一种基于机器视觉的玉米种子在线破损检测分类方法技术

本发明专利技术涉及机器视觉检测技术领域，具体为一种基于机器视觉的玉米种子在线破损检测分类方法。其过程主要包括：玉米种粒图像采集、图像降噪及分割等预处理、玉米种粒特征值提取、图像Hu不变矩特征参数提取、支持向量机（SVM）识别模型的建立、SVM识别模型检测。其特征如下：通过玉米种子在线破损检测分类方法可以识别破损玉米种粒，并能将破损玉米种粒与完整玉米种粒分离。设计了一种图像分割方法，可以将玉米种粒图像从背景图像中分割出来；将Hu不变矩应用到玉米种粒特征中，提取了玉米种粒包括7个Hu不变矩在内的16个特征值；建立了SVM玉米种粒破损识别模型，能准确高效的识别出破损玉米种粒并将其与完整玉米种粒分离。

A machine vision based online damage detection and classification method for corn seeds

The invention relates to the field of machine vision detection technology, in particular to a corn seed on-line damage detection and classification method based on machine vision. The process mainly includes: corn seed image acquisition, image denoising and segmentation preprocessing, corn seed feature extraction, image Hu invariant moment feature extraction, support vector machine (SVM) recognition model and SVM identification model detection. The characteristics are as follows: the broken corn seed can be identified by the on-line damage detection and classification method of corn seed, and the damaged corn seed can be separated from the whole corn seed. A method of image segmentation is designed to divide the corn seed image from the background image. The Hu moment invariant moment is applied to the corn seed characteristics, and 16 eigenvalues of corn seed grains, including 7 Hu moments, are extracted, and the identification model of SVM corn seed damage is established, which can accurately and efficiently identify the damaged corn species. The grain is separated from the whole corn seed.

【技术实现步骤摘要】
一种基于机器视觉的玉米种子在线破损检测分类方法
本专利技术涉及机器视觉检测
，具体为一种基于机器视觉的玉米种子在线破损检测分类方法。
技术介绍
我国是农业生产大国，玉米是我国十分重要粮食作物之一，与粮食安全与粮食生产紧密相关，其战略地位十分重要。机器视觉技术是在20世纪70年代初在生物医学图像和遥感图像处理两项应用中取得不俗成果后开始逐渐发展起来的。随着计算机技术的高速发展，计算机的性价比和处理速度不断提高，为机器视觉相关技术的研究和应用奠定了坚实的基础。机器视觉检测技术与人工检测技术相比，检测精度高、速度快、信息量大、重复性好，在谷物外观品质检测领域的发展及应用前景十分广阔。机器视觉技术在谷物外观品质检测中的应用有：农产品及作物种子表面裂纹检测、农作物种子精选及分级、根据农产品表面信息进行损伤缺陷检测并进行分级等。机器视觉检测技术逐渐取代人工检测，是自动化检测发展的必然趋势。
技术实现思路
本专利技术的目的在于提供一种基于机器视觉的玉米种子在线破损检测及分类方法，此方法精确高效，可以实现玉米种粒的在线破损识别及自动分类。为实现上述目的，本专利技术的解决方案如下：一种基于机器视觉的破损玉米种子在线破损检测分类方法，主要包含以下步骤：步骤1：利用图像采集装置采集单粒玉米种粒图像，并将玉米种粒图像转化为灰度图像；步骤2：利用差影法分析图像噪声类型，判断噪声类型为椒盐噪声，并采用中值滤波法对图像进行初步降噪处理；步骤3：提取图像的灰度直方图并对其进行分析，采用灰度阈值法中的二值化处理对图像进行分割，完成玉米种粒图像同背景图像的分割；步骤4：将二值分割后的图像进行闭合区域筛选，将最小像素值设为100，忽略图像中闭合区域低于最小像素值的区域，完成整个玉米种粒图像预处理过程；步骤5：提取预处理过的图像中玉米种粒的的几何特征参数，包含周长、面积、周长面积比、长轴长、短轴长、长宽比；步骤6：提取图像中玉米种粒的形状几何参数，包含矩形度、圆形度、紧凑度；步骤7：提取图像中玉米种粒的7个Hu不变矩形状特征参数。输入预处理后的图像，计算其零阶矩、一阶矩、二阶矩及三阶矩，归一化中心矩从而得到7个Hu不变矩参数；步骤8：选择径向基函数（RBF）作为支持向量机（SVM）的核函数；步骤9：将训练样本图像进行预处理后进行特征参数提取，将几何特征和形状特征共16个特征参数归一化并构造核矩阵H{1，1}后输入支持向量机分类器，将样本的特征参数映射到线性可分的特征空间中，计算权值向量W及超平面系数b，最终构造出最优分类超平面并通过训练获得玉米种粒破损识别模型。输出值为1、0，分别代表“合格”、“不合格”；步骤10：对构造的玉米种粒破损识别模型进行验证。将测试样本图像进行图像预处理及特征提取，将提取的16个特征值归一化并构造核矩阵后输入训练好的玉米种粒破损识别模型中，统计识别正确率；步骤11：对玉米种粒图像的Hu不变矩的旋转、缩放及平移不变性进行试验验证。附图说明图1是本专利技术的图像采集装置示意图。图2是本专利技术的玉米种粒破损识别检测流程图。图3是本专利技术的玉米种粒图像预处理流程图。图4是本专利技术的玉米种粒图像降噪示实例图。图5是本专利技术的玉米种粒图像分割实例图。图6是本专利技术的玉米种粒特征提取的示意图。图7是本专利技术的玉米种粒几何及形状特征参数示意图。图8是本专利技术的Hu不变矩提取流程图。具体实施方式下面结合附图所示的各实施方式对本专利技术的作进一步的详细说明。参照图1，本专利技术的图像采集装置，其结构主要包括：CCD工业相机[1]、LED环形光源排[2]、图像采集区[3]、支架[4]。参照图2，本专利技术的玉米种粒破损识别检测流程图，将采集的图像样本分为训练样本和测试样本，将测试样本图像经预处理后提取16个几何特征及形状特征值，将训练样本的16个特征值归一化后建立核矩阵输入SVM分类器进行训练，得到最优分类超平面从而得到SVM玉米种粒破损识别模型，将测试样本图像同样进行图像预处理及特征提取后输入训练得到的玉米破损种粒SVM识别模型，输出检测结果1、0，分别代表“合格”、“不合格”。参照图3，本专利技术的图像预处理流程图，将采集的玉米种粒彩色图像转化为灰度图像，并利用差影法判断玉米种粒图像噪声类型，判断结果为椒盐噪声并采用中值滤波法对图像进行全局初步降噪，采用灰度阈值法中的二值化处理对图像进行分割，完成玉米种粒图像同背景图像的分割，最后通过将二值分割后的图像进行闭合区域筛选，将最小像素值设为100，忽略图像中闭合区域低于最小像素值的区域，完成玉米种粒图像的区域降噪处理。参照图4，本专利技术的玉米种粒降噪实例图，左图为灰度化后的玉米种粒图像，中图为将连续拍摄的两幅玉米种粒图像作减法运算得到的差影法分析图，右图为经过降噪处理后的玉米种粒图像。由左右两幅图像对比可清晰看出，经降噪处理后的玉米种粒图像大部分椒盐噪点已经去除，但仍留有部分大的噪点或杂质点。参照图5，本专利技术的玉米种粒图像分割实例图，左图为经初步降噪后的玉米种粒图像，中图为二值化分割后的玉米种粒图像，右图为忽略像素值小于100像素的闭合区域之后的图像，由图中可清晰看出经忽略像素值小于100像素的闭合区域处理的二值分割图像，效果较好，可将玉米种粒图像从背景图像中分割出来。参照图6，玉米种粒特征提取的示意图，本专利技术提取了玉米种粒的16个特征值，包括周长（L）、面积（S）、周长面积比（L/S）、长轴长（Lab）、短轴长（Lcd）、长宽比（Lab/Lcd）6个几何特征和矩形度（S/S1）、圆形度（4πS/L2）、紧凑度（S/Lab）、7个Hu不变矩10个形状特征。其几何及形状特征参数示意图参照图7。参照图8，Hu不变矩提取流程图，首先计算经预处理的玉米种粒图像的0阶矩和1阶矩，其次计算其3阶一下的中心矩，然后将中心矩归一化，最后提取出图像7个Hu不变矩。本文档来自技高网...

【技术保护点】
一种基于机器视觉的玉米种子在线破损检测分类方法，其过程主要包括：玉米种粒图像采集、图像降噪及分割等预处理、玉米种粒特征值提取及Hu不变矩特征参数提取、支持向量机（SVM）破损玉米种粒识别模型的建立、SVM破损玉米种粒识别模型检测，其特征如下：通过玉米种子在线破损检测分类方法可以识别破损玉米种粒，并能实现将破损玉米种粒与完整玉米种粒分类功能；设计了一种图像分割方法，可以将玉米种粒图像从背景图像中分割出来；将Hu不变矩应用到玉米种粒特征中，提取了玉米种粒包括7个Hu不变矩在内的16个特征值；建立了SVM玉米种粒破损识别模型，能准确高效的识别出破损玉米种粒并将其与完整玉米种粒分类；所述玉米种粒图像采集装置，由CCD工业相机[1]、LED环形光源排[2]、图像采集区[3]、支架[4]组成，其特征是：CCD工业相机安装在通过螺纹杆连接在支架上，相机光轴与图像采集区垂直，LED环形光源安装在CCD镜头上，并与CCD光轴同轴；所述图像降噪及分割等预处理，主要包括：玉米种粒彩色图像灰度化处理、通过差影法分析图像噪声类型、利用中值滤波法对图像进行全局初步降噪处理、采用灰度阈值法中的二值化处理对图像进行分割、忽略图像中像素值小于100的闭合区域，其特征是：通过差影法分析了玉米种粒噪声图像，并对分割后的二值图像进行了忽略像素值小于100的闭合区域工作，使玉米种粒图像从背景图像完整分割出来；所述玉米种粒特征值提取，主要提取了玉米种粒的6个几何特征值，包含周长、面积、周长面积比、长轴长、短轴长、长宽比；10个形状特征值，包含矩形度、圆形度、紧凑度和7个Hu不变矩，其特征在于：将Hu不变矩应用到玉米种粒的特征提取中，提取出了玉米种粒的7个Hu不变矩特征，并通过试验证明玉米种粒图像的Hu不变矩具有旋转、缩放、平移不变性；所述支持向量机（SVM）破损玉米种粒识别模型的建立，其流程包括：选择径向基函数（RBF）作为支持向量机（SVM）的核函数、将训练样本图像进行预处理后进行特征参数提取、将几何特征和形状特征共16个特征参数归一化并构造核矩阵H{1，1}后输入支持向量机分类器、将样本的特征参数映射到线性可分的特征空间中，计算权值向量W及超平面系数b、最终构造出最优分类超平面并通过训练获得玉米种粒破损识别模型，输出值为1、0，分别代表“合格”、“不合格”；所述SVM破损玉米种粒识别模型的检测，其流程包括：将测试样本图像进行图像预处理及特征提取、将提取的16个特征值归一化并构造核矩阵后输入训练好的玉米种粒破损识别模型中、统计输出结果、计算识别正确率。...

【技术特征摘要】
1.一种基于机器视觉的玉米种子在线破损检测分类方法，其过程主要包括：玉米种粒图像采集、图像降噪及分割等预处理、玉米种粒特征值提取及Hu不变矩特征参数提取、支持向量机（SVM）破损玉米种粒识别模型的建立、SVM破损玉米种粒识别模型检测，其特征如下：通过玉米种子在线破损检测分类方法可以识别破损玉米种粒，并能实现将破损玉米种粒与完整玉米种粒分类功能；设计了一种图像分割方法，可以将玉米种粒图像从背景图像中分割出来；将Hu不变矩应用到玉米种粒特征中，提取了玉米种粒包括7个Hu不变矩在内的16个特征值；建立了SVM玉米种粒破损识别模型，能准确高效的识别出破损玉米种粒并将其与完整玉米种粒分类；所述玉米种粒图像采集装置，由CCD工业相机[1]、LED环形光源排[2]、图像采集区[3]、支架[4]组成，其特征是：CCD工业相机安装在通过螺纹杆连接在支架上，相机光轴与图像采集区垂直，LED环形光源安装在CCD镜头上，并与CCD光轴同轴；所述图像降噪及分割等预处理，主要包括：玉米种粒彩色图像灰度化处理、通过差影法分析图像噪声类型、利用中值滤波法对图像进行全局初步降噪处理、采用灰度阈值法中的二值化处理对图像进行分割、忽略图像中像素值小于100的闭合区域，其特征是：通过差影法分析了玉米种粒噪声图像，并对分割后的二值图像进行了忽略像素值小于100的闭合区域工作，使玉米种粒图像从背景图像完整分割出来；所述玉米种粒特征值提取，主要提取了玉米种粒的6个几何特征值，包含周长、面积、周长面积比、长轴长、短轴长、长宽比；10个形状特征值，包含矩形度、圆形度、紧凑度和7...

【专利技术属性】
技术研发人员：赵静，崔欣，徐文腾，马伟童，杨焕波，李志铭，鲁文霞，王伟，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：山东,37