CN114240807B - 一种基于机器视觉的花生黄曲霉素检测方法及系统 - Google Patents

Abstract

本发明涉及花生霉变检测技术领域，具体涉及一种基于机器视觉的花生黄曲霉素检测方法及系统，该检包括：获取在紫外灯照射下的每颗花生仁的荧光图像并灰度化为灰度图；利用最佳的灰度映射曲线对灰度图进行图像增强，其中最佳的灰度映射曲线是通过目标函数对历史灰度图进行处理确定最优的伽马矫正参数所对应的映射曲线；其中目标函数包括使增强之后的图像整体对比度达到最佳的第一约束函数以及使图像局部对比度最优的第二约束函数，图像局部对比度是指历史灰度图中正常区域和黄曲霉素区域的对比度；对增强后的图像进行聚类得到正常类和黄曲霉素类，以得到最终的正常区域和黄曲霉素区域。

Description

一种基于机器视觉的花生黄曲霉素检测方法及系统

技术领域

本发明涉及花生霉变检测技术领域，具体涉及一种基于机器视觉的花生黄曲霉素检测方法及系统。

背景技术

花生在生产和储存的全过程中，都有可能感染黄曲霉菌，而黄曲霉菌毒素是迄今为止所发现的最强致癌物，它的理化性质相当稳定，在人体内不能降解，只能沉淀在肝细胞中，当黄曲霉菌毒素沉积量超过人本的耐受力，便会引起肝脏的损伤，甚至诱发肝癌。花生是一种非常容易产生黄曲霉素的食物，为了保障食品安全，需要对花生的黄曲霉素进行精准检测。

对于发生较严重的霉变粒花生，利用常规的图像处理算法能够分割出霉变区域，但是对于轻微霉变的花生粒就很难通过简单的图像分割手段进行霉变区域的提取。

发明人在实践中，发现上述现有技术存在以下缺陷：

在实际中，对于轻微霉变的花生，花生的外观并无明显异常，通过常规的图像分割的方法并不能有效的筛分出污染黄曲霉素的霉变花生。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于机器视觉的花生黄曲霉素检测方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于机器视觉的花生黄曲霉素检测方法，该检测方法包括以下步骤：获取在紫外灯照射下的每颗花生仁的荧光图像，对所述荧光图像进行灰度化处理得到灰度图；利用最佳的灰度映射曲线对所述灰度图进行图像增强，其中所述最佳的灰度映射曲线是通过目标函数对历史灰度图进行处理确定最优的伽马矫正参数所对应的映射曲线；其中所述目标函数包括使增强之后的图像整体对比度达到最佳的第一约束函数以及使图像局部对比度最优的第二约束函数，所述图像局部对比度是指历史灰度图中正常区域和黄曲霉素区域的对比度；对增强后的图像进行聚类得到正常类和黄曲霉素类，获取每类中心像素的灰度值；比较每个类别中心像素的灰度值分别与正常类参考均值和黄曲霉素类参考均值之间的差异，将所述正常类的类别更新为差异相对较小的类别，以得到最终的正常区域和黄曲霉素区域。

进一步，所述第一约束函数为历史灰度图像中每个灰度级的数量偏差之和。

进一步，所述第二约束函数包括每类区域中像素值的平均偏差之和以及不同类别的区域之间的平均像素偏差，其中所述每类区域中像素值的平均偏差之和与所述第二约束函数正相关、所述不同类别的区域之间的平均像素偏差与所述第二约束函数负相关。

进一步，所述在通过目标函数对历史灰度图进行处理确定最优的伽马矫正参数之前，还包括：对历史灰度图中像素的类别进行标注，对标注后的像素进行聚类得到初始聚类结果，根据所述初始聚类结果将历史灰度图像划分为多个类别区域，所述类别区域包括正常区域和黄曲霉素区域。

进一步，所述确定最优的伽马矫正参数所对应的映射曲线之后，还包括：利用最优的伽马矫正参数对所述历史灰度图进行增强，得到增强后的历史灰度图；对增强后的历史灰度图进行聚类得到第二聚类结果，并根据第二聚类结果更新区域类别，并利用更新后的区域类别更新伽马矫正参数；直至更新前后的伽马矫正参数不再变化时，得到更新后的最佳的灰度映射曲线。

进一步，所述根据所述初始聚类结果将历史灰度图像划分为多个类别区域的步骤包括：将所述聚类结果中每个像素点的隶属度的最大值与预设阈值进行比较，在隶属度的最大值大于预设阈值时，将像素点的类别划分为隶属度较大的一类区域；否则，属于不确定区域。

进一步，所述确定最优的伽马矫正参数所对应的映射曲线之后，还包括：利用最优的伽马矫正参数对所述历史灰度图进行增强，得到增强后的历史灰度图；对增强后的历史灰度图进行聚类得到第二聚类结果，并根据第二聚类结果更新区域类别，并利用更新后的区域类别更新伽马矫正参数；直至更新前后的不确定区域的面积不再变化时，得到更新后的最佳的灰度映射曲线。

进一步，所述对增强后的图像进行聚类的方法利用模糊C均值聚类，所述模糊C均值聚类中像素点之间的距离为像素值之间的距离与像素坐标之间的距离之和。

进一步，所述正常类参考均值和黄曲霉素类参考均值是根据多张增强后的历史灰度图中正常区域的平均灰度均值作为正常参考均值、黄曲霉素区域的平均灰度均值作为黄曲霉素类参考均值。

第二方面，本发明了另一个实施例提供了一种基于机器视觉的花生黄曲霉素检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

本发明实施例具有如下有益效果：

本发明实施例将花生仁的荧光图像灰度化之后得到灰度图，将灰度图中的像素的聚类结果以及花生黄曲霉素的标签数据得到最佳的灰度映射曲线，根据最佳的灰度映射曲线增强黄曲霉素和正常区域的对比度，将弱特征增强为强特征，使检测的结果更加准确；而利用最佳的灰度映射曲线直接获得最优的增强图像能够达到快速检测的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它附图。

图1为本发明一个实施例所提供的一种基于机器视觉的花生黄曲霉素检测方法流程图；

图2为本发明一个实施例所提供的最佳的灰度映射曲线的获取步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的花生黄曲霉素检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于机器视觉的花生黄曲霉素检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的花生黄曲霉素检测方法流程图，该检测方法包括以下步骤：

步骤S001，获取在紫外灯照射下的每颗花生仁的荧光图像，对所述荧光图像进行灰度化处理得到灰度图。

在紫外灯照射下黄曲霉素会出现荧光反应，根据此特性可以实现黄曲霉素的检测。

通过相机拍摄花生的RGB图像，该RGB图像也称为荧光图像，下文均采用荧光图像来代表RGB图像，不再声明。在荧光图像中包括多颗花生仁，利用分水岭分割算法得到每一个花生的荧光图像。对于轻微霉变的花生，花生的荧光图像中霉变区域的对比度低，为弱特征，很容易误检，因此需要对花生的荧光图像进行图像增强，以将弱特征转换为强特征，使检测结果更加准确。因此在进行图像增强之前需要将花生的荧光图像经灰度变换获得每一个花生的灰度图像。

步骤S002，利用最佳的灰度映射曲线对所述灰度图进行图像增强，其中所述最佳的灰度映射曲线是通过目标函数对历史灰度图进行处理确定最优的伽马矫正参数所对应的映射曲线；其中所述目标函数包括使增强之后的图像整体对比度达到最佳的第一约束函数以及使图像局部对比度最优的第二约束函数，所述图像局部对比度是指历史灰度图中正常区域和黄曲霉素区域的对比度。

具体的，利用伽马矫正对花生的灰度图像进行图像增强，伽马矫正的计算公式如下：

其中，

为矫正之前的图像，

为增强之后的图像；

分别为伽马矫正的参数，不同的参数组合可以改变不同灰度范围内的对比度，从而达到图像增强的效果。

具体的，基于历史数据中大量的花生仁的历史灰度图得到对应的伽马矫正参数，根据相应的伽玛校正参数得到最佳的灰度映射曲线，请参阅图2，该最佳的灰度映射曲线的获取方法包括以下步骤：

步骤S201，对历史灰度图中像素的类别进行标注，对标注后的像素进行聚类得到初始聚类结果，根据所述初始聚类结果将历史灰度图像划分为多个类别区域，所述类别区域包括正常区域和黄曲霉素区域。

具体的，像素的类别包括正常类别和黄曲霉素类别。人为的对每一个花生仁的历史灰度图像中的属于正常像素的像素点标注为正常类别、属于黄曲霉素的像素点标注为黄曲霉素类别，得到每个像素点所相应的类别标签。对带有标签的历史灰度图像进行模糊C均值聚类，将模糊C均值聚类的数量设置为2，设定像素点之间的距离为像素值之间的距离与像素坐标之间的距离之和，则有：

其中，

表示灰度图像中像素点

和

的距离值，

表示灰度图像中像素点

的像素值，

表示灰度图像中像素点

的像素值，

为像素点

的坐标，

为像素点

的坐标。

设定好聚类数目以及距离之后，得到模糊C均值聚类得到初始聚类结果,初始聚类结果包括每一个像素点属于每一个类别的隶属度。以像素点

为例，记像素点

属于正常区域类别和黄曲霉素类别的隶属度分别为

，且满足

；模糊C均值聚类为公知技术，在此不再赘述。

多个类别区域包括正常区域、黄曲霉素区域和不确定区域。将所述聚类结果中每个像素点的隶属度的最大值与预设阈值进行比较，在隶属度的最大值大于预设阈值时，将像素点的类别划分为隶属度较大的一类区域；否则，属于不确定区域。具体的，根据初始聚类结果所得到的每一个像素点属于每种类别的隶属度

，当

时认为该像素点可以得到准确的聚类结果，将该像素点归为隶属度较大的一类。即在

时，若属于正常类别的

较大，则该像素点属于正常区域；若属于黄曲霉素类别的

较大，则该像素点属于黄曲霉素区域；若

时，则该像素点属于不确定区域。其中

表示取两者之间的最大值。也即根据隶属度的大小将灰度图像中的像素点分为正常区域、黄曲霉素区域以及不确定区域。

步骤S202，通过目标函数对历史灰度图进行处理确定最优的伽马矫正参数所对应的映射曲线；其中所述目标函数包括使增强之后的图像整体对比度达到最佳的第一约束函数以及使图像局部对比度最优的第二约束函数，所述图像局部对比度是指历史灰度图中正常区域和黄曲霉素区域的对比度。

其中，第一约束函数的获取具体为：首先获得灰度图像的灰度直方图，在灰度直方图中，横坐标为不同的灰度级、纵坐标不同灰度级下的像素点的数量，其中每一个像素值为一个灰度级，共为256个灰度级。根据先验知识可知，当图像的直方图分布变成近似均匀分布时，图像整体的对比度越高，越能够凸显图像中的细节；因此为了保障增强的图像整体上有一个良好的对比度，应使得优化后的图像的灰度直方图趋近于均匀分布，第一约束函数为历史灰度图像中每个灰度级的数量偏差之和，则有：

其中，

表示灰度直方图中每个灰度级的平均像素点数量，

表示灰度级

对应的像素点数量。

第一约束函数

越小表示优化后的图像的灰度直方图越接近于均匀分布，图像整体的对比度越好。在该第一约束函数的作用下，能够得到最佳对比度的优化图。

第二约束函数的获取具体为：对新图像中的正常区域和黄曲霉素区域的像素点而言，应该降低相同区域内像素的对比度，增大不同区域之间的对比度，以达到增加图像中正常区域和黄曲霉素区域之间的差异的目的，也即第二约束函数用于使类内的像素值相近且类间的像素值差异较大，第二约束函数包括每类区域中像素值的平均偏差之和以及不同类别的区域之间的平均像素偏差，其中所述每类区域中像素值的平均偏差之和与所述第二约束函数正相关、所述不同类别的区域之间的平均像素偏差与所述第二约束函数负相关，则有：

其中，

表示正常区域的像素点数量、

表示黄曲霉素区域的像素点数量，

表示正常区域的平均像素值、

表示黄曲霉素区域的平均像素值，

表示正常区域中第

个像素点的像素值、

表示黄曲霉素区域中第

个像素点的像素值。其中上标

和上标

是用于区分正常区域和黄曲霉素区域的标识。

该第二约束函数用于约束图像的局部对比度，第二约束函数

的数值越小，表示增强后的图像中正常区域和黄曲霉素区域之间的对比度越大，单个区域内部的对比度越小。

目标函数的目标是在保证灰度图的整体对比度的前提下，降低相同区域内像素值之间的对比度，增大不同区域的之间各像素值的对比度，目标函数如下：

其中，

为图像整体对比度的权重系数，

为图像局部对比度的权重系数，

表示求取最小值。

本发明实施例中图像整体对比度的权重系数的取值为0.3，图像局部对比度的权重系数的取值为0.7。

在确定目标函数之后，利用最优化算法确定最优的伽马矫正参数

。优化算法可以选用遗传算法、蚁群算法等现有的优化算法。

步骤S203，利用最优的伽马矫正参数对所述历史灰度图进行增强，得到增强后的历史灰度图；对增强后的历史灰度图进行聚类得到第二聚类结果，并根据第二聚类结果更新区域类别，并利用更新后的区域类别更新伽马矫正参数；直至更新前后的伽马矫正参数不再变化时，得到更新后的最佳的灰度映射曲线。

具体的，利用确定后的最优伽马矫正参数

对花生仁的灰度图像进行图像增强，得到增强后的图像。按照步骤S201的方法对增强后的图像进行模糊C均值聚类，得到第二聚类结果；根据第二聚类结果将增强后的图像中的像素点分为正常区域、黄曲霉素区域以及不确定区域；实现正常区域和黄曲霉素区域的更新。利用更新后的正常区域和黄曲霉素区域按照步骤S201-203的方法得到新的伽马矫正参数

；不断循环更新，直到

或不确定区域的面积不再减小时，表示得到最终的伽马矫正参数，该伽马矫正参数所对应的曲线即为当前花生灰度图像的最佳映射曲线。同时得到最后一次更新的正常区域和黄曲霉素区域中像素值的平均值，将增强后正常区域的像素均值记为

、将黄曲霉素区域的像素均值记为

。

按照相同的方法，每一个花生的灰度图像

均会得到对应最优的灰度映射曲线，将多个最优的灰度映射曲线对应位置取众数，即可得到最终的最佳的灰度映射曲线

；该最佳的灰度映射曲线在保证图像全局对比度的基础上，保证的正常区域和黄曲霉素区域的局部对比度，实现了图像增强。其中每一个花生的灰度图像在得到最佳的灰度映射曲线的同时会得到对应的正常区域和黄曲霉素区域像素值的平均值，对多组均值再次取平均即可获得图像增强后正常区域和黄曲霉素的均值，将正常区域的均值记为正常参考均值

、将黄曲霉素的均值记为黄曲霉素参考均值

。

根据最佳的灰度映射曲线进行图像增强，能够压缩相同区域的像素值的分布，拉伸不同区域像素值的分布以实现增强不同区域对比度的效果，确保步骤S3中检测结构的准确性。

步骤S003，对增强后的图像进行聚类得到正常类和黄曲霉素类，获取每类中心像素的灰度值；比较每个类别中心像素的灰度值分别与正常类参考均值和黄曲霉素类参考均值之间的差异，将所述正常类的类别更新为差异相对较小的类别，以得到最终的正常区域和黄曲霉素区域。

具体的，对增强后的图像利用

算法得到聚类结果，设定

聚类算法中簇的数量为2，距离计算公式与步骤S201中的距离计算公式相同，将图像中的像素点分为两个簇，并获得两个簇的聚类中心，记为

；获得两个聚类中心的灰度值

；将聚类中心的灰度值与图像增强后正常区域和黄曲霉素的均值

进行比较，以

为例：若

则簇

属于黄曲霉素区域，否则属于正常区域，按照相同的方法得到簇

的类别。

聚类算法为公知计算，不再赘述。

综上所述，本发明实施例将花生仁的荧光图像灰度化之后得到灰度图，将灰度图中的像素的聚类结果以及花生黄曲霉素的标签数据得到最佳的灰度映射曲线，根据最佳的灰度映射曲线增强黄曲霉素和正常区域的对比度，将弱特征增强为强特征，使检测的结果更加准确；而利用最佳的灰度映射曲线直接获得最优的增强图像能够达到快速检测的目的。

基于与上述方法实施例相同的发明构思，本发明了另一个实施例提供了一种基于机器视觉的花生黄曲霉素检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种基于机器视觉的花生黄曲霉素检测方法的步骤。其中一种基于机器视觉的花生黄曲霉素检测在上述实施例中已经详细说明，不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于机器视觉的花生黄曲霉素检测方法，其特征在于，该检测方法包括以下步骤：

获取在紫外灯照射下的每颗花生仁的荧光图像，对所述荧光图像进行灰度化处理得到灰度图；

利用最佳的灰度映射曲线对所述灰度图进行图像增强，其中所述最佳的灰度映射曲线是通过目标函数对历史灰度图进行处理确定最优的伽马矫正参数所对应的映射曲线；其中所述目标函数包括使增强之后的图像整体对比度达到最佳的第一约束函数以及使图像局部对比度最优的第二约束函数，所述图像局部对比度是指历史灰度图中正常区域和黄曲霉素区域的对比度；

对增强后的图像进行聚类得到正常类和黄曲霉素类，获取每类中心像素的灰度值；比较每个类别中心像素的灰度值分别与正常类参考均值和黄曲霉素类参考均值之间的差异，将所述正常类的类别更新为差异相对较小的类别，以得到最终的正常区域和黄曲霉素区域；

所述第一约束函数为历史灰度图像中每个灰度级的数量偏差之和；

所述第二约束函数包括每类区域中像素值的平均偏差之和以及不同类别的区域之间的平均像素偏差，其中所述每类区域中像素值的平均偏差之和与所述第二约束函数正相关、所述不同类别的区域之间的平均像素偏差与所述第二约束函数负相关；

所述第一约束函数为：

其中，

表示灰度直方图中每个灰度级的平均像素点数量，

表示灰度级

对应的像素点数量；

所述第二约束函数为：

其中，

表示正常区域的像素点数量、

表示黄曲霉素区域的像素点数量，

表示正常区域的平均像素值、

表示黄曲霉素区域的平均像素值，

表示正常区域中第

个像素点的像素值、

表示黄曲霉素区域中第

个像素点的像素值；

其中上标

和上标

是用于区分正常区域和黄曲霉素区域的标识；

所述目标函数为：

其中，

为图像整体对比度的权重系数，

为图像局部对比度的权重系数，

表示求取最小值。

2.根据权利要求1所述的一种基于机器视觉的花生黄曲霉素检测方法，其特征在于，所述通过目标函数对历史灰度图进行处理确定最优的伽马矫正参数之前，还包括：

对历史灰度图中像素的类别进行标注，对标注后的像素进行聚类得到初始聚类结果，根据所述初始聚类结果将历史灰度图像划分为多个类别区域，所述类别区域包括正常区域和黄曲霉素区域。

3.根据权利要求1所述的一种基于机器视觉的花生黄曲霉素检测方法，其特征在于，所述确定最优的伽马矫正参数所对应的映射曲线之后，还包括：

利用最优的伽马矫正参数对所述历史灰度图进行增强，得到增强后的历史灰度图；对增强后的历史灰度图进行聚类得到第二聚类结果，并根据第二聚类结果更新区域类别，并利用更新后的区域类别更新伽马矫正参数；直至更新前后的伽马矫正参数不再变化时，得到更新后的最佳的灰度映射曲线。

4.根据权利要求2所述的一种基于机器视觉的花生黄曲霉素检测方法，其特征在于，所述根据所述初始聚类结果将历史灰度图像划分为多个类别区域的步骤包括：

将所述聚类结果中每个像素点的隶属度的最大值与预设阈值进行比较，在隶属度的最大值大于预设阈值时，将像素点的类别划分为隶属度较大的一类区域；否则，属于不确定区域。

5.根据权利要求4所述的一种基于机器视觉的花生黄曲霉素检测方法，其特征在于，所述确定最优的伽马矫正参数所对应的映射曲线之后，还包括：

利用最优的伽马矫正参数对所述历史灰度图进行增强，得到增强后的历史灰度图；对增强后的历史灰度图进行聚类得到第二聚类结果，并根据第二聚类结果更新区域类别，并利用更新后的区域类别更新伽马矫正参数；直至更新前后的不确定区域的面积不再变化时，得到更新后的最佳的灰度映射曲线。

6.根据权利要求1所述的一种基于机器视觉的花生黄曲霉素检测方法，其特征在于，所述对增强后的图像进行聚类的方法利用模糊C均值聚类，所述模糊C均值聚类中像素点之间的距离为像素值之间的距离与像素坐标之间的距离之和。

7.根据权利要求1所述的一种基于机器视觉的花生黄曲霉素检测方法，其特征在于，所述正常类参考均值和黄曲霉素类参考均值是根据多张增强后的历史灰度图中正常区域的平均灰度均值作为正常参考均值、黄曲霉素区域的平均灰度均值作为黄曲霉素类参考均值。

8.一种基于机器视觉的花生黄曲霉素检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述方法的步骤。

Images