CN115266736B - 一种茂谷柑霉变的快速识别方法 - Google Patents

一种茂谷柑霉变的快速识别方法 Download PDF

Info

Publication number
CN115266736B
CN115266736B CN202211198888.5A CN202211198888A CN115266736B CN 115266736 B CN115266736 B CN 115266736B CN 202211198888 A CN202211198888 A CN 202211198888A CN 115266736 B CN115266736 B CN 115266736B
Authority
CN
China
Prior art keywords
value
abnormal
degree
color
calculating
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.)
Active
Application number
CN202211198888.5A
Other languages
English (en)
Other versions
CN115266736A (zh
Inventor
吴刚
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.)
Jiangsu Chenyang Food Co ltd
Original Assignee
Jiangsu Chenyang Food 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 Jiangsu Chenyang Food Co ltd filed Critical Jiangsu Chenyang Food Co ltd
Priority to CN202211198888.5A priority Critical patent/CN115266736B/zh
Publication of CN115266736A publication Critical patent/CN115266736A/zh
Application granted granted Critical
Publication of CN115266736B publication Critical patent/CN115266736B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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

Abstract

本发明涉及图像数据识别技术领域，具体涉及一种茂谷柑霉变的快速识别方法，该方法包括：获取茂谷柑的HSV图像，获取每种颜色对应的标准通道值，确定HSV图像中的异常区域，计算异常区域中每个像素点的颜色异常程度，获取异常区域内白色像素点的分布密度，根据异常区域内白色像素点的分布密度、连通域的数量计算异常区域的粉化程度，根据异常区域的粉化程度及颜色异常程度计算霉变概率，根据霉变概率对茂谷柑是否发生霉变进行识别，本发明实现对茂谷柑上的碳酸钙粉末和白色菌落进行准确区分，从而实现对霉变茂谷柑的准确识别。

Description

一种茂谷柑霉变的快速识别方法
技术领域
本发明涉及图像数据识别技术领域，具体涉及一种茂谷柑霉变的快速识别方法。
背景技术
茂谷柑是橘橙类中的杂柑，其会在3月中旬左右开花，并在次年的2-3月成熟，茂谷柑的果实呈扁圆形，果皮光滑，果型整齐，呈现橙黄色，果形指数在1.2左右，每个果实重150-200克，可溶性固形物为15.0%，酸度为0.6-1.0%，其特点就是皮薄汁水足且特别甜。
由于茂谷柑受强光、高温及湿度影响会导致果皮、果肉的生长受阻，进而导致生理病变甚至落果，故在茂谷柑生长期间果农会在果皮表面涂抹碳酸钙这种白色粉末，以防止茂谷柑发生生理病变甚至落果，在进行包装运输前，运输时间可能比较长，若其中一个茂谷柑发生霉变，则会导致很多茂谷柑发生霉变，故在进行包装运输前需要对茂谷柑进行霉变检测，以防止霉变的茂谷柑影响食品安全。
现有技术最早主要以目测并结合气味进行霉变检测，直至人工智能时代到来，才根据颜色特性对茂谷柑是否发生霉变进行识别检测，但由于茂谷柑在生长期间果农会将果皮表面涂抹碳酸钙这种白色粉末，在进行霉变检测时，茂谷柑发生霉变时其上会出现白色的菌落，而霉变产生的白色菌落与碳酸钙颜色相近，故通过颜色来进行区分，很容易导致茂谷柑霉变识别结果不准确。
发明内容
本发明提供一种茂谷柑霉变的快速识别方法，以解决现有的霉变识别结果不准确的问题。
本发明的一种茂谷柑霉变的快速识别方法采用如下技术方案：
获取茂谷柑的HSV图像；
根据HSV图像中每种颜色对应通道的取值区间获取每个取值区间的通道值均值，将通道值均值作为每种颜色对应的标准通道值；
根据橙色对应的标准通道值及HSV图像中每个像素点的通道值确定异常区域；
根据青绿色对应的标准通道值、异常区域中每个像素点对应的通道值计算异常区域中每个像素点的颜色异常程度；
对异常区域进行底帽变换得到目标区域，根据目标区域中的所有连通域的面积计算滑窗尺寸，通过滑窗对异常区域进行遍历，根据滑窗内白色像素点的数量及滑窗尺寸获取异常区域内白色像素点的分布密度；
根据异常区域内白色像素点的分布密度、连通域的数量计算异常区域的粉化程度；
根据异常区域的粉化程度及颜色异常程度计算霉变概率，根据霉变概率对茂谷柑是否发生霉变进行识别。
优选的，根据HSV图像中每种颜色对应通道的取值区间获取每个取值区间的通道值均值的步骤包括：
根据颜色对照表获取HSV图像中橙色、青绿色对应的通道值的取值区间；
对每个通道值的取值区间的最大值和最小值求均值得到橙色、青绿色对应的每个通道值的取值区间对应的通道值均值。
优选的，根据橙色对应的标准通道值及HSV图像中每个像素点的通道值确定异常区域的步骤包括：
设定第一标准点，将橙色对应通道的标准通道值作为第一标准点的通道值；
根据HSV图像中每个像素点的通道值与第一标准点的通道值计算像素点与第一标准点的第一欧式距离；
将第一欧式距离大于预设的欧氏距离阈值的像素点记为非橙色像素点；
将非橙色像素点构成的区域记为异常区域。
优选的，根据青绿色对应的标准通道值、异常区域中每个像素点对应的通道值计算异常区域中每个像素点的颜色异常程度的步骤包括：
设置第二标准点，并将HSV图像中青绿色对应的标准通道值作为第二标准点的对应的通道值；
计算第二标准点与异常区域中每个像素点的第二欧式距离；
根据异常区域中每个像素点的第二欧式距离得到对应像素点的颜色异常程度。
优选的，对异常区域进行底帽变换得到目标区域的步骤包括：
将异常区域转化为二值图；
对二值图进行形态学闭运算；
将形态学闭运算处理后的图像减去异常区域得到目标区域。
优选的，根据目标区域中的所有连通域的面积计算滑窗尺寸的步骤包括：
计算所有连通域面积的面积均值；
计算面积均值的根值；
对根值进行向下取整处理得到的值即为滑窗的边长，并得到滑窗的尺寸。
优选的，根据滑窗内白色像素点的数量及滑窗尺寸获取异常区域内白色像素点的分布密度的步骤包括：
计算每个滑窗内白色像素点的数量与滑窗尺寸范围内所有像素点的数量占比；
根据所有滑窗对应的数量占比计算数量占比方差；
根据数量占比方差获取异常区域内白色像素点的分布密度。
优选的，根据异常区域内白色像素点的分布密度、连通域的数量计算异常区域的粉化程度的步骤包括：
对连通域的数量进行归一化得到归一化后的连通域数量；
设定归一化后的连通域数量及分布密度对应的权值；
计算归一化后的连通域数量的权值与归一化后的连通域数量乘积、分布密度对应的权值与分布密度的乘积；
将两个乘积的和值作为异常区域的粉化程度。
优选的，根据异常区域的粉化程度及颜色异常程度计算霉变概率的步骤包括：
设定粉化程度阈值和颜色异常程度阈值；
当异常区域的粉化程度大于粉化程度阈值，则将异常区域的粉化程度作为霉变概率；
当异常区域的粉化程度小于粉化程度阈值，且颜色异常程度小于预设颜色异常程度阈值，则将粉化程度与其对应的权重乘积、颜色异常程度与其对应的权重乘积的两个乘积的和值作为霉变概率；
当颜色异常程度大于颜色异常程度阈值，则霉变概率为1。
本发明的一种茂谷柑霉变的快速识别方法的有益效果是：
1、通过在HSV图像中对茂谷柑上的各个像素点的通道值与茂谷柑的正常颜色橙色的通道值进行对比，获取茂谷柑的HSV图像中的异常区域，由于异常区域中可能存在白色霉变区域，故为了区分白色霉变区域和茂谷柑上残留的碳酸钙粉末区域，先通过分析异常区域与青绿色的颜色异常程度，根据颜色异常程度初步对青绿色霉变的茂谷柑进行识别。
2、然后分析异常区域中底帽变换后的目标区域中连通域个数及白色像素点的分布密度，根据异常区域的连通域个数及白色像素点的分布密度及颜色异常程度综合计算异常区域的霉变概率，从而根据霉变概率确定霉变茂谷柑，即通过异常区域的连通域个数及白色像素点的分布密度实现对碳酸钙粉末和白色菌落进行准确区分，从而将白色菌落的霉变茂谷柑识别出来，进而实现对霉变茂谷柑的准确识别。
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为本发明的一种茂谷柑霉变的快速识别方法的实施例的结构示意图。
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。
本发明的一种茂谷柑霉变的快速识别方法的实施例，如图1所示，该方法包括：
S1、获取茂谷柑的HSV图像。
具体的，采集传送带上的茂谷柑图像，首先将采集得到的茂谷柑图像转化为灰度图像，通过大津阈值法将灰度图像转化为二值图，设定此时背景区域像素点值为0，将得到的二值图与原图像相乘，去除传送带背景区域，得到茂谷柑区域图像，并将茂谷柑区域图像转化为HSV图像。
S2、根据HSV图像中每种颜色对应通道的取值区间获取每个取值区间的通道值均值，将通道值均值作为每种颜色对应的标准通道值；根据橙色对应的标准通道值及HSV图像中每个像素点的通道值确定异常区域。
具体的，由于HSV图像中每个像素点的H通道反映的是色度，S通道反映的是饱和度，V通道反映的是亮度，且茂谷柑的正常颜色为橙色，发生霉变时为青绿色或者白色，故颜色先区分出HSV图像中异常区域，即非橙色区域；故根据颜色对照表先找出颜色对照表中橙色对应的通道的取值区间，即橙色的H通道的取值区间为(11,25)、橙色的S通道的取值区间为(43,255)、橙色的V通道的取值区间为(46,255)，然后，根据各个通道对应的取值区间计算取值区间的通道值均值，其中，计算取值区间的通道值均值的步骤为：对每个通道值的取值区间的最大值和最小值求均值得到橙色对应的每个通道值的取值区间对应的通道值均值，即得到的橙色的通道H、S、V对应的标准通道值依次为（18，149，150），同理，即可得到其他颜色对应的标准通道值；
具体的，由于茂谷柑的正常颜色为橙色，发生霉变时为青绿色或者白色，且由于本发明中受涂抹碳酸钙粉末影响，故先将橙色区域和其他区域区分开来，具体的，本实施例采用计算像素点与茂谷柑的正常颜色为橙色之间的欧式距离，故本实施例，先设定第一标准点，将橙色对应通道的标准通道值作为第一标准点的通道值，根据HSV图像中每个像素点的通道值与第一标准点的通道值计算像素点与第一标准点的第一欧式距离；将第一欧式距离大于预设的欧氏距离阈值的像素点记为非橙色像素点；将非橙色像素点构成的区域记为异常区域，其中，计算HSV图像中每个像素点与第一标准点之间的欧式距离公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示HSV图像中像素点
Figure DEST_PATH_IMAGE006
与橙色的欧式距离；
Figure DEST_PATH_IMAGE008
表示HSV图像中像素点
Figure 887951DEST_PATH_IMAGE006
对应的
Figure DEST_PATH_IMAGE010
通道的通道值；
Figure DEST_PATH_IMAGE012
表示HSV图像中像素点
Figure 273933DEST_PATH_IMAGE006
对应的
Figure DEST_PATH_IMAGE014
通道的通道值；
Figure DEST_PATH_IMAGE016
表示HSV图像中像素点
Figure 647146DEST_PATH_IMAGE006
对应的
Figure DEST_PATH_IMAGE018
通道的通道值；
Figure DEST_PATH_IMAGE020
表示HSV图像中
Figure 511196DEST_PATH_IMAGE010
通道对应的权重；
Figure DEST_PATH_IMAGE022
表示HSV图像中
Figure 669776DEST_PATH_IMAGE014
通道对应的权重；
Figure DEST_PATH_IMAGE024
表示HSV图像中
Figure 757818DEST_PATH_IMAGE018
通道对应的权重，由于在HSV图像中每个像素点的H通道反映的是色度，而色度对颜色的影响最大，故本实施例设定H通道的权重
Figure 228114DEST_PATH_IMAGE020
为0.8、S通道和V通道的权重
Figure DEST_PATH_IMAGE026
均为0.1；
需要说明的是，HSV图像中每个像素点与第一标准点之间的欧式距离表示的是在HSV颜色空间中的像素点对应的颜色与橙色的欧式色离，其是反映出该像素点与橙色的颜色的近似程度，其值越小，说明该像素点的颜色越趋近于橙色，故，本实施例根据经验值设定欧式距离阈值为10，当像素点与第一标准点之间的欧式距离大于欧式距离阈值时，则认为该像素点为非橘色像素点，即先作为异常像素点，所有非橘色像素点构成的区域即为异常区域。
S3、根据青绿色对应的标准通道值、异常区域中每个像素点对应的通道值计算异常区域中每个像素点的颜色异常程度。
由于，柑橘表面发生霉变时极大可能出现白色霉菌菌落或者青绿色霉菌菌落，故在获取的异常区域的基础上，再获取异常区域中的青绿色霉变区域，故本实施例，先判断异常区域中像素点的颜色与青绿色的颜色相近程度，即欧式色矩。
具体的，根据青绿色对应的标准通道值、异常区域中每个像素点对应的通道值计算异常区域中每个像素点的颜色异常程度的步骤包括：设置第二标准点，并将HSV图像中青绿色对应的标准通道值作为第二标准点的对应的通道值；计算第二标准点与异常区域中每个像素点的第二欧式距离；根据异常区域中每个像素点的第二欧式距离得到对应像素点的颜色异常程度。
其中，HSV图像中青绿色对应的标准通道值的获取步骤：据颜色对照表先找出颜色对照表中青绿色对应的通道的取值区间，即青绿色的H通道的取值区间为(35,99)、青绿色的S通道的取值区间为(43,255)、青绿色的V通道的取值区间(46,255)，则青绿色的通道H、S、V对应的标准通道值依次为(67,149,150)，将青绿色的通道H、S、V对应的标准通道值(67,149,150)作为第二标准点的通道值，然后在计算第二标准点与异常区域中每个像素点的第二欧式距离，需要说明的是，计算第二标准点与异常区域中每个像素点的第二欧式距离的方法与计算HSV图像中每个像素点与第一标准点之间的欧式距离的方法相同，且都为现有技术，本实施例不再赘述，其中，计算异常区域中像素点的颜色异常程度的公式：
Figure DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE030
表示异常区域中像素点
Figure 286068DEST_PATH_IMAGE006
的颜色异常程度；
Figure DEST_PATH_IMAGE032
表示异常区域中像素点
Figure 423789DEST_PATH_IMAGE006
与第二标准点的第二欧式距离；
Figure DEST_PATH_IMAGE034
表示以常数e为底的指数函数；
需要说明的是，异常区域中像素点与第二标准点的第二欧式距离，反映的是异常区域中像素点的颜色与青绿色的相近程度，故，当第二欧式距离越小，则说明异常区域中的该像素的颜色与青绿色越相近，故可以将第二欧式距离越小的像素点认定为青绿色像素点，即发生霉变的青绿色霉变菌落中的像素点，同时，为了区分异常区域中的青绿色霉变区域与白色区域，以
Figure DEST_PATH_IMAGE036
表示对第二欧式距离进行归一化操作，将数据映射到0到1范围内，方便后续处理及设定阈值，故，本实施例设定颜色异常程度阈值为
Figure DEST_PATH_IMAGE038
，当异常区域中的像素点的颜色异常程度F大于颜色异常程度阈值，说明该像素点趋近于青绿色，认为该像素点为青绿色霉变区域点，直接判定霉变；反之，当求得的像素点的颜色异常程度F小于颜色异常程度阈值，说明该点为非青绿色，该点是否为白色霉变区域还需进行后续分析。
S4、对异常区域进行底帽变换得到目标区域，根据目标区域中的所有连通域的面积计算滑窗尺寸，通过滑窗对异常区域进行遍历，根据滑窗内白色像素点的数量及滑窗尺寸获取异常区域内白色像素点的分布密度，根据异常区域内白色像素点的分布密度、连通域的数量计算异常区域的粉化程度。
由于茂谷柑的表皮特性，撒上白粉时，粉末分布不均，其表面的白色粉末的密集程度称之为粉化程度，故可以通过分析异常区域的粉化程度来判断霉变概率，基于此，对异常区域进行底帽变换得到目标区域的具体步骤包括：将异常区域转化为二值图；对二值图进行形态学闭运算；将形态学闭运算处理后的图像减去异常区域得到目标区域；其中，转化二值图时，将异常区域中白色点的像素值置为1，其他颜色像素点的像素值置为0。然后对图像做形态学闭运算，即可得到闭运算后的图像，然后获取目标区域中的所有连通域，根据目标区域中的所有连通域的面积计算滑窗尺寸，具体的，计算所有连通域面积的面积均值；计算面积均值的根值；对根值进行向下取整处理得到的值即为滑窗的边长，计算滑窗的边长的公式：
Figure DEST_PATH_IMAGE040
式中，
Figure DEST_PATH_IMAGE042
表示的滑窗的边长，即滑窗的尺寸为
Figure 26940DEST_PATH_IMAGE042
*
Figure 46848DEST_PATH_IMAGE042
；
⌊⌋表示对所求得结果做向下取整操作；
Figure DEST_PATH_IMAGE044
表示目标区域中的第
Figure DEST_PATH_IMAGE046
个连通域的面积，即第
Figure 331330DEST_PATH_IMAGE046
个连通域中像素点的数量；
Figure DEST_PATH_IMAGE048
表示目标区域中连通域的总数；
需要说明的是，由于开平方根处理后的数据可能为非整数，故需要对面积均值的根值进行向下取整处理，由于碳酸钙粉末在茂谷柑上的目标区域中表现出来的连通域面积小，数量多，而对于霉变区域的连通域面积偏大，数量少，若出现霉变，每两个连通域面积的差值变化大，在取连通域的面积均值作为滑窗面积大小时，霉变区域与白粉区域在滑窗内白色像素点个数会存在差异，若未发生霉变，则表明全是碳酸钙粉末形成的连通域，故每两个连通域面积的差值变化较小，滑窗内白色像素点个数差异也会较小，从而用滑窗尺寸方便后续碳酸钙粉末和白色菌落区域进行区分。
通过滑窗对异常区域进行遍历，根据滑窗内白色像素点的数量及滑窗尺寸获取异常区域内白色像素点的分布密度的步骤包括：计算每个滑窗内白色像素点的数量与滑窗尺寸范围内所有像素点的数量占比；根据所有滑窗对应的数量占比计算数量占比方差；根据数量占比方差获取异常区域内白色像素点的分布密度，其中，计算异常区域内白色像素点的分布密度的公式：
Figure DEST_PATH_IMAGE050
式中，
Figure DEST_PATH_IMAGE052
表示异常区域内白色像素点的分布密度；
Figure DEST_PATH_IMAGE054
表示所有滑窗对应的数量占比计算的数量占比方差；
Figure 258310DEST_PATH_IMAGE034
表示以常数e为底的指数函数，
Figure DEST_PATH_IMAGE056
表示对数量占比方差
Figure 156996DEST_PATH_IMAGE054
进行归一化，方便后续操作及阈值选定；
其中，数量占比方差
Figure 664201DEST_PATH_IMAGE054
是为了反映所有数量占比的波动程度，即反映茂谷柑若未发生霉变，连通域面积差异较小，所有数量占比的波动程度较小，当发生霉变，连通域面积差异较大，所有数量占比的波动程度较大；
具体的，根据异常区域内白色像素点的分布密度、连通域的数量计算异常区域的粉化程度的步骤包括：对连通域的数量进行归一化得到归一化后的连通域数量；设定归一化后的连通域数量及分布密度对应的权值；计算归一化后的连通域数量的权值与归一化后的连通域数量乘积、分布密度对应的权值与分布密度的乘积；将两个乘积的和值作为异常区域的粉化程度，其中，由于分布密度相对于连通域数量对粉化程度影响最大，所以设定其权重应当大一些，建，因此，本实施例设定分布密度对应的权重b为0.6，连通域数量对应的权重a为0.4，故计算异常区域的粉化程度的公式为：
Figure DEST_PATH_IMAGE058
Figure DEST_PATH_IMAGE060
表示异常区域的粉化程度；
a表示连通域数量对应的权重；
b表示分布密度对应的权重；
Figure DEST_PATH_IMAGE062
表示归一化后的连通域数量；
Figure 80270DEST_PATH_IMAGE052
表示异常区域内白色像素点的分布密度；
其中，需要说明的是，由于茂谷柑表面凹凸不平，碳酸钙粉末会落在茂谷柑表面凹点处，其表现出来的连通域为数量多，且面积小的连通域，对于霉变区域其在茂谷柑表现出来的特征为面积大且数量少，基本上霉变区域是成片出现的，即对于茂谷柑上的碳酸钙粉末区域，其在目标区域中连通域的个数偏多，且连通域的面积偏小，而对于白色霉变菌落区域，其目标区域中连通域的数量偏少，且连通域的面积偏大故，当归一化后的连通域数量
Figure 989320DEST_PATH_IMAGE062
越趋近于1时，说明连通域个数越少，则霉变的概率越大，同理，当分布密度G越趋近于1的时，说明白色像素点分布的面积大，故霉变的概率越大，故根据连通域数量和连通域中像素点的分布密度来综合评定的异常区域的粉化程度。
S5、根据异常区域的粉化程度及颜色异常程度计算霉变概率，根据霉变概率对茂谷柑是否发生霉变进行识别。
具体的，设定粉化程度阈值和颜色异常程度阈值；当异常区域的粉化程度大于粉化程度阈值，则将异常区域的粉化程度作为霉变概率；当异常区域的粉化程度小于粉化程度阈值，且颜色异常程度小于预设颜色异常程度阈值，则将粉化程度与其对应的权重乘积、颜色异常程度与其对应的权重乘积的两个乘积的和值作为霉变概率；当颜色异常程度大于颜色异常程度阈值，则霉变概率为1；设定霉变概率阈值为0.7，当霉变概率大于0.7时，本实施例认为茂谷柑发生霉变。
本发明的一种茂谷柑霉变的快速识别方法，通过在HSV图像中对茂谷柑上的各个像素点的通道值与茂谷柑的正常颜色橙色的通道值进行对比，获取茂谷柑的HSV图像中的异常区域，由于异常区域中可能存在白色霉变区域，故为了区分白色霉变区域和茂谷柑上残留的碳酸钙粉末区域，先通过分析异常区域与青绿色的颜色异常程度，根据颜色异常程度初步对青绿色霉变的茂谷柑进行识别，然后分析异常区域中底帽变换后的目标区域中连通域个数及白色像素点的分布密度，根据异常区域的连通域个数及白色像素点的分布密度及颜色异常程度综合计算异常区域的霉变概率，从而根据霉变概率确定霉变茂谷柑，即通过异常区域的连通域个数及白色像素点的分布密度实现对碳酸钙粉末和白色菌落进行准确区分，从而将白色菌落的霉变茂谷柑识别出来，进而实现对霉变茂谷柑的准确识别。
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 (7)

1.一种茂谷柑霉变的快速识别方法，其特征在于，该方法包括：
获取茂谷柑的HSV图像；
根据HSV图像中每种颜色对应通道的取值区间获取每个取值区间的通道值均值，将通道值均值作为每种颜色对应的标准通道值；
根据橙色对应的标准通道值及HSV图像中每个像素点的通道值确定异常区域；
根据青绿色对应的标准通道值、异常区域中每个像素点对应的通道值计算异常区域中每个像素点的颜色异常程度；
对异常区域进行底帽变换得到目标区域，根据目标区域中的所有连通域的面积计算滑窗尺寸，通过滑窗对异常区域进行遍历，根据滑窗内白色像素点的数量及滑窗尺寸获取异常区域内白色像素点的分布密度，获取异常区域内白色像素点的分布密度的步骤为：计算每个滑窗内白色像素点的数量与滑窗尺寸范围内所有像素点的数量占比；根据所有滑窗对应的数量占比计算数量占比方差；根据数量占比方差获取异常区域内白色像素点的分布密度；
根据异常区域内白色像素点的分布密度、连通域的数量计算异常区域的粉化程度，计算异常区域的粉化程度的步骤为：对连通域的数量进行归一化得到归一化后的连通域数量；设定归一化后的连通域数量及分布密度对应的权值；计算归一化后的连通域数量的权值与归一化后的连通域数量乘积、分布密度对应的权值与分布密度的乘积；将两个乘积的和值作为异常区域的粉化程度；
根据异常区域的粉化程度及颜色异常程度计算霉变概率，根据霉变概率对茂谷柑是否发生霉变进行识别。
2.根据权利要求1所述的一种茂谷柑霉变的快速识别方法，其特征在于，根据HSV图像中每种颜色对应通道的取值区间获取每个取值区间的通道值均值的步骤包括：
根据颜色对照表获取HSV图像中橙色、青绿色对应的通道值的取值区间；
对每个通道值的取值区间的最大值和最小值求均值得到橙色、青绿色对应的每个通道值的取值区间对应的通道值均值。
3.根据权利要求1所述的一种茂谷柑霉变的快速识别方法，其特征在于，根据橙色对应的标准通道值及HSV图像中每个像素点的通道值确定异常区域的步骤包括：
设定第一标准点，将橙色对应通道的标准通道值作为第一标准点的通道值；
根据HSV图像中每个像素点的通道值与第一标准点的通道值计算像素点与第一标准点的第一欧式距离；
将第一欧式距离大于预设的欧氏距离阈值的像素点记为非橙色像素点；
将非橙色像素点构成的区域记为异常区域。
4.根据权利要求1所述的一种茂谷柑霉变的快速识别方法，其特征在于，根据青绿色对应的标准通道值、异常区域中每个像素点对应的通道值计算异常区域中每个像素点的颜色异常程度的步骤包括：
设置第二标准点，并将HSV图像中青绿色对应的标准通道值作为第二标准点的对应的通道值；
计算第二标准点与异常区域中每个像素点的第二欧式距离；
根据异常区域中每个像素点的第二欧式距离得到对应像素点的颜色异常程度。
5.根据权利要求1所述的一种茂谷柑霉变的快速识别方法，其特征在于，对异常区域进行底帽变换得到目标区域的步骤包括：
将异常区域转化为二值图；
对二值图进行形态学闭运算；
将形态学闭运算处理后的图像减去异常区域得到目标区域。
6.根据权利要求1所述的一种茂谷柑霉变的快速识别方法，其特征在于，根据目标区域中的所有连通域的面积计算滑窗尺寸的步骤包括：
计算所有连通域面积的面积均值；
计算面积均值的根值；
对根值进行向下取整处理得到的值即为滑窗的边长，并得到滑窗的尺寸。
7.根据权利要求1所述的一种茂谷柑霉变的快速识别方法，其特征在于，根据异常区域的粉化程度及颜色异常程度计算霉变概率的步骤包括：
设定粉化程度阈值和颜色异常程度阈值；
当异常区域的粉化程度大于粉化程度阈值，则将异常区域的粉化程度作为霉变概率；
当异常区域的粉化程度小于粉化程度阈值，且颜色异常程度小于预设颜色异常程度阈值，则将粉化程度与其对应的权重乘积、颜色异常程度与其对应的权重乘积的两个乘积的和值作为霉变概率；
当颜色异常程度大于颜色异常程度阈值，则霉变概率为1。
CN202211198888.5A 2022-09-29 2022-09-29 一种茂谷柑霉变的快速识别方法 Active CN115266736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211198888.5A CN115266736B (zh) 2022-09-29 2022-09-29 一种茂谷柑霉变的快速识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211198888.5A CN115266736B (zh) 2022-09-29 2022-09-29 一种茂谷柑霉变的快速识别方法

Publications (2)

Publication Number Publication Date
CN115266736A CN115266736A (zh) 2022-11-01
CN115266736B true CN115266736B (zh) 2022-12-13

Family

ID=83756953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211198888.5A Active CN115266736B (zh) 2022-09-29 2022-09-29 一种茂谷柑霉变的快速识别方法

Country Status (1)

Country Link
CN (1) CN115266736B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953776B (zh) * 2023-03-09 2023-05-23 聊城市检验检测中心 基于机器学习的食品检测系统
CN116012383B (zh) * 2023-03-28 2023-06-09 山东鑫晟生物技术股份有限公司 用于硫酸软骨素生产监测的数据处理方法
CN116485797B (zh) * 2023-06-25 2023-08-29 潍坊亚贝涂料有限公司 基于人工智能的涂料色差快速检测方法
CN116824586B (zh) * 2023-08-31 2023-12-01 山东黑猿生物科技有限公司 图像处理方法及应用该方法的黑蒜生产质量在线检测系统
CN117274293B (zh) * 2023-11-17 2024-03-15 广东省农业科学院动物科学研究所 基于图像特征的细菌菌落精确划分方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711317A (zh) * 2018-12-21 2019-05-03 重庆理工大学 基于区域特征的成熟柑橘果实及枝叶的分割识别方法
CN113537185A (zh) * 2020-04-10 2021-10-22 合肥美亚光电技术股份有限公司 葵花籽异常区域识别方法及装置、葵花籽分选方法及设备
CN114897898B (zh) * 2022-07-13 2022-09-30 江苏绿泉装饰工程有限公司 一种基于图像处理的木板质量分类方法
CN115078271B (zh) * 2022-08-23 2022-11-15 启东奈克斯特新材料科技有限公司 一种化纤面料上色质量检测及评估方法
CN115115645A (zh) * 2022-08-30 2022-09-27 南通林德安全设备科技有限公司 一种舌像腐腻特征数据识别检测方法及系统

Also Published As

Publication number Publication date
CN115266736A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN115266736B (zh) 一种茂谷柑霉变的快速识别方法
Ireri et al. A computer vision system for defect discrimination and grading in tomatoes using machine learning and image processing
Gomes et al. Applications of computer vision techniques in the agriculture and food industry: a review
Mohammadi et al. Detecting maturity of persimmon fruit based on image processing technique
Abdullah et al. Stepwise discriminant analysis for colour grading of oil palm using machine vision system
Blasco et al. Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features
Mim et al. Automatic detection of mango ripening stages–An application of information technology to botany
Fashi et al. The relationship between the appearance of pomegranate fruit and color and size of arils based on image processing
Ganiron Size properties of mangoes using image analysis
Lunadei et al. Monitoring of fresh-cut spinach leaves through a multispectral vision system
Lee et al. Robust color space conversion and color distribution analysis techniques for date maturity evaluation
Eissa et al. Understanding color image processing by machine vision for biological materials
Taghadomi-Saberi et al. Determination of Cherry Color Parameters during Rip ening by Artificial Neural Network Assisted Image Process ing Technique
Abdullah et al. Color vision system for ripeness inspection of oil palm elaeis guineensis
Gaston et al. Visible-near infrared hyperspectral imaging for the identification and discrimination of brown blotch disease on mushroom (Agaricus bisporus) caps
Herrero‐Langreo et al. Multispectral vision for monitoring peach ripeness
Santoyo-Mora et al. Nondestructive quantification of the ripening process in banana (musa aab simmonds) using multispectral imaging
Saldaña et al. Computer vision system in real-time for color determination on flat surface food
Yin et al. Detection of early bruises on loquat using hyperspectral imaging technology coupled with band ratio and improved Otsu method
Ropelewska et al. Effect of lacto-fermentation and freeze-drying on the quality of beetroot evaluated using machine vision and sensory analysis
Xia et al. Non-invasive measurement of soluble solid content and pH in Kyoho grapes using a computer vision technique
Alberto et al. A computer vision system for early detection of anthracnose in sugar mango (Mangifera indica) based on UV-A illumination
Pace et al. Adaptive self-configuring computer vision system for quality evaluation of fresh-cut radicchio
Palumbo et al. Computer vision system based on conventional imaging for non-destructively evaluating quality attributes in fresh and packaged fruit and vegetables
Shetty et al. A review of application of computer-vision for quality grading of food products

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