CN116645363B - 一种基于视觉的淀粉生产质量实时检测方法 - Google Patents
一种基于视觉的淀粉生产质量实时检测方法 Download PDFInfo
- Publication number
- CN116645363B CN116645363B CN202310867999.9A CN202310867999A CN116645363B CN 116645363 B CN116645363 B CN 116645363B CN 202310867999 A CN202310867999 A CN 202310867999A CN 116645363 B CN116645363 B CN 116645363B
- Authority
- CN
- China
- Prior art keywords
- starch
- gray level
- starch surface
- level image
- smoothness
- 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
- 229920002472 Starch Polymers 0.000 title claims abstract description 220
- 235000019698 starch Nutrition 0.000 title claims abstract description 220
- 239000008107 starch Substances 0.000 title claims abstract description 220
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 27
- 238000011897 real-time detection Methods 0.000 title claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000008187 granular material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 5
- 235000013305 food Nutrition 0.000 description 3
- 239000013618 particulate matter Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 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
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于视觉的淀粉生产质量实时检测方法,包括:获取淀粉表面图像,并对其进行去噪增强处理;对预处理后的图像进行边缘检测得到淀粉表面的凹凸信息;根据淀粉表面的凹凸信息和灰度梯度变化程度得到淀粉表面光滑程度;根据淀粉表面光滑程度和存在色块的可能性得到淀粉质量系数,根据淀粉质量系数判断淀粉生产质量。本发明根据淀粉表面边缘线的理论曲线与实际曲线的左右偏移程度来得到淀粉表面的凹凸信息,然后通过淀粉表面光滑程度和根据H分量直方图得到存在色块的可能性量化淀粉质量系数;通过这些方法避免了操作人员的主观因素和测试方法的局限性,使得评估结果的更可靠和更准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于视觉的淀粉生产质量实时检测方法。
背景技术
随着科学技术的不断发展,人们的生活水平不断提高,健康意识也日益增强,人们对食品质量与安全的重视程度也越来越高,而淀粉是一种重要的生产原料,在食品加工、纸浆造纸、生物质能源等领域都有广泛应用。且淀粉产品在各种领域的广泛应用,对淀粉生产质量的要求越来越高,因此需要实现对淀粉生产过程中的质量实时监测和控制,所以淀粉的质量检测对于保证产品品质和生产效率至关重要。
然而传统的淀粉生产质量检测方法,由于操作人员的主观因素和测试方法的局限性,其评估结果有一定程度上的不可靠和不准确,且传统的淀粉质量检测方法包括化学分析和物理特性测试,这些方法通常需要耗费时间、成本高,并且无法提供实时的检测结果。
发明内容
本发明提供一种基于视觉的淀粉生产质量实时检测方法,以解决现有的问题。
本发明的一种基于视觉的淀粉生产质量实时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基于视觉的淀粉生产质量实时检测方法,该方法包括以下步骤:
获取淀粉表面图像;获取淀粉表面灰度图像;
对灰度图像进行边缘检测得到淀粉表面的多个梯度变化明显的边缘线;根据边缘线理论曲线与边缘线的回归残差值获取淀粉表面灰度图像的凹凸信息;
对淀粉表面灰度图像进行阈值分割,得到淀粉表面二值图,根据淀粉表面二值图中连通域面积获取淀粉颗粒因光照影响产生的阴影区域的面积,根据所述面积获取淀粉表面灰度图像的灰度梯度变化程度;根据淀粉表面灰度图像的灰度梯度变化程度和淀粉表面灰度图像的凹凸信息得到淀粉表面灰度图像的光滑程度;
获取淀粉表面图像的H分量直方图,根据淀粉表面图像的H分量直方图得到H分量的突出区间,根据所述的突出区间得到淀粉表面灰度图像的存在色块的可能性;根据淀粉表面灰度图像的存在色块的可能性和淀粉表面灰度图像的光滑程度得到淀粉质量系数;根据淀粉质量系数判断淀粉生产质量。
优选的,所述根据边缘线理论曲线与边缘线的回归残差值获取淀粉表面灰度图像的凹凸信息,包括的具体步骤如下:
对淀粉表面进行边缘检测,获取得到多个梯度变化明显的边缘线,记为集合,对
于集合中每一条边缘线,都有与之对应的边缘曲线和一条理论曲线;淀粉表面
的凹凸信息计算表达式为:
式中,表示淀粉表面的凹凸信息;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。
优选的,所述根据淀粉表面灰度图像的灰度梯度变化程度和淀粉表面灰度图像的凹凸信息得到淀粉表面灰度图像的光滑程度,包括的具体步骤如下:
预设一个阈值,将灰度图像进行阈值为的阈值分割,得到淀粉表面二值图,根
据淀粉表面二值图中小于阈值的所有像素点之和得到淀粉颗粒因光照影响产生的阴影
区域的面积;根据淀粉表面的凹凸信息和淀粉表面的灰度梯度变化程度对淀粉表面光滑
程度进行量化,则淀粉表面光滑程度的计算表达式为:
式中,表示淀粉表面光滑程度;表示淀粉表面的凹凸信息;为淀粉表面二值图
中小于阈值的所有像素点之和;表示以自然常数为底数的指数函数。
优选的,所述根据淀粉表面图像的H分量直方图得到H分量的突出区间,包括的具体步骤如下:
预设一个参数,对淀粉表面的H分量直方图进行峰值检测,得到H分量直方图的所
有波峰和波谷,将H分量直方图的所有波峰中最高的波峰所对应横坐标记为第一坐标点,再
将第一坐标点前范围内所构成的横坐标区间和第一坐标点后范围内所构成的横坐标区
间共同记为H分量的突出区间,其中所述的H分量的突出区间的长度为2。
优选的,所述根据淀粉表面灰度图像的存在色块的可能性和淀粉表面灰度图像的光滑程度得到淀粉质量系数,包括的具体步骤如下:
将H分量的突出区间中的任意一个像素点作为核心点,通过遍历H分量的突出区间
中每一个像素点让其与核心点的H分量做差,得到多个H分量差值,将所有小于的H分量差
值所对应的像素点,记为像素点集合,再计算像素点集中所有像素点之间的欧式距离之
和;根据淀粉表面光滑程度和存在色块的可能性得到淀粉质量系数的计算表达式为:
式中,表示淀粉质量系数;表示淀粉表面光滑程度;表示以自然常数为底
数的指数函数;Sigmoid为Sigmoid函数;表示组成色块的像素点之间的欧式距离之和。
优选的,所述根据淀粉质量系数判断淀粉生产质量,包括的具体步骤如下:
预设一个阈值参数,根据淀粉质量系数判断淀粉生产质量,当时,判断淀粉
质量合格,淀粉中不存在着杂质且淀粉颗粒数量也较少。
本发明的技术方案的有益效果是:通过对淀粉表面进行边缘检测,获取得到多个梯度变化明显的边缘线,根据边缘线的理论曲线与实际曲线的回归残差量化边缘曲线左右偏移程度来表示淀粉表面的凹凸信息,根据淀粉表面的凹凸信息和淀粉表面的灰度梯度变化程度得到表面光滑程度,然后通过淀粉表面光滑程度和根据H分量直方图得到存在色块的可能性量化淀粉质量系数;通过这些方法避免了操作人员的主观因素和测试方法的局限性,使得评估结果的更可靠和更准确。
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为本发明一种基于视觉的淀粉生产质量实时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基于视觉的淀粉生产质量实时检测方法,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基于视觉的淀粉生产质量实时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基于视觉的淀粉生产质量实时检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取淀粉表面图像,并对其进行去噪增强处理得到预处理后的图像。
首先,使用高分辨率的数码相机或者扫描仪对淀粉表面进行图像采集。图像采集过程中要注意光线的均匀和稳定,以及摄像机或扫描机的参数设置。
对获取的食品在X光穿透下的待检测图像灰度化后的图像进行预处理操作,其操作包括去除噪声、图像增强。去除噪声采用中值滤波器的方法,图像增强采用直方图均衡化的方法,以便后续的图像分析和处理。
步骤S002:对预处理后的图像进行边缘检测得到淀粉表面的凹凸信息。
需要说明的是,获取预处理后的淀粉表面,若淀粉表面的颗粒状物质越少,且淀粉表面凹凸性越差,则说明若淀粉质量越好;进而可以分析淀粉表面进行边缘检测后的结果,若淀粉表面的颗粒状物质越少,对淀粉表面进行边缘检测后获得梯度变化明显的边缘曲线左右偏移程度越低,进而可以采用边缘性线的理论曲线与实际曲线的回归残差量化边缘曲线左右偏移程度来表示淀粉表面的凹凸信息。
具体的,对淀粉表面进行边缘检测,获取得到多个梯度变化明显的边缘线,记为集
合,对于集合中每一条边缘线, 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;若对应的边缘曲线和一条理论曲线的拟合
程度越近则说明淀粉表面颗粒状物质越少,淀粉表面的凹凸性越差。即淀粉表面的凹凸信
息计算表达式为:
式中,表示淀粉表面的凹凸信息;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;表示第个边缘线理论曲线与实际曲线的回归残差值,其值越小,说
明淀粉表面颗粒状物质越少,淀粉表面的凹凸性越差。
至此,获取淀粉表面的凹凸信息。
步骤S003:根据淀粉表面的凹凸信息和灰度梯度变化程度得到淀粉表面光滑程度。
需要说明的是,在采集淀粉表面图像时,会受到光照影响,即因为淀粉颗粒的存在而产生阴影;若淀粉颗粒越少,则淀粉表面的凹凸性越差,因为淀粉颗粒的存在而产生阴影区域越小,说明淀粉表面光滑程度越光滑;进而可以根据淀粉表面的凹凸信息和淀粉表面的灰度梯度变化程度对淀粉表面光滑程度进行量化。
预设一个阈值参数,其中本实施例以例进行叙述,本实施例不进行具体
限定,其中根据具体实施情况而定。
具体的,对灰度图像进行阈值为的阈值分割操作,得到淀粉表面二值图,进而根
据淀粉表面二值图中小于阈值的所有像素点数量得到淀粉颗粒因光照影响产生的阴影
区域的面积,则淀粉颗粒因光照影响产生的阴影区域的面积为淀粉表面二值图中小于阈
值的所有像素点数量,其值越大,淀粉颗粒因光照影响产生的阴影区域的面积越大,淀粉
表面灰度梯度变化程度越大,淀粉表面光滑程度越差。
进而根据淀粉表面的凹凸信息和淀粉表面的灰度梯度变化程度对淀粉表面光滑程度进行量化,淀粉表面光滑程度的计算表达式:
式中,表示淀粉表面光滑程度;表示淀粉表面的凹凸信息,淀粉表面的凹凸性越
差,淀粉表面光滑程度越高;为淀粉表面二值图中小于阈值的所有像素点之和,其值越
小,淀粉颗粒因光照影响产生的阴影区域的面积越小,淀粉表面光滑程度越高;进而使用关系映射。表示以自然常数为底数的指数函数。
至此,获取淀粉表面光滑程度。
步骤S004:根据淀粉表面光滑程度和存在色块的可能性得到淀粉质量系数,根据淀粉质量系数判断淀粉生产质量。
需要说明的是,淀粉表面的光滑程度可以表示着淀粉颗粒物质的数量,淀粉表面的光滑程度越光滑,则淀粉颗粒物质的数量越少;在淀粉生产线上也会有其他物质参杂在淀粉中,这些物质与淀粉有着颜色的明显区分,进而可以通过淀粉表面光滑程度和存在色块的可能性得到淀粉质量系数。
进一步需要说明的是,获取淀粉表面的H分量直方图,根据对H分量直方图的分析,组成颜色块的像素的点集的表现形式有,H分量相近,像素点位置分布集中两两之间距离差小且在该H分量区间时像素点数量较多;所以当图像有颜色块存在时,则颜色块的颜色区间就可能会出现在H分量的突出区间。
预设一个参数,其中本实施例以例进行叙述,本实施例不进行具体限定,
其中根据具体实施情况而定。
所述的H分量的突出区间方法为:对淀粉表面的H分量直方图进行峰值检测,得到H
分量直方图的所有波峰和波谷,将H分量直方图的所有波峰中最高的波峰所对应横坐标记为
第一坐标点,再将第一坐标点前范围内所构成的横坐标区间和第一坐标点后范围内所
构成的横坐标区间共同记为H分量的突出区间,其中所述的H分量的突出区间的长度为2。
具体的,将H分量的突出区间中的任意一个像素点作为核心点,通过遍历H分量的
突出区间中每一个像素点让其与核心点的H分量做差,得到多个H分量差值,将所有小于的
H分量差值所对应的像素点,记为像素点集合,再计算像素点集中所有像素点之间的欧
式距离之和,其值越小,则能组成颜色块的可能性越大;
根据淀粉表面光滑程度和存在色块的可能性得到淀粉质量系数的计算表达式为:
式中,表示淀粉质量系数;表示淀粉表面光滑程度,其值越大,淀粉表面光滑程
度越高,说明淀粉质量越好;表示以自然常数为底数的指数函数;Sigmoid为Sigmoid
函数;表示组成色块的像素点之间的欧式距离之和,其值越小,淀粉表面存在色块的可能
性越小,说明淀粉质量越好,进而使用关系映射;Sigmoid是归一化函数取值范围
为(0,1),它可以将一个实数映射到(0,1)的区间。
至此,获取到淀粉质量系数。
预设一个阈值参数,其中本实施例以例进行叙述,本实施例不进行具体
限定,其中根据具体实施情况而定。
根据淀粉质量系数判断淀粉生产质量,当时,判断淀粉质量合格,淀粉中不
存在着杂质且淀粉颗粒数量也较少。
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 (2)
1.一种基于视觉的淀粉生产质量实时检测方法,其特征在于,该方法包括以下步骤:
获取淀粉表面图像;获取淀粉表面灰度图像;
对灰度图像进行边缘检测得到淀粉表面的多个梯度变化明显的边缘线;根据边缘线理论曲线与边缘线的回归残差值获取淀粉表面灰度图像的凹凸信息;
对淀粉表面灰度图像进行阈值分割,得到淀粉表面二值图,根据淀粉表面二值图中连通域面积获取淀粉颗粒因光照影响产生的阴影区域的面积,根据所述阴影区域的面积获取淀粉表面灰度图像的灰度梯度变化程度;根据淀粉表面灰度图像的灰度梯度变化程度和淀粉表面灰度图像的凹凸信息得到淀粉表面灰度图像的光滑程度;
获取淀粉表面图像的H分量直方图,根据淀粉表面图像的H分量直方图得到H分量的突出区间,根据所述的突出区间得到淀粉表面灰度图像的存在色块的可能性;根据淀粉表面灰度图像的存在色块的可能性和淀粉表面灰度图像的光滑程度得到淀粉质量系数;根据淀粉质量系数判断淀粉生产质量;
所述根据边缘线理论曲线与边缘线的回归残差值获取淀粉表面灰度图像的凹凸信息,包括的具体步骤如下:
对淀粉表面进行边缘检测,获取得到多个梯度变化明显的边缘线,记为集合,对于集合/>中每一条边缘线/>,都有与之对应的边缘曲线/>和一条理论曲线/>;淀粉表面的凹凸信息计算表达式为:
式中,表示淀粉表面的凹凸信息;/>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;
所述根据淀粉表面灰度图像的灰度梯度变化程度和淀粉表面灰度图像的凹凸信息得到淀粉表面灰度图像的光滑程度,包括的具体步骤如下:
预设一个阈值,将灰度图像进行阈值为/>的阈值分割,得到淀粉表面二值图,根据淀粉表面二值图中小于阈值/>的所有像素点之和得到淀粉颗粒因光照影响产生的阴影区域的面积/>;根据淀粉表面的凹凸信息和淀粉表面的灰度梯度变化程度对淀粉表面光滑程度进行量化,则淀粉表面光滑程度的计算表达式为:
式中,表示淀粉表面光滑程度;/>表示淀粉表面的凹凸信息;/>为淀粉表面二值图中小于阈值/>的所有像素点之和;/>表示以自然常数为底数的指数函数;
所述根据淀粉表面图像的H分量直方图得到H分量的突出区间,包括的具体步骤如下:
预设一个参数,对淀粉表面的H分量直方图进行峰值检测,得到H分量直方图的所有波峰和波谷,将H分量直方图的所有波峰中最高的波峰所对应横坐标记为第一坐标点,再将第一坐标点前/>范围内所构成的横坐标区间和第一坐标点后/>范围内所构成的横坐标区间共同记为H分量的突出区间,其中所述的H分量的突出区间的长度为2/>;
所述根据淀粉表面灰度图像的存在色块的可能性和淀粉表面灰度图像的光滑程度得到淀粉质量系数,包括的具体步骤如下:
将H分量的突出区间中的任意一个像素点作为核心点,通过遍历H分量的突出区间中每一个像素点让其与核心点的H分量做差,得到多个H分量差值,将所有小于的H分量差值所对应的像素点,记为像素点集合/>,再计算像素点集/>中所有像素点之间的欧式距离之和;根据淀粉表面光滑程度和存在色块的可能性得到淀粉质量系数的计算表达式为:
式中,表示淀粉质量系数;/>表示淀粉表面光滑程度;/>表示以自然常数为底数的指数函数;Sigmoid为Sigmoid函数;/>表示组成色块的像素点之间的欧式距离之和。
2.根据权利要求1所述一种基于视觉的淀粉生产质量实时检测方法,其特征在于,所述根据淀粉质量系数判断淀粉生产质量,包括的具体步骤如下:
预设一个阈值参数,根据淀粉质量系数判断淀粉生产质量,当/>时,判断淀粉质量合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310867999.9A CN116645363B (zh) | 2023-07-17 | 2023-07-17 | 一种基于视觉的淀粉生产质量实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310867999.9A CN116645363B (zh) | 2023-07-17 | 2023-07-17 | 一种基于视觉的淀粉生产质量实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645363A CN116645363A (zh) | 2023-08-25 |
CN116645363B true CN116645363B (zh) | 2023-10-13 |
Family
ID=87623206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310867999.9A Active CN116645363B (zh) | 2023-07-17 | 2023-07-17 | 一种基于视觉的淀粉生产质量实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645363B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912235B (zh) * | 2023-09-08 | 2023-11-24 | 金乡县金禧园食品有限公司 | 基于计算机视觉的脱水蒜状态智能检测方法 |
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 (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501268A (zh) * | 2019-08-13 | 2019-11-26 | 湖南大学 | 一种基于显微图像处理的微量粉尘检测方法 |
CN112102238A (zh) * | 2020-08-10 | 2020-12-18 | 华南理工大学 | 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 |
JP2021042067A (ja) * | 2019-09-13 | 2021-03-18 | 株式会社Pfu | 媒体搬送装置、制御方法及び制御プログラム |
CN113012179A (zh) * | 2019-12-19 | 2021-06-22 | 李韵涵 | 煤矿井下防爆检测用煤粉尘图像识别方法 |
CN114005058A (zh) * | 2021-10-28 | 2022-02-01 | 河北省科学院应用数学研究所 | 粉尘识别方法、装置及终端设备 |
CN114387273A (zh) * | 2022-03-24 | 2022-04-22 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
WO2023279556A1 (zh) * | 2021-07-09 | 2023-01-12 | 福建南方路面机械股份有限公司 | 一种骨料粒径抽样监测方法 |
CN115908411A (zh) * | 2023-01-06 | 2023-04-04 | 山东水利建设集团有限公司 | 基于视觉检测的混凝土养护质量分析方法 |
CN116228758A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市前海誉卓科技有限公司 | 一种用于偏光片生产的内部气泡检测方法 |
CN116342594A (zh) * | 2023-05-26 | 2023-06-27 | 山东鸿安食品科技有限公司 | 一种具有反馈调节的淀粉智能干燥方法、系统及设备 |
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 |
-
2023
- 2023-07-17 CN CN202310867999.9A patent/CN116645363B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501268A (zh) * | 2019-08-13 | 2019-11-26 | 湖南大学 | 一种基于显微图像处理的微量粉尘检测方法 |
JP2021042067A (ja) * | 2019-09-13 | 2021-03-18 | 株式会社Pfu | 媒体搬送装置、制御方法及び制御プログラム |
CN113012179A (zh) * | 2019-12-19 | 2021-06-22 | 李韵涵 | 煤矿井下防爆检测用煤粉尘图像识别方法 |
CN112102238A (zh) * | 2020-08-10 | 2020-12-18 | 华南理工大学 | 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 |
WO2023279556A1 (zh) * | 2021-07-09 | 2023-01-12 | 福建南方路面机械股份有限公司 | 一种骨料粒径抽样监测方法 |
CN114005058A (zh) * | 2021-10-28 | 2022-02-01 | 河北省科学院应用数学研究所 | 粉尘识别方法、装置及终端设备 |
CN114387273A (zh) * | 2022-03-24 | 2022-04-22 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
CN115908411A (zh) * | 2023-01-06 | 2023-04-04 | 山东水利建设集团有限公司 | 基于视觉检测的混凝土养护质量分析方法 |
CN116228758A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市前海誉卓科技有限公司 | 一种用于偏光片生产的内部气泡检测方法 |
CN116342594A (zh) * | 2023-05-26 | 2023-06-27 | 山东鸿安食品科技有限公司 | 一种具有反馈调节的淀粉智能干燥方法、系统及设备 |
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 (3)
Title |
---|
Effects of Pulse Repetition Frequency and Voltage Slew Rate on The Uniformity of Air Dielectric Barrier Discharge;Chen, J 等;《 2022 IEEE International Conference on High Voltage Engineering and Applications (ICHVE)》;第1-4页 * |
基于机器视觉的织物表面最优图像亮度选取;杨鹏程;刘洋;胥光申;乔伍;;毛纺科技(03);第17-20页 * |
轻度粉尘光滑表面足迹图像提取及处理算法优化研究;施明智;;信息技术与信息化(08);第68-70+73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116645363A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116645363B (zh) | 一种基于视觉的淀粉生产质量实时检测方法 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN115147733B (zh) | 一种基于人工智能的海洋垃圾识别回收方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN116596924B (zh) | 基于机器视觉的甜菊糖苷质量检测方法及系统 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN116385445A (zh) | 一种基于视觉技术的电镀五金件瑕疵检测方法 | |
CN117011292B (zh) | 一种复合板表面质量快速检测方法 | |
CN116645429B (zh) | 一种视觉辅助的涂料生产样品色彩分析检测方法 | |
CN117422712A (zh) | 基于图像滤波处理的塑料母粒视觉检测方法及系统 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
CN105488798B (zh) | 基于点集对比的sar图像相似性度量方法 | |
CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
CN117315670A (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
CN116912235B (zh) | 基于计算机视觉的脱水蒜状态智能检测方法 | |
CN116740065B (zh) | 基于大数据的人造板瑕疵品快速溯源方法及系统 | |
CN117635507B (zh) | 一种塑胶颗粒在线视觉检测方法及系统 | |
CN117541605B (zh) | 一种钢结构锈蚀图像区域快速分割方法 | |
CN116797599B (zh) | 甜菊糖苷质量在线检测方法和主控设备 | |
CN109344775B (zh) | 一种全自动和面机的智能唇读识别控制方法 |
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 |