基于圖像處理的油脂煙點檢測的算法設計

摘要:該文介紹一種新型的油脂煙點檢測的算法設計，該設計基于圖像處理技術，經平滑濾波后，通過差值提取放大，取出煙霧輪廓，根據提取煙霧的輪廓面積再次進行濾波，最后根據所得區域的高度判斷煙霧的連續性，在累計連續6幅煙霧圖像連續時，即判定為煙點。

關鍵詞:圖像處理;平滑濾波;閾值分割;區域形態學;煙點

中圖分類號:TP311文獻標識碼:A 文章編號: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油、高級烹調油、色拉油等高質量產品轉變。不同品級的食用油脂的質量指標不同，主要包括:煙點、冷凍試驗、滋味、透明度、色澤、280度加熱實驗、水分及揮發物、雜質、酸值、過氧化物、不皂化物及殘皂量等項內容。其中煙點是非常重要的一項指標，它是指油脂在標準規定的測定條件下，加熱至開始連續發藍煙時的溫度。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，所測得的數據缺乏說服力;2) 采用光電技術的手段，利用一個特殊的裝置將油煙通過一狹窄的通道，通道兩側配有發光二極管和光電接收管，當油脂發出稀薄連續的藍煙時，根據煙霧對光的阻擋程度判斷煙點時刻，并自動測出此時的溫度，由于光電電管的靈敏度、重復性使用等的問題，其效果也不大理想;3) 化學方法測量游離脂肪酸的含量，估計煙點的大小。該方法也存在較大的誤差，因為游離脂肪酸只是產生油煙的一部分物質，并不是全部，誤差也較大;4) 圖像處理法，即通過CCD攝像頭，基于嵌入式系統進行圖像處理、判斷，較精確的檢測出油脂煙點。

本設計針對圖像處理法測煙點，采用快速煙霧連續檢測算法，準確、快速、高效的檢測出煙霧圖像的連續性，并判斷煙點，為基于圖像處理的油脂煙點檢測裝置的核心算法。

1 快速煙霧連續檢測算法

由CCD攝像頭獲得圖像后，對圖像進行區域選擇，經選擇后的區域(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雜，很難使用模板匹配獲得，故采用改進的閾值分割算子得到，即差值提取放大，再由區域的形態學處理得到結果，其處理判斷的基本流程圖如圖1所示。

圖1 基本流程圖

2 算法步驟及結果

2.1 區域分割

為了提高系統的實時性，在實時圖像處理時，先在拍攝的圖像上進行區域選擇，選擇后區域(RD)寬度由測得煙霧大小的均值確定，由于在密閉的環境中，煙霧位置相對固定，故可忽略RD寬度的浮動性對系統可靠性的影響，經選擇后的圖像如圖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，可以使用經典統計學濾波技術來減少這些噪聲的影響。本系統中誤差主要來自于CCD相機或者通道傳輸誤差，它們通常作為空間上不聯系的離散和孤立的像素的變化出現，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)可以根據下面的關系，使用L×L的脈沖響應序列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行居中，并且將G(j，k)的寬度為(L+1)/2個像素的外部邊界設置為零。

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

2.3 差值提取放大

在煙霧輪廓提取時，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。但直接設置其固定的閾值進行分割效果較差，主要原因為不同油脂的煙霧的灰度值有所差別，并且區間跨度較大，故采用差值提取放大，將有煙霧時圖像與沒有煙霧時圖像的灰度值做差，其差值在閾值范圍內即為所要的煙霧輪廓，對圖像進行二值化處理，形成煙霧輪廓區域。

設gm(x，y)為沒有煙時圖像(x，y)處的灰度值，gy(x，y)為有煙時圖像(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影響煙霧輪廓提取的準確性，應根據實際拍得圖像進行標定。所提取的區域符合公式(2)，其提取輪廓如圖4所示:

(2)

由于煙霧輪廓較為復雜，連續邊界的灰度值有所不同，在提取時難免會將連續的煙霧變成斷斷續續的輪廓線，會在判斷區域連通時被誤認為不連通區域，即被誤判為未連續煙霧。故采用廣義膨脹，其符號表示為:

(3)

式中F(j，k)(1≤j，k≤N)表示一個二進制圖像，H(j，k)(1≤j，k≤L)(L為一奇數)是一個二進制數組稱作結構單元。廣義膨脹變化可以用數學方式定義并可以用多種方式實現，一般采用Minkowski加法定義，本設計對區域采用一定半徑的圓進行膨脹處理，使斷續的邊界連續，其效果如圖5。

2.4 計算連通區域

對膨脹后區域計算提取連通區域，在選擇時采用8連通區域，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來，與4連通域相比可有更好的選擇性，即可產生較少的連通域，加快處理速度。其處理后每個連續煙霧區域形成一個連通區域，此外，分割得到的干擾區域也被作為獨立的區域返回，可以非常容易地將這些區域從分割結果中剔除，本設計采用基于區域面積的濾波。計算連通區域所得部分連通區域如圖6所示。

2.5 區域面積濾波

根據區域面積，即每個區域所含像素點的個數進行濾波。由于連續的煙霧經處理后面積較大，不連續的面積較小，在面積閾值為5000時效果較好。用ConnectedRegions表示濾波前連續的區域， SelectedRegions表示濾波后輸出的區域， area(ConnectedRegions)表示ConnectedRegions的面積，則其關系式如下，效果如圖7所示:

(4)

2.6 區域形態學判斷處理

經濾波處理后，基于區域形態學，計算出每一區域的最小外接矩形，并返回最小外接矩形左上角、右下角像素點坐標，用于計算其區域高度，即煙霧的高度，根據煙霧的高度判斷其是否連續。由于原始圖像的高度為512，故連續煙霧的高度大于500即算連續。用(Rowl，Column1)表示返回的左上角坐標， (Row2，Column2)表示返回的右下角坐標，連續用Connected表示，根據式(5)可判斷判斷單幅圖像的連續性。

(5)

由于煙霧變化較快，單幅圖像煙霧連續還不能判斷為煙點。故采用連續累計的方法，即當連續6幅圖像判斷為連續時，則判定為煙點。最后判斷如圖8所示。

2.7 在實際應用中的結果分析

在實際應用中測試數據圖9所示，采用本算法設計的測試儀的雙實驗誤差不超過1度，比采用人工測法的誤差縮小了一倍。其煙點溫度的標準差為0.266112，而人工測法的標準差為0.718826，使用本算法使測試的穩定性、效率有了較大提高。

3 結束語

基于圖像處理技術，設計了一種快速、準確、高效判斷煙點的算法，為基于圖像處理的油脂煙點檢測裝置提供了算法設計依據。在檢測油脂煙點中，解決了各類人為因素帶來的影響，使檢測效果較為準確，并可實現實時、智能化檢測，給生產油脂及檢測部門帶來極大的方便。隨著工業自動程度的普及，在未來自動檢測領域中必將會有著重大應用。

參考文獻:

[1] Carsten Steger，Markus Ulrich，Christian Wiedemann.Machine Vision Algorithms and Applications [M].北京:清華大學出版社，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.