基于图像处理的大豆视觉检测方法

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，

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，

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，

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

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，

当

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

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，

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

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，

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

当任一泰森多边形的异常度大于等于

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。