基于计算机视觉的脱水蒜状态智能检测方法与流程

1.本发明涉及图像处理技术领域，具体涉及基于计算机视觉的脱水蒜状态智能检测方法。


背景技术：

2.在对脱水蒜片的检测过程中，因为蒜片的数量比较多，人工检测的工作量较大且人工检测过程中对脱水状态的评估会产生一定的主观性，而且同时对大量的脱水蒜片一起进行测量会大大的浪费人力和物力，并且也会存在一定的误差。在利用边缘检测算法检测脱水蒜状态的过程中，检测得到的蒜片边缘往往不能很好的表现蒜片区域的含水量特征，且对于脱水蒜边缘点的处理不能很好地体现蒜片整体轮廓对脱水蒜状态的影响。


技术实现要素：

3.本发明提供基于计算机视觉的脱水蒜状态智能检测方法，以解决现有的问题。
4.本发明的基于计算机视觉的脱水蒜状态智能检测方法采用如下技术方案：本发明一个实施例提供了基于计算机视觉的脱水蒜状态智能检测方法，该方法包括以下步骤：对脱水蒜片进行抽样拍摄得到每一片脱水蒜片的采集图像，对每一片脱水蒜片的采集图像进行预处理得到待处理图像；利用待处理图像的灰度直方图得到蒜片整体最大灰度值和蒜片整体最小灰度值，根据蒜片整体最大灰度值和蒜片整体最小灰度值得到蒜片表面的平均亮度和蒜片表面的逆光泽度；根据蒜片表面的平均亮度和蒜片表面的逆光泽度得到蒜片表面的颜色特征；根据边缘检测得到蒜片边缘曲线和蒜片像素点，利用蒜片边缘曲线和蒜片像素点得到蒜片表面的形状参数；利用蒜片表面的颜色特征和蒜片表面的形状参数计算得到脱水蒜片的评估标准；根据脱水蒜片的评估标准对脱水蒜状态进行检测。
5.优选的，所述利用待处理图像的灰度直方图得到蒜片整体最大灰度值和蒜片整体最小灰度值，包括的具体步骤如下：统计待处理图像的灰度直方图的最大值点，并从最大值点开始向灰度直方图右侧进行灰度值的遍历，计算相邻两个灰度值的频率分布的高度差，直至相邻两个灰度值的频率分布的高度差为0，停止遍历，将停止遍历的灰度值记为蒜片整体最大灰度值，同样地从最大值点开始向灰度直方图左侧进行灰度值的遍历得到蒜片整体最小灰度值。
6.优选的，所述根据蒜片整体最大灰度值和蒜片整体最小灰度值得到蒜片表面的平均亮度和蒜片表面的逆光泽度，包括的具体步骤如下：获取待处理图像中灰度值在蒜片整体最小灰度值和蒜片整体最大灰度值之间的像素点的数目，记为区间像素点数；统计灰度值大于等于蒜片整体最小灰度值且小于等于蒜片整体最大灰度值的所有像素点的灰度值之和，将灰度值之和除以区间像素点数得到蒜
片表面的平均亮度；获取待处理图像中灰度值大于蒜片整体最大灰度值的像素点的数目，记为超区间像素点数；计算蒜片表面的逆光泽度，具体的计算公式如下：其中，表示蒜片表面的逆光泽度，表示超区间像素点数，表示蒜片整体最大灰度值，表示灰度值为的像素点个数，且有，255表示像素点能取到的最大的灰度值。
7.优选的，所述根据蒜片表面的平均亮度和蒜片表面的逆光泽度得到蒜片表面的颜色特征的具体计算公式如下：其中，表示蒜片表面的颜色特征，表示蒜片表面的平均亮度，表示蒜片表面的逆光泽度，表示以自然常数为底的指数函数。
8.优选的，所述根据边缘检测得到蒜片边缘曲线和蒜片像素点，利用蒜片边缘曲线和蒜片像素点得到蒜片表面的形状参数，包括的具体步骤如下：获取蒜片边缘曲线和待处理图像上所有的异常像素点，计算每两个异常像素点之间的欧式距离，从每个异常像素点开始沿着顺时针方向和与其欧式距离最小的异常像素点进行直线连接，计算直线在待处理图像中的斜率，记为每个异常像素点的异常斜率；计算每个异常像素点的异常斜率差值，统计所有异常斜率差值的数目，将所有异常斜率差值中数值相等的异常斜率差值归为一类异常斜率差值，计算每一类异常斜率差值在所有异常像素点的异常斜率差值中出现的概率，记为每一类异常斜率差值的概率；获取每个蒜片像素点的梯度幅值；计算蒜片表面的形状参数，具体的计算公式如下：其中，表示脱水蒜片的形状参数，表示蒜片像素点的数目，表示第个蒜片像素点的梯度幅值，且有，表示第类异常斜率差值的概率，表示异常斜率差值的数目，且有，和分别表示以自然常数为底的指数函数和以自然常数为底数的对数函数。
9.优选的，所述蒜片边缘曲线的具体获取过程如下：利用边缘检测算法对待处理图像进行边缘检测得到若干边缘像素点，对所有的边缘像素点进行闭合曲线拟合得到蒜片边缘曲线。
10.优选的，所述待处理图像上所有的异常像素点的具体获取过程如下：计算每个边缘像素点距离蒜片边缘曲线的欧式距离，计算所有欧式距离的方差，记为边缘整体方差；将每个边缘像素点记为检测像素点，计算除去每个检测像素点的其余所有边缘像素点距离蒜片边缘曲线的欧式距离，记为去点欧式距离，计算所有去点欧式距
离的方差并记为每个边缘像素点的去点方差；比较每个边缘像素点的去点方差和边缘整体方差的大小，若每个边缘像素点的去点方差小于边缘整体方差，则将每个边缘像素点记为异常像素点，获取待处理图像上所有的异常像素点。
11.优选的，所述每个异常像素点的异常斜率差值的具体获取过程如下：将所有异常斜率按照从任意一个异常像素点开始的顺时针方向进行排列得到异常斜率联通序列，序列中最后一个异常斜率的后一个元素为序列中第一个异常斜率，计算异常斜率联通序列中每个异常斜率和与其相邻的后一个异常斜率的差值，记为每个异常像素点的异常斜率差值。
12.优选的，所述获取每个蒜片像素点的梯度幅值，包括的具体步骤如下：统计待处理图像上的蒜片边缘曲线内部的所有像素点，将蒜片边缘曲线内部的所有像素点记为蒜片像素点，通过边缘检测算子检测图像中所有蒜片像素点的梯度得到每个蒜片像素点的梯度幅值。
13.优选的，所述利用蒜片表面的颜色特征和蒜片表面的形状参数计算得到脱水蒜片的评估标准的具体计算公式如下：其中，表示脱水蒜片的评估标准，表示蒜片表面的颜色特征，表示脱水蒜片的形状参数。
14.本发明的技术方案的有益效果是：脱水效果较好的蒜片的颜色偏暗，形状比较褶皱，并且蒜片表面粗糙程度较大，这些参数都是由于脱水蒜片内的含水量的不同导致发生的变化，主要体现在蒜片表面的逆光泽度和蒜片表面的粗糙程度以及蒜片边缘的连续性，本发明通过对这些参数进行建模，得到脱水蒜片的评估标准。本发明通过拟合颜色指标和形状指标使得脱水蒜状态的评估标准解决了传统边缘检测技术无法表征的物理特征量的技术问题，比传统的利用边缘检测对蒜片的脱水状态进行检测得到的结果更加准确。
附图说明
15.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。
16.图1为本发明基于计算机视觉的脱水蒜状态智能检测方法的步骤流程图。
具体实施方式
17.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基于计算机视觉的脱水蒜状态智能检测方法，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。
18.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。
19.下面结合附图具体的说明本发明所提供的基于计算机视觉的脱水蒜状态智能检测方法的具体方案。
20.请参阅图1，其示出了本发明一个实施例提供的基于计算机视觉的脱水蒜状态智能检测方法的步骤流程图，该方法包括以下步骤：s001：对脱水蒜片进行抽样拍摄得到每一片脱水蒜片的采集图像，对每一片脱水蒜片的采集图像进行预处理得到待处理图像。
21.需要说明的是，由于图像中可能会受到其他因素的影响，为了减少后续处理的计算量，对图像进行分割，用现有算法对图像进行阈值分割，目的就是为了待测蒜片与背景分割开，以便于后续的计算。由于在检测过程中，蒜片的数量很多，甚至蒜片都是堆放在一起的，这样的话对检测工作带来一定的挑战，这对整个脱水过程的检测会造成一定的误差，因为有些蒜片可能都拍摄不到，那么对这些蒜片的状态没办法进行检测。因此为了减小检测过程中的误差，为了保证检测结果的精确度，本实施例对每次脱水过程中的蒜片进行固定样本数量检测，对每一片蒜片进行检测，也会减小检测过程中的误差。
22.具体的，对脱水过程中的蒜片进行固定样本数量检测，其中样本数量为，对每一片脱水蒜片进行拍摄得到每一片脱水蒜片的采集图像，其中拍摄时放置led灯来对拍摄环境进行一个补光处理；对采集图像进行灰度化处理，得到灰度图像；在灰度图像上，利用算法对灰度图像进行阈值分割，得到脱水蒜片前景图像，将脱水蒜片前景图像记为待处理图像。
23.至此，得到了待处理图像。
24.s002：在待处理图像上，根据整体灰度值分布特性进行建模得到蒜片表面的颜色特征。
25.需要说明的是，不同脱水状态的蒜片会有不同的效果，比如在形态和颜色观感上的差别。有些蒜片的表面比较平滑，说明蒜片内部还含有水分，而脱水效果较好的蒜片表面看起来是褶皱、粗糙的。在灰度图像中，脱水蒜片中不同的含水量会对应不同的灰度值，一般来说，水分含量越高，灰度值就越低；水分含量越低，灰度值就越高。由于预处理之后的图像是一个二值化图像，并且每个蒜片之间都是互相不接触的，所以蒜片的轮廓在图像中都会表现的很清楚；每个蒜片内部的区域的也只会出现两种情况，一种是灰度比较均匀的分布的情况，意味着完全脱水或者没有脱水；另一种情况就是灰度分布出现变化的情况，这代表着蒜片脱水不完全，蒜片内部还存在着部分的水。因为在灰度图像中，脱水蒜片中含水和不含水的部分的区别较大。脱水蒜片的脱水状态中蒜片中的含水量从多到少进行变化，含水的蒜片通常呈现出看起来是一种偏亮的状态，因为光线的反射造成图像中会出现比较高亮的部分；而含水较少的蒜片整体比较偏暗淡，没有那种反光很好的效果，因此其光泽度会下降，故使用逆光泽度和平均亮度对蒜片表面的颜色特征进行衡量。
26.需要进一步说明的是，在蒜片的灰度直方图中，因为蒜片的在灰度图像中的表现较为单一，没有太多的灰度级，它在直方图中会聚集在一个比较大的灰度区间内，而由于蒜片内水分含量较高且在拍摄过程中光线反射形成了高亮点，直方图中还存在一些零零散散的点，其余的一些零散的像素点就是蒜片的局部亮点，因为不同的含水量在拍摄的过程中会导致蒜片局部出现比较高亮的像素点，在脱水过程中随着含水量的降低，这些局部高亮
点就会减少。
27.具体的，获得待处理图像的灰度直方图，统计待处理图像的灰度直方图的最大值点，并从最大值点开始向灰度直方图右侧进行灰度值的遍历，计算相邻两个灰度值的频率分布的高度差，直至相邻两个灰度值的频率分布的高度差为0，停止遍历，将停止遍历的灰度值记为蒜片整体最大灰度值，同样地从最大值点开始向灰度直方图左侧进行灰度值的遍历得到蒜片整体最小灰度值；获取待处理图像中灰度值在蒜片整体最小灰度值和蒜片整体最大灰度值之间的像素点的数目，记为区间像素点数；计算蒜片表面的平均亮度，具体的计算公式如下：其中，表示蒜片表面的平均亮度，表示区间像素点数，和分别表示蒜片整体最小灰度值和蒜片整体最大灰度值，表示灰度值为的像素点个数，且有。的值越高表示主体区域的平均灰度越大，蒜片内的含水量越低。
28.进一步，获取待处理图像中灰度值大于蒜片整体最大灰度值的像素点的数目，记为超区间像素点数；计算蒜片表面的逆光泽度，具体的计算公式如下：其中，表示蒜片表面的逆光泽度，表示超区间像素点数，表示蒜片整体最大灰度值，表示灰度值为的像素点个数，且有，255表示像素点能取到的最大的灰度值。实际上表征了除蒜片区域之外的局部高亮点的像素点的平均灰度，表示将主体灰度之外的灰度值进行归一化，归一化的结果越接近于0，则代表高亮点的亮度越大，也可以反映出蒜片含水量越高。
29.进一步，根据蒜片表面的平均亮度和蒜片表面的逆光泽度，得到蒜片表面的颜色特征的公式如下：其中，表示蒜片表面的颜色特征，表示蒜片表面的平均亮度，表示蒜片表面的逆光泽度，表示以自然常数为底的指数函数。表示将反比例归一化至之间，值越大则在之间越小，表征蒜片内的含水量越低，脱水状态越好，当越大时，代表此时的蒜片内的含水量越低，脱水状态越好，两者相加得到脱水蒜片表面的颜色特征，当越大时，代表此时的蒜片内的含水量越低，脱水状态越好。
30.至此，得到了蒜片表面的颜色特征。
31.s003：在待处理图像上获取蒜片区域，在蒜片区域内根据蒜片的灰度值梯度特征以及蒜片区域边缘的混乱程度进行建模得到蒜片表面的形状参数，利用蒜片表面的颜色特征和蒜片表面的形状参数计算得到脱水蒜片的评估标准。
32.需要说明的是，对于脱水蒜片来说，大小均匀，形状完整的脱水蒜片受到更多人的欢迎，在蒜片脱水过程中，含水量越多，蒜片的边缘轮廓可能会更平滑，蒜片表面的也比较平整；脱水效果也好，蒜片的体积也会变小，轮廓也会变的不平滑，当然蒜片表面也会出现一些褶皱，这些情况表示蒜片中的含水量较少或者几乎没有水，因此，体积小、轮廓不平整、表面出现褶皱都可以是衡量脱水蒜片状态的标准。本实施例将脱水蒜在脱水过程中的形状上的变化叫做形状参数，主要包括蒜片表面的粗糙程度和蒜片边缘的平整情况，因为蒜片在脱水的过程中，脱水质量越好，那么蒜片表面就会越粗糙，并且蒜片的边缘会变的不平整。我们就认为脱水蒜片在脱水过程中，蒜片的表面粗糙度越大，并且蒜片边缘越不平整，这个时候的脱水状态较好。
33.具体的，利用边缘检测算法对待处理图像进行边缘检测得到若干边缘像素点，对所有的边缘像素点利用最小二乘法进行闭合曲线拟合得到蒜片边缘曲线，计算每个边缘像素点距离拟合曲线的欧式距离，计算所有欧式距离的方差，记为边缘整体方差；将每个边缘像素点记为检测像素点，计算除去每个检测像素点的其余所有边缘像素点距离拟合曲线的欧式距离，记为去点欧式距离，计算所有去点欧式距离的方差并记为每个边缘像素点的去点方差；比较每个边缘像素点的去点方差和边缘整体方差的大小，若每个边缘像素点的去点方差小于边缘整体方差，则将每个边缘像素点记为异常像素点；获取待处理图像上所有的异常像素点，计算所有每两个异常像素点之间的欧式距离，从某个异常像素点开始沿着顺时针方向和与其欧式距离最小的异常像素点进行直线连接，计算直线在待处理图像中的斜率，记为每个异常像素点的异常斜率；将所有异常斜率按照从任意一个异常像素点开始的顺时针方向进行排列得到异常斜率联通序列，序列中最后一个异常斜率的后一个元素为序列中第一个异常斜率，计算异常斜率联通序列中每个异常斜率和与其相邻的后一个异常斜率的差值，记为每个异常像素点的异常斜率差值；统计所有异常斜率差值的数目，将所有异常斜率差值中数值相等的异常斜率差值归为一类异常斜率差值，计算每一类异常斜率差值在所有异常像素点的异常斜率差值中出现的概率，记为每一类异常斜率差值的概率；统计待处理图像上的蒜片边缘曲线内部的所有像素点，将蒜片边缘曲线内部的所有像素点记为蒜片像素点，通过算子检测图像中所有蒜片像素点的梯度得到每个蒜片像素点的梯度幅值；计算蒜片表面的形状参数，具体的计算公式如下：其中，表示脱水蒜片的形状参数，表示蒜片像素点的数目，表示第个蒜片像素点的梯度幅值，且有，表示第类异常斜率差值的概率，表示异常斜率差值的数目，且有，和分别表示以自然常数为底的指数函数和以自然常数为底数的对数函数。表示蒜片图像内的像素点的灰度梯度的密度，密度越大就表示蒜片表面的纹理越多，即蒜片表面的粗糙度越大且脱水蒜片的脱水状态越好越好，而表示脱水蒜片边缘的异常像素点的斜率差值的信息熵，信息熵越大，就代表斜率差值的混乱程度越大，即边缘处变得凹凸不平，这些原因都是由于脱水蒜片在脱水过程中导致的，故
形状参数越大，就表示脱水蒜片的脱水状态越好。
34.需要进一步说明的是，由于脱水蒜片在脱水的过程中，随着含水量的减少，蒜片表面会出现一些褶皱的情况，并且蒜片的边缘也会变的凹凸不平；而且，脱水过程中蒜片表面的光泽也会变得较暗，这是因为在拍摄过程中由于含水量的降低，导致光线的反射效果较差，才会使得蒜片表面变得比较暗淡，也就是脱水效果达到较好的一个标准，因此通过对蒜片的观感和形状方面的特征关系来对蒜片的脱水效果进行一个量化处理。针对脱水蒜片的脱水状态从颜色和形状两个方面对脱水状态进行评估，脱水蒜片的颜色是随着脱水蒜片中的含水量变化进行变化，含水量多的蒜片在图像中会显得比较高亮，也就是蒜片表面的光泽度较大，此时蒜片的形状参数较小，即蒜片的表面比较光滑并且蒜片的边缘比较平整；相反的含水量小的蒜片，整体形状会变得比较褶皱，并且表面的粗糙度较大，也就是蒜片内的像素点的梯度整体变化较大，而它的颜色也相对变得较暗，即蒜片表面的光泽度较差，此时证明算片内含水量少，说明脱水效果更佳。
35.进一步，计算脱水蒜片的评估标准，具体的计算公式如下：其中，表示脱水蒜片的评估标准，表示蒜片表面的颜色特征，表示脱水蒜片的形状参数。颜色特征越大时表示蒜片内的含水量越小，随着含水量的减少，蒜片的形状参数将会变得越大，形状参数越大表示脱水蒜片的脱水状态越好，因此用颜色特征和形状参数的欧式范数作为脱水蒜片脱水状态的评估标准，越大表示脱水蒜片的脱水效果越好。
36.至此，得到了脱水蒜片的脱水状态的评估标准。
37.s004：根据脱水蒜片的评估标准对脱水蒜状态进行判断并标记得到检测报告，完成基于计算机视觉的脱水蒜状态的智能检测。
38.预设一个脱水阈值，其中本实施例以为例进行叙述，本实施例不进行具体限定，其中脱水阈值可根据具体实施情况而定。
39.具体的，根据每一幅待处理图像计算每一片脱水蒜片的评估标准，将每一片脱水蒜片的评估标准与脱水阈值进行比较，若某一片脱水蒜片的评估标准大于脱水阈值，则将该脱水蒜片的脱水状态标记为不良，否则将脱水蒜片的脱水状态标记为良好，将所有个样本的脱水蒜片的脱水状态打印成检测报告。
40.至此，完成了基于计算机视觉的脱水蒜状态的智能检测。
41.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，凡在本发明的精神和原则之内，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。

技术特征：
1.基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，该方法包括以下步骤：对脱水蒜片进行抽样拍摄得到每一片脱水蒜片的采集图像，对每一片脱水蒜片的采集图像进行预处理得到待处理图像；利用待处理图像的灰度直方图得到蒜片整体最大灰度值和蒜片整体最小灰度值，根据蒜片整体最大灰度值和蒜片整体最小灰度值得到蒜片表面的平均亮度和蒜片表面的逆光泽度；根据蒜片表面的平均亮度和蒜片表面的逆光泽度得到蒜片表面的颜色特征；根据边缘检测得到蒜片边缘曲线和蒜片像素点，利用蒜片边缘曲线和蒜片像素点得到蒜片表面的形状参数；利用蒜片表面的颜色特征和蒜片表面的形状参数计算得到脱水蒜片的评估标准；根据脱水蒜片的评估标准对脱水蒜状态进行检测。2.根据权利要求1所述基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，所述利用待处理图像的灰度直方图得到蒜片整体最大灰度值和蒜片整体最小灰度值，包括的具体步骤如下：统计待处理图像的灰度直方图的最大值点，并从最大值点开始向灰度直方图右侧进行灰度值的遍历，计算相邻两个灰度值的频率分布的高度差，直至相邻两个灰度值的频率分布的高度差为0，停止遍历，将停止遍历的灰度值记为蒜片整体最大灰度值，同样地从最大值点开始向灰度直方图左侧进行灰度值的遍历得到蒜片整体最小灰度值。3.根据权利要求1所述基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，所述根据蒜片整体最大灰度值和蒜片整体最小灰度值得到蒜片表面的平均亮度和蒜片表面的逆光泽度，包括的具体步骤如下：获取待处理图像中灰度值在蒜片整体最小灰度值和蒜片整体最大灰度值之间的像素点的数目，记为区间像素点数；统计灰度值大于等于蒜片整体最小灰度值且小于等于蒜片整体最大灰度值的所有像素点的灰度值之和，将灰度值之和除以区间像素点数得到蒜片表面的平均亮度；获取待处理图像中灰度值大于蒜片整体最大灰度值的像素点的数目，记为超区间像素点数；计算蒜片表面的逆光泽度，具体的计算公式如下：其中，表示蒜片表面的逆光泽度，表示超区间像素点数，表示蒜片整体最大灰度值，表示灰度值为的像素点个数，且有，255表示像素点能取到的最大的灰度值。4.根据权利要求1所述基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，所述根据蒜片表面的平均亮度和蒜片表面的逆光泽度得到蒜片表面的颜色特征的具体计算公式如下：其中，表示蒜片表面的颜色特征，表示蒜片表面的平均亮度，表示蒜片表面的逆光泽度，表示以自然常数为底的指数函数。
5.根据权利要求1所述基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，所述根据边缘检测得到蒜片边缘曲线和蒜片像素点，利用蒜片边缘曲线和蒜片像素点得到蒜片表面的形状参数，包括的具体步骤如下：获取蒜片边缘曲线和待处理图像上所有的异常像素点，计算每两个异常像素点之间的欧式距离，从每个异常像素点开始沿着顺时针方向和与其欧式距离最小的异常像素点进行直线连接，计算直线在待处理图像中的斜率，记为每个异常像素点的异常斜率；计算每个异常像素点的异常斜率差值，统计所有异常斜率差值的数目，将所有异常斜率差值中数值相等的异常斜率差值归为一类异常斜率差值，计算每一类异常斜率差值在所有异常像素点的异常斜率差值中出现的概率，记为每一类异常斜率差值的概率；获取每个蒜片像素点的梯度幅值；计算蒜片表面的形状参数，具体的计算公式如下：其中，表示脱水蒜片的形状参数，表示蒜片像素点的数目，表示第个蒜片像素点的梯度幅值，且有，表示第类异常斜率差值的概率，表示异常斜率差值的数目，且有，和分别表示以自然常数为底的指数函数和以自然常数为底数的对数函数。6.根据权利要求5所述基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，所述蒜片边缘曲线的具体获取过程如下：利用边缘检测算法对待处理图像进行边缘检测得到若干边缘像素点，对所有的边缘像素点进行闭合曲线拟合得到蒜片边缘曲线。7.根据权利要求5所述基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，所述待处理图像上所有的异常像素点的具体获取过程如下：计算每个边缘像素点距离蒜片边缘曲线的欧式距离，计算所有欧式距离的方差，记为边缘整体方差；将每个边缘像素点记为检测像素点，计算除去每个检测像素点的其余所有边缘像素点距离蒜片边缘曲线的欧式距离，记为去点欧式距离，计算所有去点欧式距离的方差并记为每个边缘像素点的去点方差；比较每个边缘像素点的去点方差和边缘整体方差的大小，若每个边缘像素点的去点方差小于边缘整体方差，则将每个边缘像素点记为异常像素点，获取待处理图像上所有的异常像素点。8.根据权利要求5所述基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，所述每个异常像素点的异常斜率差值的具体获取过程如下：将所有异常斜率按照从任意一个异常像素点开始的顺时针方向进行排列得到异常斜率联通序列，序列中最后一个异常斜率的后一个元素为序列中第一个异常斜率，计算异常斜率联通序列中每个异常斜率和与其相邻的后一个异常斜率的差值，记为每个异常像素点的异常斜率差值。9.根据权利要求5所述基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，所述获取每个蒜片像素点的梯度幅值，包括的具体步骤如下：统计待处理图像上的蒜片边缘曲线内部的所有像素点，将蒜片边缘曲线内部的所有像
素点记为蒜片像素点，通过边缘检测算子检测图像中所有蒜片像素点的梯度得到每个蒜片像素点的梯度幅值。10.根据权利要求1所述基于计算机视觉的脱水蒜状态智能检测方法，其特征在于，所述利用蒜片表面的颜色特征和蒜片表面的形状参数计算得到脱水蒜片的评估标准的具体计算公式如下：其中，表示脱水蒜片的评估标准，表示蒜片表面的颜色特征，表示脱水蒜片的形状参数。

技术总结
本发明涉及图像处理技术领域，具体涉及基于计算机视觉的脱水蒜状态智能检测方法，包括：对脱水蒜片进行抽样检测并采集图像，对图像进行预处理得到待处理图像；对脱水过程中的待处理图像进行分析，然后利用函数量化脱水蒜片的颜色参数和形状参数，利用颜色参数和形状参数得到脱水蒜的评估标准；根据脱水蒜的评估标准对脱水蒜片的脱水状态进行分析。本发明通过根据脱水蒜片的脱水状态中的颜色特征和轮廓边缘特征构建模型得到脱水蒜的评估标准，实现了基于计算机视觉的智能化脱水蒜状态检测方法。方法。方法。


技术研发人员：郭洪军 田福建
受保护的技术使用者：金乡县金禧园食品有限公司
技术研发日：2023.09.08
技术公布日：2023/10/20