CN116012314A - 基于机器视觉的谷糙分界线识别方法、装置、设备及介质 - Google Patents
基于机器视觉的谷糙分界线识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116012314A CN116012314A CN202211648196.6A CN202211648196A CN116012314A CN 116012314 A CN116012314 A CN 116012314A CN 202211648196 A CN202211648196 A CN 202211648196A CN 116012314 A CN116012314 A CN 116012314A
- Authority
- CN
- China
- Prior art keywords
- image
- grain boundary
- machine vision
- window
- boundary line
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于机器视觉的谷糙分界线识别方法、装置、设备及介质。该方法可以包括:采集图像并进行图像增强;针对增强后的图像进行图像模型匹配,获得灰度图像;针对灰度图像进行二值化处理,获得二值化图像;根据二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线。本发明将机器视觉应用到谷糙分离过程中,能够在一定程度上提高大米加工效率,实现自动化。
Description
技术领域
本发明涉及谷糙分离技术领域,更具体地,涉及一种基于机器视觉的谷糙分界线识别方法、装置、设备及介质。
背景技术
大米加工过程一般需要经过原粮清理、砻谷、谷糙混合物分离、碾米等步骤,而谷糙混合物分离的优劣直接影响到大米的加工效率,因此优化谷糙分离工艺是提高大米加工效率的重要手段。谷糙分离是根据稻谷和糙米的粒度、密度和分层特性进行分离的,这样会在稻谷与谷糙混合物之间形成一条谷糙分界线。目前对谷糙分界线位置的获取主要依靠人眼识别的方式,主观判断所带来的误差会影响大米加工流程的效率。
因此,有必要开发一种基于机器视觉的谷糙分界线识别方法、装置、设备及介质。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种基于机器视觉的谷糙分界线识别方法、装置、设备及介质,将机器视觉应用到谷糙分离过程中,能够在一定程度上提高大米加工效率,实现自动化。
第一方面,本公开实施例提供了一种基于机器视觉的谷糙分界线识别方法,包括:
采集图像并进行图像增强;
针对增强后的图像进行图像模型匹配,获得灰度图像;
针对所述灰度图像进行二值化处理,获得二值化图像;
根据所述二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线。
优选地,针对增强后的图像进行图像模型匹配,获得灰度图像包括:
建立稻谷区域颜色信息的匹配条件;
统计所有像素点的匹配结果,判断待匹配模板的分类结果;
根据所述分类结果,确定增强后的图像的灰度化处理方式。
优选地,所述分类结果为:
其中,mood表示分类结果,m、n表示待匹配模板的尺寸。
优选地,对于mood=mood1的图像,采用RGB颜色模型进行灰度化;对于mood=mood2的图像,将RGB颜色模型转换到HSI颜色模型后,再进行灰度化处理。
优选地,根据所述二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线包括:
建立初始窗口C,对所述二值化图像按水平方向扫描,扫描的步长为1个像素点,每次扫描后,对窗口内的所有像素值进行求和;
生成C的灰度波动曲线,自适应地去除曲线中小尺度灰度波动后得到C1;
针对窗口C1去除灰度值之和小于均值的窗口后得到C2;
对窗口C2一阶差分后,保留C2中一阶差分值最大的窗口C3,通过坐标转换计算出C3的位置坐标loc,该坐标loc即为所述谷糙分界线的实际位置。
优选地,通过公式(2)对窗口内的所有像素值进行求和:
其中,C(i)为第i次扫描后窗口内的像素灰度值之和,f2(x,y)为二值化后的图像,k1,k2分别为窗口左、右两端在图像中的位置。
优选地,还包括:
针对所述谷糙分界线进行校验,若不准确,则重新针对所述灰度图像进行二值化处理,进而识别谷糙分界线,直至通过校验。
作为本公开实施例的一种具体实现方式,
第二方面,本公开实施例还提供了一种基于机器视觉的谷糙分界线识别装置,包括:
预处理模块,采集图像并进行图像增强;
匹配模块,针对增强后的图像进行图像模型匹配,获得灰度图像;
二值化模块,针对所述灰度图像进行二值化处理,获得二值化图像;
识别模块,根据所述二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线。
优选地,针对增强后的图像进行图像模型匹配,获得灰度图像包括:
建立稻谷区域颜色信息的匹配条件;
统计所有像素点的匹配结果,判断待匹配模板的分类结果;
根据所述分类结果,确定增强后的图像的灰度化处理方式。
优选地,所述分类结果为:
其中,mood表示分类结果,m、n表示待匹配模板的尺寸。
优选地,对于mood=mood1的图像,采用RGB颜色模型进行灰度化;对于mood=mood2的图像,将RGB颜色模型转换到HSI颜色模型后,再进行灰度化处理。
优选地,根据所述二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线包括:
建立初始窗口C,对所述二值化图像按水平方向扫描,扫描的步长为1个像素点,每次扫描后,对窗口内的所有像素值进行求和;
生成C的灰度波动曲线,自适应地去除曲线中小尺度灰度波动后得到C1;
针对窗口C1去除灰度值之和小于均值的窗口后得到C2;
对窗口C2一阶差分后,保留C2中一阶差分值最大的窗口C3,通过坐标转换计算出C3的位置坐标loc,该坐标loc即为所述谷糙分界线的实际位置。
优选地,通过公式(2)对窗口内的所有像素值进行求和:
其中,C(i)为第i次扫描后窗口内的像素灰度值之和,f2(x,y)为二值化后的图像,k1,k2分别为窗口左、右两端在图像中的位置。
优选地,还包括:
针对所述谷糙分界线进行校验,若不准确,则重新针对所述灰度图像进行二值化处理,进而识别谷糙分界线,直至通过校验。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的基于机器视觉的谷糙分界线识别方法。
第四方面,本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的基于机器视觉的谷糙分界线识别方法。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的基于机器视觉的谷糙分界线识别方法的步骤的流程图。
图2示出了根据本发明的一个实施例的谷糙分界线识别方法的步骤的流程图。
图3a、图3b、图3c分别示出了增强后的图像、通过传统灰度化方法获取的灰度图像与通过本方法获取的灰度图像的示意图。
图4示出了根据本发明的一个实施例的二值化图像的示意图。
图5示出了根据本发明的一个实施例的灰度波动变换处理结果的示意图。
图6a、图6b、图6c分别示出了原始图像、通过Canny算法识别的谷糙分界线与通过本方法识别的谷糙分界线的示意图。
图7示出了根据本发明的一个实施例的一种基于机器视觉的谷糙分界线识别装置的框图。
附图标记说明:
201、预处理模块;202、匹配模块;203、二值化模块;204、识别模块。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
为便于理解本发明实施例的方案及其效果,以下给出四个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
实施例1
图1示出了根据本发明的基于机器视觉的谷糙分界线识别方法的步骤的流程图。
如图1所示,该基于机器视觉的谷糙分界线识别方法包括:步骤101,采集图像并进行图像增强;步骤102,针对增强后的图像进行图像模型匹配,获得灰度图像;步骤103,针对灰度图像进行二值化处理,获得二值化图像;步骤104,根据二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线。
在一个示例中,针对增强后的图像进行图像模型匹配,获得灰度图像包括:
建立稻谷区域颜色信息的匹配条件;
统计所有像素点的匹配结果,判断待匹配模板的分类结果;
根据分类结果,确定增强后的图像的灰度化处理方式。
在一个示例中,分类结果为:
其中,mood表示分类结果,m、n表示待匹配模板的尺寸。
在一个示例中,对于mood=mood1的图像,采用RGB颜色模型进行灰度化;对于mood=mood2的图像,将RGB颜色模型转换到HSI颜色模型后,再进行灰度化处理。
在一个示例中,根据二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线包括:
建立初始窗口C,对二值化图像按水平方向扫描,扫描的步长为1个像素点,每次扫描后,对窗口内的所有像素值进行求和;
生成C的灰度波动曲线,自适应地去除曲线中小尺度灰度波动后得到C1;
针对窗口C1去除灰度值之和小于均值的窗口后得到C2;
对窗口C2一阶差分后,保留C2中一阶差分值最大的窗口c3,通过坐标转换计算出C3的位置坐标loc,该坐标loc即为谷糙分界线的实际位置。
在一个示例中,通过公式(2)对窗口内的所有像素值进行求和:
其中,C(i)为第i次扫描后窗口内的像素灰度值之和,f2(x,y)为二值化后的图像,k1,k2分别为窗口左、右两端在图像中的位置。
在一个示例中,还包括:
针对谷糙分界线进行校验,若不准确,则重新针对灰度图像进行二值化处理,进而识别谷糙分界线,直至通过校验。
图2示出了根据本发明的一个实施例的谷糙分界线识别方法的步骤的流程图。
具体地,如图2所示,将可变光源固定在谷糙分离装置的正上方,并将普通手持式摄像头放置在三脚架上。为了减少图像畸变而造成的分界线位置偏差,将手持式摄像头对准振动筛板末端的谷糙分界线上方。由于谷糙分离装置的挡板遮挡使图像两侧产生阴影,在对图像采集时忽略该阴影部分。谷糙分离装置是时刻振动的,为了更好地保留图像信息,采用先录制视频再逐帧抽取图像的方式,避免直接拍摄造成的图像模糊。
在图像收集过程中,通常会引入一定程度的噪声,从而导致目标对象的某些信息丢失,因此需要执行图像增强处理。因为高斯过滤可以有效地抑制图像噪声,选择高斯滤波算法以消除图像噪声,增强信息的有用部分,并实现增强图像的目的。
通过实地调研发现,不同工厂的谷糙分离状态图像往往呈现不同的颜色分布,同一工厂在不同时间段的谷糙分离图像颜色信息也区别较大,而相同灰度化处理方式并不满足不同颜色信息的图像。针对此问题,提出一种图像模型匹配的方法,该方法能够预先对图像匹配分类,并根据不同的匹配结果完成图像灰度化。由于谷糙分离装置的分料板是垂直于水平方向的,对谷糙分界线的识别结果需要拟合成直线,本文结合这一特点,提出一种基于滑动窗口的垂直边缘检测算法,该方法不仅不需要对边缘进行直线拟合,而且解决了图像中大量伪边缘并存的问题。
HSI颜色模型是基于彩色图像描述的图像处理算法的理想工具,它把彩色信号表示为3种属性:色调、色饱和度和亮度,克服了通用RGB颜色模型中两者耦合的缺陷。在对谷糙分离状态图像的研究中发现,位于图像左侧的稻谷区域颜色信息变化较大,基于传统的RGB彩色模型对图像进行灰度化处理的方法并不能很好地适用于所有谷糙分离状态图像。当稻谷区域的蓝色分量较小时,采用传统灰度化方法的效果并不理想。
本方法首先建立稻谷区域颜色信息的匹配条件,其次在图像左侧稻谷区域内选取待匹配模板Mask,并对Mask进行颜色信息匹配,最后根据匹配结果对谷糙分离图像采用相对应的灰度化处理方式。
图像模型匹配方法具体步骤如下:
1)建立稻谷区域颜色信息的匹配条件。在图像的左侧区域即稻谷区域内选取一块大小为m×n的图像作为待匹配模板Mask,提取Mask内各像素点的三通道颜色分量,利用公式(3)对Mask进行匹配,并将匹配结果存入矩阵M中。
其中,f(x,y,1)、f(x,y,2)、f(x,y,3)分别为Mask内(x,y)点处的R、G、B颜色分量;M(x,y)为Mask在点(x,y)处的匹配结果;{t1,t2,t3,t4,t5,t6}表示能够区分Mask颜色信息的参数集合,集合内元素取值范围为0到255。
2)统计M内所有像素点的匹配结果,利用公式(1)判断Mask的分类结果mood。
3)根据分类结果mood,对谷糙分离状态图像采用不同的灰度化处理方式。对匹配结果mood=mood1的图像直接采用RGB颜色模型的方法进行灰度化;对mood=mood2的图像,需将RGB颜色模型转换到HSI颜色模型换后,再进行灰度化处理。图像的转换公式如下:
I=(R+G+B)/3 (6)
其中:
其中,R、G、B分别为图像中像素的红色、绿色、蓝色分量、H、S和I分别为图像中像素的色调、饱和度和亮度分量。
图3a、图3b、图3c分别示出了增强后的图像、通过传统灰度化方法获取的灰度图像与通过本方法获取的灰度图像的示意图。
灰度化处理效果见图3a-图3c所示。可以看出,利用本方法后灰度化图像效果明显,较好地保留了边缘细节,更有利于二值化阈值的选取。
图4示出了根据本发明的一个实施例的二值化图像的示意图。
对直方图阈值图像分割、半阈值选择图像分割、迭代阈值图像分割、不变阈值图像分割和类间方差自适应阈值分割法进行了综合评价。由于最大类间方差分割法耗时最短,根据图像的灰度特性,当类间方差最大时,阈值图像分割的误分类概率最小,在一定程度上避免部分物体被错分为背景或背景被错误分类为物体的情况。将灰度值大于阈值的像素点设置为1,将灰度值小于阈值的像素点设置为0。当分界线位置波动较大时,应重新调整二值化阈值大小。谷糙分量图像二值化处理结果如图4所示。
边缘信息是重要的图像特征信息,边缘检测方法研究是图像分析和识别领域中一个十分引人关注的课题。其中,Canny算子因其抗干扰性强、计算复杂度低等优点,成为当下边缘检测算法的首选。在研究谷糙分离状态图像规律后发现,谷糙分离图像的全局颜色信息是渐变的,而谷糙分界线的局部颜色信息是突变的。由于二值化后图像右侧会有大量的白色像素点,直接运用Canny边缘检测算法会导致结果中出现许多的伪边缘。目前,在使用Canny边缘检测方法之前,往往需要对图像进行开闭运算或连通域操作来去除伪边缘,但这样会丢失一部分边缘信息,不利于谷糙边界线的精确识别。
为了更加准确地获取谷糙边界线的边缘信息,提出一种基于滑动窗口的垂直边缘检测算法,该算法结合了谷糙分离状态图像全局渐变、局部突变的颜色信息特征和垂直边缘特征,利用滑动窗口对二值化图像矩阵的每列像素信息进行分析筛选,得到目标边缘的位置信息。具体步骤如下:
1)建立大小为height×width的窗口C,height为图像高度,width与分料板的宽度有关。对图像按水平方向扫描,扫描的步长为1个像素点,每次扫描后,通过公式(2)对窗口内的所有像素值进行求和。
2)对窗口C进行灰度变换得到C1。为了快速地的找出C中突变与渐变部分,首先生成C的灰度波动曲线,再对像素点进行一阶差分。
然而,由于C的波动曲线并不平滑,对C一阶差分后数值波动较大。利用标准差代替人为设定的阈值,自适应地去除曲线中小尺度灰度波动后得到C1。具体描述为,遍历C中所有的极值点,如果存在ki,kj使得极值点对(pe(ki,C(ki)),te(kj,C(kj)))同时满足:
公式(8)中:
图5示出了根据本发明的一个实施例的灰度波动变换处理结果的示意图。
则点Pr(kpeak,C(kpeak))为大尺度波峰点。对波谷点的搜索策略亦是如此。C、C1的灰度波动曲线如图5所示,横坐标X表示窗口总数,纵坐标Y表示窗口内的总灰度值。通过对C的波动曲线进行灰度变换,能够去除一部分噪声,在反映灰度波动曲线全局趋势信息的同时缩减信息量,具有一定的实时性。
3)对窗口C1进行第一次筛选得到C2。去除灰度值之和小于均值的窗口后得到C2,即
C2={C1(i)|C1(i)>mean(C1)} (10)
4)对窗口C2进行第二次筛选得到C3。对窗口C2一阶差分后,保留C2中一阶差分值最大的窗口C3,即
C3={C2(i)|max(diff(C2(i)))} (11)
以图像左下角为原点,按照工厂筛板的实际长宽等比例缩小并建立坐标系,通过坐标转换计算出C3的位置坐标loc,该坐标loc即为谷糙分界线的实际位置。
谷糙分离状态图像的边界线位置是一定的范围内变化的,为了增加算法的准确性,减弱光照强度变化带来的影响,利用误差对相邻时刻识别出的边界线位置进行比较,若位置之差大于误差范围,则调整二值化阈值T重新识别。通过公式(12)计算误差范围
其中,n1,n2分别为人为设定的最大允许误差和算法的自适应误差,ω为调整人为设定的最大允许误差和算法自适应误差平衡的参数,ω∈[0,1],当ω为0时,误差范围完全依赖人工设定;当ω为1时,该误差范围由算法自适应调节。
图6a、图6b、图6c分别示出了原始图像、通过Canny算法识别的谷糙分界线与通过本方法识别的谷糙分界线的示意图。
以1000张谷糙分离状态图像为试验样本,每隔一个小时采样100张图像,共十组,单次采样时间不超过5min。为了测试该方法的自适应性,该样本包含两种颜色信息差别较大的谷糙分离状态图像。为了模拟工厂中实际光照变化,对谷糙分离状态图像提供弱光、正常光照、强光三种光照条件,并与边缘检测算法中的Canny算法进行比较,测试该方法的可靠性。试验结果如图6a-图6c所示。
由图6a-图6c可以看出,Canny算法对分界线边缘细节保留较好,能够识别出边缘的轮廓信息,但会出现部分伪边缘,对分界线的定位产生干扰,不利于下一步骤的直线拟合操作。此外,Canny算法对光照的适应性并不强,当处于弱光和强光的光照条件时,更易出现伪边缘。对伪边缘频繁出现的现象进行分析,是因为谷糙分离图像中的谷糙混合区仍存在分散的稻谷,二值化后的图像需去除连通域,这样会导致边缘识别后出现伪边缘。本方法对谷糙边界线识别效果较理想,没有伪边缘的产生,对三种光照下的谷糙分离图像均能识别出清晰的垂直边缘。并且本方法能直接识别出垂直的谷糙分界线,并不需要直线拟合,更大程度上保留了谷糙分界线的边缘信息,增加了本方法的实时性与准确性。
为了验证基于本方法得到的谷糙分界线位置的准确性,在三种光照条件下进行试验,将每组单幅图像中分料板的实际位置设定为实际值location1,分别将基于Canny算法与本方法计算出的谷糙分界线位置设定为待测值location2、location3,并对每组中分界线位置的绝对误差与相对误差计算平均值,验证本方法的可行性。每组谷糙分界线位置的相对误差如表1所示。
表1
由表1可知,Canny算法处理谷糙分离图像后,分界线的相对误差在5.6%与9.2%之间,当光照条件为弱光时,Canny算法对分界线识别的相对误差较大,并且每组的相对误差结果波动较幅度较大,易受复杂光照和图像颜色信息的影响;本方法处理后分界线的相对误差在3.8%与5.7%之间,在三种光照条件下相对误差结果集中4%与5%之间,波动幅度较小,对不同光照的适应性较强。相比较传统的Canny边缘检测算法,本方法提高了谷糙分界线位置识别的精确度。
从谷糙分界线的位置数据来看,只要控制好光照情况,该方法可把分界线位置的相对误差控制5%左右。结果表明:本方法获取谷糙分界线位置信息的方案是可行的,符合大米加工生产要求。
由于是人工测量,分料板的实际位置也并不能完全代表谷糙分界线的理论位置,因此对分界线位置的绝对误差Δx小于公式(12)中误差的实验组判定为识别成功。调查后发现,为了使谷糙混合区里面掺杂的稻谷更少,工人在实际操作时会将分料板偏右放置,这样会使得分界线实际值location1偏大,产生系统误差。通过对待测值location3进行人工补偿,补偿后的分界线绝对误差结果如表2所示,可以发现,对谷糙分界线位置进行补偿后绝对误差减小,并将误差控制在3cm以内,识别成功率为90%,更符合实际情况。
表2
注:“√”表示谷糙分界线识别成功;“×”表示谷糙分界线识别失败。
1)为实现对谷糙分界线的精准识别,本方法结合机器视觉提出一种基于垂直边缘检测的谷糙分界线识别方法。分别从图像模型匹配、分界线检测、分界线校验对谷糙分离状态图像进行处理。根据图像颜色信息的不同,提出一种对谷糙分离图像模型匹配的方法:预先对彩色图像匹配分类,并根据不同的匹配结果进行图像灰度化处理。
2)为解决传统边缘检测算法中的伪边缘并存和边缘细节丢失的问题,结合谷糙分离图像的垂直边缘特征,提出一种基于滑动窗口的垂直边缘检测算法,该算法通过垂直窗口对图像的每列像素信息进行判别计算,最终得到谷糙分界线的位置信息。
3)试验结果显示:相比于传统的Canny边缘检测算法,该方法可把分界线位置的绝对误差、相对误差分别控制在3cm和5%,通过人工补偿后的分界线识别成功率为90%。该方法可以满足谷糙分离装置的生产需求,为实现分料板的自动控制奠定了基础。
实施例2
图7示出了根据本发明的一个实施例的一种基于机器视觉的谷糙分界线识别装置的框图。
如图7所示,该基于机器视觉的谷糙分界线识别装置,包括:
预处理模块201,采集图像并进行图像增强;
匹配模块202,针对增强后的图像进行图像模型匹配,获得灰度图像;
二值化模块203,针对灰度图像进行二值化处理,获得二值化图像;
识别模块204,根据二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线。
在一个示例中,针对增强后的图像进行图像模型匹配,获得灰度图像包括:
建立稻谷区域颜色信息的匹配条件;
统计所有像素点的匹配结果,判断待匹配模板的分类结果;
根据分类结果,确定增强后的图像的灰度化处理方式。
在一个示例中,分类结果为:
其中,mood表示分类结果,m、n表示待匹配模板的尺寸。
在一个示例中,对于mood=mood1的图像,采用RGB颜色模型进行灰度化;对于mood=mood2的图像,将RGB颜色模型转换到HSI颜色模型后,再进行灰度化处理。
在一个示例中,根据二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线包括:
建立初始窗口C,对二值化图像按水平方向扫描,扫描的步长为1个像素点,每次扫描后,对窗口内的所有像素值进行求和;
生成C的灰度波动曲线,自适应地去除曲线中小尺度灰度波动后得到C1;
针对窗口C1去除灰度值之和小于均值的窗口后得到C2;
对窗口C2一阶差分后,保留C2中一阶差分值最大的窗口C3,通过坐标转换计算出C3的位置坐标loc,该坐标loc即为谷糙分界线的实际位置。
在一个示例中,通过公式(2)对窗口内的所有像素值进行求和:
其中,C(i)为第i次扫描后窗口内的像素灰度值之和,f2(x,y)为二值化后的图像,k1,k2分别为窗口左、右两端在图像中的位置。
在一个示例中,还包括:
针对谷糙分界线进行校验,若不准确,则重新针对灰度图像进行二值化处理,进而识别谷糙分界线,直至通过校验。
实施例3
本公开提供一种电子设备包括,该电子设备包括:存储器,存储有可执行指令;处理器,处理器运行存储器中的可执行指令,以实现上述基于机器视觉的谷糙分界线识别方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地,存储器可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中,该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解,为了解决如何获得良好用户体验效果的技术问题,本实施例中也可以包括诸如通信总线、接口等公知的结构,这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明,在此不再赘述。
实施例4
本公开实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现所述的基于机器视觉的谷糙分界线识别方法。
根据本公开实施例的计算机可读存储介质,其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时,执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于:光存储介质(例如:CD-ROM和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种基于机器视觉的谷糙分界线识别方法,其特征在于,包括:
采集图像并进行图像增强;
针对增强后的图像进行图像模型匹配,获得灰度图像;
针对所述灰度图像进行二值化处理,获得二值化图像;
根据所述二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线。
2.根据权利要求1所述的基于机器视觉的谷糙分界线识别方法,其中,针对增强后的图像进行图像模型匹配,获得灰度图像包括:
建立稻谷区域颜色信息的匹配条件;
统计所有像素点的匹配结果,判断待匹配模板的分类结果;
根据所述分类结果,确定增强后的图像的灰度化处理方式。
4.根据权利要求3所述的基于机器视觉的谷糙分界线识别方法,其中,对于mood=mood1的图像,采用RGB颜色模型进行灰度化;对于mood=mood2的图像,将RGB颜色模型转换到HSI颜色模型后,再进行灰度化处理。
5.根据权利要求1所述的基于机器视觉的谷糙分界线识别方法,其中,根据所述二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线包括:
建立初始窗口C,对所述二值化图像按水平方向扫描,扫描的步长为1个像素点,每次扫描后,对窗口内的所有像素值进行求和;
生成C的灰度波动曲线,自适应地去除曲线中小尺度灰度波动后得到C1;
针对窗口C1去除灰度值之和小于均值的窗口后得到C2;
对窗口C2一阶差分后,保留C2中一阶差分值最大的窗口C3,通过坐标转换计算出C3的位置坐标loc,该坐标loc即为所述谷糙分界线的实际位置。
7.根据权利要求1所述的基于机器视觉的谷糙分界线识别方法,其中,还包括:
针对所述谷糙分界线进行校验,若不准确,则重新针对所述灰度图像进行二值化处理,进而识别谷糙分界线,直至通过校验。
8.一种基于机器视觉的谷糙分界线识别装置,其特征在于,包括:
预处理模块,采集图像并进行图像增强;
匹配模块,针对增强后的图像进行图像模型匹配,获得灰度图像;
二值化模块,针对所述灰度图像进行二值化处理,获得二值化图像;
识别模块,根据所述二值化图像进行基于滑动窗口的垂直边缘检测,识别谷糙分界线。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现权利要求1-7中任一项所述的基于机器视觉的谷糙分界线识别方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的基于机器视觉的谷糙分界线识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648196.6A CN116012314A (zh) | 2022-12-21 | 2022-12-21 | 基于机器视觉的谷糙分界线识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648196.6A CN116012314A (zh) | 2022-12-21 | 2022-12-21 | 基于机器视觉的谷糙分界线识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012314A true CN116012314A (zh) | 2023-04-25 |
Family
ID=86031025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211648196.6A Pending CN116012314A (zh) | 2022-12-21 | 2022-12-21 | 基于机器视觉的谷糙分界线识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012314A (zh) |
-
2022
- 2022-12-21 CN CN202211648196.6A patent/CN116012314A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
US9396403B2 (en) | Method of vehicle identification and a system for vehicle identification | |
JP5647878B2 (ja) | 鋼管内部腐食解析装置及び鋼管内部腐食解析方法 | |
US20200034651A1 (en) | Identifying and Excluding Blurred Areas of Images of Stained Tissue To Improve Cancer Scoring | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
US9053537B2 (en) | Classifier for use in generating a diffuse image | |
EP2333720B1 (en) | System and method for detection of specularity in an image | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
JP2004348733A (ja) | デジタル画像における赤目領域の検出方法及び装置 | |
CN112801049B (zh) | 图像分类方法和装置及设备 | |
WO2021153633A1 (ja) | 金属組織の相の分類方法、金属組織の相の分類装置、金属組織の相の学習方法、金属組織の相の学習装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置 | |
US20100040276A1 (en) | Method and apparatus for determining a cell contour of a cell | |
CN108389215B (zh) | 一种边缘检测方法、装置、计算机存储介质及终端 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
US6577775B1 (en) | Methods and apparatuses for normalizing the intensity of an image | |
CN111077150A (zh) | 一种基于计算机视觉和神经网络的大便智能分析方法 | |
CN112053302A (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
US8913829B2 (en) | Automatic processing scale estimation for use in an image process | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN110188693B (zh) | 改进的复杂环境车辆特征提取和停车判别方法 | |
JP2010148713A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN115063375B (zh) | 一种对排卵试纸检测结果进行自动分析的图像识别方法 | |
CN116012314A (zh) | 基于机器视觉的谷糙分界线识别方法、装置、设备及介质 |
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 |