CN116843689B - 一种菌盖表面破损检测方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种菌盖表面破损检测方法，包括：通过对菌盖图像进行多次高斯模糊，并对菌盖高斯图像中所划分的不同区域进行纹理分析，获得划分区域的纹理异常程度，并进一步获得不同高斯模糊尺度下对应菌盖高斯图像的异常纹理信息量，根据异常纹理信息量获得了高斯模糊算法的最佳模糊尺度。本发明利用异常纹理信息量获得了对菌盖图像进行高斯模糊时的最佳模糊尺度，避免了直接利用菌盖图像进行破损检测时，菌盖表面的纹理信息不充足时，检测结果不准确的问题，通过多尺度高斯模糊大大提高了菌盖表面破损检测的准确性，进一步提高了菌菇的品质控制。

Description

一种菌盖表面破损检测方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种菌盖表面破损检测方法。

背景技术

菌盖表面的破损往往会引起细菌、霉菌等微生物的滋生，增加食品受污染的风险。通过破损检测，可以及时发现潜在的食品安全问题，并采取相应的措施进行处理，另外，在市场上，消费者往往会对菌盖表面有较高的期望。通过破损检测，可以提高产品的外观质量，增加竞争力，目前，高品质的菌菇在市场中需求量逐渐增加，为了满足市场需求，便需要提高菌菇的表面破损检测准确性，避免在市场中流入低品质菌菇。

目前现有的无接触检测方法中，通常利用图像处理的方法来实现，但是相机近距离获取的单尺度菌盖图像可能会出现纹理信息不充分，导致利用图像处理技术进行检测时，检测结果不准确的问题。

发明内容

本发明提供一种菌盖表面破损检测方法，以解决现有的问题。

本发明的一种菌盖表面破损检测方法采用如下技术方案：

本发明提供了一种菌盖表面破损检测方法，该方法包括以下步骤：

获取菌盖图像；

对菌盖图像进行多次模糊处理获得多个菌盖高斯图像，对菌盖高斯图像进行划分，获得若干个划分区域，获取划分区域的灰度共生矩阵；

根据灰度共生矩阵中不同矩阵区域之间的差异获得划分区域的多个纹理特征；利用纹理特征获得纹理特征集合，根据纹理特征集合，获得由多个纹理方差形成的纹理方差序列，根据纹理方差序列中元素的差异获得划分区域的纹理方向；根据划分区域中像素点的梯度方向与纹理方向之间的差异获得纹理点，根据纹理点在划分区域中的分布情况，获得纹理点方向、纹理点距离以及纹理点角度；根据纹理点方向、纹理点距离以及纹理点角度的融合结果获得划分区域的纹理异常程度；

根据菌盖高斯图像中所有划分区域的纹理异常程度，获得菌盖图像的异常纹理信息量，根据异常纹理信息量的大小获得最佳模糊尺度，结合最佳模糊尺度对菌盖表面破损进行检测。

进一步的，所述菌盖图像的获取方法如下：

首先，利用摄像机拍摄获取菌盖表面图像并进行灰度化处理，将灰度化处理后的菌盖表面图像记为灰度菌盖表面图像；

然后，利用语义分割神经网络来获取菌盖区域，将菌盖区域的图像记为菌盖图像。

进一步的，所述灰度共生矩阵的获取方法如下：

首先，预设基础值，并以预设的步长对基础值进行迭代增加，迭代增加过程中预设迭代范围，将基础值在迭代过程中的数值作为高斯模糊算法的标准差，利用多个标准差分别对菌盖图像进行处理，获得若干个菌盖高斯图像；

然后，预设划分数量，将菌盖高斯图像划分为划分数量所对应数量的区域，记为划分区域，且各划分区域的大小均等；

最后，获取任意划分区域在0°、45°、90°以及135°方向下的灰度共生矩阵。

进一步的，所述纹理特征的获取方法如下：

利用预设的划分参数将任意灰度共生矩阵划分为4个区域，记为矩阵区域，四个矩阵区域中相邻两个矩阵区域的边界与灰度共生矩阵的主对角线相互平行，中间两个矩阵区域的大小小于两侧的矩阵区域；

根据任意菌盖高斯图像中划分区域的任意方向下的灰度共生矩阵，获取划分区域在对应方向下的纹理特征，具体计算方法为：

其中，表示第个划分区域在方向下的纹理特征；表示第个划分区 域在方向下的灰度共生矩阵中，位于第行第列的元素；、以及和表示灰度共 生矩阵的4个矩阵区域；

表示属于矩阵区域和的并集内且位于灰度共生矩阵中 的第行第列的元素；表示属于矩阵区域和的并集内且位于灰度 共生矩阵中的第行第列的元素。

进一步的，所述纹理特征集合的获取方法如下：

创建空集，将任意划分区域在所有方向上的纹理特征按照从小到大的顺序进行排序；

将排序后的第一个纹理特征置入第一个纹理特征集合；

将排序后的前两个纹理特征置入第二个纹理特征集合；

将排序后的前三个纹理特征置入第三个纹理特征集合；

将所有纹理特征置入第四个纹理特征集合。

进一步的，所述根据纹理方差序列中元素的差异获得划分区域的纹理方向，包括的具体步骤如下：

获取每个纹理特征集合的方差，记为纹理方差；

按照纹理特征集合的顺序，获得由所有纹理特征集合对应纹理方差所形成的序列，记为纹理方差序列，利用后向差分计算方法获取纹理方差序列对应的后向差分序列，获取后向差分序列中绝对值最大时，所对应纹理特征的方向，记为划分区域的纹理方向。

进一步的，所述根据划分区域中像素点的梯度方向与纹理方向之间的差异获得纹理点，根据纹理点在划分区域中的分布情况，获得纹理点方向、纹理点距离以及纹理点角度，包括的具体步骤如下：

首先，利用Sobel算子获取划分区域中所有像素点的梯度方向，将梯度方向与所在划分区域的纹理方向之间的差值绝对值在预设方向差值范围内的像素点，记为纹理点；获得划分区域中的若干个纹理点；

然后，获取菌盖高斯图像的中心点，以中心点的正上方为起始，将菌盖高斯图像分为预设数量的区域，记为角度区域；

最后，利用最小二乘法对任意划分区域中的纹理点进行直线拟合，获得对应拟合直线的方向，记为划分区域的纹理点方向；获取划分区域中任意两个纹理点之间的欧式距离，将所有纹理点两两之间的欧氏距离平均值，记为划分区域的纹理点距离；获取任意划分区域中所有纹理点所在的角度区域，记为纹理点角度区域，获取所有纹理点角度区域对应角度的和值，记为划分区域的纹理点角度。

进一步的，所述纹理异常程度的获取方法如下：

划分区域的纹理异常程度的具体计算方法为：

其中，表示第个划分区域的纹理异常程度；表示第个划分区域的纹理点距 离；表示第个划分区域的纹理点方向；表示第个划分区域的纹理点角度。

进一步的，所述根据异常纹理信息量的大小获得最佳模糊尺度，包括的具体步骤如下：

首先，获取任意菌盖高斯图像中所有划分区域的纹理异常程度的累加值，记为菌盖高斯图像对应高斯模糊程度下的异常纹理信息量，获取异常纹理信息量最大时，对应的菌盖高斯图像以及对应的高斯模糊算法的标准差；

然后，将异常纹理信息量最大时对应的高斯模糊算法的标准差，作为对菌盖图像进行模糊处理时的最佳模糊尺度。

进一步的，所述结合最佳模糊尺度对菌盖表面破损进行检测，包括的具体步骤如下：

首先，对菌盖图像进行高斯模糊处理，获得最佳模糊尺度下的菌盖高斯图像，记为最佳菌盖高斯图像；

然后，利用支持向量机对最佳菌盖高斯图像进行菌盖表面破损检测。

本发明的技术方案的有益效果是：通过对菌盖图像进行多次高斯模糊，并对菌盖高斯图像中所划分的不同区域进行纹理分析，获得划分区域的纹理异常程度，并进一步获得不同高斯模糊尺度下对应菌盖高斯图像的异常纹理信息量，根据异常纹理信息量获得了对菌盖图像进行高斯模糊时的最佳模糊尺度，避免了直接利用菌盖图像进行破损检测时，菌盖表面的纹理信息不充足时，检测结果不准确的问题，通过多尺度高斯模糊大大提高了菌盖表面破损检测的准确性，进一步提高了菌菇的品质控制。

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为本发明一种菌盖表面破损检测方法的步骤流程图；

图2为菌盖图像；

图3为划分灰度共生矩阵示意图；

图4为角度区域示意图。

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一种菌盖表面破损检测方法，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菌盖表面破损检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种菌盖表面破损检测方法的步骤流程图，该方法包括以下步骤：

步骤S001，获取菌盖图像。

利用摄像机拍摄获取菌盖表面图像并进行灰度化处理，将灰度化处理后的菌盖表面图像记为灰度菌盖表面图像；

本实施例为了更好的分析检测香菇品质，通常分析菌盖表面是否出现破损来实现，而为了准确获取香菇的菌盖部分，利用语义分割神经网络来获取菌盖区域，将菌盖区域的图像记为菌盖图像，以避免菌盖表面之外的背景区域对分析菌盖表面异常纹理的影响；

其中，语义分割神经网络的训练过程为：

首先，获取大量不同形态以及不同角度下的灰度菌盖表面图像，并通过领域内专业人员对灰度菌盖表面图像进行像素级标注，将菌盖区域和非菌盖区域作为人工标签进行标注，将含有人工标签的灰度菌盖表面图像作为一个样本，则由大量样本形成用来训练语义分割神经网络的数据集；

然后，选用语义分割模型为U-Net神经网络，将数据集作为U-Net神经网络的输入，结合交叉熵损失函数，输出灰度菌盖表面图像中菌盖区域所对应的菌盖图像，对U-Net神经网络进行训练，获得训练完成的U-Net神经网络；

最后，将新的灰度菌盖表面图像输入到训练完成的U-Net神经网络中，获得菌盖图像，如图2所示。

至此，获得菌盖图像。

步骤S002，获取菌盖图像对应的多尺度高斯图像，并获取不同高斯图像中不同区域的灰度共生矩阵。

首先，预设基础值为0，步长为0.5，对基础值进行迭代增加，迭代增加的预设迭代 范围为，将基础值在迭代过程中的数值作为高斯模糊算法的标准差，利用多个标准差 分别对菌盖图像进行处理，获得若干个菌盖高斯图像；

需要说明的是，基础值、步长以及迭代范围的预设值均为经验值，可根据实际情况进行调整，本实施例不作具体限定；

然后，预设划分数量，将菌盖高斯图像划分为划分数量所对应数量的区域，记为划 分区域，各划分区域的大小均等，记划分区域的大小为；

最后，获取任意划分区域在0°、45°、90°以及135°方向上的灰度共生矩阵。

需要说明的是，一个菌盖高斯图像中包含若干个划分区域，一个划分区域对应4个灰度共生矩阵；

需要说明的是，所述划分数量为经验值，可根据实际情况进行调整，本实施例不作具体限定；

需要说明的是，高斯模糊算法以及灰度共生矩阵均为现有技术，因此本实施例不过多赘述。

至此，获得若干个菌盖高斯图像，以及若干个灰度共生矩阵。

步骤S003，根据灰度共生矩阵获得划分区域在不同方向下的纹理方向特征，并根据纹理方向特征获取划分区域的纹理方向以及纹理异常程度。

在多个划分窗口中距离菌盖中心越近的划分窗口，窗口内纹理特征越明显，越具有一定的规则和方向特征，并且纹理存在一定模糊；而距离菌盖中心越远的划分窗口，划分窗口内的纹理特征的规则和方向特征弱，也存在一定的模糊。

另外，当菌盖表面上存在破损时，会使划分区域内的纹理出现差异，例如在距离菌盖中心近的划分窗口中，纹理的方向出现变化，存在部分纹理模糊度很低；或在距离菌盖中心远的划分窗口中，出现规则和方向特征强的纹理，均为异常情况，反映了菌盖可能出现损伤；若某个尺度下的菌盖高斯图像中划分窗口的异常程度越大，表示对应菌盖高斯图像中纹理损失程度越大，则在进行菌盖表面破损检测时，对应尺度的菌盖高斯图像为最佳破损检测尺度。

步骤（1），由于灰度共生矩阵的主对角线上的元素，表示具有相同灰度级别的像素对的数量，另外，因为主对角线上的像素对具有相同的灰度级别，很可能是局部区域内的平坦区域，而副对角线上的像素对具有不同的灰度级别，往往表示了图像中的边缘或纹理等灰度变化，所以主对角线上的元素通常比副对角线上的元素较大时，表示灰度共生矩阵的对应方向下，纹理分布更为平坦，即反映了纹理的分布方向；

根据经验预设划分参数Ta，将任意灰度共生矩阵划分为4个区域，记为矩阵区域， 分别为、、和，四个矩阵区域中相邻两个矩阵区域的边界与灰度共生矩阵的主 对角线相互平行，中间两个矩阵区域的大小小于两侧的矩阵区域，具体划分方法如图3所 示；

根据任意菌盖高斯图像中划分区域的任意方向下的灰度共生矩阵，获取划分区域在对应方向下的纹理特征，具体计算方法为：

其中，表示第个划分区域在方向下的纹理特征；表示第个划分区 域在方向下的灰度共生矩阵中，位于第行第列的元素；、、和表示灰度共生 矩阵的4个矩阵区域；

表示属于矩阵区域和的并集内且位于灰度共生矩阵中 的第行第列的元素；表示属于矩阵区域和的并集内且位于灰度 共生矩阵中的第行第列的元素。

当灰度共生矩阵所对应方向与划分区域的纹理方向相近时，灰度共生矩阵的，矩阵区域中元素的数值相对较小，而在，矩阵区域中元素的数值相对较大。

即纹理特征越大，表示划分区域在对应方向上的纹理具有越强的方向特征，则在纹理特征集合中获取纹理特征最大值，该纹理特征最大值所对应的灰度共生矩阵的方向，与菌盖表面上的纹理分布方向相近；另外，纹理特征集合中所有纹理特征数值相近，反映对应划分区域在所有方向上的纹理都比较相似，结合矩阵对应的熵值，该值越大，表示区域的纹理分布离散，即为菌盖纹理分布无规则区域，为菌盖的边缘区域。

步骤（2），通过上述步骤获得在菌盖高斯图像中，划分区域对应的不同方向下的灰度共生矩阵对应的纹理特征所形成的纹理特征集合，获取任意划分区域多对应纹理特征集合的方差，记为纹理方差，以及纹理特征集合中元素的极大值，进一步进行区域纹理分析；

首先，创建空集，将任意划分区域在4个方向上的纹理特征按照从小到大的顺序依次置入空集中，获得4个对应的纹理特征集合，并在置入过程中，每置入一个纹理特征，获取一次纹理特征集合的方差，记为纹理方差；

然后，按照纹理特征的置入顺序，获得对应的纹理方差所形成的序列，记为纹理方差序列，利用后向差分计算方法获取纹理方差序列对应的后向差分序列，获取后向差分序列中绝对值最大时，所对应纹理特征的方向，记为划分区域的纹理方向；

需要说明的是，在获取纹理方差的过程中，由于纹理特征存在置入顺序，则获得的纹理方差与纹理特征之间相对应；

需要说明的是，后向差分计算方法为现有方法，因此本实施例不过多赘述。

纹理方差越小，表示划分区域的灰度共生矩阵对应纹理特征分布均匀，即区域在任意方向纹理分布比较相似，则对应划分区域为菌盖的边缘部分的概率越大，或受损的情况越严重。

纹理方差越大，表示对应的纹理特征集合中存在异常值，当纹理方差的绝对值出现最值时，表示纹理特征集合被置入的纹理特征数值较大，说明划分区域在该纹理特征对应方向上，像素点的灰度分布存在纹理信息，以此得到划分区域可能存在的纹理方向。

步骤（3），菌盖可以近似为圆形，未破损的菌盖上的纹理通常沿着半径方向分布，则分析任意角度方向上对应区域所存在的纹理方向，若划分区域的纹理方向在对应半径方向上都比较接近，即可确定该方向下菌盖所表现的纹理。

若存在划分区域中存在多个方向上的纹理，则存在一个方向上的纹理会导致纹理特征很强的方向上出现纹理变化，并且该纹理存在一定的延伸性，若异常纹理所构成的区域遍布多个角度区间，并且该组成区域的越窄，方向趋向性越强，并且该纹理边界分布清晰相较于其他纹理清晰度都大，并且连接异常纹理点，找距离最近的异常纹理点集合，两种纹理异常点集合方向分布越相似，则该纹理为异常纹理概率很大，即区域异常程度很大。

首先，获取菌盖高斯图像的中心点，以中心点的正上方为起始，每20°形成一个区间，将菌盖高斯图像分为18个区域，记为角度区域，如图4所示为角度区域示意图；

然后，利用Sobel算子获取划分区域中所有像素点的梯度方向，将梯度方向与所在划分区域的纹理方向之间的差值绝对值在预设方向差值范围内的像素点，记为纹理点；获得划分区域中的若干个纹理点；

需要说明的是，根据经验预设方向差值范围为，方向差值范围可根据 实际情况进行调整，本实施例不作具体限定。

其次，利用最小二乘法对任意划分区域中的纹理点进行直线拟合，获得对应拟合直线的方向，记为划分区域的纹理点方向；获取划分区域中任意两个纹理点之间的欧式距离，将所有纹理点两两之间的欧氏距离平均值，记为划分区域的纹理点距离；获取任意划分区域中所有纹理点所在的角度区域，记为纹理点角度区域，获取所有纹理点角度区域对应角度的和值，记为纹理点角度，即多个纹理点角度区域合并形成新的区域，由新的区域与菌盖高斯图像的中心点所形成的角度；

最后，根据纹理点方向、纹理点距离以及纹理点角度获得划分区域的纹理异常程度，具体计算方法为：

其中，表示第个划分区域的纹理异常程度；表示第个划分区域的纹理点距 离；表示第个划分区域的纹理点方向；表示第个划分区域的纹理点角度；

纹理异常程度越大，表示划分区域存在异常纹理的概率越大；

纹理点角度反映了划分区域中纹理所经过的角度，角度越大，所经过的角度区域越多，表示异常方向的纹理分布较大。

利用纹理异常程度的获取方法，获得任意菌盖高斯图像的任意划分区域的纹理异常程度；通过综合量化每个尺度下划分区域的纹理异常程度，以确定能够准确反映菌盖表面破损程度的最佳高斯模糊尺度，菌盖高斯图像总的纹理异常程度越大，反映图像的表面破损状况越明显。

至此，获取划分区域的纹理异常程度。

步骤S004，根据纹理异常程度获得对应高斯模糊程度下的异常纹理信息量，根据异常纹理信息量实现菌盖表面破损检测。

首先，获取任意菌盖高斯图像中所有划分区域的纹理异常程度的累加值，记为菌盖高斯图像对应高斯模糊程度下的异常纹理信息量，异常纹理信息量的数值越大，表示越容易判断菌盖表面的破损情况，则获取异常纹理信息量最大时，对应的菌盖高斯图像以及对应的高斯模糊算法的标准差；

然后，将异常纹理信息量最大时对应的高斯模糊算法的标准差，作为后续对菌盖图像进行模糊处理时的最佳模糊尺度，对菌盖图像进行高斯模糊处理，获得最佳模糊尺度下的菌盖高斯图像，记为最佳菌盖高斯图像；

最后，获取大量菌盖图像对应的最佳菌盖高斯图像，并利用局部二值模式算法获取最佳菌盖高斯图像的LBP编码，由领域内专业人员将菌盖受损或菌盖未受损作为对应LBP编码的人工标签，则将带有人工标签的LBP编码作为一个样本，则大量样本构成训练支持向量机的数据集，将数据集作为支持向量机的输入，结合HingeLoss损失函数对支持向量机进行训练，获得训练完成的支持向量机，利用支持向量机对新的最佳菌盖高斯图像进行表面破损检测。

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)

1.一种菌盖表面破损检测方法，其特征在于，该方法包括以下步骤：

获取菌盖图像；

对菌盖图像进行多次模糊处理获得多个菌盖高斯图像，对菌盖高斯图像进行划分，获得若干个划分区域，获取划分区域的灰度共生矩阵；

根据灰度共生矩阵中不同矩阵区域之间的差异获得划分区域的多个纹理特征；利用纹理特征获得纹理特征集合，根据纹理特征集合，获得由多个纹理方差形成的纹理方差序列，根据纹理方差序列中元素的差异获得划分区域的纹理方向；根据划分区域中像素点的梯度方向与纹理方向之间的差异获得纹理点，根据纹理点在划分区域中的分布情况，获得纹理点方向、纹理点距离以及纹理点角度；根据纹理点方向、纹理点距离以及纹理点角度的融合结果获得划分区域的纹理异常程度；

根据菌盖高斯图像中所有划分区域的纹理异常程度，获得菌盖图像的异常纹理信息量，根据异常纹理信息量的大小获得最佳模糊尺度，结合最佳模糊尺度对菌盖表面破损进行检测；

所述纹理特征的获取方法如下：

利用预设的划分参数将任意灰度共生矩阵划分为4个区域，记为矩阵区域，四个矩阵区域中相邻两个矩阵区域的边界与灰度共生矩阵的主对角线相互平行，中间两个矩阵区域的大小小于两侧的矩阵区域；

根据任意菌盖高斯图像中划分区域的任意方向下的灰度共生矩阵，获取划分区域在对应方向下的纹理特征，具体计算方法为：

其中，表示第/>个划分区域在/>方向下的纹理特征；/>表示第/>个划分区域在方向下的灰度共生矩阵中，位于第/>行第/>列的元素；/>、/>以及/>和/>表示灰度共生矩阵的4个矩阵区域；

表示属于矩阵区域/>和/>的并集内且位于灰度共生矩阵中的第/>行第/>列的元素；/>表示属于矩阵区域/>和/>的并集内且位于灰度共生矩阵中的第/>行第/>列的元素；

所述根据划分区域中像素点的梯度方向与纹理方向之间的差异获得纹理点，根据纹理点在划分区域中的分布情况，获得纹理点方向、纹理点距离以及纹理点角度，包括的具体步骤如下：

首先，利用Sobel算子获取划分区域中所有像素点的梯度方向，将梯度方向与所在划分区域的纹理方向之间的差值绝对值在预设方向差值范围内的像素点，记为纹理点；获得划分区域中的若干个纹理点；

然后，获取菌盖高斯图像的中心点，以中心点的正上方为起始，将菌盖高斯图像分为预设数量的区域，记为角度区域；

最后，利用最小二乘法对任意划分区域中的纹理点进行直线拟合，获得对应拟合直线的方向，记为划分区域的纹理点方向；获取划分区域中任意两个纹理点之间的欧式距离，将所有纹理点两两之间的欧氏距离平均值，记为划分区域的纹理点距离；获取任意划分区域中所有纹理点所在的角度区域，记为纹理点角度区域，获取所有纹理点角度区域对应角度的和值，记为划分区域的纹理点角度；

所述纹理异常程度的获取方法如下：

划分区域的纹理异常程度的具体计算方法为：

其中，表示第/>个划分区域的纹理异常程度；/>表示第/>个划分区域的纹理点距离；表示第/>个划分区域的纹理点方向；/>表示第/>个划分区域的纹理点角度。

2.根据权利要求1所述一种菌盖表面破损检测方法，其特征在于，所述菌盖图像的获取方法如下：

首先，利用摄像机拍摄获取菌盖表面图像并进行灰度化处理，将灰度化处理后的菌盖表面图像记为灰度菌盖表面图像；

然后，利用语义分割神经网络来获取菌盖区域，将菌盖区域的图像记为菌盖图像。

3.根据权利要求1所述一种菌盖表面破损检测方法，其特征在于，所述灰度共生矩阵的获取方法如下：

首先，预设基础值，并以预设的步长对基础值进行迭代增加，迭代增加过程中预设迭代范围，将基础值在迭代过程中的数值作为高斯模糊算法的标准差，利用多个标准差分别对菌盖图像进行处理，获得若干个菌盖高斯图像；

然后，预设划分数量，将菌盖高斯图像划分为划分数量所对应数量的区域，记为划分区域，且各划分区域的大小均等；

最后，获取任意划分区域在0°、45°、90°以及135°方向下的灰度共生矩阵。

4.根据权利要求1所述一种菌盖表面破损检测方法，其特征在于，所述纹理特征集合的获取方法如下：

创建空集，将任意划分区域在所有方向上的纹理特征按照从小到大的顺序进行排序；

将排序后的第一个纹理特征置入第一个纹理特征集合；

将排序后的前两个纹理特征置入第二个纹理特征集合；

将排序后的前三个纹理特征置入第三个纹理特征集合；

将所有纹理特征置入第四个纹理特征集合。

5.根据权利要求4所述一种菌盖表面破损检测方法，其特征在于，所述根据纹理方差序列中元素的差异获得划分区域的纹理方向，包括的具体步骤如下：

获取每个纹理特征集合的方差，记为纹理方差；

按照纹理特征集合的顺序，获得由所有纹理特征集合对应纹理方差所形成的序列，记为纹理方差序列，利用后向差分计算方法获取纹理方差序列对应的后向差分序列，获取后向差分序列中绝对值最大时，所对应纹理特征的方向，记为划分区域的纹理方向。

6.根据权利要求1所述一种菌盖表面破损检测方法，其特征在于，所述根据异常纹理信息量的大小获得最佳模糊尺度，包括的具体步骤如下：

首先，获取任意菌盖高斯图像中所有划分区域的纹理异常程度的累加值，记为菌盖高斯图像对应高斯模糊程度下的异常纹理信息量，获取异常纹理信息量最大时，对应的菌盖高斯图像以及对应的高斯模糊算法的标准差；

然后，将异常纹理信息量最大时对应的高斯模糊算法的标准差，作为对菌盖图像进行模糊处理时的最佳模糊尺度。

7.根据权利要求1所述一种菌盖表面破损检测方法，其特征在于，所述结合最佳模糊尺度对菌盖表面破损进行检测，包括的具体步骤如下：

首先，对菌盖图像进行高斯模糊处理，获得最佳模糊尺度下的菌盖高斯图像，记为最佳菌盖高斯图像；

然后，利用支持向量机对最佳菌盖高斯图像进行菌盖表面破损检测。