CN106951843A - 尘螨检测方法及装置 - Google Patents

尘螨检测方法及装置 Download PDF

Info

Publication number
CN106951843A
CN106951843A CN201710139943.6A CN201710139943A CN106951843A CN 106951843 A CN106951843 A CN 106951843A CN 201710139943 A CN201710139943 A CN 201710139943A CN 106951843 A CN106951843 A CN 106951843A
Authority
CN
China
Prior art keywords
dust mite
feature
original image
contour
unit 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.)
Pending
Application number
CN201710139943.6A
Other languages
English (en)
Inventor
罗昌腾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Skyworth RGB Electronics Co Ltd
Original Assignee
Shenzhen Skyworth RGB Electronics Co Ltd
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 Shenzhen Skyworth RGB Electronics Co Ltd filed Critical Shenzhen Skyworth RGB Electronics Co Ltd
Priority to CN201710139943.6A priority Critical patent/CN106951843A/zh
Publication of CN106951843A publication Critical patent/CN106951843A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种尘螨检测方法，包括：获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征；将所述单位面积内物体的轮廓特征同尘螨形态特征数据库中的数据进行对比，得到各个物体轮廓特征对应尘螨形态特征的匹配度数值；根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量。本发明还公开了一种尘螨检测装置。通过本发明，可以无需借助专业检测设备和试剂便能对待检测区域的图像进行分析处理，识别出待检测区域的尘螨及数量，检测过程迅速，检测结果准确，检测方法可重复使用。

Description

尘螨检测方法及装置
技术领域
本发明涉及图像识别领域，尤其涉及尘螨检测方法及装置。
背景技术
尘螨是诱发哮喘、过敏性鼻炎和湿疹等过敏性疾病的重要变应原。居室地毯、床垫和家具套时尘螨孳生的主要场所，只要有足够的食物和水份供给，尘螨可孳生于室内任何场所。对尘螨过敏的人来说，根据居室内尘螨的密集程度，进行防螨除螨，是一件不可或缺的事情。就目前情况来看，检测尘螨的方式主要是显微镜检测以及试剂检测两种方式。通过显微镜检测，需要借助专业高倍显微镜，一般只有医疗机构和检测机构有，家庭不具备检测条件，且检测过程需要用肉眼进行观察，过程复杂且繁琐。通过试剂检测，需要将收集的尘螨与专业试剂混合，观察试剂改变的颜色检测是否有尘螨，此方法检测结果容易与非尘螨活体冲突，导致检测结果不够准确，且试剂为一次性使用，需要经常更换试剂，成本较高。总体来说，目前检测尘螨的方式，过程复杂、繁琐、成本高。
发明内容
本发明的主要目的在于解决目前检测尘螨的方式，过程复杂、繁琐、成本高的技术问题。
为实现上述目的，本发明提供的一种尘螨检测方法，包括：
获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征；
将所述单位面积内物体的轮廓特征同尘螨形态特征数据库中的数据进行对比，得到各个物体轮廓特征对应尘螨形态特征的匹配度数值；
根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量。
优选地，所述获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征包括：
获取待检测区域原图像，根据清晰度评价算法得到图片清晰度f(I)的值；
当f(I)的值大于预设阈值时，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征。
优选地，所述根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量包括：
根据其中，i为尘螨形态特征数据库中记录的尘螨形态特征点个数，fi为各个物体轮廓特征对应尘螨形态特征的匹配度数值，得到各个物体对应的综合匹配度F；
统计大于预设阈值的综合匹配度F的个数，得到单位面积内尘螨的数量。
优选地，所述获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征之前包括：
获取尘螨的形态特征，并根据尘螨身体部位特征点建立对应的尘螨形态特征数据库。
优选地，所述根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量之后包括：
根据所述单位面积内尘螨的数量，根据预设规则对尘螨危害程度定级，并输出定级结果。
此外，为实现上述目的，本发明还提供一种尘螨检测装置，包括：
获取模块，用于获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征；
对比模块，用于将所述单位面积内物体的轮廓特征同尘螨形态特征数据库中的数据进行对比，得到各个物体轮廓特征对应尘螨形态特征的匹配度数值；
统计模块，用于根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量。
优选地，所述获取模块包括：
评价单元，用于获取待检测区域原图像，根据清晰度评价算法得到图片清晰度f(I)的值；
获取单元，用于当f(I)的值大于预设阈值时，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征。
优选地，所述统计模块包括：
计算单元，用于根据其中，i为尘螨形态特征数据库中记录的尘螨形态特征点个数，fi为各个物体轮廓特征对应尘螨形态特征的匹配度数值，得到各个物体对应的综合匹配度F；
统计单元，用于统计大于预设阈值的综合匹配度F的个数，得到单位面积内尘螨的数量。
优选地，所述尘螨检测装置还包括：
参照模块，用于获取尘螨的形态特征，并根据尘螨身体部位特征点建立对应的尘螨形态特征数据库。
优选地，所述尘螨检测装置还包括：
输出模块，用于根据所述单位面积内尘螨的数量，根据预设规则对尘螨危害程度定级，并输出定级结果。
通过本发明，通过对待检测区域的图像进行处理，将处理后图像中单位面积内物体的轮廓特征同尘螨形态特征数据库中的数据进行对比，计算各自的匹配度，并根据匹配度统计待检测区域单位面积内的尘螨个数，从而可以确定尘螨的密集程度，便于防螨除螨工作的进行。此方法，无需借助专业检测设备和试剂便能对待检测区域的图像进行分析处理，识别出待检测区域的尘螨及数量，检测过程迅速，检测结果准确，检测方法可重复使用。
附图说明
图1为本发明尘螨检测方法第一实施例的流程示意图；
图2为在图片中划定特定区域一实施例的场景示意图；
图3为吸尘装置一实施例的功能模块示意图；
图4为智能云平台照片处理一实施例的流程示意图；
图5为图1中步骤S20的细化流程示意图；
图6为图1中步骤S40的细化流程示意图；
图7为本发明尘螨检测方法第二实施例的流程示意图；
图8为本发明尘螨检测方法第三实施例的流程示意图；
图9为本发明尘螨检测装置第一实施例的功能模块示意图；
图10为图9中获取模块20的细化功能模块示意图；
图11为图9中统计模块40的细化功能模块示意图；
图12为本发明尘螨检测装置第二实施例的功能模块示意图；
图13为本发明尘螨检测装置第三实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种尘螨检测方法。
参照图1，图1为本发明尘螨检测方法第一实施例的流程示意图。
在本实施例中，尘螨检测方法包括：
步骤S20，获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征；
在本实施例中，获取待检测区域原图像的方式不限，例如通过摄像装置对待检测区域进行放大成像，例如通过摄像机通过50倍放大镜对待检测区域进行自动对焦成像。
本实施例中，对原图像处理的过程不限，例如对图片进行灰度处理，然后将灰度处理后的图片进行边缘化处理。本实施例中，灰度处理的方式不限，例如通过基于像素平均值的图像阈值二值化算法，处理流程包括：首先将图片转换为灰度图像，然后计算灰度图像的算术平均值M，最后以M为阈值，完成对灰度图像二值化(大于阈值M，像素点赋值为白色，否则赋值为黑色)。还可以通过基于错误扩散的Floyd-Steinberg抖动算法，又或者是采用加权平均法，即灰度值Gray＝0.11B+0.59G+0.3R，其中B、G、R为像素点的三个颜色分量值。在此，对灰度处理方式不作限制，具体根据实际需要而定。在本实施例中，对灰度处理后的图片进行边缘化处理，是为了将待检测图片中物体与背景区分开来，即为了提取图像中物体的轮廓特征(指线条轮廓)。对于边缘化处理选择的算法不限，例如Robert算子、Sobel算子、Prewitt算子、LoG算子、Canny算子等，在此对边缘化处理方式不作限制，具体根据实际需要而定。
在本实施例中，我们不需要得到整个图像中物体的轮廓特征，可以是在图像中划定特定区域，也可以是随机选择一定大小的区域，面积大小可以根据实际情况自由调节，然后对选择的区域进行处理。如图2所示，图2为在图片中划定特定区域一实施例的场景示意图。
步骤S30，将所述单位面积内物体的轮廓特征同尘螨形态特征数据库中的数据进行对比，得到各个物体轮廓特征对应尘螨形态特征的匹配度数值；
在本实施例中，通过对图片进行处理，得到了单位面积内物体的轮廓特征(主要指物体的线条轮廓)，然后对物体的线条进行闭环抠图(例如通过，基于领域信息的抠图算法，或则是Bayes Matting算法等，在此不作限制，具体根据实际需要选择)，得到单个物体的轮廓线条，然后将单个物体的轮廓线条同尘螨形态特征数据库中的数据进行对比。尘螨形态特征数据库中包括尘螨身体各部分(主要鄂体、螯肢、尖端、须枝、杆状刚毛、长鬃以及5对足)形态特征图片。比对的方式可以为，例如，将一提取的物体的轮廓线条与尘螨形态特征数据库中尘螨身体各部分形态特征图片进行重叠比对(分别旋转0°、90°、180°、270°进行对比)，重叠度计算公式f＝相似点数量/图片像素*100％。得到各个物体轮廓特征对应尘螨形态特征的匹配度数值fi。比如说，同4个尘螨特征部位进行对比，则i即为4，即得到的匹配度数值为f1、f2、f3、f4。
步骤S40，根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量。
本实施例中，根据各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量的方式不限，例如：尘螨形态特征数据库中包括尘螨身体各部分(主要鄂体、螯肢、尖端、须枝、杆状刚毛、长鬃以及5对足)形态特征图片。比对的方式可以为，例如，将一提取的物体的轮廓线条与尘螨形态特征数据库中尘螨身体各部分形态特征图片进行重叠比对(分别旋转0°、90°、180°、270°进行对比)，重叠度计算公式f＝相似点数量/图片像素*100％。最后根据得到综合匹配度数值，其中fi为对不同尘螨特征部位对比重叠度，比如说，同4个尘螨特征部位进行对比，则i即为4。然后统计所有的F中大于预设阈值的个数。在本实施例中，阈值可以自由设置，设置不能过高，因为即使待对比的物体的轮廓线条是螨虫的轮廓线条，对比结果也有可能不是100％吻合，也不能设置过低，过低的话可能导致不是螨虫的物体的轮廓线条也被判定为螨虫，一可选实施例中，可以设置该阈值为80％。即若统计对应数量的综合匹配度数值中大于80％的个数为800个，则800即为此次检测出的螨虫数量。
在本发明一可选实施例中，一种尘螨检测方法，应用于吸尘装置上，如图3所示，图3为吸尘装置一实施例的功能模块示意图。在吸尘装置第二层筛网(一般滤网为双层结构，第一层筛网缝隙较大，能够让尘螨体积左右的颗粒和尘螨通过，避免了头发、大颗粒灰尘等干扰因素的影响，第二层筛网缝隙较小，尘螨大小的颗粒会依附在上面)上设置摄像装置(如摄像头)，该摄像装置具有镜头放大功能以及补光功能。首先，吸尘装置可以在床单、墙角、窗帘等尘螨易聚集的地方进行吸附，所吸附的东西会依附在吸尘装置内部的滤网中。当吸取一定时间后(该时间可以自由设置，例如15分钟)，停止吸尘工作，打开摄像头，开启灯光(该灯光可以是设置于吸尘装置内部)，照亮第二层筛网，摄像头在第二层筛网上选取4出大小为1cm2的区域(该区域可以是预先设置，可以是随机进行选择，区域的面积大小可以进行自由设置，具体根据实际需要而定)通过一定倍数(例如50倍)的放大镜自动对焦成像，得到4处不同位置的照片文件。吸尘装置通过网络模块，将这4份照片文件上传至智能云平台。智能云平台对照片进行分析，并将分析结果反馈到与吸尘装置关联的移动终端。参照图4，图4为智能云平台照片处理一实施例的流程示意图。智能云平台接收到4份照片后，对照片进行清晰度分析，例如，通过清晰度分析算法
其中，图像为I，大小为M×N(像素)，I(x，y)表示该图像(x，y)点的像素的灰度值(取值为0～255)，f(I)表示图像I经过评价函数处理后的结果，当f(I)＞0.8(该值可根据实际情况而定)判断为清晰图片，进入下一步，否则判断为模糊图片，不作处理，继续获取下一张图片。对于清晰图片，首先进行灰度处理，这里可以采用加权平均法，即灰度值Gray＝0.11B+0.59G+0.3R，其中，B、G、R为像素点的三个颜色分量值，然后将灰度处理后的图片进行边缘化处理，这里可以采用Roberts边缘检测算子提取算法，其中，x和y为像素坐标，当g(x，y)大于设定的阈值时，则判断该2*2的图片是边缘图片，反之则不是，最终提取出所有符合边缘检测规则的图像集合，即得到该1cm2照片中物体的轮廓特征。接下来，判断是否有剩余物轮廓，例如，选取一块区域读取灰度值，若灰度值不为零，则进行下一步，若为零，则继续选取下一块区域，直到所有图片区域都被选取过，则输出结果。接下来，便是对照片中的物体轮廓线条进行闭环抠图，然后将提取的物体的轮廓线条逐个的同尘螨形态特征数据库(可以存储于智能云平台中，也可以是智能云平台通过网络传输的方式从其他设备上获取)中的数据进行对比。尘螨形态特征数据库中包括尘螨身体各部分(主要鄂体、螯肢、尖端、须枝、杆状刚毛、长鬃以及5对足)形态特征图片。比对的方式可以为，例如，将一提取的物体的轮廓线条与尘螨形态特征数据库中尘螨身体各部分形态特征图片进行重叠比对(分别旋转0°、90°、180°、270°进行对比)，重叠度计算公式f＝相似点数量/图片像素*100％。最后根据其中fi为对不同尘螨特征部位对比重叠度，当F＞80％时，判断为匹配成功，尘螨数量加1，否则进入下一张物体轮廓线条图片的对比工作。
本实施例中，基于图像识别的方法，对拍摄的图片进行处理，得到图片中物体的轮廓特征，通过物体的轮廓特征同尘螨形态特征数据库中的尘螨形态特征轮廓进行比对，判断该物体是否为尘螨，并统计判断为尘螨的物体的个数。检测过程迅速，检测结果准确，检测方法可重复使用。
参照图5，图5为图1中步骤S20的细化流程示意图。
本实施例中，步骤S20包括：
步骤S201，获取待检测区域原图像，根据清晰度评价算法得到图片清晰度f(I)的值；
本实施例中，对于清晰度评价算法的选择不限，例如通过Brenner梯度函数、Tenengrad梯度函数、SMD(灰度方差)函数、Vollath函数、熵函数等来计算图片清晰度。
本发明一可选实施例中，采用如下算法计算图片清晰度，
其中，图像为I，大小为M×N(像素)，I(x，y)表示该图像(x，y)点的像素的灰度值(取值为0～255)，f(I)表示图像I经过评价函数处理后的结果。
步骤S202，当f(I)的值大于预设阈值时，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征；
在本实施例中，阈值可自由设置，例如设置为0.8，即由清晰度评价算法得出的对图片清晰度的评价结果f(I)大于0.8，则判断该图片为清晰图片，然后对该图片进行处理。若判断该图片不为清晰图片，则不对该图片进行下一步处理，并重新获取待检测区域的原图像，直至获取到清晰图片后，对图片进行下一步处理。还可以通过一定形式(例如闪烁灯光、发出声音等形式)提醒用户。
在本实施例中，对图片的处理主要包括灰度处理和边缘化处理。对图片进行灰度处理和边缘化处理选择的处理方式不限，具体根据实际需要进行选择。
本实施例中，对图片进行处理前先判断图片是否为清晰图片，在图片为清晰图片的条件下进行下一步处理，使得得到的检测结果更加准确。
参照图6，图6为图1中步骤S30的细化流程示意图。
在本实施例中，步骤S40包括：
步骤S401，根据其中，i为尘螨形态特征数据库中记录的尘螨形态特征点个数，fi为各个物体轮廓特征对应尘螨形态特征的匹配度数值，得到各个物体对应的综合匹配度F；；
在本实施例中，通过对图片灰度处理和边缘化处理，得到了图片上物体的轮廓特征(线条轮廓)。尘螨形态特征数据库中记录了尘螨特征点的线条轮廓，例如尘螨身体部位(包括鄂体、螯肢、尖端、杆状刚毛、长鬃以及5对足)的线条轮廓。通过对图片上物体的轮廓特征进行闭环抠图，得到单个物体的线条轮廓特征，然后逐一同尘螨形态特征数据库中尘螨身体各部位的线条轮廓进行重叠比对((分别旋转0°、90°、180°、270°进行对比)，重叠度计算公式f＝相似点数量/图片像素*100％。在本实施例中，例如，单个物体同尘螨身体6个部位进行了重叠度对比，分别得到f1、f2、f3、f4、f5、f6，6组重叠度数值，则综合匹配度数值F＝(f1+f2+f3+f4+f5+f6)/6*100％。
步骤S402，统计大于预设阈值的综合匹配度F的个数，得到单位面积内尘螨的数量。
在本实施例中，阈值可以自由设置，设置不能过高，因为即使待对比的物体的轮廓线条是螨虫的轮廓线条，对比结果也有可能不是100％吻合，也不能设置过低，过低的话可能导致不是螨虫的物体的轮廓线条也被判定为螨虫，一可选实施例中，可以设置该阈值为80％。即若统计对应数量的综合匹配度数值中大于80％的个数为800个，则800即为此次检测出的螨虫数量。
在本实施例中，将各个物体的线条轮廓特征分别同尘螨身体各部位的线条轮廓特征进行重叠比对，使得统计结果更加准确。
参照图7，图7为本发明尘螨检测方法第二实施例的流程示意图。
本实施例中，步骤S20之前包括：
步骤S10，获取尘螨的形态特征，并根据尘螨身体部位特征点建立对应的尘螨形态特征数据库。
在本实施例中，可以根据尘螨身体部位的特征点建立对应的尘螨形态特征数据库，例如，一尘螨形态特征数据库中包括：5对足线条轮廓、鄂体线条轮廓、螯肢线条轮廓、尖端线条轮廓、须枝线条轮廓、杆状刚毛线条轮廓、长鬃线条轮廓。
在本实施例中，根据尘螨身体部位的特征点建立尘螨形态特征数据库，使得只有在一定程度上与尘螨身体特征点线条轮廓符合的线条轮廓对应的物体才会被判定为尘螨，有效提高统计结果的准确度。
参照图8，图8为本发明尘螨检测方法第三实施例的流程示意图。
本实施例中，步骤S40之后包括：
步骤S50，根据所述单位面积内尘螨的数量，根据预设规则对尘螨危害程度定级，并输出定级结果。
在本实施例中，对于尘螨危害程度定级的规则不限，可以根据实际情况进行设置。例如，设置为：在1cm2的区域中，尘螨个数在0～50，则为轻度危害，50～300为中度危害、300以上为重度危害，可以通过直观的显示数字，还可以通过不同危害程度闪烁不同灯光(轻度闪烁绿光、中度闪烁黄光、重度闪烁红光)等方式。
在本实施例中，根据检测到的尘螨数量，将对应的尘螨危害程度等级告知用户，便于用户制定防螨除螨的工作计划。
本发明进一步提供一种尘螨检测装置。
参照图9，图9为本发明尘螨检测装置第一实施例的功能模块示意图。
在本实施例中，尘螨检测装置包括：
获取模块20，用于获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征；
在本实施例中，获取待检测区域原图像的方式不限，例如通过摄像装置对待检测区域进行放大成像，例如通过摄像机通过50倍放大镜对待检测区域进行自动对焦成像。
本实施例中，对原图像处理的过程不限，例如对图片进行灰度处理，然后将灰度处理后的图片进行边缘化处理。本实施例中，灰度处理的方式不限，例如通过基于像素平均值的图像阈值二值化算法，处理流程包括：首先将图片转换为灰度图像，然后计算灰度图像的算术平均值M，最后以M为阈值，完成对灰度图像二值化(大于阈值M，像素点赋值为白色，否则赋值为黑色)。还可以通过基于错误扩散的Floyd-Steinberg抖动算法，又或者是采用加权平均法，即灰度值Gray＝0.11B+0.59G+0.3R，其中B、G、R为像素点的三个颜色分量值。在此，对灰度处理方式不作限制，具体根据实际需要而定。在本实施例中，对灰度处理后的图片进行边缘化处理，是为了将待检测图片中物体与背景区分开来，即为了提取图像中物体的轮廓特征(指线条轮廓)。对于边缘化处理选择的算法不限，例如Robert算子、Sobel算子、Prewitt算子、LoG算子、Canny算子等，在此对边缘化处理方式不作限制，具体根据实际需要而定。
在本实施例中，我们不需要得到整个图像中物体的轮廓特征，可以是在图像中划定特定区域，也可以是随机选择一定大小的区域，面积大小可以根据实际情况自由调节，然后对选择的区域进行处理。如图2所示，图2为在图片中划定特定区域一实施例的场景示意图。
对比模块30，用于将所述单位面积内物体的轮廓特征同尘螨形态特征数据库中的数据进行对比，得到各个物体轮廓特征对应尘螨形态特征的匹配度数值；
在本实施例中，通过对图片进行处理，得到了单位面积内物体的轮廓特征(主要指物体的线条轮廓)，然后对物体的线条进行闭环抠图(例如通过，基于领域信息的抠图算法，或则是Bayes Matting算法等，在此不作限制，具体根据实际需要选择)，得到单个物体的轮廓线条，然后将单个物体的轮廓线条同尘螨形态特征数据库中的数据进行对比。尘螨形态特征数据库中包括尘螨身体各部分(主要鄂体、螯肢、尖端、须枝、杆状刚毛、长鬃以及5对足)形态特征图片。比对的方式可以为，例如，将一提取的物体的轮廓线条与尘螨形态特征数据库中尘螨身体各部分形态特征图片进行重叠比对(分别旋转0°、90°、180°、270°进行对比)，重叠度计算公式f＝相似点数量/图片像素*100％。得到各个物体轮廓特征对应尘螨形态特征的匹配度数值fi。比如说，同4个尘螨特征部位进行对比，则i即为4，即得到的匹配度数值为f1、f2、f3、f4。
统计模块40，用于根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量。
本实施例中，根据各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量的方式不限，例如：尘螨形态特征数据库中包括尘螨身体各部分(主要鄂体、螯肢、尖端、须枝、杆状刚毛、长鬃以及5对足)形态特征图片。比对的方式可以为，例如，将一提取的物体的轮廓线条与尘螨形态特征数据库中尘螨身体各部分形态特征图片进行重叠比对(分别旋转0°、90°、180°、270°进行对比)，重叠度计算公式f＝相似点数量/图片像素*100％。最后根据得到综合匹配度数值，其中fi为对不同尘螨特征部位对比重叠度，比如说，同4个尘螨特征部位进行对比，则i即为4。然后统计所有的F中大于预设阈值的个数。在本实施例中，阈值可以自由设置，设置不能过高，因为即使待对比的物体的轮廓线条是螨虫的轮廓线条，对比结果也有可能不是100％吻合，也不能设置过低，过低的话可能导致不是螨虫的物体的轮廓线条也被判定为螨虫，一可选实施例中，可以设置该阈值为80％。即若统计对应数量的综合匹配度数值中大于80％的个数为800个，则800即为此次检测出的螨虫数量。
在本发明一可选实施例中，一种尘螨检测方法，应用于吸尘装置上，如图3所示，图3为吸尘装置一实施例的功能模块示意图。在吸尘装置第二层筛网(一般滤网为双层结构，第一层筛网缝隙较大，能够让尘螨体积左右的颗粒和尘螨通过，避免了头发、大颗粒灰尘等干扰因素的影响，第二层筛网缝隙较小，尘螨大小的颗粒会依附在上面)上设置摄像装置(如摄像头)，该摄像装置具有镜头放大功能以及补光功能。首先，吸尘装置可以在床单、墙角、窗帘等尘螨易聚集的地方进行吸附，所吸附的东西会依附在吸尘装置内部的滤网中。当吸取一定时间后(该时间可以自由设置，例如15分钟)，停止吸尘工作，打开摄像头，开启灯光(该灯光可以是设置于吸尘装置内部)，照亮第二层筛网，摄像头在第二层筛网上选取4出大小为1cm2的区域(该区域可以是预先设置，可以是随机进行选择，区域的面积大小可以进行自由设置，具体根据实际需要而定)通过一定倍数(例如50倍)的放大镜自动对焦成像，得到4处不同位置的照片文件。吸尘装置通过网络模块，将这4份照片文件上传至智能云平台。智能云平台对照片进行分析，并将分析结果反馈到与吸尘装置关联的移动终端。参照图4，图四为智能云平台照片处理一实施例的流程示意图。智能云平台接收到4份照片后，对照片进行清晰度分析，例如，通过清晰度分析算法
其中，图像为I，大小为M×N(像素)，I(x，y)表示该图像(x，y)点的像素的灰度值(取值为0～255)，f(I)表示图像I经过评价函数处理后的结果，当f(I)＞0.8(该值可根据实际情况而定)判断为清晰图片，进入下一步，否则判断为模糊图片，不作处理，继续获取下一张图片。对于清晰图片，首先进行灰度处理，这里可以采用加权平均法，即灰度值Gray＝0.11B+0.59G+0.3R，其中，B、G、R为像素点的三个颜色分量值，然后将灰度处理后的图片进行边缘化处理，这里可以采用Roberts边缘检测算子提取算法，其中，x和y为像素坐标，当g(x，y)大于设定的阈值时，则判断该2*2的图片是边缘图片，反之则不是，最终提取出所有符合边缘检测规则的图像集合，即得到该1cm2照片中物体的轮廓特征。接下来，判断是否有剩余物轮廓，例如，选取一块区域读取灰度值，若灰度值不为零，则进行下一步，若为零，则继续选取下一块区域，直到所有图片区域都被选取过，则输出结果。接下来，便是对照片中的物体轮廓线条进行闭环抠图，然后将提取的物体的轮廓线条逐个的同尘螨形态特征数据库(可以存储于智能云平台中，也可以是智能云平台通过网络传输的方式从其他设备上获取)中的数据进行对比。尘螨形态特征数据库中包括尘螨身体各部分(主要鄂体、螯肢、尖端、须枝、杆状刚毛、长鬃以及5对足)形态特征图片。比对的方式可以为，例如，将一提取的物体的轮廓线条与尘螨形态特征数据库中尘螨身体各部分形态特征图片进行重叠比对(分别旋转0°、90°、180°、270°进行对比)，重叠度计算公式f＝相似点数量/图片像素*100％。最后根据其中fi为对不同尘螨特征部位对比重叠度，当F＞80％时，判断为匹配成功，尘螨数量加1，否则进入下一张物体轮廓线条图片的对比工作。
本实施例中，基于图像识别的方法，对拍摄的图片进行处理，得到图片中物体的轮廓特征，通过物体的轮廓特征同尘螨形态特征数据库中的尘螨形态特征轮廓进行比对，判断该物体是否为尘螨，并统计判断为尘螨的物体的个数。检测过程迅速，检测结果准确，检测方法可重复使用。
参照图10，图10为图9中获取模块20的细化功能模块示意图。
在本实施例中，获取模块20包括：
评价单元201，用于获取待检测区域原图像，根据清晰度评价算法得到图片清晰度f(I)的值；
本实施例中，对于清晰度评价算法的选择不限，例如通过Brenner梯度函数、Tenengrad梯度函数、SMD(灰度方差)函数、Vollath函数、熵函数等来计算图片清晰度。
本发明一可选实施例中，采用如下算法计算图片清晰度，
其中，图像为I，大小为M×N(像素)，I(x，y)表示该图像(x，y)点的像素的灰度值(取值为0～255)，f(I)表示图像I经过评价函数处理后的结果。
获取单元202，用于当f(I)的值大于预设阈值时，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征。
在本实施例中，阈值可自由设置，例如设置为0.8，即由清晰度评价算法得出的对图片清晰度的评价结果f(I)大于0.8，则判断该图片为清晰图片，然后对该图片进行处理。若判断该图片不为清晰图片，则不对该图片进行下一步处理，并重新获取待检测区域的原图像，直至获取到清晰图片后，对图片进行下一步处理。还可以通过一定形式(例如闪烁灯光、发出声音等形式)提醒用户。
在本实施例中，对图片的处理主要包括灰度处理和边缘化处理。对图片进行灰度处理和边缘化处理选择的处理方式不限，具体根据实际需要进行选择。
本实施例中，对图片进行处理前先判断图片是否为清晰图片，在图片为清晰图片的条件下进行下一步处理，使得得到的检测结果更加准确。
参照图11，图11为图9中统计模块40的细化功能模块示意图。
在本实施例中，统计模块40包括：
计算单元401，用于根据其中，i为尘螨形态特征数据库中记录的尘螨形态特征点个数，fi为各个物体轮廓特征对应尘螨形态特征的匹配度数值，得到各个物体对应的综合匹配度F；
在本实施例中，通过对图片灰度处理和边缘化处理，得到了图片上物体的轮廓特征(线条轮廓)。尘螨形态特征数据库中记录了尘螨特征点的线条轮廓，例如尘螨身体部位(包括鄂体、螯肢、尖端、杆状刚毛、长鬃以及5对足)的线条轮廓。通过对图片上物体的轮廓特征进行闭环抠图，得到单个物体的线条轮廓特征，然后逐一同尘螨形态特征数据库中尘螨身体各部位的线条轮廓进行重叠比对((分别旋转0°、90°、180°、270°进行对比)，重叠度计算公式f＝相似点数量/图片像素*100％。在本实施例中，例如，单个物体同尘螨身体6个部位进行了重叠度对比，分别得到f1、f2、f3、f4、f5、f6，6组重叠度数值，则综合匹配度数值F＝(f1+f2+f3+f4+f5+f6)/6*100％。
统计单元402，用于统计大于预设阈值的综合匹配度F的个数，得到单位面积内尘螨的数量。
在本实施例中，阈值可以自由设置，设置不能过高，因为即使待对比的物体的轮廓线条是螨虫的轮廓线条，对比结果也有可能不是100％吻合，也不能设置过低，过低的话可能导致不是螨虫的物体的轮廓线条也被判定为螨虫，一可选实施例中，可以设置该阈值为80％。即若统计对应数量的综合匹配度数值中大于80％的个数为800个，则800即为此次检测出的螨虫数量。在本实施例中，将各个物体的线条轮廓特征分别同尘螨身体各部位的线条轮廓特征进行重叠比对，使得统计结果更加准确。
参照图12，图12为本发明尘螨检测装置第二实施例的功能模块示意图。
在本实施例中，尘螨检测装置还包括：
参照模块10，用于获取尘螨的形态特征，并根据尘螨身体部位特征点建立对应的尘螨形态特征数据库。
在本实施例中，可以根据尘螨身体部位的特征点建立对应的尘螨形态特征数据库，例如，一尘螨形态特征数据库中包括：5对足线条轮廓、鄂体线条轮廓、螯肢线条轮廓、尖端线条轮廓、须枝线条轮廓、杆状刚毛线条轮廓、长鬃线条轮廓。
在本实施例中，根据尘螨身体部位的特征点建立尘螨形态特征数据库，使得只有在一定程度上与尘螨身体特征点线条轮廓符合的线条轮廓对应的物体才会被判定为尘螨，有效提高统计结果的准确度。
参照图13，图13为本发明尘螨检测装置第三实施例的功能模块示意图。
在本实施例中，尘螨检测装置还包括：
输出模块50，用于根据所述单位面积内尘螨的数量，根据预设规则对尘螨危害程度定级，并输出定级结果。
在本实施例中，对于尘螨危害程度定级的规则不限，可以根据实际情况进行设置。例如，设置为：在1cm2的区域中，尘螨个数在0～50，则为轻度危害，50～300为中度危害、300以上为重度危害，可以通过直观的显示数字，还可以通过不同危害程度闪烁不同灯光(轻度闪烁绿光、中度闪烁黄光、重度闪烁红光)等方式。
在本实施例中，根据检测到的尘螨数量，将对应的尘螨危害程度等级告知用户，便于用户制定防螨除螨的工作计划。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种尘螨检测方法，其特征在于，所述尘螨检测方法包括：
获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征；
将所述单位面积内物体的轮廓特征同尘螨形态特征数据库中的数据进行对比，得到各个物体轮廓特征对应尘螨形态特征的匹配度数值；
根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量。
2.如权利要求1所述的尘螨检测方法，其特征在于，所述获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征包括：
获取待检测区域原图像，根据清晰度评价算法得到图片清晰度f(I)的值；
当f(I)的值大于预设阈值时，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征。
3.如权利要求1所述的尘螨检测方法，其特征在于，所述根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量包括：
根据其中，i为尘螨形态特征数据库中记录的尘螨形态特征点个数，fi为各个物体轮廓特征对应尘螨形态特征的匹配度数值，得到各个物体对应的综合匹配度F；
统计大于预设阈值的综合匹配度F的个数，得到单位面积内尘螨的数量。
4.如权利要求1所述的尘螨检测方法，其特征在于，所述获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征之前包括：
获取尘螨的形态特征，并根据尘螨身体部位特征点建立对应的尘螨形态特征数据库。
5.如权利要求1所述的尘螨检测方法，其特征在于，所述根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量之后包括：
根据所述单位面积内尘螨的数量，根据预设规则对尘螨危害程度定级，并输出定级结果。
6.一种尘螨检测装置，其特征在于，所述尘螨检测装置包括：
获取模块，用于获取待检测区域原图像，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征；
对比模块，用于将所述单位面积内物体的轮廓特征同尘螨形态特征数据库中的数据进行对比，得到各个物体轮廓特征对应尘螨形态特征的匹配度数值；
统计模块，用于根据所述各个物体轮廓特征对应尘螨形态特征的匹配度数值，统计所述单位面积内尘螨的数量。
7.如权利要求6所述的尘螨检测装置，其特征在于，所述获取模块包括：
评价单元，用于获取待检测区域原图像，根据清晰度评价算法得到图片清晰度f(I)的值；
获取单元，用于当f(I)的值大于预设阈值时，对所述原图像进行处理，得到所述原图像中单位面积内物体的轮廓特征。
8.如权利要求6所述的尘螨检测装置，其特征在于，所述统计模块包括：
计算单元，用于根据其中，i为尘螨形态特征数据库中记录的尘螨形态特征点个数，fi为各个物体轮廓特征对应尘螨形态特征的匹配度数值，得到各个物体对应的综合匹配度F；
统计单元，用于统计大于预设阈值的综合匹配度F的个数，得到单位面积内尘螨的数量。
9.如权利要求6所述的尘螨检测装置，其特征在于，所述尘螨检测装置还包括：
参照模块，用于获取尘螨的形态特征，并根据尘螨身体部位特征点建立对应的尘螨形态特征数据库。
10.如权利要求6所述的尘螨检测装置，其特征在于，所述尘螨检测装置还包括：
输出模块，用于根据所述单位面积内尘螨的数量，根据预设规则对尘螨危害程度定级，并输出定级结果。
CN201710139943.6A 2017-03-09 2017-03-09 尘螨检测方法及装置 Pending CN106951843A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710139943.6A CN106951843A (zh) 2017-03-09 2017-03-09 尘螨检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710139943.6A CN106951843A (zh) 2017-03-09 2017-03-09 尘螨检测方法及装置

Publications (1)

Publication Number Publication Date
CN106951843A true CN106951843A (zh) 2017-07-14

Family

ID=59468190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710139943.6A Pending CN106951843A (zh) 2017-03-09 2017-03-09 尘螨检测方法及装置

Country Status (1)

Country Link
CN (1) CN106951843A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108464297A (zh) * 2018-03-26 2018-08-31 江苏美的清洁电器股份有限公司 一种织物除螨方法和除螨仪

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637262A (zh) * 2012-03-09 2012-08-15 上海凯度机电科技有限公司 一种自适应细菌计数方法
CN103207994A (zh) * 2013-04-28 2013-07-17 重庆大学 一种基于多投影面关键形态特征的运动物件类型识别方法
US20160034745A1 (en) * 2014-08-01 2016-02-04 General Electric Company High sensitivity flat panel microbiology detection and enumeration system
CN106295572A (zh) * 2016-03-30 2017-01-04 李辰 细菌鉴定方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637262A (zh) * 2012-03-09 2012-08-15 上海凯度机电科技有限公司 一种自适应细菌计数方法
CN103207994A (zh) * 2013-04-28 2013-07-17 重庆大学 一种基于多投影面关键形态特征的运动物件类型识别方法
US20160034745A1 (en) * 2014-08-01 2016-02-04 General Electric Company High sensitivity flat panel microbiology detection and enumeration system
CN106295572A (zh) * 2016-03-30 2017-01-04 李辰 细菌鉴定方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108464297A (zh) * 2018-03-26 2018-08-31 江苏美的清洁电器股份有限公司 一种织物除螨方法和除螨仪

Similar Documents

Publication Publication Date Title
JP5043755B2 (ja) 樹脂材料検査装置およびプログラム
JP4416795B2 (ja) 補正方法
CN111062938B (zh) 基于机器学习的板材涨塞检测系统和检测方法
CN104717387B (zh) 图像评价装置以及图像评价方法
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN110728201B (zh) 用于指纹识别的图像处理方法及装置
van Zwanenberg et al. Edge detection techniques for quantifying spatial imaging system performance and image quality
JP2012514814A (ja) バイアルおよび他の容器上のキャップの存在および種類の自動検出のための方法および装置
WO2019210707A1 (zh) 一种图像清晰度评测方法、装置及电子设备
CN111444555A (zh) 一种测温信息显示方法、装置及终端设备
CN106951843A (zh) 尘螨检测方法及装置
US10666840B2 (en) Processing data representing images of objects to classify the objects
CN107300360A (zh) 一种杂粮作物籽粒三轴尺寸快速检测算法
CN107784645A (zh) 图像清晰度评价方法及系统、自动聚焦方法
Hu et al. Jpeg ringing artifact visibility evaluation
CN106127738A (zh) 凝集试验判读方法
CN112505002B (zh) 一种基于rgb模型的溶液浊度检测方法、介质、图像系统
CN115456888A (zh) 电子化美术考试作品的校正方法、装置、电子设备及介质
TWI655412B (zh) 發光源檢測系統與方法
CN108519066B (zh) 一种基于四侧光源图像的织物平整度的客观评定方法
JP3605579B2 (ja) クリーンルーム用の塵埃検出装置、塵埃検出システム、微粒子測定器および塵埃検出方法
KR101120165B1 (ko) 놀이용 카드의 비가시성 마크 검출 방법 및 그 방법을 실행하는 프로그램이 기록된 기록매체
KR101701934B1 (ko) 휴대용 아그트론 넘버 분석 장치 및 아그트론 넘버 분석 방법
Paulsson et al. A real-time color image processing system for forensic fiber investigations
KR101155992B1 (ko) 모바일폰을 이용한 카드의 비가시성 마크 검출 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170714

RJ01 Rejection of invention patent application after publication