基于深度学习的方便面表面异物检测方法及系统技术方案

本发明专利技术揭示了一种基于深度学习的方便面表面异物检测方法及系统，对采集到的方便面图像进行Gamma校正；采用八领域降噪处理，根据八领域中非白点的数量判断出噪点，并将其去除，然后对局部图像进行增强处理，将瑕疵点变黑，非瑕疵处变白，便于后续更加精准的识别出异物；再将面饼图像的背景去除，消除背景之外的杂质干扰；并将面饼中所有的盲孔黑洞整体变平均，最后利用傅里叶变换提高异物处与面饼的对比度，再结合深度学习训练模型，对处理后的样本数据进行模拟训练，最终得到方便面异物识别模型，然后利用该模型对方便面进行异物识别检测。本发明专利技术大大提高了方便面异物识别的精度与效率，满足了方便面异物自动化视觉识别需求。满足了方便面异物自动化视觉识别需求。满足了方便面异物自动化视觉识别需求。

【技术实现步骤摘要】
基于深度学习的方便面表面异物检测方法及系统


[0001]本专利技术属于食品表面异物检测
，特别是涉及一种基于深度学习的方便面表面异物检测方法及系统。

技术介绍

[0002]方便面作为一种快熟食品，深受大众的喜爱，其主材为面饼，由若干细长的面条分层堆叠形成一个圆形或者方形的饼状结构。然而，在制作方便面面饼的过程中，面饼表面可能存在异物，如黄斑、黑斑或其他异物。为了保障面饼质量与消费者的体验感，面饼在包装前需要对其表面是否存在异物进行检测。
[0003]随着视觉检测技术的成熟发展，视觉检测系统在食品检测方面也逐渐有所应用，如现有专利公开号为CN113487584A公开了一种基于深度学习的方便面黄斑检测方法，该专利公开了一系列对方便面图像的处理步骤，但并未说明这些处理步骤的目的与意义，也没有说明这些处理步骤所达到的技术效果与所要解决的技术问题，因此，该专利中并未真实的解决方便面黄斑检测的问题。
[0004]对于方便面面饼而言，由于其表面结构的特性，面饼的颜色为黄色，因此，要从面饼中识别出黄斑异物存在较大的难度；且面饼是由本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的方便面表面异物检测方法，其特征在于：其包括以下步骤：S1)利用相机获取方便面样本的图片，得到样本数据；S2)对样本数据进行预处理：S21)对方便面样本图像进行Gamma校正处理，将样本图片中的阴影部分进行扩展暗调；S22)对Gamma校正处理后的图像进行邻域降噪处理与领域图像增强处理：其包括计算各像素区域八领域中非白点的个数，若非白点数量小于设定值，则判定该像素区域内的所有像素点为噪点；计算每个像素点(x,y)的八领域中排出其中的噪点后剩下所有像素点的平均灰度值，若该平均灰度值大于预设最大灰度阈值，则该像素点(x,y)的灰度值为该平均灰度值加上预设的增益值；当该平均灰度值小于预设最小灰度值阈值，则该像素点(x,y)的灰度值为该平均灰度值减去所述增益值；S23)对步骤S22)处理后的图像进行图像分离处理去除背景；S24)对步骤S23)处理后的图像进行去除黑洞干扰处理，其包括使用彩色图像转出三通道分离，取出RGB三色通道的图片，使用通道分离后的其中一通道图片再使用图像类型转换，使用cielab颜色空间转换算法，将面饼中的黑洞整体变平均，使面饼中的所有黑洞显示为一样的灰度；S25)利用傅里叶变换处理提高异物与面饼的对比度；S3)将预处理后的样本数据进行良品与不良品的分类标记，并在样本图片上标记出异物的位置；S4)构建差分卷积神经网络异物识别模型，使用步骤S3)处理后的样本数据进行训练，得到获取网络连接权重矩阵；S5)将步骤S3)得到的数据，随机取用70％的数据作为训练集，采用15％的数据作为验证集，剩下15％的数据作为测试集；S6)将所述步骤S5)中随机取用的70％训练集进行样本扩展；S7)用步骤S6)得到的扩展训练集对步骤S4)构建的差分卷积神经网络异物识别模型进行训练，得到训练好的方便面异物识别模型；S8)在待检测方便面面饼的正上方和正下方设置相机，获取方便面面饼图像，然后按照步骤2)所述的预处理方法对其进行预处理，之后利用步骤S7)中的所述方便面异物识别模型对预处理后的面饼图像进行异物检测，得出是否为良品的结论。2.如权利要求1所述的基于深度学习的方便面表面异物检测方法，其特征在于：所述S21)中的Gamma校正处理包括：S211)按照公式1)对样本数据图片进行归一化处理，所述公式1)为：S＝p/225，其中，p...

【专利技术属性】
技术研发人员：刘湘，阳志豪，
申请(专利权)人：苏州北境人工智能科技有限公司，
类型：发明
国别省市：