CN117437277A - 一种果蔬脱水液面检测方法及装置 - Google Patents
一种果蔬脱水液面检测方法及装置 Download PDFInfo
- Publication number
- CN117437277A CN117437277A CN202311733564.1A CN202311733564A CN117437277A CN 117437277 A CN117437277 A CN 117437277A CN 202311733564 A CN202311733564 A CN 202311733564A CN 117437277 A CN117437277 A CN 117437277A
- Authority
- CN
- China
- Prior art keywords
- gray
- moment
- image
- gray level
- value
- 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
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 108
- 239000007788 liquid Substances 0.000 title claims abstract description 50
- 230000018044 dehydration Effects 0.000 title claims abstract description 32
- 238000006297 dehydration reaction Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000005554 pickling Methods 0.000 claims abstract description 20
- 230000002708 enhancing effect Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 10
- 238000000926 separation method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 206010057249 Phagocytosis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008782 phagocytosis Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种果蔬脱水液面检测方法及装置，包括：采集腌渍环节每一时刻果蔬的灰度图像，对每一时刻的灰度图像进行增强，得到每一时刻的第一增强图像，对所有时刻的灰度图像中同一个位置的像素点进行增强，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值，将每一时刻的灰度图像中所有像素点的第二增强灰度值构成每一时刻的第二增强图像，根据每一时刻的第一增强图像以及第二增强图像确定每一时刻的最终增强图像，根据每一时刻的最终增强图像确定每一时刻果蔬析出水分的液面高度。本发明对于果蔬水分析出的液面高度识别准确。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种果蔬脱水液面检测方法及装置。
背景技术
果蔬在腌渍环节的水分析出的程度决定了脱水果蔬的质量，因此需要对腌渍环节果蔬水分析出的程度进行检测。
目前通常通过红外光谱技术或图像处理技术对果蔬水分析出的情况进行检测，但红外光谱技术成本高。利用图像处理技术对果蔬水分析出情况进行检测时，果蔬图像中析出水分呈半透明，与果蔬之间的对比度较低，利用阈值分割等图像处理方法难以直接识别出果蔬水分析出情况。
发明内容
为了解决上述问题，本发明一种果蔬脱水液面检测方法及装置。
本发明的一种果蔬脱水液面检测方法采用如下技术方案：
本发明一个实施例提供了一种果蔬脱水液面检测方法，该方法包括以下步骤：
采集腌渍环节每一时刻果蔬的灰度图像；
对每一时刻的灰度图像进行增强，得到每一时刻的第一增强图像；
对所有时刻的灰度图像中同一个位置的像素点进行增强，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值；将每一时刻的灰度图像中所有像素点的第二增强灰度值构成每一时刻的第二增强图像；
根据每一时刻的第一增强图像以及第二增强图像确定每一时刻的最终增强图像；根据每一时刻的最终增强图像确定每一时刻果蔬析出水分的液面高度。
优选的，所述对每一时刻的灰度图像进行增强，得到每一时刻的第一增强图像，包括的具体步骤如下：
对于每一时刻的灰度图像，利用直方图均衡化方法对灰度图像进行增强，得到第一增强图像。
优选的，所述对所有时刻的灰度图像中同一个位置的像素点进行增强，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值，包括的具体步骤如下：
获取所有时刻的灰度图像中同一个位置的像素点的灰度直方图，对该位置的像素点的灰度直方图进行直方图均衡化，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值。
优选的，所述获取所有时刻的灰度图像中同一个位置的像素点的灰度直方图，包括的具体步骤如下：
对于所有时刻的灰度图像中同一个位置的像素点，根据该位置的像素点在不同时刻的灰度图像中对应的所有灰度值绘制该位置的像素点的灰度直方图，灰度直方图的横轴为灰度值，纵轴为该位置的像素点在所有时刻的灰度图像中对应的不同灰度值的频率。
优选的，所述对该位置的像素点的灰度直方图进行直方图均衡化，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值，包括的具体步骤如下：
对于所有时刻的灰度图像中同一个位置的像素点的灰度直方图中每个灰度值，获取每个灰度值的频率阈值，根据每个灰度值的频率阈值对灰度直方图进行调整，得到调整之后的灰度直方图；
对调整之后的灰度直方图进行直方图均衡化，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值。
优选的，所述获取每个灰度值的频率阈值，包括的具体步骤如下：
其中，表示第/>个位置的像素点的灰度直方图中第/>个灰度值的频率阈值；/>表示第/>个位置的像素点的灰度直方图中第/>个灰度值在所有灰度图像的该位置第/>次出现时所在的灰度图像对应的时刻的索引；/>表示第/>个位置的像素点的灰度直方图中第/>个灰度值在所有灰度图像的该位置出现的总次数；/>表示所有灰度图像对应的时刻中最新的时刻的索引；/>表示第/>个位置的像素点的灰度直方图中第/>个灰度值的频率；/>表示以自然常数为底的对数函数；/>表示超参数。
优选的，所述根据每个灰度值的频率阈值对灰度直方图进行调整，包括的具体步骤如下：
当灰度值的频率小于频率阈值时，将灰度直方图中该灰度值的频率调整为频率阈值对应的值，当灰度值的频率大于或等于频率阈值时，对灰度直方图中该灰度值的频率不进行调整。
优选的，所述根据每一时刻的第一增强图像以及第二增强图像确定每一时刻的最终增强图像，包括的具体步骤如下：
其中，表示第/>个时刻的灰度图像中第/>个像素点的最终增强灰度值；/>表示第/>个时刻的第一增强图像中第/>个像素点的灰度值；/>表示第/>个时刻的第二增强图像中第/>个像素点的灰度值；/>为超参数；
将每一时刻的灰度图像中所有像素点的最终增强灰度值构成每一时刻的最终增强图像。
优选的，所述根据每一时刻的最终增强图像确定每一时刻果蔬析出水分的液面高度，包括的具体步骤如下：
利用神经网络检测每一时刻的果蔬析出水分的液面，神经网络的具体内容如下：
神经网络采用RNN循环神经网络；神经网络的输入为每一时刻的最终增强图像；神经网络的输出为每一时刻果蔬析出水分的液面高度；神经网络的训练集为历史的腌渍环节中的每一时刻果蔬的最终增强图像，标签为每一时刻果蔬的最终增强图像对应的果蔬析出水分的液面高度，由人为在历史的腌渍环境中实际测量获得；神经网络的损失函数采用均方差损失；
将每一时刻的最终增强图像输入到训练好的神经网络中，输出每一时刻果蔬析出水分的液面高度。
本发明还提出一种果蔬脱水液面检测装置，所述装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种果蔬脱水液面检测方法的步骤。
本发明的技术方案的有益效果是：本发明对每一时刻果蔬的灰度图像进行增强，得到每一时刻的第一增强图像，增强了果蔬和水的对比度，同时本发明对所有时刻的灰度图像中同一个位置的像素点进行增强，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值，将每一时刻的灰度图像中所有像素点的第二增强灰度值构成每一时刻的第二增强图像，提高了不同时刻的第二增强图像之间时序上的对比度，使得水分析出状态变化能够体现在不同时刻的第二增强图像中，本发明根据每一时刻的第一增强图像以及第二增强图像确定每一时刻的最终增强图像，使得不同时刻的最终增强图像之间既能体现析出水分的状态变化，每一时刻的最终增强图像中的果蔬和析出水分之间的对比度又能得到增强，从而使得根据每一时刻的最终增强图像识别每一时刻果蔬析出水分的液面高度更加准确。
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为本发明的一种果蔬脱水液面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一种果蔬脱水液面检测方法，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果蔬脱水液面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果蔬脱水液面检测方法的步骤流程图，该方法包括以下步骤：
S001．采集腌渍环节每一时刻果蔬的灰度图像。
需要说明的是，脱水果蔬生产需要经过清洗、分类、腌渍、脱水、包装等生产环节，腌渍是脱水环节前重要的步骤，需要将果蔬放入腌渍机进行腌渍，使得果蔬中的水分析出，在脱水环节将腌渍析出的水分沥干从而实现果蔬脱水，腌渍环节果蔬中水分析出程度关系到脱水环节果蔬脱水质量，因此本实施例对腌渍环节果蔬水分析出情况进行监控，以便在果蔬中水分析出最大时进行脱水环节，从而确保果蔬脱水的质量的同时提高脱水果蔬的生产效率。
具体的，设置采集频率，例如10秒一次，具体不做限定，实施人员可根据实际实施情况设置采集频率。在腌渍机上方架设相机，按照采集频率俯视拍摄每一时刻果蔬的RGB图像，为便于后续分析，每一时刻果蔬的RGB图像转换为灰度图像。
至此，获取了每一时刻果蔬的灰度图像。
S002．对每一时刻的灰度图像进行增强，得到每一时刻的第一增强图像。
需要说明的是，由于果蔬析出的水分为半透明的，与果蔬之间的对比度较低，难以直接识别出灰度图像中果蔬析出的水分。因此本实施例对每一时刻的灰度图像进行增强，使得果蔬析出的水分与果蔬之间的对比度增大，以便后续能够区分出果蔬与果蔬析出的水分。
具体的，对于每一时刻的灰度图像，利用直方图均衡化方法对灰度图像进行增强，得到第一增强图像。需要说明的是，本实施例仅以直方图均衡化为例进行叙述，对于增强方法具体不做限定，实施人员也可再用其他增强方法对灰度图像进行增强。
至此，获取了得到了每一时刻的第一增强图像。
S003．对所有时刻的灰度图像中同一个位置的像素点进行增强，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值，将每一时刻的灰度图像中所有像素点的第二增强灰度值构成每一时刻的第二增强图像。
需要说明的是，果蔬水分析出的程度是随着时间变化的，第一增强图像增强了果蔬与果蔬析出的水分的对比度，但由于每一时刻第一增强图像中果蔬和水的对比度都非常强烈，导致不同时刻的第一增强图像之间无法体现出果蔬析出水分的状态变化，影响对于果蔬析出水分监测的准确性。因此本实施例对不同时刻的灰度图像中同一个位置的像素点进行增强，提高不同时刻的灰度图像之间时序上的对比度，使得水分析出状态变化能够体现在不同时刻的灰度图像中。
具体的，对于所有时刻的灰度图像中同一个位置的像素点，根据该位置的像素点在不同时刻的灰度图像中对应的所有灰度值绘制该位置的像素点的灰度直方图，灰度直方图的横轴为灰度值，纵轴为该位置的像素点在所有时刻的灰度图像中对应的不同灰度值的频率。
可选的，对该位置的像素点的灰度直方图进行直方图均衡化，得到该位置的像素点在每一时刻的灰度图像中的第二增强灰度值。
需要说明的是，直方图均衡化存在灰度级吞噬的可能性，对于直方图中频率较小的灰度值在增强后可能和其余灰度值合并为同一个灰度值，导致此些灰度值之间无法区分。不同时刻的灰度图像中距离当前越近的时刻中果蔬析出水分的情况越接近当前实际的水分析出状态，若不同时刻的灰度图像中同一个位置的像素点在距离当前越近的时刻的灰度图像中的灰度值在灰度直方图中的频率越小，则该灰度值在均衡化之后越可能被吞噬，会导致距离当前越近的时刻的灰度图像中该位置的像素点的灰度值无法反映出当前实际的水分析出状态，因此为了避免距离当前越近的时刻的灰度图像中像素点的灰度值被吞噬导致最终识别的水分析出状态不准确，本实施根据不同时刻灰度图像中同一位置的像素点的灰度值在不同时刻的灰度图像中出现的时刻，设置该灰度值的频率阈值，使得后续根据频率阈值调整该灰度值的频率，从而确保距离当前越近的时刻的灰度图像中的灰度值在均衡化之后不会被吞噬。
优选的，对于所有时刻的灰度图像中同一个位置的像素点的灰度直方图中每个灰度值，获取每个灰度值的频率阈值：
其中，表示第/>个位置的像素点的灰度直方图中第/>个灰度值的频率阈值；/>表示第/>个位置的像素点的灰度直方图中第/>个灰度值在所有灰度图像的该位置第/>次出现时所在的灰度图像对应的时刻的索引；/>表示第/>个位置的像素点的灰度直方图中第/>个灰度值在所有灰度图像的该位置出现的总次数；/>表示所有灰度图像对应的时刻中最新的时刻的索引；/>表示第/>个位置的像素点的灰度直方图中第/>个灰度值的频率；/>表示以自然常数为底的对数函数；/>表示超参数，经验值为3，具体不做限定，实施人员可根据实际实施情况设置/>。当第/>个位置的像素点的灰度直方图中第/>个灰度值在距离当前越近的时刻的灰度图像的该位置出现次数越多时，/>越大，第/>个位置的像素点的灰度直方图中第个灰度值更可能代表了当前时刻水分析出的状态，此时利用/>设置大于该灰度值频率的频率阈值，用以在后续增强时根据频率阈值对该灰度值的频率进行放大，从而避免增强时该灰度值被吞噬导致当前时刻水分析出的状态识别不准确。
至此，获取了所有时刻的灰度图像中同一个位置的像素点的灰度直方图中每个灰度值的频率阈值。对于每个灰度值，当灰度值的频率小于频率阈值时，将该灰度值的频率调整为频率阈值对应的值，当灰度值的频率大于或等于频率阈值时，对于该灰度值的频率不进行调整，如此得到调整之后的灰度直方图。对调整之后的灰度直方图进行直方图均衡化，得到该位置的像素点在每一时刻的灰度图像中的第二增强灰度值。
将每一时刻的灰度图像中所有像素点的第二增强灰度值构成该时刻的第二增强图像。
至此，获取了每一时刻的第二增强图像。
S004．根据每一时刻的第一增强图像以及第二增强图像确定每一时刻的最终增强图像。
需要说明的是，每一时刻的第一增强图像增强了每一时刻的灰度图像中果蔬和果蔬析出的水分之间的对比度，但由于每一时刻的第一增强图像中果蔬和水的对比度都非常强烈，导致不同时刻的第一增强图像之间无法体现出果蔬析出水分的状态变化。通过对不同时刻的灰度图像中同一个位置的像素点的灰度值进行直方图均衡化，提高了不同时刻的第二增强图像之间时序上的对比度，使得水分析出状态变化能够体现在不同时刻的第二增强图像中，但由于获取第二增强图像时，未考虑同一时刻的灰度图像中像素点之间的联系，可能使得第二增强图像中果蔬和析出水分之间的对比度较低，影响果蔬与果蔬析出的水分的区分。因此本实施例将灰度图像的第一增强图像与第二增强图像进行叠加获取灰度图像的最终增强图像，使得不同时刻的最终增强图像之间既能体现析出水分的状态变化，每一时刻的最终增强图像中的果蔬和析出水分之间的对比度又能得到增强。
具体的，对于每一时刻的每个灰度图像中每个像素点，根据该像素点在该时刻的第一增强图像中对应的灰度值以及第二增强图像中对应的灰度值获取该像素点在该时刻的最终增强灰度值：
其中，表示第/>个时刻的灰度图像中第/>个像素点的最终增强灰度值；/>表示第/>个时刻的第一增强图像中第/>个像素点的灰度值；/>表示第/>个时刻的第二增强图像中第/>个像素点的灰度值；/>为超参数，用来调整第一增强图像和第二增强图像的叠加比例，经验值为0.5，具体不做限定，实施人员可根据实际实施情况设置/>。
将每一时刻的灰度图像中所有像素点的最终增强灰度值构成每一时刻的灰度图像的最终增强图像。
至此，获取了每个时刻的灰度图像的最终增强图像。
S005．根据每一时刻的最终增强图像确定每一时刻果蔬析出水分的液面高度。
利用神经网络检测每一时刻的果蔬析出水分的液面，神经网络的具体内容如下：
神经网络采用RNN循环神经网络；神经网络的输入为每一时刻的最终增强图像；神经网络的输出为每一时刻果蔬析出水分的液面高度；神经网络的训练集为历史的腌渍环节中的每一时刻果蔬的最终增强图像，标签为每一时刻果蔬的最终增强图像对应的果蔬析出水分的液面高度，由人为在历史的腌渍环境中实时测量获得；神经网络的损失函数采用均方差损失。
将每一时刻的最终增强图像输入到训练好的神经网络中，输出每一时刻果蔬析出水分的液面高度。
预设时间长度，例如/>，具体不做限定，实施人员可根据实际实施情况设置时间长度。当距离当前最近的连续/>个时刻果蔬析出水分的液面高度不再变化时，果蔬析出的水分已经达到了最大值，此时进入脱水果蔬生产的下一环节。
需要说明的是，由于最终增强图像中果蔬和析出水分之间的对比度高，同时不同时刻的最终增强图像可体现果蔬析出水分的变化情况，本实施例利用最终增强图像进行果蔬析出水分的液面高度识别，可使得神经网络的收敛速度快，得到的结果更加准确，既提高了果蔬析出水分液面高度识别的效率，又提高了液面高度识别的准确性。
通过以上步骤，完成了果蔬脱水液面检测。
本发明实施例还提出一种果蔬脱水液面检测装置，所述装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种果蔬脱水液面检测方法的步骤。
本发明实施例通过对每一时刻果蔬的灰度图像进行增强，得到每一时刻的第一增强图像，增强了果蔬和水的对比度，同时本发明对所有时刻的灰度图像中同一个位置的像素点进行增强，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值，将每一时刻的灰度图像中所有像素点的第二增强灰度值构成每一时刻的第二增强图像，提高了不同时刻的第二增强图像之间时序上的对比度，使得水分析出状态变化能够体现在不同时刻的第二增强图像中，本发明根据每一时刻的第一增强图像以及第二增强图像确定每一时刻的最终增强图像，使得不同时刻的最终增强图像之间既能体现析出水分的状态变化，每一时刻的最终增强图像中的果蔬和析出水分之间的对比度又能得到增强，从而使得根据每一时刻的最终增强图像识别每一时刻果蔬析出水分的液面高度更加准确。
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)
1.一种果蔬脱水液面检测方法，其特征在于，该方法包括以下步骤：
采集腌渍环节每一时刻果蔬的灰度图像；
对每一时刻的灰度图像进行增强，得到每一时刻的第一增强图像；
对所有时刻的灰度图像中同一个位置的像素点进行增强，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值；将每一时刻的灰度图像中所有像素点的第二增强灰度值构成每一时刻的第二增强图像；
根据每一时刻的第一增强图像以及第二增强图像确定每一时刻的最终增强图像；根据每一时刻的最终增强图像确定每一时刻果蔬析出水分的液面高度。
2.根据权利要求1所述的一种果蔬脱水液面检测方法，其特征在于，所述对每一时刻的灰度图像进行增强，得到每一时刻的第一增强图像，包括的具体步骤如下：
对于每一时刻的灰度图像，利用直方图均衡化方法对灰度图像进行增强，得到第一增强图像。
3.根据权利要求1所述的一种果蔬脱水液面检测方法，其特征在于，所述对所有时刻的灰度图像中同一个位置的像素点进行增强，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值，包括的具体步骤如下：
获取所有时刻的灰度图像中同一个位置的像素点的灰度直方图，对该位置的像素点的灰度直方图进行直方图均衡化，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值。
4.根据权利要求3所述的一种果蔬脱水液面检测方法，其特征在于，所述获取所有时刻的灰度图像中同一个位置的像素点的灰度直方图，包括的具体步骤如下：
对于所有时刻的灰度图像中同一个位置的像素点，根据该位置的像素点在不同时刻的灰度图像中对应的所有灰度值绘制该位置的像素点的灰度直方图，灰度直方图的横轴为灰度值，纵轴为该位置的像素点在所有时刻的灰度图像中对应的不同灰度值的频率。
5.根据权利要求3所述的一种果蔬脱水液面检测方法，其特征在于，所述对该位置的像素点的灰度直方图进行直方图均衡化，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值，包括的具体步骤如下：
对于所有时刻的灰度图像中同一个位置的像素点的灰度直方图中每个灰度值，获取每个灰度值的频率阈值，根据每个灰度值的频率阈值对灰度直方图进行调整，得到调整之后的灰度直方图；
对调整之后的灰度直方图进行直方图均衡化，得到每一时刻的灰度图像中该位置的像素点的第二增强灰度值。
6.根据权利要求5所述的一种果蔬脱水液面检测方法，其特征在于，所述获取每个灰度值的频率阈值，包括的具体步骤如下：
其中，表示第/>个位置的像素点的灰度直方图中第/>个灰度值的频率阈值；/>表示第个位置的像素点的灰度直方图中第/>个灰度值在所有灰度图像的该位置第/>次出现时所在的灰度图像对应的时刻的索引；/>表示第/>个位置的像素点的灰度直方图中第/>个灰度值在所有灰度图像的该位置出现的总次数；/>表示所有灰度图像对应的时刻中最新的时刻的索引；/>表示第/>个位置的像素点的灰度直方图中第/>个灰度值的频率；/>表示以自然常数为底的对数函数；/>表示超参数。
7.根据权利要求5所述的一种果蔬脱水液面检测方法，其特征在于，所述根据每个灰度值的频率阈值对灰度直方图进行调整，包括的具体步骤如下：
当灰度值的频率小于频率阈值时，将灰度直方图中该灰度值的频率调整为频率阈值对应的值，当灰度值的频率大于或等于频率阈值时，对灰度直方图中该灰度值的频率不进行调整。
8.根据权利要求1所述的一种果蔬脱水液面检测方法，其特征在于，所述根据每一时刻的第一增强图像以及第二增强图像确定每一时刻的最终增强图像，包括的具体步骤如下：
其中，表示第/>个时刻的灰度图像中第/>个像素点的最终增强灰度值；/>表示第/>个时刻的第一增强图像中第/>个像素点的灰度值；/>表示第/>个时刻的第二增强图像中第/>个像素点的灰度值；/>为超参数；
将每一时刻的灰度图像中所有像素点的最终增强灰度值构成每一时刻的最终增强图像。
9.根据权利要求1所述的一种果蔬脱水液面检测方法，其特征在于，所述根据每一时刻的最终增强图像确定每一时刻果蔬析出水分的液面高度，包括的具体步骤如下：
利用神经网络检测每一时刻的果蔬析出水分的液面，神经网络的具体内容如下：
神经网络采用RNN循环神经网络；神经网络的输入为每一时刻的最终增强图像；神经网络的输出为每一时刻果蔬析出水分的液面高度；神经网络的训练集为历史的腌渍环节中的每一时刻果蔬的最终增强图像，标签为每一时刻果蔬的最终增强图像对应的果蔬析出水分的液面高度，由人为在历史的腌渍环境中实际测量获得；神经网络的损失函数采用均方差损失；
将每一时刻的最终增强图像输入到训练好的神经网络中，输出每一时刻果蔬析出水分的液面高度。
10.一种果蔬脱水液面检测装置，其特征在于，所述装置包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733564.1A CN117437277B (zh) | 2023-12-18 | 2023-12-18 | 一种果蔬脱水液面检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311733564.1A CN117437277B (zh) | 2023-12-18 | 2023-12-18 | 一种果蔬脱水液面检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117437277A true CN117437277A (zh) | 2024-01-23 |
| CN117437277B CN117437277B (zh) | 2024-03-12 |
Family
ID=89551781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311733564.1A Active CN117437277B (zh) | 2023-12-18 | 2023-12-18 | 一种果蔬脱水液面检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437277B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635718A (zh) * | 2024-01-24 | 2024-03-01 | 泰安万川电器设备有限公司 | 一种基于图像增强的弱光环境下矿车定位方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105044128A (zh) * | 2015-07-14 | 2015-11-11 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
| US20200151858A1 (en) * | 2017-07-27 | 2020-05-14 | SZ DJI Technology Co., Ltd. | Image contrast enhancement method and device, and storage medium |
| WO2021031459A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技（惠州）有限公司 | 适用于内窥镜的图像增强方法、装置和存储介质 |
| JP2021057684A (ja) * | 2019-09-27 | 2021-04-08 | エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ | 画像処理装置、撮像装置、移動体、画像処理方法、及びプログラム |
| CN114092355A (zh) * | 2021-11-26 | 2022-02-25 | 北京信息科技大学 | 自适应红外图像对比度增强方法及装置 |
| CN114882031A (zh) * | 2022-07-11 | 2022-08-09 | 江苏瑞立环保工程股份有限公司 | 一种基于活性污泥法的污水处理方法与系统 |
| CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
| CN116228804A (zh) * | 2023-05-10 | 2023-06-06 | 山东省地质测绘院 | 一种基于图像分割的矿产资源识别方法 |
| CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测系统 |
| CN117173695A (zh) * | 2023-09-07 | 2023-12-05 | 绿萌科技股份有限公司 | 一种基于灰度图和混合建模的果蔬颜色识别检测方法 |
-
2023
- 2023-12-18 CN CN202311733564.1A patent/CN117437277B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105044128A (zh) * | 2015-07-14 | 2015-11-11 | 浙江大学 | 基于光照背景差影法的水果表面缺陷检测方法 |
| US20200151858A1 (en) * | 2017-07-27 | 2020-05-14 | SZ DJI Technology Co., Ltd. | Image contrast enhancement method and device, and storage medium |
| WO2021031459A1 (zh) * | 2019-08-16 | 2021-02-25 | 域鑫科技（惠州）有限公司 | 适用于内窥镜的图像增强方法、装置和存储介质 |
| JP2021057684A (ja) * | 2019-09-27 | 2021-04-08 | エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ | 画像処理装置、撮像装置、移動体、画像処理方法、及びプログラム |
| CN114092355A (zh) * | 2021-11-26 | 2022-02-25 | 北京信息科技大学 | 自适应红外图像对比度增强方法及装置 |
| CN114882031A (zh) * | 2022-07-11 | 2022-08-09 | 江苏瑞立环保工程股份有限公司 | 一种基于活性污泥法的污水处理方法与系统 |
| CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
| CN116228804A (zh) * | 2023-05-10 | 2023-06-06 | 山东省地质测绘院 | 一种基于图像分割的矿产资源识别方法 |
| CN117173695A (zh) * | 2023-09-07 | 2023-12-05 | 绿萌科技股份有限公司 | 一种基于灰度图和混合建模的果蔬颜色识别检测方法 |
| CN116934748A (zh) * | 2023-09-15 | 2023-10-24 | 山东重交路桥工程有限公司 | 一种基于乳化高黏沥青的路面裂纹检测系统 |
Non-Patent Citations (6)
| Title |
|---|
| B. AARTHY ET AL.: "Enhancement of various images using coefficients obtained from a class of Sakaguchi type functions", 《SCIENTIFIC REPORTS》, 31 October 2023 (2023-10-31), pages 1 - 14 * |
| D. KEREN ET AL.: "Image sequence enhancement using sub-pixel displacements", 《PROCEEDINGS CVPR \'88: THE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 6 August 2002 (2002-08-06), pages 742 - 746 * |
| 刘娜等: "一种改进的低对比度灰度图像边缘识别方法", 《计算机时代》, no. 01, 15 January 2008 (2008-01-15), pages 1 - 3 * |
| 王一竹等: "基于人眼亮度感知的S型函数图像对比度增强算法", 《电子科技大学学报》, vol. 51, no. 04, 14 July 2022 (2022-07-14), pages 600 - 607 * |
| 董丽丽等: "基于直方图均衡化图像增强的两种改进方法", 《电子学报》, vol. 46, no. 10, 15 October 2018 (2018-10-15), pages 2367 - 2375 * |
| 黄展鹏: "基于分段直方图均衡化技术的图像增强", 《电脑知识与技术》, no. 16, 5 June 2008 (2008-06-05), pages 1292 - 1293 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635718A (zh) * | 2024-01-24 | 2024-03-01 | 泰安万川电器设备有限公司 | 一种基于图像增强的弱光环境下矿车定位方法及系统 |
| CN117635718B (zh) * | 2024-01-24 | 2024-04-26 | 泰安万川电器设备有限公司 | 一种基于图像增强的弱光环境下矿车定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117437277B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117437277B (zh) | 一种果蔬脱水液面检测方法及装置 | |
| Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
| CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
| CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
| CN108830285A (zh) | 一种基于Faster-RCNN的加强学习的目标检测方法 | |
| CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
| CN110889838A (zh) | 一种织物疵点检测方法及装置 | |
| CN111179262B (zh) | 一种结合形状属性的电力巡检图像金具检测方法 | |
| CN113538424B (zh) | 基于人工智能的木板节子分类数据识别方法 | |
| CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
| CN113657294B (zh) | 一种基于计算机视觉的作物病虫害检测方法及系统 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN113222938A (zh) | 芯片缺陷检测方法及系统与计算机可读存储介质 | |
| CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
| CN111950357A (zh) | 一种基于多特征yolov3的船用水面垃圾快速识别方法 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN117237990A (zh) | 群养猪只体重的估测方法、装置、电子设备及存储介质 | |
| CN117066149A (zh) | 一种智能化实时茶叶杂物分拣系统 | |
| CN115457373A (zh) | 无锚框的一阶段虫害图像检测方法、装置及存储介质 | |
| Gai et al. | Yolov5s-cherry: Cherry target detection in dense scenes based on improved yolov5s algorithm | |
| CN110969210A (zh) | 一种小慢目标的识别分类方法、装置、设备及存储介质 | |
| CN111649804A (zh) | 油位监测方法、设备及具有存储功能的装置 | |
| CN117250322B (zh) | 一种基于大数据的红枣食品安全智能监测方法及系统 | |
| CN113378780B (zh) | 一种基于集成视觉的建筑物损伤智能检测系统与方法 | |
| CN117282687B (zh) | 印刷品视觉检测自动剔补标控制系统 |
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 |