CN115797925B - 一种鱼肉加工异物检测方法 - Google Patents
一种鱼肉加工异物检测方法 Download PDFInfo
- Publication number
- CN115797925B CN115797925B CN202310102042.5A CN202310102042A CN115797925B CN 115797925 B CN115797925 B CN 115797925B CN 202310102042 A CN202310102042 A CN 202310102042A CN 115797925 B CN115797925 B CN 115797925B
- Authority
- CN
- China
- Prior art keywords
- edge
- fishbone
- edges
- similar
- fish
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000005314 correlation function Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims description 21
- 210000000988 bone and bone Anatomy 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 235000013372 meat Nutrition 0.000 description 11
- 230000001629 suppression Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 210000002816 gill Anatomy 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 235000021067 refined food Nutrition 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种鱼肉加工异物检测方法,属于图像数据处理技术领域,该方法步骤包括:采集鱼肉加工过程中未剔除鱼刺的模板图像,获取模板图像中鱼刺主分布方向对应的置信区间,构建模板图像中鱼刺的位置‑长度相关性函数;采集鱼肉加工过程中已剔除鱼刺的待检测图像;根据每个像素点的梯度幅值,将同类边缘像素点连接成多条第一边缘和第二边缘,筛选出待连接第二边缘,将每条待连接第二边缘和周围同类连接程度最大的第一边缘连接成一条最终边缘线;根据最终边缘线确定鱼肉加工过程中的残留鱼刺异物;本发明能准确完成残留鱼刺边缘的检测,避免将伪边缘与鱼刺边缘混淆。
Description
技术领域
本发明属于图像数据处理技术领域,具体涉及一种鱼肉加工异物检测方法。
背景技术
在鱼肉加工过程中,生产商面临着鱼刺异物难题,即使是含刺量较少的鱼,也不可避免地存在细小鱼刺。一旦加工鱼肉食品中的鱼刺未被剔除干净,既会威胁到消费者的生命安全,也会严重影响企业的声誉和口碑。如何高效地进行鱼刺异物检测,确保鱼肉质量安全是生者企业和消费者都十分关注的问题,对于产能要求不高的高端鱼片,鱼刺检测的准确率要求较高。
现有技术中一般通过Canny边缘检测来识别鱼肉加工产品X光图像中的鱼刺,但由于鱼肉的厚度不均会对X光机成像造成影响,在利用Canny边缘算子对鱼肉加工过程中已剔除鱼刺的待检测图像进行边缘检测时,厚度不均的鱼肉在边缘检测时易形成与鱼刺边缘混淆的伪边缘,从而造成了将伪边缘与鱼刺边缘混淆,进而不能准确完成对残留鱼刺边缘的检测。
发明内容
本发明提供一种鱼肉加工异物检测方法,用于解决现有技术中在识别待检测图像中残留鱼刺异物边缘时,容易将鱼肉伪边缘与鱼刺边缘混淆,不能准确完成对残留鱼刺边缘检测的问题。
本发明的一种鱼肉加工异物检测方法采用如下技术方案:
采集鱼肉加工过程中未剔除鱼刺的模板图像;
获取模板图像中鱼刺的多个主分布方向,根据鱼刺的每个主分布方向分别确定鱼刺边缘像素点的每个标准梯度方向,同时获取每个标准梯度方向在预设浮动范围内的置信区间;
根据模板图像中每根鱼刺的位置和长度,构建出鱼刺的位置-长度相关性函数;
采集鱼肉加工过程中已剔除鱼刺的待检测图像,并获取待检测图像中每个像素点的梯度幅值和梯度方向;
分别计算待检测图像中每个像素点的梯度方向与每个标准梯度方向之间的差值,在最小差值对应的标准梯度方向的置信区间上完成对每个像素点梯度幅值的极大值检测,将通过极大值检测的像素点按其最小差值对应的标准梯度方向进行分类,得到多类边缘像素点;
根据每个像素点的梯度幅值,将同类边缘像素点连接成多条第一边缘和第二边缘;
根据同类每条第二边缘和第一边缘的方向、长度和鱼刺的位置-长度相关性函数,计算出每条第二边缘和周围每条同类第一边缘之间的连接程度;
根据每条第二边缘和周围每条同类第一边缘之间的连接程度筛选出多条待连接第二边缘,将每条待连接第二边缘和周围同类连接程度最大的第一边缘连接成一条最终边缘线;
根据最终边缘线确定鱼肉加工过程中的残留鱼刺异物。
进一步地,根据每个像素点的梯度幅值,将同类边缘像素点连接成多条第一边缘和第二边缘的步骤包括:
将每类边缘像素点中梯度幅值大于预设第一阈值的边缘像素点筛选出作为同类第一边缘像素点;
将每类边缘像素点中梯度幅值位于预设第二阈值和预设第一阈值之间的边缘像素点筛选出作为同类第二边缘像素点;其中,预设第一阈值大于预设第二阈值;
将连续且相邻的同类第一边缘像素点连接成多条同类第一边缘,同时将连续且相邻的同类第二边缘像素点连接成多条同类第二边缘。
进一步地,构建出鱼刺的位置-长度相关性函数的步骤包括:
获取模板图像中每根鱼刺边缘左端点的横坐标;
根据每根鱼刺边缘左端点的横坐标和该横坐标对应的鱼刺长度,构建出鱼刺的位置-长度相关性函数。
进一步地,每条第二边缘和周围每条同类第一边缘之间的连接程度的计算公式为:
其中,表示第条第二边缘和周围第条同类第一边缘之间的连接程度;表示第条第二边缘在中点处切线的斜率;表示第条同类第一边缘在中点处切线的斜率;表示第条第二边缘和周围第条同类第一边缘之间连接后的长度;表示将第条第二边缘的左端点的横坐标代入到位置-长度相关性函数中得到的鱼刺长度;表示现有归一化函数。
进一步地,根据每条第二边缘和周围每条同类第一边缘之间的连接程度筛选出多条待连接第二边缘的步骤包括:
当每条第二边缘和周围任一同类第一边缘之间的连接程度大于预设连接程度阈值时,将该条第二边缘筛选出作为待连接第二边缘。
进一步地,获取模板图像中鱼刺的多个主分布方向的步骤包括:
对模板图像的边缘检测结果进行霍夫空间变换,得到多组投票值;
将霍夫空间中极角相同的全部投票值累加,得到多组极角相同的累加投票值;
将排名位于第一位和第二位的累加投票值对应的两个极角,分别作为模板图像中鱼刺的第一主分布方向和第二主分布方向。
进一步地,根据鱼刺的每个主分布方向分别确定鱼刺边缘像素点的每个标准梯度方向的步骤包括:
根据鱼刺边缘像素点的梯度方向与分布方向垂直的条件,计算出鱼刺的每个主分布方向对应的标准梯度方向。
本发明的有益效果是:
本发明提供的一种鱼肉加工异物检测方法,先采集鱼肉加工过程中未剔除鱼刺的模板图像,基于鱼刺边缘的方向一致性获取模板图像中鱼刺的多个主分布方向,由于鱼刺边缘像素点的梯度方向与分布方向垂直,所以在获取鱼刺的多个主分布方向后,能根据鱼刺的多个主分布方向确定标准梯度方向;之后基于标准梯度方向的置信区间,对Canny边缘检测算法中的非极大值抑制算法进行梯度方向的改进;
对Canny边缘检测算法中的非极大值抑制算法进行改进后,更适合残留鱼刺异物的检测场景,能避免将由厚度不均的鱼肉在待检测图像中的伪边缘与鱼刺边缘混淆,因此在利用改进后的Canny边缘检测算法中的非极大值抑制算法,对待检测图像中每个像素点的梯度幅值的极大值检测,将通过极大值检测的像素点分为多类边缘像素点,其中,通过极大值检测的边缘像素点已经过滤掉大部分伪边缘,并且边缘像素点的类别数与标准梯度方向的个数相同;
同时针对鱼刺长度和鱼刺位置分布的规律性,构建出鱼刺的位置-长度相关性函数;根据梯度幅值,将同类边缘像素点连接成多条第一边缘和第二边缘;为了将属于同一根鱼刺的边缘线连接起来,作为完整的边缘输出,计算出每条第二边缘和周围每条同类第一边缘之间的连接程度,在计算连接程度时能进一步过滤掉伪边缘,根据连接程度筛选出多条待连接第二边缘,筛选后的待连接第二边缘认为是属于鱼刺的边缘,所以将每条待连接第二边缘和周围同类连接程度最大的第一边缘连接成一条最终边缘线,将最终边缘线作为完整的鱼刺边缘输出,提高了对鱼刺检验的准确率。
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为本发明的一种鱼肉加工异物检测方法的实施例总体步骤的示意图;
图2为本发明中鱼肉加工过程中未剔除鱼刺的模板图像示意图;
图3为本发明中鱼肉加工过程中已剔除鱼刺的待检测图像示意图。
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。
本发明的一种鱼肉加工异物检测方法的实施例,如图1所示,该方法包括:
S1、采集鱼肉加工过程中未剔除鱼刺的模板图像。
鱼肉加工食品的工艺流程为:首先,去除内脏,绕着鱼腮剪开,一直顺着中缝剪到鱼的尾部;接着,去除鱼头后,从缝隙轻轻拨开,去除鱼刺异物后合上拨开部分;最后,对去除异物的鱼肉按照需求切分,完成精加工。
对于高端鱼肉加工产品,前两步的高准确率至关重要,在第二步结束后,为了检测鱼刺的残余程度,需要获取X光图像进行鱼刺检测。图片由三部分组成:其一,黑色的背景;其二,残余鱼刺的密度较大,在X射线图像中表现为聚集的深色像素;其三,鱼肉的密度较小,相较于鱼刺的颜色更亮。因此,采集图像并进行预处理的过程为:
1)在鱼肉食品加工时在加工操作台的上方布置均匀的光源,利用X光机从正上方获取每条鱼的无鱼头X射线图像。
2)对采集到的X射线图像进行阈值分割,背景部分像素值为0,鱼肉和鱼刺部分的像素值为1。将分割结果作为掩膜与采集的X射线原图像相乘,去掉纯黑背景部分,保留鱼肉和鱼刺部分。
3)考虑到鱼体的厚薄和鱼刺的分布均不同,鱼背较厚,靠近鱼头处的鱼刺灰度值偏低,靠近鱼尾处的鱼刺灰度值偏高。因此,对去除黑背景后的图像进行自适应直方图均衡化,增强鱼肉和鱼骨的对比度,得到目标分析图像。
按照得到目标分析图像的方法获取鱼肉加工过程中未剔除鱼刺的模板图像。
S2、获取模板图像中鱼刺的多个主分布方向,根据鱼刺的每个主分布方向分别确定鱼刺边缘像素点的每个标准梯度方向,同时获取每个标准梯度方向在预设浮动范围内的置信区间。
获取模板图像中鱼刺的多个主分布方向的步骤包括:对模板图像的边缘检测结果进行霍夫空间变换,得到多组投票值;将霍夫空间中极角相同的全部投票值累加,得到多组极角相同的累加投票值;将排名位于第一位和第二位的累加投票值对应的两个极角,分别作为模板图像中鱼刺的第一主分布方向和第二主分布方向。
根据鱼刺的每个主分布方向分别确定鱼刺边缘像素点的每个标准梯度方向的步骤包括:根据鱼刺边缘像素点的梯度方向与分布方向垂直的条件,计算出鱼刺的每个主分布方向对应的标准梯度方向。
鱼刺是鱼的骨骼,具有一定的结构特点,对于已经剔除鱼刺的待检测图像,由于鱼刺含量少,因厚度不均产生的伪边缘影响较大,难以从待检测图像中准确的区分出鱼刺边缘和由于鱼肉不均而造成的伪边缘。如图2所示,为本发明中鱼肉加工过程中未剔除鱼刺的模板图像示意图,首先在模板图像中讨论,因为模板图像中有大量鱼刺存在时,伪边缘的影响较小,考虑到残留鱼刺大部分是由于在剔除鱼骨时,分叉鱼刺易脱离骨架后残留,同时由于同种类型鱼有相同的鱼刺分布特征,先由模板图像获取鱼刺的分布特征。
对模板图像进行Canny边缘检测后进行霍夫空间变换,在进行霍夫空间变换后可得到每组的投票值。由于各鱼刺边缘是平行的直线,在霍夫空间的投票值表现为相同、不同,将相同对应的多组投票值累加。由于鱼刺骨架呈树杈型,两侧分叉鱼刺沿平行方向等间隔分布,主要的鱼刺分布在鱼骨两侧,并且每侧鱼刺的分布方向相同,所以本实施例选取排名位于第一位和第二位的累加投票值对应的,确定两种分叉鱼刺的主方向和,由于规定拍摄X光片时将鱼水平放置在加工操作台上,因此不存在放置位置对主方向的影响。
根据鱼刺的每个主分布方向分别确定鱼刺边缘像素点的每个标准梯度方向的步骤包括:根据鱼刺边缘像素点的梯度方向与分布方向垂直的条件,计算出鱼刺的每个主分布方向对应的标准梯度方向。
鱼刺的主分布方向为和,根据鱼刺的第一主分布方向为来计算鱼刺边缘像素点的第一标准梯度方向。
其中,表示鱼刺边缘像素点的第一标准梯度方向;表示鱼刺的第一主分布方向;表示的正切值;表示的反函数;由于鱼刺边缘像素的梯度方向基本一致,且与鱼刺的主分布方向垂直,则斜率的乘积为-1,所以根据第一主分布方向的正切值计算第一标准梯度方向。同理,根据第二主分布方向的正切值计算第二标准梯度方向。由于鱼刺的主分布方向为和不可能为90度,分母一定不为0。
在得到鱼刺边缘像素点的第一标准梯度方向和第二标准梯度方向,由于实际上鱼刺边缘像素点的梯度方向与鱼刺主分布方向是近似垂直的,但是会存在一个较小的浮动区间。因此,对第一标准梯度方向添加随机项,得到第一标准梯度方向在预设浮动范围内的置信区间,对第二标准梯度方向添加随机项,得到第二标准梯度方向在预设浮动范围内的置信区间。本实施例中建议的取值为5度,实施者可根据具体实施场景要求进行调整。
S3、根据模板图像中每根鱼刺的位置和长度,构建出鱼刺的位置-长度相关性函数。
构建出鱼刺的位置-长度相关性函数的步骤包括:获取模板图像中每根鱼刺边缘左端点的横坐标;根据每根鱼刺边缘左端点的横坐标和该横坐标对应的鱼刺长度,构建出鱼刺的位置-长度相关性函数。
对模板图像进行边缘检测时,从模板图像的边缘检测结果中筛选出鱼刺边缘,同时获取鱼刺边缘的长度,由于鱼刺边缘的长度和鱼刺在模板图像中位置有相关性,所以根据模板图像中每根鱼刺的位置和长度,构建出鱼刺的位置-长度相关性函数来表现这种位置和长度的相关性特征,其中,位置-长度相关性函数中,表示鱼刺边缘左端点的横坐标,表示鱼刺边缘的长度。
S4、采集鱼肉加工过程中已剔除鱼刺的待检测图像,并获取待检测图像中每个像素点的梯度幅值和梯度方向。
在步骤S1中已经说明了获取鱼肉加工过程中未剔除鱼刺的模板图像的方法,按照获取鱼肉加工过程中未剔除鱼刺的模板图像的方法,获取鱼肉加工过程中已剔除鱼刺的待检测图像。如图3所示,为本发明中鱼肉加工过程中已剔除鱼刺的待检测图像示意图,在得到待检测图像后,获取待检测图像中每个像素点的梯度幅值和梯度方向。
S5、分别计算待检测图像中每个像素点的梯度方向与每个标准梯度方向之间的差值,在最小差值对应的标准梯度方向的置信区间上完成对每个像素点梯度幅值的极大值检测,将通过极大值检测的像素点按其最小差值对应的标准梯度方向进行分类,得到多类边缘像素点。
鱼刺形状纤细,是一些边缘点的集合,可以通过边缘检测来识别。但由于鱼肉加工产品存在厚度不均造成的伪边缘;在鱼肉加工完已经剔除鱼刺后,需要采集鱼肉加工过程中已剔除鱼刺的待检测图像判断鱼刺是否已经剔除干净,但如果使用通用的Canny边缘检测来检测残留鱼刺时会将残留鱼刺与伪边缘混淆,因此需要根据鱼刺的特点改进Canny边缘检测算法,使其更适用于当前场景。
通用的Canny边缘检测只通过对梯度幅值设置双阈值来抑制孤立弱边缘,但在残留鱼刺边缘检测的场景下,会将残留鱼刺与伪边缘混淆;相比由于厚度不均形成的伪边缘,目标边缘上像素的梯度方向具有一致性,因此通过改进通用边缘检测算法,在非极大值抑制时加入梯度方向的限制,由于同种类型鱼有相同的鱼刺分布特征,先由模板图像获取鱼刺分布特征,对Canny边缘检测加入梯度方向限制,更适用于残留鱼刺检测场景,可以准确地识别鱼肉加工过程中的残留鱼刺异物。
在鱼刺边缘的检测场景下,对待检测图像中每个像素点,分别计算待检测图像中每个像素点的梯度方向与第一标准梯度方向和第二标准梯度方向的差值,选择最小差值所对应的标准梯度方向;例如:若最小差值对应的标准梯度方向为,则在该标准梯度方向为对应的梯度方向置信区间上完成对梯度幅值的极大值检测,并将通过极大值检测的像素点标记为标准梯度方向上的边缘像素点,由于标准梯度方向有两个梯度方向,所以得到两类边缘像素点。
对像素点在所接近的梯度方向范围中进行极大值判断,这样得到的两类边缘像素点在梯度方向上具有一致性。若将同类边缘像素点相连,形成的边缘更加类似于一条短直线,只会有轻微的弧度,不会出现掉头拐弯的情况,与目标鱼刺边缘方向类似。
S6、根据每个像素点的梯度幅值,将同类边缘像素点连接成多条第一边缘和第二边缘。
根据每个像素点的梯度幅值,将同类边缘像素点连接成多条第一边缘和第二边缘的步骤包括:将每类边缘像素点中梯度幅值大于预设第一阈值的边缘像素点筛选出作为同类第一边缘像素点;将每类边缘像素点中梯度幅值位于预设第二阈值和预设第一阈值之间的边缘像素点筛选出作为同类第二边缘像素点;其中,预设第一阈值大于预设第二阈值;将连续且相邻的同类第一边缘像素点连接成多条同类第一边缘,同时将连续且相邻的同类第二边缘像素点连接成多条同类第二边缘。
在获取每个像素点的梯度幅值后,将梯度幅值设置高、低两个阈值,高阈值为预设第一阈值,低阈值为预设第二阈值;本实施例中,第一阈值和第二阈值可以根据具体情况选取,第一阈值的优选值为70,第二阈值的优选值为150。将每类边缘像素点中梯度幅值大于预设第一阈值的边缘像素点筛选出作为同类第一边缘像素点;将每类边缘像素点中梯度幅值位于预设第二阈值和预设第一阈值之间的边缘像素点筛选出作为同类第二边缘像素点,将连续且相邻的同类第一边缘像素点连接成多条同类第一边缘,同时将连续且相邻的同类第二边缘像素点连接成多条同类第二边缘;其中,第一边缘即为强边缘,第二边缘即为弱边缘。
S7、根据同类每条第二边缘和第一边缘的方向、长度和鱼刺的位置-长度相关性函数,计算出每条第二边缘和周围每条同类第一边缘之间的连接程度。
每条第二边缘和周围每条同类第一边缘之间的连接程度的计算公式为:
其中,表示第条第二边缘和周围第条同类第一边缘之间的连接程度;表示第条第二边缘在中点处切线的斜率;表示第条同类第一边缘在中点处切线的斜率;表示第条第二边缘和周围第条同类第一边缘之间连接后的长度;表示将第条第二边缘的左端点的横坐标代入到位置-长度相关性函数中得到的鱼刺长度;表示现有归一化函数。
在每条第二边缘和周围每条同类第一边缘之间的连接程度的计算公式中,越小,方向一致性越强,将鱼刺左端点的横坐标代入到鱼刺的位置-长度相关性函数中得到该位置鱼刺的理想长度,是两个边缘连接后的长度,与理想长度作差,差距越小,长度一致性越强。当方向一致性越强时,表示第条第二边缘和第条第一边缘方向一致,当长度一致性越强时,表示第条第二边缘和第条第一边缘连接起来后更接近鱼刺边缘,那么越需要将第条第二边缘和第条第一边缘连接。
S8、根据每条第二边缘和周围每条同类第一边缘之间的连接程度筛选出多条待连接第二边缘,将每条待连接第二边缘和周围同类连接程度最大的第一边缘连接成一条最终边缘线。
根据每条第二边缘和周围每条同类第一边缘之间的连接程度筛选出多条待连接第二边缘的步骤包括:当每条第二边缘和周围任一同类第一边缘之间的连接程度大于预设连接程度阈值时,将该条第二边缘筛选出作为待连接第二边缘。
由于,越大,表示越需要将第条第二边缘和第条第一边缘连接,所以,本实施例将预设连接程度阈值设置为0.7,当>0.7时,证明需要将该条第二边缘和周围同类第一边缘连接后作为一个最终边缘线输出。若一条第二边缘和周围同类多条第一边缘之间的连接程度均大于0.7时,先将每条第二边缘和周围每个同类第一边缘之间的连接程度筛选出多条待连接第二边缘,将每条待连接第二边缘和周围同类连接程度最大的第一边缘连接成一条最终边缘线。
S9、根据最终边缘线确定鱼肉加工过程中的残留鱼刺异物。
在得到最终边缘线后,将最终边缘线作为残留鱼刺异物边缘输出,可视化显示到相应的高清显示器上,清晰展现鱼刺所在位置,以便使用者在进行鱼肉加工时能直观的查看到残留鱼刺异物,及时将残留鱼刺异物取出并辅助完成精加工。
本发明提供一种鱼肉加工异物检测方法,基于鱼刺边缘的方向一致性,对Canny边缘检测算法中的非极大值抑制算法进行梯度方向的改进;对Canny边缘检测算法中的非极大值抑制算法进行改进后,更适合残留鱼刺异物的检测场景,能避免将由厚度不均的鱼肉在待检测图像中的伪边缘与鱼刺边缘混淆,同时计算每条第二边缘和周围每个同类第一边缘之间的连接程度,将同属于同一根鱼刺的第二边缘和第一边缘连接起来,作为完整的最终边缘线输出,提高了残留鱼刺检验的准确率。
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 (5)
1.一种鱼肉加工异物检测方法,其特征在于,该方法包括:
采集鱼肉加工过程中未剔除鱼刺的模板图像;
获取模板图像中鱼刺的多个主分布方向,根据鱼刺的每个主分布方向分别确定鱼刺边缘像素点的每个标准梯度方向,同时获取每个标准梯度方向在预设浮动范围内的置信区间;
根据模板图像中每根鱼刺的位置和长度,构建出鱼刺的位置-长度相关性函数;
构建出鱼刺的位置-长度相关性函数的步骤包括:获取模板图像中每根鱼刺边缘左端点的横坐标;根据每根鱼刺边缘左端点的横坐标和该横坐标对应的鱼刺长度,构建出鱼刺的位置-长度相关性函数;
采集鱼肉加工过程中已剔除鱼刺的待检测图像,并获取待检测图像中每个像素点的梯度幅值和梯度方向;
分别计算待检测图像中每个像素点的梯度方向与每个标准梯度方向之间的差值,在最小差值对应的标准梯度方向的置信区间上完成对每个像素点梯度幅值的极大值检测,将通过极大值检测的像素点按其最小差值对应的标准梯度方向进行分类,得到多类边缘像素点;
根据每个像素点的梯度幅值,将同类边缘像素点连接成多条第一边缘和第二边缘;
根据同类每条第二边缘和第一边缘的方向、长度和鱼刺的位置-长度相关性函数,计算出每条第二边缘和周围每条同类第一边缘之间的连接程度;
每条第二边缘和周围每条同类第一边缘之间的连接程度的计算公式为:
其中,表示第条第二边缘和周围第条同类第一边缘之间的连接程度;表示第条第二边缘在中点处切线的斜率;表示第条同类第一边缘在中点处切线的斜率;表示第条第二边缘和周围第条同类第一边缘之间连接后的长度;表示将第条第二边缘的左端点的横坐标代入到位置-长度相关性函数中得到的鱼刺长度;表示现有归一化函数;
根据每条第二边缘和周围每条同类第一边缘之间的连接程度筛选出多条待连接第二边缘,将每条待连接第二边缘和周围同类连接程度最大的第一边缘连接成一条最终边缘线;
根据最终边缘线确定鱼肉加工过程中的残留鱼刺异物。
2.根据权利要求1所述的一种鱼肉加工异物检测方法,其特征在于,根据每个像素点的梯度幅值,将同类边缘像素点连接成多条第一边缘和第二边缘的步骤包括:
将每类边缘像素点中梯度幅值大于预设第一阈值的边缘像素点筛选出作为同类第一边缘像素点;
将每类边缘像素点中梯度幅值位于预设第二阈值和预设第一阈值之间的边缘像素点筛选出作为同类第二边缘像素点;其中,预设第一阈值大于预设第二阈值;
将连续且相邻的同类第一边缘像素点连接成多条同类第一边缘,同时将连续且相邻的同类第二边缘像素点连接成多条同类第二边缘。
3.根据权利要求1所述的一种鱼肉加工异物检测方法,其特征在于,根据每条第二边缘和周围每条同类第一边缘之间的连接程度筛选出多条待连接第二边缘的步骤包括:
当每条第二边缘和周围任一同类第一边缘之间的连接程度大于预设连接程度阈值时,将该条第二边缘筛选出作为待连接第二边缘。
4.根据权利要求1所述的一种鱼肉加工异物检测方法,其特征在于,获取模板图像中鱼刺的多个主分布方向的步骤包括:
对模板图像的边缘检测结果进行霍夫空间变换,得到多组投票值;
将霍夫空间中极角相同的全部投票值累加,得到多组极角相同的累加投票值;
将排名位于第一位和第二位的累加投票值对应的两个极角,分别作为模板图像中鱼刺的第一主分布方向和第二主分布方向。
5.根据权利要求1所述的一种鱼肉加工异物检测方法,其特征在于,根据鱼刺的每个主分布方向分别确定鱼刺边缘像素点的每个标准梯度方向的步骤包括:
根据鱼刺边缘像素点的梯度方向与分布方向垂直的条件,计算出鱼刺的每个主分布方向对应的标准梯度方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102042.5A CN115797925B (zh) | 2023-02-13 | 2023-02-13 | 一种鱼肉加工异物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310102042.5A CN115797925B (zh) | 2023-02-13 | 2023-02-13 | 一种鱼肉加工异物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797925A CN115797925A (zh) | 2023-03-14 |
CN115797925B true CN115797925B (zh) | 2023-04-28 |
Family
ID=85430932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310102042.5A Active CN115797925B (zh) | 2023-02-13 | 2023-02-13 | 一种鱼肉加工异物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797925B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005229913A (ja) * | 2004-02-19 | 2005-09-02 | Misako Kira | 魚体処理装置 |
WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
CN115311279A (zh) * | 2022-10-11 | 2022-11-08 | 南通堰洲家用纺织品有限公司 | 一种织物经纬瑕疵的机器视觉识别方法 |
CN115431239A (zh) * | 2022-10-11 | 2022-12-06 | 中航西安飞机工业集团股份有限公司 | 鱼刺状缘条设计点位快速标定工作台 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114923404B (zh) * | 2022-04-15 | 2023-08-18 | 深圳市一博科技股份有限公司 | 一种金手指焊盘长度的测试方法 |
CN115082419B (zh) * | 2022-07-14 | 2022-12-09 | 江苏诺阳家居科技有限公司 | 一种吹塑箱包生产缺陷检测方法 |
-
2023
- 2023-02-13 CN CN202310102042.5A patent/CN115797925B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005229913A (ja) * | 2004-02-19 | 2005-09-02 | Misako Kira | 魚体処理装置 |
WO2019041590A1 (zh) * | 2017-08-31 | 2019-03-07 | 中国科学院微电子研究所 | 任意角度的边缘检测方法 |
CN115311279A (zh) * | 2022-10-11 | 2022-11-08 | 南通堰洲家用纺织品有限公司 | 一种织物经纬瑕疵的机器视觉识别方法 |
CN115431239A (zh) * | 2022-10-11 | 2022-12-06 | 中航西安飞机工业集团股份有限公司 | 鱼刺状缘条设计点位快速标定工作台 |
Also Published As
Publication number | Publication date |
---|---|
CN115797925A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
Gujjar et al. | A method for identification of basmati rice grain of india and its quality using pattern classification | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
CN115953398B (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
CN112330613A (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
CN113484867B (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
Tang et al. | Surface inspection system of steel strip based on machine vision | |
CN117152159B (zh) | 一种复杂布料印花瑕疵检测方法及系统 | |
CN115797925B (zh) | 一种鱼肉加工异物检测方法 | |
CN116342589B (zh) | 一种跨视场划痕缺陷连续性检测方法和系统 | |
Al-Kindi et al. | Breast sonogram and mammogram enhancement using hybrid and repetitive smoothing-sharpening technique | |
CN115861220A (zh) | 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统 | |
CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
CN114240920A (zh) | 一种外观缺陷检测方法 |
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 |