一种基于图像识别的散蛋黄和热伤蛋检测方法和系统

本发明涉及图像识别系统领域，尤其涉及一种基于图像识别的散蛋黄和热伤蛋检测方法和系统。

背景技术：

1、目前，鸡蛋生产过程中的散蛋黄和热伤蛋检测主要依靠人工目测，存在检测效率低、准确性不高的问题。因此，需要一种基于图像识别的散蛋黄和热伤蛋检测方法，以提高鸡蛋生产过程中的质量控制水平。

技术实现思路

1、本发明提供了一种基于图像识别的散蛋黄和热伤蛋检测方法，包括：

2、利用预置的光照装置照射鸡蛋，获取鸡蛋表面的图像数据，对所述图像数据进行图像标准化处理，获取标准格式的图像；其中，

3、所述光照装置包括可调光源和光纤探测仪；

4、所述图像标准化处理包括图像去噪处理、图像增强处理、图像平滑处理、图像锐化处理、图像尺寸调整处理和图像色彩空间转换处理的一种或多种；

5、对所述标准格式的图像区域进行图像感兴趣区域处理，确定图像感兴趣区域；其中，

6、所述标准格式的图像区域是和散蛋黄或热伤蛋相关区域位置的图像区域；

7、所述图像感兴趣区域处理包括图像边缘检测处理、图像去除伪影处理、图像校正处理、图像阈值处理的一种或多种；

8、提取所述图像感兴趣区域的图像特征，并通过所述图像特征判断鸡蛋是否为散蛋黄或热伤蛋，得到判断结果；

9、当所述判断结果为鸡蛋是散蛋黄或热伤蛋时，将所述检测结果反馈至预设的控制终端。

10、作为本技术方案的一种实施例，所述获取鸡蛋表面的图像数据，对所述图像数据进行图像标准化处理，获取标准格式的图像，包括：

11、通过预设的监测装置，获取鸡蛋表面的图像数据；

12、通过预设的滤波器和去噪算法，去除图像数据中的高斯噪声，确定去噪图像；其中，所述滤波器包括均值滤波和中值滤波的一种或者多种；

13、调整所述去噪图像的属性，其中，所述去噪图像的属性包括图像亮度、图像对比度和图像色彩的一种或者多种；

14、通过预设的滤波器，对调整属性后的去噪图像进行模糊处理，确定模糊处理图像；

15、通过预设的锐化滤波器或边缘检测算法，增强所述模糊处理图像的边缘和细节信息；

16、基于所述模糊处理图像的边缘和细节信息，对所述模糊处理图像进行缩放和裁剪；

17、对缩放和裁剪后的模糊处理图像进行色彩空间的转换，得到标准格式的图像。

18、作为本技术方案的一种实施例，所述对所述标准格式的图像区域进行图像感兴趣区域处理，确定图像感兴趣区域，包括：

19、通过预设的边缘检测算法，检测图像中的边缘信息；

20、对图像进行去除伪影处理，得到除伪影图像；

21、对除伪影图像进行几何校正，得到矫正图像；其中，

22、所述几何校正包括图像畸变矫正和图像旋转矫正的一种或者多种；

23、基于所述边缘信息，设置切割阈值范围，并在所述切割阈值范围内，将矫正图像分割为不同的区域，并识别出和散蛋黄或热伤蛋相关的图像区域，确定图像感兴趣区域。

24、作为本技术方案的一种实施例，所述提取所述图像感兴趣区域的图像特征，并通过所述图像特征判断鸡蛋是否为散蛋黄或热伤蛋，得到判断结果，包括：

25、提取所述图像感兴趣区域的图像特征，将所述图像特征上传至预设的机器学习算法进行训练；

26、将训练后的图像特征分别按照散蛋黄特征和热伤蛋特征进行分类，得到分类图像特征；

27、基于所述分类图像特征，建立和散蛋黄和热伤蛋相关的训练模型；

28、将所述鸡蛋表面的图像数据上传至散蛋黄和热伤蛋的训练模型，判断所述目标图像数据是否为散蛋黄或热伤蛋，得到判断结果；

29、当所述判断结果为所述目标图像数据为散蛋黄或热伤蛋时，将所述检测结果反馈至预设的控制终端。

30、本发明提供了一种基于图像识别的散蛋黄和热伤蛋检测系统，包括：

31、图像标准化处理模块，用于利用预置的光照装置照射鸡蛋，获取鸡蛋表面的图像数据，对所述图像数据进行图像标准化处理，获取标准格式的图像；其中，

32、所述光照装置包括可调光源和光纤探测仪；

33、所述图像标准化处理包括图像去噪处理、图像增强处理、图像平滑处理、图像锐化处理、图像尺寸调整处理和图像色彩空间转换处理的一种或多种；

34、图像感兴趣区域处理模块，用于对所述标准格式的图像区域进行图像感兴趣区域处理，确定图像感兴趣区域；其中，

35、所述标准格式的图像区域是和散蛋黄或热伤蛋相关区域位置的图像区域；

36、所述图像感兴趣区域处理包括图像边缘检测处理、图像去除伪影处理、图像校正处理、图像阈值处理的一种或多种；

37、判断模块，用于提取所述图像感兴趣区域的图像特征，并通过所述图像特征判断鸡蛋是否为散蛋黄或热伤蛋，得到判断结果；

38、反馈模块，用于当所述判断结果为鸡蛋是散蛋黄或热伤蛋时，将所述检测结果反馈至预设的控制终端。

39、作为本技术方案的一种实施例，所述图像标准化处理模块，包括：

40、图像数据单元，用于通过预设的监测装置，获取鸡蛋表面的图像数据；

41、图像去噪处理单元，用于通过预设的滤波器和去噪算法，去除图像数据中的高斯噪声，确定去噪图像；其中，所述滤波器包括均值滤波和中值滤波的一种或者多种；

42、图像增强处理单元，用于调整所述去噪图像的属性，其中，所述去噪图像的属性包括图像亮度、图像对比度和图像色彩的一种或者多种；

43、图像平滑处理单元，用于通过预设的滤波器，对调整属性后的去噪图像进行模糊处理，确定模糊处理图像；

44、图像锐化处理单元，用于通过预设的锐化滤波器或边缘检测算法，增强所述模糊处理图像的边缘和细节信息；

45、图像尺寸调整处理单元，用于基于所述模糊处理图像的边缘和细节信息，对所述模糊处理图像进行缩放和裁剪；

46、图像色彩空间转换处理单元，用于对缩放和裁剪后的模糊处理图像进行色彩空间的转换，得到标准格式的图像。

47、作为本技术方案的一种实施例，由于获取图像的时候受到环境、图像采集设备等因素的影响，获取的图像经常有模糊的情况，为了加强图像的边缘效果，使这些模糊的图像有较高的辨识度，利于目标图像的识别，在进行图像锐化处理采用如下算法：

48、步骤一：计算沿对角线方向相邻两像素的灰度值的差值，计算公式如下：

49、

50、其中r(x,y)表示坐标(x,y)的像素值的灰度值，δx表示45°方向上相邻两像素的灰度值的差值，δy表示135°方向上相邻两像素的灰度值的差值；

51、步骤二：计算坐标(x,y)的灰度值与周边对角线方向相邻像素点的灰度值对比系数，其计算公式为：

52、

53、步骤三：根据坐标(x,y)对角线方向相邻两像素的灰度值的差值及对比系数，计算坐标(x,y)的幅值，其计算公式如下：

54、

55、设m为预设阈值，当f(x,y)大于m时，则(x,y)为边缘点，当f(x,y)小于等于m时，则(x,y)为非边缘点。

56、作为本技术方案的一种实施例，所述图像感兴趣区域处理模块，包括：

57、图像边缘检测处理单元，用于通过预设的边缘检测算法，检测图像中的边缘信息；

58、图像去除伪影处理单元，用于对图像进行去除伪影处理，得到除伪影图像；

59、图像校正处理单元，用于对除伪影图像进行几何校正，得到矫正图像；其中，

60、所述几何校正包括图像畸变矫正和图像旋转矫正的一种或者多种；

61、图像阈值处理单元，用于基于所述边缘信息，设置切割阈值范围，并在所述切割阈值范围内，将矫正图像分割为不同的区域，并识别出和散蛋黄或热伤蛋相关的图像区域，确定图像感兴趣区域。

62、作为本技术方案的一种实施例，所述判断模块，包括：

63、上传单元，用于提取所述图像感兴趣区域的图像特征，将所述图像特征上传至预设的机器学习算法进行训练；

64、特征分类单元，用于将训练后的图像特征分别按照散蛋黄特征和热伤蛋特征进行分类，得到分类图像特征；

65、训练模型建立单元，用于基于所述分类图像特征，建立和散蛋黄和热伤蛋相关的训练模型；

66、判断单元，用于将所述鸡蛋表面的图像数据上传至散蛋黄和热伤蛋的训练模型，判断所述目标图像数据是否为散蛋黄或热伤蛋，得到判断结果；

67、反馈单元，用于当所述判断结果为所述目标图像数据为散蛋黄或热伤蛋时，将所述检测结果反馈至预设的控制终端。