CN117456468A - 一种基于ai算法的食品安全人工智能监管系统 - Google Patents

Abstract

本发明公开了一种基于AI算法的食品安全人工智能监管系统，属于食品安全检测技术领域，包括：图像获取模块，图像获取模块被配置为获取食品的整体图像；图像分割模块，图像分割模块被配置为对食品的整体图像按照部位的不同进行对象分割；预测模块，预测模块被配置为对任一对象在邻近与其他对象的交界区域的形态进行预测，得到检测对象的预测图像；质量判断模块，质量判断模块被配置为将检测对象的预测图像与检测对象的实物图像的形态进行对比，并在判定检测对象的预测图像与检测对象的实物图像的形态差距超过预设阈值时，判定食品异常。本发明提供一种基于AI算法的食品安全人工智能监管系统，能够有效对食品异常进行判断，检测效果好，经济性好。

Description

一种基于AI算法的食品安全人工智能监管系统

技术领域

本发明属于食品安全检测技术领域，具体涉及一种基于AI算法的食品安全人工智能监管系统。

背景技术

在对食品进行安全监控时，目前主要通过获取食品的整体图像，基于机器学习异常图像，然后对食品进行异常判定。在采用机器学习的方法，需要大量的异常图像的样本以及机器学习，需要投入大量的成本，经济性差。另一方面，先目前主要通过获取食品的整体图像，在整体图像中出现食品异常信息时，食品通常已出现大面积异常，预见性差。

发明内容

本发明提供一种基于AI算法的食品安全人工智能监管系统，能够有效对食品异常进行判断，检测效果好，经济性好。

本发明通过下述技术方案实现：

本发明提供一种基于AI算法的食品安全人工智能监管系统，包括：图像获取模块，图像获取模块被配置为获取食品的整体图像；图像分割模块，图像分割模块被配置为对食品的整体图像按照部位的不同进行对象分割；预测模块，预测模块被配置为对任一对象在邻近与其他对象的交界区域的形态进行预测，得到检测对象的预测图像；质量判断模块，质量判断模块被配置为将检测对象的预测图像与检测对象的实物图像的形态进行对比，并在判定检测对象的预测图像与检测对象的实物图像的形态差距超过预设阈值时，判定食品异常。

在其中一些实施例中，图像分割模块包括颜色分割单元和/或形状分割单元；颜色分割单元基于颜色差对食品的整体图像进行分割以得到不同部位的对象；形状分割单元基于形状变化程度对食品的整体图像进行分割以得到不同部位的对象。

在其中一些实施例中，颜色分割单元基于颜色差对食品的整体图像进行分割以得到不同部位的对象包括以下步骤：S10、将整体图像中非食品的图像区域删除；S20、将剩余图像进行图像二值化操作；S30、基于图形二值化得到食品的不同部位。

在其中一些实施例中，预测模块包括形状预测单元和颜色预测单元；形状预测单元基于检测对象远离交界区域的一端朝向交界区域的延伸曲线，预测检测对象在邻近与其他对象的交界区域的形状；颜色预测单元基于检测对象远离交界区域的颜色，预测检测对象在邻近与其他对象的交界区域的颜色。

在其中一些实施例中，图像分割模块包括整体分割单元和局部分割单元；整体分割单元被配置为对食品的整体图像进行分割，得到分割后仅包括任一对象的图像；局部分割单元被配置为食品的整体图像进行分割，得到同时包括至少两个对象的图像。

在其中一些实施例中，质量判断模块包括整体判断单元和局部判断单元；整体判断单元获取经整体分割单元分割后的图像并进行判断；局部判断单元获取经局部分割单元分割后的图像并进行判断。

在其中一些实施例中，预测模块得到检测对象的预测图像包括以下步骤：T10、获取食品种类；T20、基于食品种类，获取数据库中健康食品的形态变化；T30、获取食品检测对象远离交界区域的形态至交界区域的形态变化趋势；T40、基于数据库中健康食品的形态变化和食品远离交界区域的形态至交界区域的形态变化趋势，得到检测对象的预测图像。

在其中一些实施例中，图像分割模块对整体图像进行分割后，得到根茎分割图像和/或茎叶分割图像。

本发明与现有技术相比，具有以下优点及有益效果：

本发明提供的基于AI算法的食品安全人工智能监管系统主要获取食品不同部位交汇的位置的图像内容，并对分割对象与其他对象交汇的位置的图像进行预测，并将预测图像与实际图像进行对比，以判断食品该对象与其他对象的交汇位置是否存在异常的情况。基于上述实施例，还能够在食品刚开始发生异常时，及时发现该异常，避免食品的大范围损坏，起到节约食品的目的。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明一些实施例提供的基于AI算法的食品安全人工智能监管系统中颜色分割单元对整体图像进行分割的流程示意图；

图2为本发明一些实施例提供的基于AI算法的食品安全人工智能监管系统中预测模块得到检测对象的流程示意图；

图3为本发明一些实施例提供的基于AI算法的食品安全人工智能监管方法的流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

在本发明的描述中，需要说明的是，所采用的术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，本发明的描述中若出现“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

本实施例提供一种基于AI算法的食品安全人工智能监管系统，主要包括图像获取模块、图像分割模块、预测模块和质量判断模块。其中，图像获取模块被配置为获取食品的整体图像；图像获取模块可通过摄像头对食品的整体图像进行获取，为获取食品的整体图像，可通过设置透明托盘，调整食品姿态等方式辅助实现。当然，在不同的实施例中，食品的整体图像也可以是完整食品的局部图像，当食品包括可食用部分和不可食用部分时，食品的整体图像可以仅是可食用部分。图像分割模块被配置为对食品的整体图像按照部位的不同进行对象分割；通过对食品的整体图像进行分割，分割后的不同对象主要是不同的部位。在不同的实施例中，不同的对象可以是完全不相同的部位，分割后得到的一个对象也可以是主要包括一个部位，其他部位较少或者没有的图像内容。预测模块被配置为对任一对象在与其他对象的交界区域的形态进行预测，得到检测对象的预测图像；预测模块所预测的对象是指食品的具体部位，任一对象在与其他对象的交界区域可以理解为不同部位交汇的区域；预测模块的主要作用是预测检测的食品在健康状态下的所检测的交界区域的形态是怎样的，基于预测过程，得到该检测对象的预测图像。质量判断模块被配置为将检测对象的预测图像与检测对象的实物图像的形态进行对比，判断检测对象的预测图像与检测对象的实物图像的形态是否存在差异。当检测对象的预测图像与检测对象的实物图像的形态存在差异，并且该差异值超过预设阈值时，此时判定检测的食品出现异常。

以生食为例，在不同部位交汇的位置，会存在相互包裹的情况，该情况会导致这一区域通风性较差，水分不易散失的情况，进而使得在不同部位交汇的位置更易发生异常，食品异常包括食品品相、新鲜度较差，至食品完全腐烂这一过程中的所有形态，而当食品发生异常之后，其形态相比正常的同类食品，会发生改变。

通过上述实施例的设置，主要获取食品不同部位交汇的位置的图像内容，并对分割对象与其他对象交汇的位置的图像进行预测，并将预测图像与实际图像进行对比，以判断食品该对象与其他对象的交汇位置是否存在异常的情况。基于上述实施例，还能够在食品刚开始发生异常时，及时发现该异常，避免食品的大范围损坏，起到节约食品的目的。

在其中一些实施例中，图像分割模块包括颜色分割单元和形状分割单元中的至少一种。其中，颜色分割单元基于颜色差对食品的整体图像进行分割，以得到不同部位的对象。示例性的，对于食品不同部位颜色存在较大差异时，可通过颜色差直接得到整体图像中不同部位的对象。形状分割单元基于形状变化程度对食品的整体图像进行分割，以得到不同部位的对象。示例性的，食品的根具有从远端到茎的部位逐渐增大的趋势，而茎最粗的部位的形状、尺寸与根的形状、尺寸明显不同，会在连接处出现较大的变化，因此可通过该食品形状的变化程度对食品的整体图像进行分割。

在一些示例中，当图像分割模块同时包括分割单元和形状分割单元时，可根据食品具体的分类，以其中一个单元为检测的侧重，以另外一个单元为验证性或备用性的方式使用。也可设置二者的检测值比重，得到最终的分割图像。

通过上述实施例的设置，能够实现对食品整体图像的分割，以便后续更好的对食品在不同部位交界区域进行识别，以得到食品是否出现异常的信息。

在其中一些实施例中，请参阅图1，颜色分割单元基于颜色差对食品的整体图像进行分割以得到不同部位的对象主要包括以下步骤：

S10、将整体图像中非食品的图像区域删除。在S10步骤中，通常获取的食品的整体图像包括食品主体和其他背景，在该步骤中，将除开食品的其他背景区域做删除处理，以便后续针对性对食品主体进行进一步操作。

S20、将剩余图像进行图像二值化操作。在S20步骤中，剩余图像主要是指食品主体。在进行图像二值化操作时，对于不同的食品，可具体设置不同图像二值化的分界值，以得到不同颜色的两个区域。也可在不判断食品种类的情况下，不断地对图像设置不同的分界值，以得到不同颜色的两个区域为止。

S30、基于图像二值化得到食品的不同部位。

在上述实施例中，通过对食品图像进行二值化操作，以得到不同部位的对象。

在其中一些实施例中，预测模块包括形状预测单元和颜色预测单元。其中，形状预测单元基于检测对象远离交界区域的一端向交界区域的延伸曲线，预测检测对象在邻近与其他对象的交界区域的形状。示例性的，以茎叶为例，茎的粗端向与叶连接处具有尺寸逐渐减小的区域，而叶的尺寸明显与茎的尺寸变化区域不相同，因此可通过该方式对食品的不同部位在与其他部位交汇区域的形态进行预测。而通过形状的预测并在后续的步骤这种与实物图像进行对比，能够得到食品在不同部位的交界区域是否发生异常，当食品在交界区域发生异常时，会出现膨胀(主要原因内部微生物富集导致)或萎缩(主要原因是失水导致)的情况，通过该方法能够有效判断是否存在上述情况的发生。颜色预测单元基于检测对象远离交界区域的颜色，预测检测对象在邻近与其他对象的交界区域的颜色。示例性的，食品的相同部位，其颜色相同或相近，不会存在较大的色差，基于该方式，可预测得到检测对象的交界区域的颜色。

在一些示例中，以茎叶的交界区域的形状为例，形状预测单元对交界区域的形状进行预测的过程中，可采用以下步骤：

其中，r为茎在与叶交界区域的形状的半径；R为茎粗端的半径，L为以粗端为地面，交界区域为腰部形成的圆锥的高度，l₁为交界区域所在与茎粗端的距离。

在上述实施例中，通过形状预测单元和颜色预测单元的设置，能够得到检测食品在健康状态下的形状和颜色，并以此为参照，判断食品的实物图像是否存在异常的情况。

在一些示例中，预测模块可包括形状预测单元和颜色预测单元中的一种，也可同时包括两种。

在其中一些实施例中，图像分割模块包括整体分割单元和局部分割单元。其中，整体分割单元被配置为对食品的整体图像进行分割，得到分割后仅包括任一对象的图像。经整体分割单元之后的图像中，每个图像中仅包括一个部位的对象，以便更好的对包含该部位的对象进行判断。而对于多数食品来说，在对整体图像进行分割之后，会存在部位不易分割的对象，而包括多个部位的图像可通过局部分割单元进行分割。

在上述实施例中，通过将分割对象进行进一步分类，以便后续对食品进行检测时，能够具有更好的检测效果。

在其中一些实施例中，质量判断模块包括整体判断单元和局部判断单元。其中，整体判断单元获取经整体分割单元分割后的图像并进行判断。在具体的示例中，经整体分割单元分割后的图像仅包括一个部位的对象，能够更好的与预测图像进行对比，得到更加准确的检测结果。局部判断单元获取经局部分割单元分割后的图像并进行判断，能够在与预测图像进行对比之后，在存在异常的情况下，进一步通过人为的识别，或者其他识别方式，进一步进行判断，以得到更加准确的判断结果。

在其中一些实施例中，请参阅图2，预测模块得到检测对象的预测图像主要包括以下步骤：

T10、获取食品的种类。在T10中，可通过现有的技术，对食品的种类进行识别，以得到食品的种类信息。

T20、基于得到的食品种类，获取数据库中该种类健康食品的形态变化。在T20中，通过在数据库中寻找相同种类的食品，并得到相同种类的食品的形态变化，比如形状变化趋势，颜色变化等信息。

T30、获取食品检测对象远离交界区域的形态至交界区域的形态变化趋势。在T30中，基于数据库中相同种类的食品变化的形态变化趋势，对应得到检测食品的形态变化趋势，示例性的，食品的形状具有从远端逐渐减小的趋势，其变化的趋势能够算出，而基于该趋势，能够对检测食品的形态变化趋势进行预测。

T40、基于数据库中健康食品的形态变化和食品远离交界区域的形态至交界区域的形态变化趋势，得到检测对象的预测图像。

在上述实施例中，通过获取数据库中相同种类的健康食品的形态变化趋势，进而对检测食品的形态变化趋势进行预测，以得到检测对象的预测图像。

在其中一些实施例中，图像分割模块对整体图像进行分割后，得到根茎分割图像和茎叶分割图像中的至少一种。对于不同的食品而言，可选择性得到其中的一种或多种。

另一方面，请参阅图3，本申请实施例提供一种基于AI算法的食品安全人工智能监管方法，主要包括以下步骤：

K10、获取食品的整体图像。

K20、对食品的整体图像按照部位的不同进行对象分割。

K30、对任一对象在邻近与其他对象的交界区域的形态进行预测，得到检测对象的预测图像。

K40、将检测对象的预测图像与检测对象的实物图像的形态进行对比。

K50、若判定检测对象的预测图像与检测对象的实物图像的形态差距超过预设阈值时，判定食品异常。

本申请实施例还提供一种基于AI算法的食品安全人工智能监管设备，包括存储器和处理器，存储器上存储有计算机程序，处理器执行该计算机程序，以实现上述实施例中的基于AI算法的食品安全人工智能监管方法。

本实施例还提供一种计算机存储介质，其上存储有计算机程序，计算机程序被处理模块进行加载，以实现上述实施例中任一项的基于AI算法的食品安全人工智能监管方法。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何行进上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (8)

1.一种基于AI算法的食品安全人工智能监管系统，其特征在于，包括：

图像获取模块，所述图像获取模块被配置为获取食品的整体图像；

图像分割模块，所述图像分割模块被配置为对食品的整体图像按照部位的不同进行对象分割；

预测模块，所述预测模块被配置为对任一对象在邻近与其他对象的交界区域的形态进行预测，得到检测对象的预测图像；

质量判断模块，所述质量判断模块被配置为将检测对象的预测图像与检测对象的实物图像的形态进行对比，并在判定检测对象的预测图像与检测对象的实物图像的形态差距超过预设阈值时，判定食品异常。

2.根据权利要求1所述的基于AI算法的食品安全人工智能监管系统，其特征在于，所述图像分割模块包括颜色分割单元和/或形状分割单元；

所述颜色分割单元基于颜色差对食品的整体图像进行分割以得到不同部位的对象；

所述形状分割单元基于形状变化程度对食品的整体图像进行分割以得到不同部位的对象。

3.根据权利要求2所述的基于AI算法的食品安全人工智能监管系统，其特征在于，所述颜色分割单元基于颜色差对食品的整体图像进行分割以得到不同部位的对象包括以下步骤：

S10、将整体图像中非食品的图像区域删除；

S20、将剩余图像进行图像二值化操作；

S30、基于图形二值化得到食品的不同部位。

4.根据权利要求1至3任一项所述的基于AI算法的食品安全人工智能监管系统，其特征在于，所述预测模块包括形状预测单元和颜色预测单元；

所述形状预测单元基于检测对象远离交界区域的一端朝向交界区域的延伸曲线，预测检测对象在邻近与其他对象的交界区域的形状；

所述颜色预测单元基于检测对象远离交界区域的颜色，预测检测对象在邻近与其他对象的交界区域的颜色。

5.根据权利要求1所述的基于AI算法的食品安全人工智能监管系统，其特征在于，所述图像分割模块包括整体分割单元和局部分割单元；

所述整体分割单元被配置为对食品的整体图像进行分割，得到分割后仅包括任一对象的图像；

所述局部分割单元被配置为食品的整体图像进行分割，得到同时包括至少两个对象的图像。

6.根据权利要求5所述的基于AI算法的食品安全人工智能监管系统，其特征在于，所述质量判断模块包括整体判断单元和局部判断单元；

所述整体判断单元获取经整体分割单元分割后的图像并进行判断；所述局部判断单元获取经局部分割单元分割后的图像并进行判断。

7.根据权利要求1所述的基于AI算法的食品安全人工智能监管系统，其特征在于，所述预测模块得到检测对象的预测图像包括以下步骤：

T10、获取食品种类；

T20、基于食品种类，获取数据库中健康食品的形态变化；

T30、获取食品检测对象远离交界区域的形态至交界区域的形态变化趋势；

T40、基于数据库中健康食品的形态变化和食品远离交界区域的形态至交界区域的形态变化趋势，得到检测对象的预测图像。

8.根据权利要求1所述的基于AI算法的食品安全人工智能监管系统，其特征在于，所述图像分割模块对整体图像进行分割后，得到根茎分割图像和/或茎叶分割图像。