CN116168025A - 一种油幕式油炸花生生产系统 - Google Patents

一种油幕式油炸花生生产系统 Download PDF

Info

Publication number
CN116168025A
CN116168025A CN202310442446.9A CN202310442446A CN116168025A CN 116168025 A CN116168025 A CN 116168025A CN 202310442446 A CN202310442446 A CN 202310442446A CN 116168025 A CN116168025 A CN 116168025A
Authority
CN
China
Prior art keywords
point
edge
suspected
peanut
connection
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.)
Granted
Application number
CN202310442446.9A
Other languages
English (en)
Other versions
CN116168025B (zh
Inventor
孟庆国
李继刚
戴秀荣
杨志
田现文
李�杰
惠建国
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.)
Rizhao Jinguo Grain And Oil Co ltd
Original Assignee
Rizhao Jinguo Grain And Oil 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 Rizhao Jinguo Grain And Oil Co ltd filed Critical Rizhao Jinguo Grain And Oil Co ltd
Priority to CN202310442446.9A priority Critical patent/CN116168025B/zh
Publication of CN116168025A publication Critical patent/CN116168025A/zh
Application granted granted Critical
Publication of CN116168025B publication Critical patent/CN116168025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种油幕式油炸花生生产系统，包括图像采集模块、疑似边缘点获取模块、实际边缘点获取模块、油炸效果分析模块，其中：获取花生灰度图；根据像素点梯度值差异获取疑似边缘点；获取每一疑似边缘点的近似花生边缘可能性，获取每一疑似边缘点的连接曲线，获取每一连接曲线的实际花生边缘可能性，进而得到花生实际边缘，根据花生实际边缘得到的花生区域进行花生油炸效果判断。因此，本发明对原始的边缘检测算法进行改进，利用像素点的梯度信息获取疑似边缘点，根据花生边缘闭合特征对疑似边缘点构成的曲线进行分析，避免油膜等对实际花生边缘的识别影响，得到较为准确的实际花生边缘。

Description

一种油幕式油炸花生生产系统
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种油幕式油炸花生生产系统。
背景技术
花生属蔷薇目，豆科一年生草本植物，花生的食用方法多种，其中包括对花生进行油炸处理，一般浸入式油炸由于花生之间堆积紧贴部分与油接触不够充分，所以现阶段兴起无浸入的油幕式油炸，主要通过多道油幕淋热油对花生进行油炸，油炸过程中一般需要根据油炸效果对油炸系统进行调控，所以首先需要对完成油炸的花生进行油炸效果分析。
对于花生油炸效果的分析，首先需要在所拍摄的图像中进行花生颗粒的识别，即获取每一颗花生区域图像，现有技术一般直接根据像素点梯度进行边缘检测，识别花生边缘，但是在实际所拍摄的图像中，由于花生颗粒表面残留的油膜或者残渣，使得花生颗粒表面具有明显的边缘特征，从而导致利用梯度所获得的边缘中存在大量伪边缘，即所获得的花生颗粒边缘不准确，以至于无法准确获得花生颗粒区域图像，最终无法准确根据花生颗粒图像进行油炸效果分析。
发明内容
本发明提供一种油幕式油炸花生生产系统，以解决现有的由于油炸后花生存在油膜或油炸导致获取得到的花生边缘存在较大误差，进而影响油炸花生生产效果评估的问题。
本发明的一种油幕式油炸花生生产系统采用如下技术方案：
本发明一个实施例提供了一种油幕式油炸花生生产系统，该系统包括以下模块：
图像采集模块：采集油炸后的花生图像，获取花生灰度图；
疑似边缘点获取模块：根据每一像素点与其8邻域点的梯度值差异获取每一像素点的可能花生边缘程度，利用预设划分阈值根据可能花生边缘程度获取疑似边缘点；
实际边缘点获取模块：获取每一疑似边缘点的梯度直线，获取两梯度直线的交点，根据两疑似边缘点的欧式距离获取每一疑似边缘点的若干个邻近点，根据邻近点的梯度直线的若干个交点间的欧式距离获取每一疑似边缘点的若干个差异距离，根据每一疑似边缘点的若干个差异距离获取每一疑似边缘点的疑似程度；获取每一疑似边缘点的连接曲线，根据每一疑似边缘点的连接曲线获取参考连接面积与每一疑似边缘点的连接长度、连接边缘、连接面积及相近程度，根据参考连接面积，每一疑似边缘点的连接长度、连接边缘、连接面积及相近程度，每一疑似边缘点的疑似程度获取每一疑似边缘点的近似花生边缘可能性；获取每一连接曲线的若干个存在向量及若干个丢失向量，根据每一连接曲线的若干个存在向量、若干个丢失向量及每一连接曲线上疑似边缘点的近似花生边缘可能性获取每一连接曲线的边缘丢失相对方向向量，获取参考丢失角度及每一连接曲线的丢失角度，根据参考丢失角度、每一连接曲线的丢失角度及连接曲线上每一疑似边缘点的近似花生边缘可能性获取每一连接曲线的实际花生边缘可能性，利用预设判断阈值根据实际花生边缘可能性获取花生实际边缘；
油炸效果分析模块：根据花生实际边缘得到的花生区域进行花生油炸效果判断。
可选的，所述根据两疑似边缘点的欧式距离获取每一疑似边缘点的若干个邻近点，根据邻近点的梯度直线的若干个交点间的欧式距离获取每一疑似边缘点的若干个差异距离包括：
记任意一疑似边缘点为关注点，获取关注点与其他疑似边缘点的欧式距离，按照欧式距离由小到大的顺序构建欧式距离序列，将欧式距离序列中第
Figure SMS_1
位元素记为关注点的第/>
Figure SMS_2
邻近点；获取第/>
Figure SMS_3
邻近点及第/>
Figure SMS_4
邻近点的梯度直线的交点与第/>
Figure SMS_5
邻近点与第/>
Figure SMS_6
邻近点的梯度直线的交点的欧式距离，记为关注点的第/>
Figure SMS_7
差异距离。
可选的，所述根据每一疑似边缘点的若干个差异距离获取每一疑似边缘点的疑似程度，计算公式如下：
Figure SMS_8
；
其中，
Figure SMS_11
表示第/>
Figure SMS_12
个疑似边缘点的疑似程度，/>
Figure SMS_14
表示第/>
Figure SMS_9
个疑似边缘点的可能花生边缘程度，/>
Figure SMS_13
表示第/>
Figure SMS_16
个疑似边缘点与第/>
Figure SMS_18
个疑似边缘点的第/>
Figure SMS_10
邻近点的欧式距离，/>
Figure SMS_17
表示第/>
Figure SMS_19
个疑似边缘点的第/>
Figure SMS_20
差异距离，/>
Figure SMS_15
表示距离阈值。
可选的，所述获取每一疑似边缘点的连接曲线包括：
记任意一疑似边缘点为关注点，获取关注点梯度方向与关注点的8邻域中若干个疑似边缘点的梯度方向的差值的绝对值，记差值的绝对值的最小值对应的疑似边缘点为关注点的第一连接点，记第一连接点的8邻域中疑似边缘点为待分析点，获取每一待分析点与关注点梯度方向的差值的绝对值，记为每一待分析点的第一比较值，获取每一待分析点与第一连接点梯度方向的差值的绝对值记为每一待分析点的第二比较值，获取第一比较值与第二比较值的均值，记为每一待分析点的方向差异性，记方向差异性最小值对应的疑似边缘点为关注点的第二连接点，将第二连接点与第一连接点连接，依次类推，直至连接点的8邻域中不含有疑似边缘点，记关注点与若干个连接点得到的连接曲线为关注点的连接曲线。
可选的，所述根据每一疑似边缘点的连接曲线获取参考连接面积与每一疑似边缘点的连接长度、连接边缘、连接面积及相近程度包括：
将每一关注点与关注点的连接曲线的最后一位疑似边缘点连接，记连接线段为关注点的连接长度，记将连接曲线首尾连接得到的闭合区域的边缘为关注点的连接边缘，记闭合区域的面积为关注点的连接面积；获取所有关注点的连接面积，记其中的众数为参考连接面积；获取关注点所在连接边缘上其他像素点的梯度直线的交点，获取每一交点经过梯度直线的个数，将个数最大值对应的交点为关注点的中心交点，记关注点的中心交点与关注点的梯度直线的距离为关注点的相近程度。
可选的，所述根据参考连接面积，每一疑似边缘点的连接长度、连接边缘、连接面积及相近程度，每一疑似边缘点的疑似程度获取每一疑似边缘点的近似花生边缘可能性，计算公式如下：
Figure SMS_21
；
其中，
Figure SMS_22
表示第/>
Figure SMS_28
个疑似边缘点的近似花生边缘可能性，/>
Figure SMS_31
表示第/>
Figure SMS_23
个疑似边缘点的疑似程度，/>
Figure SMS_25
表示第/>
Figure SMS_27
个疑似边缘点的连接长度，/>
Figure SMS_30
表示第/>
Figure SMS_24
个疑似边缘点的连接面积，/>
Figure SMS_26
表示参考连接面积，/>
Figure SMS_29
表示第/>
Figure SMS_32
个疑似边缘点的相近程度，/>
Figure SMS_33
表示求绝对值。
可选的，所述获取每一连接曲线的若干个存在向量及若干个丢失向量包括：
记任意一连接曲线为目标曲线，获取目标曲线对应的连接面积的中心点，记为目标曲线的参考中心，获取目标曲线上每一疑似边缘点指向参考中心的向量，记为目标曲线上每一疑似边缘点的存在向量，获取目标曲线对应的连接长度上每一像素点指向参考中心的向量，记为目标曲线的连接长度上每一像素点的丢失向量。
可选的，所述根据每一连接曲线的若干个存在向量、若干个丢失向量及每一连接曲线上疑似边缘点的近似花生边缘可能性获取每一连接曲线的边缘丢失相对方向向量，计算公式如下：
Figure SMS_34
；
其中，
Figure SMS_36
表示第/>
Figure SMS_48
个连接曲线的边缘丢失相对方向向量，/>
Figure SMS_49
表示第/>
Figure SMS_38
个连接曲线上第/>
Figure SMS_45
个疑似边缘点的近似花生边缘可能性，/>
Figure SMS_46
表示第/>
Figure SMS_47
个连接曲线上第/>
Figure SMS_35
个疑似边缘点的存在向量，/>
Figure SMS_40
表示第/>
Figure SMS_41
个连接曲线上疑似边缘点的个数，/>
Figure SMS_42
表示第/>
Figure SMS_37
个连接曲线的连接长度上第/>
Figure SMS_39
个像素点的丢失向量，/>
Figure SMS_43
表示第/>
Figure SMS_44
个连接曲线的连接长度上像素点的个数。
可选的，所述根据参考丢失角度、每一连接曲线的丢失角度及连接曲线上每一疑似边缘点的近似花生边缘可能性获取每一连接曲线的实际花生边缘可能性，计算公式如下：
Figure SMS_50
；
其中，
Figure SMS_52
表示第/>
Figure SMS_54
个连接曲线的实际花生边缘可能性，/>
Figure SMS_57
表示第/>
Figure SMS_53
个连接曲线上第/>
Figure SMS_56
个疑似边缘点的近似花生边缘可能性，/>
Figure SMS_59
表示第/>
Figure SMS_61
个连接曲线上疑似边缘点的个数，
Figure SMS_51
表示第/>
Figure SMS_55
个连接曲线的丢失角度，/>
Figure SMS_58
表示参考丢失角度，/>
Figure SMS_60
表示求绝对值。
本发明的有益效果是：由于油炸后花生存在油膜或油炸导致使用原始的边缘检测算法得到的花生边缘存在较大误差，本发明利用像素点的梯度信息获取疑似边缘点，根据疑似花生边缘的连续性、延伸方向及延伸形状获取每一疑似边缘点为花生实际边缘点的可能性，降低途中噪声点以及没有规则且具有较大梯度的像素点的影响，进而根据花生边缘闭合特征对疑似边缘点构成的曲线进行分析，避免油膜等没有闭合特征的伪边缘对实际花生边缘的识别影响，进一步考虑传送带运动时，花生运动以及光照的一致性，利用花生边缘的丢失一致性对疑似边缘点构成的曲线进行分析，避免残渣等闭合边缘对花生边缘识别影响，得到较为准确的实际花生边缘。
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，下面将对实施例或现有技术描述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为本发明的一种油幕式油炸花生生产系统的结构框图；
图2为疑似边缘点的梯度直线的交点示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种油幕式油炸花生生产系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种油幕式油炸花生生产系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种油幕式油炸花生生产系统的结构框图，该系统包括以下模块：
图像采集模块S101、采集油炸后的花生图像，获取花生灰度图。
需要说明的是，在油幕式油炸花生生产系统中，根据油炸后的花生图像进行油炸效果分析，因此首先需要获取油炸后的单个花生图像。
对完成油炸的花生通过抖动的筛网进行控油，将完成控油的花生平铺放置在传送带上传送出油炸机，在传送带正上方放置相机，采集油炸后的花生图像，需要说明的是，将花生平铺放置时，花生间无重叠。
对油炸后的花生图像进行灰度化处理，获取花生灰度图。
至此，获取花生灰度图。
疑似边缘点获取模块S102、获取花生灰度图中每一像素点的梯度值和梯度方向，根据每一像素点与其8邻域点的梯度值差异获取每一像素点的可能花生边缘程度，根据可能花生边缘程度获取疑似边缘点。
需要说明的是，由于根据油炸后的花生图像进行花生油炸质量检测时，需要先获取油炸后的花生图像中单个花生图像，即需要获取单个花生边缘，传统直接根据边缘检测算法获取单个花生边缘，但油炸后的花生中的油膜、残渣影响花生边缘的识别，形成伪边缘，直接根据边缘检测算法获取得到的花生边缘误差较大，需要根据花生油炸后的图像特征剔除伪边缘，获取花生实际边缘，因此，需要首先获取花生灰度图中的可能边缘。
使用Sobel算子获取花生灰度图中每一像素点的梯度值和梯度方向。
具体的，以花生灰度图中第
Figure SMS_62
个像素点为例，获取该像素点的可能花生边缘程度/>
Figure SMS_63
的计算方法为：/>
Figure SMS_64
；
其中，
Figure SMS_66
表示第/>
Figure SMS_69
个像素点的梯度值，/>
Figure SMS_71
表示花生灰度图中像素点梯度值的最大值，/>
Figure SMS_67
表示第/>
Figure SMS_70
个像素点的8邻域中第/>
Figure SMS_72
个像素点的梯度值，/>
Figure SMS_73
表示第/>
Figure SMS_65
个像素点的8邻域中像素点个数，/>
Figure SMS_68
表示求绝对值。
Figure SMS_76
表示第/>
Figure SMS_78
个像素点趋近于图中梯度最大值的程度，若/>
Figure SMS_80
越大，说明第/>
Figure SMS_77
个像素点是花生边缘的可能性越高；/>
Figure SMS_79
表示第/>
Figure SMS_81
个像素点与第/>
Figure SMS_83
个像素点的8邻域中第/>
Figure SMS_74
个像素点的梯度差异，若/>
Figure SMS_82
越小，说明第/>
Figure SMS_84
个像素点周围存在同特征边缘点的可能性较大，进而/>
Figure SMS_85
体现第/>
Figure SMS_75
个像素点是花生边缘的可能性。
对所有像素点的可能花生边缘程度采用最大最小值归一化法进行归一化处理。
至此，获取每一像素点的可能花生边缘程度。
设定划分阈值
Figure SMS_86
，本实施例设定划分阈值/>
Figure SMS_87
，具体实施过程中实施者可根据实际情况设定划分阈值/>
Figure SMS_88
的大小，获取可能花生边缘程度大于划分阈值的像素点，记为疑似边缘点。
至此，获取疑似边缘点。
实际边缘点获取模块S103、获取每一疑似边缘点的疑似程度，进而获取每一疑似边缘点的近似花生边缘可能性；获取每一疑似边缘点的连接曲线，获取每一连接曲线的边缘丢失相对方向向量，进而获取每一连接曲线的实际花生边缘可能性，利用预设判断阈值根据实际花生边缘可能性获取花生实际边缘。
需要说明的是，由于经过油炸的花生颗粒，其表面可能附着未控完的油，使得颗粒表面具有明显的高亮，导致高亮处像素点具有较大的梯度值；同时花生颗粒可能粘附少量的油炸过程产生的残渣，同样导致残渣区域存在较大梯度的像素值，使得得到的疑似边缘点中存在较多非花生边缘点从而形成较多伪边缘，影响花生边缘的识别，对于伪边缘的剔除主要根据花生颗粒边缘的形状特征以及梯度特征，主要表现为花生颗粒边缘连续，并且所有花生颗粒边缘具有相似的大小以及相似的闭合趋势。
进一步需要说明的是，由于花生颗粒其边缘像素点首先具有连续特点，且边缘像素点延伸具有一定方向，边缘像素点的延伸方向使得边缘具有一定闭合趋势。
获取每一疑似边缘点的梯度方向，并将梯度方向延伸为直线，记为每一疑似边缘点的梯度直线，获取两梯度直线的交点。
请参阅图2，图2中A1、A2、A3、A4表示任意四个不相同的疑似边缘点，图中虚线
Figure SMS_89
表示A1的梯度直线，虚线/>
Figure SMS_99
表示A2的梯度直线，虚线/>
Figure SMS_101
表示A3的梯度直线，虚线/>
Figure SMS_90
表示A4的梯度直线，/>
Figure SMS_94
表示虚线/>
Figure SMS_97
与虚线/>
Figure SMS_100
的交点即A1的梯度直线与A2的梯度直线的交点，/>
Figure SMS_91
表示虚线/>
Figure SMS_92
与虚线/>
Figure SMS_95
的交点即A2的梯度直线与A3的梯度直线的交点，/>
Figure SMS_98
表示虚线/>
Figure SMS_93
与虚线/>
Figure SMS_96
的交点即A3的梯度直线与A4的梯度直线的交点。
记任意一疑似边缘点为关注点，获取关注点与其他疑似边缘点的欧式距离，按照欧式距离由小到大的顺序构建欧式距离序列，将欧式距离序列中第
Figure SMS_102
位元素记为关注点的第/>
Figure SMS_103
邻近点。获取第/>
Figure SMS_104
邻近点及第/>
Figure SMS_105
邻近点的梯度直线的交点与第/>
Figure SMS_106
邻近点与第/>
Figure SMS_107
邻近点的梯度直线的交点的欧式距离，记为关注点的第/>
Figure SMS_108
差异距离。
至此，获取每一疑似边缘点的若干个邻近点及每一疑似边缘点的若干个差异距离。
具体的，以第
Figure SMS_109
个疑似边缘点为例，获取该疑似边缘点的疑似程度/>
Figure SMS_110
的计算方法为：
Figure SMS_111
；
其中，
Figure SMS_113
表示第/>
Figure SMS_117
个疑似边缘点的可能花生边缘程度，/>
Figure SMS_120
表示第/>
Figure SMS_114
个疑似边缘点与第/>
Figure SMS_115
个疑似边缘点的第/>
Figure SMS_118
邻近点的欧式距离，/>
Figure SMS_121
表示第/>
Figure SMS_112
个疑似边缘点的第/>
Figure SMS_116
差异距离，/>
Figure SMS_119
表示距离阈值，本实施设定距离阈值/>
Figure SMS_122
，具体实施过程中实施者可视具体情况对距离阈值进行调整。
若
Figure SMS_123
越小，第/>
Figure SMS_127
个疑似边缘点与其他疑似边缘点的欧式距离越近，第/>
Figure SMS_130
个疑似边缘点与周边点的边缘延伸程度越高，第/>
Figure SMS_125
个疑似边缘点为花生实际边缘点的疑似程度越高；
Figure SMS_128
表示第/>
Figure SMS_129
个疑似边缘点与相邻疑似边缘点的梯度方向差异，/>
Figure SMS_133
表示第/>
Figure SMS_124
个疑似边缘点与周围距离最近的/>
Figure SMS_126
个疑似边缘点的梯度方向的一致性，若/>
Figure SMS_131
越大，第/>
Figure SMS_132
个疑似边缘点为花生实际边缘点的疑似程度越高。
至此，获取每一疑似边缘点的疑似程度。
进一步需要说明的是，由于获取每一疑似边缘点的疑似程度依据花生边缘像素点延伸方向的一致性，但由于采集得到的花生灰度图中可能出现由于花生颗粒粘附的残渣而导致的光影区域，光影区域及花生灰度图中些许杂质形成的伪边缘可能也具有边缘像素点衍生方向一致性的特征，进而根据花生趋近于圆形的特征对疑似程度进行调整，获取近似花生边缘可能性。
由于控油后花生平铺放置在传送带上的随机性，可能存在花生边缘相贴的情况，进而需要根据相邻疑似边缘点的延伸方向确定边缘。
记任意一疑似边缘点为关注点，获取关注点梯度方向与关注点的8邻域中若干个疑似边缘点的梯度方向的差值的绝对值，记差值的绝对值的最小值对应的疑似边缘点为关注点的第一连接点，将第一连接点与关注点连接，记第一连接点的8邻域中疑似边缘点为待分析点，获取每一待分析点与关注点梯度方向的差值的绝对值，记为每一待分析点的第一比较值，获取每一待分析点与第一连接点梯度方向的差值的绝对值记为每一待分析点的第二比较值，获取第一比较值与第二比较值的均值，记为每一待分析点的方向差异性，记方向差异性最小值对应的疑似边缘点为关注点的第二连接点，将第二连接点与第一连接点连接，依次类推，直至连接点的8邻域中不含有疑似边缘点，记关注点与若干个连接点得到的连接曲线为关注点的连接曲线；需要说明的是，若关注点的8邻域中不含有疑似边缘点，则不对关注点进行连接。
至此，获取每一疑似边缘点的连接曲线。
将每一关注点与关注点的连接曲线的最后一位疑似边缘点连接，记连接线段为关注点的连接长度，记将连接曲线首尾连接得到的闭合区域的边缘为关注点的连接边缘，记闭合区域的面积为关注点的连接面积。获取所有关注点的连接面积，记其中的众数为参考连接面积；获取关注点所在连接边缘上其他像素点的梯度直线的交点，获取每一交点经过梯度直线的个数，将个数最大值对应的交点为关注点的中心交点，记关注点的中心交点与关注点的梯度直线的距离为关注点的相近程度；需要说明的是，最后一位疑似边缘点指的是连接曲线上除关注点外，其8邻域中仅存在一个疑似边缘点的疑似边缘点，当连接曲线仅包含一个疑似边缘点，此时关注点的连接面积为1，连接长度为0，当关注点的连接曲线为闭合曲线，即连接曲线首尾已经连接，此时记关注点的连接曲线即为关注点的连接边缘。
至此，获取参考连接面积及每一疑似边缘点的连接长度、连接边缘与连接面积。
具体的，以第
Figure SMS_134
个疑似边缘点为例，获取该疑似边缘点的近似花生边缘可能性/>
Figure SMS_135
的计算方法为：
Figure SMS_136
；
其中，
Figure SMS_137
表示第/>
Figure SMS_141
个疑似边缘点的疑似程度，/>
Figure SMS_145
表示第/>
Figure SMS_138
个疑似边缘点的连接长度，/>
Figure SMS_142
表示第/>
Figure SMS_144
个疑似边缘点的连接面积，/>
Figure SMS_146
表示参考连接面积，/>
Figure SMS_139
表示第/>
Figure SMS_140
个疑似边缘点的相近程度，/>
Figure SMS_143
表示求绝对值。
由于
Figure SMS_148
表示参考连接面积，可表征可能的实际花生颗粒区域大小，/>
Figure SMS_150
表示第/>
Figure SMS_151
个疑似边缘点的连接面积与参考连接面积的差异，若/>
Figure SMS_149
越小，表示第/>
Figure SMS_152
个疑似边缘点的连接边缘为实际花生颗粒边缘的可能性越大；若/>
Figure SMS_153
越小，第/>
Figure SMS_154
个疑似边缘点与其连续边缘上其他像素点的梯度方向的一致性越高，第/>
Figure SMS_147
个疑似边缘点为实际花生颗粒边缘的可能性越高。
至此，获取每一疑似边缘点的近似花生边缘可能性。
进一步需要说明的是，由于得到的每一疑似边缘点的连接曲线可能为非闭合区域，上述操作根据疑似边缘像素点的延伸方向以及延伸得到的边缘形状获取疑似边缘点的近似花生边缘可能性，同时将疑似边缘点的连接曲线进行连接，得到闭合的连接边缘；但实际花生灰度图中可能存在延伸无法闭合即无闭合连接边缘的疑似边缘像素点，其主要原因为传送带的运动方向或者光照引起某一个方向局部边缘丢失，此时花生颗粒在传送带中同步运动，且光源固定，因此实际的花生边缘局部具有相同的方向，根据实际花生边缘的方向特征获取实际花生边缘可能性。
记任意一连接曲线为目标曲线，获取目标曲线对应的连接面积的中心点，记为目标曲线的参考中心，获取目标曲线上每一疑似边缘点指向参考中心的向量，记为目标曲线上每一疑似边缘点的存在向量，获取目标曲线对应的连接长度上每一像素点指向参考中心的向量，记为目标曲线的连接长度上每一像素点的丢失向量。
至此，获取每一连接曲线的若干个存在向量及若干个丢失向量。
具体的，以第
Figure SMS_155
个连接曲线为例，获取该连接曲线的边缘丢失相对方向向量/>
Figure SMS_156
的计算方法为：
Figure SMS_157
；
其中，
Figure SMS_159
表示第/>
Figure SMS_166
个连接曲线上第/>
Figure SMS_169
个疑似边缘点的近似花生边缘可能性，/>
Figure SMS_160
表示第/>
Figure SMS_162
个连接曲线上第/>
Figure SMS_165
个疑似边缘点的存在向量，/>
Figure SMS_167
表示第/>
Figure SMS_158
个连接曲线上疑似边缘点的个数，/>
Figure SMS_163
表示第/>
Figure SMS_164
个连接曲线的连接长度上第/>
Figure SMS_168
个像素点的丢失向量，/>
Figure SMS_161
表示第/>
Figure SMS_170
个连接曲线的连接长度上像素点的个数。
至此，获取每一连接曲线的边缘丢失相对方向向量。
进一步需要说明的是，由于传送带上的花生颗粒实际边缘的丢失方向具有一致性，因此根据所有连接曲线的边缘丢失相对方向向量之间的差异，获取最终的实际花生边缘。
在花生灰度图中建立直角坐标系，设定标准方向向量
Figure SMS_171
，本实施例设定标准方向向量/>
Figure SMS_172
为沿直角坐标系原点指向直角坐标系y轴正半轴，将每一连接曲线的边缘丢失相对方向向量所在直线与标准方向向量所在直线夹角中的较小角度作为每一连接曲线的丢失角度，获取所有丢失角度的众数记为参考丢失角度。
具体的，以第
Figure SMS_173
个连接曲线为例，获取该连接曲线的实际花生边缘可能性/>
Figure SMS_174
的计算方法为：
Figure SMS_175
；
其中，
Figure SMS_177
表示第/>
Figure SMS_180
个连接曲线上第/>
Figure SMS_183
个疑似边缘点的近似花生边缘可能性，/>
Figure SMS_178
表示第/>
Figure SMS_181
个连接曲线上疑似边缘点的个数，/>
Figure SMS_182
表示第/>
Figure SMS_184
个连接曲线的丢失角度，/>
Figure SMS_176
表示参考丢失角度，/>
Figure SMS_179
表示求绝对值。
Figure SMS_185
表示参考丢失角度，可表征实际丢失角度，/>
Figure SMS_188
表示第/>
Figure SMS_190
个连接的丢失角度与实际丢失角度的差异，若/>
Figure SMS_187
越小，第/>
Figure SMS_189
个连接曲线为实际花生边缘的可能性越大；
Figure SMS_191
表示第/>
Figure SMS_192
个连接曲线上所有疑似边缘点的近似花生边缘可能性均值，其值越大，第/>
Figure SMS_186
个连接曲线为实际花生边缘的可能性越大。
对所有连接曲线的实际花生边缘可能性采用最大值最小值归一化方法进行归一化处理，设定判断阈值
Figure SMS_193
，本实施例设定判断阈值/>
Figure SMS_194
，记大于判断阈值/>
Figure SMS_195
的所有连接曲线为花生实际边缘。
至此，获取每一连接曲线的实际花生边缘可能性，根据实际花生边缘可能性获取花生实际边缘。
油炸效果分析模块S104、根据花生实际边缘获取花生区域，进而进行花生油炸效果判断。
对每一非闭合的花生实际边缘进行首尾连接，将所有闭合的花生实际边缘与连接后的非闭合的花生实际边缘记为花生区域，根据每一花生区域中像素点的像素值获取花生的油炸效果，将所获得的花生油炸效果作为油幕式油炸系统的调控依据。
可以理解的是，花生在油炸时表面颜色会发生变化，具体表现在花生会随着油炸颜色逐渐变深，则对花生油炸效果的判断可以根据当前正在进行油幕式油炸的花生区域的像素值进行判断，例如设置所有像素值的均值，并根据所有像素值的均值是否大于预设像素值阈值进行油炸效果的判断，在未大于预设像素值阈值时，可以表示对应的油炸效果未达到预期，在等于预设像素值阈值时，可以表示对应的油炸效果达到预期，在大于预设像素值阈值时，可以表示过度炸制，其中，预设像素值阈值可以具体例如为100，对此不做限制，当然本发明还支持使用多种其他任意可能的实现方式根据花生实际边缘获取花生区域，进而进行花生油炸效果判断，对此不做限制。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种油幕式油炸花生生产系统，其特征在于，该系统包括以下模块：
图像采集模块：采集油炸后的花生图像，获取花生灰度图；
疑似边缘点获取模块：根据每一像素点与其8邻域点的梯度值差异获取每一像素点的可能花生边缘程度，利用预设划分阈值根据可能花生边缘程度获取疑似边缘点；
实际边缘点获取模块：获取每一疑似边缘点的梯度直线，获取两梯度直线的交点，根据两疑似边缘点的欧式距离获取每一疑似边缘点的若干个邻近点，根据邻近点的梯度直线的若干个交点间的欧式距离获取每一疑似边缘点的若干个差异距离，根据每一疑似边缘点的若干个差异距离获取每一疑似边缘点的疑似程度；获取每一疑似边缘点的连接曲线，根据每一疑似边缘点的连接曲线获取参考连接面积与每一疑似边缘点的连接长度、连接边缘、连接面积及相近程度，根据参考连接面积，每一疑似边缘点的连接长度、连接边缘、连接面积及相近程度，每一疑似边缘点的疑似程度获取每一疑似边缘点的近似花生边缘可能性；获取每一连接曲线的若干个存在向量及若干个丢失向量，根据每一连接曲线的若干个存在向量、若干个丢失向量及每一连接曲线上疑似边缘点的近似花生边缘可能性获取每一连接曲线的边缘丢失相对方向向量，获取参考丢失角度及每一连接曲线的丢失角度，根据参考丢失角度、每一连接曲线的丢失角度及连接曲线上每一疑似边缘点的近似花生边缘可能性获取每一连接曲线的实际花生边缘可能性，利用预设判断阈值根据实际花生边缘可能性获取花生实际边缘；
油炸效果分析模块：根据花生实际边缘得到的花生区域进行花生油炸效果判断。
2.根据权利要求1所述的一种油幕式油炸花生生产系统，其特征在于，所述根据两疑似边缘点的欧式距离获取每一疑似边缘点的若干个邻近点，根据邻近点的梯度直线的若干个交点间的欧式距离获取每一疑似边缘点的若干个差异距离包括：
记任意一疑似边缘点为关注点，获取关注点与其他疑似边缘点的欧式距离，按照欧式距离由小到大的顺序构建欧式距离序列，将欧式距离序列中第
Figure QLYQS_1
位元素记为关注点的第/>
Figure QLYQS_2
邻近点；获取第/>
Figure QLYQS_3
邻近点及第/>
Figure QLYQS_4
邻近点的梯度直线的交点与第/>
Figure QLYQS_5
邻近点与第/>
Figure QLYQS_6
邻近点的梯度直线的交点的欧式距离，记为关注点的第/>
Figure QLYQS_7
差异距离。
3.根据权利要求1所述的一种油幕式油炸花生生产系统，其特征在于，所述根据每一疑似边缘点的若干个差异距离获取每一疑似边缘点的疑似程度，计算公式如下：
Figure QLYQS_8
；
其中，
Figure QLYQS_10
表示第/>
Figure QLYQS_12
个疑似边缘点的疑似程度，/>
Figure QLYQS_16
表示第/>
Figure QLYQS_11
个疑似边缘点的可能花生边缘程度，/>
Figure QLYQS_15
表示第/>
Figure QLYQS_18
个疑似边缘点与第/>
Figure QLYQS_20
个疑似边缘点的第/>
Figure QLYQS_9
邻近点的欧式距离，/>
Figure QLYQS_14
表示第/>
Figure QLYQS_17
个疑似边缘点的第/>
Figure QLYQS_19
差异距离，/>
Figure QLYQS_13
表示距离阈值。
4.根据权利要求1所述的一种油幕式油炸花生生产系统，其特征在于，所述获取每一疑似边缘点的连接曲线包括：
记任意一疑似边缘点为关注点，获取关注点梯度方向与关注点的8邻域中若干个疑似边缘点的梯度方向的差值的绝对值，记差值的绝对值的最小值对应的疑似边缘点为关注点的第一连接点，记第一连接点的8邻域中疑似边缘点为待分析点，获取每一待分析点与关注点梯度方向的差值的绝对值，记为每一待分析点的第一比较值，获取每一待分析点与第一连接点梯度方向的差值的绝对值记为每一待分析点的第二比较值，获取第一比较值与第二比较值的均值，记为每一待分析点的方向差异性，记方向差异性最小值对应的疑似边缘点为关注点的第二连接点，将第二连接点与第一连接点连接，依次类推，直至连接点的8邻域中不含有疑似边缘点，记关注点与若干个连接点得到的连接曲线为关注点的连接曲线。
5.根据权利要求1所述的一种油幕式油炸花生生产系统，其特征在于，所述根据每一疑似边缘点的连接曲线获取参考连接面积与每一疑似边缘点的连接长度、连接边缘、连接面积及相近程度包括：
将每一关注点与关注点的连接曲线的最后一位疑似边缘点连接，记连接线段为关注点的连接长度，记将连接曲线首尾连接得到的闭合区域的边缘为关注点的连接边缘，记闭合区域的面积为关注点的连接面积；获取所有关注点的连接面积，记其中的众数为参考连接面积；获取关注点所在连接边缘上其他像素点的梯度直线的交点，获取每一交点经过梯度直线的个数，将个数最大值对应的交点为关注点的中心交点，记关注点的中心交点与关注点的梯度直线的距离为关注点的相近程度。
6.根据权利要求1所述的一种油幕式油炸花生生产系统，其特征在于，所述根据参考连接面积，每一疑似边缘点的连接长度、连接边缘、连接面积及相近程度，每一疑似边缘点的疑似程度获取每一疑似边缘点的近似花生边缘可能性，计算公式如下：
Figure QLYQS_21
；
其中，
Figure QLYQS_23
表示第/>
Figure QLYQS_27
个疑似边缘点的近似花生边缘可能性，/>
Figure QLYQS_29
表示第/>
Figure QLYQS_25
个疑似边缘点的疑似程度，/>
Figure QLYQS_26
表示第/>
Figure QLYQS_30
个疑似边缘点的连接长度，/>
Figure QLYQS_32
表示第/>
Figure QLYQS_22
个疑似边缘点的连接面积，/>
Figure QLYQS_28
表示参考连接面积，/>
Figure QLYQS_31
表示第/>
Figure QLYQS_33
个疑似边缘点的相近程度，/>
Figure QLYQS_24
表示求绝对值。
7.根据权利要求1所述的一种油幕式油炸花生生产系统，其特征在于，所述获取每一连接曲线的若干个存在向量及若干个丢失向量包括：
记任意一连接曲线为目标曲线，获取目标曲线对应的连接面积的中心点，记为目标曲线的参考中心，获取目标曲线上每一疑似边缘点指向参考中心的向量，记为目标曲线上每一疑似边缘点的存在向量，获取目标曲线对应的连接长度上每一像素点指向参考中心的向量，记为目标曲线的连接长度上每一像素点的丢失向量。
8.根据权利要求1所述的一种油幕式油炸花生生产系统，其特征在于，所述根据每一连接曲线的若干个存在向量、若干个丢失向量及每一连接曲线上疑似边缘点的近似花生边缘可能性获取每一连接曲线的边缘丢失相对方向向量，计算公式如下：
Figure QLYQS_34
；
其中，
Figure QLYQS_37
表示第/>
Figure QLYQS_38
个连接曲线的边缘丢失相对方向向量，/>
Figure QLYQS_41
表示第/>
Figure QLYQS_39
个连接曲线上第
Figure QLYQS_42
个疑似边缘点的近似花生边缘可能性，/>
Figure QLYQS_46
表示第/>
Figure QLYQS_49
个连接曲线上第/>
Figure QLYQS_35
个疑似边缘点的存在向量，/>
Figure QLYQS_36
表示第/>
Figure QLYQS_44
个连接曲线上疑似边缘点的个数，/>
Figure QLYQS_47
表示第/>
Figure QLYQS_40
个连接曲线的连接长度上第/>
Figure QLYQS_43
个像素点的丢失向量，/>
Figure QLYQS_45
表示第/>
Figure QLYQS_48
个连接曲线的连接长度上像素点的个数。/>
9.根据权利要求1所述的一种油幕式油炸花生生产系统，其特征在于，所述根据参考丢失角度、每一连接曲线的丢失角度及连接曲线上每一疑似边缘点的近似花生边缘可能性获取每一连接曲线的实际花生边缘可能性，计算公式如下：
Figure QLYQS_50
；
其中，
Figure QLYQS_51
表示第/>
Figure QLYQS_53
个连接曲线的实际花生边缘可能性，/>
Figure QLYQS_55
表示第/>
Figure QLYQS_52
个连接曲线上第/>
Figure QLYQS_56
个疑似边缘点的近似花生边缘可能性，/>
Figure QLYQS_57
表示第/>
Figure QLYQS_59
个连接曲线上疑似边缘点的个数，/>
Figure QLYQS_54
表示第/>
Figure QLYQS_58
个连接曲线的丢失角度，/>
Figure QLYQS_60
表示参考丢失角度，/>
Figure QLYQS_61
表示求绝对值。/>
CN202310442446.9A 2023-04-24 2023-04-24 一种油幕式油炸花生生产系统 Active CN116168025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310442446.9A CN116168025B (zh) 2023-04-24 2023-04-24 一种油幕式油炸花生生产系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310442446.9A CN116168025B (zh) 2023-04-24 2023-04-24 一种油幕式油炸花生生产系统

Publications (2)

Publication Number Publication Date
CN116168025A true CN116168025A (zh) 2023-05-26
CN116168025B CN116168025B (zh) 2023-07-07

Family

ID=86413532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310442446.9A Active CN116168025B (zh) 2023-04-24 2023-04-24 一种油幕式油炸花生生产系统

Country Status (1)

Country Link
CN (1) CN116168025B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883688A (zh) * 2023-09-08 2023-10-13 泗水县锦川花生食品有限公司 一种油炸花生智能拣选方法
CN117975444A (zh) * 2024-03-28 2024-05-03 广东蛟龙电器有限公司 一种用于食品破碎机的食材图像识别方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334263A (zh) * 2008-07-22 2008-12-31 东南大学 圆形目标的圆心定位方法
WO2020051746A1 (zh) * 2018-09-10 2020-03-19 深圳配天智能技术研究院有限公司 图像的边缘检测方法、图像处理设备及计算机存储介质
CN110993537A (zh) * 2019-12-20 2020-04-10 徐州鑫晶半导体科技有限公司 确定半导体晶圆边缘抛光形状的方法
WO2020258184A1 (zh) * 2019-06-27 2020-12-30 京东方科技集团股份有限公司 图像检测方法、图像检测装置、图像检测设备及介质
CN113869270A (zh) * 2021-10-12 2021-12-31 南京工程学院 一种基于单目视觉的地铁车辆门系统v型角度测量方法
CN114972326A (zh) * 2022-07-20 2022-08-30 南通鼎彩新材料科技有限公司 热收缩管扩管工艺的次品识别方法
CN115082419A (zh) * 2022-07-14 2022-09-20 江苏诺阳家居科技有限公司 一种吹塑箱包生产缺陷检测方法
CN115082462A (zh) * 2022-08-22 2022-09-20 山东海鑫达石油机械有限公司 一种流体输送管外观质量检测方法及系统
CN115239735A (zh) * 2022-09-23 2022-10-25 探长信息技术(苏州)有限公司 基于计算机视觉的通信柜表面缺陷检测方法
CN115631116A (zh) * 2022-12-21 2023-01-20 南昌航空大学 基于双目视觉的飞行器电力巡检系统
CN115641329A (zh) * 2022-11-15 2023-01-24 武汉惠强新能源材料科技有限公司 一种锂电池隔膜缺陷检测方法及系统
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334263A (zh) * 2008-07-22 2008-12-31 东南大学 圆形目标的圆心定位方法
WO2020051746A1 (zh) * 2018-09-10 2020-03-19 深圳配天智能技术研究院有限公司 图像的边缘检测方法、图像处理设备及计算机存储介质
WO2020258184A1 (zh) * 2019-06-27 2020-12-30 京东方科技集团股份有限公司 图像检测方法、图像检测装置、图像检测设备及介质
CN110993537A (zh) * 2019-12-20 2020-04-10 徐州鑫晶半导体科技有限公司 确定半导体晶圆边缘抛光形状的方法
CN113869270A (zh) * 2021-10-12 2021-12-31 南京工程学院 一种基于单目视觉的地铁车辆门系统v型角度测量方法
CN115082419A (zh) * 2022-07-14 2022-09-20 江苏诺阳家居科技有限公司 一种吹塑箱包生产缺陷检测方法
CN114972326A (zh) * 2022-07-20 2022-08-30 南通鼎彩新材料科技有限公司 热收缩管扩管工艺的次品识别方法
CN115082462A (zh) * 2022-08-22 2022-09-20 山东海鑫达石油机械有限公司 一种流体输送管外观质量检测方法及系统
CN115239735A (zh) * 2022-09-23 2022-10-25 探长信息技术(苏州)有限公司 基于计算机视觉的通信柜表面缺陷检测方法
CN115641329A (zh) * 2022-11-15 2023-01-24 武汉惠强新能源材料科技有限公司 一种锂电池隔膜缺陷检测方法及系统
CN115631116A (zh) * 2022-12-21 2023-01-20 南昌航空大学 基于双目视觉的飞行器电力巡检系统
CN115861291A (zh) * 2023-01-06 2023-03-28 曲阜天博汽车电器有限公司 基于机器视觉的贴片电路板生产缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ENOCK TAFADZWA CHEKURE等: "Straight Line Detection Using Euclidean Distance Between Consecutive Pixels", 2021 INTERNATIONAL CONFERENCE ON ENGINEERING AND EMERGING TECHNOLOGIES (ICEET), pages 1 - 5 *
刘叶朋等: "基于图像分解和相对全变分的图像平滑", 图学学报, vol. 43, no. 6, pages 1143 - 1149 *
王中王;薛建彬;张学友;: "一种闭合曲线去除平面工件二值图像噪声算法", 工业控制计算机, no. 11, pages 59 - 60 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883688A (zh) * 2023-09-08 2023-10-13 泗水县锦川花生食品有限公司 一种油炸花生智能拣选方法
CN116883688B (zh) * 2023-09-08 2023-12-01 泗水县锦川花生食品有限公司 一种油炸花生智能拣选方法
CN117975444A (zh) * 2024-03-28 2024-05-03 广东蛟龙电器有限公司 一种用于食品破碎机的食材图像识别方法

Also Published As

Publication number Publication date
CN116168025B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN116168025B (zh) 一种油幕式油炸花生生产系统
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN109829876B (zh) 基于机器视觉的链板缺陷在线检测装置及方法
CN110163853B (zh) 一种边缘缺陷的检测方法
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
CN110163219B (zh) 基于图像边缘识别的目标检测方法
CN115829883A (zh) 一种异性金属结构件表面图像去噪方法
CN107490582B (zh) 一种流水线工件检测系统
CN115082466B (zh) 一种pcb表面焊点缺陷检测方法及系统
CN112862770B (zh) 一种基于人工智能的缺陷分析诊断系统、方法、装置
CN107679453B (zh) 基于支持向量机的天气雷达电磁干扰回波识别方法
CN110648330B (zh) 摄像头玻璃的缺陷检测方法
JP5852919B2 (ja) ひび割れ検出方法
JP2014228357A (ja) ひび割れ検出方法
CN105447489B (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN110288571B (zh) 一种基于图像处理的高铁接触网绝缘子异常检测方法
CN112991283A (zh) 基于超像素的柔性ic基板线宽检测方法、介质和设备
Petraglia et al. Pipeline tracking and event classification for an automatic inspection vision system
CN110705553B (zh) 一种适用于车辆远景图像的划痕检测方法
CN115587966A (zh) 一种在光照不均匀条件下零件有无缺漏的检测方法及系统
CN111476074A (zh) 基于毫米波图像的人体异物检测方法
CN114170165A (zh) 一种芯片表面缺陷检测方法和装置
CN108205678B (zh) 一种含有亮斑干扰的铭牌文字识别处理方法
Selvaraju et al. Support Vector Machine based Remote Sensing using Satellite Data Image
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant