CN117808836A - 基于直线边缘检测的谷糙分界线检测方法、设备及介质 - Google Patents
基于直线边缘检测的谷糙分界线检测方法、设备及介质 Download PDFInfo
- Publication number
- CN117808836A CN117808836A CN202311655417.7A CN202311655417A CN117808836A CN 117808836 A CN117808836 A CN 117808836A CN 202311655417 A CN202311655417 A CN 202311655417A CN 117808836 A CN117808836 A CN 117808836A
- Authority
- CN
- China
- Prior art keywords
- image
- points
- rice
- edge detection
- boundary
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003708 edge detection Methods 0.000 title claims abstract description 44
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 78
- 235000009566 rice Nutrition 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 235000013339 cereals Nutrition 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 241000209094 Oryza Species 0.000 claims description 77
- 238000001514 detection method Methods 0.000 claims description 23
- 235000021329 brown rice Nutrition 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 abstract description 21
- 240000007594 Oryza sativa Species 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 18
- 238000009826 distribution Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011179 visual inspection Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000004464 cereal grain Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 240000002582 Oryza sativa Indica Group Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000010903 husk Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 101100182136 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) loc-1 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于直线边缘检测的谷糙分界线检测方法、设备及介质。该方法可以包括：在出料口拍摄谷糙图像，获取初始图像；针对初始图像进行预处理，进而进行分类提取颜色特征；提取颜色特征后，通过直线边缘检测算法与灰度波动曲线、自适应双阈值，获得边界位置，定位分界线。本发明可以识别谷物边界线的位置，达到提高稻谷分离效率的目的。
Description
技术领域
本发明涉及谷糙分界线检测领域，更具体地，涉及一种基于直线边缘检测的谷糙分界线检测方法、设备及介质。
背景技术
谷糙分离是谷物加工的关键步骤之一，通常用于大米行业，目的是将稻谷(稻谷和稻壳)与糙米分离。在分离过程中，分离出的稻谷被送回砻谷，混合物被送回谷糙分离装置，而糙米则进入碾米机进行进一步加工。净化后的稻谷可以提高砻谷效率，并防止对设备的损坏。此外，净化的糙米可以提高脱壳效率，从而提高产量并降低成本。因此，提高谷糙分离设备的性能对提高水稻产量至关重要。
在提高水稻生产效率和能力方面，谷糙分离设备一直是研究的对象。然而，目前的研究主要集中在结构设计和机械调整方面。由于劳动力资源昂贵且效率低下，水稻的加工技术需要从传统的手工方法转变为基于自动化的精深加工。目前，各种设备和计算机程序已经被开发出来，以提高水稻生产的质量和产量。然而，关于智能升级谷糙分离设备的研究仍需进行。该分离设备的智能化程度低，导致与水稻产量和水稻质量有关的分离性能降低。
在上述受智能化影响的因素中，分离器上的分料装置的智能化控制是提高分离效率的关键问题，因为它可以准确地分离和筛选两种颗粒(稻谷和糙米)。这两种颗粒之间的边界线是根据重力差异和分离器振动时的皮肤摩擦形成的。当边界线的位置发生变化时，分选装置应尽可能靠近边界线，以获得最大分离效率。然而，目前控制分料装置的方法依赖于视觉判断，这可能导致错误并影响分选效率。此外，大米加工厂的嘈杂和粉尘环境给操作者带来了健康风险。
因此，有必要开发一种基于直线边缘检测的谷糙分界线检测方法、设备及介质。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种基于直线边缘检测的谷糙分界线检测方法、设备及介质，其可以识别谷物边界线的位置，达到提高稻谷分离效率的目的。
第一方面，本公开实施例提供了一种基于直线边缘检测的谷糙分界线检测方法，包括：
在出料口拍摄谷糙图像，获取初始图像；
针对所述初始图像进行预处理，进而进行分类提取颜色特征；
提取颜色特征后，通过直线边缘检测算法与灰度波动曲线、自适应双阈值，获得边界位置，定位分界线。
优选地，所述预处理包括：
使用双三次插值方法缩小所述初始图像的原始彩色图像的大小，并应用高斯滤波器进行处理。
优选地，进行分类提取颜色特征包括：
将表示籼米或糯米的相应标签分配给所述初始图像；
对所述初始图像的稻谷和糙米区域分别计算平均灰度值作为训练样本；
通过多个训练样本的稻谷糙米平均灰度差值和标签训练SVM模型；
将测试图像代入建立的SVM模型，计算测试结果；
若所述测试结果大于设定阈值，使用RGB模型，否则，就使用HIS模型。
优选地，所述平均灰度值为：
其中，f(x,y)为(x,y)处的灰度值。
优选地，通过直线边缘检测算法与灰度波动曲线、自适应双阈值，获得边界位置包括：
在高斯滤波后，通过求和运算提取图像中每一列的灰度值；
通过连接极值点，获得包含振幅梯度和极端点的灰度波动曲线；
如果相邻的极端点具有相似的极端值，则只保留最大的极端点，即为波动曲线上的局部最大值；
对相邻的极端点进行差分运算，得到自适应双阈值；
根据所述自适应双阈值过滤边缘，确定所述边界位置。
优选地，所述振幅梯度为：
G(k)＝F(k)-F(k-1)
所述极端点为：
优选地，所述自适应双阈值中的高阈值为：
TH＝mean(L)
低阈值为：
TL＝0.4TH。
优选地，根据所述自适应双阈值过滤边缘，确定所述边界位置包括：
若两个点的梯度值小于低阈值，则均不是边缘点；
若两个点的梯度值大于低阈值，则这两个点均是强边点；
所有的强边点均记为候选边缘点，结合边界线的灰度信息来过滤所述候选边缘点，将边缘点的横坐标通过坐标缩放进行变换，得到实际工作中分界线的位置。
第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的基于直线边缘检测的谷糙分界线检测方法。
第三方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的基于直线边缘检测的谷糙分界线检测方法。
其有益效果在于：
(1)利用SVM的训练集和测试集，根据前景(稻谷)和背景(糙米)的对比度对样本图像进行分类。颜色转换模型将具有低对比度的图像从RGB转换为HIS，相反，高对比度的图像则使用原始RGB图像进行处理，这种方法降低了HSI图像的硬件成本和处理时间。此外，在图像分类中结合两种成像系统，可以增强色彩特征提取。
(2)灰度波动曲线自适应地确定高、低阈值。自适应阈值取代了形态学和连通域处理的固定参数，在更大程度上保留了边缘信息。在直线边缘特征的基础上采用了Canny边缘检测算子，以减少谷糙分离图像的散乱颗粒分布而造成的假边缘问题。
本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的基于直线边缘检测的谷糙分界线检测方法的步骤的流程图。
图2示出了根据本发明的一个实施例的视觉检测系统布置的示意图。
图3示出了根据本发明的一个实施例的谷糙分离装置上的谷糙边界线的检测方法流程示意图。
图4a示出了根据本发明的一个实施例的糯米的原始RGB图像，图4b示出了根据本发明的一个实施例的糯米的灰度图像，图4c示出了根据本发明的一个实施例的糯米的二值化图像，图4d示出了根据本发明的一个实施例的籼米的原始RGB图像，图4e示出了根据本发明的一个实施例的籼米的灰度图像，图4f示出了根据本发明的一个实施例的籼米的二进制化图像，图4g示出了根据本发明的一个实施例的从图4d转换为HIS的示意图，图4h示出了根据本发明的一个实施例的二值化图像。
图5示出了根据本发明的一个实施例的使用SVM进行颜色特征提取的流程图。
图6示出了根据本发明的一个实施例的两类水稻分离图像的差异分析：训练样本的MGV差值分布的示意图。
图7a示出了根据本发明的一个实施例的谷糙分离图像上谷物的三维图像，图7b示出了根据本发明的一个实施例的谷糙分离图像上谷物的沿图像水平和垂直方向的灰度值。
图8示出了根据本发明的一个实施例的基于灰度波动曲线和双自适应阈值的改进Canny算法的灰度波动曲线的变化示意图。
图9示出了根据本发明的一个实施例的基于灰度波动曲线和双自适应阈值的改进Canny算法的边界线检测过程的示意图。
图10a示出了根据本发明的一个实施例的Canny方法和本方法确定边界位置的方法的绝对误差的散点图，图10b示出了根据本发明的一个实施例的使用Canny方法的直方图的绝对误差分布，图10c示出了根据本发明的一个实施例的使用本方法的直方图的绝对误差分布。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
为便于理解本发明实施例的方案及其效果，以下给出三个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
实施例1
图1示出了根据本发明的一个实施例的基于直线边缘检测的谷糙分界线检测方法的步骤的流程图。
如图1所示，该基于直线边缘检测的谷糙分界线检测方法包括：步骤101，在出料口拍摄谷糙图像，获取初始图像；步骤102，针对初始图像进行预处理，进而进行分类提取颜色特征；步骤103，提取颜色特征后，通过直线边缘检测算法与灰度波动曲线、自适应双阈值，获得边界位置，定位分界线。
在一个示例中，预处理包括：
使用双三次插值方法缩小初始图像的原始彩色图像的大小，并应用高斯滤波器进行处理。
在一个示例中，进行分类提取颜色特征包括：
将表示籼米或糯米的相应标签分配给初始图像；
对初始图像的稻谷和糙米区域分别计算平均灰度值作为训练样本；
通过多个训练样本的稻谷糙米平均灰度差值和标签训练SVM模型；
将测试图像代入建立的SVM模型，计算测试结果；
若测试结果大于设定阈值，使用RGB模型，否则，就使用HIS模型。
在一个示例中，平均灰度值为：
其中，f(x,y)为(x,y)处的灰度值。
在一个示例中，通过直线边缘检测算法与灰度波动曲线、自适应双阈值，获得边界位置包括：
在高斯滤波后，通过求和运算提取图像中每一列的灰度值；
通过连接极值点，获得包含振幅梯度和极端点的灰度波动曲线；
如果相邻的极端点具有相似的极端值，则只保留最大的极端点，即为波动曲线上的局部最大值；
对相邻的极端点进行差分运算，得到自适应双阈值；
根据自适应双阈值过滤边缘，确定边界位置。
在一个示例中，振幅梯度为：
G(k)＝F(k)-F(k-1)
极端点为：
在一个示例中，自适应双阈值中的高阈值为：
TH＝mean(L)
低阈值为：
TL＝0.4TH。
在一个示例中，根据自适应双阈值过滤边缘，确定边界位置包括：
若两个点的梯度值小于低阈值，则不是边缘点；
若两个点的梯度值大于低阈值，则这两个点均是强边点；
所有的强边点均记为候选边缘点，结合边界线的灰度信息来过滤候选边缘点，将边缘点的横坐标通过坐标缩放进行变换，得到实际工作中分界线的位置。
具体地，MGCZ重力式谷糙分离装置为一个由计算机和图像采集系统组成的视觉检测系统，该图像采集系统包括一个CCD(电荷耦合器件)单通道RGB摄像机(HIKVISION CO.,Ltd.,China；型号：MV-CS050-10GC)、一个环形工业(PHILIPS Co.,Ltd.,China；型号：T5-40W)和一个用于连接它们的支架。CCD相机拍摄的图像分辨率为24482048像素，帧率为24.2fps。工业光源的尺寸为16mm，外径为280mm。
作为实验的水稻品种，选择籼米和糯米作为基本的实验对象，构成了谷糙分离的图像。
图2示出了根据本发明的一个实施例的视觉检测系统布置的示意图。
在出料口拍摄谷糙图像，使用的相机距离拍摄区域0.8米，视场为655mm830mm。采用动态采集，速率为5fps。在照明实验后选择了黄色光源，因为这种黄色可以加强对黄色稻谷和淡黄色糙米的区分。相机被固定在照明设备的中间，并通过数据线连接到计算机上。图像的采集、处理和分析都是通过一个综合软件进行的，推荐使用MATLAB2017a分析软件。最后，通过谷糙分界线检测方法确定相应的分界线位置。视觉检测系统的布局如图2所示。
图3示出了根据本发明的一个实施例的谷糙分离装置上的谷糙边界线的检测方法流程示意图。
在收集到谷糙分离图像后，首先使用双三次插值方法将原始彩色图像的大小缩小到1000800，并应用高斯滤波器对这些图像进行预处理。然后，基于SVM将具有不同对比度的图像分为两类，以提取图像的颜色特征。根据分类结果，采取了不同的方法，包括RGB和HSI。最后，在分析了图像特征后，应用所提出的直线边缘检测算法，结合灰度波动曲线和自适应双阈值来获得这个边界位置，流程图如图3所示。双三次插值方法是一种图像处理技术，用于在图像缩放或旋转时增加图像的分辨率和清晰度，通过在原始像素之间插入更多的像素来实现这一点，从而使图像更加平滑。
由于工艺和品种特性的不同，不同的栽培品种、不同的工厂，甚至一个工厂内的栽培品种，分离装置上的谷物颜色特征也不同。普通水稻，如籼米和糯米，在加工属于它们的物料(稻谷和糙米)时，具有不同的颜色特征，导致分离装置上的稻谷分离图像的颜色信息不同。当使用RGB模型测试这些图像时，结果只有部分是最佳的，这可能会影响边缘检测的准确性。然而，在使用RGB和HSI模型的进一步测试中，获得了比较满意的结果。
图4a示出了根据本发明的一个实施例的糯米的原始RGB图像，图4b示出了根据本发明的一个实施例的糯米的灰度图像，图4c示出了根据本发明的一个实施例的糯米的二值化图像，图4d示出了根据本发明的一个实施例的籼米的原始RGB图像，图4e示出了根据本发明的一个实施例的籼米的灰度图像，图4f示出了根据本发明的一个实施例的籼米的二进制化图像，图4g示出了根据本发明的一个实施例的从图4d转换为HIS的示意图，图4h示出了根据本发明的一个实施例的二值化图像。
使用RGB模型，糯米的图像表现出清晰的分界线，而籼米的图像由于分界线界不清晰而效果不佳(图4b，图4e)。为了直观地展示这一现象，使用二值化的方法生成了二值图像，如图4c和图4f所示。对于这种现象，我们认为稻谷和糙米之间的低对比度是造成这种不良结果的主要因素。当水稻和糙米的颜色过于接近时，如籼米图像的情况，RGB模型的限制不能很好地区分它们。因此，需要额外的光谱信息来区分水稻和糙米(图4g-h)。
图5示出了根据本发明的一个实施例的使用SVM进行颜色特征提取的流程图。
如图5所示，使用SVM进行颜色特征提取的流程如下：
第1步 训练样本
将表示籼米或糯米的相应标签分配给图像。对图像的稻谷和糙米区域分别获得平均灰度值(MGV)。这两个平均灰度值之间的差值被计算出来用于进一步分析。MGV的公式如下：
其中，f(x,y)为(x,y)处的灰度值。
步骤2图像测试
每个训练样本图像的差值和标签被用来训练SVM模型。将测试图像送入建立的SVM模型，与对比度有关的测试结果就确定了。
第3步 结合RGB和HSI
对于一个有测试结果的图像，如果这个结果很大，就使用RGB模型(阳性样本)，否则，就使用HSI。最后，对这些图像进行灰度处理。
图6示出了根据本发明的一个实施例的两类水稻分离图像的差异分析：训练样本的MGV差值分布的示意图。
图6显示了600个训练样本(300个为籼米，300个为糯米)的MGV差值分布。从图6可以看出，籼米的MGV差值范围为12-38，集中在23-29。同时，糯米的灰度值较大，从48到97，集中在71-79。这两类的差值布在不同的范围内，重合度很小。因此，用SVM进行分类可以将这些图像分开。一旦完成训练样本的过程，就可以确定待测图片的颜色系统。
在相关研究中，Canny边缘检测算法经常被用来提取边缘特征。
由于分离装置的振动和谷粒的比重，谷粒的分布规律如下：稻谷的数量从左到右逐渐减少，在边界线附近，这个数量急剧减少。因此，在水平方向上，这种模式使图像的全局颜色信息逐渐变化，而边界线附近的局部颜色信息则突然变化。
图7a示出了根据本发明的一个实施例的谷糙分离图像上谷物的三维图像，图7b示出了根据本发明的一个实施例的谷糙分离图像上谷物的沿图像水平和垂直方向的灰度值。
为了进行上述分析，绘制了一幅三维谷糙分离图像，以便利用视觉分析灰度的变化规律，如图7a所示。同时，为了验证图像的灰度变化趋势，我们提取了每一列和每一行的灰度值之和。这一处理提供了一系列沿图像水平和垂直方向的灰度信息。每一列的灰度值f与方向x的关系遵循这个函数，如图7b所示。在图像的水平方向上，整体趋势逐渐减少；在垂直方向上，灰度值的大小没有明显的变化规律。因此，使用图像列信息进行边界线定位是可行的。
利用本方法中的SVM模型训练和测试样本，针对工厂内的稻米加工种类，选择合适的成像系统。根据实际条件，提供如下方案：
方案一：结果均为RGB，建议使用RGB成像系统。
方案二：结果均为HSI,建议使用HSI成像系统。
方案三：结果RGB和HSI均存在。在硬件成本足够时，建议使用HSI成像系统(高光谱相机)，精度高。
方案四：结果RGB和HSI均存在。在硬件成本有限，只能提供RGB成像系统(RGB相机)时，对那些需要使用HSI图像的样本，可使用RGB向HSI的转化算法。这样会增加算法运行时间，但精度仍较高。
方案五：结果RGB和HSI均存在。在硬件成本有限，只能提供RGB成像系统(RGB相机)时，对那些需要使用HSI图像的样本，可使用HSV灰度化。这样会减小算法运行时间，但精度减少。
这些方案的选取取决与加工稻谷的种类和成像硬件的成本。在后续的谷糙分离过程中，仍可继续增加稻谷种类训练SVM模型，以优化该视觉检测系统。
尽管如此，由于振动，一些谷物会出现在不属于它们的区域，特别是在右边的糙米区。由于Canny算子在进行边缘检测时是基于像素梯度的，它可能导致图像右侧的糙米区出现假边缘。因此，为了消除伪边缘的影响，在开始时经常使用经过处理的二值化图像进行边缘检测。然而，在获得的图像中，这种方法有几个限制。首先，由于属于图像的灰度直方图的单峰形状，大津方法相对来说不容易将前景和背景分开，它很容易受到光照等外部条件的影响。其次，后续处理，如形态学处理和连接域分析，需要不断手动调整参数，这在实践中往往会过度消除边缘信息。最后，使用线性拟合，传统的边缘检测方法扭曲了边界的准确定位。
本方法提出了一种基于灰度波动曲线和双自适应阈值的改进的Canny算法用于线性边缘检测。利用图像的灰度波动曲线与水平方向上的梯度来检测边缘，确保减少伪边缘和噪声。在这个边缘检测过程中，考虑了图像的两个主要特征，包括谷物的分布规律和直线边缘特征。此外，选择了自适应阈值，而不是与形态学和连接域步骤相关的固定参数，在更大程度上保留了边缘信息。具体来说，最初定义了与直线分料装置相结合的直线边缘，而没有在最后进行直线拟合。提出的方法和Canny算法的不同特点见表1。
表1
| 方法 | 处理的图像形式 | 阈值参数 | 线性拟合的阶段 |
| 传统Canny | 灰度图 | 固定 | 结束阶段 |
| 基于二值化图像的Canny | 二值图 | 固定 | 结束阶段 |
| 提出的Canny | 灰度图 | 自适应 | 开始阶段 |
以下为实现所提算法的步骤：
步骤1灰度波动曲线的形成
在高斯滤波之后，首先通过求和运算提取图像(m×n)中每一列的灰度值F(k)：
只要灰度值的总和准备好了，每一列就会因此受到微分算子的影响。这样，通过连接这些产生的极值点，就形成了一条包含一系列振幅梯度G(k)和极端点P(k,F(k))的灰度波动曲线。曲线的梯度大小和极端点的计算方法如下：
G(k)＝F(k)-F(k-1)
G(k)是第k列的梯度振幅。
步骤2非最大值的抑制
如果有几个相邻的极端点具有相似的极端值，则只保留最大的极端点。这个点是波动曲线上的局部最大值。
步骤3使用自适应双阈值过滤边缘点。
对相邻的极端点进行差分运算，得到自适应双阈值。假设P1(k1，F(k1))、P2(k2，F(k2))是被步骤2处理的两个相邻的极值点，这两个点的梯度大小为L：
之后，计算所有梯度大小的平均值，并设定为自适应阈值。自适应阈值设置公式定义为：
TH＝mean(L)
TL＝0.4TH
其中TH和TL代表高阈值和低阈值。
完成这些步骤后，使用自适应双阈值来过滤边缘。选择一个灰度值最小的极值点作为起点，计算其梯度振幅，检查曲线上的所有点。具体的过滤规则分为以下三种情况：
第一种情况：
L＜TL
则定义为被检查的点不是边缘点，跳过此点，继续检查。
L>TH
被定义为所检查的点是一个强边点，将其作为一个新的起点。
第二种情况：
TL<L<TH
被定义为所检查的点是一个强边点，将其作为一个新的起点。
步骤4过滤候选边缘点
结合边界线的灰度信息来过滤候选边缘点。将所有列灰度值的平均值设为TC：
位置处的边界灰度值接近于TC，所以比这个均值TC大得多或小得多的边缘点被去除的同时，去除由噪声引起的孤立的边缘点。最后，将边缘点(强边缘点和产生的候选边缘点)的横坐标通过坐标缩放进行变换，得到实际工作中分界线的位置。
图8示出了根据本发明的一个实施例的基于灰度波动曲线和双自适应阈值的改进Canny算法的灰度波动曲线的变化示意图。
图9示出了根据本发明的一个实施例的基于灰度波动曲线和双自适应阈值的改进Canny算法的边界线检测过程的示意图。
如图9所示，步骤1的灰度波动曲线使用极端点和振幅梯度来表示边界的边缘信息。尽管该曲线如预期的那样反映了整个图像的亮度变化，但由于采样步长较小和相邻列信息相似，它包含的微小波动会使边缘识别变得复杂。为了缓解这个问题，在步骤2中引入了局部非最大值抑制，这是一种平滑曲线的技术，以方便操作。由于步骤1中代表边缘的极端点太多，在这个步骤2中用细红线来代表潜在的边缘。
步骤2显示了局部非最大值抑制后的灰度波动曲线。这种处理方法有效地减少了需要进一步分析的极端点的数量，删除了曲线上不必要的细节，并保留了图像的基本趋势。剩余的极端点表示曲线的局部波动，对于提取重要的突变信息是有效的。
步骤3显示了自适应双重阈值处理后的结果。曲线上的弱边缘点被去除。剩下的九个极端点，包括强边缘和候选边缘，是最大梯度下降的边界线的边缘点。此外，可以看出，步骤3中的边缘对应于步骤2中的边缘比较集中的位置。
步骤4显示了通过过滤候选边缘得到的曲线。在灰度图像中，边界位于黑色和白色像素之间。它向左倾斜，边界位置的灰度值比所有列平均值更低。这种灰度特性有效地抑制了虚假的边缘点。最后，在图像中只留下真正的边缘点。
图像采集是为了建立一个数据集来评估我们提出的方法的准确性，其中包括四组糯米图像和四组籼米图像，共800张图片。每组图像都是在不同的时间收集的。在色彩特征提取的过程中，建立了一个训练集。同时，模型的性能由测试集显示。训练集和测试集的分配如下：训练集由600对图像组成，其中300张是籼米，300张是糯米。剩下的200张图像作为测试集。在边缘特征检测之前，对训练集和测试集的所有样本图像进行了颜色特征提取。
设计两个实验，一个是SVM模型的准确性实验，一个是边缘检测的对比实验，以评估所提出的算法的检测效果。为了验证训练有素的SVM模型，准确性实验旨在评估基于不同水稻品种分类结果的混淆矩阵。在比较实验中，通过直观地比较所提出的边缘检测算法与Canny算法的检测结果来评估其性能。这种视觉分析可以直接了解两种边缘检测算法的优势和劣势。
利用MGV差异的颜色特征，SVM模型准确地识别了谷糙分离的样本图像的类别，混淆矩阵显示在表2中。在这个准确性实验中，使用SVM模型对200张测试图像进行分类，结果有195张正确识别的图像和5张错误识别的图像。SVM模型的分类精度为97.5％，精确率为98.0％，召回率为97.0％。
表2
召回率低的原因是训练后的图像中存在某些杂质，导致分类性能下降。稻米区域存在桔梗杂质，与糙米区域的颜色接近，降低了MGV差异的值。因此，在分析这些测试样本时，SVM输出了错误的类标签。
MGV差值与水稻分离图像的类型有关。通过使用SVM模型，我们可以更好地对这些图像进行分类。同时，MGV差异是决定是否使用HSI模型的一个指标。因此，SVM分类的良好性能有助于对颜色模型的选择。
选择籼米和糯米两张图片作为原始图像，将Canny(基于灰度和二进制图像)与提出的Canny算法进行比较。目标边缘是稻谷和糙米之间的边界线。为了更直接的比较，在原始图像上画出这两种算法的边缘结果，改进后的运算法则的检测结果很好，图像边缘清晰可见，符合人类专家在谷糙分离器设备上估计的边界。
然而，基于灰度图像的Canny算法的结果视觉效果很差，造成假边缘，无法区分边界。是因为具有分散分布和相似灰度的糙米粒被构建为边缘。此外，这种Canny算法在这些情况下的性能是有限的，因为它仅仅依靠局部邻域内的最大值来确定边缘点，这可能会导致将弱点误认成强边缘点。因此，当图像的目标和背景具有相似的灰度值时，应用Canny算法可能会导致夸大的背景边界，从而掩盖了前景目标。
还应用基于二进制图像的Canny算法。尽管这种方法比前面的方法表现得更好，但仍然出现了一些虚假和不连续的边缘。这是因为一些固定的阈值，如梯度分割和连接区域阈值，需要根据视觉结果手动调整。这种手工操作的不确定性会导致不连续的线段或噪声点，从而导致实际边缘点的丢失。此外，确定的边界边缘需要拟合成直线，这增加了运行时间，并给算法引入了额外的误差。
本方法改进的Canny算法是根据灰度波动曲线进行智能计算的，有效减少了人为因素的干扰。此外，该方法直接获得线性分界线，更适用于分离设备中分料装置的工作条件。
为了评估本方法(包括颜色提取和边缘检测)获得的边界线位置的准确性，将本方法和Canny方法检测的位置与人类专家确定的位置进行了比较。观察每幅图像中边界线的实际位置，并将其视为分离装置中分界线的数值。基于Canny方法或拟议方法计算的边界线位置被视为计算值。然后，边界线位置的绝对误差和相对误差/>分别计算如下：
图10a示出了根据本发明的一个实施例的Canny方法和本方法确定边界位置的方法的绝对误差的散点图，图10b示出了根据本发明的一个实施例的使用Canny方法的直方图的绝对误差分布，图10c示出了根据本发明的一个实施例的使用本方法的直方图的绝对误差分布。
图10a-c显示了两种确定边界位置的方法的误差分析。图10a显示了绝对误差的散点图；图10b-c用直方图描述了误差分布。Canny方法表现出更高的误差分散性，范围从-3.82cm到-0.27cm。相比之下，本方法产生的误差更集中在-1.32厘米到-0.57厘米的范围内。此外，Canny方法的误差集中在-2.4cm到-1.0cm之间，而本方法产生的误差在-0.6cm到0cm之间。
两种方法都倾向于高估边界位置，误差值为负(loc1＜loc2)。也就是说，本方法计算出的位置通常略微偏向实际边界的右边。这一趋势需要进一步调查，因为它可能影响到稻谷的分离。
与Canny方法有关的局限性来自于对形态学处理的手动参数选择的依赖。对于含有低对比度的图像，需要进行多次侵蚀操作，导致边界向右偏移的倾斜。此外，本方法是利用极端点来获得边界线，极端点之间的边缘信息也会影响边界位置，具有类似的右倾边界的趋势。
实施例2
本公开提供一种电子设备包括，该电子设备包括：存储器，存储有可执行指令；处理器，处理器运行存储器中的可执行指令，以实现上述基于直线边缘检测的谷糙分界线检测方法。
根据本公开实施例的电子设备包括存储器和处理器。
该存储器用于存储非暂时性计算机可读指令。具体地，存储器可以包括一个或多个计算机程序产品，该计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
该处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制电子设备中的其它组件以执行期望的功能。在本公开的一个实施例中，该处理器用于运行该存储器中存储的该计算机可读指令。
本领域技术人员应能理解，为了解决如何获得良好用户体验效果的技术问题，本实施例中也可以包括诸如通信总线、接口等公知的结构，这些公知的结构也应包含在本公开的保护范围之内。
有关本实施例的详细说明可以参考前述各实施例中的相应说明，在此不再赘述。
实施例3
本公开实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的基于直线边缘检测的谷糙分界线检测方法。
根据本公开实施例的计算机可读存储介质，其上存储有非暂时性计算机可读指令。当该非暂时性计算机可读指令由处理器运行时，执行前述的本公开各实施例方法的全部或部分步骤。
上述计算机可读存储介质包括但不限于：光存储介质(例如：CD－ROM和DVD)、磁光存储介质(例如：MO)、磁存储介质(例如：磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如：存储卡)和具有内置ROM的媒体(例如：ROM盒)。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种基于直线边缘检测的谷糙分界线检测方法，其特征在于，包括：
在出料口拍摄谷糙图像，获取初始图像；
针对所述初始图像进行预处理，进而进行分类提取颜色特征；
提取颜色特征后，通过直线边缘检测算法与灰度波动曲线、自适应双阈值，获得边界位置，定位分界线。
2.根据权利要求1所述的基于直线边缘检测的谷糙分界线检测方法，其中，所述预处理包括：
使用双三次插值方法缩小所述初始图像的原始彩色图像的大小，并应用高斯滤波器进行处理。
3.根据权利要求1所述的基于直线边缘检测的谷糙分界线检测方法，其中，进行分类提取颜色特征包括：
将表示籼米或糯米的相应标签分配给所述初始图像；
对所述初始图像的稻谷和糙米区域分别计算平均灰度值作为训练样本；
通过多个训练样本的稻谷糙米平均灰度差值和标签训练SVM模型；
将测试图像代入建立的SVM模型，计算测试结果；
若所述测试结果大于设定阈值，使用RGB模型，否则，就使用HIS模型。
4.根据权利要求3所述的基于直线边缘检测的谷糙分界线检测方法，其中，所述平均灰度值为：
MGV＝Mean(∑f(x，y))
其中，f(x，y)为(x，y)处的灰度值。
5.根据权利要求1所述的基于直线边缘检测的谷糙分界线检测方法，其中，通过直线边缘检测算法与灰度波动曲线、自适应双阈值，获得边界位置包括：
在高斯滤波后，通过求和运算提取图像中每一列的灰度值；
通过连接极值点，获得包含振幅梯度和极端点的灰度波动曲线；
如果相邻的极端点具有相似的极端值，则只保留最大的极端点，即为波动曲线上的局部最大值；
对相邻的极端点进行差分运算，得到自适应双阈值；
根据所述自适应双阈值过滤边缘，确定所述边界位置。
6.根据权利要求1所述的基于直线边缘检测的谷糙分界线检测方法，其中，所述振幅梯度为：
G(k)＝F(k)-F(k-1)
所述极端点为：
7.根据权利要求1所述的基于直线边缘检测的谷糙分界线检测方法，其中，所述自适应双阈值中的高阈值为：
TH＝mean(L)
低阈值为：
TL＝0.4TH。
8.根据权利要求1所述的基于直线边缘检测的谷糙分界线检测方法，其中，根据所述自适应双阈值过滤边缘，确定所述边界位置包括：
若两个点的梯度值小于低阈值，则不是边缘点；
若两个点的梯度值大于低阈值，则这两个点均是强边点；
所有的强边点均记为候选边缘点，结合边界线的灰度信息来过滤所述候选边缘点，将边缘点的横坐标通过坐标缩放进行变换，得到实际工作中分界线的位置。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有可执行指令；
处理器，所述处理器运行所述存储器中的所述可执行指令，以实现权利要求1-8中任一项所述的基于直线边缘检测的谷糙分界线检测方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1-8中任一项所述的基于直线边缘检测的谷糙分界线检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311655417.7A CN117808836A (zh) | 2023-12-05 | 2023-12-05 | 基于直线边缘检测的谷糙分界线检测方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311655417.7A CN117808836A (zh) | 2023-12-05 | 2023-12-05 | 基于直线边缘检测的谷糙分界线检测方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117808836A true CN117808836A (zh) | 2024-04-02 |
Family
ID=90428994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311655417.7A Pending CN117808836A (zh) | 2023-12-05 | 2023-12-05 | 基于直线边缘检测的谷糙分界线检测方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808836A (zh) |
-
2023
- 2023-12-05 CN CN202311655417.7A patent/CN117808836A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106846316B (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
| Putzu et al. | White blood cells identification and counting from microscopic blood images | |
| Barbedo | A novel algorithm for semi-automatic segmentation of plant leaf disease symptoms using digital image processing | |
| US20100040276A1 (en) | Method and apparatus for determining a cell contour of a cell | |
| US9239281B2 (en) | Method and device for dividing area of image of particle in urine | |
| CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
| CN112991302B (zh) | 基于超像素的柔性ic基板变色缺陷检测方法和装置 | |
| CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
| Gujjar et al. | A method for identification of basmati rice grain of india and its quality using pattern classification | |
| CN112801049B (zh) | 图像分类方法和装置及设备 | |
| Zakaria et al. | Object shape recognition in image for machine vision application | |
| CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| CN111369523B (zh) | 显微图像中细胞堆叠的检测方法、系统、设备及介质 | |
| Niu et al. | Image segmentation algorithm for disease detection of wheat leaves | |
| JP2024050880A (ja) | 文字分割方法、装置、および、コンピュータ可読記憶媒体 | |
| CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
| Kiruthika et al. | Matching of different rice grains using digital image processing | |
| CN113658207A (zh) | 一种基于引导滤波的视网膜血管分割方法及装置 | |
| US7646892B2 (en) | Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium | |
| CN117808836A (zh) | 基于直线边缘检测的谷糙分界线检测方法、设备及介质 | |
| US8811741B2 (en) | Differentiated processing method of image zones | |
| WO2022124007A1 (ja) | オブジェクト分類装置、オブジェクト分類システム及びオブジェクト分類方法 | |
| CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 | |
| Iwai et al. | Automatic diagnosis supporting system for cervical cancer using image processing | |
| CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 |
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 |