CN116682107A - 基于图像处理的大豆视觉检测方法 - Google Patents
基于图像处理的大豆视觉检测方法 Download PDFInfo
- Publication number
- CN116682107A CN116682107A CN202310967171.0A CN202310967171A CN116682107A CN 116682107 A CN116682107 A CN 116682107A CN 202310967171 A CN202310967171 A CN 202310967171A CN 116682107 A CN116682107 A CN 116682107A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- degree
- sliding window
- soybean
- thiessen polygon
- 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
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 122
- 244000068988 Glycine max Species 0.000 title claims abstract description 122
- 238000001514 detection method Methods 0.000 title claims abstract description 8
- 230000000007 visual effect Effects 0.000 title claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011179 visual inspection Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于图像处理的大豆视觉检测方法,包括:获取大豆图像;对每个像素点设置起始滑窗;根据每个像素点起始滑窗的灰度波动程度,获取每个像素点的最终滑窗大小,进而获取每个像素点的中心度;根据每个像素点的中心度,获取大豆图像中的离散点,进而得到多个泰森多边形;获取每个泰森多边形的偏移程度以及灰度值间隔分布程度;根据每个泰森多边形的偏移程度以及灰度值间隔分布程度,获取每个泰森多边形的异常度;根据每个泰森多边形的异常度,定位出虫蛀大豆。本发明根据大豆图像特征获取离散点得到多个泰森多边形,通过分析泰森多边形异常度,能准确的定位出虫蛀大豆。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的大豆视觉检测方法。
背景技术
大豆备用大豆食心虫的虫卵通常会依附于大豆表面,而孵化后的成虫会开始啃食大豆,导致大豆的品质降低,因此在大豆的生产加工过程中,需要将被虫啃食过的大豆进行筛选。
由于间隙区域与虫蛀区域的灰度值较为近似,使用传统的阈值分割的算法对虫蛀区域进行分割时,会同时将间隙区域与虫蛀区域分割出来进而无法识别出虫蛀区域,由于大豆区域、间隙区域与虫蛀区域的边缘都存在着梯度,使用传统的边缘检测算法对虫蛀区域进行检测,会同时将其他区域的边缘也检测出来,故而也无法识别出虫蛀区域来对虫蛀大豆进行筛选。
发明内容
本发明提供基于图像处理的大豆视觉检测方法,以解决现有的问题。
本发明的基于图像处理的大豆视觉检测方法采用如下技术方案:
本发明提供了基于图像处理的大豆视觉检测方法,该方法包括以下步骤:
获取大豆图像;
对大豆图像中的每个像素点设置起始滑窗,获取每个像素点起始滑窗的灰度波动程度;根据每个像素点起始滑窗的灰度波动程度,获取每个像素点的最终滑窗大小;根据每个像素点的最终滑窗大小,获取每个像素点的中心度;根据每个像素点的中心度,获取大豆图像中的离散点;
根据大豆图像中的离散点,获取多个泰森多边形;获取每个泰森多边形的离散线段以及离散区域;根据每个泰森多边形的离散线段获取每个泰森多边形的偏移程度;根据每个泰森多边形的离散区域获取每个泰森多边形的灰度值间隔分布程度;根据每个泰森多边形的偏移程度以及灰度值间隔分布程度,获取每个泰森多边形的异常度;
根据每个泰森多边形的异常度,定位出虫蛀大豆。
优选的,所述获取每个像素点起始滑窗的灰度波动程度,包括的具体步骤如下:
将大豆图像中任意像素点记为当前像素点:
式中,代表当前像素点的起始滑窗中像素点的灰度波动程度;/>表示当前像素点的起始滑窗中第/>行第/>列的像素点的灰度值,/>表示当前像素点的起始滑窗中像素点的平均灰度值;/>表示当前像素点的起始滑窗的边长。
优选的,所述根据每个像素点起始滑窗的灰度波动程度,获取每个像素点的最终滑窗大小,包括的具体步骤如下:
预设程度阈值,当像素点起始滑窗的灰度波动程度大于等于程度阈值时,对该像素点的起始滑窗不进行扩展,将起始滑窗的大小记为该像素点的最终滑窗大小;当像素点起始滑窗的灰度波动程度小于程度阈值时,将该像素点的起始滑窗的边长进行扩展,直至该像素点的扩展后的起始滑窗的灰度波动程度大于等于程度阈值时停止扩展,该像素点的最终滑窗大小为停止扩展时的起始滑窗的大小。
优选的,所述根据每个像素点的最终滑窗大小,获取每个像素点的中心度,包括的具体步骤如下:
遍历大豆图像中的任一像素点,记为当前像素点:
式中,表示当前像素点的第/>个邻域方向;/>表示当前像素点第/>个邻域方向下的第/>个像素点的最终滑窗边长;/>表示当前像素点第/>个邻域方向下的第/>个像素点的最终滑窗边长;/>代表当前像素点的中心度;/>表示当前像素点的八邻域方向的每个方向下获取的像素点个数。
优选的,所述根据每个像素点的中心度,获取大豆图像中的离散点,包括的具体步骤如下:
预设中心度阈值,对于所有非负数的中心度进行线性归一化处理,获取中心度大于中心度阈值的所有像素点,并对获取的所有像素点使用DBSCAN聚类算法进行聚类,获取每个聚类簇的质心作为离散点。
优选的,所述获取每个泰森多边形的离散线段以及离散区域,包括的具体步骤如下:
将泰森多边形中的离散点与该泰森多边形的各个边长的中心点相连接形成各个线段,记为离散线段,获取各个离散线段的长度;将泰森多边形中的离散点与该泰森多边形的各个顶点相连接形成各个区域,记为离散区域。
优选的,所述根据每个泰森多边形的偏移程度以及灰度值间隔分布程度,获取每个泰森多边形的异常度,包括的具体步骤如下:
将任意泰森多边形记为当前泰森多边形:
式中,表示当前泰森多边形的最大离散线段;/>表示当前泰森多边形的最小离散线段;/>表示当前泰森多边形的偏移程度;/>表示当前泰森多边形中第/>个离散区域;/>表示当前泰森多边形中共有/>个离散区域;/>表示当前泰森多边形中第/>个离散区域的灰度众数;/>表示当前泰森多边形中第/>个离散区域的灰度众数;表示当前泰森多边形的灰度值间隔分布程度;/>表示当前泰森多边形的异常度。
优选的,所述根据每个泰森多边形的异常度,定位出虫蛀大豆,包括的具体步骤如下:
对所有泰森多边形的异常度进行线性归一化处理,预设异常度阈值,获取异常度大于异常度阈值的各个泰森多边形,作为异常泰森多边形,并对相邻的异常泰森多边形进行合并,根据合并后的区域,定位出虫蛀大豆。
本发明的技术方案的有益效果是:本发明对大豆图像中的每个像素点设置起始滑窗,根据每个像素点起始滑窗的灰度波动程度,获取每个像素点的最终滑窗大小;根据每个像素点的最终滑窗大小,获取每个像素点的中心度;根据每个像素点的中心度,获取大豆图像中的离散点,根据大豆图像中的离散点,获取多个泰森多边形;获取每个泰森多边形的离散线段以及离散区域;根据每个泰森多边形的离散线段获取每个泰森多边形的偏移程度;根据每个泰森多边形的离散区域获取每个泰森多边形的灰度值间隔分布程度;根据每个泰森多边形的偏移程度以及灰度值间隔分布程度,获取每个泰森多边形的异常度;根据每个泰森多边形的异常度,定位出虫蛀大豆进行筛选,本发明根据每个像素点的中心度,获取大豆图像中的离散点来构建多个泰森多边形,使得获取的离散点为大豆区域、间隙区域或者虫蛀区域的中心点,确保后续根据离散点构建的泰森多边形能够将各个区域包含进去,再通过分析泰森多边形异常度,能准确的定位出虫蛀大豆。
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为本发明基于图像处理的大豆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基于图像处理的大豆视觉检测方法,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基于图像处理的大豆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基于图像处理的大豆视觉检测方法的步骤流程图,该方法包括以下步骤:
S001.采集大豆图像。
在大豆加工过程中,需要将待检测的大豆放置在传送带上对其进行检测,并将虫蛀的大豆筛除,因此在传送带末尾上方架设相机,通过相机拍摄传送带上的待检测大豆的RGB图像,为了便于后续处理,将采集的大豆的RGB图像进行灰度化处理,将得到的灰度图像记为大豆图像,需要说明的是,灰度化处理为公知技术,在本发明实施例中,不在详细赘述。
S002.获取大豆图像中的离散点。
需要说明的是,获取的大豆图像中存在着三种特征区域,大豆区域、大豆之间的间隙区域以及虫蛀区域,由于间隙区域与虫蛀区域的灰度值较为近似,使用传统的阈值分割的算法对虫蛀区域进行分割时,会同时将间隙区域与虫蛀区域分割出来进而无法识别出虫蛀区域,由于大豆区域、间隙区域与虫蛀区域的边缘都存在着梯度,使用传统的边缘检测算法对虫蛀区域进行检测,会同时将其他区域的边缘也检测出来,故而也无法识别出虫蛀区域。
需要进一步说明的是,已知大豆图像中三种特征区域各自的灰度值分布均匀,并存在着灰度值差异,因此通过设置起始滑窗遍历大豆图像中所有像素点,结合每个像素点起始滑窗的灰度分布特征对各像素点的起始滑窗进行扩展或不扩展,获取各像素点的最终滑窗大小,以便后续根据滑窗大小获取每个像素点的中心度。
在本发明实施例中,设置起始滑窗为,在本发明实施例中,设置/>,在其他实施例中,实施人员可根据具体实施情况设置/>的大小。
遍历大豆图像中任意一个像素点,记为当前像素点,获取当前像素点的起始滑窗的灰度波动程度:
式中,代表当前像素点的起始滑窗中像素点的灰度波动程度;/>表示当前像素点的起始滑窗中第/>行第/>列像素点的灰度值,/>表示当前像素点的起始滑窗中像素点的平均灰度值;/>表示当前像素点的起始滑窗中像素点的个数,/>的大小可以反应出当前像素点的起始滑窗中像素点灰度值的灰度波动程度。
当的值大于等于程度阈值/>时,说明当前像素点的起始滑窗中像素点的灰度波动程度较大,则当前像素点的起始滑窗中包含了两种类型区域的灰度值,比如大豆区域及间隙区域或者大豆区域及虫蛀区域,因此对于该像素点的起始滑窗不进行扩展,将起始滑窗的大小记为当前像素点的最终滑窗大小,当/>的值小于程度阈值/>时,说明当前像素点的起始滑窗中像素点的灰度波动程度较小,则当前像素点的起始滑窗中包含了一种类型区域的灰度值,比如大豆区域、间隙区域或者虫蛀区域,因此需要将当前像素点的起始滑窗的边长进行像素点的扩展,直至当前像素点的起始滑窗中像素点/>的值大于等于程度阈值/>停止扩展,即当前像素点的起始滑窗中包含了其他区域的像素点即可停止扩展,当前像素点的最终滑窗大小为停止扩展前的起始滑窗的大小。在本发明实施例中,设置程度阈值,在其他实施例中,实施人员可根据实际实施情况设置/>的大小。
需要说明的是,获取的各像素点的最终滑窗大小反应了各像素点的位置,当任一像素点的最终滑窗越大时,说明该像素点处于大豆区域或者间隙区域的中心,当任一像素点的最终滑窗越小时,说明该像素点处于大豆区域、间隙区域或者虫蛀区域的边缘,由于虫蛀区域比大豆区域以及间隙区域的面积较小,因此虫蛀区域的中心像素点的最终滑窗比大豆区域以及间隙区域的中心像素点的最终滑窗小,因此如果仅根据滑窗的大小,来获取各区域的中心像素点作为离散点不准确,需要进一步说明的是,对于各个区域的中心像素点来说,其最终滑窗相较于其八邻域方向下的像素点的最终滑窗较大,因此,通过分析各像素点的最终滑窗与其八邻域方向下的像素点对应的滑窗的边长差异获取每个像素点的中心度。
在本发明实施例中,在大豆图像中各像素点的八邻域方向的每个方向下,获取包含各像素点在内的个像素点的滑窗边长,在本发明实施例中,设置/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
遍历大豆图像中的任一像素点,记为当前像素点,获取当前像素点的中心度:
式中,表示当前像素点的第/>个邻域方向;/>表示当前像素点的八邻域方向的每个方向下获取的像素点个数;/>表示当前像素点第/>个邻域方向下的第/>个像素点的最终滑窗边长;/>为当前像素点第/>个邻域方向下的第/>个像素点与第/>个像素点的最终滑窗边长的差异;需要说明的是,在获取当前像素点第/>个邻域方向下像素点之间的最终滑窗边长差异时,以当前像素点为起始像素点,即为第一个像素点;/>代表当前像素点的中心度,当前像素点的/>值越大时,说明当前像素点的最终滑窗边长到其八邻域方向下像素点的最终滑窗的边长是依次递减的,则当前像素点越可能是中心像素点,当前像素点的/>值越小时,说明当前像素点的最终滑窗边长到其八邻域的某些方向下的像素点的最终滑窗的边长是依次递增的,则当前像素点越可能是边缘上的像素点。
需要说明的是,当获取的任意像素点的中心度为负数时,说明该像素点不可能为中心像素点,因此在本发明实施例中,对非负数的值进行线性归一化处理,设置中心度阈值/>,当任意像素点的中心度大于/>时,说明该像素点更可能为中心像素点,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
需要说明的是,根据中心度阈值筛选出的像素点处于各个区域的中心区域,因此在本发明实施例中,对于大于中心度阈值的像素点使用DBSCAN聚类算法进行聚类,获取每个聚类簇的质心作为离散点。
至此,获取了大豆图像中的离散点。
S003.根据大豆图像中的离散点构建泰森多边形,获取各个泰森多边形的异常度。
需要说明的是,步骤S002中获取的大豆图像中的离散点处于大豆图像中的虫蛀区域、大豆区域以及间隙区域的中心位置,因此在本发明实施例中,对大豆图像中的离散点构建出泰森多边形。
需要说明的是,由于虫蛀区域是出现在大豆区域上,因此虫蛀区域的离散点与其所属的大豆区域的离散点的距离较近,因此虫蛀区域以及存在着虫蛀的大豆区域的离散点在其对应的泰森多边形中的位置发生了偏移,而其他大豆区域与间隙区域的离散点处于其对应的泰森多边形中的中心位置,因此,对于大豆图像中的离散点量化其对应的泰森多边形的之间的偏移程度,记为泰森多边形的偏移程度,当偏移程度大时,说明该泰森多边形中含有虫蛀区域或者含有存在着虫蛀的大豆区域。
需要进一步说明的是,大豆图像中的间隙区域是由于大豆聚集在一起而形成的,因此间隙区域的离散点所对应的泰森多边形的灰度值存在着渐变,即从泰森多边形的中心区域开始像外渐变,以间隙区域的灰度值过渡到大豆区域的灰度值,由于大豆区域之间存在间隙,因此大豆区域的离散点所对应的泰森多边形会将其他大豆区域或间隙区域纳入该多边形中,并且其他大豆区域与间隙区域是呈间隔分布,因此对于大豆区域的离散点所对应得泰森多边形的灰度值也存在着渐变,即从泰森多边形的中心区域开始向外渐变,以大豆区域的灰度值过渡到其他大豆区域的灰度值或者间隙区域的灰度值,并且其他大豆区域的灰度值或者间隙区域的灰度值是间隔分布的,但是虫蛀区域以及存在着虫蛀的大豆区域的离散点的距离较近,因此对于虫蛀区域以及存在着虫蛀的大豆区域的离散点所对应的泰森多边形来说,其灰度值同样从泰森多边形的中心区域向外发生渐变,但是过渡到其他区域的灰度值不存在间隔分布特征,间隙区域的离散点所对应的泰森多边形的灰度值是从间隙区域的灰度值过渡到大豆区域的灰度值,也满足灰度值间隔分布特征,因此量化出各泰森多边形的灰度值间隔分布程度再结合泰森多边形的偏移程度,获取各泰森多边形的异常度,当泰森多边形的异常度越大时,说明该泰森多边形中含有虫蛀区域或存在着虫蛀的大豆区域。
在本发明实施例中,遍历大豆图像中的任一泰森多边形,记为当前泰森多边形,将当前泰森多边形中的离散点与当前泰森多边形的各个边长的中心相连接形成各个线段,记为离散线段,并获取各个离散线段的长度;将当前泰森多边形中的离散点与当前泰森多边形的各个顶点相连接形成各个区域,记为离散区域。
获取当前泰森多边形的异常度:
式中,表示当前泰森多边形的最大离散线段;/>表示当前泰森多边形的最小离散线段;/>表示当前泰森多边形的偏移程度,当前泰森多边形中最长离散线段与最小离散线段之间的差异越大时,当前泰森多边形的偏移程度越大,说明当前泰森多边形中的离散点的位置距离中心区域越远,即当前泰森多边形越可能含有虫蛀区域及存在着虫蛀的大豆区域;/>表示当前泰森多边形中第/>个离散区域;/>表示当前泰森多边形中共有/>个离散区域;/>表示当前泰森多边形中第/>个离散区域的灰度众数,/>表示当前泰森多边形中第/>个离散区域的灰度众数,/>表示当前泰森多边形的灰度值间隔分布程度,当前泰森多边形中间隔分布的离散区域的灰度众数差异越大时,说明当前泰森多边形中离散区域的灰度值不满足间隔分布,因此当前泰森多边形越可能含有虫蛀区域及存在着虫蛀的大豆区域;/>表示当前泰森多边形中的异常度,当前泰森多边形的偏移程度越大且其灰度值间隔分布程度越大时,/>越大,说明当前泰森多边形中越可能含有虫蛀区域或存在着虫蛀的大豆区域。
至此,根据大豆图像中的离散点构建泰森多边形,获取各个泰森多边形的异常度。
S004.根据每个泰森多边形的异常度,定位出虫蛀大豆并进行筛选。
需要说明的是,上述步骤S003获取了各个泰森多边形中的异常度,当泰森多边形的异常度越大时,说明该泰森多边形中含有虫蛀区域或存在着虫蛀的大豆区域的可能性越大,在本发明实施例中,对所得所有异常度进行线性归一化处理,并设置异常度阈值,在本发明实施例中,设置/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值。
当任一泰森多边形的异常度大于等于,认为该泰森多边形区域中含有虫蛀区域或者含有虫蛀的大豆区域,获取大于异常度阈值/>的各个泰森多边形,记为异常泰森多边形,进行后续分析。
需要说明的是,虫蛀区域或者含有虫蛀的大豆区域的泰森多边形是相邻的,因此对于相邻的异常泰森多边形进行合并,根据合并后的区域,定位出虫蛀大豆并对其进行筛选。
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.基于图像处理的大豆视觉检测方法,其特征在于,该方法包括以下步骤:
获取大豆图像;
对大豆图像中的每个像素点设置起始滑窗,获取每个像素点起始滑窗的灰度波动程度;根据每个像素点起始滑窗的灰度波动程度,获取每个像素点的最终滑窗大小;根据每个像素点的最终滑窗大小,获取每个像素点的中心度;根据每个像素点的中心度,获取大豆图像中的离散点;
根据大豆图像中的离散点,获取多个泰森多边形;获取每个泰森多边形的离散线段以及离散区域;根据每个泰森多边形的离散线段获取每个泰森多边形的偏移程度;根据每个泰森多边形的离散区域获取每个泰森多边形的灰度值间隔分布程度;根据每个泰森多边形的偏移程度以及灰度值间隔分布程度,获取每个泰森多边形的异常度;
根据每个泰森多边形的异常度,定位出虫蛀大豆。
2.根据权利要求1所述基于图像处理的大豆视觉检测方法,其特征在于,所述获取每个像素点起始滑窗的灰度波动程度,包括的具体步骤如下:
将大豆图像中任意像素点记为当前像素点:
式中,代表当前像素点的起始滑窗中像素点的灰度波动程度;/>表示当前像素点的起始滑窗中第/>行第/>列的像素点的灰度值,/>表示当前像素点的起始滑窗中像素点的平均灰度值;/>表示当前像素点的起始滑窗的边长。
3.根据权利要求1所述基于图像处理的大豆视觉检测方法,其特征在于,所述根据每个像素点起始滑窗的灰度波动程度,获取每个像素点的最终滑窗大小,包括的具体步骤如下:
预设程度阈值,当像素点起始滑窗的灰度波动程度大于等于程度阈值时,对该像素点的起始滑窗不进行扩展,将起始滑窗的大小记为该像素点的最终滑窗大小;当像素点起始滑窗的灰度波动程度小于程度阈值时,将该像素点的起始滑窗的边长进行扩展,直至该像素点的扩展后的起始滑窗的灰度波动程度大于等于程度阈值时停止扩展,该像素点的最终滑窗大小为停止扩展时的起始滑窗的大小。
4.根据权利要求1所述基于图像处理的大豆视觉检测方法,其特征在于,所述根据每个像素点的最终滑窗大小,获取每个像素点的中心度,包括的具体步骤如下:
遍历大豆图像中的任一像素点,记为当前像素点:
式中,表示当前像素点的第/>个邻域方向;/>表示当前像素点第/>个邻域方向下的第/>个像素点的最终滑窗边长;/>表示当前像素点第/>个邻域方向下的第/>个像素点的最终滑窗边长;/>代表当前像素点的中心度;/>表示当前像素点的八邻域方向的每个方向下获取的像素点个数。
5.根据权利要求1所述基于图像处理的大豆视觉检测方法,其特征在于,所述根据每个像素点的中心度,获取大豆图像中的离散点,包括的具体步骤如下:
预设中心度阈值,对于所有非负数的中心度进行线性归一化处理,获取中心度大于中心度阈值的所有像素点,并对获取的所有像素点使用DBSCAN聚类算法进行聚类,获取每个聚类簇的质心作为离散点。
6.根据权利要求1所述基于图像处理的大豆视觉检测方法,其特征在于,所述获取每个泰森多边形的离散线段以及离散区域,包括的具体步骤如下:
将泰森多边形中的离散点与该泰森多边形的各个边长的中心点相连接形成各个线段,记为离散线段,获取各个离散线段的长度;将泰森多边形中的离散点与该泰森多边形的各个顶点相连接形成各个区域,记为离散区域。
7.根据权利要求1所述基于图像处理的大豆视觉检测方法,其特征在于,所述根据每个泰森多边形的偏移程度以及灰度值间隔分布程度,获取每个泰森多边形的异常度,包括的具体步骤如下:
将任意泰森多边形记为当前泰森多边形:
式中,表示当前泰森多边形的最大离散线段;/>表示当前泰森多边形的最小离散线段;/>表示当前泰森多边形的偏移程度;/>表示当前泰森多边形中第/>个离散区域;/>表示当前泰森多边形中共有/>个离散区域;/>表示当前泰森多边形中第/>个离散区域的灰度众数;/>表示当前泰森多边形中第/>个离散区域的灰度众数;/>表示当前泰森多边形的灰度值间隔分布程度;/>表示当前泰森多边形的异常度。
8.根据权利要求1所述基于图像处理的大豆视觉检测方法,其特征在于,所述根据每个泰森多边形的异常度,定位出虫蛀大豆,包括的具体步骤如下:
对所有泰森多边形的异常度进行线性归一化处理,预设异常度阈值,获取异常度大于异常度阈值的各个泰森多边形,作为异常泰森多边形,并对相邻的异常泰森多边形进行合并,根据合并后的区域,定位出虫蛀大豆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967171.0A CN116682107B (zh) | 2023-08-03 | 2023-08-03 | 基于图像处理的大豆视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967171.0A CN116682107B (zh) | 2023-08-03 | 2023-08-03 | 基于图像处理的大豆视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116682107A true CN116682107A (zh) | 2023-09-01 |
CN116682107B CN116682107B (zh) | 2023-10-10 |
Family
ID=87785879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310967171.0A Active CN116682107B (zh) | 2023-08-03 | 2023-08-03 | 基于图像处理的大豆视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682107B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030053692A1 (en) * | 2001-07-07 | 2003-03-20 | Hong Qi He | Method of and apparatus for segmenting a pixellated image |
US20120124702A1 (en) * | 2006-03-31 | 2012-05-17 | Basf Plant Science Gmbh | Plants Having Enhanced Yield-Related Traits And A Method For Making The Same |
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 |
CN110895354A (zh) * | 2019-12-04 | 2020-03-20 | 中国水利水电科学研究院 | 一种基于泰森多边形动态调整的面雨量计算方法 |
CN112806469A (zh) * | 2021-01-08 | 2021-05-18 | 高唐鲁发信德生物科技有限公司 | 一种提高蛋白凝胶性的生产工艺 |
CN114332343A (zh) * | 2020-10-10 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备以及存储介质 |
CN114492665A (zh) * | 2022-02-16 | 2022-05-13 | 南京凯亚思智能科技有限公司 | 一种基于图像结构相似度的故障诊断模型性能评价方法 |
CN114842007A (zh) * | 2022-07-04 | 2022-08-02 | 南通东德纺织科技有限公司 | 一种基于图像处理的纺织品磨损缺陷检测方法 |
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN114994102A (zh) * | 2022-08-04 | 2022-09-02 | 武汉钰品研生物科技有限公司 | 基于x光的食品异物无痕快速检测方法 |
CN116091394A (zh) * | 2022-09-21 | 2023-05-09 | 南京字节数据科技有限公司 | 一种基于深度学习的虫子种类以及数量图像识别算法 |
CN116119846A (zh) * | 2023-04-17 | 2023-05-16 | 山东国宏生物科技有限公司 | 一种大豆蛋白废水处理好氧段所用的旋流曝气装置 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
-
2023
- 2023-08-03 CN CN202310967171.0A patent/CN116682107B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030053692A1 (en) * | 2001-07-07 | 2003-03-20 | Hong Qi He | Method of and apparatus for segmenting a pixellated image |
US20120124702A1 (en) * | 2006-03-31 | 2012-05-17 | Basf Plant Science Gmbh | Plants Having Enhanced Yield-Related Traits And A Method For Making The Same |
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 |
CN110895354A (zh) * | 2019-12-04 | 2020-03-20 | 中国水利水电科学研究院 | 一种基于泰森多边形动态调整的面雨量计算方法 |
CN114332343A (zh) * | 2020-10-10 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备以及存储介质 |
CN112806469A (zh) * | 2021-01-08 | 2021-05-18 | 高唐鲁发信德生物科技有限公司 | 一种提高蛋白凝胶性的生产工艺 |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN114492665A (zh) * | 2022-02-16 | 2022-05-13 | 南京凯亚思智能科技有限公司 | 一种基于图像结构相似度的故障诊断模型性能评价方法 |
CN114842007A (zh) * | 2022-07-04 | 2022-08-02 | 南通东德纺织科技有限公司 | 一种基于图像处理的纺织品磨损缺陷检测方法 |
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
CN114994102A (zh) * | 2022-08-04 | 2022-09-02 | 武汉钰品研生物科技有限公司 | 基于x光的食品异物无痕快速检测方法 |
CN116091394A (zh) * | 2022-09-21 | 2023-05-09 | 南京字节数据科技有限公司 | 一种基于深度学习的虫子种类以及数量图像识别算法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116119846A (zh) * | 2023-04-17 | 2023-05-16 | 山东国宏生物科技有限公司 | 一种大豆蛋白废水处理好氧段所用的旋流曝气装置 |
Non-Patent Citations (3)
Title |
---|
卢思军;唐振民;郭龙源;卢阿丽;: "一种新的非参数变换定义及立体匹配方法", 计算机科学, no. 02, pages 196 - 199 * |
曹传东;徐贵力;陈欣;冷雪飞;李开宇;叶永强;: "基于力场转换理论的图像粗大边缘检测方法", 航空学报, no. 05, pages 132 - 140 * |
潘申润;李满枝;林琪;: "泰森三角形顶点与其外围离散点位置关系的研究", 高师理科学刊, no. 04, pages 18 - 22 * |
Also Published As
Publication number | Publication date |
---|---|
CN116682107B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9317784B2 (en) | Image processing apparatus, image processing method, and program | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN114332650B (zh) | 一种遥感图像道路识别方法及系统 | |
CN113808138A (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN117392469B (zh) | 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统 | |
CN117974989B (zh) | 一种园林植物病虫害区域快速检测方法 | |
CN115311262A (zh) | 一种印刷电路板缺陷识别方法 | |
US11530993B2 (en) | Deposit detection device and deposit detection method | |
CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
CN115908371A (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN117952960B (zh) | 基于人工智能的电力铁塔部件缺陷检测方法 | |
CN114581446A (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
CN114419321B (zh) | 一种基于人工智能的ct图像心脏分割方法及系统 | |
CN108734054B (zh) | 无遮挡的柑橘果实图像识别方法 | |
CN116682107B (zh) | 基于图像处理的大豆视觉检测方法 | |
CN117078678B (zh) | 基于图像识别的废硅片形状检测方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN117786439A (zh) | 医用搬运机器人视觉智能导航系统 | |
CN116258968B (zh) | 一种林果病虫管理方法及系统 | |
JPH08305795A (ja) | 文字認識方法 | |
CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN115294440A (zh) | 输电线路识别方法、装置以及电子设备 | |
JP5253194B2 (ja) | 物体検出装置 | |
JP2005346222A (ja) | 汗腺口除去装置、汗腺口除去方法及び汗腺口除去プログラム |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A soybean visual detection method based on image processing Granted publication date: 20231010 Pledgee: Weifang Bank Co.,Ltd. Liaocheng Gaotang Branch Pledgor: Shandong Guohong Biotechnology Co.,Ltd. Registration number: Y2024980005498 |