CN114994102A - 基于x光的食品异物无痕快速检测方法 - Google Patents

基于x光的食品异物无痕快速检测方法 Download PDF

Info

Publication number
CN114994102A
CN114994102A CN202210934486.0A CN202210934486A CN114994102A CN 114994102 A CN114994102 A CN 114994102A CN 202210934486 A CN202210934486 A CN 202210934486A CN 114994102 A CN114994102 A CN 114994102A
Authority
CN
China
Prior art keywords
cluster
food
gray level
value
window
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
Application number
CN202210934486.0A
Other languages
English (en)
Other versions
CN114994102B (zh
Inventor
付云洁
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.)
Wuhan Yupinyan Biotechnology Co ltd
Original Assignee
Wuhan Yupinyan Biotechnology Co ltd
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 Wuhan Yupinyan Biotechnology Co ltd filed Critical Wuhan Yupinyan Biotechnology Co ltd
Priority to CN202210934486.0A priority Critical patent/CN114994102B/zh
Publication of CN114994102A publication Critical patent/CN114994102A/zh
Application granted granted Critical
Publication of CN114994102B publication Critical patent/CN114994102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • 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
    • G06T2207/10116—X-ray 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于X光的食品异物无痕快速检测方法，该方法包括：获取堆叠食品在X光透射下的待检测图像，对待检测图像中的非异物的像素点进行聚类，获取每个聚类的灰度均值和灰度混乱程度，获取正常食品图像的最大灰度差值，并获取每个聚类关于正常食品图像的最大灰度差值对应的调整值，获取聚类内每个像素点的梯度值，并获取梯度值中突变的梯度值对应的初始边缘像素点，对初始边缘像素点进行边缘检测得到初始边缘线，根据模板匹配的方法获取每个食品的准确边缘，确定窗口内的完全包含异物的准确边缘对应的食品，本发明方法实现了准确对异物进行定位，提高筛除效率。

Description

基于X光的食品异物无痕快速检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于X光的食品异物无痕快速检测方法。
背景技术
散装食品如饼干、豆腐干、山楂片都是通过对各自对应的原料进行生产加工的，当食品的原料中夹杂有异物或者生产加工时混入异物时，这些异物会随着原料一起加工成食品，从而严重影响食品的安全，食品的质量，因此，当前很多食品生产厂家会选择使用探伤检测设备来保证食品中无异物掺入。
探伤检测设备的检测原理是利用X射线穿透不同密度物质后通过其光强度的变化，产生的对比效果可生成影像，即可显示出检测物的内部结构，进而可在不破坏待检物的情况下，更直观地观察待测物内部是否有异物存在。
而现有技术的X光探伤检测系统受到设备、辐射剂量的限制，对密度较小的食物成像效果不够清晰，且散装食品在流水线上容易堆积或者重叠，因此，堆积后的食品在图像上的表现为模糊的一团阴影，即无法得到清晰的食品边缘，因此无法获得异物具体在哪个食品上，进而影响对异物进行筛除效率。
因此，需要提供基于X光的食品异物无痕快速检测方法，予以解决上述问题。
发明内容
本发明提供基于X光的食品异物无痕快速检测方法，以解决现有的问题。
本发明的基于X光的食品异物无痕快速检测方法采用如下技术方案：该方法包括：
获取堆叠食品在X光透射下的待检测图像；
获取待检测图像中异物，并对属于异物的像素点进行标记，获取包含异物的窗口，对窗口内的未标记的像素点进行聚类；
获取每个聚类中像素点的灰度均值，获取每个聚类对应的信息熵，并将信息熵作为对应聚类的灰度混乱程度；
获取单个正常食品图像的最大灰度差值，根据每个聚类对应的灰度均值及灰度混乱程度获取每个聚类关于最大灰度差值对应的调整值；
根据最大灰度差值、每个聚类关于最大灰度差值对应的调整值及每个像素点的灰度值获取该聚类内每个像素点的梯度值，将多个梯度值中突变的梯度值对应的像素点作为食品的初始边缘像素点；
根据单个食品的边缘特征对所有初始边缘像素点进行边缘检测得到窗口内的所有初始边缘线；
对所有初始边缘线进行模板匹配获取窗口内的每个食品的准确边缘；根据窗口内的每个食品的准确边缘确定完全包含异物的食品。
优选的，以异物的形心为圆心，设定窗口半径，获取圆形的窗口。
优选的，获取每个聚类对应的信息熵的步骤包括：
获取每个聚类内的所有灰度级；
并获取每个灰度级对应的像素点个数；
根据每个聚类内的所有灰度级及每个灰度级对应的像素点个数计算每个聚类对应的信息熵。
优选的，获取单个正常食品图像的最大灰度差值的步骤包括：
获取单个正常食品图像的灰度直方图；
根据灰度直方图获取单个食品图像的在X光透射下的灰度范围；
根据灰度范围获取最大灰度差值。
优选的，对每个聚类对应的灰度均值及灰度混乱程度进行欧几里得转换得到关于最大灰度差值对应的调整值。
优选的，计算每个聚类关于最大灰度差值对应的调整值的公式：
Figure 18687DEST_PATH_IMAGE001
式中，
Figure 791471DEST_PATH_IMAGE002
表示聚类关于最大灰度差值对应的调整值；
Figure 879643DEST_PATH_IMAGE003
表示第
Figure 319852DEST_PATH_IMAGE004
个聚类内的像素点的灰度均值；
Figure 235112DEST_PATH_IMAGE005
表示第
Figure 26350DEST_PATH_IMAGE004
个聚类的信息熵。
优选的，根据最大灰度差值、每个聚类关于最大灰度差值对应的调整值及每个像素点的灰度值获取该聚类内每个像素点的梯度值的步骤包括：
以窗口内的第一个像素点为起点获取滑窗；
其中，滑窗的移动方向为窗口内的每行或者每列像素方向；
根据滑窗的移动方向对窗口内的像素点的灰度值进行遍历获取每个聚类内每个像素点的梯度值；
当滑窗移动至窗口内的每个聚类时，根据该聚类对应的关于最大灰度差值的调整值以及单个正常食品图像的最大灰度差值获取该聚类内像素点的灰度变化量；
根据该聚类内像素点的灰度变化量及每个像素点的灰度值获取该聚类内像素点的梯度值。
优选的，根据单个食品的形状对所有初始边缘像素点进行边缘检测得到窗口内的所有初始边缘线的步骤包括：
获取单个食品的边缘特征；
根据单个食品的边缘特征获取对应的边缘检测算法；
利用食品对应的边缘检测算法对所有初始边缘像素点进行边缘检测得到窗口内的所有初始边缘线。
本发明的有益效果是：本发明的基于X光的食品异物无痕快速检测方法，通过对异物所在窗口内的非异物的像素点进行聚类，根据每个聚类对应的灰度均值及信息熵获取每个聚类关于正常食品图像的最大灰度差值的调整值，根据调整值计算每个聚类内每个像素点的梯度值，将梯度值中的突变的梯度值对应的像素点作为食品的初始边缘点，然后根据食品的边缘特征对初始像素点进行边缘检测获取豆腐干的初始边缘线，在根据模板匹配的方法获取食品的准确边缘，从而将堆叠在一起的食品的边缘区分开，相对比待检测图像中大片堆积的模糊豆腐干图像中无差别筛除的方法，本发明最大程度地确定了需要筛除豆腐干的准确范围，且利用本发明的方法对堆叠食品的待检测图像处理后，仅有极少量几个豆腐干需要被筛除，因此，本发明提高了豆腐干中异物的位置的准确定位即实现了堆叠食品的边缘增强，从而进一步确定异物所在的食品，提高了异物定位的准确度，提高异物的筛除效率。
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，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地介绍，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他的附图。
图1为本发明的基于X光的食品异物无痕快速检测方法的实施例总体步骤的流程图；
图2为本发明的实施例中的堆叠豆腐干在X光透射下的待检测图像；
图3为本发明的实施例中的堆叠豆腐干在X光透射下侧视图；
图4为本发明的实施例中的每行像素中每个像素点在对应聚类中的梯度值。
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。
本发明的基于X光的食品异物无痕快速检测方法的实施例，本实施例的应用场景为：散装食品在流水线上容易堆积，由于X光探伤检测方法受到设备、辐射剂量的限制，对密度较小的食物成像效果不够清晰，因此，在图像上的表现可能为模糊的一团阴影，无法得到清晰的食品边缘，自然无法获得异物具体在哪个食品上，从而导致难以确定异物所在的食品上，其中，本实施例的食品以豆腐干为例，如图1所示，该方法包括：
S1、获取堆叠豆腐干在X光透射下的待检测图像，获取待检测图像中异物，具体的，本实施例采用DR相机获取堆叠豆腐干在X光透射下的待检测图像，DR是一种X光线直接转换技术，DR相机是直接将X线光子通过电子暗盒转换为数字化图像，即通过X光线穿过待检测物的能量衰减，得到不同的像素表现，再通过定制的图像数据处理系统，将像素的分布、亮度、颜色信息，转变成数字化信号得到待检测图像，对于本实施例来说，首先将DR相机安装在流水线传送带上方，设置拍摄周期，然后利用DR相机得到豆腐干在传送带上的待检测图像。
需要说明的是，由于生产线是纯自动化检测，且对检测出含有异物的食品，会通过机械臂进行剔除，这样就需要准确的位置信息，即需要知道该异物存在于哪个食品上。
S2、获取待检测图像中异物，并对属于异物的像素点进行标记，获取包含异物的窗口，对窗口内的未标记的像素点进行聚类。
具体的，如图2所示，由于DR相机是基于X光线的衰减成像的，而所有X射线检测设备呈现的待检测图像都是黑白的，故X光穿透不同杂质时，反馈在待检测图像上的灰度值不同，因此，可以根据灰度值不同利用阈值分割的方法获取图2中豆腐干内含有的异物，然而豆腐干是堆积在一起，边缘极不清晰，无法通过阈值分割获取清晰的豆腐干边缘，故先根据阈值分割法选定异物的灰度值阈值，将待检测图像内在灰度阈值内的像素点进行标记，以异物的形心为中心，设定窗口半径，获取包含异物的窗口，对窗口内的未标记的像素点进行聚类。
对窗口内的未标记的像素点进行聚类的步骤：对窗口内所有未标记像素点进行k-means聚类，k-means聚类为现有技术，本实施例不再过多赘述，本实施例的聚类算法的是在像素点灰度相似性的前提下，根据像素点和聚类中心的距离进行归类，聚类后的每个类别就是一个独立的区域，本发明聚类的目的是将不同重叠层数的区域进行区分，豆腐干堆积的厚度越厚，其灰度值越低，通过聚类算法对灰度分层后，不同类的聚类代表了不同的叠加情况，需要说明的是，如图3所示，图3为豆腐干堆积后从侧面的视图，图3中
Figure 183793DEST_PATH_IMAGE006
、
Figure 744088DEST_PATH_IMAGE007
、
Figure 827319DEST_PATH_IMAGE008
分别代表X光透射豆腐干厚度为1层、2层、3层时的灰度值，且其聚类结果理论上应为6个聚类，但由于图像质量以及设备问题，叠加层数越多的部分，越容易模糊成一团，导致聚类结果达不到理想值，因此聚类结果只能获取豆腐干在此处堆叠层数多或者少的模糊信息，而不能获得具体的层数信息，故，先获取窗口内的聚类。
其中，设定窗口半径时，可以根据人为经验设定，也可根据豆腐干的尺寸设定，为了减少计算量，本实施例根据豆腐干的尺寸设定，即假设豆腐干长为a，宽为b，那么斜边长就为
Figure 105854DEST_PATH_IMAGE009
，本实施例以豆腐干的斜边长为半径，以异物的形心为圆心作圆，即可得到圆形的窗口，这样无论异物存在于豆腐干的任何部位，无论如何堆积，我们处理范围内总是包含完整的含异物豆腐干，同样若为其他散装堆叠的食物，通过长边或者自定长度的方式设置窗口半径长度，减少算法运行时间。
S3、获取每个聚类中像素点的灰度均值，获取每个聚类对应的信息熵，并将信息熵作为对应聚类的灰度混乱程度。
具体的，步骤S2中根据灰度相似性、距聚类中心距离聚类的各个聚类，只是将叠加起来的豆腐干所产生的模糊区域进行了大概的划分，而X光对不同厚度豆腐干的所表现的灰度值不一样，无论叠加多少层豆腐干，当X光透射至每个豆腐干边缘的时候，都会在图像上有相应的灰度体现，所以在聚类的模糊区域中必然存在豆腐干的边缘像素点，只是因为叠加的原因，其边缘变得不够明显而已，由于不同叠加区域内部的这些豆腐干边缘像素点灰度值、灰度梯度都不相同，所以很难直接通过阈值分割的方式获取每一个豆腐干的边缘，当叠加的豆腐干层数越多时，细节信息就会越少，视觉呈现出一片低灰度的模糊区域，该区域内任何灰度梯度都会减小，因次，这个聚类内的灰度浮动程度就越小，故，利用不同聚类内的灰度均值和灰度混乱程度来调节该聚类内的灰度差值的变化量，该方法放宽了检测边缘梯度时的判定范围，其中，计算每个聚类中像素点的灰度均值的公式：
Figure 191621DEST_PATH_IMAGE010
式中，
Figure 622734DEST_PATH_IMAGE003
表示第
Figure 893178DEST_PATH_IMAGE004
个聚类内的像素点的灰度均值，该灰度均值越低，则代表该聚类内豆腐干整体叠加层数越多；
Figure 645627DEST_PATH_IMAGE011
表示第
Figure 659719DEST_PATH_IMAGE004
个聚类内像素点的个数；
Figure 69972DEST_PATH_IMAGE012
表示第
Figure 262050DEST_PATH_IMAGE004
个聚类内像素点
Figure 515177DEST_PATH_IMAGE013
的灰度值；
其中，计算每个聚类对应的信息熵的公式：
Figure 316648DEST_PATH_IMAGE014
式中，
Figure 846987DEST_PATH_IMAGE005
表示第
Figure 193655DEST_PATH_IMAGE004
个聚类的信息熵，即在本实施例中，将聚类的信息熵作为该聚类内的灰度混乱程度；
Figure 684810DEST_PATH_IMAGE011
表示第
Figure 40705DEST_PATH_IMAGE004
个聚类内像素点的个数；
Figure 259504DEST_PATH_IMAGE015
表示第
Figure 777073DEST_PATH_IMAGE004
个聚类内第j个灰度级对应的像素点的数量；
Figure 489945DEST_PATH_IMAGE016
表示第
Figure 118372DEST_PATH_IMAGE004
个聚类内灰度级的数量。
S4、获取单个正常食品图像的最大灰度差值，根据每个聚类对应的灰度均值及灰度混乱程度获取每个聚类关于最大灰度差值对应的调整值。
具体的，获取单个正常食品图像的灰度直方图；根据灰度直方图获取单个食品图像的在X光透射下的灰度范围；根据灰度范围获取最大灰度差值，其中，当单个食品图像的灰度范围
Figure 623303DEST_PATH_IMAGE017
，则最大灰度差值
Figure 826620DEST_PATH_IMAGE018
，当相邻像素点之间的灰度差异超过最大灰度差值
Figure 10477DEST_PATH_IMAGE019
，那么认为该相邻像素点之间的灰度梯度为非内部浮动梯度，并将其认为是差值更大的边缘梯度，利用不同聚类内的灰度均值和灰度混乱程度来计算调整值，来调节每个聚类内的灰度差值的变化量，具体的，对每个聚类对应的灰度均值及灰度混乱程度进行欧几里得转换得到关于最大灰度差值对应的调整值，该公式为现有技术公式，即计算每个聚类关于最大灰度差值对应的调整值的公式：
Figure 193328DEST_PATH_IMAGE020
式中，
Figure 942978DEST_PATH_IMAGE021
表示聚类关于最大灰度差值对应的调整值，当灰度均值
Figure 943295DEST_PATH_IMAGE022
越小，灰度混乱程度
Figure 132224DEST_PATH_IMAGE023
越大时，调整值
Figure 368033DEST_PATH_IMAGE024
的取值在0-1之间越小；
Figure 457343DEST_PATH_IMAGE022
表示第
Figure 894141DEST_PATH_IMAGE004
个聚类内的像素点的灰度均值；
Figure 318169DEST_PATH_IMAGE005
表示第
Figure 606937DEST_PATH_IMAGE004
个聚类的信息熵；
Figure 521059DEST_PATH_IMAGE025
表示对灰度均值归一化计算，利用双曲正切函数将灰度均值
Figure 82753DEST_PATH_IMAGE022
的取值限定在0-1内，灰度均值
Figure 728498DEST_PATH_IMAGE022
越大，归一化后
Figure 322422DEST_PATH_IMAGE025
的取值在0-1之内越小；
Figure 370012DEST_PATH_IMAGE026
表示对灰度混乱程度进行归一化计算，利用指数函数将灰度混乱程度限制在0-1之间，灰度混乱程度越大，则
Figure 883033DEST_PATH_IMAGE026
在0-1之间取值越小。
S5、根据最大灰度差值、每个聚类关于最大灰度差值对应的调整值及每个像素点的灰度值获取该聚类内每个像素点的梯度值，将多个梯度值中突变的梯度值对应的像素点作为初始边缘像素点。
具体的，要判断异物的位置信息，首先其必定被一个完整的豆腐干图像所包围，因此，不需要考虑异物在多个豆腐干边缘区域的判定情况，只需要分析异物被豆腐干图像包围的最少豆腐干重叠层数区域，简单来说，如果异物部分在
Figure 279990DEST_PATH_IMAGE006
区域，部分在
Figure 926872DEST_PATH_IMAGE007
区域，则判定其必然属于
Figure 845281DEST_PATH_IMAGE006
区域所在的豆腐干上，如果异物部分在
Figure 529203DEST_PATH_IMAGE007
区域，部分在
Figure 415119DEST_PATH_IMAGE027
区域，则判定其必然属于
Figure 849380DEST_PATH_IMAGE007
区域所在的两个叠加的豆腐干其中一个上，因此，想要通过筛选异物边缘未将其包围的豆腐干来获取异物所在大概位置，则必须先得到其周边所有的完整豆腐干边缘，在获取豆腐干的边缘时，先利用不同的聚类对应的最大灰度差值对应的调整值来自适应调整每个聚类内灰度差值的变化量，根据每个聚类内灰度差值的变化量来计算每个像素点的梯度值，根据梯度值即可确定初始边缘像素点。
本实施例在步骤S5中，根据最大灰度差值、每个聚类关于最大灰度差值对应的调整值及每个像素点的灰度值获取该聚类内每个像素点的梯度值的步骤包括：以窗口内的第一个像素点为起点获取滑窗；其中，滑窗的移动方向为窗口内的每行或者每列像素方向；根据滑窗的移动方向对窗口内的像素点的灰度值进行遍历获取每个聚类内每个像素点的梯度值，其中，根据滑窗的移动方向对窗口内的像素点的灰度值进行遍历获取每个聚类内每个像素点的梯度值步骤包括：当滑窗移动至窗口内的每个聚类时，根据该聚类对应的关于最大灰度差值的调整值以及单个正常食品图像的最大灰度差值获取该聚类内像素点的灰度变化量；根据该聚类内像素点的灰度变化量及每个像素点的灰度值获取该聚类内像素点的梯度值，其中，计算每个聚类内每个像素点的梯度值的公式：
Figure 746929DEST_PATH_IMAGE028
式中，
Figure 991966DEST_PATH_IMAGE029
表示窗口内第
Figure 850332DEST_PATH_IMAGE030
行像素中的像素点
Figure 573437DEST_PATH_IMAGE031
的梯度值；
Figure 591072DEST_PATH_IMAGE032
表示窗口内第
Figure 728048DEST_PATH_IMAGE030
行像素中的像素点
Figure 322978DEST_PATH_IMAGE031
的灰度值；
Figure 866086DEST_PATH_IMAGE033
表示窗口内第
Figure 738227DEST_PATH_IMAGE034
个聚类关于最大灰度差值对应的调整值；
Figure 59487DEST_PATH_IMAGE019
表示单个正常食品图像的最大灰度差值；
Figure 390980DEST_PATH_IMAGE035
表示窗口内第
Figure 455888DEST_PATH_IMAGE034
个聚类内像素点灰度差值的变化量；
需要说明的是，如图4所示，本实施例的滑窗的移动方向是以行像素方向为移动方向的，图中，Z1、Z2、Z3、Z4及Z5，表示窗口内像素点的行数，聚类a、聚类b及聚类c表示在窗口内像所点所在的聚类，图4中，像素点位于对应的聚类a、聚类b或者聚类c中所对应的值为梯度值，需要说明的是，列像素方向进行滑窗的移动对像素点遍历和行方向的滑窗的移动对像素点遍历获取梯度值是相同的方法。
其中，将多个梯度值中突变的梯度值对应的像素点作为初始边缘像素的步骤：图4表示了聚类内每个像素点灰度值的一阶导数图像，一阶导数图像中的突变点即为每个像素点对应的梯度值中突变的梯度值，故将突变的梯度值对应的像素点作为初始边缘像素点。
S6、根据单个食品的边缘特征对所有初始边缘像素点进行边缘检测得到窗口内的所有初始边缘线，获取单个食品的模板图像，根据模板图像对所有初始边缘线进行模板匹配获取窗口内的每个食品的准确边缘；根据窗口内的每个食品的准确边缘确定完全包含异物的食品；具体的，对于本实施例的豆腐干食品的边缘特征进行分析，其边缘特征为直线特征，因此，可采用霍夫直线检测方法对窗口内的所有初始边缘像素点进行边缘检测得到所有边缘，霍夫直线检测方法为现有技术方法，本实施例不再赘述。
需要说明的是，对于其他形状的食品，也可以其他食品各自的边缘特征匹配相应的检测算法，例如圆形边缘对应的采用圆形检测，曲边缘采用曲线检测。
具体的，由于豆腐干无论如何叠加，X光穿透豆腐干后理论上都可以得到所有单个豆腐干的边缘图像，对于本实施例获取的所有初始边缘线会在窗口内组合为不同的类矩形，这些类矩形或形状规则、不规则，或边缘完整、残缺，先获取一个豆腐干的标准尺寸的模板图像，该模板图像只包含初始边缘线的形状信息，然后遍历窗口内的所有初始边缘线进行匹配，360°方向均进行遍历，对窗口内匹配到的所有初始边缘线与模板图像上的初始边缘线进行计算相似性，更进一步筛选出准确的豆腐干边缘。
需要说明的是：因为用豆腐干的模板图像进行遍历时，会遍历窗口内的任何一个点，若真实存在边缘，则必定可以匹配到，所以对模板图像上的四个边缘与离其所在位置最近的初始边缘线进行相似度计算，即模板图像上的四个边缘与离其所在位置最近的初始边缘线进行相似度的计算公式：
Figure 448114DEST_PATH_IMAGE036
式中，
Figure 956587DEST_PATH_IMAGE037
表示模板图像
Figure 526109DEST_PATH_IMAGE038
与初始边缘线围成的类矩形
Figure 4495DEST_PATH_IMAGE039
的相似度；
Figure 228059DEST_PATH_IMAGE040
表示模板图像
Figure 891122DEST_PATH_IMAGE038
的边缘上的所有像素点数量；
Figure 88885DEST_PATH_IMAGE041
表示模板图像
Figure 246328DEST_PATH_IMAGE038
上每个像素点与类矩形
Figure 337780DEST_PATH_IMAGE039
中距离其最近的准边缘线上的点的欧式距离；
设定相似度阈值
Figure 312690DEST_PATH_IMAGE042
，当相似度
Figure 840492DEST_PATH_IMAGE037
越接近0，则匹配度越高，故相似度阈值
Figure 50893DEST_PATH_IMAGE042
可设置为0.1，当相似度
Figure 482006DEST_PATH_IMAGE037
小于0.1则表示初始边缘线围成的类矩形
Figure 893396DEST_PATH_IMAGE039
中的初始边缘线为豆腐干的准确边缘线，根据步骤S1到S7的计算确定了待检测图像中堆叠部分的豆腐干的准确边缘，对于异物所在具体位置，即异物在哪个豆腐干内部，有了精准的定位，故，根据确定的豆腐干的准确边缘可以确定待检测图像中豆腐干边缘完全包围异物的目标豆腐干，本实施例只需要将待检测图像中豆腐干边缘完全包围异物的目标豆腐干进行筛除，即可实现对异物的筛除，因此，本实施例的过程中，实现了异物的筛选，且在异物筛选过程中，精确定位了异物的位置，从而降低了在异物筛除时的工作量。
由于X光探伤检测即使可以穿透待检测食品，但仍是二维图像，无法得到异物具体在哪一层的豆腐干上，相对比传统技术直接对图像中大片堆积的模糊豆腐干进行无差别筛除，本发明准确的确定了豆腐干堆积时的弱边缘，从而确定了异物所在的需要筛除豆腐干的准确范围，即利用本发明的方法对堆叠食品的待检测图像处理后，仅有极少量几个豆腐干需要被筛除，因此，本发明提高了豆腐干中异物的位置的准确定位，进一步提高筛除效率。
综上所述，本发明提供基于X光的食品异物无痕快速检测方法，通过对异物所在窗口内的非异物的像素点进行聚类，根据每个聚类对应的灰度均值及信息熵获取每个聚类关于正常食品图像的最大灰度差值的调整值，根据调整值计算每个聚类内每个像素点的梯度值，将梯度值中的突变的梯度值对应的像素点作为食品的初始边缘点，然后根据食品的边缘特征对初始像素点进行边缘检测获取豆腐干的初始边缘线，在根据模板匹配的方法获取食品的准确边缘，从而将堆叠在一起的食品的边缘区分开，相对比待检测图像中大片堆积的模糊豆腐干图像中无差别筛除的方法，本发明最大程度地确定了需要筛除豆腐干的准确范围，且利用本发明的方法对堆叠食品的待检测图像处理后，仅有极少量几个豆腐干需要被筛除，因此，本发明提高了豆腐干中异物的位置的准确定位，即实现了堆叠食品的边缘增强，从而进一步确定异物所在的食品，提高了异物定位的准确度，进一步提高筛除效率。
以上所述仅为本发明的较佳实施例而已，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.基于X光的食品异物无痕快速检测方法，其特征在于，该方法包括：
获取堆叠食品在X光透射下的待检测图像；
获取待检测图像中异物，并对属于异物的像素点进行标记，获取包含异物的窗口，对窗口内的未标记的像素点进行聚类；
获取每个聚类中像素点的灰度均值，获取每个聚类对应的信息熵，并将信息熵作为对应聚类的灰度混乱程度；
获取单个正常食品图像的最大灰度差值，根据每个聚类对应的灰度均值及灰度混乱程度获取每个聚类关于最大灰度差值对应的调整值；
根据最大灰度差值、每个聚类关于最大灰度差值对应的调整值及每个像素点的灰度值获取该聚类内每个像素点的梯度值，将多个梯度值中突变的梯度值对应的像素点作为食品的初始边缘像素点；
根据单个食品的边缘特征对所有初始边缘像素点进行边缘检测得到窗口内的所有初始边缘线；
对所有初始边缘线进行模板匹配获取窗口内的每个食品的准确边缘，确定窗口内的完全包含异物的准确边缘对应的食品。
2.根据权利要求1所述的基于X光的食品异物无痕快速检测方法，其特征在于，以异物的形心为圆心，设定窗口半径，获取圆形的窗口。
3.根据权利要求1所述的基于X光的食品异物无痕快速检测方法，其特征在于，获取每个聚类对应的信息熵的步骤包括：
获取每个聚类内的所有灰度级；
并获取每个灰度级对应的像素点个数；
根据每个聚类内的所有灰度级及每个灰度级对应的像素点个数计算每个聚类对应的信息熵。
4.根据权利要求1所述的基于X光的食品异物无痕快速检测方法，其特征在于，获取单个正常食品图像的最大灰度差值的步骤包括：
获取单个正常食品图像的灰度直方图；
根据灰度直方图获取单个食品图像的在X光透射下的灰度范围；
根据灰度范围获取最大灰度差值。
5.根据权利要求1所述的基于X光的食品异物无痕快速检测方法，其特征在于，对每个聚类对应的灰度均值及灰度混乱程度进行欧几里得转换得到关于最大灰度差值对应的调整值。
6.根据权利要求1所述的基于X光的食品异物无痕快速检测方法，其特征在于，计算每个聚类关于最大灰度差值对应的调整值的公式：
Figure 221947DEST_PATH_IMAGE001
式中，
Figure 218722DEST_PATH_IMAGE002
表示聚类关于最大灰度差值对应的调整值；
Figure 803898DEST_PATH_IMAGE003
表示第
Figure 886123DEST_PATH_IMAGE004
个聚类内的像素点的灰度均值；
Figure 91977DEST_PATH_IMAGE005
表示第
Figure 959570DEST_PATH_IMAGE004
个聚类的信息熵。
7.根据权利要求1所述的基于X光的食品异物无痕快速检测方法，其特征在于，根据最大灰度差值、每个聚类关于最大灰度差值对应的调整值及每个像素点的灰度值获取该聚类内每个像素点的梯度值的步骤包括：
以窗口内的第一个像素点为起点获取滑窗；
其中，滑窗的移动方向为窗口内的每行或者每列像素方向；
根据滑窗的移动方向对窗口内的像素点的灰度值进行遍历获取每个聚类内每个像素点的梯度值；
当滑窗移动至窗口内的每个聚类时，根据该聚类对应的关于最大灰度差值的调整值以及单个正常食品图像的最大灰度差值获取该聚类内像素点的灰度变化量；
根据该聚类内像素点的灰度变化量及每个像素点的灰度值获取该聚类内像素点的梯度值。
8.根据权利要求1所述的基于X光的食品异物无痕快速检测方法，其特征在于，根据单个食品的形状对所有初始边缘像素点进行边缘检测得到窗口内的所有初始边缘线的步骤包括：
获取单个食品的边缘特征；
根据单个食品的边缘特征获取对应的边缘检测算法；
利用食品对应的边缘检测算法对所有初始边缘像素点进行边缘检测得到窗口内的所有初始边缘线。
CN202210934486.0A 2022-08-04 2022-08-04 基于x光的食品异物无痕快速检测方法 Active CN114994102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210934486.0A CN114994102B (zh) 2022-08-04 2022-08-04 基于x光的食品异物无痕快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210934486.0A CN114994102B (zh) 2022-08-04 2022-08-04 基于x光的食品异物无痕快速检测方法

Publications (2)

Publication Number Publication Date
CN114994102A true CN114994102A (zh) 2022-09-02
CN114994102B CN114994102B (zh) 2022-10-25

Family

ID=83022894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210934486.0A Active CN114994102B (zh) 2022-08-04 2022-08-04 基于x光的食品异物无痕快速检测方法

Country Status (1)

Country Link
CN (1) CN114994102B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266777A (zh) * 2022-09-19 2022-11-01 江苏芸裕金属制品有限公司 一种钢丝绳芯输送带实时监控方法
CN115496760A (zh) * 2022-11-17 2022-12-20 澳润(山东)药业有限公司 一种阿胶品质鉴定方法
CN115689948A (zh) * 2023-01-05 2023-02-03 济宁智诚物业管理有限公司 用于检测建筑供水管道裂痕的图像增强方法
CN115994907A (zh) * 2023-03-22 2023-04-21 济南市莱芜区综合检验检测中心 用于食品检测机构综合信息的智能处理系统及方法
CN116091499A (zh) * 2023-04-07 2023-05-09 山东中胜涂料有限公司 一种涂料生产异常识别系统
CN116630425A (zh) * 2023-07-21 2023-08-22 长春市天之城科技有限公司 一种基于x光的食品智能检测系统
CN116682107A (zh) * 2023-08-03 2023-09-01 山东国宏生物科技有限公司 基于图像处理的大豆视觉检测方法
CN116758074A (zh) * 2023-08-18 2023-09-15 长春市天之城科技有限公司 一种多光谱食品图像智能增强方法
CN117011303A (zh) * 2023-10-08 2023-11-07 泰安金冠宏油脂工业有限公司 基于机器视觉的油料生产质量检测方法
CN117197144A (zh) * 2023-11-08 2023-12-08 深圳市极摩客科技有限公司 基于人工智能的主机外壳质量检测方法
CN117522719A (zh) * 2024-01-05 2024-02-06 自贡市第一人民医院 基于机器学习的支气管镜图像辅助优化系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010016533A (ja) * 2008-07-02 2010-01-21 Kyocera Mita Corp 画像処理装置、画像処理方法及び画像処理プログラム
CN102982554A (zh) * 2012-12-28 2013-03-20 厦门市美亚柏科信息股份有限公司 图像边缘检测方法和装置
US20200027214A1 (en) * 2018-07-18 2020-01-23 Adobe Inc. Edge detection using fuzzy gradient information
CN110827306A (zh) * 2019-10-18 2020-02-21 重庆师范大学 基于自适应密度峰值聚类的紫色土图像分割提取方法
US20200327304A1 (en) * 2019-04-09 2020-10-15 Yung-Hui Li System and method for rapidly locating iris using deep learning
CN113470016A (zh) * 2021-08-31 2021-10-01 江苏裕荣光电科技有限公司 一种基于人工智能的光伏电池板异常检测方法及装置
CN113658163A (zh) * 2021-08-24 2021-11-16 王程 多级协作改进fcm的高分sar影像分割法
CN114283144A (zh) * 2022-03-06 2022-04-05 山东金有粮脱皮制粉设备有限公司 基于图像识别的玉米芯粉碎机稳定运行的智能控制方法
CN114387274A (zh) * 2022-03-24 2022-04-22 武汉昊月纸箱包装有限公司 一种基于人工智能的纸盒缺陷检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010016533A (ja) * 2008-07-02 2010-01-21 Kyocera Mita Corp 画像処理装置、画像処理方法及び画像処理プログラム
CN102982554A (zh) * 2012-12-28 2013-03-20 厦门市美亚柏科信息股份有限公司 图像边缘检测方法和装置
US20200027214A1 (en) * 2018-07-18 2020-01-23 Adobe Inc. Edge detection using fuzzy gradient information
US20200327304A1 (en) * 2019-04-09 2020-10-15 Yung-Hui Li System and method for rapidly locating iris using deep learning
CN110827306A (zh) * 2019-10-18 2020-02-21 重庆师范大学 基于自适应密度峰值聚类的紫色土图像分割提取方法
CN113658163A (zh) * 2021-08-24 2021-11-16 王程 多级协作改进fcm的高分sar影像分割法
CN113470016A (zh) * 2021-08-31 2021-10-01 江苏裕荣光电科技有限公司 一种基于人工智能的光伏电池板异常检测方法及装置
CN114283144A (zh) * 2022-03-06 2022-04-05 山东金有粮脱皮制粉设备有限公司 基于图像识别的玉米芯粉碎机稳定运行的智能控制方法
CN114387274A (zh) * 2022-03-24 2022-04-22 武汉昊月纸箱包装有限公司 一种基于人工智能的纸盒缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FINN-CHRISTIAN WICKMANN HANSSEN等: "A potential flow method combining immersed boundaries and overlapping grids: Formulation, validation and verification", 《OCEAN ENGINEERING》 *
张仕霞 等: "基于聚类边界提取的支持向量机算法", 《电子测量技术》 *
张文建等: "基于X射线的食品异物检测系统设计", 《机电一体化》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115266777A (zh) * 2022-09-19 2022-11-01 江苏芸裕金属制品有限公司 一种钢丝绳芯输送带实时监控方法
CN115496760A (zh) * 2022-11-17 2022-12-20 澳润(山东)药业有限公司 一种阿胶品质鉴定方法
CN115689948A (zh) * 2023-01-05 2023-02-03 济宁智诚物业管理有限公司 用于检测建筑供水管道裂痕的图像增强方法
CN115994907A (zh) * 2023-03-22 2023-04-21 济南市莱芜区综合检验检测中心 用于食品检测机构综合信息的智能处理系统及方法
CN116091499A (zh) * 2023-04-07 2023-05-09 山东中胜涂料有限公司 一种涂料生产异常识别系统
CN116630425B (zh) * 2023-07-21 2023-09-22 长春市天之城科技有限公司 一种基于x光的食品智能检测系统
CN116630425A (zh) * 2023-07-21 2023-08-22 长春市天之城科技有限公司 一种基于x光的食品智能检测系统
CN116682107A (zh) * 2023-08-03 2023-09-01 山东国宏生物科技有限公司 基于图像处理的大豆视觉检测方法
CN116682107B (zh) * 2023-08-03 2023-10-10 山东国宏生物科技有限公司 基于图像处理的大豆视觉检测方法
CN116758074A (zh) * 2023-08-18 2023-09-15 长春市天之城科技有限公司 一种多光谱食品图像智能增强方法
CN116758074B (zh) * 2023-08-18 2024-04-05 长春市天之城科技有限公司 一种多光谱食品图像智能增强方法
CN117011303A (zh) * 2023-10-08 2023-11-07 泰安金冠宏油脂工业有限公司 基于机器视觉的油料生产质量检测方法
CN117011303B (zh) * 2023-10-08 2024-01-09 泰安金冠宏油脂工业有限公司 基于机器视觉的油料生产质量检测方法
CN117197144A (zh) * 2023-11-08 2023-12-08 深圳市极摩客科技有限公司 基于人工智能的主机外壳质量检测方法
CN117197144B (zh) * 2023-11-08 2024-02-23 深圳市极摩客科技有限公司 基于人工智能的主机外壳质量检测方法
CN117522719A (zh) * 2024-01-05 2024-02-06 自贡市第一人民医院 基于机器学习的支气管镜图像辅助优化系统
CN117522719B (zh) * 2024-01-05 2024-03-22 自贡市第一人民医院 基于机器学习的支气管镜图像辅助优化系统

Also Published As

Publication number Publication date
CN114994102B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN114994102B (zh) 基于x光的食品异物无痕快速检测方法
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN115294158A (zh) 一种基于机器视觉的热连轧带钢图像分割方法
CN115311292A (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN115661135A (zh) 一种心脑血管造影的病灶区域分割方法
CN108287010A (zh) 一种螃蟹多指标分级装置与方法
CN116246174B (zh) 基于图像处理的甘薯种类识别方法
CN113610850B (zh) 一种基于图像处理的装饰纸纹理异常检测方法
CN116721391B (zh) 一种基于计算机视觉的原料油分离效果检测方法
CN115018844A (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN113420614A (zh) 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法
CN117764864B (zh) 基于图像去噪的核磁共振肿瘤视觉检测方法
CN115131325A (zh) 一种基于图像识别分析的断路器故障运维监测方法及系统
CN116958125B (zh) 基于图像处理的电竞主机电源元件缺陷视觉检测方法
CN114897773A (zh) 一种基于图像处理的扭曲木材检测方法及系统
CN117058147A (zh) 基于计算机视觉的环保塑料制品缺陷检测方法
CN113077392A (zh) 一种针对指针表模糊照片的高准确度自动读数方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN112132151A (zh) 基于循环神经网络识别算法的图像文字识别系统及方法
CN115631128A (zh) 基于圆幂定理的圆形药品数量检测方法
CN117593193B (zh) 一种基于机器学习的钣金图像增强方法及系统
CN116612126B (zh) 基于人工智能的集装箱病媒生物检测预警方法
CN116842210B (zh) 一种基于纹理特征的纺织品印花纹理智能检索方法
CN117333489A (zh) 一种薄膜破损检测装置及检测系统

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