基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法技术

一种基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法，包括以下步骤：步骤1：提供已知品种的颗粒状原料样本的图像；步骤2：对步骤1提供的图像进行预处理，分割颗粒状原料和采样背景；步骤3：根据步骤2中分割出的图像区域，提取颗粒状原料对应的色彩空间信息，以及形态学参数特征；步骤4：对步骤3得到的颗粒状原料的颜色和形状特征，进行数据降维处理；步骤5：使用步骤4降维处理后的数据训练颗粒品种分类器，得到掺杂辨别模型；步骤6：拍摄待检测颗粒状原料的图像；步骤7：对步骤6中采集到的图像进行预处理，进行数据降维处理，利用步骤5训练得到的模型对分割出的颗粒状原料进行品种识别，并计算掺杂率。并计算掺杂率。并计算掺杂率。

【技术实现步骤摘要】
基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法


[0001]本专利技术涉及一种基于机器视觉掺杂检测领域，尤其涉及一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法。

技术介绍

[0002]酒是中华民族的传统文化，是五千年华夏文明中的瑰宝，但目前我国的白酒制造行业还属于劳动密集型行业，机械化程度低，大部分的白酒企业还处于手工操作生产的原始模式。近年来，受到劳动力成本不断攀升、土地资源日益紧张以及国家发展高效、低耗产业政策的影响，中国白酒酿造生产行业进行技术革新、改变传统的生产方式已经迫在眉睫，数字化及智能化是其未来发展方向。
[0003]目前，白酒无论是酱香型还是浓香型其酿造工艺都以固态发酵为主，酿造过程中用到多种颗粒类原料，包括粮食、酒曲及稻壳、糠壳等。以高粱为例，它的营养成分及物理性质使其具有出酒率高、酿酒清冽香醇的特点，远胜其它禾谷、薯类、豆类等粮食作物，我国的主要白酒多使用高粱作为酿造主料。研究表明，不同产地、品种的高粱在直链淀粉、支链淀粉、蛋白质、丹宁酸、脂肪等成分上有变化，最终会影响出酒的品质和产量。而实际生产中，常有以次充好将粳高粱掺入糯高粱的情况，损害了酿酒成品质量的一致性，也降低了生产效益。
[0004]因此，对于高粱原料的来源和品种进行监测是固态酿造白酒工艺过程中的重要环节。然而，现有的原料检验多通过人工抽取样本并观察筛分的方法进行，其对工人经验的依赖程度较大，机械化自动化的程度仍然较低，在精确程度与时间成本方面都还有很大的提升空间。具体的，目前实验室研究常采用生物化学方法、近红外光谱和高光谱成像方式辨别不同品种颗粒状原料，但前者需要研磨粉碎，耗时较长，后两者设备较昂贵，均不适合大规模应用到工业生产中。

技术实现思路

[0005]有鉴于此，本专利技术提供一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法，该方法的自动化程度高，精确度高，且省时省力。
[0006]一种基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法，包括以下步骤：
[0007]步骤1：提供已知品种的颗粒状原料样本的图像；步骤2：对步骤1提供的图像进行预处理，分割颗粒状原料和采样背景；步骤3：根据步骤2中分割出的图像区域，提取颗粒状原料对应的色彩空间信息，以及形态学参数特征；步骤4：对步骤3得到的颗粒状原料的颜色和形状特征，进行数据降维处理；步骤5：使用步骤4降维处理后的数据训练颗粒品种分类器，得到掺杂辨别模型；步骤6：将待检测颗粒状原料分散开，并拍摄待检测颗粒状原料的图像；步骤7：对步骤6中采集到的图像进行预处理，分割颗粒状原料和采样背景，提取颜色和形状特征，进行数据降维处理，利用步骤5训练得到的掺杂辨别模型对分割出的颗粒状原料进行品种识别，采用伪着色法标注出正常与杂质颗粒，并计算掺杂率。
[0008]与现有技术相比，本专利技术提供的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法，可以实现对制酒颗粒状原料的持续采样及粒度在线测量，同时建立样本模型数据库，便于不断迭代提升模型，对酿造行业数字化及智能化生产和精细化管理提供技术支持。另外，所述基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法有助于为酒品分级以及精细化的管理提供必要的数据支撑，让原料配比不再全靠人工，提高精确度。而且，本实施例的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法可以快速无损检测高粱颗粒品种，促进了固态白酒酿造工业的数字化改造及生产效率的提升。
附图说明
[0009]图1是本专利技术实施例的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法的算例算法流程图。
[0010]图2是本专利技术实施例的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法中图像预处理效果图。
[0011]图3是本专利技术实施例的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法中粳高粱与糯高粱形状参数分布直方图及概率密度函数拟合曲线。
[0012]图4是本专利技术实施例的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法的掺杂分辨效果图。
[0013]如下具体实施方式将结合上述附图进一步说明本专利技术。
具体实施方式
[0014]下面将结合附图及具体实施例对本专利技术提供的基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法作进一步的详细说明。
[0015]一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法，其具体步骤包括：
[0016]步骤1：提供已知品种的颗粒状原料样本的图像；
[0017]步骤2：对步骤1提供的图像进行预处理，分割颗粒状原料和采样背景；
[0018]步骤3：根据步骤2中分割出的图像区域，提取颗粒状原料对应的色彩空间信息，以及形态学参数特征；
[0019]步骤4：对步骤3得到的颗粒状原料的颜色和形状特征，进行数据降维处理；
[0020]步骤5：使用步骤4降维处理后的数据训练颗粒品种分类器，得到掺杂辨别模型；
[0021]步骤6：将待检测颗粒状原料分散开，并拍摄待检测颗粒状原料的图像；
[0022]步骤7：对步骤6中采集到的图像进行预处理，分割颗粒状原料和采样背景，提取颜色和形状特征，进行数据降维处理，利用步骤5训练得到的掺杂辨别模型对分割出的颗粒状原料进行品种识别，采用伪着色法标注出正常与杂质颗粒，并计算掺杂率。
[0023]具体的，在步骤1中，可以使用低成本的视觉传感器，如CCD工业相机等，拍摄已知品种的颗粒状原料样本的图像。
[0024]在步骤2中，对图像进行预处理的操作具体为，亮度均衡、图像二值化、去噪、膨胀腐蚀、计算连通图、计算阈值分割颗粒状原料与图像背景。
[0025]在步骤3中，色彩空间信息包括RGB通道数据及由之计算得到的CIELAB、HSV颜色表示；形态学参数特征包括如面积、周长、长短轴直径、离心率、圆度、长短轴直径比等颗粒图
像区域提取的形状信息。
[0026]在步骤4中，数据降维处理可以使用PCA及其衍生算法、聚类以及MDS、LLE等流形学习算法。
[0027]在步骤5中，训练颗粒品种分类器可以使用PLS、SVM等模型。
[0028]在步骤6中，将待检测颗粒状原料放置于振动台，利用振动台将待检测颗粒状原料分散开，减少待检测颗粒状原料颗粒粘连。并采用CCD工业相机等拍摄待检测颗粒状原料的图像。
[0029]在步骤7中，对图像进行预处理的操作具体为，亮度均衡、图像二值化、去噪、膨胀腐蚀、计算连通图、计算阈值分割颗粒状原料与图像背景。颜色特征具体为RGB通道数据及由之计算得到的CIELAB、HSV颜色表示；形状特征具体为面积、周长、长短轴直径、离心率、圆度、长短轴直径比等颗粒图像区域提取的形状信息。数据降维处理可以使用PCA及其衍生算法、聚类以及MDS、LLE等流形学习算法。
[0030]请参阅图1，本专利技术实施例提供一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法，其具体步骤包括：
[0031]步骤1：提供粳高粱与糯高粱两种高粱的图像。具体的，可以采用CCD工业相机拍摄粳高粱与糯高粱样本的图像。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法，包括以下步骤：步骤1：提供已知品种的颗粒状原料样本的图像；步骤2：对步骤1提供的图像进行预处理，分割颗粒状原料和采样背景；步骤3：根据步骤2中分割出的图像区域，提取颗粒状原料对应的色彩空间信息，以及形态学参数特征；步骤4：对步骤3得到的颗粒状原料的颜色和形状特征，进行数据降维处理；步骤5：使用步骤4降维处理后的数据训练颗粒品种分类器，得到掺杂辨别模型；步骤6：将待检测颗粒状原料分散开，并拍摄待检测颗粒状原料的图像；步骤7：对步骤6中采集到的图像进行预处理，分割颗粒状原料和采样背景，提取颜色和形状特征，进行数据降维处理，利用步骤5训练得到的掺杂辨别模型对分割出的颗粒状原料进行品种识别，采用伪着色法标注出正常与杂质颗粒，并计算掺杂率。2.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法，其特征在于，在步骤1中，使用视觉传感器拍摄已知品种的颗粒状原料样本的图像。3.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法，其特征在于，在步骤2和步骤7中，所述对图像进行预处理的操作具体为亮度均衡、图像二值化、去噪、膨胀腐蚀、计算连通图、计算阈值分割颗粒状原料与图像背景。4.如权利要求1所述的基于机器视觉的固态酿造制酒颗粒状原料掺杂鉴别方法，其特征在于，在步骤3中，...

【专利技术属性】
技术研发人员：彭黎辉，杨尚霖，毛治齐，曹丽，李群庆，刘淼，林锋，张宿义，许德富，李勇，林杨，
申请(专利权)人：泸州老窖股份有限公司，
类型：发明
国别省市：