(pn,qn)}中,轮廓提取结果见图7所示。对二值化的图像进行骨架线提取,骨架线提取结果见图8所示。接着判断是否有分支点,对所述半成品阿根廷红虾的骨架线图像中每一像素点周围的8邻域的像素点的像素值之和进行计算,判断所述半成品阿根廷红虾的骨架线图像每一像素点周围的像素点的像素值之和是否小于3,若小于3,直接进行下一步骤的长度模型检测,若不小于3,则判断有分支点,进行剪支处理,在本实施例中,判断有分支点,需进行剪支处理,首先根据半成品阿根廷红虾的骨架线图像获取分支点的数量为1,分支点坐标记为m(xm,ym),接着对该点坐标的像素值设置为0,从而将骨架线分为了3个独立的分支,根据分支标记算法,将3个分支分别标记为白色、绿色、红色,统计其对应的像素点数量,记为n1,n2,n3,见图9所示。随机选取两个分支进行组合,通过像素点的数量和对其表示为n1+n2,n1+n3,n2+n3,选取其中数值最大的作为主骨架线,则可确定像素点数量n1所对应的分支与像素点数量n2所对应的分支以及分支点m所形成的曲线为主骨架线,将主骨架线坐标值放入集合Z{(x1,y1),(x2,y2),(x3,y3),……,(xi,yi)}中,之后将像素点数量为n3所对应的分支的所有像素点的像素值设置为0,从而达到去除分支的效果,获得主骨架线图像,见图10所示。随后进行基于轮廓特征信息和主骨架线特征信息进行长度检测,首先遍历主骨架线图像,基于图像中任一像素点的8邻域的像素值和为1,判断其为骨架线端点,记为A(xa,ya),B(xb,yb)。连接AB,确定AB连线的斜率k和中点坐标C(xc,yc)为:
根据斜率k和中点坐标C(xc,yc)可求出线段AB的垂直平分线的数学表达式:
判断集合Z{(x1,y1),(x2,y2),(x3,y3),……,(xi,yi)}中满足所述数学表达式的坐标点,记为D(xd,yd),连接AD,BD。在ΔABD中通过余弦定理求得θ,即为卷曲度,见图11所示。
根据边缘轮廓的坐标集合Q{(p1,q1),(p2,q2),(p3,q3),……,(pn,qn)}可求得半成品阿根廷红虾的外部边缘轮廓的像素点数量P1。根据相机拍摄的图像属性可获得一个像素点所对应的实际长度的图像标定系数K,公式如下:
其中2.54为一英寸对应的厘米数,dpi为图像的分辨率。
通过标定系数K,则可求得实际的半成品阿根廷红虾的周长C为:
C=K×P1
接着对主骨架线进行延长交于轮廓上某一点,已知骨架线端点坐标A(xa,ya),寻找其8邻域的像素值非0的点来确定与其相邻的骨架线像素点坐标A1(xa1,ya1)。连接AA1,确定AA1的函数表达式:
ya(x)=a0x+a1
其中a0为斜率,a1为常数。
判断边缘轮廓的坐标集合Q{(p1,q1),(p2,q2),(p3,q3),……,(pn,qn)}中满足函数表达式的坐标点,记为A2(xa2,ya2),A3(xa3,ya3)。通过比较线段AA2和线段AA3的大小,舍去其中距离较大的坐标值点,即舍去A3,在主骨架线图像中连接AA2两点,以达到延长主骨架线A端的目标。同理延长主骨架线B端步骤与延长A端一致,见图12所示。遍历A,B两端点都延长过后的主骨架线图像,确定延长过后主骨架线的像素点数量为P2,通过标定系数K,则可求得延长的半成品阿根廷红虾的骨架线长度L为:
L=K×P2
当获取到主骨架线的卷曲度θ、边缘轮廓的周长C和延长后的主骨架线的长度L后,利用如下公式对半成品阿根廷红虾的长度进行检测:
S=αθ+βC+μL+τ
根据实验要求,随机选取不同的独立样本,获取其主骨架线的卷曲度θ、边缘轮廓的周长C、延长后的主骨架线的长度L和半成品阿根廷红虾的真实长度S,记为(θε,Cε,Lε,Sε),其中ε=1,2,3...n。
利用矩阵运算对上述公式中的α、β、μ、τ未知参量进行预估,从而得到长度检测模型公式。令求令F(α、β、μ、τ)的最小值时的α、β、μ、τ。
即令
化简可得:
利用矩阵求解方程组,令
根据多元函数的未知参量求解公式可求得未知参量矩阵:
其中XT为矩阵X的转置矩阵,(XTX)-1为XTX的逆矩阵。根据未知参量的求解,从而确定长度检测模型的公式:
S=αθ+βC+μL+τ
然而,在实际应用中,常常因为分支点的存在造成虾体轮廓的周长增大,从而影响上述长度检测模型检测的准确度,根据实验得出,在分支点个数每增加一个的情况下,其系数减少0.05,则根据实验结果可确定分支点影响系数公式为:
W=1-0.05X
其中W为分支点影响系数,X为分支点个数,最终得到长度检测模型公式为:
S=W(αθ+βC+μL+τ)
使用该长度检测模型综合考虑了分支点个数、虾体卷曲度、虾体轮廓周长及虾体延长后的主骨架线长度等因素,提出了一种半成品虾的尺寸检测方法。
本发明的有益效果如下:
(1)本发明基于无损检测的方法,对半成品虾的尺寸进行自动检测,兼顾了智能型与实用性能。通过一种半成品虾的检测装置与方法,按照规定要求将半成品虾放置在传送带指定区域上,即可自动测得半成品虾的实际长度,为后序分级做准备,相比于现有生产加工过程中的工人依靠卡尺来测量半成品虾的长度,本发明利用一种半成品虾的检测装置对半成品虾的图像进行获取同时根据一种半成品虾的检测方法对图像进行处理,能够智能测量半成品虾的长度,兼顾了智能性与实用性。
(2)本发明填补了半成品虾的尺寸智能无损检测领域的空白,具有一定实际意义。在现有技术中,大多数是以未经前加工的虾为研究对象,对于在实际生产过程中的半成品虾的研究少有提及,所以本发明以半成品虾为研究对象,填补了半成品虾的尺寸智能无损检测领域的空白。
(3)本发明减少了加工过程的工人数量,提高了加工过程的工作效率及准确率。相比于现有生产加工过程中的工人依靠卡尺来测量半成品虾的长度,本发明大大减少了工人的数量,提高了工作效率,同时在满足实验规定要求的情况下,能够提高检测的准确率,避免因工人主观因素而导致的半成品虾的长度检测出现极大误差,从而导致后序依靠长度分级出现误分情况的出现。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种半成品虾的尺寸检测装置,其特征在于,包括:传送装置、图像采集装置、图像处理装置和控制器;所述控制器分别与所述传送装置和所述图像处理装置连接;所述传送装置用于带动半成品阿根廷红虾的运动,并在所述半成品阿根廷红虾的运动时,控制图像采集装置的工作;
所述图像采集装置用于采集半成品阿根廷红虾的原始图像,并将所述原始图像传输至图像处理装置;
所述图像处理装置用于判断是否成功通过所述图像采集装置获取到半成品阿根廷红虾的图像,还用于判断半成品阿根廷红虾的尺寸检测方法的程序运行是否正常,并根据所述原始图像来确定半成品阿根廷红虾的尺寸,具体为:根据训练模型对所述半成品虾的原始图像进行处理,得到半成品虾的边界框信息和半成品虾的分割图像;所述训练模型是由半成品虾的数据特征训练得到的;
对所述分割图像进行图像处理,获得半成品虾的轮廓图像、轮廓特征信息、骨架线图像和骨架线特征信息;
根据所述骨架线图像和所述骨架线特征信息,对骨架线是否有分支点进行判断,以确定是否对半成品虾的骨架线进行剪支,根据判断结果并确定主骨架线图像及主骨架线特征信息;
根据所述轮廓特征信息和所述主骨架线特征信息建立长度检测模型,并根据所述长度检测模型确定半成品虾的长度,包括:
获取主骨架线的卷曲度和边缘轮廓的周长;所述卷曲度的确定方法为:获取所述主骨架线的两端点坐标,并确定所述主骨架线两端点连线的垂直平分线方程;获取所述主骨架线上满足所述垂直平分线方程的坐标点和所述主骨架线两端点形成的三角形;根据所述三角形求取所述主骨架线上满足所述垂直平分线方程的坐标点所对应的角度,得到所述卷曲度;
延长所述主骨架线并确定延长后的主骨架线的长度;
根据所述主骨架线的卷曲度、所述边缘轮廓的周长和所述主骨架线的长度确定所述半成品虾的长度,具体包括:
根据所述卷曲度、所述周长和所述延长后的主骨架线的长度,利用如下公式确定所述半成品虾的长度:
S=W(aθ+βC+uL+T)
其中,S为半成品虾的长度,W为分支点影响系数,α、β、μ和τ分别为需求的第一未知参量、第二未知参量、第三未知参量和第四未知参量,θ为主骨架线的卷曲度,C为边缘轮廓的周长,L为延长后的主骨架线的长度;根据实验要求,随机选取不同的独立样本,获取其主骨架线的卷曲度θ、边缘轮廓的周长C、延长后的主骨架线的长度L和半成品阿根廷红虾的真实长度S,记为(θε,Cε,Lε,Sε),其中ε=1,2,3...n;利用矩阵求解方程组,令
其中XT为矩阵X的转置矩阵,(XTX)-1为XTX的逆矩阵,从而求解出未知参量α、β、μ和τ;
所述控制器(9)用于接收所述图像处理装置发出的异常信号,并控制所述传送装置的关停。
2.根据权利要求1所述的半成品虾的尺寸检测装置,其特征在于,还包括承重支架;
所述传送装置、所述图像采集装置和所述控制器设置在所述承重支架上;
所述传送装置包括传送系统和光电传感器;所述传送系统的两侧各开有槽口;各个所述槽口均设置有所述光电传感器;所述光电传感器用于控制所述图像采集装置的工作状态。
3.根据权利要求2所述的半成品虾的尺寸检测装置,其特征在于,所述传送系统的表面部分涂有绿色材料。
4.根据权利要求2所述的半成品虾的尺寸检测装置,其特征在于,所述图像采集装置包括光照箱、相机支架固定板、CMOS彩色相机、白色LED带孔背光板和光源板支架;所述光照箱顶部设置有所述相机支架固定板,所述相机支架固定板下方中心位置设置有所述CMOS彩色相机,所述CMOS彩色相机镜头穿过所述白色LED带孔背光板,所述白色LED带孔背光板设置于所述光源板支架上,所述光源板支架固定于所述光照箱一侧。
5.根据权利要求4所述的半成品虾的尺寸检测装置,其特征在于,所述光照箱的宽度大于所述传送装置的宽度;所述相机支架固定板设置于所述光照箱的顶端中心位置处,且所述相机支架固定板的一侧开有槽口,槽口位于靠近所述传送系统的一侧,且开口方向垂直于所述传送系统,槽口用于安装CMOS彩色相机;
所述CMOS彩色相机的镜头穿过所述白色LED带孔背光板,所述CMOS彩色相机的输入端连接所述光电传感器的输出端,所述CMOS彩色相机的输出端连接所述图像处理装置的输入端,CMOS彩色相机用于所述根据光电传感器发出的信号获取半成品阿根廷红虾的图像,并将获取的图像传输给图像处理装置;
所述光电传感器的输出端与所述CMOS彩色相机连接,所述光电传感器用于控制CMOS彩色相机进行拍照;所述白色LED带孔背光板通过所述光源板支架平行放置于所述传送系统的上方,所述白色LED带孔背光板用于采集图像时进行补光以保证半成品阿根廷红虾的图像采集质量;
所述光源板支架设置在所述传送系统运动方向的一侧,所述光源板支架用于支撑白色LED带孔背光板;所述传送系统平行放置于承重支架上,所述传送系统用于带动半成品阿根廷红虾运动,并根据所述控制器的指令进行停止工作;所述控制器放置于所述承重支架上,所述控制器的输入端连接所述图像处理装置,所述控制器的输出端连接所述传送系统,所述控制器用于接收所述图像处理装置的程序运行异常信号,并且输出停止所述传送系统运行的指令。
6.一种半成品虾的尺寸检测方法,其特征在于,应用于权利要求5中所述的半成品虾的尺寸检测装置,所述方法包括:
获取传送装置上的半成品虾的原始图像;
根据训练模型对所述半成品虾的原始图像进行处理,得到半成品虾的边界框信息和半成品虾的分割图像;所述训练模型是由半成品虾的数据特征训练得到的;
对所述分割图像进行图像处理,获得半成品虾的轮廓图像、轮廓特征信息、骨架线图像和骨架线特征信息;
根据所述骨架线图像和所述骨架线特征信息,对骨架线是否有分支点进行判断,以确定是否对半成品虾的骨架线进行剪支,根据判断结果并确定主骨架线图像及主骨架线特征信息;
根据所述轮廓特征信息和所述主骨架线特征信息建立长度检测模型,并根据所述长度检测模型确定半成品虾的长度,包括:
获取主骨架线的卷曲度和边缘轮廓的周长;所述卷曲度的确定方法为:获取所述主骨架线的两端点坐标,并确定所述主骨架线两端点连线的垂直平分线方程;获取所述主骨架线上满足所述垂直平分线方程的坐标点和所述主骨架线两端点形成的三角形;根据所述三角形求取所述主骨架线上满足所述垂直平分线方程的坐标点所对应的角度,得到所述卷曲度;
延长所述主骨架线并确定延长后的主骨架线的长度;
根据所述主骨架线的卷曲度、所述边缘轮廓的周长和所述主骨架线的长度确定所述半成品虾的长度,具体包括:
根据所述卷曲度、所述周长和所述延长后的主骨架线的长度,利用如下公式确定所述半成品虾的长度:
S=W(aθ+βC+uL+T)
其中,S为半成品虾的长度,W为分支点影响系数,α、β、μ和τ分别为需求的第一未知参量、第二未知参量、第三未知参量和第四未知参量,θ为主骨架线的卷曲度,C为边缘轮廓的周长,L为延长后的主骨架线的长度;根据实验要求,随机选取不同的独立样本,获取其主骨架线的卷曲度θ、边缘轮廓的周长C、延长后的主骨架线的长度L和半成品阿根廷红虾的真实长度S,记为(θε,Cε,Lε,Sε),其中ε=1,2,3...n;利用矩阵求解方程组,令
其中XT为矩阵X的转置矩阵,(XTX)-1为XTX的逆矩阵,从而求解出未知参量α、β、μ和τ。
7.根据权利要求6所述的半成品虾的尺寸检测方法,其特征在于,所述对所述分割图像进行图像处理,获得半成品虾的轮廓图像、轮廓特征信息、骨架线图像和骨架线特征信息,包括:
根据所述边界框信息对所述分割图像进行裁剪,获得裁剪图像;
对所述裁剪图像进行模糊处理,获得平滑图像;
对所述平滑图像进行灰度处理,获得灰度图像;
对所述灰度图像进行轮廓提取,获得所述半成品虾的轮廓图像和所述轮廓特征信息;
对所述灰度图像进行二值化,获得半成品虾的二值图像;
对所述二值图像进行骨架线提取,获得所述骨架线图像和所述骨架线特征信息。
8.根据权利要求6所述的半成品虾的尺寸检测方法,其特征在于,所述根据所述骨架线图像和所述骨架线特征信息,对骨架线是否有分支点进行判断,以确定是否对半成品虾的骨架线进行剪支,根据判断结果并确定主骨架线图像及主骨架线特征信息,包括:
对所述骨架线图像中每一像素点周围的像素点的像素值之和进行计算,并判断所述像素值之和是否小于设定值,若是,则判断无分支点,直接进行下一步骤;若否,则判断有分支点,需进行剪支处理,所述剪支处理具体包括:
根据所述骨架线图像,获取所述分支点的数量及所述分支点的像素坐标;
对所述分支点的像素值进行重设,以确定不同的分支并统计不同分支的像素点数量;
根据所述分支点的数量确定随机选取分支的数目,统计每一种方式产生的分支像素点数量之和;
根据所述分支像素点数量之和进行数量比较,选取分支像素点数量之和最多时所对应的分支作为主骨架线,得到应保留的分支信息;
根据所述应保留的分支信息去除剩余分支,并通过对所述剩余分支的像素值进行重设,获得所述主骨架线图像和所述主骨架线特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210568757.5A CN114998565B (zh) | 2022-05-24 | 2022-05-24 | 一种半成品虾的尺寸检测装置与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210568757.5A CN114998565B (zh) | 2022-05-24 | 2022-05-24 | 一种半成品虾的尺寸检测装置与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998565A CN114998565A (zh) | 2022-09-02 |
CN114998565B true CN114998565B (zh) | 2024-06-07 |
Family
ID=83026506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210568757.5A Active CN114998565B (zh) | 2022-05-24 | 2022-05-24 | 一种半成品虾的尺寸检测装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998565B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389586A (zh) * | 2015-10-20 | 2016-03-09 | 浙江大学 | 一种基于计算机视觉自动检测虾体完整性的方法 |
CN108388874A (zh) * | 2018-03-05 | 2018-08-10 | 厦门大学 | 基于图像识别与级联分类器的对虾形态参数自动测量方法 |
CN110738631A (zh) * | 2019-08-26 | 2020-01-31 | 中国农业机械化科学研究院 | 一种基于图像的对虾外形信息检测方法和检测系统 |
CN110935644A (zh) * | 2019-12-27 | 2020-03-31 | 江南大学 | 一种基于机器视觉的轴承滚针尺寸检测系统及方法 |
CN113642847A (zh) * | 2021-07-15 | 2021-11-12 | 中国农业大学 | 对虾质量的估算方法和装置 |
WO2022075853A1 (en) * | 2020-10-05 | 2022-04-14 | Fishency Innovation As | Generating three-dimensional skeleton representations of aquatic animals using machine learning |
-
2022
- 2022-05-24 CN CN202210568757.5A patent/CN114998565B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389586A (zh) * | 2015-10-20 | 2016-03-09 | 浙江大学 | 一种基于计算机视觉自动检测虾体完整性的方法 |
CN108388874A (zh) * | 2018-03-05 | 2018-08-10 | 厦门大学 | 基于图像识别与级联分类器的对虾形态参数自动测量方法 |
CN110738631A (zh) * | 2019-08-26 | 2020-01-31 | 中国农业机械化科学研究院 | 一种基于图像的对虾外形信息检测方法和检测系统 |
CN110935644A (zh) * | 2019-12-27 | 2020-03-31 | 江南大学 | 一种基于机器视觉的轴承滚针尺寸检测系统及方法 |
WO2022075853A1 (en) * | 2020-10-05 | 2022-04-14 | Fishency Innovation As | Generating three-dimensional skeleton representations of aquatic animals using machine learning |
CN113642847A (zh) * | 2021-07-15 | 2021-11-12 | 中国农业大学 | 对虾质量的估算方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉技术的对虾主骨架线提取;罗艳 等;食品工业科技;20130831;第34卷(第8期);68-73 * |
Also Published As
Publication number | Publication date |
---|---|
CN114998565A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238301B2 (en) | Computer-implemented method of detecting foreign object on background object in an image, apparatus for detecting foreign object on background object in an image, and computer-program product | |
CN109829465B (zh) | 一种搜寻对虾最佳吸取位置和识别尾肢特征的方法 | |
CN101984346A (zh) | 基于低通滤波的水果表面缺陷检测方法 | |
CN116109637B (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 | |
CN104637067A (zh) | 一种纹理表面的缺陷检测方法 | |
CN114820626B (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN106900601B (zh) | 一种快速精准识别对虾图像虾头点与虾尾点的方法 | |
CN115880699A (zh) | 一种食品包装袋检测方法及系统 | |
CN107576660B (zh) | 一种基于距离等高线的双黄鸭蛋自动视觉检测方法 | |
Chao et al. | Color image classification systems for poultry viscera inspection | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 | |
CN111222445A (zh) | 吸管检测系统及其方法 | |
CN114998565B (zh) | 一种半成品虾的尺寸检测装置与方法 | |
Tang et al. | Surface inspection system of steel strip based on machine vision | |
CN109596620A (zh) | 基于机器视觉的产品表面形状缺陷检测方法和系统 | |
CN111833350B (zh) | 机器视觉检测方法与系统 | |
Sun et al. | Sequenced wave signal extraction and classification algorithm for duck egg crack on-line detection | |
CN110595959B (zh) | 一种糖膏颗粒粒度分析系统及分析方法 | |
Huang et al. | Mango surface defect detection based on HALCON | |
CN110516725B (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN111257339B (zh) | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 | |
CN114283319A (zh) | 一种机车轮对踏面剥离识别方法 | |
Aleksi et al. | Features extraction and texture defect detection of sawn wooden board images | |
CN117409403B (zh) | 一种基于深度学习的水稻稻穗成熟度估算方法 | |
CN117455940B (zh) | 基于云值守的顾客行为检测方法、系统、设备及存储介质 |
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 |