CN116934750B - 一种醋蛋液生产质量评估方法 - Google Patents
一种醋蛋液生产质量评估方法 Download PDFInfo
- Publication number
- CN116934750B CN116934750B CN202311190043.6A CN202311190043A CN116934750B CN 116934750 B CN116934750 B CN 116934750B CN 202311190043 A CN202311190043 A CN 202311190043A CN 116934750 B CN116934750 B CN 116934750B
- Authority
- CN
- China
- Prior art keywords
- region
- distribution
- clusters
- calculating
- bubble
- 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
- 235000021419 vinegar Nutrition 0.000 title claims abstract description 67
- 239000000052 vinegar Substances 0.000 title claims abstract description 67
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 45
- 239000007788 liquid Substances 0.000 title claims abstract description 44
- 238000001303 quality assessment method Methods 0.000 title abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract description 107
- 235000013601 eggs Nutrition 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000002791 soaking Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 60
- 230000008859 change Effects 0.000 claims description 23
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 210000003278 egg shell Anatomy 0.000 abstract description 17
- 235000007164 Oryza sativa Nutrition 0.000 abstract description 15
- 235000009566 rice Nutrition 0.000 abstract description 15
- 102000002322 Egg Proteins Human genes 0.000 abstract description 13
- 108010000912 Egg Proteins Proteins 0.000 abstract description 13
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 230000006870 function Effects 0.000 description 22
- 241000209094 Oryza Species 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 208000003351 Melanosis Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 206010013781 dry mouth Diseases 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Abstract
本申请涉及图像处理领域，提供一种醋蛋液生产质量评估方法，包括：采集鸡蛋浸泡在醋中的过程中不同阶段的灰度图像，并从灰度图像中提取感兴趣区域；确定感兴趣区域中气泡分布密集度；基于气泡分布密集度确定邻域半径，并基于邻域半径对不同阶段的灰度图像进行聚类，得到不同阶段的聚类结果，每一聚类结果多个聚类簇；根据不同阶段的聚类结果确定醋蛋液的生产质量。该方法根据浸泡阶段气泡在蛋壳表面的分布情况以及密度构建了气泡分布密集度，从而对DBSCAN算法中邻域半径进行自适应调整，在米醋浸泡关键步骤中不同时间段使用自适应聚类算法时能够有更优的聚类结果，提升后续的检测精度。
Description
技术领域
本申请涉及图像处理领域，特别是涉及一种醋蛋液生产质量评估方法。
背景技术
醋蛋液作为中国历史悠久的配方之一，在明代就流行于宫廷，用于消除祛斑，使人精神充沛。其利用醋的发酵和保存作用，将鸡蛋浸渍在醋中制成，是一道营养美味的食疗佳肴。同时具有很多优点，如营养丰富，蛋白质含量高，具有较高的营养价值；润肺止咳，清热解毒，适用于各种咳嗽、热病所致的口干咽痛；强身健体，补血润血，补充营养，增强体质等。其制备步骤中米醋浸泡鸡蛋为关键步骤，决定最终醋蛋液的成品质量。
常规的检测成品质量的方式是通过图像聚类方法，例如K-Means聚类算法等，但其依赖初始中心的选择以及合适的聚类数K，检测结果不够准确。
发明内容
本发明提供一种基于醋蛋液生产质量评估方法，该方法能够提高检测准确度。
第一方面，本申请提供一种醋蛋液生产质量评估方法，包括：
采集鸡蛋浸泡在醋中的过程中不同阶段的灰度图像，并从灰度图像中提取感兴趣区域；
确定感兴趣区域中气泡分布密集度；
基于气泡分布密集度确定邻域半径，并基于邻域半径对不同阶段的灰度图像进行聚类，得到不同阶段的聚类结果，每一聚类结果多个聚类簇；
根据不同阶段的聚类结果确定醋蛋液的生产质量。
在一实施例中，确定感兴趣区域中气泡分布密集度，包括：
从感兴趣区域中定义多个子区域，对每一子区域进行分割，使得每一子区域包括一个椭圆区域与椭圆区域外侧的多个同心椭圆环，并将椭圆区域和同心椭圆环按照中心点到边缘线的角度分为多个角度区间；
计算所有角度区间内的第一熵值，第一熵值表征气泡在子区域的角度区间的分布情况；
计算椭圆区域同心椭圆环的距离范围的第二熵值，第二熵值表征气泡在子区域内不同距离区间内的分布情况；
计算子区域的气泡密集度；
基于角度区间内的第一熵值、椭圆区域和同心椭圆环内的第二熵值以及气泡密集度确定感兴趣区域中气泡分布密集度。
在一实施例中，计算所有角度区间内的第一熵值，包括：
基于每一角度区间内向量的数量以及子区域内向量的数量计算得到每一角度区间内的向量概率；
基于所有角度区间内的向量概率之和计算所有角度区间内的第一熵值。
在一实施例中，计算椭圆区域和同心椭圆环的距离范围的第二熵值，包括：
基于椭圆区域内向量的数量以及子区域中向量的数量计算椭圆区域内的向量概率，基于同心椭圆环内向量的数量以及子区域中向量的数量计算同心椭圆环内的向量概率；
基于椭圆区域内的向量概率和同心椭圆环内的向量概率之和计算第二熵值。
在一实施例中，计算子区域的气泡密集度，包括：
基于子区域的总面积以及子区域内气泡对应的面积计算子区域的气泡密集度。
在一实施例中，基于角度区间内的第一熵值、椭圆区域和同心椭圆环内的第二熵值以及气泡密集度确定感兴趣区域中气泡分布密集度，包括：
利用如下公式计算气泡分布密集度：
；
其中，为感兴趣区域内气泡分布密集度，反映整个感兴趣区域内气泡的分布状
态以及密度，为子区域的数量，表示第一熵值和第二熵值的联合熵，表
示子区域i的气泡密集度。
在一实施例中，基于气泡分布密集度确定邻域半径，包括：
利用如下公式计算邻域半径：
；
为对数函数的系数，函数则为取整函数，为对数函数值域控制项，为感兴
趣区域内气泡分布密集度。
在一实施例中，根据不同阶段的聚类结果确定醋蛋液的生产质量，包括：
计算每一阶段对应的聚类结果中聚类簇之间的分布均匀度，分布均匀度表征对应阶段的气泡分布均匀度；
基于每一阶段对应的聚类簇之间的分布均匀度确定醋蛋液的生产质量指数。
在一实施例中，计算每一阶段对应的聚类结果中聚类簇之间的分布均匀度，包括：
计算每一阶段的聚类结果中聚类簇的质心与其他聚类簇的质心的欧式距离；
基于欧式距离绘制距离分布直方图；距离分布直方图的横坐标为等分距离区间，纵坐标为距离区间内质心的数量；
计算聚类簇之间距离分布直方图的标准差；
基于标准差确定每一阶段对应的聚类结果中聚类簇之间的分布均匀度。
在一实施例中，基于每一阶段对应的聚类簇之间的分布均匀度确定醋蛋液的生产质量指数，包括：
基于不同阶段对应的聚类簇之间的气泡分布均匀度构建聚类簇之间均匀度随时间变化的曲线图；
利用最小二乘法对曲线图进行拟合，得到拟合曲线函数；
对拟合曲线函数二阶求导得到曲线函数对应的斜率变化率函数；将斜率变化率函数作为聚类簇之间均匀度变化率；
基于聚类簇之间均匀度变化率确定醋蛋液的生产质量指数。
本申请的有益效果，区别于现有技术，本申请的醋蛋液生产质量评估方法，包括：采集鸡蛋浸泡在醋中的过程中不同阶段的灰度图像，并从灰度图像中提取感兴趣区域；确定感兴趣区域中气泡分布密集度；基于气泡分布密集度确定邻域半径，并基于邻域半径对不同阶段的灰度图像进行聚类，得到不同阶段的聚类结果，每一聚类结果多个聚类簇；根据不同阶段的聚类结果确定醋蛋液的生产质量。该方法根据浸泡阶段气泡在蛋壳表面的分布情况以及密度构建了气泡分布密集度，从而对DBSCAN算法中邻域半径进行自适应调整，在米醋浸泡关键步骤中不同时间段使用自适应聚类算法时能够有更优的聚类结果，提升后续的检测精度。
附图说明
图1为本发明醋蛋液生产质量评估方法的一实施例的流程示意图；
图2为感兴趣区域的示意图；
图3为图1中步骤S12的一实施例的流程示意图；
图4为感兴趣区域中划分子区域的示意图；
图5为子区域划分角度区间以及距离范围的示意图；
图6为距离分布直方图示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本发明的主要目的是：对醋蛋液生产质量进行评估，使用工业相机拍摄醋蛋液浸泡过程中不同时间段的图像，针对浸泡时蛋壳表面生成气泡的分布情况构建气泡分布密集度，对DBSCAN算法进行自适应优化，通过对不同时间段浸泡图像聚类结果进行分析，最终得到醋蛋液生产关键浸泡步骤的质量指数。下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明醋蛋液生产质量评估方法的一实施例的流程示意图，包括：
步骤S11：采集鸡蛋浸泡在醋中的过程中不同阶段的灰度图像，并从灰度图像中提取感兴趣区域。
在醋蛋液制作流程中架设稳定散射光源，使米醋浸泡鸡蛋过程中表面生成的气泡能均匀反射光线，消除光照不均匀产生的气泡亮度差异。根据醋蛋液平均浸泡周期3天可以设置4小时的间隔，每个间隔拍摄鸡蛋在米醋中浸泡的彩色RGB图像，对这些不同时间段的RGB图像分别进行平均值法灰度化操作，并对灰度化后的图像进行高斯滤波去噪，以方便后续进行分析。
根据预处理后某一时间段米醋浸泡鸡蛋的图像，观察可以发现鸡蛋表壳周围出现大量气泡，为米醋渗透过程所产生的正常反应。当米醋渗透均匀且蛋壳表面没有缝隙时，气泡将随着浸泡时间的变化逐渐覆盖整个表壳且覆盖过程气泡变化应相对平稳；而如果鸡蛋表面出现细微裂缝或内部出现变质等原因时，气泡生成将不再随时间平稳变化且不会均匀覆盖表面。相对而言，此时蛋壳出现异常的区域气泡将会生成更快。所以对于醋蛋液生产过程中米醋浸泡的关键步骤，可以通过鸡蛋壳表面气泡的变化情况评估该阶段的生产质量。
对于不同浸泡阶段的鸡蛋，其表面都会覆盖有不同程度的气泡，这里对浸泡阶段所拍摄的灰度图像使用Otsu算法进行阈值分割，并对阈值分割后的二值图像实施形态学开运算操作，即对二值图像先腐蚀再进行膨胀，在保留鸡蛋外壳形态完整的前提下消除了蛋壳周边气泡影响。如图2所示。
对开运算后的二值图像进行霍夫变换，得到霍夫变换内轮廓椭圆，即为完整的鸡蛋外壳对应区域，如图2中心粗实线区域所示。把该区域范围设为ROI区域（感兴趣区域），而不再关注浸泡过程中其余区域的变化情况，后续对ROI区域重点关注分析。
步骤S12：确定感兴趣区域中气泡分布密集度。
经过上述图像处理，得到浸泡鸡蛋步骤中的ROI区域（感兴趣区域），即鸡蛋外壳对应的区域。此时对于不同浸泡阶段，ROI区域中的气泡分布情况也不相同。这里计算ROI区域中每个气泡对应深色区域的质心，用来表示每个气泡所对应的空间坐标，这样ROI区域内气泡都有相对应的质心坐标，此处使用DBSCAN算法对质心坐标进行聚类。
那么在此场景中，ROI区域中气泡质心即为上述算法原理所提及的点，将浸泡过程中不同时间段的ROI区域分别进行DBSCAN算法聚类，但随着时间变化气泡的密集度以及分布区域也在改变。如果对于不同时间段ROI区域采用同一邻域半径和同一邻域数目阈值进行聚类，那么低密度区域可能无法生成核心点，且会出现过多离群点；而在高密度区域会生成过多小聚类，导致过度划分。根据上述分析内容，对鸡蛋浸泡步骤不同时间段的ROI区域进行聚类时，应初步估计区域内气泡的密度，从而得到合理的自适应聚类邻域半径，使得聚类结果更优，提升后续生产质量评估精度。
本申请的方法，首先确定感兴趣区域中气泡分布密集度，根据气泡分布密集度确定邻域半径，从而完成聚类。
在一实施例中，请结合图3，步骤S12中计算感兴趣区域中气泡分布密集度包括：
步骤S31：从感兴趣区域中定义多个子区域，对每一子区域进行分割，使得每一子区域包括一个椭圆区域与椭圆区域外侧的多个同心椭圆环，并将椭圆区域和同心椭圆环按照中心点到边缘线的角度分为多个角度区间。
在感兴趣区域对应的椭圆区域内均匀选取分区，得到多个子区域，用以判断ROI区
域内气泡分布情况。请结合图4，构建ROI椭圆区域的最小外接矩形，矩形的长则为ROI椭圆
区域的长轴，记为，矩形的宽为椭圆的短轴，记为。将矩形用网格划为个大小相等的小
矩形，本发明中的大小取经验值16，即将外接矩形进行十六等分得到16个等分小矩形，如
图4所示。其中，每个等分矩形的长宽分别为和，为使均匀选择的区域尽可能覆盖整个ROI
区域，这里选取ROI区域里的9个等分矩形的交界点作为内部椭圆的圆心，每个内部椭圆的
长轴和短轴分别为和，如图4右上角椭圆子区域所示。这里在ROI区域均匀选取了9个椭圆
子区域，对其进行后续分析以估计初始气泡密度分布情况。
对于ROI区域内的第个椭圆子区域，存在数量不等、分布不同的气泡。使用阈值分
割后气泡阴影对应的质心坐标表示气泡所在位置，将子区域内的气泡质心所代表的气泡
坐标表示为：，将坐标简记为，并且把椭圆子区域的中心点记为。将子区域内的
气泡与中心点进行连线得到一条线段，以该条线段的长作为向量的长度，以线段
与椭圆子区域长轴右方向的夹角作为向量的方向，记子区域内的气泡与中心点连线的
向量为。对每一子区域进行分割，使得每一子区域包括一个椭圆区域与椭圆区域外侧
的多个同心椭圆环，具体的，在椭圆子区域内把向量模最大的值记为，将最大向
量模均匀划分为个范围，这里取经验值。即如图5所示，一个子区域被分为最内
侧的椭圆区域以及椭圆区域外侧的3个同心椭圆环。将椭圆区域和同心椭圆环按照中心点
到边缘线的角度分为多个角度区间。具体的，将360°均匀划分为个区间，如图5所
示，整个角度区间按照45°被平分，得到8个角度区间。
步骤S32：计算所有角度区间内的第一熵值，第一熵值表征气泡在子区域的角度区间的分布情况。
在一实施例中，基于每一角度区间内向量的数量以及子区域内向量的数量计算得到每一角度区间内的向量概率；基于所有角度区间内的向量概率之和计算所有角度区间内的第一熵值。
具体的，首先统计第个角度区间内的向量数量，记为，且把该椭圆子区域内
所有向量数量记为，基于每一角度区间内向量的数量以及子区域内向量的数量计
算得到每一角度区间内的向量概率，那么第个角度区间内的向量概率即为，
此时有。进一步基于所有角度区间内的向量概率之和计算所有角度区间内的第
一熵值，这里计算个角度区间内的熵，用来表征气泡在子区域内的角度区间的分布情况，
具体计算过程如下：
；
其中为角度区间的第一熵值；为角度区间的数量；即为第个角度区间
内的向量概率，其值越混乱则角度区间的第一熵值越大，说明子区域内向量在各个角度
分布较广，即气泡在子区域内各角度上分布较均匀，表示以自然数2为底数的对数
函数。
步骤S33：计算椭圆区域和同心椭圆环的距离范围的第二熵值，第二熵值表征气泡在子区域内不同距离区间内的分布情况。
在一实施例中，基于椭圆区域内向量的数量以及子区域中向量的数量计算椭圆区域内的向量概率；基于椭圆区域内的向量概率和同心椭圆环内的向量概率之和计算第二熵值。
具体的，后续计算距离范围熵，可以理解的椭圆区域可以表示一个距离范围，椭圆区域外侧的同心椭圆环可以表示一个距离范围，计算距离范围熵，即就是计算椭圆区域和同心椭圆环的距离范围的第二熵值。
具体的，基于椭圆区域内向量的数量以及子区域中向量的数量计算椭圆区域内的
向量概率。统计第个距离范围内向量数量，也就是第个同心椭圆环（或椭圆区域）内向量
数量，记为，则第个距离范围内向量概率为，表示第个距离范围内向量数量
的占比，此时有。
基于椭圆区域内的向量概率和同心椭圆环内的向量概率之和计算第二熵值，具体的，距离范围熵计算如下：
；
其中为第二熵值，表征气泡在子区域内的不同距离区间内的分布情况；为距
离范围的数量，本实施例为4，即图5中1个椭圆区域和3个同心椭圆环；即为每个距离范围
内的向量概率，其值越混乱则距离范围熵越大，说明子区域内向量在各个距离内分布较
广，即气泡在子区域不同距离上分布较均匀。
步骤S34：计算子区域的气泡密集度。
基于子区域的总面积以及子区域内气泡对应的面积计算子区域的气泡密集度。
具体的，记子区域的总面积为，子区域内气泡对应阴影部分的总面积为为，则
子区域的气泡密度。
步骤S35：基于角度区间内的第一熵值、椭圆区域和同心椭圆环内的第二熵值以及气泡密集度确定感兴趣区域中气泡分布密集度。
通过上述步骤，对于子区域有角度范围熵、距离范围熵以及气泡密度，综
合上述指标可计算ROI区域内气泡分布密集度。
在一实施例中，利用如下公式计算气泡分布密集度：
；
其中，为感兴趣区域内气泡分布密集度，反映整个感兴趣区域内气泡的分布状
态以及密度，为子区域的数量，这里取经验值9，表示第一熵值和第二熵值
的联合熵，联合表示子区域内气泡在不同角度以及不同距离范围内的分布情况，其值越大，
则气泡分布密集度越大，表示气泡分布越均匀；则为子区域内的气泡密度，其值越大则
气泡分布密集度越大，表示区域内整体密度越大。
步骤S13：基于气泡分布密集度确定邻域半径，并基于邻域半径对不同阶段的灰度图像进行聚类，得到不同阶段的聚类结果，每一聚类结果多个聚类簇。
据上述内容可知为ROI区域内气泡分布密集度，其值越大，则该区域内气泡分布
越均匀且密度越大，此时对于DBSCAN算法来说，应该以较小的邻域半径进行聚类才不会导
致生成过多小聚类，同时当气泡分布密集度较小时，应使用较大的邻域半径以避免出现
无法生成核心点的情况。所以基于气泡分布密集度确定邻域半径，对于DBSCAN算法的邻域
半径与气泡分布密集度之间有以下的映射关系：
；
其中为气泡分布密集度，其值越大时，区域内气泡密度越大分布越均匀，邻域半
径越小；为对数函数的系数，本发明中选取经验值12，用来保持气泡分布密集度与邻域
半径的负相关性；为对数函数值域控制项，这里取经验值27；函数则为取整函数，向
上，向下，四舍五入取整，保证邻域半径为整数值。
至此对于DBSCAN算法中邻域半径自适应关系进行了构建，用改进后的自适应
DBSCAN算法对不同时间段米醋浸泡鸡蛋的图像进行聚类，得到随时间维度变化的聚类结
果。
具体的，利用DBSCAN算法对质心坐标进行聚类，需要确定聚类邻域半径。为了提高聚类准确性，本申请通过上述方法确定了邻域半径，利用DBSCAN算法基于邻域半径对不同阶段的灰度图像进行聚类。具体的，随机选择一个未访问的点作为起始点，找到以该点为中心，邻域半径的圆形区域内的所有点，如果该圆形区域内的点的数量大于等于某个阈值，那么该点就被认为是核心点，并将该点加入到一个新的簇中，如果该圆形区域内的点的数量小于阈值，那么该点就被认为是边界点，此边界点同属于核心点的簇类，对于既不属于核心点也不属于边界点的其他点，作为噪声点，也称为离群点。
步骤S14：根据不同阶段的聚类结果确定醋蛋液的生产质量。
具体的，计算每一阶段对应的聚类结果中聚类簇之间的分布均匀度，分布均匀度表征对应阶段的气泡分布均匀度；基于每一阶段对应的聚类簇之间的分布均匀度确定醋蛋液的生产质量指数。
在一实施例中，计算每一阶段的聚类结果中聚类簇的质心与其他聚类簇的质心的
欧式距离；基于欧式距离绘制距离分布直方图；距离分布直方图的横坐标为等分距离区间，
纵坐标为距离区间内质心的数量；计算聚类簇之间距离分布直方图的标准差；基于标准差
确定每一阶段对应的聚类结果中聚类簇之间的分布均匀度。具体的，DBSCAN聚类结果输
出是通过气泡质心点的分类标记从而形成簇类和离群点，那么对于不同时间段的聚类结果
应存在不同的簇类结构以及数量不等的离群点。这里使用平均值法得到每个簇的质心坐
标，计算每个簇的质心与其他簇质心的欧式距离，绘制距离分布直方图，直方图横坐标为等
分距离区间，将簇间最大距离进行等分，纵坐标为处于距离区间内的质心数量，以质心之间
最大距离为100进行十等分为例，如图6所示。当每个区间内的质心数量都近似相同时，簇间
分布越均匀，计算簇间距离直方图的标准差，记为，并且将聚类结果中的离群点数量记为，对于DBSCAN聚类结果的簇间分布均匀度有以下计算方式：。其中为簇间分
布均匀度，为指数函数底数，可取经验值0.5；为聚类结果中的离群点数量，其值越小，则
聚类结果中的离群点数量越少，簇间分布越均匀；为簇间距离直方图的标准差，其值越小，
说明簇间距离分布越均匀，即蛋壳表面气泡分布越均匀。
基于每一阶段对应的聚类簇之间的分布均匀度确定醋蛋液的生产质量指数。在一
实施例中，基于不同阶段对应的聚类簇之间的气泡分布均匀度构建聚类簇之间均匀度随时
间变化的曲线图；利用最小二乘法对曲线图进行拟合，得到拟合曲线函数；对拟合曲线函数
二阶求导得到曲线函数对应的斜率变化率函数；将斜率变化率函数作为聚类簇之间均匀度
变化率；基于聚类簇之间均匀度变化率确定醋蛋液的生产质量指数。具体的，对不同时间
段浸泡图像计算簇间分布均匀度，构建簇间分布均匀度随时间变化的曲线图，使用最小二
乘法对曲线进行拟合得到拟合曲线函数，对其求二阶导得到该曲线的斜率变化率函数，记
该曲线整体变化率为。当该曲线近似直线时，说明气泡随着时间变化均匀覆盖蛋壳表面，
即米醋随着时间变化均匀渗透到鸡蛋内部，相应的醋蛋液的生产品质更高。所以这里通过
判断簇间分布均匀度变化率评估醋蛋液在米醋浸泡步骤的生产质量指数，有以下计算
过程：；其中为米醋浸泡步骤的生产质量指数；同上为指数函数底数，
可取经验值0.5，为簇间分布均匀度变化率，其值越小说明，在醋蛋液的浸泡步骤中气泡随
时间变化覆盖蛋壳表面越均匀，则生产质量更高，这里可设生产质量指数阈值为90%，即
当生产质量指数大于90%时可认为该产品在米醋浸泡步骤中的质量符合生产水平要求。
本发明的方法，对常规醋蛋液生产质量评估方法进行改进，使用工业相机拍摄醋蛋液生产过程中关键步骤不同时间阶段的图像，通过分析气泡在蛋壳表面的变化情况评估醋蛋液生产质量，使用DBSCAN算法对蛋壳表面气泡进行聚类以方便分析，同时根据浸泡阶段气泡在蛋壳表面的分布情况以及密度构建了气泡分布密集度，从而对DBSCAN算法中邻域半径进行自适应调整，在米醋浸泡关键步骤中不同时间段使用自适应聚类算法时能够有更优的聚类结果，提升后续的检测精度。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (6)
1.一种醋蛋液生产质量评估方法，其特征在于，包括：
采集鸡蛋浸泡在醋中的过程中不同阶段的灰度图像，并从所述灰度图像中提取感兴趣区域；
确定所述感兴趣区域中气泡分布密集度；
基于所述气泡分布密集度确定邻域半径，并基于所述邻域半径对不同阶段的灰度图像进行聚类，得到不同阶段的聚类结果，每一聚类结果多个聚类簇；
根据不同阶段的聚类结果确定醋蛋液的生产质量；
确定所述感兴趣区域中气泡分布密集度，包括：
从所述感兴趣区域中定义多个子区域，对每一子区域进行分割，使得每一子区域包括一个椭圆区域与椭圆区域外侧的多个同心椭圆环，并将椭圆区域和同心椭圆环按照中心点到边缘线的角度分为多个角度区间；
计算所有角度区间内的第一熵值，第一熵值表征气泡在子区域的角度区间的分布情况；
计算椭圆区域同心椭圆环的距离范围的第二熵值，第二熵值表征气泡在子区域内不同距离区间内的分布情况；
计算子区域的气泡密集度；
基于角度区间内的第一熵值、椭圆区域和同心椭圆环内的第二熵值以及气泡密集度确定所述感兴趣区域中气泡分布密集度；
基于角度区间内的第一熵值、椭圆区域和同心椭圆环内的第二熵值以及气泡密集度确定所述感兴趣区域中气泡分布密集度，包括：
利用如下公式计算气泡分布密集度：
；
其中，为感兴趣区域内气泡分布密集度，反映整个感兴趣区域内气泡的分布状态以及密度，/>为子区域的数量，/>表示第一熵值/>和第二熵值/>的联合熵，/>表示子区域i的气泡密集度；
基于所述气泡分布密集度确定邻域半径，包括：
利用如下公式计算邻域半径：
；
为对数函数的系数，/>函数则为取整函数，/>为对数函数值域控制项，/>为感兴趣区域内气泡分布密集度；
根据不同阶段的聚类结果确定醋蛋液的生产质量，包括：
计算每一阶段对应的聚类结果中聚类簇之间的分布均匀度，所述分布均匀度表征对应阶段的气泡分布均匀度；
基于每一阶段对应的聚类簇之间的分布均匀度确定醋蛋液的生产质量指数。
2.根据权利要求1所述的醋蛋液生产质量评估方法，其特征在于，计算所有角度区间内的第一熵值，包括：
基于每一角度区间内向量的数量以及子区域内向量的数量计算得到每一角度区间内的向量概率；
基于所有角度区间内的向量概率之和计算所有角度区间内的第一熵值。
3.根据权利要求1所述的醋蛋液生产质量评估方法，其特征在于，计算椭圆区域和同心椭圆环的距离范围的第二熵值，包括：
基于椭圆区域内向量的数量以及子区域中向量的数量计算椭圆区域内的向量概率，基于同心椭圆环内向量的数量以及子区域中向量的数量计算同心椭圆环内的向量概率；
基于椭圆区域内的向量概率和同心椭圆环内的向量概率之和计算第二熵值。
4.根据权利要求1所述的醋蛋液生产质量评估方法，其特征在于，计算子区域的气泡密集度，包括：
基于子区域的总面积以及子区域内气泡对应的面积计算子区域的气泡密集度。
5.根据权利要求1所述的醋蛋液生产质量评估方法，其特征在于，计算每一阶段对应的聚类结果中聚类簇之间的分布均匀度，包括：
计算每一阶段的聚类结果中聚类簇的质心与其他聚类簇的质心的欧式距离；
基于所述欧式距离绘制距离分布直方图；所述距离分布直方图的横坐标为等分距离区间，纵坐标为距离区间内质心的数量；
计算聚类簇之间距离分布直方图的标准差；
基于标准差确定每一阶段对应的聚类结果中聚类簇之间的分布均匀度。
6.根据权利要求1所述的醋蛋液生产质量评估方法，其特征在于，基于每一阶段对应的聚类簇之间的分布均匀度确定醋蛋液的生产质量指数，包括：
基于不同阶段对应的聚类簇之间的气泡分布均匀度构建聚类簇之间均匀度随时间变化的曲线图；
利用最小二乘法对曲线图进行拟合，得到拟合曲线函数；
对拟合曲线函数二阶求导得到曲线函数对应的斜率变化率函数；将斜率变化率函数作为聚类簇之间均匀度变化率；
基于聚类簇之间均匀度变化率确定醋蛋液的生产质量指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311190043.6A CN116934750B (zh) | 2023-09-15 | 2023-09-15 | 一种醋蛋液生产质量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311190043.6A CN116934750B (zh) | 2023-09-15 | 2023-09-15 | 一种醋蛋液生产质量评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116934750A CN116934750A (zh) | 2023-10-24 |
| CN116934750B true CN116934750B (zh) | 2023-12-01 |
Family
ID=88382943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311190043.6A Active CN116934750B (zh) | 2023-09-15 | 2023-09-15 | 一种醋蛋液生产质量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116934750B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6075875A (en) * | 1996-09-30 | 2000-06-13 | Microsoft Corporation | Segmentation of image features using hierarchical analysis of multi-valued image data and weighted averaging of segmentation results |
| WO2005114549A2 (en) * | 2004-05-18 | 2005-12-01 | Shawn Araikum | A method of and system for reconstructing a digital optical image |
| KR101848321B1 (ko) * | 2017-10-27 | 2018-04-20 | 주식회사 뷰노 | 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
| RU2656708C1 (ru) * | 2017-06-29 | 2018-06-06 | Самсунг Электроникс Ко., Лтд. | Способ разделения текстов и иллюстраций в изображениях документов с использованием дескриптора спектра документа и двухуровневой кластеризации |
| WO2019083129A1 (ko) * | 2017-10-27 | 2019-05-02 | 주식회사 뷰노 | 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
| CN114332114A (zh) * | 2021-12-21 | 2022-04-12 | 杭州电子科技大学 | 基于粒计算和slic的多粒度融合密集人群分割方法 |
| WO2022169377A1 (en) * | 2021-02-08 | 2022-08-11 | Huawei Technologies Co., Ltd. | Switchable dense motion vector field interpolation |
| CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
| CN115841624A (zh) * | 2023-02-23 | 2023-03-24 | 山东洲蓝环保科技有限公司 | 基于红外图像的高炉煤气流分布识别方法 |
| CN116091455A (zh) * | 2023-01-30 | 2023-05-09 | 南通海驹钢结构有限公司 | 基于机器视觉的钢网表面缺陷判定方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120075440A1 (en) * | 2010-09-28 | 2012-03-29 | Qualcomm Incorporated | Entropy based image separation |
-
2023
- 2023-09-15 CN CN202311190043.6A patent/CN116934750B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6075875A (en) * | 1996-09-30 | 2000-06-13 | Microsoft Corporation | Segmentation of image features using hierarchical analysis of multi-valued image data and weighted averaging of segmentation results |
| WO2005114549A2 (en) * | 2004-05-18 | 2005-12-01 | Shawn Araikum | A method of and system for reconstructing a digital optical image |
| RU2656708C1 (ru) * | 2017-06-29 | 2018-06-06 | Самсунг Электроникс Ко., Лтд. | Способ разделения текстов и иллюстраций в изображениях документов с использованием дескриптора спектра документа и двухуровневой кластеризации |
| KR101848321B1 (ko) * | 2017-10-27 | 2018-04-20 | 주식회사 뷰노 | 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
| WO2019083129A1 (ko) * | 2017-10-27 | 2019-05-02 | 주식회사 뷰노 | 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
| WO2022169377A1 (en) * | 2021-02-08 | 2022-08-11 | Huawei Technologies Co., Ltd. | Switchable dense motion vector field interpolation |
| CN114332114A (zh) * | 2021-12-21 | 2022-04-12 | 杭州电子科技大学 | 基于粒计算和slic的多粒度融合密集人群分割方法 |
| CN116091455A (zh) * | 2023-01-30 | 2023-05-09 | 南通海驹钢结构有限公司 | 基于机器视觉的钢网表面缺陷判定方法 |
| CN115841624A (zh) * | 2023-02-23 | 2023-03-24 | 山东洲蓝环保科技有限公司 | 基于红外图像的高炉煤气流分布识别方法 |
| CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于图像熵的密集人群异常事件实时检测方法;潘磊;;计算机科学与探索(第07期);全文 * |
| 基于机器视觉的触点零件在线检测系统研究;阮晓虹;吉小军;陈乐生;;电子测量技术(第02期);全文 * |
| 基于聚类分析的声呐目标图像自动提取方法;卞红雨;罗明愿;周志娟;;声学与电子工程(第02期);全文 * |
| 自适应局部半径的DBSCAN聚类算法;秦佳睿;徐蔚鸿;马红华;曾水玲;;小型微型计算机系统(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116934750A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097554B (zh) | 基于密集卷积和深度可分离卷积的视网膜血管分割方法 | |
| CN108389211B (zh) | 基于改进鲸鱼优化模糊聚类的图像分割方法 | |
| CN113466232B (zh) | 一种基于计算机图像的脆化鱼肉快速检测方法及系统 | |
| CN109544511B (zh) | 基于粒子群算法优化的卷积神经网络对肺结节识别的方法 | |
| CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
| CN109584209A (zh) | 血管壁斑块识别设备、系统、方法及存储介质 | |
| CN112115966B (zh) | 一种基于细粒度识别的菜品及属性信息的识别系统及方法 | |
| CN109033978B (zh) | 一种基于纠错策略的cnn-svm混合模型手势识别方法 | |
| CN103593674A (zh) | 一种颈部淋巴结超声图像特征选择方法 | |
| CN109472280A (zh) | 一种更新物种识别模型库的方法、存储介质及电子设备 | |
| Kannan | Intelligent object recognition in underwater images using evolutionary-based Gaussian mixture model and shape matching | |
| Babu et al. | Colon cancer prediction using 2DR e CA segmentation and hybrid features on histopathology images | |
| CN116934750B (zh) | 一种醋蛋液生产质量评估方法 | |
| Zacharia et al. | 3-D spot modeling for automatic segmentation of cDNA microarray images | |
| CN113435108A (zh) | 一种基于改进的鲸鱼优化算法的战场目标分群方法 | |
| CN109711442A (zh) | 无监督逐层生成对抗特征表示学习方法 | |
| CN113095333A (zh) | 无监督特征点检测方法及装置 | |
| Yusoff et al. | Automated two-dimensional K-means clustering algorithm for unsupervised image segmentation | |
| CN109948662B (zh) | 一种基于K-means和MMD的人脸图像深度聚类方法 | |
| CN111612767B (zh) | 一种基于视觉的精密结构件识别方法 | |
| CN114863198A (zh) | 一种基于神经网络的小龙虾质量分级方法 | |
| Zheng et al. | Superpixel-based image recognition for food images | |
| CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
| CN110853030A (zh) | 生物反应器病毒感染细胞质量评价方法 | |
| Liang et al. | To drop or to select: Reduce the negative effects of disturbance features for point cloud classification from an interpretable perspective |
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 |