一种基于视觉识别的智能食品检测装置的制作方法
本发明属于智能检测,涉及一种基于视觉识别的智能食品检测装置。
背景技术:
1、随着食品安全标准的日益严格和消费者对食品品质要求的不断提高,食品生产过程中的在线检测技术越来越受到重视。传统的食品检测主要依赖人工目视检查,存在检测效率低、主观性强、漏检率高、劳动强度大等突出问题,难以满足现代化大规模食品生产的需要。
2、近年来,机器视觉技术被逐步引入食品检测领域。现有的基于视觉的食品检测装置通常包括输送带、图像采集设备和图像处理系统,通过对食品表面图像进行分析来判断食品是否存在缺陷。然而,现有技术仍存在以下不足:
3、第一,现有装置的照明系统多为固定光源,无法根据不同类型食品的表面特性进行自适应调节,导致采集的图像质量不稳定,尤其在检测高反光或表面纹理复杂的食品时,图像过曝或欠曝问题严重,影响检测精度。
4、第二,现有装置通常仅依赖单一的可见光图像信息进行检测,难以发现食品内部的缺陷或早期的品质变化,例如水果内部的褐变、肉类的早期变质等,检测维度单一。
5、第三,现有装置的检测算法多为传统的图像处理算法,基于人工设计的特征进行缺陷判断,对于形态多变、缺陷类型复杂的食品,检测准确率和泛化能力有限。
6、第四,现有装置缺乏对多种检测结果的综合决策能力,难以实现食品品质的多维度综合判定和精确分级。
7、因此,亟需开发一种能够自适应调节照明条件、融合多模态感知信息、采用深度学习算法进行智能检测的食品检测装置,以解决上述现有技术中存在的问题。
技术实现思路
1、本发明的目的在于解决上述问题,提供一种基于视觉识别的智能食品检测装置。
2、为实现上述目的,本发明提供一种基于视觉识别的智能食品检测装置,包括输送机构、暗箱、照明系统、图像采集单元、光谱成像单元、位置传感器、控制与处理单元和剔除机构。
3、所述输送机构用于承载并输送待检测食品。优选地,所述输送机构包括输送带、主动辊、从动辊和驱动电机,所述输送带表面设置有防滑纹路,以防止食品在输送过程中发生滚动或偏移,所述输送带下方设置有背景板,所述背景板的颜色根据待检测食品的种类可更换,以提供最佳的图像对比度。
4、所述暗箱罩设于所述输送机构上方,用于隔绝外界环境光对图像采集的干扰。所述暗箱的内壁设置有漫反射涂层,以使照明光线在暗箱内部均匀分布。所述暗箱的前后两侧分别设置有食品入口和食品出口,所述食品入口和所述食品出口处分别设置有遮光帘,所述遮光帘由柔性遮光材料制成,在保证食品顺利通过的同时有效防止外界光线进入。
5、所述照明系统设置于所述暗箱内部,包括环状led光源阵列和同轴光源。所述环状led光源阵列由多个不同色温的led灯珠组成,具体包括内环光源和外环光源,所述内环光源的色温为5500k~6500k(日光色温),所述外环光源的色温为2700k~3200k(暖白色温),所述内环光源和所述外环光源的亮度可分别独立调节。所述同轴光源设置于图像采集单元的正下方,用于提供均匀的垂直照明,消除食品表面的阴影。通过内环光源、外环光源和同轴光源的组合调节,可以实现对不同表面特性食品的最佳照明。
6、所述图像采集单元设置于所述暗箱内部且位于所述输送机构正上方,包括高分辨率工业相机和镜头,用于采集食品的可见光图像。
7、所述光谱成像单元设置于所述暗箱内部,与所述图像采集单元相邻设置,用于采集食品的多光谱图像信息。优选地,所述光谱成像单元包括多光谱滤光片轮和光谱相机,所述多光谱滤光片轮上设置有至少四个不同波段的窄带滤光片,所述窄带滤光片的波段分别选自可见光波段、近红外波段和短波红外波段。通过多光谱成像,可以获取食品表面及浅表层的光谱反射信息,从而检测食品内部的缺陷和早期品质变化。
8、所述位置传感器设置于所述输送机构两侧,用于检测食品是否到达图像采集区域,以触发图像采集单元和光谱成像单元进行同步采集。
9、所述控制与处理单元分别与所述输送机构、所述照明系统、所述图像采集单元、所述光谱成像单元和所述位置传感器电连接。所述控制与处理单元包括图像预处理模块、特征提取模块、缺陷检测模块和分类决策模块。
10、所述图像预处理模块用于对所述图像采集单元采集的食品图像进行去噪、增强和分割处理。具体地,所述图像预处理模块采用中值滤波或高斯滤波进行去噪处理,采用直方图均衡化或自适应对比度增强算法进行图像增强,采用阈值分割或边缘检测算法进行图像分割。
11、所述特征提取模块用于从预处理后的图像中提取食品的颜色特征、纹理特征和形状特征,以及从所述光谱成像单元采集的多光谱图像中提取光谱特征。具体地,所述颜色特征包括rgb颜色空间的均值、方差和各通道的分布直方图,所述纹理特征包括灰度共生矩阵(glcm)提取的对比度、相关性、能量和同质性等参数,所述形状特征包括面积、周长、圆度、长宽比和hu矩等,所述光谱特征包括各波段反射率的均值和光谱曲线的形状特征。
12、所述缺陷检测模块用于将提取的多种特征输入至预先训练的深度学习检测模型,判断食品是否存在缺陷及缺陷类型。优选地,所述深度学习检测模型为基于改进的yolov8网络结构的缺陷检测模型,所述改进的yolov8网络结构在主干网络中嵌入了注意力机制模块(如se模块或cbam模块),以增强对关键特征的关注能力,并在颈部网络中增加了多尺度特征融合层,以提高对不同尺寸缺陷的检测能力-。所述缺陷类型至少包括外观缺陷(如划痕、压痕、变形、颜色异常等)、异物污染(如毛发、塑料碎片、金属屑等)和品质异常(如霉变、腐败、成熟度异常等)。
13、所述分类决策模块用于根据所述缺陷检测模块的判断结果生成控制指令。所述分类决策模块采用证据理论(d-s证据理论)对可见光图像检测结果和多光谱图像检测结果进行多源信息融合决策,以提高检测的准确性和可靠性。
14、所述剔除机构设置于所述输送机构下游,与所述控制与处理单元电连接,用于将不合格食品从所述输送机构上剔除。优选地,所述剔除机构包括气动喷嘴阵列和废料收集箱,所述气动喷嘴阵列设置于所述输送机构上方,所述气动喷嘴阵列的喷射方向与所述输送机构的输送方向呈30°~60°夹角,所述废料收集箱设置于所述输送机构的一侧。
15、优选地,所述控制与处理单元还包括自适应照明控制模块,所述自适应照明控制模块用于根据所述图像采集单元采集的图像的亮度分布和颜色分布,动态调节所述环状led光源阵列中各led灯珠的亮度和色温,以保证在不同检测条件下均能获得高质量的图像。
16、优选地,所述装置还包括清洁机构,所述清洁机构设置于所述暗箱内部,包括压缩空气喷嘴和毛刷辊,所述压缩空气喷嘴用于吹除所述图像采集单元和所述光谱成像单元的镜头表面的粉尘,所述毛刷辊用于清洁所述输送带表面,以保证长期运行的检测稳定性。
17、本发明还提供一种基于视觉识别的智能食品检测方法,包括以下步骤:
18、s1:启动输送机构,将待检测食品输送至暗箱内部的图像采集区域;
19、s2:位置传感器检测到食品到达图像采集区域后,触发图像采集单元采集食品的可见光图像,同时触发光谱成像单元采集食品的多光谱图像;
20、s3:图像预处理模块对采集的可见光图像和多光谱图像进行去噪、增强和分割预处理;
21、s4:特征提取模块从预处理后的可见光图像中提取食品的颜色特征、纹理特征和形状特征,从预处理后的多光谱图像中提取光谱特征;
22、s5:将提取的多种特征输入至预先训练的深度学习检测模型,判断食品是否存在缺陷及缺陷类型,所述缺陷类型至少包括外观缺陷、异物污染和品质异常;
23、s6:分类决策模块根据检测结果生成控制指令;
24、s7:若食品被判定为不合格,剔除机构将该食品从输送机构上剔除至废料收集箱;若食品被判定为合格,输送机构将食品继续输送至下一工位。
25、本发明与现有技术相比,具有以下有益效果:
26、本发明通过设置由内环光源、外环光源和同轴光源组成的多模式照明系统,并设置自适应照明控制模块,能够根据不同类型食品的表面特性动态调节光源的亮度和色温,有效解决了高反光或复杂纹理食品图像采集质量不稳定的问题,提高了图像采集的适应性和一致性。
27、本发明通过同时设置可见光图像采集单元和多光谱成像单元,实现了对食品表面外观和内部品质的多模态感知,不仅能够检测食品表面的划痕、变形、颜色异常等外观缺陷,还能够通过多光谱信息检测食品内部的褐变、霉变、腐败等早期品质变化,显著扩展了检测维度。
28、本发明采用基于改进yolov8的深度学习检测模型,通过嵌入注意力机制和多尺度特征融合,能够自动学习并提取食品缺陷的深层特征,相比传统的人工设计特征方法,具有更高的检测准确率和更强的泛化能力。
29、本发明通过设置分类决策模块并采用证据理论对可见光检测结果和多光谱检测结果进行多源信息融合决策,能够在信息不确定或存在冲突的情况下做出稳健的检测决策,有效提高了检测的可靠性和鲁棒性。
30、本发明通过设置自动化的输送机构、图像采集、智能检测和剔除机构,实现了食品检测的全流程自动化,大幅提高了检测效率,降低了人工成本,适用于食品生产线的在线实时检测。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com