基于图像处理的食品变质检测方法及系统

本发明涉及图像处理，尤其涉及一种基于图像处理的食品变质检测方法及系统。

背景技术：

1、现有食品变质检测方法主要依赖于化学分析、物理检测和微生物检测等手段。这些方法通常需要专业设备和人员操作，耗时长且成本高，难以在日常生活中普及应用。随着计算机视觉和图像处理技术的发展，基于图像处理的食品变质检测方法逐渐受到关注，提供了一种更便捷和高效的解决方案。

2、然而，当前基于图像处理的食品变质检测方法仍存在一些不足之处。传统方法对图像特征的提取和融合处理较为简单，导致检测精度不高。此外，缺乏有效的多因素分析和综合判断手段，难以准确识别和分类食品的变质程度。这些限制了该方法在实际应用中的推广和效果。

技术实现思路

1、有鉴于此，本发明实施例提供了一种基于图像处理的食品变质检测方法及系统，用于提高基于图像处理的食品变质检测的效率及准确率。

2、本发明提供了基于图像处理的食品变质检测方法，包括：通过高分辨率图像对目标食品进行图像采集处理，得到所述目标食品对应的多角度图像集；

3、通过差分拉普拉斯增强算法对所述多角度图像集进行图像边缘及对比度增强，得到所述多角度图像集对应的增强图像集；

4、通过局部二值模式算法对所述增强图像集进行图像特征提取，得到图像纹理特征集，其中，所述图像纹理特征集包括如下一种或多种：霉斑特征、变色特征以及异常纹理粗糙度特征；

5、对所述图像纹理特征集进行特征融合，得到融合特征向量集；

6、将所述融合特征向量集输入模糊c均值聚类算法进行食品多因素变质概率分析，得到每个因素的食品变质概率以及每个因素的食品变质特征数据；

7、将所述每个因素的食品变质概率以及所述每个因素的食品变质特征数据输入广义回归神经网络进行食品变质程度分析，得到食品变质程度，并将所述食品变质程度传输至预置的数据展示终端进行数据展示。

8、在本发明中，所述通过差分拉普拉斯增强算法对所述多角度图像集进行图像边缘及对比度增强，得到所述多角度图像集对应的增强图像集步骤，包括：

9、对所述多角度图像集进行灰度转换，得到所述多角度图像集对应的灰度图像集；

10、对所述灰度图像集进行拉普拉斯变换，以提取出所述灰度图像集中每个灰度图像的边缘特征数据，其中，所述边缘特征数据用于表示灰度图像中每个像素点周围的强度分布数据；

11、根据所述灰度图像集中每个灰度图像的边缘特征数据对所述灰度图像集进行边缘特征增强，得到第一变换图像集；

12、对所述灰度图像集中每个灰度图像对应的第一变换图像以及每个灰度图像进行像素差异提取，得到每个第一变换图像对应的像素差异数据；

13、根据每个第一变换图像对应的像素差异数据对所述第一变换图像集进行边缘特征增强，得到第二变换图像集；

14、对所述第二变换图像集进行对比度增强处理，得到所述多角度图像集对应的增强图像集。

15、在本发明中，所述通过局部二值模式算法对所述增强图像集进行图像特征提取，得到图像纹理特征集，其中，所述图像纹理特征集包括如下一种或多种：霉斑特征、变色特征以及异常纹理粗糙度特征步骤，包括：

16、通过局部二值模式算法对所述增强图像集中每个增强图像进行基于像素点的邻域范围分析，得到每个增强图像的每个像素点的邻域范围；

17、对每个增强图像的每个像素点的邻域范围的像素点进行灰度值分析，得到每个像素点对应的邻域像素点灰度值集；

18、对每个增强图像中每个像素点对应的灰度值以及每个像素点对应的邻域像素点灰度值集进行二值编码，生成每个增强图像中每个像素点的二值编码；

19、根据每个增强图像中每个像素点的二值编码构建每个增强图像对应的局部纹理特征图；

20、分别对每个增强图像对应的局部纹理特征图进行局部纹理值频率分布直方图分析，得到每个局部纹理特征图对应的局部纹理频率分布直方图；

21、根据每个局部纹理特征图对应的局部纹理频率分布直方图构建所述增强图像集对应的局部特征向量集；

22、根据所述局部特征向量集对所述增强图像集进行图像特征提取，得到图像纹理特征集，其中，所述图像纹理特征集包括如下一种或多种：霉斑特征、变色特征以及异常纹理粗糙度特征。

23、在本发明中，所述根据所述局部特征向量集对所述增强图像集进行图像特征提取，得到图像纹理特征集步骤，包括：

24、对所述局部特征向量集进行高频模式向量提取，得到高频模式向量集并对所述高频模式向量集进行霉斑特征提取，得到所述霉斑特征；

25、对所述局部特征向量集进行灰度特征向量筛选，得到灰度特征向量集，并匹配所述灰度特征向量集对应的邻域特征向量，得到邻域特征向量集；

26、对所述灰度特征向量集以及所述邻域特征向量集进行变色特征提取，得到所述变色特征；

27、对所述局部特征向量集进行向量频率分布数据提取，得到向量频率分布数据；

28、对所述向量频率分布数据进行频率分散数据分析，得到频率分散数据；

29、对所述频率分散数据进行异常纹理粗糙度特征提取，得到所述异常纹理粗糙度特征；

30、将所述霉斑特征，所述变色特征及所述异常纹理粗糙度特征合并为所述图像纹理特征集。

31、在本发明中，所述对所述图像纹理特征集进行特征融合，得到融合特征向量集步骤，包括：

32、对所述霉斑特征进行多尺度分解，得到霉斑细节数据以及霉斑全局数据，并对所述霉斑细节数据以及所述霉斑全局数据进行霉斑边缘提取，得到霉斑边缘数据；

33、对所述变色特征进行多尺度分解，得到变色细节数据以及变色全局数据，并对所述变色细节数据以及所述变色全局数据进行变色区域边缘提取，得到变色区域边缘数据；

34、对所述异常纹理粗糙度特征进行多尺度分解，得到异常纹理粗糙度细节数据以及异常纹理粗糙度全局数据，并对所述异常纹理粗糙度细节数据以及所述异常纹理粗糙度全局数据；

35、根据所述霉斑边缘数据、所述霉斑细节数据、所述变色区域边缘数据、所述变色细节数据、所述异常纹理粗糙度全局数据及所述异常纹理粗糙度细节数据对所述图像纹理特征集进行特征融合，得到融合特征向量集。

36、在本发明中，所述将所述融合特征向量集输入模糊c均值聚类算法进行食品多因素变质概率分析，得到每个因素的食品变质概率以及每个因素的食品变质特征数据步骤，包括：

37、将所述融合特征向量集输入模糊c均值聚类算法进行聚类中心分析，得到多个初始聚类中心；

38、对每个初始聚类中心进行位置随机初始化，得到多个目标聚类中心；

39、基于所述多个目标聚类中心，通过隶属度计算公式计算所述融合特征向量集中每个融合特征向量的隶属度数据，其中，所述隶属度计算公式如下所示：

40、;

41、其中，表示第 i个融合特征向量属于第 j个簇的隶属度数据，表示第 i个融合特征向量，表示第 j个目标聚类中心， m是模糊指数， c为聚类中心数量，为第 k个目标聚类中心， c；

42、根据每个融合特征向量的隶属度数据进行食品多因素变质概率分析，得到每个因素的食品变质概率以及每个因素的食品变质特征数据。

43、在本发明中，所述将所述每个因素的食品变质概率以及所述每个因素的食品变质特征数据输入广义回归神经网络进行食品变质程度分析，得到食品变质程度，并将所述食品变质程度传输至预置的数据展示终端进行数据展示步骤，包括：

44、所述广义回归神经网络包括：输入层、径向基函数层以及输出层；

45、将所述每个因素的食品变质概率以及所述每个因素的食品变质特征数据输入所述输入层进行概率数据融合，得到每个因素的食品变质特征；

46、将所述每个因素的食品变质特征输入所述径向基函数层进行食品变质属性值分析，得到每个因素的食品变质属性值；

47、将所述每个因素的食品变质属性值输入所述输出层进行食品变质程度分析，得到所述食品变质程度，并将所述食品变质程度传输至预置的数据展示终端进行数据展示。

48、本发明还提供了基于图像处理的食品变质检测系统，包括：

49、采集模块，用于通过高分辨率图像对目标食品进行图像采集处理，得到所述目标食品对应的多角度图像集；

50、增强模块，用于通过差分拉普拉斯增强算法对所述多角度图像集进行图像边缘及对比度增强，得到所述多角度图像集对应的增强图像集；

51、提取模块，用于通过局部二值模式算法对所述增强图像集进行图像特征提取，得到图像纹理特征集，其中，所述图像纹理特征集包括如下一种或多种：霉斑特征、变色特征以及异常纹理粗糙度特征；

52、融合模块，用于对所述图像纹理特征集进行特征融合，得到融合特征向量集；

53、分析模块，用于将所述融合特征向量集输入模糊c均值聚类算法进行食品多因素变质概率分析，得到每个因素的食品变质概率以及每个因素的食品变质特征数据；

54、展示模块，用于将所述每个因素的食品变质概率以及所述每个因素的食品变质特征数据输入广义回归神经网络进行食品变质程度分析，得到食品变质程度，并将所述食品变质程度传输至预置的数据展示终端进行数据展示。

55、本发明提供的技术方案中，通过高分辨率相机对目标食品进行多角度、多光谱图像采集，能够全面覆盖食品表面和内部的特征信息，确保图像数据的全面性和细节保留。其次，采用差分拉普拉斯增强算法对多角度图像集进行图像边缘及对比度增强，有效提高了图像的清晰度和对比度，使得食品表面和内部的微小特征更加明显，为后续处理提供了高质量的图像数据。通过局部二值模式算法对增强图像集进行处理，能够准确捕捉食品变质过程中产生的霉斑特征、变色特征以及异常纹理粗糙度特征。通过多尺度几何分析算法对提取的图像纹理特征进行特征融合，能够有效处理特征中的非线性和非平稳信号，生成一个具有高度表达能力的融合特征向量，确保不同角度和光谱下的特征能够得到充分融合。在食品多因素变质概率分析中，采用模糊c均值聚类算法，将融合特征向量输入模型进行聚类分析，得到每个因素的食品变质概率以及每个因素的食品变质特征数据。通过隶属度矩阵分析，可以识别出食品在不同变质程度下的具体表现，如颜色变暗、霉斑增多、表面黏滑和结构松散等。通过广义回归神经网络对每个因素的食品变质概率和特征数据进行综合分析，能够准确分类食品的变质程度，包括新鲜、轻微变质、中度变质和严重变质等不同级别。检测结果通过预置的数据展示终端进行直观展示，使用户能够方便地理解和决策。