CN116912820B - 一种婴幼儿食品安全视觉检测方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种婴幼儿食品安全视觉检测方法，包括：通过对奶粉样本冲泡后对应的奶液图像进行局部区域分析，结合对奶液图像进行多次图像重构，分析局部区域中像素点相对于区域的归属变化，准确获得发生变质后奶液图像中对应结絮、清液以及结块区域的各区域中的异常点，利用异常点实现食品安全检测。本发明准确获得发生变质后奶液图像中对应结絮、清液以及结块区域的各区域，实现对疑似变质图像是否变质的准确检测，并大大提高了利用多重奇异值进行重构图像的方法来实现视觉检测的准确性，进一步保障了婴幼儿食品安全。

Description

一种婴幼儿食品安全视觉检测方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种婴幼儿食品安全视觉检测方法。

背景技术

婴幼儿食品质量安全受到社会各界的长期关注，传统的婴幼儿食品安全检测方法主要依赖与化学分析和微生物检测，这些方法耗时耗力，在一些特殊情况下可能无法准确判断是否符合安全标准。

近年来计算机视觉技术发展迅速，利用图像数据处理技术进行婴幼儿食品安全检测逐渐受到人们的关注，图像数据处理技术中较为常见的方法是通过对婴幼儿食品图像进行形状和纹理等特征进行提取和分析，通过分析和识别食品图像中的形状纹理特征，实现对婴幼儿视频的快速和准确检测。

因此对婴幼儿作为主食的奶粉进行安全检测是十分必要的，但是由于在图像中奶块和奶液的灰度相似，存在一定的区分难度，导致对图像中的纹理特征提取的准确度不高，常规的分割算法不能满足检测需求。

发明内容

本发明提供一种婴幼儿食品安全视觉检测方法，以解决现有的问题。

本发明的一种婴幼儿食品安全视觉检测方法采用如下技术方案：

本发明提供了一种婴幼儿食品安全视觉检测方法，该方法包括以下步骤：

获得奶液图像；

获取奶液图像的若干个奇异值，利用奇异值进行图像重构获得重构图像，获取重构图像中的若干个超像素区域，获取超像素区域的LBP值以及灰度共生矩阵，根据LBP值和灰度共生矩阵对重构图像中所有超像素区域进行聚类获得若干个聚类簇，将聚类簇中所有像素点的平均灰度最小的聚类簇记为目标聚类簇，根据目标聚类簇中像素点的位置获得目标聚类簇的异常程度，根据异常程度的大小获得疑似变质图像；

利用不同数量的奇异值对疑似变质图像进行图像重构获得若干个新重构图像，获取新重构图像中的超像素区域记为新超像素区域，获取新重构图像中的若干个新目标聚类簇，所述新目标聚类簇与目标聚类簇的获取方法相同；根据新超像素区域的圆形度和新超像素区域内所有像素点的灰度值获得新超像素区域的稳定性，根据新超像素区域之间稳定性的差异获得异常点；

利用异常点完成婴幼儿食品安全视觉检测。

进一步的，所述获取奶液图像的若干个奇异值，利用奇异值进行图像重构获得重构图像，获取重构图像中的若干个超像素区域，包括的具体步骤如下：

利用奇异值分解算法对奶液图像进行奇异值分解，获得若干个奇异值，选择预设参数个奇异值进行图像重构，获得重构图像；

结合预设的超像素分割算法的种子点数量，利用超像素分割算法对重构图像进行分割，获得若干个超像素区域。

进一步的，所述获取超像素区域的LBP值以及灰度共生矩阵，根据LBP值和灰度共生矩阵对重构图像中所有超像素区域进行聚类获得若干个聚类簇，包括的具体步骤如下：

利用局部二值模式算法获取任意超像素区域的LBP值，并获取任意超像素区域在0°、45°、90°和135°方向上的灰度共生矩阵，根据灰度共生矩阵获取任意超像素区域在任意方向上的对比度、能量以及相关性，预设K-means聚类算法的K值，将超像素区域的LBP值、所有方向上的对比度、能量、相关性以及超像素区域质心所形成的向量记为超像素区域的特征向量，依据超像素区域的特征向量利用K-means聚类算法对所有超像素区域进行聚类，获得若干个聚类簇。

进一步的，所述根据目标聚类簇中像素点的位置获得目标聚类簇的异常程度，包括的具体步骤如下：

首先，获取目标聚类中每一列像素点中的第一个像素点，将所有列像素点中的第一个像素点形成的区域记为目标聚类簇的上边缘，获取目标聚类中每一列像素点中的最后一个像素点，将所有列像素点中的最后一个像素点形成的区域记为目标聚类簇的下边缘；

然后，利用语义分割神经网络获取奶液图像中奶粉冲泡后的奶液区域，获取奶液区域在奶液图像中纵轴方向上的长度，记为奶液高度，将奶液区域的每一列第一个像素点形成的区域记为奶液上边缘，将奶液区域的每一列最后一个像素点形成的区域记为奶液下边缘；

最后，将目标聚类簇的上边缘与奶液上边缘中所有列像素点之间欧式距离的平均值记为上距离；将目标聚类簇的下边缘与奶液下边缘中所有列像素点之间欧式距离的平均值记为下距离；设定第一参数和第二参数，当下距离或上距离大于时，其中/>为预设的超参数，/>表示奶液高度，设定第一参数或第二参数为1；当下距离或上距离小于等于时，设定第一参数或第二参数为0；获取目标聚类簇与其他聚类簇之间平均灰度的差值中的最大值，记为目标聚类簇的灰度差异，利用第一参数和第二参数对灰度差异进行调节，获得目标聚类簇的异常程度，具体计算方法为：

其中，表示目标聚类簇的异常程度；/>表示第一参数；/>表示第二参数；/>表示目标聚类簇的灰度差异；/>表示双曲正切函数，/>为预设的超参数。

进一步的，所述根据异常程度的大小获得疑似变质图像，包括的具体步骤如下：

在异常程度大于预设的异常程度阈值时，奶液图像中可能发生变质；反之，奶液图像中没有发生变质；

当发生变质时，将奶液图像记为疑似变质图像。

进一步的，所述利用不同数量的奇异值对疑似变质图像进行图像重构获得若干个新重构图像，包括的具体步骤如下：

以步长遍历区间/>内所有整数，将遍历到的整数记为参数/>，获得若干个不同的参数/>，其中/>、/>和/>为预设的超参数；

对于每个参数，选取/>个奇异值对疑似变质图像进行图像重构，获得每个参数对应的一个新重构图像；所有参数/>对应得到若干个新重构图像。

进一步的，所述根据新超像素区域的圆形度和新超像素区域内所有像素点的灰度值获得新超像素区域的稳定性，包括的具体步骤如下：

其中，表示第/>个新重构图像的第/>个新超像素区域的稳定性，/>表示第/>个新重构图像中第/>个新超像素区域内所有像素点的灰度值的方差；/>表示第/>个新重构图像中第/>个新超像素区域的圆形度。

进一步的，所述根据新超像素区域之间稳定性的差异获得异常点，包括的具体步骤如下：

首先，将除新目标聚类簇以外的其他聚类簇对应的区域按照在新重构图像中的从上到下的顺序，分别记为第一区域、第二区域以及第三区域；

然后，获取若干个新重构图像中的第一个新重构图像内，第一区域、第二区域以及第三区域中各自对应包含的所有新超像素区域的稳定性均值，分别记为第一区域、第二区域以及第三区域的基础稳定性；根据若干个新重构图像中除第一个新重构图像以外的新重构图像中新超像素区域的稳定性与基础稳定性之间的差异获得新超像素区域的差异值；

最后，将新超像素区域的差异值作为新超像素区域内像素点的差异值，则疑似变质图像中存在部分像素点对应多个差异值；以像素点的位置为横坐标，以像素点的差异值为纵坐标，绘制所有特殊重构图像中所有像素点形成的离散点图，并根据离散点图生成对应的箱线图，将箱线图中差异值位于箱线图的3/4分位以上或1/4分位以下的像素点记为异常点。

进一步的，所述根据若干个新重构图像中除第一个新重构图像以外的新重构图像中新超像素区域的稳定性与基础稳定性之间的差异获得新超像素区域的差异值，包括的具体步骤如下：

将若干个新重构图像中除第一个新重构图像以外的新重构图像记为特殊重构图像，获得若干个特殊重构图像，将任意特殊重构图像中第一区域的任意新超像素区域的稳定性与第一区域的基础稳定性的差值，记为对应新超像素区域的差异值，同样地，获得任意特殊重构图像中第二区域以及第三区域的任意新超像素区域的差异值。

进一步的，所述利用异常点完成婴幼儿食品安全视觉检测，包括的具体步骤如下：

首先，对疑似变质图像进行超像素分割，获得若干个超像素区域，依据超像素区域的特征向量利用K-means聚类算法对超像素区域进行聚类，获得若干个最终聚类簇，将所有像素点的平均灰度最小的最终聚类簇以外的最终聚类簇对应区域，按照在疑似变质图像中从上到下的顺序，分别记为最终第一区域、最终第二区域、最终第三区域；

然后，根据疑似变质图像中异常点的位置，将最终第一区域和最终第三区域中的异常点划分到最终第二区域，将最终第二区域中每一列的第一个像素点形成的区域记为上表面，将最终第二区域中每一列的最后一个像素点形成的区域记为下表面，获取最终第二区域中所有异常像素点与上表面和下表面之间的欧式距离，并利用线性归一化对所有欧氏距离进行归一化处理，记为异常点与上表面或下表面的归一化距离，将与上表面的归一化距离小于预设距离阈值的异常点划分到第一区域，将与下表面的归一化距离小于预设距离阈值的异常点划分到第三区域；

最后，获取最终第一区域、最终第二区域以及最终第三区域的面积之和记为变质面积，将变质面积与疑似变质图像的面积的比值记为变质概率，将变质概率大于预设的变质概率阈值时，则疑似变质图像对应的所冲泡的奶粉为变质奶粉，将变质奶粉同批次生产的奶粉销毁，使变质奶粉不流入市场。

本发明的技术方案的有益效果是：通过对奶粉样本冲泡后对应的奶液图像进行局部区域分析，结合对奶液图像进行多次图像重构，分析局部区域中像素点相对于区域的归属变化，准确获得发生变质后奶液图像中对应结絮、清液以及结块区域的各区域中的异常点，利用异常点的位置进行重新划分，对区域进行更新，并根据不同区域的面积实现对疑似变质图像对应奶粉样品是否变质的准确检测，并大大提高了利用多重奇异值进行重构图像的方法来实现视觉检测的准确性，进一步保障了婴幼儿食品安全。

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为本发明一种婴幼儿食品安全视觉检测方法的步骤流程图；

图2为奶液图像。

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婴幼儿食品安全视觉检测方法，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婴幼儿食品安全视觉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婴幼儿食品安全视觉检测方法的步骤流程图，该方法包括以下步骤：

步骤S001，获取奶液图像。

当奶粉发生变质，通常会出现结块的问题，在冲泡后仍然会存在部分奶粉不能溶解，形成结絮或结块，因此本实施例为了通过计算机视觉对奶粉质量进行检测，保证婴幼儿食品安全，首先需要将获取到的奶粉样品进行冲泡，获取冲泡后的图像。

将奶粉样品进行冲泡，冲泡完成后通过相机获取奶液图像，并对奶液图像进行灰度化处理，如图2所示。

至此，获得奶液图像。

步骤S002，获取奶液图像的重构图像中部分超像素区域形成的目标聚类簇，根据目标聚类簇的位置和平均灰度的大小获得目标聚类簇的异常程度，进一步获得疑似变质图像。

判断奶粉样本冲泡出的奶液是否变质，需要判断奶液是否出现分层现象，当瓶内上部出现大量的结絮同时瓶子底部出现大量结块时，且分层出现的清液较多，则奶粉出现了变质现象，当奶粉变质时冲泡的奶液从上到下的分布分别为结絮-清液-溶液-结块，因此在本实施例中首先需要判断冲泡的奶液是否出现分层。

另外，由于采光环境的影响，盛放奶液的透明玻璃瓶会出现反光，直接进行基于灰度值的分析会将反光区域误判为奶粉的溶液区域或者结絮区域，因此需要利用奇异值分解算法对奶液图像进行分解，获得若干奇异值，并利用分解后的多个奇异值对奶液图像进行重构，只保留奶液图像中的主要信息和结构，以便后续对反光区域进行模糊化处理。

步骤（1），首先，利用奇异值分解算法对奶液图像进行奇异值分解，获得若干个奇异值，选择预设参数个奇异值进行图像重构，获得重构图像。

需要说明的是，根据经验预设参数为5，可根据实际情况进行调整，本实施例不作具体限定。

然后，结合预设的超像素分割算法的种子点数量，利用超像素分割算法对重构图像进行分割，获得若干个超像素区域；

需要说明的是，根据经验预设超像素分割算法的种子点数量为100，可根据实际情况进行调整，本实施例不作具体限定。

最后，利用局部二值模式算法获取任意超像素区域的LBP值，并获取任意超像素区域在0°、45°、90°和135°方向上的灰度共生矩阵，根据灰度共生矩阵获取任意超像素区域在任意方向上的对比度、能量以及相关性，预设K-means聚类算法的值，根据超像素区域的LBP值、所有方向上的对比度、能量、相关性以及超像素区域质心所形成的特征向量，利用K-means聚类算法对所有超像素区域进行聚类，获得若干个聚类簇。

需要说明的是，超像素分割算法和K-means聚类算法均为现有算法，本实施例不过多赘述；

需要说明的是，由于奶液图像中，变质的奶粉冲泡后获得的奶液从上到下的分布分别为结絮-清液-溶液-结块4种区域，因此根据经验预设K-means聚类算法的值为4，可根据实际情况进行调整，本实施例不作具体限定。

步骤（2），获取任意聚类簇中所有像素点的平均灰度值，记为聚类簇的平均灰度；将平均灰度最小的聚类簇，记为目标聚类簇，判断目标聚类簇是否对应清液区域，具体过程为：

首先，获取目标聚类中每一列像素点中的第一个像素点，将所有列像素点中的第一个像素点形成的区域记为目标聚类簇的上边缘，获取目标聚类中每一列像素点中的最后一个像素点，将所有列像素点中的最后一个像素点形成的区域记为目标聚类簇的下边缘；

然后，利用语义分割神经网络获取奶液图像中奶粉冲泡后的奶液区域，获取奶液区域在奶液图像中纵轴方向上的长度，记为奶液高度，将奶液区域的每一列第一个像素点形成的区域记为奶液上边缘，将奶液区域的每一列最后一个像素点形成的区域记为奶液下边缘；

最后，将目标聚类簇的上边缘与奶液上边缘中所有列像素点之间欧式距离的平均值记为上距离；将目标聚类簇的下边缘与奶液下边缘中所有列像素点之间欧式距离的平均值记为下距离；设定第一参数和第二参数，当下距离或上距离大于时，其中/>为预设的超参数，/>表示奶液高度；设定第一参数或第二参数为1，当下距离或上距离小于等于时，设定第一参数或第二参数为0；获取目标聚类簇与其他聚类簇之间平均灰度的差值中的最大值，记为目标聚类簇的灰度差异，利用第一参数和第二参数对灰度差异进行调节，获得目标聚类簇的异常程度，具体计算方法为：

其中，表示目标聚类簇的异常程度；/>表示第一参数；/>表示第二参数；/>表示目标聚类簇的灰度差异；/>表示双曲正切函数，/>为预设的超参数。

需要说明的是，根据预设超参数为/>，预设超参数/>为0.01，超参数/>和/>均可根据实际情况进行调整，本实施例不作具体限定。

当冲泡好的奶液出现分层现象时，分层出的清液部分越清澈，代表其中包含的蛋白质和脂肪越少，说明分层程度越明显，反映在奶液图像中就是清液部分的灰度值越低，与其他区域的灰度值差异越明显。

为了判断是否存在奶液分层现象，更进一步的判断其分层的异常程度；第一参数和第二参数用于判断目标聚类簇对应的区域在奶液图像中，所处的空间位置是否满足奶粉变质后冲泡后清液部分的特点，当目标聚类簇的下边缘和奶液下边缘之间的距离，以及目标聚类簇的上边缘和奶液上边缘之间的距离，大于一定长度时，认为清液部分满足奶粉变质的条件，使第一参数和第二参数取值为1，否则为0。

目标聚类簇的灰度差异用于衡量目标聚类簇对应区域与其他聚类簇对应区域之间灰度的差异，如果灰度值差异较小，说明奶液图像没有明显的分层现象；如果灰度差异较大，则说明奶液图像中出现了明显的分层现象。

异常程度用于量化分层现象的程度，较高的异常程度表示分层现象较明显。

步骤（3），在异常程度大于预设的异常程度阈值时，奶液图像中存在分层现象，冲泡的奶液可能发生变质，反之，没有变质；当奶液发生变质时，进行后续步骤，否则停止分析，将可能发生变质的奶液图像，记为疑似变质图像。

异常程度越接近于1说明奶液图像中奶液的分层程度越明显。

需要说明的是，根据经验预设异常程度阈值为0.38，可根据实际情况进行调整，本实施例不作具体限定。

步骤S003，对疑似变质图像进行多次重构获得若干个新重构图像以及新重构图像中的新超像素区域，根据新超像素区域的圆形度和区域内像素点的灰度值获得稳定性，进一步获得异常点。

现有方法通过阈值分割判断奶液是否出现分层现象或奶液是否出现大量结块，但是阈值分割对于灰度过于接近的奶块和溶液之间不容易区分，因此，采用奇异值分解的方式获得多个重构图像，对多个重构图像进行超像素分割，分析除清液区域所对应目标超像素区域以外，其他聚类簇区域包括的超像素区域，判断结块和结絮的程度。

理想状况下，变质的奶粉冲泡后通常会形成结絮、清液、溶液以及结块四个区域，但是由于基于纹理特征和距离对超像素区域进行聚类，无法准确得到对应的区域；因此需要对奶液图像进行多次重构，获得准确的区域。

步骤（1），首先，以步长遍历区间/>内所有整数，将遍历到的整数记为参数，获得若干个不同的参数/>，其中/>、/>和/>为预设的超参数，即遍历过程中相邻两次遍历到的参数k2的差值为/>。

对于每个参数，选取/>个奇异值对疑似变质图像进行图像重构，获得每个参数对应的一个新重构图像；所有参数/>对应得到若干个新重构图像；

需要说明的是，根据经验预设超参数、/>和/>分别为5、50和5，可根据实际情况进行调整，本实施例不作具体限定。

另外，由于奇异值的数量越多，重构后的图像中纹理细节已经非常接近重构前的奶液图像，因此选取过大的奇异值数量进行图像重构没有意义。

步骤（2），首先，结合预设的超像素分割算法的种子点数量，利用超像素分割算法对任意新重构图像进行分割，将获得的若干个超像素区域记为新超像素区域，获取新超像素区域的特征向量，利用预设的K-means聚类算法的值，并结合K-means聚类算法对任意新重构图像的所有新超像素区域进行聚类，获得若干个新聚类簇，并获取新聚类簇中的新目标聚类簇，所述新目标聚类簇与目标聚类簇的获取方法相同，任意新重构图像中的新聚类簇的数量与/>值相同，且所有新重构图像的新聚类簇数量相同。

需要说明的是，本实施例中超像素分割算法的种子点数量以及K-means聚类算法的值与步骤S002中对应算法的参数相同，另外，特征向量对应的获取方法也与步骤S002中超像素区域的特征向量获取方法一致。

为了判断奶液是否出现变质情况，具体的在分析过程中，在发现奶液出现分层的基础上分析结絮和结块两类特征，进行变质情况的判断，同时变质的情况要依靠结块或结絮的程度进行判断。结絮和结块表现在图像中为与溶液区域的灰度近似的特点，同时带有复杂的局部纹理变化。

由于利用不同数量的奇异值重构得到的若干个新重构图像中，细节纹理的丢失的程度不同，因此，通过对新重构图像进行超像素分割，可以进一步根据超像素区域量化结絮和结块特征，便于进行更准确变质检测结果量化。

然后，新重构图像上同一位置的像素点在多个新重构图像上可能会隶属不同的超像素区域，对超像素区域进行稳定性分析，具体过程为：获取任意新重构图像中任意新超像素区域的圆形度以及所有像素点的灰度值的方差；

根据圆形度和新超像素区域内所有像素点的灰度值的方差获取新超像素区域的稳定性，具体计算方法为：

其中，表示第/>个新重构图像的第/>个新超像素区域的稳定性，/>表示第/>个新重构图像中第/>个新超像素区域内所有像素点的灰度值的方差；/>表示第/>个新重构图像中第/>个新超像素区域的圆形度。

获取新重构图像时所用奇异值的数量越少，新重构图像相对于奶液图像的细节丢失的就较多，但是丢失的细节多位于纹理复杂的区域，一般为结块和结絮，而纹理特征规则的位置则与原始图像差异较小，一般为溶液部分。

因此，新超像素区域的稳定性可以区分溶液区域和结块及结絮区域的纹理复杂度，进而对结块和结絮区域进行准确的提取，而不会被灰度值相近的像素干扰造成误划分。

分析图像可以发现，纹理特征复杂的区域多是奶液中出现在瓶顶的结絮或者瓶底的结块，因此通过不同数量的奇异值对疑似变质图像进行重构和超像素分割后，超像素区域的规则程度随着奇异值数量的增加产生的变化，可以对奶液、结絮以及结块区域的像素进行判断。

新超像素区域的圆形度可以评估新超像素区域的形状的规则程度；新超像素区域内所有像素点的灰度值的方差用来描述超像素区域内灰度值分布特征，新超像素区域的稳定性越大，新超像素区域的形状越规则且灰度值分布越离散，即存在一定的纹理特征。

最后，将除新目标聚类簇以外的其他聚类簇对应的区域按照在新重构图像中的从上到下的顺序，分别记为第一区域、第二区域以及第三区域；

需要说明的是，第一区域、第二区域以及第三区域分别对应一个除新目标聚类簇以外的其他聚类簇，由于本实施例在利用K-means聚类算法对超像素区域进行聚类时，预设K-means聚类算法的K值为4，因此对应存在第一区域、第二区域以及第三区域。

需要说明的是，第一区域、第二区域以及第三区域分别为奶液图像中的结絮区域、溶液区域以及结块区域。

步骤（3），首先，获取若干个新重构图像中的第一个新重构图像内，第一区域、第二区域以及第三区域中各自对应包含的所有新超像素区域的稳定性均值，分别记为第一区域、第二区域以及第三区域的基础稳定性；

然后，将若干个新重构图像中除第一个新重构图像以外的新重构图像记为特殊重构图像，获得若干个特殊重构图像，将任意特殊重构图像中第一区域的任意新超像素区域的稳定性与第一区域的基础稳定性的差值，记为对应新超像素区域的差异值，同样地，获得任意特殊重构图像中第二区域以及第三区域的任意新超像素区域的差异值；

最后，将新超像素区域的差异值作为新超像素区域内像素点的差异值，则疑似变质图像中存在部分像素点对应多个差异值；以像素点的位置为横坐标，以像素点的差异值为纵坐标，绘制所有特殊重构图像中所有像素点形成的离散点图，并根据离散点图生成对应的箱线图，将箱线图中差异值位于箱线图的3/4分位以上或1/4分位以下的像素点记为异常点。

至此，获得异常点。

步骤S004，利用异常点完成婴幼儿食品安全视觉检测。

首先，对疑似变质图像进行超像素分割，获得若干个超像素区域，并利用特征向量的获取方法，获取任意超像素区域的特征向量，根据特征向量结合K-means聚类算法对超像素区域进行聚类，获得若干个最终聚类簇，将所有像素点的平均灰度最小的最终聚类簇以外的最终聚类簇对应区域，按照在疑似变质图像中从上到下的顺序，分别记为最终第一区域、最终第二区域、最终第三区域；

然后，根据疑似变质图像中异常点的位置，将最终第一区域和最终第三区域中的异常点划分到最终第二区域，将最终第二区域中每一列的第一个像素点形成的区域记为上表面，将最终第二区域中每一列的最后一个像素点形成的区域记为下表面，获取最终第二区域中所有异常像素点与上表面和下表面之间的欧式距离，并利用线性归一化对所有欧氏距离进行归一化处理，记为异常点与上表面或下表面的归一化距离，将与上表面的归一化距离小于预设距离阈值的异常点划分到第一区域，将与下表面的归一化距离小于预设距离阈值的异常点划分到第三区域；

需要说明的是，根据经验预设距离阈值为0.2，可根据实际情况进行调整，本实施例不作具体限定。

最后，获取最终第一区域、最终第二区域以及最终第三区域的面积之和记为变质面积，将变质面积与疑似变质图像的面积的比值记为变质概率，将变质概率大于预设的变质概率阈值时，则疑似变质图像对应的所冲泡的奶粉为变质奶粉，将变质奶粉同批次生产的奶粉销毁，使变质奶粉不流入市场。

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，凡在本发明的精神和原则之内，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 (8)

1.一种婴幼儿食品安全视觉检测方法，其特征在于，该方法包括以下步骤：

获得奶液图像；

获取奶液图像的若干个奇异值，利用奇异值进行图像重构获得重构图像，获取重构图像中的若干个超像素区域，获取超像素区域的LBP值以及灰度共生矩阵，根据LBP值和灰度共生矩阵对重构图像中所有超像素区域进行聚类获得若干个聚类簇，将聚类簇中所有像素点的平均灰度最小的聚类簇记为目标聚类簇，根据目标聚类簇中像素点的位置获得目标聚类簇的异常程度，根据异常程度的大小获得疑似变质图像；

所述根据目标聚类簇中像素点的位置获得目标聚类簇的异常程度，包括的具体步骤如下：

首先，获取目标聚类中每一列像素点中的第一个像素点，将所有列像素点中的第一个像素点形成的区域记为目标聚类簇的上边缘，获取目标聚类中每一列像素点中的最后一个像素点，将所有列像素点中的最后一个像素点形成的区域记为目标聚类簇的下边缘；

然后，利用语义分割神经网络获取奶液图像中奶粉冲泡后的奶液区域，获取奶液区域在奶液图像中纵轴方向上的长度，记为奶液高度，将奶液区域的每一列第一个像素点形成的区域记为奶液上边缘，将奶液区域的每一列最后一个像素点形成的区域记为奶液下边缘；

最后，将目标聚类簇的上边缘与奶液上边缘中所有列像素点之间欧式距离的平均值记为上距离；将目标聚类簇的下边缘与奶液下边缘中所有列像素点之间欧式距离的平均值记为下距离；设定第一参数和第二参数，当下距离或上距离大于时，其中/>为预设的超参数，/>表示奶液高度，设定第一参数或第二参数为1；当下距离或上距离小于等于/>时，设定第一参数或第二参数为0；获取目标聚类簇与其他聚类簇之间平均灰度的差值中的最大值，记为目标聚类簇的灰度差异，利用第一参数和第二参数对灰度差异进行调节，获得目标聚类簇的异常程度，具体计算方法为：

其中，表示目标聚类簇的异常程度；/>表示第一参数；/>表示第二参数；/>表示目标聚类簇的灰度差异；/>表示双曲正切函数，/>为预设的超参数；

利用不同数量的奇异值对疑似变质图像进行图像重构获得若干个新重构图像，获取新重构图像中的超像素区域记为新超像素区域，获取新重构图像中的若干个新目标聚类簇，所述新目标聚类簇与目标聚类簇的获取方法相同；根据新超像素区域的圆形度和新超像素区域内所有像素点的灰度值获得新超像素区域的稳定性，根据新超像素区域之间稳定性的差异获得异常点；

所述根据新超像素区域的圆形度和新超像素区域内所有像素点的灰度值获得新超像素区域的稳定性，包括的具体步骤如下：

其中，表示第/>个新重构图像的第/>个新超像素区域的稳定性，/>表示第/>个新重构图像中第/>个新超像素区域内所有像素点的灰度值的方差；/>表示第/>个新重构图像中第/>个新超像素区域的圆形度；

利用异常点完成婴幼儿食品安全视觉检测。

2.根据权利要求1所述一种婴幼儿食品安全视觉检测方法，其特征在于，所述获取奶液图像的若干个奇异值，利用奇异值进行图像重构获得重构图像，获取重构图像中的若干个超像素区域，包括的具体步骤如下：

利用奇异值分解算法对奶液图像进行奇异值分解，获得若干个奇异值，选择预设参数个奇异值进行图像重构，获得重构图像；

结合预设的超像素分割算法的种子点数量，利用超像素分割算法对重构图像进行分割，获得若干个超像素区域。

3.根据权利要求1所述一种婴幼儿食品安全视觉检测方法，其特征在于，所述获取超像素区域的LBP值以及灰度共生矩阵，根据LBP值和灰度共生矩阵对重构图像中所有超像素区域进行聚类获得若干个聚类簇，包括的具体步骤如下：

利用局部二值模式算法获取任意超像素区域的LBP值，并获取任意超像素区域在0°、45°、90°和135°方向上的灰度共生矩阵，根据灰度共生矩阵获取任意超像素区域在任意方向上的对比度、能量以及相关性，预设K-means聚类算法的K值，将超像素区域的LBP值、所有方向上的对比度、能量、相关性以及超像素区域质心所形成的向量记为超像素区域的特征向量，依据超像素区域的特征向量利用K-means聚类算法对所有超像素区域进行聚类，获得若干个聚类簇。

4.根据权利要求1所述一种婴幼儿食品安全视觉检测方法，其特征在于，所述根据异常程度的大小获得疑似变质图像，包括的具体步骤如下：

在异常程度大于预设的异常程度阈值时，奶液图像中发生变质；反之，奶液图像中没有发生变质；

当发生变质时，将奶液图像记为疑似变质图像。

5.根据权利要求1所述一种婴幼儿食品安全视觉检测方法，其特征在于，所述利用不同数量的奇异值对疑似变质图像进行图像重构获得若干个新重构图像，包括的具体步骤如下：

以步长遍历区间/>内所有整数，将遍历到的整数记为参数/>，获得若干个不同的参数/>，其中/>、/>和/>为预设的超参数；

对于每个参数，选取/>个奇异值对疑似变质图像进行图像重构，获得每个参数/>对应的一个新重构图像；所有参数/>对应得到若干个新重构图像。

6.根据权利要求1所述一种婴幼儿食品安全视觉检测方法，其特征在于，所述根据新超像素区域之间稳定性的差异获得异常点，包括的具体步骤如下：

首先，将若干个新重构图像中除第一个新重构图像以外的新重构图像记为特殊重构图像，获得若干个特殊重构图像，将除新目标聚类簇以外的其他聚类簇对应的区域按照在新重构图像中的从上到下的顺序，分别记为第一区域、第二区域以及第三区域；

然后，获取若干个新重构图像中的第一个新重构图像内，第一区域、第二区域以及第三区域中各自对应包含的所有新超像素区域的稳定性均值，分别记为第一区域、第二区域以及第三区域的基础稳定性；根据若干个新重构图像中除第一个新重构图像以外的新重构图像中新超像素区域的稳定性与基础稳定性之间的差异获得新超像素区域的差异值；

最后，将新超像素区域的差异值作为新超像素区域内像素点的差异值，则疑似变质图像中存在部分像素点对应多个差异值；以像素点的位置为横坐标，以像素点的差异值为纵坐标，绘制所有特殊重构图像中所有像素点形成的离散点图，并根据离散点图生成对应的箱线图，将箱线图中差异值位于箱线图的3/4分位以上或1/4分位以下的像素点记为异常点。

7.根据权利要求6所述一种婴幼儿食品安全视觉检测方法，其特征在于，所述根据若干个新重构图像中除第一个新重构图像以外的新重构图像中新超像素区域的稳定性与基础稳定性之间的差异获得新超像素区域的差异值，包括的具体步骤如下：

将任意特殊重构图像中第一区域的任意新超像素区域的稳定性与第一区域的基础稳定性的差值，记为对应新超像素区域的差异值，同样地，获得任意特殊重构图像中第二区域以及第三区域的任意新超像素区域的差异值。

8.根据权利要求3所述一种婴幼儿食品安全视觉检测方法，其特征在于，所述利用异常点完成婴幼儿食品安全视觉检测，包括的具体步骤如下：

首先，对疑似变质图像进行超像素分割，获得若干个超像素区域，依据超像素区域的特征向量利用K-means聚类算法对超像素区域进行聚类，获得若干个最终聚类簇，将所有像素点的平均灰度最小的最终聚类簇以外的最终聚类簇对应区域，按照在疑似变质图像中从上到下的顺序，分别记为最终第一区域、最终第二区域、最终第三区域；

然后，根据疑似变质图像中异常点的位置，将最终第一区域和最终第三区域中的异常点划分到最终第二区域，将最终第二区域中每一列的第一个像素点形成的区域记为上表面，将最终第二区域中每一列的最后一个像素点形成的区域记为下表面，获取最终第二区域中所有异常像素点与上表面和下表面之间的欧式距离，并利用线性归一化对所有欧氏距离进行归一化处理，记为异常点与上表面或下表面的归一化距离，将与上表面的归一化距离小于预设距离阈值的异常点划分到第一区域，将与下表面的归一化距离小于预设距离阈值的异常点划分到第三区域；

最后，获取最终第一区域、最终第二区域以及最终第三区域的面积之和记为变质面积，将变质面积与疑似变质图像的面积的比值记为变质概率，将变质概率大于预设的变质概率阈值时，则疑似变质图像对应的所冲泡的奶粉为变质奶粉，将变质奶粉同批次生产的奶粉销毁，使变质奶粉不流入市场。