CN115496760B - 一种阿胶品质鉴定方法 - Google Patents
一种阿胶品质鉴定方法 Download PDFInfo
- Publication number
- CN115496760B CN115496760B CN202211437169.4A CN202211437169A CN115496760B CN 115496760 B CN115496760 B CN 115496760B CN 202211437169 A CN202211437169 A CN 202211437169A CN 115496760 B CN115496760 B CN 115496760B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- value
- gray
- weak edge
- gradient
- 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
Links
- 108010010803 Gelatin Proteins 0.000 title claims abstract description 63
- 229920000159 gelatin Polymers 0.000 title claims abstract description 63
- 239000008273 gelatin Substances 0.000 title claims abstract description 63
- 235000019322 gelatine Nutrition 0.000 title claims abstract description 63
- 235000011852 gelatine desserts Nutrition 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002238 attenuated effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 108010025899 gelatin film Proteins 0.000 abstract 1
- 239000000843 powder Substances 0.000 description 22
- 230000007547 defect Effects 0.000 description 17
- 238000001816 cooling Methods 0.000 description 4
- 238000007373 indentation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000001256 tonic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种阿胶品质鉴定方法，涉及图像处理领域，该方法包括：获取待检测阿胶片的灰度图像；对灰度图像中的像素点进行聚类，将灰度梯度均值大的类别中的像素点为灰度图像中的强边缘像素点；利用每个像素点的局部亮度值和灰度梯度变化差值得到每个像素点的弱边缘可能性；利用每个初始弱边缘像素点所在目标聚类的梯度方向均值和灰度梯度均值进行像素点延伸，得到灰度图像中的目标弱边缘像素点；根据强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比得到阿胶品质等级，本发明提高了对阿胶品质外观品质等级鉴定的准确性。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种阿胶品质鉴定方法。
背景技术
阿胶是一种中药补品，具有较高的外观品质要求，如果阿胶制品的品相不好，会影响阿胶制品的售卖，降低工厂收益。阿胶制作过程中，凉胶工艺中经常出现的影响外观的缺陷为漏粉条现象，漏粉条现象为阿胶凉胶时在凉胶床上所形成的压痕，所以在实际生产中要对外观品质鉴定，就需要检测阿胶表面的漏粉条现象，以用于阿胶凉胶工艺的优化。
传统方法利用边缘检测算法对阿胶表面进行漏粉条检测，由于不同漏粉条现象的边缘深浅不同，即存在强边缘和弱边缘，边缘检测只能得到阿胶表面的图像中灰度差异较大的边缘像素点，进而利用边缘像素点得到漏粉条现象的强边缘，完成阿胶的漏粉条检测，但是由于漏粉条现象还存在部分灰度差异较小的弱边缘，传统的边缘检测算法检测不到，所以存在漏检现象，得到的漏粉条缺陷不完整、不准确，进而导致阿胶的外观品质鉴定不准确，因此，本发明提出一种阿胶品质鉴定方法。
发明内容
本发明提供一种阿胶品质鉴定方法，以解决现有的问题。
本发明的一种阿胶品质鉴定方法，采用如下技术方案：
获取待检测阿胶片的灰度图像，并获取灰度图像中所有像素点的灰度梯度值和梯度方向；
利用灰度梯度值对灰度图像中的像素点进行聚类得到两个类别，将像素点的灰度梯度均值大的类别中的像素点作为灰度图像中的强边缘像素点；
利用每个像素点的邻域像素点的灰度值得到每个像素点的局部亮度值；
利用每个像素点的坐标和梯度方向进行聚类得到多个目标聚类，利用每个像素点的灰度梯度值和所在目标聚类的灰度梯度均值得到每个像素点的灰度梯度变化差值；
利用每个像素点的局部亮度值和灰度梯度变化差值得到每个像素点为弱边缘像素点的可能性，记为弱边缘可能性；
利用弱边缘可能性对像素点进行二分类得到两个聚簇，利用每个聚簇中像素点的弱边缘可能性均值得到初始弱边缘像素点；
将每个初始弱边缘像素点沿着所在目标聚类的梯度方向均值的方向进行延伸，每延伸一个像素点，初始弱边缘像素点的灰度梯度值衰减一次，利用初始弱边缘像素点的灰度梯度值和所在目标聚类的灰度梯度均值得到初始弱边缘像素点的衰减次数，利用每个初始弱边缘像素点的衰减次数得到延伸的像素点，作为目标弱边缘像素点；
根据灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比得到阿胶品质等级。
进一步，得到每个像素点的灰度梯度变化差值的步骤包括：
获取每个像素点的灰度梯度值与所在目标聚类的灰度梯度均值的差值的绝对值作为每个像素点的灰度梯度变化差值。
进一步，得到每个像素点的弱边缘可能性的步骤包括：
对每个像素点的局部亮度值进行反比例归一化得到每个像素点的局部亮度归一化值；
利用每个像素点的局部亮度归一化值与灰度梯度变化差值的乘积得到每个像素点的弱边缘可能性。
进一步，得到每个像素点的局部亮度值的步骤包括：
以每个像素点为中心建立窗口；
将每个像素点的窗口中所有像素点的灰度均值作为窗口中心的像素点的局部亮度值。
进一步，利用每个聚簇中像素点的弱边缘可能性均值得到初始弱边缘像素点的步骤包括：
获取每个聚簇中的像素点的弱边缘可能性均值；
将弱边缘可能性均值大的聚簇中的像素点作为初始弱边缘像素点。
进一步，将目标聚类中所有像素点的梯度方向的均值作为目标聚类的梯度方向均值。
进一步，得到阿胶品质等级的步骤包括：
若灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比小于设定的第一占比阈值，则灰度图像对应的阿胶为高等阿胶；
若灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比大于或者等于第一占比阈值小于第二占比阈值，则灰度图像对应的阿胶为中等阿胶；
若灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比大于或者等于第二占比阈值，则灰度图像对应的阿胶为低等阿胶。
本发明的有益效果是：本发明的一种阿胶品质鉴定方法，利用灰度梯度值对灰度图像中的像素点进行聚类得到了两个类别，利用灰度梯度均值大的类别得到了强边缘像素点，即灰度图像中漏粉条缺陷的明显的边缘部分；还存在部分边缘不够明显，对像素点的局部亮度值进行负相关映射，利用映射的值与灰度梯度变化差值的乘积得到弱边缘可能性，能够得到处于亮度较暗区域且灰度梯度变化差值大的处于强弱边缘的初始弱边缘像素点；将坐标相近且梯度方向相似的像素点进行聚类，即通过聚类将处于同一边缘线上的像素点聚到了一个目标聚类，通过初始弱边缘像素点所在目标聚类的梯度方向进行像素点延伸，获取所有的延伸像素点，即得到了漏粉条缺陷的弱边缘像素点，通过延伸得到了所有漏粉条缺陷的像素点，相对于传统的只能检测到强边缘的边缘检测算法，本发明得到的边缘更完整，即漏粉条缺陷的区域更准确，进而使得确定的阿胶的外观品质等级更加准确。
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为本发明的一种阿胶品质鉴定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。
本发明的一种阿胶品质鉴定方法的实施例，本方案仅进行阿胶外观品质鉴定，不鉴定阿胶成分、色泽、油孔类的缺陷，如图1所示，该方法包括：
S1、获取待检测阿胶片的灰度图像，并获取灰度图像中所有像素点的灰度梯度值和梯度方向。
具体的，将相机固定在生产平台的上方，俯视采集待检测阿胶的单面RGB图像；利用机械臂对待检测阿胶进行翻面，方面后利用相机俯视采集待检测阿胶的另一个单面RGB图像。
构建DNN语义分割网络,网络结构为encoder-decoder，数据集为采集的阿胶单面图像，并对数据集进行人工标注，将标签分为两类，一类为阿胶片，一类为背景，其中对于在数据集中属于阿胶片的像素点标注为1，对在数据集中属于背景区域的像素点标注为0，最终通过交叉熵损失函数，完成DNN语义分割网络的训练。将采集到单面RGB图像输入训练完成的DNN语义分割网络中，输出仅包含阿胶片的阿胶图像。
对输出的阿胶图像进行灰度化处理得到灰度图像。
利用sobel算子获取灰度图像中每个像素点的灰度梯度值和梯度方向。
S2、利用灰度梯度值对灰度图像中的像素点进行聚类得到两个类别，将像素点的灰度梯度均值大的类别中的像素点作为灰度图像中的强边缘像素点。
具体的，利用灰度图像中每个像素点的灰度梯度值对像素点进行K-means聚类，K=2，即对像素点进行二分类，得到两个类别，获取每个类别中像素点的灰度梯度均值；将灰度梯度均值大的类别作为高梯度类别，灰度梯度均值小的类别作为低梯度类别。
将灰度图像中属于高梯度类别的像素点标记为1，将低梯度类别中的像素点标记为0，得到灰度图像的二值图，其中，高梯度类别中的像素点为灰度图像中的强边缘像素点，即灰度图像中漏粉条缺陷的强明显边缘的像素点。
S3、利用每个像素点的邻域像素点的灰度值得到每个像素点的局部亮度值；利用每个像素点的坐标和梯度方向进行聚类得到多个目标聚类，利用每个像素点的灰度梯度值和所在目标聚类的灰度梯度均值得到每个像素点的灰度梯度变化差值。
阿胶表面的漏粉条缺陷为阿胶凉胶时在凉胶床上所形成的压痕，压痕是线性连续的，且呈现网状结构，即漏粉条缺陷的边缘是连续的，由强边缘向弱边缘延伸，边缘的明显程度不断下降，直到边缘消失。但是在边缘消失的过程中，可能是由于不存在漏粉条缺陷了，也可能是局部灰度过暗，导致漏粉条现象观察不到，所以综合考虑像素点的局部亮度值和灰度梯度差值确定像素点的弱边缘可能性。
根据每个像素点的邻域像素点计算每个像素点的局部亮度值。具体的：以每个像素点为中心建立窗口，本方案中设定窗口尺寸为5*5，窗口尺寸可由实施者根据具体实施场景进行调整；获取每个像素点的窗口中所有像素点的灰度均值作为窗口中心的像素点的局部亮度值。
利用每个像素点的梯度方向和坐标进行DBSCAN聚类得到多个目标聚类，用于将坐标相近、梯度方向相近的像素点聚为一类，即通过坐标和梯度方向将属于同一段边缘线的像素点聚为一类，获取每个目标聚类中像素点的灰度梯度均值。
获取每个像素点的灰度梯度值与所在目标聚类的灰度梯度均值的差值的绝对值作为每个像素点的灰度梯度变化差值，具体计算灰度梯度变化差值的公式为：
其中，表示第个像素点的灰度梯度变化差值，即第个像素点与所在目标聚类的灰度梯度均值的一致性；表示第个像素点的灰度梯度值；表示目标聚类中像素点的数量；表示第个像素点所在目标聚类中的第个像素点；表示第个像素点所在目标聚类中像素点的灰度梯度均值，利用像素点的灰度梯度值与所在目标聚类中的灰度梯度均值之间的差异得到像素点的灰度梯度变化差值；越大，表示第个像素点的灰度梯度值与目标聚类中的灰度梯度均值差异越大，越不具有梯度一致性，灰度梯度值变化大。
S4、利用每个像素点的局部亮度值和灰度梯度变化差值得到每个像素点为弱边缘像素点的可能性，记为弱边缘可能性。
具体的，利用每个像素点的局部亮度值和灰度梯度差值得到像素点为漏粉条缺陷的弱明显边缘的可能性，记为弱边缘可能性，根据下式计算每个像素点的弱边缘可能性：
其中，表示第个像素点的弱边缘可能性；表示第个像素点的局部亮度值；表示第个像素点的灰度梯度变化差值；表示以e为底的指数函数，e为自然常数；像素点的局部亮度值的值越大，表示像素点的局部灰度值较亮，便于观察，此时像素点的灰度梯度值不论大小，都属于强明显的边缘像素点，但是当灰度梯度值为0时，表明此处对应的表面光滑，属于阿胶外观品质较好的区域。像素点的局部亮度值的值越小，表示当前像素点的局部灰度值较暗，观测效果不好，越有可能存在弱边缘像素点，沿着第个像素点的梯度方向，即像素点与所在目标聚类中的灰度梯度变化差值较大，则表示很可能存在弱明显的漏粉条区域，即该像素点可能为弱边缘像素点，但是如果灰度梯度变化差值较小，则表示该像素点可能位于漏粉条现象的边界。所以利用exp指数函数对局部亮度值进行负相关映射，使得的值越小，的值越大，越有可能为弱边缘像素点。
S5、利用弱边缘可能性对像素点进行二分类得到两个聚簇，利用每个聚簇中像素点的弱边缘可能性均值得到初始弱边缘像素点。
具体的，利用弱边缘可能性对灰度图像中的像素点进行K-means聚类，K=2，即对像素点进行二分类，得到两个聚簇，获取每个聚簇中的像素点的弱边缘可能性均值，将弱边缘可能性均值较大的聚簇中的像素点作为初始弱边缘像素点。弱边缘可能性均值较大的聚簇中的初始弱边缘像素点具有较低的局部灰度值，观测效果不好，但又具有较高的灰度梯度变化差值，属于漏粉条缺陷由于光照不便于被观测的位置。
S6、将每个初始弱边缘像素点沿着所在目标聚类的梯度方向均值的方向进行延伸，每延伸一个像素点，初始弱边缘像素点的灰度梯度值衰减一次，利用初始弱边缘像素点的灰度梯度值和所在目标聚类的灰度梯度均值得到初始弱边缘像素点的衰减次数，利用每个初始弱边缘像素点的衰减次数得到延伸的像素点，作为目标弱边缘像素点。
具体的，获取每个初始弱边缘像素点所在的目标聚类的梯度方向均值和灰度梯度均值，将每个初始弱边缘像素点沿着所在目标聚类的梯度方向均值的方向进行延伸，每延伸一个像素点，初始弱边缘像素点的灰度梯度值衰减一次，每次衰减的值为初始弱边缘像素点所在目标聚类的灰度梯度均值，直到初始弱边缘像素点的灰度梯度值衰减为小于等于0，将初始弱边缘像素点延伸的每个像素点作为目标弱边缘像素点；例如初始弱边缘像素点的灰度梯度值为50，初始弱边缘像素点所在目标聚类的灰度梯度均值为10，第一次衰减，利用50-10=40，第二次衰减，利用40-10=30，衰减5次后，灰度梯度值为0 ，停止衰减，每衰减一次，延伸一个像素点，衰减5次，则延伸5个像素点，即得到5个目标弱边缘像素点。
得到的初始弱边缘像素点和目标弱边缘像素点都为灰度图像中的弱边缘像素点。
S7、根据灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比得到阿胶品质等级。
获取灰度图像中所有的强边缘像素点、初始弱边缘像素点、目标弱边缘像素点的总数量，即灰度图像中漏粉条缺陷的像素点总数量，获取漏粉条缺陷的像素点总数量在灰度图像中的占比。
若漏粉条缺陷的像素点总数量在灰度图像中的占比小于设定的第一占比阈值5%，则灰度图像对应的阿胶为高等阿胶。
若灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比大于等于第一占比阈值5%，且小于第二占比阈值10%，则灰度图像对应的阿胶为中等阿胶。
若灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比大于等于第二占比阈值10%，则灰度图像对应的阿胶为低等阿胶。占比阈值实施者可根据具体实施场景进行调整。
综上所述，本发明提供一种阿胶品质鉴定方法，利用灰度梯度值对灰度图像中的像素点进行聚类得到了两个类别，利用灰度梯度均值大的类别得到了强边缘像素点，即灰度图像中漏粉条缺陷的明显的边缘部分；还存在部分边缘不够明显，对像素点的局部亮度值进行负相关映射，利用映射的值与灰度梯度变化差值的乘积得到弱边缘可能性，能够得到处于亮度较暗区域且灰度梯度变化差值大的处于强弱边缘的初始弱边缘像素点；将坐标相近且梯度方向相似的像素点进行聚类，即通过聚类将处于同一边缘线上的像素点聚到了一个目标聚类，通过初始弱边缘像素点所在目标聚类的梯度方向进行像素点延伸，获取所有的延伸像素点，即得到了漏粉条缺陷的弱边缘像素点，通过延伸得到了所有漏粉条缺陷的像素点，相对于传统的只能检测到强边缘的边缘检测算法，本发明得到的边缘更完整，即漏粉条缺陷的区域更准确，进而使得确定的阿胶的外观品质等级更加准确。
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)
1.一种阿胶品质鉴定方法，其特征在于：
获取待检测阿胶片的灰度图像，并获取灰度图像中所有像素点的灰度梯度值和梯度方向；
利用灰度梯度值对灰度图像中的像素点进行聚类得到两个类别，将像素点的灰度梯度均值大的类别中的像素点作为灰度图像中的强边缘像素点；
利用每个像素点的邻域像素点的灰度值得到每个像素点的局部亮度值；
利用每个像素点的坐标和梯度方向进行聚类得到多个目标聚类，利用每个像素点的灰度梯度值和所在目标聚类的灰度梯度均值得到每个像素点的灰度梯度变化差值；
利用每个像素点的局部亮度值和灰度梯度变化差值得到每个像素点为弱边缘像素点的可能性，记为弱边缘可能性；
利用弱边缘可能性对像素点进行二分类得到两个聚簇，利用每个聚簇中像素点的弱边缘可能性均值得到初始弱边缘像素点；
将每个初始弱边缘像素点沿着所在目标聚类的梯度方向均值的方向进行延伸，每延伸一个像素点，初始弱边缘像素点的灰度梯度值衰减一次，利用初始弱边缘像素点的灰度梯度值和所在目标聚类的灰度梯度均值得到初始弱边缘像素点的衰减次数，利用每个初始弱边缘像素点的衰减次数得到延伸的像素点，作为目标弱边缘像素点；
若灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比小于设定的第一占比阈值，则灰度图像对应的阿胶为高等阿胶；
若灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比大于或者等于第一占比阈值小于第二占比阈值，则灰度图像对应的阿胶为中等阿胶；
若灰度图像中的强边缘像素点、初始弱边缘像素点和目标弱边缘像素点在灰度图像中的占比大于或者等于第二占比阈值，则灰度图像对应的阿胶为低等阿胶。
2.根据权利要求1所述的一种阿胶品质鉴定方法，其特征在于，得到每个像素点的灰度梯度变化差值的步骤包括：
获取每个像素点的灰度梯度值与所在目标聚类的灰度梯度均值的差值的绝对值作为每个像素点的灰度梯度变化差值。
3.根据权利要求1所述的一种阿胶品质鉴定方法，其特征在于，得到每个像素点的弱边缘可能性的步骤包括：
对每个像素点的局部亮度值进行反比例归一化得到每个像素点的局部亮度归一化值；
利用每个像素点的局部亮度归一化值与灰度梯度变化差值的乘积得到每个像素点的弱边缘可能性。
4.根据权利要求1所述的一种阿胶品质鉴定方法，其特征在于，得到每个像素点的局部亮度值的步骤包括：
以每个像素点为中心建立窗口；
将每个像素点的窗口中所有像素点的灰度均值作为窗口中心的像素点的局部亮度值。
5.根据权利要求1所述的一种阿胶品质鉴定方法，其特征在于，利用每个聚簇中像素点的弱边缘可能性均值得到初始弱边缘像素点的步骤包括：
获取每个聚簇中的像素点的弱边缘可能性均值；
将弱边缘可能性均值大的聚簇中的像素点作为初始弱边缘像素点。
6.根据权利要求1所述的一种阿胶品质鉴定方法，其特征在于，利用初始弱边缘像素点的灰度梯度值和所在目标聚类的灰度梯度均值得到初始弱边缘像素点的衰减次数的步骤包括：
初始弱边缘像素点的灰度梯度值每衰减一次，利用初始弱边缘像素点的灰度梯度值减去所在目标聚类的灰度梯度均值；
衰减多次，则利用初始弱边缘像素点的灰度梯度值多次减去所在目标聚类的灰度梯度均值，直到初始弱边缘像素点的灰度梯度值衰减为小于等于0，停止衰减，得到衰减次数。
7.根据权利要求1所述的一种阿胶品质鉴定方法，其特征在于，将目标聚类中所有像素点的梯度方向的均值作为目标聚类的梯度方向均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211437169.4A CN115496760B (zh) | 2022-11-17 | 2022-11-17 | 一种阿胶品质鉴定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211437169.4A CN115496760B (zh) | 2022-11-17 | 2022-11-17 | 一种阿胶品质鉴定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115496760A CN115496760A (zh) | 2022-12-20 |
| CN115496760B true CN115496760B (zh) | 2023-04-07 |
Family
ID=85115952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211437169.4A Active CN115496760B (zh) | 2022-11-17 | 2022-11-17 | 一种阿胶品质鉴定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115496760B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115689533B (zh) * | 2022-12-26 | 2023-03-07 | 安徽皖欣环境科技有限公司 | 一种用于废气监测及处理的智慧运维系统数据管理方法 |
| CN115994907B (zh) * | 2023-03-22 | 2023-06-06 | 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 |
| CN116758083B (zh) * | 2023-08-21 | 2023-10-31 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
| CN116934358B (zh) * | 2023-09-13 | 2023-12-15 | 澳润(山东)药业有限公司 | 基于信息验证的阿胶质量追溯方法及系统 |
| CN117011291B (zh) * | 2023-09-28 | 2023-12-08 | 高盈表业(深圳)有限公司 | 一种手表外壳质量视觉检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607419A (zh) * | 2017-08-10 | 2018-01-19 | 东阿阿胶股份有限公司 | 一种阿胶枣质地品质的鉴别方法 |
| WO2021003926A1 (zh) * | 2019-07-10 | 2021-01-14 | 南京中医药大学 | 一种阿胶及其制品的驴源性特征肽及其阿胶及其制品的鉴别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012115819A1 (en) * | 2011-02-24 | 2012-08-30 | 3M Innovative Properties Company | System for detection of non-uniformities in web-based materials |
| CN105989594B (zh) * | 2015-02-12 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| CN114994102B (zh) * | 2022-08-04 | 2022-10-25 | 武汉钰品研生物科技有限公司 | 基于x光的食品异物无痕快速检测方法 |
-
2022
- 2022-11-17 CN CN202211437169.4A patent/CN115496760B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607419A (zh) * | 2017-08-10 | 2018-01-19 | 东阿阿胶股份有限公司 | 一种阿胶枣质地品质的鉴别方法 |
| WO2021003926A1 (zh) * | 2019-07-10 | 2021-01-14 | 南京中医药大学 | 一种阿胶及其制品的驴源性特征肽及其阿胶及其制品的鉴别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115496760A (zh) | 2022-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115496760B (zh) | 一种阿胶品质鉴定方法 | |
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
| CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
| CN114494259B (zh) | 一种基于人工智能的布匹缺陷检测方法 | |
| CN115018828A (zh) | 一种电子元器件的缺陷检测方法 | |
| CN113781402A (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
| CN107025652A (zh) | 一种基于运动特性和颜色时空信息的火焰检测方法 | |
| CN110751089A (zh) | 基于数字图像和卷积特征的火焰目标检测方法 | |
| CN110288618B (zh) | 一种光照不均图像的多目标分割方法 | |
| JP2007174654A (ja) | 文書画像を示す走査データを処理するための方法 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN108830857B (zh) | 一种自适应的汉字碑帖图像二值化分割方法 | |
| CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
| CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
| CN115170567B (zh) | 一种船舶用的防水钢板缺陷检测方法 | |
| CN115147409A (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
| CN113252614A (zh) | 一种基于机器视觉的透明度检测方法 | |
| CN114240925A (zh) | 一种文档图像清晰度的检测方法及其系统 | |
| Saifullah et al. | Fish Detection Using Morphological Approach Based-on K-Means Segmentation | |
| CN110400320B (zh) | 一种电润湿缺陷像素的分割方法 | |
| CN115841600B (zh) | 基于深度学习的甘薯外观品质分类方法 | |
| CN116958113A (zh) | 一种产品检测方法、装置、设备及存储介质 | |
| CN109448010B (zh) | 一种基于内容特征的四方连续纹样自动生成方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20221220 Assignee: SHANDONG DONGE XINAORUN EJIAO PRODUCTS CO.,LTD. Assignor: Aorun (Shandong) Pharmaceutical Co.,Ltd. Contract record no.: X2023980044742 Denomination of invention: A method for quality identification of ass hide glue Granted publication date: 20230407 License type: Common License Record date: 20231026 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for quality identification of ass hide glue Granted publication date: 20230407 Pledgee: Shandong Dong'a Rural Commercial Bank Co.,Ltd. Pledgor: Aorun (Shandong) Pharmaceutical Co.,Ltd. Registration number: Y2024980007345 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |