CN116503402A - 一种粮食并肩杂质含量的检测方法及装置 - Google Patents
一种粮食并肩杂质含量的检测方法及装置 Download PDFInfo
- Publication number
- CN116503402A CN116503402A CN202310757110.1A CN202310757110A CN116503402A CN 116503402 A CN116503402 A CN 116503402A CN 202310757110 A CN202310757110 A CN 202310757110A CN 116503402 A CN116503402 A CN 116503402A
- Authority
- CN
- China
- Prior art keywords
- grain
- image
- images
- impurity
- pixel area
- 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
Links
- 239000012535 impurity Substances 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 239000000178 monomer Substances 0.000 claims abstract description 11
- 235000013339 cereals Nutrition 0.000 claims description 192
- 238000012545 processing Methods 0.000 claims description 21
- 241000209140 Triticum Species 0.000 claims description 18
- 235000021307 Triticum Nutrition 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 240000007594 Oryza sativa Species 0.000 claims description 10
- 235000007164 Oryza sativa Nutrition 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 235000009566 rice Nutrition 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 235000010627 Phaseolus vulgaris Nutrition 0.000 claims description 6
- 244000046052 Phaseolus vulgaris Species 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 244000062793 Sorghum vulgare Species 0.000 description 4
- 235000019713 millet Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 240000005979 Hordeum vulgare Species 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 240000008620 Fagopyrum esculentum Species 0.000 description 1
- 235000009419 Fagopyrum esculentum Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000002582 Oryza sativa Indica Group Species 0.000 description 1
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 240000004922 Vigna radiata Species 0.000 description 1
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 1
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 1
- 240000001417 Vigna umbellata Species 0.000 description 1
- 235000011453 Vigna umbellata Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000021374 legumes Nutrition 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及检测技术领域,公开了一种粮食并肩杂质含量的检测方法及装置,旨在解决现有检测方法存在效率低以及准确性差的问题,方案主要包括:对粮食样本进行逐粒图像采集,获得粮食样本的单体图像;对各单体图像进行图像预处理;根据预先训练的并肩杂质识别模型分别对各单体图像进行分类识别,确定出粮食图像和并肩杂质图像;分别在各粮食图像中确定粮食轮廓所形成区域的第一像素面积,并分别在各并肩杂质图像中确定并肩杂质轮廓所形成区域的第二像素面积;根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量。本发明提高了粮食并肩杂质含量的检测效率和准确性,适用于各类粮食。
Description
技术领域
本发明涉及检测技术领域,具体涉及一种粮食并肩杂质含量的检测方法及装置。
背景技术
粮食质量检验是粮食入库前的第一道门槛,准确判定粮食质量是确保储粮安全和科学管理的前提。并肩杂质是指与被检测样大小相当的杂质,由于并肩杂质与粮食的物理特性相近,因此很难用传统的筛法等方式过滤掉粮食中的并肩杂质,而粮食中并肩杂质的含量高低会影响到粮食质量,因此有必要对粮食的并肩杂质含量进行检测。
为了确定粮食中并肩杂质的含量,传统的方式是通过获取一定量的粮食样本,由人工在粮食样本中筛选出并肩杂质,再通过对并肩杂质进行称重进而确定并肩杂质含量。这种方式存在耗时长效率低的缺点,并且由于主观性较强,使得检测准确性较差。
发明内容
本发明旨在解决现有粮食并肩杂质含量的检测方法存在效率低以及准确性差的问题,提出另一种粮食并肩杂质含量的检测方法及装置。
本发明解决上述技术问题所采用的技术方案是:
一方面,提出一种粮食并肩杂质含量的检测方法,所述方法包括:
对粮食样本进行逐粒图像采集,获得粮食样本的单体图像,所述单体图像包括粮食图像和并肩杂质图像;
对各单体图像进行图像预处理;
根据预先训练的并肩杂质识别模型分别对各单体图像进行分类识别,确定出粮食图像和并肩杂质图像;
分别在各粮食图像中确定粮食轮廓所形成区域的第一像素面积,并分别在各并肩杂质图像中确定并肩杂质轮廓所形成区域的第二像素面积;
根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量。
进一步地,所述并肩杂质识别模型的训练方法包括:
收集粮食的多种并肩杂质并对其进行逐粒图像采集,将获得的并肩杂质图像进行图像预处理后作为负样本图像;
获取多个粮食图像,并将获得的粮食图像进行图像预处理后作为正样本图像;
根据所述正样本图像和负样本图像训练深度学习模型,获得并肩杂质识别模型。
进一步地,所述图像预处理具体包括:
对图像进行二值化滤波处理和形态学处理。
进一步地,根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量,具体包括:
确定所有粮食图像的第一像素面积和以及所有并肩杂质图像的第二像素面积和,并确定第一像素面积和与第二像素面积和的像素面积总和;
根据第一像素面积和与像素面积总和的比值确定粮食样本中并肩杂质的质量占比。
进一步地,所述粮食为稻类粮食、麦类粮食、豆类粮食或粗粮类粮食。
另一方面,提出一种粮食并肩杂质含量的检测装置,所述装置包括:
采集单元,用于对粮食样本进行逐粒图像采集,获得粮食样本的单体图像,所述单体图像包括粮食图像和并肩杂质图像;
处理单元,用于对各单体图像进行图像预处理;
识别单元,用于根据预先训练的并肩杂质识别模型分别对各单体图像进行分类识别,确定出粮食图像和并肩杂质图像;
确定单元,用于分别在各粮食图像中确定粮食轮廓所形成区域的第一像素面积,并分别在各并肩杂质图像中确定并肩杂质轮廓所形成区域的第二像素面积;以及根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量。
进一步地,所述装置还包括训练单元,所述训练单元用于:
收集粮食的多种并肩杂质并对其进行逐粒图像采集,将获得的并肩杂质图像进行图像预处理后作为负样本图像;
获取多个粮食图像,并将获得的粮食图像进行图像预处理后作为正样本图像;
根据所述正样本图像和负样本图像训练深度学习模型,获得并肩杂质识别模型。
进一步地,所述处理单元具体用于:
对图像进行二值化滤波处理和形态学处理。
进一步地,所述确定单元,具体用于:
确定所有粮食图像的第一像素面积和以及所有并肩杂质图像的第二像素面积和,并确定第一像素面积和与第二像素面积和的像素面积总和;
根据第一像素面积和与像素面积总和的比值确定粮食样本中并肩杂质的质量占比。
进一步地,所述粮食为稻类粮食、麦类粮食、豆类粮食或粗粮类粮食。
本发明的有益效果是:本发明所述的粮食并肩杂质含量的检测方法及装置,通过获取粮食样本的图像并基于预先训练的预先训练的并肩杂质识别模型对粮食样本中的并肩杂质进行识别,并根据图像的像素面积确定粮食样本中并肩杂质的质量占比,相较于传统的人工筛选而言,提高了并肩杂质含量的检测效率和准确性。并且本发明通过对图像进行二值化滤波处理和形态学处理,提高了模型训练以及并肩杂质识别的准确性。
附图说明
图1为本发明实施例所述粮食并肩杂质含量的检测方法的流程示意图;
图2(a)为本发明实施例所述小麦图像的一种示意图;
图2(b)为本发明实施例所述小麦图像的另一种示意图;
图3(a)为本发明实施例所述小麦的并肩杂质图像的一种示意图;
图3(b)为本发明实施例所述小麦图像的另一种示意图;
图4为本发明实施例所述并肩杂质识别模型的训练方法的流程示意图;
图5为本发明实施例所述小麦的负样本图像的示意图;
图6为本发明实施例所述小麦的正样本图像的示意图;
图7为本发明实施例所述粮食并肩杂质含量的检测装置的结构示意图。
具体实施方式
下面将结合附图对本发明的实施方式进行详细描述。
本发明旨在提供一种粮食并肩杂质含量的检测方法及装置,以提高粮食并肩杂质含量的检测效率和准确性,其主要的技术构思如下:对粮食样本进行逐粒图像采集,获得粮食样本的单体图像,所述单体图像包括粮食图像和并肩杂质图像;对各单体图像进行图像预处理;根据预先训练的并肩杂质识别模型分别对各单体图像进行分类识别,确定出粮食图像和并肩杂质图像;分别在各粮食图像中确定粮食轮廓所形成区域的第一像素面积,并分别在各并肩杂质图像中确定并肩杂质轮廓所形成区域的第二像素面积;根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量。
可以理解,本发明首先需要通过收集大量的并肩杂质图像和目标粮食图像,并对其进行图像处理后训练并肩杂质识别模型。在需要进行粮食并肩杂质含量的检测时,对粮食样本进行逐粒图像采集,即获取粮食样本中每粒粮食或者并肩杂质的单体图像,针对各单体图像,分别对其进行图像处理后输入至并肩杂质识别模型中,即可识别出单体图像为粮食图像还是并肩杂质图像,最后根据粮食图像和并肩杂质图像的像素面积确定粮食样本中并肩杂质的质量占比。
实施例
请参阅图1,本发明实施例所述的粮食并肩杂质含量的检测方法,包括以下步骤:
S1、对粮食样本进行逐粒图像采集,获得粮食样本的单体图像,所述单体图像包括粮食图像和并肩杂质图像。
本实施例中,粮食样本可以是从待检测粮食中选取的部分粮食,待检测粮食可以为稻类粮食、麦类粮食、豆类粮食或粗粮类粮食。其中,稻类粮食可以为:粳稻,籼稻,糯稻,陆稻(旱稻),深水稻等,麦类粮食可以为:小麦,大麦,青稞(元麦),黑麦,燕麦等,豆类粮食可以为:大豆,小豆(红豆),绿豆等,粗粮类粮食可以为:玉米,高粱,荞麦,粟(谷子、小米),黍(糜子)等。
可以理解,粮食样本中包含粮食和并肩杂质,在选取粮食样本后,可以通过专用工具对粮食样本进行逐粒图像采集,具体可以通过振动设备将粮食样本逐粒分开,并通过传送带逐粒传送至拍摄位置,再由摄像机进行逐粒拍摄,进而获得粮食样本的单体图像.
本实施例中,单体图像为粮食图像或并肩杂质图像,图2(a)和图2(b)分别示出了小麦对应的粮食图像,图3(a)和图3(b)分别示出了小麦的并肩杂质图像。
S2、对各单体图像进行图像预处理。
本实施例中,图像预处理具体包括:对图像进行二值化滤波处理和形态学处理。其中,二值化滤波处理包括滤波和图像灰度划分,滤波用于降低像素噪声,图像灰度划分即根据灰度值与阈值的大小区分图形和背景。通过对单体图像进行图像预处理能够有效提高后续像素面积确定的准确性。形态学处理是指利用特殊的结构元来测量或提取单体图像中相应的形状或特征,通过对图像进行形态学处理能够提高并肩杂质识别的准确性。
S3、根据预先训练的并肩杂质识别模型分别对各单体图像进行分类识别,确定出粮食图像和并肩杂质图像;
请参阅图4,本实施例需要预先训练并肩杂质识别模型,具体包括以下步骤:
S31、收集粮食的多种并肩杂质并对其进行逐粒图像采集,将获得的并肩杂质图像进行图像预处理后作为负样本图像;
具体而言,在收集获得大量的并肩杂质后,可以采用与上述步骤相同的专用工具对并肩杂质进行逐粒图像采集,并采用与上述步骤相同的图像预处理方法对并肩杂质图像进行预处理,通过对并肩杂质图像进行图像预处理能够有效提高模型训练的准确性。本实施例中收集的小麦的负样本图像请参阅图5。
S32、获取多个粮食图像,并将获得的粮食图像进行图像预处理后作为正样本图像;
其中,多个粮食为待检测粮食的同类粮食,例如,均为小麦。同理也可以采用与上述步骤相同的专用工具对粮食进行逐粒图像采集,并采用与上述步骤相同的图像预处理方法对粮食图像进行预处理,通过对粮食图像进行图像预处理能够有效提高模型训练的准确性。本实施例中收集的小麦的正样本图像请参阅图6。
S33、根据所述正样本图像和负样本图像训练深度学习模型,获得并肩杂质识别模型。
可以理解,通过将获得的正样本图像和负样本图像分别输入至深度学习模型进行训练,即可获得并肩杂质识别模型,在获得并肩杂质识别模型,还可以基于验证样本对并肩杂质识别模型的识别准确率进行验证,如果验证不通过,则重新训练,如果验证通过,则训练完成。
在训练获得并肩杂质识别模型后,即可将各单体图像分别输入至并肩杂质识别模型中,即可确定单体图像为粮食图像还是并肩杂质图像,实现对粮食中并肩杂质的分类。
S4、分别在各粮食图像中确定粮食轮廓所形成区域的第一像素面积,并分别在各并肩杂质图像中确定并肩杂质轮廓所形成区域的第二像素面积;
可以理解,在确定粮食图像和并肩杂质图像后,可以根据图像中目标物体的轮廓所形成区域内的像素点个数确定对应的像素面积,针对粮食图像确定对应的第一像素面积,针对并肩杂质图像确定对应的第二像素面积。
S5、根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量。
具体地,本实施例先确定所有粮食图像的第一像素面积和以及所有并肩杂质图像的第二像素面积和,并确定第一像素面积和与第二像素面积和的像素面积总和,再根据第二像素面积和与像素面积总和的比值确定粮食样本中并肩杂质的质量占比。
可以理解,通常情况下,单体图像中目标物体的轮廓所形成区域的像素面积越大,则对应的目标物体也越重。基于此,本实施例先确定所有并肩杂质的轮廓所形成区域的第二像素面积和,再确定所有粮食以及并肩杂质的轮廓所形成区域的像素面积总和,最后根据第二像素面积和与像素面积总和的比值并结合相关系数即可估算出粮食样本中并肩杂质的质量占比。
综上所述,本实施例提供的粮食并肩杂质含量的检测方法,通过获取粮食样本的图像并基于预先训练的预先训练的并肩杂质识别模型对粮食样本中的并肩杂质进行识别,并根据图像的像素面积确定粮食样本中并肩杂质的质量占比,相较于传统的人工筛选而言,提高了并肩杂质含量的检测效率和准确性。并且本实施例通过对图像进行二值化滤波处理和形态学处理,提高了模型训练以及并肩杂质识别的准确性。
请参阅图7,基于上述技术方案,本实施例还提供一种粮食并肩杂质含量的检测装置,所述装置包括:
采集单元,用于对粮食样本进行逐粒图像采集,获得粮食样本的单体图像,所述单体图像包括粮食图像和并肩杂质图像;
处理单元,用于对各单体图像进行图像预处理;
识别单元,用于根据预先训练的并肩杂质识别模型分别对各单体图像进行分类识别,确定出粮食图像和并肩杂质图像;
确定单元,用于分别在各粮食图像中确定粮食轮廓所形成区域的第一像素面积,并分别在各并肩杂质图像中确定并肩杂质轮廓所形成区域的第二像素面积;以及根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量。
可以理解,由于本发明实施例所述的粮食并肩杂质含量的检测装置是用于实现实施例所述粮食并肩杂质含量的检测方法的装置,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的较为简单,相关之处参见方法的部分说明即可。
Claims (10)
1.一种粮食并肩杂质含量的检测方法,其特征在于,所述方法包括:
对粮食样本进行逐粒图像采集,获得粮食样本的单体图像,所述单体图像包括粮食图像和并肩杂质图像;
对各单体图像进行图像预处理;
根据预先训练的并肩杂质识别模型分别对各单体图像进行分类识别,确定出粮食图像和并肩杂质图像;
分别在各粮食图像中确定粮食轮廓所形成区域的第一像素面积,并分别在各并肩杂质图像中确定并肩杂质轮廓所形成区域的第二像素面积;
根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量。
2.如权利要求1所述的粮食并肩杂质含量的检测方法,其特征在于,所述并肩杂质识别模型的训练方法包括:
收集粮食的多种并肩杂质并对其进行逐粒图像采集,将获得的并肩杂质图像进行图像预处理后作为负样本图像;
获取多个粮食图像,并将获得的粮食图像进行图像预处理后作为正样本图像;
根据所述正样本图像和负样本图像训练深度学习模型,获得并肩杂质识别模型。
3.如权利要求1或2所述的粮食并肩杂质含量的检测方法,其特征在于,所述图像预处理具体包括:
对图像进行二值化滤波处理和形态学处理。
4.如权利要求1所述的粮食并肩杂质含量的检测方法,其特征在于,根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量,具体包括:
确定所有粮食图像的第一像素面积和以及所有并肩杂质图像的第二像素面积和,并确定第一像素面积和与第二像素面积和的像素面积总和;
根据第一像素面积和与像素面积总和的比值确定粮食样本中并肩杂质的质量占比。
5.如权利要求1所述的粮食并肩杂质含量的检测方法,其特征在于,所述粮食为稻类粮食、麦类粮食、豆类粮食或粗粮类粮食。
6.一种粮食并肩杂质含量的检测装置,其特征在于,所述装置包括:
采集单元,用于对粮食样本进行逐粒图像采集,获得粮食样本的单体图像,所述单体图像包括粮食图像和并肩杂质图像;
处理单元,用于对各单体图像进行图像预处理;
识别单元,用于根据预先训练的并肩杂质识别模型分别对各单体图像进行分类识别,确定出粮食图像和并肩杂质图像;
确定单元,用于分别在各粮食图像中确定粮食轮廓所形成区域的第一像素面积,并分别在各并肩杂质图像中确定并肩杂质轮廓所形成区域的第二像素面积;以及根据所述第一像素面积和第二像素面积确定粮食样本中并肩杂质的含量。
7.如权利要求6所述的粮食并肩杂质含量的检测装置,其特征在于,所述装置还包括训练单元,所述训练单元用于:
收集粮食的多种并肩杂质并对其进行逐粒图像采集,将获得的并肩杂质图像进行图像预处理后作为负样本图像;
获取多个粮食图像,并将获得的粮食图像进行图像预处理后作为正样本图像;
根据所述正样本图像和负样本图像训练深度学习模型,获得并肩杂质识别模型。
8.如权利要求6或7所述的粮食并肩杂质含量的检测装置,其特征在于,所述处理单元具体用于:
对图像进行二值化滤波处理和形态学处理。
9.如权利要求6所述的粮食并肩杂质含量的检测装置,其特征在于,所述确定单元,具体用于:
确定所有粮食图像的第一像素面积和以及所有并肩杂质图像的第二像素面积和,并确定第一像素面积和与第二像素面积和的像素面积总和;
根据第一像素面积和与像素面积总和的比值确定粮食样本中并肩杂质的质量占比。
10.如权利要求6所述的粮食并肩杂质含量的检测装置,其特征在于,所述粮食为稻类粮食、麦类粮食、豆类粮食或粗粮类粮食。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310757110.1A CN116503402B (zh) | 2023-06-26 | 2023-06-26 | 一种粮食并肩杂质含量的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310757110.1A CN116503402B (zh) | 2023-06-26 | 2023-06-26 | 一种粮食并肩杂质含量的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503402A true CN116503402A (zh) | 2023-07-28 |
CN116503402B CN116503402B (zh) | 2023-09-08 |
Family
ID=87326960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310757110.1A Active CN116503402B (zh) | 2023-06-26 | 2023-06-26 | 一种粮食并肩杂质含量的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503402B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589633A (zh) * | 2024-01-19 | 2024-02-23 | 中储粮成都储藏研究院有限公司 | 一种粮食杂质检测装置及方法 |
CN117611927A (zh) * | 2024-01-22 | 2024-02-27 | 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 |
---|---|---|---|---|
CN101271522A (zh) * | 2008-05-21 | 2008-09-24 | 中国农业大学 | 一种大米中黄粒米的自动识别方法 |
CN108230307A (zh) * | 2017-12-29 | 2018-06-29 | 浙江大学 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
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 |
CN110458362A (zh) * | 2019-08-15 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于svm支持向量机模型的粮食品质指标预测方法 |
CN111982906A (zh) * | 2020-08-28 | 2020-11-24 | 天津黄庄稻香米业有限公司 | 一种大米品质检测方法 |
CN113298085A (zh) * | 2021-04-06 | 2021-08-24 | 江苏大学 | 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统 |
CN113426709A (zh) * | 2021-07-21 | 2021-09-24 | 长沙荣业软件有限公司 | 谷料收购智能检测机器人及谷料分类方法 |
CN113447502A (zh) * | 2021-06-25 | 2021-09-28 | 河南工业大学 | 一种粮食杂质含量的检测方法 |
CN113820325A (zh) * | 2021-09-13 | 2021-12-21 | 农业农村部南京农业机械化研究所 | 一种玉米籽粒直收含杂率和破碎率在线检测系统及其方法 |
CN113869251A (zh) * | 2021-09-30 | 2021-12-31 | 河南工业大学 | 一种基于改进ResNet的小麦不完善粒在线检测方法 |
CN114445623A (zh) * | 2022-01-20 | 2022-05-06 | 石家庄经济技术开发区长城食品有限公司 | 一种食品杂质检测方法、装置、电子设备及存储介质 |
CN115187609A (zh) * | 2022-09-14 | 2022-10-14 | 合肥安杰特光电科技有限公司 | 一种大米黄粒检测方法和系统 |
CN115620006A (zh) * | 2022-10-12 | 2023-01-17 | 杭州天眼智联科技有限公司 | 一种货物杂质含量检测方法、系统、装置与存储介质 |
US20230102954A1 (en) * | 2021-09-29 | 2023-03-30 | Regents Of The University Of Minnesota | Automatic evaluation of wheat resistance to fusarium head blight using dual mask |
CN116012721A (zh) * | 2023-03-28 | 2023-04-25 | 浙江大学湖州研究院 | 一种基于深度学习的水稻叶片病斑检测方法 |
WO2023101237A1 (ko) * | 2021-11-30 | 2023-06-08 | 주식회사 아이디알시스템 | 인공지능을 이용한 미곡 등급판정 및 품질관리시스템과 그 방법 |
-
2023
- 2023-06-26 CN CN202310757110.1A patent/CN116503402B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271522A (zh) * | 2008-05-21 | 2008-09-24 | 中国农业大学 | 一种大米中黄粒米的自动识别方法 |
CN108230307A (zh) * | 2017-12-29 | 2018-06-29 | 浙江大学 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
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 |
CN110458362A (zh) * | 2019-08-15 | 2019-11-15 | 中储粮成都储藏研究院有限公司 | 基于svm支持向量机模型的粮食品质指标预测方法 |
CN111982906A (zh) * | 2020-08-28 | 2020-11-24 | 天津黄庄稻香米业有限公司 | 一种大米品质检测方法 |
CN113298085A (zh) * | 2021-04-06 | 2021-08-24 | 江苏大学 | 一种基于Mask R-CNN的谷物含杂-破碎识别方法与系统 |
CN113447502A (zh) * | 2021-06-25 | 2021-09-28 | 河南工业大学 | 一种粮食杂质含量的检测方法 |
CN113426709A (zh) * | 2021-07-21 | 2021-09-24 | 长沙荣业软件有限公司 | 谷料收购智能检测机器人及谷料分类方法 |
CN113820325A (zh) * | 2021-09-13 | 2021-12-21 | 农业农村部南京农业机械化研究所 | 一种玉米籽粒直收含杂率和破碎率在线检测系统及其方法 |
US20230102954A1 (en) * | 2021-09-29 | 2023-03-30 | Regents Of The University Of Minnesota | Automatic evaluation of wheat resistance to fusarium head blight using dual mask |
CN113869251A (zh) * | 2021-09-30 | 2021-12-31 | 河南工业大学 | 一种基于改进ResNet的小麦不完善粒在线检测方法 |
WO2023101237A1 (ko) * | 2021-11-30 | 2023-06-08 | 주식회사 아이디알시스템 | 인공지능을 이용한 미곡 등급판정 및 품질관리시스템과 그 방법 |
CN114445623A (zh) * | 2022-01-20 | 2022-05-06 | 石家庄经济技术开发区长城食品有限公司 | 一种食品杂质检测方法、装置、电子设备及存储介质 |
CN115187609A (zh) * | 2022-09-14 | 2022-10-14 | 合肥安杰特光电科技有限公司 | 一种大米黄粒检测方法和系统 |
CN115620006A (zh) * | 2022-10-12 | 2023-01-17 | 杭州天眼智联科技有限公司 | 一种货物杂质含量检测方法、系统、装置与存储介质 |
CN116012721A (zh) * | 2023-03-28 | 2023-04-25 | 浙江大学湖州研究院 | 一种基于深度学习的水稻叶片病斑检测方法 |
Non-Patent Citations (4)
Title |
---|
J.A.FERNANDEZ PIERNA等: "NIR Hyperspectral imaging spectroscopy and chemometrics for the detection of undesirable substances in food and feed", CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, vol. 117, pages 233 - 239, XP055352285, DOI: 10.1016/j.chemolab.2012.02.004 * |
刘倩: "基于光谱成像技术的小麦种子品质分析研究", 中国优秀硕士学位论文全文数据库 农业科技辑, no. 6, pages 047 - 34 * |
李天慧: "机采籽棉杂质分类识别检测技术研究", 中国优秀硕士学位论文全文数据库 农业科技辑, no. 3, pages 047 - 124 * |
王安等: "基于改进形状因子的钵体秧盘播种质量检测方法研究", 农业机械学报, vol. 46, no. 11, pages 29 - 35 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589633A (zh) * | 2024-01-19 | 2024-02-23 | 中储粮成都储藏研究院有限公司 | 一种粮食杂质检测装置及方法 |
CN117589633B (zh) * | 2024-01-19 | 2024-04-16 | 中储粮成都储藏研究院有限公司 | 一种粮食杂质检测装置及方法 |
CN117611927A (zh) * | 2024-01-22 | 2024-02-27 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116503402B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116503402B (zh) | 一种粮食并肩杂质含量的检测方法及装置 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
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 | |
US8995709B2 (en) | Method for calculating weight ratio by quality grade in grain appearance quality grade discrimination device | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
CN104990892B (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 | |
CN108287010A (zh) | 一种螃蟹多指标分级装置与方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN106340000A (zh) | 骨龄评估方法 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN101710081A (zh) | 基于图像纹理与分形维数的机械零件表面缺陷检测方法 | |
CN105954412A (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
Patki et al. | Cotton leaf disease detection & classification using multi SVM | |
CN109285140A (zh) | 一种印刷电路板图像配准评估方法 | |
CN114972342B (zh) | 一种变速箱齿轮表面缺陷检测方法 | |
Arefi et al. | Recognition of weed seed species by image processing | |
CN115266728A (zh) | 一种冷轧带钢表面夹杂缺陷的识别方法 | |
CN110991469B (zh) | 一种水果可溶性固形物在线检测方法及系统 | |
Aznan et al. | Rice seed varieties identification based on extracted colour features using image processing and artificial neural network (ANN) | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
Najafabadi et al. | Shape analysis of common bean (Phaseolus vulgaris L.) seeds using image analysis | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
CN106991667A (zh) | 一种构建图像特征谱的对虾完整性判别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |