CN116630425B - 一种基于x光的食品智能检测系统 - Google Patents
一种基于x光的食品智能检测系统 Download PDFInfo
- Publication number
- CN116630425B CN116630425B CN202310896219.3A CN202310896219A CN116630425B CN 116630425 B CN116630425 B CN 116630425B CN 202310896219 A CN202310896219 A CN 202310896219A CN 116630425 B CN116630425 B CN 116630425B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- food
- threshold
- edge detection
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 60
- 238000003708 edge detection Methods 0.000 claims abstract description 59
- 230000035772 mutation Effects 0.000 claims abstract description 46
- 230000000903 blocking effect Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 239000002994 raw material Substances 0.000 description 3
- 230000035515 penetration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping 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
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
- G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
- G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于X光的食品智能检测系统，包括：对获取多张食品X光图像进行分块处理获得所有图像块；通过调整阈值获取图像块的突变像素数量变化率进而得到图像块的突变时刻的区域临近程度；根据突变时刻的区域临近程度确定图像块邻近区域存在异物的可能性；根据图像块邻近区域存在异物的可能性确定出图像块的最佳高低双阈值，通过确定的最佳高低双阈值对图像块进行边缘检测，将边缘检测后的图像块进行融合，得到完整的边缘检测后的食品图像，进而确定出异物位置。本发明能够根据图像异物自身特点自适应地调整阈值，使选取的边缘能够最大程度保留异物边缘的同时去除其他边缘，减少其他非异物边缘的误差。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于X光的食品智能检测系统。
背景技术
散装食品都是通过对各自对应的原料进行生产加工的，当食品的原料中夹杂有异物或者生产加工时混入异物时，这些异物会随着原料一起加工成食品，从而严重影响食品的安全，食品的质量，因此，当前很多食品生产厂家会选择使用探伤检测设备来保证食品中无异物掺入。
探伤检测设备的检测原理是利用X射线穿透不同密度物质后通过其光强度的变化，产生的对比效果可生成影像，即可显示出检测物的内部结构，进而可在不破坏待检物的情况下，更直观地观察待测物内部是否有异物存在，但小食品容易出现堆积或重叠，食品在图像上的表现为模糊的一团阴影，现有的二值分割算法并不能很好的区分出异物，而常规的 Canny边缘检测又存在着Canny 算子有阈值需要手工选取的缺点。
发明内容
本发明提供一种基于X光的食品智能检测系统，以解决现有的问题。
本发明的一种基于X光的食品智能检测系统采用如下技术方案：
本发明一个实施例提供了一种基于X光的食品智能检测系统，该系统包括：
图像采集模块：获取多张去噪增强后的食品X光图像；
特征分析模块：对食品X光图像进行分块处理获得所有图像块，通过调整阈值获取每个图像块的突变像素数量变化率；根据突变像素数量变化率得到每个图像块的突变时刻的区域临近程度；获取多张食品X光图像同一位置下的图像块邻域区域；根据突变时刻的区域临近程度确定出图像块邻域区域存在异物的可能性；根据图像块邻域区域存在异物的可能性确定出图像块的最佳高低双阈值；
图像融合模块：将每个图像块通过最佳高低双阈值进行边缘检测后的所有图像块进行融合，得到完整的边缘检测后的食品图像；
食品检测模块：通过完整的边缘检测后的食品图像确定异物位置。
优选的，所述通过调整阈值获取每个图像块的突变像素数量变化率，包括的具体步骤如下：
从低到高调整阈值对图像块进行边缘检测，则图像块在阈值下突变像素数量变化率的计算表达式为：
式中，表示图像块在/>阈值下的突变像素数量变化率；/>表示初始阈值下图像边缘检测后的像素数量值；/>表示/>阈值下图像边缘检测后第一次突变时的像素点数量值；/>表示/>阈值下图像边缘检测后第二次突变时的像素点数量值。
优选的，所述突变是指：
从低到高调整阈值对图像块进行边缘检测，比较所有相邻阈值下边缘检测后像素点数量减少程度值，当像素点数量减少程度值为最大值时，记为突变。
优选的，所述根据突变像素数量变化率得到每个图像块的突变时刻的区域临近程度的获取方法如下：
图像块在阈值下突变时刻的区域临近程度的计算表达式为：
式中，表示图像块在/>阈值下突变时刻的区域临近程度；/>表示第一次突变时刻下所有像素点数量；/>表示第一次突变时刻下第/>个像素点与初始像素点之间的距离；/>表示图像块在/>阈值下的突变像素数量变化率；/>表示以自然常数/>为底的指数函数。
优选的，所述获取多张食品X光图像同一位置下的图像块邻域区域，包括的具体步骤如下：
获取第一张食品X光图像的所有图像块在突变时刻的区域临近程度，将具有突变时刻的区域临近程度最大值的图像块的个邻近图像块组成图像块邻近区域，然后再获取其他食品X光图像同一位置下的图像块邻近区域，进而获取到多张食品X光图像同一位置下的图像块邻域区域。
优选的，所述根据突变时刻的区域临近程度确定出图像块邻域区域存在异物的可能性的获取方法如下：
图像块邻域区域在阈值下的存在异物的可能性的计算表示式为：
式中，表示多张食品X光图像组成同一位置下的图像块邻近区域的图像块数量；/>表示获取的食品X光图像的总数量；/>表示第/>张图像的图像块邻近区域中第/>个图像块在/>阈值下突变时刻的区域临近程度；/>表示第/>张图像的图像块邻近区域中第/>个图像块在/>阈值下突变时刻的区域临近程度；/>表示图像块邻近区域在/>阈值下的异物存在的可能性。
优选的，所述根据图像块邻域区域存在异物的可能性确定出图像块的最佳高低双阈值，包括的具体步骤如下：
将存在异物的可能性的最大值对应的阈值作为图像的最佳高阈值，最佳低阈值为最佳高阈值的四分之一，进而得到最佳高低双阈值。
优选的，所述将每个图像块通过最佳高低双阈值进行边缘检测后的所有图像块进行融合，得到完整的边缘检测后的食品图像，包括的具体步骤如下：
通过确定的最佳高低双阈值对所有的图像块进行边缘检测，并对边缘检测后的图像块采用插值方法，按照原始图像中各个图像块的位置融合成为一幅完整的边缘检测后的食品图像。
本发明的技术方案的有益效果是：在使用传统的Canny 算法，食品因为 X 光的穿透不同而产生的细微变化过于敏感，进而得到的边缘细节过多，会导致无法清晰判定异物位置；而通过本发明的自适应阈值边缘检测法，会使得对于边缘线的选择更加苛刻，进而会得到清晰的食品异物边缘，若食品中掺有异物时，则经过本发明处理后的提取到边缘是图像中灰度变化集中而突出的地方，则该地方为食品异物边缘，进而可以很方便地判定出食品异物位置。
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为本发明一种基于X光的食品智能检测系统的步骤流程图。
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一种基于X光的食品智能检测系统，其具体实施方式、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。
下面结合附图具体的说明本发明所提供的一种基于X光的食品智能检测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于X光的食品智能检测系统的步骤流程图，该系统包括以下模块：
图像采集模块：获取多张食品X光图像，并对其进行去噪增强处理。
首先，将食品样品置于X射线源和检测器之间，X射线源发出的X射线穿过食品样品并投射到检测器上形成食品X光图像，并对形成食品X光图像的进行灰度化。
然后对获取的食品在X光穿透下的待检测图像灰度化后的图像进行预处理操作，其操作包括去除噪声、图像增强。去除噪声采用中值滤波器的方法，图像增强采用直方图均衡化的方法，以便后续的图像分析和处理。
至此，获取到去噪增强处理后的食品X光图像。
特征分析模块：对去噪增强处理后的图像进行分块处理，通过调整阈值获取每个图像块的突变像素数量变化率；根据突变像素数量变化率得到每个图像块的突变时刻的区域临近程度；根据突变时刻的区域临近程度确定出图像块邻域区域存在异物的可能性；根据图像块邻域区域存在异物的可能性确定出图像块的最佳高低双阈值。
1、获取到图像块的突变像素数量变化率。
需要说明的是，由于食品异物在食品X光图像中表现形式为数量级少，且只有局部存在，因此可以采用图像分块处理技术可以对图像的不同区域进行分块处理，可以更加精确地控制图像的处理方法和处理效果。
预设一个图像块大小为，其中本实施例以/>=13×13为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定。
具体的，使用Python中的numpy库中的reshape函数或PIL库中的crop函数等方式来实现对多张食品X光图像进行分块处理操作，其中，图像块大小为。
需要说明的是，根据从低到高调整阈值对每个图像块进行边缘检测，若图像块是组成食品异物的图像块之一，则从低到高调整阈值时，图像块的边缘检测的结果会出现两次突变，即比较所有相邻阈值下边缘检测后像素点数量减少程度值，当像素点数量减少程度值为最大值时，记为突变；进而可以依据不同图像块在不同阈值下的突变像素数量变化率得到图像块从数量级上存在异物的可能性。
进一步需要说明的是，不同图像块在不同阈值边缘检测下其在图像中的表现形式也各不相同，若存在食品异物时，其在数量级上的像素数量变化率为从小到大，且存在突变点，若突变点之间的像素数量变化率的差值越大，则该图像块存在异物的可能性越大，进而说明图像块在此阈值下做边缘检测得到食品异物的边缘位置越准确。
具体的，从低到高调整阈值对图像块进行边缘检测，则图像块在阈值下突变像素数量变化率的公式如下所示：
式中，表示图像块在/>阈值下的突变像素数量变化率，其值越大，说明图像在/>阈值下的突变像素数量中存在着两个突变点，且两个突变点的像素数量变化率量级差距越大，则说明该图像块存在异物的可能性越大；/>表示初始阈值下图像边缘检测后的像素数量值；/>表示/>阈值下图像边缘检测后第一次突变时的像素点数量值；/>表示/>阈值下图像边缘检测后第二次突变时的像素点数量值；/>表示图像块在/>阈值下的突变像素数量下第一个突变点时像素数量变化率；/>表示图像块在/>阈值下的突变像素数量下第二个突变点时像素数量变化率。
至此，获取到图像块的突变像素数量变化率。
2、获取到图像块的突变时刻的区域临近程度。
需要说明的是，在得到从数量级上图像块存在异物的可能性后，由于食品异物像素点在食品X光图像做边缘检测后得到突变时刻结果为分布集中，进而可以通过不同图像块的突变像素数量变化率获取不同图像块在不同阈值下突变时刻的区域临近程度，当突变时刻的区域临近程度越大，则说明该图像块存在异物的可能性越大，进而可以得到分布表现形式上的该图像块在不同阈值下的存在异物的可能性。
具体的，通过调整阈值对图像块进行边缘检测，则在阈值下边缘检测中的图像块第一次突变时的某一像素点为/>，则图像块在/>阈值下突变时刻的区域临近程度的公式如下所示：
式中，表示第一次突变时刻下所有像素点数量，/>表示第一次突变时刻下第/>个像素点与初始像素点之间的距离，由于黑点为食品中的少部分其集中像素点，所以其值越低，则属于食物异物的可能性越大，/>表示以自然常数/>为底的指数函数,进而采用负相关函数exp(-x)进行负相关映射。
表示图像块在/>阈值下突变时刻的区域临近程度，其值越大，图像块在/>阈值下边缘检测后第一次突变时刻下的像素点集中程度越大，表现形式为食品异物的可能性越大；
表示图像块在/>阈值下的突变像素数量变化率，其值越大，说明图像在/>阈值下的突变像素数量中存在着突变点，且两个突变点的像素数量变化率量级差距越大，则说明该图像块存在异物的可能性越大。
至此，获取到图像块的突变时刻的区域临近程度。
3、获取到图像块邻近区域在不同阈值下的存在异物的可能性。
预设一个数量，其中本实施例以/>=16为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定。
分析不同状态下多张食品X光图像，首先获取第一张食品X光图像的所有图像块在突变时刻的区域临近程度，并将具有突变时刻的区域临近程度最大值的图像块的个邻近图像块组成图像块邻近区域；然后再获取其他食品X光图像同一位置下的图像块邻近区域的突变时刻的区域临近程度，若多张食品X光图像中同一位置下的图像块邻近区域突变时刻的区域临近程度值在的数值上存在差异且数值较大时，则认为该图像块邻域区域是组成食品异物的区域；则说明该图像块邻域区域在/>阈值下的存在异物的可能性公式如下所示：
式中，表示多张食品X光图像组成同一位置下的图像块邻近区域的图像块数量；/>表示获取的食品X光图像的总数量；/>表示第/>张图像的图像块邻近区域中第/>个图像块在/>阈值下突变时刻的区域临近程度； />表示第/>张图像的图像块邻近区域中第/>个图像块在/>阈值下突变时刻的区域临近程度；/>表示第/>张图像和第/>张图像上同一位置的图像块邻近区域在/>阈值下突变时刻的区域临近程度差值，差值越大，图像块邻近区域在/>阈值下的存在异物的可能性越大；/>表示图像块邻近区域在/>阈值下的异物存在的可能性，其值越大，这些图像块存在食品异物的可能性越大且在此阈值下的边缘检测效果越佳。
至此，获取到图像块邻近区域在不同阈值下的存在异物的可能性。
4、获取到对食品X光图像块进行边缘检测的最佳高低双阈值。
需要说明的是，通过图像块邻近区域在不同阈值下的存在异物的可能性，当其值达到最大时，说明该图像在此阈值下的边缘检测得到具体的异物边缘位置效果最佳。
进一步需要说明的是，因此可以通过图像块邻近区域在不同阈值下的存在异物的可能性公式，计算出图像的最佳高阈值；然而因X 光机拍摄的食品图像在边缘检测时对低阈值不敏感，所以低阈值可选取的波动范围非常大。
具体的，将存在异物的可能性的最大值对应的阈值作为图像块的最佳高阈值，沿用经典的低阈值确定方法：最佳低阈值为最佳高阈值的四分之一；进而得到最佳高低双阈值。
至此，获取到对食品X光图像块进行边缘检测的最佳高低双阈值。
图像融合模块：对每个图像块通过确定的最佳高低双阈值进行边缘检测，将边缘检测后的图像块进行融合，得到完整的边缘检测后的食品图像。
通过确定的最佳高低双阈值对所有的图像块进行边缘检测，并对边缘检测后的图像块采用插值方法，按照原始图像中各个图像块的位置融合成为一幅完整的边缘检测后的食品图像。
食品检测模块：通过完整的边缘检测后的食品图像确定异物位置。
通过完整的边缘检测后的食品图像获取食品异物的准确边缘，进而确定出食品异物位置。
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)
1.一种基于X光的食品智能检测系统，其特征在于，该系统包括以下模块：
图像采集模块：获取多张去噪增强后的食品X光图像；
特征分析模块：对食品X光图像进行分块处理获得所有图像块，通过调整阈值获取每个图像块的突变像素数量变化率；根据突变像素数量变化率得到每个图像块的突变时刻的区域临近程度；获取多张食品X光图像同一位置下的图像块邻域区域；根据突变时刻的区域临近程度确定出图像块邻域区域存在异物的可能性；根据图像块邻域区域存在异物的可能性确定出图像块的最佳高低双阈值；
图像融合模块：将单张食品X光图像的每个图像块通过最佳高低双阈值进行边缘检测后的所有图像块进行融合，得到完整的边缘检测后的食品图像；
食品检测模块：通过完整的边缘检测后的食品图像确定异物位置；
其中，通过调整阈值获取每个图像块的突变像素数量变化率，包括的具体步骤如下：从低到高调整阈值对图像块进行边缘检测，则图像块在阈值下突变像素数量变化率的计算表达式为：
式中，表示图像块在/>阈值下的突变像素数量变化率；/>表示/>初始阈值下图像边缘检测后的像素数量值；/>表示/>阈值下图像边缘检测后第一次突变时的像素点数量值；表示/>阈值下图像边缘检测后第二次突变时的像素点数量值；
其中，根据突变像素数量变化率得到每个图像块的突变时刻的区域临近程度的获取方法如下：
图像块在阈值下突变时刻的区域临近程度的计算表达式为：
式中，表示图像块在/>阈值下突变时刻的区域临近程度；/>表示第一次突变时刻下所有像素点数量；/>表示第一次突变时刻下第/>个像素点与初始像素点之间的距离；/>表示图像块在/>阈值下的突变像素数量变化率；/>表示以自然常数/>为底的指数函数；
其中，根据突变时刻的区域临近程度确定出图像块邻域区域存在异物的可能性的获取方法如下：
图像块邻域区域在阈值下的存在异物的可能性的计算表示式为：
式中，表示多张食品X光图像组成同一位置下的图像块邻近区域的图像块数量；/>表示获取的食品X光图像的总数量；/>表示第/>张图像的图像块邻近区域中第/>个图像块在阈值下突变时刻的区域临近程度；/>表示第/>张图像的图像块邻近区域中第/>个图像块在/>阈值下突变时刻的区域临近程度；/>表示图像块邻近区域在/>阈值下的异物存在的可能性。
2.根据权利要求1所述一种基于X光的食品智能检测系统，其特征在于，所述突变是指：
从低到高调整阈值对图像块进行边缘检测，比较所有相邻阈值下边缘检测后像素点数量减少程度值，当像素点数量减少程度值为最大值时，记为突变。
3.根据权利要求1所述一种基于X光的食品智能检测系统，其特征在于，所述获取多张食品X光图像同一位置下的图像块邻域区域，包括的具体步骤如下：
获取第一张食品X光图像的所有图像块在突变时刻的区域临近程度，将具有突变时刻的区域临近程度最大值的图像块的个邻近图像块组成图像块邻近区域，然后再获取其他食品X光图像同一位置下的图像块邻近区域，进而获取到多张食品X光图像同一位置下的图像块邻域区域。
4.根据权利要求1所述一种基于X光的食品智能检测系统，其特征在于，所述根据图像块邻域区域存在异物的可能性确定出图像块的最佳高低双阈值，包括的具体步骤如下：
将存在异物的可能性的最大值对应的阈值作为图像的最佳高阈值，最佳低阈值为最佳高阈值的四分之一，进而得到最佳高低双阈值。
5.根据权利要求1所述一种基于X光的食品智能检测系统，其特征在于，所述将单张食品X光图像的每个图像块通过最佳高低双阈值进行边缘检测后的所有图像块进行融合，得到完整的边缘检测后的食品图像，包括的具体步骤如下：
通过确定的最佳高低双阈值对所有的图像块进行边缘检测，并对边缘检测后的图像块采用插值方法，按照原始图像中各个图像块的位置融合成为一幅完整的边缘检测后的食品图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310896219.3A CN116630425B (zh) | 2023-07-21 | 2023-07-21 | 一种基于x光的食品智能检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310896219.3A CN116630425B (zh) | 2023-07-21 | 2023-07-21 | 一种基于x光的食品智能检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116630425A CN116630425A (zh) | 2023-08-22 |
| CN116630425B true CN116630425B (zh) | 2023-09-22 |
Family
ID=87636900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310896219.3A Active CN116630425B (zh) | 2023-07-21 | 2023-07-21 | 一种基于x光的食品智能检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630425B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835145A (zh) * | 2015-04-09 | 2015-08-12 | 电子科技大学 | 基于自适应Codebook背景模型的前景检测方法 |
| CN109118504A (zh) * | 2018-07-26 | 2019-01-01 | 深圳辰视智能科技有限公司 | 一种基于神经网络的图像边缘检测方法、装置及其设备 |
| CN110210379A (zh) * | 2019-05-30 | 2019-09-06 | 北京工业大学 | 一种结合关键运动特征和颜色特征的镜头边界检测方法 |
| CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学（武汉） | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
| US10769501B1 (en) * | 2017-02-15 | 2020-09-08 | Google Llc | Analysis of perturbed subjects using semantic embeddings |
| CN112070785A (zh) * | 2019-06-10 | 2020-12-11 | 张家港江苏科技大学产业技术研究院 | 一种基于计算机视觉的医学图像分析方法 |
| WO2022015260A1 (en) * | 2020-07-13 | 2022-01-20 | Esen Sistem Entegrasyon Ve Muhendislik Hizm. San Ve Tic Ltd. Sti. | An object detection method |
| CN114549492A (zh) * | 2022-02-27 | 2022-05-27 | 北京工业大学 | 一种基于多粒度图像信息内容的质量评价方法 |
| CN114612345A (zh) * | 2022-04-01 | 2022-06-10 | 江苏通纺互联科技有限公司 | 一种基于图像处理的光源检测方法 |
| CN114994102A (zh) * | 2022-08-04 | 2022-09-02 | 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 |
| CN115953776A (zh) * | 2023-03-09 | 2023-04-11 | 聊城市检验检测中心 | 基于机器学习的食品检测系统 |
| CN116168026A (zh) * | 2023-04-24 | 2023-05-26 | 山东拜尔检测股份有限公司 | 基于计算机视觉的水质检测方法及系统 |
| CN116228651A (zh) * | 2022-12-23 | 2023-06-06 | 宁波海棠信息技术有限公司 | 一种布匹缺陷检测方法、系统、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111524071B (zh) * | 2020-04-24 | 2022-09-16 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜图像拼接方法、电子设备及可读存储介质 |
-
2023
- 2023-07-21 CN CN202310896219.3A patent/CN116630425B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104835145A (zh) * | 2015-04-09 | 2015-08-12 | 电子科技大学 | 基于自适应Codebook背景模型的前景检测方法 |
| US10769501B1 (en) * | 2017-02-15 | 2020-09-08 | Google Llc | Analysis of perturbed subjects using semantic embeddings |
| CN109118504A (zh) * | 2018-07-26 | 2019-01-01 | 深圳辰视智能科技有限公司 | 一种基于神经网络的图像边缘检测方法、装置及其设备 |
| CN110210379A (zh) * | 2019-05-30 | 2019-09-06 | 北京工业大学 | 一种结合关键运动特征和颜色特征的镜头边界检测方法 |
| CN112070785A (zh) * | 2019-06-10 | 2020-12-11 | 张家港江苏科技大学产业技术研究院 | 一种基于计算机视觉的医学图像分析方法 |
| CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学（武汉） | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
| WO2022015260A1 (en) * | 2020-07-13 | 2022-01-20 | Esen Sistem Entegrasyon Ve Muhendislik Hizm. San Ve Tic Ltd. Sti. | An object detection method |
| CN114549492A (zh) * | 2022-02-27 | 2022-05-27 | 北京工业大学 | 一种基于多粒度图像信息内容的质量评价方法 |
| CN114612345A (zh) * | 2022-04-01 | 2022-06-10 | 江苏通纺互联科技有限公司 | 一种基于图像处理的光源检测方法 |
| CN114994102A (zh) * | 2022-08-04 | 2022-09-02 | 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 |
| CN116228651A (zh) * | 2022-12-23 | 2023-06-06 | 宁波海棠信息技术有限公司 | 一种布匹缺陷检测方法、系统、设备及介质 |
| CN115953776A (zh) * | 2023-03-09 | 2023-04-11 | 聊城市检验检测中心 | 基于机器学习的食品检测系统 |
| CN116168026A (zh) * | 2023-04-24 | 2023-05-26 | 山东拜尔检测股份有限公司 | 基于计算机视觉的水质检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于双阈值法改进的镜头边界检测算法;李松斌;李军;王玲芳;王劲林;;微计算机应用(第07期);全文 * |
| 基于稀疏主成分分析和自适应阈值选择的图像分割算法;卢涛;万永静;杨威;;计算机科学(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116630425A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
| CN116486061B (zh) | 基于机器视觉的污水处理效果检测方法 | |
| CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| CN106204617B (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
| Jahedsaravani et al. | Development of a new algorithm for segmentation of flotation froth images | |
| CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
| CN108171693B (zh) | 一种自动检测劣质蘑菇的方法 | |
| CN110288618B (zh) | 一种光照不均图像的多目标分割方法 | |
| CN115880248A (zh) | 一种表面划痕缺陷识别方法及视觉检测设备 | |
| CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
| CN116862900A (zh) | 一种大葱育秧播种质量检测方法 | |
| CN116596899A (zh) | 基于荧光图像识别循环肿瘤细胞方法、装置、终端及介质 | |
| JP2004045356A (ja) | 表面欠陥検出方法 | |
| CN111429361A (zh) | 一种基于机器视觉的菌落计数方法 | |
| CN116630425B (zh) | 一种基于x光的食品智能检测系统 | |
| CN116934752B (zh) | 一种基于人工智能的玻璃检测方法及系统 | |
| CN112070741B (zh) | 一种基于图像显著性区域提取方法的大米垩白度检测系统 | |
| CN107545565B (zh) | 一种太阳能网版检测方法 | |
| JP2008249413A (ja) | 欠陥検出方法および装置 | |
| CN116843640A (zh) | 瓷砖表面凹坑缺陷检测方法、系统及存储介质 | |
| CN107909555B (zh) | 一种保持锐度的网格噪声消除方法 | |
| CN113940702B (zh) | 一种甲状腺结节回声分析装置 | |
| CN110857919A (zh) | 一种卷装长丝的尾丝缺陷检测方法 |
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 |