CN112102238A - 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 - Google Patents
基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 Download PDFInfo
- Publication number
- CN112102238A CN112102238A CN202010795543.2A CN202010795543A CN112102238A CN 112102238 A CN112102238 A CN 112102238A CN 202010795543 A CN202010795543 A CN 202010795543A CN 112102238 A CN112102238 A CN 112102238A
- Authority
- CN
- China
- Prior art keywords
- starch
- image
- edge
- gelatinization
- granules
- 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.)
- Granted
Links
- 229920002472 Starch Polymers 0.000 title claims abstract description 387
- 235000019698 starch Nutrition 0.000 title claims abstract description 387
- 239000008107 starch Substances 0.000 title claims abstract description 387
- 239000008187 granular material Substances 0.000 title claims abstract description 283
- 238000000034 method Methods 0.000 title claims abstract description 155
- 230000008961 swelling Effects 0.000 title claims abstract description 102
- 230000008569 process Effects 0.000 title claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 238000011049 filling Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 107
- 238000012545 processing Methods 0.000 claims description 37
- 239000000725 suspension Substances 0.000 claims description 33
- 238000003708 edge detection Methods 0.000 claims description 26
- 238000010438 heat treatment Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 24
- 239000011521 glass Substances 0.000 claims description 20
- 230000007797 corrosion Effects 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 18
- 238000007789 sealing Methods 0.000 claims description 10
- 229920000881 Modified starch Polymers 0.000 claims description 8
- 239000004368 Modified starch Substances 0.000 claims description 6
- 239000004568 cement Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 235000019426 modified starch Nutrition 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 229910019142 PO4 Inorganic materials 0.000 claims description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 2
- 150000001413 amino acids Chemical class 0.000 claims description 2
- 239000004202 carbamide Substances 0.000 claims description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 2
- 239000010452 phosphate Substances 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 239000011780 sodium chloride Substances 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 24
- 238000005259 measurement Methods 0.000 abstract description 8
- 230000004660 morphological change Effects 0.000 abstract description 3
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 229920002261 Corn starch Polymers 0.000 description 92
- 239000008120 corn starch Substances 0.000 description 92
- 229920001592 potato starch Polymers 0.000 description 41
- 244000046095 Psophocarpus tetragonolobus Species 0.000 description 32
- 235000010580 Psophocarpus tetragonolobus Nutrition 0.000 description 32
- 241000219739 Lens Species 0.000 description 16
- 235000014647 Lens culinaris subsp culinaris Nutrition 0.000 description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000002156 mixing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 239000006059 cover glass Substances 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 244000061456 Solanum tuberosum Species 0.000 description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 244000207740 Lemna minor Species 0.000 description 1
- 235000006439 Lemna minor Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法。该方法首先通过算法对不同糊化阶段中采集的淀粉图像进行预处理,对淀粉颗粒进行边缘识别提取、边缘优化、像素填充、像素识别及统计、溶胀能力检测,通过像素变化实现糊化过程颗粒形态变化的智能检测。其中算法由rgb2gray算法、改进的canny算法、数学形态学、漫水填充算法、溶胀能力检测算法组合。本发明首次将计算机视觉技术应用于淀粉颗粒溶胀性能测定中,自动化程度高,检测效率高,可避免观测者主观视觉差异,减少人工测量误差,测量准确率可达95%以上。本发明提供了一种在线观察研究淀粉颗粒形态变化、智能化检测淀粉颗粒溶胀能力的定量方法。
Description
技术领域
本发明属于食品科学与工程技术领域,具体涉及基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法。
背景技术
淀粉作为一种来源广泛、价格低廉的原料,已经广泛应用在食品、造纸、化工、医疗等领域中。糊化作为淀粉的最重要特性,影响着其加工行为和产品的使用性能。糊化过程中,淀粉颗粒逐步膨胀、结晶结构消失,最后颗粒遭到完全破坏。淀粉的溶胀能力是指糊化过程中,随着温度的升高,颗粒的吸水膨胀程度,与淀粉分子的结构排列和功能属性密切相关。精准测定淀粉溶胀行为,可对糊化过程中颗粒的形态和结构变化精准量化,进而调控体系中淀粉的加工行为及产品的最终性能。
中国发明专利申请CN107515198A公开了一种淀粉糊化度和糊化温度的在线检测方法,其主要是采用卷积神经网络技术识别糊化进程中双折射特征。该方法主要是基于淀粉在偏振光下呈现双折射的特征,采用智能化的方法对具有双折射特征的淀粉颗粒的进行识别和进行数目统计,进而通过计算得到糊化度。当前尚无针对淀粉溶胀能力的智能化检测方法出现。传统研究淀粉溶胀能力的方法分为两种,一种为人工手动对淀粉颗粒进行粒径的测定,并计算其粒径变化。但人工测量及计算会耗费大量时间,由于此外淀粉颗粒不规则,粒径测定没有统一标准,易造成误差。另一种是利用图像识别软件,直接进行颗粒识别并计算粒径变化。但其不对淀粉颗粒图像进行如边缘检测,数学形态学处理等优化操作,故在识别过程中可能存在淀粉颗粒误判与漏检,造成较大误差。
热台显微镜作为一种对淀粉颗粒进行观测的常用仪器,其特点在于可对糊化进程中淀粉的形态变化进行观察以及记录,这意味着不需要中断淀粉的糊化进程,便可研究整个糊化过程。计算机视觉是通过使用计算机及相关设备对生物视觉的一种模拟,其主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息。
淀粉颗粒在糊化过程中随着温度上升及浸泡时间的延长,颗粒大小逐渐变大,颗粒大小在图像上的变化可视为像素点的变化。由于数码相机获取的淀粉糊化图像是RGB三通道图像,RGB三通道所代表的特征均有不同且相片格式(1024×768×3),若不经处理直接用于检测,将引发数据处理量过大,检测时间耗费较长的问题。传统的canny算法存在的问题在于其在设定双阈值区间时,需要于检测前手动设置,期间还需要依靠最终检测效果调整多次。而不同种类的淀粉,糊化图像也存在着很大差异。多次手动调整参数将耗费一定时间成本。虽然已有多种辅助阈值选取算法,但在辅助双阈值选取时,随着淀粉种类的变化,阈值区间效果差。
发明内容
本发明的目的在于针对现有技术的不足,提供一种无需手动调整参数、快速、准确测定糊化过程中淀粉颗粒溶胀能力的基于计算机视觉技术开发的糊化过程中淀粉颗粒溶胀能力检测方法。
将热台显微镜与计算机视觉技术结合,减少数据处理工作量,并提高数据处理效率,实现对淀粉的溶胀能力的快速智能化检测,为研究淀粉的糊化行为和性能提供了不同于传统方法的新途径。
本发明方法将热台-偏光显微观察法与计算机视觉技术相结合,智能计算在糊化过程中淀粉颗粒像素点变化:首先通过算法对糊化过程中采集的淀粉图像进行预处理,并对图像中颗粒进行边缘识别提取、边缘优化、像素填充、像素识别及统计、溶胀能力检测,从像素变化的角度实现糊化过程中淀粉颗粒溶胀能力的智能化检测。
基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,主要包括不同糊化阶段淀粉图像的采集,淀粉颗粒的边缘识别提取、边缘优化、像素填充、像素识别及统计、淀粉颗粒溶胀能力检测。
本发明的目的通过如下技术方案实现。
基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,具体包括如下步骤:
(1)淀粉制片:配制淀粉悬浮液,分散均匀后,滴加至载玻片上,得到样本片;
(2)淀粉图像获取:将样本片放置在带有显微镜的热台设备上,开启热台装备,进行升温控制,并调整显微镜使淀粉颗粒清晰明亮,并通过与显微镜相连的数码相机进行拍照,获取加热过程中的淀粉糊化颗粒图像;
(3)淀粉图像预处理:利用基于图像转换原理的rgb2gray算法将颗粒图像由RGB三通道图像转换为颗粒灰度图;
(4)淀粉颗粒边缘提取:利用改进的canny算法对淀粉颗粒进行边缘提取,将淀粉颗粒糊化灰度图转化成淀粉颗粒边缘图;
(5)淀粉颗粒边缘优化:将完成边缘提取的淀粉颗粒边缘图利用数学形态学进行优化,获得淀粉颗粒边缘优化图;
(6)淀粉颗粒像素填充:利用漫水填充算法,将淀粉颗粒边缘优化图转化成淀粉糊化二值图;
(7)淀粉颗粒像素识别及统计:利用溶胀能力检测算法遍历并识别淀粉颗粒二值图中的所有像素点,统计淀粉糊化二值图初始白色像素总数A0,统计糊化过程中热台升温至温度i℃时淀粉糊化二值图白色像素总数Ai,并计算糊化过程中温度点i时的淀粉颗粒溶胀能力SC%,得淀粉颗粒较未糊化颗粒的膨胀程度;
A0:淀粉糊化二值图初始白色像素总数;
i:糊化过程中的热台温度,初始为环境温度,最高值为120℃;
Ai:热台温度处于温度i℃时,淀粉糊化二值图白色像素总数;
SC%:糊化过程中处于温度i℃时的淀粉颗粒溶胀能力;
所述溶胀能力检测算法通过以下步骤实现:
1)利用im2bw算法将淀粉颗粒二值图中的白色像素值改为1,黑色像素值不变;
2)统计淀粉颗粒二值图中所有为1的白色像素总数。
为进一步实现本发明目的,优选地,步骤(1)中,所述淀粉为原淀粉、改性淀粉及淀粉混合物;所述的改性淀粉包括预糊化淀粉、交联淀粉或淀粉磷酸酯;所述的淀粉混合物是在天原淀粉或改性淀粉中添加氨基酸、尿素和氯化钠等一种或多种获得的混合物。
优选地,步骤(1)中,所述淀粉悬浮液中的淀粉的质量含量为0.5-3%。
优选地,步骤(2)中,所述热台设备是与显微镜相连的设备,为显微镜下的观测物体提供加热功能;所述热台设备的初始温度为环境温度,最高温度为120℃,热台设备的升温速率不高于5℃/min;所述拍照的频率为1次-4次/2℃;所述显微镜倍数为50×10倍或20×10倍。
优选地,步骤(3)中,所述的糊化灰度图为包含糊化过程中淀粉颗粒形态和大小的图像,格式是灰度图;
步骤(3)中,所述的rgb2gray算法通过以下方式实现:
1)获取糊化图像中所有像素对应的RGB三通道像素值;
2)将三通道像素值按以下比重加权求和获得灰度,将淀粉糊化图像转化为淀粉糊化灰度图;
3)糊化灰度图灰度计算如下:
Gray=0.299×R+0.587×G+0.114×B
Gray:淀粉糊化灰度图中的像素值;
R:淀粉糊化图像中红色通道的像素值;
G:淀粉糊化图像中绿色通道的像素值;
B:淀粉糊化图像中蓝色通道的像素值。
优选地,步骤(4)中,所述改进的canny算法通过以下步骤实现:
1)利用高斯滤波器对淀粉糊化图像进行平滑滤波处理;
2)构建一维高斯核,通过卷积运算获得平滑后淀粉糊化灰度图的梯度幅值与方向,方向分别为垂直、水平、45°、135°;
3)对每个像素点垂直、水平、45°、135°进行非极大值抑制,将当前像素的边缘强度与四个方向上的像素边缘强度进行比较,若当前像素的边缘强度与各方向的其他像素相比并非最大,该值将被抑制,最终保留每个像素点上梯度强度的极大值,使模糊的淀粉边缘变清晰;
4)构建阈值选取界面;阈值选取界面包含三部分:阈值拖动条、当前淀粉糊化边缘检测效果图,阈值选取确定按钮;通过拖动阈值拖动条、观察当前淀粉糊化边缘检测效果图,直到当前淀粉糊化边缘检测效果图上噪声边缘于淀粉颗粒边缘占比重低于3%,点击阈值选取确定按钮,完成最佳双阈值区间的选取;最佳双阈值区间能够最大限度提取淀粉颗粒边缘,其中双阈值为区间的上界与下界,下界为低阈值,上界为高阈值;检测过程中,若边缘像素梯度值低于阈值的边缘即为噪声,处于区间内的边缘像素梯度值即为弱边缘,高于上界即为强边缘;
5)基于双阈值区间消除噪声、弱边缘,并依靠强边缘像素点八连通领域将弱边缘转化为强边缘,完成边缘提取,将淀粉颗粒糊化灰度图转化为淀粉颗粒边缘图。
优选地,步骤(5)中,所述数学形态学的处理通过以下步骤实现:
1)利用数学形态学中的结构元素对淀粉颗粒边缘图进行膨胀运算,联结存在断口的淀粉颗粒边缘,获得膨胀处理边缘图像;
2)利用数学形态学中的结构元素对进行膨胀处理边缘图像进行腐蚀运算,细化经膨胀运算后的淀粉颗粒边缘,获得淀粉颗粒边缘优化图。
优选地,步骤(6)中,所述淀粉糊化二值图是一种只包含白色像素和黑色像素的图像,其中白色像素为淀粉颗粒,黑色像素为背景;
步骤(6)中,所述漫水填充算法的运行通过以下步骤实现:
1)将输入的淀粉颗粒边缘图设定为掩膜图像,并构建标记图像A;标记图像除边缘像素为0外,所有初始像素值均为255;控制标记图像与掩膜图像格式相同,尺寸相等;
2)利用方形结构元素基于标记图像中所有值为255的像素点进行腐蚀运算,获得标记图像B;
3)遍历标记图像与掩膜图像所有像素点的值,并取两者像素点最大值,输出半填充图像;
4)重复步骤2)、3),直至半填充图像不再变化,完成迭代,输出淀粉颗粒二值图。
优选地,步骤(7)中,所述白色像素是计算机视觉技术处理后淀粉颗粒二值图中呈白色、像素值为1的像素。
优选地,步骤(1)中,所述得到样本片是利用吸管吸取淀粉悬浮液,滴加至载玻片上,盖上盖玻片并用玻璃胶密封得到。
与现有技术相比,本发明具有如下优点和有益效果:
(1)本发明方法耗时短,单张淀粉颗粒图片检测在10s内完成,一次糊化过程检测在2min内,自动化程度高,克服了传统研究淀粉溶胀行为方法需要手动测量淀粉颗粒粒径的缺陷,提高了效率。
(2)本发明采用rgb2gray算法,将三通道像素值按一定比例加权获得灰度值后,可有效减少数据量,提高检测效率,并提升边缘检测的效果。
(3)本发明将阈值选取界面引入canny算法中,构建改进的canny检测算法,降低边缘检测参数的选取时间成本,用于快速满足边缘检测效果。
(4)本发明依次利用数学形态学中的膨胀、腐蚀进行优化,可有效解决经边缘检测后,因玉米淀粉颗粒具有透明性,使得玉米淀粉颗粒边缘存在部分断口的问题,从而提升后续填充效果。
(5)本发明采用漫水填充算法,可对淀粉颗粒大小及形态变化进行量化。
(6)本发明方法利用计算机视觉中的改进的canny算法,数学形态学操作及漫水填充对淀粉糊化图像进行优化,相较于传统图像识别软件,识别准确,有效,基本无误判、漏检,具有很强的可行性。
(7)本发明方法基于淀粉在糊化过程中显微相片淀粉颗粒像素点变化,利用计算机视觉技术对其进行处理与优化,提供了一种研究淀粉糊化过程中其颗粒溶胀行为的新思路。
附图说明
图1为实施例1扁豆淀粉糊化过程中溶胀能力与温度的关系曲线图;
图2为实施例2马铃薯淀粉糊化过程中溶胀能力与温度的关系曲线图;
图3为实施例3玉米淀粉糊化过程中溶胀能力与温度的关系曲线图;
图4为实施例4玉米淀粉糊化过程中未经处理的加热温度为30℃的淀粉糊化颗粒图像;
图5为实施例4中基于计算机视觉对玉米淀粉颗粒图像进行处理后的图像;
图6为实施例4中image pro plus 4.5 program对玉米淀粉颗粒识别后图像;
图7为本发明基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法流程图。
具体实施方式
以下结合说明书附图和具体实施例来进一步说明本发明。以下实施例为本发明较佳的实施方式,但并不对本发明的保护范围做任何形式的限定。除非特别说明,本发明采用的试剂、方法和设备为本技术领域常规试剂、方法和设备。
除非特别说明,以下实施例所用试剂和材料均为市购。
实施例1
如图7所示,一种基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,包括如下步骤:
(1)制备玻片:称取扁豆淀粉0.07g,将其与10ml水混合,制备成淀粉与水质量比为7%的扁豆淀粉悬浮液。混匀,利用吸管,在混匀的基础上,吸取淀粉悬浮液,滴加至圆形玻片中央,待淀粉悬浮液分散后,利用盖玻片与玻璃胶密封。其中密封后,淀粉悬浮液应分散均匀并且淀粉颗粒与颗粒之间存在间隔。
(2)相片记录:在热台设备(THMS600,Linkam,英国)上放置已密封好扁豆淀粉悬浮液的玻片,升温加热,调节淀粉颗粒图像至适当位置,调整显微镜,使目镜为10倍,物镜为50倍。调整数码相机焦距与曝光时间,使用数码相机对显微镜中的淀粉颗粒图像采集的数据清晰可见,拍摄频率为1次/2℃;热台的升温速率为2℃/30s,初始温度30℃,最高加热温度95℃;
(3)扁豆淀粉图像预处理:利用基于图像转换原理的rgb2gray算法将扁豆淀粉图像由RGB三通道图像转换为扁豆淀粉颗粒灰度图。
(4)扁豆淀粉颗粒边缘提取:利用改进的canny算法对扁豆淀粉颗粒进行边缘提取,将扁豆淀粉糊化灰度图转化成淀粉颗粒边缘图;具体操作为:
1)利用高斯滤波器对扁豆淀粉糊化图像进行平滑滤波处理,降低扁豆淀粉糊化灰度图中噪声的影响;
2)构建一维高斯核,通过卷积运算获得平滑后扁豆淀粉糊化灰度图的梯度幅值与方向,方向分别为垂直、水平、45°、135°;
3)对每个像素点垂直、水平、45°、135°进行非极大值抑制,将当前像素的边缘强度与四个方向上的像素边缘强度进行比较,若当前像素的边缘强度与各方向的其他像素相比并非最大,该值将被抑制,最终保留每个像素点上梯度强度的极大值,使模糊的扁豆淀粉边缘变清晰;
4)构建阈值选取界面,阈值选取界面包含三部分:阈值拖动条、当前淀粉糊化边缘检测效果图,阈值选取确定按钮;通过拖动阈值拖动条、观察当前淀粉糊化边缘检测效果图,直到当前淀粉糊化边缘检测效果图上噪声边缘于淀粉颗粒边缘占比重低于3%,点击阈值选取确定按钮,完成最佳双阈值区间(0.04,0.10)的选取;最佳双阈值区间能够最大限度提取淀粉颗粒边缘,其中双阈值为区间的上界与下界,下界为低阈值,上界为高阈值;检测过程中,若边缘像素梯度值低于阈值的边缘即为噪声,处于区间内的边缘像素梯度值即为弱边缘,高于上界即为强边缘;
5)基于该双阈值区间消除噪声、弱边缘,并依靠强边缘像素点八连通领域将弱边缘转化为强边缘,完成边缘提取,将扁豆淀粉颗粒糊化灰度图转化为扁豆淀粉颗粒边缘图。
(5)扁豆淀粉颗粒边缘优化:将完成边缘提取的扁豆淀粉颗粒边缘图依次利用数学形态学进行优化,具体操作包括膨胀、腐蚀,获得扁豆淀粉颗粒边缘优化图:
1)利用7×7大小的方形结构元素对扁豆淀粉颗粒边缘图进行膨胀运算,膨胀运算可使扁豆淀粉颗粒边缘边界点扩充,将与扁豆淀粉颗粒边缘接触的所有背景点合并到该物体中,使边界向外扩张,最终联结存在断口的扁豆淀粉颗粒边缘;
2)利用7×7大小的方形结构元素对扁豆淀粉颗粒边缘图进行腐蚀运算,腐蚀运算可消除扁豆淀粉颗粒边缘边界点,使边界点向内部收缩,最终细化经膨胀运算后的扁豆淀粉颗粒边缘。
(6)扁豆淀粉颗粒像素填充:采用漫水填充算法,用白色像素填充颗粒边缘内部的黑色像素,将扁豆淀粉颗粒边缘图转化成扁豆淀粉糊化二值图;具体操作如下:
1)将输入的扁豆淀粉颗粒边缘图设定为掩膜图像,并构建标记图像。标记图像除边缘像素为0外,所有初始像素值均为255。此外,标记图像与掩膜图像格式相同为数组形式,尺寸相等为1024×768;
2)利用2×2大小的方形结构元素对标记图像进行腐蚀;
3)遍历所有像素点的值,与掩膜图像作比较,并取两者像素点最大值,输出半填充图像C;
4)重复步骤2)、3),直至半填充图像不再变化,完成迭代,输出扁豆淀粉颗粒二值图;
(7)扁豆淀粉颗粒像素识别及统计:利用溶胀能力检测算法统计淀粉糊化二值图初始白色像素总数A0,糊化过程中热台温度为i时,淀粉糊化二值图白色像素总数Ai,并计算糊化过程中扁豆淀粉颗粒溶胀能力;具体操作如下:
1)利用im2bw算法将扁豆淀粉颗粒二值图中的白色像素值改为1,黑色像素值不变。
2)统计淀粉颗粒二值图中所有为1的白色像素总数,记为Ai;用于计算糊化过程中扁豆淀粉颗粒溶胀能力SC%,即淀粉颗粒较未糊化颗粒的膨胀程度;
(8)淀粉颗粒像素识别及统计:利用溶胀能力检测算法遍历并识别淀粉颗粒二值图中的所有像素点,统计淀粉糊化二值图初始白色像素总数A0,统计糊化过程中热台升温至温度i℃时淀粉糊化二值图白色像素总数Ai,并计算糊化过程中某一温度点时的淀粉颗粒溶胀能力SC%,得淀粉颗粒较未糊化颗粒的膨胀程度;
A0:淀粉糊化二值图初始白色像素总数。
i:糊化过程中的热台温度,初始温度为环境温度,最高温度为120℃。
Ai:热台温度处于温度i℃时,淀粉糊化二值图白色像素总数。
SC%:糊化过程中处于温度点i时的淀粉颗粒溶胀能力,即该温度点淀粉颗粒较未糊化颗粒的膨胀程度;
(9)扁豆淀粉溶胀能力的计算与表征
实施例1中描述了扁豆淀粉颗粒在糊化过程中的溶胀行为,即淀粉颗粒溶胀能力随温度变化的关系曲线图。计算糊化过程中不同温度下淀粉糊化图像中颗粒像素个数,并通过上述公式,获得糊化过程中热台温度为i时,马铃薯淀粉溶胀能力SC%,再将其按照温度作为横坐标作折线图,获得图1。如图1所示,扁豆淀粉颗粒自室温开始,颗粒大小几乎无变化。直到70℃开始膨胀,但加热前期膨胀缓慢,温度为76℃时,溶胀能力只增加10%,此时仅有少量水分子进入淀粉颗粒,颗粒结晶与分子结构排列保持稳定。随着温度由76℃继续增加至90℃时,扁豆淀粉颗粒膨胀速度迅速增大,最终扁豆淀粉颗粒完成糊化,淀粉颗粒大量破裂,此时结晶结构消失,分子结构排列完全遭到破坏,淀粉溶胀行为结束。
依靠热台显微镜获取淀粉糊化过程中的颗粒图像后,将其利用基于计算机视觉的淀粉颗粒溶胀能力检测方法与人工手动识别方法进行处理,并将其处理不同温度下的淀粉颗粒图像所耗费时间汇总成表1,单张图片处理时间为6~9s,总处理时长为99s。人工处理时间约为5~6min,总处理时长为62min。本实施例1中,将扁豆淀粉糊化过程中图像中实际颗粒个数、image pro plus 4.5 program识别颗粒个数,基于计算机视觉技术识别颗粒个数汇总成表2,其中image pro plus 4.5 program识别颗粒个数是将淀粉糊化过程中的颗粒图导入至image pro plus 4.5 program软件中,而后利用count/size功能对其进行处理并识别,获得image pro plus 4.5 program识别颗粒个数,基于计算机视觉技术识别颗粒个数是人工计算淀粉颗粒二值图中被提取出的颗粒个数。
表1
表2
本实施例将基于计算机视觉技术识别颗粒个数、image pro plus 4.5 program识别颗粒个数分别与实际颗粒个数作比,获得基于计算机视觉技术对淀粉颗粒识别准确率,传统图像软件识别准确率。淀粉颗粒图像中存在许多颗粒,利用现有软件或方法的淀粉颗粒溶胀能力检测过程中,将会在过程中忽略部分淀粉颗粒,从而造成误差,因此对淀粉颗粒的识别率越高,检测结果越准确。在此次实施例中,经计算基于计算机视觉技术对淀粉颗粒识别准确率可达99%,而传统图像软件识别准确率仅为85%。该检测方法较传统手工或图像软件检测颗粒溶胀度而言,不仅在时间上大大缩短,还避免了人工检测中因颗粒不规则而造成的粒径测量误差与软件检测中较低的颗粒检出率,实现了对糊化过程中颗粒形态和结构变化的精准量化,因此其具有快速,高效,准确等优点。通过快速测定淀粉溶胀行为,该方法可对糊化过程中颗粒的形态和结构变化的精准量化,进而基于数据调控体系中淀粉的加工行为,优化产品的最终性能。
实施例2
一种基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,包括如下步骤:
(1)制备玻片:称取马铃薯淀粉0.10g,将其与10ml水混合,制备成淀粉与水质量比为1%的马铃薯淀粉悬浮液。混匀,利用吸管,在混匀的基础上,吸取淀粉悬浮液,滴加至圆形玻片中央,待淀粉悬浮液分散后,利用盖玻片与玻璃胶密封。其中密封后,淀粉悬浮液应分散均匀并且淀粉颗粒与颗粒之间存在一定间隔。
(2)相片记录:在热台设备(THMS600,Linkam,英国)上放置已密封好马铃薯淀粉悬浮液的玻片,升温加热,调节淀粉颗粒图像至适当位置,调整显微镜,使目镜为10倍,物镜为20倍。调整数码相机焦距与曝光时间,使用数码相机对显微镜中的淀粉颗粒图像采集的数据清晰可见,拍摄频率为1次/2℃;热台的升温速率为2℃/30s,初始温度30℃,最高加热温度85℃;
(3)马铃薯淀粉图像预处理:利用基于图像转换原理的rgb2gray算法将马铃薯淀粉图像由RGB三通道图像转换为马铃薯淀粉颗粒灰度图。
(4)马铃薯淀粉颗粒边缘提取:利用改进的canny算法对马铃薯淀粉颗粒进行边缘提取,将马铃薯淀粉颗粒灰度图转化成马铃薯颗粒边缘图。具体操作为:
1)利用高斯滤波器对马铃薯淀粉糊化图像进行平滑滤波处理,降低马铃薯淀粉糊化灰度图中噪声的影响;
2)构建一维高斯核,通过卷积运算获得平滑后马铃薯淀粉糊化灰度图的梯度幅值与方向,方向分别为垂直、水平、45°、135°;
3)对每个像素点垂直、水平、45°、135°进行非极大值抑制,将当前像素的边缘强度与四个方向上的像素边缘强度进行比较,若当前像素的边缘强度与各方向的其他像素相比并非最大,该值将被抑制,最终保留每个像素点上梯度强度的极大值,使模糊的马铃薯淀粉边缘变清晰;
4)构建阈值选取界面,阈值选取界面包含三部分:阈值拖动条、当前淀粉糊化边缘检测效果图,阈值选取确定按钮;通过拖动阈值拖动条、观察当前淀粉糊化边缘检测效果图,直到当前淀粉糊化边缘检测效果图上噪声边缘于淀粉颗粒边缘占比重低于3%,点击阈值选取确定按钮,完成最佳双阈值区间(0.06,0.15)的选取;最佳双阈值区间能够最大限度提取淀粉颗粒边缘,其中双阈值为区间的上界与下界,下界为低阈值,上界为高阈值;检测过程中,若边缘像素梯度值低于阈值的边缘即为噪声,处于区间内的边缘像素梯度值即为弱边缘,高于上界即为强边缘;
5)基于该双阈值区间消除噪声、弱边缘,并依靠强边缘像素点八连通领域将弱边缘转化为强边缘,完成边缘提取,将扁豆淀粉颗粒糊化灰度图转化为马铃薯淀粉颗粒边缘图。
(5)马铃薯淀粉颗粒边缘优化:将完成边缘提取的马铃薯淀粉颗粒边缘图依次利用数学形态学进行优化,具体操作包括膨胀、腐蚀:
1)利用7×7大小的方形结构元素对马铃薯淀粉颗粒边缘图进行膨胀运算,膨胀运算可使扁豆淀粉颗粒边缘边界点扩充,将与扁豆淀粉颗粒边缘接触的所有背景点合并到该物体中,使边界向外扩张,最终联结存在断口的马铃薯淀粉颗粒边缘;
2)利用7×7大小的方形结构元素对马铃薯淀粉颗粒边缘图进行腐蚀运算,腐蚀运算可消除扁豆淀粉颗粒边缘边界点,使边界点向内部收缩,最终细化经膨胀运算后的马铃薯淀粉颗粒边缘;
(6)马铃薯淀粉颗粒像素填充:采用漫水填充算法,用白色像素填充颗粒边缘内部的黑色像素,将马铃薯淀粉颗粒边缘图转化成马铃薯淀粉糊化二值图;具体操作如下:
1)将输入的马铃薯淀粉颗粒边缘图设定为掩膜图像,并构建标记图像。标记图像除边缘像素为0外,所有初始像素值均为255。此外,标记图像与掩膜图像格式相同为数组形式,尺寸相等为1024×768;
2)利用2×2大小的方形结构元素对标记图像进行腐蚀;
3)遍历所有像素点的值,与掩膜图像作比较,并取两者像素点最大值,输出半填充图像C;
4)重复步骤2)、3),直至半填充图像不再变化,完成迭代,输出马铃薯淀粉颗粒二值图;
(7)马铃薯淀粉颗粒像素识别及统计:利用溶胀能力检测算法统计淀粉糊化二值图初始白色像素总数A0,糊化过程中热台温度为i时,淀粉糊化二值图白色像素总数Ai,并计算糊化过程中马铃薯淀粉颗粒溶胀能力;具体操作如下:
1)利用im2bw算法将马铃薯淀粉颗粒二值图中的白色像素值改为1,黑色像素值不变。
2)统计淀粉颗粒二值图中所有为1的白色像素总数,记为Ai;用于计算糊化过程中马铃薯淀粉颗粒溶胀能力SC%,即淀粉颗粒较未糊化颗粒的膨胀程度;
(8)马铃薯淀粉溶胀能力的计算与表征
SC:马铃薯淀粉溶胀能力;
A0:初始温度时,马铃薯淀粉颗粒二值图中白色像素总数;
Ai:热台显微镜中热台升温至特定温度i℃时,马铃薯淀粉颗粒二值图中白色像素总数。
实施例2中描述了马铃薯淀粉颗粒在糊化过程中的溶胀行为,即淀粉颗粒溶胀能力随温度变化的关系曲线图。通过计算淀粉糊化图像中颗粒像素的变化,获得糊化过程中热台温度为i时,马铃薯淀粉溶胀能力SC%,再将其按照温度变化作折线图,获得图2。如图2所示,马铃薯淀粉颗粒自室温开始,颗粒大小几乎无变化。直到55℃开始膨胀,但加热前期膨胀缓慢,温度为59℃时,溶胀能力只增加15%,此时仅有少量水分子进入淀粉颗粒,颗粒结晶与分子结构排列保持稳定。随着温度由59℃继续增加至65℃时,马铃薯淀粉颗粒膨胀速度迅速增大,最终马铃薯淀粉颗粒完成糊化,淀粉颗粒大量破裂,此时结晶结构消失,分子结构排列完全遭到破坏,淀粉溶胀行为结束。依靠热台显微镜获取淀粉糊化过程中的颗粒图像后,将其利用基于计算机视觉的淀粉颗粒溶胀能力检测方法与人工手动识别方法进行处理,并将其处理不同温度下的淀粉颗粒图像所耗费时间汇总成表3,单张图片处理时间为6~9s,总处理时长为101s,人工处理时间为5~6min,总处理时长为72min。将淀粉糊化过程中图像中实际颗粒个数、image pro plus 4.5 program识别颗粒个数,基于计算机视觉技术识别颗粒个数汇总成表4,其中image pro plus 4.5 program识别颗粒个数是将淀粉糊化过程中的颗粒图导入至image pro plus 4.5 program软件中,而后利用count/size功能对其进行处理并识别,获得image pro plus 4.5 program识别颗粒个数,基于计算机视觉技术识别颗粒个数是人工计算淀粉颗粒二值图中被提取出的颗粒个数。将基于计算机视觉技术识别颗粒个数、image pro plus 4.5 program识别颗粒个数分别与实际颗粒个数作比,获得基于计算机视觉技术对淀粉颗粒识别准确率,传统图像软件识别准确率。淀粉颗粒图像中存在许多颗粒,利用现有软件或方法的淀粉颗粒溶胀能力检测过程中,将会在过程中忽略部分淀粉颗粒,从而造成误差,因此对淀粉颗粒的识别率越高,检测结果越准确。在此次实例中,经计算基于计算机视觉技术对马铃薯淀粉颗粒识别准确率可达97%,而传统图像软件检测马铃薯颗粒的准确率仅为91%。该检测方法较传统手工或图像软件检测颗粒溶胀度而言,不仅在时间上大大缩短,还避免了人工检测中因颗粒不规则而造成的粒径测量误差与软件检测中较高的颗粒误判率,实现了对糊化过程中颗粒形态和结构变化的精准量化,故其具有快速,高效,准确等优点。通过快速测定淀粉溶胀行为,该方法可对糊化过程中颗粒的形态和结构变化的精准量化,进而基于数据调控体系中淀粉的加工行为,优化产品的最终性能。
表3
表4
实施例3
一种基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,包括如下步骤:
(1)制备玻片:称取玉米淀粉0.05g,将其与10ml水混合,制备成玉米淀粉与水质量比为0.5%的玉米淀粉悬浮液。混匀,利用吸管,在混匀的基础上,吸取玉米淀粉悬浮液,滴加至圆形玻片中央,待玉米淀粉悬浮液分散后,利用盖玻片与玻璃胶密封。其中密封后,淀粉悬浮液应分散均匀并且淀粉颗粒与颗粒之间存在一定间隔。
(2)相片记录:在热台设备(THMS600,Linkam,英国)上放置已密封好玉米淀粉悬浮液的玻片,升温加热,调节淀粉颗粒图像至适当位置,调整显微镜,使目镜为10倍,物镜为50倍。调整数码相机焦距与曝光时间,使用数码相机对显微镜中的淀粉颗粒图像采集的数据清晰可见,拍摄频率为1次/2℃;热台的升温速率为1℃/30s,初始温度26℃,最高加热温度80℃。
(3)玉米淀粉图像预处理:利用基于图像转换原理的rgb2gray算法将玉米淀粉图像由RGB三通道图像转换为玉米淀粉颗粒灰度图。
(4)玉米淀粉颗粒边缘提取:利用改进的canny算法对玉米淀粉颗粒进行边缘提取,将玉米淀粉颗粒糊化灰度图转化成玉米淀粉颗粒边缘图。具体操作为:
1)利用高斯滤波器对玉米淀粉糊化图像进行平滑滤波处理,降低玉米淀粉糊化灰度图中噪声的影响;
2)构建一维高斯核,通过卷积运算获得平滑后玉米淀粉糊化灰度图的梯度幅值与方向,方向分别为垂直、水平、45°、135°;
3)对每个像素点垂直、水平、45°、135°进行非极大值抑制,将当前像素的边缘强度与四个方向上的像素边缘强度进行比较,若当前像素的边缘强度与各方向的其他像素相比并非最大,该值将被抑制,最终保留每个像素点上梯度强度的极大值,使模糊的玉米淀粉边缘变清晰;
4)构建阈值选取界面,阈值选取界面包含三部分:阈值拖动条、当前淀粉糊化边缘检测效果图,阈值选取确定按钮;通过拖动阈值拖动条、观察当前淀粉糊化边缘检测效果图,直到当前淀粉糊化边缘检测效果图上噪声边缘于淀粉颗粒边缘占比重低于3%,点击阈值选取确定按钮,完成最佳双阈值区间(0.04,0.10)的选取;最佳双阈值区间能够最大限度提取淀粉颗粒边缘,其中双阈值为区间的上界与下界,下界为低阈值,上界为高阈值;检测过程中,若边缘像素梯度值低于阈值的边缘即为噪声,处于区间内的边缘像素梯度值即为弱边缘,高于上界即为强边缘;
5)基于该双阈值区间消除噪声、弱边缘,并依靠强边缘像素点八连通领域将弱边缘转化为强边缘,完成边缘提取,将玉米淀粉颗粒糊化灰度图转化为玉米淀粉颗粒边缘图。
(5)玉米淀粉颗粒边缘优化:将完成边缘提取的玉米淀粉颗粒边缘图依次利用数学形态学进行优化,具体操作包括膨胀、腐蚀:
1)利用7×7大小的方形结构元素对玉米淀粉颗粒边缘图进行膨胀运算,膨胀运算可使玉米淀粉颗粒边缘边界点扩充,将与玉米淀粉颗粒边缘接触的所有背景点合并到该物体中,使边界向外扩张,最终联结存在断口的玉米淀粉颗粒边缘;
2)利用7×7大小的方形结构元素对玉米淀粉颗粒边缘图进行腐蚀运算,腐蚀运算可消除玉米淀粉颗粒边缘边界点,使边界点向内部收缩,最终细化经膨胀运算后的玉米淀粉颗粒边缘;
(6)玉米淀粉颗粒像素填充:采用漫水填充算法,用白色像素填充颗粒边缘内部的黑色像素,将玉米淀粉颗粒边缘图转化成玉米淀粉糊化二值图;具体操作如下:
1)将输入的玉米淀粉颗粒边缘图设定为掩膜图像,并构建标记图像。标记图像除边缘像素为0外,所有初始像素值均为255。此外,标记图像与掩膜图像格式相同为数组形式,尺寸相等为1024×768;
2)利用2×2大小的方形结构元素对标记图像进行腐蚀;
3)遍历所有像素点的值,与掩膜图像作比较,并取两者像素点最大值,输出半填充图像C;
4)重复步骤2)、3),直至半填充图像不再变化,完成迭代,输出玉米淀粉颗粒二值图;
(7)玉米淀粉颗粒像素识别及统计:利用溶胀能力检测算法统计淀粉糊化二值图初始白色像素总数A0,糊化过程中热台温度为i时,淀粉糊化二值图白色像素总数Ai,并计算糊化过程中玉米淀粉颗粒溶胀能力;具体操作如下:
1)利用im2bw算法将玉米淀粉颗粒二值图中的白色像素值改为1,黑色像素值不变。
2)统计淀粉颗粒二值图中所有为1的白色像素总数,记为Ai;用于计算糊化过程中玉米淀粉颗粒溶胀能力SC%,即淀粉颗粒较未糊化颗粒的膨胀程度;
(8)玉米淀粉溶胀能力的计算与表征
SC:玉米淀粉溶胀能力;
A0:初始温度时,玉米淀粉颗粒二值图中白色像素总数;
Ai:热台显微镜中热台升温至特定温度i℃时,玉米淀粉颗粒二值图中白色像素总数。
实施例3中描述了玉米淀粉颗粒在糊化过程中的溶胀行为,即淀粉颗粒溶胀能力随温度变化的关系曲线图。计算糊化过程中不同温度下淀粉糊化图像中颗粒像素个数,并通过上述公式,获得糊化过程中热台温度为i时,玉米淀粉溶胀能力SC%,再将其按照温度作为横坐标作折线图,获得图3。如图3所示,玉米淀粉颗粒从40℃开始膨胀,但加热前期膨胀缓慢,温度为56℃时,颗粒大小仅增加10%。随着温度由56℃继续增加至65℃,玉米淀粉颗粒膨胀速度迅速增大,最终因温度达到玉米淀粉糊化点,淀粉颗粒大量破裂,此时结晶结构消失,分子结构排列完全遭到破坏,淀粉溶胀行为结束。依靠热台显微镜获取淀粉糊化过程中的颗粒图像后,将其利用基于计算机视觉的淀粉颗粒溶胀能力检测方法与人工手动识别方法进行处理,并将其处理不同温度下的淀粉颗粒图像所耗费时间汇总成表5,单张图片计算机处理时间为6~8s,总处理时长为80s,人工处理时间为5~6min,总处理时长为72min。在此次实例中,将淀粉糊化过程中图像中实际颗粒个数、image pro plus 4.5program识别颗粒个数,基于计算机视觉技术识别颗粒个数汇总成表6,其中image proplus 4.5 program识别颗粒个数是将淀粉糊化过程中的颗粒图导入至image pro plus4.5 program软件中,而后利用count/size功能对其进行处理并识别,获得image pro plus4.5 program识别颗粒个数,基于计算机视觉技术识别颗粒个数是人工计算淀粉颗粒二值图中被提取出的颗粒个数。
表5
表6
本实施例3将基于计算机视觉技术识别颗粒个数、image pro plus 4.5 program识别颗粒个数分别与实际颗粒个数作比,获得基于计算机视觉技术对淀粉颗粒识别准确率,传统图像软件识别准确率。淀粉颗粒图像中存在许多颗粒,利用现有软件或方法的淀粉颗粒溶胀能力检测过程中,将会在过程中忽略部分淀粉颗粒,从而造成误差,因此对淀粉颗粒的识别率越高,检测结果越准确。在此次实例中,经计算基于计算机视觉技术对玉米淀粉颗粒识别准确率可达99%,而传统图像软件几乎不能准确识别。
当前针对淀粉颗粒溶胀度的检测有两种方法,一种为人工手动对淀粉图像中淀粉颗粒粒径进行测量,最终根据糊化过程中数十张图像里的淀粉颗粒形态变化测定溶胀度。但其中只一张淀粉图像中存在数十至上百淀粉颗粒,此外再加上淀粉颗粒并不规则,导致标准不一致。处理一张淀粉图像至少需要5min,总时长可达2h。因此人工测定淀粉颗粒糊化度费时,且误差较大。另一种为利用软件对淀粉图像进行处理,处理时间相近,但还需进行额外的量化与统计,才能检测淀粉溶胀能力。
为了考察淀粉溶胀能力随加热温度变化的情况,利用实施例1,实施例2和实施例3中实验所得的相关数据绘制淀粉溶胀能力随加热温度变化的图1,图2和图3。
实施例4
一种基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,包括如下步骤:
(1)制备玻片:称取玉米淀粉0.03g,将其与10ml水混合,制备成玉米淀粉与水质量比为0.3%的玉米淀粉悬浮液。混匀,利用吸管,在混匀的基础上,吸取玉米淀粉悬浮液,滴加至圆形玻片中央,待玉米淀粉悬浮液分散后,利用盖玻片与玻璃胶密封。其中密封后,淀粉悬浮液应分散均匀并且淀粉颗粒与颗粒之间存在一定间隔。
(2)相片记录:在热台设备上放置已密封好玉米淀粉悬浮液的玻片,升温加热,调节淀粉颗粒图像至适当位置,调整显微镜,使目镜为10倍,物镜为50倍。调整数码相机焦距与曝光时间,使用数码相机对显微镜中的淀粉颗粒图像采集的数据清晰可见,拍摄频率为1次/2℃;热台的升温速率为1℃/30s,初始温度26℃,最高加热温度80℃。
(3)取未经处理的加热温度为30℃的淀粉糊化图像为图4。
(4)玉米淀粉图像预处理:利用基于图像转换原理的rgb2gray算法将玉米淀粉图像由RGB三通道图像转换为玉米淀粉颗粒灰度图。
(5)玉米淀粉颗粒边缘提取:利用改进的canny算法对玉米淀粉颗粒进行边缘提取,将玉米淀粉颗粒糊化灰度图转化成玉米淀粉颗粒边缘图。具体操作为:
1)利用高斯滤波器对玉米淀粉糊化图像进行平滑滤波处理,降低玉米淀粉糊化灰度图中噪声的影响;
2)构建一维高斯核,通过卷积运算获得平滑后玉米淀粉糊化灰度图的梯度幅值与方向,方向分别为垂直、水平、45°、135°;
3)对每个像素点垂直、水平、45°、135°进行非极大值抑制,将当前像素的边缘强度与四个方向上的像素边缘强度进行比较,若当前像素的边缘强度与各方向的其他像素相比并非最大,该值将被抑制,最终保留每个像素点上梯度强度的极大值,使模糊的玉米淀粉边缘变清晰;
4)构建阈值选取界面,阈值选取界面包含三部分:阈值拖动条、当前淀粉糊化边缘检测效果图,阈值选取确定按钮;通过拖动阈值拖动条、观察当前淀粉糊化边缘检测效果图,直到当前淀粉糊化边缘检测效果图上噪声边缘于淀粉颗粒边缘占比重低于3%,点击阈值选取确定按钮,完成最佳双阈值区间(0.04,0.10)的选取;最佳双阈值区间能够最大限度提取淀粉颗粒边缘,其中双阈值为区间的上界与下界,下界为低阈值,上界为高阈值;检测过程中,若边缘像素梯度值低于阈值的边缘即为噪声,处于区间内的边缘像素梯度值即为弱边缘,高于上界即为强边缘;
5)基于该双阈值区间消除噪声、弱边缘,并依靠强边缘像素点八连通领域将弱边缘转化为强边缘,完成边缘提取,将玉米淀粉颗粒糊化灰度图转化为玉米淀粉颗粒边缘图。
(6)玉米淀粉颗粒边缘优化:将完成边缘提取的玉米淀粉颗粒边缘图依次利用数学形态学进行优化,具体操作包括膨胀、腐蚀:
1)利用7×7大小的方形结构元素对玉米淀粉颗粒边缘图进行膨胀运算,膨胀运算可使扁豆淀粉颗粒边缘边界点扩充,将与玉米淀粉颗粒边缘接触的所有背景点合并到该物体中,使边界向外扩张,最终联结存在断口的玉米淀粉颗粒边缘;
2)利用7×7大小的方形结构元素对玉米淀粉颗粒边缘图进行腐蚀运算,腐蚀运算可消除玉米淀粉颗粒边缘边界点,使边界点向内部收缩,最终细化经膨胀运算后的玉米淀粉颗粒边缘;
(7)玉米淀粉颗粒像素填充:采用漫水填充算法,用白色像素填充颗粒边缘内部的黑色像素,将玉米淀粉颗粒边缘图转化成玉米淀粉糊化二值图,并输出玉米淀粉颗粒二值图5;具体操作如下:
1)将输入的玉米淀粉颗粒边缘图设定为掩膜图像,并构建标记图像。标记图像除边缘像素为0外,所有初始像素值均为255。此外,标记图像与掩膜图像格式相同为数组形式,尺寸相等为1024×768;
2)利用2×2大小的方形结构元素对标记图像进行腐蚀;
3)遍历所有像素点的值,与掩膜图像作比较,并取两者像素点最大值,输出半填充图像C;
4)重复步骤2)、3),直至半填充图像不再变化,完成迭代,输出玉米淀粉颗粒二值图5;
(8)将淀粉糊化图像图4导入至image pro plus 4.5 program软件中,点击count/size功能对进行识别,识别完毕后,点击导出为图片,获得图6。
实施例4中获取的图像可用以对比传统图像软件识别以及计算机视觉技术识别的效果差异。从图4中可看出,淀粉糊化图像中实际为69个玉米淀粉颗粒。基于计算机视觉技术识别出的图5则基本无误判。而传统图像软件对玉米淀粉颗粒的识别具有较大地误判,如图6竟识别出191个淀粉颗粒,传统图像软件识别误判率的主要原因在于图像中存在一定噪声,干扰已有图像软件的检测,而当前已有的图像处理软件并不能够对检出参数进行调节用以消除噪声的影响,此外也不能够优化检出结果与统计颗粒像素面积。
基于计算机视觉技术开发的糊化过程中淀粉颗粒溶胀能力的检测,能够快速测定的原因在于所有流程均为已设定好了的计算机算法,除边缘检测中最初阈值选取外,均无人工参与。其能够准确检出淀粉颗粒的原因在于基于计算机视觉的淀粉糊化过程中颗粒溶胀能力的检测引入了边缘检测阈值参数调节器,可根据淀粉种类的不同,通过拖动阈值调节条进行灵活的参数调节。此外膨胀、腐蚀及漫水填充优化了边缘检测结果,并将需要统计的淀粉颗粒形态变化量化为了白色像素面积,提高了检测准确率。
由此可见,本发明方法可精准测定淀粉溶胀行为,对糊化过程中颗粒的形态和结构变化的精准量化,进而调控体系中淀粉的加工行为及产品的最终性能。
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,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,包括如下步骤:
(1)淀粉制片:配制淀粉悬浮液,分散均匀后,滴加至载玻片上,得到样本片;
(2)淀粉图像获取:将样本片放置在带有显微镜的热台设备上,开启热台装备,进行升温控制,并调整显微镜使淀粉颗粒清晰明亮,并通过与显微镜相连的数码相机进行拍照,获取加热过程中的淀粉糊化颗粒图像;
(3)淀粉图像预处理:利用基于图像转换原理的rgb2gray算法将颗粒图像由RGB三通道图像转换为颗粒灰度图;
(4)淀粉颗粒边缘提取:利用改进的canny算法对淀粉颗粒进行边缘提取,将淀粉颗粒糊化灰度图转化成淀粉颗粒边缘图;
(5)淀粉颗粒边缘优化:将完成边缘提取的淀粉颗粒边缘图利用数学形态学进行优化,获得淀粉颗粒边缘优化图;
(6)淀粉颗粒像素填充:利用漫水填充算法,将淀粉颗粒边缘优化图转化成淀粉糊化二值图;
(7)淀粉颗粒像素识别及统计:利用溶胀能力检测算法遍历并识别淀粉颗粒二值图中的所有像素点,统计淀粉糊化二值图初始白色像素总数A0,统计糊化过程中热台升温至温度i℃时淀粉糊化二值图白色像素总数Ai,并计算糊化过程中温度点i时的淀粉颗粒溶胀能力SC%,得淀粉颗粒较未糊化颗粒的膨胀程度;
A0:淀粉糊化二值图初始白色像素总数;
i:糊化过程中的热台温度,初始为环境温度,最高值为120℃;
Ai:热台温度处于温度i℃时,淀粉糊化二值图白色像素总数;
SC%:糊化过程中处于温度i℃时的淀粉颗粒溶胀能力;
所述溶胀能力检测算法通过以下步骤实现:
1)利用im2bw算法将淀粉颗粒二值图中的白色像素值改为1,黑色像素值不变;
2)统计淀粉颗粒二值图中所有为1的白色像素总数。
2.根据权利要求1所述的基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,步骤(1)中,所述淀粉为原淀粉、改性淀粉及淀粉混合物;所述的改性淀粉包括预糊化淀粉、交联淀粉或淀粉磷酸酯;所述的淀粉混合物是在天原淀粉或改性淀粉中添加氨基酸、尿素和氯化钠等一种或多种获得的混合物。
3.根据权利要求1所述的基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,步骤(1)中,所述淀粉悬浮液中的淀粉的质量含量为0.5-3%。
4.根据权利要求1所述的基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,步骤(2)中,所述热台设备是与显微镜相连的设备,为显微镜下的观测物体提供加热功能;所述热台设备的初始温度为环境温度,最高温度为120℃,热台设备的升温速率不高于5℃/min;所述拍照的频率为1次-4次/2℃;所述显微镜倍数为50×10倍或20×10倍。
5.根据权利要求1所述的基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,步骤(3)中,所述的糊化灰度图为包含糊化过程中淀粉颗粒形态和大小的图像,格式是灰度图;步骤(3)中,所述的rgb2gray算法通过以下方式实现:
1)获取糊化图像中所有像素对应的RGB三通道像素值;
2)将三通道像素值按以下比重加权求和获得灰度,将淀粉糊化图像转化为淀粉糊化灰度图;
3)糊化灰度图灰度计算如下:
Gray=0.299×R+0.587×G+0.114×B
Gray:淀粉糊化灰度图中的像素值;
R:淀粉糊化图像中红色通道的像素值;
G:淀粉糊化图像中绿色通道的像素值;
B:淀粉糊化图像中蓝色通道的像素值。
6.根据权利要求1所述的基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,步骤(4)中,所述改进的canny算法通过以下步骤实现:
1)利用高斯滤波器对淀粉糊化图像进行平滑滤波处理;
2)构建一维高斯核,通过卷积运算获得平滑后淀粉糊化灰度图的梯度幅值与方向,方向分别为垂直、水平、45°、135°;
3)对每个像素点垂直、水平、45°、135°进行非极大值抑制,将当前像素的边缘强度与四个方向上的像素边缘强度进行比较,若当前像素的边缘强度与各方向的其他像素相比并非最大,该值将被抑制,最终保留每个像素点上梯度强度的极大值,使模糊的淀粉边缘变清晰;
4)构建阈值选取界面;阈值选取界面包含三部分:阈值拖动条、当前淀粉糊化边缘检测效果图,阈值选取确定按钮;通过拖动阈值拖动条、观察当前淀粉糊化边缘检测效果图,直到当前淀粉糊化边缘检测效果图上噪声边缘于淀粉颗粒边缘占比重低于3%,点击阈值选取确定按钮,完成最佳双阈值区间的选取;最佳双阈值区间能够最大限度提取淀粉颗粒边缘,其中双阈值为区间的上界与下界,下界为低阈值,上界为高阈值;检测过程中,若边缘像素梯度值低于阈值的边缘即为噪声,处于区间内的边缘像素梯度值即为弱边缘,高于上界即为强边缘;
5)基于双阈值区间消除噪声、弱边缘,并依靠强边缘像素点八连通领域将弱边缘转化为强边缘,完成边缘提取,将淀粉颗粒糊化灰度图转化为淀粉颗粒边缘图。
7.根据权利要求1所述的基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,步骤(5)中,所述数学形态学的处理通过以下步骤实现:
1)利用数学形态学中的结构元素对淀粉颗粒边缘图进行膨胀运算,联结存在断口的淀粉颗粒边缘,获得膨胀处理边缘图像;
2)利用数学形态学中的结构元素对进行膨胀处理边缘图像进行腐蚀运算,细化经膨胀运算后的淀粉颗粒边缘,获得淀粉颗粒边缘优化图。
8.根据权利要求1所述的基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,步骤(6)中,所述淀粉糊化二值图是一种只包含白色像素和黑色像素的图像,其中白色像素为淀粉颗粒,黑色像素为背景;
步骤(6)中,所述漫水填充算法的运行通过以下步骤实现:
1)将输入的淀粉颗粒边缘图设定为掩膜图像,并构建标记图像A;标记图像除边缘像素为0外,所有初始像素值均为255;控制标记图像与掩膜图像格式相同,尺寸相等;
2)利用方形结构元素基于标记图像中所有值为255的像素点进行腐蚀运算,获得标记图像B;
3)遍历标记图像与掩膜图像所有像素点的值,并取两者像素点最大值,输出半填充图像;
4)重复步骤2)、3),直至半填充图像不再变化,完成迭代,输出淀粉颗粒二值图。
9.根据权利要求1所述的基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,步骤(7)中,所述白色像素是计算机视觉技术处理后淀粉颗粒二值图中呈白色、像素值为1的像素。
10.根据权利要求1所述的基于计算机视觉的糊化过程淀粉颗粒溶胀能力检测方法,其特征在于,步骤(1)中,所述得到样本片是利用吸管吸取淀粉悬浮液,滴加至载玻片上,盖上盖玻片并用玻璃胶密封得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795543.2A CN112102238B (zh) | 2020-08-10 | 2020-08-10 | 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010795543.2A CN112102238B (zh) | 2020-08-10 | 2020-08-10 | 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102238A true CN112102238A (zh) | 2020-12-18 |
CN112102238B CN112102238B (zh) | 2023-06-20 |
Family
ID=73753438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010795543.2A Active CN112102238B (zh) | 2020-08-10 | 2020-08-10 | 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102238B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887309A (zh) * | 2021-09-02 | 2022-01-04 | 华南理工大学 | 基于Mask R-CNN的淀粉颗粒识别方法 |
CN115431486A (zh) * | 2022-09-28 | 2022-12-06 | 广东汇发塑业科技有限公司 | 一种生物降解地膜的五层共挤制备方法及其制备的地膜 |
CN115519809A (zh) * | 2022-09-28 | 2022-12-27 | 广东汇发塑业科技有限公司 | 一种高阻隔生物降解地膜的制备方法及其制备的地膜 |
CN116645363A (zh) * | 2023-07-17 | 2023-08-25 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101449002A (zh) * | 2006-01-17 | 2009-06-03 | 国际纸业公司 | 包含高表面施胶和低内部施胶并具有高尺寸稳定性的纸张衬底 |
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
CN107515198A (zh) * | 2017-08-08 | 2017-12-26 | 华南理工大学 | 一种淀粉糊化度和糊化温度的在线检测方法 |
CN108830877A (zh) * | 2018-06-08 | 2018-11-16 | 中国石油化工股份有限公司 | 岩心体视显微图像定量描述方法 |
-
2020
- 2020-08-10 CN CN202010795543.2A patent/CN112102238B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101449002A (zh) * | 2006-01-17 | 2009-06-03 | 国际纸业公司 | 包含高表面施胶和低内部施胶并具有高尺寸稳定性的纸张衬底 |
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
CN107515198A (zh) * | 2017-08-08 | 2017-12-26 | 华南理工大学 | 一种淀粉糊化度和糊化温度的在线检测方法 |
CN108830877A (zh) * | 2018-06-08 | 2018-11-16 | 中国石油化工股份有限公司 | 岩心体视显微图像定量描述方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887309A (zh) * | 2021-09-02 | 2022-01-04 | 华南理工大学 | 基于Mask R-CNN的淀粉颗粒识别方法 |
CN113887309B (zh) * | 2021-09-02 | 2024-04-30 | 华南理工大学 | 基于Mask R-CNN的淀粉颗粒识别方法 |
CN115431486A (zh) * | 2022-09-28 | 2022-12-06 | 广东汇发塑业科技有限公司 | 一种生物降解地膜的五层共挤制备方法及其制备的地膜 |
CN115519809A (zh) * | 2022-09-28 | 2022-12-27 | 广东汇发塑业科技有限公司 | 一种高阻隔生物降解地膜的制备方法及其制备的地膜 |
CN116277844A (zh) * | 2022-09-28 | 2023-06-23 | 广东汇发塑业科技有限公司 | 一种生物降解地膜的五层共挤制备方法及其制备的地膜 |
CN116277844B (zh) * | 2022-09-28 | 2023-08-29 | 广东汇发塑业科技有限公司 | 一种生物降解地膜的五层共挤制备方法及其制备的地膜 |
CN116645363A (zh) * | 2023-07-17 | 2023-08-25 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
CN116645363B (zh) * | 2023-07-17 | 2023-10-13 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112102238B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102238B (zh) | 基于计算机视觉的糊化过程中淀粉颗粒溶胀能力的检测方法 | |
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
CN112330628A (zh) | 一种金属工件表面缺陷图像检测方法 | |
JP2014513292A (ja) | 定量的ビデオ顕微鏡を準備する方法及び関連システム | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN112990015B (zh) | 一种病变细胞自动识别方法、装置和电子设备 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN110533626B (zh) | 一种全天候水质识别方法 | |
CN116342594A (zh) | 一种具有反馈调节的淀粉智能干燥方法、系统及设备 | |
CN117611583B (zh) | 基于人工智能的铝复合板缺陷检测方法及系统 | |
CN108447072B (zh) | 一种晶体颗粒的图像分割方法及系统 | |
CN112634248B (zh) | 颗粒状原料粒度测量系统及方法、电子设备及存储介质 | |
CN116485801B (zh) | 基于计算机视觉的胶管质量在线检测方法及系统 | |
CN108007358A (zh) | 基于计算机视觉技术测定大米尺寸的方法 | |
CN111307070A (zh) | 基于数字图像处理对混凝土粗集料的棱角度测量方法 | |
CN113887309B (zh) | 基于Mask R-CNN的淀粉颗粒识别方法 | |
CN115131336A (zh) | 一种显示屏四色背景画面下的暗线缺陷检测方法 | |
WO2021139447A1 (zh) | 一种宫颈异常细胞检测装置及方法 |
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 |