陶春 周振中 杜康

摘要：视觉检测是一种结合图像处理和模式识别的新生技术，具有检测速度快、检测结果准确等特点。近些年来，随着计算机性能的提高和计算机视觉检测技术的飞速发展，视觉检测技术广泛应用于食品检测行业，将来，有很大的可能取代人工检测的方法。本文主要介绍了视觉检测的相关技术和检测原理，并详细综述了该技术在食品行业的应用研究。

关键词：机器视觉;图像分析;食品行业;品质检测

1视觉检测原理

通常，计算机视觉检测系统主要由以下几个部分组成：照明设备、检测箱、CCD图像传感器、图像采集卡和计算机软件系统等，具体见图1所示。主要任务是图像的采集、处理和分析识别。系统在对采集的图形进行特征提取和分析时，根据不同的需求利用不同的算法进行分析，最后得出所需的结果。

计算机视觉检测系统主要的步骤为图像数据采集、数据预处理、特征降维和图像识别与分类。

1.1图像数据采集

图像采集是使用相应的传感器将模拟信号转换为数字信号的过程，其中光源是至关重要的区域，关照强度会影响到图片的质量，直接导致后续的检测结果不准确，因此光照强度必须适中且能够自由控制。通常图像采集是利用摄像机、红外成像等工具，好的设备能够保证图像的原始信息不会丢失。

1.2图像预处理

图像预处理是通过减少图像中的噪声来实现目标信息的可检测性，从而改进特征提取、图像识别与分类的准确性。其中图像平滑是图像预处理中最常用的方法之一，是通过突出低频信息和抑制高频信息的过程，目的是减少图像的梯度，改善图像质量。

1.3图像特征降维

图像的特征降维是利用降维等相关方法将其维度降到可控范围之类，利用降维后的目标特征表示整个图像的信息。为了提高算法的运行速度，将所有的特征向量化，且每一个特征向量能够唯一确定相对于的对象特点。图像经过降维处理之后，能够有效提高检测准确率。

1.4图像识别与分类

圖像识别与分类是视觉检测技术中最复杂的过程，其中需要应用各种机器学习和人工智能算法，能够自动模拟人眼识别并将不同的目标进行分类。

现在，已有多种分类和识别算法，例如：K-近邻算法、决策树、神经网络等。

视觉检测技术可以根据降维后的目标特征生成准确的数据，无须人工进行计算，运行速度快，减速了大量人力和物力的消耗，大大提高了生产效率和自动化程度。

2视觉检测技术在食品检测方面的应用

食品是人们生活中必不可少的物质，检测食品的优劣成了现在急需解决的问题。而视觉检测技术的出现填补了这方面的空白，为食品的安全提供了保障。

2.1食品形状检测

各种食品具有不同的形状特征，有些形状规则，有些外观天然不规则，使得食品检测与评估变得异常复杂。在形状检测过程中，主要根据食品的面积、周长等来衡量产品的形状，而各种不同特征可以通过计算机视觉检测技术进行区分。通过计算图像中目标样本区域的像素个数来获取被测物体的面积和周长等，进而实现食品的自动检测。Ohali等人研发了一套视觉检测系统，通过计算目标区域来评估食品的尺寸及形状，检测结果的准确率达到了80%。但是目前的视觉检测技术都不能百分百的检测正确，因此，为了提高识别准确性，许多学者利用海量的食品数据图像对检测算法进行训练，达到设定目标之后才应用。孙彦龙等人研究了马铃薯的检测方法，利用人工神经网络模型对其视图的特征进行融合，最终的分类准确率达到96%。

2.2食品颜色检测

颜色是评估食品质量的一个重要特征，尤其是水果等食品，颜色在很大程度上直接反映水果的新鲜程度和质量。目前，传统的检测手段都是通过人工筛选，但是这些方法会导致人眼疲劳且选出来的产品差异性较大，不能准确检查出食品腐败变质等问题。因此利用视觉检测技术可以根据产品各部分的颜色对其做出相应判断，进而完成食品的自动筛选，解决了传统方式的缺陷。梁炜等人提出了一种基于视觉检测的颜色识别算法，利用相差法对颜色进行识别，提高了算法的运行速度。wan等人在检测番茄成熟度的实验中，将番茄图像划分为5个区域，然后使用颜色分类的平均值作为特征向量，利用BP神经网络检测番茄的颜色深度，从而确定其成熟情况，准确率达到了99.3 1%。颜色检测过程中最常用的方法是颜色直方图、色彩空间转化等，但是这些方法都有其局限性，模型的准确率还有待提高。

3结束语

本文总结了视觉检测技术的原理以及相关技术在食品检测方面的应用。随着视觉检测算法的深入研究，更多的算法被开发用来满足现阶段食品安全检测。通过视觉检测技术对食品进行检测具有人工无法比拟的检测效率和准确率，是食品检测实现自动化的一个重要研究方向。