CN115032202A - 一种甜菊糖苷产品的残留杂质去除方法 - Google Patents

一种甜菊糖苷产品的残留杂质去除方法 Download PDF

Info

Publication number
CN115032202A
CN115032202A CN202210953338.3A CN202210953338A CN115032202A CN 115032202 A CN115032202 A CN 115032202A CN 202210953338 A CN202210953338 A CN 202210953338A CN 115032202 A CN115032202 A CN 115032202A
Authority
CN
China
Prior art keywords
impurity
suspected
region
boundary
stevioside
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
CN202210953338.3A
Other languages
English (en)
Other versions
CN115032202B (zh
Inventor
王磊
孔心寓
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.)
Shandong Tangle Biotechnology Co ltd
Original Assignee
Shandong Tangle 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 Shandong Tangle Biotechnology Co ltd filed Critical Shandong Tangle Biotechnology Co ltd
Priority to CN202210953338.3A priority Critical patent/CN115032202B/zh
Publication of CN115032202A publication Critical patent/CN115032202A/zh
Application granted granted Critical
Publication of CN115032202B publication Critical patent/CN115032202B/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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种甜菊糖苷产品的残留杂质去除方法，采集甜菊糖苷样品表面的RGB‑D深度图像，对图像进行分割得到每个甜菊糖区域和每个疑似杂质区域，选取每个疑似杂质区域的边界像素点进行曲线拟合得到每个疑似杂质区域的边界曲率，根据每个疑似杂质区域的边界曲率和每个疑似杂质区域的梯度大小将疑似杂质区域分为光影区域和杂质区域，根据光影区域和杂质区域像素点灰度值均值对比，得到光影区域中的杂质区域，根据深度图像中所有杂质区域的像素点个数和图像像素点总个数得到甜菊糖苷样品的纯度，根据纯度对甜菊糖苷是否需要去除杂质进行判断，方法智能、精准、高效。

Description

一种甜菊糖苷产品的残留杂质去除方法
技术领域
本申请涉及图像处理领域，具体涉及一种甜菊糖苷产品的残留杂质去除方法。
背景技术
甜菊糖苷是从菊科植物Stevia Rebaudia（该植物在我国称作甜叶菊）中提取出来的一种糖苷产品，在甜菊糖苷产品中会含有生产过程中残留的杂质，如果含有过多的杂质，会影响产品纯度低，导致产品不合格，因此，需要对甜菊糖苷产品中的残留杂质进行检测分析，根据杂质分布情况计算出甜菊苷产品的纯度，根据纯度判断产品是否合格，对于纯度低的不合格产品则需要进一步去除残留杂质。对于甜菊糖苷产品中的残留杂质的检测，现有技术是通过采集产品表面图像，然后根据表面杂质与甜菊糖苷的灰度不同进行分析计算的，但是此方法会受到产品表面的颗粒堆积形成的小凸包产生的阴影的影响，并且只用颜色区分杂质，容易误判，导致检测得到的产品纯度不准确。
发明内容
本发明提供一种甜菊糖苷产品的残留杂质去除方法，解决甜菊糖苷产品中的残留杂质检测精度低的问题，采用如下技术方案：
采集同批次甜菊糖苷产品样品表面的灰度图像；
根据灰度图像中像素点灰度值将灰度图像分为甜菊糖产品区域和疑似杂质区域；
将每个疑似杂质区域的边界像素点分为像素点数量相等的多段边界，选取每段边界的两个端点像素点和每段边界中的任意一个像素点进行曲线拟合得到每段边界的拟合曲线，利用每个疑似杂质区域的每段边界的拟合曲线得到每个疑似杂质区域的边界拟合曲线；
根据每个疑似杂质区域的边界拟合曲线的曲率和每个疑似杂质区域中像素点的梯度大小得到每个疑似杂质区域的特征值，根据所有疑似杂质区域的特征值将所有疑似杂质区域分为光影区域和杂质区域；
获取光影区域中像素点灰度值均值和杂质区域的像素点灰度值均值进行对比，判断光影区域中是否含有杂质区域，若光影区域中含有杂质区域，则提取光影区域中的杂质区域；
根据光影区域中的杂质区域和杂质区域得到甜菊糖苷样品的纯度，根据甜菊糖苷样品的纯度判断该同批次甜菊糖苷产品的杂质是否需要去除。
所述将灰度图像分为甜菊糖产品区域和疑似杂质区域的方法为：
根据每个像素点的八邻域像素点的灰度值均值与该像素点灰度值的比值得到该像素点的标记值；
若该像素点所有的邻域像素点标记值都是0，则该像素点标记为0；若该像素点所有邻域像素点中仅有一个非0的标记值，则将该像素点标记为仅有的一个非0标记值；若该像素点所有邻域像素点中不止一个非0标记值，则将该像素点标记为任意一个非0标记值；
遍历灰度图像中每个像素点，若像素点标记值为0，则该像素点为甜菊糖像素点，若像素点标记值为非0，则该像素点为疑似杂质像素点；
对甜菊糖像素点和疑似杂质像素点进行连通域分析，得到每个甜菊糖苷区域和每个疑似杂质区域。
所述曲线拟合得到每段边界的拟合曲线的获取方法为：
将每个疑似杂质区域的边界像素点分像素点数量相等的
Figure DEST_PATH_IMAGE001
段边界；
在每段边界中选取三个边界像素点
Figure 345226DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
为该段边界的两个端点像素点，
Figure 403312DEST_PATH_IMAGE004
为该段边界中随机选取的一个像素点；
连接
Figure DEST_PATH_IMAGE005
，过
Figure 556951DEST_PATH_IMAGE006
做
Figure DEST_PATH_IMAGE007
的垂线，垂足为
Figure 93106DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
与
Figure 549888DEST_PATH_IMAGE010
夹角为
Figure 310034DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
和
Figure 452433DEST_PATH_IMAGE013
夹角为
Figure DEST_PATH_IMAGE014
；
在
Figure 290814DEST_PATH_IMAGE015
上，找到与
Figure DEST_PATH_IMAGE016
点距离为
Figure DEST_PATH_IMAGE018
处的点
Figure 539786DEST_PATH_IMAGE019
，则
Figure 470833DEST_PATH_IMAGE018
的计算方法为：
Figure DEST_PATH_IMAGE020
；
利用
Figure 366108DEST_PATH_IMAGE021
拟合曲线作为每段边界的拟合曲线。
所述每个疑似杂质区域的边界拟合曲线的具体获取方法为：
将该疑似杂质区域的每段边界的拟合曲线与
Figure DEST_PATH_IMAGE022
的中线的交点作为每段边界的拟合曲线的特征点，利用多项式拟合每段边界的拟合曲线的特征点，得到每个疑似杂质区域的边界拟合曲线。
所述将所有疑似杂质区域分为光影区域和杂质区域的方法为：
获取每个疑似杂质区域的特征值
Figure 742600DEST_PATH_IMAGE023
，
Figure 203669DEST_PATH_IMAGE023
的计算方法为：
Figure DEST_PATH_IMAGE025
式中，
Figure 243300DEST_PATH_IMAGE026
为该疑似杂质区域的曲率，
Figure DEST_PATH_IMAGE027
为该疑似杂质区域内所有像素点的梯度值均值；
当
Figure 861756DEST_PATH_IMAGE023
大于等于阈值时，该疑似杂质区域为光影区域，当
Figure 74563DEST_PATH_IMAGE023
小于等于阈值时，该区域为杂质区域。
所述提取光影区域中的杂质区域的方法为：
利用滑窗对光影区域进行滑动，若检测到光影区域中像素值发生变化的区域，则计算该区域灰度值均值，与杂质区域灰度值均值对比，若超出误差值允许范围，该区域为光影区域中的杂质区域。
所述甜菊糖苷样品的纯度的获取方法为：
获取灰度图像中所有杂质区域的像素点个数，计算所有杂质区域的像素点个数与灰度图像总像素点个数的比值，将该比值作为甜菊糖苷样品的纯度。
所述判断该同批次甜菊糖苷产品的杂质是否需要去除的方法为：
若甜菊糖苷样品的纯度大于等于95%，产品合格，该同批次甜菊糖苷产品不需要进行杂质去除；若甜菊糖苷样品的纯度小于95%，产品不合格，该同批次甜菊糖苷产品不需要进行杂质需要进行杂质去除。
本发明的有益效果是：采集甜菊糖苷样品表面的RGB-D深度图像，根据每个像素点的邻域像素点的灰度值得到每个像素点的标记值，对每个像素点进行标记，根据标记的像素点得到每个甜菊糖区域和每个疑似杂质区域，选取每个疑似杂质区域的边界像素点进行曲线拟合得到每个疑似杂质区域的边界曲率，根据每个疑似杂质区域的边界曲率和每个疑似杂质区域的梯度大小将疑似杂质区域分为光影区域和杂质区域，根据光影区域和杂质区域像素点灰度值均值对比，得到光影区域中的杂质区域，根据深度图像中所有杂质区域的像素点个数和图像像素点总个数得到甜菊糖苷样品的纯度，根据纯度对甜菊糖苷是否需要去除杂质进行判断，方法智能、精准、高效。
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种甜菊糖苷产品的残留杂质去除方法流程示意图；
图2是本发明的一种甜菊糖苷产品的残留杂质去除方法中每个疑似杂质区域的每段边界拟合曲线示意图。
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。
本发明的一种甜菊糖苷产品的残留杂质去除方法的实施例，如图1所示，包括：
步骤一：采集同批次甜菊糖苷产品样品表面的灰度图像；根据灰度图像中像素点灰度值将灰度图像分为甜菊糖产品区域和疑似杂质区域；
该步骤的目的是，通过RGB-D相机采集甜菊糖苷的深度图像并对像素点进行标记后得到甜菊糖区域和疑似杂质区域。
因为在采集图像时，由于光照的影响，会在图像表面留下光影，但是光影的灰度和背景的灰度的差别不大，如果有使用传统的阈值分割技术，不能很好的将光影分割出来。所以需要精确到每个像素上灰度的变化，从而检测出光影和杂质的区域。
具体过程：本实施例中采集的灰度图是通过RGB-D深度图像得到的，Depth深度图像类似于灰度图像，只是它的每个像素值是传感器距离物体的实际距离，它直接反映了物体可见表面的几何形状。
通常RGB图像和Depth图像是配准的，因而像素点之间具有一对一的对应关系。为了能够根据图像的特征对光影和杂质进行分类区别开，我们对图像进行标注。因为甜菊糖苷颗粒的颜色为白色或者淡黄色，其灰度值较大，而杂质和光影的的灰度值明显小于甜菊糖苷颗粒的灰度值，因此根据不同区域的灰度值对其进行标注，获得其空间分布情况。
其中，将灰度图像分为甜菊糖产品区域和疑似杂质区域的方法为：
（1）计算每个像素点的标记值并对每个像素点进行标记：
每个像素点的标记值获取方法为：将每个像素点的八邻域像素点的灰度值均值与该像素点灰度值的比值得到该像素点的标记值。
（2）利用标记值对每个像素点进行标记，方法如下：
若该像素点所有的邻域像素点标记值都是0，则该像素点标记为0；若该像素点所有邻域像素点中仅有一个非0的标记值，则将该像素点标记为仅有的一个非0标记值；若该像素点所有邻域像素点中不止一个非0标记值，则将该像素点标记为任意一个非0标记值。
（3）遍历图像像素点分类，划分区域：
先遍历深度图像中每个像素点，若像素点标记值为0，则该像素点为甜菊糖像素点，若像素点标记值为非0，则该像素点为疑似杂质像素点；
然后对甜菊糖像素点和混合像素点进行连通域分析，得到每个甜菊糖苷区域（每个甜菊糖苷颗粒的区域）和每个疑似杂质区域。
步骤二：将每个疑似杂质区域的边界像素点分为像素点数量相等的多段边界，选取每段边界的两个端点像素点和每段边界中的任意一个像素点进行曲线拟合得到每段边界的拟合曲线，利用每个疑似杂质区域的每段边界的拟合曲线得到每个疑似杂质区域的边界拟合曲线；
该步骤的目的是获取每个疑似杂质区域的边界拟合曲线。
其中，曲线拟合得到每段边界的拟合曲线的获取方法为：
（1）将每个疑似杂质区域的边界像素点分像素点数量相等的
Figure 655717DEST_PATH_IMAGE001
段边界；
（2）在每段边界中选取三个边界像素点
Figure 692681DEST_PATH_IMAGE028
，
Figure 359286DEST_PATH_IMAGE029
为该段边界的两个端点像素点，
Figure DEST_PATH_IMAGE030
为该段边界中随机选取的一个像素点（任意一点）；
（3）连接
Figure 579046DEST_PATH_IMAGE005
，过
Figure 504452DEST_PATH_IMAGE031
做
Figure 213782DEST_PATH_IMAGE007
的垂线，垂足为
Figure 367683DEST_PATH_IMAGE008
，
Figure 187871DEST_PATH_IMAGE009
与
Figure DEST_PATH_IMAGE032
夹角为
Figure 179836DEST_PATH_IMAGE011
，
Figure 60067DEST_PATH_IMAGE033
和
Figure 701264DEST_PATH_IMAGE013
夹角为
Figure 59564DEST_PATH_IMAGE014
；
（4）在
Figure 971282DEST_PATH_IMAGE015
上，找到与
Figure 287994DEST_PATH_IMAGE016
点距离为
Figure 150908DEST_PATH_IMAGE018
处的点
Figure 578478DEST_PATH_IMAGE019
，
Figure 76193DEST_PATH_IMAGE018
的计算方法为：
Figure DEST_PATH_IMAGE034
公式中，
Figure 235910DEST_PATH_IMAGE035
，
Figure DEST_PATH_IMAGE036
为
Figure 25268DEST_PATH_IMAGE037
两点之间的距离，可通过坐标计算得出。
（5）利用
Figure 990950DEST_PATH_IMAGE021
拟合曲线作为每段边界的拟合曲线。
其中，每个疑似杂质区域的边界拟合曲线的具体获取方法为：
将每段边界的拟合曲线与
Figure 110216DEST_PATH_IMAGE022
的中线的交点作为每段边界的拟合曲线的特征点，利用多项式拟合每段边界的拟合曲线的特征点，得到每个疑似杂质区域的边界拟合曲线。
如图2所示，先选取一段边界的端点
Figure DEST_PATH_IMAGE038
和
Figure 440834DEST_PATH_IMAGE039
及该段边界中随机的一点
Figure DEST_PATH_IMAGE040
，两两连接，
Figure 714558DEST_PATH_IMAGE041
为
Figure 218352DEST_PATH_IMAGE022
的垂线，
Figure DEST_PATH_IMAGE042
为
Figure 896851DEST_PATH_IMAGE043
的距离，利用
Figure DEST_PATH_IMAGE044
拟合得到拟合曲线，
Figure 398371DEST_PATH_IMAGE045
为
Figure 457594DEST_PATH_IMAGE022
的中线，与拟合曲线（弧线）的交点为
Figure DEST_PATH_IMAGE046
，将
Figure 466876DEST_PATH_IMAGE047
作为该段边界的特征点。
步骤三：根据每个疑似杂质区域的边界拟合曲线的曲率和每个疑似杂质区域中像素点的梯度大小得到每个疑似杂质区域的特征值，根据所有疑似杂质区域的特征值将所有疑似杂质区域分为光影区域和杂质区域；
该步骤的目的是根据边缘曲率和梯度将疑似杂质区域进行划分。
其中，每个疑似杂质区域的特征值包括：该区域的边界拟合曲线的曲率（可通过曲率公式计算得到）和该区域的梯度大小。
其中，根据特征值将疑似杂质区域分为光影区域和杂质区域的方法为：
(1)获取每个疑似杂质区域的特征值
Figure 29575DEST_PATH_IMAGE023
，
Figure 29892DEST_PATH_IMAGE023
的计算方法为：
Figure 89595DEST_PATH_IMAGE025
式中，
Figure 200770DEST_PATH_IMAGE026
为该疑似杂质区域的曲率，
Figure 883556DEST_PATH_IMAGE027
为该疑似杂质区域内所有像素点的梯度值均值；
每个疑似杂质区域的梯度大小的获取方法为：为了方便计算图像表面的光影区域的梯度大小，本发明根据以图像的像素为距离单元，建立直角坐标系，直角坐标系的原点为光影区域和凸包区域的边缘分界线处。
设像素点的坐标为（
Figure 22151DEST_PATH_IMAGE048
），则第n个像素点的梯度方向为：
Figure 55966DEST_PATH_IMAGE049
，梯度长度为：
Figure 174094DEST_PATH_IMAGE050
，根据每一个像素的梯度长度得到该区域的平均梯度长度。计算公式为：
Figure 711386DEST_PATH_IMAGE051
，
Figure 23812DEST_PATH_IMAGE052
为该区域像素点总个数。
(2)当
Figure 544923DEST_PATH_IMAGE023
大于等于阈值t时，该疑似杂质区域为光影区域，当
Figure 732322DEST_PATH_IMAGE023
小于等于阈值t时，该区域为杂质区域，t的数值可由最大类间方差法分析每个疑似杂质区域的特征值获得。
需要说明的是，因为光影区域是因为光线的照射留下的，其边缘较平滑，弯曲程度不大；而杂质是一个整体，其边缘的曲率小于光影的边缘曲率，所以根据此特点，根据拟合出来曲线计算区域边缘的曲率，即光影区域的边缘曲率小于杂质区域的边缘曲率；因为表面的光影区域和杂质区域的凸包起伏不一样，所以在表面留下的光影区域的大小不同，形成阴影时，所有的光影区域的梯度方向是一致的，但是梯度的大小不同。而因为表面因为不均匀形成的凸包比杂质大，并且凸包越大，形成的阴影的梯度越大。
通过本步骤将图像中的疑似杂质区域分为了光影区域与杂质区域，但是不能排除光影区域里含有杂质，所以还需要进一步将光影区域中的杂质进行剔除。
步骤四：获取光影区域中像素点灰度值均值和杂质区域的像素点灰度值均值进行对比，判断光影区域中是否含有杂质区域，若光影区域中含有杂质区域，则提取光影区域中的杂质区域；
该步骤的目的是，获取光影区域中的杂质区域。
其中，提取光影区域中的杂质区域的方法为：
利用滑窗对光影区域进行滑动，若检测到光影区域中像素值发生变化的区域，则计算该区域灰度值均值，与杂质区域灰度值均值对比，若超出误差值允许范围，该区域为光影区域中的杂质区域。
因为已经将阴影和杂质不重合的区域分割开，我们就已经知道杂质的灰度变化范围，根据杂质和灰度相同原理将光影区域内的杂质分割开。若杂质区域的所有像素点的灰度值的平均值为
Figure 153814DEST_PATH_IMAGE053
，与光影区域内的杂质像素点灰度值的均值
Figure 401256DEST_PATH_IMAGE054
满足：
Figure 144084DEST_PATH_IMAGE056
其中，
Figure DEST_PATH_IMAGE057
为灰度误差范围，则称该矩形块为同类块，且确定该区域的像素点为杂质区域的像素点。对每个光影区域进行滑窗操作，得到区域内的像素变化，如某一光影区域内的某一部分范围像素存在变化，则计算该范围的像素点的灰度值的平均值，然后与已知杂质的灰度值进行比较，则可分出光影中的杂质区域。
步骤五：根据光影区域中的杂质区域和杂质区域得到甜菊糖苷样品的纯度，根据甜菊糖苷样品的纯度判断该同批次甜菊糖苷产品的杂质是否需要去除。
该步骤的目的是计算甜菊糖苷的纯度并判断是否需要去除杂质。
其中，甜菊糖苷样品的纯度的获取方法为：
对灰度图像中每个杂质区域进行连通域分析，计算所有杂质连通域像素点与图像像素点总个数的比值作为甜菊糖苷的纯度。
其中，根据甜菊糖苷样品的纯度判断该同批次甜菊糖苷产品的杂质是否需要去除的方法为：
联合国粮农组织和世界卫生组织联合食品添加剂专家委员会(JECFA)已批准纯度不低于95％的甜菊糖苷可作为食品甜味剂使用。
根据上述的杂质含量标准得：
Figure DEST_PATH_IMAGE059
若甜菊糖苷样品的纯度大于等于95%，产品合格，该同批次甜菊糖苷产品不需要进行杂质去除；若甜菊糖苷样品的纯度小于95%，产品不合格，该同批次甜菊糖苷产品不需要进行杂质需要进行杂质去除。
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)

1.一种甜菊糖苷产品的残留杂质去除方法，其特征在于，包括：
采集同批次甜菊糖苷产品样品表面的灰度图像；
根据灰度图像中像素点灰度值将灰度图像分为甜菊糖产品区域和疑似杂质区域；
将每个疑似杂质区域的边界像素点分为像素点数量相等的多段边界，选取每段边界的两个端点像素点和每段边界中的任意一个像素点进行曲线拟合得到每段边界的拟合曲线，利用每个疑似杂质区域的每段边界的拟合曲线得到每个疑似杂质区域的边界拟合曲线；
根据每个疑似杂质区域的边界拟合曲线的曲率和每个疑似杂质区域中像素点的梯度大小得到每个疑似杂质区域的特征值，根据所有疑似杂质区域的特征值将所有疑似杂质区域分为光影区域和杂质区域；
获取光影区域中像素点灰度值均值和杂质区域的像素点灰度值均值进行对比，判断光影区域中是否含有杂质区域，若光影区域中含有杂质区域，则提取光影区域中的杂质区域；
根据光影区域中的杂质区域和杂质区域得到甜菊糖苷样品的纯度，根据甜菊糖苷样品的纯度判断该同批次甜菊糖苷产品的杂质是否需要去除。
2.根据权利要求1所述的一种甜菊糖苷产品的残留杂质去除方法，其特征在于，所述将灰度图像分为甜菊糖产品区域和疑似杂质区域的方法为：
根据每个像素点的八邻域像素点的灰度值均值与该像素点灰度值的比值得到该像素点的标记值；
若该像素点所有的邻域像素点标记值都是0，则该像素点标记为0；若该像素点所有邻域像素点中仅有一个非0的标记值，则将该像素点标记为仅有的一个非0标记值；若该像素点所有邻域像素点中不止一个非0标记值，则将该像素点标记为任意一个非0标记值；
遍历灰度图像中每个像素点，若像素点标记值为0，则该像素点为甜菊糖像素点，若像素点标记值为非0，则该像素点为疑似杂质像素点；
对甜菊糖像素点和疑似杂质像素点进行连通域分析，得到每个甜菊糖苷区域和每个疑似杂质区域。
3.根据权利要求1所述的一种甜菊糖苷产品的残留杂质去除方法，其特征在于，所述曲线拟合得到每段边界的拟合曲线的获取方法为：
将每个疑似杂质区域的边界像素点分像素点数量相等的
Figure 760891DEST_PATH_IMAGE001
段边界；
在每段边界中选取三个边界像素点
Figure 538354DEST_PATH_IMAGE002
，
Figure 222276DEST_PATH_IMAGE003
为该段边界的两个端点像素点，
Figure 186821DEST_PATH_IMAGE004
为该段边界中随机选取的一个像素点；
连接
Figure 745716DEST_PATH_IMAGE005
，过
Figure 112107DEST_PATH_IMAGE004
做
Figure 701351DEST_PATH_IMAGE006
的垂线，垂足为
Figure 949930DEST_PATH_IMAGE007
，
Figure 784287DEST_PATH_IMAGE008
与
Figure 270763DEST_PATH_IMAGE009
夹角为
Figure 296488DEST_PATH_IMAGE010
，
Figure 235625DEST_PATH_IMAGE011
和
Figure 605164DEST_PATH_IMAGE012
夹角为
Figure 946147DEST_PATH_IMAGE013
；
在
Figure 142773DEST_PATH_IMAGE014
上，找到与
Figure 834785DEST_PATH_IMAGE015
点距离为
Figure 10945DEST_PATH_IMAGE016
处的点
Figure 472013DEST_PATH_IMAGE017
，则
Figure 839541DEST_PATH_IMAGE016
的计算方法为：
Figure 18849DEST_PATH_IMAGE018
；
利用
Figure 730191DEST_PATH_IMAGE019
拟合曲线作为每段边界的拟合曲线。
4.根据权利要求3所述的一种甜菊糖苷产品的残留杂质去除方法，其特征在于，所述每个疑似杂质区域的边界拟合曲线的具体获取方法为：
将该疑似杂质区域的每段边界的拟合曲线与
Figure 311345DEST_PATH_IMAGE020
的中线的交点作为每段边界的拟合曲线的特征点，利用多项式拟合每段边界的拟合曲线的特征点，得到每个疑似杂质区域的边界拟合曲线。
5.根据权利要求4所述的一种甜菊糖苷产品的残留杂质去除方法，其特征在于，所述将所有疑似杂质区域分为光影区域和杂质区域的方法为：
获取每个疑似杂质区域的特征值
Figure 584195DEST_PATH_IMAGE021
，
Figure 250799DEST_PATH_IMAGE021
的计算方法为：
Figure 768762DEST_PATH_IMAGE022
式中，
Figure 204422DEST_PATH_IMAGE023
为该疑似杂质区域的曲率，
Figure 648173DEST_PATH_IMAGE024
为该疑似杂质区域内所有像素点的梯度值均值；
当
Figure 802074DEST_PATH_IMAGE021
大于等于阈值时，该疑似杂质区域为光影区域，当
Figure 386377DEST_PATH_IMAGE021
小于等于阈值时，该区域为杂质区域。
6.根据权利要求5所述的一种甜菊糖苷产品的残留杂质去除方法，其特征在于，所述提取光影区域中的杂质区域的方法为：
利用滑窗对光影区域进行滑动，若检测到光影区域中像素值发生变化的区域，则计算该区域灰度值均值，与杂质区域灰度值均值对比，若超出误差值允许范围，该区域为光影区域中的杂质区域。
7.根据权利要求6所述的一种甜菊糖苷产品的残留杂质去除方法，其特征在于，所述甜菊糖苷样品的纯度的获取方法为：
获取灰度图像中所有杂质区域的像素点个数，计算所有杂质区域的像素点个数与灰度图像总像素点个数的比值，将该比值作为甜菊糖苷样品的纯度。
8.根据权利要求7所述的一种甜菊糖苷产品的残留杂质去除方法，其特征在于，所述判断该同批次甜菊糖苷产品的杂质是否需要去除的方法为：
若甜菊糖苷样品的纯度大于等于95%，产品合格，该同批次甜菊糖苷产品不需要进行杂质去除；若甜菊糖苷样品的纯度小于95%，产品不合格，该同批次甜菊糖苷产品不需要进行杂质需要进行杂质去除。
CN202210953338.3A 2022-08-10 2022-08-10 一种甜菊糖苷产品的残留杂质去除方法 Active CN115032202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210953338.3A CN115032202B (zh) 2022-08-10 2022-08-10 一种甜菊糖苷产品的残留杂质去除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210953338.3A CN115032202B (zh) 2022-08-10 2022-08-10 一种甜菊糖苷产品的残留杂质去除方法

Publications (2)

Publication Number Publication Date
CN115032202A true CN115032202A (zh) 2022-09-09
CN115032202B CN115032202B (zh) 2022-11-08

Family

ID=83130318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210953338.3A Active CN115032202B (zh) 2022-08-10 2022-08-10 一种甜菊糖苷产品的残留杂质去除方法

Country Status (1)

Country Link
CN (1) CN115032202B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721108A (zh) * 2023-08-11 2023-09-08 山东奥晶生物科技有限公司 一种基于机器视觉的甜菊糖苷产品杂质检测方法
CN116797599A (zh) * 2023-08-22 2023-09-22 山东奥晶生物科技有限公司 甜菊糖苷质量在线检测方法和主控设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11160046A (ja) * 1997-11-25 1999-06-18 Matsushita Electric Works Ltd 外観検査方法
CN103512883A (zh) * 2013-09-29 2014-01-15 中国科学院半导体研究所 基于数字图像处理检测聚烯烃材料的杂质几何特征的方法
CN107437243A (zh) * 2017-06-19 2017-12-05 中国科学院自动化研究所 基于x光图像的轮胎杂质检测方法及装置
JP2019163993A (ja) * 2018-03-19 2019-09-26 東芝メモリ株式会社 欠陥検査装置および欠陥検査方法
CN111665251A (zh) * 2019-03-08 2020-09-15 苏州元承科技有限公司 一种表面缺陷视觉检测方法
CN112150441A (zh) * 2020-09-24 2020-12-29 菲特（天津）检测技术有限公司 一种基于机器视觉的光滑漆面表面缺陷检测方法
JP6830712B1 (ja) * 2019-11-29 2021-02-17 広東工業大学Ｇｕａｎｇｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｔｅｃｈｎｏｌｏｇｙ ランダムサンプリング一貫性に基づく魚眼画像の有効領域抽出方法
CN112991305A (zh) * 2021-03-24 2021-06-18 苏州亚朴智能科技有限公司 一种喷漆面板表面缺陷的视觉检测方法
CN114078108A (zh) * 2020-08-11 2022-02-22 天津拓影科技有限公司 图像中异常区域的处理方法、装置和图像分割方法、装置
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114445358A (zh) * 2022-01-20 2022-05-06 奇酷软件（深圳）有限公司 手机中框边缘外观缺陷检测方法、系统、存储介质及计算机设备
CN114723701A (zh) * 2022-03-31 2022-07-08 南通博莹机械铸造有限公司 基于计算机视觉的齿轮缺陷检测方法和系统
WO2022148192A1 (zh) * 2021-01-07 2022-07-14 新东方教育科技集团有限公司 图像处理方法、图像处理装置以及非瞬时性存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11160046A (ja) * 1997-11-25 1999-06-18 Matsushita Electric Works Ltd 外観検査方法
CN103512883A (zh) * 2013-09-29 2014-01-15 中国科学院半导体研究所 基于数字图像处理检测聚烯烃材料的杂质几何特征的方法
CN107437243A (zh) * 2017-06-19 2017-12-05 中国科学院自动化研究所 基于x光图像的轮胎杂质检测方法及装置
JP2019163993A (ja) * 2018-03-19 2019-09-26 東芝メモリ株式会社 欠陥検査装置および欠陥検査方法
CN111665251A (zh) * 2019-03-08 2020-09-15 苏州元承科技有限公司 一种表面缺陷视觉检测方法
JP6830712B1 (ja) * 2019-11-29 2021-02-17 広東工業大学Ｇｕａｎｇｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｔｅｃｈｎｏｌｏｇｙ ランダムサンプリング一貫性に基づく魚眼画像の有効領域抽出方法
CN114078108A (zh) * 2020-08-11 2022-02-22 天津拓影科技有限公司 图像中异常区域的处理方法、装置和图像分割方法、装置
CN112150441A (zh) * 2020-09-24 2020-12-29 菲特（天津）检测技术有限公司 一种基于机器视觉的光滑漆面表面缺陷检测方法
WO2022148192A1 (zh) * 2021-01-07 2022-07-14 新东方教育科技集团有限公司 图像处理方法、图像处理装置以及非瞬时性存储介质
CN112991305A (zh) * 2021-03-24 2021-06-18 苏州亚朴智能科技有限公司 一种喷漆面板表面缺陷的视觉检测方法
CN114445358A (zh) * 2022-01-20 2022-05-06 奇酷软件（深圳）有限公司 手机中框边缘外观缺陷检测方法、系统、存储介质及计算机设备
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114723701A (zh) * 2022-03-31 2022-07-08 南通博莹机械铸造有限公司 基于计算机视觉的齿轮缺陷检测方法和系统

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
LIYA YU: "Detecting Gear Surface Defects Using Background-Weakening Method and Convolutional Neural Network", 《HINDAWI》 *
RIANDINI 等: "Measurement of Stain Area in Metal Surface with Particle Analysis", 《IEEE XPLORE》 *
SODAI SUZUKI等: "Development of Quick Three-Dimensional Shape Measurement Projection Mapping System Using a Whole-Space Tabulation Method", 《APPLIED SCIENCES》 *
伍铁军: "基于图像处理和模式分类的茶叶杂质识别研究", 《中国知网》 *
冯德俊等: "基于航空影像的建筑物阴影提取方法研究", 《地理信息世界》 *
吕远兴: "基于图像处理的橡胶中炭黑识别与杂质分割方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
孟令江等: "野外环境下图像中坑区域的提取方法", 《计算机应用》 *
尹冠生等: "图像分块下的隧道裂缝识别方法", 《交通运输工程学报》 *
杨东方等: "《数学模型在生态学的应用及研究》", 31 March 2017 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721108A (zh) * 2023-08-11 2023-09-08 山东奥晶生物科技有限公司 一种基于机器视觉的甜菊糖苷产品杂质检测方法
CN116721108B (zh) * 2023-08-11 2023-11-03 山东奥晶生物科技有限公司 一种基于机器视觉的甜菊糖苷产品杂质检测方法
CN116797599A (zh) * 2023-08-22 2023-09-22 山东奥晶生物科技有限公司 甜菊糖苷质量在线检测方法和主控设备
CN116797599B (zh) * 2023-08-22 2023-11-21 山东奥晶生物科技有限公司 甜菊糖苷质量在线检测方法和主控设备

Also Published As

Publication number Publication date
CN115032202B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115032202B (zh) 一种甜菊糖苷产品的残留杂质去除方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN114842009B (zh) 一种基于灰度游程矩阵的电缆缺陷检测优化方法
CN108759973B (zh) 一种水位测量方法
CN108764229B (zh) 一种基于计算机视觉技术的水尺图像自动识别方法
CN105784713B (zh) 基于机器视觉的密封圈表面缺陷检测方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN108960237B (zh) 一种指针式油位计读数识别方法
CN111462066B (zh) 一种基于机器视觉的螺纹参数检测方法
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN109389566B (zh) 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法
Liu et al. Surface defect detection based on gradient LBP
CN102254159A (zh) 一种数显仪表判读方法
CN110084129B (zh) 一种基于机器视觉的河流漂浮物实时检测方法
CN112819809B (zh) 一种岩石中矿物颗粒形态量化方法
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN114882026B (zh) 基于人工智能的传感器外壳缺陷检测方法
CN110175556B (zh) 基于Sobel算子的遥感图像云检测方法
CN110473194A (zh) 基于多图像块阈值分割算法的水果表面缺陷检测方法
CN115311294A (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法
CN105787912B (zh) 一种基于分类的阶跃型边缘亚像素定位方法
WO2019184269A1 (zh) 基于Landsat8含雪影像的云检测方法
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN114881960A (zh) 基于特征增强的布匹直线型缺陷检测方法和系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method for removing residual impurities in stevia glycoside products

Effective date of registration: 20230201

Granted publication date: 20221108

Pledgee: China postal savings bank, Surabaya County branch, Limited by Share Ltd.

Pledgor: Shandong tangle Biotechnology Co.,Ltd.

Registration number: Y2023980031895