论图像处理技术在食品检测中的应用
编者按：对于食品粉体产品，粒度是重要的质量指标，比表面积、营养价值、吸附和功能等特性均与粒径紧密相关。颗粒加工制备技术的不断完善，推动食品行业对粉体物料要求的不断升级，更细的粒径、更均匀的粒度分布乃至规范的颗粒外形等，都是行业日益关注的重点，因此研究食品粉末颗粒大小、形状和粒度分布成为研究食品粉体物料的重要课题。
想要快速有效地对食品粒度进行分析，图像处理技术正是重要的辅助手段。江苏大学生物与环境工程学院孙宗保副教授的精彩讲解，就将让我们领略，如何利用图像处理技术更好地进行食品粒度检测。
专家观点：
目前对粉体粒度的测量大多采用常规的测量方法，它们共同不足之处均表现为：测量时间长，测量步骤多和测量准确度受主观因素影响大等。而这些不足对于计算机视觉系统来说，是很容易克服的问题。基于计算机视觉的粒度检测技术（即图像处理技术）是在体视学的基础上，结合现代信息技术，对颗粒粒度进行自动测量并自动分析统计获得相应的粒度信息，是国内颗粒界所公认的测定粒径分布与实际吻合最好的测试技术。
数据采集系统一般由显微镜、摄像头、图像采集卡、微机等组成。颗粒在各种引力的作用下发生凝聚，克服颗粒凝聚的方法是加分散剂和实施外力分散。不同的样品选用不同的分散介质，分散介质要纯净无杂质，且不能与样品发生物理变化和化学变化。外力分散效果最好的是超声波分散。在实际应用中，往往这两种方法同时使用。下面我们选取经过超微粉碎的珍珠粉作为处理对象，将珍珠粉和分散剂按0.3%浓度配置均匀，并经超声波震荡后，取少许置于载波片上待用。
将标准光刻测微标尺（每格10微米）置于显微镜下，调整焦距和光强，使标尺图像清晰。计算各种物镜下图像的放大倍数（单位： 微米每像素），可实现尺度标定，得到标定系数。
采集的颗粒图像为透射图像，采集后图像灰度分布相对集中，对比度较差，需对原始图像进行增强处理。根据颗粒图像的特点采用灰度指数变换函数对颗粒图像进行处理。由于图像分割阈值是随样本、放大倍数、光照强度、预处理的不同而发生变化，无法确定一个阈值常数，为此采用一维Otsu阈值自分割技术。
粒度图像经阈值化后生成二值图像，由于分割阈值是根据像素统计规律确定，难免将目标区域中一部分颗粒像素误识为背景 (孔噪声)或背景误识为目标(点噪声)，形态滤波可以去除这些噪声。形态开启和闭合运算可以去除特定图像的细节，不产生全局几何失真。
由于颗粒表面具有不同的反光现象，颗粒彩色图像经过二值化分割之后所得到的二值图像中，一部分颗粒内部存在空洞现象。对于颗粒内部的空洞，采用了图形学中的种子填充算法，可以有效地填充颗粒内部的空洞。
凝聚颗粒表面积较大，轮廓线复杂，且存在许多凹面，利用这一特点提取必要的特征参数可以去除凝聚颗粒。首先提取的颗粒特征参数是周长、面积，在此基础上提取复杂度。根据试验，确定阈值，大于阈值的进行剔除，小于阈值的保留。
在运用计算机图像处理技术检测粒度的实际应用中待分析的颗粒往往数量很大，形状一般不规则，尤其是颗粒往往粘结在一起，形成结团，并占据了一定的比例，如果全部舍弃会影响数据分析的统计特性和可靠性。实际上，对于重叠不太严重的颗粒可以通过运用图像处理的方法将其分割开，把符合误差要求的部分作为单个颗粒来处理。
腐蚀膨胀分割算法就是利用二值腐蚀和膨胀运算对重叠颗粒的二值图做处理，首先对二值目标做腐蚀运算，反复腐蚀多次直到分离出一个种子核，这时消去其他部分，对分离出的一个核做同样次数的膨胀运算，这样得到原始大小的单个颗粒，以该二值图为窗，从原灰度图中可得到对应的颗粒。分割结果见图（1）
测地重建算法是以测地形态学理论为基础，在获取重叠区域分界线的同时又能保持颗粒轮廓不变，并且算法全过程自动完成。该算法的基本过程为： （1）对灰度图做阈值分割，得到二值图设为集合Y。（2）对二值图做距离变换或极限腐蚀，得到代表重叠颗粒的几何中心区，形成的二值图为原二值图的子集，设为集合X。（3）反复做X关于Y的测地膨胀，直到重建原图，这时各相邻中心相合形成分界线。
接下来就要进入特征参数测定及结果分析的阶段，目前对颗粒大小的表示有许多不同的表述方法，在这里我们选取了feret直径和投影面积直径来表示颗粒的大小。颗粒的投影区域可能出现多种形状，下面给出形状指数F与圆、椭圆、多边形之间的关系表。形状指数F的变化，反映了形状的复杂程度。
表中数据表明：（1）值越大，颗粒的投影区域的形状越接近针状；（2）椭圆的长短径相差越大，则椭圆越接近长方形；（3）对于正多边形，F值越大，表明颗粒的形状越不圆，其表面的锐角越大。由此可见，采用形状指数定义颗粒的方法可以作为颗粒形貌特征提取的依据。
经过图像处理后，对图像进行识别以获取分析数据和统计结果。识别出的颗粒根据操作者输入的粒度间隔以及形状指数阈值做如下参数的统计：
表 2 是在40X的放大倍数下对珍珠粉进行测定实验所获得的数据。从表中可以很清楚的了解粉末颗粒的大小、粒度分布以及形貌特征等参数。表中平均长径为某直径范围中形状指数超过阈值的所有颗粒的最长Feret直径的平均值；平均短径为某直径范围中形状指数超过阈值的所有颗粒的最短Feret直径的平均值，形状指数阈值由用户输入.平均离散率为这些颗粒的形状指数的平均值。
同时，我们也在100X的放大倍数下进行了实验，并对二种放大倍数下的测定情况进行了比较如表3所示。由表3可知，不同放大倍数下测得的粒径基本相同。
另外，从同一样本中五次取样进行拍摄，测得的平均粒度如图4所示。从图中的分布可以看出，在 40x放大倍数下采集的数据比100x下更稳定，这是由于40x放大倍数下采集的图像的可视面积大，测得的颗粒数多。从统计学角度看，40x下测量值更稳定。但当所测粒径过小时，由于受分辨率的限制，40x的结果不如100x下稳定。
运用图像处理技术进行食品超微粉体粒度的检测具有使用方便，测定速度快，结果稳定可靠等诸多优点，而且不会因为测量仪器和操作人员等因素的变化而使测量结果出现严重的偏差，是颗粒检测发展的趋势。同时为了减少测量误差，对如何获取高质量的图像以及对凝聚体的处理、区域分割等相关处理和算法上需要做进一步的研究。
-
焦点事件
-
焦点事件
-
焦点事件
