基于图像处理的油脂烟点检测的算法设计

摘要:该文介绍一种新型的油脂烟点检测的算法设计,该设计基于图像处理技术,经平滑滤波后,通过差值提取放大,取出烟雾轮廓,根据提取烟雾的轮廓面积再次进行滤波,最后根据所得区域的高度判断烟雾的连续性,在累计连续6幅烟雾图像连续时,即判定为烟点。

关键词:图像处理;平滑滤波;阈值分割;区域形态学;烟点

中图分类号:TP311文献标识码:A 文章编号:1009-3044(2009)36-10288-02

Algorithm Design Based Image Processing For the Detection of Oil Smoke Points

CHEN Bin, FANG Jie, LI Ming-liang, YAN Jun, LI Fang-zhou

(Wenzhou University college of Physics & Electronic Information, Wenzhou 325000, China)

Abstract: This paper presents a new type of oil smoke detection algorithm design, the design is based on image processing technology, by using the smoothing filter and the difference extracted by amplification,it will remove the smoke outline . Then the contours of an area under the extraction of smoke is filtered again, and finally in the light of the regional height to determine the continuity of the smoke, if the smoke in the cumulative six consecutive images continuously, that is determined to be smoke point.

Key words: image processing; smoothing filter; thresholding; regional morphology; smoke point

近年来,随着科技的进步,人们生活水平得到逐步的提高,对油脂的需求量大大增加,对油脂的质量要求也越来越高,由过去长期食用二级油逐步向精致烹调油、高级烹调油、色拉油等高质量产品转变。不同品级的食用油脂的质量指标不同,主要包括:烟点、冷冻试验、滋味、透明度、色泽、280度加热实验、水分及挥发物、杂质、酸值、过氧化物、不皂化物及残皂量等项内容。其中烟点是非常重要的一项指标,它是指油脂在标准规定的测定条件下,加热至开始连续发蓝烟时的温度。其检测方法有:1) 肉眼观察法,该方法人为因素较多,误差较大,所测得的数据缺乏说服力;2) 采用光电技术的手段,利用一个特殊的装置将油烟通过一狭窄的通道,通道两侧配有发光二极管和光电接收管,当油脂发出稀薄连续的蓝烟时,根据烟雾对光的阻挡程度判断烟点时刻,并自动测出此时的温度,由于光电电管的灵敏度、重复性使用等的问题,其效果也不大理想;3) 化学方法测量游离脂肪酸的含量,估计烟点的大小。该方法也存在较大的误差,因为游离脂肪酸只是产生油烟的一部分物质,并不是全部,误差也较大;4) 图像处理法,即通过CCD摄像头,基于嵌入式系统进行图像处理、判断,较精确的检测出油脂烟点。

本设计针对图像处理法测烟点,采用快速烟雾连续检测算法,准确、快速、高效的检测出烟雾图像的连续性,并判断烟点,为基于图像处理的油脂烟点检测装置的核心算法。

1 快速烟雾连续检测算法

由CCD摄像头获得图像后,对图像进行区域选择,经选择后的区域(RD)处理判断前采用线性平滑滤波处理,以消除图片中存在的毛刺和噪声。滤波后由于烟雾轮廓较复杂,很难使用模板匹配获得,故采用改进的阈值分割算子得到,即差值提取放大,再由区域的形态学处理得到结果,其处理判断的基本流程图如图1所示。

图1 基本流程图

2 算法步骤及结果

2.1 区域分割

为了提高系统的实时性,在实时图像处理时,先在拍摄的图像上进行区域选择,选择后区域(RD)宽度由测得烟雾大小的均值确定,由于在密闭的环境中,烟雾位置相对固定,故可忽略RD宽度的浮动性对系统可靠性的影响,经选择后的图像如图2所示。

2.2 线性平滑滤波

一幅图像的噪声可能来自不同的干扰,包括电子传感器的噪声、相片颗粒的噪声和通道误差,可以使用经典统计学滤波技术来减少这些噪声的影响。本系统中误差主要来自于CCD相机或者通道传输误差,它们通常作为空间上不联系的离散和孤立的像素的变化出现,在灰度值上显得和他们相邻的像素有着明显的不同,通常比普通图像成分更具有更高的空间频率频谱。因此,对于噪声的清除,简单的低通滤波器是比较有效的。由线性平滑滤波后输出的图像G(j,k)可以根据下面的关系,使用L×L的脉冲响应序列H(j,k),通过输入图像的离散卷积来形成:

(1)

式中C=(L+1)/2。利用居中卷积表示法,其中输入和输出阵列都相对于对方进行居中,并且将G(j,k)的宽度为(L+1)/2个像素的外部边界设置为零。

为了进行噪声清除,H应为低通形式的,具有所有的正元素。采用3×3个像素的脉冲响应阵列:,使用该阵列对噪声进行清除的效果如图3所示。

2.3 差值提取放大

在烟雾轮廓提取时,由于烟雾轮廓变化较多,很难用固定的模板使之匹配,故采用阈值分割。但直接设置其固定的阈值进行分割效果较差,主要原因为不同油脂的烟雾的灰度值有所差别,并且区间跨度较大,故采用差值提取放大,将有烟雾时图像与没有烟雾时图像的灰度值做差,其差值在阈值范围内即为所要的烟雾轮廓,对图像进行二值化处理,形成烟雾轮廓区域。

设gm(x,y)为没有烟时图像(x,y)处的灰度值,gy(x,y)为有烟时图像(x,y)处的灰度值,DiffLowerBound为阈值的下限,DiffUpperBound为阈值的上限,其取值过大或过小都会影响烟雾轮廓提取的准确性,应根据实际拍得图像进行标定。所提取的区域符合公式(2),其提取轮廓如图4所示:

(2)

由于烟雾轮廓较为复杂,连续边界的灰度值有所不同,在提取时难免会将连续的烟雾变成断断续续的轮廓线,会在判断区域连通时被误认为不连通区域,即被误判为未连续烟雾。故采用广义膨胀,其符号表示为:

(3)

式中F(j,k)(1≤j,k≤N)表示一个二进制图像,H(j,k)(1≤j,k≤L)(L为一奇数)是一个二进制数组称作结构单元。广义膨胀变化可以用数学方式定义并可以用多种方式实现,一般采用Minkowski加法定义,本设计对区域采用一定半径的圆进行膨胀处理,使断续的边界连续,其效果如图5。

2.4 计算连通区域

对膨胀后区域计算提取连通区域,在选择时采用8连通区域,即围绕某一像素周围相邻及对角线上的相邻像素也包括进来,与4连通域相比可有更好的选择性,即可产生较少的连通域,加快处理速度。其处理后每个连续烟雾区域形成一个连通区域,此外,分割得到的干扰区域也被作为独立的区域返回,可以非常容易地将这些区域从分割结果中剔除,本设计采用基于区域面积的滤波。计算连通区域所得部分连通区域如图6所示。

2.5 区域面积滤波

根据区域面积,即每个区域所含像素点的个数进行滤波。由于连续的烟雾经处理后面积较大,不连续的面积较小,在面积阈值为5000时效果较好。用ConnectedRegions表示滤波前连续的区域, SelectedRegions表示滤波后输出的区域, area(ConnectedRegions)表示ConnectedRegions的面积,则其关系式如下,效果如图7所示:

(4)

2.6 区域形态学判断处理

经滤波处理后,基于区域形态学,计算出每一区域的最小外接矩形,并返回最小外接矩形左上角、右下角像素点坐标,用于计算其区域高度,即烟雾的高度,根据烟雾的高度判断其是否连续。由于原始图像的高度为512,故连续烟雾的高度大于500即算连续。用(Rowl,Column1)表示返回的左上角坐标, (Row2,Column2)表示返回的右下角坐标,连续用Connected表示,根据式(5)可判断判断单幅图像的连续性。

(5)

由于烟雾变化较快,单幅图像烟雾连续还不能判断为烟点。故采用连续累计的方法,即当连续6幅图像判断为连续时,则判定为烟点。最后判断如图8所示。

2.7 在实际应用中的结果分析

在实际应用中测试数据图9所示,采用本算法设计的测试仪的双实验误差不超过1度,比采用人工测法的误差缩小了一倍。其烟点温度的标准差为0.266112,而人工测法的标准差为0.718826,使用本算法使测试的稳定性、效率有了较大提高。

3 结束语

基于图像处理技术,设计了一种快速、准确、高效判断烟点的算法,为基于图像处理的油脂烟点检测装置提供了算法设计依据。在检测油脂烟点中,解决了各类人为因素带来的影响,使检测效果较为准确,并可实现实时、智能化检测,给生产油脂及检测部门带来极大的方便。随着工业自动程度的普及,在未来自动检测领域中必将会有着重大应用。

参考文献:

[1] Carsten Steger,Markus Ulrich,Christian Wiedemann.Machine Vision Algorithms and Applications [M].北京:清华大学出版社,2008.

[2] Ghazali,K.H., Razali,S.,Mustafa,M.M.,Hussain,A.Machine Vision System for Automatic Weeding Strategy in Oil Palm Plantation using[J].Image Filtering Technique,7-11 April 2008,Page(s):1-5.

[3] Callaghan,M.J.,McGinnity,T.M.,McDaid,L.Evolving task specific algorithms for machine vision applications,Volume 1,4-7 July 2005 Page(s):371-374 vol.1.

[4] Bulanon,D.M.,Kataoka,T.,Okamoto,H.,Hata,S.Development of a real-time machine vision system for the apple harvesting robot.Volume 1,4-6 Aug.2004 Page(s):595-598 vol.1.

[5] Nat.Centre for Eng.in Agric.,Toowoomba.The use of machine vision for assessment of fodder quality[J].Mechatrnics and Machine Vision in Practice,2007:179-184.

[6] Buzera,M.,Prostean,G.,New algorithms used in the phases of automatic classification of products,July 29 2009-Aug.1 2009 Page(s):215-218.