CN104091170A - 基于机器视觉的霉菌自动辨别方法 - Google Patents
基于机器视觉的霉菌自动辨别方法 Download PDFInfo
- Publication number
- CN104091170A CN104091170A CN201410263670.2A CN201410263670A CN104091170A CN 104091170 A CN104091170 A CN 104091170A CN 201410263670 A CN201410263670 A CN 201410263670A CN 104091170 A CN104091170 A CN 104091170A
- Authority
- CN
- China
- Prior art keywords
- binary map
- connected region
- image
- cut out
- area
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
该发明公开了一种基于机器视觉的霉菌自动辨别方法,属于图像处理技术领域,特别是针对图像中霉菌的自动辨别方法。通过对样本溶液的放大图像进行二值化处理,利用霉菌图像的面积大小,说在最小矩形框的长宽比例,凹点个数等外形特征进行逐层筛选,最后进行与标准霉菌模版匹配,最终识别出霉菌,从而具有精度高、速度快、稳定性好、便于操作的效果。
Description
技术领域
本发明属于图像处理技术领域,特别是针对图像中霉菌的自动辨别方法。
背景技术
霉菌的检测在食品微生物检测领域存在广泛应用。目前,普遍采用的食品卫生检验方法,主要是通过依靠培养的方法来确定食品是否污染,检测时间通常超过48h,而且检测的结果需通过工作人员观察的方式,目视计算数量,不仅存在人为误差,也要消耗培养基,使得检测的成本较高,而且操作复杂存在误差。利用显微图像可以实现霉菌的快速检测,避免了传统检测中的速度慢,成本高,劳动强度大的缺点。
发明内容
本发明的目的是针对现有技术的不足之处设计了一种基于机器视觉的霉菌自动辨别方法,从而达到在对霉菌的检测过程中操作简单、速度快、准确率高的目的。
本发明的技术方案是一种基于机器视觉的霉菌自动辨别方法,该方法包括:
步骤1:使用显微镜采集样本溶液的图像;
步骤2:将步骤1得到的显微图像变换为灰度图像;
步骤3:将步骤2得到的灰度图像根据设定的灰度阈值将图像进行二值化处理得到二值图像;
步骤4:对步骤3得到的二值图像进行形态学闭运算,使断开的边缘连接,得到连接边缘后的二值图像。
步骤5:将步骤4得到的二值图像中白色连通区域进行标定,记录各标定连通区域的位置坐标;
步骤6:将步骤5中标定的连通区域进行筛选,利用连通区域面积条件进行筛选,保留面积大小适中的连通区域,然后用一个面积尽可能小的凸多边形围绕保留的连通区域,利用连通区域与凸多边形面积比例条件再进行筛选,保留面积比例适当的连通区域;
步骤7:根据步骤6保留连通区域的位置坐标,裁剪步骤4的二值图像,得到若干剪裁二值图像;
步骤8:利用剪裁二值图的长宽尺寸、面积大小、连通区域所占面积百分比进行筛选,保留符合条件的剪裁二值图;
步骤9:寻找步骤8保留的剪裁二值图中连通区域的凹点,根据凹点个数筛选符合条件的剪裁二值图;
步骤10:对步骤9得到的二值图像与不同大小的圆形模版进行匹配,计算出该剪裁二值图中能与模版匹配的圆形个数,保留个数符合条件的剪裁二值图;
步骤11:统计保留下来的剪裁二值图数目,即为检测到的霉菌数量。
其中步骤1使用显微镜采集样本溶液放大40倍后的显微图像。
步骤3的具体步骤为:
步骤3-1:设定二值化处理过程中灰度阈值为对灰度图像使用最大类间方差法得到的灰度阈值;
步骤3-2:将灰度图像各像素点灰度值与灰度阈值比较,若大于阈值则对该点灰度赋值0,若小于阈值则对该点灰度赋值255,得到二值图像。
步骤6的具体步骤为:
步骤6-1:计算连通区域面积,经过面积筛选保留面积在40~400之间的连通区域;
步骤6-2:用一个面积尽可能小的凸多边形围绕步骤5-1保留的连通区域,计算连通区域与其对应的凸多边形面积的比例,保留比例小于0.8的连通区域。
步骤8的具体步骤为:
步骤8-1:计算剪裁二值图的长、宽,保留边长在10~45之间的剪裁二值图;
步骤8-2:计算剩余剪裁二值图的面积,保留面积在140~1080之间的剪裁二值图;
步骤8-3:计算剩余剪裁二值图中连通区域所占像素比例,保留比例小于50%的剪裁二值图。
步骤9的具体步骤为:
步骤9-1:对剩余剪裁二值图中连通区域外轮廓进行边缘追踪,得到边缘各点坐标;
步骤9-2:对边缘采用Harris角点检测法,检测出所有角点;
步骤9-3:计算角点的凸凹性,将角点作为3*3矩形的中心,当白色像素个数大于5时,将该角点记为凹点;
步骤9-4:统计凹点个数,保留凹点数量在1~10之间的剪裁二值图。
步骤10的具体步骤为:
步骤10-1:将不同大小的圆形模版,在剪裁二值图中滑动,遍历整张剪裁二值图,在每次滑动过程中与模版覆盖的剪裁二值图的区域进行匹配,若该区域有80%的像素与模版相匹配,则将此时模版的圆心位置对应剪裁二值图的坐标记录下来,当用不同大小的模版,遍历完整张剪裁二值图后,得到很多圆心坐标;
步骤10-2:将步骤10-1得到的若干圆心坐标进行聚类,将相聚5个像素以内的圆心聚为一类,并重新计算其聚类圆心,然后统计剪裁二值图圆心个数,保留圆心个数大于1的剪裁二值图。
本发明一种针对食物微生物霉菌的自动辨别方法,通过对样本溶液的纤维图像进行二值化处理,利用霉菌的外形特征进行逐层筛选,最终识别出霉菌,从而具有精度高、速度快、稳定性好、便于操作的效果。该检测方法不仅在食品领域,在其他霉菌检测的方面都有应用。
附图说明
图1是本发明的基于机器视觉的食物微生物霉菌自动识别方法的流程图。
具体实施方式
下面结合附图,对本发明一种基于机器视觉的霉菌自动辨别方法进行详细说明:
步骤1:使用显微镜采集样本溶液的图像;
步骤2:将步骤1得到的显微图像变换为灰度图像;
步骤3:将步骤2得到的灰度图像根据设定的灰度阈值将图像进行二值化处理得到二值图像;
步骤3-1:设定二值化处理过程中灰度阈值为对灰度图像使用最大类间方差法得到的灰度阈值;
步骤3-2:将灰度图像各像素点灰度值与灰度阈值比较,若大于阈值则对该点灰度赋值0,若小于阈值则对该点灰度赋值255,得到二值图像。
步骤4:对步骤3得到的二值图像进行形态学闭运算,即先膨胀后腐蚀,使断开的边缘连接,得到连接边缘后二值图像。
步骤5:将步骤4得到的二值图像中白色连通区域进行标定,记录各标定连通区域的位置坐标;
步骤6:将步骤5中标定的连通区域进行筛选,利用连通区域面积条件进行筛选,保留面积大小适中的连通区域,然后用一个面积尽可能小的凸多边形围绕保留的连通区域,利用连通区域与凸多边形面积比例条件再进行筛选,保留面积比例适当的连通区域;
步骤6-1:计算连通区域面积,经过面积筛选保留面积在40~400之间的连通区域;
步骤6-2:用一个面积尽可能小的凸多边形围绕步骤5-1保留的连通区域,计算连通区域与其对应的凸多边形面积的比例,保留比例小于0.8的连通区域。
步骤7:根据步骤6保留连通区域的位置坐标,裁剪步骤4的二值图像,得到若干裁剪二值图像;
步骤8:利用剪裁二值图的长宽尺寸、面积大小、连通区域所占面积百分比进行筛选,保留符合条件的剪裁二值图;
步骤8-1:计算剪裁二值图的长、宽,保留边长在10~45之间的剪裁二值图;
步骤8-2:计算剩余剪裁二值图的面积,保留面积在140~1080之间的剪裁二值图;
步骤8-3:计算剩余剪裁二值图中连通区域所占像素比例,保留比例小于50%的剪裁二值图。
步骤9:寻找步骤8保留的剪裁二值图中连通区域的凹点,根据凹点个数筛选符合条件的剪裁二值图;
步骤9-1:对剩余剪裁二值图中连通区域外轮廓进行边缘追踪,得到边缘各点坐标;
步骤9-2:对边缘采用Harris角点检测法,检测出所有角点;
步骤9-3:计算角点的凸凹性,将角点作为3*3矩形的中心,当白色像素个数大于5时,将该角点记为凹点;
步骤9-4:统计凹点个数,保留凹点数量在1~10之间的剪裁二值图。
步骤10:对步骤9得到的二值图像与不同大小的圆形模版进行匹配,计算出该剪裁二值图中能与模版匹配的圆形个数,保留个数符合条件的剪裁二值图;
步骤10-1:将不同大小的圆形模版,在剪裁二值图中滑动,遍历整张剪裁二值图,在每次滑动过程中与模版覆盖的剪裁二值图的区域进行匹配,若该区域有80%的像素与模版相匹配,则将此时模版的圆心位置对应剪裁二值图的坐标记录下来,当用不同大小的模版,遍历完整张剪裁二值图后,得到很多圆心坐标;
步骤10-2:将步骤10-1得到的若干圆心坐标进行聚类,将相聚5个像素以内的圆心聚为一类,并重新计算其聚类圆心,然后统计剪裁二值图圆心个数,保留圆心个数大于1的剪裁二值图。
步骤11:统计保留下来的剪裁二值图数目,即为检测到的霉菌数量。
Claims (7)
1.基于机器视觉的霉菌自动辨别方法,该方法包括:
步骤1:使用显微镜采集样本溶液的图像;
步骤2:将步骤1得到的显微图像变换为灰度图像;
步骤3:将步骤2得到的灰度图像根据设定的灰度阈值将图像进行二值化处理得到二值图像;
步骤4:对步骤3得到的二值图像进行形态学闭运算,使断开的边缘连接,得到连接边缘后的二值图像。
步骤5:将步骤4得到的二值图像中白色连通区域进行标定,记录各标定连通区域的位置坐标;
步骤6:将步骤5中标定的连通区域进行筛选,利用连通区域面积条件进行筛选,保留面积大小适中的连通区域,然后用一个面积尽可能小的凸多边形围绕保留的连通区域,利用连通区域与凸多边形面积比例条件再进行筛选,保留面积比例适当的连通区域;
步骤7:根据步骤6保留连通区域的位置坐标,裁剪步骤4的二值图像,得到若干剪裁二值图像;
步骤8:利用剪裁二值图的长宽尺寸、面积大小、连通区域所占面积百分比进行筛选,保留符合条件的剪裁二值图;
步骤9:寻找步骤8保留的剪裁二值图中连通区域的凹点,根据凹点个数筛选符合条件的剪裁二值图;
步骤10:对步骤9得到的二值图像与不同大小的圆形模版进行匹配,计算出该剪裁二值图中能与模版匹配的圆形个数,保留个数符合条件的剪裁二值图;
步骤11:统计保留下来的剪裁二值图数目,即为检测到的霉菌数量。
2.如权利要求1所述的基于机器视觉的霉菌自动辨别方法,其特征在于步骤1使用显微镜采集样本溶液放大40倍后的显微图像。
3.如权利要求1所述的基于机器视觉的霉菌自动辨别方法,其特征在于步骤3的具体步骤为:
步骤3-1:设定二值化处理过程中灰度阈值为对灰度图像使用最大类间方差法得到的灰度阈值;
步骤3-2:将灰度图像各像素点灰度值与灰度阈值比较,若大于阈值则对该点灰度赋值0,若小于阈值则对该点灰度赋值255,得到二值图像。
4.如权利要求1所述的基于机器视觉的霉菌自动辨别方法,其特征在于步骤6的具体步骤为:
步骤6-1:计算连通区域面积,经过面积筛选保留面积在40~400之间的连通区域;
步骤6-2:用一个面积尽可能小的凸多边形围绕步骤5-1保留的连通区域,计算连通区域与其对应的凸多边形面积的比例,保留比例小于0.8的连通区域。
5.如权利要求1所述的基于机器视觉的霉菌自动辨别方法,其特征在于步骤8的具体步骤为:
步骤8-1:计算剪裁二值图的长、宽,保留边长在10~45之间的剪裁二值图;
步骤8-2:计算剩余剪裁二值图的面积,保留面积在140~1080之间的剪裁二值图;
步骤8-3:计算剩余剪裁二值图中连通区域所占像素比例,保留比例小于50%的剪裁二值图。
6.如权利要求1所述的基于机器视觉的霉菌自动辨别方法,其特征在于步骤9的具体步骤为:
步骤9-1:对剩余剪裁二值图中连通区域外轮廓进行边缘追踪,得到边缘各点坐标;
步骤9-2:对边缘采用Harris角点检测法,检测出所有角点;
步骤9-3:计算角点的凸凹性,将角点作为3*3矩形的中心,当白色像素个数大于5时,将该角点记为凹点;
步骤9-4:统计凹点个数,保留凹点数量在1~10之间的剪裁二值图。
7.如权利要求1所述的基于机器视觉的霉菌自动辨别方法,其特征在于步骤10的具体步骤为:
步骤10-1:将不同大小的圆形模版,在剪裁二值图中滑动,遍历整张剪裁二值图,在每次滑动过程中与模版覆盖的剪裁二值图的区域进行匹配,若该区域有80%的像素与模版相匹配,则将此时模版的圆心位置对应剪裁二值图的坐标记录下来,当用不同大小的模版,遍历完整张剪裁二值图后,得到很多圆心坐标;
步骤10-2:将步骤10-1得到的若干圆心坐标进行聚类,将相聚5个像素以内的圆心聚为一类,并重新计算其聚类圆心,然后统计剪裁二值图圆心个数,保留圆心个数大于1的剪裁二值图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410263670.2A CN104091170B (zh) | 2014-06-13 | 2014-06-13 | 基于机器视觉的霉菌自动辨别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410263670.2A CN104091170B (zh) | 2014-06-13 | 2014-06-13 | 基于机器视觉的霉菌自动辨别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104091170A true CN104091170A (zh) | 2014-10-08 |
CN104091170B CN104091170B (zh) | 2018-01-12 |
Family
ID=51638885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410263670.2A Active CN104091170B (zh) | 2014-06-13 | 2014-06-13 | 基于机器视觉的霉菌自动辨别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091170B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104846054A (zh) * | 2015-05-22 | 2015-08-19 | 电子科技大学 | 一种基于形态学特征的白带中霉菌的自动检测方法 |
CN105115970A (zh) * | 2015-06-30 | 2015-12-02 | 厦门质谱仪器仪表有限公司 | 一种表型学鉴定法与质谱法综合的微生物鉴定系统和方法 |
CN105975966A (zh) * | 2016-04-21 | 2016-09-28 | 南京农业大学 | 一种稻谷霉变无损检测的方法 |
CN106097344A (zh) * | 2016-06-15 | 2016-11-09 | 武汉理工大学 | 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统 |
CN106204631A (zh) * | 2016-08-23 | 2016-12-07 | 苏州德创测控科技有限公司 | 基于频域的堵孔检测方法 |
CN106469305A (zh) * | 2016-09-23 | 2017-03-01 | 电子科技大学 | 一种基于图像处理的粪便中夏科雷登晶体自动检测方法 |
CN107480662A (zh) * | 2017-10-11 | 2017-12-15 | 青岛华晶生物技术有限公司 | 一种霉菌图像识别方法及其装置 |
CN107564001A (zh) * | 2017-09-13 | 2018-01-09 | 电子科技大学 | 一种基于凹点搜索的磁片缺角检测方法 |
CN107945144A (zh) * | 2017-11-20 | 2018-04-20 | 宁波江丰生物信息技术有限公司 | 基于深度神经网络的结核杆菌荧光痰涂片识别方法 |
CN109948544A (zh) * | 2019-03-20 | 2019-06-28 | 南京师范大学 | 一种目标菌落自动定位与识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777140A (zh) * | 2010-02-08 | 2010-07-14 | 宁波大学 | 一种显微图像的复杂粘连细胞个数统计方法 |
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
US20120257039A1 (en) * | 2009-12-18 | 2012-10-11 | Yuichi Abe | Image Processing Device, Measuring/Testing System, and Program |
-
2014
- 2014-06-13 CN CN201410263670.2A patent/CN104091170B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120257039A1 (en) * | 2009-12-18 | 2012-10-11 | Yuichi Abe | Image Processing Device, Measuring/Testing System, and Program |
CN101777140A (zh) * | 2010-02-08 | 2010-07-14 | 宁波大学 | 一种显微图像的复杂粘连细胞个数统计方法 |
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104846054A (zh) * | 2015-05-22 | 2015-08-19 | 电子科技大学 | 一种基于形态学特征的白带中霉菌的自动检测方法 |
CN105115970A (zh) * | 2015-06-30 | 2015-12-02 | 厦门质谱仪器仪表有限公司 | 一种表型学鉴定法与质谱法综合的微生物鉴定系统和方法 |
CN105975966A (zh) * | 2016-04-21 | 2016-09-28 | 南京农业大学 | 一种稻谷霉变无损检测的方法 |
CN106097344A (zh) * | 2016-06-15 | 2016-11-09 | 武汉理工大学 | 一种检测轮胎橡胶中几何形杂质的图像处理方法及系统 |
CN106204631B (zh) * | 2016-08-23 | 2019-01-15 | 苏州德创测控科技有限公司 | 基于频域的堵孔检测方法 |
CN106204631A (zh) * | 2016-08-23 | 2016-12-07 | 苏州德创测控科技有限公司 | 基于频域的堵孔检测方法 |
CN106469305A (zh) * | 2016-09-23 | 2017-03-01 | 电子科技大学 | 一种基于图像处理的粪便中夏科雷登晶体自动检测方法 |
CN107564001A (zh) * | 2017-09-13 | 2018-01-09 | 电子科技大学 | 一种基于凹点搜索的磁片缺角检测方法 |
CN107564001B (zh) * | 2017-09-13 | 2020-09-25 | 电子科技大学 | 一种基于凹点搜索的磁片缺角检测方法 |
CN107480662A (zh) * | 2017-10-11 | 2017-12-15 | 青岛华晶生物技术有限公司 | 一种霉菌图像识别方法及其装置 |
CN107945144A (zh) * | 2017-11-20 | 2018-04-20 | 宁波江丰生物信息技术有限公司 | 基于深度神经网络的结核杆菌荧光痰涂片识别方法 |
CN107945144B (zh) * | 2017-11-20 | 2022-02-25 | 宁波江丰生物信息技术有限公司 | 基于深度神经网络的结核杆菌荧光痰涂片识别方法 |
CN109948544A (zh) * | 2019-03-20 | 2019-06-28 | 南京师范大学 | 一种目标菌落自动定位与识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104091170B (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091170A (zh) | 基于机器视觉的霉菌自动辨别方法 | |
CN102445456B (zh) | 基于dsp机器视觉的鸡蛋品质无损检测装置及检测方法 | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN102519972B (zh) | 一种pet瓶瓶盖和液位的检测方法 | |
CN103400124A (zh) | 一种试卷识别方法及装置 | |
CN107014819A (zh) | 一种太阳能电池板表面缺陷检测系统和方法 | |
CN104846054A (zh) | 一种基于形态学特征的白带中霉菌的自动检测方法 | |
CN104297255A (zh) | 一种纸杯缺陷视觉检测方法及系统装置 | |
CN103865786A (zh) | 细菌检测方法及系统 | |
CN109380146B (zh) | 生猪自动测量装置和方法 | |
CN103329027A (zh) | 观察程序和观察装置 | |
CN102956035A (zh) | 用于乳腺x线图像中提取乳腺区域的预处理方法及系统 | |
CN102110294A (zh) | 病鱼的鱼体图像处理方法及系统 | |
CN113256580A (zh) | 一种目标菌落特征自动识别方法 | |
CN105420107A (zh) | 一种基于菌落形态特征的菌落自动筛选方法 | |
CN104021533A (zh) | 一种实时图像降噪方法及装置 | |
CN109509173A (zh) | 一种细菌菌落的计数方法及计数装置 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN103729621A (zh) | 基于叶片骨架模型的植物叶片图像自动识别方法 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
CN112070792B (zh) | 一种用于图像分割的边缘生长连接方法及装置 | |
CN106023223A (zh) | 柑橘果实大小描述及分级方法 | |
Wang et al. | Application of support vector machine to apple recognition using in apple harvesting robot | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN109214393B (zh) | 一种多孔培养板板孔菌群生长情况图像检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |