CN116612123A - 一种花生油加工质量视觉检测方法 - Google Patents

一种花生油加工质量视觉检测方法 Download PDF

Info

Publication number
CN116612123A
CN116612123A CN202310896373.0A CN202310896373A CN116612123A CN 116612123 A CN116612123 A CN 116612123A CN 202310896373 A CN202310896373 A CN 202310896373A CN 116612123 A CN116612123 A CN 116612123A
Authority
CN
China
Prior art keywords
point
points
region
oil
intersection
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
CN202310896373.0A
Other languages
English (en)
Other versions
CN116612123B (zh
Inventor
崔言峰
宋立里
高冠勇
孙钦彩
费晓伟
李娟�
周茂鑫
李晓龙
杨晓飞
化晶晶
王洪章
徐鹏
高冠乾
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.)
Shandong Jinsheng Grain And Oil Food Co ltd
Original Assignee
Shandong Jinsheng Grain And Oil Food 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 Shandong Jinsheng Grain And Oil Food Co ltd filed Critical Shandong Jinsheng Grain And Oil Food Co ltd
Priority to CN202310896373.0A priority Critical patent/CN116612123B/zh
Publication of CN116612123A publication Critical patent/CN116612123A/zh
Application granted granted Critical
Publication of CN116612123B publication Critical patent/CN116612123B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/03—Edible oils or edible fats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种花生油加工质量视觉检测方法，包括：获取管道出油图像的油液区域；通过帧差法得到管道出油图像中的油液区域的灰度值收敛区域；根据灰度值收敛区域的质心位置改变速度得到杂质区域；根据杂质区域进行质量检测。本发明通过结合层流现象进行杂质检测，排除了帧差图像中的绝大多数干扰，同时使用帧差图像可以很好的反映出杂质对油液的影响，根据计算这些影响是否最终收敛到一个区域来判断是否存在杂质，同时还能排除其他原因造成的层流短暂不稳定的情况，使得结果更精确。

Description

一种花生油加工质量视觉检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种花生油加工质量视觉检测方法。
背景技术
我国目前的花生油的制作工艺较为先进，但是在花生油的质检环节的自动化程度还有待提高。目前识别花生油内杂质的技术上主要使用人工灯检和帧差法。人工灯检的方法对检测工人的眼睛损伤很大，而且精度差效率低；帧差法由于油液前后帧的变化较多，帧差中的干扰项较多，难以判断帧差中的变化是由杂志还是油液变化产生，容易产生误判，可靠性较差。
层流现象是流体力学中的一个重要现象，也是工业和科研领域中需要掌握的基本概念之一。层流现象是指在管道中流动的液体或气体呈现层状流动的现象。其特点是流体的流速分布呈现从中心到管壁逐渐减小的趋势，各层流体之间的相互作用力很小，从而形成各自独立的层流。由于油液的液体粘度较大，且生产过程中常用管道运输且速度较慢，因此容易产生层流现象。
发明内容
本发明提供一种花生油加工质量视觉检测方法，以解决现有的问题。
本发明的一种花生油加工质量视觉检测方法采用如下技术方案：
本发明一个实施例提供了一种花生油加工质量视觉检测方法，该方法包括以下步骤：
获取管道出油图像；获取管道出油图像的油液区域；
在管道出油图像的油液区域增强后的帧差结果图中，获取疑似杂质像素点和点的影响区域；获取疑似杂质像素点的影响区域中边缘线的理论曲线的可靠程度；根据理 论曲线的可靠程度得到理论曲线之间的交点的可靠程度；根据交点的可靠程度对交点进行 拆分，得到交点的参考距离，根据所有交点的参考距离获得参考距离的频率直方图的收敛 区间；在增强后的帧差结果图中，获取疑似杂质像素点的灰度值收敛区域，所述灰度值收 敛区域内的点与点的距离属于收敛区间内；
根据灰度值收敛区域的质心位置改变速度得到杂质区域；
根据杂质区域进行质量检测。
优选的，所述获取管道出油图像的油液区域，包括的具体步骤如下：
将管道出油RBG图像转换到HSV色域，通过油液的H、S、V的范围，获得油液对应的区域；再将管道出油RGB图像进行灰度化处理获得管道出油灰度图像，让油液对应的区域结合对灰度图像进行边缘检测的结果得到油液区域。
优选的，所述在管道出油图像的油液区域增强后的帧差结果图中，获取疑似杂质 像素点和点的影响区域，包括的具体步骤如下：
从增强后的帧差结果图中获取灰度值大于0的所有像素点记为疑似杂质点，再将 其中的任意一个疑似杂质点记为点；设点在增强后的帧差结果图的第Q行，将增强后的 帧差结果图中第Q行到最后一行之间的图像块记为点的帧差灰度图，用于表示点以下位 置的像素点灰度值分布规律；将点的帧差灰度图中的所有连通域记为点的影响区域。
优选的，所述疑似杂质像素点的影响区域中边缘线的理论曲线的可靠程度的获 取方法如下：
边缘线的理论曲线的可靠程度计算表达式为：
；
；
式中，表示集合中的一条边缘线对应的理论曲线可靠程度；表示边 缘线上第个像素点的横坐标值；表示边缘线上第个像素点的纵坐标；
是纵坐标对应的函数值，表示第个像素点的纵坐标经过理论曲线映射 后对应的横坐标，表示边缘线对应的理论曲线上的第个点的纵坐标值；表示集 合中的一条边缘线对应的理论曲线与实际曲线的回归残差；表示以自然常数为 底数的指数函数。
优选的，所述根据理论曲线的可靠程度得到理论曲线之间的交点的可靠程度，包括的具体步骤如下：
将每一条边缘线对应的理论曲线沿其切线方向进行延长，得到若干个交点，记为 交点集；则第个交点的可靠程度的计算表达式为：
；
式中，表示交点集中的第个交点的可靠程度；表示过交点的第条 理论曲线的可靠程度；表示经过交点集中的第个交点的理论曲线总条数。
优选的，所述根据交点的可靠程度对交点进行拆分，得到交点的参考距离，根据所有交点的参考距离获得参考距离的频率直方图的收敛区间，包括的具体步骤如下：
将所有交点中可靠程度小于第一预设阈值的任意一个交点记为交点，将交点 和疑似杂质像素点进行直线连线，将交点和点之间的距离记为，则在连线上平均的 获取5个点，进而以此将交点进行拆分为、、、和，、、、和与点 之间的距离分别为、、、和；、、、和均记为交点的参考距离；对 于可靠程度大于等于第一预设阈值的交点，参考距离为交点到疑似杂质像素点之间的距 离，获得所有交点的参考距离的频率直方图；采用峰值检测得到峰值点，以峰值点为中心向 左右取值，取值点直至到斜率变化率最大的点，得到收敛区间。
优选的，所述在增强后的帧差结果图中，根据灰度值收敛区域中的点与疑似杂质 像素点的距离属于收敛区间的点，获得疑似杂质像素点的灰度值收敛区域，包括的具体 步骤如下：
在帧差结果图中获取与疑似杂质像素点之间的距离属于收敛区间内的 所有点，记为集合，集合中所有点组成的区域的最小外接圆记为油液区域的灰度值收 敛区域。
优选的，所述根据灰度值收敛区域的质心位置改变速度得到杂质区域，包括的具体步骤如下：
获取第、和帧增强后的帧差结果图中灰度值收敛区域的质心位置、和，将质心位置和质心位置之间改变距离为，将质心位置和质心位置之间改变距离为，则第帧增强后的帧差结果图中的油液区域的灰度值收敛区域的改 变速度；
若，则判断第帧增强后的帧差结果图中的 油液区域的灰度值收敛区域为杂质区域；若，则判断 第帧增强后的帧差结果图中的油液区域的灰度值收敛区域不是杂质区域，，分别为两 个不同的预设参数，表示管道出油的油速。
本发明的技术方案的有益效果是：考虑到油液的特性，通过结合层流现象进行杂质检测，排除了帧差图像中的绝大多数干扰，同时使用帧差图像可以很好的反映出杂质对油液的影响，根据计算这些影响是否最终收敛到一个区域来判断是否存在杂质，同时还能排除其他原因造成的层流短暂不稳定的情况，使得结果更精确。
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为本发明一种花生油加工质量视觉检测方法的步骤流程图。
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花生油加工质量视觉检测方法，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花生油加工质量视觉检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种花生油加工质量视觉检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集管道出油图像，获取油液区域。
本实施例为了得到精准的判断条件，达到更好的判断结果，则对在花生油生产过 程中，在现有的机器上对场景进行调整。调整如下：相机倾斜一定的角度，其具体角度根据 实施情况而定，本实施例倾斜角度的选取为45度，至此采集到管道出油RBG图像并获取管道 出油的油速。
具体的，将管道出油RBG图像转换到HSV色域，通过油液的H、S、V的范围（油液的H范围为：40<H<50；油液的S范围为：S>0.8；油液的V范围为：0.6<V<0.85），获得油液对应的区域；再将管道出油RGB图像进行灰度化处理获得管道出油灰度图像，让油液对应的区域结合对灰度图像进行边缘检测的结果得到准确的油液区域。
至此，获取采集到的管道出油图像中的油液区域。
步骤S002：通过帧差法，计算在帧差中管道出油图像中的油液区域的灰度值收敛区域。
需要说明的是，若当管道出油图像中的油液区域存在杂质时，则将获取到的采集到的管道出油图像中的油液区域进行帧差法得到帧差结果图，帧差结果图像就会存在着，图像边缘区域会向有杂质区域进行集中，进而可以根据对所有图像边缘线曲线的延长线的交点进行拆分，根据得到的拆分后的所有交点组成的区域得到灰度值收敛区域。
其具体过程如下：
具体的，为了减少帧差法的计算量和灯光影响误差、相邻的图像之间细微的差距， 则只对获取到的油液区域进行帧差法计算得到帧差结果图，即第帧管道出油图像中的油 液区域与第帧管道出油图像中的油液区域进行帧差法计算得到帧差结果图，再对帧 差结果图进行最小值滤波去噪处理，得到增强后的帧差结果图，将第帧增强后的帧差结果 图记为。
需要说明的是，因为油液是从上向下流动，杂质的运动规律也是从上向下。所以为 了排除由于油液边缘区域的细微差距，因此暂不考虑油液区域边缘线以及距离边缘两个像 素点以内的像素点。然后从增强后的帧差结果图中获取灰度值大于0的所有像素点记为疑 似杂质点，再将其中的任意一个疑似杂质点记为点，再分析增强后的帧差结果图的点以 下位置的像素点灰度值分布规律。
具体的，设点在增强后的帧差结果图的第Q行，将增强后的帧差结果图中第Q行 到最后一行之间的图像块记为的帧差灰度图，用于表示点以下位置的像素点灰度值分 布规律；将的帧差灰度图中的所有连通域记为的影响区域，影响区域表示管道出油图像 中的油液区域中参杂的杂质区域；利用Canny边缘检测算法获取的影响区域内的所有边 缘线，将这些边缘线记为集合。边缘线表示着管道出油图像中的油液区域中参杂的杂质 区域的边缘位置。
需要说明的是，对于集合中的每一条边缘线，对其进行拟合到一条理论曲线，是理论曲线的自变量，表示边缘线上像素点的纵坐标，进而可以根据理论曲线与 实际曲线的回归残差计算得到边缘线对应的理论曲线的可靠程度，其可靠程度计算表达式为：
；
；
式中，表示集合中的一条边缘线对应的理论曲线可靠程度；表示边 缘线上第个像素点的横坐标值；表示边缘线上第个像素点的纵坐标；
是纵坐标对应的函数值，表示第个像素点的纵坐标经过理论曲线映射 后对应的横坐标，表示边缘线对应的理论曲线上的第个点的纵坐标值；表示 以自然常数为底数的指数函数。
表示集合中的一条边缘线对应的理论曲线与实际曲线的回归残差； 反映了边缘线和理论曲线的差异，该值越大说明，理论曲线越与边缘线不重合，该值越 小说明，理论曲线越与边缘线重合；因此越大，说明理论曲线越与边缘线重合，说明 后续对理论曲线进行分析时可以得到更加符合边缘线的特征（例如后续的交点），否则，后 续获得的理论曲线的交点无法准确反映边缘线的真实特征。
至此，获取到油液区域帧差结果后的灰度变化区域，进行边缘检测得到的所有边缘线理论曲线的可靠程度。
将集合中的每一条边缘线对应的理论曲线沿其切线方向进行延长，得到若干个 交点，记为交点集；对于交点集中的第个交点都有条理论曲线的延长线经过该交点，则 该交点的可靠程度的计算表达式为：
；
式中，表示交点集中的第个交点的可靠程度；表示过交点的第条 理论曲线的可靠程度；表示经过交点集中的第个交点的理论曲线总条数；的值需 要进行四舍五入法保留小数点一位小数。
至此，获取到交点的可靠程度。
需要说明的是，对于每一个交点都具有其可靠程度，但也存在着可靠程度过低的点，会导致可靠程度过低的点的位置相对于其他交点的位置具有较大的偏差，进而本实施例对交点进行分开分析，即将交点集中交点可靠程度小于0.7交点进行拆分处理。
具体的，将交点集中的交点可靠程度小于0.7的所有交点进行拆分处理，即以交点 集中交点可靠程度小于0.7的交点进行为例，将交点和点进行直线连线，将两点之间 的距离记为，则在其连线上平均的获取5个点，进而以此将该交点进行拆分为、、 、和，、、、和与点之间的距离分别为、、、和；、、、和均记为交点的参考距离；对于可靠程度大于等于0.7的交点，其参考距离为交点 到点之间的距离。
至此获得了交点集中所有交点的参考距离（所有参考距离四舍五入保留一位小数），进而获得交点集中所有交点的参考距离的频率直方图，该直方图横坐标为参考距离，纵坐标为参考距离出现的频率。
进而对频率分布直方图进行峰值判断，若不存在峰值，则认为油液区域不存在杂 质；若存在峰值，则采用峰值检测得到峰值点，以峰值点为中心向左右取值，取值点直至到 斜率变化率最大的点，得到收敛区间；在帧差结果图中获取与点之间的 距离属于收敛区间内的所有点，记为集合，也即集合里所有的点是帧差结果 图中与点之间的距离属于区间的，这些点集合组成的区域的最小外接圆记为 油液区域的灰度值收敛区域。
至此已任意一个疑似杂质点为例，获得了点的灰度值收敛区域，那么对于所有 的疑似杂质点均对应获得一个灰度值收敛区域，从而得到若干灰度值收敛区域。
步骤S003：根据灰度值收敛区域的质心位置改变速度得到杂质区域。
假设当前最新采集的一帧图像为第帧图像，获取第、和帧的增强 后的帧差结果图、、和的油液区域的灰度值收敛区域（为经验值，具体取值 可有实施者根据实际情况进行选取，本实施例的选取为3）；
获取第、和帧增强后的帧差结果图中灰度值收敛区域的质心位置、和，将质心位置和质心位置之间改变距离为，将质心位置和质心位置 之间改变距离为，则第帧增强后的帧差结果图中的油液区域的灰度值收敛区域的改变 速度。
若，则判断第帧增强后的帧差结果图中 的油液区域的灰度值收敛区域为杂质区域；若，判 断油第帧增强后的帧差结果图中的液区域的灰度值收敛区域不是杂质区域，为管道出 油的油速，在本实施例中设置预设参数为0.1进行说明，具体实施时可结合具体场景设置 预设参数；
若帧差、中没有收敛区域，或者计算出的速度趋近于0，则视为油液的 层流短暂不稳定，并非杂质区域，则进行排除。
步骤S004：根据杂质区域进行质量检测。
根据判断油液区域存在杂质的条件提取图像中杂质区域数量，在本实施例中设 置花生油质量阈值为5进行说明，具体实施时可结合具体场景设置花生油质量阈值，若油液 区域中的杂质区域数量时，则判断该花生油质量不合格。
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 (8)

1.一种花生油加工质量视觉检测方法，其特征在于，该方法包括以下步骤：
获取管道出油图像；获取管道出油图像的油液区域；
在管道出油图像的油液区域增强后的帧差结果图中，获取疑似杂质像素点和点/>的影响区域；获取疑似杂质像素点/>的影响区域中边缘线的理论曲线的可靠程度；根据理论曲线的可靠程度得到理论曲线之间的交点的可靠程度；根据交点的可靠程度对交点进行拆分，得到交点的参考距离，根据所有交点的参考距离获得参考距离的频率直方图的收敛区间；在增强后的帧差结果图中，获取疑似杂质像素点/>的灰度值收敛区域，所述灰度值收敛区域内的点与点/>的距离属于收敛区间内；
根据灰度值收敛区域的质心位置改变速度得到杂质区域；
根据杂质区域进行质量检测。
2.根据权利要求1所述一种花生油加工质量视觉检测方法，其特征在于，所述获取管道出油图像的油液区域，包括的具体步骤如下：
将管道出油RBG图像转换到HSV色域，通过油液的H、S、V的范围，获得油液对应的区域；再将管道出油RGB图像进行灰度化处理获得管道出油灰度图像，让油液对应的区域结合对灰度图像进行边缘检测的结果得到油液区域。
3.根据权利要求1所述一种花生油加工质量视觉检测方法，其特征在于，所述在管道出油图像的油液区域增强后的帧差结果图中，获取疑似杂质像素点和点/>的影响区域，包括的具体步骤如下：
从增强后的帧差结果图中获取灰度值大于0的所有像素点记为疑似杂质点，再将其中的任意一个疑似杂质点记为点；设点/>在增强后的帧差结果图的第Q行，将增强后的帧差结果图中第Q行到最后一行之间的图像块记为点/>的帧差灰度图，用于表示点/>以下位置的像素点灰度值分布规律；将点/>的帧差灰度图中的所有连通域记为点/>的影响区域。
4.根据权利要求1所述一种花生油加工质量视觉检测方法，其特征在于，所述疑似杂质像素点的影响区域中边缘线的理论曲线的可靠程度的获取方法如下：
边缘线的理论曲线的可靠程度计算表达式为：
；
；
式中，表示集合/>中的一条边缘线/>对应的理论曲线可靠程度；/>表示边缘线/>上第/>个像素点的横坐标值；/>表示边缘线/>上第/>个像素点的纵坐标；
是纵坐标/>对应的函数值，表示第/>个像素点的纵坐标经过理论曲线映射后对应的横坐标，/>表示边缘线/>对应的理论曲线上的第/>个/>点的纵坐标值；/>表示集合/>中的一条边缘线/>对应的理论曲线与实际曲线的回归残差；/>表示以自然常数为底数的指数函数。
5.根据权利要求1所述一种花生油加工质量视觉检测方法，其特征在于，所述根据理论曲线的可靠程度得到理论曲线之间的交点的可靠程度，包括的具体步骤如下：
将每一条边缘线对应的理论曲线沿其切线方向进行延长，得到若干个交点，记为交点集；则第个交点的可靠程度/>的计算表达式为：
；
式中，表示交点集中的第/>个交点的可靠程度；/>表示过交点/>的第/>条理论曲线的可靠程度；/>表示经过交点集中的第/>个交点的理论曲线总条数。
6.根据权利要求1所述一种花生油加工质量视觉检测方法，其特征在于，所述根据交点的可靠程度对交点进行拆分，得到交点的参考距离，根据所有交点的参考距离获得参考距离的频率直方图的收敛区间，包括的具体步骤如下：
将所有交点中可靠程度小于第一预设阈值的任意一个交点记为交点，将交点/>和疑似杂质像素点/>进行直线连线，将交点/>和点/>之间的距离记为/>，则在连线上平均的获取5个点，进而以此将交点/>进行拆分为/>、/>、/>、/>和/>，/>、/>、/>、/>和/>与点/>之间的距离分别为/>、/>、/>、/>和/>；/>、/>、/>、/>和/>均记为交点/>的参考距离；对于可靠程度大于等于第一预设阈值的交点，参考距离为交点到疑似杂质像素点/>之间的距离，获得所有交点的参考距离的频率直方图；采用峰值检测得到峰值点，以峰值点为中心向左右取值，取值点直至到斜率变化率最大的点/>，得到收敛区间/>。
7.根据权利要求1所述一种花生油加工质量视觉检测方法，其特征在于，所述疑似杂质像素点的灰度值收敛区域，包括的具体步骤如下：
在帧差结果图中获取与疑似杂质像素点之间的距离属于收敛区间/>内的所有点，记为集合/>，集合/>中所有点组成的区域的最小外接圆记为油液区域的灰度值收敛区域。
8.根据权利要求1所述一种花生油加工质量视觉检测方法，其特征在于，所述根据灰度值收敛区域的质心位置改变速度得到杂质区域，包括的具体步骤如下：
获取第、/>和/>帧增强后的帧差结果图中灰度值收敛区域的质心位置/>、和/>，将质心位置/>和质心位置/>之间改变距离为/>，将质心位置/>和质心位置/>之间改变距离为/>，则第/>帧增强后的帧差结果图中的油液区域的灰度值收敛区域的改变速度/>；
若，则判断第/>帧增强后的帧差结果图中的油液区域的灰度值收敛区域为杂质区域；若/>，则判断第/>帧增强后的帧差结果图中的油液区域的灰度值收敛区域不是杂质区域，/>，/>分别为两个不同的预设参数，/>表示管道出油的油速。
CN202310896373.0A 2023-07-21 2023-07-21 一种花生油加工质量视觉检测方法 Active CN116612123B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310896373.0A CN116612123B (zh) 2023-07-21 2023-07-21 一种花生油加工质量视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310896373.0A CN116612123B (zh) 2023-07-21 2023-07-21 一种花生油加工质量视觉检测方法

Publications (2)

Publication Number Publication Date
CN116612123A true CN116612123A (zh) 2023-08-18
CN116612123B CN116612123B (zh) 2023-10-13

Family

ID=87684086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310896373.0A Active CN116612123B (zh) 2023-07-21 2023-07-21 一种花生油加工质量视觉检测方法

Country Status (1)

Country Link
CN (1) CN116612123B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862912A (zh) * 2023-09-04 2023-10-10 山东恒信科技发展有限公司 基于机器视觉的原料油杂质检测方法
CN116883993A (zh) * 2023-09-06 2023-10-13 临沂大学 基于视觉的玫瑰花茶干花分选方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932281A (zh) * 2017-12-19 2019-06-25 中国科学院沈阳自动化研究所 基于视觉的液体黏度在线测量方法
CN110231005A (zh) * 2019-06-27 2019-09-13 江苏同威信达技术有限公司 一种物品质量厚度检测方法及物品质量厚度检测装置
CN111693427A (zh) * 2019-03-15 2020-09-22 中国石油天然气股份有限公司 油气藏流体可动性的分析方法
WO2022120761A1 (zh) * 2020-12-08 2022-06-16 中国科学院深圳先进技术研究院 一种体内流体流动分析方法、系统、终端以及存储介质
US20220292645A1 (en) * 2021-03-12 2022-09-15 China University Of Mining & Technology, Beijing Method for restoring video data of drainage pipe based on computer vision
CN115713532A (zh) * 2023-01-06 2023-02-24 卡松科技股份有限公司 一种工业润滑油悬浮水污染检测方法
CN115931092A (zh) * 2022-12-26 2023-04-07 浙江中烟工业有限责任公司 基于拟合曲线的皮带秤去皮重量检测方法
CN116071387A (zh) * 2023-03-06 2023-05-05 曲阜市巨力铁路轨道工程股份有限公司 基于机器视觉的枕轨生产质量检测方法
CN116309537A (zh) * 2023-04-24 2023-06-23 东莞市京品精密模具有限公司 一种极耳模具表面油污的缺陷检测方法
CN116385448A (zh) * 2023-06-07 2023-07-04 深圳市华伟精密陶瓷有限公司 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932281A (zh) * 2017-12-19 2019-06-25 中国科学院沈阳自动化研究所 基于视觉的液体黏度在线测量方法
CN111693427A (zh) * 2019-03-15 2020-09-22 中国石油天然气股份有限公司 油气藏流体可动性的分析方法
CN110231005A (zh) * 2019-06-27 2019-09-13 江苏同威信达技术有限公司 一种物品质量厚度检测方法及物品质量厚度检测装置
WO2022120761A1 (zh) * 2020-12-08 2022-06-16 中国科学院深圳先进技术研究院 一种体内流体流动分析方法、系统、终端以及存储介质
US20220292645A1 (en) * 2021-03-12 2022-09-15 China University Of Mining & Technology, Beijing Method for restoring video data of drainage pipe based on computer vision
CN115931092A (zh) * 2022-12-26 2023-04-07 浙江中烟工业有限责任公司 基于拟合曲线的皮带秤去皮重量检测方法
CN115713532A (zh) * 2023-01-06 2023-02-24 卡松科技股份有限公司 一种工业润滑油悬浮水污染检测方法
CN116071387A (zh) * 2023-03-06 2023-05-05 曲阜市巨力铁路轨道工程股份有限公司 基于机器视觉的枕轨生产质量检测方法
CN116309537A (zh) * 2023-04-24 2023-06-23 东莞市京品精密模具有限公司 一种极耳模具表面油污的缺陷检测方法
CN116385448A (zh) * 2023-06-07 2023-07-04 深圳市华伟精密陶瓷有限公司 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SABER MOHAMMADI ET AL.: "A new approach for quality control of reservoir fluid composition data using live oil solubility parameter", 《JOURNAL OF MOLECULAR LIQUIDS》, vol. 223, no. 2016, pages 943 - 954, XP029773573, DOI: 10.1016/j.molliq.2016.09.026 *
W. BRIAN ROWE ET AL.: "The Laminar Flow Model of Convection", 《PRINCIPLES OF MODERN GRINDING TECHNOLOGY (SECOND EDITION)》, pages 123 - 158 *
张玮等: "基于动态背景的视频图像运动检测", 《科技广场》, no. 11, pages 127 - 130 *
李媛: "两种高油花生油品质研究", 《食品研究与开发》, vol. 43, no. 13, pages 147 - 155 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862912A (zh) * 2023-09-04 2023-10-10 山东恒信科技发展有限公司 基于机器视觉的原料油杂质检测方法
CN116862912B (zh) * 2023-09-04 2023-11-24 山东恒信科技发展有限公司 基于机器视觉的原料油杂质检测方法
CN116883993A (zh) * 2023-09-06 2023-10-13 临沂大学 基于视觉的玫瑰花茶干花分选方法
CN116883993B (zh) * 2023-09-06 2023-12-01 临沂大学 基于视觉的玫瑰花茶干花分选方法

Also Published As

Publication number Publication date
CN116612123B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN116612123B (zh) 一种花生油加工质量视觉检测方法
CN107507173B (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
CN106228161B (zh) 一种指针式表盘自动读数方法
CN111127429B (zh) 基于自训练深度神经网络的水利系统管螺纹缺陷检测方法
CN108537782B (zh) 一种基于轮廓提取的建筑物图像匹配与融合的方法
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
CN114219805B (zh) 一种玻璃缺陷智能检测方法
CN113658131B (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
CN116740070A (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN116310845B (zh) 一种用于污水处理的智能监测系统
CN116258722B (zh) 基于图像处理的桥梁建筑智能检测方法
CN116563288B (zh) 一种汽车发动机齿轮螺纹孔检测方法
CN112861870A (zh) 指针式仪表图像矫正方法、系统及存储介质
CN110909772B (zh) 一种高精度实时多尺度表盘指针检测方法和系统
CN115082922A (zh) 基于深度学习的水表数字图片处理方法及系统
CN114283157A (zh) 一种基于椭圆拟合的椭圆形物体分割方法
CN111681217B (zh) 疲劳断口的机器视觉图像智能分析方法、装置及系统
CN111402232B (zh) 精液中精子聚集检测方法
CN104268536A (zh) 一种图像人脸检测方法
JP2008084109A (ja) 目開閉判定装置及び目開閉判定方法
CN108090479B (zh) 一种改进Gabor变换和更新消失点的车道检测方法
CN115239657B (zh) 一种基于深度学习目标分割的工业零件增量识别方法
Jia et al. Liquid Level Line Recognition Method Based on UNet Semantic Segmentation Network

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