一种腐竹皮品质非接触式检测分级方法

本发明涉及腐竹皮加工，尤其涉及一种腐竹皮品质非接触式检测分级方法。

背景技术：

1、在腐竹皮加工时，实现腐竹皮的分类、检测腐竹皮的加工质量等原因，需要对腐竹皮的品质进行检测，目前，在对腐竹皮的品质进行检测时，一般通过人工进行，使得腐竹皮品质的检测效率低，且容易出现人为误差，影响检测的准确度。

2、因此，有必要提供一种新的腐竹皮品质非接触式检测分级方法解决上述技术问题。

技术实现思路

1、为解决上述技术问题，本发明提供一种提高腐竹皮检测效率的腐竹皮品质非接触式检测分级方法。

2、本发明提供的腐竹皮品质非接触式检测分级方法包括以下步骤：

3、a、利用机器视觉技术对腐竹皮图像进行实时采集；首先用工业摄像机拍摄采集到的腐竹皮图像进行roi区域提取并进行预处理；

4、b、利用图像处理技术对腐竹皮进行灰度特征值及纹理特征值的提取；通过图像处理对腐竹皮样本图像的灰度直方图分布情况进行分析，再对其进行直方图均衡化并计算平均灰度值，通过平均灰度值完成腐竹皮黑暗程度，即灰度特征值的提取；再采用灰度游程长度矩阵与灰度共生矩阵对腐竹皮分别进行表面纹理特征值提取；

5、c、将提取后的灰度特征值及纹理特征值作为支持向量机(svm)品质分级模型的输入值，腐竹皮品质等级作为输出值，建立腐竹皮品质分级模型。

6、优选的，所述步骤(b)中灰度特征值的计算的过程为：采用图像处理法测定不同浓度下腐竹皮样本表面的平均灰度值，再通过归一化公式获得腐竹皮表面黑暗程度值(dod)即灰度特征值；公式具体如下：

7、

8、其中，255为最亮像素的值(白色)，0为最暗像素的值(黑色)。

9、优选的，所述步骤(b)中纹理特征值的提取过程为：通过设定方向θ和距离d来确定灰度对(f1,f2)，进而生成灰度共生矩阵；灰度共生矩阵法(glcm)中对方向的取值一般为0°、45°、90°及135°，d为中心像元，取值一般为1、2、3、4等；通过对4个方向求出不同的glcm特征值再进行均值计算得到各特征参数；通过glcm可以得到不同的纹理特征参数，其中特征参数包含能量(angular second moment,asm)、对比度(contrast,con)、相关系数(correlation,cor)和倒数差分矩(inverse different moment,idm)。各表达式分别为：

10、能量

11、

12、能量也称角二阶矩，用来计算原始图像平滑度。若某图像中的像素灰度级f都一样f，p(f,f)＝1且p(f1,f2)＝0(f1≠f或f2≠f)，则asm＝1；若具有所有可能的像素对，且像素的灰度级具有同等的概率，则asm等于这个概率值；区域越不平滑，并且分布p(f1,f2)越均匀，则asm越低；

13、对比度

14、

15、倒数差分矩

16、

17、倒数差分矩也称为同质性、逆差矩，体现了图像中局部灰度特征相关性，当图像每个像素值分布均匀时，glcm对角元素具有较大值，即idm值较大。相反，图像区域越不平滑，则idm值就越小。

18、相关系数

19、

20、在matlab中对asm、con、idm和cor进行glcm特征值计算，最后对4个角度采集到的数据进行均值计算。

21、优选的，所述步骤(b)中灰度特征值的计算的过程还包括：设点(x,y)的灰度值为f，然后统计出在图像中任意一点出发，沿着θ方向游走连续出现n个点都具有灰度值f，发生这种情况的概率记为p(f,n)，θ方向一般取值为0°或45°，不同θ方向的游程长度矩阵如式所示：

22、

23、

24、

25、通过glrlm可以得到不同的纹理特征参数，其中特征参数包含短行程补偿(shortrun emphasis,sre)、长行程补偿(long run emphasis,lre)、灰度级非均匀性(gray leveldifferent uniformity,gld)和行程长度非均匀性(run length different uniformity,rld)；各表达式分别为：

26、短行程补偿

27、

28、长行程补偿

29、

30、灰度级非均匀性

31、

32、若图像中各灰度行程情况出现的较为均匀，则gld数值较小，说明图像纹理较为细致，变化会剧烈；若图像中某种灰度出现较多则gld较大，表面图像中纹理较粗，变化缓慢。

33、行程长度非均匀性

34、

35、在matlab中调用getgraylevelrumatrix函数中选择参数方向分别为0°和45°，分别对sre、lre、gld、和rld进行glrlm特征值计算，最后对2个角度采集到的数据进行均值计算。

36、优选的，所述步骤(c)中svm分级模型的构建具体为：设定腐竹皮品质分级训练样本集：

37、d＝{(xi,yi),i＝1,2,···,l}xi∈rd

38、svm分类器的超平面方程为：ωxi+b＝0式中：xi——训练向量；ω——法向量；b——超平面的偏移。

39、由于腐竹皮品质分级是分为三个等级即多分类分级，因此，系统应构造出品质三分类器模块对腐竹皮的品质等级进行智能分级，在系统自动进行腐竹皮品质分级测试时，先通过对待测分级的样本集进行加载，利用该样本集特征参数得到惩罚因子值c和核参数值g中的最优值，系统中的训练学习模块通过对待测样本集进行重复性的训练与学习，并可最终自动构成出品质等级分类器模型，系统中的测试模块通过对待测样本集进行等级分类；在svm分级模型构建中，通过交叉验证方法得到模型中的惩罚因子c和核参数值g最优解，其中参数coef()和d均设定为系统默认值；训练模块对样本集进行多次训练学习并得到分类器模型，从而通过此分类器模型对测试集进行等级分类。

40、优选的，所述步骤(a)中预处理的方式为：对采集的图像进行高斯滤波，二维均值、标准差为σ的高斯函数，如下式所示：

41、

42、优选的，所述步骤(a)中预处理的方式还包括为：在图像处理中使用边缘检测，使用sobel算子实现边缘定位效果；其定义如下：

43、sx＝|f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)|-|f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)|

44、sy＝|f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)|-|f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)|

45、g＝|sx|+|sy|。

46、优选的，所述步骤(a)中采集到样本图像后进行尺寸标定。

47、与相关技术相比较，本发明提供的腐竹皮品质非接触式检测分级方法具有如下有益效果：

48、本发明通过rbf-svm分级模型实现腐竹皮品质智能检测分级，从而不需要人工检测腐竹皮的品质，减小操作人员的负担，同时检测准确率高。