(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210183061.0 (22)申请日 2022.02.28 (65)同一申请的已公布的文献号 申请公布号 CN 114240807 A (43)申请公布日 2022.03.25 (73)专利权人 山东慧丰花 生食品股份有限公司 地址 273200 山东省济宁市泗水县经济开 发区圣昭路 (72)发明人 张秀峰　 (74)专利代理 机构 青岛致嘉知识产权代理事务 所(普通合伙) 3723 6 专利代理师 韩艳艳 (51)Int.Cl. G06T 5/00(2006.01) G06T 7/11(2017.01) G06V 10/762(2022.01) G06K 9/62(2022.01)(56)对比文件 CN 113506242 A,2021.10.15 CN 113504250 A,2021.10.15 CN 104646 315 A,2015.0 5.27 CN 114065798 A,202 2.02.18 CN 114067314 A,202 2.02.18 CN 101102399 A,2008.01.09 CN 103279944 A,2013.09.04 CN 105844285 A,2016.08.10 CN 114066815 A,202 2.02.18 CN 104464637 A,2015.0 3.25 CN 103327219 A,2013.09.25 CN 10876 5346 A,2018.1 1.06 CN 110838735 A,2020.02.25 CN 111784594 A,2020.10.16 陈斐然.复杂场景 下高位宽数字图像高质量 显示研究. 《中国优秀博硕士学位 论文全文数据 库(硕士)信息科技 辑》 .2021,第I138-408页. 审查员 张杨 (54)发明名称 一种基于机器视觉的花生黄曲霉素检测方 法及系统 (57)摘要 本发明涉及花生霉变检测技术领域， 具体涉 及一种基于机器视觉的花生黄曲霉素检测方法 及系统， 该检包括： 获取在紫外灯照射下的每颗 花生仁的荧光图像并灰度化为灰度图； 利用最佳 的灰度映射曲线对灰度图进行图像增强， 其中最 佳的灰度映射曲线是通过目标函数对历史灰度 图进行处理确定最优的伽马矫正参数所对应的 映射曲线； 其中目标函数包括使增强之后的图像 整体对比度达到最佳的第一约束函数以及使图 像局部对比度最优的第二约束函数， 图像局部对 比度是指历史灰度图中正常区域和黄曲霉素区 域的对比度； 对增强后的图像进行聚类得到正常 类和黄曲霉素类， 以得到最终的正常区域和黄曲 霉素区域。 权利要求书2页 说明书7页 附图1页 CN 114240807 B 2022.05.17 CN 114240807 B 1.一种基于机器视觉的花生黄曲霉素检测方法， 其特征在于， 该检测方法包括以下步 骤： 获取在紫外灯照 射下的每颗花生仁的荧光图像， 对所述荧光图像进行灰度化处理得到 灰度图； 利用最佳的灰度映射曲线对所述灰度图进行图像增强， 其中所述最佳的灰度映射曲线 是通过目标函数对历史灰度图进 行处理确定最优的伽 马矫正参数所对应的映射曲线； 其中 所述目标函数包括使增强之后的图像整体对比度达到最佳 的第一约束函数以及使图像局 部对比度最优的第二约束函数， 所述图像局部对比度是指历史灰度图中正常区域和黄曲霉 素区域的对比度； 对增强后的图像进行聚类得到正常类和黄曲霉素类， 获取每类中心像素的灰度值； 比 较每个类别中心像素的灰度值分别与正常类参考均值和黄曲霉素类参考均值之 间的差异， 将所述正常类的类别更新为差异相对较小的类别， 以得到最终的正常区域和黄曲霉素区 域； 所述第一约束函数为历史灰度图像中每 个灰度级的数量偏差之和； 所述第二约束函数包括每类区域中像素值的平均偏差之和以及不同类别的区域之间 的平均像素偏差， 其中所述每类区域中像素值的平均偏差之和与所述第二约束函数正相 关、 所述不同类别的区域之间的平均像素偏差与所述第二约束函数负相关； 所述第一约束函数为： 其中， 表示灰度直方图中每个灰度级的平均像素点数量， 表示灰度级 对应的像素点数量； 所述第二约束函数为： 其中， 表示正常区域的像素点数量、 表示黄曲霉素区域的像素点数量， 表示正常 区域的平均像素值、 表示黄曲霉素区域的平均像 素值， 表示正常区域中第 个像素点的 像素值、 表示黄曲霉素区域中第 个像素点的像素值； 其中上标 和上标 是用于区分正常区域和黄曲霉素区域的标识； 所述目标函数为： 其中， 为图像整体对比度的权重系数， 为图像局部对比度的权重系数， 表示 求取最小值。 2.根据权利要求1所述的一种基于机器视觉的花生黄曲霉素检测方法， 其特征在于， 所权　利　要　求　书 1/2 页 2 CN 114240807 B 2述通过目标函数对历史灰度图进行处 理确定最优的伽马矫 正参数之前， 还 包括： 对历史灰度图中像素的类别进行标注， 对标注后的像素进行聚类得到初始聚类结果， 根据所述初始聚类结果将历史灰度图像划分为多个类别区域， 所述类别区域包括正常区域 和黄曲霉素区域。 3.根据权利要求1所述的一种基于机器视觉的花生黄曲霉素检测方法， 其特征在于， 所 述确定最优的伽马矫 正参数所对应的映射曲线之后， 还 包括： 利用最优的伽马矫正参数对所述历史灰度图进行增强， 得到增强后的历史灰度图； 对 增强后的历史灰度图进行聚类得到第二聚类结果， 并根据第二聚类结果更新区域类别， 并 利用更新后的区域类别更新伽马矫正参数； 直至更新前后的伽马矫正参数不再变化时， 得 到更新后的最佳的灰度映射曲线。 4.根据权利要求2所述的一种基于机器视觉的花生黄曲霉素检测方法， 其特征在于， 所 述根据所述初始聚类结果将历史灰度图像划分为多个 类别区域的步骤 包括： 将所述聚类结果中每个像素点的隶属度的最大值与预设阈值进行比较， 在隶属度的最 大值大于预设阈值时， 将 像素点的类别划分为隶属度较大的一类区域； 否则， 属于不确定区 域。 5.根据权利要求4所述的一种基于机器视觉的花生黄曲霉素检测方法， 其特征在于， 所 述确定最优的伽马矫 正参数所对应的映射曲线之后， 还 包括： 利用最优的伽马矫正参数对所述历史灰度图进行增强， 得到增强后的历史灰度图； 对 增强后的历史灰度图进行聚类得到第二聚类结果， 并根据第二聚类结果更新区域类别， 并 利用更新后的区域类别更新伽马矫正参数； 直至更新前后的不确定区域的面积不再变化 时， 得到更新后的最佳的灰度映射曲线。 6.根据权利要求1所述的一种基于机器视觉的花生黄曲霉素检测方法， 其特征在于， 所 述对增强后的图像进 行聚类的方法利用模糊C均值聚类， 所述模糊C均值聚类中像素点之间 的距离为像素值之间的距离与像素坐标之间的距离之和。 7.根据权利要求1所述的一种基于机器视觉的花生黄曲霉素检测方法， 其特征在于， 所 述正常类参考均值和黄曲霉素类参考均值是根据多张增强后的历史灰度图中正常区域的 平均灰度均值作为正常参考均值、 黄曲霉素区域的平均灰度均值作为黄曲霉素类参考均 值。 8.一种基于机器视觉的花生黄曲霉素检测系统， 包括存储器、 处理器以及存储在所述 存储器中并在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机 程序时实现如权利要求1 ‑7任意一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114240807 B 3