CN116952785B - 基于图像数据的电子烟油变质检测方法 - Google Patents

基于图像数据的电子烟油变质检测方法 Download PDF

Info

Publication number
CN116952785B
CN116952785B CN202311212404.2A CN202311212404A CN116952785B CN 116952785 B CN116952785 B CN 116952785B CN 202311212404 A CN202311212404 A CN 202311212404A CN 116952785 B CN116952785 B CN 116952785B
Authority
CN
China
Prior art keywords
impurity
image
saliency
dense
sub
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
Application number
CN202311212404.2A
Other languages
English (en)
Other versions
CN116952785A (zh
Inventor
李智刚
辜佳兴
罗万
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Huajia Biotechnology Co ltd
Original Assignee
Shenzhen Huajia Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Huajia Biotechnology Co ltd filed Critical Shenzhen Huajia Biotechnology Co ltd
Priority to CN202311212404.2A priority Critical patent/CN116952785B/zh
Publication of CN116952785A publication Critical patent/CN116952785A/zh
Application granted granted Critical
Publication of CN116952785B publication Critical patent/CN116952785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/26—Oils; Viscous liquids; Paints; Inks
    • G01N33/28—Oils, i.e. hydrocarbon liquids
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N2015/0096—Investigating consistence of powders, dustability, dustiness
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Dispersion Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像数据的电子烟油变质检测方法，包括：计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，通过子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据密集显著度聚合向量之间的距离确认杂质颗粒均匀度，根据子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度，最后通过提取电子烟油的杂质颗粒图像的杂质密集显著度、杂质颗粒均匀度以及变色程度，跟预先训练的变质检测模型确认电子烟的变质程度，相对传统的检测方式，缩短了时间周期，降低了检测成本。

Description

基于图像数据的电子烟油变质检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像数据的电子烟油变质检测方法。
背景技术
目前，业界中对电子烟油质量的检测方法采用的方式相对传统，通过是对电子烟油采取化学检测，以验证电子烟油的各种成分是否存在变质情况，该种电子烟油质量检测方式的时间周期较长，且检测成本较高。
发明内容
鉴于以上内容，有必要提供一种基于图像数据的电子烟油变质检测方法，可以减少电子烟油质量的检测时间，以降低电子烟油质量的检测成本。
本申请第一方面提供一种基于图像数据的电子烟油变质检测方法，应用于电子烟油质量检测领域，所述方法包括：计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取所述杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，其中，所述子图像是通过杂质颗粒图像等面积划分而成；通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据所述密集显著度聚合向量之间的距离确认杂质颗粒均匀度；根据所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度；将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度。
在其中一种实施例中，所述计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取所述杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，具体包括：根据像素点在其邻域窗口内的邻域渐变度，计算每个像素点的邻域窗口对应的杂质颗粒显著度；根据像素点在其邻域窗口内的杂质颗粒的个数与距离，确认杂质颗粒密集度，其中，所述杂质颗粒的个数与距离是通过像素点在其邻域窗口内的邻域渐变度与异常值计算公式确认；将邻域窗口对应的杂质密集显著度与杂质颗粒密集度作乘积计算，确认每个像素点在对应邻域窗口内的杂质密集显著度；取每个像素点在对应邻域窗口内的杂质密集显著度的均值，为杂质颗粒图像对应的杂质密集显著度。
在其中一种实施例中，所述根据像素点在其邻域窗口内的邻域渐变度，计算每个像素点的邻域窗口对应的杂质颗粒显著度，具体包括：获取目标像素点的灰度值，以及在其邻域窗口内的除目标像素点以外的其他像素点的灰度值；将所述目标像素点的灰度值与其他像素点的灰度值输入第一计算公式，计算目标像素点在其邻域窗口内的邻域渐变度；根据所述目标像素点在其邻域窗口内的邻域渐变度与预设算法计算的异常值，根据所述异常值确认目标像素点是否标记为杂质颗粒像素；根据所述杂质颗粒像素的邻域渐变度，计算每个像素点的邻域窗口对应的杂质颗粒显著度；对应的，所述第一计算公式为：
；
其中，为目标像素点x处的邻域渐变度，所述邻域窗口大小为a×a，为目标像素点x处的灰度值，/>为在其邻域窗口内的除目标像素点/>以外的其他像素点/>的灰度值，a为邻域窗口的长度。
在其中一种实施例中，所述根据像素点在其邻域窗口内的杂质颗粒的个数与距离，确认杂质颗粒密集度，其中，所述杂质颗粒的个数与距离是通过像素点在其邻域窗口内的邻域渐变度与异常值计算公式确认，具体包括：统计目标像素点邻域窗口内的杂质颗粒像素的个数，以及对应杂质颗粒像素之间的距离；将所述目标像素点邻域窗口内的杂质颗粒像素的个数与对应杂质颗粒之间的距离，输入第二计算公式，确认杂质颗粒密集度。
在其中一种实施例中，所述将所述目标像素点邻域窗口内的杂质颗粒像素的个数与对应杂质颗粒之间的距离，输入第二计算公式，确认杂质颗粒密集度，具体包括：
第二计算公式为：
；
其中，为目标像素点/>邻域窗口内的杂质颗粒密集度，/>为目标像素点/>邻域窗口内的杂质颗粒像素的个数，/>为第/>个杂质颗粒和第/>个杂质颗粒之间的距离。
在其中一种实施例中，所述通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据所述密集显著度聚合向量之间的距离确认杂质颗粒均匀度，具体包括：根据子图像中每个像素点在对应邻域窗口内的杂质密集显著度，确认所述子图像对应的杂质密集显著度；根据所述子图像对应的杂质密集显著度，构建所述子图像对应的密集显著度聚合向量；通过所述密集显著度聚合向量之间的距离，计算所述杂质颗粒均匀度。
在其中一种实施例中，所述根据所述子图像对应的杂质密集显著度，构建所述子图像对应的密集显著度聚合向量，具体包括：将所述子图像对应的杂质密集显著度划分为若干个密集显著度阶数，以根据所述若干个密集显著度阶数对所述子图像划分连通域；基于所述连通域统计像素数目，以确认聚合像素与非聚合像素；根据所述聚合像素与非聚合像素，构建所述子图像对应的密集显著度聚合向量。
在其中一种实施例中，所述密集显著度聚合向量包括聚合像素对应的聚合直方图，以及非聚合像素对应的非聚合直方图；对应的，所述通过所述密集显著度聚合向量之间的距离，计算所述杂质颗粒均匀度，具体包括：获取对应所述密集显著度阶数的聚合像素个数与非聚合像素个数；将所述聚合像素个数与非聚合像素个数输入第三计算公式，计算所述密集显著度聚合向量之间的距离；根据两两子图像之间的距离的反差，确认所述杂质颗粒均匀度；对应的，所述第三计算公式为：
；
其中，为密集显著度阶数，/>是密集显著度阶数为/>的聚合像素的个数，/>是密集显著度阶数为/>的非聚合像素的个数，/>为第i个子图像和第j个子图像之间的密集显著度距离，N为两两子图像的个数。
在其中一种实施例中，所述根据所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度，具体包括：基于所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认边缘检测模型对应的梯度系数；通过与梯度系数对应的边缘检测模型，获取杂质颗粒图像的边缘信息；基于所述边缘信息，确认所述变色程度。
在其中一种实施例中，所述将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度，具体包括：将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，其中，所述预先训练的变质检测模型为预先通过杂质密集显著度、杂质颗粒均匀度和变色程度三个标准特征进行分类训练后的全连接神经网络；获取变质检测模型输出的变质程度，其中，所述变质程度包括轻度变质、中度变质以及重度变质。
本申请实施例通过计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取所述杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，其中，所述子图像是通过杂质颗粒图像等面积划分而成，然后通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据所述密集显著度聚合向量之间的距离确认杂质颗粒均匀度，并且根据所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度，最后将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度。通过提取电子烟油的杂质颗粒图像的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，以确认所述电子烟的变质程度，相对传统的检测方式，缩短了时间周期，降低了检测成本。
附图说明
图1是本申请实施例的基于图像数据的电子烟油变质检测方法的流程示意图。
图2是本申请实施例的基于图像数据的电子烟油变质检测方法的第一子流程示意图。
图3是本申请实施例的基于图像数据的电子烟油变质检测方法的第二子流程示意图。
图4是本申请实施例的基于图像数据的电子烟油变质检测方法的第三子流程示意图。
图5是本申请实施例的基于图像数据的电子烟油变质检测方法的第四子流程示意图。
图6是本申请实施例的基于图像数据的电子烟油变质检测方法的第五子流程示意图。
图7是本申请实施例的基于图像数据的电子烟油变质检测方法的第六子流程示意图。
图8是本申请实施例的基于图像数据的电子烟油变质检测方法的第七子流程示意图。
图9是本申请实施例的基于图像数据的电子烟油变质检测方法的第八子流程示意图。
具体实施方式
在本申请实施例的描述中，“示例性”、“或者”、“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性”、“或者”、“例如”等词旨在以具体方式呈现相关概念。
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申请中的技术领域的技术人员通常理解的含义相同。本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。应理解，本申请中除非另有说明，“/”表示或的意思。例如，A/B可以表示A或B。本申请中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B三种情况。“至少一个”是指一个或者多个。“多个”是指两个或多于两个。例如，a、b或c中的至少一个，可以表示：a，b，c，a和b，a和c，b和c，a、b和c七种情况。
另外需要说明的是，本申请的说明书和权利要求书及附图中的术语“第一”、“第二”是用于部别类似的对象，而不是用于描述特定的顺序或先后次序。本申请实施例中公开的方法或流程图所示出的方法，包括用于实现方法的一个或多个步骤，在不脱离权利要求的范围的情况下，多个步骤的执行顺序可以彼此互换，其中某些步骤也可以被删除。
本申请实施例首先提出一种基于图像数据的电子烟油变质检测方法。请参阅图1，一种基于图像数据的电子烟油变质检测方法，应用于电子烟油质量检测领域，所述方法包括：
S101、计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取所述杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，其中，所述子图像是通过杂质颗粒图像等面积划分而成。
需要解析的是，电子烟油的变质是一个渐进的过程，在电子烟油发生变质时，其颜色会发生改变，同时会产生一些杂质颗粒，则针对于变质的电子烟油进行采集图像，所采集的图像信息能够对电子烟变质的情况进行一定程度的表征，比如，杂质颗粒会带来一定的边缘信息，颜色的改变等等。
其中，对于图像中的任一像素(x,y),以此为中心,按上下左右对称所设定的像素范围,称为窗口。窗口多为矩形,行列数为奇数,并按照行数x列数的方式来命名。例如,3x3窗口,5x5窗口等。3x3表示由3行和3列像素构成的矩形范围。中心像素周围的行列称为该像素的邻域。邻域按照与中心像素相邻的行列总数来命名。例如,对于3x3窗口而言,如果考虑中心像素周围的所有像素,那么相邻的总的行列数为8,称为8-邻域。如果认为上下左右的像素是相邻像素,那么总的行列数为4,则称为4-邻域。
其中，杂质密集显著度是指表征电子烟油变质所产生的杂质颗粒在杂质颗粒图像中的表征程度。另外，所述电子烟油的杂质颗粒图像是包括电子烟油的灰度图像，是通过电子烟油的RGB图像多次处理之后获得的，具体可为：通过工业相机采集电子烟油图像，基于工业相机具有高分辨率、高灵敏度和高动态范围的特点，可以捕捉电子烟油的细节和颜色，然后对获取的图像进行去噪和均衡化，消除部分噪声，并使用直方图均衡化算法，使电子烟油图像的亮度分布更加均匀，提高图像的对比度和清晰度，增强后续分析的准确性。为了在保留边界信息的同时去除噪声，本实施例采用双边滤波对图像进行处理，可以理解的是，也可采取其他去噪方法，将获取的RGB图像转换为灰度图像，本案不做具体限定。
可以理解的是，所述子图像是通过杂质颗粒图像等面积划分而成，是指将所述杂质颗粒图像进行等区域面积的分块，举个例子，将所述杂质颗粒图像划分为5*5块，则对应所述子图像的个数为25。
S102、通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据所述密集显著度聚合向量之间的距离确认杂质颗粒均匀度。
其中，将杂质颗粒图像等面积划分而成若干份子图像之后，分别根据子图像中对应的杂质密集显著度分别构建成密集显著度聚合向量，则计算密集显著度聚合向量之间的距离，即一定程度体现了电子烟油的杂质颗粒图像中杂志颗粒均匀度。所述质颗粒均匀度是指杂志颗粒在所述杂质颗粒图像中均匀分布的程度。
能够理解的是，通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量去计算所述杂质颗粒均匀度，能够一定程度的减少计算量，即相对于整个杂质颗粒图像逐个像素遍历然后去换算所述杂志颗粒均匀度，分成多分子图像对应的杂质密集显著度构建密集显著度聚合向量去计算所述杂质颗粒均匀度，能够降低整体的换算量，进一步提高检测效率。
S103、根据所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度。
需要说明的是，由于电子烟油中含有的尼古丁会因温度、阳光照射等存放问题及存放时间因素，在电子烟油变质时，其颜色会逐渐变深，由浅黄色变为深黄色，因此可以通过电子烟油的变色程度对其进行变质检测。其中，所述变色程度是指电子烟油变质后相对于未变质所带来的颜色改变程度，所述变色程度可通过对电子烟油的杂质颗粒图像进行边缘信息的检测，并通过边缘信息以确认所述变色程度。
S104、将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度。
其中，在获取到所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度之后，将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度作为输入参数，输入预先训练好的变质检测模型，获取所述变质检测模型所输出的电子烟油的变质程度。
具体的，所述将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度，具体包括：
将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，其中，所述预先训练的变质检测模型为预先通过杂质密集显著度、杂质颗粒均匀度和变色程度三个标准特征进行分类训练后的全连接神经网络；
获取变质检测模型输出的变质程度，其中，所述变质程度包括轻度变质、中度变质以及重度变质。
其中，所述预先训练的变质检测模型是预先通过采集的杂质密集显著度、杂质颗粒均匀度和变色程度标准特征，输入至全连接神经网络进行训练与测试，能够进行轻度变质、中度变质以及重度变质三分类。
在一些优选的实施例中，使用全连接神经网络对电子烟油的变质程度进行训练分类，该网络有三个输入神经元，分别为杂质密集显著度、杂质颗粒均匀度和变色程度，隐含层使用ReLU激活函数，最终输出为全连接层，神经元个数为3，对应电子烟油变质程度的轻度、中度、重度3个等级，输出层使用Softmax函数，用于对电子烟油的变质程度进行检测，得到最终变质检测模型。需要说明的是，具体模型的训练过程，本案不做限定，参照现有的模型技术。
本申请实施例通过计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取所述杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，其中，所述子图像是通过杂质颗粒图像等面积划分而成，然后通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据所述密集显著度聚合向量之间的距离确认杂质颗粒均匀度，并且根据所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度，最后将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度。通过提取电子烟油的杂质颗粒图像的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，以确认所述电子烟的变质程度，相对传统的检测方式，缩短了时间周期，降低了检测成本。
在本申请的一种实施例中，并参阅图2，所述步骤S101：所述计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取所述杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，其中，所述子图像是通过杂质颗粒图像等面积划分而成，具体包括：
S201、根据像素点在其邻域窗口内的邻域渐变度，计算每个像素点的邻域窗口对应的杂质颗粒显著度。
需要说明的是，在所述电子烟油变质的时候，会产生对应的杂质颗粒，且所述杂志颗粒对应的像素点，在电子烟油的杂质颗粒图像中与其周围区域像素的像素值不同，则可通过像素点在其邻域窗口内的邻域渐变度计算所述杂质颗粒显著度。
其中，所述像素点在其邻域窗口内的邻域渐变度是指每个像素点在其邻域窗口内计算其渐变程度，领域窗口的大小为a×a，即邻域窗口为正方形；邻域窗口的长度a可根据杂质颗粒的最大长度进行确认，优选的，a取杂质颗粒最大长度的3倍，杂质颗粒最大长度取经验值5。
其中，在获取到所述像素点在其邻域窗口内的邻域渐变度之后，可计算每个像素点在其邻域窗口对应的杂质颗粒显著度，所述杂质颗粒显著度是指杂志颗粒在所述电子烟油的杂质颗粒图像中的显著程度。
S202、根据像素点在其邻域窗口内的杂质颗粒的个数与距离，确认杂质颗粒密集度，其中，所述杂质颗粒的个数与距离是通过像素点在其邻域窗口内的邻域渐变度与异常值计算公式确认。
其中，像素点在其邻域窗口内的杂质颗粒的个数，是指在该像素点的领域窗口内所有的杂志颗粒的个数。所述像素点在其邻域窗口内的杂质颗粒的距离，是指两两杂质颗粒之间的空间距离。所述杂质颗粒密集度是指杂志颗粒在所述电子烟油的杂质颗粒图像中的密集程度。需要解析的是，判定是否为杂质颗粒，可通过上述的每个像素在其邻域窗口内的邻域渐变度进行换算，即通过异常值计算公式计算对应像素的异常值，通过异常值与预先设定的判定规则，判定是否为杂质颗粒。
S203、将所述邻域窗口对应的杂质密集显著度与杂质颗粒密集度作乘积计算，确认每个像素点在对应邻域窗口内的杂质密集显著度。
其中，在获取到所述邻域窗口对应的杂质密集显著度与杂质颗粒密集度之后，将其两者作乘积计算，以将乘积作为像素点在对应邻域窗口内的杂质密集显著度。
S204、取每个像素点在对应邻域窗口内的杂质密集显著度的均值，为杂质颗粒图像对应的杂质密集显著度。
其中，在获取到每个像素点在对应邻域窗口内的杂质密集显著度的均值，可对应获取电子烟油的杂质颗粒图像对应的杂质密集显著度。则，将电子烟油的杂质颗粒图像所有像素的在对应邻域窗口内的杂质密集显著度作均值计算，将其均值作为杂质颗粒图像对应的杂质密集显著度。
在本实施例中，将像素点在其邻域窗口内的邻域渐变度作为参数，计算每个像素点的邻域窗口对应的杂质颗粒显著度，并通过杂质颗粒的个数与距离确认杂质颗粒密集度，将所述像素点在其邻域窗口内的杂质颗粒的个数与距离作为计算杂质颗粒密集度的参数，能够清晰且准确的计算杂质颗粒密集度的实际大小，提高检测的准确性。
在本申请的一种实施例中，并参阅图3，S201：所述根据像素点在其邻域窗口内的邻域渐变度，计算每个像素点的邻域窗口对应的杂质颗粒显著度，具体包括：
S301、获取目标像素点的灰度值，以及在其邻域窗口内的除目标像素点以外的其他像素点的灰度值。
其中，选定一个目标像素，以及领域窗口的大小，则通过预先获取规则获取所述目标像素点的灰度值，以及在其邻域窗口内的除目标像素点以外的其他像素点的灰度值，具体像素的灰度值获取参照现有技术的获取方法，本案不作进一步限定。
S302、将所述目标像素点的灰度值与其他像素点的灰度值输入第一计算公式，计算目标像素点在其邻域窗口内的邻域渐变度。
其中，对应的，所述第一计算公式为：
；
其中，为目标像素点x处的邻域渐变度，所述邻域窗口大小为a×a，为目标像素点x处的灰度值，/>为在其邻域窗口内的除目标像素点/>以外的其他像素点/>的灰度值，a为邻域窗口的长度。
能够理解的是，当邻域窗口内没有杂质颗粒时，像素点处的邻域渐变度几乎为0。
S303、根据所述目标像素点在其邻域窗口内的邻域渐变度与预设异常值算法计算的异常值，根据所述异常值确认目标像素点是否标记为杂质颗粒像素。
其中，所述杂质颗粒像素是值杂质颗粒所对应的像素。需要说明的是，由于杂质颗粒往往为孤立的点，空域分布的随机性大。对于杂质颗粒的判定，可以在每个像素点的邻域窗口内，通过预设异常值算法的方法，根据像素点的渐变度计算每个像素点对应的异常值分数。需要说明的，所述预设异常值算法可为孤立森林算法，孤立森林iForest(lsolationForest)是一个基于Ensemble的快速异常检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的state-of-the-art算法。其基本是实现步骤可为：
1.从训练数据中随机选择若干个点样本点作为子样本，放入树的根节点。
2.随机指定一个维度，在当前节点数据中随机产生一个切割点p-切割点产生于当前节点数据中指定维度的最大值和最小值之间。
3.以此切割点生成了一个超平面，然后将当前节点数据空间划分为2个子空间:把指定维度里小干p的数据放在当前节点的左边，把大于等于p的数据放在当前节点的右边。
4在子节点中递归步骤2和3，不断构造新的子节点，直到子节点中只有一个数据(无法再继续切割)或子节点已到达限定高度。具体实现方式，可参照现有技术记载的方案，本案不一一赘述。
S304、根据所述杂质颗粒像素的邻域渐变度，计算每个像素点的邻域窗口对应的杂质颗粒显著度。
其中，在获取到杂质颗粒像素的邻域渐变度之后，根据该邻域渐变度计算每个像素点的邻域窗口对应的杂质颗粒显著度。需要说明的是，对邻域窗口内的每个像素点根据上式判断其是否为杂质颗粒，假设该邻域窗口内共有个杂质颗粒，则该邻域窗口内各杂质颗粒的显著度可以表示为其邻域渐变度与其邻域窗口内邻域渐变度均值之差的绝对值，像素点x邻域窗口内的杂质颗粒显著度可以表示为各杂质颗粒的显著度之和。
在本申请的一种实施例中，并参阅图4，所述步骤S202：所述根据像素点在其邻域窗口内的杂质颗粒的个数与距离，确认杂质颗粒密集度，其中，所述杂质颗粒的个数与距离是通过像素点在其邻域窗口内的邻域渐变度与异常值计算公式确认，具体包括：
S401、统计目标像素点邻域窗口内的杂质颗粒像素的个数，以及对应杂质颗粒像素之间的距离。
其中，在获取到每个像素点的领域渐变度之后，根据异常值算法式，计算每个像素点的异常值，在通过预设异常值算法计算了每个像素的异常值之后，将异常值分数大于杂质孤立阈值的像素点记为杂质颗粒。标准像素点x处的异常值分数为/>，邻域窗口内的异常值分数均值为/>，则/>为经验取值，可为异常值分数均值的1.5倍，即，杂质颗粒判断数/>可以表示如下：
式中，为异常值分数，/>为杂质孤立阈值，当像素点x的异常值分数大于杂质孤立阈值时，则判断该像素点为杂质颗粒，用/>表示，否则，则判断该像素点不是杂质颗粒，用/>表示。
S402、将所述目标像素点邻域窗口内的杂质颗粒像素的个数与对应杂质颗粒之间的距离，输入第二计算公式，确认杂质颗粒密集度。
具体的，所述第二计算公式为：
；
其中，为目标像素点/>邻域窗口内的杂质颗粒密集度，/>为目标像素点/>邻域窗口内的杂质颗粒像素的个数，/>为第/>个杂质颗粒和第/>个杂质颗粒之间的距离。能够理解的是，当杂质颗粒像素的个数越多，杂质颗粒的密集度越高，当杂质颗粒之间的距离越大时，说明杂质颗粒分布的集中程度越低，杂质颗粒密集度越小。
在本申请的一种实施例中，并参阅图5，所述步骤S102：所述通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据所述密集显著度聚合向量之间的距离确认杂质颗粒均匀度，具体包括：
S501、根据子图像中每个像素点在对应邻域窗口内的杂质密集显著度，确认所述子图像对应的杂质密集显著度。
其中，在获取到每个所述像素点在对应邻域窗口内的杂质密集显著度之后，根据上述获取电子烟油的杂质颗粒图像的对应的杂质密集显著度同样的方式，以获取所述子图像对应的杂质密集显著度。
S502、根据所述子图像对应的杂质密集显著度，构建所述子图像对应的密集显著度聚合向量。
其中，在获取到所述子图像对应的杂质密集显著度之后，根据预先设定的构建规则，构建所述子图像对应的密集显著度聚合向量。
S503、通过所述密集显著度聚合向量之间的距离，计算所述杂质颗粒均匀度。
其中，通过计算向量之间的距离，衡量杂质颗粒在整幅电子烟油图像中分布的均匀程度，能够减少一定的计算量。
具体的，并参阅图6，所述步骤S501：根据子图像中每个像素点在对应邻域窗口内的杂质密集显著度，确认所述子图像对应的杂质密集显著度。
S601、将所述子图像对应的杂质密集显著度划分为若干个密集显著度阶数，以根据所述若干个密集显著度阶数对所述子图像划分连通域；
S602、基于所述连通域统计像素数目，以确认聚合像素与非聚合像素；
S603、根据所述聚合像素与非聚合像素，构建所述子图像对应的密集显著度聚合向量。
其中，对每个子图像构建密集显著度聚合向量，为了使特征更加紧凑，将杂质密集显著图像中各子图像的杂质密集显著度量化为N个密集显著度阶数，并根据密集显著度阶数将各子图像划分为连通域，对于获得的连通域分别统计像素数目，并与聚合阈值进行比较，/>经验取值为颗粒面积的最大值，即/>，则像素数大于聚合阈值的连通区域中的像素为聚合像素，小于聚合阈值的像素为非聚合像素，将各连通域的像素进行统计，获得密集显著度聚合向量。
具体的，并参阅图7，所述步骤S503、通过所述密集显著度聚合向量之间的距离，计算所述杂质颗粒均匀度。
S701、获取对应所述密集显著度阶数的聚合像素个数与非聚合像素个数。
S702、将所述聚合像素个数与非聚合像素个数输入第三计算公式，计算所述密集显著度聚合向量之间的距离；对应的，所述第三计算公式为：
；
其中，为密集显著度阶数，/>是密集显著度阶数为/>的聚合像素的个数，/>是密集显著度阶数为/>的非聚合像素的个数，/>为第i个子图像和第j个子图像之间的密集显著度距离，N为两两子图像的个数。
S703、根据两两子图像之间的距离的反差，确认所述杂质颗粒均匀度.
其中，所述密集显著度聚合向量包括聚合像素对应的聚合直方图，用于统计聚合像素，以及非聚合像素对应的非聚合直方图，用于统计非聚合像素。每一个密集显著度阶数s由和/>两部分组成，/>是密集显著度阶数为s的聚合像素的个数，即密集显著度阶数为s的所有大连通区域像素值之和；/>是密集显著度阶数为s的非聚合像素的个数，即密集显著度阶数为s的所有小连通区域像素值之和。
需要说明的是，为第i个分块和第j个分块之间密集显著度阶数为s的聚合像素个数的差值，差值越大，两分块之间的密集显著度距离就越大；/>为第i个分块和第j个分块之间密集显著度阶数为s的非聚合像素个数的差值，差值越大，两分块之间的密集显著度距离就越大。为了衡量分块之间密集显著度距离的差异程度，进而判断电子烟油的杂质颗粒均匀度/>，计算两两分块之间密集显著度距离的方差，得到电子烟油的杂质颗粒均匀度，方差越大时，说明各分块之间密集显著度距离与其均值的差异程度越大，电子烟油的杂质颗粒均匀度越低。
在本申请的一种实施例中，并参阅图8，所述步骤S103：所述根据所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度，具体包括：
S801、基于所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认边缘检测模型对应的梯度系数；
S802、通过与梯度系数对应的边缘检测模型，获取杂质颗粒图像的边缘信息；
S803、基于所述边缘信息，确认所述变色程度。
其中，基于所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认边缘检测模型对应的梯度系数，可通过以下计算方式获取：
式中，为电子烟油的杂质颗粒均匀度，值越大时，说明杂质颗粒分布地越均匀，边缘越不明显，梯度算子系数越大，使得算子对像素灰度值的变化率更加敏感，从而更容易检测到边缘；/>为各子图像的杂质密集显著度之和，值越大时，说明杂质颗粒的特征越突出，梯度算子系数越小，在可以尽量检测到边缘的同时减少对噪声的响应，使得边缘检测效果更加平滑。
由于电子烟油中含有的尼古丁会因温度、阳光照射等存放问题及存放时间因素，在电子烟油变质时，其颜色会逐渐变深，由浅黄色变为深黄色，因此可以通过电子烟油的变色程度对其进行变质检测。首先对电子烟油的灰度图像使用canny算子获取其边缘信息，canny算子的梯度算子为sobel算子和梯度系数的乘积，然后对闭合边缘获取其最小外接矩形，则各闭合边缘的变色程度可以表示为边缘内部与其最小外接矩形灰度值均值之差的绝对值，电子烟油的变色程度则为各闭合边缘的变色程度的均值。
在本申请的一种实施例中，并参阅图9，所述步骤S104：所述将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度，具体包括：
S901、将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，其中，所述预先训练的变质检测模型为预先通过杂质密集显著度、杂质颗粒均匀度和变色程度三个标准特征进行分类训练后的全连接神经网络；
S902、获取变质检测模型输出的变质程度，其中，所述变质程度包括轻度变质、中度变质以及重度变质。
其中，在一些优选的实施例中，提取电子烟油图像的杂质密集显著度、杂质颗粒均匀度和变色程度特征之后，使用全连接神经网络对电子烟油的变质程度进行训练分类，该网络有三个输入神经元，分别为杂质密集显著度、杂质颗粒均匀度和变色程度，隐含层使用ReLU激活函数，最终输出为全连接层，神经元个数为3，对应电子烟油变质程度的轻度、中度、重度3个等级，输出层使用Softmax函数，用于对电子烟油的变质程度进行检测。具体函数与算法，参照现有技术，本案不作进一步限定。
本申请实施例通过计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取所述杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，其中，所述子图像是通过杂质颗粒图像等面积划分而成，然后通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据所述密集显著度聚合向量之间的距离确认杂质颗粒均匀度，并且根据所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度，最后将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度。通过提取电子烟油的杂质颗粒图像的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，以确认所述电子烟的变质程度，相对传统的检测方式，缩短了时间周期，降低了检测成本。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将本申请上述的实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。

Claims (5)

1.一种基于图像数据的电子烟油变质检测方法，应用于电子烟油质量检测领域，其特征在于，所述方法包括：
计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取所述杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，其中，所述子图像是通过杂质颗粒图像等面积划分而成；
通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据所述密集显著度聚合向量之间的距离确认杂质颗粒均匀度；
根据所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度；
将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度；
所述计算电子烟油的杂质颗粒图像中每个像素点在对应邻域窗口内的杂质密集显著度，以获取所述杂质颗粒图像对应的杂质密集显著度与子图像对应的杂质密集显著度，具体包括：
根据像素点在其邻域窗口内的邻域渐变度，计算每个像素点的邻域窗口对应的杂质颗粒显著度；
根据像素点在其邻域窗口内的杂质颗粒的个数与距离，确认杂质颗粒密集度，其中，所述杂质颗粒的个数与距离是通过像素点在其邻域窗口内的邻域渐变度与异常值计算公式确认；
将邻域窗口对应的杂质颗粒显著度与杂质颗粒密集度作乘积计算，确认每个像素点在对应邻域窗口内的杂质密集显著度；
取每个像素点在对应邻域窗口内的杂质密集显著度的均值，为杂质颗粒图像对应的杂质密集显著度；
所述根据像素点在其邻域窗口内的邻域渐变度，计算每个像素点的邻域窗口对应的杂质颗粒显著度，具体包括：
获取目标像素点的灰度值，以及在其邻域窗口内的除目标像素点以外的其他像素点的灰度值；
将所述目标像素点的灰度值与其他像素点的灰度值输入第一计算公式，计算目标像素点在其邻域窗口内的邻域渐变度；
根据所述目标像素点在其邻域窗口内的邻域渐变度与预设异常值算法获取异常值，根据所述异常值确认目标像素点是否标记为杂质颗粒像素；
根据所述杂质颗粒像素的邻域渐变度，计算每个像素点的邻域窗口对应的杂质颗粒显著度；
对应的，所述第一计算公式为：
；
其中，为目标像素点x处的邻域渐变度，所述邻域窗口大小为a×a，/>为目标像素点x处的灰度值，/>为在其邻域窗口内的除目标像素点/>以外的其他像素点/>的灰度值，a为邻域窗口的长度；
所述根据像素点在其邻域窗口内的杂质颗粒的个数与距离，确认杂质颗粒密集度，其中，所述杂质颗粒的个数与距离是通过像素点在其邻域窗口内的邻域渐变度与异常值计算公式确认，具体包括：
统计目标像素点邻域窗口内的杂质颗粒像素的个数，以及对应杂质颗粒像素之间的距离；
将所述目标像素点邻域窗口内的杂质颗粒像素的个数与对应杂质颗粒之间的距离，输入第二计算公式，确认杂质颗粒密集度；
所述将所述目标像素点邻域窗口内的杂质颗粒像素的个数与对应杂质颗粒之间的距离，输入第二计算公式，确认杂质颗粒密集度，具体包括：
第二计算公式为：
；
其中，为目标像素点/>邻域窗口内的杂质颗粒密集度，/>为目标像素点/>邻域窗口内的杂质颗粒像素的个数，/>为第/>个杂质颗粒和第/>个杂质颗粒之间的距离；
所述通过所述子图像对应的杂质密集显著度构建密集显著度聚合向量，以根据所述密集显著度聚合向量之间的距离确认杂质颗粒均匀度，具体包括：
根据子图像中每个像素点在对应邻域窗口内的杂质密集显著度，确认所述子图像对应的杂质密集显著度；
根据所述子图像对应的杂质密集显著度，构建所述子图像对应的密集显著度聚合向量；
通过所述密集显著度聚合向量之间的距离，计算所述杂质颗粒均匀度。
2.根据权利要求1所述的基于图像数据的电子烟油变质检测方法，其特征在于，所述根据所述子图像对应的杂质密集显著度，构建所述子图像对应的密集显著度聚合向量，具体包括：
将所述子图像对应的杂质密集显著度划分为若干个密集显著度阶数，以根据所述若干个密集显著度阶数对所述子图像划分连通域；
基于所述连通域统计像素数目，以确认聚合像素与非聚合像素；
根据所述聚合像素与非聚合像素，构建所述子图像对应的密集显著度聚合向量。
3.根据权利要求2所述的基于图像数据的电子烟油变质检测方法，其特征在于，所述通过所述密集显著度聚合向量之间的距离，计算所述杂质颗粒均匀度，具体包括：
获取对应所述密集显著度阶数的聚合像素个数与非聚合像素个数；
将所述聚合像素个数与非聚合像素个数输入第三计算公式，计算所述密集显著度聚合向量之间的距离；
根据两两子图像之间的距离的反差，确认所述杂质颗粒均匀度；
对应的，所述第三计算公式为：
；
其中，为密集显著度阶数，/>是密集显著度阶数为/>的聚合像素的个数，/>是密集显著度阶数为/>的非聚合像素的个数，/>为第i个子图像和第j个子图像之间的密集显著度距离，N为两两子图像的个数。
4.根据权利要求3所述的基于图像数据的电子烟油变质检测方法，其特征在于，所述根据所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认变色程度，具体包括：
基于所述子图像对应的杂质密集显著度与杂质颗粒均匀度，确认边缘检测模型对应的梯度系数；
通过与梯度系数对应的边缘检测模型，获取杂质颗粒图像的边缘信息；
基于所述边缘信息，确认所述变色程度。
5.根据权利要求1-4任一项所述的基于图像数据的电子烟油变质检测方法，其特征在于，所述将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，确认所述电子烟油的变质程度，具体包括：
将所述杂质颗粒图像对应的杂质密集显著度、杂质颗粒均匀度以及变色程度，输入预先训练的变质检测模型，其中，所述预先训练的变质检测模型为预先通过杂质密集显著度、杂质颗粒均匀度和变色程度三个标准特征进行分类训练后的全连接神经网络；
获取变质检测模型输出的变质程度，其中，所述变质程度包括轻度变质、中度变质以及重度变质。
CN202311212404.2A 2023-09-20 2023-09-20 基于图像数据的电子烟油变质检测方法 Active CN116952785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311212404.2A CN116952785B (zh) 2023-09-20 2023-09-20 基于图像数据的电子烟油变质检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311212404.2A CN116952785B (zh) 2023-09-20 2023-09-20 基于图像数据的电子烟油变质检测方法

Publications (2)

Publication Number Publication Date
CN116952785A CN116952785A (zh) 2023-10-27
CN116952785B true CN116952785B (zh) 2023-12-12

Family

ID=88454974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311212404.2A Active CN116952785B (zh) 2023-09-20 2023-09-20 基于图像数据的电子烟油变质检测方法

Country Status (1)

Country Link
CN (1) CN116952785B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005221291A (ja) * 2004-02-04 2005-08-18 Toray Ind Inc 液状物の異物検査方法
CN107316297A (zh) * 2017-07-07 2017-11-03 山东商务职业学院 食用油杂质的视觉检测方法
CN114638827A (zh) * 2022-05-18 2022-06-17 卡松科技股份有限公司 一种润滑油机械杂质视觉检测方法及装置
CN114882265A (zh) * 2022-07-12 2022-08-09 济宁昆仑石油化工有限公司 一种成品油质量检测方法
CN115100212A (zh) * 2022-08-29 2022-09-23 卡松科技股份有限公司 一种润滑油污染程度检测方法
CN115619708A (zh) * 2022-08-26 2023-01-17 华能新能源股份有限公司山西分公司 基于图像识别主轴轴承润滑油油质变化判断故障的方法
CN116152231A (zh) * 2023-04-17 2023-05-23 卡松科技股份有限公司 基于图像处理的润滑油内杂质检测方法
CN116228772A (zh) * 2023-05-09 2023-06-06 聊城市检验检测中心 一种生鲜食品变质区域快速检测方法及系统
CN116500052A (zh) * 2023-05-11 2023-07-28 上海电机学院 一种食用油杂质视觉检测系统及其使用方法
CN116596928A (zh) * 2023-07-18 2023-08-15 山东金胜粮油食品有限公司 基于图像特征的花生油杂质快速检测方法
CN116597392A (zh) * 2023-07-19 2023-08-15 山东天力润滑油有限公司 基于机器视觉的液压油杂质识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005221291A (ja) * 2004-02-04 2005-08-18 Toray Ind Inc 液状物の異物検査方法
CN107316297A (zh) * 2017-07-07 2017-11-03 山东商务职业学院 食用油杂质的视觉检测方法
CN114638827A (zh) * 2022-05-18 2022-06-17 卡松科技股份有限公司 一种润滑油机械杂质视觉检测方法及装置
CN114882265A (zh) * 2022-07-12 2022-08-09 济宁昆仑石油化工有限公司 一种成品油质量检测方法
CN115619708A (zh) * 2022-08-26 2023-01-17 华能新能源股份有限公司山西分公司 基于图像识别主轴轴承润滑油油质变化判断故障的方法
CN115100212A (zh) * 2022-08-29 2022-09-23 卡松科技股份有限公司 一种润滑油污染程度检测方法
CN116152231A (zh) * 2023-04-17 2023-05-23 卡松科技股份有限公司 基于图像处理的润滑油内杂质检测方法
CN116228772A (zh) * 2023-05-09 2023-06-06 聊城市检验检测中心 一种生鲜食品变质区域快速检测方法及系统
CN116500052A (zh) * 2023-05-11 2023-07-28 上海电机学院 一种食用油杂质视觉检测系统及其使用方法
CN116596928A (zh) * 2023-07-18 2023-08-15 山东金胜粮油食品有限公司 基于图像特征的花生油杂质快速检测方法
CN116597392A (zh) * 2023-07-19 2023-08-15 山东天力润滑油有限公司 基于机器视觉的液压油杂质识别方法

Also Published As

Publication number Publication date
CN116952785A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN109743879B (zh) 一种基于动态红外热像图处理的地下管廊渗漏检测方法
CN113989279A (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
KR100772506B1 (ko) 영상처리를 이용한 지질재료 분류 방법 및 그 장치
CN116952785B (zh) 基于图像数据的电子烟油变质检测方法
CN109919241B (zh) 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN108428231B (zh) 一种基于随机森林的多参数零件表面粗糙度学习方法
CN111784633A (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN110751644B (zh) 道路表面裂纹检测方法
CN115018844A (zh) 一种基于人工智能的塑料薄膜质量评估方法
CN115018765A (zh) 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法
Chumuang et al. Algorithm design in leaf surface separation by degree in hsv color model and estimation of leaf area by linear regression
CN114049618B (zh) 一种基于图-点-图变换的路面三维病害pci计算方法
CN111985314B (zh) 一种基于ViBe与改进LBP的烟雾检测方法
Gonzalez et al. Edge detection methods based on generalized type-2 fuzzy logic
CN115272350A (zh) 一种计算机pcb主板生产质量检测方法
CN115170520A (zh) 一种基于结构对比信息叠层的金属网栅缺陷检测方法
CN112801204B (zh) 基于自动神经网络的具有终身学习能力的高光谱分类方法
Zeng et al. An entropy-based filtering approach for airborne laser scanning data
JP7415286B2 (ja) カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法
CN113096103A (zh) 一种面向放空火炬的烟气智能影像感知方法
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
Bermúdez et al. Image analysis for automatic feature estimation of the Mangifera indica fruit
CN108288267B (zh) 一种基于暗通道的扫描电镜图像清晰度无参考评价方法
EP2776974B1 (en) Methods and apparatus for image analysis using threshold compactness features
CN113077002B (zh) 基于空间外差拉曼光谱的机器嗅觉可视化传感数据分析方法

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