CN105894048A - 基于手机的食品安全检测方法 - Google Patents

Abstract

本发明公开了一种基于手机的食品安全检测方法，涉及一种对日常食品进行安全检测的方法。具体技术方案：用手机摄像头对食品进行摄像，使被检测食品成为图像文件；应用图像处理算法对图像进行实时的预处理处理，并且将图像自动生成二维信号；提取二维信号的特征值；将提取的特征值与用在实验室中标准样本图像特征库中建立的判据进行比较；在手机屏幕上显示食品安全检测的结果。本发明的积极效果：操作方便，不增加任何成本，只是在相关网站上下载相应的检测程序安装在手机上即可，同时也是一个开放的系统，可以随时增加新的检测品种。

Description

基于手机的食品安全检测方法

技术领域

本发明涉及一种对日常食品进行安全检测的方法。

背景技术

随着人们对生活质量要求的不断提高以及目前食品市场的现状，家庭对食品品质的要求越来越高，亟待开发适合家庭应用的食品安全检测装置及其方法。

公开号：CN103808764A，名称：基于手机平台的开放式食品安全检测系统，公开了一种基于手机平台的开放式食品安全检测系统，它的组成：食品安全检测信息采集装置，GPRS通信，Internet食品安全检测数据库，与图像云计算等组成。

公开号：CN102564997A，名称：公开了一种家庭用近红外食品品质检测装置，包括近红外发光光源、滤光片、菲涅尔透镜、样品池、检测器、锁定放大器和微处理器。

上述技术能够实现对家庭日常食品进行检测，但结构还是比较复杂的，随着近年来高性能智能手机技术的迅速发展与普及，可以基于手机开发更适合家庭应用的食品安全检测方法。

发明内容

近年来高性能智能手机技术的迅速发展与普及，一般智能手机摄像的像素都能达到600万以上，随着像素的进一步提高，直接用手机的摄像头，对食品进行摄像，再进行图像处理与识别，从而可以实现食品安全检测。具体技术方案如下：

用手机摄像头对食品进行摄像，使被检测食品成为图像文件；

应用图像处理算法对图像进行实时的预处理处理，并且将图像自动生成二维信号；

提取二维信号的特征值；

将提取的特征值与用在实验室中标准样本图像特征库中建立的判据进行比较；

在手机屏幕上显示食品安全检测的结果。祥见图1本发明食品安全检测步骤流程图。

本发明与现有技术相比有如下积极效果：

1.操作方便，只需要会用手机进行拍照即可，其它步骤在手机内部自动完成，无需进行专业培训；

2.无需增加任何硬件，不增加任何成本，只是在相关网站上下载相应的检测程序安装在手机上即可；

3.用户系统升级也极为方便，可以到相关网站上下载相应的升级检测程序即可，同时也是一个开放的系统，可以随时增加新的检测品种；

4.手机方便、灵活、易于为大众使用，选择手机来实现高效率、低成本的食品安全检测是个不错的选择，且易于形成社会化的食品安全监督网络，使食品安全法切实落到实处；

5.本发明实施的食品安全检测方法本质是进行食品的图像处理与识别，不需要任何化学试剂，是一种绿色检测方法。

附图说明

图1本发明食品安全检测步骤流程图

其中：手机拍照被检测食品1，图像预处理2，图像特征提取3，标准样本图像特征库4，比较输出结果。

具体实施方式

一、食品图像处理程序的实现

目前，高性能智能手机拍摄的食品安全检测图片是在可见光图像，波长400-700nm，开发的手机食品安全检测程序，主要包括：图像预处理；图像特征提取；图像特征的识别。小波分解的多分辨率特点与人眼由粗到细，由全部到局部，由局部到细节的观察一致的，因此适合于图像这类非平稳信号的处理。特别适合于食品安全检测的图像处理，因为一般情况下获得的食品安全检测的图像都带有很大的环境干扰。

1.图像预处理

小波算法滤噪算法是根据信号与噪声在不同尺度上小波变换的不同形态表现，构造出相应的规则，对信号和噪声的小波变换系数进行处理，处理的实质在于减小甚至完全剔除由噪声产生的系数，同时最大限度地保留有效信号对应的小波系数。小波变换用于信号滤噪的步骤：1)选定一种小波，对原信号进行小波变换，得到小波系数w；2)根据一定的阈值法去除w中被认为噪声的系数；3)用经过处理的小波系数w进行重构即可得到滤噪后的信号。

剔除噪声系数的方法用硬阈值法和软阈值法。硬阈值法即把所有绝对值低于阈值的小波系数全部置零，这种方法容易在某些点产生间断；软阈值法即把所有绝对值低于阈值的小波系数全部置零，并从大于阈值的小波系数的绝对值中扣除该阈值。

确定阈值的方法有多种，如SURE法、VISU法、HYBRID法、MINMAX法等。SURE法是基于Stein的无偏似然估计(Unbiased Risk Estimation)原理的一种自适应阈值选择方法首先对一个给的阈值t进行无偏似然估计，然后将非似然t最小化，即可得到所需的阈值。

小波变换将一幅图像分解为大小、位置和方向都不同的分量。在做逆变换之前可以改变小波变换域中某些系数的大小，这样就能够有选择地放大所感兴趣的分量而减小不需要的分量。

2.图像特征的提取

根据食品安全检测图像实验室分析可知，在频域内食品安全检测的图像信息主要集中在低频部分，因此提取图像低频部分信息组建图像特征向量就可以基本描述图像的特征。

1)矩特征的一般表达式

令f(r，θ)表示极坐标上的二维二值图像，则矩特征的一般表示式定义为

F_pq＝∫∫f(r，θ)g_p(r)e^jqθrdr dθ (1)

其中易g_p(r)为变换核的径向分量，而e^jqθ是变换核的角度分量.进一步把上式写成：

F_pq＝∫∫S_q(r)g_p(r)rdrdθ (2)

其中S_q(r)＝∫f(r，θ)e^jqθdθ。如果上式中g_p(r)定义在：r的整个定义域内，则F_pq。可看作是图像的全局特征，否则可看作是图像的局部特征.可以证明图像发生旋转后特征值的模||F_pq||；||F_pq||保持不变。

假设||F_pq||和||F′_pq||分别为两个相似物体的特征值，存在

||F_pq||＝||F′_pq||+Δ_pq (3)

设有噪声存在，则式(3)变为

||F_pq||＝||F′_pq||+Δ_pq+n_pq (4)

因为两个物体是相似的，所以Δ_Pq总是比较小。由于Hu矩、Li矩及Zemike矩都是在整个图像空间中计算的，因而n_pq就比较大。如果n_pq比Δ_pq大，就会使识别发生错误，而如果g_p(r)是定义在图像的局部空间，则样本之间的区别就可能要大一些，同时n_pq必然会减小，这样就提高了识别的正确率。g_p(r)定义在图像的局部空间，样本特征的变化区域不大可能相互重叠，这是提出利用小波变换从图像中提取适当阶数的不变矩的一个关键思想。

2)小波矩的构造

小波矩是取小波基函数作为g_p(r)，考虑小波函数族

其中a(a∈R₊)为扩张因子；b(b∈R)为位移因子。用式(5)代替式(2)中的g_p(r)，得到小波矩不变量。扩张参数的离散值一般为的形式(m为整数)，b为的形式。需要注意的是b₀的值在大于0的范围内选取时，Ψ[(r-b)/a]函数族应在不同的m时都能覆盖所有范围。

$\mathrm{\Ψ}\left(r\right)=\frac{{4a}^{n+1}}{\sqrt{2\mathrm{\π}(n+1)}}{\mathrm{\σ}}_w\cos \left(2\mathrm{\π}{f}_0(2r-1)\right)\×\exp (-\frac{{(2r-1)}^2}{2{\mathrm{\σ}}_w^2(n+1)})---\left(6\right)$

其中：n＝3；a＝0.697066；f₀＝0.49177；由于图像的尺寸一般被归一化在r≤1范围内，a₀的值一般取为0.5，b₀的值在大于0的范围内适当选取.当a＝0.5^m，b＝n·0.5^m时，小波函数沿着轴向定义为：

Ψ_m，n(r)＝2^m/2Ψ(2^mr-n)，则小波函数集平Ψ_m，n(r)＝2^m/2Ψ(2^mr-n)，选择不同的m和n就可以得到图像的全局特征和局部特征.由此可以定义小波矩不变量为

||F_pq||＝||∫S_q(r)Ψ_m，n(r)rdr|| (7)

式中：m＝0，1，2，…；n＝0，1，…，2^m+1；q＝0，1，2，…。对某一固定的r，S_q(r)＝∫f(r，θ)e^jqθdθ代表图像f(r，θ)在相位空间[0，2π]中的第q个特征。利用不同的尺度因子m、位移因子n、Ψ_m，n(r)可以遍及整个径向空间[0，1]，小波矩不变量||F_pq||可以提供f(r，θ)在不同尺度水平上的特征。在算法实现中，角度积分和小波变换都是离散变换。

3)基于小波矩特征和神经网络的识别算法

将输人二维二值图像的不变矩作为识别特征，运用BP网络进行识别，将输入图像经过归一化处理，极坐标化，旋转不变小波矩特征提取后，送入BP网络分类器进行识别，获得识别结果。

a特征提取

(1)归一化处理

样本可能含有平移、缩放的复杂情况，要使样本的特征数据适合从各个方向识别就应该具有平移、缩放和旋转不变性.为了实现所提取的矩具有平移、缩放和旋转不变性，必须先对样本进行归一化预处理。

平移和缩放不变性通常由下列方法得到：定义标准矩因子m_pq＝∫∫x^py^qf(x，y)dxdy因为图形的质心具有平移、缩放和旋转不变性，解决平移问题的方法是首先确定图形的质心坐标：X₀＝m₁₀/m₀₀，Y₀＝m₀₁/m₀₀。解决缩放问题的方法是：定义缩放因子α为图像尺寸与标准尺寸的比值(A_REA表示所期望的图像尺寸)。根据像素点相对于质心心(X₀，Y₀)的距离做归一化.从而改变坐标来获取平移、缩放的标准图像：

$\left(\begin{array}{c}x\\ y\end{array}\right)\→\left(\begin{array}{c}(x-X_0)/\mathrm{\α}\\ (y-Y_0)/\mathrm{\α}\end{array}\right)---\left(8\right)$

(2)极坐标化

f(x，y)表示直角坐标上的二维二值图像，其相应的极坐标形式为f(r，θ)，x＝rcosθ，y＝rsinθ。因为图像是离散的，应注意选取适当的角度间隔Δθ，把极坐标转换造成的误差控制在最小限度内。

(3)小波矩特征提取

理论上小波矩提取是由||F_pq||＝||∫S_q(r)Ψ_m，n(r)rdr||获得，实际是进行离散处理，因此必领把变换离散化；选取适当的角度间隔Δθ＝2π/N(N为图像像素点数)，则角度积分为q＝0，1，...，N对得到的S_q(r)利用小波函数在径向区域(0≤r≤1)内提取特征。具体算法如下：这里Ψ_m，n(r)代表小波函数(m，n为小波相应的缩放、平移因子)；q表示所取的FFT谐波阶次(一般取0，1，2，3)。所得F_m，n，q为S_q(r)的小波变换。最后的r是在直角坐标变换为极坐标时引人。对于固定的r，S_q(r)表示图像f(r，θ)在相位区域(0≤θ≤2π)频率为q时的特征。所以又S_q(r)r表示f(r，θ)在径向区域(0≤r≤1)内的特征分布，利用不同的缩放因子m和位移因子n。保证小波函数Ψ_m，n(r)包含整个径向区域，从而小波矩||F_pq||可以提供f(r，θ)在不同的m缩放时的特征，同时易见小波不变矩具有旋转不变性。利用不同的缩放因子m，可以实现对对象的粗糙一精细处理，逐步提取特征，直至实现所需要的分辨率。

因为提取的特征总数远大于所需的特征数，所以还必须进行特征选择。实验中根据特征的类间距离和类内距离之比来衡量特征的分类识别能力，选取具有较强识别能力的特征。因为无法也无须考虑所有特征因子的情况，所以采用的方法是准最优的。

b.采用BP网的多层前馈神经网络分类器

BP神经网络是模式识别分类中使用最广的神经网络模型，有隐含层的网络可完成多维空间的任意分割。BP网络采取误差反向传播学习算法，广泛应用于函数逼近、模式识别、分类、数据压缩等方面。

构造的BP神经网络是一个3层前馈网络，所有的单元在区间[0，1]取连续值，最低层是输人层，

第2层是隐含层，第3层是输出层。训练相当于发现适当的互连权重，使得对应一个输人样本，能产生一个期望的输出。使用这样的网络要求对应于输人模式所属类别的那个节点的输出设为1，而其余所有的输出节点设置为0。

BP学习算法用来训练网络，该算法的主要步骤为：

(1)用小的随机数初始化全部的w_ij，w_ij是从神经元了到下一层神经元的互连权重。

(2)从类别m中给出一个输入模式，并具体化期望的输出，在实验中第m个输出节点的输出设为1，其他所有的输出节点的输出设为0。

(3)使用当前的w_ij计算所有节点的实际输出，节点j总的输入为而一节点j的输出为它的总输人的非线性函数，当此函数为sigmoid函数时，有

o_j＝f(net_j)＝1/(1+exp((-net_j+θ_j)/θ₀)) (9)

式中：参数θ_j表示阀值；θ₀为正常数，可以任意选定，它的作用是调节sgimoid函数的形状。

(4)输出单元产生的激活再与期望值相比较，输人模式的误差

$E_p=\frac{1}{2}\underset{j}{\mathrm{\Σ}}{(t_{\mathrm{pj}}-o_{\mathrm{pj}})}^2---\left(10\right)$

式中：t_pj是目标模式p的第j个分量o_jp、是由当前输人模式p产生的输出模式的第j个分量。对训练数据集的所有其余模式重复上述过程，总的系统误差由计算。

总之，上述算法是在权重空间中的梯度下降迭代过程，使得整个系统中所有节点的实际输出与期望输出之间的误差最小。

二、食品安全检测标准样本获取

在图1中的4中的食品安全检测的标准判据的获取，是实现用手机进行食品安全检测的基础性工作，如果这一样本有误，就会导致手机检测方法的失败，在建立标准样本图像特征库时，必须在食品安全检测实验室中进行，用多种技术手段(例如：光谱图像检测技术、计算机视觉技术、多传感器信息融合技术)，互相校正检测误差，同时互相验证各自检测结果。将结果互相验证的标准样本在训练BP神经网络，建立食品安全检测的标准判据。

三、检测食品的种类及其标准判据

1.建立新鲜蔬菜分类别的残留农药检测标准判据；

2.建立家家畜、禽肉类新鲜度的检测标准判据；

3.建立水产类新鲜度的检测标准判据；

4.建立米、面质量的检测标准判据；

5.建立饮料、酒类的质量检测标准判据。

开发检测程序是一个开发系统，可以随时增加新的检测品种的判据。

Claims (5)

1.一种基于手机的食品安全检测方法，其特征在于：

用手机摄像头对食品进行摄像，使被检测食品成为图像文件；

应用图像处理算法对被检测食品图像进行实时的预处理处理，并且将图像自动生成二维信号；

提取二维信号的特征值；

将提取的特征值与用在实验室中标准样本图像特征库中建立的判据进行比较；

在手机屏幕上显示食品安全检测的结果。

2.根据权利要求1所述的食品安全检测方法，其特征在于：应用神经网络算法训练标准样本，建立食品安全检测的标准判据。

3.根据权利要求2所述的食品安全检测方法，其特征在于：所述的神经网络算法是BP神经网络。

4.根据权利要求1所述的食品安全检测方法，其特征在于：构造小波矩提取被检测食品二维图像特征。

5.根据权利要求1所述的食品安全检测方法，其特征在于：应用小波算法滤噪算法对被检测食品图像进行实时的预处理处理。