一种土鸡肉质的检测方法及系统与流程

摘要: 本发明涉及计算机处理,特别是涉及一种土鸡肉质的检测方法及系统。背景技术:1、近年来,虽有研究尝试利用计算机视觉技术对肉类品质进行判别,但其方法多集中于对单一颜色...
一种土鸡肉质的检测方法及系统与流程

本发明涉及计算机处理,特别是涉及一种土鸡肉质的检测方法及系统。

背景技术:

1、近年来,虽有研究尝试利用计算机视觉技术对肉类品质进行判别,但其方法多集中于对单一颜色或纹理特征的简单阈值分割,缺乏对多维特征的综合利用,导致对肉质细微差异的区分能力不足;同时,传统聚类算法如k-means在应用于肉质图像分析时,聚类数目需预先人为设定,初始聚类中心随机选择,容易陷入局部最优解,无法自适应地反映不同样本间肉质等级的客观差异,更难以处理肌肉内部脂肪与肌纤维交错形成的复杂纹理结构。

2、因此,如何克服传统方法主观性强、破坏性大、效率低下的局限,同时解决现有图像技术特征单一、聚类算法自适应性差的技术瓶颈。

技术实现思路

1、针对上述技术问题,本发明采用的技术方案为一种土鸡肉质的检测方法,包括以下步骤:

2、s01、通过摄像头采集待测土鸡样本的表面图像;

3、s02、基于所述表面图像从多个颜色空间通道与纹理滤波响应中,提取至少两个与土鸡肉质等级相关的图像特征参数,所述特征参数包括基于lab颜色空间a*通道统计的色度分布特征、基于灰度共生矩阵计算的纹理对比度与均匀度特征;

4、s03、利用多尺度图像块分割与自适应聚类算法对所述表面图像的像素点进行分析,得到像素点特征向量,再通过综合评估所述像素点特征向量一致性与块间特征差异性,自动确定最优聚类数目;

5、s04、基于至少两个所述图像特征参数构建的多维特征空间,采用结合了模拟退火与局部搜索的混合优化算法,在特征空间内筛选出分散度最大且类内紧致性最高的初始聚类中心;

6、s05、根据所述最优聚类数目与所述初始聚类中心,采用距离加权投票法为所述表面图像中各像素点分配初始肉质等级标签;

7、s06、采用马氏距离替代欧氏距离,计算各像素点特征向量到各聚类中心的距离,以考虑特征间的相关性,并根据最近邻原则重新划分像素点的肉质等级,同步更新各类别的聚类中心;

8、s07、迭代执行步骤s05和步骤s06,直至满足预设的收敛条件,所述收敛条件结合了目标函数变化率、聚类中心偏移量及类标签稳定性的综合判据,最终输出稳定的像素点聚类结果;

9、s08、根据所述像素点聚类结果统计各肉质等级区域的面积占比、空间分布均匀度及轮廓规整度,融合生成综合评分,据此判定所述待测土鸡样本的最终肉质等级。

10、作为优选的,所述步骤s02中与所述土鸡肉质等级相关的图像特征参数的确定包括:

11、s21、采集涵盖多个已知肉质等级的土鸡样本库的所述表面图像,除提取颜色与纹理特征外,进一步提取基于gabor滤波器的多方向多尺度纹理能量特征,以及表征肌肉脂肪交错纹理的局部二值模式直方图特征;

12、s22、对提取的所有特征数据进行归一化后,使用relief-f特征选择算法或最大相关最小冗余准则,计算每个特征对于肉质等级标签的区分权重;

13、s23、选取权重最高的颜色类特征和纹理类特征各至少一种,组成用于后续聚类分析的特征参数组合。

14、作为优选的,所述步骤s03中所述利用多尺度图像块分割与自适应聚类算法确定最优聚类数目包括:

15、s31、将所述表面图像分割为不同尺寸的图像块网格,在每个尺度下,计算各图像块内所述选定特征参数的标准差,作为块内一致性度量,并计算所有图像块特征均值的离散度,作为块间差异性度量;

16、s32、基于多个尺度下的块内一致性度量与块间差异性度量,绘制其随预设聚类数目k变化的曲线,并计算曲线的综合拐点;

17、s33、将所述综合拐点对应的聚类数目k*,结合对全图像素特征直方图波峰数量的分析结果,通过加权投票机制确定最终的最优聚类数目k。

18、作为优选的,所述步骤s31中的图像块分割采用重叠滑窗法以增加统计稳定性;

19、所述步骤s32中所述综合拐点的计算结合了类内离散度下降率与类间分离度上升率的比值,当该比值小于设定阈值时判定为拐点;

20、所述步骤s33中所述对全图像素特征直方图的分析包括:对主要特征通道的直方图进行高斯混合模型拟合,将拟合出的分量数作为聚类数目的参考。

21、作为优选的,所述步骤s04中所述采用混合优化算法筛选初始聚类中心包括:

22、s41、对所述表面图像进行像素级特征提取后,先采用主成分分析对多维特征进行降维与去噪,保留主要信息分量,得到降维后的像素级特征空间;

23、s42、在所述降维后的像素级特征空间内,运行模拟退火算法进行全局寻优,所述退火算法的初始解为通过最大最小距离法选取的k个点,目标函数为最大化初始聚类中心之间的最小距离与最小化各中心邻域内样本方差的加权和;

24、s43、每当模拟退火算法接受一个新解时,随即以该解为起点进行固定次数的局部贪婪搜索,以加速向局部最优区域收敛;

25、s44、当连续n次迭代目标函数改进小于阈值δj,或温度降至终止温度te时,终止算法,输出当前最优的初始聚类中心集合。

26、作为优选的,所述模拟退火算法的初始温度t0根据特征空间样本距离的统计方差自适应设置,终止温度te设置为t0的1/100至1/50,迭代次数为500-1000次;

27、所述局部贪婪搜索的邻域定义为以当前点为圆心、特征空间平均距离的20%为半径的超球体。

28、作为优选的,所述步骤s06中所述目标函数j的计算采用考虑特征权重的类内加权误差平方和,其计算公式为:j = σi ( σ{p∈ci} wp * dm(f(p), ci) 2 );

29、其中,f(p)为像素点p的特征向量,ci为第i类的聚类中心向量,dm为马氏距离,wp为该像素点所属局部图像块的一致性权值,一致性越高的区域其内部像素点权值越大,以增强主要肉质区域的决策权重。

30、作为优选的,所述步骤s05中所述距离加权投票法为:对于一个像素点,计算其到k个初始聚类中心的马氏距离{d1, d2, ..., dk},将其转换为属于各类的初始概率,概率与距离成反比,并以该概率分布作为该像素点在后续迭代中类别更新的先验参考。

31、作为优选的,所述步骤s07中的收敛条件为包括以下任一项或多项组合:

32、连续三次迭代中,像素点所属类别标签发生变化的像素总数比例低于0.1%;

33、连续三次迭代中,所有聚类中心向量的欧氏位移总和小于设定阈值ε;

34、连续三次迭代中,目标函数j的相对下降率(δj/j)小于0.01%。

35、作为优选的,所述步骤s8中所述判定肉质等级的方法包括:

36、s81、对输出的聚类结果进行形态学后处理,剔除面积过小的孤立噪声区域,并对主要区域进行平滑;

37、s82、计算每个肉质等级区域占有效检测区域的总面积比例pi,以及该区域内特征参数的均值向量与标准差向量;

38、s83、将各区域的特征均值向量与预设的肉质等级标准特征模板进行匹配,计算相似度得分si;

39、s84、根据面积比例pi与模板匹配得分si的加权和,计算各等级的最终置信度得分,将置信度最高的等级判定为主要肉质等级;同时,输出各等级的比例与置信度报告,提供肉质均匀性评估。

40、一种土鸡肉质的检测系统,用于实现上述方案中所述的土鸡肉质的检测方法,包括:

41、图像采集模块,用于通过摄像头采集待测土鸡样本的表面图像;

42、特征提取模块,用于基于所述表面图像从多个颜色空间通道与纹理滤波响应中,提取至少两个与土鸡肉质等级相关的图像特征参数,所述特征参数包括基于lab颜色空间a*通道统计的色度分布特征、基于灰度共生矩阵计算的纹理对比度与均匀度特征;

43、聚类数目确定模块,用于利用多尺度图像块分割与自适应聚类算法对所述表面图像的像素点进行分析,得到像素点特征向量,再通过综合评估所述像素点特征向量一致性与块间特征差异性,自动确定最优聚类数目;

44、数据筛选模块,用于基于至少两个所述图像特征参数构建的多维特征空间,采用结合了模拟退火与局部搜索的混合优化算法,在特征空间内筛选出分散度最大且类内紧致性最高的初始聚类中心;

45、数据处理模块,用于根据所述最优聚类数目与所述初始聚类中心,采用距离加权投票法为所述表面图像中各像素点分配初始肉质等级标签;

46、模型更新模块,用于采用马氏距离替代欧氏距离,计算各像素点特征向量到各聚类中心的距离,以考虑特征间的相关性,并根据最近邻原则重新划分像素点的肉质等级,同步更新各类别的聚类中心;

47、数据判断模块,用于迭代触发所述标签分配模块和聚类迭代模块,直至满足预设的收敛条件,所述收敛条件结合了目标函数变化率、聚类中心偏移量及类标签稳定性的综合判据,最终输出稳定的像素点聚类结果;

48、肉质等级判定模块,用于根据所述像素点聚类结果统计各肉质等级区域的面积占比、空间分布均匀度及轮廓规整度,融合生成综合评分,据此判定所述待测土鸡样本的最终肉质等级。

49、本发明至少具有以下有益效果:

50、1、通过在标准光照箱内采集图像并进行白平衡与透视矫正,从源头上消除了环境光照变化和拍摄角度差异对图像数据的影响,为后续分析奠定了可靠的数据基础。采用马氏距离替代传统的欧氏距离,充分考虑了不同图像特征之间的相关性,避免了特征维度间的信息冗余与干扰;同时引入基于局部图像块一致性的加权机制,增强了主要肉质区域在分类决策中的权重,有效抑制了局部噪声或微小杂质的干扰。

51、2、通过多尺度图像块分割与自适应聚类算法,能够根据图像本身的特征分布自动确定最优聚类数目,真实反映样本肉质的自然分层情况。在初始聚类中心的选择上,采用了模拟退火与局部搜索相结合的混合优化算法,能够在特征空间内自动寻找到分散度最大且类内紧致性最高的初始中心,避免了算法陷入局部最优解,从而大幅提升了对不同纹理特征(如脂肪交杂程度)的区分能力。