基于圖像處理的油脂煙點(diǎn)檢測的算法設(shè)計(jì)

摘要:該文介紹一種新型的油脂煙點(diǎn)檢測的算法設(shè)計(jì)，該設(shè)計(jì)基于圖像處理技術(shù)，經(jīng)平滑濾波后，通過差值提取放大，取出煙霧輪廓，根據(jù)提取煙霧的輪廓面積再次進(jìn)行濾波，最后根據(jù)所得區(qū)域的高度判斷煙霧的連續(xù)性，在累計(jì)連續(xù)6幅煙霧圖像連續(xù)時(shí)，即判定為煙點(diǎn)。

關(guān)鍵詞:圖像處理;平滑濾波;閾值分割;區(qū)域形態(tài)學(xué);煙點(diǎn)

中圖分類號(hào):TP311文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):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

近年來，隨著科技的進(jìn)步，人們生活水平得到逐步的提高，對油脂的需求量大大增加，對油脂的質(zhì)量要求也越來越高，由過去長期食用二級油逐步向精致烹調(diào)油、高級烹調(diào)油、色拉油等高質(zhì)量產(chǎn)品轉(zhuǎn)變。不同品級的食用油脂的質(zhì)量指標(biāo)不同，主要包括:煙點(diǎn)、冷凍試驗(yàn)、滋味、透明度、色澤、280度加熱實(shí)驗(yàn)、水分及揮發(fā)物、雜質(zhì)、酸值、過氧化物、不皂化物及殘?jiān)砹康软?xiàng)內(nèi)容。其中煙點(diǎn)是非常重要的一項(xiàng)指標(biāo)，它是指油脂在標(biāo)準(zhǔn)規(guī)定的測定條件下，加熱至開始連續(xù)發(fā)藍(lán)煙時(shí)的溫度。其檢測方法有:1) 肉眼觀察法，該方法人為因素較多，誤差較大，所測得的數(shù)據(jù)缺乏說服力;2) 采用光電技術(shù)的手段，利用一個(gè)特殊的裝置將油煙通過一狹窄的通道，通道兩側(cè)配有發(fā)光二極管和光電接收管，當(dāng)油脂發(fā)出稀薄連續(xù)的藍(lán)煙時(shí)，根據(jù)煙霧對光的阻擋程度判斷煙點(diǎn)時(shí)刻，并自動(dòng)測出此時(shí)的溫度，由于光電電管的靈敏度、重復(fù)性使用等的問題，其效果也不大理想;3) 化學(xué)方法測量游離脂肪酸的含量，估計(jì)煙點(diǎn)的大小。該方法也存在較大的誤差，因?yàn)橛坞x脂肪酸只是產(chǎn)生油煙的一部分物質(zhì)，并不是全部，誤差也較大;4) 圖像處理法，即通過CCD攝像頭，基于嵌入式系統(tǒng)進(jìn)行圖像處理、判斷，較精確的檢測出油脂煙點(diǎn)。

本設(shè)計(jì)針對圖像處理法測煙點(diǎn)，采用快速煙霧連續(xù)檢測算法，準(zhǔn)確、快速、高效的檢測出煙霧圖像的連續(xù)性，并判斷煙點(diǎn)，為基于圖像處理的油脂煙點(diǎn)檢測裝置的核心算法。

1 快速煙霧連續(xù)檢測算法

由CCD攝像頭獲得圖像后，對圖像進(jìn)行區(qū)域選擇，經(jīng)選擇后的區(qū)域(RD)處理判斷前采用線性平滑濾波處理，以消除圖片中存在的毛刺和噪聲。濾波后由于煙霧輪廓較復(fù)雜，很難使用模板匹配獲得，故采用改進(jìn)的閾值分割算子得到，即差值提取放大，再由區(qū)域的形態(tài)學(xué)處理得到結(jié)果，其處理判斷的基本流程圖如圖1所示。

圖1 基本流程圖

2 算法步驟及結(jié)果

2.1 區(qū)域分割

為了提高系統(tǒng)的實(shí)時(shí)性，在實(shí)時(shí)圖像處理時(shí)，先在拍攝的圖像上進(jìn)行區(qū)域選擇，選擇后區(qū)域(RD)寬度由測得煙霧大小的均值確定，由于在密閉的環(huán)境中，煙霧位置相對固定，故可忽略RD寬度的浮動(dòng)性對系統(tǒng)可靠性的影響，經(jīng)選擇后的圖像如圖2所示。

2.2 線性平滑濾波

一幅圖像的噪聲可能來自不同的干擾，包括電子傳感器的噪聲、相片顆粒的噪聲和通道誤差，可以使用經(jīng)典統(tǒng)計(jì)學(xué)濾波技術(shù)來減少這些噪聲的影響。本系統(tǒng)中誤差主要來自于CCD相機(jī)或者通道傳輸誤差，它們通常作為空間上不聯(lián)系的離散和孤立的像素的變化出現(xiàn)，在灰度值上顯得和他們相鄰的像素有著明顯的不同，通常比普通圖像成分更具有更高的空間頻率頻譜。因此，對于噪聲的清除，簡單的低通濾波器是比較有效的。由線性平滑濾波后輸出的圖像G(j，k)可以根據(jù)下面的關(guān)系，使用L×L的脈沖響應(yīng)序列H(j，k)，通過輸入圖像的離散卷積來形成:

(1)

式中C=(L+1)/2。利用居中卷積表示法，其中輸入和輸出陣列都相對于對方進(jìn)行居中，并且將G(j，k)的寬度為(L+1)/2個(gè)像素的外部邊界設(shè)置為零。

為了進(jìn)行噪聲清除，H應(yīng)為低通形式的，具有所有的正元素。采用3×3個(gè)像素的脈沖響應(yīng)陣列:，使用該陣列對噪聲進(jìn)行清除的效果如圖3所示。

2.3 差值提取放大

在煙霧輪廓提取時(shí)，由于煙霧輪廓變化較多，很難用固定的模板使之匹配，故采用閾值分割。但直接設(shè)置其固定的閾值進(jìn)行分割效果較差，主要原因?yàn)椴煌椭臒熿F的灰度值有所差別，并且區(qū)間跨度較大，故采用差值提取放大，將有煙霧時(shí)圖像與沒有煙霧時(shí)圖像的灰度值做差，其差值在閾值范圍內(nèi)即為所要的煙霧輪廓，對圖像進(jìn)行二值化處理，形成煙霧輪廓區(qū)域。

設(shè)gm(x，y)為沒有煙時(shí)圖像(x，y)處的灰度值，gy(x，y)為有煙時(shí)圖像(x，y)處的灰度值，DiffLowerBound為閾值的下限，DiffUpperBound為閾值的上限，其取值過大或過小都會(huì)影響煙霧輪廓提取的準(zhǔn)確性，應(yīng)根據(jù)實(shí)際拍得圖像進(jìn)行標(biāo)定。所提取的區(qū)域符合公式(2)，其提取輪廓如圖4所示:

(2)

由于煙霧輪廓較為復(fù)雜，連續(xù)邊界的灰度值有所不同，在提取時(shí)難免會(huì)將連續(xù)的煙霧變成斷斷續(xù)續(xù)的輪廓線，會(huì)在判斷區(qū)域連通時(shí)被誤認(rèn)為不連通區(qū)域，即被誤判為未連續(xù)煙霧。故采用廣義膨脹，其符號(hào)表示為:

(3)

式中F(j，k)(1≤j，k≤N)表示一個(gè)二進(jìn)制圖像，H(j，k)(1≤j，k≤L)(L為一奇數(shù))是一個(gè)二進(jìn)制數(shù)組稱作結(jié)構(gòu)單元。廣義膨脹變化可以用數(shù)學(xué)方式定義并可以用多種方式實(shí)現(xiàn)，一般采用Minkowski加法定義，本設(shè)計(jì)對區(qū)域采用一定半徑的圓進(jìn)行膨脹處理，使斷續(xù)的邊界連續(xù)，其效果如圖5。

2.4 計(jì)算連通區(qū)域

對膨脹后區(qū)域計(jì)算提取連通區(qū)域，在選擇時(shí)采用8連通區(qū)域，即圍繞某一像素周圍相鄰及對角線上的相鄰像素也包括進(jìn)來，與4連通域相比可有更好的選擇性，即可產(chǎn)生較少的連通域，加快處理速度。其處理后每個(gè)連續(xù)煙霧區(qū)域形成一個(gè)連通區(qū)域，此外，分割得到的干擾區(qū)域也被作為獨(dú)立的區(qū)域返回，可以非常容易地將這些區(qū)域從分割結(jié)果中剔除，本設(shè)計(jì)采用基于區(qū)域面積的濾波。計(jì)算連通區(qū)域所得部分連通區(qū)域如圖6所示。

2.5 區(qū)域面積濾波

根據(jù)區(qū)域面積，即每個(gè)區(qū)域所含像素點(diǎn)的個(gè)數(shù)進(jìn)行濾波。由于連續(xù)的煙霧經(jīng)處理后面積較大，不連續(xù)的面積較小，在面積閾值為5000時(shí)效果較好。用ConnectedRegions表示濾波前連續(xù)的區(qū)域， SelectedRegions表示濾波后輸出的區(qū)域， area(ConnectedRegions)表示ConnectedRegions的面積，則其關(guān)系式如下，效果如圖7所示:

(4)

2.6 區(qū)域形態(tài)學(xué)判斷處理

經(jīng)濾波處理后，基于區(qū)域形態(tài)學(xué)，計(jì)算出每一區(qū)域的最小外接矩形，并返回最小外接矩形左上角、右下角像素點(diǎn)坐標(biāo)，用于計(jì)算其區(qū)域高度，即煙霧的高度，根據(jù)煙霧的高度判斷其是否連續(xù)。由于原始圖像的高度為512，故連續(xù)煙霧的高度大于500即算連續(xù)。用(Rowl，Column1)表示返回的左上角坐標(biāo)， (Row2，Column2)表示返回的右下角坐標(biāo)，連續(xù)用Connected表示，根據(jù)式(5)可判斷判斷單幅圖像的連續(xù)性。

(5)

由于煙霧變化較快，單幅圖像煙霧連續(xù)還不能判斷為煙點(diǎn)。故采用連續(xù)累計(jì)的方法，即當(dāng)連續(xù)6幅圖像判斷為連續(xù)時(shí)，則判定為煙點(diǎn)。最后判斷如圖8所示。

2.7 在實(shí)際應(yīng)用中的結(jié)果分析

在實(shí)際應(yīng)用中測試數(shù)據(jù)圖9所示，采用本算法設(shè)計(jì)的測試儀的雙實(shí)驗(yàn)誤差不超過1度，比采用人工測法的誤差縮小了一倍。其煙點(diǎn)溫度的標(biāo)準(zhǔn)差為0.266112，而人工測法的標(biāo)準(zhǔn)差為0.718826，使用本算法使測試的穩(wěn)定性、效率有了較大提高。

3 結(jié)束語

基于圖像處理技術(shù)，設(shè)計(jì)了一種快速、準(zhǔn)確、高效判斷煙點(diǎn)的算法，為基于圖像處理的油脂煙點(diǎn)檢測裝置提供了算法設(shè)計(jì)依據(jù)。在檢測油脂煙點(diǎn)中，解決了各類人為因素帶來的影響，使檢測效果較為準(zhǔn)確，并可實(shí)現(xiàn)實(shí)時(shí)、智能化檢測，給生產(chǎn)油脂及檢測部門帶來極大的方便。隨著工業(yè)自動(dòng)程度的普及，在未來自動(dòng)檢測領(lǐng)域中必將會(huì)有著重大應(yīng)用。

參考文獻(xiàn):

[1] Carsten Steger，Markus Ulrich，Christian Wiedemann.Machine Vision Algorithms and Applications [M].北京:清華大學(xué)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.