CN111597973A - 利用机器视觉检测盐渍海参合格品掺假情况的方法 - Google Patents

利用机器视觉检测盐渍海参合格品掺假情况的方法 Download PDF

Info

Publication number
CN111597973A
CN111597973A CN202010407815.7A CN202010407815A CN111597973A CN 111597973 A CN111597973 A CN 111597973A CN 202010407815 A CN202010407815 A CN 202010407815A CN 111597973 A CN111597973 A CN 111597973A
Authority
CN
China
Prior art keywords
image
sea cucumber
key frame
qualified
salted
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.)
Withdrawn
Application number
CN202010407815.7A
Other languages
English (en)
Inventor
王慧慧
闫朋涛
邱新静
朱鑫宇
李朋朋
陶学恒
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.)
Dalian Polytechnic University
Original Assignee
Dalian Polytechnic University
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 Dalian Polytechnic University filed Critical Dalian Polytechnic University
Priority to CN202010407815.7A priority Critical patent/CN111597973A/zh
Publication of CN111597973A publication Critical patent/CN111597973A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于食品检测领域，涉及利用机器视觉检测盐渍海参合格品掺假情况的方法。本发明提供视、触协同作用下的超标盐渍海参识别方法，在压触力作用下，触发盐渍海参形变，利用计算机视觉跟踪压触力撤销后海参回复过程的轮廓变化，通过图像处理和机器学习，实现超标盐渍海参自动、快速、无损识别。本发明提供的视、触协同作用下的含盐量超标盐渍海参识别方法，待测样品无需前处理，重复性好，分析时间短，分析过程不需消耗有机试剂，对海参无破坏，为非侵入式测量方法，检测的数值准确、稳定。

Description

利用机器视觉检测盐渍海参合格品掺假情况的方法
技术领域
本发明属于食品检测领域，涉及利用机器视觉检测盐渍海参合格品掺假情况的方法。具体来说，本发明涉及在压触力作用下，利用机器学习和计算机视觉技术识别超标盐渍海参的方法。
背景技术
海参富含胶原蛋白、氨基酸、维生素、微量元素及多种生物活性物质，具有较高的药用价值。鲜活海参易发生自溶，为使其易于保存和运输，需要尽快进行加工处理。盐渍海参是以鲜活海参为原料，经去内脏、清洗、预煮和盐渍等工艺制成的产品，风味独特、营养流失少、贮存方便。随含盐量的增加，海参的质构品质也随之下降。另外，较高含盐量也会降低海参药用价值和营养价值、损害消费者的健康。不法商贩为降低成本，利用饱和盐水反复浸泡海参增重，将含盐量超出标准的不合格产品掺加到合格品当中牟取暴利。
传统的超标盐渍海参鉴别方法主要有实验室检测和人工检测。这些监测方法虽然可靠，但耗时、破坏性大，对检测人员专业要求较高。因此，在识别过程中，需要一种快速、非破坏性的检测方法。计算机视觉技术因其具有无损、非接触等特点，越来越多地被应用于食品快速、无损检测研究。基于计算机视觉技术构建图像采集系统，将采集的图像信息转化为数字信号后，结合计算机图像处理，可实现样品轮廓、颜色、纹理等特征的自动提取与定量分析。本发明在压触力的触发作用下，结合机器学习方法，研究压触力撤销后，盐渍海参变形回复阶段的轮廓变化与含盐量的关联性，实现超标盐渍海参自动、无损、快速识别。
发明内容
为解决现有技术中存在的上述问题，本发明提供视、触协同作用下的超标盐渍海参识别方法，在压触力作用下，触发盐渍海参形变，利用计算机视觉跟踪压触力撤销后海参回复过程的轮廓变化，通过图像处理和机器学习，实现超标盐渍海参自动、快速、无损识别。
具体地，本发明提供一种利用机器视觉检测盐渍海参合格品掺假情况的方法，其包括如下步骤：
(A)样品采集：采集具有代表性的海参样本，制备合格盐渍海参和含盐量超标的盐渍海参样品；
(B)构建图像采集装置，获取原始视频：将待测的海参样本3置于有机玻璃透明载物台4上，利用质构仪1对待测的海参样本3实施触压力，通过单反相机5采集撤力后海参样本轮廓变化过程的图像；
(C)提取关键帧图像数据：选取原始视频中用以表征海参样本3受压触过程的轮廓动态变化特征的帧数图像序列，即探头迅速恢复至原点阶段的第1-50帧图像序列作为关键帧图像数据；
(D)获取特征图像：对处理后的关键帧图像进行ROI提取、ROI轮廓提取、关键帧图像降维与融合图像处理，获取特征图像；
(E)特征提取与分析：基于直方图(HIS)方法进行纹理特征提取，并对得到的纹理特征进行分析；
(F)模型的建立：通过广义神经网络(GRNN)和支持向量机(SVM)两种机器学习方法建立含盐量超标盐渍海参识别模型。
以上所述的方法，其中，步骤(A)中具有代表性的海参样本3为重量范围为100-120g的海参样本。
以上所述的方法，其中，步骤(B)中构建的图像采集装置包括质构仪1、矩形压板2、有机玻璃透明载物台4、单反相机5和计算机6。质构仪1设置有矩形压板2，作为质构仪1的探头，矩形压板2的尺寸为90×160mm；矩形压板2与质构仪1间采用螺纹连接；计算机6与质构仪1连接，用来控制质构仪1的参数及运动；海参样本3放在有机玻璃透明载物台4上用作实验；单反相机5放置在有机玻璃透明载物台4的下方以获取海参轮廓变化图像。将盐渍的海参样本3置于有机玻璃透明载物台4上，利用质构仪1对被测海参样本3实施触压力，通过单反相机5采集撤力后海参样本3轮廓变化过程的图像。
以上所述的方法，其中，步骤(D)中ROI提取过程采用中值滤波消除图像中孤立的噪声点，并强化轮廓动态变化特征在图像中的表征，将所有关键帧图像的ROI轮廓信息融合为一幅图像，对关键帧图像序列降维，对图像ROI进行模板化处理后提取ROI轮廓，通过逻辑运算实现轮廓图像序列在一幅图像中的融合，最终获得特征图像。具体地，步骤(D)包括以下步骤：
a)获取一帧关键帧图像；
b)将步骤a)中获得的一帧关键帧图像经过灰度化处理后得到灰度图像；
c)将步骤b)中获得的灰度图像经过平滑处理之后得到平滑处理图像；
d)将步骤c)中获得的平滑处理图像经ROI提取，ROI提取过程采用中值滤波消除图像中孤立的噪声点，所用模板为3×3结构的矩形模板，选用最大类间方差法，实现背景与海参的分割、获得去除背景的海参二值图像；
e)将步骤d)中的海参二值图像通过形态学处理，获得平滑海参二值图像轮廓；
f)将步骤e)中获得的平滑海参二值图像轮廓利用小区域去除来消除较大噪声，去除像素区域>3600pixel，连通区域判断原则为8邻域，获得第一帧关键帧图像的ROI；
g)对一帧关键帧图像的ROI进行模板化处理后保证海参长轴垂直于水平位置，并且所有关键帧图像的质心重合；
h)在步骤g)中获得的模板化处理后一帧关键帧图像的ROI基础上提取该帧关键帧图像ROI的轮廓，获得轮廓图像；
i)为减少冗余信息干扰，强化轮廓动态变化特征在图像中的表征，将50帧关键帧图像通过步骤a)至步骤h)获得的轮廓图像融合为一幅图像；通过逻辑运算实现50帧关键帧图像对应的轮廓图像融合，最终获得特征图像；其中，轮廓图像降维与融合运算过程如下：
Figure BDA0002492050340000041
Figure BDA0002492050340000042
式中，Ai(x,y)为降维图像对应的像素值；Bi(x,y)为二值目标图像对应像素值；N＝50，表示关键帧图像序列数；O(x,y)为降维后特征图像。
以上所述的方法，其中，步骤(E)中基于直方图的纹理特征包括均值、标准方差、平滑度、三阶矩、一致性和熵。
以上所述的方法，步骤(F)中，基于直方图的纹理特征所建模型输入层神经元为6个，对应均值、标准方差、平滑度、三阶矩、一致性和熵六个纹理特征；输出为含盐量小于25％的合格品和含盐量大于25％的不合格品，即含盐量超标盐渍海参；GRNN模型扩展常数取0.05；SVM模型核函数为线型函数，尺度参数取1，惩罚系数取1。
其中，步骤(F)中用于建立掺假模型的样品共90个，训练集和测试集比例为6:4，即选择54个样品用于建立模型的训练集，36个样品用于建立模型预测集。
本发明是一种视、触协同作用下的含盐量超标盐渍海参识别方法，待测样品无需前处理，重复性好，分析时间短，分析过程不需消耗有机试剂，对海参无破坏，为非侵入式测量方法，检测的数值准确、稳定。
附图说明
图1为含盐量超标盐渍海参识别的图像采集装置。
图2为质构仪探头运动的四个阶段。
图3，其包括a至i，是特征图像处理结果示意图。
图中：1质构仪；2矩形压板；3海参样本；4有机玻璃透明载物台；5单反相机；6计算机。
具体实施方式
以下结合附图和实施例，对本发明的具体实施方式进行更加详细的说明，以便能够更好地理解本发明的方案以及其各个方面的优点。然而，以下描述的具体实施方式和实施例仅是说明的目的，而不是对本发明的限制。
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。
下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例
利用机器视觉检测盐渍海参合格品掺假情况的方法，具体实施步骤如下：
样品采集：将购置于当地市场的重量范围为100-120g的海参样本3(直径、厚度相近)在冰冻条件下迅速运回实验室。随机选择90个海参去除内脏和内壁纵筋，用去离子水清洗，在100℃水浴锅中煮制30min，将备用海参进行盐渍处理，其中30个海参置于15％的食盐溶液中，60个海参置于饱和食盐水中，腌渍6天，每24h更换一次食盐溶液，将含盐量低于25％的样品定义为合格品盐渍海参(G1)，含盐量大于25％的样品定义为含盐量超标的盐渍海参(G2)。
构建图像采集装置，获取原始视频：图像采集装置如图1所示，参见图1，图像采集装置包括质构仪1(TMS-PRO型，美国FTC公司)、矩形压板2、有机玻璃透明载物台4、单反相机5和计算机6。质构仪1设置有矩形压板2，作为质构仪1的探头，矩形压板2的尺寸为90×160mm；矩形压板2与质构仪1间采用螺纹连接；计算机6与质构仪1连接，用来控制质构仪1的参数及运动；海参样本3放在有机玻璃透明载物台4上用作实验；单反相机5放置在有机玻璃透明载物台4的下方以获取海参轮廓变化图像。将盐渍的海参样本3置于有机玻璃透明载物台4上，利用质构仪1对被测海参样本3实施触压力，通过单反相机5采集撤力后海参样本3轮廓变化过程的图像。
质构仪1的探头运动被分为四个阶段，如图2所示：探头向下空载运动阶段(C1)；探头加载压力至目标力阶段(C2)；探头静止并保持目标力阶段(C3)；探头迅速恢复至原点阶段(C4)。质构仪1测试条件：测试探头为90*160mm的矩形探头2，空载速度60mm/min，触发力0.2N，加载速度30mm/min，目标力60N，保持时间12s，测试后速度990mm/min，回程高度50mm。单反相机5参数设置为：图像分辨率1280×720pixel2，帧频30fps，图像文件格式BMP。
如图2所示，将图2中的C4阶段第1-50帧图像序列确定为关键帧图像，为表征海参样本3受压触过程的轮廓动态变化特征，需对每一帧关键帧图像进行处理，获得特征图像。
获取特征图像：如图3所示：包括：
a)以第一帧关键帧图像为例，首先获取第一帧关键帧图像(图3中的a)；
b)将步骤a)中获得的第一帧关键帧图像经过灰度化处理后得到灰度图像(图3中的b)。
c)将步骤b)中获得的灰度图像经过平滑处理之后得到平滑处理图像(图3中的c)。
d)将步骤c)中获得的平滑处理图像经ROI提取，ROI提取过程采用中值滤波消除图像中孤立的噪声点，本发明所用模板为3×3结构的矩形模板，选用最大类间方差法(Otsu)法，Otsu法是1979年由日本学者大津提出的，是一种自适应阈值确定、基于全局的二值化算法，它根据图像的灰度特性，将图像分为前景和背景两个部分(Zhanliang C,Changli Z,Weizheng S,et al.Grading Method of Leaf Spot Disease Based on ImageProcessing[J].Journal of Agricultural Mechanization Research,2008.)，实现背景与海参的分割、获得去除背景的海参二值图像(图3中的d)。
e)将步骤d)中的海参二值图像通过形态学处理，获得平滑海参二值图像轮廓(图3中的e)。形态学处理是基于形状的一系列图像处理操作，最基本的形态学操作包括膨胀和腐蚀。本发明对图像先膨胀再腐蚀即利用1次闭运算融合海参轮廓狭窄的缺口和细长的弯曲部分，消除小空洞，填补轮廓上的空隙，选取半径为3pixel的圆形结构元素执行闭运算。
f)将步骤e)中获得的平滑海参二值图像轮廓利用小区域去除来消除较大噪声(图3中的f)，去除像素区域>3600pixel，连通区域判断原则为8邻域，获得第一帧关键帧图像的ROI(参见Chen C,Liang J,Zhao H,Hu H,Tian J.Frame difference energy image forgait recognition with incomplete silhouettes.Pattern RecognitionLetters.2009；30(11):977-984.doi:10.1016/j.patrec.2009.04.012.；Zhang E,Zhao Y,Xiong W.Active energy image plus 2DLPP for gait recognition.SignalProcessing.2010；90(7):2295-2302.doi:10.1016/j.sigpro.2010.01.024.)。
g)对第一帧关键帧图像的ROI进行模板化处理后保证海参长轴垂直于水平位置，并且所有关键帧图像的质心重合(图3中的g)，
h)在步骤g)中获得的模板化处理后第一帧关键帧图像的ROI(图3中的g)基础上提取第一帧关键帧图像ROI的轮廓，获得轮廓图像(图3中的h)。
i)为减少冗余信息干扰，强化轮廓动态变化特征在图像中的表征，将50帧通过步骤a)至步骤h)中获得的轮廓图像融合为一幅图像。具体地，通过逻辑运算实现50帧关键帧图像对应的轮廓图像融合，最终获得特征图像(图3中的i)。在此步骤中，轮廓图像降维与融合运算过程如下,
Figure BDA0002492050340000081
Figure BDA0002492050340000082
式中，Ai(x,y)为降维图像对应的像素值；Bi(x,y)为二值目标图像对应像素值；N＝50，表示关键帧图像序列数；O(x,y)为降维后特征图像。
特征提取与分析：本发明基于直方图(HIS)方法进行纹理特征提取。基于直方图的纹理特征包括：均值m，表示纹理平均亮度；标准方差s，表示纹理的平均对比度；平滑度R，表示ROI区域中亮度的平均平滑度；三阶矩μ，表示直方图的偏斜性，如果直方图是对称的则该值为0，如果直方图向右偏斜，则该值正值，如果直方图向左偏斜，则该值为负值；一致性U，表示灰度值间的差异，灰度值相等时该值最大；熵e，表示纹理的随机性。本发明所得特征图像为二值图，灰度级为2，灰度值为0或1。基于直方图的纹理特征数学表达式如下,
Figure BDA0002492050340000083
Figure BDA0002492050340000084
Figure BDA0002492050340000085
Figure BDA0002492050340000086
Figure BDA0002492050340000091
Figure BDA0002492050340000092
Figure BDA0002492050340000093
式中：zi表示灰度值为i的像素数；Q为对应图像像素总个数；L为灰度级数；m表示均值；s表示标准差；R表示平滑度；μ表示三阶矩；U表示一致性；e表示熵。针对基于灰度共生矩阵的纹理特征，本发明将灰度共生矩阵定义为在θ方向(0°，45°，90°和135°)上，相隔距离d(1pixel)的一对像素分别具有灰度值i和j出现的概率，记为p(i,j；d,θ)。
模型的建立：本发明选择广义神经网络(GRNN)和支持向量机(SVM)两种机器学习方法建立盐渍海参掺假识别模型。两种模型分别定义为基于直方图特征的支持向量机模型HIS-SVM和基于直方图特征的广义神经网络模型HIS-GRNN。GRNN是一种建立于非线性回归分析基础之上的径向基神经网络，具有较强的非线性映射能力和全局收敛性，网络结构简单，已被广泛应用于分类、识别和预测等领域。SVM在解决非线性、小样本及高维数识别中优势明显,通过引入核函数映射方法，把非线性问题转化为高维空间中的线性问题，继而在变换空间中求出最优分类面，实现数据特征的分类，具有良好的分类特性(Abirami S,Ramalingam V,Palanivel S.Species classification of aquatic plants using GRNNand BPNN.AI&Society.2014；29(1):45-52.doi:10.1007/s00146-012-0433-z；Li S,KwokJ T,Zhu H,et al.Texture classification using the support vector machines[J].Pattern Recognition,2003,36(12):2883-2893.)。基于直方图的纹理特征所建模型输入层神经元为6个，对应m，s，R，μ，U，e六个纹理特征。输出为含盐量小于25％的合格品和含盐量大于25％的不合格品，即含盐量超标盐渍海参。GRNN模型扩展常数取0.05；SVM模型核函数为线型函数，尺度参数取1，惩罚系数取1(Abirami S,Ramalingam V,PalanivelS.Species classification of aquatic plants using GRNN and BPNN.AI&Society.2014；29(1):45-52.doi:10.1007/s00146-012-0433-z.；Khashman,Adnan,andN.I.Nwulu."Support Vector Machines versus Back Propagation Algorithm for OilPrice Prediction."Advances in Neural Networks-ISNN 2011-8th InternationalSymposium on Neural Networks,ISNN 2011,Guilin,China,May 29-June 1,2011,Proceedings,Part III Springer-Verlag,2011.)。通过正确率、灵敏度和特异度衡量模型判别效果，其中，Accuracy(Ac)表示模型对全部样品的判别能力，Sensitivity(Se)表示模型对掺假盐渍海参样本的判别能力，Specificity(Sp)表示模型对正常盐渍海参样本的判别能力，Ac、Se和Sp越大，说明模型表现越好。表1为基于直方图的模型预测结果。由结果可以看出，利用两种机器学习方法建立的模型中，其正确度、灵敏度以及特异度相同，均具有较好的模型表现力，但相比较来说，利用SVM建模程序运行时间更少，故选取HIS-SVM模型对盐渍海参合格品进行掺假情况的检测。
表1：基于直方图特征的模型分类结果
Figure BDA0002492050340000101
上述实施例仅仅是为清楚地说明本发明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (10)

1.一种利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其包括如下步骤：
(A)样品采集：采集具有代表性的海参样本，制备合格盐渍海参和含盐量超标的盐渍海参样品；
(B)构建图像采集装置，获取原始视频：将待测的海参样本(3)置于有机玻璃透明载物台(4)上，利用质构仪(1)对待测的海参样本(3)实施触压力，通过单反相机(5)采集撤力后海参样本轮廓变化过程的图像；
(C)提取关键帧图像数据：选取原始视频中用以表征海参样本(3)受压触过程的轮廓动态变化特征的帧数图像序列，即探头迅速恢复至原点阶段的第1-50帧图像序列作为关键帧图像数据；
(D)获取特征图像：对处理后的关键帧图像进行ROI提取、ROI轮廓提取、关键帧图像降维与融合图像处理，获取特征图像；
(E)特征提取与分析：基于直方图方法进行纹理特征提取，并对得到的纹理特征进行分析；
(F)模型的建立：通过广义神经网络和支持向量机两种机器学习方法建立含盐量超标盐渍海参识别模型。
2.根据权利要求1所述的利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其中，步骤(A)中具有代表性的海参样本(3)为重量范围为100-120g的海参样本。
3.根据权利要求1或2所述的利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其中，步骤(B)中构建的图像采集装置包括质构仪(1)、矩形压板(2)、有机玻璃透明载物台(4)、单反相机(5)和计算机(6)；所述的质构仪(1)设置有矩形压板(2)，作为质构仪(1)的探头，矩形压板(2)的尺寸为90×160mm；矩形压板(2)与质构仪(1)间采用螺纹连接；计算机(6)与质构仪(1)连接，用来控制质构仪(1)的参数及运动；海参样本(3)放在有机玻璃透明载物台(4)上用作实验；单反相机(5)放置在有机玻璃透明载物台(4)的下方以获取海参轮廓变化图像。
4.根据权利要求1或2所述的利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其中，步骤(D)包括以下步骤：
a)获取一帧关键帧图像；
b)将步骤a)中获得的一帧关键帧图像经过灰度化处理后得到灰度图像；
c)将步骤b)中获得的灰度图像经过平滑处理之后得到平滑处理图像；
d)将步骤c)中获得的平滑处理图像经ROI提取，ROI提取过程采用中值滤波消除图像中孤立的噪声点，所用模板为3×3结构的矩形模板，选用最大类间方差法，实现背景与海参的分割、获得去除背景的海参二值图像；
e)将步骤d)中的海参二值图像通过形态学处理，获得平滑海参二值图像轮廓；
f)将步骤e)中获得的平滑海参二值图像轮廓利用小区域去除来消除较大噪声，去除像素区域>3600pixel，连通区域判断原则为8邻域，获得第一帧关键帧图像的ROI；
g)对一帧关键帧图像的ROI进行模板化处理后保证海参长轴垂直于水平位置，并且所有关键帧图像的质心重合；
h)在步骤g)中获得的模板化处理后一帧关键帧图像的ROI基础上提取该帧关键帧图像ROI的轮廓，获得轮廓图像；
i)为减少冗余信息干扰，强化轮廓动态变化特征在图像中的表征，将50帧关键帧图像通过步骤a)至步骤h)获得的轮廓图像融合为一幅图像；通过逻辑运算实现50帧关键帧图像对应的轮廓图像融合，最终获得特征图像；其中，轮廓图像降维与融合运算过程如下：
Figure FDA0002492050330000031
Figure FDA0002492050330000032
式中，Ai(x,y)为降维图像对应的像素值；Bi(x,y)为二值目标图像对应像素值；N＝50，表示关键帧图像序列数；O(x,y)为降维后特征图像。
5.根据权利要求3所述的利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其中，步骤(D)包括以下步骤：
a)获取一帧关键帧图像；
b)将步骤a)中获得的一帧关键帧图像经过灰度化处理后得到灰度图像；
c)将步骤b)中获得的灰度图像经过平滑处理之后得到平滑处理图像；
d)将步骤c)中获得的平滑处理图像经ROI提取，ROI提取过程采用中值滤波消除图像中孤立的噪声点，所用模板为3×3结构的矩形模板，选用最大类间方差法，实现背景与海参的分割、获得去除背景的海参二值图像；
e)将步骤d)中的海参二值图像通过形态学处理，获得平滑海参二值图像轮廓；
f)将步骤e)中获得的平滑海参二值图像轮廓利用小区域去除来消除较大噪声，去除像素区域>3600pixel，连通区域判断原则为8邻域，获得第一帧关键帧图像的ROI；
g)对一帧关键帧图像的ROI进行模板化处理后保证海参长轴垂直于水平位置，并且所有关键帧图像的质心重合；
h)在步骤g)中获得的模板化处理后一帧关键帧图像的ROI基础上提取该帧关键帧图像ROI的轮廓，获得轮廓图像；
i)为减少冗余信息干扰，强化轮廓动态变化特征在图像中的表征，将50帧关键帧图像通过步骤a)至步骤h)获得的轮廓图像融合为一幅图像；通过逻辑运算实现50帧关键帧图像对应的轮廓图像融合，最终获得特征图像；其中，轮廓图像降维与融合运算过程如下：
Figure FDA0002492050330000041
Figure FDA0002492050330000042
式中，Ai(x,y)为降维图像对应的像素值；Bi(x,y)为二值目标图像对应像素值；N＝50，表示关键帧图像序列数；O(x,y)为降维后特征图像。
6.根据权利要求1、2或5所述的利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其中，步骤(E)中基于直方图的纹理特征包括均值、标准方差、平滑度、三阶矩、一致性和熵。
7.根据权利要求3所述的利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其中，步骤(E)中基于直方图的纹理特征包括均值、标准方差、平滑度、三阶矩、一致性和熵。
8.根据权利要求4所述的利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其中，步骤(E)中基于直方图的纹理特征包括均值、标准方差、平滑度、三阶矩、一致性和熵。
9.根据权利要求1、2、5、7或8所述的利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其中，步骤(F)中，基于直方图的纹理特征所建模型输入层神经元为6个，对应均值、标准方差、平滑度、三阶矩、一致性和熵六个纹理特征；输出为含盐量小于25％的合格品和含盐量大于25％的不合格品，即含盐量超标盐渍海参；GRNN模型扩展常数取0.05；SVM模型核函数为线型函数，尺度参数取1，惩罚系数取1。
10.根据权利要求6所述的利用机器视觉检测盐渍海参合格品掺假情况的方法，其特征在于，其中，步骤(F)中，基于直方图的纹理特征所建模型输入层神经元为6个，对应均值、标准方差、平滑度、三阶矩、一致性和熵六个纹理特征；输出为含盐量小于25％的合格品和含盐量大于25％的不合格品，即含盐量超标盐渍海参；GRNN模型扩展常数取0.05；SVM模型核函数为线型函数，尺度参数取1，惩罚系数取1。
CN202010407815.7A 2020-05-14 2020-05-14 利用机器视觉检测盐渍海参合格品掺假情况的方法 Withdrawn CN111597973A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407815.7A CN111597973A (zh) 2020-05-14 2020-05-14 利用机器视觉检测盐渍海参合格品掺假情况的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407815.7A CN111597973A (zh) 2020-05-14 2020-05-14 利用机器视觉检测盐渍海参合格品掺假情况的方法

Publications (1)

Publication Number Publication Date
CN111597973A true CN111597973A (zh) 2020-08-28

Family

ID=72185567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407815.7A Withdrawn CN111597973A (zh) 2020-05-14 2020-05-14 利用机器视觉检测盐渍海参合格品掺假情况的方法

Country Status (1)

Country Link
CN (1) CN111597973A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189308A (zh) * 2021-05-11 2021-07-30 西安建筑科技大学 一种用于盐渍土地基的变形测试装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008093029A2 (fr) * 2006-12-21 2008-08-07 France Telecom Procedes d'analyse et de modelisation d'une image contenant des elements unitaires a detecter, systeme et dispositif correspondants
CN105930815A (zh) * 2016-05-04 2016-09-07 中国农业大学 一种水下生物检测方法和系统
CN106097320A (zh) * 2016-06-06 2016-11-09 中国农业大学 水下海参图像自动分割方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008093029A2 (fr) * 2006-12-21 2008-08-07 France Telecom Procedes d'analyse et de modelisation d'une image contenant des elements unitaires a detecter, systeme et dispositif correspondants
CN105930815A (zh) * 2016-05-04 2016-09-07 中国农业大学 一种水下生物检测方法和系统
CN106097320A (zh) * 2016-06-06 2016-11-09 中国农业大学 水下海参图像自动分割方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
章云;周竹;周素茵;: "基于混合特征与最小二乘支持向量机的山核桃鲜果识别" *
邢士元;刘艳秋;郑元松;顾伟;王慧慧;吕艳;: "基于机器视觉的海产品外观品质分级方法" *
闫朋涛等: "基于力学和图像特征的盐渍海参品质分级方法研究" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189308A (zh) * 2021-05-11 2021-07-30 西安建筑科技大学 一种用于盐渍土地基的变形测试装置

Similar Documents

Publication Publication Date Title
Ali et al. Structural crack detection using deep convolutional neural networks
Mazen et al. Ripeness classification of bananas using an artificial neural network
Dewi et al. Classification of polycystic ovary based on ultrasound images using competitive neural network
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN105389581B (zh) 一种胚芽米胚芽完整度智能识别系统及其识别方法
CN110610475A (zh) 一种深度卷积神经网络的视觉缺陷检测方法
Marques et al. Automatic road pavement crack detection using SVM
Ji et al. Apple grading method based on features of color and defect
Chen et al. Multi-scale attention networks for pavement defect detection
Lin et al. An antagonistic training algorithm for TFT-LCD module mura defect detection
CN115861226A (zh) 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法
Kumari et al. Performance analysis of support vector machine in defective and non defective mangoes classification
Dominguez-Nicolas et al. Indentation image analysis for Vickers hardness testing
CN116664609A (zh) 一种易部署的图像边缘检测方法、装置及其电子设备
Zhang et al. Artifact detection in endoscopic video with deep convolutional neural networks
CN113537236B (zh) 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法
Zhang et al. Fabric defect detection based on visual saliency map and SVM
Ma et al. Study on crack features in images of fluorescent magnetic particle inspection for railway wheelsets
CN112396580B (zh) 一种圆形零件缺陷检测方法
CN111597973A (zh) 利用机器视觉检测盐渍海参合格品掺假情况的方法
CN109034172A (zh) 一种基于模糊松弛约束多核学习的产品外观缺陷检测方法
Srinivasan et al. Classification of cervix lesions using filter bank-based texture mode
Yi et al. Research on fruit recognition method based on improved yolov4 algorithm
Lu et al. Crystal morphology monitoring based on in-situ image analysis of L-glutamic acid crystallization
Cao et al. Geometric Data Augmentations to Mitigate Distribution Shifts in Pollen Classification from Microscopic Images

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200828