CN117934483B - 一种基于计算机视觉的鳕鱼肠生产加工质量检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，包括：获取鳕鱼肠加工过程中的原料图像，根据原料图像中每个像素点周围像素点的灰度值差异获得每个像素点的显著性值，根据每个像素点的显著性值，对原料图像进行聚类操作，获得每个聚类簇的显著性值，根据所有聚类簇的显著性值的差异获得原料图像的判断阈值，根据判断阈值进行阈值分割获得原料图像中的杂质区域。本发明通过自适应判定阈值，提高了杂质区域分割的准确性。

Description

一种基于计算机视觉的鳕鱼肠生产加工质量检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于计算机视觉的鳕鱼肠生产加工质量检测方法。

背景技术

鳕鱼肠是一种重要的海产品，具有高蛋白、低脂肪的特点，广泛应用于食品加工和饮食领域，对鳕鱼肠的生产加工质量进行有效检测，能够保障产品的质量和安全。传统的鳕鱼肠质量检测通常依赖于人工目视检查或简单的机械检测设备，存在效率低、主观性强、易受人为因素影响等问题。计算机视觉技术在近年来得到了快速发展，其在图像处理、模式识别和物体检测等方面取得了显著成果。借助计算机视觉技术，可以实现对鳕鱼肠生产加工过程中的质量进行自动化、精准化的检测。而在鳕鱼肠生产加工过程中，可能会有杂质混杂在原料中，因此需要对鳕鱼肠的生产原料进行杂质检测。

在现有技术中，显著性检测（CA）算法是一种常用的图像分割算法，其目标是从图像中准确地检测出最具吸引力和显著性的对象或区域。旨在通过对颜色和纹理信息的有效整合，识别出图像中最突出的对象或区域。它结合了颜色对比和空间注意力机制，能够在复杂的场景中准确地定位显著性区域。该算法通过计算每个区域的显著性值，然后通过固定阈值进行筛选，获得显著性区域。而在对鳕鱼肠的图像进行分割时，因为可能会存在多个杂质区域，那么在通过固定阈值进行筛选时，可能会不准确，降低了基于计算机视觉的鳕鱼肠生产加工质量检测的准确性。

发明内容

本发明提供一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，以解决现有的问题。

本发明的一种基于计算机视觉的鳕鱼肠生产加工质量检测方法采用如下技术方案：

本发明一个实施例提供了一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，该方法包括以下步骤：

获取鳕鱼肠加工过程中的原料图像；

根据原料图像中每个像素点周围像素点的灰度值差异获得每个像素点的显著性值；

根据每个像素点的显著性值，对原料图像进行聚类操作，获得每个聚类簇的显著性值；

根据所有聚类簇的显著性值的差异获得原料图像的判断阈值；

根据判断阈值进行阈值分割获得原料图像中的杂质区域。

进一步地，根据原料图像中每个像素点周围像素点的灰度值差异获得每个像素点的显著性值，包括的具体步骤如下：

在原料图像中构建每个像素点对应的三个窗口；

根据每个像素点对应的三个窗口内所有像素点的灰度值，得到每个像素点的显著性值。

进一步地，在原料图像中构建每个像素点对应的三个窗口，包括的具体步骤如下：

在原料图像中以任意一个像素点为中心，分别构建大小为、/>、的三个窗口；其中，/>为预设的第一窗口边长，/>为预设的第二窗口边长，/>为预设的第三窗口边长。

进一步地，根据每个像素点对应的三个窗口内所有像素点的灰度值，得到每个像素点的显著性值，包括的具体步骤如下：

根据每个像素点对应的每个窗口内所有像素点灰度值之间的差异，得到每个像素点对应的每个窗口的第一差异；

根据每个像素点对应的三个窗口之间的差异，得到每个像素点的第二差异；

根据每个像素点对应的每个窗口的第一差异以及每个像素点的第二差异，得到每个像素点的显著性值。

进一步地，根据每个像素点对应的每个窗口的第一差异以及每个像素点的第二差异，得到每个像素点的显著性值，对应的具体计算公式为：

其中，表示第/>个像素点的显著性值，/>表示第/>个像素点的灰度值，/>表示第个像素点的第/>个窗口下第/>个像素点的灰度值，/>表示第/>个像素点的第/>个窗口中像素点灰度值的方差，/>表示第/>个像素点的第一个窗口中像素点灰度值的均值，表示第/>个像素点的第/>个窗口中像素点灰度值的均值，/>表示第/>个像素点的第个窗口中包含的像素点的数量，/>表示线性归一化函数，为第/>个像素点的第二差异；/>为第/>个像素点的第/>个窗口的第一差异，/>为绝对值函数。

进一步地，根据每个像素点的显著性值，对原料图像进行聚类操作，获得每个聚类簇的显著性值，包括的具体步骤如下：

根据原料图像中每个像素点的显著性值，使用DBSCAN密度聚类算法对原料图像进行聚类操作，得到若干个聚类簇；

根据聚类簇之间的像素点的显著性值的差异，得到每个聚类簇的显著性值。

进一步地，根据聚类簇之间的像素点的显著性值的差异，得到每个聚类簇的显著性值，对应的具体公式为：

式中，表示第/>个聚类簇的显著性值，/>表示第/>个聚类簇中所有像素点的平均显著性值，/>表示原料图像中除第/>个聚类簇外的第/>个聚类簇中所有像素点的平均显著性值，/>表示第/>个聚类簇中所有像素点的显著性值的方差，/>表示第/>个聚类簇中所有像素点的显著性值由小到大排序的中值，/>表示原料图像中聚类簇的数量，/>表示线性归一化函数，/>为绝对值函数。

进一步地，根据所有聚类簇的显著性值的差异获得原料图像的判断阈值，包括的具体步骤如下：

根据原料图像中聚类簇的聚类中心之间的距离，得到聚类簇的距离特征值；

根据聚类簇的距离特征值以及聚类簇的显著性值，得到判断阈值。

进一步地，根据聚类簇的距离特征值以及聚类簇的显著性值，得到判断阈值，对应的具体公式为：

其中，表示判断阈值，/>表示所有聚类簇的显著性值的均值，/>表示所有聚类簇中显著性值的最大值，/>表示所有聚类簇中显著性值的最小值，/>表示第/>个聚类簇的显著性值，/>表示在原料图像中第/>个聚类簇的聚类中心与显著性值最大的聚类簇的聚类中心之间的欧式距离，/>表示原料图像中聚类簇的数量，为聚类簇的距离特征值，/>为绝对值函数。

进一步地，根据判断阈值进行阈值分割获得原料图像中的杂质区域，包括的具体步骤如下：

将原料图像中聚类簇的显著性值大于判断阈值的所有聚类簇，记为杂质区域。

本发明的技术方案的有益效果是：

本发明实施例中，获取鳕鱼肠加工过程中的原料图像；根据原料图像中每个像素点周围像素点的灰度值差异获得每个像素点的显著性值，计算像素点的显著性值，是为了提高自适应判断阈值的准确性，从而使用准确的判断阈值将原料图像中的杂质区域检测出来；根据每个像素点的显著性值，对原料图像进行聚类操作，获得每个聚类簇的显著性值；根据所有聚类簇的显著性值的差异获得原料图像的判断阈值；根据判断阈值进行阈值分割获得原料图像中的杂质区域。至此，本发明通过提高检测原料图像中杂质区域的自适应判断阈值，来提高对原料图像进行阈值分割的准确性，从而提高了基于计算机视觉的鳕鱼肠生产加工质量检测的准确性。

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为本发明一种基于计算机视觉的鳕鱼肠生产加工质量检测方法的步骤流程图。

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基于计算机视觉的鳕鱼肠生产加工质量检测方法，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基于计算机视觉的鳕鱼肠生产加工质量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基于计算机视觉的鳕鱼肠生产加工质量检测方法的步骤流程图，该方法包括以下步骤：

步骤S001、获取鳕鱼肠加工过程中的原料图像。

需要说明的是，本实施例的主要目的是对鳕鱼肠加工过程中的原材料进行杂质检测。首先需要采集鳕鱼肠加工过程中的原料图像，可通过工业摄像机俯视拍摄。由于加工车间环境复杂，采集的图像可能存在噪声，因此需要进行降噪处理。在这里，采用中值滤波算法对图像进行降噪处理，以获得清晰的原料图像。中值滤波算法是一种公知技术，具体方法这里不再详细介绍。

步骤S002、根据原料图像中每个像素点周围像素点的灰度值差异获得每个像素点的显著性值。

需要说明的是，在鳕鱼肠加工过程中，对原材料的杂质进行检测十分关键。首先，需要将鳕鱼进行处理，去除内脏和鱼头，并进行彻底清洗，确保表面干净。随后，通过传送带将鳕鱼送入粉碎器中进行粉碎。在此之前，可以使用显著性检测算法来检测鱼肉中的异物，该算法结合颜色对比和空间注意力机制，能够准确识别图像中最突出的对象或区域。通过计算每个像素点的显著性值，并根据这些值进行像素点的聚类，可以有效地定位出图像中可能存在的杂质区域。这一流程可确保鳕鱼肠产品的质量与安全。

具体的，本实施例预设的第一窗口边长，预设的第二窗口边长/>，预设的第三窗口边长/>，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。以每个像素点为中心，分别构建大小为/>、/>以及/>的三个窗口，类似于同心圆结构。然后在不同窗口下，通过中心像素点与周围像素点的灰度差异，来获得每个像素点的显著性值。

计算公式如下：

其中，表示第/>个像素点的显著性值，/>表示第/>个像素点的灰度值，/>表示第个像素点的第/>个窗口下第/>个像素点的灰度值，/>表示第/>个像素点的第/>个窗口中像素点灰度值的方差，/>表示第/>个像素点的第一个窗口中像素点灰度值的均值，表示第/>个像素点的第/>个窗口中像素点灰度值的均值，/>表示第/>个像素点构建的三个窗口，/>表示第/>个像素点的第/>个窗口中包含的像素点的数量，需要说明的是，/>表示构建的三个窗口中除第一个窗口外的两个窗口，/>表示线性归一化函数。

具体的，表示原料图像中第/>个像素点与第/>个像素点的第/>个窗口中第/>个像素点的灰度值的差值，其差值越大，说明当前像素点与邻域像素点的灰度差异越大，因此该像素点越显著，/>表示第/>个像素点与第/>个像素点的第/>个窗口下的所有像素点灰度差值的均值；/>表示第/>个像素点的灰度比上第/>个像素点的第/>个窗口的灰度方差，其比值越大，说明第/>个像素点的第/>个窗口的方差越小，因此第/>个像素点的第/>个窗口的灰度变化程度越小，则该像素点就越显著。表示当前像素点与不同尺度窗口下的像素点的特征值的均值，其均值越大，则说明当前像素点越显著。/>表示第/>个像素点的第一个窗口的灰度均值与第/>个像素点的第/>个窗口灰度均值的差值，其差异越大，说明以第/>个像素点向外延伸的过程中，灰度的变化程度越大，因此当前像素点的灰度差值越大。/>为第/>个像素点的第二差异；为第/>个像素点的第/>个窗口的第一差异。

由此，可以获得每个像素点的显著性值。

步骤S003、根据每个像素点的显著性值，对原料图像进行聚类操作，获得每个聚类簇的显著性值。

需要说明的是，通过上述计算获得了每个像素点的显著性值，然后根据显著性值对像素点进行聚类，在这里使用DBSCAN密度聚类算法，本实施例预设的聚类半径为3，最小聚类数为4，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定，但是DBSCAN聚类算法在进行聚类时，只是根据距离进行度量，而本实施例中像素点是均匀分布，因此在进行聚类时，是通过相邻像素点的显著性值的差值作为度量条件。DBSCAN密度聚类算法是一种常见的公知技术，具体方法这里不再详细介绍。

例如：以任意一个像素点为聚类起始点，聚类半径为3，那么在聚类半径范围内，预设判断阈值，本实施例以此为例进行叙述，其它实施方式中可设置为其它值，本例不进行限定。当周围像素点与聚类起始点的显著性值的差值小于判断阈值T1时，则将该像素点作为聚类起始点的聚类像素点，然后依次进行判断，获得满足与起始点的显著性值判断条件范围内的所有像素点。

进一步的，可以获得原料图像的若干个聚类簇以及每个聚类簇的聚类中心，然后分别计算每个聚类簇的显著性值。

计算公式如下：

其中，表示第/>个聚类簇的显著性值，/>表示第/>个聚类簇中所有像素点的平均显著性值，/>表示原料图像中除第/>个聚类簇外的第/>个聚类簇中所有像素点的平均显著性值，/>表示第/>个聚类簇中所有像素点的显著性值的方差，/>表示第/>个聚类簇中所有像素点的显著性值由小到大排序的中值，/>表示原料图像中聚类簇的数量，/>表示线性归一化函数，/>为绝对值函数。

具体的，表示第/>个聚类簇中所有像素点的平均显著性值与除第/>个聚类簇外的第/>个聚类簇中所有像素点的平均显著性值的差值，其差值越大，则说明两聚类簇之间的差异越大，因此更显著，则显著性值越大，/>表示第/>个聚类簇与其他聚类簇中所有像素点的平均显著性值的差值的均值。/>表示方差的归一化，因为该聚类簇中所有像素点的显著性值的方差越大，说明该聚类簇像素点的混乱程度越大，因此整体的显著性应越大；而乘以/>表示均值与中值的差异，其差值越大，说明该聚类簇中可能存在局部显著性区域，因此/>表示对该区域的平均显著性值的修正，让其更加靠近中值，从而使得对区域的显著性值的评价越准确。

至此，获得了每个聚类簇的显著性值。

步骤S004、根据所有聚类簇的显著性值的差异获得原料图像的判断阈值。

需要说明的是，根据不同区域的显著性值，进而来确定判断阈值，获得图像中的显著性区域。因为显著性区域在视觉上表现为更加凸显的区域，能够更容易观察到，因此显著性值越大，越可能是鳕鱼肠加工过程中存在的杂质，因此根据不同区域的显著性值来获得判断阈值，其计算公式如下：

其中，表示判断阈值，/>表示所有聚类簇的显著性值的均值，/>表示所有聚类簇中显著性值的最大值，/>表示所有聚类簇中显著性值的最小值，/>表示第/>个聚类簇的显著性值，/>表示在原料图像中与第/>聚类簇的聚类中心与显著性值最大的聚类簇的聚类中心之间的欧式距离，/>表示原料图像中聚类簇的数量，/>为绝对值函数。

具体的，表示原料图像中所有聚类簇的显著性值的中值，表示均值与中值的差值，其差值越大，说明原料图像中存在局部极值，局部极值越大，说明该区域的显著性值越大，因此在对判断阈值进行确定时，应该更加偏向局部极值，才能不会把其他区域当作显著性区域分割出来，/>表示判断阈值的修正权重。/>表示聚类簇的距离特征值。

至此，通过不同区域显著性值的差异获得了原料图像的判断阈值。

步骤S005、根据判断阈值进行阈值分割获得原料图像中的杂质区域。

根据判断阈值对原料图像进行阈值分割，获取原料图像中聚类簇的显著性值大于判断阈值的所有聚类簇，即为显著性区域，这些区域便是杂质区域，对其位置数量进行标记打包上传，以方便后续工作人员对其进行处理。

至此，本发明完成。

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)

1.一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，其特征在于，该方法包括以下步骤：

获取鳕鱼肠加工过程中的原料图像；

根据原料图像中每个像素点周围像素点的灰度值差异获得每个像素点的显著性值；

根据每个像素点的显著性值，对原料图像进行聚类操作，获得每个聚类簇的显著性值；

根据所有聚类簇的显著性值的差异获得原料图像的判断阈值；

根据判断阈值进行阈值分割获得原料图像中的杂质区域；

所述根据所有聚类簇的显著性值的差异获得原料图像的判断阈值，包括的具体步骤如下：

根据原料图像中聚类簇的聚类中心之间的距离，得到聚类簇的距离特征值；

根据聚类簇的距离特征值以及聚类簇的显著性值，得到判断阈值；

所述根据聚类簇的距离特征值以及聚类簇的显著性值，得到判断阈值，对应的具体公式为：

其中，表示判断阈值，/>表示所有聚类簇的显著性值的均值，/>表示所有聚类簇中显著性值的最大值，/>表示所有聚类簇中显著性值的最小值，/>表示第/>个聚类簇的显著性值，/>表示在原料图像中第/>个聚类簇的聚类中心与显著性值最大的聚类簇的聚类中心之间的欧式距离，/>表示原料图像中聚类簇的数量，为聚类簇的距离特征值，/>为绝对值函数。

2.根据权利要求1所述一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，其特征在于，所述根据原料图像中每个像素点周围像素点的灰度值差异获得每个像素点的显著性值，包括的具体步骤如下：

在原料图像中构建每个像素点对应的三个窗口；

根据每个像素点对应的三个窗口内所有像素点的灰度值，得到每个像素点的显著性值。

3.根据权利要求2所述一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，其特征在于，所述在原料图像中构建每个像素点对应的三个窗口，包括的具体步骤如下：

在原料图像中以任意一个像素点为中心，分别构建大小为、/>以及的三个窗口；其中，/>为预设的第一窗口边长，/>为预设的第二窗口边长，/>为预设的第三窗口边长。

4.根据权利要求2所述一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，其特征在于，所述根据每个像素点对应的三个窗口内所有像素点的灰度值，得到每个像素点的显著性值，包括的具体步骤如下：

根据每个像素点对应的每个窗口内所有像素点灰度值之间的差异，得到每个像素点对应的每个窗口的第一差异；

根据每个像素点对应的三个窗口之间的差异，得到每个像素点的第二差异；

根据每个像素点对应的每个窗口的第一差异以及每个像素点的第二差异，得到每个像素点的显著性值。

5.根据权利要求4所述一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，其特征在于，所述根据每个像素点对应的每个窗口的第一差异以及每个像素点的第二差异，得到每个像素点的显著性值，对应的具体计算公式为：

其中，表示第/>个像素点的显著性值，/>表示第/>个像素点的灰度值，/>表示第/>个像素点的第/>个窗口下第/>个像素点的灰度值，/>表示第/>个像素点的第/>个窗口中像素点灰度值的方差，/>表示第/>个像素点的第一个窗口中像素点灰度值的均值，/>表示第/>个像素点的第/>个窗口中像素点灰度值的均值，/>表示第/>个像素点的第/>个窗口中包含的像素点的数量，/>表示线性归一化函数，/>为第/>个像素点的第二差异；/>为第/>个像素点的第/>个窗口的第一差异，/>为绝对值函数。

6.根据权利要求1所述一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，其特征在于，所述根据每个像素点的显著性值，对原料图像进行聚类操作，获得每个聚类簇的显著性值，包括的具体步骤如下：

根据原料图像中每个像素点的显著性值，使用DBSCAN密度聚类算法对原料图像进行聚类操作，得到若干个聚类簇；

根据聚类簇之间的像素点的显著性值的差异，得到每个聚类簇的显著性值。

7.根据权利要求6所述一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，其特征在于，所述根据聚类簇之间的像素点的显著性值的差异，得到每个聚类簇的显著性值，对应的具体公式为：

式中，表示第/>个聚类簇的显著性值，/>表示第/>个聚类簇中所有像素点的平均显著性值，/>表示原料图像中除第/>个聚类簇外的第/>个聚类簇中所有像素点的平均显著性值，/>表示第/>个聚类簇中所有像素点的显著性值的方差，/>表示第/>个聚类簇中所有像素点的显著性值由小到大排序的中值，/>表示原料图像中聚类簇的数量，/>表示线性归一化函数，/>为绝对值函数。

8.根据权利要求1所述一种基于计算机视觉的鳕鱼肠生产加工质量检测方法，其特征在于，所述根据判断阈值进行阈值分割获得原料图像中的杂质区域，包括的具体步骤如下：

将原料图像中聚类簇的显著性值大于判断阈值的所有聚类簇，记为杂质区域。