CN116596924A - 基于机器视觉的甜菊糖苷质量检测方法及系统 - Google Patents
基于机器视觉的甜菊糖苷质量检测方法及系统 Download PDFInfo
- Publication number
- CN116596924A CN116596924A CN202310868552.3A CN202310868552A CN116596924A CN 116596924 A CN116596924 A CN 116596924A CN 202310868552 A CN202310868552 A CN 202310868552A CN 116596924 A CN116596924 A CN 116596924A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- closed
- closed connected
- pixel points
- gaussian blur
- 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
Links
- 235000019202 steviosides Nutrition 0.000 title claims abstract description 46
- UEDUENGHJMELGK-HYDKPPNVSA-N Stevioside Chemical compound O([C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1O[C@]12C(=C)C[C@@]3(C1)CC[C@@H]1[C@@](C)(CCC[C@]1([C@@H]3CC2)C)C(=O)O[C@H]1[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O1)O)[C@@H]1O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O UEDUENGHJMELGK-HYDKPPNVSA-N 0.000 title claims abstract description 43
- 229940013618 stevioside Drugs 0.000 title claims abstract description 43
- OHHNJQXIOPOJSC-UHFFFAOYSA-N stevioside Natural products CC1(CCCC2(C)C3(C)CCC4(CC3(CCC12C)CC4=C)OC5OC(CO)C(O)C(O)C5OC6OC(CO)C(O)C(O)C6O)C(=O)OC7OC(CO)C(O)C(O)C7O OHHNJQXIOPOJSC-UHFFFAOYSA-N 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000003044 adaptive effect Effects 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000013441 quality evaluation Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000002093 peripheral effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000004383 Steviol glycoside Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 235000019411 steviol glycoside Nutrition 0.000 claims description 3
- 229930182488 steviol glycoside Natural products 0.000 claims description 3
- 150000008144 steviol glycosides Chemical class 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000001629 suppression Effects 0.000 abstract description 3
- 239000012535 impurity Substances 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 239000013078 crystal Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 2
- 229930006000 Sucrose Natural products 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000003599 food sweetener Nutrition 0.000 description 2
- 239000005720 sucrose Substances 0.000 description 2
- 239000003765 sweetening agent Substances 0.000 description 2
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 244000228451 Stevia rebaudiana Species 0.000 description 1
- 235000006092 Stevia rebaudiana Nutrition 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000225 effect on diabetes Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
- G06T5/75—Unsharp masking
-
- 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
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域，提出了基于机器视觉的甜菊糖苷质量检测方法及系统，包括：获取待测灰度图；对于不同的高斯模糊参数获取相应的差值图像，根据差值图像中闭合连通域的特征获取连通域特异程度，并得到特异程度矩阵，根据特异程度矩阵获取最优高斯模糊参数，并获取最优高频信息区域；在最优高频信息区域内聚类，将闭合连通域分到了若干个聚类簇中，根据聚类簇自身特征得到聚类簇内的每个像素点的自适应增强权值系数，根据自适应增强权值系数完成待测灰度图的增强；根据增强后的待测灰度图获取质量评价参数，完成甜菊糖苷的质量检测。本发明避免过度增强效果，并实现阴影区域的抑制与目标区域的增强。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于机器视觉的甜菊糖苷质量检测方法及系统。
背景技术
甜菊糖苷是甜叶菊中重要的天然活性物质，是优良的甜味剂，甜度为蔗糖的200～300倍，热量约为蔗糖的1/300，食用安全性高，且具于降血压、消炎以及提高免疫力等作用，是理想的高甜度、低热量、口味好，对糖尿病和高血脂有一定疗效的新型甜味剂。甜菊糖苷质量检测是生产过程中重要的一个环节，在甜菊糖苷生产场景中，甜菊糖苷的制备工艺一般包括提取、絮凝沉淀、大孔树脂吸附甜菊糖苷、解吸液浓缩、干燥等步骤。在实际的生产过程中，生产的甜菊糖苷产品往往会含有残留的杂质，影响产品的纯度，导致产品不符合出厂的质量检测标准，杂质不仅包括可容性化学物质结晶，也包括生产过程中可能意外混入的固体异物。因此需要利用机器视觉构建甜菊糖苷质量检测系统，对甜菊糖苷生产产品进行质量检测，进行及时的去杂质或其他处理，减少次品率。
在甜菊糖苷质量检测场景中，粉末状或结晶状的甜菊糖苷产品会形成凹凸的表面，对异物杂质的整体形状与边缘检测造成严重的干扰，常规的边缘检测技术难以获取异物杂质的可靠位置与边缘，在线性反锐化掩膜锐化增强的过程中，获得的高频信息中噪声对于权值增强更加敏感，容易产生过度增强效果，影响甜菊糖苷产品的质量检测。本发明则对原始图像进行高斯模糊平滑处理，与原始图像相减获得差分图像，获取置信边缘区域信息，提取产品质量信息。
发明内容
本发明提供基于机器视觉的甜菊糖苷质量检测方法及系统，以解决容易产生过度增强效果的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了基于机器视觉的甜菊糖苷质量检测方法，该方法包括以下步骤：
获取待测灰度图；
获取初始高斯模糊参数，对待测灰度图处理获取高斯模糊图像，根据待测灰度图和高斯模糊图像获取差值图像，根据差值图像获取闭合连通域；根据差值图像中每个闭合连通域的灰度差异和闭合连通域的数量与面积获取初始高斯模糊参数对应的连通域特异程度；变换高斯模糊参数计算每个高斯模糊参数对应的连通域特异程度，根据所有高斯模糊参数对应的连通域特异程度获取特异程度矩阵；根据特异程度矩阵中相邻元素的连通域特异程度差异和其对应的闭合连通域的总面积得到最优高斯模糊参数，根据最优高斯模糊参数获取最优高频信息区域；
在最优高频信息区域内对闭合连通域使用聚类，将闭合连通域分到了若干个聚类簇中，获取每个聚类簇下的闭合连通域的数量，根据聚类簇内闭合连通域的数量得到聚类簇对应的自适应增强权值系数以及聚类簇内像素点的自适应增强权值系数，根据像素点的自适应增强权值系数完成待测灰度图的增强；
根据增强后的待测灰度图获取质量评价参数，根据质量评价参数完成甜菊糖苷的质量检测。
优选的，所述根据待测灰度图和高斯模糊图像获取差值图像，根据差值图像获取闭合连通域的方法为：
将差值使用OTSU算法进行二值化得到差分二值图像，对差分二值图像使用并查集算法进行连通域求取获取若干连通域，将每个连通域使用凸包检测获取闭合连通域。
优选的，所述将每个连通域使用凸包检测获取闭合连通域的方法为：
将凸包的链接边缘作为新的连通域边缘，将凸包内部的所有像素点作为连通域像素点，将凸包构成的区域记为闭合连通域。
优选的，所述根据差值图像中每个闭合连通域的灰度差异和闭合连通域的数量与面积获取初始高斯模糊参数对应的连通域特异程度的方法为：
在差分图像的闭合连通域中，将边缘像素点周围的像素点作为外围像素点，根据外围像素点的边缘像素点获取闭合连通域的灰度差异程度；
式中，表示第i个闭合连通域的连通域灰度差异程度，/>表示当前高斯模糊参数时对应的闭合连通域的数量，/>表示第i个闭合连通域的面积，/>表示差值图像的长，/>表示差值图像的宽，/>表示正相关归一化函数，/>表示当前高斯模糊参数时对应的连通域特异程度。
优选的，所述将边缘像素点周围的像素点作为外围像素点，根据外围像素点的边缘像素点获取闭合连通域的灰度差异程度的方法为：
在差分图像上设定一个预设大小的窗口，窗口的中心点位边缘像素点，窗口对所有边缘像素点进行遍历，将窗口内的所有像素点中，不为闭合连通域的边缘像素点的像素点记为外围像素点，统计每个闭合连通域内所有的边缘像素点和外围像素点，计算边缘像素点和外围像素点的灰度值进行最大类间方差作为闭合连通域的灰度差异程度。
优选的，所述根据所有高斯模糊参数对应的连通域特异程度获取特异程度矩阵的方法为：
在高斯标准差不变的情况下，更变高斯核大小，高斯核大小从初始高斯核大小开始增长，最大增长宽度为闭合连通域对应的最小外接矩形的长边的1/4，每次高斯核增长幅度为1，基于此，对于同一个高斯标准差，更变不同的高斯核大小计算多个连通域特异程度，将这些连通域特异程度按照计算顺序排序得到一个特异程度序列；更改高斯标准差，高斯标准差从初始高斯标准差到预设标准差，每次变化0.1，每更换一个高斯标准差得到一个特异程度序列，将所有的特异程度序列按照高斯标准差从小到大排序得到特异程度矩阵。
优选的，所述根据特异程度矩阵中相邻元素的连通域特异程度差异和其对应的闭合连通域的总面积得到最优高斯模糊参数的方法为：
式中，表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数对应的连通域特异程度，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数对应的连通域特异程度，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数下闭合连通域的总面积，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数下闭合连通域的总面积， />表示初始高斯模糊参数对应的连通域特异程度，/>表示初始高斯模糊参数下闭合连通域的总面积，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数得到的高斯平滑效果参数。
优选的，所述在最优高频信息区域内对闭合连通域使用聚类，将闭合连通域分到了若干个聚类簇中的方法为：
获取每个闭合连通域的灰度值均值和中心点位置，均值飘逸聚类的距离半径为最大闭合连通域的外接圆的直径，均值飘逸聚类的颜色半径为闭合连通域最大灰度均值和最小灰度均值的差值的一半，概率密度由中心点的距离以及闭合连通域的灰度均值得到，两个中心点的距离越近，概率密度越高，两个闭合连通域的灰度均值越接近，概率密度越高，使用均值飘逸聚类对闭合连通域进行聚类。
优选的，所述根据聚类簇内闭合连通域的数量得到聚类簇对应的自适应增强权值系数以及聚类簇内像素点的自适应增强权值系数的方法为：
在所有聚类簇中找到闭合连通域数量最多的聚类簇，令聚类簇的闭合连通域数量比上最优高频信息区域内闭合连通域的数量作为第一比值，将第一比值取负，并使用以e为底的指数函数计算后取负后的值作为闭合连通域数量最多的聚类簇的自适应增强权值系数；
对于其余的每个聚类簇，令聚类簇的闭合连通域数量比上最优高频信息区域内闭合连通域的数量作为第二比值，将第一比值取负，并使用以e为底的指数函数计算后的值作为聚类簇的自适应增强权值系数。
第二方面，本发明实施例还提供了基于机器视觉的甜菊糖苷质量检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是：本发明能够根据杂质、异物区域的邻域灰度特征，对差值图像进行连通域特异程度提取，以整体完整连通域面积占比与局部连通域灰度差异程度特异性区分阴影区域与目标异常区域，并实现对平滑效果的动态反馈调整，获得最优高频信息连通域坐标集合，便于获取最佳增强处理效果。且能够根据获得的最优高频信息连通域坐标集合，计算自适应增强权重系数，实现自适应线性反锐化掩膜增强，避免过度增强效果，并进一步实现阴影区域的抑制与目标区域的增强。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于机器视觉的甜菊糖苷质量检测方法的流程示意图。
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。
在本发明对应的场景中，影响甜菊糖苷产品的主要是生产过程中未对原料所含的杂质去除产生的不同颜色的杂质结晶和生产过程中可能意外掉落的固体异物，都与甜菊糖苷粉末或细小结晶存在较大的形态与颜色差异，并由此进行杂质、异物识别，完成甜菊糖苷产品的质量检测。
请参阅图1，其示出了本发明一个实施例提供的基于机器视觉的甜菊糖苷质量检测方法的流程图，该方法包括以下步骤：
步骤S001，使用图像采集装置获取待测灰度图像。
在甜菊糖苷质量检测场景中，将甜菊糖苷产品尽量散落分布在传送带上,利用机器视觉装置实现对甜菊糖苷待测图像的采集，在图像采集过程中，光源应当位于运送甜菊糖苷产品的斜上侧处，相机位于传送带正上方俯视拍摄图像，使得由于甜菊糖苷产品分布不均匀产生的阴影区域面积小而边界较清晰，便于后续的图像分析处理。此时获取了RGB图像。对于采集到的RGB图像使用加权灰度化算法得到待测灰度图。
至此，获取了甜菊糖苷的待测灰度图。
步骤S002，获取不同高斯模糊参数对应的插值图像和闭合连通域，以此获取连通域特异程度，将不同高斯模糊参数得到的连通域特异程度构成特异程度矩阵获取最优高斯模糊参数，并以此获取最优差值图像和最优高频信息区域。
线性反锐化掩膜的前处理步骤为利用平滑滤波获得平滑图像，平滑图像与原始图像获得差值图像，即包括高频信息的高频信息图像。高频信息主要由细节边缘、纹理与噪声组成，而在本实施例中，将产品凹凸表面产生的边缘纹理以及阴影区域都视为噪声，则需要分离的杂质与异物的边缘信息占比较少，但由于杂质与异物存在特异的区域灰度特征，在高斯模糊的平滑过程中，边缘变化幅度小且其边缘图像杂质与异物区域部分组成的连通域完整度高。
具体的，首先对待测灰度图进行高斯模糊，设定初始高斯核大小为，初始高斯标准差为/>，在本实施例中令初始高斯核大小为/>，令初始高斯标准差的大小为/>，由此得到初始高斯模糊图像。
将获得的高斯模糊图像和待测灰度图作差得到差值图像，将获取的差值图像使用OTSU算法进行二值化获取差分二值图像；差分二值图像是平滑后图像与原图像作差，噪声点和异常部分会保留在差分二值图像中，对差分二值图像使用并查集算法进行连通域求取，并查集算法为公知技术，在此不做详细赘述。
通过上述获取到的差分二值图像的连通域为为阴影区域和异常区域的边缘部分，因为异常区域由于粉末状物体的成像干扰，会使得边缘变模糊，往往只能得到异常区域边缘线构成的狭长弯曲的连通域，类似于半圆弧状的连通域，需要对所获取的连通域进行边缘链接获取完整的连通域，对于每一个连通域进行凸包检测，将凸包的链接边缘作为新的连通域边缘，将凸包内部的所有像素点作为连通域像素点，将凸包构成的区域记为闭合连通域，由此完成了连通域链接填充为闭合连通域，对所有连通域转换为闭合连通域，由此得到一个闭合连通域集合，并获取闭合连通域集合中的所有像素点，凸包检测为公知技术，在此不多做赘述。
在差分图像上设置一个的边缘窗口，在本实施例中/>，利用边缘窗口遍历每个闭合连通域的边缘像素点，边缘窗口在闭合连通域遍历时，将边缘窗口内的像素点中，不为闭合连通域的边缘像素点的像素点记为外围像素点，统计每个闭合连通域内所有的边缘像素点和外围像素点，计算边缘像素点和外围像素点的灰度值进行最大类间方差作为闭合连通域的灰度差异程度，最大类间方差为公知技术，在此不多做赘述。
根据闭合连通域灰度差异程度以及闭合连通域面积获取当前高斯模糊参数的连通域特异程度，公式如下：
式中，表示第i个闭合连通域的连通域灰度差异程度，/>表示当前高斯模糊参数时对应的闭合连通域的数量，/>表示第i个闭合连通域的面积，/>表示差值图像的长，/>表示差值图像的宽，/>表示正相关归一化函数，/>表示当前高斯模糊参数时对应的连通域特异程度。/>表示差值图像的总面积，/>表示闭合连通域集合的闭合连通域面积累加和，/>为闭合连通域灰度差异程度累加和。
连通域特异程度为所有连通域面积与总面积占比和连通域局部灰度差异程度累积和乘积的归一化形式，值越大，连通域特异程度越高。
根据获得的连通域特异程度进行高斯模糊参数值动态反馈调整，在高斯标准差不变的情况下，更变高斯核大小，高斯核大小从开始增长，最大增长宽度为闭合连通域对应的最小外接矩形的长边的1/4，每次高斯核增长幅度为1，基于此，对于同一个高斯标准差，更变不同的高斯核大小计算多个连通域特异程度，将这些连通域特异程度按照计算顺序排序得到一个特异程度序列。
高斯标准差的初始大小为，其最大值在本实施例中取5，高斯标准差的增长幅度为0.1，每次高斯标准差变化后，就得到一个新的特异程度序列，由此得到多组特异程度序列。多组特异程度序列按照高斯标准差从小到大排序构成一个特异程度矩阵。
由于连通域特异程度由高斯模糊的平滑效果决定，主要受到完整连通域面积占比的影响，连通域特异程度/>呈现阶梯形分布，每个阶梯内部的波动程度受局部连通域灰度差异程度/>影响，获取同一序列内相邻连通域特异程度的差异，根据获得的连通域特异程度序列，计算高斯平滑效果参数/>，公式如下：
式中，表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数对应的连通域特异程度，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数对应的连通域特异程度，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数下闭合连通域的总面积，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数下闭合连通域的总面积， />表示初始高斯模糊参数对应的连通域特异程度，/>表示初始高斯模糊参数下闭合连通域的总面积，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数得到的高斯平滑效果参数。
获取所有高斯平滑效果参数后，获取其最大值，得到最大值对应的高斯模糊参数，在当前高斯模糊参数下得到此时的高斯模糊图像，根据此时的高斯模糊图像和待测灰度图作差得到最优差值图像，并得到其对应的所有闭合连通域作为最优高频信息区域。
至此，获取了最优高频信息区域。
步骤S003，对最优高频信息区域聚类获取聚类簇，对于每个聚类簇内闭合连通域的数量获取聚类簇内每个像素点的自适应增强权值系数，以此完成待测灰度图的增强。
对于获取到的最优高频信息区域，其内部的所有像素点包括杂质、异物的像素点，也包括阴影区域的像素点，通过区域的灰度差异程度，进行区域筛选，并利用区域的类内均值作为聚类特征值，进行区域类别聚类分析，并由此获得自适应增强权值系数。
具体的，首先对最优高频信息区域，使用均值飘逸聚类对闭合连通域进行聚类，对于每个闭合连通域，获取其灰度值均值和中心点位置，在本实施例，均值飘逸聚类的距离半径为最大闭合连通域的外接圆的直径，均值飘逸聚类的颜色半径为闭合连通域最大灰度均值和最小灰度均值的差值的一半，以此可以包含多个闭合连通域，将每个闭合连通域用其中心点表示，对于两个闭合连通域，两个中心点的距离越近，概率密度越高，两个闭合连通域的灰度均值越接近，概率密度越高，根据所设定的密度概率以及半径将闭合连通域分为了K个聚类簇。
将最高频信息区域中的所有闭合连通域分为了K个聚类簇后，由于在本实施例场景中，受到阴影区域影响的连通域数量最多，因此根据不同聚类簇内的闭合连通域数量构建自适应增强权值系数，以实现对阴影部分的抑制和杂志、异物部分的增强，公式如下：
式中，表示第c个聚类簇下的闭合连通域的数量，/>表示最优高频信息区域内闭合连通域的数量，/>表示以自然常数为底的指数函数，/>表示第c个聚类簇对应的自适应增强权值系数。/>表示为聚类簇内闭合连通域的数量的最大值，当/>时表示此时的聚类簇为阴影部分，自适应增强权值系数，是与聚类簇下的闭合连通域相关联的，聚类簇包含的闭合连通域数量越大，其自适应增强权值系数越小，对于最大数量对应的进行抑制，对其他类型进行增强。
根据自适应增强权值系数构建自适应线性增强函数，实现对杂质与异物所代表的异常区域的整体增强，以及噪声区域的整体削弱，使得异常区域的边缘更加清晰明显，最终获得增强后图像。
对于最优高频信息区域中的每个像素点，像素点的自适应增强权值系数就为其所在的闭合连通域对应的聚类簇的自适应增强权值系数。
使用自适应增强权值系数构建线性反锐化掩膜的自适应线性增强函数，实现线性反锐化掩膜增强，公式如下：
式中，为最优差值图像坐标/>的像素点，/>为待测灰度图坐标/>的像素点，/>为增强图像中坐标/>的像素点，/>表示最优差值图像坐标/>的像素点对应的自适应增强权值系数。
对于最优高频信息区域中的每个像素点都进行增强，完成对待测灰度图的增强。
至此，获取了增强后的待测灰度图。
步骤S004，根据增强后的待测灰度图获取质量评价参数检测甜菊糖苷的质量。
对于增强后的待测灰度图，获取其闭合连通域中除了阴影部分的所有闭合连通域记为异常连通域，根据增强后的待测灰度图获取质量评价参数，公式如下：
式中，表示第i个异常连通域的像素点数量，/>表示增强后的待测灰度图的长，/>表示增强后的待测灰度图的宽，/>表示增强后的待测灰度图中像素点的数量，/>表示以自然常数为底的指数函数，j表示异常连通域的数量，/>表示质量评价参数。
质量评价参数的数值越大，表明当前甜菊糖苷产品质量越高，可根据实际的生产经验，获得大量的实验信息，设定一个可信阈值，在本实施例中设置/>，当/>，认为此时的生产质量是达到标准的，应当进行后续生产包装工作；当/>，认为此时的生产质量是达不到标准的，应当将坐标评价参数及异常区域类型等相关信息，可视化显示到相应的显示器上，以便用户更加直观的查看甜菊糖苷的质量与异常区域，进行后续的分析与处理。
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 (10)
1.基于机器视觉的甜菊糖苷质量检测方法，其特征在于，该方法包括以下步骤：
获取待测灰度图；
获取初始高斯模糊参数，对待测灰度图处理获取高斯模糊图像，根据待测灰度图和高斯模糊图像获取差值图像，根据差值图像获取闭合连通域；根据差值图像中每个闭合连通域的灰度差异和闭合连通域的数量与面积获取初始高斯模糊参数对应的连通域特异程度；变换高斯模糊参数计算每个高斯模糊参数对应的连通域特异程度，根据所有高斯模糊参数对应的连通域特异程度获取特异程度矩阵；根据特异程度矩阵中相邻元素的连通域特异程度差异和其对应的闭合连通域的总面积得到最优高斯模糊参数，根据最优高斯模糊参数获取最优高频信息区域；
在最优高频信息区域内对闭合连通域使用聚类，将闭合连通域分到了若干个聚类簇中，获取每个聚类簇下的闭合连通域的数量，根据聚类簇内闭合连通域的数量得到聚类簇对应的自适应增强权值系数以及聚类簇内像素点的自适应增强权值系数，根据像素点的自适应增强权值系数完成待测灰度图的增强；
根据增强后的待测灰度图获取质量评价参数，根据质量评价参数完成甜菊糖苷的质量检测。
2.根据权利要求1所述的基于机器视觉的甜菊糖苷质量检测方法，其特征在于，所述根据待测灰度图和高斯模糊图像获取差值图像，根据差值图像获取闭合连通域的方法为：
将差值使用OTSU算法进行二值化得到差分二值图像，对差分二值图像使用并查集算法进行连通域求取获取若干连通域，将每个连通域使用凸包检测获取闭合连通域。
3.根据权利要求2所述的基于机器视觉的甜菊糖苷质量检测方法，其特征在于，所述将每个连通域使用凸包检测获取闭合连通域的方法为：
将凸包的链接边缘作为新的连通域边缘，将凸包内部的所有像素点作为连通域像素点，将凸包构成的区域记为闭合连通域。
4.根据权利要求1所述的基于机器视觉的甜菊糖苷质量检测方法，其特征在于，所述根据差值图像中每个闭合连通域的灰度差异和闭合连通域的数量与面积获取初始高斯模糊参数对应的连通域特异程度的方法为：
在差分图像的闭合连通域中，将边缘像素点周围的像素点作为外围像素点，根据外围像素点的边缘像素点获取闭合连通域的灰度差异程度；
式中，表示第i个闭合连通域的连通域灰度差异程度，/>表示当前高斯模糊参数时对应的闭合连通域的数量，/>表示第i个闭合连通域的面积，/>表示差值图像的长，/>表示差值图像的宽，/>表示正相关归一化函数，/>表示当前高斯模糊参数时对应的连通域特异程度。
5.根据权利要求1所述的基于机器视觉的甜菊糖苷质量检测方法，其特征在于，所述将边缘像素点周围的像素点作为外围像素点，根据外围像素点的边缘像素点获取闭合连通域的灰度差异程度的方法为：
在差分图像上设定一个预设大小的窗口，窗口的中心点位边缘像素点，窗口对所有边缘像素点进行遍历，将窗口内的所有像素点中，不为闭合连通域的边缘像素点的像素点记为外围像素点，统计每个闭合连通域内所有的边缘像素点和外围像素点，计算边缘像素点和外围像素点的灰度值进行最大类间方差作为闭合连通域的灰度差异程度。
6.根据权利要求1所述的基于机器视觉的甜菊糖苷质量检测方法，其特征在于，所述根据所有高斯模糊参数对应的连通域特异程度获取特异程度矩阵的方法为：
在高斯标准差不变的情况下，更变高斯核大小，高斯核大小从初始高斯核大小开始增长，最大增长宽度为闭合连通域对应的最小外接矩形的长边的1/4，每次高斯核增长幅度为1，基于此，对于同一个高斯标准差，更变不同的高斯核大小计算多个连通域特异程度，将这些连通域特异程度按照计算顺序排序得到一个特异程度序列；更改高斯标准差，高斯标准差从初始高斯标准差到预设标准差，每次变化0.1，每更换一个高斯标准差得到一个特异程度序列，将所有的特异程度序列按照高斯标准差从小到大排序得到特异程度矩阵。
7.根据权利要求1所述的基于机器视觉的甜菊糖苷质量检测方法，其特征在于，所述根据特异程度矩阵中相邻元素的连通域特异程度差异和其对应的闭合连通域的总面积得到最优高斯模糊参数的方法为：
式中，表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数对应的连通域特异程度，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数对应的连通域特异程度，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数下闭合连通域的总面积，表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数下闭合连通域的总面积，表示初始高斯模糊参数对应的连通域特异程度，/>表示初始高斯模糊参数下闭合连通域的总面积，/>表示特异程度矩阵中第/>行和第/>列对应的高斯模糊参数得到的高斯平滑效果参数。
8.根据权利要求1所述的基于机器视觉的甜菊糖苷质量检测方法，其特征在于，所述在最优高频信息区域内对闭合连通域使用聚类，将闭合连通域分到了若干个聚类簇中的方法为：
获取每个闭合连通域的灰度值均值和中心点位置，均值飘逸聚类的距离半径为最大闭合连通域的外接圆的直径，均值飘逸聚类的颜色半径为闭合连通域最大灰度均值和最小灰度均值的差值的一半，概率密度由中心点的距离以及闭合连通域的灰度均值得到，两个中心点的距离越近，概率密度越高，两个闭合连通域的灰度均值越接近，概率密度越高，使用均值飘逸聚类对闭合连通域进行聚类。
9.根据权利要求1所述的基于机器视觉的甜菊糖苷质量检测方法，其特征在于，所述根据聚类簇内闭合连通域的数量得到聚类簇对应的自适应增强权值系数以及聚类簇内像素点的自适应增强权值系数的方法为：
在所有聚类簇中找到闭合连通域数量最多的聚类簇，令聚类簇的闭合连通域数量比上最优高频信息区域内闭合连通域的数量作为第一比值，将第一比值取负，并使用以e为底的指数函数计算后取负后的值作为闭合连通域数量最多的聚类簇的自适应增强权值系数；
对于其余的每个聚类簇，令聚类簇的闭合连通域数量比上最优高频信息区域内闭合连通域的数量作为第二比值，将第一比值取负，并使用以e为底的指数函数计算后的值作为聚类簇的自适应增强权值系数。
10.基于机器视觉的甜菊糖苷质量检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868552.3A CN116596924B (zh) | 2023-07-17 | 2023-07-17 | 基于机器视觉的甜菊糖苷质量检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868552.3A CN116596924B (zh) | 2023-07-17 | 2023-07-17 | 基于机器视觉的甜菊糖苷质量检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116596924A true CN116596924A (zh) | 2023-08-15 |
| CN116596924B CN116596924B (zh) | 2023-10-20 |
Family
ID=87590296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310868552.3A Active CN116596924B (zh) | 2023-07-17 | 2023-07-17 | 基于机器视觉的甜菊糖苷质量检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596924B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116774575A (zh) * | 2023-08-21 | 2023-09-19 | 山东六佳药用辅料股份有限公司 | 一种用于糊精生产过程中粘度控制方法及系统 |
| CN117152146A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市爱卓依科技有限公司 | 基于图像处理的电子烟烟弹质量检测方法 |
| CN117934798A (zh) * | 2024-03-22 | 2024-04-26 | 济宁职业技术学院 | 基于计算机视觉的儿童行为在线识别系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110196223A1 (en) * | 2008-05-22 | 2011-08-11 | Dr. Vladimir Balakin | Proton tomography apparatus and method of operation therefor |
| GB201304635D0 (en) * | 2012-04-23 | 2013-05-01 | Csr Technology Inc | Method for determining the extent of a foreground object in an image |
| US20160283817A1 (en) * | 2015-03-26 | 2016-09-29 | Fujitsu Limited | Method and apparatus for removing a mark in a document image |
| 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 |
| CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
| WO2021227838A1 (zh) * | 2020-05-13 | 2021-11-18 | 杭州睿琪软件有限公司 | 图像处理方法、系统及计算机可读存储介质 |
| CN114240807A (zh) * | 2022-02-28 | 2022-03-25 | 山东慧丰花生食品股份有限公司 | 一种基于机器视觉的花生黄曲霉素检测方法及系统 |
| CN115661110A (zh) * | 2022-11-08 | 2023-01-31 | 西南交通大学 | 一种透明工件识别与定位的方法 |
| CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
| CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
| CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及系统 |
-
2023
- 2023-07-17 CN CN202310868552.3A patent/CN116596924B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110196223A1 (en) * | 2008-05-22 | 2011-08-11 | Dr. Vladimir Balakin | Proton tomography apparatus and method of operation therefor |
| GB201304635D0 (en) * | 2012-04-23 | 2013-05-01 | Csr Technology Inc | Method for determining the extent of a foreground object in an image |
| US20160283817A1 (en) * | 2015-03-26 | 2016-09-29 | Fujitsu Limited | Method and apparatus for removing a mark in a document image |
| 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 |
| WO2021227838A1 (zh) * | 2020-05-13 | 2021-11-18 | 杭州睿琪软件有限公司 | 图像处理方法、系统及计算机可读存储介质 |
| CN113554629A (zh) * | 2021-07-28 | 2021-10-26 | 江苏苏桥焊材有限公司 | 基于人工智能的带钢红锈缺陷检测方法 |
| CN114240807A (zh) * | 2022-02-28 | 2022-03-25 | 山东慧丰花生食品股份有限公司 | 一种基于机器视觉的花生黄曲霉素检测方法及系统 |
| CN115661110A (zh) * | 2022-11-08 | 2023-01-31 | 西南交通大学 | 一种透明工件识别与定位的方法 |
| CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
| CN116091504A (zh) * | 2023-04-11 | 2023-05-09 | 山东泰和能源股份有限公司 | 基于图像处理的连接管连接头质量检测方法 |
| CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| A. D. BELSARE等: "Underwater Image Enhancement Algorithm for Real Time Monitoring and Surveillance", 《2019 4TH INTERNATIONAL CONFERENCE ON RECENT TRENDS ON ELECTRONICS, INFORMATION, COMMUNICATION & TECHNOLOGY 》 * |
| GUANQUN LIU 等: "A Noise-Aware Framework for Blind Image Super-Resolution", 《2022 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO》 * |
| 任洪娥等: "基于最小二乘法的落叶松木粉粒径数学建模与分析", 《林业科学》 * |
| 刘俊;吕芳;薛海鹏;: "结合高斯核与各向异性邻域抑制的模糊聚类图像分割", 电子测量技术, no. 03 * |
| 王卫星;王李平;员志超;: "一种基于最大类间后验概率的Canny边缘检测算法", 计算机应用, no. 04 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116774575A (zh) * | 2023-08-21 | 2023-09-19 | 山东六佳药用辅料股份有限公司 | 一种用于糊精生产过程中粘度控制方法及系统 |
| CN116774575B (zh) * | 2023-08-21 | 2023-11-03 | 山东六佳药用辅料股份有限公司 | 一种用于糊精生产过程中粘度控制方法及系统 |
| CN117152146A (zh) * | 2023-10-31 | 2023-12-01 | 深圳市爱卓依科技有限公司 | 基于图像处理的电子烟烟弹质量检测方法 |
| CN117152146B (zh) * | 2023-10-31 | 2024-03-12 | 深圳市爱卓依科技有限公司 | 基于图像处理的电子烟烟弹质量检测方法 |
| CN117934798A (zh) * | 2024-03-22 | 2024-04-26 | 济宁职业技术学院 | 基于计算机视觉的儿童行为在线识别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116596924B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116596924B (zh) | 基于机器视觉的甜菊糖苷质量检测方法及系统 | |
| Mizushima et al. | An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method | |
| CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
| CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
| Gill et al. | Monitoring and grading of tea by computer vision–A review | |
| CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
| CN109871884B (zh) | 一种融合多特征的支持向量机面向对象遥感影像分类方法 | |
| WO2013148566A1 (en) | Image blur detection | |
| CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
| CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
| CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
| CN116823824B (zh) | 基于机器视觉的井下带式输送机降尘检测系统 | |
| CN110751029B (zh) | 基于最大曲率自适应指静脉纹路提取方法 | |
| CN116645363B (zh) | 一种基于视觉的淀粉生产质量实时检测方法 | |
| CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN115082465B (zh) | 基于扫描电镜图像处理的羊毛羊绒分类方法 | |
| CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
| CN108961301A (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
| Hassan et al. | Image enhancement technique at different distance for iris recognition | |
| CN116805316A (zh) | 基于图像增强的可降解塑料加工质量检测方法 | |
| CN115661646A (zh) | 基于计算机视觉的垃圾智能分类方法 | |
| CN116721108B (zh) | 一种基于机器视觉的甜菊糖苷产品杂质检测方法 | |
| CN115410096A (zh) | 卫星遥感影像多尺度融合变化检测方法、介质及电子装置 | |
| CN116823835B (zh) | 基于机器视觉的瓶装水杂质检测方法 |
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 |