CN118096545B - 一种揉面杂质检测方法及*** - Google Patents

Abstract

本发明涉及图像处理技术领域，更具体地，本发明涉及一种揉面杂质检测方法及***，包括：获取当前面团的目标灰度图像；获取当前面团对应的前一次揉面后面团的第一灰度图像；采用DBSCAN算法对所述目标灰度图像和第一灰度图像分别进行分类，得到多个类别，并将属于同一类别中的像素点组成一个区域；根据各个类别的所述像素点数量和平均灰度值，计算得到目标灰度图像中各个类别为杂质的预测值。本发明通过获取加权之后的杂质对应灰度级的频率分布，进而获取每个灰度级的累积分布，然后采用经过优化的直方图均衡化方法对目标灰度图像增强，使得图像增强效果更好，最后利用OTSU算法对增强后的目标灰度图像进行阈值分割，得到杂质区域。

Description

一种揉面杂质检测方法及***

技术领域

本发明涉及图像处理技术领域。更具体地，本发明涉及揉面杂质检测方法及***。

背景技术

面食是人们日常生活中离不开的一类食物，而面食则是由面粉经过揉面之后得到，在小麦研磨成面粉后，由于研磨不充分或者其他原因，导致在揉面过程中，面团中会有小麦壳等杂质，不仅不卫生，还影响面团的质量、口感。因此，需要在揉面过程中对面团进行杂质检测，判断面团中是否含有杂质。

现有的图像增强方法都是基于图像整体进行增强，但由于麦壳杂质颗粒较小，分布分散且数量较少，基于图像整体进行增强有可能效果不明显，不能很好区分杂质区域和面团区域。

发明内容

本发明提供一种揉面杂质检测方法及***，旨在解决相关技术中麦壳杂质颗粒较小，分布分散且数量较少，基于图像整体进行增强有可能效果不明显，不能很好区分杂质区域和面团区域的问题。

在第一方面中，本发明提供了揉面杂质检测方法，包括：获取当前面团的目标灰度图像；获取当前面团对应的前一次揉面后面团的第一灰度图像；采用DBSCAN算法对所述目标灰度图像和第一灰度图像分别进行分类，得到多个类别，并将属于同一类别中的像素点组成一个区域；根据各个类别的所述像素点数量和平均灰度值，计算得到目标灰度图像中各个类别为杂质的预测值，计算公式为；其中，为所述目标灰度图像中第/>个类别为杂质的预测值，/>为所述目标灰度图像中第/>个类别的平均灰度值，/>为所述目标灰度图像中第/>个类别的像素点数量，/>为所述第一灰度图像中第/>个类别与目标灰度图像中第/>个类别的平均灰度值的差异，为所述第一灰度图像中第/>个类别与目标灰度图像中第/>个类别像素点数量差异；对于每一个类别，以其中最大的预测值作为该类别的概率值，进而获取所述目标灰度图像中所有类别对应的概率值，利用K-means聚类算法按概率值大小将区域分成两类，将概率值较大的类别判定为杂质区域；对所述目标灰度图像进行增强，以分割所述杂质区域。

在一实施例中，对所述目标灰度图像进行增强，包括：对所述目标灰度图像进行直方图均衡化；计算出杂质区域中像素点灰度值的平均值与除杂质区域外的其他像素点灰度值的平均值之间的差异值；响应于所述差异值低于预设阈值，则对直方图均衡化过程进行优化；采用优化后的直方图均衡化方法对所述目标灰度图像进行增强，对增强后的图像分割，以得到杂质区域。

在一实施例中，对直方图均衡化过程进行优化，包括：计算得到杂质像素点的权重和杂质对应的灰度级的权重；根据所述杂质对应的灰度级的权重，计算杂质对应的灰度级加权后出现的频率；获取每个灰度级加权后的累积分布，并对其直方图均衡化处理，得到增强后的图像。

在一实施例中，计算得到杂质像素点的权重，计算公式为：；其中，/>为杂质像素点的权重，/>为像素点为杂质的概率值，/>为对所述目标灰度图像均衡化后杂质区域像素点灰度值的平均值与其他区域的像素点灰度值的平均值之间的差异值。

在一实施例中，计算杂质对应的灰度级的权重，包括：获取杂质对应的灰度级中的其中一个灰度级，获取此灰度级中的所有像素点，并计算出此灰度级中的所有像素点的权重的平均值；对所述平均值进行归一化处理，归一化后的值表示为该灰度级的权重。

在一实施例中，计算杂质对应的灰度级加权后出现的频率，计算公式为：；其中，/>为加权之后杂质对应的第t个灰度级出现的频率，/>为第t个灰度级对应的像素点数量，/>为整个图像像素点总数量，/>为第t个灰度级的权重。

在一实施例中，计算所述差异值，计算公式为：；其中，/>为对所述目标灰度图像均衡化后杂质区域像素点灰度值的平均值与其他区域的像素点灰度值的平均值之间的差异值，/>表示杂质区域像素点灰度值的平均值，/>表示除杂质区域外其他区域像素点灰度值的平均值。

在一实施例中，包括：响应于所述差异值高于预设阈值，则不需要对直方图均衡化过程进行优化。

在一实施例中，包括：利用OTSU算法对增强后的图像进行阈值分割，得到杂质区域。

本发明第二方面，还提供了一种揉面杂质检测***，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序以实现以上任一项所述的揉面杂质检测方法。

有益效果：通过获取加权之后的杂质对应灰度级的频率分布，进而获取每个灰度级的累积分布，然后采用经过优化的直方图均衡化方法对目标灰度图像增强，使得图像增强效果更好，最后利用OTSU算法对增强后的目标灰度图像进行阈值分割，得到杂质区域。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示意性示出根据本发明的实施例的计算各类别概率值的流程图；

图2是示意性示出根据本发明的实施例的对图像进行增强的流程图；

图3是示意性示出根据本发明的实施例的优化直方图均衡化的流程图；

图4是示意性示出根据本发明的实施例的***结构图。

具体实施方式

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。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图来详细描述本发明的具体实施方式。

在一个实施例中，由于揉面的过程中面团的颜色偏白色，且灰度值较大，而其中的小麦壳杂质颜色偏黄色和褐色，灰度值偏小。但由于小麦壳杂质比较小，且数量可能较少，并且与面团表面的颜色区分不明显，二者灰度值偏差较小，导致面团表面灰度值整体偏大，亮度较亮。因此，为了准确检测出面团表面的杂质，需要先获取面团表面可能的杂质区域，以针对面团中的杂质进行分析。由于面团表面小麦壳杂质不仅区域小且灰度值较小，而经过揉面之后，如果出现杂质，杂质区域可能位置不同但大小及灰度值接近，根据此特征，可以判断出面团表面的杂质区域。

如图1所示，步骤S101：获取当前面团的目标灰度图像，获取当前面团对应的前一次揉面后面团的第一灰度图像。

在一个实施例中，使用相机连续采集两次揉面后的图像，获得两张图像，并且将这两张图像进行语义分割和灰度化处理后，得到目标灰度图像和第一灰度图像。其中，当前拍摄的面团图像为目标灰度图像，而当前面团对应的前一次揉面后面团的图像为第一灰度图像。需要说明的是，采用语义分割是为了将图像分为背景和面团表面分开，便于后续进行图像处理。

示例性的，使用相机采集到了第i次揉面后的图像和第i+1次揉面后的图像。那么，第i+1次揉面后的图像经过语义分割和灰度化处理后为目标灰度图像；第i次揉面后的图像经过语义分割和灰度化处理后为第一灰度图像。

关于步骤S102：采用DBSCAN算法对所述目标灰度图像和第一灰度图像分别进行分类，得到多个类别，并将属于同一类别中的像素点组成一个区域。

在一个实施例中，采用DBSCAN算法对所述目标灰度图像和第一灰度图像分别进行分类，得到多个类别，并同一个类别中的每一个像素点都赋予同一个编号，便于后续计算机对其进行处理。并将属于同一类别中的像素点组成一个区域。

在一个实施例中，因为杂质区域平均灰度值较小，且区域面积较小（像素点组成较少），而面团区域和揉面过程中面团表面形成的凹坑等区域面积较大，所以当某一区域平均灰度越小，且其本身面积越小（像素点数量较少），则此区域越有可能为杂质，且经过一次揉面之后，面团表面的杂质可能会消失，也可能出现在面团表面其他位置，但杂质区域的灰度和相对整个图像的面积大小基本不变，因此根据上述特征，可以计算出区域为杂质区域的概率值，概率值越大则为杂质区域的概率越大。

步骤S103：根据各个类别的所述像素点数量和平均灰度值，计算得到目标灰度图像中各个类别为杂质的预测值。

在一个实施例中，预测值的计算公式如下：

。

其中，为所述目标灰度图像中第/>个类别为杂质的预测值，/>为所述目标灰度图像中第/>个类别的平均灰度值，/>为所述目标灰度图像中第/>个类别的像素点数量，/>为所述第一灰度图像中第/>个类别与目标灰度图像中第/>个类别的平均灰度值的差异，/>为所述第一灰度图像中第/>个类别与目标灰度图像中第/>个类别像素点数量差异。

当目标灰度图像中第个类别本身灰度值较小，且面积较小，在第i+1次揉面之后所得目标灰度图像中为杂质区域的预测值较大，并且其与机器上一次揉面所得第一灰度图像中的某一个区域灰度值越接近且面积越接近，说明两个区域越有可能为同一区域，则此区域越符合杂质本身灰度和面积特征及揉面前后的变化特征，则计算出此区域为杂质的预测值就越大。

在一个实施例中，关于的计算公式为：/>。

其中，为所述第一灰度图像中第/>个类别与目标灰度图像中第/>个类别的平均灰度值的差异，/>表示第一灰度图像中第k个类别的平均灰度值，/>表示目标灰度图像中第p个类别的平均灰度值。

其中，第一灰度图像中第k个区域的平均灰度值与目标灰度图像中第p个区域的平均灰度值差距越小，说明两个区域的灰度值越接近，目标灰度图像中第p个区域与第一灰度图像中第k个区域为同一类型区域的可能性越大，越符合揉面前后杂质区域灰度接近这一特征。

在一个实施例中，关于的计算公式为：/>。

其中，为所述第一灰度图像中第/>个类别与目标灰度图像中第/>个类别像素点数量差异，/>表示第一灰度图像中第k个类别的像素点数量，/>表示目标灰度图像中第p个类别的像素点数量。

其中，越小，说明目标灰度图像中第p个区域的面积与第一灰度图像中第k个区域的面积越接近，那么两个区域为同一类型区域的可能性越大，越符合揉面前后杂质区域面积接近这一特征。

步骤S104：对于每一个类别，以其中最大的预测值作为该类别的概率值，进而获取所述目标灰度图像中所有类别对应的概率值，利用K-means聚类算法按概率值大小将区域分成两类，将概率值较大的类别判定为杂质区域。

示例性的，采用DBSCAN算法对目标灰度图像分类后得到第W个类别有5个，然后计算出这5个W类别的预测值，并按照从大到小依次排列，分别为：＞/>＞/>，然后取其中最大的预测值/>，将预测值/>作为第W个类别的概率值。

关于将概率值较大的类别判定为杂质区域：利用K-means聚类算法将区域分为两个类型，然后分别对两个类型内的概率值求取平均值，获取平均值最大的类形，将平均值最大的类形判定为杂质区域。例如，利用K-means聚类算法将区域分为第一类型和第二类型，其中，计算出第一类型中概率值的平均值为Y1，第二类型中概率值的平均值为Y2，若Y2大于Y1，则将第二类型中的类别判定为杂质区域。

步骤S105：对所述目标灰度图像进行增强，以分割所述杂质区域。

如图2所示，在一个实施例中，采用直方图均衡化方法对目标灰度图像进行增强，得到均衡化后的第二灰度图像，如果采用直方图均衡化方法对目标灰度图像增强后的效果高于预设阈值，则直接对第二灰度图像分割，得到杂质区域即可，关于对所述目标灰度图像进行增强的步骤如下：

步骤S1051：对所述目标灰度图像进行直方图均衡化。

在一个实施例中，采用直方图均衡化方法对目标灰度图像进行处理，得到增强后的第二灰度图像。

步骤S1052：计算出杂质区域中像素点灰度值的平均值与除杂质区域外的其他像素点灰度值的平均值之间的差异值。

在一个实施例中，计算出第二灰度图像中杂质区域中像素点灰度值的平均值，并计算出第二灰度图像中除杂质区域外的其他像素点灰度值的平均值，最后计算两者的差异值，差异值的计算公式为：。其中，/>为对所述目标灰度图像均衡化后杂质区域像素点灰度值的平均值与其他区域的像素点灰度值的平均值之间的差异值，/>表示杂质区域像素点灰度值的平均值，/>表示除杂质区域外其他区域像素点灰度值的平均值。

步骤S1053：响应于所述差异值低于预设阈值，则对直方图均衡化过程进行优化。

在一个实施例中，越大，表示第二灰度图像中杂质的平均灰度值与其他区域的平均灰度值的差距越大，则杂质与其他区域的对比度越大，图像的增强效果越好。当差异值高于预设阈值时，表示直方图均衡化效果较好，则不需要对直方图均衡化过程进行优化；当差异值低于预设阈值时，则表示直方图均衡化效果不好，需要对直方图均衡化过程进行优化。

步骤S1054：采用优化后的直方图均衡化方法对所述目标灰度图像进行增强，对增强后的图像分割，以得到杂质区域。

在一个实施例中，采用优化后的直方图均衡化方法对所述目标灰度图像进行增强，利用OTSU算法对增强后的图像进行阈值分割，得到杂质区域。

如图3所示，在一个实施例中，关于对直方图均衡化过程进行优化的方法如下：获取目标灰度图像的灰度直方图。按灰度级从小到大的顺序获取灰度直方图中某一灰度级，同时统计出此灰度级对应像素点数量和整个图像的像素点数量，二者的比值为此灰度级出现的频率，表示此灰度级在所有灰度级中的重要程度占比，而此灰度级对应的像素点数量越多，则此灰度级的重要程度越大，最后均衡化之后对应的灰度级越大。为了使均衡化效果更好，需要进一步增大对比度，进而需要使得杂质区域与其他区域的灰度级差距更大，因此杂质区域与其他区域灰度级差距越小，图像增强效果越不明显，则权重应该越大，使得下次图像增强效果更好。具体优化步骤如下：

步骤S201：计算得到杂质像素点的权重和杂质对应的灰度级的权重。

在一个实施例中，杂质像素点的权重的计算公式如下：；其中，/>为杂质像素点的权重，/>为像素点为杂质的概率值，/>为对所述目标灰度图像均衡化后杂质区域像素点灰度值的平均值与其他区域的像素点灰度值的平均值之间的差异值。概率值越大，此类别中的像素点为杂质的概率越大，同时/>越小，表示上次图像增强效果越不明显，则杂质像素点对应的权重越大。

在一个实施例中，获取杂质对应的灰度级中的其中一个灰度级，获取此灰度级中的所有像素点，并计算出此灰度级中的所有像素点的权重的平均值；对所述平均值进行归一化处理，归一化后的值表示为该灰度级的权重。

步骤S202：根据所述杂质对应的灰度级的权重，计算杂质对应的灰度级加权后出现的频率。

在一个实施例中，计算杂质对应的灰度级加权后出现的频率，计算公式为：；其中，/>为加权之后杂质对应的第t个灰度级出现的频率，/>为第t个灰度级对应的像素点数量，/>为整个图像像素点总数量，/>为第t个灰度级的权重。第t个灰度级归一化后的权重越大，则其加权之后对应的频率值越大。

步骤S203：获取每个灰度级加权后的累积分布，并对其直方图均衡化处理，得到增强后的图像。

在一个实施例中，获取加权之后的杂质对应灰度级的频率分布，进而获取每个灰度级的累积分布，然后采用经过优化的直方图均衡化方法对目标灰度图像增强，使得图像增强效果更好，最后利用OTSU算法对增强后的目标灰度图像进行阈值分割，得到杂质区域。

通过以上步骤，根据揉面过程中杂质的灰度值及揉面前后杂质的变化特征，判断出可能的杂质区域，进而采用直方图均衡化方法进行图像增强，判断图像增强效果，再对直方图均衡化过程进行优化，使得图像增强效果更好，以获取更好的杂质检测结果，使得揉面杂质检测结果更准确。

本发明还提供了一种揉面杂质检测***。如图4所示，所述***包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本发明第一方面所述的一种揉面杂质检测方法。

在一个实施例中，本发明提供了一种计算机设备，其内部结构可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力，可以选择CPU、单片机、DSP或者FPGA等各种品种。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。当计算机程序被执行时，可以完成上述方法实施例中所描述的步骤，例如S101-步骤S105。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种揉面杂质检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

所述***还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种揉面杂质检测方法，其特征在于，包括：

获取当前面团的目标灰度图像；

获取当前面团对应的前一次揉面后面团的第一灰度图像；

采用DBSCAN算法对所述目标灰度图像和第一灰度图像分别进行分类，得到多个类别，并将属于同一类别中的像素点组成一个区域；

根据各个类别的所述像素点数量和平均灰度值，计算得到目标灰度图像中各个类别为杂质的预测值，计算公式为：

；

其中，为所述目标灰度图像中第/>个类别为杂质的预测值，/>为所述目标灰度图像中第/>个类别的平均灰度值，/>为所述目标灰度图像中第/>个类别的像素点数量，/>为所述第一灰度图像中第/>个类别与目标灰度图像中第/>个类别的平均灰度值的差异，/>为所述第一灰度图像中第/>个类别与目标灰度图像中第/>个类别像素点数量差异；

对于每一个类别，以其中最大的预测值作为该类别的概率值，进而获取所述目标灰度图像中所有类别对应的概率值，利用K-means聚类算法按概率值大小将区域分成两类，将概率值较大的类别判定为杂质区域；

对所述目标灰度图像进行增强，以分割所述杂质区域。

2.根据权利要求1所述的揉面杂质检测方法，其特征在于，对所述目标灰度图像进行增强，包括：

对所述目标灰度图像进行直方图均衡化；

计算出杂质区域中像素点灰度值的平均值与除杂质区域外的其他像素点灰度值的平均值之间的差异值；

响应于所述差异值低于预设阈值，则对直方图均衡化过程进行优化；

采用优化后的直方图均衡化方法对所述目标灰度图像进行增强，对增强后的图像分割，以得到杂质区域。

3.根据权利要求2所述的揉面杂质检测方法，其特征在于，对直方图均衡化过程进行优化，包括：

计算得到杂质像素点的权重和杂质对应的灰度级的权重；

根据所述杂质对应的灰度级的权重，计算杂质对应的灰度级加权后出现的频率；

获取每个灰度级加权后的累积分布，并对其直方图均衡化处理，得到增强后的图像。

4.根据权利要求3所述的揉面杂质检测方法，其特征在于，计算得到杂质像素点的权重，计算公式为：

；

其中，为杂质像素点的权重，/>为像素点为杂质的概率值，/>为对所述目标灰度图像均衡化后杂质区域像素点灰度值的平均值与其他区域的像素点灰度值的平均值之间的差异值。

5.根据权利要求4所述的揉面杂质检测方法，其特征在于，计算杂质对应的灰度级的权重，包括：

获取杂质对应的灰度级中的其中一个灰度级，获取此灰度级中的所有像素点，并计算出此灰度级中的所有像素点的权重的平均值；

对所述平均值进行归一化处理，归一化后的值表示为该灰度级的权重。

6.根据权利要求5所述的揉面杂质检测方法，其特征在于，计算杂质对应的灰度级加权后出现的频率，计算公式为：

；

其中，为加权之后杂质对应的第t个灰度级出现的频率，/>为第t个灰度级对应的像素点数量，/>为整个图像像素点总数量，/>为第t个灰度级的权重。

7.根据权利要求2所述的揉面杂质检测方法，其特征在于，计算所述差异值，计算公式为：

；

其中，为对所述目标灰度图像均衡化后杂质区域像素点灰度值的平均值与其他区域的像素点灰度值的平均值之间的差异值，/>表示杂质区域像素点灰度值的平均值，/>表示除杂质区域外其他区域像素点灰度值的平均值。

8.根据权利要求2所述的揉面杂质检测方法，其特征在于，包括：

响应于所述差异值高于预设阈值，则不需要对直方图均衡化过程进行优化。

9.根据权利要求2所述的揉面杂质检测方法，其特征在于，对增强后的图像分割，包括：

利用OTSU算法对增强后的图像进行阈值分割，得到杂质区域。

10.一种揉面杂质检测***，包括处理器和存储器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1-9任一项所述的揉面杂质检测方法。