CN107316297B - 食用油杂质的视觉检测方法 - Google Patents
食用油杂质的视觉检测方法 Download PDFInfo
- Publication number
- CN107316297B CN107316297B CN201710551303.6A CN201710551303A CN107316297B CN 107316297 B CN107316297 B CN 107316297B CN 201710551303 A CN201710551303 A CN 201710551303A CN 107316297 B CN107316297 B CN 107316297B
- Authority
- CN
- China
- Prior art keywords
- image information
- edible oil
- image
- region
- impurities
- 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
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 79
- 239000012535 impurity Substances 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 230000000007 visual effect Effects 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005286 illumination Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 48
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011179 visual inspection Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 230000011218 segmentation Effects 0.000 abstract description 8
- 230000003287 optical effect Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 239000007788 liquid Substances 0.000 description 6
- 239000003921 oil Substances 0.000 description 6
- 235000019198 oils Nutrition 0.000 description 6
- 235000019483 Peanut oil Nutrition 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000312 peanut oil Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001802 infusion Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 239000003708 ampul Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 229930182555 Penicillin Natural products 0.000 description 1
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 1
- 235000011611 Pinus yunnanensis Nutrition 0.000 description 1
- 241000018652 Pinus yunnanensis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000003978 infusion fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 229940049954 penicillin Drugs 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种食用油杂质的视觉检测方法，所述方法包括：获取待检测食用油的图像信息；对所述图像信息进行滤波去噪和图像差分处理，结合视觉注意机制得出所述图像信息中的显著区域；通过支持相量机对所述图像信息中的显著区域中的杂质类型进行判断和辨别，以得到食用油杂质的视觉检测结果。本发明的有益效果为：通过若干工业相机以及红外摄像机、适合的光照条件等搭建出食用油杂质的检测环境，光电部分针对食用油尤其是桶装食用油的桶状、体积和光学折射特性，保证食用油桶内各部位的杂质较清晰的呈现出来，而对于显示的食用油中的图像信息中的显著区域则通过算法实现了食用油桶壁阴影、气泡和其它杂质干扰的滤波，实现了杂质的准确分割和辨识。
Description
技术领域
本发明实施例涉及数据处理领域，尤其涉及一种食用油杂质的视觉检测方法。
背景技术
我国的花生油生产线自动化程度较高，但在花生油质检环节基本上还依赖于人工灯检方式。人工灯检方式效率和精度都较低，对检测工人的眼睛损害很大。随着智能制造技术的发展，用机器视觉替代人眼检测已经成为亟待解决的问题。
机器视觉检测设备在国外发达国家已广泛使用，如饮料检测、口服液检测和安瓿检测等，主要厂家有德国Seidenada、意大利Brevetti、日本Esia等。意大利Brevetti生产的小容量药品检查机属于间歇式视觉检测设备，主要检测装量在1-20毫升之间，速度一般为150-300瓶/分钟。其获取的图像非常稳定，但速度较慢。德国Seidenader公司生产的异物检查机采取跟踪式视觉检测，主要用于1-100毫升安瓿、西林瓶等小针制剂。其最大优点是速度较快，但其机械装置相对间歇式更复杂。日本Eisai公司生产的全自动检查机采用光敏传感器判断出运动异物，主要针对安瓿、口服液和大输液等不同装量的试剂。
近几年，国内的各个高校、研究院和企业等机构也开始研究机器视觉技术在药液、酒、饮料等检测中的应用。湖南大学与湖南千山制药机械股份有限公司联合研发的玻璃瓶大输液产品质量智能检测线、劲酒产品质量智能检测线，湖南正中的安瓿全自动智能灯检机等。李彬对二维阈值分割算法进行了改进，提高了算法的抗噪性，有效避免了错误划分，加强了图像的分割效果，对其他的研究者有一定的指导意义。杨福刚、孙同景等针对大输液和注射剂的杂质检测，提出了基于视觉传感器异物检测方法、航迹关联判断杂质运动轨迹和基于人工免疫捕捉异物运动轨迹的检测方法。张辉在大输液视觉检测与识别技术的研究中，针对传统细胞神经网络的分割准确率低的问题，采用了改进型模糊细胞神经网络结构，并通过实验测试证明其有效地克服了传统细胞神经网络无法解决的边缘检出问题，使得异物分割图像能更好的接近真实图像。周博文在保健酒智能检测机器人技术研究中，提出了基于中值的加权均值滤波算法，既能有效的滤除噪声，又能有效的保留运动目标。范彬、杨丽、冯云松、杨华等针对红外图像的特点，提出了一种改进的红外图像分割算法。
以上所有的研究都是针对于口服液、保健酒、大输液、注射剂等液体，由于花生油生产过程中的异物过滤技术、产品包装、透光性、溶液浓度以及杂质标准都与其他液体不同，因此，针对安瓶瓶、注射剂等的国内外现有的机器视觉检测设备并不适用于桶装花生油。
南京汇川图像视觉技术有限公司申请的《一种基于图像背景概率图的食用油杂质检测方法》(申请号为201610278380.4)公开了一种基于图像背景概率图的食用油杂质检测方法。该发明申请主要包括建立背景概率图以及异物检测，背景概率图用于对油瓶瓶体纹路进行背景建模，然后基于背景和实测图像的差来进行异物检测。此方法只能对固定形状的桶装食用油进行检测，而且不能有效消除食用油泡沫对杂质检测的影响。
现有技术有两个主要缺点：1.桶装食用油瓶体较大，现有技术的光照方案不能有效穿透瓶体，不能保证瓶体内各个部位的杂质被有效检测到。2.桶装食用油在灌装的过程中形成大量的气泡，对杂质的检测形成了非常大的干扰，现有技术一般采用运动跟踪的方法来解决，但由于气泡数量巨大，而且形状各异，此方法在实际中效果不佳。
发明内容
为了克服相关技术中存在的技术问题，本发明提供一种食用油杂质的视觉检测方法，以实现利用基于视觉注意机制和水平集分割结合的杂质检测方法，避免食用油中的气泡噪音等干扰，准确检测食用油中包含的杂质。
第一方面，本发明实施例提供了一种食用油杂质的视觉检测方法，所述方法包括：
获取待检测食用油的图像信息；
对所述图像信息进行滤波去噪和图像差分处理，结合视觉注意机制得出所述图像信息中的显著区域；
通过支持相量机对所述图像信息中的显著区域中的杂质类型进行判断和辨别，以得到食用油杂质的视觉检测结果。
结合另一方面，在另一方面的一种可能的实施方式中，所述获取待检测食用油的图像信息，包括：
利用红外摄像、组合镜头以及合适的光照条件对特定位置设定拍摄参数，以搭建图像获取平台；
获取所述特定位置处的待检测食用油的图像信息。
结合另一方面，在另一方面的一种可能的实施方式中，所述对所述图像信息进行滤波去噪和图像差分处理，结合视觉注意机制得出所述图像信息中的显著区域，包括：
获取所述特定位置处的待检测食用油的图像信息，包括：
通过所述红外摄像组合镜头对所述特定位置的食用油的不同部位进行检测，检测出出现杂质的部位；
对所述出现杂质的部位进行标记，形成所述显著区域，并对所述显著区域进行滤波去噪、图像差分结合视觉注意机制处理。
结合另一方面，在另一方面的一种可能的实施方式中，所述对所述图像信息进行滤波去噪和图像差分处理，包括：
用一个M*M模板扫描所述图像信息中每一个像素；
在所述M*M模板模板中选择K个与待处理像素的灰度值最接近的像素点，其中，K>M；
对K个像素点统计其灰度值之和后取它们的平均值，并用平均值来替换原来的像素值。
结合另一方面，在另一方面的一种可能的实施方式中，所述对所述图像信息进行滤波去噪和图像差分处理，还包括：
利用不同时间采集的图像信息进行差分，包括：
对获得的时间序列图像相同位置像素点灰度值求差；
当灰度差值大于设定的阈值，将该像素点对应位置为所述显著区域。
结合另一方面，在另一方面的一种可能的实施方式中，所述结合视觉注意机制得出所述图像信息中的显著区域包括：
通过所述图像信息中的非显著区域检测所述显著区域，利用相位谱替代显著区域的图像信息，基于相位谱的显著图计算模型基于如下算式：
其中m是显著区域，g是高斯滤波算子，k是大于等于2的整数，*是卷积，
是图像x相位谱的反变换，
结合另一方面，在另一方面的一种可能的实施方式中，根据所述计算模型中模型参数的选择，模型的计算包括：
对输入的显著区域的图像信息适当变换，缩小其尺寸，消除图像的纹理细节；
所述参数k是
以Hadamard积相乘，带有显著区域的图像信息的灰度在[0,1]区间变化时，所述参数k使所述显著区域包含的像素的突显程度拉开距离，所述参数k增大，则所述显著区域中的显著度的像素点显著度更高，所述显著区域中的显著度的像素点显著度低的点逐渐消失，以筛选出显著度最高的像素点；
其中，卷积模板大小和标准差δ的参数决定了包含有显著区域的图像信息中的显著区域显示的形状。
结合另一方面，在另一方面的一种可能的实施方式中，所述方法还包括：
利用Mumford-Shah模型对所述非显著区域进行二次滤波。
9、根据权利要求8所述的方法，其特征在于，所述Mumford-Shah模型的能量函数是：
其中，μ,v是非负常数，Ω表示图像区域，I0表示初始图像，I表示逼近原始图像I0的一个分段光滑图像，曲线C表示图像区域的边界；
利用水平集方法，通过最小化能量函数求解，活动轮廓曲线C将图像区域Ω分为曲线内外两部分，曲线内和曲线外分别表示为I+和I-，同时，使用水平集函数
替代活动轮廓曲线C(t)，水平集函数依旧采用SDF函数形式。
结合另一方面，在另一方面的一种可能的实施方式中，所述获取待检测食用油的图像信息之前，还包括：
对所述待检测的食用油进行杂质均匀操作，以使所述待检测食用油中形成的显著区域均匀显示。
本发明通过若干工业相机以及红外摄像机、适合的光照条件等搭建出食用油杂质的检测环境，光电部分针对食用油尤其是桶装食用油的桶状、体积和光学折射特性，保证食用油桶内各部位的杂质较清晰的呈现出来，而对于显示的食用油中的图像信息中的显著区域则通过算法实现了食用油桶壁阴影、气泡和其它杂质干扰的滤波，实现了杂质的准确分割和辨识。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种食用油杂质的视觉检测方法的方法流程图。
图2是根据一示例性实施例示出的一种食用油杂质的视觉检测方法的囤积简易流程图。
图3是根据一示例性实施例示出的一种食用油杂质的视觉检测方法的滤波去噪流程图。
图4是根据一示例性实施例示出的一种食用油杂质的视觉检测方法的计算过程图。
图5是根据一示例性实施例示出的在杂质检测时的图像信息图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图中将各步骤描述成顺序的处理，但是其中的许多步骤可以并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排，当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图内的其它步骤。处理可以对应于方法、函数、规程、子例程、子程序等。
本发明涉及一种食用油杂质的视觉检测方法，其主要运用于对食用油中的杂质进行检测的场景中，其基本思想是：通过若干工业相机、红外摄像机以及适合的光照条件等搭建出食用油杂质的检测环境，光电部分针对食用油尤其是桶装食用油的桶状、体积和光学折射特性，能够检测出较大体积的食用油桶内盛装的食用油各部位的杂质较清晰的呈现，进而对于显示的食用油中的图像信息中的显著区域则通过算法实现了食用油桶壁阴影、气泡和其它杂质干扰的滤波，对杂质准确分割和辨识。
本发明中还涉及在利用若干工业相机、红外摄像机以及适合的光照条件等搭建出食用油杂质的检测环境的检测装置，以及可能存在的抓取在食用油生产线上生活的桶装食用油的机械手，虽然未于图中进行结构上的说明，但其检测装置以能够实现本发明的食用油杂质的视觉检测方法而设立的，该检测装置可设置于油类自动生产线在成品油装桶之后的任一环节，通过机械手臂抓取任意体积、何意桶已生成完成的油放置入本发明的检测位置即可进行检测，因此，该检测装置还能够实现对油品进行质量上的检验。
图1为本发明实施例一提供的方法流程图，结合图2所示的在具体应用时的方法步骤图，该方法可以由检测装置中的上位机执行，所述方法具体包括如下步骤：
在步骤110中，获取待检测食用油的图像信息；
一般地，通过摄像装置对待检测食用油进行拍摄即可得到所述图像信息，在本公开示例性实施例的一种实施场景中，利用红外摄像、组合镜头以及合适的光照条件对特定位置设定拍摄参数，以搭建图像获取平台；其中适合的光照条件能够使食用油在光照下呈现出更为清晰的杂质，将待检测食用油放置于特定位置，并加入合适光照，从而能够获取出更优质的图像信息，若干组合镜头可以为工业相机或SVM(Support Vector Machine，支持向量机)搭配红外摄像对图像信息摄取，以最大限度地得到待检测食用油更为清晰的图像信息。
在检测时通过所述红外摄像组合镜头对所述特定位置的食用油的不同部位进行检测，检测出出现杂质的部位；对所述出现杂质的部位进行标记，形成所述显著区域，并对所述显著区域进行滤波去噪、图像差分结合视觉注意机制处理。
在进行本步骤之前，还可以包括：对所述待检测的食用油进行杂质均匀操作，以使所述待检测食用油中形成的显著区域均匀显示，使得后续步骤中检测出的杂质辨识的精确度更高。
在步骤120中，对所述图像信息进行滤波去噪和图像差分处理，结合视觉注意机制得出所述图像信息中的显著区域；
在本公开示例性实施例的一种实施场景中，对于本发明的桶装食用油所处的光电环境，工业相机在图像的采集过程中，引入的噪声主要为高斯和脉冲噪声，这两种噪声会导致图像出现孤立点和模糊现象。本发明采用用K近邻均值滤波法对图像进行去噪处理。
K近邻均值滤波法是在中值滤波算法的基础上进行改进的一种滤波算法，相比于中值滤波，这种算法能去除一些由噪声干扰造成在图像上表现较强视觉效果的孤立像素点和像素块，使图像像素得到更均匀的处理。算法步骤如下：
如图3所示，在步骤121中，用一个M*M模板扫描所述图像信息中每一个像素；
用一个M*M模板扫描待处理图像中每一个像素，本发明中M取值为5。
在步骤122中，在所述M*M模板模板中选择K个与待处理像素的灰度值最接近的像素点，其中，K>M；
在该M*M模板中选择K个与待处理像素的灰度值最接近的像素点，本发明中K取值为7。
在步骤123中，对K个像素点统计其灰度值之和后取它们的平均值，并用平均值来替换原来的像素值。
将这K＝7个像素点统计其灰度值之和后取它们的平均值，并用平均值来替换原来的像素值。
所述对所述图像信息进行滤波去噪和图像差分处理，还包括：
利用不同时间采集的图像信息进行差分，包括：
对获得的时间序列图像相同位置像素点灰度值求差；
当灰度差值大于设定的阈值，将该像素点对应位置为所述显著区域。
在本公开示例性实施例的一种实施场景中，利用不同时间采集的图像进行差分，即对工业相机获得的时间序列图像相同位置像素点灰度值求差，如果灰度差值大于设定的阈值，就可以认为该像素点对应位置存在运动目标，图像差分能够达到的有益效果是消除食用油瓶体本身阴影和外附物造成的干扰。
对于结合视觉注意机制，人类在看一个场景时，往往会在很短时间内找到几个显著区，然后再细看显著区域的内容。视觉注意机制就是模拟人类视觉的这个原理，利用计算图像的显著图，对大场景内目标进行初步定位的方法。
在步骤130中，通过支持相量机对所述图像信息中的显著区域中的杂质类型进行判断和辨别，以得到食用油杂质的视觉检测结果。
对于一个场景时，人类往往会在很短时间内找到几个显著区，然后再细看显著区域的内容，视觉注意机制就是模拟人类视觉的这个原理，利用计算图像的显著图，对大场景内目标进行初步定位的方法。
在图像的Fourier表示式中,幅度谱和相位谱分别代表不同的意义。相位谱包含图像各频率成分的相互位置信息，而幅度谱包含各频率成分的功率信息，相位谱对图像分析起着非常重要的作用。已有文献利用压缩感知原理，从理论上证明了在稀疏背景条件下，利用相位谱可以替代显著图，更加有效的检测显著区域。本发明把桶装食用油中的杂质视为显著区域，而可能存在的气泡则作为非显著区域，即以大量的气泡作为背景信息，利用视觉注意机制可以有效的过滤气泡干扰，有效检测到杂质。
基于相位谱的显著图计算模型基于如下算式：
其中m是显著图，g是高斯滤波算子，k是大于等于2的整数，*是卷积，
是图像x相位谱的反变换，
根据模型参数的选择过程，我们把模型的计算分为三个步骤：
对输入的显著区域的图像信息适当变换，缩小其尺寸，消除图像的纹理细节；
为了使输入图像满足稀疏性要求，需要对输入的图像适当变换，缩小其尺寸，消除图像的纹理细节。在求得图像的显著图后，为了与输入图像相比对，可以使显著图恢复至输入图像尺寸。
所述参数k是
以Hadamard积相乘，带有显著区域的图像信息的灰度在[0,1]区间变化时，所述参数k使所述显著区域包含的像素的突显程度拉开距离，所述参数k增大，则所述显著区域中的显著度的像素点显著度更高，所述显著区域中的显著度的像素点显著度低的点逐渐消失，以筛选出显著度最高的像素点；
对于参数k的选择，这里的k次方指的是
以Hadamard积相乘。图像的灰度在[0,1]区间变化时，参数k的作用是使图像的显著点的突显程度拉开距离，随着k的增大，显著度高的点更显著，而显著度低的点逐渐消失，最后可以筛选出显著度最高的点。
卷积模板大小和标准差δ的参数决定了包含有显著区域的图像信息中的显著区域显示的形状；
Guass卷积模板大小和标准差δ的选择。这两个参数决定了显著图中的显著区域显示的形状。
结合图4及图5所示，对于水平食分割杂质，本发明采用水平集分割方法提取杂质特征，具有分割准确、速度快、对上步没能滤除的气泡有二次滤波作用。该方法不使用梯度信息，直接通过最小化能量函数来实现图像分割，具有全局最优特性。
Mumford-Shah模型的能量函数是：
其中，μ,v是非负常数，Ω表示图像区域，I0表示初始图像，I表示逼近原始图像I0的一个分段光滑图像，曲线C表示图像区域的边界。该算法是利用水平集方法，通过最小化能量函数来求解。活动轮廓曲线C将图像区域Ω分为曲线内外两部分，曲线内和曲线外分别表示为I+和I-。为了利用水平集方法求解该模型，使用水平集函数
替代活动轮廓曲线C(t)，水平集函数依旧采用SDF函数形式，即：如果当前点在曲线上，那么
当前点在活动轮廓曲线内，那么
反之
那么式(2)变为：
将上式最小化，可得到相应的水平集演化方程为：
其中，
是Heaviside函数，
是Dirac函数，定义为：
具体算法流程如图4所示。我们首先进行初始化，根据桶装花生油图像的灰度直方图特征，确定C1＝30,C2＝130。计算图像的相位谱显著图，根据阈值设定显著区域为+1，其他区域为-1，即初始化水平集函数：
然后进行迭代，时间步长Δt＝1，每次迭代后通过对水平集函数重新二值化：
和高斯滤波：
来正则化。最后根据收敛与否或预定迭代次数来决定程序结束或循环。
如图5所示，为在通过检测装置进行图像信息的获取时对图像信息的筛选图，其中的NG为图像信息不合格，而其中的OK则表示图像信息可以用于对食用油进行杂质检测，其中的显著区域为图中杂质区域较多的部分。
本发明的方法，通过若干工业相机以及红外摄像机、适合的光照条件等搭建出食用油杂质的检测环境，光电部分针对食用油尤其是桶装食用油的桶状、体积和光学折射特性，保证食用油桶内各部位的杂质较清晰的呈现出来，而对于显示的食用油中的图像信息中的显著区域则通过算法实现了食用油桶壁阴影、气泡和其它杂质干扰的滤波，实现了杂质的准确分割和辨识。
将意识到的是，本发明也扩展到适合于将本发明付诸实践的计算机程序，特别是载体上或者载体中的计算机程序。程序可以以源代码、目标代码、代码中间源和诸如部分编译的形式的目标代码的形式，或者以任何其它适合在按照本发明的方法的实现中使用的形式。也将注意的是，这样的程序可能具有许多不同的构架设计。例如，实现按照本发明的方法或者***的功能性的程序代码可能被再分为一个或者多个子例程。
用于在这些子例程中间分布功能性的许多不同方式将对技术人员而言是明显的。子例程可以一起存储在一个可执行文件中，从而形成自含式的程序。这样的可执行文件可以包括计算机可执行指令，例如处理器指令和/或解释器指令(例如，Java解释器指令)。可替换地，子例程的一个或者多个或者所有子例程都可以存储在至少一个外部库文件中，并且与主程序静态地或者动态地(例如在运行时间)链接。主程序含有对子例程中的至少一个的至少一个调用。子例程也可以包括对彼此的函数调用。涉及计算机程序产品的实施例包括对应于所阐明方法中至少一种方法的处理步骤的每一步骤的计算机可执行指令。这些指令可以被再分成子例程和/或被存储在一个或者多个可能静态或者动态链接的文件中。
另一个涉及计算机程序产品的实施例包括对应于所阐明的***和/或产品中至少一个的装置中每个装置的计算机可执行指令。这些指令可以被再分成子例程和/或被存储在一个或者多个可能静态或者动态链接的文件中。
计算机程序的载体可以是能够运载程序的任何实体或者装置。例如，载体可以包含存储介质，诸如(ROM例如CDROM或者半导体ROM)或者磁记录介质(例如软盘或者硬盘)。进一步地，载体可以是可传输的载体，诸如电学或者光学信号，其可以经由电缆或者光缆，或者通过无线电或者其它手段传递。当程序具体化为这样的信号时，载体可以由这样的线缆或者其它装置或者装置组成。可替换地，载体可以是其中嵌入有程序的集成电路，所述集成电路适合于执行相关方法，或者供相关方法的执行所用。
应该留意的是，上文提到的实施例是举例说明本发明，而不是限制本发明，并且本领域的技术人员将能够设计许多可替换的实施例，而不会偏离所附权利要求的范围。在权利要求中，任何放置在圆括号之间的参考符号不应被解读为是对权利要求的限制。动词“包括”和其词形变化的使用不排除除了在权利要求中记载的那些之外的元素或者步骤的存在。在元素之前的冠词“一”或者“一个”不排除复数个这样的元素的存在。本发明可以通过包括几个明显不同的元件的硬件，以及通过适当编程的计算机而实现。在列举几种装置的装置权利要求中，这些装置中的几种可以通过硬件的同一项来体现。在相互不同的从属权利要求中陈述某些措施的单纯事实并不表明这些措施的组合不能被用来获益。
如果期望的话，这里所讨论的不同功能可以以不同顺序执行和/或彼此同时执行。此外，如果期望的话，以上所描述的一个或多个功能可以是可选的或者可以进行组合。
如果期望的话，上文所讨论的各步骤并不限于各实施例中的执行顺序，不同步骤可以以不同顺序执行和/或彼此同时执行。此外，在其他实施例中，以上所描述的一个或多个步骤可以是可选的或者可以进行组合。
虽然本发明的各个方面在独立权利要求中给出，但是本发明的其它方面包括来自所描述实施方式的特征和/或具有独立权利要求的特征的从属权利要求的组合，而并非仅是权利要求中所明确给出的组合。
这里所要注意的是，虽然以上描述了本发明的示例实施方式，但是这些描述并不应当以限制的含义进行理解。相反，可以进行若干种变化和修改而并不背离如所附权利要求中所限定的本发明的范围。
本领域普通技术人员应该明白，本发明实施例的装置中的各模块可以用通用的计算装置来实现，各模块可以集中在单个计算装置或者计算装置组成的网络组中，本发明实施例中的装置对应于前述实施例中的方法，其可以通过可执行的程序代码实现，也可以通过集成电路组合的方式来实现，因此本发明并不局限于特定的硬件或者软件及其结合。
本领域普通技术人员应该明白，本发明实施例的装置中的各模块可以用通用的移动终端来实现，各模块可以集中在单个移动终端或者移动终端组成的装置组合中，本发明实施例中的装置对应于前述实施例中的方法，其可以通过编辑可执行的程序代码实现，也可以通过集成电路组合的方式来实现，因此本发明并不局限于特定的硬件或者软件及其结合。
Claims (3)
1.一种食用油杂质的视觉检测方法，其特征在于，所述方法包括：
对待检测的食用油进行杂质均匀操作，以使所述待检测食用油中形成的显著区域均匀显示；
获取待检测食用油的图像信息，包括：利用红外摄像、组合镜头以及合适的光照条件对特定位置设定拍摄参数，以搭建图像获取平台；获取所述特定位置处的待检测食用油的图像信息；
对所述图像信息进行滤波去噪和图像差分处理，结合视觉注意机制得出所述图像信息中的显著区域，包括：获取所述特定位置处的待检测食用油的图像信息，包括：通过所述红外摄像组合镜头对所述特定位置的食用油的不同部位进行检测，检测出出现杂质的部位；对所述出现杂质的部位进行标记，形成所述显著区域，并对所述显著区域进行滤波去噪、图像差分结合视觉注意机制处理；
通过支持相量机对所述图像信息中的显著区域中的杂质类型进行判断和辨别，以得到食用油杂质的视觉检测结果；
所述结合视觉注意机制得出所述图像信息中的显著区域包括：
通过所述图像信息中的非显著区域检测所述显著区域，利用相位谱替代显著区域的图像信息，基于相位谱的显著图计算模型基于如下算式：
其中
是显著区域，
是高斯滤波算子，
是大于等于２的整数，*是卷积，
是图像
相位谱的反变换，
；
根据计算模型中模型参数的选择，模型的计算包括：
对输入的显著区域的图像信息适当变换，缩小其尺寸，消除图像的纹理细节；
所述参数
是
以Hadamard积相乘，带有显著区域的图像信息的灰度在[0,1]区间变化时，所述参数
使所述显著区域包含的像素的突显程度拉开距离，所述参数
增大，则所述显著区域中的显著度的像素点显著度更高，所述显著区域中的显著度的像素点显著度低的点逐渐消失，以筛选出显著度最高的像素点；
其中，卷积模板大小和标准差
的参数决定了包含有显著区域的图像信息中的显著区域显示的形状；
所述对所述图像信息进行滤波去噪和图像差分处理，包括：
用一个M*M模板扫描所述图像信息中每一个像素；
在所述M*M模板模板中选择K个与待处理像素的灰度值最接近的像素点，其中，K>M；
对K个像素点统计其灰度值之和后取它们的平均值，并用平均值来替换原来的像素值；
所述对所述图像信息进行滤波去噪和图像差分处理，还包括：
利用不同时间采集的图像信息进行差分，包括：
对获得的时间序列图像相同位置像素点灰度值求差；
当灰度差值大于设定的阈值，将该像素点对应位置为所述显著区域。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用
模型对所述非显著区域进行二次滤波。
3.根据权利要求2所述的方法，其特征在于，所述
模型的能量函数是：
其中，
是非负常数，
表示图像区域，
表示初始图像，
表示逼近原始图像
的一个分段光滑图像，曲线
表示图像区域的边界；
利用水平集方法，通过最小化能量函数求解，活动轮廓曲线
将图像区域
分为曲线内外两部分，曲线内和曲线外分别表示为
和
，同时，使用水平集函数
替代活动轮廓曲线
，水平集函数依旧采用SDF函数形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710551303.6A CN107316297B (zh) | 2017-07-07 | 2017-07-07 | 食用油杂质的视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710551303.6A CN107316297B (zh) | 2017-07-07 | 2017-07-07 | 食用油杂质的视觉检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107316297A CN107316297A (zh) | 2017-11-03 |
| CN107316297B true CN107316297B (zh) | 2020-09-01 |
Family
ID=60178432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710551303.6A Active CN107316297B (zh) | 2017-07-07 | 2017-07-07 | 食用油杂质的视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107316297B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110634124A (zh) * | 2018-06-22 | 2019-12-31 | 合肥欣奕华智能机器有限公司 | 一种区域检测的方法及设备 |
| CN110428374B (zh) * | 2019-07-22 | 2021-08-03 | 北京农业信息技术研究中心 | 一种小体积害虫自动检测方法及*** |
| CN113822841B (zh) * | 2021-01-29 | 2022-05-20 | 深圳信息职业技术学院 | 一种污水杂质结块检测方法、装置及相关设备 |
| CN112991294A (zh) * | 2021-03-12 | 2021-06-18 | 梅特勒-托利多(常州)测量技术有限公司 | 异物检测方法、装置及计算机可读介质 |
| CN116468729B (zh) * | 2023-06-20 | 2023-09-12 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、***及计算机 |
| CN116712771B (zh) * | 2023-08-10 | 2023-12-12 | 广州市乐百纳餐饮设备制造有限公司 | 一种可检测油质的滤油车 |
| CN116862912B (zh) * | 2023-09-04 | 2023-11-24 | 山东恒信科技发展有限公司 | 基于机器视觉的原料油杂质检测方法 |
| CN116952785B (zh) * | 2023-09-20 | 2023-12-12 | 深圳市华加生物科技有限公司 | 基于图像数据的电子烟油变质检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644658A (zh) * | 2009-09-04 | 2010-02-10 | 湖南千山制药机械股份有限公司 | 瓶内异物检测设备及其抓瓶旋转装置 |
| CN102998316A (zh) * | 2012-12-20 | 2013-03-27 | 山东大学 | 一种透明液体杂质检测***及其检测方法 |
| CN103543205A (zh) * | 2013-10-18 | 2014-01-29 | 中国科学院深圳先进技术研究院 | 瓶装液体中异物的检测方法及*** |
| CN105403675A (zh) * | 2014-09-15 | 2016-03-16 | 南京农业大学 | 一种食品异物检测装置 |
| CN105973904A (zh) * | 2016-04-28 | 2016-09-28 | 南京汇川图像视觉技术有限公司 | 一种基于图像背景概率图的食用油杂质检测方法 |
-
2017
- 2017-07-07 CN CN201710551303.6A patent/CN107316297B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644658A (zh) * | 2009-09-04 | 2010-02-10 | 湖南千山制药机械股份有限公司 | 瓶内异物检测设备及其抓瓶旋转装置 |
| CN102998316A (zh) * | 2012-12-20 | 2013-03-27 | 山东大学 | 一种透明液体杂质检测***及其检测方法 |
| CN103543205A (zh) * | 2013-10-18 | 2014-01-29 | 中国科学院深圳先进技术研究院 | 瓶装液体中异物的检测方法及*** |
| CN105403675A (zh) * | 2014-09-15 | 2016-03-16 | 南京农业大学 | 一种食品异物检测装置 |
| CN105973904A (zh) * | 2016-04-28 | 2016-09-28 | 南京汇川图像视觉技术有限公司 | 一种基于图像背景概率图的食用油杂质检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于最小二乘支持向量机的输液异物检测***设计;杨福刚 等;《电子测量与仪器学报》;20080831;第22卷(第4期);第104-109页第3-4节 * |
| 基于视觉显著性的图像分割方法研究;白雪飞;《中国博士学位论文全文数据库-信息科技辑》;20160115(第1期);第I138-102页第2.3、3.1、3.2节 * |
| 异形瓶装溶液可见异物的视觉检测技术研究;秦虹;《中国优秀硕士学位论文全文数据库-信息科技辑》;20130415(第4期);第I140-515页第1.2.2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107316297A (zh) | 2017-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107316297B (zh) | 食用油杂质的视觉检测方法 | |
| CN108918543B (zh) | 一种镜子表面划伤的动态检测装置及方法 | |
| CN108257139B (zh) | 基于深度学习的rgb-d三维物体检测方法 | |
| CN103345644B (zh) | 在线训练的目标检测方法及装置 | |
| CN105493141B (zh) | 非结构化道路边界检测 | |
| CN103295016A (zh) | 基于深度与rgb信息和多尺度多方向等级层次特征的行为识别方法 | |
| US10282601B2 (en) | Electronic device and gesture recognition method applied therein | |
| CN103473776A (zh) | 一种比较图像清晰度的方法、***及自动聚焦控制方法 | |
| CN115156093A (zh) | 电池外壳缺陷检测方法、***及装置 | |
| CN106845494A (zh) | 一种检测图像中轮廓角点的方法及装置 | |
| CN111080537B (zh) | 水下机器人智能控制方法、介质、设备及*** | |
| CN106845484A (zh) | 一种一维码区域的定位方法及装置 | |
| CN109343701A (zh) | 一种基于动态手势识别的智能人机交互方法 | |
| Satriya et al. | Robust pupil tracking algorithm based on ellipse fitting | |
| Xu et al. | A method of hole-filling for the depth map generated by Kinect with moving objects detection | |
| CN107844803B (zh) | 一种图片比对的方法和装置 | |
| Yang et al. | Vial bottle mouth defect detection based on machine vision | |
| CN110852241A (zh) | 一种应用于护理机器人的小目标检测方法 | |
| Iacono et al. | Proto-object based saliency for event-driven cameras | |
| CN109993715A (zh) | 一种机器人视觉图像预处理***及图像处理方法 | |
| JP7044504B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| CN111669492A (zh) | 一种终端对拍摄的数字图像进行处理的方法及终端 | |
| CN113724329A (zh) | 融合平面与立体信息的目标姿态估计方法、***和介质 | |
| CN107145820B (zh) | 基于hog特征和fast算法的双眼定位方法 | |
| CN113505629A (zh) | 一种基于轻量网络的智能仓储物件识别装置 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221103 Address after: Room 2201, Building B, Incubator, No. 300, Changjiang Road, Yantai Area, Yantai (Shandong) Pilot Free Trade Zone, 264000, Shandong Patentee after: Shandong Tonghao Aviation Technology Co.,Ltd. Address before: 264003 Jinhai Road, Yantai hi tech Zone, Shandong Province, No. 1001 Patentee before: SHANDONG BUSINESS INSTITUTE |
|
| TR01 | Transfer of patent right | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20171103 Assignee: YANTAI DASHAN DATA TECHNOLOGY Co.,Ltd. Assignor: Shandong Tonghao Aviation Technology Co.,Ltd. Contract record no.: X2024980003318 Denomination of invention: Visual detection method for impurities in edible oil Granted publication date: 20200901 License type: Common License Record date: 20240322 |
|
| EE01 | Entry into force of recordation of patent licensing contract |