CN115994907A - 用于食品检测机构综合信息的智能处理系统及方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于食品检测机构综合信息的智能处理系统及方法，通过获取待检测食品的表面图像的灰度图像和颜色空间图像，进而确定表面图像中每个像素点对应的梯度指标和颜色指标值。确定表面图像中每个像素点对应的食品变质特征二元组，进而确定表面图像中每个像素点对应的各食品变质特征判定值，从而确定表面图像中每个像素点对应的食品变质疏松系数，进而确定表面图像中的各个变质像素点，并最终确定待检测食品是否存在安全风险。本发明通过获取待检测食品的表面图像，并对该表面图像进行图像处理，最终可以准确确定待检测食品的安全检测结果，解决了现有食品安全检测结果不准确的问题。

Description

用于食品检测机构综合信息的智能处理系统及方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种用于食品检测机构综合信息的智能处理系统及方法。

背景技术

食品安全问题是人们日常生活中重要问题，为了实现食品的安全监管，食品检测机构按照国家标准对食品进行安全质量检测，其中又以过期变质食品与人们日常生活关系最为密切。

随着计算机视觉的发展，食品检测机构在进行食品变质检测时，可通过获取待检测食品表面的拍摄图像，并基于该拍摄图像进行食品变质情况的识别。例如，申请公布号为CN109543605A的中国专利文件就公开了一种基于卷积神经网络的食物变质管理方法，该方法通过将获取的食物图像输入到预先训练好的卷积神经网络模型中，由该卷积神经网络模型对食物图像进行识别处理，从而确定食物是否变质。但是，在采用卷积神经网络模型进行食品变质识别时，需要获取大量的图像对卷积神经网络模型进行训练，前期工作量大，且每检测一种食品都需要获取其对应的卷积神经网络模型，适用性较弱。另外，基于待检测食品拍摄图像中的灰度特征信息，也可以使用聚类算法对检测食品表面的变质区域进行识别，从而最终完成对变质食品的检测分析。虽然这种检测方法无需大量的前期准备工作，但是考虑到某些食品表面固有的结构特征，当食品正常区域与变质区域的灰度信息差别不大时，这种相似的灰度数值信息会影响最终聚类划分后食品中变质区域的聚类精度，从而导致食品安全检测结果不够准确。

发明内容

本发明的目的在于提供一种用于食品检测机构综合信息的智能处理系统及方法，用于解决现有相似的灰度数值信息会影响最终聚类划分后食品中变质区域的聚类精度，从而导致食品安全检测结果不准确的问题。

为解决上述技术问题，本发明提供了一种用于食品检测机构综合信息的智能处理方法，包括以下步骤：

获取待检测食品的表面图像，并获取表面图像的灰度图像和颜色空间图像；

确定灰度图像中每个像素点的梯度值，根据所述梯度值，确定灰度图像中每个像素点的梯度指标值，并根据颜色空间图像中每个像素点的各颜色通道值，确定颜色空间图像中每个像素点的颜色指标值；

在表面图像中以每个像素点为中心像素点，确定每个像素点对应的窗口，并根据所述窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值，以及所述窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值，确定表面图像中每个像素点对应的食品变质特征二元组；

根据表面图像中每个像素点对应的窗口中每个像素点对应的食品变质特征二元组，确定表面图像中每个像素点对应的各食品变质特征判定值，进而确定表面图像中每个像素点对应的食品变质疏松系数；

根据表面图像中每个像素点对应的食品变质疏松系数和位置，对表面图像中的所有像素点进行聚类，从而得到表面图像中的各个变质像素点，进而确定待检测食品是否存在安全风险。

进一步的，确定表面图像中每个像素点对应的食品变质特征二元组，包括：

根据所述窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值，计算所有梯度指标值的均值，从而得到梯度指标值均值；

根据所述窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值，计算颜色指标值的均值，从而得到颜色指标值均值；

将所述窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值与梯度指标值均值进行比较，若梯度指标值大于梯度指标值均值，则将所述窗口中对应像素点的第一食品变质特征设置为第一取值，否则将所述窗口中对应像素点的第一食品变质特征设置为第二取值；

将所述窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值与颜色指标值均值进行比较，若颜色指标值大于颜色指标值均值，则将所述窗口中对应像素点的第二食品变质特征设置为第三取值，否则将所述窗口中对应像素点的第二食品变质特征设置为第四取值；

所述窗口中每个像素点的第一食品变质特征和第二食品变质特征构成所述窗口中每个像素点对应的食品变质特征二元组。

进一步的，确定表面图像中每个像素点对应的各食品变质特征判定值，包括：

对于表面图像中每个像素点对应的窗口，将所述窗口中除中心像素点以外的其他像素点作为考察像素点，将每个考察像素点对应的食品变质特征二元组中的第一食品变质特征与中心像素点对应的食品变质特征二元组中的第一食品变质特征进行异或操作，从而得到第一异或结果，将每个考察像素点对应的食品变质特征二元组中的第二食品变质特征与中心像素点对应的食品变质特征二元组中的第二食品变质特征进行异或操作，从而得到第二异或结果；

将每个考察像素点对应的第一异或结果和第二异或结果的相加值，确定为每个考察像素点对应的食品变质特征判定值，从而得到表面图像中每个像素点对应的各食品变质特征判定值。

进一步的，确定表面图像中每个像素点对应的食品变质疏松系数，包括：

根据表面图像中每个像素点对应的各食品变质特征判定值，确定各食品变质特征判定值对应的类型标志值，按照食品变质特征判定值的大小顺序，对各食品变质特征判定值对应的类型标志值进行排列，将排序结果确定为表面图像中每个像素点对应的食品变质疏松码；

获取食品变质疏松码中每个码位置对应的加权值，按照食品变质特征判定值从小到大的方向，各个码位置对应的加权值依次增大；

对于表面图像中每个像素点对应的食品变质疏松码，计算所述食品变质疏松码中每个码位置的类型标志值对应的食品变质特征判定值与该码位置对应的加权值的乘积，将所有乘积的累加和确定为表面图像中每个像素点对应的食品变质疏松系数。

进一步的，对表面图像中的所有像素点进行聚类，从而得到表面图像中的各个变质像素点，包括：

根据表面图像中每个像素点对应的食品变质疏松系数和位置，确定聚类目标函数；

根据聚类目标函数，将表面图像中所有像素点聚类成两个类别，并从两个类别中筛选出变质像素点类别，将所述变质像素点类别中的所有像素点确定为表面图像中的各个变质像素点。

进一步的，聚类目标函数对应的计算公式为：

，

其中，

为聚类目标函数，

为表面图像中第j个像素点对应的食品变质疏松系数，

为表面图像中第i个类别中的聚类中心对应的食品变质疏松系数，

为表面图像中第j个像素点对应的坐标，

为表面图像中第i个类别中的聚类中心对应的坐标，

为表面图像中第j个像素点与第i个类别中的聚类中心的欧式距离，N为表面图像中像素点的总数目，

为表面图像中所有像素点聚类成的类别的总数目。

进一步的，确定灰度图像中每个像素点的梯度指标值，包括：

灰度图像中每个像素点的梯度值包括水平方向梯度和竖直方向梯度，根据所述水平方向梯度和竖直方向梯度，计算综合梯度值，对所述综合梯度值进行正相关映射，并将正相关映射结果确定为灰度图像中每个像素点的梯度指标值。

进一步的，确定颜色空间图像中每个像素点的颜色指标值，包括：

根据颜色空间图像中每个像素点的各颜色通道值，计算综合颜色通道值，对所述综合颜色通道值进行正相关映射，并将正相关映射结果确定为灰度图像中每个像素点的颜色指标值。

进一步的，进而确定待检测食品是否存在安全风险，包括：

根据表面图像中的各个变质像素点，确定待检测食品的食品变质概率；

获取待检测食品的食品理化风险概率，根据待检测食品的食品变质概率和食品理化风险概率，确定检测食品的安全风险出现概率；

判断检测食品的安全风险出现概率是否大于设定概率阈值，若大于设定概率阈值，则判定待检测食品存在安全风险，否则判定待检测食品不存在安全风险。

为解决上述技术问题，本发明还提供了一种用于食品检测机构综合信息的智能处理系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现上述的一种用于食品检测机构综合信息的智能处理方法的步骤。

本发明具有如下有益效果：通过获取待检测食品的表面图像的灰度图像和颜色空间图像，并根据灰度图像和颜色空间图像，确定表面图像中每个像素点对应的梯度指标值和颜色指标值，梯度指标值和颜色指标值可以对表面图像中每个像素点的梯度变化和颜色特征进行准确表征。根据表面图像中每个像素点及其对应窗口内周围邻域像素点的梯度指标值和颜色指标值，构造表面图像中每个像素点对应的食品变质特征二元组，该食品变质特征二元组可以准确表征表面图像中每个像素点与其周围邻域像素点在梯度指标值和颜色指标值的差异情况。根据表面图像中每个像素点及其周围邻域像素点的食品变质特征二元组，构造表面图像中每个像素点对应的各食品变质特征判定值，进而确定表面图像中每个像素点对应的食品变质疏松系数。该食品变质特征判定值表征了表面图像中每个像素点与其周围邻域像素点的信息特征一致性程度大小，当表面图像中某个像素点与其周围邻域像素点的信息特征一致性越差时，则说明该像素点越可能为变质像素点，对应的食品变质疏松系数就越大，而当该像素点与其周围邻域像素点的信息特征具有一定的一致性时，说明该像素点可能位于食品表面疏松位置处，对应的食品变质疏松系数就相对较小。由于食品变质疏松系数可以准确区分表面图像中像素点的变质特征和稀疏特征，避免了食品表面本身稀疏松散结构的干扰，因此根据表面图像中每个像素点对应的食品变质疏松系数和位置，对表面图像中的像素点进行聚类，从而可以准确获得表面图像中的各个变质像素点。当表面图像中的各个变质像素点的识别越准确时，则待检测食品的安全风险检测结果就越准确，因此根据各个变质像素点，最终准确确定待检测食品是否存在安全风险。由于本发明可以对待检测食品的表面图像像素点的变质特征进行准确提取，从而可以准确确定各个变质像素点，有效提高了最终安全检测结果的准确性。

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和优点，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的介绍，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它附图。

图1为本发明实施例的表面为稀疏松散结构的食品的表面示意图；

图2为本发明实施例的用于食品检测机构综合信息的智能处理方法的示意图；

图3为本发明实施例的表面图像中某个像素点对应的窗口中各个像素点对应的食品变质特征二元组示意图；

图4为本发明实施例的表面图像中某个像素点对应的食品变质疏松码示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。

对于表面为稀疏松散结构的发酵类食品，如面包、糕点等，由于该类食品的表面多呈现为多孔状，如图1所示，该类食品的表面正常区域与变质区域的灰度数值信息差别不大，此时直接根据食品表面的灰度信息进行聚类，会影响食品表面变质区域的聚类精度，从而导致食品安全检测结果不够准确。为了解决食品安全检测结果不准确的问题，本实施例提供了一种用于食品检测机构综合信息的智能处理方法，该方法对应的流程图如图2所示，包括以下步骤：

步骤S1：获取待检测食品的表面图像，并获取表面图像的灰度图像和颜色空间图像。

对于待检测的食品，尤其是对表面为稀疏松散结构的食品，采用图像采集设备对待检测食品进行拍摄采集，从而获取待检测食品的表面图像。为了保证所采集的表面图像的质量，本实施例采用成像质量较高、食品表面细节特征表现清晰的CCD(Charge-coupledDevice,电荷耦合原件)相机作为图像采集设备，从而得到待检测食品的表面图像。在本实施例中，所得到的待检测食品的表面图像为RGB（Red Green Blue,红绿蓝）图像。

在获得待检测食品的表面图像之后，由于该表面图像为RGB（Red Green Blue,红绿蓝）图像，包括R、G、B三个不同的颜色通道值，为了避免在后续计算过程中三个不同的颜色通道值的重复计算影响，使用加权平均法对表面图像进行灰度转化，从而得到灰度图像。然后使用高斯滤波方法对灰度图像进行滤波处理，以尽可能地消减弱甚至消除拍摄采集过程中环境噪声对后续食品变质检测的精确性影响，从而得到滤波处理后的灰度图像，并将滤波处理后的灰度图像作为最终的灰度图像。同时，在获得待检测食品的表面图像之后，为了更加准确地获取表面图像中不同像素点的颜色特征，还需要将表面图像转换到LAB颜色空间(Lab color space,颜色对立空间)，从而得到LAB颜色空间下的颜色空间图像，也就是LAB颜色空间图像。后续基于最终的灰度图像和LAB颜色空间图像，进行待检测食品的变质检测。

步骤S2：确定灰度图像中每个像素点的梯度值，根据所述梯度值，确定灰度图像中每个像素点的梯度指标值，并根据颜色空间图像中每个像素点的各颜色通道值，确定颜色空间图像中每个像素点的颜色指标值。

当食物发生变质时，发生变质区域的像素点的颜色会与周围正常像素点的颜色呈现较大的差异。基于这一特点，对灰度图像和颜色空间图像进行分析，从而获得表面图像中不同像素点的颜色变化特征信息。

首先，根据灰度图像中各个像素点的灰度值，确定灰度图像中每个像素点的梯度值，然后基于每个像素点的梯度值，确定灰度图像中每个像素点的梯度指标值，实现步骤包括：

灰度图像中每个像素点的梯度值包括水平方向梯度和竖直方向梯度，根据所述水平方向梯度和竖直方向梯度，计算综合梯度值，对所述综合梯度值进行正相关映射，并将正相关映射结果确定为灰度图像中每个像素点的梯度指标值。

其次，根据颜色空间图像中每个像素点的各颜色通道值，确定颜色空间图像中每个像素点的颜色指标值，实现步骤包括：

根据颜色空间图像中每个像素点的各颜色通道值，计算综合颜色通道值，对所述综合颜色通道值进行正相关映射，并将正相关映射结果确定为颜色空间图像中每个像素点的颜色指标值。

具体的，根据灰度图像，确定该灰度图像中每个像素点的水平方向梯度和竖直方向梯度，由于水平方向梯度和竖直方向梯度的具体计算过程为公知技术，在此不再赘述。计算水平方向梯度和竖直方向梯度的二范数，从而得到每个像素点的综合梯度值，对该综合梯度值进行正相关映射，从而可以得到灰度图像中每个像素点的梯度指标值。同时，根据颜色空间图像中每个像素点的各颜色通道值，各颜色通道值是指L颜色通道值、A颜色通道值和B颜色通道值，计算这三个颜色通道值的二范数，从而得到每个像素点的综合颜色通道值，对该综合颜色通道值进行正相关映射，从而可以得到颜色空间图像中每个像素点的颜色指标值。灰度图像中每个像素点的梯度指标值以及颜色空间图像中每个像素点的颜色指标值对应的计算公式为：

，

，

其中，

为灰度图像中第i个像素点的梯度指标值，

分别为灰度图像中第i个像素点的水平方向梯度和竖直方向梯度，

为灰度图像中第i个像素点的综合梯度值，

为颜色空间图像中第i个像素点的颜色指标值，

分别为颜色空间图像中第i个像素点的L颜色通道值、A颜色通道值和B颜色通道值，

为颜色空间图像中第i个像素点的综合颜色通道值，

为以自然常数e为底数的对数函数，用于对综合梯度值和综合颜色通道值进行正相关映射。

在上述的灰度图像中每个像素点的梯度指标值以及颜色空间图像中每个像素点的颜色指标值的计算公式中，通过采用对数函数对综合梯度值和综合颜色通道值进行正相关映射，是为了避免过大的数值对后续计算过程中产生的计算误差影响，添加常数1是为了避免通过对数函数进行正相关映射可能会产生负数，进而会影响后续的计算过程的情况。

在通过上述计算公式确定灰度图像中每个像素点的梯度指标值以及颜色空间图像中每个像素点的颜色指标值之后，由于灰度图像和颜色空间图像中的像素点均与表面图像中的像素点一一对应，因此也就是确定了表面图像中每个像素点对应的梯度指标值和颜色指标值。当表面图像中某个像素点位置出现变质时，该像素点对应的梯度指标值和颜色指标值就会与正常像素点呈现较大的差异，这种差异特点为后续进一步获取得到表面图像中变质像素点位置提供了较为可靠的依据。

步骤S3：在表面图像中以每个像素点为中心像素点，确定每个像素点对应的窗口，并根据所述窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值，以及所述窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值，确定表面图像中每个像素点对应的食品变质特征二元组。

当食品表面发生变质时，食品表面会出现变质的区域，为了更好的计算获取到这种区域分布的变化特征，对于表面图像中的任意一个像素点，以该任意一个像素点为中心，划分得到大小为

的窗口，

取经验值

，从而可以得到表面图像中的任意一个像素点对应的窗口，基于此窗口中的像素点可以进行进一步分析计算。

由于表面图像中的像素点与灰度图像和颜色空间图像中的像素点均一一对应，也就是对于表面图像中的任意一个像素点，其在灰度图像和颜色空间图像中均有对应的相同位置的像素点，因此对于表面图像中的任意一个像素点，可以获得该像素点对应的窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值、窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值。通过对表面图像中的任意一个像素点对应的窗口中所有像素点对应的梯度指标值和颜色指标值进行分析，可以确定表面图像中的任意一个像素点对应的食品变质特征二元组，实现步骤包括：

根据所述窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值，计算所有梯度指标值的均值，从而得到梯度指标值均值；

根据所述窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值，计算颜色指标值的均值，从而得到颜色指标值均值；

将所述窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值与梯度指标值均值进行比较，若梯度指标值大于梯度指标值均值，则将所述窗口中对应像素点的第一食品变质特征设置为第一取值，否则将所述窗口中对应像素点的第一食品变质特征设置为第二取值；

将所述窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值与颜色指标值均值进行比较，若颜色指标值大于颜色指标值均值，则将所述窗口中对应像素点的第二食品变质特征设置为第三取值，否则将所述窗口中对应像素点的第二食品变质特征设置为第四取值；

所述窗口中每个像素点的第一食品变质特征和第二食品变质特征构成所述窗口中每个像素点对应的食品变质特征二元组。

具体的，对于表面图像中的任意第i个像素点，计算该第i个像素点对应的窗口中所有像素点对应的梯度指标值的均值以及所有像素点对应的颜色指标值的均值，从而对应得到梯度指标值均值和颜色指标值均值。将该第i个像素点对应的梯度指标值和颜色指标值对应与梯度指标值均值和颜色指标值均值进行比较，可以构建该第i个像素点对应的食品变质特征二元组。该第i个像素点对应的颜色指标值和梯度指标值分别为

和

，该第i个像素点对应的窗口所得到的梯度指标值均值和颜色指标值均值分别为

和

，此时该第i个像素点对应的食品变质特征二元组分为四种情况：

情况1：若

，且

，则令该第i个像素点的第一食品变质特征设置为第一取值，将该第i个像素点的第二食品变质特征设置为第三取值，本实施例设置第一取值为1，第三取值为1，此时该第i个像素点的第一食品变质特征和第二食品变质特征构成的食品变质特征二元组

；

情况2：若

，且

，则令该第i个像素点的第一食品变质特征设置为第一取值，将该第i个像素点的第二食品变质特征设置为第四取值，本实施例设置第一取值为1，第四取值为0，此时该第i个像素点的第一食品变质特征和第二食品变质特征构成的食品变质特征二元组

；

情况3：若

，且

，则令该第i个像素点的第一食品变质特征设置为第二取值，将该第i个像素点的第二食品变质特征设置为第三取值，本实施例设置第二取值为0，第三取值为1，此时该第i个像素点的第一食品变质特征和第二食品变质特征构成的食品变质特征二元组

；

情况4：若

，且

，则令该第i个像素点的第一食品变质特征设置为第二取值，将该第i个像素点的第二食品变质特征设置为第四取值，本实施例设置第二取值为0，第四取值为0，此时该第i个像素点的第一食品变质特征和第二食品变质特征构成的食品变质特征二元组

。

按照上述确定表面图像中的任意第i个像素点对应的食品变质特征二元组的方式，可以确定表面图像中每个像素点对应的食品变质特征二元组。为了便于理解，图3给出了表面图像中某个像素点对应的窗口中各个像素点对应的食品变质特征二元组。后续通过对表面图像中的每个像素点对应的窗口区域中各个像素点的食品变质特征二元组进行分析，可以实现表面图像中像素点的变质特征准确提取。

步骤S4：根据表面图像中每个像素点对应的窗口中每个像素点对应的食品变质特征二元组，确定表面图像中每个像素点对应的各食品变质特征判定值，进而确定表面图像中每个像素点对应的食品变质疏松系数。

为了对表面图像中像素点的变质特征进行准确提取，对表面图像中每个像素点对应的窗口中每个像素点对应的食品变质特征二元组进行分析，从而确定表面图像中每个像素点对应的各食品变质特征判定值，实现步骤包括：

对于表面图像中每个像素点对应的窗口，将所述窗口中除中心像素点以外的其他像素点作为考察像素点，将每个考察像素点对应的食品变质特征二元组中的第一食品变质特征与中心像素点对应的食品变质特征二元组中的第一食品变质特征进行异或操作，从而得到第一异或结果，将每个考察像素点对应的食品变质特征二元组中的第二食品变质特征与中心像素点对应的食品变质特征二元组中的第二食品变质特征进行异或操作，从而得到第二异或结果；

将每个考察像素点对应的第一异或结果和第二异或结果的相加值，确定为每个考察像素点对应的食品变质特征判定值，从而得到表面图像中每个像素点对应的各食品变质特征判定值。

具体的，对于表面图像中的任意第i个像素点，将该第i个像素点对应的食品变质特征二元组记为

，将该第i个像素点对应的窗口中除了该第i个像素点之外的像素点作为考察像素点，将第k个考察像素点对应的食品变质特征二元组记为

。将第k个考察像素点对应的食品变质特征二元组

与第i个像素点对应的食品变质特征二元组

进行异或操作，即将

中的第一食品变质特征与

中的第一食品变质特征进行异或操作，从而得到第一异或结果，同时将

中的第二食品变质特征与

中的第二食品变质特征进行异或操作，从而得到第二异或结果，异或操作的原理是：当进行异或操作的两个元素值相同时，则异或操作的结果为0，当进行异或操作的两个元素值不相同时，则异或操作的结果为1。通过对第k个考察像素点对应的食品变质特征二元组

与第i个像素点对应的食品变质特征二元组

进行异或操作，可以得到两个异或操作的结果，将这两个异或操作的结果构成第k个考察像素点对应的判定二元组。按照这种方式，可以确定表面图像中的任意第i个像素点对应的窗口中每个考察像素点对应的判定二元组。

在确定表面图像中的任意第i个像素点对应的窗口中每个考察像素点对应的判定二元组之后，将判定二元组中的两个元素值的相加值作为每个考察像素点对应的食品变质特征判定值。由于表面图像中的任意第i个像素点对应的窗口中每个考察像素点都可以对应得到一个食品变质特征判定值，因此表面图像中的任意第i个像素点可以对应得到多个食品变质特征判定值。

根据表面图像中的任意第i个像素点对应的各个食品变质特征判定值的确定方式可知，每个食品变质特征判定值共有三种可能取值，即0，1，2，这三种可能取值表征了表面图像中的任意第i个像素点对应的窗口内每个考察像素点与窗口中心像素点也就是第i个像素点的信息特征一致性程度，当取值越大时，表明考察像素点与窗口中心像素点的信息特征一致性越差，当多个考察像素点与窗口中心像素点的信息特征均不一致时，说明该像素点与周围邻域像素点的特征信息差异越大，那么当前任意第i个像素点越可能发生变质。

通过上述方式，可以确定表面图像中的任意一个像素点对应的各个食品变质特征判定值，在确定该任意一个像素点对应的各个食品变质特征判定值的过程中，通过将该任意一个像素点对应的窗口中的中心像素点与其他像素点进行食品变质特征二元组中的二进制数值进行异或操作，从而构建得到食品变质特征判定值的数值，可以较为快速地对表面图像中不同像素点差异进行判断计算，规避了传统基于图像灰度信息特征做差比较时，受限于灰度级数值而无法准确表征像素点之间的特征差异的缺陷，且二进制数值的异或操作符合计算机硬件的处理逻辑，在一定程度上提高了对食品表面变质特征计算的实时性效果。

在确定表面图像中任意一个像素点对应的各个食品变质特征判定值之后，基于这些食品变质特征判定值，确定表面图像中每个像素点对应的食品变质疏松系数，实现步骤包括：

根据表面图像中每个像素点对应的各食品变质特征判定值，确定各食品变质特征判定值对应的类型标志值，按照食品变质特征判定值的大小顺序，对各食品变质特征判定值对应的类型标志值进行排列，将排序结果确定为表面图像中每个像素点对应的食品变质疏松码；

获取食品变质疏松码中每个码位置对应的加权值，按照食品变质特征判定值从小到大的方向，各个码位置对应的加权值依次增大；

对于表面图像中每个像素点对应的食品变质疏松码，计算所述食品变质疏松码中每个码位置的类型标志值对应的食品变质特征判定值与该码位置对应的加权值的乘积，将所有乘积的累加和确定为表面图像中每个像素点对应的食品变质疏松系数。

具体的，受到LBP算法(Local Binary Pattern,局部二值模式)对图像特征进行提取计算的启发，本实施例为了对表面图像中每个像素点对应的变质特征进行提取，根据表面图像中每个像素点对应的各个食品变质特征判定值，构造该像素点对应的食品变质疏松码，并基于该食品变质疏松码，从而确定表面图像中每个像素点对应的食品变质疏松系数。

对于表面图像中的任意第i个像素点，在构造其对应的食品变质疏松码的过程中，对该第i个像素点对应的各个食品变质特征判定值进行判断：当食品变质特征判定值为0时，说明第i个像素点对应的窗口中该食品变质特征判定值对应的考察像素点与第i个像素点的特征一致性较高，此时将该为0的食品变质特征判定值对应的类型标志值设置为0，对于每一个为0的食品变质特征判定值，则将其对应的类型标志值0从低位填入到食品变质疏松码中。当食品变质特征判定值为1时，说明第i个像素点对应的窗口中该食品变质特征判定值对应的考察像素点与第i个像素点的特征具有一定的一致性，此时将该为1的食品变质特征判定值对应的类型标志值设置为1，对于每一个为1的食品变质特征判定值，将其对应的类型标志值1从食品变质疏松码中已填入数值的后面顺次填入。当食品变质特征判定值为2时，说明第i个像素点对应的窗口中该食品变质特征判定值对应的考察像素点与第i个像素点的特征一致性较低，此时将该为2的食品变质特征判定值对应的类型标志值设置为-1，对于每一个为2的食品变质特征判定值，将其对应的类型标志值-1从食品变质疏松码中已填入数值的后面顺次填入。按照上述方式，也就是按照食品变质特征判定值的大小顺序，对各食品变质特征判定值对应的类型标志值进行排列，可以确定表面图像中的任意第i个像素点对应的食品变质疏松码。

在确定表面图像中的任意第i个像素点对应的食品变质疏松码之后，由于该食品变质疏松码为八位码串，该八位码串的低位上的类型标志值0对应较小的食品变质特征判定值，也即对应任意第i个像素点的邻域内与该第i个像素点相似度较高的像素点，该八位码串的高位上的类型标志值-1对应较大的食品变质特征判定值，也即对应任意第i个像素点的邻域内与该第i个像素点均在较大差异的像素点。

为了便于后续确定表面图像中的任意第i个像素点对应的食品变质疏松系数，给食品变质疏松码中的每个码位置设置加权值，低位上的码位置的加权值较小，高位上的码位置的加权值较大。在本实施例中，按照食品变质疏松码从低位到高位的顺序，食品变质疏松码中各个码位置对应的加权值依次增大，且每个码位置对应的加权值均不同，本实施例设置食品变质疏松码中各个码位置对应的加权值为2⁰、2¹、2²、……、2⁷。对于表面图像中的任意第i个像素点，根据该第i个像素点对应的食品变质疏松码中每个码位置上的类型标志值对应的食品变质特征判定值，并结合每个码位置对应的加权值，通过按位加权法计算得到食品变质疏松系数，即计算食品变质疏松码中每个码位置上的类型标志值对应的食品变质特征判定值与该码位置对应的加权值的乘积值，并将所有的乘积值的累加值作为食品变质疏松系数。为了便于理解，图4给出了表面图像中某个像素点对应的食品变质疏松码，则该某个像素点对应的食品变质疏松系数

。

按照上述方式，可以确定表面图像中的任意一个像素点对应的食品变质疏松系数，在确定该食品变质疏松系数的过程中，通过构建食品变质特征判定值，对中心像素点与周围邻域中不同位置的像素点的相似程度进行分级划分，可以更准确地对中心像素点周围邻域中的像素点进行区分。同时，通过构建食品变质疏松码，按照中心像素点的周围邻域中不同位置的像素点与中心像素点的相近程度，进行高低位优化编码，将较大相近程度对应的类型标志值放在高位，将较小相近程度对应的类型标志值放在低位，以凸显较大相近程度对应的食品变质特征判定值的影响，有效避免了传统LBP算法按照顺时针进行二进制编码，码串中高低位难以区分中心像素点与周围邻域中不同位置的像素点的相近程度，进而难以将食品表面结构特征与变质特征进行有效区分的缺点。

在确定表面图像中的任意一个像素点对应的食品变质疏松系数之后，当食品表面的某个像素点发生变质时，此时该像素点与周围邻域不同位置处的像素点的食品变质特征二元组会呈现较大的差异，这时食品变质疏松码的高位会存在较多的大食品变质特征判定值对应的类型标志值，从而计算得到食品变质疏松系数的数值会较大。反之，当食品表面的某个像素点未发生变质时，但有可能处于发酵类特殊食品的疏松位置处，此时该像素点对应的窗口中不同位置的像素点与中心像素点的食品变质特征二元组之间的差异相对较小，食品变质疏松码的高位存在的大食品变质特征判定值对应的类型标志值较少，因此计算得到的食品变质疏松系数的数值会相对较小。也就是说，该食品变质疏松系数可以准确区分表面图像中像素点的变质特征和稀疏特征，当食品变质疏松系数取值较大时，则说明对应像素点越可能符合变质特征，而当食品变质疏松系数取值较小时，则说明对应像素点越可能符合稀疏特征。后续通过考察表面图像中的任意一个像素点对应的食品变质疏松系数，可以有效地规避食品表面特殊结构对食品表面变质像素点划分的影响，从而实现食品表面变质像素点的准确性划分。

步骤S5：根据表面图像中每个像素点对应的食品变质疏松系数和位置，对表面图像中的所有像素点进行聚类，从而得到表面图像中的各个变质像素点，进而确定待检测食品是否存在安全风险。

由于传统K-Means聚类算法在对图像中不同种类的像素点进行聚类时，仅考虑图像中像素点的灰度值数值特征，而对于具有表面为稀疏松散结构的发酵类食品，由于食品变质位置像素点的特征与食品表面的疏松结构特征差异较小，就会导致传统K-Means聚类算法在聚类过程中不能准确地聚类获取到食品表面图像中的变质像素点，从而导致最终的食品检测结果不准确。因此，本实施例利用通过上述分析计算后获得的食品变质疏松系数对传统K-Means算法进行优化，从而准确得到表面图像中的各个变质像素点，实现步骤包括：

根据表面图像中每个像素点对应的食品变质疏松系数和位置，确定聚类目标函数；

根据聚类目标函数，将表面图像中所有像素点聚类成两个类别，并从两个类别中筛选出变质像素点类别，将所述变质像素点类别中的所有像素点确定为表面图像中的各个变质像素点。

具体的，由于食品表面的变质像素点和正常像素点对应的食品变质疏松系数具有明显的差异，因此利用表面图像中每个像素点对应的食品变质疏松系数，对传统K-Means聚类算法的聚类目标函数进行优化，优化后的聚类目标函数对应的计算公式为：

，

其中，

为聚类目标函数，

为表面图像中第j个像素点对应的食品变质疏松系数，

为表面图像中第i个类别中的聚类中心对应的食品变质疏松系数，

为对

取绝对值，

为表面图像中第j个像素点对应的坐标，

为表面图像中第i个类别中的聚类中心对应的坐标，

为表面图像中第j个像素点与第i个类别中的聚类中心的欧式距离，N为表面图像中像素点的总数目，

为表面图像中所有像素点聚类成的类别的总数目，在本实施例中，K=2。

基于上述的优化后的聚类目标函数，按照传统K-Means算法的具体聚类步骤，对表面图像中的所有像素点进行聚类，从而得到聚类结果。由于传统K-Means算法的具体聚类步骤属于公知常识，此处不再赘述。由于本实施例设置所有像素点聚类成的类别的总数目K=2，因此最终的聚类结果是将表面图像中的所有像素点聚类成两大类，分别对应正常像素点类别和变质像素点类别。考虑到相较于正常像素点，变质像素点通常会比较白，因此对两个像素点类别的灰度值分别进行计算，也就是获取每个类别中的像素点对应的在灰度图像中相同位置的像素点的灰度值，计算每个类别对应的所有灰度值的均值，从而得到两个类别的灰度值均值，并将较大的灰度值均值对应的一个类别认为是变质像素点类别。

通过利用表面图像中每个像素点对应的食品变质疏松系数，对传统K-Means聚类算法的聚类目标函数进行优化，有效避免了传统K-Means聚类过程中使用灰度数值进行聚类分析时不能准确区分食品变质像素点的缺点，提高了最终聚类所得到的食品表面的变质像素点的准确性。

由于通过聚类得到的变质像素点的数量越多，当前待检测的食品变质程度越严重，说明当前待检测的食品越可能存在安全风险。另外，考虑到食品检测机构在对食品进行安全检测时，还会通过化学试剂、物理检测等理化分析方法对食品进行分析，从而得到分析风险数值，也就是得到食品理化风险概率，当该食品理化风险概率越大时，也说明当前待检测的食品出现风险的可能性越高。因此，综合食品安全检测过程中的不同信息，最终准确确定该待检测的食品是否存在安全风险，实现步骤包括：

根据表面图像中的各个变质像素点，确定待检测食品的食品变质概率；

获取待检测食品的食品理化风险概率，根据待检测食品的食品变质概率和食品理化风险概率，确定检测食品的安全风险出现概率；

判断检测食品的安全风险出现概率是否大于设定概率阈值，若大于设定概率阈值，则判定待检测食品存在安全风险，否则判定待检测食品不存在安全风险。

具体的，计算表面图像中的所有变质像素点与表面图像中所有像素点的比值，从而得到待检测食品的食品变质概率。同时，获取该待检测食品的食品理化风险概率，由于该食品理化风险概率事先已经被检测出，且不属于本方案的重点，可以直接获取利用以辅助确定待检测食品是否存在安全风险。结合待检测食品的食品变质概率和食品理化风险概率，确定待检测食品的安全风险出现概率，对应的计算公式为：

，

其中，P为待检测食品的安全风险出现概率，

为待检测食品的食品变质概率，

为待检测食品的食品理化风险概率。

根据上述的待检测食品的安全风险出现概率P的计算公式可知，当待检测食品的食品变质概率和食品理化风险概率越大时，对应的安全风险出现概率P的取值就越大，此时则认为待检测的食品表面出现安全风险的可能性越高。

在获得待检测食品的安全风险出现概率之后，将该安全风险出现概率与设定概率阈值进行比较，当安全风险出现概率大于设定概率阈值时，则认为待检测食品存在安全风险，否则判定待检测食品不存在安全风险。其中，设定概率阈值可以根据检测要求进行合理设定，当检测要求较高时，则设定概率阈值的取值相对较小，当检测要求较低时，则设定概率阈值的取值相对较大，本实施例将该设定概率阈值设置为0.6。

本实施例还提供了一种用于食品检测机构综合信息的智能处理系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现上述的一种用于食品检测机构综合信息的智能处理方法的步骤。由于该用于食品检测机构综合信息的智能处理系统的核心在于，实现上述的用于食品检测机构综合信息的智能处理方法，而该方法已经在上述内容中进行了详细介绍，此处不再赘述。

本发明通过获取待检测食品的表面图像的灰度图像和颜色空间图像，并根据灰度图像和颜色空间图像，确定表面图像中每个像素点对应的梯度指标值和颜色指标值，梯度指标值和颜色指标值可以对表面图像中每个像素点的特征进行准确表征。根据表面图像中每个像素点及其周围邻域像素点的梯度指标值和颜色指标值，构造表面图像中每个像素点对应的食品变质特征二元组，该食品变质特征二元组可以准确表征表面图像中每个像素点与其周围邻域像素点在梯度指标值和颜色指标值的差异情况。根据表面图像中每个像素点及其周围邻域像素点的食品变质特征二元组，构造表面图像中每个像素点对应的各食品变质特征判定值，进而确定表面图像中每个像素点对应的食品变质疏松系数。该食品变质特征判定值表征了表面图像中每个像素点与其周围邻域像素点的信息特征一致性程度大小，当表面图像中某个像素点与其周围邻域像素点的信息特征一致性越差时，则说明该像素点越可能为变质像素点，对应的食品变质疏松系数就越大，而当该像素点与其周围邻域像素点的信息特征具有一定的一致性时，说明该像素点可能位于食品表面疏松位置处，对应的食品变质疏松系数就相对较小。由于食品变质疏松系数可以准确区分表面图像中像素点的变质特征和稀疏特征，避免了食品表面本身稀疏松散结构的干扰，因此根据表面图像中每个像素点对应的食品变质疏松系数和位置，对表面图像中的像素点进行聚类，从而可以准确获知表面图像中的各个变质像素点。当表面图像中的各个变质像素点数目越多时，则待检测食品越可能存在安全风险，因此根据各个变质像素点，确定待检测食品的食品变质概率。同时，为了提高最终检测结果的准确性，还需要获取待检测食品的食品理化风险概率，通过综合考虑待检测食品的食品变质概率和食品理化风险概率，最终准确确定待检测食品是否存在安全风险。由于本发明综合考虑了待检测食品表面的灰度图像和颜色空间图像等多种信息，可以对待检测食品的表面图像像素点的变质特征进行准确提取，从而可以准确确定各个变质像素点，同时结合了待检测食品的食品理化风险概率，有效提高了最终安全检测结果的准确性。

需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于食品检测机构综合信息的智能处理方法，其特征在于，包括以下步骤：

获取待检测食品的表面图像，并获取表面图像的灰度图像和颜色空间图像；

确定灰度图像中每个像素点的梯度值，根据所述梯度值，确定灰度图像中每个像素点的梯度指标值，并根据颜色空间图像中每个像素点的各颜色通道值，确定颜色空间图像中每个像素点的颜色指标值；

在表面图像中以每个像素点为中心像素点，确定每个像素点对应的窗口，并根据所述窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值，以及所述窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值，确定表面图像中每个像素点对应的食品变质特征二元组；

根据表面图像中每个像素点对应的窗口中每个像素点对应的食品变质特征二元组，确定表面图像中每个像素点对应的各食品变质特征判定值，进而确定表面图像中每个像素点对应的食品变质疏松系数；

根据表面图像中每个像素点对应的食品变质疏松系数和位置，对表面图像中的所有像素点进行聚类，从而得到表面图像中的各个变质像素点，进而确定待检测食品是否存在安全风险。

2.根据权利要求1所述的一种用于食品检测机构综合信息的智能处理方法，其特征在于，确定表面图像中每个像素点对应的食品变质特征二元组，包括：

根据所述窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值，计算所有梯度指标值的均值，从而得到梯度指标值均值；

根据所述窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值，计算颜色指标值的均值，从而得到颜色指标值均值；

将所述窗口中每个像素点对应的在灰度图像中相同位置的像素点的梯度指标值与梯度指标值均值进行比较，若梯度指标值大于梯度指标值均值，则将所述窗口中对应像素点的第一食品变质特征设置为第一取值，否则将所述窗口中对应像素点的第一食品变质特征设置为第二取值；

将所述窗口中每个像素点对应的在颜色空间图像中相同位置的像素点的颜色指标值与颜色指标值均值进行比较，若颜色指标值大于颜色指标值均值，则将所述窗口中对应像素点的第二食品变质特征设置为第三取值，否则将所述窗口中对应像素点的第二食品变质特征设置为第四取值；

所述窗口中每个像素点的第一食品变质特征和第二食品变质特征构成所述窗口中每个像素点对应的食品变质特征二元组。

3.根据权利要求2所述的一种用于食品检测机构综合信息的智能处理方法，其特征在于，确定表面图像中每个像素点对应的各食品变质特征判定值，包括：

对于表面图像中每个像素点对应的窗口，将所述窗口中除中心像素点以外的其他像素点作为考察像素点，将每个考察像素点对应的食品变质特征二元组中的第一食品变质特征与中心像素点对应的食品变质特征二元组中的第一食品变质特征进行异或操作，从而得到第一异或结果，将每个考察像素点对应的食品变质特征二元组中的第二食品变质特征与中心像素点对应的食品变质特征二元组中的第二食品变质特征进行异或操作，从而得到第二异或结果；

将每个考察像素点对应的第一异或结果和第二异或结果的相加值，确定为每个考察像素点对应的食品变质特征判定值，从而得到表面图像中每个像素点对应的各食品变质特征判定值。

4.根据权利要求1所述的一种用于食品检测机构综合信息的智能处理方法，其特征在于，确定表面图像中每个像素点对应的食品变质疏松系数，包括：

根据表面图像中每个像素点对应的各食品变质特征判定值，确定各食品变质特征判定值对应的类型标志值，按照食品变质特征判定值的大小顺序，对各食品变质特征判定值对应的类型标志值进行排列，将排序结果确定为表面图像中每个像素点对应的食品变质疏松码；

获取食品变质疏松码中每个码位置对应的加权值，按照食品变质特征判定值从小到大的方向，各个码位置对应的加权值依次增大；

对于表面图像中每个像素点对应的食品变质疏松码，计算所述食品变质疏松码中每个码位置的类型标志值对应的食品变质特征判定值与该码位置对应的加权值的乘积，将所有乘积的累加和确定为表面图像中每个像素点对应的食品变质疏松系数。

5.根据权利要求1所述的一种用于食品检测机构综合信息的智能处理方法，其特征在于，对表面图像中的所有像素点进行聚类，从而得到表面图像中的各个变质像素点，包括：

根据表面图像中每个像素点对应的食品变质疏松系数和位置，确定聚类目标函数；

根据聚类目标函数，将表面图像中所有像素点聚类成两个类别，并从两个类别中筛选出变质像素点类别，将所述变质像素点类别中的所有像素点确定为表面图像中的各个变质像素点。

6.根据权利要求5所述的一种用于食品检测机构综合信息的智能处理方法，其特征在于，聚类目标函数对应的计算公式为：

，

其中，

为聚类目标函数，

为表面图像中第j个像素点对应的食品变质疏松系数，

为表面图像中第i个类别中的聚类中心对应的食品变质疏松系数，

为表面图像中第j个像素点对应的坐标，

为表面图像中第i个类别中的聚类中心对应的坐标，

为表面图像中第j个像素点与第i个类别中的聚类中心的欧式距离，N为表面图像中像素点的总数目，

为表面图像中所有像素点聚类成的类别的总数目。

7.根据权利要求1所述的一种用于食品检测机构综合信息的智能处理方法，其特征在于，确定灰度图像中每个像素点的梯度指标值，包括：

灰度图像中每个像素点的梯度值包括水平方向梯度和竖直方向梯度，根据所述水平方向梯度和竖直方向梯度，计算综合梯度值，对所述综合梯度值进行正相关映射，并将正相关映射结果确定为灰度图像中每个像素点的梯度指标值。

8.根据权利要求1所述的一种用于食品检测机构综合信息的智能处理方法，其特征在于，确定颜色空间图像中每个像素点的颜色指标值，包括：

根据颜色空间图像中每个像素点的各颜色通道值，计算综合颜色通道值，对所述综合颜色通道值进行正相关映射，并将正相关映射结果确定为颜色空间图像中每个像素点的颜色指标值。

9.根据权利要求1所述的一种用于食品检测机构综合信息的智能处理方法，其特征在于，进而确定待检测食品是否存在安全风险，包括：

根据表面图像中的各个变质像素点，确定待检测食品的食品变质概率；

获取待检测食品的食品理化风险概率，根据待检测食品的食品变质概率和食品理化风险概率，确定检测食品的安全风险出现概率；

判断检测食品的安全风险出现概率是否大于设定概率阈值，若大于设定概率阈值，则判定待检测食品存在安全风险，否则判定待检测食品不存在安全风险。

10.一种用于食品检测机构综合信息的智能处理系统，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器在执行所述计算机程序时，实现上述权利要求1-9任意一项所述的一种用于食品检测机构综合信息的智能处理方法的步骤。

Images