CN110349118A - 基于计算机视觉技术的天麻品质检测方法 - Google Patents
基于计算机视觉技术的天麻品质检测方法 Download PDFInfo
- Publication number
- CN110349118A CN110349118A CN201910248777.2A CN201910248777A CN110349118A CN 110349118 A CN110349118 A CN 110349118A CN 201910248777 A CN201910248777 A CN 201910248777A CN 110349118 A CN110349118 A CN 110349118A
- Authority
- CN
- China
- Prior art keywords
- image
- rhizoma gastrodiae
- sample
- ssd
- quality
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 241000305491 Gastrodia elata Species 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 239000000835 fiber Substances 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- RGHHSNMVTDWUBI-UHFFFAOYSA-N 4-hydroxybenzaldehyde Chemical compound OC1=CC=C(C=O)C=C1 RGHHSNMVTDWUBI-UHFFFAOYSA-N 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 240000008564 Boehmeria nivea Species 0.000 description 1
- 208000012659 Joint disease Diseases 0.000 description 1
- 241000233855 Orchidaceae Species 0.000 description 1
- 208000025747 Rheumatic disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002082 anti-convulsion Effects 0.000 description 1
- 230000003110 anti-inflammatory effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000552 rheumatic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- MWOOGOJBHIARFG-UHFFFAOYSA-N vanillin Chemical compound COC1=CC(C=O)=CC=C1O MWOOGOJBHIARFG-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于计算机视觉技术的天麻品质检测方法。方法包括：选用当季生产的天麻作为天麻样品；对天麻样品进行图像采集，生成样品图像；对样品图像进行二值化处理，并对天麻腐烂区域进行标记，生成图像数据集；搭建SSD图像识别模型，将生成的图像数据集随机分成测试集和训练集，对搭建的SSD图像识别模型进行训练和优化，直至SSD图像识别模型的识别准确率达到98％，训练成功；基于训练成功的SSD图像识别模型对待测天麻的图像进行识别，输出待测天麻的品质检测数据。本发明提供的技术方案，通过采用计算机视觉技术对天麻腐烂区域进行快速识别和检测，不但能够提高天麻品质检测的准确度，确保筛选出的天麻产品质量，而且具有耗时短、效率高的特点。
Description
技术领域
本发明属于食品安全检测技术领域，具体地说，涉及一种基于计算机视觉技术的天麻品质检测方法。
背景技术
天麻，中药材名，为兰科植物天麻的根茎。现代药学研究表明其有效成分为天麻素、香草醛、对羟基苯甲醛、多糖等多种成分，具有镇静、镇痛、抗惊厥、抗炎、改善记忆及延缓衰老等作用。在现代临床过程中天麻中成药制剂被广泛于治疗风湿性关节疾病、眩晕、头痛、神经痛症等。
目前，对天麻品质的鉴定仍然是通过人眼对天麻表面进行识别进行的。一方面，对于普通群众来说，其往往不具备天麻品质识别的知识，其主观识别方法影响其购买的天麻产品质量。另一方面，对于天麻的加工生产，基于人眼鉴定天麻原材料的品质，耗时非常长、工作效率极低、人工成本高，且人眼容易出现疲劳，筛选出的天麻品质得不到保障。如何选取高质量的天麻来投入生产，加工出高质量的天麻产品，把天麻的用处发挥到极致是目前面临的重要问题。
发明内容
本发明提供一种基于计算机视觉技术的天麻品质检测方法，用以提高天麻品质检测的质量和效率。
本发明公开的基于计算机视觉技术的天麻品质检测方法，包括以下步骤：
S1、选用当季生产的天麻作为天麻样品；
S2、对天麻样品进行图像采集，生成样品图像；
S3、对样品图像进行二值化处理，并对天麻腐烂区域进行标记，生成图像数据集；
S4、搭建SSD图像识别模型，将生成的图像数据集随机分成测试集和训练集，测试集所占比例为20％，训练集所占比例为80％，对搭建的SSD图像识别模型进行训练和优化，直至SSD图像识别模型的识别准确率达到98％，训练成功；
S5、基于训练成功的SSD图像识别模型对待测天麻的图像进行识别，输出待测天麻的品质检测数据。
如上所述的方法，其中，S3步骤中所述的对样品图像进行二值化处理，并对天麻腐烂区域进行标记，生成图像数据集，包括：
将样品图像的原始彩色图像转化为灰度图像，并对灰度图像进行滤波处理，滤波之后突出天麻的腐烂区域，弱化正常区域，并通过对每一张灰度图像进行旋转和镜像处理获得五张不同角度的图像，再对图像中对应的天麻腐烂区域进行标记，生成图像数据集。所述将样品图像的原始彩色图像转化为灰度图像，具体为：将原始彩色图片使用计算机视觉库opencv转化为灰度图像。
如上所述的方法，优选地，所述天麻样品为经过清洗和风干处理的样品。
如上所述的方法，其中，S2步骤中所述的对天麻样品进行图像采集，具体为：
使用CCD工业相机对天麻样品的腐烂区域进行图像采集。
本发明提供的基于计算机视觉技术的天麻品质检测方法具有以下优点：
1、实现基于天麻的图像信息对天麻的物理形态特征的自动化分析与检测，提高了天麻品质检测的效率。
2、能够提高天麻品质检测的准确度，确保筛选出的天麻产品质量。
3、避免了人工误筛选而产生的浪费或质量问题，节约了人工成本。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于计算机视觉技术的天麻品质检测方法实施例的流程图；
图2为对样品图像进行二值化处理生成图像数据集的示意图；
图3为对灰度图像的腐烂区域进行标注的示意图；
图4为SSD图像识别模型的学习率与训练次数的关系示意图；
图5为SSD图像识别模型的两次训练实施例的示意图；
图6为SSD图像识别模型的另一训练实施例的数据图。
具体实施方式
以下将配合实施例及附图来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本发明基于计算机视觉技术，拟合了建模方法，通过图像获取、图像处理以及搭建建模环境的方法建立识别模型，进而通过计算机识别天麻的外观图像来判断天麻是否有腐烂。图1为本发明基于计算机视觉技术的天麻品质检测方法实施例的流程图。参考图1所示，本发明的基于计算机视觉技术的天麻品质检测方法可以包括以下步骤(S1～S5)：
S1、选用当季生产的天麻作为天麻样品。
在具体应用中，所述天麻样品通常为经过清洗和风干处理的样品。
S2、对天麻样品进行图像采集，生成样品图像。
该步骤中所述的对天麻样品进行图像采集，优选的方案为：使用CCD工业相机对天麻样品的腐烂区域进行图像采集。
S3、对样品图像进行二值化处理，并对天麻腐烂区域进行标记，生成图像数据集。
该步骤中所述的对样品图像进行二值化处理，并对天麻腐烂区域进行标记，生成图像数据集，具体可以包括：
将样品图像的原始彩色图像转化为灰度图像，并对灰度图像进行滤波处理，滤波之后突出天麻的腐烂区域，弱化正常区域，并通过对每一张灰度图像进行旋转和镜像处理获得五张不同角度的图像，再对图像中对应的天麻腐烂区域进行标记，生成图像数据集。图2为对样品图像进行二值化处理生成图像数据集的示意图。参考图2所示，将原始彩色图片使用计算机视觉库opencv转化为灰度图像，并且滤波之后突出腐烂区域，弱化正常区域，使得腐烂区域更加容易区分。为了增加数据量和模型的鲁棒性，对每一张灰度图像进行旋转和镜像处理获得了五张不同角度的图片。使用目标检测标注工具labelimg对每张图片腐烂区域进行标注，标注为“fl”，同时生成了标注文件。图3为对灰度图像的腐烂区域进行标注的示意图。参考图3所示，将图片和标注文件转换位TFRecord格式，之后使用随机算法将图片数据分为训练集和测试集。在修改训练配置文件之后对模型开始进行训练。
S4、搭建SSD图像识别模型，将生成的图像数据集随机分成测试集和训练集，测试集所占比例为20％，训练集所占比例为80％，对搭建的SSD图像识别模型进行训练和优化，直至SSD图像识别模型的识别准确率达到98％，训练成功。
模型训练使用深度学习网络SSD算法，它采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。
图4为SSD图像识别模型的学习率与训练次数的关系示意图。参考图4所示，纵轴为学习率，横轴为训练次数。学习率随训练次数一开始不断上下摆动，在115，000次训练之后迅速下降并接近于0。模型随着训练逐渐收敛，对腐烂区域的识别越来越准确。
图5为SSD图像识别模型的两次训练实施例的示意图。参考图5所示，两次训练的结果，第一次经过23小时，共1,098,000次训练之后损失下降到2.424；第二次训练17小时，共745,000次训练，损失下降到1.956。说明模型准确率已经到达98％，训练成功。
图6为SSD图像识别模型的另一训练实施例的数据图。参考图6所示，经过1,097,000次，长达22小时的训练之后，模型已经收敛，并且预测的误差率只有1.9618％，达到了预期的效果。
S5、基于训练成功的SSD图像识别模型对待测天麻的图像进行识别，输出待测天麻的品质检测数据。
综上所述，本发明实施例提供的技术方案，通过将天麻样本洗净、风干处理；用CCD工业相机对其采集图像；对图像进行二值化处理，标注腐烂区域；搭建SSD模型，训练模型来提取特征，不断优化模型，实现天麻品质的快速检测。通过快速选取高质量的天麻来投入生产，节约筛选时间；同时，保证了天麻产品高质量的加工，减少人工误筛选而产生的浪费或质量问题。
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改，并能够在本发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于计算机视觉技术的天麻品质检测方法，其特征在于，包括以下步骤：
S1、选用当季生产的天麻作为天麻样品；
S2、对天麻样品进行图像采集，生成样品图像；
S3、对样品图像进行二值化处理，并对天麻腐烂区域进行标记，生成图像数据集；
S4、搭建SSD图像识别模型，将生成的图像数据集随机分成测试集和训练集，测试集所占比例为20％，训练集所占比例为80％，对搭建的SSD图像识别模型进行训练和优化，直至SSD图像识别模型的识别准确率达到98％，训练成功；
S5、基于训练成功的SSD图像识别模型对待测天麻的图像进行识别，输出待测天麻的品质检测数据。
2.如权利要求1所述的方法，其特征在于，S3步骤中所述的对样品图像进行二值化处理，并对天麻腐烂区域进行标记，生成图像数据集，包括：
将样品图像的原始彩色图像转化为灰度图像，并对灰度图像进行滤波处理，滤波之后突出天麻的腐烂区域，弱化正常区域，并通过对每一张灰度图像进行旋转和镜像处理获得五张不同角度的图像，再对图像中对应的天麻腐烂区域进行标记，生成图像数据集。
3.如权利要求1所述的方法，其特征在于，所述将样品图像的原始彩色图像转化为灰度图像，具体为：
将原始彩色图片使用计算机视觉库opencv转化为灰度图像。
4.如权利要求1所述的方法，其特征在于，所述天麻样品为经过清洗和风干处理的样品。
5.如权利要求1-4任一项所述的方法，其特征在于，S2步骤中所述的对天麻样品进行图像采集，具体为：
使用CCD工业相机对天麻样品的腐烂区域进行图像采集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910248777.2A CN110349118A (zh) | 2019-03-28 | 2019-03-28 | 基于计算机视觉技术的天麻品质检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910248777.2A CN110349118A (zh) | 2019-03-28 | 2019-03-28 | 基于计算机视觉技术的天麻品质检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110349118A true CN110349118A (zh) | 2019-10-18 |
Family
ID=68174488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910248777.2A Pending CN110349118A (zh) | 2019-03-28 | 2019-03-28 | 基于计算机视觉技术的天麻品质检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110349118A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709389A (zh) * | 2020-06-24 | 2020-09-25 | 山东省食品药品检验研究院 | 基于显微图像的中药粉末智能鉴别方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107122375A (zh) * | 2016-12-12 | 2017-09-01 | 南京理工大学 | 基于图像特征的图像主体的识别方法 |
| CN108389187A (zh) * | 2018-01-30 | 2018-08-10 | 李家菊 | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 |
| CN109034269A (zh) * | 2018-08-22 | 2018-12-18 | 华北水利水电大学 | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 |
| CN109101924A (zh) * | 2018-08-14 | 2018-12-28 | 武汉大学 | 一种基于机器学习的路面交通标志识别方法 |
| CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
| CN109447979A (zh) * | 2018-11-09 | 2019-03-08 | 哈尔滨工业大学 | 基于深度学习和图像处理算法的目标检测方法 |
-
2019
- 2019-03-28 CN CN201910248777.2A patent/CN110349118A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107122375A (zh) * | 2016-12-12 | 2017-09-01 | 南京理工大学 | 基于图像特征的图像主体的识别方法 |
| CN108389187A (zh) * | 2018-01-30 | 2018-08-10 | 李家菊 | 基于卷积神经网络法和支持向量机法的影像科图像识别方法 |
| CN109101924A (zh) * | 2018-08-14 | 2018-12-28 | 武汉大学 | 一种基于机器学习的路面交通标志识别方法 |
| CN109034269A (zh) * | 2018-08-22 | 2018-12-18 | 华北水利水电大学 | 一种基于计算机视觉技术的棉铃虫雌雄成虫判别方法 |
| CN109308697A (zh) * | 2018-09-18 | 2019-02-05 | 安徽工业大学 | 一种基于机器学习算法的树叶病害识别方法 |
| CN109447979A (zh) * | 2018-11-09 | 2019-03-08 | 哈尔滨工业大学 | 基于深度学习和图像处理算法的目标检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709389A (zh) * | 2020-06-24 | 2020-09-25 | 山东省食品药品检验研究院 | 基于显微图像的中药粉末智能鉴别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pujari et al. | Grading and classification of anthracnose fungal disease of fruits based on statistical texture features | |
| CN107229930A (zh) | 一种指针式仪表数值智能识别方法及装置 | |
| CN108038843A (zh) | 一种用于缺陷检测的方法、装置和设备 | |
| JP6438549B1 (ja) | 機械学習を用いた未知化合物の分類方法 | |
| Mukherjee et al. | Damaged paddy leaf detection using image processing | |
| CN110930357A (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
| CN108182423A (zh) | 一种基于深度卷积神经网络的禽类动物行为识别方法 | |
| Clarke et al. | Venation pattern analysis of leaf images | |
| De Luna et al. | Tomato fruit image dataset for deep transfer learning-based defect detection | |
| CN110349118A (zh) | 基于计算机视觉技术的天麻品质检测方法 | |
| CN115937670A (zh) | 一种基于高光谱成像的麝香智能鉴别方法及应用 | |
| Maheshwari et al. | Non-destructive quality analysis of Indian Gujarat-17 Oryza sativa SSP Indica (Rice) using image processing | |
| CN112070712A (zh) | 基于自编码器网络的印刷缺陷检测方法 | |
| CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
| CN114463280A (zh) | 一种基于改进卷积变分自编码器的芯片表面缺陷并行检测方法 | |
| Tamvakis et al. | Semantic image segmentation with deep learning for vine leaf phenotyping | |
| Weaver et al. | From leaves to labels: Building modular machine learning networks for rapid herbarium specimen analysis with LeafMachine2 | |
| Bremananth et al. | Wood species recognition using GLCM and correlation | |
| CN103900970B (zh) | 一种自动识别原木端面的方法 | |
| WO2007103698A3 (en) | Invariant radial iris segmentation | |
| Rueangsuwan et al. | Automatic Anomaly Mark Detection on Fabric Production Video by Artificial Intelligence Techniques | |
| CN113592821A (zh) | 一种股骨髓腔类型检测方法和系统 | |
| Lu et al. | Crystal morphology monitoring based on in-situ image analysis of L-glutamic acid crystallization | |
| Indukuri et al. | Paddy Disease Classifier using Deep learning Techniques | |
| CN110532893A (zh) | 电竞小地图图像中的图标检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |