CN111999320A - 一种基于x射线图像分析的食品品质安全智能检测系统 - Google Patents

一种基于x射线图像分析的食品品质安全智能检测系统 Download PDF

Info

Publication number
CN111999320A
CN111999320A CN202010914924.8A CN202010914924A CN111999320A CN 111999320 A CN111999320 A CN 111999320A CN 202010914924 A CN202010914924 A CN 202010914924A CN 111999320 A CN111999320 A CN 111999320A
Authority
CN
China
Prior art keywords
food
quality
key component
weight
analysis module
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Withdrawn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
CN202010914924.8A
Other languages
English (en)
Inventor
张婉婷
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010914924.8A priority Critical patent/CN111999320A/zh
Publication of CN111999320A publication Critical patent/CN111999320A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开一种基于X射线图像分析的食品品质安全智能检测系统，包括外观形状检测模块、形状对比分析模块、食品重点成分检测模块、重点成分对比分析模块、参数数据库、食品重量检测分析模块、建模分析模块、管理服务器、预警模块和显示终端，本发明结合X射线探测仪对食品的外观样式形状、重点成分分布和食品重量进行检测分析，并统计食品综合品质评估系数，进而得出食品品质等级，实现了对食品品质的多方面有效智能检测，提高了食品品质检测的检测效率和准确性，同时系统得到的食品综合品质评估系数，能够对食品的品质状况进行量化，避免了背景技术提到的人工检测存在的缺点，大大保障了食品的品质安全性。

Description

一种基于X射线图像分析的食品品质安全智能检测系统
技术领域
本发明属于食品品质检测管理技术领域，具体涉及一种基于X射线图像分析的食品品质安全智能检测系统。
背景技术
近年来我国经济市场蓬勃发展，人们对生活质量的要求也越来越高，这一要求充分体现在食品安全品质上，随着食品安全事件的频发，食品安全问题已经成为我国的社会问题，为了保证食品安全，需要对食品品质进行检测，然而现在的食品品质检测采用人工检测的方式，存在以下缺点：
1.人工检测，自动化程度低，导致检测效率低；
2.人工肉眼检测，易出现用眼疲劳，导致检测准确度不高，同时不能对食品品质进行量化；
3.在对食品的重点成分进行检测时，会造成食品包装损害；
鉴于上述情况，本发明设计一种基于X射线图像分析的食品品质安全智能检测系统。
发明内容
本发明的技术目的是根据X射线系统的检测效率高、检测精度高且不具损害性的特点，提出一种基于X射线图像分析的食品品质安全智能检测系统，通过结合X射线探测仪对食品的外观样式形状、重点成分分布和食品重量进行检测分析，进而得出食品综合品质评估系数和品质等级，解决了背景技术中提到的问题。
本发明的目的可以通过以下技术方案来实现：
一种基于X射线图像分析的食品品质安全智能检测系统，包括外观形状检测模块、形状对比分析模块、食品重点成分检测模块、重点成分对比分析模块、参数数据库、食品重量检测分析模块、建模分析模块、管理服务器、预警模块和显示终端；
所述外观形状检测模块包括X射线探测仪，用于对待检测的食品进行X射线照射检测食品的外观参数，其具体检测步骤如下：
步骤一：采用X射线探测仪对待检测的食品包装发射X射线，其发射的射线穿透食品包装通过射线胶片予以显像记录，获得食品包装射线胶片；
步骤二：将获得的射线胶片放入暗室进行处理，得到食品包装射线底片；
步骤三：根据食品本身与包装袋在射线底片上显示的灰度不同，得到的食品包装射线底片能够识别到食品本身样式轮廓，根据识别到的食品本身样式轮廓创建食品轮廓三维图形，获取食品的样式轮廓形状及食品轮廓的表面积，并发送至形状对比分析模块；
所述形状对比分析模块与外观形状检测模块连接，接收外观形状检测模块发送的食品的样式轮廓形状及食品轮廓的表面积，提取参数数据库中该食品标准样式轮廓形状及标准轮廓表面积，将接收的食品样式轮廓表面积与该食品标准轮廓表面积进行对比，统计食品轮廓相似度系数，并发送至建模分析模块；
所述食品重点成分检测模块用于对待检测的食品进行X射线照射检测食品的重点成分参数，根据外观形状检测模块从食品包装射线底片识别到食品本身轮廓形状，其食品本身轮廓作为食品本身图像与包装图像的分界线，食品重点成分检测模块通过食品本身轮廓将食品包装射线底片图像进行图像分割，分割为食品本身底片图像和包装底片图像，并对分割后的食品本身底片图像，进行图像增强处理，获取高清食品本身底片图像；由于食品中重点成分与食品本身在二维图像中的灰度值不同，其在底片图像中显示的颜色色度有差异，从颜色色度有差异的高清食品本身底片图像中可清晰看到食品中重点成分的分布区域，统计食品中重点成分的分布区域个数，根据统计的重点成分的分布区域个数将高清食品本身底片图像划分为若干分布区域食品底片图像，各分布区域食品底片图像分别对应一个重点成分分布区域，对每个分布区域食品底片图像进行重点成分分布区域轮廓识别，根据识别到的食品重点成分分布区域轮廓创建重点成分区域轮廓三维图形，获取食品各重点成分分布区域轮廓及轮廓表面积，构成重点成分分布区域表面积集合SC(sc1,sc2,…,sci,...,scn)，sci表示为食品第i个重点成分分布区域的轮廓表面积，食品重点成分检测模块将获取的重点成分分布区域表面积集合发送至重点成分对比分析模块；
所述重点成分对比分析模块与食品重点成分检测模块连接，接收食品重点成分检测模块发送的重点成分分布区域表面积集合，并提取参数数据库中该食品的标准重点成分分布区域个数和单个重点成分分布区域的标准表面积，将接收的重点成分分布区域表面积集合与该食品的标准重点成分分布区域个数和单个重点成分分布区域的标准表面积进行对比，得到重点成分分布区域个数对比差值和重点成分分布区域表面积对比集合ΔSC(Δsc1,Δsc2,...,Δsci,...,Δscn)，根据得到的重点成分分布区域个数对比差值和重点成分分布区域表面积对比集合，统计食品重点成分品质影响系数，并发送至建模分析模块；
所述食品重量检测分析模块用于采用称重机对食品包装袋进行重量检测，将检测获得的食品包装袋重量，与该食品包装袋标准重量进行对比，得到重量对比值，将得到的重量对比值与参数数据库中各重量品质影响等级对应的食品重量对比值的绝对值范围进行对比，筛选该重量对比值对应的食品重量品质影响等级，并发送至建模分析模块；
所述建模分析模块分别与形状对比分析模块、重点成分对比分析模块和食品重量检测分析模块连接，接收形状对比分析模块发送的轮廓相似度系数、接收重点成分对比分析模块发送的食品重点成分品质影响系数，并接收食品重量检测分析模块发送的食品重量品质影响等级，根据接收的食品重量品质影响等级，提取参数数据库中该食品各重量品质影响等级对应的食品重量品质影响系数，并与接收的食品重量品质影响等级进行匹配，筛选该食品重量品质影响等级对应的食品重量品质影响系数，同时，建模分析模块根据得到的轮廓相似度系数、食品重点成分品质影响系数和食品重量品质影响系数，统计食品综合品质评估系数，并分别发送至管理服务器和显示终端；
所述管理服务器与建模分析模块连接，接收建模分析模块发送的食品综合品质评估系数，与预设的各等级食品品质对应的食品综合安全品质评估系数阈值进行对比，若小于三级食品品质对应的食品综合安全品质评估系数阈值的最小值，则该食品品质严重不达标，并发送预警指令至预警模块，若处于三级食品品质对应的食品综合安全品质评估系数阈值内，则该食品品质属于三级品质，若处于二级食品品质对应的食品综合安全品质评估系数阈值内，则该食品品质属于二级品质，处于一级食品品质对应的食品综合安全品质评估系数阈值内，则该食品品质属于一级品质，管理服务器将统计的该食品品质等级发送至显示终端；
所述显示终端分别与建模分析模块和管理服务器连接，接收建模分析模块发送的食品综合品质评估系数，接收管理服务器发送的食品品质等级，并显示；
所述预警模块与管理服务器连接，接收管理服务器发送的预警指令，进行预警。
较优选地，所述参数数据库用于存储该食品标准样式轮廓及标准轮廓表面积，存储该食品各重量品质影响等级D,D＝1,2,3,及各重量品质影响等级对应的食品重量对比值的绝对值范围，存储各重量品质影响等级对应的食品重量品质影响系数，存储该食品的标准重点成分分布区域个数和单个重点成分分布区域的标准表面积，存储各等级食品品质对应的食品综合安全品质评估系数阈值，并存储食品轮廓相似度、重点成分、食品重量对食品品质影响的影响权重系数。
较优选地，所述食品轮廓相似度系数的计算公式为
Figure BDA0002664692420000051
Sl表示为食品样式轮廓表面积，Sl0表示为该食品标准样式轮廓表面积。
较优选地，所述食品重点成分品质影响系数的计算公式为
Figure BDA0002664692420000052
式中，Δsci表示为食品第i个重点成分分布区域的轮廓表面积与单个重点成分分布区域的标准表面积之间的对比差值，n表示为重点成分分布区域个数，n0表示为该食品的标准重点成分分布区域个数。
较优选地，所述食品综合品质评估系数的计算公式为
Figure BDA0002664692420000053
α、β、γ分别表示为食品轮廓相似度、重点成分、食品重量对食品品质影响的影响权重系数，λ表示为食品轮廓相似度系数，σ表示为食品重点成分品质影响系数，μD表示为第D个重量品质影响等级对应的重量品质影响系数，D＝1,2,3。
本发明的有益效果：
(1)本发明采用X射线探测仪通过外观形状检测模块、食品重点成分检测模块、食品重量检测分析模块对待检测的食品进行外观样式形状、重点成分分布和食品重量检测，结合建模分析模块根据检测分析的各影响系数统计食品综合品质评估系数，进而得出食品品质等级，实现了对食品品质的多方面有效智能检测，提高了食品品质检测的检测效率和准确性，同时系统得到的食品综合品质评估系数，能够对食品的品质状况进行量化，避免了背景技术提到的人工检测存在的缺点，大大保障了食品的品质安全性。
(2)本发明根据X射线系统的检测效率高、检测精度高且不具损害性的特点将其运用在食品外形检测和重点成分检测上，在检测过程中不损害食品包装，弥补了传统检测食品重点成分时损害食品包装的弊端，同时提高了食品检测的自动化水平，节省了大量的检测人力。
(3)本发明通过对得到的食品综合品质评估系数与各等级食品品质对应的食品综合安全品质评估系数阈值进行对比，得到对应的食品品质等级，方便食品管理人员根据食品品质等级进行不同措施处理。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的系统模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1所示，一种基于X射线图像分析的食品品质安全智能检测系统，包括外观形状检测模块、形状对比分析模块、食品重点成分检测模块、重点成分对比分析模块、参数数据库、食品重量检测分析模块、建模分析模块、管理服务器、预警模块和显示终端。
外观形状检测模块包括X射线探测仪，用于对待检测的食品进行X射线照射检测食品的外观参数，其具体检测步骤如下：
步骤一：采用X射线探测仪对待检测的食品包装发射X射线，其发射的射线穿透食品包装通过射线胶片予以显像记录，获得食品包装射线胶片；
步骤二：将获得的射线胶片放入暗室进行处理，得到食品包装射线底片；
步骤三：根据食品本身与包装袋在射线底片上显示的灰度不同，得到的食品包装射线底片能够识别到食品本身样式轮廓，根据识别到的食品本身样式轮廓创建食品轮廓三维图形，获取食品的样式轮廓形状及食品轮廓的表面积，并发送至形状对比分析模块。
形状对比分析模块与外观形状检测模块连接，接收外观形状检测模块发送的食品的样式轮廓形状及食品轮廓的表面积，提取参数数据库中该食品标准样式轮廓形状及标准轮廓表面积，将接收的食品样式轮廓表面积与该食品标准轮廓表面积进行对比，统计食品轮廓相似度系数
Figure BDA0002664692420000071
Sl表示为食品样式轮廓表面积，Sl0表示为该食品标准样式轮廓表面积，轮廓相似度系数越大，表明检测的是样式轮廓越符合标准样式轮廓，统计的食品轮廓相似度系数为后期建立食品综合品质评估系数提供食品轮廓相关相似度的相关系数，形状对比分析模块将统计的食品轮廓相似度系数发送至建模分析模块。
食品重点成分检测模块用于对待检测的食品进行X射线照射检测食品的重点成分参数，根据外观形状检测模块从食品包装射线底片识别到食品本身轮廓形状，其食品本身轮廓作为食品本身图像与包装图像的分界线，食品重点成分检测模块通过食品本身轮廓将食品包装射线底片图像进行图像分割，分割为食品本身底片图像和包装底片图像，并对分割后的食品本身底片图像，进行图像增强处理，获取高清食品本身底片图像；由于食品中重点成分与食品本身在二维图像中的灰度值不同，其在底片图像中显示的颜色色度有差异，从颜色色度有差异的高清食品本身底片图像中可清晰看到食品中重点成分的分布区域，统计食品中重点成分的分布区域个数，根据统计的重点成分的分布区域个数将高清食品本身底片图像划分为若干分布区域食品底片图像，各分布区域食品底片图像分别对应一个重点成分分布区域，对每个分布区域食品底片图像进行重点成分分布区域轮廓识别，根据识别到的食品重点成分分布区域轮廓创建重点成分区域轮廓三维图形，获取食品各重点成分分布区域轮廓及轮廓表面积，构成重点成分分布区域表面积集合SC(sc1,sc2,...,sci,...,scn)，sci表示为食品第i个重点成分分布区域的轮廓表面积，食品重点成分检测模块将获取的重点成分分布区域表面积集合发送至重点成分对比分析模块。
重点成分对比分析模块与食品重点成分检测模块连接，接收食品重点成分检测模块发送的重点成分分布区域表面积集合，并提取参数数据库中该食品的标准重点成分分布区域个数和单个重点成分分布区域的标准表面积，将接收的重点成分分布区域表面积集合与该食品的标准重点成分分布区域个数和单个重点成分分布区域的标准表面积进行对比，得到重点成分分布区域个数对比差值和重点成分分布区域表面积对比集合ΔSC(Δsc1,Δsc2,...,Δsci,...,Δscn)，根据得到的重点成分分布区域个数对比差值和重点成分分布区域表面积对比集合，统计食品重点成分品质影响系数
Figure BDA0002664692420000081
式中，Δsci表示为食品第i个重点成分分布区域的轮廓表面积与单个重点成分分布区域的标准表面积之间的对比差值，n表示为重点成分分布区域个数，n0表示为该食品的标准重点成分分布区域个数，统计的食品重点成分品质影响系数为后期建立食品综合品质评估系数提供重点成分品质的相关影响系数，重点成分对比分析模块将统计的重点成分品质影响系数发送至建模分析模块。
本实施例根据X射线系统的检测效率高、检测精度高且不具损害性的特点将其运用在食品外形检测和重点成分检测上，在检测过程中不损害食品包装，弥补了传统检测食品重点成分时损害食品包装的弊端，同时提高了食品检测的自动化水平，节省了大量的检测人力。
食品重量检测分析模块用于采用称重机对食品包装袋进行重量检测，将检测获得的食品包装袋重量，与该食品包装袋标准重量进行对比，得到重量对比值，将得到的重量对比值与参数数据库中各重量品质影响等级对应的食品重量对比值的绝对值范围进行对比，筛选该重量对比值对应的食品重量品质影响等级，并发送至建模分析模块。
参数数据库用于存储该食品标准样式轮廓及标准轮廓表面积，存储该食品各重量品质影响等级D,D＝1,2,3,及各重量品质影响等级对应的食品重量对比值的绝对值范围，存储各重量品质影响等级对应的食品重量品质影响系数，存储该食品的标准重点成分分布区域个数和单个重点成分分布区域的标准表面积，存储各等级食品品质对应的食品综合安全品质评估系数阈值，并存储食品轮廓相似度、重点成分、食品重量对食品品质影响的影响权重系数。
建模分析模块分别与形状对比分析模块、重点成分对比分析模块和食品重量检测分析模块连接，接收形状对比分析模块发送的轮廓相似度系数、接收重点成分对比分析模块发送的食品重点成分品质影响系数，并接收食品重量检测分析模块发送的食品重量品质影响等级，根据接收的食品重量品质影响等级，提取参数数据库中该食品各重量品质影响等级对应的食品重量品质影响系数，并与接收的食品重量品质影响等级进行匹配，筛选该食品重量品质影响等级对应的食品重量品质影响系数，筛选的食品重量品质影响系数为后期建立食品综合品质评估系数提供重量品质的相关影响系数，同时，建模分析模块根据得到的轮廓相似度系数、食品重点成分品质影响系数和食品重量品质影响系数，统计食品综合品质评估系数
Figure BDA0002664692420000101
α、β、γ分别表示为食品轮廓相似度、重点成分、食品重量对食品品质影响的影响权重系数，λ表示为食品轮廓相似度系数，σ表示为食品重点成分品质影响系数，μD表示为第D个重量品质影响等级对应的重量品质影响系数，D＝1,2,3，得到的食品综合品质评估系数实现了食品品质状况的量化展示，建模分析模块将统计的食品综合品质评估系数分别发送至管理服务器和显示终端。
管理服务器与建模分析模块连接，接收建模分析模块发送的食品综合品质评估系数，与预设的各等级食品品质对应的食品综合安全品质评估系数阈值进行对比，若小于三级食品品质对应的食品综合安全品质评估系数阈值的最小值，则该食品品质严重不达标，并发送预警指令至预警模块，若处于三级食品品质对应的食品综合安全品质评估系数阈值内，则该食品品质属于三级品质，若处于二级食品品质对应的食品综合安全品质评估系数阈值内，则该食品品质属于二级品质，处于一级食品品质对应的食品综合安全品质评估系数阈值内，则该食品品质属于一级品质，其中各等级食品品质对应的大小关系为一级>二级>三级，管理服务器将统计的该食品品质等级发送至显示终端。
显示终端分别与建模分析模块和管理服务器连接，接收建模分析模块发送的食品综合品质评估系数，接收管理服务器发送的食品品质等级，并显示，便于食品相关管理人员通过显示的食品综合品质评估系数及品质等级直观了解该食品的品质情况。
本实施例通过对得到的食品综合品质评估系数与各等级食品品质对应的食品综合安全品质评估系数阈值进行对比，得到对应的食品品质等级，便于食品管理人员根据食品品质等级进行不同措施处理，如对食品品质严重不达标的食品进行剔除，重新加工，以不断向消费者提供高品质的食品，保障食品持续高品质。
预警模块与管理服务器连接，接收管理服务器发送的预警指令，进行预警，提醒食品管理人员注意有食品品质严重不达标的食品出现，便于食品管理人员及时处理，提高了处理效率。
本发明通过外观形状检测模块、食品重点成分检测模块、食品重量检测分析模块对待检测的食品进行外观样式形状、重点成分分布和食品重量检测，结合建模分析模块根据检测分析的各影响系数统计食品综合品质评估系数，进而得出食品品质等级，实现了对食品品质的多方面有效智能检测，提高了食品品质检测的检测效率和准确性，同时系统得到的食品综合品质评估系数，能够对食品的品质状况进行量化，避免了背景技术提到的人工检测存在的缺点，大大保障了食品的品质安全性。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (5)

1.一种基于X射线图像分析的食品品质安全智能检测系统，其特征在于：包括外观形状检测模块、形状对比分析模块、食品重点成分检测模块、重点成分对比分析模块、参数数据库、食品重量检测分析模块、建模分析模块、管理服务器、预警模块和显示终端；
所述外观形状检测模块包括X射线探测仪，用于对待检测的食品进行X射线照射检测食品的外观参数，其具体检测步骤如下：
步骤一：采用X射线探测仪对待检测的食品包装发射X射线，其发射的射线穿透食品包装通过射线胶片予以显像记录，获得食品包装射线胶片；
步骤二：将获得的射线胶片放入暗室进行处理，得到食品包装射线底片；
步骤三：根据食品本身与包装袋在射线底片上显示的灰度不同，得到的食品包装射线底片能够识别到食品本身样式轮廓，根据识别到的食品本身样式轮廓创建食品轮廓三维图形，获取食品的样式轮廓形状及食品轮廓的表面积，并发送至形状对比分析模块；
所述形状对比分析模块与外观形状检测模块连接，接收外观形状检测模块发送的食品的样式轮廓形状及食品轮廓的表面积，提取参数数据库中该食品标准样式轮廓形状及标准轮廓表面积，将接收的食品样式轮廓表面积与该食品标准轮廓表面积进行对比，统计食品轮廓相似度系数，并发送至建模分析模块；
所述食品重点成分检测模块用于对待检测的食品进行X射线照射检测食品的重点成分参数，根据外观形状检测模块从食品包装射线底片识别到食品本身轮廓形状，其食品本身轮廓作为食品本身图像与包装图像的分界线，食品重点成分检测模块通过食品本身轮廓将食品包装射线底片图像进行图像分割，分割为食品本身底片图像和包装底片图像，并对分割后的食品本身底片图像，进行图像增强处理，获取高清食品本身底片图像；由于食品中重点成分与食品本身在二维图像中的灰度值不同，其在底片图像中显示的颜色色度有差异，从颜色色度有差异的高清食品本身底片图像中可清晰看到食品中重点成分的分布区域，统计食品中重点成分的分布区域个数，根据统计的重点成分的分布区域个数将高清食品本身底片图像划分为若干分布区域食品底片图像，各分布区域食品底片图像分别对应一个重点成分分布区域，对每个分布区域食品底片图像进行重点成分分布区域轮廓识别，根据识别到的食品重点成分分布区域轮廓创建重点成分区域轮廓三维图形，获取食品各重点成分分布区域轮廓及轮廓表面积，构成重点成分分布区域表面积集合SC(sc1,sc2,...,sci,…,scn)，sci表示为食品第i个重点成分分布区域的轮廓表面积，食品重点成分检测模块将获取的重点成分分布区域表面积集合发送至重点成分对比分析模块；
所述重点成分对比分析模块与食品重点成分检测模块连接，接收食品重点成分检测模块发送的重点成分分布区域表面积集合，并提取参数数据库中该食品的标准重点成分分布区域个数和单个重点成分分布区域的标准表面积，将接收的重点成分分布区域表面积集合与该食品的标准重点成分分布区域个数和单个重点成分分布区域的标准表面积进行对比，得到重点成分分布区域个数对比差值和重点成分分布区域表面积对比集合ΔSC(Δsc1,Δsc2,…,Δsci,...,Δscn)，根据得到的重点成分分布区域个数对比差值和重点成分分布区域表面积对比集合，统计食品重点成分品质影响系数，并发送至建模分析模块；
所述食品重量检测分析模块用于采用称重机对食品包装袋进行重量检测，将检测获得的食品包装袋重量，与该食品包装袋标准重量进行对比，得到重量对比值，将得到的重量对比值与参数数据库中各重量品质影响等级对应的食品重量对比值的绝对值范围进行对比，筛选该重量对比值对应的食品重量品质影响等级，并发送至建模分析模块；
所述建模分析模块分别与形状对比分析模块、重点成分对比分析模块和食品重量检测分析模块连接，接收形状对比分析模块发送的轮廓相似度系数、接收重点成分对比分析模块发送的食品重点成分品质影响系数，并接收食品重量检测分析模块发送的食品重量品质影响等级，根据接收的食品重量品质影响等级，提取参数数据库中该食品各重量品质影响等级对应的食品重量品质影响系数，并与接收的食品重量品质影响等级进行匹配，筛选该食品重量品质影响等级对应的食品重量品质影响系数，同时，建模分析模块根据得到的轮廓相似度系数、食品重点成分品质影响系数和食品重量品质影响系数，统计食品综合品质评估系数，并分别发送至管理服务器和显示终端；
所述管理服务器与建模分析模块连接，接收建模分析模块发送的食品综合品质评估系数，与预设的各等级食品品质对应的食品综合安全品质评估系数阈值进行对比，若小于三级食品品质对应的食品综合安全品质评估系数阈值的最小值，则该食品品质严重不达标，并发送预警指令至预警模块，若处于三级食品品质对应的食品综合安全品质评估系数阈值内，则该食品品质属于三级品质，若处于二级食品品质对应的食品综合安全品质评估系数阈值内，则该食品品质属于二级品质，处于一级食品品质对应的食品综合安全品质评估系数阈值内，则该食品品质属于一级品质，管理服务器将统计的该食品品质等级发送至显示终端；
所述显示终端分别与建模分析模块和管理服务器连接，接收建模分析模块发送的食品综合品质评估系数，接收管理服务器发送的食品品质等级，并显示；
所述预警模块与管理服务器连接，接收管理服务器发送的预警指令，进行预警。
2.根据权利要求1所述的一种基于X射线图像分析的食品品质安全智能检测系统，其特征在于：所述参数数据库用于存储该食品标准样式轮廓及标准轮廓表面积，存储该食品各重量品质影响等级D,D＝1,2,3,及各重量品质影响等级对应的食品重量对比值的绝对值范围，存储各重量品质影响等级对应的食品重量品质影响系数，存储该食品的标准重点成分分布区域个数和单个重点成分分布区域的标准表面积，存储各等级食品品质对应的食品综合安全品质评估系数阈值，并存储食品轮廓相似度、重点成分、食品重量对食品品质影响的影响权重系数。
3.根据权利要求1所述的一种基于X射线图像分析的食品品质安全智能检测系统，其特征在于：所述食品轮廓相似度系数的计算公式为
Figure FDA0002664692410000041
Sl表示为食品样式轮廓表面积，Sl0表示为该食品标准样式轮廓表面积。
4.根据权利要求1所述的一种基于X射线图像分析的食品品质安全智能检测系统，其特征在于：所述食品重点成分品质影响系数的计算公式为
Figure FDA0002664692410000042
式中，Δsci表示为食品第i个重点成分分布区域的轮廓表面积与单个重点成分分布区域的标准表面积之间的对比差值，n表示为重点成分分布区域个数，n0表示为该食品的标准重点成分分布区域个数。
5.根据权利要求1所述的一种基于X射线图像分析的食品品质安全智能检测系统，其特征在于：所述食品综合品质评估系数的计算公式为
Figure FDA0002664692410000051
α、β、γ分别表示为食品轮廓相似度、重点成分、食品重量对食品品质影响的影响权重系数，λ表示为食品轮廓相似度系数，σ表示为食品重点成分品质影响系数，μD表示为第D个重量品质影响等级对应的重量品质影响系数，D＝1,2,3。
CN202010914924.8A 2020-09-03 2020-09-03 一种基于x射线图像分析的食品品质安全智能检测系统 Withdrawn CN111999320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010914924.8A CN111999320A (zh) 2020-09-03 2020-09-03 一种基于x射线图像分析的食品品质安全智能检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010914924.8A CN111999320A (zh) 2020-09-03 2020-09-03 一种基于x射线图像分析的食品品质安全智能检测系统

Publications (1)

Publication Number Publication Date
CN111999320A true CN111999320A (zh) 2020-11-27

Family

ID=73466172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010914924.8A Withdrawn CN111999320A (zh) 2020-09-03 2020-09-03 一种基于x射线图像分析的食品品质安全智能检测系统

Country Status (1)

Country Link
CN (1) CN111999320A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113161012A (zh) * 2021-02-25 2021-07-23 华夏方圆信用评估有限公司 基于互联网的医保领域主体信用动态评估方法及系统
CN113159973A (zh) * 2021-02-25 2021-07-23 华夏方圆信用评估有限公司 智慧医保基金动态监管方法及系统
CN113252710A (zh) * 2021-06-16 2021-08-13 北京艾尚燕食品科技有限公司 一种燕窝成分检测方法和装置
CN113327067A (zh) * 2021-07-01 2021-08-31 武汉源铭盛网络科技有限公司 一种基于人工智能的工业智能制造产品品质全流程分析控制方法及控制云平台
CN114187248A (zh) * 2021-12-01 2022-03-15 胜斗士(上海)科技技术发展有限公司 食品品质检测方法及装置、电子设备和存储介质
CN114778874A (zh) * 2022-06-16 2022-07-22 深圳市汇知科技有限公司 一种基于物联网的食品安全检测分析方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113161012A (zh) * 2021-02-25 2021-07-23 华夏方圆信用评估有限公司 基于互联网的医保领域主体信用动态评估方法及系统
CN113159973A (zh) * 2021-02-25 2021-07-23 华夏方圆信用评估有限公司 智慧医保基金动态监管方法及系统
CN113252710A (zh) * 2021-06-16 2021-08-13 北京艾尚燕食品科技有限公司 一种燕窝成分检测方法和装置
CN113252710B (zh) * 2021-06-16 2021-09-24 北京艾尚燕食品科技有限公司 一种燕窝成分检测方法和装置
CN113866196A (zh) * 2021-06-16 2021-12-31 北京艾尚燕食品科技有限公司 一种燕窝成分检测系统
CN113327067A (zh) * 2021-07-01 2021-08-31 武汉源铭盛网络科技有限公司 一种基于人工智能的工业智能制造产品品质全流程分析控制方法及控制云平台
CN114187248A (zh) * 2021-12-01 2022-03-15 胜斗士(上海)科技技术发展有限公司 食品品质检测方法及装置、电子设备和存储介质
CN114778874A (zh) * 2022-06-16 2022-07-22 深圳市汇知科技有限公司 一种基于物联网的食品安全检测分析方法及系统

Similar Documents

Publication Publication Date Title
CN111999320A (zh) 一种基于x射线图像分析的食品品质安全智能检测系统
CN115082467B (zh) 基于计算机视觉的建材焊接表面缺陷检测方法
Zhou et al. Computerized image analysis: estimation of breast density on mammograms
CN115018844B (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN104680524B (zh) 一种叶类蔬菜病害诊断方法
CN114170208A (zh) 一种基于人工智能的纸制品缺陷检测方法
CN112396573A (zh) 基于图像识别的面部皮肤分析方法及系统
CN115082418A (zh) 一种汽车零部件精密识别方法
CN103377468A (zh) 图像处理装置及图像处理方法
CN106067177A (zh) Hdr场景侦测方法和装置
CN109239073A (zh) 一种用于汽车车身的表面缺陷检测方法
CN109490306A (zh) 一种基于色泽和气味数据融合的猪肉新鲜度检测方法
CN109632811A (zh) 基于机器视觉的结构钢锭型偏析缺陷检验量化评级方法
CN115082472A (zh) 一种轮毂模具浇注成型产品的质量检测方法及系统
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN115266732A (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
CN104573635B (zh) 一种基于三维重建的微小高度识别方法
CN117274405A (zh) 基于机器视觉的led灯工作颜色检测方法
CN116067671B (zh) 一种用于测试车辆漆面质量的方法、系统及介质
CN109035245B (zh) 基于灰度变化特征分析的无损射线底片灵敏度判别方法
CN116797575A (zh) 一种基于机器视觉的碎米率智能检测方法
CN114820611A (zh) 基于人工智能的机械零件质量评估方法及系统
CN115511814A (zh) 一种基于兴趣区域多纹理特征融合的图像质量评价方法
CN103927544A (zh) 皮棉轧工质量的机器视觉分级方法
KR102118103B1 (ko) 한우 등심 영상정보를 이용한 근내지방 섬세도 측정방법

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: 20201127