一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法
【專利摘要】本發(fā)明公開了一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，屬于雜質(zhì)檢測技術(shù)領(lǐng)域。本發(fā)明主要包括建立背景概率圖以及異物檢測，背景概率圖用于對油瓶瓶體紋路進行背景建模，其步驟為：對圖像進行ROI提取；繼而進行圖像預(yù)處理與閾值分割突出紋路部分；采用基于學(xué)習(xí)函數(shù)學(xué)習(xí)序列圖像更新背景圖的方式重建背景，并將最終所得背景圖像歸一化得背景概率圖；在獲得背景概率圖后可進行異物檢測，其步驟為：對待測圖像做ROI提取與預(yù)處理；與背景概率圖相乘并作閾值分割提取候選對象；選取多特征，采用基于SVM分類器的方式排除干擾，識別異物。本發(fā)明能排除拍攝圖片中油瓶周圍環(huán)境的干擾，準(zhǔn)確并最大程度提取油體檢測區(qū)域，提取油體中的可見異物。
【專利說明】
一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及雜質(zhì)檢測技術(shù)領(lǐng)域，更具體地說，涉及一種基于圖像背景概率圖的食 用油雜質(zhì)檢測方法。
【背景技術(shù)】
[0002] 我國的食用油生產(chǎn)工業(yè)基本實現(xiàn)了自動化，但是油質(zhì)雜質(zhì)檢測環(huán)節(jié)目前大多仍是 采用人工檢測方式。隨著機器視覺理論的發(fā)展與完善，用機器代替人眼做檢測和判斷成為 未來發(fā)展的趨勢，這將減少人力勞動，降低檢測成本，提高檢測精度與效率，產(chǎn)業(yè)的自動化 與智能化程度隨之得到進一步提高。
[0003] 現(xiàn)有對灌裝液體進行基于機器視覺的雜質(zhì)檢測的研究，多集中于啤酒瓶、安瓿瓶 等行業(yè)。在硬件平臺上，常用的檢測系統(tǒng)采取高速旋轉(zhuǎn)-急停-攝像-圖像處理的模式。而在 檢測算法上，秦垚等人（"基于液面分割的安瓿內(nèi)漂浮小目標(biāo)檢測算法"）針對傳統(tǒng)幀間差分 法提取液體內(nèi)運動雜質(zhì)時抑制液面噪聲的不足，提出基于Legendre正交矩的檢測算法。而 Fang等人（"Binocular automatic particle inspection machine for bottled medical liquid examination"）針對傳統(tǒng)單目相機差分算法中的動態(tài)背景干擾和景深窄的問題，提 出了使用雙目相機進行檢測的方法。Qin等人（"Study of on-line inspection technique for foreign substance in Ampoule"）提出一種反射照明法來突出安瓿瓶體中的異物，并 對序列圖像采取基于亞像素配準(zhǔn)的兩級差分算法，提取瓶中異物的運動軌跡。
[0004] 但是食用油瓶與酒瓶、藥瓶雜質(zhì)檢測不同，食用油瓶瓶身大多都有各種復(fù)雜紋路， 因而僅憑改進打光方式無法滿足對具有各式各樣紋路的油瓶的檢測需求;其次，食用油瓶 大多體積大、重量重、瓶內(nèi)油體粘稠性大，因而油內(nèi)異物運動速度緩慢，傳統(tǒng)的旋轉(zhuǎn)急停硬 件平臺，和幀間差分法及其各種改進算法無法有效地提取異物。因此，現(xiàn)有的灌裝液體雜質(zhì) 檢測方法，不能有效地進行食用油雜質(zhì)檢測。
[0005] 經(jīng)檢索，中國專利申請?zhí)?01510566518.6,申請日為2015年9月8日，發(fā)明創(chuàng)造名稱 為:一種基于圖像處理的瓶裝液體雜質(zhì)檢測系統(tǒng)及其檢測方法;該申請案的檢測系統(tǒng)包括 機械部分和機器視覺部分，機械部分包括步進電機、傳送帶、定滑輪和機械夾持裝置;機器 視覺部分包括拍照暗箱及相關(guān)內(nèi)部構(gòu)造、FPGA板、通信串口、顯示模塊、報警模塊和上位機 軟件。該申請案的檢測方法如下:采集圖像;通過種子填充算法使圖像從背景中分割出來； 模糊處理濾除椒鹽噪聲及干擾像素;二值化處理提高對比度;通過腐蝕與膨脹操作使圖像 全部連接去除細(xì)小噪聲，使雜質(zhì)變得清晰可見;最后進行輪廓跟蹤和提取獲得雜質(zhì)數(shù)量、形 狀和位置。
[0006] 中國專利號ZL 201210560198.X，申請日為2012年12月20日，發(fā)明創(chuàng)造名稱為：一 種透明液體雜質(zhì)檢測系統(tǒng)及其檢測方法;該申請案利用多臺CCD相機采集待檢品序列圖像 并存儲;通過圖像預(yù)處理進行圖像背景抑制;對背景抑制后的圖像進行處理，實現(xiàn)目標(biāo)檢測 與跟蹤;對目標(biāo)進行特征提取，根據(jù)其特征進行雜質(zhì)識別，判斷是否為雜質(zhì)。
[0007] 上述申請案均能夠在不同程度提高圖像獲取和處理速度，從而代替人工檢測，提 高檢測質(zhì)量和速度。但正如上文分析，上述申請案不能有效地進行食用油雜質(zhì)檢測，仍需提 出一種更具可行性的方案。

【發(fā)明內(nèi)容】

[0008] 1.發(fā)明要解決的技術(shù)問題
[0009] 為解決通過人眼觀測食用油中異物成本高、效率低的問題，本發(fā)明提出了一種基 于圖像背景概率圖的食用油雜質(zhì)檢測方法;本發(fā)明有效地解決了食用油瓶與酒瓶、藥瓶的 一系列不同特性而造成現(xiàn)有檢測方法不能有效地進行食用油雜質(zhì)檢測的問題，能有效地去 除瓶身各種紋路的干擾，最終達到識別油體內(nèi)異物的效果。
[0010] 2.技術(shù)方案
[0011] 為了解決上述問題，本發(fā)明提供的技術(shù)方案為：
[0012] 本發(fā)明的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，其步驟為：
[0013] 建立背景概率圖：
[0014] 1)對采集圖像進行目標(biāo)檢測油體區(qū)域R0I(region of interest)提取；
[0015] 2)對提取的油體區(qū)域進行背景重建前的圖像預(yù)處理，主要包括:將圖像轉(zhuǎn)為灰度 圖，并進行橫向圖像配準(zhǔn)與矯正，使油體區(qū)域居于圖像中間位置;對圖像進行平滑濾波，繼 而與原圖像做差，提取需進行背景重建的部分一也即瓶身紋路部分；
[0016] 3)由于步驟2)所得圖像中像素灰度值普遍較小，所以進行閾值分割，進一步突出 紋路部分；
[0017] 4)取100-300張經(jīng)步驟1)~3)處理后圖像作為樣本圖像集，采用基于學(xué)習(xí)函數(shù)更 新背景圖的方式重建背景，并將最終所得背景圖像歸一化得背景概率圖；
[0018] 進行異物檢測：
[0019] i)對待檢測圖像進行步驟1)和2)所述R0I提取以及預(yù)處理操作，所得圖像中隨著 紋路的突出，異物部分也會得到突出；；
[0020] ii)將步驟i)所得圖像與已得背景概率圖相乘，并作閾值分割，去除瓶身紋路干 擾，提取候選對象；
[0021] iii)對每一個候選對象，繼續(xù)選取灰度值、對比度、形狀、位置特征作為SVM分類器 的輸入向量，經(jīng)過分類器訓(xùn)練和分類后，最終達到去除干擾部分，識別可見異物的效果。 [0022]更進一步地，步驟1)采用Meanshift圖像分割算法，將彩色圖像分割并標(biāo)記為不同 類別姐，繼而計算每個類別的面積，及其中軸線相對于圖像中軸線的偏移量，提取屬于目標(biāo) 檢測油體區(qū)域的類別，最終通過形態(tài)學(xué)處理，去除小的空洞與干擾，獲得完整準(zhǔn)確的油體區(qū) 域;其中：
[0023]圖像中軸線為：
[0024]
[0025] Mi的橫向中軸線為：
[0026]
[0027] Mi的橫向中軸線相對于圖像中軸線的偏移量為：
[0028]
[0029] 上式中，Nimage、#AA分別代表圖像的像素個數(shù)及Ml的像素個數(shù)， Xn、\分別為圖像中 的第η個像素點的橫坐標(biāo)及姐中第k個像素點的橫坐標(biāo)。
[0030] 更進一步地，步驟2)中，圖像的平滑濾波過程為:對橫向圖像配準(zhǔn)與矯正后圖像R' (i，j)的每個像素點，設(shè)定(2a+l)X(2a+l)大小的窗口，定義窗口內(nèi)圖像的能量值均值為平 滑后圖像中對應(yīng)像素點的灰度值，具體公式為：
[0031]
[0032] y(i，j)為平滑后圖像的灰度值，Μ為窗口中灰度值不為0的像素點的個數(shù)，由于需 要去掉紋路，因而窗口大小要大于紋路寬度。
[0033] 更進一步地，步驟3)進行閾值分割后圖像G(i，j):
[0034]
[0035]
[0036] 上式中，D(i，j)為平滑前后的差分圖像，T的取值范圍為20~30。
[0037] 更進一步地，步驟4)中，獲取背景概率圖的步驟如下：
[0038] (a)設(shè)定初始圖像:預(yù)處理后得到的差分圖像中紋路部分灰度值為0,而油體部分 灰度值為255,由于需重建背景部分為紋路部分，因而定義背景圖每個像素點的起始值為 255；
[0039] (b)定義背景圖學(xué)習(xí)函數(shù)，并基于該學(xué)習(xí)函數(shù)更新背景圖：
[0040]
[0041]
[0042]上式中，B(i，j)為當(dāng)前背景圖，為下一背景圖，G(i，j)取0或255時，學(xué)習(xí)函 數(shù)分別呈現(xiàn)正負(fù)增長狀態(tài)；
[0043] (c)對所有樣本集圖像進行背景學(xué)習(xí)后，對所得背景圖歸一化得到背景概率圖P (i, j) 〇
[0044] 更進一步地，步驟ii)中進行閾值分割后圖像C(i，j):
[0045]
[0046] 上式中，D(i，j)為步驟i)所得圖像，Τ'的取值范圍為20~30。
[0047]更進一步地，步驟iii)中，用以進行訓(xùn)練和分類的SVM分類器的輸入矢量為：
[0048] (a)灰度
[0049] 采取每一個候選對象灰度均值表征：
[0050]
[0051] 其中Nc為每個候選對象中像素點個數(shù)，匕為候選對象中第η個像素點的灰度值；
[0052] (b)對比度
[0053]選定7*7的窗口，對候選對象的邊緣像素點求取其領(lǐng)域內(nèi)的方差0^02,03. . .〇m，M 為候選對象邊緣像素點的個數(shù)，并選取這一系列方差的均值作為表征該候選對象與周圍油 體灰度值對比度的特征：
[0054]
[0055] (c)形狀
[0056] 選取候選對象的面積和寬高比來描述形狀信息，面積A即為候選對象占像素點個 數(shù)，寬度W和高度Η通過對其尋找最小外接矩形來得到，并可得到高寬比值：
[0057]
[0058] (d)位置
[0059] 通過大量樣本測試發(fā)現(xiàn)，氣泡及紋理的干擾部分具有相對固定的位置信息，用質(zhì) 心(Xm，ym)來表征其位置信息：
[0060]
[0061]其中(Xl，yi)為候選對象中第i個像素點的坐標(biāo)。
[0062] 3.有益效果
[0063]采用本發(fā)明設(shè)計的系統(tǒng)，與已有的公知技術(shù)相比，具有如下顯著效果：
[0064] (1)本發(fā)明的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，結(jié)合油體的顏色 及位置信息提取R0I，相比于一般方法中基于人工預(yù)先標(biāo)定形狀提取R0I，能排除拍攝圖片 中油瓶周圍環(huán)境的干擾，準(zhǔn)確并最大程度提取油體檢測區(qū)域，并且不受環(huán)境背景的干擾，魯 棒性較好；
[0065] (2)本發(fā)明的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，采用基于簡單線 性背景學(xué)習(xí)函數(shù)更新背景，背景圖建立速度快、效率高、抑制突發(fā)干擾能力強，去除效果良 好，滿足工程性要求，相比于一般的背景建模方法有更強的針對性；
[0066] (3)本發(fā)明的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，經(jīng)過基于SVM分類 器的雜質(zhì)識別后，可以有效排除氣泡、紋路部分的干擾，提取油體中的可見異物，經(jīng)過多次 數(shù)、多樣本的測試予以驗證，具有高魯棒性、高檢測率的優(yōu)點。
【附圖說明】
[0067]通過閱讀參照以下附圖對非限制性實施例所作的詳細(xì)描述，本發(fā)明的其它特征、 目的和優(yōu)點將會變得更明顯：
[0068]圖1是本發(fā)明的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法的算法流程圖； [0069]圖2中的（a)為本發(fā)明采集到的原始圖像，圖2中的（b)為采用Meanshif t分割后標(biāo) 記的不同類別，圖2中的(c)為提取的R0I區(qū)域，圖2中的(d)為最終得到的待檢測油體區(qū)域；
[0070] 圖3中的（a)為樣本圖像集的差分圖像，圖3中的（b)為二值化后圖像，圖3中的（c) 為所有樣本集圖像進行背景學(xué)習(xí)更新后得到的背景圖像；
[0071] 圖4中的(a)~(c)是本發(fā)明中候選對象及SVM分類器識別異物的效果對比圖；
[0072] 圖5是本發(fā)明中食用油雜質(zhì)檢測系統(tǒng)的結(jié)構(gòu)示意圖。
[0073] 示意圖中的標(biāo)號說明：
[0074] 1、機架總成;2、瓶身光源;3、傳送帶;4、電氣總成;5、相機總成。
【具體實施方式】
[0075] 為進一步了解本發(fā)明的內(nèi)容，下面結(jié)合附圖和實施例對本發(fā)明作詳細(xì)描述。
[0076] 實施例1
[0077]為解決人眼觀測食用油異物成本高效率低的問題，本實施例提出了一種基于圖像 背景概率圖的食用油雜質(zhì)檢測方法，其主要流程參見圖1，詳見下文描述：
[0078]首先建立背景模型：
[0079] 由于油瓶瓶身上有各種呈現(xiàn)為細(xì)條狀的紋路，它們的存在使得異物檢測不能達到 滿意的效果，即使是人眼檢測也不能免于此。因而在進行異物檢測前必須要將這些紋路去 除，從而使得后續(xù)檢測更為簡單有效。本實施例采用背景建模的方式去除紋路，并且不同于 常見的對于整幅圖像進行背景建模，本實施例認(rèn)為紋路部分是瓶體的背景部分，對其建立 模型并去除。具體步驟為：
[0080] 1)首先對由食用油雜質(zhì)檢測系統(tǒng)采集到的原始圖像采用Meanshift圖像分割算 法，結(jié)合顏色及位置特征提取目標(biāo)檢測區(qū)域。
[0081] 由于瓶體內(nèi)有油較重，因而抖動較小，在拍攝到的圖片中，在縱向上幾乎沒有偏 移，而橫向上由于攝像機幀周期的影響等存在一定不可忽略的偏差。大多數(shù)檢測系統(tǒng)采取 橫向掃描圖像，獲取若干左右邊緣點對，從而確定瓶身的中軸線，然后根據(jù)預(yù)先人工標(biāo)定的 形狀提取要處理的區(qū)域R0I，這種方法存在對較大區(qū)域背景干擾魯棒性差的不足。通過分析 瓶身采集的圖像可知，油體與背景的首要差異在于顏色，因而采用Meanshift圖像分割算 法，對彩色圖像進行圖像分割，并用不同類別姐(1 = 1，2,3...1〇表示分割結(jié)果。
[0082]通過分析采用Meanshift算法所得不同類別的分割圖像發(fā)現(xiàn)，面積最大的幾類分 別屬于油瓶和干擾部分，但是由于瓶身存在紋路，瓶體顏色呈現(xiàn)不均勻分布而被割裂為幾 個不同的類別。又由于拍攝到的圖像中，瓶體基本在圖像中間位置，而背景部分則在圖像兩 邊，經(jīng)Meanshift分割后的每個部分的偏移量⑴也滿足此位置規(guī)律，因而本實施例提出除了 面積外，計算每個類別橫向中軸線相對于圖像中軸線的偏移量，依據(jù)這兩個特征(面積和偏 移量)使得瓶體和干擾的差異最大化，從而去除干擾并將瓶體的幾類融合為一個完整的瓶 身。
[0083]定義圖像中軸線為：
[0085] Mi的橫向中軸線為： (1)
[0084]
[0086] m
[0087] Mi的偏移量為：
[0088]
(3)
[0089] 上式中，Nimage分別代表圖像的像素個數(shù)及姐的像素個數(shù)，xn、\分別為圖像中 的第η個像素點的橫坐標(biāo)及姐中第k個像素點的橫坐標(biāo)。
[0090] 對于分割后得到的每個類別，分別計算其面積大小及偏移量，并經(jīng)大量樣本統(tǒng)計 后可以得到屬于油體區(qū)域的類別的面積和偏移量的數(shù)值范圍:面積約為1000-2000像素，偏 移量為50個像素以內(nèi)。通過篩選屬于該數(shù)值范圍的1即可提取油體部分。由于油體反光、油 內(nèi)氣泡折射等影響，上述提取到的油體部分還存在一定小的空洞和干擾，通過開閉運算的 圖像形態(tài)學(xué)后處理可獲得完整的油體區(qū)域。圖2中的(a)為本實施例采集到的原始圖像，圖2 中的（b)為采用Meanshift分割后標(biāo)記的不同類別，圖2中的（c)為提取的R0I區(qū)域，圖2中的 (d)為最終得到的待檢測油體區(qū)域。
[0091] 2)對油體區(qū)域進行背景重建前的圖像預(yù)處理，主要包括以下步驟：
[0092] (a)將圖像轉(zhuǎn)為灰度圖；
[0093] (b)對于提取到的待檢測油體區(qū)域圖像R(i，j)，定義瓶體中軸線為：
[0094]
(4)
[0095]其中N·代表R0I圖像中滿足R( i，j)辛0的像素個數(shù)，rn為滿足R( i，j)辛0的第η個 像素點的橫坐標(biāo)。根據(jù)公式（1)和(3)可以得到瓶身相對于圖像中軸線的偏移量0RQI，對圖像 進行校正：
[0096] R'（i，j)=R(i，j+〇R0I) (5)
[0097] (c)由于背景重建主要處理的部分是瓶身的細(xì)條狀紋路部分，相比于瓶身這個"整 體"而言，紋路是"細(xì)節(jié)"部分，利用公式(6)先平滑圖像得到整體部分，即對橫向圖像配準(zhǔn)與 矯正后圖像R'（i，j)的每個像素點，設(shè)定(2a+l)X(2a+l)大小的窗口，定義窗口內(nèi)圖像的能 量值均值為平滑后圖像中對應(yīng)像素點的灰度值，具體公式為：
(6)
[0098]
[0099] y(i，j)為平滑后圖像的灰度值，nw為窗口中不為0的像素點的個數(shù)。在進行多樣本 統(tǒng)計后，得到紋路寬度變化范圍，由于需要通過圖像平滑處理去掉紋路，因而最終的平滑窗 口大小要大于紋路寬度。
[0100] 由于紋路在圖像中呈現(xiàn)暗色的部分，灰度值較周圍其他部分而言較小，因而將平 滑前后的圖像作差，突出紋路細(xì)節(jié)部分。差分圖像定義為：
[0101]
(7)
[0102] 3)由于差分后圖像中各像素灰度值較小，采取閾值分割的方式進一步突出紋路部 分，經(jīng)測試閾值T選取20-30較為合適，閾值化后的圖片定義為：
[0103]
(8)
[0104] 4)常用的時間平均法建立背景模型通過一定數(shù)量的序列圖像求每一位置的像素 平均值作為背景值。但由于差分后圖像中，隨著紋路部分的突出，雜質(zhì)部分的圖像也得到加 強，因而成為了序列圖像中的干擾部分。又加上閾值分割后得到的二值化圖像中，每個像素 點的灰度值只有〇與255兩種可能，當(dāng)序列圖像中某一像素點發(fā)生擾動時，其灰度值變化幅 度很大。本實施例針對對二值化圖像使用時間平均法抑制突發(fā)干擾能力差的問題，提出改 進算法，具體流程如下：
[0105] (a)設(shè)定背景圖初始圖像:預(yù)處理后得到的差分圖像中紋路部分灰度值為0,而油 體部分灰度值為255,由于需重建背景部分為紋路部分，因而定義背景圖每個像素點的起始 值為255。
[0106] (b)為了方便背景部分的去除，按照公式(9)定義背景圖學(xué)習(xí)函數(shù)，并基于該學(xué)習(xí) 函數(shù)更新背景圖：
[0107]
[0108] (9)
[0109] 其中G(i，j)為步驟3)得到的二值化圖像，B(i，j)為當(dāng)前背景圖，為下一背 景圖，G(i，j)取0或255時，學(xué)習(xí)函數(shù)分別呈現(xiàn)正負(fù)增長狀態(tài)。
[0110] 本實施例的背景圖學(xué)習(xí)函數(shù)計算簡單，對設(shè)備和時間要求很低，并且由于其為線 性對稱函數(shù)，對某一灰度值進行正負(fù)變換后再進行反操作，正負(fù)增量也相同也即該變換是 可逆的，不會造成失真。
[0111] (C)取100-300張經(jīng)步驟1)~3)處理后圖像作為樣本圖像集，對所有樣本集圖像進 行背景學(xué)習(xí)后，對所得背景圖歸一化得到背景概率圖P(i，j)，圖中每個像素點的灰度值代 表該位置像素點屬于背景的概率大小，灰度值越小，表示這個點越屬于背景。
[0112] 其次進行異物檢測：
[0113] 1)首先對待檢測圖像進行上述R0I提取以及預(yù)處理操作，由于異物與紋路在圖像 中同樣呈現(xiàn)為暗色部分，因而所得圖像中隨著紋路的突出，異物部分也會得到突出；
[0114] 2)將上述差分后圖像D(i，j)與已有的背景概率圖P(i，j)相乘，則背景部分被減 弱，異物部分得到突出，繼而作閾值分割，去除瓶身紋路干擾，提取候選對象：
[0115]
(10)
[0116] 此處閾值Τ'經(jīng)大量測試選取20-30。
[0117] 3)由于背景概率圖只能去除油瓶中共有的紋路部分，而每個瓶子在紋路寬窄、氣 泡數(shù)量上不可避免存在些許差異，因而候選對象中可能存在干擾部分，根據(jù)公式(11)-(14) 繼續(xù)選取灰度值、對比度、形狀、位置特征作為SVM分類器的輸入向量，經(jīng)過分類器訓(xùn)練和分 類后，最終達到去除干擾部分，識別可見異物的效果。
[0118] 用以進行訓(xùn)練和分類的SVM分類器的輸入矢量，具體定義為：
[0119] (a)灰度值
[0120]米用每一個候選對象灰度均值表征：
[0121]
.(11)
[0122] 其中Nc為每個候選對象中像素點個數(shù)，匕為候選對象中第η個像素點的灰度值。
[0123] (b)對比度
[0124] 選定7*7的窗口，對候選對象的邊緣像素點求取其領(lǐng)域內(nèi)的方差0^02,03. . .〇m，M 為候選對象邊緣像素點的個數(shù)，并選取這一系列方差的均值作為表征該候選對象與周圍油 體灰度值對比度的特征。
[0125]
(12)
[0126] (c)形狀
[0127] 選取候選對象的面積和寬高比來描述形狀信息。面積A即為候選對象占像素點個 數(shù)。寬度W和高度Η通過對其尋找最小外接矩形來得到，并可得到高寬比值：
[0128]
(13)
[0129] (d)位置
[0130] 通過大量樣本測試發(fā)現(xiàn)，氣泡及紋理的干擾部分具有相對固定的位置信息，用質(zhì) 心(Xm，ym)來表征其位置信息：
[0131]
(14)
[0132] 其中（Xl，yi)為候選對象中第i個像素點的坐標(biāo)。
[0133] 圖3中的（a)為樣本圖像集的差分圖像，圖3中的（b)為二值化后圖像，圖3中的（c) 為所有樣本集圖像進行背景學(xué)習(xí)更新后得到的背景圖像。
[0134] 圖4中的(a)、（b)、（c)分別為有氣泡、紋路干擾以及無干擾情況下，原始圖像、提取 到的候選對象以及經(jīng)SVM分類器后最終識別結(jié)果的對比圖。從圖中可以看到當(dāng)采集到的圖 像中存在干擾時，所提取的候選對象中也會錯誤得提取這些干擾部分，但經(jīng)過基于SVM分類 器分類識別后，可以有效地排除干擾，并提取可見異物部分。
[0135] 圖5為本實施例中食用油雜質(zhì)檢測系統(tǒng)的結(jié)構(gòu)示意圖，該食用油雜質(zhì)檢測系統(tǒng)包 括控制板、機架總成1、瓶身光源2、傳送帶3、電氣總成4和相機總成5。本實施例的檢測系統(tǒng) 采用維修簡單、結(jié)構(gòu)調(diào)整方便的直線式傳送方式。瓶身光源2采用大小大于瓶身的LED平面 光源，并采用背光照明方式。為了更全面的獲取油體信息，相機總成5使用彩色照相機，并且 采用光電傳感器觸發(fā)拍照的方式獲取圖像。當(dāng)油瓶由傳送帶3傳送至系統(tǒng)檢測區(qū)域時，瓶身 光源2照亮油體部分，光電傳感器觸發(fā)相機進行拍照，獲取的圖像傳送至工控機進行圖像處 理判斷后作出相應(yīng)的處理操作，系統(tǒng)控制及參數(shù)設(shè)定則由控制板完成。
[0136] 實施例1所述的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，結(jié)合油體的顏 色及位置信息提取R0I，相比于一般方法中基于人工預(yù)先標(biāo)定形狀提取R0I，能準(zhǔn)確并最大 程度提取油體檢測區(qū)域，并且不受環(huán)境背景的干擾;采用基于簡單線性背景學(xué)習(xí)函數(shù)更新 背景，背景圖建立速度快、效率高、抑制突發(fā)干擾能力強，去除效果良好，滿足工程性要求， 相比于一般的背景建模方法有更強的針對性;且經(jīng)過基于SVM分類器的雜質(zhì)識別后，可以有 效排除氣泡、紋路部分的干擾，提取油體中的可見異物，經(jīng)過多次數(shù)、多樣本的測試予以驗 證，具有高魯棒性、高檢測率的優(yōu)點。
[0137]以上示意性的對本發(fā)明及其實施方式進行了描述，該描述沒有限制性，附圖中所 示的也只是本發(fā)明的實施方式之一，實際的結(jié)構(gòu)并不局限于此。所以，如果本領(lǐng)域的普通技 術(shù)人員受其啟示，在不脫離本發(fā)明創(chuàng)造宗旨的情況下，不經(jīng)創(chuàng)造性的設(shè)計出與該技術(shù)方案 相似的結(jié)構(gòu)方式及實施例，均應(yīng)屬于本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，其步驟為： 建立背景概率圖： 1) 對采集圖像進行目標(biāo)檢測油體區(qū)域ROI提?。? 2) 對提取的油體區(qū)域進行背景重建前的圖像預(yù)處理，主要包括:將圖像轉(zhuǎn)為灰度圖，并 進行橫向圖像配準(zhǔn)與矯正，使油體區(qū)域居于圖像中間位置;對圖像進行平滑濾波，繼而與原 圖像做差，提取需進行背景重建的部分； 3) 對步驟2)所得圖像進行闊值分割，進一步突出紋路部分； 4) 取100-300張經(jīng)步驟1)~3)處理后圖像作為樣本圖像集，采用基于學(xué)習(xí)函數(shù)更新背 景圖的方式重建背景，并將最終所得背景圖像歸一化得背景概率圖； 進行異物檢測： i) 對待檢測圖像進行步驟1)和2)所述ROI提取W及預(yù)處理操作； ii) 將步驟i)所得圖像與已得背景概率圖相乘，并作闊值分割，去除瓶身紋路干擾，提 取候選對象； iii) 對每一個候選對象，繼續(xù)選取灰度值、對比度、形狀、位置特征作為SVM分類器的輸 入向量，經(jīng)過分類器訓(xùn)練和分類后，最終去除干擾部分，識別可見異物。2. 根據(jù)權(quán)利要求1所述的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，其特征在 于：步驟1)采用MeansMft圖像分割算法，將彩色圖像分割并標(biāo)記為不同類別Ml,繼而計算 每個類別的面積，及其中軸線相對于圖像中軸線的偏移量，提取屬于目標(biāo)檢測油體區(qū)域的 類別，最終通過形態(tài)學(xué)處理，去除空桐與干擾，獲得完整準(zhǔn)確的油體區(qū)域;其中： 圖像中軸線為：Mi的橫向中軸線為：Ml的橫向中軸線相對于圖像中軸線的偏移量為：上式中，Nimage、Ww,分別代表圖像的像素個數(shù)及Ml的像素個數(shù)，Xn、X4分別為圖像中的第η 個像素點的橫坐標(biāo)及Ml中第k個像素點的橫坐標(biāo)。3. 根據(jù)權(quán)利要求2所述的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，其特征在 于:步驟2)中，圖像的平滑濾波過程為:對橫向圖像配準(zhǔn)與矯正后圖像R'（iJ)的每個像素 點，設(shè)定(2a+l) X (2a+l)大小的窗口，定義窗口內(nèi)圖像的能量值均值為平滑后圖像中對應(yīng) 像素點的灰度值，具體公式為：上式中，μα，j)為平滑后圖像的灰度值，nw為窗口中灰度值不為0的像素點的個數(shù)。4. 根據(jù)權(quán)利要求3所述的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，其特征在 于:步驟3)進行闊值分割后圖像G (i，j):上式中，D(i，j)為平滑前后的差分圖像，Τ的取值范圍為20~30。5. 根據(jù)權(quán)利要求4所述的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，其特征在 于:步驟4)中，獲取背景概率圖的步驟如下： (a) 設(shè)定背景圖初始圖像每個像素點的起始值為255; (b) 定義背景圖學(xué)習(xí)函數(shù)，并基于該學(xué)習(xí)函數(shù)更新背景圖：上式中，B(i，j)為當(dāng)前背景圖，為下一背景圖； (C)對所有樣本集圖像進行背景學(xué)習(xí)后，對所得背景圖歸一化得到背景概率圖P(i，j)。6. 根據(jù)權(quán)利要求1~6任一項所述的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法， 其特征在于:步驟ii)中進行闊值分割后圖像C( i，j):上式中，D (i，j)為步驟i)所得圖像，Τ '的取值范圍為20~30。7. 根據(jù)權(quán)利要求6所述的一種基于圖像背景概率圖的食用油雜質(zhì)檢測方法，其特征在 于:步驟iii)中，用W進行訓(xùn)練和分類的SVM分類器的輸入矢量為： (a) 灰度 采取每一個候選對象灰度均值表征：其中Nc為每個候選對象中像素點個數(shù)，Cn為選對象中第η個像素點的灰度值； (b) 對比度 選定7*7的窗口，對候選對象的邊緣像素點求取其領(lǐng)域內(nèi)的方差〇1，〇2,〇3. . .〇m，M為候選 對象邊緣像素點的個數(shù)，并選取運一系列方差的均值作為表征該候選對象與周圍油體灰度 值對比度的特征：k)形狀 選取候選對象的面積和寬高比來描述形狀信息，面積A即為候選對象占像素點個數(shù)，寬 度W和高度Η通過對其尋找最小外接矩形來得到，并可得到高寬比值：(d)位置 通過大量樣本測試發(fā)現(xiàn)，氣泡及紋理的干擾部分具有相對固定的位置信息，用質(zhì)屯、(Xm, ym)來表征其位置信息：其中(Xi，yi)為候選對象中第i個像素點的坐標(biāo)。
【文檔編號】G01N21/90GK105973904SQ201610278380
【公開日】2016年9月28日
【申請日】2016年4月28日
【發(fā)明人】李勃, 俞芳芳, 董蓉, 許斌, 梁振華
【申請人】南京匯川圖像視覺技術(shù)有限公司