CN116721108A - 一种基于机器视觉的甜菊糖苷产品杂质检测方法 - Google Patents
一种基于机器视觉的甜菊糖苷产品杂质检测方法 Download PDFInfo
- Publication number
- CN116721108A CN116721108A CN202311008143.2A CN202311008143A CN116721108A CN 116721108 A CN116721108 A CN 116721108A CN 202311008143 A CN202311008143 A CN 202311008143A CN 116721108 A CN116721108 A CN 116721108A
- Authority
- CN
- China
- Prior art keywords
- gray
- points
- stevioside
- gray level
- impurity
- 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
- 239000012535 impurity Substances 0.000 title claims abstract description 104
- 235000019202 steviosides Nutrition 0.000 title claims abstract description 81
- UEDUENGHJMELGK-HYDKPPNVSA-N Stevioside Chemical compound O([C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1O[C@]12C(=C)C[C@@]3(C1)CC[C@@H]1[C@@](C)(CCC[C@]1([C@@H]3CC2)C)C(=O)O[C@H]1[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O1)O)[C@@H]1O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O UEDUENGHJMELGK-HYDKPPNVSA-N 0.000 title claims abstract description 73
- OHHNJQXIOPOJSC-UHFFFAOYSA-N stevioside Natural products CC1(CCCC2(C)C3(C)CCC4(CC3(CCC12C)CC4=C)OC5OC(CO)C(O)C(O)C5OC6OC(CO)C(O)C(O)C6O)C(=O)OC7OC(CO)C(O)C(O)C7O OHHNJQXIOPOJSC-UHFFFAOYSA-N 0.000 title claims abstract description 73
- 229940013618 stevioside Drugs 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004891 communication Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 13
- 238000003756 stirring Methods 0.000 claims description 7
- 239000000843 powder Substances 0.000 claims description 3
- 239000004383 Steviol glycoside Substances 0.000 claims 8
- 229930182488 steviol glycoside Natural products 0.000 claims 8
- 235000019411 steviol glycoside Nutrition 0.000 claims 8
- 150000008144 steviol glycosides Chemical class 0.000 claims 8
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 18
- 150000003839 salts Chemical class 0.000 description 12
- 235000002566 Capsicum Nutrition 0.000 description 10
- 239000006002 Pepper Substances 0.000 description 10
- 241000722363 Piper Species 0.000 description 10
- 235000016761 Piper aduncum Nutrition 0.000 description 10
- 235000017804 Piper guineense Nutrition 0.000 description 10
- 235000008184 Piper nigrum Nutrition 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 244000228451 Stevia rebaudiana Species 0.000 description 2
- 235000006092 Stevia rebaudiana Nutrition 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000208838 Asteraceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 229930006000 Sucrose Natural products 0.000 description 1
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000011543 agarose gel Substances 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004440 column chromatography Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000003599 food sweetener Nutrition 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 231100000957 no side effect Toxicity 0.000 description 1
- 235000013615 non-nutritive sweetener Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 239000011295 pitch Substances 0.000 description 1
- 235000012434 pretzels Nutrition 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000005720 sucrose Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000003765 sweetening agent Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器视觉的甜菊糖苷产品杂质检测方法,包括步骤:一、获取多幅甜菊糖苷样本图像;二、生成甜菊糖苷样本灰度直方图;三、图像处理器对灰度直方图进行处理,识别出甜菊糖苷样本灰度直方图中的杂质点;包括步骤:构建调节因子与映射函数,从图中筛选出可疑灰度级;返回映射在原图像中;遍历所有已筛选灰度级像素点的连通域质心点,将所有连通域均称为异常连通点;确定每个异常连通点的局部嵌入异常特征;确定杂质点的灰度相对偏离特征;从局部嵌入异常特征和灰度相对偏离特征两个层面构建噪点识别模型,识别出噪点;对图像中的杂质点进行定位识别。本发明能够提高甜菊糖苷的杂质检测效率和精度,优化生产质量,提高生产效率。
Description
技术领域
本发明属于甜菊糖苷生产技术领域,具体涉及一种基于机器视觉的甜菊糖苷产品杂质检测方法。
背景技术
随着人们对健康的关注程度越来越重,甜菊糖作为一种功能性糖类被广泛地应用到食品工业中,甜菊糖苷又名甜菊糖、甜叶菊糖、甜菊苷,是从菊科草本植物甜叶菊的叶、茎中提取的高甜度、低热能的甜昧剂,对人体无副作用的天然产物,对肥胖病、糖尿病、高血压病、心脏病、龋齿等有一定的辅助治疗作用。是目前世界已发现并经我国***、轻工业部批准使用的最接近蔗糖口味的天然低热值甜味剂。
甜菊糖苷的生产过程包括原料溶解、琼脂糖凝胶柱层析、浓缩、结晶过滤、干燥、包装等,在包装流程之前需要对干燥的甜菊糖苷进行杂质检测,以保证装袋质量,杂质源于未处理的植物杂质、渣屑、甜味剂杂质、无机盐等等。现有技术提出利用机器视觉检测甜菊糖苷产品杂质,但在自动化生产过程中,检测过程会持续重复运行,不可避免会存在图像质量问题,尤其存在椒盐噪声时,无法区分噪点和杂质,预处理模块无差别处理会导致检测错误,降低了生产质量,影响了生产效率。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于机器视觉的甜菊糖苷产品杂质检测方法,其能够提高甜菊糖苷的杂质检测效率和精度,优化生产质量,提高生产效率。
为解决上述技术问题,本发明采用的技术方案是:一种基于机器视觉的甜菊糖苷产品杂质检测方法,该方法包括以下步骤:
步骤一、搅拌甜菊糖苷样本,获取多幅甜菊糖苷样本图像;
步骤二、对甜菊糖苷样本图像进行灰度化处理,生成甜菊糖苷样本灰度直方图;
步骤三、图像处理器对甜菊糖苷样本灰度直方图进行处理,识别出甜菊糖苷样本灰度直方图中的杂质点,进而实现甜菊糖苷产品杂质检测;具体过程为:
步骤301、构建调节因子与映射函数,根据映射函数从灰度直方图中筛选出可疑灰度级;
步骤302、将已经筛选出的可疑灰度级集合返回映射在原图像中;
步骤303、将像素点相邻则视为一个独立的连通域,以每个连通域质心点为中心,
半径个像素长度的圆形搜索框,遍历所有已筛选灰度级像素点的连通域质心点,将所有
连通域均称为异常连通点;
步骤304、确定每个异常连通点的局部嵌入异常特征;
步骤305、确定杂质点的灰度相对偏离特征;
步骤306、从局部嵌入异常特征和灰度相对偏离特征两个层面构建图像中的噪点识别模型,识别出噪点;
步骤307、对噪点进行中值滤波,得到筛去噪点后仅含有杂质点的图像,对单帧图像中的杂质点进行定位识别。
上述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,步骤一中所述搅拌甜菊糖苷样本,获取多幅甜菊糖苷样本图像的具体方法为:将干燥后的甜菊糖苷样本放入自动搅拌机,自动搅拌机不封盖,在正上方悬挂安装摄像机,随着甜菊糖苷粉末的搅拌连续拍摄多组图像,得到多幅甜菊糖苷样本图像。
上述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,步骤301中所述调节因
子为,其中,表示第个含有像素点分布的灰度级的相邻间隔,且用公式表示
为:
表示所有含有像素点分布的灰度级的平均相邻间隔,且用公式表示为:
其中,表示任意一个含有像素点分布的灰度级,表示含有像素点分布的灰度级
的总数,表示第个灰度级的灰度值,表示第个灰度级的灰度值,表示第个灰度级的灰度值,表示第个灰度级与第个灰度级之间的间距,表示第个灰度级与第个灰度级之间的间距。
上述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,步骤301中所述映射函数为:
其中,表示最大灰度级数,表示第个灰度级的像素分布概率。
上述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,步骤303中的取值为
10。
上述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,步骤304中确定每个异常连通点的局部嵌入异常特征时,根据异常连通点质心的最小相邻间距确定,用公式表示为:
其中,表示第个异常连通点在以为中心的搜索范围内的局部嵌入异常特征,表示第个异常连通点的最小相邻间距,表示第个异常连通点在以为中心的搜
索范围内异常连通点的总个数,为自然对数。
上述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,步骤305中所述确定杂质点的灰度相对偏离特征时,以相对偏离极值点、靠近中值点作为杂质点的灰度相对偏离特征,用公式表示为:
其中,表示在以为中心的搜索范围内的杂质点的灰度相对偏离特征,
表示在以为中心的搜索范围内的所有已筛选灰度级的灰度值极大值,表示在以为
中心的搜索范围内的所有已筛选灰度级的灰度值极小值,表示在以为中心的
搜索范围内的所有已筛选灰度级中灰度值极大值和灰度值极小值加和求均得到的中值点,表示在以为中心的搜索范围内的所有已筛选灰度级的平均灰度值,表示对与的差值归一化,表示在以为中心的
搜索范围内的所有已筛选灰度级的内部灰度方差,表示的双曲正切函数。
上述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,步骤306中所述从局部嵌入异常特征和灰度相对偏离特征两个层面构建图像中的噪点识别模型,识别出噪点时,将噪点识别模型用公式表示为:
其中,为局部嵌入异常特征和灰度相对偏离特征的欧式范数,当小于等于
阈值时,判断为噪点,否则,当大于阈值时,判断为不是噪点。
上述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,所述阈值的取值为
0.7。
本发明与现有技术相比具有以下优点:本发明针对现有机器视觉识别装袋前甜菊糖苷杂质时,图像处理模块会默认进行滤波去噪,但是对于粉末中的杂质而言,其与椒盐噪声极为相似,因此会被误除的问题,通过构建调节因子与映射函数,从灰度直方图中筛出可疑灰度级,收缩杂质点筛选范围,并还原在原图像中,能使图像中分布较少且具有一定离散性的灰度级被准确分割,有利于缩小度量区间,能够在更小的差异层面区分杂质点与椒盐噪声,然后根据局部嵌入异常特征以及灰度相对偏离特征构建杂质点的识别模型,以实现在相机预处理模块处理图像噪声之前确定处理目标,提高甜菊糖苷的杂质检测效率,优化生产质量,提高生产效率。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图;
图2为异常连通点的最小相邻间距示意图。
具体实施方式
如图1所示,本发明的基于机器视觉的甜菊糖苷产品杂质检测方法,包括以下步骤:
步骤一、搅拌甜菊糖苷样本,获取多幅甜菊糖苷样本图像;
步骤二、对甜菊糖苷样本图像进行灰度化处理,生成甜菊糖苷样本灰度直方图;
步骤三、图像处理器对甜菊糖苷样本灰度直方图进行处理,识别出甜菊糖苷样本灰度直方图中的杂质点,进而实现甜菊糖苷产品杂质检测;具体过程为:
步骤301、构建调节因子与映射函数,根据映射函数从灰度直方图中筛选出可疑灰度级;
本实施例中,步骤301中所述调节因子为,其中,表示第个含有像素点
分布的灰度级的相邻间隔,且用公式表示为:
表示所有含有像素点分布的灰度级的平均相邻间隔,且用公式表示为:
其中,表示任意一个含有像素点分布的灰度级,表示含有像素点分布的灰度级
的总数,表示第个灰度级的灰度值,表示第个灰度级的灰度值,表示第个灰度级的灰度值,表示第个灰度级与第个灰度级(即右相邻灰度
级)之间的间距,表示第个灰度级与第个灰度级(即左相邻灰度级)之间
的间距。
本实施例中,步骤301中所述映射函数为:
其中,为单调递增的映射函数,表示最大灰度级数,为常数值,即最大
灰度级数减1;表示第个灰度级的像素分布概率。
当在灰度直方图上从左至右依次单调累加时,第个灰度级的像素分布概率较
小时,其映射结果四舍五入后,相比于处的累加值相同,则认为第个灰度级的像素分
布概率在该灰度直方图中相对较少,将该灰度级筛出,然而这样筛出的像素点灰度范围仍
不准确,因为杂质虽然分布较少,但映射函数是筛出最少的那部分灰度级,有可能漏掉部分
杂质灰度级;因此,我们根据杂质灰度级分布数量较少且与背景像素点、噪声像素点存在一
定微弱差异的特点,以其灰度级相邻间隔比平均相邻间隔的倒数作为调节因子,即。
当某个灰度级比较孤立时,其相对较大,当其比平均相邻灰度间隔更大时,其倒数小于1,
因此该灰度级的像素分布概率乘以调节因子,可以将映射结果进一步放小,以筛选出这部
分分布数量较少且孤立的灰度级。
我们通过筛选可疑像素点灰度级,来放大局部视图,简单来说就是杂质与噪点的差异在原图像中可能由于大小、形状、灰度相近,而无法区分,但是通过筛选,将检测范围缩小,那么他们之间的差异则会被放大,可以更好的识别杂质。
步骤302、将已经筛选出的可疑灰度级集合返回映射在原图像中;
步骤303、将像素点相邻则视为一个独立的连通域,以每个连通域质心点为中心,
半径个像素长度的圆形搜索框,遍历所有已筛选灰度级像素点的连通域质心点,将所有
连通域均称为异常连通点;
无论杂质点还是噪点均不是一个像素点,而是一个较小的连通域组合,因此我们利用空间联通性,即像素点相邻则视为一个独立的连通域,分割所有已筛选灰度级像素点的连通域,以及各个连通域的质心点;
尽管噪点随机在图像中分布,但局部噪点的分布具有一定均匀性,即使噪声含量增加,也是几乎各个局部区域噪点分布密度同步增加,而不是集中聚集在图像的某一个局部区域中,稀疏度差异较小;
那么当把图像分割为多个局部区域时,异常点相对于局部分布均匀的噪点而言就
成为了嵌入点,其与局部分布均匀的噪点混杂时,会增大局部密度。因此,我们以每个连通
域质心点为中心,半径个像素长度的圆形搜索框,遍历所有已筛选灰度级像素点的连通
域质心点;
本实施例中,步骤303中的取值为10。
步骤304、确定每个异常连通点的局部嵌入异常特征;
本实施例中,步骤304中确定每个异常连通点的局部嵌入异常特征时,根据异常连通点质心的最小相邻间距确定,用公式表示为:
其中,表示第个异常连通点在以为中心的搜索范围内的局部嵌入异常特征,表示第个异常连通点的最小相邻间距,表示第个异常连通点在以为中心的搜
索范围内异常连通点的总个数,即第个异常连通点在以为中心的搜索范围内共个异
常连通点,为自然对数。
为搜索范围内的平均相邻间距,该值越小越可能存在嵌入异常;因
此利用矫正逻辑关系,嵌入异常则在0~1之间越大;
当存在杂质点嵌入原本的噪声分布中时,会出现嵌入点局部密度增大的现象,而该密度仅对比搜索范围内异常连通点数量,实际上很难对比差异,但是我们以最小相邻间距,可以更明显的观察嵌入异常;
所谓最小相邻间距是质心相连方向上,两个连通点边缘点之间的直线距离,搜索范围内所有异常连通点与其拥有最小相邻间距的其他异常连通点,为一个最小相邻间距,每个异常连通点仅有一个最小相邻间距,如图2所示;
但是仅局部嵌入差异仍可能较小,因此我们再增加一个限制,由于椒盐噪声又称黑白噪声,即要么为极黑点要么为极亮点,两类混杂出现,而部分杂质内部灰度接近于极黑或者极亮噪点,但仍存在差异,介于中间灰度范围,我们无法确定类型各异杂质的具体灰度范围,但是只要偏离极值点,那么其为杂质点的概率明显较大;因此以“相对偏离极值点,靠近中值点”作为杂质点的灰度相对偏离特征;
而对于杂质连通域而言,其内部像素点并非完全均匀,且椒盐噪点其并非图像本身存在的干扰,因此每个噪点内部的灰度都是完全均匀的,这一点可以作为补充特征。
步骤305、确定杂质点的灰度相对偏离特征;
本实施例中,步骤305中所述确定杂质点的灰度相对偏离特征时,以相对偏离极值点、靠近中值点作为杂质点的灰度相对偏离特征,用公式表示为:
其中,表示在以为中心的搜索范围内的杂质点的灰度相对偏离特征,
表示在以为中心的搜索范围内的所有已筛选灰度级的灰度值极大值,表示在以为
中心的搜索范围内的所有已筛选灰度级的灰度值极小值,表示在以为中心的
搜索范围内的所有已筛选灰度级中灰度值极大值和灰度值极小值加和求均得到的中值点,表示在以为中心的搜索范围内的所有已筛选灰度级的平均灰度值(即异常连通域的平
均灰度值),表示对与的差值归一化,表示在
以为中心的搜索范围内的所有已筛选灰度级的内部灰度方差,表示的双曲正
切函数。
无论是趋向极黑点还是极亮点的杂质,其异常连通域的平均灰度值减去中值点,
差值相对越小,则越可能为杂质,注意是相对关系,因此并不需要其真的靠近中值点,而是
相对其他异常连通域而言更靠近,因此对其差值进行归一化,并利用常数1减去归一化结
果,即,得到异常连通域属于杂质点的特征参数,该值越
大越趋近杂质;而作为在以为中心的搜索范围内的所有已筛选灰度级的内部灰度方
差,其越大越趋向杂质,而为了使特征参数对方差变化更为敏感,更加突出噪点内部均匀和
杂质点内部不均匀的差异,缩小杂质点和杂质点之间的差异,我们利用双曲正切函数,其接
近0的曲线段变化较为剧烈,后续趋于稳定;那么这对于我们区分噪点和各类异常点非常有
利,补充特征中,当方差几乎接近0,则也几乎趋近0,当方差变大,会剧烈上升,并在接近1处趋于稳定;那么加入补充特征,得到完整的杂质点的灰
度相对偏离特征,即。
步骤306、从局部嵌入异常特征和灰度相对偏离特征两个层面构建图像中的噪点识别模型,识别出噪点;
本实施例中,步骤306中所述从局部嵌入异常特征和灰度相对偏离特征两个层面构建图像中的噪点识别模型,识别出噪点时,将噪点识别模型用公式表示为:
其中,为局部嵌入异常特征和灰度相对偏离特征的欧式范数,当小于等于
阈值时,判断为噪点,否则,当大于阈值时,判断为不是噪点。
本实施例中,所述阈值的取值为0.7。
步骤307、对噪点进行中值滤波,得到筛去噪点后仅含有杂质点的图像,对单帧图像中的杂质点进行定位识别。
具体实施时,通过映射函数得到图像中所有包含杂质以及噪声的灰度级,这些灰度级再回归原图像中,经过筛去噪声点,原图像中剩余的即为杂质点,然后对单帧图像中的杂质点进行定位识别,根据杂质尺寸选择合适尺寸的网筛进行筛除,以保证甜菊糖苷纯度。
其中,步骤306中得到含有椒盐噪点的甜菊糖苷图像中的噪点识别模型;步骤307中对噪点进行中值滤波,椒盐噪声孤立且突变,滤波参数任意设置均可有效去除。
另外,具体实施时,检测出甜菊糖苷产品杂质后,还可以利用机械臂自动化剔除,以保证甜菊糖苷纯度。
最常见的颗粒噪声即椒盐噪声,其具有随机性、突然性、影响范围大、相关性低的特点,尤其在较小杂质检测过程中,难以和椒盐噪点进行区分,且椒盐噪声和原图像完全不相关,是直接覆盖原像素点,因此中值滤波的去噪效果最佳,但是在不能明确识别噪声和杂质点之前,无法进行无差别滤除,若将杂质点误识为噪点,则会导致检测失败。
由于甜菊糖苷背景几乎为白色至微黄色,其灰度值偏高,无论是杂质还是椒盐噪声点,相对于甜菊糖苷粉末而言分布数据差异均较大,尤其是杂质点,分布数量极少,因此本发明利用这一特征,通过映射函数来获取分布极少灰度级的像素点集合,然后本发明还从空间分布特征以及值域灰度特征两个层面构建识别模型,通过将杂质点视为异常嵌入点,根据嵌入异常特征来构建杂质的识别特征,能够借助椒盐噪声点的随机均匀分布特性来反应其杂质特征点对噪声分布的影响,实现对杂质点的位置估计。由于甜菊糖苷颗粒为白色,其杂质和椒盐噪声存在黑色或深色特征,所以在对噪声分布影响的基础上借助其在甜菊糖苷白色背景的灰度分布特征来获取在收缩筛选范围内的杂质点识别特征,通过此方法的差异量化能够更好的对中值滤波去噪过程中的滤波区域进行约束,保证中值滤波算法的滤波效果明显,且能够进一步提高其所筛选的局部杂质点的对比度特征,提高杂质检测精度和效率,优化生产质量,提高生产效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (9)
1.一种基于机器视觉的甜菊糖苷产品杂质检测方法,其特征在于,该方法包括以下步骤:
步骤一、搅拌甜菊糖苷样本,获取多幅甜菊糖苷样本图像;
步骤二、对甜菊糖苷样本图像进行灰度化处理,生成甜菊糖苷样本灰度直方图;
步骤三、图像处理器对甜菊糖苷样本灰度直方图进行处理,识别出甜菊糖苷样本灰度直方图中的杂质点,进而实现甜菊糖苷产品杂质检测;具体过程为:
步骤301、构建调节因子与映射函数,根据映射函数从灰度直方图中筛选出可疑灰度级;
步骤302、将已经筛选出的可疑灰度级集合返回映射在原图像中;
步骤303、将像素点相邻则视为一个独立的连通域,以每个连通域质心点为中心,半径个像素长度的圆形搜索框,遍历所有已筛选灰度级像素点的连通域质心点,将所有连通域均称为异常连通点;
步骤304、确定每个异常连通点的局部嵌入异常特征;
步骤305、确定杂质点的灰度相对偏离特征;
步骤306、从局部嵌入异常特征和灰度相对偏离特征两个层面构建图像中的噪点识别模型,识别出噪点;
步骤307、对噪点进行中值滤波,得到筛去噪点后仅含有杂质点的图像,对单帧图像中的杂质点进行定位识别。
2.按照权利要求1所述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,其特征在于:步骤一中所述搅拌甜菊糖苷样本,获取多幅甜菊糖苷样本图像的具体方法为:将干燥后的甜菊糖苷样本放入自动搅拌机,自动搅拌机不封盖,在正上方悬挂安装摄像机,随着甜菊糖苷粉末的搅拌连续拍摄多组图像,得到多幅甜菊糖苷样本图像。
3.按照权利要求1所述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,其特征在于:步骤301中所述调节因子为,其中,/>表示第/>个含有像素点分布的灰度级的相邻间隔,且/>用公式表示为:
表示所有含有像素点分布的灰度级的平均相邻间隔,且/>用公式表示为:
其中,表示任意一个含有像素点分布的灰度级,/>表示含有像素点分布的灰度级的总数,/>表示第/>个灰度级的灰度值,/>表示第/>个灰度级的灰度值,/>表示第/>个灰度级的灰度值,/>表示第/>个灰度级与第/>个灰度级之间的间距,表示第/>个灰度级与第/>个灰度级之间的间距。
4.按照权利要求3所述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,其特征在于:步骤301中所述映射函数为:
其中,表示最大灰度级数,/>表示第/>个灰度级的像素分布概率。
5.按照权利要求1所述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,其特征在于:步骤303中的取值为10。
6.按照权利要求1所述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,其特征在于:步骤304中确定每个异常连通点的局部嵌入异常特征时,根据异常连通点质心的最小相邻间距确定,用公式表示为:
其中,表示第/>个异常连通点在以/>为中心的搜索范围内的局部嵌入异常特征,表示第/>个异常连通点的最小相邻间距,/>表示第/>个异常连通点在以/>为中心的搜索范围内异常连通点的总个数,/>为自然对数。
7.按照权利要求6所述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,其特征在于:步骤305中所述确定杂质点的灰度相对偏离特征时,以相对偏离极值点、靠近中值点作为杂质点的灰度相对偏离特征,用公式表示为:
其中,表示在以/>为中心的搜索范围内的杂质点的灰度相对偏离特征,/>表示在以/>为中心的搜索范围内的所有已筛选灰度级的灰度值极大值,/>表示在以/>为中心的搜索范围内的所有已筛选灰度级的灰度值极小值,/>表示在以/>为中心的搜索范围内的所有已筛选灰度级中灰度值极大值和灰度值极小值加和求均得到的中值点,/>表示在以/>为中心的搜索范围内的所有已筛选灰度级的平均灰度值,表示对/>与/>的差值归一化,/>表示在以/>为中心的搜索范围内的所有已筛选灰度级的内部灰度方差,/>表示/>的双曲正切函数。
8.按照权利要求7所述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,其特征在于:步骤306中所述从局部嵌入异常特征和灰度相对偏离特征两个层面构建图像中的噪点识别模型,识别出噪点时,将噪点识别模型用公式表示为:
其中,为局部嵌入异常特征和灰度相对偏离特征的欧式范数,当/>小于等于阈值时,判断为噪点,否则,当/>大于阈值/>时,判断为不是噪点。
9.按照权利要求8所述的一种基于机器视觉的甜菊糖苷产品杂质检测方法,其特征在于:所述阈值的取值为0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311008143.2A CN116721108B (zh) | 2023-08-11 | 2023-08-11 | 一种基于机器视觉的甜菊糖苷产品杂质检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311008143.2A CN116721108B (zh) | 2023-08-11 | 2023-08-11 | 一种基于机器视觉的甜菊糖苷产品杂质检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116721108A true CN116721108A (zh) | 2023-09-08 |
CN116721108B CN116721108B (zh) | 2023-11-03 |
Family
ID=87875641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311008143.2A Active CN116721108B (zh) | 2023-08-11 | 2023-08-11 | 一种基于机器视觉的甜菊糖苷产品杂质检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721108B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237245A (zh) * | 2023-11-16 | 2023-12-15 | 湖南云箭智能科技有限公司 | 一种基于人工智能与物联网的工业物料质量监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176020A (zh) * | 2019-04-09 | 2019-08-27 | 广东工业大学 | 一种融合2d和3d图像的燕窝杂质分拣方法 |
CN112785513A (zh) * | 2020-08-25 | 2021-05-11 | 青岛经济技术开发区海尔热水器有限公司 | 一种用于过滤脉冲噪声的自适应中值滤波方法 |
US20210181086A1 (en) * | 2018-08-16 | 2021-06-17 | Essenlix Corporation | Image-Based Assay Using Intelligent Monitoring Structures |
WO2021125950A1 (en) * | 2019-12-17 | 2021-06-24 | Universiteit Maastricht | Image data processing method, method of training a machine learning data processing model and image processing system |
CN114155285A (zh) * | 2021-10-29 | 2022-03-08 | 上海海栎创科技股份有限公司 | 基于灰度直方图的图像配准方法 |
CN114998214A (zh) * | 2022-04-29 | 2022-09-02 | 国网浙江省电力有限公司双创中心 | 一种电缆缺陷检测的采样速度控制方法和*** |
CN115032202A (zh) * | 2022-08-10 | 2022-09-09 | 山东唐乐生物科技股份有限公司 | 一种甜菊糖苷产品的残留杂质去除方法 |
CN115830022A (zh) * | 2023-02-15 | 2023-03-21 | 山东梁山酿酒总厂有限公司 | 基于机器视觉的过滤机滤网缺陷检测方法 |
-
2023
- 2023-08-11 CN CN202311008143.2A patent/CN116721108B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210181086A1 (en) * | 2018-08-16 | 2021-06-17 | Essenlix Corporation | Image-Based Assay Using Intelligent Monitoring Structures |
CN110176020A (zh) * | 2019-04-09 | 2019-08-27 | 广东工业大学 | 一种融合2d和3d图像的燕窝杂质分拣方法 |
WO2021125950A1 (en) * | 2019-12-17 | 2021-06-24 | Universiteit Maastricht | Image data processing method, method of training a machine learning data processing model and image processing system |
CN112785513A (zh) * | 2020-08-25 | 2021-05-11 | 青岛经济技术开发区海尔热水器有限公司 | 一种用于过滤脉冲噪声的自适应中值滤波方法 |
CN114155285A (zh) * | 2021-10-29 | 2022-03-08 | 上海海栎创科技股份有限公司 | 基于灰度直方图的图像配准方法 |
CN114998214A (zh) * | 2022-04-29 | 2022-09-02 | 国网浙江省电力有限公司双创中心 | 一种电缆缺陷检测的采样速度控制方法和*** |
CN115032202A (zh) * | 2022-08-10 | 2022-09-09 | 山东唐乐生物科技股份有限公司 | 一种甜菊糖苷产品的残留杂质去除方法 |
CN115830022A (zh) * | 2023-02-15 | 2023-03-21 | 山东梁山酿酒总厂有限公司 | 基于机器视觉的过滤机滤网缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
WEI FAN等: "Median Filtered Image Quality Enhancement and Anti-Forensics via Variational Deconvolution", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》, vol. 10, no. 5, pages 1076 - 1091, XP011577556, DOI: 10.1109/TIFS.2015.2398362 * |
YOULIAN ZHU等: "Histogram equalization algorithm for variable gray level mapping", 《2010 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》, pages 6022 - 6025 * |
梁洁等: "基于灰度共生矩阵的MRI纹理分析在椎管内脊膜瘤和神经鞘瘤鉴别诊断中的应用价值", 《磁共振成像》, vol. 13, no. 8, pages 84 - 87 * |
田海洋: "基于图像特征的隧道衬砌雷达无损检测辨识精度提升方法", 《工程科技Ⅱ辑》, no. 03, pages 9 - 54 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237245A (zh) * | 2023-11-16 | 2023-12-15 | 湖南云箭智能科技有限公司 | 一种基于人工智能与物联网的工业物料质量监测方法 |
CN117237245B (zh) * | 2023-11-16 | 2024-01-26 | 湖南云箭智能科技有限公司 | 一种基于人工智能与物联网的工业物料质量监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116721108B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721108B (zh) | 一种基于机器视觉的甜菊糖苷产品杂质检测方法 | |
CN116188462B (zh) | 一种基于视觉鉴定的贵金属质量检测方法及*** | |
CN110334635A (zh) | 主体追踪方法、装置、电子设备和计算机可读存储介质 | |
CN110852997B (zh) | 动态图像清晰度检测方法、装置、电子设备及存储介质 | |
CN112232978B (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
WO2020108287A1 (zh) | 一种硅棒的晶线生长状态检测方法、装置及设备 | |
WO2023070593A1 (zh) | 线宽测量方法、装置、计算处理设备、计算机程序及计算机可读介质 | |
CN109447945A (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN116596924A (zh) | 基于机器视觉的甜菊糖苷质量检测方法及*** | |
CN116245880A (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN111353992B (zh) | 一种基于纹理特征的农产品缺陷检测方法及*** | |
Maheshwari et al. | Non-destructive quality analysis of Indian Gujarat-17 Oryza sativa SSP Indica (Rice) using image processing | |
CN110047075A (zh) | 一种基于对抗网络的ct图像分割方法 | |
CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
CN108765448A (zh) | 一种基于改进tv-l1模型的虾苗计数分析方法 | |
CN117011303A (zh) | 基于机器视觉的油料生产质量检测方法 | |
Hassan et al. | Image enhancement technique at different distance for iris recognition | |
CN105279244B (zh) | 甘蔗种芽分类特征数据库的建立方法 | |
CN112070741B (zh) | 一种基于图像显著性区域提取方法的大米垩白度检测*** | |
Kumar et al. | Automatic optic disc segmentation using maximum intensity variation | |
Maheshwari | Quality assessment of oryza sativa ssp indica (rice) using computer vision | |
CN114166849B (zh) | 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法 | |
CN111435427A (zh) | 识别大米的方法、装置和烹饪器具 | |
JP2009053116A (ja) | 画像処理装置および画像処理プログラム |
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 |