CN1749740A - 食品中异物的检测方法 - Google Patents
食品中异物的检测方法 Download PDFInfo
- Publication number
- CN1749740A CN1749740A CN 200410077816 CN200410077816A CN1749740A CN 1749740 A CN1749740 A CN 1749740A CN 200410077816 CN200410077816 CN 200410077816 CN 200410077816 A CN200410077816 A CN 200410077816A CN 1749740 A CN1749740 A CN 1749740A
- Authority
- CN
- China
- Prior art keywords
- image
- food
- peak
- foreign matter
- pixel
- 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
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种食品中异物的检测方法,其包括:采集被检食品的X射线图像;进行对比度增强处理;计算行灰度分布曲线中的峰的数量;获取结构宽度;获得模拟被检食品的无异物X射线图像;进行图像相减运算步骤,获得食品中异物目标图像。本发明采用数学形态学的运算来模拟正常食品的图像,然后再通过图像减影方式进行分割,从而可以快速地识别食品X射线图像中的异物目标,处理方法简单,可应用于在线检测。
Description
技术领域
本发明涉及一种食品中异物的检测方法,尤其是一种通过对食品的X射线图像进行运算处理,提取混入食品中异物图像的检测方法。
背景技术
目前,对于包装食品中混入异物的检测方法通常是利用X射线采集该食品的X射线图像,然后再通过人为干预,采用直接阈值或自适应阈值分割法,提取食品X射线图像中异物目标图像。
由于食品种类较多,而且可能混入的异物的种类、在食品中的位置形态具有不确定性,这就导致了传统提取异物目标图像的分割方法具有较大的难度,尤其是在阈值的预先设定和检测过程中的图像提取都需要加入过多的人为因素,需要检测人员具有较为丰富的实际经验,容易出现误分割目标的现象,因此,传统的通过提取异物图像对食品中异物的检测方法不仅缺乏准确性,而且不适合连续在线检测,无法满足现代化食品生产企业的作业要求。
发明内容
本发明所要解决的技术问题在于针对上述包装食品中异物目标图像的提取方法所存在的不足提供一种食品中异物的检测方法,该方法运用数学形态学对食品的X射线图像进行运算处理,能够方便的提取异物目标图像。
解决上述技术问题所采用的技术方案为一种食品中异物的检测方法,它由以下步骤组成:
步骤1:采集被检食品的X射线图像;
步骤2:对所采集的X射线图像进行对比度增强处理,获得增强图像;
步骤3:自动计算增强图像每一行的灰度分布曲线中的峰的数量;所述自动计算依照下述方法进行的:逐个选取任意像素点,并计算与该像素点相邻的两个像素点的灰度值,当所述相邻的两个像素点的灰度值同时小于或大于上述任意选取的像素点的灰度值时,该选取的像素点计为一个峰;
步骤4:利用所得到的峰的数量自动获取结构宽度;所述结构宽度的自动获取方法为:当峰的数量小于3时,自动将所述结构宽度设为3;当峰的数量大于3时,首先计算所有峰处像素的元素宽度;然后将最大的元素宽度作为所述的结构宽度;
步骤5:利用所述结构宽度进行形态学运算,获得模拟被检食品的无异物X射线图像;
步骤6:将步骤5获得的模拟图像与步骤2中处理后的图像进行图像相减运算,获得食品中异物目标图像,完成食品中异物检测。
由以上技术方案可以看出,本发明通过采用数学形态学的运算来模拟正常食品--即内部不存在异物的食品的图像,然后再通过图像减影方式进行分割,从而获得感兴趣的异物目标图像。本发明克服了传统的食品异物检测方法中存在的图像处理、提取困难以及误分割目标的不足,并将取得了良好的效果。
本发明的有益效果在于,可以快速地识别食品X射线图像中的异物目标,处理方法简单,可应用于在线检测,也可应用于其他图像处理领域的感兴趣目标识别和提取。
以下,通过具体实施方式并结合附图对本发明做进一步的详细说明。
附图说明
图1为本发明的流程示意图;
图2为本发明所涉及一个具体实施例中一个图像行的灰度曲线。
具体实施方式
当利用本发明所提供的方法对可能混有金属异物的食品进行检测时,其过程如图1所示的流程,其过程如下:
步骤1:采集被检食品的X射线图像。
将待检测包装食品以一定的匀速运动通过检测器,设定检测器分辨率为0.5mm×0.5mm,当待检测包装食品处于检测器的正上方0.5mm宽度范围内,其通过部分被扫描成像。此时,X射线扫描的积分时间为Tint,检测器像素分辨率宽度为Spixel,扫描次数位Ns,传送带运动速度位Vs,各参数之间存在的关系式为:
在这一采集过程中,采用逐行多次扫描后取平均值的方法获得被检食品的降噪声X射线图像。
步骤2:对采集的X射线图像进行对比度增强处理,获得增强图像。
X射线图像的对比度增强可以依据以下算式进行比度增强处理:
其中:g(x,y)为变换后的灰度;f(x,y)为变换前的灰度值,Gb,Ga分别为变换后的灰度最大值和最小值,Fb,Fa为变换前灰度最大值和最小值。
步骤3:自动计算增强图像每一行的灰度分布曲线中的峰的数量。由于金属异物对X射线的阻挡较大,造成图像行的灰度分布呈现不均匀,其灰度分布呈曲线状。在曲线中存在多个峰。峰的计算方式为:逐个选取任意像素点,并计算与该像素点相邻的两个像素点的灰度值,当相邻的两个像素点的灰度值同时小于或大于上述任意选取的像素点的灰度值时,该选取的像素点计为一个峰。
图2所示为一个X射线图像中某一行的灰度分布曲线,从图中可以看出共有4个峰,每个峰所在像素点的相邻两个像素点的灰度值都同时小于该像素点的灰度值,因此,该图像行峰的数量为4。
步骤4:根据得到的峰的数量自动获取结构宽度。
结构宽度的自动获取方法为:当峰的数量小于3时,自动将所述结构宽度设为3;当峰的数量大于3时,依照以下算式首先计算所有峰处像素的元素宽度:
Width(i,k)=|m-k|,if|Peak(i,m)-f(i,k)|<ε
其中,f(i,k)是距峰处像素Peak(i,m)处最近的像素点;
ε是一个趋近于0的数字;
Width(i,k)即为该峰像素的元素宽度。
在完成计算后,将最大的元素宽度作为所述的结构宽度。
步骤5:利用所述结构宽度进行形态学运算,获得模拟被检食品的无异物X射线图像。
步骤6:对步骤4获得的模拟图像与步骤2中处理后的图像进行图像相减运算,并按照事先设定的阈值对相减运算后获得的图像进行分割而获得精确的食品中异物目标图像,完成食品中异物检测。
由于X射线对不同异物的穿透能力不同,因此,图像的行灰度分布曲线中的峰可以呈现波峰或波谷。在图线中表现为曲线的上凸或者曲线的下凹。在利用形态学运算进行处理时,结构开运算能将灰度曲线上凸的部分去除保留凹的部分,闭运算正好与开运算相反。
为消除波峰或波谷而采用的形态学运算包括结构闭运算或结构开运算。
结构闭运算由数学形态学先膨胀后腐蚀运算得到,其运算式为:
膨胀运算依式[fgs](x)=max(f(i-v),...f(i),...f(f+v))进行;
腐蚀运算依式[fΘgs](x)=min(f(i-v),...f(i),…f(i+v))进行;
结构开运算为:[fΘgsg](x)。
上述各运算式中,v是结构宽度,i为运算中心像素点位置。
食品中混入的金属通常在灰度曲线中表现为凹部分,故使用结构开运算保留上凸部分去除凹部分从而模拟出正常图像。
如果食品中混入塑料之类密度远小于食品密度的异物,则使用结构闭运算来模拟不含异物的食品图像。
上述图像处理的运算过程完全是通过计算机进行自动运算处理,在开始检测时,只需要人工根据需要检测的异物项目预先设定计算参数以及阈值,就可以实现整个检测过程的全部自动化。
最后所应说明的是:以上实施例仅用以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1、一种食品中异物的检测方法,其特征在于包括以下步骤:
步骤1:采集被检食品的X射线图像;
步骤2:对所采集的X射线图像进行对比度增强处理,获得增强图像;
步骤3:自动计算增强图像每一行的灰度分布曲线中的峰的数量;所述自动计算依下述方法进行:逐个选取任意像素点,并计算与该像素点相邻的两个像素点的灰度值,当所述相邻的两个像素点的灰度值同时小于或大于上述任意选取的像素点的灰度值时,该选取的像素点计为一个峰;
步骤4:利用自动计算得到的所述峰的数量自动获取结构宽度;所述结构宽度的自动获取方法为:当峰的数量小于3时,自动将所述结构宽度设为3;当峰的数量大于3时,依照以下算式首先计算所有峰处像素的元素宽度:
Width(i,k)=|m-k|,if|Peak(i,m)-f(i,k)|<ε
其中,f(i,k)是距峰处像素Peak(i,m)处最近的像素点,ε是一个趋近于0的数字,Width(i,k)即为该峰像素的元素宽度;然后将最大的元素宽度作为所述的结构宽度;
步骤5:利用所述结构宽度进行形态学运算,获得模拟被检食品的无异物X射线图像;
步骤6:将步骤5获得的模拟图像与步骤2中处理后的图像进行图像相减运算,获得食品中异物目标图像,完成食品中异物检测。
2、根据权利要求1所述的方法,其特征在于:所述的步骤1是采用逐行多次扫描后取平均值的方法获得被检食品的降噪声X射线图像。
3、根据权利要求1所述的方法,其特征在于:所述的步骤2依据以下算式进行比度增强处理:
其中:g(x,y)为变换后的灰度;f(x,y)为变换前的灰度值,Gb,Ga分别为变换后的灰度最大值和最小值,Fb,Fa为变换前灰度最大值和最小值。
4、根据权利要求1或2或3所述的方法,其特征在于:所述的步骤4中的峰为灰度分布曲线中所呈现的波峰或波谷。
5、根据权利要求1所述的方法,其特征在于:所述的步骤5的形态学运算为结构闭运算或结构开运算;所述结构闭运算由数学形态学先膨胀后腐蚀运算得到,
膨胀运算依式[fgs](x)=max(f(i-v),...f(i),...f(i+v))进行;
腐蚀运算依式[fΘgs](x)=min(f(i-v),...f(i),...f(i+v))进行;
所述结构开运算为:[fΘgsg](x)
上述各运算式中,v是结构宽度,i为运算中心像素点的位置。
6、根据权利要求1或2或3或5所述的方法,其特征在于:所述的步骤6中还增设有按照事先设定的阈值对相减运算后获得的图像进行分割而获得精确的食品中异物目标图像的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100778160A CN100472206C (zh) | 2004-09-15 | 2004-09-15 | 食品中异物的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100778160A CN100472206C (zh) | 2004-09-15 | 2004-09-15 | 食品中异物的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1749740A true CN1749740A (zh) | 2006-03-22 |
CN100472206C CN100472206C (zh) | 2009-03-25 |
Family
ID=36605305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2004100778160A Expired - Fee Related CN100472206C (zh) | 2004-09-15 | 2004-09-15 | 食品中异物的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100472206C (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101435783B (zh) * | 2007-11-15 | 2011-01-26 | 同方威视技术股份有限公司 | 物质识别方法和设备 |
CN101655466B (zh) * | 2009-09-22 | 2011-10-26 | 江苏联众肠衣有限公司 | 一种异物在线检测仪 |
CN101675457B (zh) * | 2007-05-14 | 2012-05-30 | 伊利诺斯工具制品有限公司 | X射线成像 |
CN104568956A (zh) * | 2013-10-12 | 2015-04-29 | 上海掌迪自动化科技有限公司 | 基于机器视觉的带钢表面缺陷的检测方法 |
CN105403675A (zh) * | 2014-09-15 | 2016-03-16 | 南京农业大学 | 一种食品异物检测装置 |
CN107292888B (zh) * | 2016-03-31 | 2019-11-05 | 合肥美亚光电技术股份有限公司 | 待测物中屏蔽区域的获取方法、装置以及检测*** |
-
2004
- 2004-09-15 CN CNB2004100778160A patent/CN100472206C/zh not_active Expired - Fee Related
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101675457B (zh) * | 2007-05-14 | 2012-05-30 | 伊利诺斯工具制品有限公司 | X射线成像 |
US8712107B2 (en) | 2007-05-14 | 2014-04-29 | Illinois Tool Works Inc. | X-ray imaging |
CN101435783B (zh) * | 2007-11-15 | 2011-01-26 | 同方威视技术股份有限公司 | 物质识别方法和设备 |
CN101655466B (zh) * | 2009-09-22 | 2011-10-26 | 江苏联众肠衣有限公司 | 一种异物在线检测仪 |
CN104568956A (zh) * | 2013-10-12 | 2015-04-29 | 上海掌迪自动化科技有限公司 | 基于机器视觉的带钢表面缺陷的检测方法 |
CN104568956B (zh) * | 2013-10-12 | 2017-06-30 | 上海掌迪自动化科技有限公司 | 基于机器视觉的带钢表面缺陷的检测方法 |
CN105403675A (zh) * | 2014-09-15 | 2016-03-16 | 南京农业大学 | 一种食品异物检测装置 |
CN107292888B (zh) * | 2016-03-31 | 2019-11-05 | 合肥美亚光电技术股份有限公司 | 待测物中屏蔽区域的获取方法、装置以及检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN100472206C (zh) | 2009-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717888B (zh) | 一种血管内光学相干层析成像血管壁内轮廓自动识别方法 | |
CN100351853C (zh) | 高噪声图像特征点自动提取方法 | |
CN103364315B (zh) | 一种烧结固体燃料粒度在线检测方法及检测装置 | |
CN114708325A (zh) | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 | |
CN110889807B (zh) | 一种通道式x射线安检设备图像处理方法 | |
CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
CN110910367A (zh) | 生物反应器细胞培养质量评价方法 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN1749740A (zh) | 食品中异物的检测方法 | |
CN111192251A (zh) | 基于水平集图像分割的卵泡超声处理方法和*** | |
CN112233111A (zh) | 一种基于数字图像处理的隧道缝隙检测方法 | |
CN109410205A (zh) | 一种复杂路面背景下的裂缝提取方法 | |
CN110455923B (zh) | 一种锚杆锚固质量等级快速评价方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN116441031A (zh) | 一种焚烧垃圾炉渣的智能化破碎*** | |
CN113487563A (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
CN116342586A (zh) | 基于机器视觉的路面质量检测方法 | |
CN116935496B (zh) | 一种电子烟烟雾视觉检测方法 | |
CN1595957A (zh) | 医学影像坏点自动检测门限确定方法 | |
CN103942792B (zh) | 医药检测机器人中基于序列图像时域特征的杂质检测方法 | |
CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
CN1719238A (zh) | 一种苹果内部品质的无损检测方法 | |
Chang et al. | The judgment of beef marble texture based on the MATLAB image processing technology | |
CN110111319B (zh) | 一种基于视频图像的猪舍地面洁净度评价方法 | |
CN1641341A (zh) | 烟草大中片率检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090325 Termination date: 20110915 |