CN109190624B - 基于图像处理的厨房油烟浓度检测方法 - Google Patents

基于图像处理的厨房油烟浓度检测方法 Download PDF

Info

Publication number
CN109190624B
CN109190624B CN201811152667.8A CN201811152667A CN109190624B CN 109190624 B CN109190624 B CN 109190624B CN 201811152667 A CN201811152667 A CN 201811152667A CN 109190624 B CN109190624 B CN 109190624B
Authority
CN
China
Prior art keywords
image
gray
oil smoke
sub
initial
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.)
Active
Application number
CN201811152667.8A
Other languages
English (en)
Other versions
CN109190624A (zh
Inventor
陈小平
陈超
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.)
Foshan Viomi Electrical Technology Co Ltd
Original Assignee
Foshan Viomi Electrical Technology 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 Foshan Viomi Electrical Technology Co Ltd filed Critical Foshan Viomi Electrical Technology Co Ltd
Priority to CN201811152667.8A priority Critical patent/CN109190624B/zh
Publication of CN109190624A publication Critical patent/CN109190624A/zh
Application granted granted Critical
Publication of CN109190624B publication Critical patent/CN109190624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G01N15/075—

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

一种基于图像处理的厨房油烟浓度检测方法，图像处理单元以成像设备采集的前后帧的初始图像作为基础进行处理，初始图像为灰度图，通过如下步骤进行：(1)对采集到的初始图像进行帧差处理得到帧差图像；(2)以开运算方式对帧差图像进行去噪处理，得到去噪图像；(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域；(4)对初始感兴趣区域进行灰度均值计算和区域平滑度计算，将同时满足灰度均值和平滑度要求的区域作为下一步感兴趣区域，其它的区域作为干扰排除；(5)对步骤(4)提取出的感兴趣区域分别进行灰度直方图统计，根据统计结果划分油烟浓度等级。本发明可实现油烟浓度的非接触实时检测，具有高准确度和实时性等优点。

Description

基于图像处理的厨房油烟浓度检测方法
技术领域
本发明涉及厨房油烟处理技术领域，特别是涉及一种基于图像处理的厨房油烟浓度检测方法。
背景技术
厨房是居家必备的配置之一，厨房油烟处理的效果直接影响人们的生活品质。随着科技的不断发展，对厨房油烟的监控及处理手段也越来越多。继传统的抽油烟机设置几个抽吸档位后，还出现了对厨房油烟浓度进行检测等技术。
现有技术中，针对厨房油烟浓度的检测，主要有红外投射法和物理检测法。红外投射法通过一端发射红外光，另一端进行接收，通过接收到的红外光强度来判断油烟浓度大小。但是，由于油烟飘散具有不确定性，实际中还会存在人手遮挡等干扰，故，需在不同位置安装多个红外发射器才能保证油烟检测的相对准确，成本较高，对安装位置要求也较高。物理检测法类似于烟雾报警器的原理，通过检测空气中漂浮颗粒数来判断油烟浓度，但此法有两个缺点，一是必须当油烟接触到报警器时才能进行检测，不能实现远距离检测；二是当空气中飘浮的不是油烟而是水雾时就无法检测。
因此，针对现有技术不足，提供一种基于图像处理的厨房油烟浓度检测方法以克服现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种基于图像处理的厨房油烟浓度检测方法，具有检测实时、油烟浓度检测结果准确性高的特点。
本发明的目的通过以下技术措施实现。
提供一种基于图像处理的厨房油烟浓度检测方法，图像处理单元以成像设备采集的初始图像作为基础进行处理，初始图像为灰度图，所采集的初始图像被序列化，依次通过后帧的初始图像与前帧的初始图像进行处理，得到各个后帧初始图像所处时刻的当前厨房油烟浓度；
每次通过后帧的初始图像与前帧的初始图像进行处理，得到后帧初始图像所处时刻的当前厨房油烟浓度的步骤过程如下：
(1)将后帧的初始图像与前帧的初始图像进行帧差处理得到帧差图像；
(2)以开运算方式对帧差图像进行去噪处理，得到去噪图像；
(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域；
(4)对初始感兴趣区域进行灰度均值计算和区域平滑度计算，将同时满足灰度均值和平滑度要求的区域作为下一步感兴趣区域，其它的区域作为干扰排除；
(5)对步骤(4)提取出的感兴趣区域分别进行灰度直方图统计，根据统计结果划分油烟浓度等级。
进一步的，步骤(5)具体包括：
S1，将每个感兴趣区域分为W*Ψ个子区域，对每个子区域进行烟雾检测并判断每个子区域的油烟等级，得到每个子区域对应的油烟等级，W、Ψ均为自然数；
S2，根据所有子区域的油烟等级信息对整体区域的油烟等级进行加权求和；
S3，根据加权求和结果判断整体油烟等级。
进一步的，步骤S1中，对每个子区域进行烟雾检测并判断油烟等级具体通过如下方式进行：
计算每个子区域的灰度值均值，子区域的灰度值均值等于子区域中所有像素点的灰度值求和除以像素的个数；
当子区域的灰度值均值小于a时，判定子区域的烟雾等级为无烟，以X1表示；当子区域的灰度值均值为b时，判定子区域的烟雾等级为小烟，以X2表示；当子区域的灰度值均值为c时，判定子区域的烟雾等级为中烟，以X3表示；当子区域的灰度值均值大于d时，判定子区域的烟雾等级为大烟，以X4表示，其中，a、b、c、d均为正数，且a<b<c<d，a≤6，5≤b≤15，16≤c≤20。
优选的，a＝5，d＝20。
步骤S2将整体区域的油烟等级进行加权求和，具体通过如下公式进行：
Y＝a0*P0+a1*P1+a2*P2+a3*P3；
其中，Y为加权求和结果，P0是统计的所有子区域中油烟等级为X0的子区域数量，a0为无烟的权重系数，P1是统计的所有子区域中油烟等级为X1的子区域数量，a1为小烟的权重系数，P2是统计的所有子区域中油烟等级为X2的子区域数量，a2为中烟的权重系数，P3是统计的所有子区域中油烟等级为X3的子区域数量，a3为大烟的权重系数；
步骤S3具体是将Y值与整体油烟判定阈值进行比较，判断整体油烟等级。
进一步的，整体油烟判定阈值为
Figure BDA0001818284530000031
和
Figure BDA0001818284530000032
和
Figure BDA0001818284530000033
均为正数，
Figure BDA0001818284530000034
当Y小于
Figure BDA0001818284530000035
时，判定整体油烟等级为无烟；
当Y的范围在大于等于
Figure BDA0001818284530000036
而小于
Figure BDA0001818284530000037
时，判定整体油烟等级为小烟；
当Y的范围在大于等于
Figure BDA0001818284530000038
而小于
Figure BDA0001818284530000039
时，判定整体油烟等级为中烟；
当Y的范围在大于等于
Figure BDA00018182845300000310
时，判定整体油烟等级为大烟；
Figure BDA00018182845300000311
的取值范围为90-110，
Figure BDA00018182845300000312
的取值范围为130-170，
Figure BDA00018182845300000313
的取值范围为280-320。
优选的，
Figure BDA00018182845300000314
进一步的，步骤(1)中，对采集到的初始图像进行帧差操作得到帧差图像具体是：
图像处理单元根据接收到的初始图像的先后顺序，将后一帧图像与前一帧图像做差，得到动态区域高亮的帧差图像。
进一步的，所述步骤(2)对帧差图像采用开运算进行去噪处理，得到去噪图像，具体通过如下方式进行：先对帧差图像进行腐蚀操作，以消除图像中的噪点和细小尖刺，断开窄小的连接；再对腐蚀后的图像进行膨胀操作，恢复原帧差图像中的明显特征。
进一步的，所述步骤(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域，具体是：利用小波变换，检测帧差图像高亮区域的边缘并进行标记，将标记出的区域作为初始感兴趣区域。
进一步的，所述步骤(4)具体是对每个初始感兴趣区域进行灰度均值、区域平滑度计算，得到每个初始感兴趣区域对应的灰度均值和灰度平滑度，将同时满足计算得到的灰度均值小于灰度阈值、灰度平滑度小于灰度平滑度阈值的初始感兴趣区域作为感兴趣区域，将其它初始感兴趣区域判定为干扰区域。
进一步的，步骤(5)中对步骤(4)提取出的感兴趣区域分别进行灰度直方图统计，根据统计结果划分油烟浓度等级，具体是：
将感兴趣区域图像中的所有像素，按照灰度值的大小，统计其出现的频率；
再根据需要划分的浓度等级数量，取10为区间长度，统计每个灰度区间内的像素点个数，每个灰度区间内的像素点个数对应划分油烟为相应的浓度等级。
进一步的，上述的基于图像处理的厨房油烟浓度检测方法，成像设备采集的目标区域以区域S表示，任意一帧初始图像为对应区域S的成像；
初始图像由m*n个像素构成，
后帧初始图像A的像素的灰度值以矩阵AH表示，AH＝{ahi,j}，ahi,j代表后帧初始图像A中第i行、第j列像素对应的灰度值，i为像素所在的行，j为像素所在的列，1≤i≤m，1≤j≤n；后帧初始图像A中第i行、第j列像素所在的子区域为ASi,j；
前帧初始图像B的像素的灰度值以矩阵BH表示，BH＝{bhi,j}，bhi,j代表前帧初始图像B中第i行、第j列像素对应的灰度值，前帧初始图像B中第i行、第j列像素所在的子区域为BSi,j；
帧差图像D的像素灰度值以矩阵DH表示，DH＝{dhi,j}＝{|ahi,j-bhi,j|}，dhi,j代表帧差图像D中第i行、第j列像素对应的灰度值，帧差图像D中第i行、第j列像素所在的子区域为DSi,j；
在帧差图像中，|dhi,j|＝0的区域，呈黑色；|dhi,j|≠0的区域呈高亮显示。
进一步的，步骤(2)中对帧差图像进行腐蚀操作，具体包括如下步骤：
2-11，任意定义一个卷积核A；
2-12，将卷积核A与帧差图像进行卷积；在卷积核A遍历帧差图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最小值p以及与卷积核中心重合的像素点C；
像素点C的灰度通过矩阵CH＝{ck,q}表示，k、q为像素点C的行序号和列序号，
Figure BDA0001818284530000051
获得在卷积核A遍历帧差图像过程中得到的卷积结果最小值像素点矩阵P，最小值像素点矩阵P的灰度通过矩阵PH＝{pk,q}表示；
2-13将像素点矩阵P的灰度值对应覆予像素点C，得到腐蚀图像；
步骤(2)中对腐蚀图像进行膨胀操作，具体包括如下步骤：
2-21，任意定义一个卷积核B；
2-22，将卷积核B与腐蚀图像进行卷积；在卷积核B遍历腐蚀图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最大值o以及与卷积核中心重合的像素点R；
像素点R的灰度通过矩阵RH＝{rl,v}表示，l、v为像素点R的行序号和列序号，
Figure BDA0001818284530000052
获得在卷积核B遍历腐蚀图像过程中得到的卷积结果最大值像素点矩阵O，最大值像素点矩阵O的灰度通过矩阵OH＝{ol,v}表示；
2-13将最大值像素点矩阵O的灰度对应覆予像素点R，得到膨胀图像，得到的膨胀图像即为去噪图像。
进一步的，所述步骤(3)通过如下步骤进行：
3-1，定义一个滤波器Y，滤波器为t*t矩阵，t为奇数；
3-2，使滤波器Y遍历去噪图像，计算滤波器在每一位置处的中心像素点所在的去噪图像的灰度值以及中心像素点邻域内其它像素点的灰度值，并根据公式(Ⅰ)计算滤波器在每一位置处的中心像素点的边缘检测值Xz，z为滤波器Y遍历去噪图像时的标记，
Figure BDA0001818284530000061
f、g为为像素点的矩阵序号，1≤f≤t，1≤g≤t，e为滤波器在每一位置处的像素点所在的去噪图像的灰度值；α为权重系数，与滤波器位置相对应；
3-3，将滤波器在每一位置处的中心像素点边缘检测值Xz与中心像素点邻域的其它像素点的灰度值相减，并判断差值的绝对值是否大于阈值Δ；
统计大于阈值的数量，如果数量超过
Figure BDA0001818284530000062
判定滤波器所处位置的中心像素点对应的去噪图像的像素点位置为边缘点，并进行标记；
3-4，滤波器遍历完整个去噪图像，得到所有标记的边缘点，获得初步感兴趣区域。
优选的，t为3。
本发明的基于图像处理的厨房油烟浓度检测方法，提供了一种区别于红外投射法和物理检测法的一种油烟浓度检测方法。该基于图像处理的厨房油烟浓度检测方法，几乎不受检测距离的影响，可实现油烟浓度的非接触实时检测，具有高准确度和实时性等优点。
说明书附图
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1是本发明的方法分割的油烟区域和干扰区域的示意图。
具体实施方式
结合以下实施例对本发明作进一步说明。
实施例1。
一种基于图像处理的厨房油烟浓度检测方法，图像处理单元以成像设备采集的初始图像作为基础进行处理，初始图像为灰度图，所采集的初始图像被序列化，依次通过后帧的初始图像与前帧的初始图像进行处理，得到各个后帧初始图像所处时刻的当前厨房油烟浓度。通过该方法，也可实时得到当前帧时刻的油烟浓度情况，也可以根据需要即使监控各个时刻当前帧图像的油烟浓度情况，为油烟机的自动抽烟力度提供依据。
每次通过后帧的初始图像与前帧的初始图像进行处理，得到后帧初始图像所处时刻的当前厨房油烟浓度的步骤过程如下：
(1)将后帧的初始图像与前帧的初始图像进行帧差处理得到帧差图像；
(1)对采集到的初始图像进行帧差处理得到帧差图像；
(2)以开运算方式对帧差图像进行去噪处理，得到去噪图像；
(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域；
(4)对初始感兴趣区域进行灰度均值计算和区域平滑度计算，将同时满足灰度均值和平滑度要求的区域作为下一步感兴趣区域，其它的区域作为干扰排除；
(5)对步骤(4)提取出的感兴趣区域分别进行灰度直方图统计，根据统计结果划分油烟浓度等级。
步骤(1)中，对采集到的初始图像进行帧差操作得到帧差图像具体是：图像处理单元根据接收到的初始图像的先后顺序，将后一帧图像与前一帧图像做差，得到动态区域高亮的帧差图像。由于前后两帧图像中静态区域是不变的，动态区域(例如油烟飘散，人手挥动等)是变化的，所以帧差后静态区域呈现黑色，动态区域帧差后表现为边缘模糊的高亮区域，故通过帧差可以得到动态区域高亮的帧差图像。
成像设备采集的目标区域以区域S表示，任意一帧初始图像为对应区域S的成像；初始图像由m*n个像素构成。
后帧初始图像A的像素的灰度值以矩阵AH表示，AH＝{ahi,j}，ahi,j代表后帧初始图像A中第i行、第j列像素对应的灰度值，i为像素所在的行，j为像素所在的列，1≤i≤m，1≤j≤n；后帧初始图像A中第i行、第j列像素所在的子区域为ASi,j。
前帧初始图像B的像素的灰度值以矩阵BH表示，BH＝{bhi,j}，bhi,j代表前帧初始图像B中第i行、第j列像素对应的灰度值，前帧初始图像B中第i行、第j列像素所在的子区域为BSi,j。
帧差图像D的像素灰度值以矩阵DH表示，DH＝{dhi,j}＝{|ahi,j-bhi,j|}，dhi,j代表帧差图像D中第i行、第j列像素对应的灰度值，帧差图像D中第i行、第j列像素所在的子区域为DSi,j；
在帧差图像中，|dhi,j|＝0的区域，呈黑色；|dhi,j|≠0的区域呈高亮显示。
帧差操作后，进入步骤(2)。对帧差图像采用开运算进行去噪处理，得到去噪图像，具体通过如下方式进行：先对帧差图像进行腐蚀操作，以消除图像中的噪点和细小尖刺，断开窄小的连接；再对腐蚀后的图像进行膨胀操作，恢复原帧差图像中的明显特征。
步骤(2)中对帧差图像进行腐蚀操作，具体包括如下步骤：
2-11，任意定义一个卷积核A；
2-12，将卷积核A与帧差图像进行卷积；在卷积核A遍历帧差图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最小值p以及与卷积核中心重合的像素点C；
像素点C的灰度通过矩阵CH＝{ck,q}表示，k、q为像素点C的行序号和列序号，
Figure BDA0001818284530000081
获得在卷积核A遍历帧差图像过程中得到的卷积结果最小值像素点矩阵P，最小值像素点矩阵P的灰度通过矩阵PH＝{pk,q}表示；
2-13将像素点矩阵P的灰度值对应覆予像素点C，得到腐蚀图像。
步骤(2)中对腐蚀图像进行膨胀操作，具体包括如下步骤：
2-21，任意定义一个卷积核B；
2-22，将卷积核B与腐蚀图像进行卷积；在卷积核B遍历腐蚀图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最大值o以及与卷积核中心重合的像素点R；
像素点R的灰度通过矩阵RH＝{rl,v}表示，l、v为像素点R的行序号和列序号，
Figure BDA0001818284530000091
获得在卷积核B遍历腐蚀图像过程中得到的卷积结果最大值像素点矩阵O，最大值像素点矩阵O的灰度通过矩阵OH＝{ol,v}表示；
2-13将最大值像素点矩阵O的灰度对应覆予像素点R，得到膨胀图像，得到的膨胀图像即为去噪图像。
利用开运算可以消除图像噪点，在纤细点处分离物体，平滑较大的物体边界，同时也可保证原来图像中高亮区域的面积基本不变，保证后续检测的准确性不受影响。
步骤(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域，具体是：利用小波变换，检测帧差图像高亮区域的边缘并进行标记，将标记出的区域作为初始感兴趣区域。
由于图像边缘的灰度值与相邻像素点的灰度值会产生较大的灰度值梯度，根据边缘的这一特征，设定一个滤波器，用该滤波器遍历帧差图像。步骤(3)通过如下步骤进行：
3-1，定义一个滤波器Y，滤波器为t*t矩阵，t为奇数。滤波器选择奇数矩阵，以确保只有一个中心点，优选3*3矩阵，具有计算量小的特点。
3-2，使滤波器Y遍历去噪图像，计算滤波器在每一位置处的中心像素点所在的去噪图像的灰度值以及中心像素点邻域内其它像素点的灰度值，并根据公式(Ⅰ)计算滤波器在每一位置处的中心像素点的边缘检测值Xz，z为滤波器Y遍历去噪图像时的标记，
Figure BDA0001818284530000092
f、g为为像素点的矩阵序号，1≤f≤t，1≤g≤t，e为滤波器在每一位置处的像素点所在的去噪图像的灰度值；α为权重系数，与滤波器位置相对应。
3-3，将滤波器在每一位置处的中心像素点边缘检测值Xz与中心像素点邻域的其它像素点的灰度值相减，并判断差值的绝对值是否大于阈值Δ；
统计大于阈值的数量，如果数量超过
Figure BDA0001818284530000101
判定滤波器所处位置的中心像素点对应的去噪图像的像素点位置为边缘点，并进行标记；
3-4，滤波器遍历完整个去噪图像，得到所有标记的边缘点，获得初步感兴趣区域。
因为人在做菜操作时，手会一直在挥动，帧差完之后的图像中会包含油烟和人手操作等运动物体的干扰区域，在进行油烟浓度识别之前需要排除干扰区域的影响，这也是本发明专利的难点所在。
但是油烟的运动方向具有随机性，人手，锅铲的运动方向相对明确，从而：
1)帧差后的图像上油烟运动区域比人手、锅铲运动区域的亮度低，所以相应的油烟区域的灰度值均值也低于人手、锅铲运动区域的灰度均值；
2)帧差后的图像上油烟运动区域的灰度值分布较集中，而人手、锅铲的运动区域边界的灰度值较区域的中心区域跳跃较大，所以该区域的图像不够平滑，对应的灰度值的方差较大。
利用这两个特性，步骤(4)具体是对每个初始感兴趣区域进行灰度均值、区域平滑度计算，得到每个初始感兴趣区域对应的灰度均值和灰度平滑度，将同时满足计算得到的灰度均值小于灰度阈值、灰度平滑度小于灰度平滑度阈值的初始感兴趣区域作为感兴趣区域，将其它初始感兴趣区域判定为干扰区域。
灰度阈值、灰度平滑度阈值的量值可以根据具体需要灵活设置，在此不再赘述。步骤(4)完成油烟区域的识别和干扰区域的排除。
图1示意了一个利用本发明的方法分割的油烟区域和干扰区域的示意图，可见，本发明的方法能够将干扰区域有效排除。
步骤(5)中对步骤(4)提取出的感兴趣区域分别进行灰度直方图统计，根据统计结果划分油烟浓度等级，具体是：
步骤(5)具体包括：
S1，将每个感兴趣区域分为W*Ψ个子区域，对每个子区域进行烟雾检测并判断每个子区域的油烟等级，得到每个子区域对应的油烟等级，W、Ψ均为自然数；
S2，根据所有子区域的油烟等级信息对整体区域的油烟等级进行加权求和；
S3，根据加权求和结果判断整体油烟等级。
其中，步骤S1中，对每个子区域进行烟雾检测并判断油烟等级具体通过如下方式进行：
计算每个子区域的灰度值均值，子区域的灰度值均值等于子区域中所有像素点的灰度值求和除以像素的个数；
当子区域的灰度值均值小于a时，判定子区域的烟雾等级为无烟，以X1表示；当子区域的灰度值均值为b时，判定子区域的烟雾等级为小烟，以X2表示；当子区域的灰度值均值为c时，判定子区域的烟雾等级为中烟，以X3表示；当子区域的灰度值均值大于d时，判定子区域的烟雾等级为大烟，以X4表示，其中，a、b、c、d均为正数，且a<b<c<d，a≤6，5≤b≤15，16≤c≤20。优选a取5，d取20。
步骤S2将整体区域的油烟等级进行加权求和，具体通过如下公式进行：
Y＝a0*P0+a1*P1+a2*P2+a3*P3；
其中，Y为加权求和结果，P0是统计的所有子区域中油烟等级为X0的子区域数量，a0为无烟的权重系数，P1是统计的所有子区域中油烟等级为X1的子区域数量，a1为小烟的权重系数，P2是统计的所有子区域中油烟等级为X2的子区域数量，a2为中烟的权重系数，P3是统计的所有子区域中油烟等级为X3的子区域数量，a3为大烟的权重系数；
步骤S3具体是将Y值与整体油烟判定阈值进行比较，判断整体油烟等级。
具体的，整体油烟判定阈值为
Figure BDA0001818284530000111
和
Figure BDA0001818284530000112
和
Figure BDA0001818284530000113
均为正数，
Figure BDA0001818284530000114
当Y小于
Figure BDA0001818284530000115
时，判定整体油烟等级为无烟；
当Y的范围在大于等于
Figure BDA0001818284530000116
而小于
Figure BDA0001818284530000117
时，判定整体油烟等级为小烟；
当Y的范围在大于等于
Figure BDA0001818284530000118
而小于
Figure BDA0001818284530000119
时，判定整体油烟等级为中烟；
当Y的范围在大于等于
Figure BDA00018182845300001110
时，判定整体油烟等级为大烟；
Figure BDA00018182845300001111
的取值范围优选为90-110，
Figure BDA00018182845300001112
的取值范围优选为130-170，
Figure BDA00018182845300001113
的取值范围为优选280-320。
经过试验分析，以
Figure BDA0001818284530000121
作为整体油烟判定阈值，效果更佳。
当Y小于100时，判定整体油烟等级为无烟；
当Y的范围在大于等于100而小于150时，判定整体油烟等级为小烟；
当Y的范围在大于等于150而小于300时，判定整体油烟等级为中烟；
当Y的范围在大于等于300时，判定整体油烟等级为大烟。
油烟浓度的划分标准可以具体设定，如设置浓烟、中等烟或者低烟等，具体数值以实际需求为准，在此不再赘述。
本发明的基于图像处理的厨房油烟浓度检测方法，提供了一种区别于红外投射法和物理检测法的一种油烟浓度检测方法。该基于图像处理的厨房油烟浓度检测方法，几乎不受检测距离的影响，可实现油烟浓度的非接触实时检测，具有高准确度和实时性等优点。
本发明基于图像处理的厨房油烟浓度检测方法，可以设置于油烟机中，通过油烟机设置的成像设备采集烟机灶头区域的图像，并输送至图像处理单元，图像处理单元将处理的油烟等级结构输送至主控单元，主控单元根据烟机的油烟等级控制烟机抽吸力度。更加准确地对厨房油烟进行抽吸处理。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (8)

1.一种基于图像处理的厨房油烟浓度检测方法，其特征在于，图像处理单元以成像设备采集的初始图像作为基础进行处理，初始图像为灰度图，所采集的初始图像被序列化，依次通过后帧的初始图像与前帧的初始图像进行处理，得到各个后帧的初始图像所处时刻的当前厨房油烟浓度；
每次通过后帧的初始图像与前帧的初始图像进行处理，得到后帧初始图像所处时刻的当前厨房油烟浓度的步骤过程如下：
(1)将后帧的初始图像与前帧的初始图像进行帧差处理得到帧差图像；
(2)以开运算方式对帧差图像进行去噪处理，得到去噪图像；
(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域；
(4)对初始感兴趣区域进行灰度均值计算和区域平滑度计算，将同时满足灰度均值和平滑度要求的区域作为下一步感兴趣区域，其它的区域作为干扰排除；
(5)对步骤(4)提取出的感兴趣区域分别进行灰度直方图统计，根据统计结果划分油烟浓度等级；
步骤(5)具体包括：
S1，将每个感兴趣区域分为W*Ψ个子区域，对每个子区域进行烟雾检测并判断每个子区域的油烟等级，得到每个子区域对应的油烟等级，W、Ψ均为自然数；
S2，根据所有子区域的油烟等级信息对整体区域的油烟等级进行加权求和；
S3，根据加权求和结果判断整体油烟等级；
步骤S1中，对每个子区域进行烟雾检测并判断油烟等级具体通过如下方式进行：
计算每个子区域的灰度值均值，子区域的灰度值均值等于子区域中所有像素点的灰度值求和除以像素的个数；
当子区域的灰度值均值小于a时，判定子区域的烟雾等级为无烟，以X1表示；当子区域的灰度值均值为b时，判定子区域的烟雾等级为小烟，以X2表示；当子区域的灰度值均值为c时，判定子区域的烟雾等级为中烟，以X3表示；当子区域的灰度值均值大于d时，判定子区域的烟雾等级为大烟，以X4表示，其中，a、b、c、d均为正数，且a<b<c<d，a≤6，5≤b≤15，16≤c≤20；
步骤S2将整体区域的油烟等级进行加权求和，具体通过如下公式进行：
Y＝a0*P0+a1*P1+a2*P2+a3*P3；
其中，Y为加权求和结果，P0是统计的所有子区域中油烟等级为X0的子区域数量，a0为无烟的权重系数，P1是统计的所有子区域中油烟等级为X1的子区域数量，a1为小烟的权重系数，P2是统计的所有子区域中油烟等级为X2的子区域数量，a2为中烟的权重系数，P3是统计的所有子区域中油烟等级为X3的子区域数量，a3为大烟的权重系数；
步骤S3具体是将Y值与整体油烟判定阈值进行比较，判断整体油烟等级。
2.根据权利要求1所述的基于图像处理的厨房油烟浓度检测 方法，其特征在于，a＝5，d＝20。
3.根据权利要求1所述的基于图像处理的厨房油烟浓度检测方法，其特征在于，整体油烟判定阈值为
Figure FDA0003458694410000021
和
Figure FDA0003458694410000022
和
Figure FDA0003458694410000023
均为正数，
Figure FDA0003458694410000024
当Y小于
Figure FDA0003458694410000025
时，判定整体油烟等级为无烟；
当Y的范围在大于等于
Figure FDA0003458694410000026
而小于
Figure FDA0003458694410000027
时，判定整体油烟等级为小烟；
当Y的范围在大于等于
Figure FDA0003458694410000028
而小于
Figure FDA0003458694410000029
时，判定整体油烟等级为中烟；
当Y的范围在大于等于
Figure FDA00034586944100000210
时，判定整体油烟等级为大烟；
Figure FDA00034586944100000211
的取值范围为90-110，
Figure FDA00034586944100000212
的取值范围为130-170，
Figure FDA00034586944100000213
的取值范围为280-320。
4.根据权利要求3所述的基于图像处理的厨房油烟浓度检测方法，其特征在于，
Figure FDA00034586944100000214
Figure FDA00034586944100000215
5.根据权利要求3所述的基于图像处理的厨房油烟浓度检测方法，其特征在于，步骤(1)中，对采集到的初始图像进行帧差操作得到帧差图像具体是：
图像处理单元根据接收到的初始图像的先后顺序，将后一帧图像与前一帧图像做差，得到动态区域高亮的帧差图像；
所述步骤(2)对帧差图像采用开运算进行去噪处理，得到去噪图像，具体通过如下方式进行：先对帧差图像进行腐蚀操作，以消除图像中的噪点和细小尖刺，断开窄小的连接；再对腐蚀后的图像进行膨胀操作，恢复原帧差图像中的明显特征；
所述步骤(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域，具体是：利用小波变换，检测帧差图像高亮区域的边缘并进行标记，将标记出的区域作为初始感兴趣区域；
所述步骤(4)具体是对每个初始感兴趣区域进行灰度均值、区域平滑度计算，得到每个初始感兴趣区域对应的灰度均值和灰度平滑度，将同时满足计算得到的灰度均值小于灰度阈值、灰度平滑度小于灰度平滑度阈值的初始感兴趣区域作为感兴趣区域，将其它初始感兴趣区域判定为干扰区域。
6.根据权利要求5所述的基于图像处理的厨房油烟浓度检测方法，其特征在于，成像设备采集的目标区域以区域S表示，任意一帧初始图像为对应区域S的成像；
初始图像由m*n个像素构成，
后帧初始图像A的像素的灰度值以矩阵AH表示，AH＝{ahi,j}，ahi,j代表后帧初始图像A中第i行、第j列像素对应的灰度值，i为像素所在的行，j为像素所在的列，1≤i≤m，1≤j≤n；后帧初始图像A中第i行、第j列像素所在的子区域为ASi,j；
前帧初始图像B的像素的灰度值以矩阵BH表示，BH＝{bhi,j}，bhi,j代表前帧初始图像B中第i行、第j列像素对应的灰度值，前帧初始图像B中第i行、第j列像素所在的子区域为BSi,j；
帧差图像D的像素灰度值以矩阵DH表示，DH＝{dhi,j}＝{|ahi,j-bhi,j|}，dhi,j代表帧差图像D中第i行、第j列像素对应的灰度值，帧差图像D中第i行、第j列像素所在的子区域为DSi,j；
在帧差图像中，|dhi,j|＝0的区域，呈黑色；|dhi,j|≠0的区域呈高亮显示；
步骤(2)中对帧差图像进行腐蚀操作，具体包括如下步骤：
2-11，任意定义一个卷积核A；
2-12，将卷积核A与帧差图像进行卷积；在卷积核A遍历帧差图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最小值p以及与卷积核中心重合的像素点C；
像素点C的灰度通过矩阵CH＝{ck,q}表示，k、q为像素点C的行序号和列序号，
Figure FDA0003458694410000031
Figure FDA0003458694410000032
获得在卷积核A遍历帧差图像过程中得到的卷积结果最小值像素点矩阵P，最小值像素点矩阵P的灰度通过矩阵PH＝{pk,q}表示；
2-13将像素点矩阵P的灰度值对应覆予像素点C，得到腐蚀图像；
步骤(2)中对腐蚀图像进行膨胀操作，具体包括如下步骤：
2-21，任意定义一个卷积核B；
2-22，将卷积核B与腐蚀图像进行卷积；在卷积核B遍历腐蚀图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最大值o以及与卷积核中心重合的像素点R；
像素点R的灰度通过矩阵RH＝{rl,v}表示，l、v为像素点R的行序号和列序号，
Figure FDA0003458694410000033
获得在卷积核B遍历腐蚀图像过程中得到的卷积结果最大值像素点矩阵O，最大值像素点矩阵O的灰度通过矩阵OH＝{ol,v}表示；
2-13将最大值像素点矩阵O的灰度对应覆予像素点R，得到膨胀图像，得到的膨胀图像即为去噪图像。
7.根据权利要求6所述的基于图像处理的厨房油烟浓度检测方法，其特征在于，所述步骤(3)通过如下步骤进行：
3-1，定义一个滤波器Y，滤波器为t*t矩阵，t为奇数；
3-2，使滤波器Y遍历去噪图像，计算滤波器在每一位置处的中心像素点所在的去噪图像的灰度值以及中心像素点邻域内其它像素点的灰度值，并根据公式(Ⅰ)计算滤波器在每一位置处的中心像素点的边缘检测值Xz，z为滤波器Y遍历去噪图像时的标记，
Figure FDA0003458694410000041
f、g为为像素点的矩阵序号，1≤f≤t，1≤g≤t，e为滤波器在每一位置处的像素点所在的去噪图像的灰度值；α为权重系数，与滤波器位置相对应；
3-3，将滤波器在每一位置处的中心像素点边缘检测值Xz与中心像素点邻域的其它像素点的灰度值相减，并判断差值的绝对值是否大于阈值△；
统计大于阈值的数量，如果数量超过
Figure FDA0003458694410000042
判定滤波器所处位置的中心像素点对应的去噪图像的像素点位置为边缘点，并进行标记；
3-4，滤波器遍历完整个去噪图像，得到所有标记的边缘点，获得初步感兴趣区域。
8.根据权利要求7所述的基于图像处理的厨房油烟浓度检测方法，其特征在于：t为3。
CN201811152667.8A 2018-09-29 2018-09-29 基于图像处理的厨房油烟浓度检测方法 Active CN109190624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811152667.8A CN109190624B (zh) 2018-09-29 2018-09-29 基于图像处理的厨房油烟浓度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811152667.8A CN109190624B (zh) 2018-09-29 2018-09-29 基于图像处理的厨房油烟浓度检测方法

Publications (2)

Publication Number Publication Date
CN109190624A CN109190624A (zh) 2019-01-11
CN109190624B true CN109190624B (zh) 2022-04-19

Family

ID=64907132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811152667.8A Active CN109190624B (zh) 2018-09-29 2018-09-29 基于图像处理的厨房油烟浓度检测方法

Country Status (1)

Country Link
CN (1) CN109190624B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111289848B (zh) * 2020-01-13 2023-04-07 甘肃省安全生产科学研究院有限公司 一种应用在基于安全生产的智能型热局放仪的复合数据滤波方法
CN112258458B (zh) * 2020-09-29 2023-12-05 上海建工集团股份有限公司 基于热成像识别的超高层混凝土泵管的检测方法及系统
CN113435287A (zh) * 2021-06-21 2021-09-24 深圳拓邦股份有限公司 草地障碍物识别方法、装置、割草机器人及可读存储介质
CN113252649B (zh) * 2021-06-28 2021-09-17 中国人民解放军国防科技大学 基于化学发光的NOx排放预测方法
CN114387273B (zh) * 2022-03-24 2022-05-31 莱芜职业技术学院 基于计算机图像识别的环境粉尘浓度检测方法及系统
CN114985150B (zh) * 2022-08-02 2022-11-01 山东大拇指喷雾设备有限公司 基于视觉感知的喷雾机精准喷雾的控制方法
CN116758489B (zh) * 2023-08-17 2023-10-27 山东传奇新力科技有限公司 基于图像处理的智慧厨房油烟检测识别方法
CN117576087A (zh) * 2024-01-15 2024-02-20 海克斯康制造智能技术(青岛)有限公司 基于点云法线的物体表面凹凸性的检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984966A (zh) * 2014-05-29 2014-08-13 西安电子科技大学 基于稀疏表示的sar图像目标识别方法
CN105335123A (zh) * 2015-10-30 2016-02-17 天津大学 一种基于lcd显示器的层次丰富的高动态范围显示方法
CN205208671U (zh) * 2015-11-27 2016-05-04 广东长虹日电科技有限公司 一种具有自动清洗提醒功能的抽油烟机
CN107975851A (zh) * 2018-01-02 2018-05-01 广东美的厨房电器制造有限公司 吸油烟机及其清洗控制方法
CN108548199A (zh) * 2018-03-08 2018-09-18 佛山市云米电器科技有限公司 一种智能抽油烟机风速调级方法及装置
CN108563991A (zh) * 2018-03-08 2018-09-21 佛山市云米电器科技有限公司 厨房油烟浓度划分方法及油烟浓度检测与干扰排除方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104320593B (zh) * 2014-11-19 2016-02-24 湖南国科微电子股份有限公司 一种数码摄像装置自动曝光控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984966A (zh) * 2014-05-29 2014-08-13 西安电子科技大学 基于稀疏表示的sar图像目标识别方法
CN105335123A (zh) * 2015-10-30 2016-02-17 天津大学 一种基于lcd显示器的层次丰富的高动态范围显示方法
CN205208671U (zh) * 2015-11-27 2016-05-04 广东长虹日电科技有限公司 一种具有自动清洗提醒功能的抽油烟机
CN107975851A (zh) * 2018-01-02 2018-05-01 广东美的厨房电器制造有限公司 吸油烟机及其清洗控制方法
CN108548199A (zh) * 2018-03-08 2018-09-18 佛山市云米电器科技有限公司 一种智能抽油烟机风速调级方法及装置
CN108563991A (zh) * 2018-03-08 2018-09-21 佛山市云米电器科技有限公司 厨房油烟浓度划分方法及油烟浓度检测与干扰排除方法

Also Published As

Publication number Publication date
CN109190624A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109190624B (zh) 基于图像处理的厨房油烟浓度检测方法
Sun et al. An effective method of weld defect detection and classification based on machine vision
CN109028233B (zh) 厨房油烟浓度划分方法及油烟图像识别系统及油烟机
Iyer et al. Segmentation of pipe images for crack detection in buried sewers
Zahran et al. Automatic weld defect identification from radiographic images
Kaur et al. A comparative analysis of thresholding and edge detection segmentation techniques
CN108760590B (zh) 一种基于图像处理的厨房油烟浓度检测与干扰排除方法
CN110110675B (zh) 一种融合边缘信息的小波域分形红外卷云检测方法
CN115841434B (zh) 一种用于气体浓度分析的红外图像增强方法
CN109447063A (zh) 一种基于图像处理的厨房油烟浓度检测方法
CN104853151A (zh) 一种基于视频图像的大空间火灾监测系统
CN106709903B (zh) 基于图像质量的pm2.5浓度预测方法
CN109084350A (zh) 一种具滤光功能视觉检测模块的油烟机及油烟浓度检测方法
CN115862259B (zh) 一种基于温度监测的火警预警系统
CN113155839A (zh) 一种基于机器视觉的钢板外表面缺陷在线检测方法
CN109028223A (zh) 具手势控制视觉检测功能的油烟机及油烟浓度检测方法
CN109028230A (zh) 具手势控制视觉检测功能的炉具及油烟浓度检测方法
CN109389604A (zh) 一种厨房油烟图像检测干扰排除方法
CN113899349B (zh) 海浪参数检测方法、设备及存储介质
CN115564710A (zh) 基于lk光流法的火灾烟雾检测方法、装置及存储介质
CN109813713B (zh) 一种具有多个独立有害物质检测模组的烟机
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
CN113902694A (zh) 一种基于动静结合的目标检测方法
CN109028231A (zh) 一种基于视觉手势控制的烟灶一体机及油烟浓度检测方法
CN109142176B (zh) 基于空间联系的烟雾子区域空间复检方法

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
GR01 Patent grant
GR01 Patent grant