CN115439663A - 基于图像数据的荷香大曲质量识别方法 - Google Patents

基于图像数据的荷香大曲质量识别方法 Download PDF

Info

Publication number
CN115439663A
CN115439663A CN202211381525.5A CN202211381525A CN115439663A CN 115439663 A CN115439663 A CN 115439663A CN 202211381525 A CN202211381525 A CN 202211381525A CN 115439663 A CN115439663 A CN 115439663A
Authority
CN
China
Prior art keywords
embryo
koji
connected domain
yeast
gray value
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
CN202211381525.5A
Other languages
English (en)
Other versions
CN115439663B (zh
Inventor
杨秀丽
王杨阳
张盛飞
吴浩
凌晨
肖传栋
王福涛
王令玉
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.)
Kongfuyan Wine Co.,Ltd.
Original Assignee
Shandong Jingfa Kongfu Banquet Wine 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 Jingfa Kongfu Banquet Wine Co ltd filed Critical Shandong Jingfa Kongfu Banquet Wine Co ltd
Priority to CN202211381525.5A priority Critical patent/CN115439663B/zh
Publication of CN115439663A publication Critical patent/CN115439663A/zh
Application granted granted Critical
Publication of CN115439663B publication Critical patent/CN115439663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了基于图像数据的荷香大曲质量识别方法，涉及图像处理技术领域，该方法包括：获取待检测酒曲表面的HSV图像和灰度图像；利用HSV图像中像素点的HSV值确定出质量合格的待检测酒曲；对质量合格的待检测酒曲的灰度图像中多个曲胚连通域进行聚类得到多个聚簇；根据曲胚连通域的每个聚簇中像素点的灰度值以及像素点与聚簇中心的距离获取曲胚表面的光滑程度；利用曲胚连通域中最大频率的灰度值以及最大频率灰度值包含的像素点数量、聚簇的平均灰度值、曲胚连通域的光滑程度获取曲胚的松散程度；利用曲胚的松散程度对待检测酒曲进行质量分级，本发明提高了荷香大曲质量识别的准确性和效率。

Description

基于图像数据的荷香大曲质量识别方法
技术领域
本发明涉及图像处理技术领域，具体涉及基于图像数据的荷香大曲质量识别方法。
背景技术
荷香型白酒以高粱和鱼台大米为主要酿造原料，通过控制原料粉碎度、原料配比、加水比，制成独一无二的荷香型大曲，大曲是用于制作白酒的酶类物质，也称为酒曲。酒曲的好坏直接关系到酒的品质，通常优质酒曲的曲胚表面平整，外部呈现均匀的白色，曲胚致密、坚实，并且酒曲以块状佳，粉末状次之，粉末状酒曲质量不容易判定，同时可以掺假，且容易受潮霉变，易发生虫害，而块状酒曲质量容易鉴别，保存方便。
对于块状荷香大曲的质量的检测，部分工厂采用红外检测抽检的方法，但是红外检测需要搭建一定的操作环境，成本较高，且抽检并不能保证得到所有酒曲的质量等级，不同等级的酒曲被用于制作不同类型的酒，所以得不到准确质量等级的酒曲，就无法准确将酒曲分配制作相应类型的酒，导致酒的质量不佳，因此，需要基于图像数据的荷香大曲质量识别方法。
发明内容
本发明提供基于图像数据的荷香大曲质量识别方法，以解决现有的问题。
本发明的基于图像数据的荷香大曲质量识别方法采用如下技术方案：该方法包括：
获取待检测酒曲表面的HSV图像和灰度图像；
利用HSV图像中每个像素点的HSV值和设定的颜色阈值确定出质量合格的待检测酒曲；
对合格的待检测酒曲的灰度图像进行连通域分析得到多个曲胚连通域，利用每个曲胚连通域中像素点的灰度值对每个曲胚连通域中的像素点进行聚类得到多个聚簇；
根据曲胚连通域中每个聚簇中像素点的灰度值以及聚簇中像素点与聚簇中心的距离获取曲胚连通域对应的曲胚表面的光滑程度；
获取每个曲胚连通域中的最大频率的灰度值以及曲胚连通域中所有聚簇的平均灰度值；
利用曲胚连通域中最大频率的灰度值以及最大频率灰度值包含的像素点数量、聚簇的平均灰度值以及曲胚连通域的光滑程度获取曲胚连通域对应的曲胚的松散程度；
利用每个曲胚的松散程度得到灰度图像中所有曲胚的平均松散程度，利用所有曲胚的平均松散程度对待检测酒曲进行质量分级。
进一步，确定出质量合格的待检测酒曲的步骤包括：
获取HSV图像中每个像素点的H值；
若HSV图像中存在像素点的H值在设定的颜色阈值范围内，则该图像对应的待检测酒曲为质量不合格的酒曲；
若HSV图像中不存在像素点的H值在设定的颜色阈值范围内，则该图像对应的待检测酒曲为质量合格的酒曲。
进一步，利用每个曲胚连通域中像素点的灰度值对每个曲胚连通域中的像素点进行聚类得到多个聚簇的步骤包括：
利用像素点的灰度值对曲胚连通域中的像素点进行聚类；
将每个曲胚连通域中相同灰度值的像素点聚类为同一个聚簇，即曲胚连通域中，每个灰度值对应一个聚簇。
进一步，获取曲胚连通域对应的曲胚表面的光滑程度的公式为：
Figure 772929DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
表示第
Figure 130092DEST_PATH_IMAGE004
个曲胚连通域对应的曲胚表面的光滑程度；
Figure 100002_DEST_PATH_IMAGE005
表示曲胚连通域中第
Figure 153543DEST_PATH_IMAGE006
个聚簇中的第
Figure 100002_DEST_PATH_IMAGE007
个像素点到聚簇中心的距离，即曲胚连通域中第
Figure 372604DEST_PATH_IMAGE006
个灰度值对应的聚簇中第
Figure 518415DEST_PATH_IMAGE007
个像素点到聚簇中心的距离；
Figure 159612DEST_PATH_IMAGE008
表示该聚簇中像素点的数量；
Figure 100002_DEST_PATH_IMAGE009
表示曲胚连通域中第
Figure 721174DEST_PATH_IMAGE006
个灰度值；
Figure 131427DEST_PATH_IMAGE010
表示曲胚连通域中的最大灰度值；
Figure 100002_DEST_PATH_IMAGE011
表示曲胚连通域中的最小灰度值；
Figure 385822DEST_PATH_IMAGE012
为自然常数。
进一步，获取曲胚连通域对应的曲胚的松散程度的公式为：
Figure 248735DEST_PATH_IMAGE014
其中，
Figure 100002_DEST_PATH_IMAGE015
表示第
Figure 611059DEST_PATH_IMAGE004
个曲胚连通域对应的曲胚的松散程度；
Figure 141398DEST_PATH_IMAGE016
表示第
Figure 629011DEST_PATH_IMAGE004
个曲胚连通域中聚簇的数量；
Figure 100002_DEST_PATH_IMAGE017
表示第
Figure 182483DEST_PATH_IMAGE004
个曲胚连通域的灰度值的最大频率，
Figure 148165DEST_PATH_IMAGE018
表示第
Figure 533010DEST_PATH_IMAGE004
个曲胚连通域中最大频率的灰度值；
Figure 925945DEST_PATH_IMAGE009
表示曲胚连通域中第
Figure 29030DEST_PATH_IMAGE006
个灰度值；
Figure 801333DEST_PATH_IMAGE010
表示曲胚连通域中的最大灰度值；
Figure 775105DEST_PATH_IMAGE011
表示曲胚连通域中的最小灰度值；
Figure 604521DEST_PATH_IMAGE003
表示第
Figure 194902DEST_PATH_IMAGE004
个曲胚连通域对应的曲胚表面的光滑程度；
Figure 502387DEST_PATH_IMAGE012
为自然常数。
进一步，获取曲胚连通域的每个聚簇中的最大频率的灰度值的步骤包括：
获取曲胚连通域的每个聚簇中每个灰度值包含的像素点的数量；
利用聚簇中每个灰度值包含的像素点的数量与聚簇中像素点的总数量的比值得到每个灰度值在聚簇的频率；
获取曲胚连通域中每个聚簇的最大频率对应的灰度值。
进一步，对灰度图像中每个曲胚的松散程度求均值得到所有曲胚的平均松散程度。
进一步，利用所有曲胚的平均松散程度对待检测酒曲进行质量分级的步骤包括：
若曲胚的平均松散程度大于0小于等于第一松散度阈值，则曲胚对应的酒曲为优质酒曲；
若曲胚的平均松散程度大于第一松散度阈值小于等于第二松散度阈值，则曲胚对应的酒曲为一般酒曲；
若曲胚的平均松散程度大于第二松散度阈值，则曲胚对应的酒曲为劣质酒曲。
本发明的有益效果是：本发明的基于图像数据的荷香大曲质量识别方法，通过利用酒曲表面的HSV图像中像素点的HSV值进行颜色分析，判断待检测酒曲质量是否合格，因为酒曲在发酵过程中会发生颜色的变化以及表面形状特征的变化，利用图像中的颜色分析能直接确定出发生霉变的酒曲；并获取酒曲表面的灰度图像中的多个曲胚连通域，根据曲胚连通域中像素点的灰度值以及聚簇中像素点的密度获取曲胚表面的光滑程度，进而得到酒曲的松散程度，用于表示酒曲表面的形态特征，能够通过该形态特征对酒曲的质量进行等级区分，实现了自动对荷香大曲的质量等级识别，并且相对于抽检，本方案的检测结果更加全面准确，检测速度快，适合应用于大型企业生产中。
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为本发明的基于图像数据的荷香大曲质量识别方法的实施例总体步骤的流程图。
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。
本发明的基于图像数据的荷香大曲质量识别方法的实施例，如图1所示，该方法包括：
S1、获取待检测酒曲表面的HSV图像和灰度图像。
酒的生产过程中需要用到大量的酒曲，所以在制酒前需要对酒曲的质量进行检测。酒曲一般采用罐装存储，检测时对每一个罐装容器内的酒曲进行检测，将每罐的酒曲曲胚倒出平铺，通过高清相机俯视采集酒曲表面的RGB图像，采集图像时，需要保证酒曲表面的环境光照均匀。
为了能够使得颜色特征更明显，对采集得到的图像进行颜色转换。将RGB图像转换到HSV颜色空间中，因为HSV颜色模型相对于RGB图像更加能反映人的视觉对色彩的感觉，其中H定义颜色的波长，称为色调；S表示颜色的深浅程度，称为饱和度；V表示明度。RGB图像转HSV颜色空间为现有已知技术，在此不再赘述。
为了后续处理，将待检测酒曲表面的RGB图像进行灰度化处理，获得对应的灰度图像。
S2、利用HSV图像中每个像素点的HSV值和设定的颜色阈值确定出质量合格的待检测酒曲。
优质的荷香大曲的曲胚表面呈现白色，并且白色较为均匀，没有掺杂杂色。当盛装曲胚的容器清洁不到位，或出现其他污染时容易产生霉菌，酒曲通常产生的霉菌为黄曲霉菌，呈现黄绿色簇状的霉点，与正常的曲胚颜色有较为明显的区别，因此根据颜色特征对酒曲表面的是否存在霉点进行识别判断。
具体的，根据先验知识，在HSV颜色空间中黄曲霉菌的黄绿色的色调范围为
Figure DEST_PATH_IMAGE019
，设定颜色阈值为
Figure 799507DEST_PATH_IMAGE019
，获取HSV图像中每个像素点的H值，若图像中存在某个像素点的H值，在颜色阈值
Figure 799824DEST_PATH_IMAGE019
中，则认为曲胚的表面产生了霉菌，则该罐装容器内的酒曲质量不合格，不能进行酒的生产。
若图像中不存在某个像素点的H值在颜色阈值
Figure 611922DEST_PATH_IMAGE019
中，则认为该部分酒曲无颜色异常，未产生霉菌。
还需要对未产生霉菌的酒曲判断发酵质量，因为不同质量的酒曲生产酒的种类不同。
S3、对质量合格的待检测酒曲的灰度图像进行连通域分析得到多个曲胚连通域，利用每个曲胚连通域中像素点的灰度值对每个曲胚连通域中的像素点进行聚类得到多个聚簇。
对酒曲质量等级的判断，关键在于酒曲表面形态的变化，不同等级的酒曲的发酵程度不同，通常优质酒曲的曲胚表面光滑平整，颗粒均匀坚实，不易松散。因此根据酒曲曲胚的表面形态变化来判断酒曲在发酵过程中的质量。
酒曲曲胚表面的光滑程度越大，说明酒曲的质量越好。造成曲胚表面不光滑的原因是曲胚表面的原料出现掉落，表面会出现深浅不一的小凹坑，在图像上会有灰度的变化，凹坑越大，凹坑区域的灰度值越小，则表面的看起来越不平整，因此根据曲胚表面灰度的变化来判断曲胚表面的光滑程度。
具体的，对待检测酒曲表面的灰度图像进行Otsu大津阈值分割，获得多个曲胚连通域，每个曲胚连通域对应一个曲胚，Otsu大津阈值分割为现有公知技术，在此不再赘述。
利用像素点的灰度值对曲胚连通域中的像素点进行聚类，将每个曲胚连通域中相同灰度值的像素点聚类为同一个聚簇，即曲胚连通域中，每个灰度值对应一个聚簇。
S4、根据曲胚连通域中每个聚簇中像素点的灰度值以及聚簇中像素点与聚簇中心的距离获取曲胚连通域对应的曲胚表面的光滑程度。
曲胚连通域中聚簇的数量越多，说明该曲胚连通域的灰度值的变化越大，灰度值越小的聚簇中像素点的数量越多，说明该曲胚连通域的曲胚掉落的胚渣越多，曲胚表面的光滑程度越小，酒曲的质量越不好。
具体的，根据下式获取曲胚连通域对应的曲胚表面的光滑程度：
Figure 988677DEST_PATH_IMAGE020
其中，
Figure 934112DEST_PATH_IMAGE003
表示第
Figure 105330DEST_PATH_IMAGE004
个曲胚连通域对应的曲胚表面的光滑程度；
Figure 404724DEST_PATH_IMAGE005
表示曲胚连通域中第
Figure 788432DEST_PATH_IMAGE006
个聚簇中的第
Figure 122462DEST_PATH_IMAGE007
个像素点到聚簇中心的距离，即曲胚连通域中第
Figure 464581DEST_PATH_IMAGE006
个灰度值对应的聚簇中第
Figure 251272DEST_PATH_IMAGE007
个像素点到聚簇中心的距离；
Figure 438671DEST_PATH_IMAGE008
表示该聚簇中像素点的数量；
Figure 627207DEST_PATH_IMAGE009
表示曲胚连通域中第
Figure 874648DEST_PATH_IMAGE006
个灰度值；
Figure 163283DEST_PATH_IMAGE010
表示曲胚连通域中的最大灰度值；
Figure 154373DEST_PATH_IMAGE011
表示曲胚连通域中的最小灰度值；
Figure 197415DEST_PATH_IMAGE012
为自然常数。
Figure DEST_PATH_IMAGE021
表示对所有像素点与聚簇中心的距离求和，
Figure 553441DEST_PATH_IMAGE022
表示第
Figure 49145DEST_PATH_IMAGE006
个聚簇中所有像素点距聚类中心的平均距离；
Figure DEST_PATH_IMAGE023
表示利用指数函数对平均距离进行反比例归一化，即随着平均距离的增大，整体值越小，
Figure 47188DEST_PATH_IMAGE024
表示第
Figure 679157DEST_PATH_IMAGE006
个聚簇的灰度值与平均距离相乘，若聚簇的灰度值越小且像素点到聚簇中心的平均距离越小，则表示该聚簇越异常；
Figure DEST_PATH_IMAGE025
表示对所有聚簇得到的结果求和；
Figure 468734DEST_PATH_IMAGE026
表示该曲胚连通域中的灰度差异，灰度差异越大，说明曲胚连通域的异常程度越大，即曲胚表面越不平滑，对整体的结果进行归一化得到曲胚表面的光滑程度。
需要说明的是，若像素点到聚簇中心的距离越小，灰度越小，说明该聚簇的像素点为凹坑内的像素点的可能性较大，则曲胚表面光滑程度越低，因此利用到聚簇中心的平均距离和聚簇的灰度值来表示该聚簇的状态；且连通域的灰度差异越大，说明曲胚表面掉落的胚渣越多，胚表面光滑程度越低。
S5、获取每个曲胚连通域中的最大频率的灰度值以及曲胚连通域中所有聚簇的平均灰度值；利用曲胚连通域中最大频率的灰度值以及最大频率灰度值包含的像素点数量、聚簇的平均灰度值以及曲胚连通域的光滑程度获取曲胚连通域对应的曲胚的松散程度。
酒曲的松散程度是酒曲质量评价的以一个关键因素，酒曲以块状为佳，并且曲胚越紧实，质量越好。而曲胚表面的光滑程度在一定程度上也是对曲胚松散程度的表示，若曲胚越紧实，出现掉渣的可能就比较小，表面的光滑程度就会越大。所以根据表面的光滑程度计算曲胚的松散程度，光滑程度越大，则曲胚越紧实。
具体的，获取曲胚连通域的每个聚簇中每个灰度值包含的像素点的数量；利用聚簇中每个灰度值包含的像素点的数量与聚簇中像素点的总数量的比值得到每个灰度值在聚簇的频率；获取曲胚连通域中每个聚簇的最大频率对应的灰度值。
根据下式获取曲胚连通域对应的曲胚的松散程度：
Figure DEST_PATH_IMAGE027
其中，
Figure 654996DEST_PATH_IMAGE015
表示第
Figure 519047DEST_PATH_IMAGE004
个曲胚连通域对应的曲胚的松散程度；
Figure 5523DEST_PATH_IMAGE016
表示第
Figure 296827DEST_PATH_IMAGE004
个曲胚连通域中聚簇的数量；
Figure 767123DEST_PATH_IMAGE017
表示第
Figure 638127DEST_PATH_IMAGE004
个曲胚连通域的灰度值的最大频率，
Figure 513198DEST_PATH_IMAGE018
表示第
Figure 709824DEST_PATH_IMAGE004
个曲胚连通域中最大频率的灰度值；
Figure 401836DEST_PATH_IMAGE009
表示曲胚连通域中第
Figure 607690DEST_PATH_IMAGE006
个灰度值；
Figure 334337DEST_PATH_IMAGE010
表示曲胚连通域中的最大灰度值；
Figure 436285DEST_PATH_IMAGE011
表示曲胚连通域中的最小灰度值；
Figure 881173DEST_PATH_IMAGE003
表示第
Figure 359559DEST_PATH_IMAGE004
个曲胚连通域对应的曲胚表面的光滑程度；
Figure 940713DEST_PATH_IMAGE012
为自然常数。
Figure 479142DEST_PATH_IMAGE028
表示曲胚连通域的平均灰度值；
Figure DEST_PATH_IMAGE029
表示连通域的平均灰度值越大，灰度值
Figure 346079DEST_PATH_IMAGE018
对应的频率越大，松散程度越小，整体值变小。因为聚簇数量越少，说明图像的灰度变化越小，而整体的灰度值越大，则出现掉落的胚渣的数量越少，曲胚越紧实，松散程度越小。
灰度值越大，聚簇的数量越少，最大频数对应的灰度值越大，整体的松散程度越小。而乘以表面的光滑程度是因为曲胚越紧实，出现掉渣的可能性就比较小，表面的光滑程度就会越大，因此通过曲胚表面的光滑程度得到酒曲的松散程度，表面的光滑程度越大，整体的松散程度也越小。
S6、利用每个曲胚的松散程度得到灰度图像中所有曲胚的平均松散程度，利用所有曲胚的平均松散程度对待检测酒曲进行质量分级。
因为表面越光滑，说明酒曲在发酵的过程中没有出现掉渣的情况，曲胚就越紧实，松散程度越小。因此根据曲胚的松散程度能够评价酒曲的质量。
具体的，对灰度图像中每个曲胚的松散程度求均值得到所有曲胚的平均松散程度。不同松散程度的酒曲在生产过程中的应用不同，生产出来的酒的质量也不同。
若曲胚的平均松散程度大于0小于等于第一松散度阈值，即
Figure 628156DEST_PATH_IMAGE030
，则该曲胚对应的酒曲为优质酒曲；
若曲胚的平均松散程度大于第一松散度阈值小于等于第二松散度阈值，即
Figure DEST_PATH_IMAGE031
，则该曲胚对应的酒曲为一般酒曲；
若曲胚的平均松散程度大于第二松散度阈值，即
Figure 267079DEST_PATH_IMAGE032
，则该曲胚对应的酒曲为劣质酒曲。松散度阈值可根据实际情况进行调整。
综上所述，本发明提供基于图像数据的荷香大曲质量识别方法，通过利用酒曲表面的HSV图像中像素点的HSV值进行颜色分析，判断待检测酒曲质量是否合格，因为酒曲在发酵过程中会发生颜色的变化以及表面形状特征的变化，利用图像中的颜色分析能直接确定出发生霉变的酒曲；并获取酒曲表面的灰度图像中的多个曲胚连通域，根据曲胚连通域中像素点的灰度值以及聚簇中像素点的密度获取曲胚表面的光滑程度，进而得到酒曲的松散程度，用于表示酒曲表面的形态特征，能够通过该形态特征对酒曲的质量进行等级区分，实现了自动对荷香大曲的质量识别，并且相对于抽检，本方案的检测结果更加全面准确，检测速度快，适合应用于大型企业生产中。
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.基于图像数据的荷香大曲质量识别方法，其特征在于，该方法包括：
获取待检测酒曲表面的HSV图像和灰度图像；
利用HSV图像中每个像素点的HSV值和设定的颜色阈值确定出质量合格的待检测酒曲；
对合格的待检测酒曲的灰度图像进行连通域分析得到多个曲胚连通域，利用每个曲胚连通域中像素点的灰度值对每个曲胚连通域中的像素点进行聚类得到多个聚簇；
根据曲胚连通域中每个聚簇中像素点的灰度值以及聚簇中像素点与聚簇中心的距离获取曲胚连通域对应的曲胚表面的光滑程度；
获取每个曲胚连通域中的最大频率的灰度值以及曲胚连通域中所有聚簇的平均灰度值；
利用曲胚连通域中最大频率的灰度值以及最大频率灰度值包含的像素点数量、聚簇的平均灰度值以及曲胚连通域的光滑程度获取曲胚连通域对应的曲胚的松散程度；
利用每个曲胚的松散程度得到灰度图像中所有曲胚的平均松散程度，利用所有曲胚的平均松散程度对待检测酒曲进行质量分级。
2.根据权利要求1所述的基于图像数据的荷香大曲质量识别方法，其特征在于，确定出质量合格的待检测酒曲的步骤包括：
获取HSV图像中每个像素点的H值；
若HSV图像中存在像素点的H值在设定的颜色阈值范围内，则该图像对应的待检测酒曲为质量不合格的酒曲；
若HSV图像中不存在像素点的H值在设定的颜色阈值范围内，则该图像对应的待检测酒曲为质量合格的酒曲。
3.根据权利要求1所述的基于图像数据的荷香大曲质量识别方法，其特征在于，利用每个曲胚连通域中像素点的灰度值对每个曲胚连通域中的像素点进行聚类得到多个聚簇的步骤包括：
利用像素点的灰度值对曲胚连通域中的像素点进行聚类；
将每个曲胚连通域中相同灰度值的像素点聚类为同一个聚簇，即曲胚连通域中，每个灰度值对应一个聚簇。
4.根据权利要求1所述的基于图像数据的荷香大曲质量识别方法，其特征在于，获取曲胚连通域对应的曲胚表面的光滑程度的公式为：
Figure 397965DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示第
Figure 282876DEST_PATH_IMAGE004
个曲胚连通域对应的曲胚表面的光滑程度；
Figure DEST_PATH_IMAGE005
表示曲胚连通域中第
Figure 598451DEST_PATH_IMAGE006
个聚簇中的第
Figure DEST_PATH_IMAGE007
个像素点到聚簇中心的距离，即曲胚连通域中第
Figure 343072DEST_PATH_IMAGE006
个灰度值对应的聚簇中第
Figure 744097DEST_PATH_IMAGE007
个像素点到聚簇中心的距离；
Figure 760595DEST_PATH_IMAGE008
表示该聚簇中像素点的数量；
Figure DEST_PATH_IMAGE009
表示曲胚连通域中第
Figure 930676DEST_PATH_IMAGE006
个灰度值；
Figure 374427DEST_PATH_IMAGE010
表示曲胚连通域中的最大灰度值；
Figure DEST_PATH_IMAGE011
表示曲胚连通域中的最小灰度值；
Figure 731590DEST_PATH_IMAGE012
为自然常数。
5.根据权利要求1所述的基于图像数据的荷香大曲质量识别方法，其特征在于，获取曲胚连通域对应的曲胚的松散程度的公式为：
Figure 348516DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
表示第
Figure 307857DEST_PATH_IMAGE004
个曲胚连通域对应的曲胚的松散程度；
Figure 984826DEST_PATH_IMAGE016
表示第
Figure 94865DEST_PATH_IMAGE004
个曲胚连通域中聚簇的数量；
Figure DEST_PATH_IMAGE017
表示第
Figure 922006DEST_PATH_IMAGE004
个曲胚连通域的灰度值的最大频率，
Figure 128997DEST_PATH_IMAGE018
表示第
Figure 914550DEST_PATH_IMAGE004
个曲胚连通域中最大频率的灰度值；
Figure 574202DEST_PATH_IMAGE009
表示曲胚连通域中第
Figure 470613DEST_PATH_IMAGE006
个灰度值；
Figure 266531DEST_PATH_IMAGE010
表示曲胚连通域中的最大灰度值；
Figure 237634DEST_PATH_IMAGE011
表示曲胚连通域中的最小灰度值；
Figure 384582DEST_PATH_IMAGE003
表示第
Figure 84685DEST_PATH_IMAGE004
个曲胚连通域对应的曲胚表面的光滑程度；
Figure 688DEST_PATH_IMAGE012
为自然常数。
6.根据权利要求1所述的基于图像数据的荷香大曲质量识别方法，其特征在于，获取曲胚连通域的每个聚簇中的最大频率的灰度值的步骤包括：
获取曲胚连通域的每个聚簇中每个灰度值包含的像素点的数量；
利用聚簇中每个灰度值包含的像素点的数量与聚簇中像素点的总数量的比值得到每个灰度值在聚簇的频率；
获取曲胚连通域中每个聚簇的最大频率对应的灰度值。
7.根据权利要求1所述的基于图像数据的荷香大曲质量识别方法，其特征在于，对灰度图像中每个曲胚的松散程度求均值得到所有曲胚的平均松散程度。
8.根据权利要求1所述的基于图像数据的荷香大曲质量识别方法，其特征在于，利用所有曲胚的平均松散程度对待检测酒曲进行质量分级的步骤包括：
若曲胚的平均松散程度大于0小于等于第一松散度阈值，则曲胚对应的酒曲为优质酒曲；
若曲胚的平均松散程度大于第一松散度阈值小于等于第二松散度阈值，则曲胚对应的酒曲为一般酒曲；
若曲胚的平均松散程度大于第二松散度阈值，则曲胚对应的酒曲为劣质酒曲。
CN202211381525.5A 2022-11-07 2022-11-07 基于图像数据的荷香大曲质量识别方法 Active CN115439663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211381525.5A CN115439663B (zh) 2022-11-07 2022-11-07 基于图像数据的荷香大曲质量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211381525.5A CN115439663B (zh) 2022-11-07 2022-11-07 基于图像数据的荷香大曲质量识别方法

Publications (2)

Publication Number Publication Date
CN115439663A true CN115439663A (zh) 2022-12-06
CN115439663B CN115439663B (zh) 2023-02-17

Family

ID=84252663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211381525.5A Active CN115439663B (zh) 2022-11-07 2022-11-07 基于图像数据的荷香大曲质量识别方法

Country Status (1)

Country Link
CN (1) CN115439663B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007315967A (ja) * 2006-05-26 2007-12-06 Sharp Corp 欠陥検出装置、欠陥検出方法、欠陥検出プログラム、および、それを記録したコンピュータ読み取り可能な記録媒体
CN102305798A (zh) * 2011-08-02 2012-01-04 上海交通大学 基于机器视觉的玻璃缺陷的检测与分类方法
JP2019078640A (ja) * 2017-10-25 2019-05-23 Ｊｆｅスチール株式会社 表面欠陥検出方法及び表面欠陥検出装置
CN113538429A (zh) * 2021-09-16 2021-10-22 海门市创睿机械有限公司 基于图像处理的机械零件表面缺陷检测方法
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法
CN114782562A (zh) * 2022-06-18 2022-07-22 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能系统
CN114937037A (zh) * 2022-07-20 2022-08-23 武汉中导光电设备有限公司 产品缺陷检测方法、装置、设备及可读存储介质
CN115239729A (zh) * 2022-09-23 2022-10-25 南通欧瑞佳木业有限公司 一种基于直方图均衡化的新型建筑木材缺陷检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007315967A (ja) * 2006-05-26 2007-12-06 Sharp Corp 欠陥検出装置、欠陥検出方法、欠陥検出プログラム、および、それを記録したコンピュータ読み取り可能な記録媒体
CN102305798A (zh) * 2011-08-02 2012-01-04 上海交通大学 基于机器视觉的玻璃缺陷的检测与分类方法
JP2019078640A (ja) * 2017-10-25 2019-05-23 Ｊｆｅスチール株式会社 表面欠陥検出方法及び表面欠陥検出装置
CN113538429A (zh) * 2021-09-16 2021-10-22 海门市创睿机械有限公司 基于图像处理的机械零件表面缺陷检测方法
CN114445387A (zh) * 2022-01-29 2022-05-06 泗阳富艺木业股份有限公司 一种基于机器视觉的纤维板质量分类方法
CN114782562A (zh) * 2022-06-18 2022-07-22 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能系统
CN114937037A (zh) * 2022-07-20 2022-08-23 武汉中导光电设备有限公司 产品缺陷检测方法、装置、设备及可读存储介质
CN115239729A (zh) * 2022-09-23 2022-10-25 南通欧瑞佳木业有限公司 一种基于直方图均衡化的新型建筑木材缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
H. RONG等: ""Image Object Extraction Based on Semantic Detection and Improved K-Means Algorithm"", 《IEEE ACCESS》 *
陈瑞侠: ""基于机器视觉的织物疵点检测及分类方法研究"", 《中国优秀硕士学位论文全文数据库·工程科技Ⅰ辑》 *

Also Published As

Publication number Publication date
CN115439663B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
CN114913365A (zh) 基于机器视觉的人造板质量分类方法及系统
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN110210477B (zh) 一种数字式仪表读数识别方法
CN110230978A (zh) 一种耐火砖几何尺寸测量方法
CN109187553B (zh) 一种基于机器视觉的变质鸡蛋在线智能识别方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN108682012B (zh) 一种基于线扫激光的3d曲面玻璃表面平整性缺陷检测方法
CN115330645B (zh) 一种焊接图像增强方法
CN115205289B (zh) 基于视觉的软木地板原材料分级方法
CN115880299A (zh) 一种轻质混凝土复合自保温外墙板的质量检测系统
CN112381826B (zh) 边缘缺陷图像的二值化方法
CN109064479B (zh) 一种基于邻近视频帧灰度动态特征的海天线检测方法
CN110910367A (zh) 生物反应器细胞培养质量评价方法
CN116524196A (zh) 一种基于图像识别技术的输电线智能检测系统
CN111429361A (zh) 一种基于机器视觉的菌落计数方法
CN116559111A (zh) 一种基于高光谱成像技术的高粱品种识别方法
CN115439663B (zh) 基于图像数据的荷香大曲质量识别方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN110060239A (zh) 一种用于瓶子瓶口的缺陷检测方法
CN110009609A (zh) 一种快速检测黄粒米的方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN115222735B (zh) 一种基于麻点缺陷的金属模具质量检测方法
CN114550167B (zh) 一种基于人工智能的梨的品质分类方法及装置
CN114820597B (zh) 一种基于人工智能的冶炼品缺陷检测方法、装置及系统

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
CP01 Change in the name or title of a patent holder

Address after: 272300 no.198, Yufeng South Road West, Binhu street, Yutai County, Jining City, Shandong Province

Patentee after: Kongfuyan Wine Co.,Ltd.

Address before: 272300 no.198, Yufeng South Road West, Binhu street, Yutai County, Jining City, Shandong Province

Patentee before: Shandong Jingfa kongfu banquet wine Co.,Ltd.

CP01 Change in the name or title of a patent holder