CN116228772A - 一种生鲜食品变质区域快速检测方法及*** - Google Patents

一种生鲜食品变质区域快速检测方法及*** Download PDF

Info

Publication number
CN116228772A
CN116228772A CN202310513288.1A CN202310513288A CN116228772A CN 116228772 A CN116228772 A CN 116228772A CN 202310513288 A CN202310513288 A CN 202310513288A CN 116228772 A CN116228772 A CN 116228772A
Authority
CN
China
Prior art keywords
pixel point
area
pixel
fresh food
hue
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
Application number
CN202310513288.1A
Other languages
English (en)
Other versions
CN116228772B (zh
Inventor
杜兴兰
王书红
吴慧
霍静
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.)
Liaocheng Inspection And Testing Center
Original Assignee
Liaocheng Inspection And Testing Center
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 Liaocheng Inspection And Testing Center filed Critical Liaocheng Inspection And Testing Center
Priority to CN202310513288.1A priority Critical patent/CN116228772B/zh
Publication of CN116228772A publication Critical patent/CN116228772A/zh
Application granted granted Critical
Publication of CN116228772B publication Critical patent/CN116228772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种生鲜食品变质区域快速检测方法及***，包括：获取生鲜食品区域图像，根据生鲜食品区域图像中每个像素点对应的预设窗口区域的图像特征，确定每个像素点的生鲜局部差异度和为变质区域边缘的联合概率；根据生鲜局部差异度、为变质区域边缘的联合概率以及色相度，确定每个像素点的生鲜变质度，构造加权无向图，进而利用生鲜变质度计算加权无向图中各条边的边权；基于边权，构造加权无向图对应的能量函数，确定能量函数最小值对应的各条目标边，基于各条目标边获得变质区域图像。本发明有效提高了生鲜食品变质区域检测的速度，主要应用于生鲜食品质量检测领域。

Description

一种生鲜食品变质区域快速检测方法及***
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种生鲜食品变质区域快速检测方法及***。
背景技术
随着人们生活质量的不断改善，食品安全问题引发大量关注，尤其是生鲜食品的安全。生鲜食品是人为日常生活中的必需品，但是生鲜食品具有不易保存、极易变质的特征。因此，需要实时检测生鲜食品的状态，避免生鲜食品中存在变质的生鲜食品，即从变质和非变质的多个生鲜食品中，挑选出存在变质区域的生鲜食品，即需要准确、快速地识别出变质的生鲜食品。
现有生鲜食品变质区域检测方法，通常为工作人员基于历史经验，挑选出存在变质区域的生鲜食品，该生鲜食品检测方法存在很大的人为主观性，导致变质生鲜食品检测结果的准确性不高，而且检测速度慢，浪费了大量的人力资源。随着计算机视觉技术的不断发展，现有存在的光学检测法可以检测生鲜食品变质区域，其检测准确性较高，但是该现有变质生鲜食品检测方法的操作成本高，检测过程复杂，导致生鲜食品检测成本高且检测效率低下。
发明内容
为了解决上述现有生鲜食品变质区域检测效率低下的技术问题，本发明的目的在于提供一种生鲜食品变质区域快速检测方法及***，所采用的技术方案具体如下：
本发明一个实施例提供了一种生鲜食品变质区域快速检测方法，该方法包括以下步骤：
获取待检测生鲜食品在HSV三维色彩空间上的生鲜食品区域图像，进而确定所述生鲜食品区域图像中每个像素点对应的预设窗口区域；
根据每个像素点对应的预设窗口区域内每个窗口像素点对应的三通道分量，确定每个像素点的生鲜局部差异度；所述窗口像素点为像素点对应的预设窗口区域内的像素点；
根据所述预设窗口区域内每个窗口像素点对应的三通道分量的梯度幅值，确定每个像素点为变质区域边缘的联合概率；
根据每个像素点为变质区域边缘的联合概率、每个像素点的生鲜局部差异度和色相度，确定每个像素点的生鲜变质度；
构造所述生鲜食品区域图像对应的加权无向图，根据所述加权无向图中每个像素点的生鲜变质度，确定加权无向图中的各条边的边权；
根据加权无向图中每个像素点和各条边的边权，构造加权无向图对应的能量函数；
根据所述能量函数确定能量函数最小值对应的各条目标边，将各条目标边断开，获得生鲜食品区域图像中的变质区域图像。
进一步地，根据每个像素点对应的预设窗口区域内每个窗口像素点对应的三通道分量，确定每个像素点的生鲜局部差异度，包括：
对于生鲜食品区域图像中的任意一个像素点，对像素点对应的预设窗口区域内每个窗口像素点的饱和度的累加和进行负相关映射处理，将负相关映射后的数值确定为对应像素点的第一差异因子；
对于像素点对应的预设窗口区域内的任意一个窗口像素点，将像素点的色相度与对应窗口像素点的色相度之间的差值的绝对值，确定为对应窗口像素点的第二差异因子；将像素点的亮度与对应窗口像素点的亮度之间的差值的绝对值，确定为对应窗口像素点的第三差异因子；将对应窗口像素点的第二差异因子与第三差异因子乘积，确定为对应窗口像素点的第四差异因子；将像素点对应的预设窗口区域内的每个窗口像素点的第四差异因子的累加和，确定对应像素点的第五差异因子；
将像素点的第一差异因子和第五差异因子的乘积，确定为对应像素点的生鲜局部差异度。
进一步地，根据所述预设窗口区域内每个窗口像素点对应的三通道分量的梯度幅值，确定每个像素点为变质区域边缘的联合概率，包括：
对于任意一个像素点对应的预设窗口区域内每个窗口像素点对应的色相度，根据像素点对应的预设窗口区域内每个窗口像素点对应的色相度，确定像素点对应的预设窗口区域内每行的色相梯度投影值和每列的色相梯度投影值；
根据像素点对应的预设窗口区域内每个窗口像素点对应的色相度、每行的色相梯度投影值和每列的色相梯度投影值，确定像素点的色相变质边缘概率，从而确定像素点的饱和度变质边缘概率和亮度变质边缘概率；
将像素点的色相变质边缘概率、饱和度变质边缘概率和亮度变质边缘概率相加后的数值，确定为对应的像素点为变质区域边缘的联合概率。
进一步地，所述色相变质边缘概率的计算公式为：
Figure SMS_1
其中，
Figure SMS_8
为生鲜食品区域图像中的第
Figure SMS_4
个像素点的色相变质边缘概率，
Figure SMS_7
为第 一预设权重，
Figure SMS_12
为生鲜食品区域图像中的第
Figure SMS_15
个像素点对应的预设窗口区域内第j行的 色相梯度投影值，j为预设窗口区域内行的序号，m为预设窗口区域内行的个数，
Figure SMS_13
为生 鲜食品区域图像中的第
Figure SMS_16
个像素点对应的预设窗口区域内第
Figure SMS_9
列的色相梯度投影值，
Figure SMS_10
为预 设窗口区域内列的序号，q为预设窗口区域内列的个数，
Figure SMS_2
为第二预设权重，
Figure SMS_6
为生鲜食 品区域图像中的第
Figure SMS_5
个像素点对应的预设窗口区域内第c个窗口像素点对应的色相度，
Figure SMS_11
为 生鲜食品区域图像中的第
Figure SMS_14
个像素点对应的预设窗口区域内中心像素点对应的色相度，c为 预设窗口区域内窗口像素点的序号，
Figure SMS_17
为预设窗口区域内窗口像素点的个数，a为生鲜食品 区域图像中像素点的序号，
Figure SMS_3
为归一化函数。
进一步地，根据像素点对应的预设窗口区域内每个窗口像素点对应的色相度，确定像素点对应的预设窗口区域内每行的色相梯度投影值，包括：
确定像素点对应的预设窗口区域内每个窗口像素点对应的色相度的梯度幅值，对于像素点对应的预设窗口区域内任意一行窗口像素点，计算对应行上每个窗口像素点对应的色相度的梯度幅值的平均值，将对应行上每个窗口像素点对应的色相度的梯度幅值与该行对应的色相度梯度幅值的平均值的差值进行累加计算，进而将累加计算后得到的数值确定为对应行的色相梯度投影值。
进一步地，根据每个像素点为变质区域边缘的联合概率、每个像素点的生鲜局部差异度和色相度，确定每个像素点的生鲜变质度，包括：
对于生鲜食品区域图像中的任意一个像素点，将像素点为变质区域边缘的联合概率与对应像素点对应的色相度的乘积，确定为对应像素点的第一变质因子；将像素点的生鲜局部差异度确定为对应像素点的第二变质因子；对像素点的第一变质因子和第二变质因子进行相加处理，将相加处理后的数值进行向上取整处理，将向上取整处理后的数值确定为对应像素点的生鲜变质度。
进一步地，根据所述加权无向图中每个像素点的生鲜变质度，确定加权无向图中的各条边的边权，包括：
对于加权无向图中的任意一条边，将对应边上的两个像素点的生鲜变质度的差值的平方，确定为对应边的初始边权，对所述初始边权与超参数的比值进行负相关映射，将负相关映射后的数值确定为对应边的边权。
进一步地，所述能量函数的计算公式为：
Figure SMS_18
其中，
Figure SMS_19
为能量函数，
Figure SMS_23
为平衡因子，
Figure SMS_28
为生鲜食品区域图像中的第
Figure SMS_22
个像素点，
Figure SMS_25
为生鲜食品区域图像中的第
Figure SMS_27
个像素点，Z为生鲜食品区域图像对应的像素点集合，
Figure SMS_31
为 生鲜食品区域图像中的第
Figure SMS_20
个像素点为前景或背景的惩罚，
Figure SMS_29
为区域项，
Figure SMS_32
为 生鲜食品区域图像中的第
Figure SMS_33
个像素点和第
Figure SMS_21
个像素点连接形成的一条边的边权，
Figure SMS_24
为生 鲜食品区域图像中的第
Figure SMS_26
个像素点和第
Figure SMS_30
个像素点的重合度。
本发明一个实施例还提供了一种生鲜食品变质区域快速检测***，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令，以实现如上所述的一种生鲜食品变质区域快速检测方法。
本发明具有如下有益效果：
本发明提供了一种生鲜食品变质区域快速检测方法及***，结合生鲜食品变质区域的图像特征信息，对生鲜食品区域图像进行图像处理，获得生鲜食品区域图像对应的加权无向图，利用能量函数，对加权无向图进行分析，得到变质区域图像。本发明有效提高了生鲜食品变质区域检测的效率，为生鲜食品质量检测提供了技术支撑。获取待检测生鲜食品在HSV三维色彩空间上的生鲜食品区域图像，有助于提取更准确的生鲜食品图像特征信息；确定预设窗口区域，是为了将生鲜食品区域图像中的每个像素点置于局部区域内，以确定参考价值更高的生鲜局部差异度和为变质区域边缘的联合概率；为了便于后续确定加权无向图的边权，将三维数据转化为一维数据，即通过每个像素点为变质区域边缘的联合概率、每个像素点的生鲜局部差异度和色相度，确定生鲜变质度，从三个角度分析生鲜变质度的数值大小，其有效提高了生鲜变质度的精准性；基于边权构造能量函数，进而利用能量函数获得变质区域图像，将变质区域从生鲜食品区域图像中分割处理，完成生鲜食品变质区域快速检测。相比现有光学检测法，本发明有助于提高生鲜食品变质区域检测的速度、降低了生鲜食品的质量检测成本，主要应用于生鲜食品质量检测领域。
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和优点，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的介绍，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它附图。
图1为本发明一种生鲜食品变质区域快速检测方法的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外，一个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。
本实施例所针对的应用场景为：在对生鲜食品进行质量检测时，拍摄处于运动状态的生鲜食品的表面图像，对生鲜食品的表面图像进行变质区域检测，确定生鲜食品的明显变质区域，以提高生鲜食品质量检测的效率，明显变质区域是指生鲜食品图像中与非变质区域存在明显差异的变质区域。值得说明的是，生鲜食品在进行质量检测时，已知生鲜食品中存在已经变质的生鲜食品，所以本实施例的主要目的是快速检测生鲜食品的变质区域。
为了快速检测生鲜食品的变质区域，根据生鲜食品变质区域的图像特征信息，改进图像分割算法，完成对生鲜食品明显变质区域的检测。具体，提供了一种生鲜食品变质区域快速检测方法，如图1所示，包括以下步骤：
S1，获取待检测生鲜食品在HSV三维色彩空间上的生鲜食品区域图像，进而确定生鲜食品区域图像中每个像素点对应的预设窗口区域，其步骤可以包括：
第一步，获取待检测生鲜食品在RGB三维色彩空间上的表面图像。
在本实施例中，在生鲜食品分拣流水线上，利用电荷耦合器件（Charge CoupledDevice，CDD）相机，通过俯视拍摄角度，对运动过程中的存在质量问题的待检测生鲜食品进行图像拍摄，得到待检测生鲜食品的红绿蓝（Red Green Blue，RGB）三通道图像。为了最大程度的保留图像信息，采用非局部均值滤波对待检测生鲜食品的红绿蓝三通道图像进行去噪处理，获得去噪处理后的RGB图像。非局部均值滤波的实现过程为现有技术，此处不再进行详细阐述。当然，实现图像去噪处理的方法有很多，实施者也可以采用去噪方法实现图像去噪。此时，获得了待检测生鲜食品在RGB三维色彩空间上的表面图像。
第二步，确定待检测生鲜食品在HSV三维色彩空间上的表面图像。
由于生鲜食品的变质图像特征在HSV三维色彩空间上更为突出，为了提高后续变质区域检测的准确性，将待检测生鲜食品对应的去噪处理后的RGB图像，从RGB三通道空间转化到色相度饱和度亮度（Hue Saturation Value，HSV）三维色彩空间上，得到HSV三维色彩空间上的彩色图像，彩色图像即为HSV三维色彩空间上表面图像。HSV空间的彩色图像的三个维度相互独立，HSV空间中的维度即为通道，其中三个维度中的色相度范围为[0，360]，不同的色相范围分别表征不同的颜色。确定HSV三维色彩空间上的彩色图像的过程为现有技术，此处不再进行详细阐述。此时，获得了待检测生鲜食品在HSV三维色彩空间上的表面图像。
第三步，确定待检测生鲜食品在HSV三维色彩空间上的生鲜食品区域图像。
在本实施例中，为了便于后续进行变质区域分析，可以利用生鲜食品的色相度与背景的色相度相差较大的特征，采用色相分布直方图，选择Canny边缘检测算子中合适的双阈值，对HSV三维色彩空间上的表面图像进行分割处理，获得待检测生鲜食品在HSV三维色彩空间上的生鲜食品区域图像。Canny边缘检测算子的实现过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。此时，获得了待检测生鲜食品在HSV三维色彩空间上的生鲜食品区域图像。
以橙子为例，获取橙子在HSV三维色彩空间上的表面图像，具体为：根据表面图像中每个像素点的色相度，构建色相分布直方图，进而确定橙子的色相度范围，橙子的色相度范围取经验值为[30，60]度。根据橙子的色相度范围，可以得到图像分割时两个阈值，分别为30度和60度，利用此时的两个阈值，对橙子在HSV三维色彩空间上的表面图像进行分割处理，可以获得橙子区域图像。
需要说明的是，同理，其他生鲜食品也可以采用上述橙子区域图像的确定方法，获得生鲜食品区域图像。常见的颜色对应的色相范围包括：红色为[0，30]度、黄色为[60，90]度、绿色为[90，150]度、青色为[150，180]度、蓝色为[180，240]度、紫色为[240，300]度以及洋红色为[300，360]度。
第四步，确定生鲜食品区域图像中每个像素点对应的预设窗口区域。
需要说明的是，生鲜食品的变质区域的边缘为不规则边缘，该边缘上的边缘像素点对应局部区域内包含非变质区域内的像素点和变质区域内的像素点。通过分析生鲜食品区域图像中每个像素点对应局部区域的图像特征信息，便于分析和提取生鲜食品区域图像中的变质区域边缘的图像特征，所以需要确定生鲜食品区域图像中每个像素点对应的预设窗口区域。
在本实施例中，以生鲜食品区域图像中的每个像素点为中心，构建尺寸为
Figure SMS_34
的 窗口区域，将构建的尺寸为
Figure SMS_35
的窗口区域确定为对应像素点对应的预设窗口区域。
至此，本实施例获得了生鲜食品区域图像中每个像素点对应的预设窗口区域。
S2，根据每个像素点对应的预设窗口区域内每个窗口像素点对应的三通道分量，确定每个像素点的生鲜局部差异度。
需要说明的是，正常情况下的生鲜食品的色彩鲜艳且水分充足，但是生鲜食品一旦变质，发生变质的生鲜食品的局部区域的色相度、饱和度和亮度均会发生较大变化，所以位于变质区域边缘的像素点对应的预设窗口区域的色相度、饱和度和亮度存在差异。具体为：首先，生鲜食品变质区域会在色相度上发生变化，导致变质区域的色相较为突出，对色相度进行归一化处理，色相度的取值范围可以为[0，1]；然后，生鲜食品区域的饱和度越接近1，生鲜食品颜色越纯，越接近0，生鲜食品颜色越不纯，饱和度越低，越有可能为生鲜食品变质区域，饱和度的取值范围可以为[0，1]；最后，亮度表示颜色的明亮程度，生鲜食品变质是受微生物的影响，所以亮度越低，越有可能为生鲜食品变质区域，亮度的取值范围可以为[0，1]。每个像素点的生鲜局部差异度的确定步骤可以包括：
对于生鲜食品区域图像中的任意一个像素点，对像素点对应的预设窗口区域内每个窗口像素点的饱和度的累加和进行负相关映射处理，将负相关映射后的数值确定为对应像素点的第一差异因子；对于像素点对应的预设窗口区域内的任意一个窗口像素点，将像素点的色相度与对应窗口像素点的色相度之间的差值的绝对值，确定为对应窗口像素点的第二差异因子；将像素点的亮度与对应窗口像素点的亮度之间的差值的绝对值，确定为对应窗口像素点的第三差异因子；将对应窗口像素点的第二差异因子与第三差异因子乘积，确定为对应窗口像素点的第四差异因子；将像素点对应的预设窗口区域内的每个窗口像素点的第四差异因子的累加和，确定对应像素点的第五差异因子；将像素点的第一差异因子和第五差异因子的乘积，确定为对应像素点的生鲜局部差异度。
在本实施例中，以生鲜食品区域图像中的第a个像素点为例，计算第a个像素点的生鲜局部差异度。基于生鲜食品变质区域边缘的图像特征信息，利用第a个像素点对应的预设窗口区域内每个窗口像素点对应的三通道分量，构建生鲜局部差异度的计算公式。其中，窗口像素点为像素点对应的预设窗口区域内的像素点，三通道分量分别为色相度、饱和度以及亮度。第a个像素点的生鲜局部差异度的计算公式可以为：
Figure SMS_36
其中，
Figure SMS_39
为生鲜食品区域图像中的第a个像素点的生鲜局部差异度，
Figure SMS_43
为生鲜 食品区域图像中的第a个像素点对应的预设窗口区域内第i个窗口像素点对应的饱和度，a 为生鲜食品区域图像中像素点的序号，i为预设窗口区域内窗口像素点的序号，
Figure SMS_47
为预设窗 口区域内窗口像素点的个数，
Figure SMS_37
为生鲜食品区域图像中的第a个像素点的第一差异因 子，
Figure SMS_41
为生鲜食品区域图像中的第a个像素点对应的预设窗口区域内第i个窗口像素点对 应的色相度，
Figure SMS_45
为生鲜食品区域图像中的第a个像素点对应的色相度，
Figure SMS_48
为求绝对值函数，
Figure SMS_38
为生鲜食品区域图像中的第a个像素点对应的预设窗口区域内第i个窗口像素点 的第二差异因子，
Figure SMS_44
为生鲜食品区域图像中的第a个像素点对应的预设窗口区域内第i个 窗口像素点对应的饱和度，
Figure SMS_46
为生鲜食品区域图像中的第a个像素点对应的饱和度，
Figure SMS_49
为生鲜食品区域图像中的第a个像素点对应的预设窗口区域内第i个窗口像素点 的第三差异因子，
Figure SMS_40
为生鲜食品区域图像中的第a个像素点对应的预设 窗口区域内第i个窗口像素点的第四差异因子，
Figure SMS_42
为生鲜食品区域 图像中的第a个像素点对应的预设窗口区域内第i个窗口像素点的第五差异因子。
在生鲜局部差异度的计算公式中，色相度为归一化处理后的色相度；若某个像素 点对应的预设窗口区域内发生变质，则对应像素点对应的预设窗口区域内三个维度的图像 信息将发生改变，对应像素点的局部差异度会较大；若某个像素点对应的预设窗口区域为 正常生鲜局部区域，说明像素点对应的预设窗口区域内没有发生脱水现象，对应像素点的 预设窗口区域内每个像素点的饱和度都近似于1，对应像素点的预设窗口区域内所有像素 点的累计饱和度越大，也就是对应像素点的第一差异因子
Figure SMS_50
越小；第一差异因子越 小，对应像素点的生鲜局部差异度
Figure SMS_51
越小，对应像素点为生鲜食品变质区域内的像素点 的可能性越小；
Figure SMS_52
第二差异因子可以被用于表征窗口像素点与中心像素点之间的 色相度差异，色相度差异越大，窗口像素点越不可能与中心像素点的区域性质相同，区域性 质是指同为变质区域或同为非变质区域内的像素点，中心像素点越不可能为生鲜食品区域 中变质边缘附近的像素点，中心像素点即为生鲜食品区域图像中的第a个像素点；而
Figure SMS_53
第三差异因子可以被用于表征窗口像素点与中心像素点之间的亮度差异，亮度差 异越大，窗口像素点越不可能与中心像素点的区域性质相同；
Figure SMS_54
第四差 异因子从两个维度描述窗口像素点与中心像素点之间的差异情况；
Figure SMS_55
第五差异因子从局部区域整体的角度分析所有窗口像素点与中 心像素点之间的差异情况；生鲜局部差异度可以被用于表征某个像素点所处生鲜食品的局 部区域内非变质区域与变质区域之间的局部差异程度。
需要说明的是，像素点与其周围的像素点的色相度和亮度之间的差异越大，说明对应像素点周围发生的变化越大，对应像素点越有可能为生鲜变质边缘附近的像素点，对应的像素点位置处的生鲜局部差异度就会越大。发生变质的边缘位置上色相、饱和度以及亮度都会发生较大的变化，所以像素点的三个维度的数值的变化越大，越具有变质区域边缘像素点的特征。
S3，根据预设窗口区域内每个窗口像素点对应的三通道分量的梯度幅值，确定每个像素点为变质区域边缘的联合概率。
第一步，确定每个像素点对应的预设窗口区域内每行的色相梯度投影值和每列的色相梯度投影值。
在本实施例中，生鲜食品上具有不同的纹理特征，发生较大变化的像素点也有可能是纹理发生改变的点，而生鲜食品变质区域的边缘属于无规则边界，生鲜食品变质区域的边缘也就是变质区域与非变质区域之间的分界线。所以，利用Sobel算子，计算生鲜食品区域图像中每个像素点在每个维度中的梯度幅值，Sobel算子的实现过程不在本发明保护范围内，此处不再进行详细阐述；然后，再利用灰度投影算法，通过预设窗口内每个维度的行序列和列序列，计算预设窗口区域内每行每列的梯度投影值，灰度投影算法的实现过程为现有技术，此处不再进行详细阐述。生鲜食品图像中正常区域的梯度幅值较小，得到的梯度投影也会较小；而生鲜食品图像中明显变质边缘区域的梯度幅值较大，得到的梯度投影较大，所以梯度投影值的大小可以一定程度上衡量中心像素点为变质区域边缘上的像素点的概率。以色相度为例，确定每行的色相梯度投影值和每列的色相梯度投影值，其步骤可以包括：
对于任意一个像素点对应的预设窗口区域内每个窗口像素点对应的色相度，根据像素点对应的预设窗口区域内每个窗口像素点对应的色相度，确定像素点对应的预设窗口区域内每行的色相梯度投影值和每列的色相梯度投影值。每行的色相梯度投影值与每列的色相梯度投影值的计算过程保持一致，故本实施例以确定每行的色相梯度投影为例，其计算过程可以为：
确定像素点对应的预设窗口区域内每个窗口像素点对应的色相度的梯度幅值，对于像素点对应的预设窗口区域内任意一行窗口像素点，计算对应行上每个窗口像素点对应的色相度的梯度幅值的平均值，将对应行上每个窗口像素点对应的色相度的梯度幅值与该行对应的色相度梯度幅值的平均值的差值进行累加计算，进而将累加计算后得到的数值确定为对应行的色相梯度投影值。在本实施例中，对应行的色相梯度投影值的计算公式可以为：
Figure SMS_56
其中，
Figure SMS_57
为每个像素点对应的预设窗口区域内第j行的色相梯度投影值，
Figure SMS_58
为 每个像素点对应的预设窗口区域内第j行上第p个窗口像素点对应的色相度的梯度幅值，p 为预设窗口区域内第j行上窗口像素点的序号，l为预设窗口区域内第j行上窗口像素点的 个数，
Figure SMS_59
为每个像素点对应的预设窗口区域内第j行对应的色相度梯度幅值的平均 值。
在色相梯度投影值的计算公式中，色相梯度投影值可以反映一行或一列的梯度幅 值标准差异程度，像素点对应的预设窗口区域内第j行的色相梯度幅值
Figure SMS_60
越大，梯度投影 就越大，像素点对应的预设窗口区域越有可能处于变质区域边缘范围内，那么像素点处于 变质区域边缘的概率就越大；反之，
Figure SMS_61
越小，梯度投影就越小，像素点对应的预设窗口区域 越有可能处于非变质区域；色相度梯度幅值的平均值
Figure SMS_62
可以衡量预设窗口区域内 第j行像素点的色相度梯度的平均水平，其随着色相梯度幅值的变化而发生变化，使
Figure SMS_63
减 去色相度梯度幅值的平均值，是为了保证得到的灰度投影值尽可能在相同范围内，以反映 预设窗口区域内第j行的梯度幅值标准差异程度。
需要说明的是，利用灰度投影算法，结合像素点对应的预设窗口区域的像素点特 征，可以获得像素点对应的预设窗口区域内每一列的色相梯度投影值，将预设窗口区域内 第
Figure SMS_64
列的色相梯度投影值记为
Figure SMS_65
。此时，获得了像素点对应的预设窗口区域内每行的色相梯 度投影值和每列的色相梯度投影值。
第二步，根据像素点对应的预设窗口区域内每个窗口像素点对应的色相度、每行的色相梯度投影值和每列的色相梯度投影值，确定像素点的色相变质边缘概率，从而确定像素点的饱和度变质边缘概率和亮度变质边缘概率。
在本实施例中，获取像素点对应的预设窗口区域内每个窗口像素点对应的色相度，是为了确定像素点对应的预设窗口区域内每个窗口像素点对应的色相度的梯度幅值。基于像素点对应的预设窗口区域内每个窗口像素点对应的色相度的梯度幅值、每行的色相梯度投影值和每列的色相梯度投影值，利用数学建模的相关知识，构建像素点的色相变质边缘概率的计算公式，色相变质边缘概率的计算公式可以为：
Figure SMS_66
其中，
Figure SMS_77
为生鲜食品区域图像中的第
Figure SMS_70
个像素点的色相变质边缘概率，
Figure SMS_72
为第 一预设权重，
Figure SMS_76
为生鲜食品区域图像中的第
Figure SMS_79
个像素点对应的预设窗口区域内第j行的 色相梯度投影值，j为预设窗口区域内行的序号，m为预设窗口区域内行的个数，
Figure SMS_81
为生 鲜食品区域图像中的第
Figure SMS_82
个像素点对应的预设窗口区域内第
Figure SMS_75
列的色相梯度投影值，
Figure SMS_80
为预 设窗口区域内列的序号，q为预设窗口区域内列的个数，
Figure SMS_67
为第二预设权重，
Figure SMS_73
为生鲜食 品区域图像中的第
Figure SMS_68
个像素点对应的预设窗口区域内第c个窗口像素点对应的色相度，
Figure SMS_71
为 生鲜食品区域图像中的第
Figure SMS_74
个像素点对应的预设窗口区域内中心像素点对应的色相度，c为 预设窗口区域内窗口像素点的序号，
Figure SMS_78
为预设窗口区域内窗口像素点的个数，a为生鲜食品 区域图像中像素点的序号，
Figure SMS_69
为归一化函数。
在色相变质边缘概率的计算公式中，第
Figure SMS_86
个像素点的色相变质边缘概率
Figure SMS_87
是通 过对预设窗口整体的梯度特征值以及中心像素点与周围像素点的差异程度赋予不同的权 重计算，再通过归一化处理后得到的；
Figure SMS_90
可以从像素点对应的预设 窗口区域的角度，分析像素点为变质区域边缘的概率，而
Figure SMS_84
可以从像素点与 其对应的预设窗口区域内每个窗口像素点之间的色相度梯度幅值的差异的角度，分析像素 点为变质区域边缘的概率，具体到像素点与周围像素点之间的差异情况分析的结果更为准 确，所以第一预设权重
Figure SMS_89
可以设置为0.3，第二预设权重
Figure SMS_92
可以设置为0.7；由于生鲜食品 变质区域边缘上的梯度幅值较大，行色相梯度投影值
Figure SMS_93
和列色相梯度投影值
Figure SMS_83
越大，像素点对应的预设窗口区域内梯度变化越大，其越能表现变质区域边缘 的梯度较大的特征，色相变质边缘概率
Figure SMS_88
就会越大；窗口像素点的梯度
Figure SMS_91
与中心像素 点
Figure SMS_94
之间的色相度梯度幅值的差异越大，越能体现中心像素点处于变质区域边缘的特征信 息，色相变质边缘概率
Figure SMS_85
就会越大，像素点处于变质区域边缘的可能性就会越大。
需要说明的是，参考色相变质边缘概率的确定过程，可以获得像素点的饱和度变质边缘概率和亮度变质边缘概率，此处不再进行重复描述。此时，获得了生鲜食品区域图像中每个像素点的色相变质边缘概率、饱和度变质边缘概率和亮度变质边缘概率。
第三步，根据每个像素点的色相变质边缘概率、饱和度变质边缘概率和亮度变质边缘概率，确定每个像素点为变质区域边缘的联合概率。
在本实施例中，为了结合三个维度，反映像素点在三个维度的边缘概率信息，将像素点的色相变质边缘概率、饱和度变质边缘概率和亮度变质边缘概率相加后的数值，确定为对应的像素点为变质区域边缘的联合概率，像素点为变质区域边缘的联合概率的计算公式可以为：
Figure SMS_95
其中，
Figure SMS_98
为生鲜食品区域图像中的第
Figure SMS_99
个像素点为变质区域边缘的联合概 率，
Figure SMS_101
为生鲜食品区域图像中的第
Figure SMS_97
个像素点的色相变质边缘概率，
Figure SMS_100
为生鲜食品区 域图像中的第
Figure SMS_102
个像素点的饱和度变质边缘概率，
Figure SMS_103
为生鲜食品区域图像中的第
Figure SMS_96
个像 素点的亮度变质边缘概率，a为生鲜食品区域图像中像素点的序号。
需要说明的是，结合了三个维度，即色相度、饱和度和亮度，计算得到的像素点为变质区域边缘的联合概率的准确性更高，便于后续计算生鲜变质度。
至此，本实施例获得了生鲜食品区域图像中每个像素点为变质区域边缘的联合概率。
S4，根据每个像素点为变质区域边缘的联合概率、每个像素点的生鲜局部差异度和色相度，确定每个像素点的生鲜变质度。
在本实施例中，为了便于后续实现Graph Cut图割算法，需要将生鲜食品区域图像中每个像素点的三维空间转化为一维空间，即基于变质区域边缘的联合概率、每个像素点的生鲜局部差异度和色相度，计算每个像素点的生鲜变质度，其步骤可以包括：
对于生鲜食品区域图像中的任意一个像素点，将像素点为变质区域边缘的联合概率与对应像素点对应的色相度的乘积，确定为对应像素点的第一变质因子；将像素点的生鲜局部差异度确定为对应像素点的第二变质因子；对像素点的第一变质因子和第二变质因子进行相加处理，将相加处理后的数值进行向上取整处理，将向上取整处理后的数值确定为对应像素点的生鲜变质度。
在本实施例中，以确定生鲜食品区域图像中的第
Figure SMS_104
个像素点的生鲜变质度为例，构 建第
Figure SMS_105
个像素点的生鲜变质度的计算公式，其计算公式可以为：
Figure SMS_106
其中，
Figure SMS_107
为生鲜食品区域图像中的第
Figure SMS_108
个像素点的生鲜变质度，
Figure SMS_109
为生鲜食 品区域图像中的第
Figure SMS_110
个像素点为变质区域边缘的联合概率，
Figure SMS_111
为生鲜食品区域图像中的第 a个像素点对应的色相度，
Figure SMS_112
为生鲜食品区域图像中的第a个像素点的生鲜局部差异度，
Figure SMS_113
为向上取整函数，a为生鲜食品区域图像中像素点的序号。
在生鲜变质度的计算公式中，联合概率
Figure SMS_123
可以为色相度
Figure SMS_114
的增益程度系 数，联合概率
Figure SMS_119
是对变质区域的色相度
Figure SMS_127
进行扩大，当联合概率
Figure SMS_132
越小时，说 明第
Figure SMS_130
个像素点为变质区域边缘的可能性越小，生鲜变质度
Figure SMS_131
就会越小；当联合概率
Figure SMS_125
越大时，说明第
Figure SMS_129
个像素点为变质区域边缘的可能性越大，生鲜变质度
Figure SMS_116
就会越大。 生鲜局部差异度
Figure SMS_121
与生鲜变质度
Figure SMS_117
为正相关，生鲜局部差异度
Figure SMS_118
越大，生鲜变质度
Figure SMS_122
越大，第
Figure SMS_126
个像素点为变质区域内的像素点的可能性越大；生鲜局部差异度
Figure SMS_115
越小，生鲜 变质度
Figure SMS_120
越小，第
Figure SMS_124
个像素点为变质区域内的像素点的可能性越小。为了提高后续确定的变 质区域的精准性，便于计算分析，对
Figure SMS_128
进行向上取整处理。
需要说明的是，参考生鲜食品区域图像中的第
Figure SMS_133
个像素点的生鲜变质度的计算过 程，可以获得参考生鲜食品区域图像中每个像素点的生鲜变质度，此处不再进行重复描述 其实现过程。
至此，本实施例获得了生鲜食品区域图像中每个像素点的生鲜变质度。
S5，构造生鲜食品区域图像对应的加权无向图，根据加权无向图中每个像素点的生鲜变质度，确定加权无向图中的各条边的边权。
在本实施例中，首先，使用传统方式构造加权无向图，具体为：以生鲜食品区域图像中每个像素点为顶点，将每个像素点与其四邻域内的每个像素点之间的连线作为边，获得生鲜食品区域图像对应的加权无向图。加权无向图的构造过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。然后，基于加权无向图中每个像素点的生鲜变质度，计算加权无向图中的各条边的边权，其步骤可以包括：
对于加权无向图中的任意一条边，将对应边上的两个像素点的生鲜变质度的差值的平方，确定为对应边的初始边权，对初始边权与超参数的比值进行负相关映射，将负相关映射后的数值确定为对应边的边权。
以确定生鲜食品区域图像中的第
Figure SMS_134
个像素点和第
Figure SMS_135
个像素点连接形成的一条边的 边权为例，基于加权无向图中每个像素点的生鲜变质度，利用边权计算的相关现有知识，可 以得到边权的计算公式，其计算公式可以为：
Figure SMS_136
其中，
Figure SMS_153
为生鲜食品区域图像中的第
Figure SMS_156
个像素点和第
Figure SMS_158
个像素点连接形成的一 条边的边权，
Figure SMS_139
为生鲜食品区域图像中的第
Figure SMS_142
个像素点，
Figure SMS_146
为生鲜食品区域图像中的第
Figure SMS_150
个像 素点，
Figure SMS_140
为生鲜食品区域图像中的第
Figure SMS_144
个像素点的生鲜变质度，
Figure SMS_147
为生鲜食品区域图像中的 第
Figure SMS_149
个像素点的生鲜变质度，
Figure SMS_154
为生鲜食品区域图像中的第
Figure SMS_157
个像素点和第
Figure SMS_159
个像素 点连接形成的一条边的初始边权，e为自然常数，
Figure SMS_160
为超参数，
Figure SMS_141
为非负常数，取经验值为1，
Figure SMS_145
为生鲜食品区域图像中的第
Figure SMS_152
个像素点和第
Figure SMS_155
个像素点之间的距离，
Figure SMS_137
为距离函 数，
Figure SMS_143
为自然常数的
Figure SMS_148
次幂，
Figure SMS_151
也为对
Figure SMS_138
进行负相关映射。
在边权的计算公式中，
Figure SMS_162
可以表征为第
Figure SMS_165
个像素点和第
Figure SMS_171
个像素点之间的距 离，由于第
Figure SMS_163
个像素点和第
Figure SMS_166
个像素点的位置关系为相邻，所以
Figure SMS_169
为1，即可以将
Figure SMS_174
转换为
Figure SMS_164
；初始边权
Figure SMS_168
可以表征为生鲜食品区 域图像中的第
Figure SMS_172
个像素点的生鲜变质度和第
Figure SMS_175
个像素点的生鲜变质度之间的差异情况，初始 边权
Figure SMS_161
越大，越能体现变质区域边缘像素点的生鲜变质度与邻近像素点的生鲜变质 度之间的差异特征，边权
Figure SMS_167
越小；初始边权
Figure SMS_170
越小，越能体现非变质区域边缘像 素点的生鲜变质度与邻近像素点的生鲜变质度之间的差异特征，边权
Figure SMS_173
越大。
至此，本实施例获得了加权无向图中的各条边的边权。
S6，根据加权无向图中每个像素点和各条边的边权，构造加权无向图对应的能量函数。
在本实施例中，首先，根据加权无向图中每个像素点，确定每个像素点的连接边数，本实施例中像素点的连接边数为4，基于每个像素点的连接边数，利用现有计算平衡因子的相关内容，可以获得加权无向图对应的能量函数的平衡因子，平衡因子的计算过程为现有技术，此处不再进行详细阐述。然后，通过加权无向图中每个像素点为前景或背景的概率，利用现有计算信息熵的相关内容，可以获得每个像素点的为前景或背景的惩罚。因此，基于平衡因子、像素点为前景或背景的惩罚、边权以及边权对应的两个像素点的重合度，利用能量函数构建的相关现有知识，可以获得加权无向图对应的能量函数，其计算公式可以为：
Figure SMS_176
其中，
Figure SMS_179
为能量函数，
Figure SMS_181
为平衡因子，
Figure SMS_185
为生鲜食品区域图像中的第
Figure SMS_177
个像素点，
Figure SMS_184
为生鲜食品区域图像中的第
Figure SMS_188
个像素点，Z为生鲜食品区域图像对应的像素点集合，
Figure SMS_191
为 生鲜食品区域图像中的第
Figure SMS_180
个像素点为前景或背景的惩罚，
Figure SMS_182
为区域项，
Figure SMS_187
为 生鲜食品区域图像中的第
Figure SMS_190
个像素点和第
Figure SMS_178
个像素点连接形成的一条边的边权，
Figure SMS_183
为生 鲜食品区域图像中的第
Figure SMS_186
个像素点和第
Figure SMS_189
个像素点的重合度。
在能量函数的计算公式中，
Figure SMS_192
可以通过现有的公知技术计算获得，区域 项
Figure SMS_197
是每个像素点为前景或背景的代价，可以近似为一种“损失函数”，区域项
Figure SMS_200
越小，能量函数值越小，越可以最大程度地呈现出原图像的细节；
Figure SMS_194
可以通过加权无向图中的各条边的边权信息获得。其中，
Figure SMS_196
越 小，越能体现变质区域边缘像素点的生鲜变质度与邻近像素点的生鲜变质度的差异特征， 第
Figure SMS_201
个像素点和第
Figure SMS_204
个像素点的生鲜变质度之间的差值越大，能量函数值就越小；边权
Figure SMS_195
越大，越能体现非变质区域内部或变质区域内部的像素点生鲜变质度与邻近像素点 的生鲜变质度的差异特征，第
Figure SMS_198
个像素点和第
Figure SMS_203
个像素点的生鲜变质度之间的差值越小，则 能量函数值就越大；当第
Figure SMS_205
个像素点和第
Figure SMS_193
个像素点的位置相同时，重合度
Figure SMS_199
为1，否则， 重合度
Figure SMS_202
为0。
S7，根据能量函数确定能量函数最小值对应的各条目标边，将各条目标边断开，获得生鲜食品区域图像中的变质区域图像。
在本实施例中，变质区域内像素点的生鲜变质度与非变质区域内像素点的生鲜变质度之间的差异较大，即两个区域内像素点连接形成的边的边权较小，所以当步骤S6中的能量函数最小时，可以将加权无向图中由变质区域内的像素点和非变质区域内的像素点对应的边挑选出来，即确定能量函数最小值对应的各条目标边。具体为，基于能量函数，通过Graph Cut图割算法中最小割的现有计算方法，可以确定能量函数的最小值，将能量函数为最小值时对应的各条边确定为目标边，并将目标边断开，也就是将连接变质区域与非变质区域的边切断，获得目标边断开后的加权无向图，将目标边断开后的加权无向图确定为生鲜食品区域图像中的变质区域图像。Graph Cut图割算法中最小割的计算过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
值得说明的是，在获得生鲜食品区域图像中的变质区域图像后，为了提高生鲜食品变质区域检测的准确性，对于生鲜食品区域图像中其他没有明显变质的区域，采取生鲜食品样本，通过微生物检测技术，检测生鲜食品中的菌落总数及致病菌等项目，获得微生物检测的指标结果。将对应生鲜食品区域对应的微生物检测的指标结果，与正常生鲜食品的指标作比较，对应生鲜食品区域对应的微生物检测的指标超出正常生鲜食品的指标时，可以判定对应区域属于变质区域。
至此，本实施例通过Graph Cut图割算法得到的明显变质区域以及微生物检测得到不明显变质区域，完成了对生鲜食品所有变质区域的快速检测。
本发明还提供了一种生鲜食品变质区域快速检测***，包括处理器和存储器，所述处理菌落总数及致病菌等项目菌落总数及致病菌等项目器用于处理存储在所述存储器中的指令，以实现如上所述的一种生鲜食品变质区域快速检测方法。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种生鲜食品变质区域快速检测方法，其特征在于，包括以下步骤：
获取待检测生鲜食品在HSV三维色彩空间上的生鲜食品区域图像，进而确定所述生鲜食品区域图像中每个像素点对应的预设窗口区域；
根据每个像素点对应的预设窗口区域内每个窗口像素点对应的三通道分量，确定每个像素点的生鲜局部差异度；所述窗口像素点为像素点对应的预设窗口区域内的像素点；
根据所述预设窗口区域内每个窗口像素点对应的三通道分量的梯度幅值，确定每个像素点为变质区域边缘的联合概率；
根据每个像素点为变质区域边缘的联合概率、每个像素点的生鲜局部差异度和色相度，确定每个像素点的生鲜变质度；
构造所述生鲜食品区域图像对应的加权无向图，根据所述加权无向图中每个像素点的生鲜变质度，确定加权无向图中的各条边的边权；
根据加权无向图中每个像素点和各条边的边权，构造加权无向图对应的能量函数；
根据所述能量函数确定能量函数最小值对应的各条目标边，将各条目标边断开，获得生鲜食品区域图像中的变质区域图像。
2.根据权利要求1所述的一种生鲜食品变质区域快速检测方法，其特征在于，根据每个像素点对应的预设窗口区域内每个窗口像素点对应的三通道分量，确定每个像素点的生鲜局部差异度，包括：
对于生鲜食品区域图像中的任意一个像素点，对像素点对应的预设窗口区域内每个窗口像素点的饱和度的累加和进行负相关映射处理，将负相关映射后的数值确定为对应像素点的第一差异因子；
对于像素点对应的预设窗口区域内的任意一个窗口像素点，将像素点的色相度与对应窗口像素点的色相度之间的差值的绝对值，确定为对应窗口像素点的第二差异因子；将像素点的亮度与对应窗口像素点的亮度之间的差值的绝对值，确定为对应窗口像素点的第三差异因子；将对应窗口像素点的第二差异因子与第三差异因子乘积，确定为对应窗口像素点的第四差异因子；将像素点对应的预设窗口区域内的每个窗口像素点的第四差异因子的累加和，确定对应像素点的第五差异因子；
将像素点的第一差异因子和第五差异因子的乘积，确定为对应像素点的生鲜局部差异度。
3.根据权利要求1所述的一种生鲜食品变质区域快速检测方法，其特征在于，根据所述预设窗口区域内每个窗口像素点对应的三通道分量的梯度幅值，确定每个像素点为变质区域边缘的联合概率，包括：
对于任意一个像素点对应的预设窗口区域内每个窗口像素点对应的色相度，根据像素点对应的预设窗口区域内每个窗口像素点对应的色相度，确定像素点对应的预设窗口区域内每行的色相梯度投影值和每列的色相梯度投影值；
根据像素点对应的预设窗口区域内每个窗口像素点对应的色相度、每行的色相梯度投影值和每列的色相梯度投影值，确定像素点的色相变质边缘概率，从而确定像素点的饱和度变质边缘概率和亮度变质边缘概率；
将像素点的色相变质边缘概率、饱和度变质边缘概率和亮度变质边缘概率相加后的数值，确定为对应的像素点为变质区域边缘的联合概率。
4.根据权利要求3所述的一种生鲜食品变质区域快速检测方法，其特征在于，所述色相变质边缘概率的计算公式为：
Figure QLYQS_1
其中，
Figure QLYQS_16
为生鲜食品区域图像中的第/>
Figure QLYQS_5
个像素点的色相变质边缘概率，/>
Figure QLYQS_13
为第一预设权重，/>
Figure QLYQS_10
为生鲜食品区域图像中的第/>
Figure QLYQS_12
个像素点对应的预设窗口区域内第j行的色相梯度投影值，j为预设窗口区域内行的序号，m为预设窗口区域内行的个数，/>
Figure QLYQS_15
为生鲜食品区域图像中的第/>
Figure QLYQS_17
个像素点对应的预设窗口区域内第/>
Figure QLYQS_9
列的色相梯度投影值，/>
Figure QLYQS_14
为预设窗口区域内列的序号，q为预设窗口区域内列的个数，/>
Figure QLYQS_3
为第二预设权重，/>
Figure QLYQS_8
为生鲜食品区域图像中的第/>
Figure QLYQS_2
个像素点对应的预设窗口区域内第c个窗口像素点对应的色相度，/>
Figure QLYQS_6
为生鲜食品区域图像中的第/>
Figure QLYQS_7
个像素点对应的预设窗口区域内中心像素点对应的色相度，c为预设窗口区域内窗口像素点的序号，/>
Figure QLYQS_11
为预设窗口区域内窗口像素点的个数，a为生鲜食品区域图像中像素点的序号，/>
Figure QLYQS_4
为归一化函数。
5.根据权利要求3所述的一种生鲜食品变质区域快速检测方法，其特征在于，根据像素点对应的预设窗口区域内每个窗口像素点对应的色相度，确定像素点对应的预设窗口区域内每行的色相梯度投影值，包括：
确定像素点对应的预设窗口区域内每个窗口像素点对应的色相度的梯度幅值，对于像素点对应的预设窗口区域内任意一行窗口像素点，计算对应行上每个窗口像素点对应的色相度的梯度幅值的平均值，将对应行上每个窗口像素点对应的色相度的梯度幅值与该行对应的色相度梯度幅值的平均值的差值进行累加计算，进而将累加计算后得到的数值确定为对应行的色相梯度投影值。
6.根据权利要求1所述的一种生鲜食品变质区域快速检测方法，其特征在于，根据每个像素点为变质区域边缘的联合概率、每个像素点的生鲜局部差异度和色相度，确定每个像素点的生鲜变质度，包括：
对于生鲜食品区域图像中的任意一个像素点，将像素点为变质区域边缘的联合概率与对应像素点对应的色相度的乘积，确定为对应像素点的第一变质因子；将像素点的生鲜局部差异度确定为对应像素点的第二变质因子；对像素点的第一变质因子和第二变质因子进行相加处理，将相加处理后的数值进行向上取整处理，将向上取整处理后的数值确定为对应像素点的生鲜变质度。
7.根据权利要求1所述的一种生鲜食品变质区域快速检测方法，其特征在于，根据所述加权无向图中每个像素点的生鲜变质度，确定加权无向图中的各条边的边权，包括：
对于加权无向图中的任意一条边，将对应边上的两个像素点的生鲜变质度的差值的平方，确定为对应边的初始边权，对所述初始边权与超参数的比值进行负相关映射，将负相关映射后的数值确定为对应边的边权。
8.根据权利要求1所述的一种生鲜食品变质区域快速检测方法，其特征在于，所述能量函数的计算公式为：
Figure QLYQS_18
其中，
Figure QLYQS_19
为能量函数，/>
Figure QLYQS_24
为平衡因子，/>
Figure QLYQS_26
为生鲜食品区域图像中的第/>
Figure QLYQS_20
个像素点，/>
Figure QLYQS_23
为生鲜食品区域图像中的第/>
Figure QLYQS_27
个像素点，Z为生鲜食品区域图像对应的像素点集合，/>
Figure QLYQS_29
为生鲜食品区域图像中的第/>
Figure QLYQS_22
个像素点为前景或背景的惩罚，/>
Figure QLYQS_28
为区域项，/>
Figure QLYQS_31
为生鲜食品区域图像中的第/>
Figure QLYQS_33
个像素点和第/>
Figure QLYQS_21
个像素点连接形成的一条边的边权，/>
Figure QLYQS_25
为生鲜食品区域图像中的第/>
Figure QLYQS_30
个像素点和第/>
Figure QLYQS_32
个像素点的重合度。
9.一种生鲜食品变质区域快速检测***，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令，以实现如权利要求1-8中任一项所述的一种生鲜食品变质区域快速检测方法。
CN202310513288.1A 2023-05-09 2023-05-09 一种生鲜食品变质区域快速检测方法及*** Active CN116228772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310513288.1A CN116228772B (zh) 2023-05-09 2023-05-09 一种生鲜食品变质区域快速检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310513288.1A CN116228772B (zh) 2023-05-09 2023-05-09 一种生鲜食品变质区域快速检测方法及***

Publications (2)

Publication Number Publication Date
CN116228772A true CN116228772A (zh) 2023-06-06
CN116228772B CN116228772B (zh) 2023-07-21

Family

ID=86584678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310513288.1A Active CN116228772B (zh) 2023-05-09 2023-05-09 一种生鲜食品变质区域快速检测方法及***

Country Status (1)

Country Link
CN (1) CN116228772B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645368A (zh) * 2023-07-27 2023-08-25 青岛伟东包装有限公司 一种流延膜卷边在线视觉检测方法
CN116952785A (zh) * 2023-09-20 2023-10-27 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
CN117557569A (zh) * 2024-01-12 2024-02-13 吉林交通职业技术学院 一种道路路面施工质量检测方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005117980A (ja) * 2003-10-17 2005-05-12 Food Safety Innovation Gijutsu Kenkyu Kumiai 食品変敗性乳酸菌の検出用ｐｃｒプライマー
CN108982782A (zh) * 2018-06-26 2018-12-11 广州视源电子科技股份有限公司 食品变质检测方法、装置、移动终端及存储介质
CN109668852A (zh) * 2018-12-25 2019-04-23 Oppo广东移动通信有限公司 电子设备、信息推送方法及相关产品
CN109886926A (zh) * 2019-01-22 2019-06-14 东喜和仪(珠海市)数据科技有限公司 基于图像识别的生鲜食品质量检测方法和装置
WO2020051746A1 (zh) * 2018-09-10 2020-03-19 深圳配天智能技术研究院有限公司 图像的边缘检测方法、图像处理设备及计算机存储介质
CN115311310A (zh) * 2022-10-10 2022-11-08 江苏欧罗曼家纺有限公司 通过图割实现纺织品印花图案提取的方法
CN115994907A (zh) * 2023-03-22 2023-04-21 济南市莱芜区综合检验检测中心 用于食品检测机构综合信息的智能处理***及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005117980A (ja) * 2003-10-17 2005-05-12 Food Safety Innovation Gijutsu Kenkyu Kumiai 食品変敗性乳酸菌の検出用ｐｃｒプライマー
CN108982782A (zh) * 2018-06-26 2018-12-11 广州视源电子科技股份有限公司 食品变质检测方法、装置、移动终端及存储介质
WO2020051746A1 (zh) * 2018-09-10 2020-03-19 深圳配天智能技术研究院有限公司 图像的边缘检测方法、图像处理设备及计算机存储介质
CN109668852A (zh) * 2018-12-25 2019-04-23 Oppo广东移动通信有限公司 电子设备、信息推送方法及相关产品
CN109886926A (zh) * 2019-01-22 2019-06-14 东喜和仪(珠海市)数据科技有限公司 基于图像识别的生鲜食品质量检测方法和装置
CN115311310A (zh) * 2022-10-10 2022-11-08 江苏欧罗曼家纺有限公司 通过图割实现纺织品印花图案提取的方法
CN115994907A (zh) * 2023-03-22 2023-04-21 济南市莱芜区综合检验检测中心 用于食品检测机构综合信息的智能处理***及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GEORGE TERZAKIS,ET AL: "Fitting multiple projective models using clustering-based Markov chain Monte Carlo inference", 《IMAGE AND VISION COMPUTING》, vol. 33, pages 15 - 25, XP029119325, DOI: 10.1016/j.imavis.2014.10.009 *
WEI JU，ET AL: "Random walk and graph cut for co-segmentation of lung tumor on PET-CT images", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 24, no. 12, XP011588571, DOI: 10.1109/TIP.2015.2488902 *
刘庆烽: "基于图论的医学图像分割关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2019, no. 05, pages 138 - 1230 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645368A (zh) * 2023-07-27 2023-08-25 青岛伟东包装有限公司 一种流延膜卷边在线视觉检测方法
CN116645368B (zh) * 2023-07-27 2023-10-03 青岛伟东包装有限公司 一种流延膜卷边在线视觉检测方法
CN116952785A (zh) * 2023-09-20 2023-10-27 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
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
CN117557569A (zh) * 2024-01-12 2024-02-13 吉林交通职业技术学院 一种道路路面施工质量检测方法及***
CN117557569B (zh) * 2024-01-12 2024-04-02 吉林交通职业技术学院 一种道路路面施工质量检测方法及***

Also Published As

Publication number Publication date
CN116228772B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN116228772B (zh) 一种生鲜食品变质区域快速检测方法及***
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
Yang et al. Tea diseases detection based on fast infrared thermal image processing technology
CN108564124A (zh) 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
US9971944B2 (en) Unstructured road boundary detection
CN103914708B (zh) 基于机器视觉的食品品种检测方法及***
CN105046700A (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及***
US11238301B2 (en) Computer-implemented method of detecting foreign object on background object in an image, apparatus for detecting foreign object on background object in an image, and computer-program product
CN104318262A (zh) 通过人脸照片更换皮肤的方法及***
CN111753577A (zh) 自动采摘机器人中的苹果识别与定位方法
CN112232138A (zh) 基于超像素特征的渠道边坡破坏智能识别方法
CN105427274A (zh) 一种由青霉感染引起腐烂的柑橘图像检测方法
CN107657619A (zh) 一种低照度林火图像分割方法
CN110675400B (zh) 一种基于手机app的羊肉品质指标快速智能检测方法
CN102201120A (zh) 一种基于多特征的目标物体轮廓检测方法
CN114387273A (zh) 基于计算机图像识别的环境粉尘浓度检测方法及***
CN115330645A (zh) 一种焊接图像增强方法
CN103185609A (zh) 一种西红柿分级的图像检测方法
CN107590816A (zh) 一种基于遥感图像的水体信息拟合方法
CN102509414B (zh) 一种基于计算机视觉的烟雾检测方法
CN114092456A (zh) 细胞荧光图像判别方法及***
CN102542304B (zh) 识别wap手机色情图像的区域分割肤色算法
CN116740580A (zh) 基于遥感技术的园林工程数据处理方法
CN111612797A (zh) 一种水稻图像信息处理***
CN114820597B (zh) 一种基于人工智能的冶炼品缺陷检测方法、装置及***

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