首页 > 分享 > 鸡蛋破损检测算法实现与精度评估

鸡蛋破损检测算法实现与精度评估

花匠小妙招
2024-12-28 18:04

自行拍摄鸡蛋破损照片，简述拍摄照片时应注意的事项（包括相机角度，背景设置，光线环境，拍摄距离等）；简述图片预处理和瑕疵检测时的考虑与方案设计。

1.拍照注意事项
①相机角度尽量在鸡蛋的正上方约15cm处；
②调整镜头，使鸡蛋位于拍摄图像中心；
③背景颜色为黑色；
④背景需展平且干净，不可有褶皱或其他干扰色点；
⑤不宜在灯光正下方拍摄，易存在阴影；
⑥在光源照射下，不要使背景过亮或过暗，拍摄时易反光或无区分度；
2. 算法大致步骤
①图像亮度调整、去噪、锐化
首先，将原RGB图像转为灰度图像。
为提高图像对比度，采用分段线性变换的方法，但在此次实验中，提高图像对比度后效果较差或作用不大，故不采取。
由于在对图像求边界时，易遭受鸡蛋外壳表面纹状和背景脉冲噪声的影响，同时为保证图像细节，采用中值滤波的方法，对灰度图像进行去噪，然后利用拉普拉斯滤波进行线性锐化，以中和中值滤波使细节淡化的部分。
在这里插入图片描述

②高频强调、求边界、去除蛋壳边界
在对图像求边界的同时进行高频强调，以增强图像中变化率较大的区分度，即边界或轮廓部分。
由于在对连通区域进行标记时，常受到鸡蛋外壳的干扰，即使标记时取第二大连通域。出于对检测本身的考虑，鸡蛋壳以外的部分无需考虑在其中，故在去除鸡蛋壳的同时，将蛋壳以外的像素全部置零。具体方法是，将去噪、锐化后的原图像转化为二值图像，先执行腐蚀操作，使其缩减一圈，然后与求边界后的图像相点乘。
在这里插入图片描述
③形态学处理
由于求边界后的二值图像轮廓边缘较细，易将原本连通的区域边缘部分分开，从而造成检测中的误差问题。为此，采用形态学操作中的膨胀、闭运算、腐蚀操作使边缘轮廓部分稍微加粗。

④ Blob法求连通域、按面积标注破损位置
采用八连接标注连通域，并计算连通域的个数，每个连通域的面积、中心点以及外接矩形。然后对面积进行排序，找到最大的破损标注位置。如果连通域大于3个，则只标出3个最大的连通域；若连通域小于三个，则全部用其外接矩形标出。
在这里插入图片描述

⑤计算检测精度
首先利用Ostu（最大类间方差法）求使图像二值化的最佳全局阈值，利用此阈值将原灰度图像转为二值图像，得到前景分割的结果M；然后分别设定检测阈值和标注阈值。通过手动标注得到标注的模板G，再由④中的检测结果A计算检测破损率和实际破损率。
在计算bad和badg之前，为保证检测区域是否为真实破损区域，先将标注的检测结果与手动标注的模板进行点乘操作，运算后，留下的轮廓才是真正的破损区域。
在这里插入图片描述
前景分割手动标注的破损模板
检测结果与标注模板的重合部分
计算准确率时，需要设置检测阈值th和标注阈值thg，且按以下标准计算TP(被预测为好蛋的坏蛋)、FP（被预测为好蛋的好蛋）、FN、TN;
最后通过公式求得准确率。
在这里插入图片描述
经计算，得出准确率为1。

代码文件

放在一个文件夹即可运行。
1.主函数main.m

%% 1.读取图像并转为灰度值 clc;clear;close all; input_path = './data/dataset/'; %原图路径 output_path = './data/result/'; %检测结果保存路径 labelmoban_path = './data/label_moban/'; %标注模板路径 outlabel_path = './data/result_label/';%检测结果带标签路径 %% 将标注好的图像二值化为标注模板 label_path = './data/label/'; %原图标签路径 biaozhumoban(label_path,labelmoban_path); %% 生成检测结果+计算检测精度 egg_pre(input_path,output_path); %预测图像输出在/result/ [Accuracy,bad] = detect_precision(input_path,output_path,labelmoban_path); disp('准确率：');disp(Accuracy); 12345678910111213

2.函数文件biaozhumoban.m

function [] = biaozhumoban(label_path,labelmoban_path) files_label = dir([label_path '*.jpg']); l = length(files_label); for i = 1:l I_label = imread([label_path files_label(i).name]); Sign_I = imbinarize(im2gray(I_label),0.95); imwrite(Sign_I,[labelmoban_path files_label(i).name(1:end-9) 'label_moban.jpg']); end 12345678

3.函数文件egg_pre.m

function [] = egg_pre(input_path,output_path) files = dir([input_path '*.jpg']); leng = length(files); for k = 1:leng I = rgb2gray(imread([input_path files(k).name])); %figure,imshow(I);title('原图') %中值滤波去除脉冲噪声，保持图像细节 mid_I = medfilt2(I,[5,5]); %5*5的中值滤波窗口 % figure,imshow(mid_I);title('平滑滤波') % 4.锐化滤波 %拉普拉斯滤波线性锐化 mask = [1,1,1;1,-8,1;1,1,1]; L_I = mid_I-imfilter(mid_I,mask,'replicate'); % figure,imshow(L_I);title('拉普拉斯滤波') %非线性锐化：锐化因邻域平均导致的模糊图像:sobel % 5.高频强调+求边界 ed = edge(L_I,'canny',0.18); % ed = edge(L_I,'sobel',0.04); % figure,imshow(ed);title('高频强调+边界') %去除蛋壳边界 I2 = imbinarize(L_I);% 转为二值图像 ed1 = bwmorph(I2,'erode',1); %腐蚀 ed = ed .* ed1; % figure,imshow(ed) % 6.形态学处理 expe = bwmorph(ed,'dilate',2); %figure,imshow(expe);title('膨胀'); %闭运算：先膨胀后腐蚀 BW = bwmorph(expe,'close',1); %figure,imshow(BW);title('闭运算') corr = bwmorph(BW,'erode',1); % figure,imshow(corr);title('腐蚀'); BW = corr; figure,imshow(BW);title('最终结果'); % 7.Blob法 %1.求连通域，标注破损位置 [L,num] = bwlabel(BW,8); %L : 标记矩阵 %num : 连接分量的总数 %BW : 输入的二值图像 %8 : 指定期望连接方式(4,8) %2.计算连通域个数，每个连通域面积、中心点、外接矩形 stats = regionprops(L,'basic'); %stats[Area,Centriod,BoungingBox] %连通域面积、中心点、外接矩形 %3.按照连通域面积大小进行排序 N = size(stats,1); for i=1:N-1 for j=1:N-i if stats(j).Area < stats(j+1).Area tmp = stats(j); stats(j) = stats(j+1); stats(j+1) = tmp; end end end %4.对符合要求的连通域画标记 if num >= 3 %如果连通区域大于等于3个，只取前三个最大值 for i=1:3 boundingbox1 = stats(i).BoundingBox; x = boundingbox1(1); y = boundingbox1(2); width_x = boundingbox1(3); width_y = boundingbox1(4); pos = [x y width_x width_y]; rectangle('Position',pos,'EdgeColor','r'); end else %如果连通区域小于3个，全取 for j = 1:num boundingbox1 = stats(j).BoundingBox; x = boundingbox1(1); y = boundingbox1(2); width_x = boundingbox1(3); width_y = boundingbox1(4); pos = [x y width_x width_y]; rectangle('Position',pos,'EdgeColor','r'); end end imwrite(BW,[output_path files(k).name(1:end-4) '_pre.jpg']); %保存 end end

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283848586878889

4.函数文件detect_precision.m

function [accuracy,bad] = detect_precision(input_path,output_path,labelmoban_path) files = dir([input_path '*.jpg']); leng = length(files); % 9.计算检测精度 th = 2; %检测阈值 thg = 5; %标注阈值 %检测准确率 bad = zeros(leng,2); FN=0;TP=0;TN=0;FP=0; for j = 1:leng %a)求鸡蛋mask,大津法阈值+二值化 gray_I = rgb2gray(imread([input_path files(j).name])); level = graythresh(gray_I); %全局阈值 M = imbinarize(gray_I,level); %前景分割结果 %figure,imshow(M),title('前景分割结果'); M = uint8(M); I_pre = imread([output_path strcat(files(j).name(1:end-4),'_pre.jpg')]);%I_pre为检测效果 groundtruth = imread([labelmoban_path strcat(files(j).name(1:end-4),'_label_moban.jpg')]); %groundtruth：标签模板 %将检测结果与实际标注模板相与后，存在部分即为检测真实部分 I_pre = I_pre .* groundtruth; %figure,imshow(I_pre);title('检测结果.*标注模板') %1.定义基本变量 bad(j,1) = sum(sum(M.*I_pre))./sum(sum(M)); %检测破损率 bad(j,2) = sum(sum(M.*groundtruth) ./ sum(sum(M))); %实际破损率 if bad(j,2)<thg && bad(j,1)>th FN = FN+1; end if bad(j,2)<thg && bad(j,1)<th TP = TP+1; end if bad(j,2)>thg && bad(j,1)>th TN = TN+1; end if bad(j,2)>thg && bad(j,1)<th FP = FP+1; end end accuracy = (TP+TN)/(TP+TN+FP+FN);

1234567891011121314151617181920212223242526272829303132333435363738394041