本发明属于食品安全检测,具体涉及一种基于ai算法的食品安全人工智能监管系统。
背景技术:
1、在对食品进行安全监控时,目前主要通过获取食品的整体图像,基于机器学习异常图像,然后对食品进行异常判定。在采用机器学习的方法,需要大量的异常图像的样本以及机器学习,需要投入大量的成本,经济性差。另一方面,先目前主要通过获取食品的整体图像,在整体图像中出现食品异常信息时,食品通常已出现大面积异常,预见性差。
技术实现思路
1、本发明提供一种基于ai算法的食品安全人工智能监管系统,能够有效对食品异常进行判断,检测效果好,经济性好。
2、本发明通过下述技术方案实现:
3、本发明提供一种基于ai算法的食品安全人工智能监管系统,包括:图像获取模块,图像获取模块被配置为获取食品的整体图像;图像分割模块,图像分割模块被配置为对食品的整体图像按照部位的不同进行对象分割;预测模块,预测模块被配置为对任一对象在邻近与其他对象的交界区域的形态进行预测,得到检测对象的预测图像;质量判断模块,质量判断模块被配置为将检测对象的预测图像与检测对象的实物图像的形态进行对比,并在判定检测对象的预测图像与检测对象的实物图像的形态差距超过预设阈值时,判定食品异常。
4、在其中一些实施例中,图像分割模块包括颜色分割单元和/或形状分割单元;颜色分割单元基于颜色差对食品的整体图像进行分割以得到不同部位的对象;形状分割单元基于形状变化程度对食品的整体图像进行分割以得到不同部位的对象。
5、在其中一些实施例中,颜色分割单元基于颜色差对食品的整体图像进行分割以得到不同部位的对象包括以下步骤:s10、将整体图像中非食品的图像区域删除;s20、将剩余图像进行图像二值化操作;s30、基于图形二值化得到食品的不同部位。
6、在其中一些实施例中,预测模块包括形状预测单元和颜色预测单元;形状预测单元基于检测对象远离交界区域的一端朝向交界区域的延伸曲线,预测检测对象在邻近与其他对象的交界区域的形状;颜色预测单元基于检测对象远离交界区域的颜色,预测检测对象在邻近与其他对象的交界区域的颜色。
7、在其中一些实施例中,图像分割模块包括整体分割单元和局部分割单元;整体分割单元被配置为对食品的整体图像进行分割,得到分割后仅包括任一对象的图像;局部分割单元被配置为食品的整体图像进行分割,得到同时包括至少两个对象的图像。
8、在其中一些实施例中,质量判断模块包括整体判断单元和局部判断单元;整体判断单元获取经整体分割单元分割后的图像并进行判断;局部判断单元获取经局部分割单元分割后的图像并进行判断。
9、在其中一些实施例中,预测模块得到检测对象的预测图像包括以下步骤:t10、获取食品种类;t20、基于食品种类,获取数据库中健康食品的形态变化;t30、获取食品检测对象远离交界区域的形态至交界区域的形态变化趋势;t40、基于数据库中健康食品的形态变化和食品远离交界区域的形态至交界区域的形态变化趋势,得到检测对象的预测图像。
10、在其中一些实施例中,图像分割模块对整体图像进行分割后,得到根茎分割图像和/或茎叶分割图像。
11、本发明与现有技术相比,具有以下优点及有益效果:
12、本发明提供的基于ai算法的食品安全人工智能监管系统主要获取食品不同部位交汇的位置的图像内容,并对分割对象与其他对象交汇的位置的图像进行预测,并将预测图像与实际图像进行对比,以判断食品该对象与其他对象的交汇位置是否存在异常的情况。基于上述实施例,还能够在食品刚开始发生异常时,及时发现该异常,避免食品的大范围损坏,起到节约食品的目的。
1.一种基于ai算法的食品安全人工智能监管系统,其特征在于,包括:
2.根据权利要求1所述的基于ai算法的食品安全人工智能监管系统,其特征在于,所述图像分割模块包括颜色分割单元和/或形状分割单元;
3.根据权利要求2所述的基于ai算法的食品安全人工智能监管系统,其特征在于,所述颜色分割单元基于颜色差对食品的整体图像进行分割以得到不同部位的对象包括以下步骤:
4.根据权利要求1至3任一项所述的基于ai算法的食品安全人工智能监管系统,其特征在于,所述预测模块包括形状预测单元和颜色预测单元;
5.根据权利要求1所述的基于ai算法的食品安全人工智能监管系统,其特征在于,所述图像分割模块包括整体分割单元和局部分割单元;
6.根据权利要求5所述的基于ai算法的食品安全人工智能监管系统,其特征在于,所述质量判断模块包括整体判断单元和局部判断单元;
7.根据权利要求1所述的基于ai算法的食品安全人工智能监管系统,其特征在于,所述预测模块得到检测对象的预测图像包括以下步骤:
8.根据权利要求1所述的基于ai算法的食品安全人工智能监管系统,其特征在于,所述图像分割模块对整体图像进行分割后,得到根茎分割图像和/或茎叶分割图像。