鸡蛋品质检测系统的图像处理技术研究
基于图像处理技术的食品质量检测研究

基于图像处理技术的食品质量检测研究食品作为人们日常重要的生活物品之一,其质量的保证和检测是引起人们广泛关注的问题。
传统的食品质量检测手段通常需要借助人工操作和化学分析等方式,其操作费时且成本较高。
随着科学技术的不断发展,基于图像处理技术的食品质量检测方法成为了一种新型的检测手段,其具有操作简便、检测速度快、不受样品数量限制等优点。
本文将从基本原理和技术手段两个方面对基于图像处理技术的食品质量检测进行介绍。
一、基本原理基于图像处理技术的食品质量检测是基于数字图像的分析和处理,其主要原理是通过数字摄像头将食品样品的图像采集下来,然后通过计算机对图像进行分析和处理,从而得到样品的相关信息,如长度、形状、颜色等。
二、技术手段1.图像采集技术图像采集技术是基于数字摄像头对食品样品进行图像的采集和预处理,其主要包括图像对比度、明亮度、色调、饱和度等进行调整。
在图像采集过程中,还需要注意采集环境的影响,如光线均衡、反射等问题。
2.图像分析技术图像分析技术是基于计算机对采集的食品图像进行数字化处理和分析,其主要包括图像预处理、特征提取、分类识别等内容。
其中图像预处理主要是对图像采集过程中的噪声、失真、模糊等问题进行优化和处理,以减少处理误差。
特征提取是指从图像中提取出具有代表性的特征点,如形状、颜色、纹理等特征,以帮助我们进行质量检测。
而分类识别是通过计算机对特征点进行分析和计算,从而对样品进行分类和识别。
3.神经网络技术神经网络技术是一种模拟生物神经网络的计算机技术,主要用于人工智能和模式识别方面,并被广泛应用于食品质量检测中。
神经网络技术在食品质量检测中能够有效地对样品的特征识别和分类进行分析和处理,以提高食品质量检测的准确性和速度。
三、应用范围基于图像处理技术的食品质量检测已经被广泛应用于生产和加工过程中,其应用范围主要包括以下几个方面:1.水果质量检测基于图像处理技术的水果质量检测主要是通过采集水果图像进行颜色、纹理、形状等特征的分析和处理,从而对水果质量进行检测和分类。
基于机器视觉的鸡蛋胚胎成活性检测与分拣系统探讨

可以对 图像进行 有效 的增 强增强 的处 理 。 另外 , 基 于变换域 的
图像处理方法 , 能够将 图像转换 到某一域 内进行表示 , 并通 过
作 者简介 : 张琰 ( 1 9 8 1 一 ) , 女, 江 苏无锡人 , 硕 士研 究生 , 讲师, 研究 方
张 琰
( 武 昌工 学 院 , 江苏 无锡 4 3 0 0 6 5 )
摘 要: 当前 , 流感疫 苗的制备技 术水平正逐 步提 升 , 一般 采用在鸡蛋胚胎 中培养 病毒 的方式。 在病毒 的采用过程 中, 坏死胚胎的
剔 除工作 对疫 苗的制 作具有至关重要 的影 响。 机 器视觉的鸡蛋胚胎成 活性检测与分拣 系统所具有 的强度低 、 高效率以及 高精度
对流感疫 苗的安 全保 障具有重要作用 。 文章通过 对 系统环境进行分析 , 对建立鸡蛋胚胎成活性检测 与分拣 系统的各要 素进行 了
探讨 , 最后提 出几 点思考 与建议 。
关键词 : 机 器视 觉; 鸡 蛋胚胎 成活性检 测 ; 分拣 ; 系统 ; 思考
中图分类号 : T P 3 9 I . 4 1 文 献标识码 : A 文章编号: 1 0 0 6 — 8 9 3 7 ( 2 0 1 5 ) 2 9 - - 0 0 0 1 - 0 2
波的使 用过程 中 , 对 图像 的中心像素点邻域 中所有像 素灰度值
进行有效排序 , 从而找 出其 中的中间值 , 并利用此 中问值替换
1 . 2 图像 采 集
系统在进行 图像上 的采集过程 中, 无 法根 据个体 之间的差 异进行精确分析 , 从 而在一定 程度上 造成 了检测结 构的精 准度 下降 。 在 实际生产 中, 检测对象多为动态群体, 使 图像 的采集 、 处
基于机器视觉的禽蛋图像分割方法研究

判断基本一致。孙炀等运用分裂一 合并算法对图像进
行 区域 分割 ,并 比其 他算 法 比较 ,结果 表 明该 法在
度 、高 信 噪 比 ,镜 采 集 卡 ;光 源 为环 形 日光灯 ;视 E E1 9a
sp t d t is.Th e ut h wed t a e —i ft e s me t t l r h wa oo d t e os an san e rs l s o s h tr al me o h eg n a i ago i m s g d an h t on t
Fn l i al h wo n w mag y,t e t e i es wer y c e ie o f m e i a e b m a u in t c niu s e s n r t d t or a n w m g y i ge f so e h q e .Th z e alor h a ov o d o t n s gmen e m a esw i e be e g n lars ra e if mat n o r g i m b e c ul b ai e t t d i g t lgil d e a d ce u f c n or h i fdiy o t
别 、分 析 的关 键 技 术 之 一 ,从 图像 中把 有 关 结 构
区域 分 离 出 来 是 图像 处 理 识 别 首 要 解 决 的 问 题 , 同时 分 割 效 果 的好 坏 直 接 影 响 图像 处 理 中其
收 稿 日期 :2 1—1— 7 00 20
基 金 项 目 :内蒙 古 自治 区 自然 科 学 基 金项 目(0 9 0 0 ) 内蒙 古 自治 区 高 等 学 校 科 学 研 究 项 目 ( J9 5 ) 20 MS 9 6 ; N 0 0 0 作 者 简 介 :贾 超 (9 4 ,男 ,硕 士 研 究 生 ,研 究 方 向 为 图 像 处 理 ,模 式 识 别 。 E malhl iou @16 C/ 18 一) — i ei ax e 2 . Ol : x / 通 讯 作 者 :郁 志宏 ,教 授 ,研 究方 向 为 图像 处 理 ,模 式 识 别 。 E ma :zy @sh .o — i yh q o u cr l n
基于计算机视觉的禽蛋裂纹识别技术

CATALOGUE目录•引言•计算机视觉技术概述•基于计算机视觉的禽蛋裂纹识别技术方案•技术方案实现与实验验证•基于计算机视觉的禽蛋裂纹识别技术应用前景与展望•参考文献研究背景与意义裂纹问题的危害传统检测方法的局限性禽蛋产业的重要性计算机视觉技术的快速发展国内外研究现状研究现状与问题研究内容明确提出本研究的主要研究内容,包括开发一种基于计算机视觉技术的禽蛋裂纹自动识别系统,解决传统检测方法的不足。
研究方法介绍本研究采用的研究方法和技术路线,包括图像采集、预处理、特征提取和分类等步骤。
研究内容与方法计算机视觉的基本原理计算机视觉的基本原理是通过对图像进行采集、处理和分析,实现对客观世界的感知和理解。
它结合了图像处理、机器学习、模式识别等多个领域的技术,能够实现对图像的自动解释和分类。
计算机视觉的基本流程包括图像采集、预处理、特征提取和分类等步骤。
通过对图像进行采集和预处理,可以去除噪声和干扰,提高图像质量。
然后,通过特征提取技术,提取出图像中的关键特征,用于区分不同的物体或类别。
最后,利用分类算法对提取的特征进行分类,实现对图像的识别和理解。
•计算机视觉的应用领域非常广泛,包括工业自动化、智能交通、医疗诊断、安全监控等。
在工业自动化领域,计算机视觉技术可以用于实现自动化生产线上的质量检测、物品分类、目标识别等任务。
在智能交通领域,计算机视觉技术可以用于实现车辆检测、交通拥堵分析和道路状况评估等任务。
在医疗诊断领域,计算机视觉技术可以用于实现医学影像分析、疾病诊断和治疗等任务。
在安全监控领域,计算机视觉技术可以用于实现人脸识别、行为分析、异常检测等任务。
计算机视觉的主要应用领域计算机视觉在禽蛋裂纹识别中的应用目的方法技术方案概述数据采集与预处理数据采集图像预处理从预处理后的图像中提取与裂纹相关的特征,包括裂纹的颜色、形状、纹理等特征。
特征选择采用主成分分析(PCA)等方法对特征进行降维和选择,以提高模型的泛化能力和效率。
基于图像处理的食品安全检测技术研究

基于图像处理的食品安全检测技术研究一、引言随着人们生活水平的提高和食品工业的快速发展,对食品质量的关注日益增加。
在过去,人们通过观察食品的色泽、气味、口感等来判断食品的质量,但这种方法有时很难准确地检测出食品的安全性。
近年来,基于图像处理的食品安全检测技术应运而生,它能够自动化地检测食品的质量和安全性,为食品工业提供了更加可靠、高效和准确的监测手段。
二、图像处理技术在食品安全检测中的应用1. 食品瑕疵检测通过利用数字图像处理技术,可以准确地检测食品中的各种异物、虫蛀、腐烂和污渍等瑕疵。
通过将图像转换为数字信号,再进行滤波、边缘检测、二值化等处理,可以将瑕疵部位区分出来,并进行有效的分类和识别。
2. 食品分类检测基于图像处理的食品分类方法主要是通过对图像的特征提取和分析来进行,可分为色彩特征、形状特征、纹理特征和光学特征等几种常见的方法。
这种检测方法不仅可以有效地区分不同种类和品质的食品,还可以实现对食品的定量分析和评价。
3. 食品安全检测基于图像处理的食品安全检测主要是通过对食品瑕疵、混杂物、异味等进行自动化诊断和检测。
可以利用图像分析技术,将食品中的各种病菌、有毒有害物质等进行有效识别和定量分析,提高了食品安全的保障水平。
三、基于图像处理的食品安全检测技术的发展现状与趋势1. 发展现状目前,基于图像处理的食品安全检测技术已得到广泛应用。
如水果瑕疵检测、坏苹果检测、食品纹理检测等。
同时,随着机器学习、人工智能等技术的不断发展,图像处理技术在食品安全领域的应用前景更加广阔。
2. 发展趋势未来,基于图像处理的食品安全检测技术将向智能化、自适应化、便携化、高效化和多功能化方向发展。
比如利用智能算法、深度学习等技术,提高识别精度和稳定性;开发便携式检测设备,适应食品安全监测的实时性和快速性要求。
四、基于图像处理的食品安全检测技术存在的问题及应对措施1. 数据集缺乏问题基于图像处理的食品安全检测技术需要大量的样本数据集,但目前数据集的规模和覆盖面还不够大,结果会受到过拟合等问题的影响。
动态图像采集在鸡蛋品质检测中的应用

动态图像采集在鸡蛋品质检测中的应用刘欣;郁志宏【摘要】图像采集是利用机器视觉对禽蛋品质检测的第一步.为了满足自动化的需求,提出了一种基于DirectShow技术的鸡蛋动态图像采集的方法,介绍图像采集系统的构成以及动态鸡蛋图像采集的实现,为今后研究鸡蛋品质检测指明了方向.【期刊名称】《农机化研究》【年(卷),期】2009(031)009【总页数】3页(P197-199)【关键词】图像采集;DirectShow;鸡蛋品质【作者】刘欣;郁志宏【作者单位】内蒙古农业大学,机电工程学院,呼和浩特,010018;内蒙古农业大学,机电工程学院,呼和浩特,010018【正文语种】中文【中图分类】TP391.410 引言无论从生产还是消费上来看,禽蛋在我国一直占有重要的地位,从1985年至今,禽蛋产量一直位居世界第一,人均占有量也大大超过了世界平均水平[1]。
然而我国禽蛋的出口量却逐年下滑,主要原因是我国没有一套完整的禽蛋清洗、检测和分级加工等一条龙的技术保障。
通过学习,了解到目前国外对禽蛋品质检测的方法主要有以下4种:一是利用声学特性进行禽蛋品质检测;二是利用光学特性进行禽蛋品质检测;三是利用动力学特性进行禽蛋品质检测;四是利用机器视觉对禽蛋品质进行检测。
其中,机器视觉在农产品品质检测中应用最为广泛。
随着通讯技术、多媒体与计算机视觉技术的迅速发展,视频图像的实时采集已成为研究的热点之一,它是图像实时处理的前提条件。
DirectShow对流媒体的捕捉、回放提供了强大的支持,使用它还可以在基于WDM驱动或VFW驱动的采集卡上进行数据捕捉。
针对以上优点,建立了基于DirectShow的鸡蛋动态图像采集系统,为今后实现禽蛋品质在线自动检测与分级提供重要依据。
1 DirectShow技术简介DirectShow是DirectX家族中的一位成员,DirectShow为Windows平台处理各种格式的媒体文件播放、音视频采集等高性能要求的多媒体应用提供了完整的解决方案。
基于计算机视觉的鸡蛋污斑检测
表 2 标准鸡蛋样品检测准确率 (N = 223) Tab. 2 De tecting accu racy for standard egg
samp le (N = 223)
数目 N 判断准确个数 判断错误个数
准确率 /% 误判率 /% 总体准确率 /% 总体误判率 /%
干净鸡蛋
污斑鸡蛋
115
108
S4
0% S 4% 0. 001 5
0. 000 3% S 4% 0. 076 5
从表 1可以看出, 由于图像噪声的干扰, 干净鸡 蛋图像存在一些区域的像素点数超过 25, 使得干净 鸡蛋有可能被误判为污斑鸡蛋. 而污斑鸡蛋中也存 在一些由于污斑的面积过小使得污斑鸡蛋的 S3, S4 存在与干净鸡蛋重叠的部分. 研究中可以利用 S3 和 S4 作为判别污斑蛋和干净蛋的参数, 但由于 S3 受图 像采集环境的影响比较大, 实际生产中使用不方便, 而利用 S4 (比值 )作为判别参数可以较好地消除环 境的影响, 而且实际生产中通用性较强 [ 11 ] . 为了最 大限度保证鸡蛋的食品安全, 故需要尽可能挑出污 斑蛋, 故设 置 S4 ∃ 0. 03% 作为判别 污斑鸡 蛋的阈 值. 对于建立分级算法用的第一批鸡蛋测试准确率 如表 2所示.
水平的提高, 人们对禽蛋的品质要求越来越高, 追求 新鲜、卫生、营养和品牌是消费的必然趋势, 因此有 效地剔除出表面含污物的禽蛋显得十分重要. 而传 统的人工检测禽蛋表面污斑存在着如工人判断的主 观性, 易造成视觉疲劳等缺点, 使得效率低且准确性 差, 已不能满足现代化工业生产需要. 计算机视觉技 术可以模拟人眼的功能, 并可以自动快速无损检测, 在农产品品质的检测中得到了广泛的应用 [ 2- 10] , 而 国内外对禽蛋表面污斑的 自动检测研究则 未见报
高准确率的蛋类光电检验机械算法设计与优化
高准确率的蛋类光电检验机械算法设计与优化蛋类作为人类日常生活中重要的食品之一,其质量和安全问题一直备受关注。
为了确保蛋类产品的质量,光电检验机械在蛋类生产线上得到了广泛应用。
高准确率的蛋类光电检验机械算法设计与优化是保证蛋类产品质量的重要环节。
蛋类光电检验机械主要通过光学传感器获取蛋壳的信息,然后利用算法对蛋壳的外观和质量进行检测。
设计高准确率的蛋类光电检验机械算法需要考虑以下几个方面:光学传感器的选择、特征提取和分类算法的设计。
首先,光学传感器的选择对蛋类光电检验机械的性能和准确率有着重要影响。
常见的光学传感器包括相机、激光扫描仪和光电二极管等。
相机是蛋类光电检验机械中最常用的光学传感器,它可以获取高质量的图像信息,但其成本较高。
激光扫描仪可以获取蛋壳的三维形状信息,但对于大规模的蛋类生产线来说,激光扫描仪成本较高并且实时性不高。
光电二极管是一种简单且成本低廉的传感器,适用于基础的蛋类检测任务。
在选择光学传感器时,需要根据具体的检测任务和预算进行合理的选择。
其次,特征提取是蛋类光电检验机械算法设计中的关键环节。
通过提取蛋壳图像的特征,可以量化蛋壳的形状、颜色和纹理等信息,从而实现对蛋壳的检测和分类。
常用的特征提取方法包括灰度共生矩阵、颜色直方图和纹理特征等。
灰度共生矩阵可以统计图像中不同灰度级别的像素对出现的次数,从而反映图像的纹理特征。
颜色直方图可以统计图像中的像素在不同颜色通道上的分布情况,从而反映图像的颜色特征。
纹理特征可以通过各种纹理滤波器提取图像的纹理信息。
在特征提取时,需要选择适合蛋类检测任务的特征,并根据具体的算法进行合理的组合和处理。
最后,分类算法的设计对蛋类光电检验机械的准确率和鲁棒性至关重要。
常用的分类算法包括支持向量机、随机森林和神经网络等。
支持向量机是一种经典的二分类算法,通过构建最优分类超平面来实现分类任务。
随机森林是一种集成学习算法,通过构建多个决策树来实现分类任务,并通过投票机制得出最终结果。
鸡蛋品质检测的研究现状及其展望
【 关键词 】 鸡蛋 ;品质 ;检 测方法
中 图 分 类 号 :T 2 3 7 S 5 . 文献 标 识 码 :A 文 章 编 号 :10 0 9—1 0 (0 2 1 0 3—0 8 7 20 )1 —0 3 3
研 究 了 蛋 壳 裂 纹 检 测 仪 ,提 高 了 裂 纹 检 测 精 度 。
< 粮油加工与食 品机械)20 年 第 1 期 02 1 33
的方 法 ,其 原 理 是 根 据 敲 击 鸡 蛋 所 产 生 的 声 脉 冲振 动 ,做 频谱 分 析来 研究 鸡 蛋的 品质 特性 。
Sn a( 9 2 ih 1 9 )通 过对 鸡 蛋 敲击所 产 生 的声学 共振 特性 来 分 析 鸡 蛋 的 蛋 黄 小 孔 和 裂 纹 。公 茂 法 等 人
检测 速 度为 每秒 5个鸡 蛋 。
随着 人 民生活 水 平 的提 高和 对 食 品需 求 的变 化 如何 检 测 品质 ,减 少鸡 蛋 破损 ,提 高 经济 效 益 ,已经 成 为 当前及 未来 我 国亟 待解 决 的 问题 。而 且 ,鸡 蛋壳 质 量 的好 坏直 接影 响鸡 蛋 的破 损率 。据报 道美 国每 年 约有 6 %的鸡 蛋 因蛋壳 破 损 而 浪 费 ,造成 的经 济 损 失 达 到 70 0多万 美元 。同 时 ,蛋 的 内部 品 质 的好 坏 直 0 接影 响 食 用 品 质 ,甚 至 每 个 食 用 者 的 身 体 健 康 。 因
维普资讯
专 题 综 述
血
鸡 蛋 品质 检 测 的研 究现 状 及 其 展 望
姜瑞 涉 陆 秋君 王 俊
( 江 大学农 业 工 程 与食 品科 学学 院 ) 浙 【 摘要】 近几年来,国内外不少研究机构开始对
基于图像处理的食物品质检测方法研究
基于图像处理的食物品质检测方法研究引言随着人们生活水平的提高,对食品质量的关注程度也越来越高。
然而,传统的食品品质检测方法往往耗时耗力,且易受主观因素的影响。
为了提高食品品质检测的效率和准确性,近年来,基于图像处理的食物品质检测方法逐渐得到了研究和应用。
本文将从图像处理的原理、方法与技术、实验设计与结果等方面,对基于图像处理的食物品质检测方法进行系统的研究和探讨。
一、图像处理的原理1.1 数字图像基本概念数字图像是使用数字信号描述的二维视觉信息。
其基本单位是像素,每个像素包含了一定的亮度信息。
数字图像的处理包括了图像获取、存储、传输、处理和显示等过程。
1.2 图像处理的步骤图像处理一般包含以下几个步骤:图像增强、图像恢复、图像编码、图像分割、目标识别与追踪等。
在食物品质检测中,主要涉及到图像增强和图像分割两个方面。
二、基于图像处理的食物品质检测方法2.1 图像增强图像增强是指通过一系列的操作,改善图像的视觉效果。
在食物品质检测中,由于食物本身的特殊性,图像增强的目标是突出食物的特征,以便于后续的分析和识别。
2.1.1 直方图均衡化直方图均衡化是图像增强的一种常见方法。
其基本思想是通过重新分配图像的像素值,使得原图像的直方图在整个强度范围内均匀分布。
这样可以增强图像的对比度,从而突出食物的特征。
2.1.2 中值滤波中值滤波是一种常见的图像增强方法,可以有效地去除噪声。
在食物品质检测中,噪声对图像的质量产生负面影响,因此通过中值滤波可以提高图像的清晰度,使得食物特征更加明显。
2.2 图像分割图像分割是指将图像中的目标从背景中分离出来的过程。
在食物品质检测中,目标即食物,通过图像分割可以将食物从图像中提取出来,进而进行下一步的分析和计算。
2.2.1 传统分割方法传统的图像分割方法主要包括阈值分割、边缘分割和区域分割等。
这些方法主要利用像素的灰度值、边缘信息和纹理特征等进行目标的分割。
2.2.2 基于深度学习的分割方法近年来,随着深度学习的兴起,基于深度学习的图像分割方法在食物品质检测中得到了广泛的应用。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
91※基础研究食品科学2008, Vol. 29, No. 12
鸡蛋品质检测系统的图像处理技术研究
王 婧1,孟超英1,*,朱大洲1,籍保平2
(1. 中国农业大学信息与电气工程学院,北京 100083;2. 中国农业大学食品科学与营养工程学院,北京 100083)
摘 要:鸡蛋品质检测系统中的图像处理主要涉及图像平滑、边缘检测和图像分割三个方面。本研究采用矢量中值滤波的方法对鸡蛋的彩色图像进行平滑去噪,很好的保护了彩色图像色度信息。选用Prewitt算子检测图像边缘。经过反复试验,选取全局阈值进行图像分割,将目标鸡蛋图像从背景中分离出来。 研究和实验结果表明,使用本实验的图像处理技术可以精确地提取鸡蛋品质检测的图像信息,为开发鸡蛋在线检测系统提供了技术基础。关键词:鸡蛋;图像处理;矢量中值滤波;边缘检测;阈值分割
Study on Image Processiong Technology in Egg Quality Detection SystemWANG Jing1,MENG Chao-ying1,*,ZHU Da-zhou1,JI Bao-ping2
(1.College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China;2.College of Food Science and Nutritional Engineering, China Agricultural University, Beijing 100083, China)
Abstract :The image processing in egg quality detection system mainly involves image smoothing, edge detection and imagesegmentation. In the present study, the vector median filtering method was applied to smooth the image to protect theinformation of the color image. The prewitt edge operator was used to detect the image edge. After repeated experiment, a overallimage segmentation threshold was selected to separate the target egg image from the background. Results showed that the imageprocessing technology presented in this study can be used to accurately extract image information of egg.Key words:egg, image processing;vector median filtering;edge detection;threshold segmentation中图分类号:TS201.21 文献标识码:A 文章编号:1002-6630(2008)12-0091-03
收稿日期:2007-11-30作者简介:王婧(1983-),女,硕士研究生,研究方向为计算机在食品检测中的应用。E-mail:wjregen@yahoo.com.cn*通讯作者:孟超英(1958-),女,教授,研究方向为计算机在食品检测中的应用。E-mail:mcy@cau.edu.cn
鸡蛋是人类重要的食品之一,营养丰富,方便易得。鸡蛋蛋白质的消化吸收率高达99.6%,生物价高达94%,是天然食物中生物价最高的蛋白质(牛奶85%、鱼83%、牛肉76%、猪肉76%、羊肉69%)。此外,蛋的高磷脂含量和维生素含量在其他任何食物中都不可多得,专家称之为“完全蛋白质模式”,被人们誉为“理想的营养库”[1]。
我国是世界上最重要的禽蛋生产和消费大国。自1985年起,我国的禽蛋产量超过美国,成为世界第一产蛋大国[2]。随着国际贸易的迅猛发展和人民生活水平
的提高,鲜蛋的规格化生产成为趋势。特别是2006年中国国家标准化管理委员会出台了我国首部鸡蛋标准,对鸡蛋各项品质指标都有了详细的分级规定,因此,提高鸡蛋品质检测手段迫在眉睫。随着图像处理技术和计算机硬件的发展,机器视觉技术越来越广泛的应用到农产品的品质检测中。在鸡蛋品质检测方面,机器视觉技术已经成功应用于大小、形状、裂纹和新鲜度检测上。作为视觉信息处理的基础,
图像处理技术发挥着重要的作用。计算机图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。目前,图像处理技术已经在许多领域中得到应用,并且取得了巨大成就。图像处理技术重要的分支技术有:图像变换、图像增强与复原、图像压缩编码、图像分割、图像分析、图像识别、图像隐藏等[3]。
通常在一个实用的图像处理系统中,几种图像处理技术要结合应用,才能达到理想的效果。鸡蛋品质检测系统中的图像处理技术主要包括图像平滑、边缘检测和图像分割。如何对图像作进一步处理,需要根据具体的研究对象,采用合适的图像处理方法来对特定的图像特征进行特征提取、分析、处理和识别。
1材料与方法1.1材料本实验采用.德青源牌粉壳鸡蛋,样品从北京超市购买,生产日期为2008年8月3日。1.2图像采集装置 2008, Vol. 29, No. 12食品科学※基础研究92
图像采集装置由采集室,JVC TK-C1430EC CCD摄像机,OKC30图像采集卡和计算机组成,如图1所示。采集室上部为暗室,下部为光室。暗室顶部放置CCD摄像头,与安装在计算机中的图像采集卡相连。光室下部安装一枚12V 35W冷反射定向照明卤钨灯,内室壁为白色圆柱形。暗室和光室用一隔板隔开。隔板上开一直径为2.5cm的小孔放置鸡蛋。隔板覆软膜,保证光线不会直射入暗室。图1 图像采集装置Fig.1 Image acquisition device摄像头照相馆待测鸡蛋光照室光源图像采集卡1.3图像处理方法本实验中的图像预处理主要包括图像平滑、边缘提取和图像分割三部分。2结果与分析2.1图像平滑任何一幅原始图像,在获取和传输的过程中,都会受到各种噪声的干扰,可能使图像恶化,质量下降,图像模糊,特征淹没,对下一部图像分析及特征提取产生不利影响。本系统中为了消除鸡蛋表面色斑、污点和其他随机噪声的干扰,需要采用适合的图像平滑方法。对于非线性噪声的清除,目前常用的方法有超限像素平滑法和中值滤波法[4]。超限像素平滑法将每一个像素f(x,y)与它八个相邻像素平均值g(x,y)进行比较,如果差别大于某些阈值级别,这个像素被判断为噪声,以它邻近像素的平均值来代替它。该点最后的灰度g(x,y)表达式如下:g (x,y)= g(x,y), f(x,y)-g(x,y) >T f(x,y)该法对抑制椒盐噪声和保护具有微小灰度差的细节比较有效,但随着邻域增大,图像模糊严重。中值滤波是由Tukey提出的一种非线性信号处理技术[5]。在中值滤波中,对于给定一个滑动窗口,这个窗口的中心像素被窗口中所有像素灰度的中值所代替,阵列[x(i,j)]M×N经窗口为An的中值滤波后,像素点(i,j)的输出公式如下:y(i,j)=med[x(i,j)]式中,An(i,j)表示像素点(i,j)邻域,它含有n个像素点。中值滤波可以有效抑制图像噪声,提高图像信噪比,并且能较好的保护图像边界。根据实验需要,采用矢量中值滤波方法对彩色图像进行平滑处理。2.2边缘检测边缘检测是图像分割和图像特征提取的重要工具。常用的边缘检测算子可分两种类型:一种为一阶算子,如Roberts算子、Sobel算子和Prewitt算子。另一种为二阶算子,如Laplacian算子、LOG算子和Canny算子[6]。
本系统中,鸡蛋图像和背景的灰度有明显差别,理想条件下是阶梯性边缘,但是由于受到随机噪声和硬件性能的影响,不能确定最优的边缘检测方法。根据应用不同算子检测图像边缘的效果对比,发现在本系统条件下,Prewitt算子检测到的边缘比较准确,连续性比较好。因此选用Prewitt算子检测图像边缘。Prewitt算子是一种一阶微分算子[7]:
M=√Sx+Sy
式中,Sx和Sy可用卷积模板来实现,
1 1 1 1 1 1Sx= 0 0 0 Sy= 0 0 0
-1 -1 -1 -1 -1 -1
2.3图像分割在利用机器视觉技术进行农产品品质检测时,必须先进行图像分割,将检测对象的图像从背景中分离出来,以便提取农产品的品质信息。图像分割一方面,它是目标表达的基础,对对象的特征测量有重要的影响,另一方面,因为图像分割及其基于分割目标表达、特征提取和参数测量等将原始图像转化为更为紧凑的形式,使其高层的图像处理成为可能[8]。图像分割的方法
很多,如阈值法、特征空间聚类法、区域分割法等。其中,阈值法在农产品品质检测中运用最广。所谓阈值,是指区分目标物体与背景像素的门限,大于或等于阈值的像素属于物体,而其他像素属于背景。图像阈值化分割特别适用于目标和背景占据不同灰度级范围的图像,它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤。原始图像,通过合适的方法选取阈值,将图像分割为两部分,分割后的图像为:
g(x,y)= 1 f(x, y)>T 0 f(x, y)≤T本系统中,鸡蛋图像和黑色背景灰度相差很大,且各灰度基本均匀。通过分析直方图,选取阈值50~100做多次实验,选定全局阈值75做图像分割。
3结 论3.1为了消除鸡蛋表面色斑、污点和噪声影响,选用彩色图像矢量中值滤波的方法对图像进行平滑处理,得
22
An(i,j)'{
{