【技术实现步骤摘要】
本专利技术涉及图像处理，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。
技术介绍
1、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。
2、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。
技术实现思路
1、本专利技术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。
2、本专利技术的一种基于计算机视觉的鳕鱼肠生产加工质量检测
3、本专利技术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：
4、获取鳕鱼肠加工过程中的原料图像；
5、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；
6、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；
7、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；
8、根据判断阈值进行阈值分割获得原料图像中的杂质区域。
9、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：
10、在原料图像中构建每个像素点对应的三个窗口；
11、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。
12、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：
13、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。
14、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：
15、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；
16、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；
17、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。
18、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：
19、
20、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。
21、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：
22、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；
23、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。
24、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：
25、
26、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。
27、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：
28、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；
29、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。
30、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：
31、
32、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。
33、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：
34、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。
35、本专利技术的技术方案的有益效果是：
36、本专利技术实施例中，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，本专利技术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。
本文档来自技高网...【技术保护点】
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：
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：
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：
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：
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：
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
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：
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：
9.根据权利要求8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：
10.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：
...【技术特征摘要】
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：
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：
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：
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：
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：
6.根据权利要...
【专利技术属性】
技术研发人员：刘勤，刘敏，张珂，
申请(专利权)人：青岛佳美洋食品有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。