視覺檢測技術在食品行業的應用研究

陶春 周振中 杜康

摘要：視覺檢測是一種結合圖像處理和模式識別的新生技術，具有檢測速度快、檢測結果準確等特點。近些年來，隨著計算機性能的提高和計算機視覺檢測技術的飛速發展，視覺檢測技術廣泛應用于食品檢測行業，將來，有很大的可能取代人工檢測的方法。本文主要介紹了視覺檢測的相關技術和檢測原理，并詳細綜述了該技術在食品行業的應用研究。

關鍵詞：機器視覺;圖像分析;食品行業;品質檢測

1視覺檢測原理

通常，計算機視覺檢測系統主要由以下幾個部分組成：照明設備、檢測箱、CCD圖像傳感器、圖像采集卡和計算機軟件系統等，具體見圖1所示。主要任務是圖像的采集、處理和分析識別。系統在對采集的圖形進行特征提取和分析時，根據不同的需求利用不同的算法進行分析，最后得出所需的結果。

計算機視覺檢測系統主要的步驟為圖像數據采集、數據預處理、特征降維和圖像識別與分類。

1.1圖像數據采集

圖像采集是使用相應的傳感器將模擬信號轉換為數字信號的過程，其中光源是至關重要的區域，關照強度會影響到圖片的質量，直接導致后續的檢測結果不準確，因此光照強度必須適中且能夠自由控制。通常圖像采集是利用攝像機、紅外成像等工具，好的設備能夠保證圖像的原始信息不會丟失。

1.2圖像預處理

圖像預處理是通過減少圖像中的噪聲來實現目標信息的可檢測性，從而改進特征提取、圖像識別與分類的準確性。其中圖像平滑是圖像預處理中最常用的方法之一，是通過突出低頻信息和抑制高頻信息的過程，目的是減少圖像的梯度，改善圖像質量。

1.3圖像特征降維

圖像的特征降維是利用降維等相關方法將其維度降到可控范圍之類，利用降維后的目標特征表示整個圖像的信息。為了提高算法的運行速度，將所有的特征向量化，且每一個特征向量能夠唯一確定相對于的對象特點。圖像經過降維處理之后，能夠有效提高檢測準確率。

1.4圖像識別與分類

圖像識別與分類是視覺檢測技術中最復雜的過程，其中需要應用各種機器學習和人工智能算法，能夠自動模擬人眼識別并將不同的目標進行分類。

現在，已有多種分類和識別算法，例如：K-近鄰算法、決策樹、神經網絡等。

視覺檢測技術可以根據降維后的目標特征生成準確的數據，無須人工進行計算，運行速度快，減速了大量人力和物力的消耗，大大提高了生產效率和自動化程度。

2視覺檢測技術在食品檢測方面的應用

食品是人們生活中必不可少的物質，檢測食品的優劣成了現在急需解決的問題。而視覺檢測技術的出現填補了這方面的空白，為食品的安全提供了保障。

2.1食品形狀檢測

各種食品具有不同的形狀特征，有些形狀規則，有些外觀天然不規則，使得食品檢測與評估變得異常復雜。在形狀檢測過程中，主要根據食品的面積、周長等來衡量產品的形狀，而各種不同特征可以通過計算機視覺檢測技術進行區分。通過計算圖像中目標樣本區域的像素個數來獲取被測物體的面積和周長等，進而實現食品的自動檢測。Ohali等人研發了一套視覺檢測系統，通過計算目標區域來評估食品的尺寸及形狀，檢測結果的準確率達到了80%。但是目前的視覺檢測技術都不能百分百的檢測正確，因此，為了提高識別準確性，許多學者利用海量的食品數據圖像對檢測算法進行訓練，達到設定目標之后才應用。孫彥龍等人研究了馬鈴薯的檢測方法，利用人工神經網絡模型對其視圖的特征進行融合，最終的分類準確率達到96%。

2.2食品顏色檢測

顏色是評估食品質量的一個重要特征，尤其是水果等食品，顏色在很大程度上直接反映水果的新鮮程度和質量。目前，傳統的檢測手段都是通過人工篩選，但是這些方法會導致人眼疲勞且選出來的產品差異性較大，不能準確檢查出食品腐敗變質等問題。因此利用視覺檢測技術可以根據產品各部分的顏色對其做出相應判斷，進而完成食品的自動篩選，解決了傳統方式的缺陷。梁煒等人提出了一種基于視覺檢測的顏色識別算法，利用相差法對顏色進行識別，提高了算法的運行速度。wan等人在檢測番茄成熟度的實驗中，將番茄圖像劃分為5個區域，然后使用顏色分類的平均值作為特征向量，利用BP神經網絡檢測番茄的顏色深度，從而確定其成熟情況，準確率達到了99.3 1%。顏色檢測過程中最常用的方法是顏色直方圖、色彩空間轉化等，但是這些方法都有其局限性，模型的準確率還有待提高。

3結束語

本文總結了視覺檢測技術的原理以及相關技術在食品檢測方面的應用。隨著視覺檢測算法的深入研究，更多的算法被開發用來滿足現階段食品安全檢測。通過視覺檢測技術對食品進行檢測具有人工無法比擬的檢測效率和準確率，是食品檢測實現自動化的一個重要研究方向。