CN116883407A - 基于人工智能的瓶装水杂质检测方法 - Google Patents
基于人工智能的瓶装水杂质检测方法 Download PDFInfo
- Publication number
- CN116883407A CN116883407A CN202311152348.8A CN202311152348A CN116883407A CN 116883407 A CN116883407 A CN 116883407A CN 202311152348 A CN202311152348 A CN 202311152348A CN 116883407 A CN116883407 A CN 116883407A
- Authority
- CN
- China
- Prior art keywords
- connected domain
- impurity
- abnormal
- bottled water
- suspected
- 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
- 239000012535 impurity Substances 0.000 title claims abstract description 193
- 235000012206 bottled water Nutrition 0.000 title claims abstract description 96
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 138
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 4
- 241000287196 Asthenes Species 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000877 morphologic effect Effects 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001579 optical reflectometry Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及基于人工智能的瓶装水杂质检测方法，包括：采集瓶装水图像并对瓶装水图像进行预处理，得到异常连通域；根据异常连通域获取异常连通域的第一特征因子；根据异常连通域的第一特征因子，获取疑似杂质连通域；根据疑似杂质连通域，获取疑似杂质连通域为杂质连通域的可信程度；根据疑似杂质连通域为杂质连通域的可信程度，获取杂质连通域实现瓶装水杂质检测。本发明通过分析瓶装水图像中气泡与杂质形态特征与灰度值特征之间的差异，实现准确区分瓶装水图像中的气泡与杂质。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及基于人工智能的瓶装水杂质检测方法。
背景技术
瓶装水是人们日常饮用水的重要来源之一。各地区都有相关的法规和标准来规范瓶装水的质量和安全性。进行杂质检测可以确保瓶装水符合相关法规和标准的要求，以保护消费者的权益，并维护市场秩序。确保瓶装水的质量和卫生安全对于人们的健康至关重要。而水中常见的杂质可能包括微生物、悬浮颗粒、化学物质等，这些杂质如果存在于瓶装水中，可能会对人体健康产生负面影响。因此杂质检测是生产控制和质量管理的重要环节。通过对原材料、生产过程和成品进行杂质检测，企业可以及时发现问题并采取相应的措施，确保产品质量稳定和一致性。而通常对于瓶装水中杂质的检测会使用图像处理技术进行采集和处理；通过对采集得到的图像进行预处理操作减少一些干扰，并通过设定适当的阈值将图像转换为二值图像；将水与其中的杂质区分开，在进行后续的特征提取操作。
但在实际的检测操作过程中，采集得到的瓶装水内部极有可能存在气泡；其是由水中的气体产生的空洞；它们可能具有不规则的形状和边缘。且其在外观和内部均与杂质存在相近的特征，极易对传统的图像分割处理方式带来较为严重的干扰，导致最终分割提取效果不准确。
发明内容
本发明提供基于人工智能的瓶装水杂质检测方法，以解决现有的问题。
本发明的基于人工智能的瓶装水杂质检测方法采用如下技术方案：
本发明一个实施例提供了基于人工智能的瓶装水杂质检测方法，该方法包括以下步骤：
采集瓶装水图像并对瓶装水图像进行预处理，得到瓶装水灰度图像记为灰度图像，根据灰度图像获取异常连通域；
根据异常连通域边缘上的像素点数量与异常连通域内像素点的数量，获取异常连通域的类圆程度；根据异常连通域的边缘获取灰度图像中异常连通域边缘光滑程度；根据异常连通域的类圆程度以及异常连通域边缘光滑程度获取异常连通域的第一特征因子；根据异常连通域的第一特征因子，获取疑似杂质连通域；
根据疑似杂质连通域，获取疑似杂质连通域为杂质连通域的可信程度；
根据疑似杂质连通域为杂质连通域的可信程度，检测出杂质连通域。
优选的，所述采集瓶装水图像并对瓶装水图像进行预处理，得到瓶装水灰度图像记为灰度图像，根据灰度图像获取异常连通域，包括的具体步骤如下：
首先通过工业相机采集得到瓶装水图像，对瓶装水图像进行灰度化处理得到瓶装水图像的灰度图像；然后对瓶装水图像的灰度图像进行去噪处理，得到去噪后的瓶装水图像的灰度图像记为灰度图像；最后以灰度图像中所有像素点的灰度均值为阈值对灰度图像进行阈值分割，得到灰度图像中若干异常连通域。
优选的，所述获取异常连通域的类圆程度，包括的具体计算公式如下：
式中，表示第/>个异常连通域的类圆程度；/>表示第/>个异常连通域边缘上的像素点数量；/>表示第/>个异常连通域内像素点的数量；/>表示圆周率。
优选的，所述获取灰度图像中异常连通域边缘光滑程度，包括的具体步骤如下：
将灰度图像中异常连通域的边缘作为异常连通域边缘曲线，根据异常连通域边缘曲线中所有像素点的一阶导数以及二阶导数，计算灰度图像中异常连通域边缘光滑程度。
优选的，所述计算灰度图像中异常连通域边缘光滑程度，包括的具体计算公式如下：
式中，表示第/>个异常连通域边缘的光滑程度；/>表示第/>个异常连通域边缘上的像素点数量；/>表示第/>个异常连通域边缘上第/>个像素点的一阶导数；/>表示第/>个异常连通域边缘上第/>个像素点的一阶导数；/>表示第/>个异常连通域中的最大二阶导数的大小；/>表示第/>个异常连通域中的最大二阶导数的数量；/>表示以/>为底数的指数函数；/>表示线性归一化函数；/>与/>均为预设的权重。
优选的，所述获取异常连通域的第一特征因子，包括的具体计算公式如下：
式中，表示第/>个异常连通域的第一特征因子；/>表示第/>个异常连通域的类圆程度；/>表示第/>个异常连通域边缘的光滑程度；/>以及/>分别为预设的异常连通域的类圆程度权重与异常连通域边缘的光滑程度权重。
优选的，所述获取疑似杂质连通域，包括的具体步骤如下：
预设一个第一特征因子阈值；对于第/>个异常连通域，当异常连通域的第一特征因子大于等于/>时，该第/>个异常连通域为疑似杂质连通域，当异常连通域的第一特征因子小于/>时，该第/>个异常连通域不为疑似杂质连通域。
优选的，所述获取疑似杂质连通域为杂质连通域的可信程度，包括的具体步骤如下：
统计疑似杂质连通域的质心到疑似杂质连通域所有边缘上像素点的距离，将其中最小的质心到边缘像素点的距离记为，然后以疑似杂质连通域的质心为圆心，以/>为半径在疑似杂质连通域中构建一个圆，将圆内的像素点组成的区域记为中心区域，将圆外与疑似杂质连通域之间的像素点组成的区域记为周边区域，最后根据疑似杂质连通域内像素点的灰度值、中心区域内像素点的灰度值以及周边区域内像素点的灰度值，获取疑似杂质连通域为杂质连通域的可信程度。
优选的，所述获取疑似杂质连通域为杂质连通域的可信程度，包括的具体计算公式如下：
式中，表示疑似杂质连通域为杂质连通域的可信程度；/>表示疑似杂质连通域内像素点的数量；/>表示疑似杂质连通域中第/>个像素点的灰度值；/>表示疑似杂质连通域内中心区域的灰度均值；/>表示疑似杂质连通域内周边区域的灰度均值；/>表示以/>为底数的指数函数；/>表示/>函数；/>与/>均为预设的权值。
优选的，所述根据疑似杂质连通域为杂质连通域的可信程度，检测出杂质连通域，包括的具体步骤如下：
预设可信程度阈值；对于第/>个疑似杂质连通域，若/>时，第/>个疑似杂质连通域为杂质连通域；对于第/>个疑似杂质连通域，若/>时，第/>个疑似杂质连通域不为杂质连通域；得到瓶装水中的杂质连通域；/>表示第/>个疑似杂质连通域为杂质连通域的可信程度。
本发明的技术方案的有益效果是：由于瓶装水中的杂质的灰度值与瓶装水其他区域的灰度值存在较大的差异，所以传统的对瓶装水内杂质的识别是通过阈值分割法，将瓶装水图像中灰度值与其他像素点差异大的像素点分割出来，以此检验瓶装水中是否存在杂质；但是瓶装水中可能存在气泡，而瓶装水中的气泡与瓶装水中的杂质均与瓶装水其他区域的灰度值存在较大的差异，同时瓶装水中存在气泡属于正常现象，所以传统的对瓶装水内杂质的识别方法可能将瓶装水中的气泡识别为杂质，从而出现误判的情况。
而本发明首先通过瓶装水中的杂质与气泡在形态上的差异，进行瓶装水中的杂质与气泡第一轮筛选，然后再通过瓶装水中的杂质与气泡的内部灰度值分布差异，进行第二轮筛选，最终实现准确区分瓶装水中的气泡与杂质。
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为本发明基于人工智能的瓶装水杂质检测方法的步骤流程图。
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基于人工智能的瓶装水杂质检测方法，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基于人工智能的瓶装水杂质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基于人工智能的瓶装水杂质检测方法的步骤流程图，该方法包括以下步骤：
步骤S001:采集瓶装水图像并对瓶装水图像进行预处理，异常连通域。
需要说明的是，本实施例作为一种基于人工智能的瓶装水杂质检测方法，具体是通过瓶装水图像中气泡和杂质的外部形态特征以及内部灰度特征的差异进行判断，最终得到瓶装水图像中可信度高的杂质连通域；实现水中杂质的智能识别和检测，因此首先需要获取瓶装水图像中的气泡连通域与杂质连通域。
具体的，通过工业相机采集得到瓶装水图像，对瓶装水图像进行灰度化处理得到瓶装水图像的灰度图像；为避免光照、震动等环境因素所产生的噪声对后续区分瓶装水图像中的气泡连通域与杂质连通域，需要对瓶装水图像的灰度图像进行去噪处理，在本实施例中以高斯滤波对瓶装水图像的灰度图像进行去噪处理，具体可结合实际情况选择去噪方法本实施例不做硬性要求，且高斯滤波作为一种公知的技术故在本实施例中不再赘述，得到去噪后的瓶装水图像的灰度图像记为灰度图像。
需要进一步说明的是，灰度图像内的气泡连通域以及杂质连通域同为灰度图像内的异常连通域，且灰度图像内异常连通域中像素点的数量远小于灰度图像内所有像素点的数量，同时灰度图像内异常连通域中像素点的灰度值与灰度图像内其他像素点的灰度值差异大，且灰度图像中异常连通域的灰度值大于灰度图像内其他像素点的灰度值，故以此为依据对灰度图像进行分割，得到灰度图像中的异常连通域。
具体的，以灰度图像中所有像素点的灰度均值为阈值对灰度图像进行阈值分割，得到灰度图像中若干异常连通域。
至此，得到灰度图像中的异常连通域。
步骤S002：根据异常连通域边缘上的像素点数量与异常连通域内像素点的数量，获取异常连通域的类圆程度；根据异常连通域的边缘，获取灰度图像中异常连通域边缘光滑程度；根据异常连通域的类圆程度以及异常连通域边缘光滑程度获取异常连通域的第一特征因子；根据异常连通域的第一特征因子，获取疑似杂质连通域。
需要说明的是，在灰度图像中的气泡连通域通常具有圆形或椭圆形的类圆形状形态特征，而灰度图像中的杂质连通域通常不具有规则的形态特征；且灰度图像中的气泡连通域的边缘具有光滑的特征，而灰度图像中的杂质连通域边缘不具有光滑的特征，故可以根据灰度图像中异常连通域的类圆程度以及边缘光滑程度获取第一特征参数。
具体的，根据灰度图像中异常连通域边缘上的像素点数量以及异常连通域内像素点的数量，计算灰度图像中异常连通域的类圆程度，其具体的计算公式为：
式中，表示第/>个异常连通域的类圆程度；/>表示第/>个异常连通域边缘上的像素点数量；/>表示第/>个异常连通域内像素点的数量；/>表示圆周率。
需要进一步说明的是，表示的是/>倍第/>个异常连通域内像素点的数量与第/>个异常连通域边缘上的像素点数量平方的比值，该比值越趋近于1，则说明第/>个异常连通越趋近于圆形；即/>的值越大，第/>个异常连通越趋近于圆形，且/>的取值范围为[0,1]。
然后，将灰度图像中异常连通域的边缘作为异常连通域边缘曲线，根据异常连通域边缘曲线中所有像素点的一阶导数以及二阶导数，计算灰度图像中异常连通域边缘光滑程度；其具体的计算公式为：
式中，表示第/>个异常连通域边缘的光滑程度；/>表示第/>个异常连通域边缘上的像素点数量；/>表示第/>个异常连通域边缘上第/>个像素点的一阶导数；/>表示第/>个异常连通域边缘上第/>个像素点的一阶导数；/>表示第/>个异常连通域中的最大二阶导数的大小；/>表示第/>个异常连通域中的最大二阶导数的数量；/>表示以/>为底数的指数函数；/>表示线性归一化函数；/>与/>均为预设的权重，/>与/>的具体取值可结合实际情况设置，本实施例不做硬性要求，在本实施例中以/>、/>进行计算。
需要进一步说明的是，表示的是第/>个异常连通域边缘上每个像素点的一阶导数与其前一个像素点的一阶导数之间的差异的均值；/>表示的是第/>个异常连通域边缘上第/>个像素点的一阶导数与第/>个像素点的一阶导数之间的差异；/>表示的是第/>个异常连通域边缘上弯曲程度最大点；/>表示的是第/>个异常连通域边缘上弯曲程度最大点的数量；所以/>越大则表示第/>个异常连通域边缘越光滑，且/>的取值范围为[0,1]。
最后，根据异常连通域的类圆程度以及边缘的光滑程度，获取异常连通域的第一特征因子，其具体的计算公式为：
式中，表示第/>个异常连通域的第一特征因子；/>表示第/>个异常连通域的类圆程度；/>表示第/>个异常连通域边缘的光滑程度；/>以及/>分别为预设的异常连通域的类圆程度权重与异常连通域边缘的光滑程度权重，/>与/>的具体取值可结合实际情况设置，本实施例不做硬性要求，在本实施例中以/>、/>进行计算。
至此，得到异常连通域的第一特征因子。
需要说明的是，表示的是第/>个异常连通域的类圆程度，/>越大则第/>个异常连通域越具有气泡连通域的特征；/>表示第/>个异常连通域边缘的光滑程度，/>越大则表示第/>个异常连通域边缘越光滑；所以/>越大则表示第/>个异常连通域越具有杂质连通域的特征，再通过异常连通域的第一特征因子对灰度图像中的异常连通域进行初步筛选，得到疑似杂质连通域。
具体的，预设一个第一特征因子阈值，第一特征因子阈值/>的大小可结合实际情况设置，本实施例不做硬性要求，在本实施例中以/>进行叙述；对于第/>个异常连通域，当异常连通域的第一特征因子大于等于/>时，该第/>个异常连通域为疑似杂质连通域，当异常连通域的第一特征因子小于/>时，该第/>个异常连通域不为疑似杂质连通域。
至此，得到疑似杂质连通域。
步骤S003：根据疑似杂质连通域，获取疑似杂质连通域为杂质连通域的可信程度。
需要说明的是，由于瓶装水中的气泡内部为空气，所以气泡在光线的照射下具有一定的反光性，因此瓶装水中的气泡的灰度值高，而瓶装水中的杂质不具备反光性，因此瓶装水中的杂质灰度值低；且由于瓶装水中的气泡具有从边缘到中心灰度的渐变特征，而瓶装水中的杂质则不具有边缘到中心灰度的渐变特征，故可以以此为依据获取疑似杂质连通域为杂质连通域的可信程度。
具体的，统计疑似杂质连通域的质心到疑似杂质连通域所有边缘上像素点的距离，将其中最小的质心到边缘像素点的距离记为，然后以疑似杂质连通域的质心为圆心，以/>为半径在疑似杂质连通域中构建一个圆，将圆内的像素点组成的区域记为中心区域，将圆外与疑似杂质连通域之间的像素点组成的区域记为周边区域，最后根据疑似杂质连通域内像素点的灰度值、中心区域内像素点的灰度值以及周边区域内像素点的灰度值，获取疑似杂质连通域为杂质连通域的可信程度，其具体的计算公式为：
式中，表示疑似杂质连通域为杂质连通域的可信程度；/>表示疑似杂质连通域内像素点的数量；/>表示疑似杂质连通域中第/>个像素点的灰度值；/>表示疑似杂质连通域内中心区域的灰度均值；/>表示疑似杂质连通域内周边区域的灰度均值；/>表示以/>为底数的指数函数；/>表示/>函数；/>与/>均为预设的权值，而/>与/>的大小可结合实际情况自行设置，本实施例不做硬性要求，在本实施例中以/>、/>进行计算。
需要进一步说明的是表示的是疑似杂质连通域的整体灰度值，即/>的值越小，疑似杂质连通域越具有杂质连通域的特征；/>表示的是疑似杂质连通域的局部灰度值变化，即/>的值越小疑似杂质连通域越具有杂质连通域的特征；所以疑似杂质连通域为杂质连通域的可信程度越大，疑似杂质连通域就越具有杂质连通域的特征。
步骤S004：根据疑似杂质连通域为杂质连通域的可信程度，获取杂质连通域实现瓶装水杂质检测。
需要说明的，由于疑似杂质连通域为杂质连通域的可信程度越大，疑似杂质连通域就越具有杂质连通域的特征，故可以根据疑似杂质连通域为杂质连通域的可信程度获取杂质连通域。
具体的，预设可信程度阈值，/>的大小结合实际情况自行设置，本实施例不做硬性要求，在本实施例中以/>进行叙述；对于第/>个疑似杂质连通域，若/>时，第/>个疑似杂质连通域为杂质连通域；对于第/>个疑似杂质连通域，若/>时，第/>个疑似杂质连通域不为杂质连通域，所述/>表示第/>个疑似杂质连通域为杂质连通域的可信程度。
至此，得到瓶装水中的杂质连通域，实现瓶装水杂质检测。
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 (10)
1.基于人工智能的瓶装水杂质检测方法，其特征在于，该方法包括以下步骤：
采集瓶装水图像并对瓶装水图像进行预处理，得到瓶装水灰度图像记为灰度图像，根据灰度图像获取异常连通域；
根据异常连通域边缘上的像素点数量与异常连通域内像素点的数量，获取异常连通域的类圆程度；根据异常连通域的边缘获取灰度图像中异常连通域边缘光滑程度；根据异常连通域的类圆程度以及异常连通域边缘光滑程度获取异常连通域的第一特征因子；根据异常连通域的第一特征因子，获取疑似杂质连通域；
根据疑似杂质连通域，获取疑似杂质连通域为杂质连通域的可信程度；
根据疑似杂质连通域为杂质连通域的可信程度，检测出杂质连通域。
2.根据权利要求1所述基于人工智能的瓶装水杂质检测方法，其特征在于，所述采集瓶装水图像并对瓶装水图像进行预处理，得到瓶装水灰度图像记为灰度图像，根据灰度图像获取异常连通域，包括的具体步骤如下：
首先通过工业相机采集得到瓶装水图像，对瓶装水图像进行灰度化处理得到瓶装水图像的灰度图像；然后对瓶装水图像的灰度图像进行去噪处理，得到去噪后的瓶装水图像的灰度图像记为灰度图像；最后以灰度图像中所有像素点的灰度均值为阈值对灰度图像进行阈值分割，得到灰度图像中若干异常连通域。
3.根据权利要求1所述基于人工智能的瓶装水杂质检测方法，其特征在于，所述获取异常连通域的类圆程度，包括的具体计算公式如下：
式中，表示第/>个异常连通域的类圆程度；/>表示第/>个异常连通域边缘上的像素点数量；/>表示第/>个异常连通域内像素点的数量；/>表示圆周率。
4.根据权利要求1所述基于人工智能的瓶装水杂质检测方法，其特征在于，所述获取灰度图像中异常连通域边缘光滑程度，包括的具体步骤如下：
将灰度图像中异常连通域的边缘作为异常连通域边缘曲线，根据异常连通域边缘曲线中所有像素点的一阶导数以及二阶导数，计算灰度图像中异常连通域边缘光滑程度。
5.根据权利要求4所述基于人工智能的瓶装水杂质检测方法，其特征在于，所述计算灰度图像中异常连通域边缘光滑程度，包括的具体计算公式如下：
式中，表示第/>个异常连通域边缘的光滑程度；/>表示第/>个异常连通域边缘上的像素点数量；/>表示第/>个异常连通域边缘上第/>个像素点的一阶导数；/>表示第/>个异常连通域边缘上第/>个像素点的一阶导数；/>表示第/>个异常连通域中的最大二阶导数的大小；/>表示第/>个异常连通域中的最大二阶导数的数量；/>表示以/>为底数的指数函数；/>表示线性归一化函数；/>与/>均为预设的权重。
6.根据权利要求1所述基于人工智能的瓶装水杂质检测方法，其特征在于，所述获取异常连通域的第一特征因子，包括的具体计算公式如下：
式中，表示第/>个异常连通域的第一特征因子；/>表示第/>个异常连通域的类圆程度；/>表示第/>个异常连通域边缘的光滑程度；/>以及/>分别为预设的异常连通域的类圆程度权重与异常连通域边缘的光滑程度权重。
7.根据权利要求1所述基于人工智能的瓶装水杂质检测方法，其特征在于，所述获取疑似杂质连通域，包括的具体步骤如下：
预设一个第一特征因子阈值；对于第/>个异常连通域，当异常连通域的第一特征因子大于等于/>时，该第/>个异常连通域为疑似杂质连通域，当异常连通域的第一特征因子小于/>时，该第/>个异常连通域不为疑似杂质连通域。
8.根据权利要求1所述基于人工智能的瓶装水杂质检测方法，其特征在于，所述获取疑似杂质连通域为杂质连通域的可信程度，包括的具体步骤如下：
统计疑似杂质连通域的质心到疑似杂质连通域所有边缘上像素点的距离，将其中最小的质心到边缘像素点的距离记为，然后以疑似杂质连通域的质心为圆心，以/>为半径在疑似杂质连通域中构建一个圆，将圆内的像素点组成的区域记为中心区域，将圆外与疑似杂质连通域之间的像素点组成的区域记为周边区域，最后根据疑似杂质连通域内像素点的灰度值、中心区域内像素点的灰度值以及周边区域内像素点的灰度值，获取疑似杂质连通域为杂质连通域的可信程度。
9.根据权利要求8所述基于人工智能的瓶装水杂质检测方法，其特征在于，所述获取疑似杂质连通域为杂质连通域的可信程度，包括的具体计算公式如下：
式中，表示疑似杂质连通域为杂质连通域的可信程度；/>表示疑似杂质连通域内像素点的数量；/>表示疑似杂质连通域中第/>个像素点的灰度值；/>表示疑似杂质连通域内中心区域的灰度均值；/>表示疑似杂质连通域内周边区域的灰度均值；/>表示以/>为底数的指数函数；/>表示/>函数；/>与/>均为预设的权值。
10.根据权利要求1所述基于人工智能的瓶装水杂质检测方法，其特征在于，所述根据疑似杂质连通域为杂质连通域的可信程度，检测出杂质连通域，包括的具体步骤如下：
预设可信程度阈值；对于第/>个疑似杂质连通域，若/>时，第/>个疑似杂质连通域为杂质连通域；对于第/>个疑似杂质连通域，若/>时，第/>个疑似杂质连通域不为杂质连通域；得到瓶装水中的杂质连通域；/>表示第/>个疑似杂质连通域为杂质连通域的可信程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311152348.8A CN116883407B (zh) | 2023-09-08 | 2023-09-08 | 基于人工智能的瓶装水杂质检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311152348.8A CN116883407B (zh) | 2023-09-08 | 2023-09-08 | 基于人工智能的瓶装水杂质检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883407A true CN116883407A (zh) | 2023-10-13 |
| CN116883407B CN116883407B (zh) | 2023-11-24 |
Family
ID=88266636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311152348.8A Active CN116883407B (zh) | 2023-09-08 | 2023-09-08 | 基于人工智能的瓶装水杂质检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883407B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118038063A (zh) * | 2024-04-11 | 2024-05-14 | 山东华立供水设备有限公司 | 一种基于机器识别的饮用水灌装后杂质检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6549646B1 (en) * | 2000-02-15 | 2003-04-15 | Deus Technologies, Llc | Divide-and-conquer method and system for the detection of lung nodule in radiological images |
| 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 |
| CN114359225A (zh) * | 2022-01-05 | 2022-04-15 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、计算机设备及存储介质 |
| CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
| CN115345885A (zh) * | 2022-10-19 | 2022-11-15 | 南通鹏宝运动用品有限公司 | 一种金属健身器材外观质量检测方法 |
| CN115375685A (zh) * | 2022-10-25 | 2022-11-22 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
| WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
| CN116703910A (zh) * | 2023-08-07 | 2023-09-05 | 威海丰荟建筑工业科技有限公司 | 一种混凝土预制底板质量智能检测方法 |
-
2023
- 2023-09-08 CN CN202311152348.8A patent/CN116883407B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6549646B1 (en) * | 2000-02-15 | 2003-04-15 | Deus Technologies, Llc | Divide-and-conquer method and system for the detection of lung nodule in radiological images |
| 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 |
| CN114359225A (zh) * | 2022-01-05 | 2022-04-15 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、计算机设备及存储介质 |
| CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
| CN115345885A (zh) * | 2022-10-19 | 2022-11-15 | 南通鹏宝运动用品有限公司 | 一种金属健身器材外观质量检测方法 |
| CN115375685A (zh) * | 2022-10-25 | 2022-11-22 | 临沂天元混凝土工程有限公司 | 用于混凝土原料中的砂石粒径异常检测方法 |
| WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
| CN116703910A (zh) * | 2023-08-07 | 2023-09-05 | 威海丰荟建筑工业科技有限公司 | 一种混凝土预制底板质量智能检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曾毅;郭龙源;罗百通;: "基于BP神经网络和均值差分的TFT-LCD MURA缺陷检测方法", 湖南理工学院学报(自然科学版), no. 01 * |
| 熊邦书;涂晓衍;李新民;余磊;: "直升机桨叶共锥度测量中圆形标记点高精度定位方法", 半导体光电, no. 04 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118038063A (zh) * | 2024-04-11 | 2024-05-14 | 山东华立供水设备有限公司 | 一种基于机器识别的饮用水灌装后杂质检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883407B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100550037C (zh) | 利用改进Hausdorff距离提取识别人耳特征的方法 | |
| CN116486061B (zh) | 基于机器视觉的污水处理效果检测方法 | |
| CN103164692B (zh) | 一种基于计算机视觉的特种车辆仪表自动识别系统及方法 | |
| CN108961280B (zh) | 一种基于slic超像素分割的眼底视盘精细分割方法 | |
| CN103902958A (zh) | 人脸识别的方法 | |
| CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
| CN106980852A (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
| CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
| CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
| CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN116385472B (zh) | 一种五金冲压件去毛刺效果评估方法 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN116030052B (zh) | 电脑显示板层压工序蚀刻质量检测方法 | |
| CN116843692B (zh) | 基于人工智能的再生活性炭状态检测方法 | |
| CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
| CN116993632B (zh) | 基于机器视觉的生产火灾预警方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| Riana et al. | Extraction and classification texture of inflammatory cells and nuclei in normal pap smear images | |
| CN116740058A (zh) | 一种固态硬盘配套晶圆的质量检测方法 | |
| CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
| EP2497052A1 (en) | Method for illumination normalization on a digital image for performing face recognition | |
| CN116883407B (zh) | 基于人工智能的瓶装水杂质检测方法 | |
| CN116645363A (zh) | 一种基于视觉的淀粉生产质量实时检测方法 | |
| CN116934763A (zh) | 一种基于视觉特征的医用橡胶胶塞缺陷检测方法 | |
| CN114582003A (zh) | 一种基于云计算服务的睡眠健康管理系统 |
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 |