CN116912250A - 基于机器视觉的菌包生产质量检测方法 - Google Patents
基于机器视觉的菌包生产质量检测方法 Download PDFInfo
- Publication number
- CN116912250A CN116912250A CN202311176096.2A CN202311176096A CN116912250A CN 116912250 A CN116912250 A CN 116912250A CN 202311176096 A CN202311176096 A CN 202311176096A CN 116912250 A CN116912250 A CN 116912250A
- Authority
- CN
- China
- Prior art keywords
- gradient
- pixel point
- pixel
- value
- production quality
- 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
- 241000233866 Fungi Species 0.000 title claims abstract description 97
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 235000001674 Agaricus brunnescens Nutrition 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000010244 detection of fungus Effects 0.000 abstract description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training 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
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及图像数据处理技术领域,提出了基于机器视觉的菌包生产质量检测方法,包括:获取菌包表面灰度图像和标准菌包表面灰度图像,根据菌包表面灰度图像获取每个蘑菇孢头轮廓线、蘑菇孢头角点和每个像素点的差异系数,根据蘑菇孢头轮廓线、蘑菇孢头角点和每个像素点的差异系数计算得到每个像素点的生长相似性度量阈值,根据每个像素点的生长相似性度量阈值对传统区域生长算法进行优化,根据优化后的区域生长算法准确获取蘑菇孢头的像素点区域并计算菌包生产质量因子,根据菌包生产质量因子完成对菌包生产质量的检测。本发明有效的提高了对菌包生产质量检测过程中的精度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于机器视觉的菌包生产质量检测方法。
背景技术
蘑菇是一种常见的农业产品,由于蘑菇具有口感特殊,风味独特,营养价值极高的优良特点备受青睐,蘑菇菌包在生长培育过程中对环境要求较高,在菌包培育过程中极易出现不出菇或出菇不整齐,导致菌包实际产量较低,影响菌包生产的经济效益。
针对传统视觉手段对菌包进行生产质量检测,在质量检测过程中由于蘑菇之间生长状态差别较大,不同蘑菇孢头之间相互重叠遮挡,无法准取获取菌包中不同蘑菇的准确边界位置,极大的影响了菌包质量的视觉检测的精确度。
发明内容
本发明提供基于机器视觉的菌包生产质量检测方法,以解决传统视觉算法中由于菌包中不同蘑菇相互遮挡导致视觉检测结果精度较低的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于机器视觉的菌包生产质量检测方法,该方法包括以下步骤:
获取菌包表面灰度图像,根据菌包表面灰度图像获取每个蘑菇孢头轮廓线、蘑菇孢头角点和每个像素点的差异系数;
根据每个蘑菇孢头轮廓线和蘑菇孢头角点分别获取每一个异常拐点,根据每一个异常拐点计算每个像素点的修正梯度,根据每个像素点的修正梯度计算每个像素点的修正梯度同质性指数,根据每个像素点的修正梯度和修正梯度同质性指数计算每个像素点的潜在边缘系数;根据每个像素点的差异系数和潜在边缘系数计算每个像素点的生长相似性度量阈值;
根据每个像素点的生长相似性度量阈值获取蘑菇孢头像素点区域并计算菌包生产质量因子,利用所述菌包生产质量因子对菌包生产质量进行检验。
优选的,所述根据菌包表面灰度图像获取每个蘑菇孢头轮廓线、蘑菇孢头角点和每个像素点的差异系数的方法为:
对菌包表面灰度图像使用边缘检测算法获取蘑菇孢头轮廓线,对菌包表面灰度图像使用角点检测算法获取蘑菇孢头角点,以菌包表面灰度图像中每个像素点为中心可以获取预设大小的窗口区域,将所述窗口区域的中心像素点灰度值与其余像素点灰度值差的平方记为第一平方,将第一平方的累加的均值记为差异系数。
优选的,所述异常拐点的获取方法为:
获取蘑菇孢头角点坐标,获取所有穿过所述蘑菇孢头角点坐标的蘑菇孢头轮廓线记为第一轮廓线,分别获取任意两条第一轮廓线之间的夹角,将所述任意两条第一轮廓线之间的夹角最小的夹角记为第一夹角,将所述第一夹角大于等于预设阈值的蘑菇孢头角点作为异常拐点。
优选的,所述根据每一个异常拐点计算每个像素点的修正梯度的方法为:
根据所述异常拐点获取潜在边界直线和潜在边界特征区域,分别获取所述潜在边界特征区域每个像素点的灰度数值、水平梯度数值和垂直梯度数值,将所述灰度数值与水平梯度数值乘积的归一化结果记为修正水平梯度,将所述灰度数值与垂直梯度数值乘积的归一化结果记为修正垂直梯度,将修正水平梯度和修正垂直梯度平方和的开方结果记为修正梯度。
优选的,所述根据所述异常拐点获取潜在边界直线和潜在边界特征区域的方法为:
分别获取任意两蘑菇孢头角点坐标,利用所述任意两蘑菇孢头角点坐标处理得到潜在边界直线,以所述潜在边界直线为轴获取符合预设规则的潜在边界特征区域。
优选的,所述根据每个像素点的修正梯度计算每个像素点的修正梯度同质性指数的具体方法为:
式中,表示了像素点所在的潜在边界特征区域中所有像素点的总数量,表示
了潜在边界特征区域中像素点的修正梯度波动特征的数值,表示了所述潜在边界特征
区域中所有像素点的修正梯度波动特征数值的均值,表示了所述潜在边界特征区域
中所有像素点修正梯度波动特征数值的最大值,表示了所述潜在边界特征区域中所
有像素点修正梯度波动特征数值的最小值,表示了像素点位置处的修正梯度同质性指
数。
优选的,所述修正梯度波动特征具体计算方法为:
式中,表示在潜在边界特征区域中以像素点为中心的预设局部窗口区域大小,表示了预设局部窗口区域中像素点的修正梯度数值大小,表示像素点为中心的预设
局部窗口区域中修正梯度均值,表示了以像素点为中心的局部窗口区域中修正梯度方差
数值,表示了潜在边界特征区域中像素点的修正梯度波动特征的数值。
优选的,所述根据每个像素点的修正梯度和修正梯度同质性指数计算每个像素点的潜在边缘系数方法为:
将所述潜在边界特征区域中像素点的修正梯度和修正梯度同质性指数的差值记为第一差值,获取潜在边界直线每个像素点垂直方向上第一差值最大的像素点,并记为特征像素点,利用曲线拟合算法获取所有特征像素点的特征曲线,将所述特征曲线上所有像素点与异常拐点的欧式距离记为第一距离,将所述第一距离的平方与预设常量的和记为第一和值,将所述第一和值的倒数记为潜在边缘系数。
优选的,所述生长相似性度量阈值计算方法为:
将每个像素点差异系数与潜在边缘系数乘积的归一化倒数记为第一系数,将第一系数与预设阈值的乘积记为生长相似性度量阈值。
优选的,所述根据每个像素点的生长相似性度量阈值获取蘑菇孢头像素点区域并计算菌包生产质量因子,利用所述菌包生产质量因子对菌包生产质量进行检验的具体方法为:
基于生长相似性度量阈值优化区域生长算法并分割得到菌包灰度图像中不同蘑菇孢头的像素点区域,将菌包表面灰度图像中蘑菇孢头像素点区域的像素点数量和标准菌包表面灰度图像中蘑菇孢头像素点区域的像素点数量的比值记为菌包生产质量因子,将所述菌包生产质量因子大于预设阈值的菌包记为合格品。
本发明的有益效果是:本发明实施例通过对蘑菇菌包灰度图像中角点和边缘轮廓的分布情况筛选得到蘑菇菌包异常拐点,有效地表征了蘑菇菌包灰度图像中重叠蘑菇孢头像素点特征。同时,本发明实施例结合蘑菇菌包异常拐点获取得到蘑菇菌包灰度图像中的潜在边界直线,计算获取得到了蘑菇孢头重叠像素点之间的变化特点,为后续对不同蘑菇孢头之间的划分提供较为科学可靠的计算依据。进一步地,本发明实施例结合潜在边界直线区域中像素点数值变化特点计算得到潜在边界系数和稳定系数,对传统区域生长过程的阈值进行优化调整,有效地规避了传统区域生长算法中由于不同蘑菇孢头之间交叠重复导致对不同蘑菇孢头划分精确程度较低的缺点,提高了对菌包生产质量检测的精确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于机器视觉的菌包生产质量检测方法的流程示意图;
图2为本发明一个实施例中的真实潜在边缘曲线拟合示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的菌包生产质量检测方法流程图,该方法包括以下步骤:
步骤S001,使用CCD工业相机获取菌包表面灰度图像并进行预处理。
通过CCD相机采集获取得到RGB颜色空间下的菌包表面图像,为了避免后续处理过程中对RGB三个不同通道重复计算的影响,通过加权平均法将RGB颜色空间下的蘑菇的生长图像转化为菌包表面灰度图像。同时,采用直方图均衡化方法增加原始灰度图像的对比度,以减少光照不均匀导致的阴影对后续检测过程中精确程度的影响。为了进一步消除拍摄等操作过程中产生的噪声影响因素,本发明实施例采用均值滤波方法对图像进行噪声点的消除。同时,为便于对菌包生产质量的检测分析,获取符合生产质量要求的标准菌包表面灰度图像,并进行上述处理。
步骤S002,根据菌包表面灰度图像获取蘑菇孢头轮廓线、蘑菇孢头角点和每个像素点的差异系数。
通过U-net网络模型获取得到菌包表面灰度图像的ROI(感兴趣区域),然后以ROI的二值图像作为掩码获取原始灰度像中蘑菇所在区域,有效地避免了背景无意义像素点对后续计算过程中的干扰,其中U-net网络模型是一种常用的图像语义分割网络模型,其训练过程为公知技术,在此不再赘述。
为了较为准确地通过区域生长算法得到菌包边界,本发明实施例采用Canny边缘检测算法获取图像中的轮廓线,并采用Harris角点检测算法获取轮廓线中所有的角点坐标,其中Canny边缘检测算法和Harris角点检测算法为公知技术,在此不再赘述。
假设通过Harris角点检测算法后获取得到蘑菇菌包灰度图像中角点P,在过角点P
的两条轮廓线中,取夹角最小的两条,并记夹角为,当大于经验阈值时,认为当前角点
P是由于蘑菇重叠导致的异常拐点,并获取所述异常拐点坐标信息。
其中,N取经验值11,表示了目标像素点为中心的局部邻域范围大小;Z表示目标
像素点的邻域内所有的像素点个数;表示邻域Z中第个像素点的灰度值;表示目标像
素的灰度值;通过上述公式可以计算得到目标像素点的差异系数的数值大小。
当蘑菇菌包灰度图像中差异系数越大时则表明在目标像素周围像素灰度值变化
越明显,此时越有可能是在周围存在不同区域的边缘,则相应的生长相似性度量阈值选择
系数应该较小,防止因阈值过大导致将不同区域融合在一起的情况发生。当差异系数数值
越小时,则表明目标像素周围像素灰度变化越不明显,当前目标像素没有处在不同区域的
边界处,则相应的生长相似性度量阈值选择系数应该较大,防止出现过度分割的情况。
步骤S003,根据蘑菇孢头轮廓线和角点获取每个异常拐点,根据每个异常拐点计算每个像素点的修正梯度和每个像素点的修正梯度同质性指数。
在所述菌包表面灰度图像轮廓中出现异常拐点时则表明在该轮廓内有较大可能包含多个目标蘑菇孢头,考虑到相交的蘑菇孢头可能不止两个,即存异常拐点可能存在多个,且每两个蘑菇菌包异常拐点之间都有潜在边缘。为了较为准确地选取拐点之间有潜在边缘线,确定不同蘑菇孢头之间的轮廓边界。
其中,表示了潜在边界直线方程的斜率,和表示了所述异常
拐点的坐标,表示了所述潜在边界直线方程中其余坐标点。
通过上述公式可以获取得到潜在边界直线方程,为了获取较为精确的边界特征
信息,取该直线周围的邻域进行分析,本发明实施例以潜在边界直线为矩形的中位线向直
线两侧构建一个长宽比为经验值2:1的矩形特征区域。
其中,和分别为邻域内像素点在水平方向和
垂直方向上的归一化梯度;表示对结果进行归一化处理,和分别为水平方向和
垂直方向上的Sobel算子计算得到所述矩形特征区域中的梯度数值,其中Sobel算子的具体
计算过程为公知技术,在此不再赘述;为所述拟合直线的矩形特征区域像素点灰度值矩
阵。G为直线的矩形特征区域内像素点的修正梯度。
为了避免蘑菇菌包灰度图像中异常噪声导致后续计算过程对不同蘑菇孢头区域划分不准确的影响,对所述拟合直线的矩形特征区域中不同位置处像素点的数值变化情况进行计算分析。
上述公式中,表示了在潜在边界特征区域中以像素点为中心的局部窗口区
域,表示了该局部窗口区域中像素点的修正梯度数值大小,表示像素点为中心的局部
窗口区域中修正梯度均值大小,表示了以像素点为中心的局部窗口区域中修正梯度方差
数值大小,通过上述公式可以计算得到像素点的修正梯度波动特征数值。
上述公式中,表示了像素点所在的潜在边界特征区域中所有像素点的总数量,表示了潜在边界特征区域中像素点的修正梯度波动特征的数值,表示了所述潜在边界
特征区域中所有像素点的修正梯度波动特征数值的均值,表示了所述潜在边界特征
区域中所有像素点修正梯度波动特征数值的最大值,表示了所述潜在边界特征区域
中所有像素点修正梯度波动特征数值的最小值。表示梯度同质性指数,其值越大,则表明
修正梯度变化越不统一,即该像素点为梯度噪声的可能性越大。
步骤S004,根据每个像素点的修正梯度和修正梯度同质性指数计算每个像素点的潜在边缘系数,根据每个像素点的差异系数和潜在边缘系数计算每个像素点的生长相似性度量阈值。
通过上述步骤分析计算可以获取得到菌包表面灰度图像中不同像素点位置处的修正梯度数值和潜在边界直线,为了后续菌包表面灰度图像中不同蘑菇孢头区域的进一步划分提供理论计算依据。
其中,表示矩形区域内第个像素点的边界候选指数;表示矩形邻域内第个像
素点的修正梯度;表示矩形邻域内第个像素点的修正梯度同质性指数。
如图2所示,对于潜在边界直线上垂线方向上的不同像素点构成真实潜在边缘曲
线候选集合,对于所述集合中不同像素点均可以根据修正梯度和修正梯度同质性指数计算
得到边界候选指数,然后,遍历直线上的每个像素点,选取每个点的候选集中边界候选指数最大的点作为拟合真实潜在边缘的点。将上述点进行曲线的拟合,作为最终拟合的真实潜
在边缘,其中曲线拟合计算过程为公知技术,在此不再赘述。
其中,表示目标像素点到两个拐点之间拟合的真实潜在边缘之间的欧式距离。
因此当目标像素点到两个拐点之间拟合的真实潜在边缘之间的欧式距离越小时,目标像
素距离潜在边缘也越近,此时计算得到的潜在边缘系数也就越大,为了更容易获取得到潜
在边缘直线。为了减弱远距离目标像素受到影响,本发明实施例采用距离的平方进行计算,
同时为了避免分母为0的情况,引入最小像素计数单位常量,并令。
步骤S005,根据每个像素点的生长相似性度量阈值获取菌包表面灰度图像中蘑菇孢头像素点区域,根据蘑菇孢头像素点区域计算菌包质量因子对菌包生产质量进行检验。
根据上述步骤分析可以获取得到每个不同位置处像素点的差异系数和潜在边缘系数,结合所述每个不同位置处像素点的差异系数和潜在边缘系数可以进一步计算。
其中,表示目标像素点与其邻域内像素点之间的稳定系数,该稳定系数越大表
示目标像素点与周围像素点差别越大,越可能存在生长的边界,同时当潜在边缘系数越大
时表明目标像素点距离潜在边缘越近,此时计算得到的生长相似性度量阈值选择系数应
越小,则更容易发现潜在的边缘;相反,当稳定系数和潜在边缘系数越小时,则生长相似
性度量阈值选择系数则越大,则更不容易发生过度分割的情况。为归一化函数,将数
值归一化到区间上。
其中,为生长相似性度量阈值选择系数,用于调节生长相似性度量阈值的取值,为将原始图像灰度值映射到相同范围的最大值,若图像整体灰度值比较平滑,颜色变化不
明显则应该取较大的值,以便区分,本发明实施例取经验值。
通过上述分析计算可以获取得到菌包灰度图像生长相似性度量阈值的数值大
小,并根据该阈值对传统区域生长算法进行优化,通过优化的区域生长算法获取得到菌包
图像中较为准确不同蘑菇孢头区域。
其中,表示了通过优化后区域生长算法得到的待检测的菌包表面灰度图像
中较为准确的蘑菇孢头区域像素点数量,表示了符合生产标准的菌包表面灰度图像
中蘑菇孢头区域的像素点数量,通过上述公式可以计算得到菌包生产质量因子的数值大
小。当所述菌包生产质量因子小于检测经验阈值时,认为当前待检测的菌包生长状况
较差,不符合菌包生产质量要求,为不合格品,反之当所述菌包质量因子大于待检测经验阈
值时,认为待检测的菌包符合菌包生产过程中的质量要求,为合格品。
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 (10)
1.基于机器视觉的菌包生产质量检测方法,其特征在于,该方法包括以下步骤:
获取菌包表面灰度图像和标准菌包表面灰度图像,根据菌包表面灰度图像获取每个蘑菇孢头轮廓线、蘑菇孢头角点和每个像素点的差异系数;
根据每个蘑菇孢头轮廓线和蘑菇孢头角点分别获取每一个异常拐点,根据每一个异常拐点计算每个像素点的修正梯度,根据每个像素点的修正梯度计算每个像素点的修正梯度同质性指数,根据每个像素点的修正梯度和修正梯度同质性指数计算每个像素点的潜在边缘系数;根据每个像素点的差异系数和潜在边缘系数计算每个像素点的生长相似性度量阈值;
根据每个像素点的生长相似性度量阈值获取蘑菇孢头像素点区域并计算菌包生产质量因子,利用所述菌包生产质量因子对菌包生产质量进行检验。
2.根据权利要求1所述的基于机器视觉的菌包生产质量检测方法,其特征在于,所述根据菌包表面灰度图像获取每个蘑菇孢头轮廓线、蘑菇孢头角点和每个像素点的差异系数的方法为:
对菌包表面灰度图像使用边缘检测算法获取蘑菇孢头轮廓线,对菌包表面灰度图像使用角点检测算法获取蘑菇孢头角点,以菌包表面灰度图像中每个像素点为中心可以获取预设大小的窗口区域,将所述窗口区域的中心像素点灰度值与其余像素点灰度值差的平方记为第一平方,将第一平方的累加的均值记为差异系数。
3.根据权利要求2所述的基于机器视觉的菌包生产质量检测方法,其特征在于,所述异常拐点的获取方法为:
获取蘑菇孢头角点坐标,获取所有穿过所述蘑菇孢头角点坐标的蘑菇孢头轮廓线记为第一轮廓线,分别获取任意两条第一轮廓线之间的夹角,将所述任意两条第一轮廓线之间的夹角最小的夹角记为第一夹角,将所述第一夹角大于等于预设阈值的蘑菇孢头角点作为异常拐点。
4.根据权利要求3所述的基于机器视觉的菌包生产质量检测方法,其特征在于,所述根据每一个异常拐点计算每个像素点的修正梯度的方法为:
根据所述异常拐点获取潜在边界直线和潜在边界特征区域,分别获取所述潜在边界特征区域每个像素点的灰度数值、水平梯度数值和垂直梯度数值,将所述灰度数值与水平梯度数值乘积的归一化结果记为修正水平梯度,将所述灰度数值与垂直梯度数值乘积的归一化结果记为修正垂直梯度,将修正水平梯度和修正垂直梯度平方和的开方结果记为修正梯度。
5.根据权利要求4所述的基于机器视觉的菌包生产质量检测方法,其特征在于,所述根据所述异常拐点获取潜在边界直线和潜在边界特征区域的方法为:
分别获取任意两蘑菇孢头角点坐标,利用所述任意两蘑菇孢头角点坐标处理得到潜在边界直线,以所述潜在边界直线为轴获取符合预设规则的潜在边界特征区域。
6.根据权利要求5所述的基于机器视觉的菌包生产质量检测方法,其特征在于,所述根据每个像素点的修正梯度计算每个像素点的修正梯度同质性指数的具体方法为:
式中,表示了像素点/>所在的潜在边界特征区域中所有像素点的总数量,/>表示了潜在边界特征区域中像素点/>的修正梯度波动特征的数值,/>表示了所述潜在边界特征区域中所有像素点的修正梯度波动特征数值的均值,/>表示了所述潜在边界特征区域中所有像素点修正梯度波动特征数值的最大值,/>表示了所述潜在边界特征区域中所有像素点修正梯度波动特征数值的最小值,/>表示了像素点/>位置处的修正梯度同质性指数。
7.根据权利要求6所述的基于机器视觉的菌包生产质量检测方法,其特征在于,所述修正梯度波动特征具体计算方法为:
式中,表示在潜在边界特征区域中以像素点/>为中心的预设局部窗口区域大小,/>表示了预设局部窗口区域中像素点/>的修正梯度数值大小,/>表示像素点/>为中心的预设局部窗口区域中修正梯度均值,/>表示了以像素点/>为中心的局部窗口区域中修正梯度方差数值,/>表示了潜在边界特征区域中像素点/>的修正梯度波动特征的数值。
8.根据权利要求6所述的基于机器视觉的菌包生产质量检测方法,其特征在于,所述根据每个像素点的修正梯度和修正梯度同质性指数计算每个像素点的潜在边缘系数方法为:
将所述潜在边界特征区域中像素点的修正梯度和修正梯度同质性指数的差值记为第一差值,获取潜在边界直线每个像素点垂直方向上第一差值最大的像素点,并记为特征像素点,利用曲线拟合算法获取所有特征像素点的特征曲线,将所述特征曲线上所有像素点与异常拐点的欧式距离记为第一距离,将所述第一距离的平方与预设常量的和记为第一和值,将所述第一和值的倒数记为潜在边缘系数。
9.根据权利要求8所述的基于机器视觉的菌包生产质量检测方法,其特征在于,所述生长相似性度量阈值计算方法为:
将每个像素点差异系数与潜在边缘系数乘积的归一化倒数记为第一系数,将第一系数与预设阈值的乘积记为生长相似性度量阈值。
10.根据权利要求1所述的基于机器视觉的菌包生产质量检测方法,其特征在于,所述根据每个像素点的生长相似性度量阈值获取蘑菇孢头像素点区域并计算菌包生产质量因子,利用所述菌包生产质量因子对菌包生产质量进行检验的具体方法为:
基于生长相似性度量阈值优化区域生长算法并分割得到菌包灰度图像中不同蘑菇孢头的像素点区域,将菌包表面灰度图像中蘑菇孢头像素点区域的像素点数量和标准菌包表面灰度图像中蘑菇孢头像素点区域的像素点数量的比值记为菌包生产质量因子,将所述菌包生产质量因子大于预设阈值的菌包记为合格品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311176096.2A CN116912250B (zh) | 2023-09-13 | 2023-09-13 | 基于机器视觉的菌包生产质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311176096.2A CN116912250B (zh) | 2023-09-13 | 2023-09-13 | 基于机器视觉的菌包生产质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912250A true CN116912250A (zh) | 2023-10-20 |
CN116912250B CN116912250B (zh) | 2023-11-28 |
Family
ID=88360697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311176096.2A Active CN116912250B (zh) | 2023-09-13 | 2023-09-13 | 基于机器视觉的菌包生产质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912250B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115173A (zh) * | 2023-10-25 | 2023-11-24 | 泰安金冠宏油脂工业有限公司 | 一种基于视觉特征的油料搅拌检测方法 |
CN117152136A (zh) * | 2023-10-30 | 2023-12-01 | 张家港长三角生物安全研究中心 | 基于菌落单位计数的生物气溶胶监测方法 |
CN117237364A (zh) * | 2023-11-16 | 2023-12-15 | 江苏高特高金属科技有限公司 | 基于图像特征的焊管质量检测方法 |
CN117372422A (zh) * | 2023-12-04 | 2024-01-09 | 青岛宜霖赛瑞智能科技有限公司 | 用于零件生产的材料折弯程度检测方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000137804A (ja) * | 1998-09-18 | 2000-05-16 | Dainippon Screen Eng Of America Inc | デジタル画像の異常検出方法およびシステム、ならびにそのための記憶媒体 |
US20010028732A1 (en) * | 2000-01-18 | 2001-10-11 | Alain Coulombe | Method and system for detecting defects on a printed circuit board |
WO2012067606A1 (en) * | 2010-11-16 | 2012-05-24 | Thomson Licensing | System and method for the repair of anomalies in images |
CN110059663A (zh) * | 2019-04-24 | 2019-07-26 | 扬州龙科信息科技有限公司 | 一种基于特征点检测的粘连蘑菇视觉识别与测量方法 |
WO2020019648A1 (zh) * | 2018-07-24 | 2020-01-30 | 中山新诺科技股份有限公司 | 一种机器视觉定位方法 |
CN110766702A (zh) * | 2019-10-18 | 2020-02-07 | 沈阳农业大学 | 一种双孢蘑菇分级判断方法 |
CN111862043A (zh) * | 2020-07-21 | 2020-10-30 | 北京林业大学 | 一种基于激光和机器视觉的蘑菇检测方法 |
KR20210112452A (ko) * | 2020-03-05 | 2021-09-15 | 김성연 | 영상처리 기술을 적용한 버섯 객체 생장 모니터링 방법 |
CN113962274A (zh) * | 2021-11-18 | 2022-01-21 | 腾讯科技(深圳)有限公司 | 一种异常识别方法、装置、电子设备及存储介质 |
CN114049365A (zh) * | 2021-11-17 | 2022-02-15 | 扬州大学 | 一种双孢蘑菇视觉分割识别方法 |
CN115049653A (zh) * | 2022-08-15 | 2022-09-13 | 凤芯微电子科技(聊城)有限公司 | 基于计算机视觉的集成电路板质量检测系统 |
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 |
US20220354070A1 (en) * | 2021-05-05 | 2022-11-10 | Mycionics Inc. | System and Method for Harvesting and Packing Mushrooms |
CN115457004A (zh) * | 2022-09-22 | 2022-12-09 | 山东华太新能源电池有限公司 | 基于计算机视觉的锌膏的智能检测方法 |
CN115690387A (zh) * | 2022-11-17 | 2023-02-03 | 凤阳爱尔思轻合金精密成型有限公司 | 一种基于图像识别的合金表面检测系统 |
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 |
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
CN116523900A (zh) * | 2023-06-19 | 2023-08-01 | 东莞市新通电子设备有限公司 | 一种五金件加工质量检测方法 |
CN116721391A (zh) * | 2023-08-11 | 2023-09-08 | 山东恒信科技发展有限公司 | 一种基于计算机视觉的原料油分离效果检测方法 |
CN116740653A (zh) * | 2023-08-14 | 2023-09-12 | 山东创亿智慧信息科技发展有限责任公司 | 一种配电箱运行状态监测方法及系统 |
-
2023
- 2023-09-13 CN CN202311176096.2A patent/CN116912250B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000137804A (ja) * | 1998-09-18 | 2000-05-16 | Dainippon Screen Eng Of America Inc | デジタル画像の異常検出方法およびシステム、ならびにそのための記憶媒体 |
US20010028732A1 (en) * | 2000-01-18 | 2001-10-11 | Alain Coulombe | Method and system for detecting defects on a printed circuit board |
WO2012067606A1 (en) * | 2010-11-16 | 2012-05-24 | Thomson Licensing | System and method for the repair of anomalies in images |
US20130236096A1 (en) * | 2010-11-16 | 2013-09-12 | Thomson Licensing | System and method for the repair of anomalies in images |
WO2020019648A1 (zh) * | 2018-07-24 | 2020-01-30 | 中山新诺科技股份有限公司 | 一种机器视觉定位方法 |
CN110059663A (zh) * | 2019-04-24 | 2019-07-26 | 扬州龙科信息科技有限公司 | 一种基于特征点检测的粘连蘑菇视觉识别与测量方法 |
CN110766702A (zh) * | 2019-10-18 | 2020-02-07 | 沈阳农业大学 | 一种双孢蘑菇分级判断方法 |
KR20210112452A (ko) * | 2020-03-05 | 2021-09-15 | 김성연 | 영상처리 기술을 적용한 버섯 객체 생장 모니터링 방법 |
CN111862043A (zh) * | 2020-07-21 | 2020-10-30 | 北京林业大学 | 一种基于激光和机器视觉的蘑菇检测方法 |
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 |
US20220354070A1 (en) * | 2021-05-05 | 2022-11-10 | Mycionics Inc. | System and Method for Harvesting and Packing Mushrooms |
CN114049365A (zh) * | 2021-11-17 | 2022-02-15 | 扬州大学 | 一种双孢蘑菇视觉分割识别方法 |
CN113962274A (zh) * | 2021-11-18 | 2022-01-21 | 腾讯科技(深圳)有限公司 | 一种异常识别方法、装置、电子设备及存储介质 |
CN115049653A (zh) * | 2022-08-15 | 2022-09-13 | 凤芯微电子科技(聊城)有限公司 | 基于计算机视觉的集成电路板质量检测系统 |
CN115457004A (zh) * | 2022-09-22 | 2022-12-09 | 山东华太新能源电池有限公司 | 基于计算机视觉的锌膏的智能检测方法 |
CN115690387A (zh) * | 2022-11-17 | 2023-02-03 | 凤阳爱尔思轻合金精密成型有限公司 | 一种基于图像识别的合金表面检测系统 |
WO2023134793A2 (zh) * | 2022-12-13 | 2023-07-20 | 苏州迈创信息技术有限公司 | 基于机器视觉机床零件在线检测方法 |
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 |
CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
CN116523900A (zh) * | 2023-06-19 | 2023-08-01 | 东莞市新通电子设备有限公司 | 一种五金件加工质量检测方法 |
CN116721391A (zh) * | 2023-08-11 | 2023-09-08 | 山东恒信科技发展有限公司 | 一种基于计算机视觉的原料油分离效果检测方法 |
CN116740653A (zh) * | 2023-08-14 | 2023-09-12 | 山东创亿智慧信息科技发展有限责任公司 | 一种配电箱运行状态监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
汪海洋;陈德林;帅一师;郭宏宇;吴成;岳林帮;: "基于灰度差预处理的改进Harris角点检测算法", 电子技术与软件工程, no. 09 * |
赵亚利;章为川;李云红;: "图像边缘轮廓自适应阈值的角点检测算法", 中国图象图形学报, no. 11 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115173A (zh) * | 2023-10-25 | 2023-11-24 | 泰安金冠宏油脂工业有限公司 | 一种基于视觉特征的油料搅拌检测方法 |
CN117115173B (zh) * | 2023-10-25 | 2024-01-16 | 泰安金冠宏油脂工业有限公司 | 一种基于视觉特征的油料搅拌检测方法 |
CN117152136A (zh) * | 2023-10-30 | 2023-12-01 | 张家港长三角生物安全研究中心 | 基于菌落单位计数的生物气溶胶监测方法 |
CN117152136B (zh) * | 2023-10-30 | 2024-01-26 | 张家港长三角生物安全研究中心 | 基于菌落单位计数的生物气溶胶监测方法 |
CN117237364A (zh) * | 2023-11-16 | 2023-12-15 | 江苏高特高金属科技有限公司 | 基于图像特征的焊管质量检测方法 |
CN117237364B (zh) * | 2023-11-16 | 2024-01-30 | 江苏高特高金属科技有限公司 | 基于图像特征的焊管质量检测方法 |
CN117372422A (zh) * | 2023-12-04 | 2024-01-09 | 青岛宜霖赛瑞智能科技有限公司 | 用于零件生产的材料折弯程度检测方法 |
CN117372422B (zh) * | 2023-12-04 | 2024-02-13 | 青岛宜霖赛瑞智能科技有限公司 | 用于零件生产的材料折弯程度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116912250B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116912250B (zh) | 基于机器视觉的菌包生产质量检测方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
CN109215071B (zh) | 基于视觉的智能稻麦收割机割幅测量方法 | |
US20210334574A1 (en) | Commodity detection terminal, commodity detection method, system, computer device, and computer readable medium | |
CN107203973B (zh) | 一种三维激光扫描系统中线激光中心的亚像素定位方法 | |
CN107679436B (zh) | 一种适用于弯曲形变二维码的图像修正方法 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN111753577B (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
CN109345554A (zh) | 一种基于rgb-d相机的粘连蘑菇视觉原位测量方法 | |
CN109409290B (zh) | 一种温度表检定读数自动识别系统及方法 | |
CN116188496B (zh) | 基于土地利用类型的遥感影像自适应分割方法 | |
CN109859101B (zh) | 农作物冠层热红外图像识别方法及系统 | |
KR101974638B1 (ko) | 식물 영상 처리 장치 및 방법 | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN116531089B (zh) | 基于图像增强的阻滞麻醉超声引导数据处理方法 | |
CN110580697B (zh) | 一种从超声视频图像中测量胎儿颈背透明物厚度的视频图像处理方法及系统 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN109345544B (zh) | 一种24色卡的色差自动分析方法 | |
CN115761468A (zh) | 一种基于图像分割和目标检测技术的水位检测系统、方法 | |
Chen et al. | Measurement of the distance from grain divider to harvesting boundary based on dynamic regions of interest. | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
CN113011417B (zh) | 基于交并比覆盖率损失与重定位策略的目标匹配方法 | |
CN109272540B (zh) | 一种图卡图像的sfr自动提取与分析方法 | |
CN111062879B (zh) | 一种检测图像中渐开线的图像方法 |
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 |