CN103914708A - 基于机器视觉的食品品种检测方法及系统 - Google Patents

基于机器视觉的食品品种检测方法及系统 Download PDF

Info

Publication number
CN103914708A
CN103914708A CN201410038701.4A CN201410038701A CN103914708A CN 103914708 A CN103914708 A CN 103914708A CN 201410038701 A CN201410038701 A CN 201410038701A CN 103914708 A CN103914708 A CN 103914708A
Authority
CN
China
Prior art keywords
image
food
difference
tested food
tested
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.)
Granted
Application number
CN201410038701.4A
Other languages
English (en)
Other versions
CN103914708B (zh
Inventor
冯平
程涛
徐刚
孙高磊
王燕燕
Original Assignee
冯平
程涛
徐刚
孙高磊
王燕燕
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 冯平, 程涛, 徐刚, 孙高磊, 王燕燕 filed Critical 冯平
Priority to CN201410038701.4A priority Critical patent/CN103914708B/zh
Publication of CN103914708A publication Critical patent/CN103914708A/zh
Application granted granted Critical
Publication of CN103914708B publication Critical patent/CN103914708B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种基于机器视觉的食品品种检测方法及系统,所述方法包括以下步骤:S1,通过CCD图像采集模块采集被测食品图像信息;S2,对被测食品图像信息进行预处理;S3,提取被测食品的图像特征;S4,将提取的被测食品图像特征与数据库中存储的标准图像特征进行对比,确定被测食品品种。本发明能够快速、准确地检测出食品的品种,特别是没有外包装的食品,还能减少人力资源成本。

Description

基于机器视觉的食品品种检测方法及系统
技术领域
[0001] 本发明涉及一种基于机器视觉的食品品种检测方法及系统,属于食品检测技术领域。
背景技术
[0002] 随着生活水平的不断提高,生活节奏越来越快,外卖食品也越来越受到顾客的广泛欢迎。购买食品时,通过扫码器扫描食品外包装上的条形码或二维码,来获得食品品种等信息。而对于面包、寿司之类的食品,在顾客选购时,往往没有外包装包裹,因而没有贴条形码或二维码的位置;在付款时,很难得知该食品的品种,只能通过人为辨别外观来判断食品品种,从而确定价格。由于食品种类繁多,或者售货员的失误,容易导致对食品品种的错误判断,影响购买效率,甚至会对顾客或销售者的利益造成损害。
发明内容
[0003] 本发明的目的在于,提供一种基于机器视觉的食品品种检测方法及系统,能够快速、准确地检测出没有外包装的食品的品种。
[0004] 为解决上述技术问题,本发明采用如下的技术方案:
[0005] 一种基于机器视觉的食品品种检测方法,包括以下步骤:
[0006] SI,通过CXD图像采集模块采集被测食品图像信息;
[0007] S2,对被测食品图像信息进行预处理;
[0008] S3,提取被测食品的图像特征;
[0009] S4,将提取的被测食品图像特征与数据库中存储的标准图像特征进行对比,确定被测食品品种。
[0010] 前述的基于机器视觉的食品品种检测方法中,步骤S2包括:
[0011] S21,进行形态学运算(如选择膨胀、腐蚀、开闭运算),通过一定形态结构元素度量和提取图像中对应形状来简化图像数据,除去不相干元素,保持被测食品图像的基本形状与特征;
[0012] S22,选择线性锐化滤波运算对被测食品图像进行去噪,删除来自外部和内部干扰的噪音点;
[0013] S23,对图像独立的像素点进行处理,使每个灰度对象对应一个灰度级,并通过改变原始数据灰度范围使被测食品图像实现白平衡校正。
[0014] 前述的基于机器视觉的食品品种检测方法中,步骤S3包括:
[0015] S31,根据被测食品图像与背景的差异,采用最大类间方差法对图像进行阈值分割,提取被测食品图像轮廓,获取被测食品的尺寸信息;
[0016] S32,提取被测食品RGB各层灰度直方图,统计提取的被测食品轮廓图像的RGB各层中每一个灰度级像素比例,即轮廓图像中各级灰度出现的频率;
[0017] S33,将RGB图像转换为HSV图像,
Figure CN103914708AD00071
[0021] 式中,R、G、B分别表示RGB图像各层灰度值;
[0022] 提取被测食品HSV图像的色相、饱和度和亮度信息,量化这些参数信息,并计算量化参数的比例。
[0023] 前述的基于机器视觉的食品品种检测方法中,步骤S33中的量化色相、饱和度和亮度参数具体为:
[0024] (I)将色相划分为红(对应下式的O)、橙(对应下式的I)、黄(对应下式的2)、绿(对应下式的3)、青(对应下式的4)、蓝(对应下式的5)、紫(对应下式的6)、品红(对应下式的7)8个等级,具体为:
Figure CN103914708AD00072
[0026] (2)将饱和度划分为欠饱和(对应下式的O)、中饱和(对应下式的I)、饱和(对应下式的2)、较高饱和(对应下式的3) 4个等级,具体为:
Figure CN103914708AD00081
[0028] (3)将亮度划分为黑色(对应下式的0)、深灰色(对应下式的I)、浅灰色(对应下式的2)、白色(对应下式的3) 4个等级,具体为:
Figure CN103914708AD00082
[0030] 前述的基于机器视觉的食品品种检测方法中,步骤S4包括:
[0031] S41,将被测食品图像灰度直方图与数据库中的标准图像灰度直方图进行比较,计
算灰度直方图差值
Figure CN103914708AD00083
式中,Pi是被测图像灰度值i的概率,Qi是数据库标准
图像灰度值i的概率,L为灰度级总数,并对灰度直方图差值进行排序,差值越小,其优先级越1¾ ;
[0032] S42,将被测食品图像特征的各色相值与数据库中的标准图像色相值进行比较,计
算色相差值
Figure CN103914708AD00084
式中是测试图像色相值i的概率,Si是数据库标准图像色
相值i的概率,S为色相值级数,并对色相差值进行排序,差值越小,其优先级越高;
[0033] S43,比较最小灰度直方图差值对应的索引值与最小HSV图像色相差值对应的索引值是否相同;若相同则该标准图像为被测食品图像所对应的标准图像,输出该标准图像在数据库中的索引并结束比较;若不相同则继续比较;
[0034] S44,按照优先级顺序,比较下一个优先级的被测食品图像灰度直方图差值对应的索引值与HSV图像色相差值对应的索引值是否相同;
[0035] 若相同,则该标准图像为被测食品图像所对应的标准图像,输出该标准图像在数据库中的索引并结束比较;
[0036] 若不相同,则比较两个索引值对应的HSV图像特征差值大小,较小值对应的索引为被测食品的标准图像,输出该较小值对应的索引并结束比较;
[0037] 若不能找出被测食品图像灰度直方图差值对应的索引值和HSV图像色相差值对应的索引值或者任意一个对应的索引值,则提高被测食品图像灰度直方图差值或HSV图像色相差值的比较范围大小,重复步骤S44,直至结束比较。[0038] 实现前述方法的基于机器视觉的食品品种检测系统,包括:
[0039] CCD图像采集模块,用于采集被测食品图像信息;
[0040] 图像预处理模块,用于对采集的被测食品图像信息进行预处理;
[0041] 图像特征提取模块,用于提取被测食品的图像特征;
[0042] 标准图像特征数据库,用于存储食品的标准图像特征信息;
[0043] 及图像特征比较模块,用于将提取的被测食品的图像特征与数据库中存储的标准图像特征进行对比,确定食品品种。
[0044] 前述的基于机器视觉的食品品种检测系统中,图像预处理模块包括:
[0045] 形态学运算模块,用于进行形态学运算,通过一定形态结构元素度量和提取图像中对应形状来简化图像数据,除去不相干元素,保持被测食品图像的基本形状与特征;
[0046] 滤波去噪模块,用于选择线性锐化滤波运算对被测食品图像进行去噪,删除来自外部和内部干扰的噪音点;
[0047] 及白平衡校正模块,用于对图像独立的像素点进行处理,使每个灰度对象对应一个灰度级,并通过改变原始数据灰度范围使被测食品图像实现白平衡校正。
[0048] 前述的基于机器视觉的食品品种检测系统中,图像特征提取模块包括:
[0049]图像轮廓提取模块,用于根据被测食品图像与背景的差异,采用最大类间方差法对图像进行阈值分割,提取被测食品图像轮廓,获取被测食品的尺寸信息;
[0050] 灰度直方图提取模块,用于提取被测食品RGB各层灰度直方图,统计提取的被测食品轮廓图像的RGB各层中每一个灰度级像素比例,即轮廓图像中各级灰度出现的频率;
[0051] 及HSV图像特征比例提取模块,用于提取被测食品HSV图像的色相、饱和度和亮度信息,量化这些参数信息,并计算量化参数的比例。
[0052] 前述的基于机器视觉的食品品种检测系统中,图像特征比较模块包括:
[0053] 灰度直方图比较模块,用于将被测食品图像灰度直方图与数据库中的标准图像灰度直方图进行比较,并对灰度直方图差值进行排序,差值越小,其优先级越高;
[0054] HSV图像色相比较模块,用于将被测食品图像各色相值与数据库中的标准图像色相值进行比较,并对色相差值进行排序,差值越小,其优先级越高;
[0055] 索引值比较模块,用于按照优先级顺序,依次比较灰度直方图差值对应的索引值与HSV图像色相差值对应的索引值是否相同;
[0056] 索引输出模块,用于输出该标准图像在数据库中的索引并结束比较。
[0057] 前述的基于机器视觉的食品品种检测系统中,图像特征比较模块还包括:
[0058] 差值比较模块,用于当被测食品图像灰度直方图差值对应的索引值与HSV图像色相差值对应的索引值不相同时,比较两个索引值对应的HSV图像特征差值大小,较小值对应的索引为被测食品的标准图像,转到索引输出模输出该标准图像在数据库中的索引;
[0059] 比较范围重置模块,用于当不能找出被测食品图像灰度直方图差值对应的索引值和HSV图像特征差值对应的索引值或者任意一个对应的索引值时,就提高被测食品图像灰度直方图差值或HSV图像色相差值的比较范围大小,转到索引值比较模块继续比较。
[0060] 与现有技术相比,本发明将具有闻效、闻精、准确、省力等优点的基于机器视觉的非接触检测技术应用在食品品种检测领域中,不需要用肉眼逐个观察食品品种,只需要通过该CCD摄像装置拍照采集食品图像信息,能准确提取、量化食品轮廓,将食品图像与背景区分出,排除不相干因素的干扰,并将图像RGB直方图信息、HSV色相信息同时引入图像识另O,大大提高了对比识别准确度;再将通过图像预处理、图像识别分析得到食品的图像特征参数与数据库中的标准参数进行比较,使得比较过程稳定可靠、识别效率高、识别结果准确,尤其在数据库庞大且比较次数较多时效果更明显,最终确定食品种类,从而计算出食品价格。因此,本发明能够快速、准确地检测出食品的品种,特别是没有外包装的食品,还能减少人力资源成本。
附图说明
[0061] 图1是本发明实施例的工作流程图;
[0062] 图2是本发明实施例的对采集图像进行预处理及提取图像特征的工作流程图;
[0063] 图3是本发明实施例的图像特征对比的工作流程图;
[0064] 图4是本发明实施例的硬件结构示意图。
[0065] 下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
[0066] 本发明实施例:一种基于机器视觉的食品品种检测方法,如图1所示,包括以下步骤:
[0067] SI,通过CXD图像采集模块采集被测食品图像信息;
[0068] S2,对被测食品图像信息进行预处理;
[0069] S3,提取被测食品的图像特征;
[0070] S4,将提取的被测食品图像特征与数据库中存储的标准图像特征进行对比,确定被测食品品种。
[0071] 如图2所示,步骤S2包括:
[0072] S21,进行形态学运算(如选择膨胀、腐蚀、开闭运算),通过一定形态结构元素度量和提取图像中对应形状来简化图像数据,除去不相干元素,保持被测食品图像的基本形状与特征;
[0073] S22,选择线性锐化滤波运算对被测食品图像进行去噪,删除来自外部和内部干扰的噪音点;
[0074] S23,对图像独立的像素点进行处理,使每个灰度对象对应一个灰度级,并通过改变原始数据灰度范围使被测食品图像实现白平衡校正。
[0075] 如图2所示,步骤S3包括:
[0076] S31,根据被测食品图像与背景的差异,采用最大类间方差法对图像进行阈值分割,提取被测食品图像轮廓,获取被测食品的尺寸信息;
[0077] S32,提取被测食品RGB各层灰度直方图,统计提取的被测食品轮廓图像的RGB各层中每一个灰度级像素比例,即轮廓图像中各级灰度出现的频率;
[0078] S33,将RGB图像转换为HSV图像,
Figure CN103914708AD00111
[0082] 式中,R、G、B分别表示RGB图像各层灰度值;
[0083] 提取被测食品HSV图像的色相、饱和度和亮度信息,量化这些参数信息,并计算量化参数的比例。
[0084] 步骤S33中的量化色相、饱和度和亮度参数具体为:
[0085] (I)将色相划分为红(对应下式的O)、橙(对应下式的I)、黄(对应下式的2)、绿(对应下式的3)、青(对应下式的4)、蓝(对应下式的5)、紫(对应下式的6)、品红(对应下式的7)8个等级,具体为:
Figure CN103914708AD00112
[0087] (2)将饱和度划分为欠饱和(对应下式的O)、中饱和(对应下式的I)、饱和(对应下式的2)、较高饱和(对应下式的3) 4个等级,具体为:
Figure CN103914708AD00121
[0089] (3)将亮度划分为黑色(对应下式的0)、深灰色(对应下式的I)、浅灰色(对应下式的2)、白色(对应下式的3) 4个等级,具体为:
Figure CN103914708AD00122
[0091] 如图3所示,步骤S4包括:
[0092] S41,将被测食品图像灰度直方图与数据库中的标准图像灰度直方图进行比较,计算灰度直方图差值h,
Figure CN103914708AD00123
,式中,Pi是被测图像灰度值i的概率,Qi是数据库标准
图像灰度值i的概率,L为灰度级总数,并对灰度直方图差值进行排序,差值越小,其优先级越1¾ ;
[0093] S42,将被测食品图像特征的各色相值与数据库中的标准图像色相值进行比较,计算色相差值r,
Figure CN103914708AD00124
,式中,^是测试图像色相值i的概率,Si是数据库标准图像色
相值i的概率,s为色相值级数,并对色相差值进行排序,差值越小,其优先级越高;
[0094] S43,比较最小灰度直方图差值对应的索引值与最小HSV图像色相差值对应的索引值是否相同;若相同则该标准图像为被测食品图像所对应的标准图像,输出该标准图像在数据库中的索引并结束比较;若不相同则继续比较;
[0095] S44,按照优先级顺序,比较下一个优先级的被测食品图像灰度直方图差值对应的索引值与HSV图像色相差值对应的索引值是否相同,包括以下三种情况:
[0096] (I)若相同,则该标准图像为被测食品图像所对应的标准图像,输出该标准图像在数据库中的索引并结束比较;
[0097] (2)若相同,则该标准图像为被测食品图像所对应的标准图像,输出该标准图像在数据库中若不相同,则比较两个索引值对应的HSV图像特征差值大小,较小值对应的索引为被测食品的标准图像,输出该较小值对应的索引并结束比较;
[0098] (3)包括以下三种情况:
[0099] ①若不能找出被测食品图像灰度直方图差值对应的索引值,则提高被测食品图像灰度直方图差值的比较范围大小,重复步骤S44,直至结束比较;
[0100] ②若不能找出HSV图像色相差值对应的索引值,则提高HSV图像色相差值的比较范围大小,重复步骤S44,直至结束比较。
[0101] ③若被测食品图像灰度直方图差值对应的索引值和HSV图像色相差值对应的索引值均不能被找到,则提高被测食品图像灰度直方图差值或者HSV图像色相差值的比较范围大小,重复步骤S44,直至结束比较。
[0102] 实现前述方法的基于机器视觉的食品品种检测系统,包括:
[0103] CCD图像采集模块,用于采集被测食品图像信息;
[0104] 图像预处理模块,用于对采集的被测食品图像信息进行预处理;
[0105] 图像特征提取模块,用于提取被测食品的图像特征;
[0106] 标准图像特征数据库,用于存储食品的标准图像特征信息;
[0107] 及图像特征比较模块,用于将提取的被测食品的图像特征与数据库中存储的标准图像特征进行对比,确定食品品种。
[0108] 图像预处理模块包括:
[0109] 形态学运算模块,用于进行形态学运算,通过一定形态结构元素度量和提取图像中对应形状来简化图像数据,除去不相干元素,保持被测食品图像的基本形状与特征;
[0110] 滤波去噪模块,用于选择线性锐化滤波运算对被测食品图像进行去噪,删除来自外部和内部干扰的噪音点;
[0111] 及白平衡校正模块,用于对图像独立的像素点进行处理,使每个灰度对象对应一个灰度级,并通过改变原始数据灰度范围使被测食品图像实现白平衡校正。
[0112] 图像特征提取模块包括:
[0113]图像轮廓提取模块,用于根据被测食品图像与背景的差异,采用最大类间方差法对图像进行阈值分割,提取被测食品图像轮廓,获取被测食品的尺寸信息;
[0114] 灰度直方图提取模块,用于提取被测食品RGB各层灰度直方图,统计提取的被测食品轮廓图像的RGB各层中每一个灰度级像素比例,即轮廓图像中各级灰度出现的频率;
[0115] 及HSV图像特征比例提取模块,用于提取被测食品HSV图像的色相、饱和度和亮度信息,量化这些参数信息,并计算量化参数的比例。
[0116] 图像特征比较模块包括:
[0117] 灰度直方图比较模块,用于将被测食品图像灰度直方图与数据库中的标准图像灰度直方图进行比较,并对灰度直方图差值进行排序,差值越小,其优先级越高;
[0118] HSV图像色相比较模块,用于将被测食品图像各色相值与数据库中的标准图像色相值进行比较,并对色相差值进行排序,差值越小,其优先级越高;
[0119] 索引值比较模块,用于按照优先级顺序,依次比较灰度直方图差值对应的索引值与HSV图像色相差值对应的索引值是否相同;
[0120] 索引输出模块,用于输出该标准图像在数据库中的索引并结束比较;
[0121] 差值比较模块,用于当被测食品图像灰度直方图差值对应的索引值与HSV图像色相差值对应的索引值不相同时,比较两个索引值对应的HSV图像特征差值大小,较小值对应的索引为被测食品的标准图像,转到索引输出模块输出该标准图像在数据库中的索引;
[0122] 比较范围重置模块,用于当不能找出被测食品图像灰度直方图差值对应的索引值和HSV图像特征差值对应的索引值或者任意一个对应的索引值时,就提高被测食品图像灰度直方图差值或HSV图像色相差值的比较范围大小,转到索引值比较模块继续比较。
[0123] 工作原理:如图4所示,将被测食品置于检测平台上,电脑控制CXD摄像装置采集被测食品图像,CCD摄像装置可以是带有CCD镜头的相机;采集图像时,根据图像清晰度,电脑控制光源控制器调节需要的光源亮度,CCD摄像装置将采集到的图像传入电脑的图像预处理模块进行图像预处理,再传入图像特征提取模块提取图像特征信息,图像特征比较模块将提取的图像特征信息与数据库中的标准图像特征对比,确定该被测食品的种类。

Claims (10)

1.一种基于机器视觉的食品品种检测方法,其特征在于,包括以下步骤: SI,通过CXD图像采集模块采集被测食品图像信息; S2,对被测食品图像信息进行预处理; S3,提取被测食品的图像特征; S4,将提取的被测食品图像特征与数据库中存储的标准图像特征进行对比,确定被测食品品种。
2.根据权利要求1所述的基于机器视觉的食品品种检测方法,其特征在于,步骤S2包括: S21,进行形态学运算,通过一定形态结构元素度量和提取图像中对应形状来简化图像数据,除去不相干元素,保持被测食品图像的基本形状与特征; S22,选择线性锐化滤波运算对被测食品图像进行去噪,删除来自外部和内部干扰的噪音点; S23,对图像独立的像素点进行处理,使每个灰度对象对应一个灰度级,并通过改变原始数据灰度范围使被测食品图像实现白平衡校正。
3.根据权利要求1所述的基于机器视觉的食品品种检测方法,其特征在于,步骤S3包括: S31,根据被测食品图像与背景的差异,采用最大类间方差法对图像进行阈值分割,提取被测食品图像轮廓,获取被测食品的尺寸信息; S32,提取被测食品RGB各层灰度直方图,统计提取的被测食品轮廓图像的RGB各层中每一个灰度级像素比例,即轮廓图像中各级灰度出现的频率; S33,将RGB图像转换为HSV图像,
Figure CN103914708AC00021
式中,R、G、B分别表示RGB图像各层灰度值; 提取被测食品HSV图像的色相、饱和度和亮度信息,量化这些参数信息,并计算量化参数的比例。
4.根据权利要求3所述的基于机器视觉的食品品种检测方法,其特征在于,步骤S33中的量化色相、饱和度和亮度参数具体为: (I)将色相划分为红、橙、黄、绿、青、蓝、紫、品红8个等级,具体为:
Figure CN103914708AC00031
(2)将饱和度划分为欠饱和、中饱和、饱和、较高饱和4个等级,具体为:
Figure CN103914708AC00032
(3)将亮度划分为黑色、深灰色、浅灰色、白色4个等级,具体为:
Figure CN103914708AC00033
5.根据权利要求1或4所述的基于机器视觉的食品品种检测方法,其特征在于,步骤S4包括:S41,将被测食品图像灰度直方图与数据库中的标准图像灰度直方图进行比较,计算灰度直方图差值h,
Figure CN103914708AC00034
,式中,Pi是被测图像灰度值i的概率,Qi是数据库标准图1=0像灰度值i的概率,L为灰度级总数,并对灰度直方图差值进行排序,差值越小,其优先级越1¾ ;S42,将被测食品图像特征的各色相值与数据库中的标准图像色相值进行比较,计算色相差值r
Figure CN103914708AC00041
式中是测试图像色相值i的概率,Si是数据库标准图像色相值 I的概率,S为色相值级数,并对色相差值进行排序,差值越小,其优先级越高; S43,比较最小灰度直方图差值对应的索引值与最小HSV图像色相差值对应的索引值是否相同;若相同则该标准图像为被测食品图像所对应的标准图像,输出该标准图像在数据库中的索引并结束比较;若不相同则继续比较; S44,按照优先级顺序,比较下一个优先级的被测食品图像灰度直方图差值对应的索引值与HSV图像色相差值对应的索引值是否相同; 若相同,则该标准图像为被测食品图像所对应的标准图像,输出该标准图像在数据库中的索引并结束比较; 若不相同,则比较两个索引值对应的HSV图像特征差值大小,较小值对应的索引为被测食品的标准图像,输出该较小值对应的索引并结束比较; 若不能找出被测食品图像灰度直方图差值对应的索引值和HSV图像色相差值对应的索引值或者任意一个对应的索引值,则提高被测食品图像灰度直方图差值或HSV图像色相差值的比较范围大小,重复步骤S44,直至结束比较。
6.实现权利要求1~5任意一项所述方法的基于机器视觉的食品品种检测系统,其特征在于,包括: CCD图像采集模块(1),用于采集被测食品图像信息; 图像预处理模块(2),用于对采集的被测食品图像信息进行预处理; 图像特征提取模块(3 ),用于提取被测食品的图像特征; 标准图像特征数据库(4),用于存储食品的标准图像特征信息; 及图像特征比较模块(5),用于将提取的被测食品的图像特征与数据库中存储的标准图像特征进行对比,确定食品品种。
7.根据权利要求6所述的基于机器视觉的食品品种检测系统,其特征在于,图像预处理模块(2)包括: 形态学运算模块(6),用于进行形态学运算,通过一定形态结构元素度量和提取图像中对应形状来简化图像数据,除去不相干元素,保持被测食品图像的基本形状与特征; 滤波去噪模块(7),用于选择线性锐化滤波运算对被测食品图像进行去噪,删除来自外部和内部干扰的噪音点; 及白平衡校正模块(8),用于对图像独立的像素点进行处理,使每个灰度对象对应一个灰度级,并通过改变原始数据灰度范围使被测食品图像实现白平衡校正。
8.根据权利要求6所述的基于机器视觉的食品品种检测系统,其特征在于,图像特征提取模块(3)包括: 图像轮廓提取模块(9),用于根据被测食品图像与背景的差异,采用最大类间方差法对图像进行阈值分割,提取被测食品图像轮廓,获取被测食品的尺寸信息;灰度直方图提取模块(10),用于提取被测食品RGB各层灰度直方图,统计提取的被测食品轮廓图像的RGB各层中每一个灰度级像素比例,即轮廓图像中各级灰度出现的频率;及HSV图像特征比例提取模块(11 ),用于提取被测食品HSV图像的色相、饱和度和亮度信息,量化这些参数信息,并计算量化参数的比例。
9.根据权利要求6所述的基于机器视觉的食品品种检测系统,其特征在于,图像特征比较模块(5)包括: 灰度直方图比较模块(12),用于将被测食品图像灰度直方图与数据库中的标准图像灰度直方图进行比较,并对灰度直方图差值进行排序,差值越小,其优先级越高; HSV图像色相比较模块(13),用于将被测食品图像各色相值与数据库中的标准图像色相值进行比较,并对色相差值进行排序,差值越小,其优先级越高; 索引值比较模块(14),用于按照优先级顺序,依次比较灰度直方图差值对应的索引值与HSV图像色相差值对应的索引值是否相同; 索引输出模块(15),用于输出该标准图像在数据库中的索引并结束比较。
10.根据权利要求9所述的基于机器视觉的食品品种检测系统,其特征在于,图像特征比较模块(5)还包括: 差值比较模块(16),用于当被测食品图像灰度直方图差值对应的索引值与HSV图像色相差值对应的索引值不相同时,比较两个索引值对应的HSV图像特征差值大小,较小值对应的索引为被测食品的标准图像,转到索引输出模块(15)输出该标准图像在数据库中的索引 ; 比较范围重置模块(17),用于当不能找出被测食品图像灰度直方图差值对应的索引值和HSV图像特征差值对应的索引值或者任意一个对应的索引值时,就提高HSV图像特征值比较范围,转到索引值比较模块(14)继续比较。
CN201410038701.4A 2014-01-26 2014-01-26 基于机器视觉的食品品种检测方法及系统 Expired - Fee Related CN103914708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410038701.4A CN103914708B (zh) 2014-01-26 2014-01-26 基于机器视觉的食品品种检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410038701.4A CN103914708B (zh) 2014-01-26 2014-01-26 基于机器视觉的食品品种检测方法及系统

Publications (2)

Publication Number Publication Date
CN103914708A true CN103914708A (zh) 2014-07-09
CN103914708B CN103914708B (zh) 2016-10-19

Family

ID=51040375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410038701.4A Expired - Fee Related CN103914708B (zh) 2014-01-26 2014-01-26 基于机器视觉的食品品种检测方法及系统

Country Status (1)

Country Link
CN (1) CN103914708B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104118609A (zh) * 2014-07-22 2014-10-29 广东平航机械有限公司 贴标质量检测方法和装置
CN104574389A (zh) * 2014-12-26 2015-04-29 康奋威科技(杭州)有限公司 基于彩色机器视觉的电池片色差分选控制方法
CN104865198A (zh) * 2015-04-28 2015-08-26 青岛农业大学 一种基于机器视觉的鲜肥肝质量自动分级系统及其方法
CN105699321A (zh) * 2016-01-25 2016-06-22 郝文 一种智能化食品安全检测系统
WO2017045293A1 (zh) * 2015-09-19 2017-03-23 深圳市贝沃德克生物技术研究院有限公司 基于人体特征数据的慢病患者饮食控制系统及方法
CN109262142A (zh) * 2018-04-13 2019-01-25 郑州福耀玻璃有限公司 一种激光除膜方法
CN109557109A (zh) * 2018-12-29 2019-04-02 中国肉类食品综合研究中心 冷冻肉品包装状态的检测方法及装置
CN110720983A (zh) * 2019-09-05 2020-01-24 北京万特福医疗器械有限公司 一种视觉识别方法和系统
CN110827293A (zh) * 2019-10-28 2020-02-21 衢州学院 一种基于决策层融合的无色彩场景区域分割方法和装置
CN110910399A (zh) * 2019-10-28 2020-03-24 衢州学院 一种基于决策层融合的无纹理场景区域分割方法和装置
CN111060460A (zh) * 2019-12-24 2020-04-24 煜宜(上海)健康管理有限公司 一种用于液体培养基颜色识别的仪器

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050117779A1 (en) * 2003-11-27 2005-06-02 Konica Minolta Holdings, Inc. Object detection apparatus, object detection method and computer program product
CN101008985A (zh) * 2007-01-18 2007-08-01 章毅 印章鉴别系统及其控制方法
CN101551823A (zh) * 2009-04-20 2009-10-07 浙江师范大学 一种综合多特征图像检索方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050117779A1 (en) * 2003-11-27 2005-06-02 Konica Minolta Holdings, Inc. Object detection apparatus, object detection method and computer program product
CN101008985A (zh) * 2007-01-18 2007-08-01 章毅 印章鉴别系统及其控制方法
CN101551823A (zh) * 2009-04-20 2009-10-07 浙江师范大学 一种综合多特征图像检索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张恒博等: "一种基于色彩和灰度直方图的图像检索方法", 《计算机工程》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104118609A (zh) * 2014-07-22 2014-10-29 广东平航机械有限公司 贴标质量检测方法和装置
CN104118609B (zh) * 2014-07-22 2016-06-29 广东平航机械有限公司 贴标质量检测方法和装置
CN104574389A (zh) * 2014-12-26 2015-04-29 康奋威科技(杭州)有限公司 基于彩色机器视觉的电池片色差分选控制方法
CN104865198A (zh) * 2015-04-28 2015-08-26 青岛农业大学 一种基于机器视觉的鲜肥肝质量自动分级系统及其方法
WO2017045293A1 (zh) * 2015-09-19 2017-03-23 深圳市贝沃德克生物技术研究院有限公司 基于人体特征数据的慢病患者饮食控制系统及方法
CN105699321A (zh) * 2016-01-25 2016-06-22 郝文 一种智能化食品安全检测系统
CN109262142A (zh) * 2018-04-13 2019-01-25 郑州福耀玻璃有限公司 一种激光除膜方法
CN109557109A (zh) * 2018-12-29 2019-04-02 中国肉类食品综合研究中心 冷冻肉品包装状态的检测方法及装置
CN109557109B (zh) * 2018-12-29 2021-07-30 中国肉类食品综合研究中心 冷冻肉品包装状态的检测方法及装置
CN110720983A (zh) * 2019-09-05 2020-01-24 北京万特福医疗器械有限公司 一种视觉识别方法和系统
CN110720983B (zh) * 2019-09-05 2021-05-25 北京万特福医疗器械有限公司 一种视觉识别方法和系统
CN110827293A (zh) * 2019-10-28 2020-02-21 衢州学院 一种基于决策层融合的无色彩场景区域分割方法和装置
CN110910399A (zh) * 2019-10-28 2020-03-24 衢州学院 一种基于决策层融合的无纹理场景区域分割方法和装置
CN111060460A (zh) * 2019-12-24 2020-04-24 煜宜(上海)健康管理有限公司 一种用于液体培养基颜色识别的仪器

Also Published As

Publication number Publication date
CN103914708B (zh) 2016-10-19

Similar Documents

Publication Publication Date Title
CN103914708B (zh) 基于机器视觉的食品品种检测方法及系统
JP4997252B2 (ja) 画像内の照明域を識別する方法
CN102426649B (zh) 一种简单的高准确率的钢印数字自动识别方法
CN103186904B (zh) 图片轮廓提取方法及装置
CN103034838B (zh) 一种基于图像特征的特种车辆仪表类型识别与标定方法
CN105046700B (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统
US9053537B2 (en) Classifier for use in generating a diffuse image
CN103971126A (zh) 一种交通标志识别方法和装置
US8559714B2 (en) Post processing for improved generation of intrinsic images
CN103914849A (zh) 一种红枣图像的检测方法
CN106384117B (zh) 一种车辆颜色识别方法及装置
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
Najeeb et al. Dates maturity status and classification using image processing
CN112419278A (zh) 一种基于深度学习的实木地板分类方法
CN106951863A (zh) 一种基于随机森林的变电站设备红外图像变化检测方法
US8428352B1 (en) Post processing for improved generation of intrinsic images
CN103871084B (zh) 蓝印花布图案识别方法
US8553979B2 (en) Post processing for improved generation of intrinsic images
Fitriyah et al. An analysis of rgb, hue and grayscale under various illuminations
CN103020995A (zh) 一种适用于在视频中搜索目标的物件特征对比方法
US8655099B2 (en) Relationship maintenance in an image process
Aarabi et al. Precise Skin-Tone and Under-Tone Estimation by Large Photo Set Information Fusion
Lian et al. Research on Tomato Maturity Detection Based on Machine Vision
CN109948463A (zh) 基于色彩和数学模型实现脸部和唇部识别功能的方法
CN109284759A (zh) 一种基于支持向量机(svm)的魔方颜色识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20161019

Termination date: 20190126