Particle size characterization of in-flow milling products by video image analysis using global features | Caractérisation en ligne de la granulométrie de produits de broyage de blé par l'utilisation d'attributs globaux issus de l'analyse d'images

[Departement_IRSTEA]EAA [TR1_IRSTEA]EAA4-SENSORAL, Mesures et contrôle rapide de la qualité alimentaire [TR2_IRSTEA]42 - ALITECH / CAPORAL

International audience

English. The objective of this work was to characterise the particle size of milling products by image analysis. Four classes of milling products were obtained by varying the roll gap of the second break roll of the mill. Images were acquired by using an in-flow imaging system implemented in the mill, and 1300 images were recorded for each class. Three methods of image analysis were investigated: morphological opening, constant grey level run lengths and grey level spatial interdependences. Discriminant anlyses were applied to the data extracted from the images by the three methods in order to identify each class of milling product. More than 77% of the samples were correctly assigned to their group both for the calibration and validation sets. The best results were obtained by applyng morphological openings or by computing parameters from the co-occurrence matrices. The number of correct classifications rose to 81% of samples with only three variables selected for the opening curves and to 83% with three co-occurrence parameters.

French. L'objectif de ce travail était de caractériser la granulométrie de blé en cours de broyage par analyse d'image. Quatre classes de produits ont été obtenues en faisant varier l'écartement des rouleaux du deuxième broyeur du moulin. Le dispositif d'analyse d'image a été installé en ligne et 1300 images ont été enregistrées pour chaque classe. Trois méthodes globales d'analyse d'image ont été testées : l'ouverture morphologique, les longueurs de lignes à niveaux de gris constant, l'interdépendance spatiale des niveaux de gris. Une analyse discriminante a été appliquée sur les données extraites par ces trois méthodes. Plus de 77% des échantillons, de l'ensemble d'apprentissage ou de l'ensemble de validation, ont été correctement classés. Les meilleurs résultats ont été obtenus par le traitement des données issues de par la distribution par ouverture d'une part, et des matrices de co-occurrences d'autre part. Les performances en classification atteignent 81% avec seulement 3 paramètres pour la distribution par ouvertures et, 83% avec 3 paramètres des matrices de co-occurrences.