餐具污染状态分析器、图像荧光分析方法及存储介质与流程

天气预报还可能涉及卫星图像分析。 #生活常识# #天气预报查询#

1.本发明涉及餐具污染识别技术领域，尤其是一种餐具污染状态分析器、餐具图像荧光分析方法及计算机可读存储介质，计算机可读存储介质被处理器执行时能实现餐具图像荧光分析方法。

背景技术：

2.在现实生活中，无论是普通家庭还是饮食企业都离不开餐具的使用，人们使用的餐具肉眼看似干净，实际上可能会有灰尘、油渍残留、洗洁精残留、手指印等。现有技术大多采用检测试纸进行检测，过程复杂，需要专业人员才能进行检测，成本高，效率低，并且对大量餐具通常是采用抽样检测，无法对每件餐具进行检测。

技术实现要素：

3.本发明要解决的技术问题是：如何便捷、准确地分辨餐具表面是否洁净。
4.本发明第一方面公开了一种餐具污染状态分析器，包括用于容纳餐具的拍摄区、对拍摄区中的餐具进行照射的紫外光灯，包括连接紫外光灯的控制模块，控制模块连接有供带摄像头的外部的移动终端接入的终端接口，还设有放置区供移动终端以摄像头对准拍摄区的方式放置；控制模块先控制接入终端接口的移动终端朝向拍摄区进行拍摄得到荧光图像，从移动终端接收荧光图像，根据荧光图像进行餐具污染状态分析。
5.优选地，包括餐具放入装置，其将餐具放入到拍摄区。
6.优选地，包括与控制模块连接的感光模块，其用于感应拍摄区是否为暗室环境，若感应到非暗室环境则控制模块不控制进行拍摄。
7.优选地，紫外环境提供模块包括紫外光灯。
8.本发明的第二方面公开了一种餐具图像荧光分析方法，从上述的餐具污染状态分析器拍摄得到的荧光图像中提取荧光特征，根据所提取的荧光特征在对应图像中的像素占比标记这一图像的脏污程度。
9.优选地，脏污程度按照像素占比由小到大依次为洁净、轻度污染、中度污染和重度污染。
10.优选地，提取荧光特征具体是采用图像分割算法实现的。
11.优选地，图像分割算法采用区域生长法：以图像中某一荧光区域的亮度为初始值，将图像中具有在该亮度初始值预定范围内的亮度的全部像素标记为荧光特征。
12.优选地，图像分割算法采用阈值分割法：以预设的灰度值分割图像的荧光特征与背景。
13.本发明的第三方面公开了一种计算机可读存储介质，其存储有计算机程序，计算机程序被餐具污染状态分析器的处理器执行时能够实现上述的餐具图像荧光分析方法。
14.与现有技术相比，本发明实施例具有以下有益效果：餐具上的某些脏污，如油渍残留、洗洁精残留、手指印在肉眼观察下不明显，但在紫外光照射下会呈现出荧光效果，将这
些具有荧光效果的图像标记为有脏污的餐具图像。将餐具放到餐具污染状态分析器的拍摄区，将手机或其他移动终端接到餐具污染状态分析器的终端接口上，手机的摄像头在控制模块的控制下对准拍摄区进行拍摄得到餐具的荧光图像，控制模块从移动终端接收餐具的荧光图像后提取荧光特征，根据所提取的荧光特征在对应图像中的像素占比标记这一图像的脏污程度，从而实现餐具污染状态分析，能快速、准确地分辨餐具表面是否洁净，并在判断出餐具不洁净的情况下分析出餐具的脏污程度。
15.说明书附图
16.图1是该餐具污染状态分析器的结构框图；
17.图2是餐具污染分析方法的总体流程图；
18.图3是对分析餐具污染状态的深度神经网络的训练方法的总体流程图；
19.图4是餐具图像荧光分析方法的总体流程图。
具体实施方式
20.实施例一
21.智能厨房中的餐具存储区或者需要使用餐具的其他区域设有能对餐具污染状态进行分析的餐具污染状态分析器。餐具污染状态分析器如图1所示，包括用于容置餐具的拍摄区以及将餐具放入到拍摄区的餐具放入装置。餐具污染状态分析器的控制模块分别连接取像模块、紫外环境提供模块以及感光模块。餐具污染状态分析器本身具有可封闭区域或者被遮挡而形成光强较弱的暗室环境，控制模块控制作为感光模块的光感传感器感应环境的光强来确认拍摄区处于暗室环境，暗室环境的具体光强范围根据场景不同选择不同的值。紫外环境提供模块包括向拍摄区提供紫外光源的紫外光灯。拍摄区设有放置区，放置区设有连接到控制模块的供外接移动终端的终端接口。其中，取像模块为手机或其他移动终端自带的摄像头。作为取像模块的摄像头对准拍摄区放置。手机或其他移动终端通过终端接口连接控制模块。
22.采用该餐具污染状态分析器进行餐具污染分析的过程如图2所示，详述如下。
23.(1)控制模块控制光感传感器感应拍摄区的光强，在感应到拍摄区处于暗室环境的状态下，控制模块控制紫外光灯打开，为拍摄区提供紫外光源从而为手机等移动终端的摄像头提供紫外光取像环境。
24.(2)步骤p：控制模块控制接入终端接口的手机启动自身摄像头对放入到拍摄区的餐具进行拍摄得到餐具图像，其中被污染的餐具会显示为荧光图像，控制模块从手机接收餐具图像，采用餐具污染状态分析方法将餐具图像输入到已训练好的深度神经网络，由该深度神经网络据此判断餐具是清洁餐具还是脏污餐具。
25.(3)对于被判断为拍摄的是脏污餐具图像，采用餐具图像荧光分析方法从上述的餐具污染状态分析器拍摄得到的荧光图像中提取荧光特征，根据所提取的荧光特征在对应图像中的像素占比标记这一图像及其所拍摄的餐具的脏污程度。
26.优选地，感光模块感应到拍摄区非暗室环境则控制模块不控制进行拍摄。
27.步骤p中用到已训练好的深度神经网络具体是能实现图像分类及识别的卷积神经网络，为了让深度神经网络具备判断餐具是清洁餐具还是脏污餐具的能力，即根据餐具图像判断餐具是清洁餐具还是脏污餐具的准确率达到预定标准，如准确率在98％以上，需要
采用多组清洁餐具和多组脏污餐具的学习样本对分析餐具污染状态的深度神经网络进行训练。
28.上述深度神经网络的训练方法如图3所示，每组学习样本获取步骤如下：
29.a.对清洁餐具和对脏污餐具，分别执行下述样本获取步骤，从而分别获得学习样本，每次样本获取步骤包括如下s1和s2，
30.——s1.在紫外光照射的状态下拍摄餐具图像；
31.——s2.以步骤s1拍摄得到的餐具图像作为输入信号，以该餐具是清洁餐具还是脏污餐具作为输出信号，构成供深度神经网络进行餐具污染状态分析训练的一组学习样本；
32.b.采用各组学习样本对深度神经网络进行餐具污染状态分析训练，直至该深度神经网络具备根据餐具图像判断餐具是清洁餐具还是脏污餐具的能力。
33.优选地，在执行步骤s1之前开启紫外光灯并且确保在暗室环境下执行步骤s1。
34.将清洁餐具图像和脏污餐具图像一起给到深度神经网络进行训练，即可得到能判断餐具处于清洁状态还是有脏污状态的深度神经网络。通过利用已训练好的深度神经网络来进行餐具污染状态分析的方法，用餐具污染状态分析器的紫外光灯或者其他能提供紫外光照射环境的紫外环境提供模块为摄像头提供紫外光取像环境，餐具污染状态分析器的摄像头在紫外光照射的状态下拍摄餐具图像，只需由经过训练的深度神经网络判断拍摄得到的图像是否为脏污的餐具图像，即可分析出餐具是否处于脏污状态，从而能快速清晰地分辨餐具表面是否洁净。
35.在进行餐具污染分析的过程中，还包括对被神经网络判断为脏污餐具图像的图像通过餐具图像荧光分析方法提取图像的荧光特征。餐具上的某些污渍，如油渍残留、洗洁精残留、手指印在肉眼观察下不明显，但在紫外光照射下会呈现出不同的荧光效果，因此具有荧光效果的图像即可认为是脏污的餐具图像，并且根据提取的荧光特征所表示的荧光效果不同，能够对脏污类型进行区分。另外，荧光特征的范围可以反映脏污程度，如图4所示，控制模块通过深度神经网络判断出餐具是脏污餐具后，再根据提取的荧光特征在对应图像中的像素占比将餐具的污染程度按照像素占比由小到大依次定义为轻度污染、中度污染和重度污染，从而实现餐具污染状态分析，能快速清晰地分辨餐具表面被污染程度。
36.餐具图像荧光分析方法中提取荧光特征具体是采用图像分割算法实现的。图像分割算法采用区域生长法或阈值分割法或两者结合。区域生长法具体地以图像中某一荧光区域的亮度为初始值，将图像中具有在该亮度初始值预定范围内的亮度的全部像素标记为荧光特征。其中，亮度初始值的预定范围根据图像分析的具体情况确定，可以是-1nit～1nit，-2nit～2nit等取值。阈值分割法具体地以预设的灰度值分割图像的荧光特征与背景。上述图像分割算法均采用现有技术中已有的算法实现，在此不再赘述。
37.本实施例中，控制模块包括相互连接的计算机可读存储介质和处理器，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述的餐具污染状态分析方法、对分析餐具污染状态的深度神经网络的训练方法和餐具图像荧光分析方法。
38.实施例二
39.本实施例中，餐具污染状态分析器的拍摄区由实施例一中的半封闭式改为开放式的，由智能厨房中的餐具存储区或者需要使用餐具的其他区域自身为摄像头提供暗室环
境。其中，采用该餐具污染状态分析器进行餐具污染分析的过程与实施例一相同，在此不再赘述。

网址：餐具污染状态分析器、图像荧光分析方法及存储介质与流程 https://www.yuejiaxmz.com/news/view/1325265

相关内容

餐具污染状态分析方法及分析器与流程
一种送餐方法、飞行餐具及存储介质与流程
烹饪器具的控制方法及烹饪器具及存储介质与流程
送餐方法、飞行餐具及存储介质.pdf
一种设备控制方法、服务器、组态软件及可读存储介质与流程
微波炉解冻控制方法、微波炉、终端及计算机存储介质与流程
发光控制方法和系统、烹饪器具以及存储介质与流程
一种烹饪方法及锅具、装置、存储介质与流程
一种烹饪器具的控制方法、装置、烹饪器具及存储介质与流程
烹饪器具、控制方法、存储介质及处理器与流程

随便看看