【图像处理】基于图像处理的油炸马铃薯片批次质量检测（Matlab代码实现）-编程实验室

💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文内容如下：🎁🎁🎁

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥第一部分——内容介绍

基于图像处理的油炸马铃薯片批次质量检测

摘要

丙烯酰胺（acrylamide）是一种在高温油炸、烘焙过程中易产生于富含碳水化合物食品中的潜在有害化学物质，与神经毒性及致癌风险相关。传统检测方法依赖复杂、耗时、昂贵的化学分析。本文提出一种基于图像处理的非侵入式、快速、低成本的马铃薯片丙烯酰胺水平检测方案。通过提取颜色与纹理等视觉特征，建立模型区分“高/低”丙烯酰胺含量，并用实测浓度验证模型精度。该系统可嵌入食品生产线，服务于企业与监管部门的日常质检，推动更安全的食品加工实践。

关键词：丙烯酰胺；图像处理；分割；质量检测

一、引言

丙烯酰胺是一种可能对人体有害的化学物质，与神经毒性和致癌性相关联，它在某些富含碳水化合物的食物（如薯片）中，在高温烹饪过程（如油炸和烘焙）中形成。由于健康问题，监测食品中的丙烯酰胺水平已成为确保消费者安全和满足监管标准的必要条件。传统的丙烯酰胺检测方法复杂、昂贵且耗时，需要专门的化学分析设备。
本项目提出了一种创新的基于图像处理的方法来检测薯片中的丙烯酰胺水平，提供了一种快速、非侵入性且经济高效的解决方案。图像处理技术在食品质量评估中显示出潜力，因为它们能够对食品产品进行快速的可视化分析。通过检查薯片图像中的颜色和纹理变化，这种方法可以识别与高或低丙烯酰胺水平相关的标记，而无需复杂的实验室程序。
本项目将涉及开发一个机器学习模型或一个基于阈值的颜色分析系统，该系统在薯片图像数据集上进行训练。通过检测与丙烯酰胺形成相关的特定可视化标记，该模型旨在提供与已知丙烯酰胺浓度相验证的准确预测。此工具旨在实用且用户友好，协助食品制造商和监管机构进行质量控制，从而促进更安全的食品实践。这种方法可能有助于减轻与丙烯酰胺相关的风险，为消费者提供更安全、更健康的食物选择。

薯片、薯条等快餐价格低廉、购买方便，各年龄层消费广泛。其加工温度与用油品质直接影响健康：当碳水化合物在 >120 °C 下油炸/烘焙时，还原糖与氨基酸（天冬酰胺）反应生成丙烯酰胺。动物实验与流行病学研究表明，孕期每日大量摄入深炸薯条可引发炎症并增加癌症风险。常规气相/液相色谱法需破坏样品、耗时长、设备昂贵且需专业技术人员。因此，开发基于计算机视觉的非破坏快速检测具有重要意义。本文目标是：

找出与丙烯酰胺含量相关的颜色、纹理视觉标记；
建立阈值或机器学习模型对薯片图像进行“好/坏”分类；
与化学实测值对比验证精度；
输出百分比统计与可视化饼图，供生产线实时参考。

二、算法描述

灰度转换- 通过将颜色简化为强度来简化分析。
高斯平滑- 使用高斯滤波器减少噪声。
阈值处理- 将灰度图像转换为二值图像以隔离暗点。
二值图像反转- 反转二值图像以便于缺陷计数。
像素计数- 计算白色像素以分类为“好”或“坏”。
直方图计算- 分析灰度图像和二值图像中的强度分布。
直方图差异- 量化差异以突出显示缺陷。
可视化- 显示直方图和饼图以展示分类结果。

A. 输入输出

输入：Final Data Set 文件夹内 100 张样品图 Sample1.jpg … Sample100.jpg
输出：每张样品“好(1)/坏(0)”标签，并给出整批良品率、不良品率饼图。

B. 算法步骤（伪代码）

初始化：样品数=100；结果数组全 0；缺陷阈值=70 白像素
对 i=1…100 循环
a. 读图 → 灰度 → 高斯模糊（去噪）
b. 固定阈值 80 二值化 → 反色（缺陷呈白）
c. 统计白像素数
d. ≥70 → 坏(0)；否则好(1)
e. 可选：计算原图与二值图直方图差，评估阈值效果
统计好/坏数量并生成饼图

C. 流程图

见图 1：加载→灰度→高斯→二值→反色→计数→判断→汇总→饼图。

三、实验过程详解

灰度化：保留亮度信息，简化后续处理
高斯滤波：σ=1~2，去除油炸反光噪声
二值化：经验阈值 80；若光照变化大，可改用自适应 Otsu
反色：使缺陷区域为白，便于像素计数
直方图差分：验证分割是否丢失关键信息
循环检测：对 100 张图像批量运行，记录结果矩阵

四、结果

该薯片分类算法根据检测到的缺陷将薯片分类为“好”或“坏”，通过结构化的图像处理技术为质量控制提供高效解决方案。从100个薯片样本开始，它初始化一个结果矩阵来存储分类（0表示“坏”，1表示“好”）并设置一个缺陷阈值：任何具有700个或更多检测到的“坏”斑点的薯片都被标记为有缺陷。
对于每个薯片，算法构建文件路径，检索图像并进行处理。它将图像转换为灰度，通过仅关注强度来简化数据，并应用高斯滤波器以减少噪声，从而提高缺陷检测的准确性。阈值处理步骤然后将图像二值化，将高强度像素变为白色，低强度像素变为黑色，以突出显示缺陷区域。图像被反转以确保缺陷斑点显示为白色像素，然后进行计数。如果计数达到或超过阈值，则薯片被分类为“坏”；否则，它被视为“好”。
该薯片分类算法根据检测到的缺陷将薯片分类为“好”或“坏”，通过结构化的图像处理技术为质量控制提供高效解决方案。从100个薯片样本开始，它初始化一个结果矩阵来存储分类（0表示“坏”，1表示“好”）并设置一个缺陷阈值：任何具有700个或更多检测到的“坏”斑点的薯片都被标记为有缺陷。
对于每个薯片，算法构建文件路径，检索图像并进行处理。它将图像转换为灰度，通过仅关注强度来简化数据，并应用高斯滤波器以减少噪声，从而提高缺陷检测的准确性。阈值处理步骤然后将图像二值化，将高强度像素变为白色，低强度像素变为黑色，以突出显示缺陷区域。图像被反转以确保缺陷斑点显示为白色像素，然后进行计数。如果计数达到或超过阈值，则薯片被分类为“坏”；否则，它被视为“好”。
作为油炸薯片质量检测的一部分，生成了三张处理后的图像以展示缺陷检测结果：
Matlab模拟结果：
展示了通过算法处理100张薯片图像的结果。数据集包含相等数量的好薯片和坏薯片。尽管理想的结果是饼图中好和坏各占50%，但由于我们的图像处理方法不涉及机器学习，其局限性导致了稍不精确的分类。
原始图像
阈值图像：强调暗点存在的二值图像，这些暗点可能表示如过熟或易形成丙烯酰胺的区域等缺陷区域。
边界图像：最终处理后的图像，在原始图像上以红色叠加检测到的边界。

1. 视觉对比

图 2：优质薯片 — 颜色均匀、棕黄色、缺陷点 <70
图 3：劣质薯片 — 深褐/黑斑、气泡、褶皱，缺陷点 ≥70

2. 中间输出（以劣质样品为例）

图 4：原图
图 5：阈值图（白斑=缺陷）
图 6：边界图（红框标出缺陷位置）

3. 直方图分析

图 7：原图灰度直方图 vs 二值图直方图 vs 差分直方图，用于微调阈值

4. 批量统计

图 8：饼图
- 良品：43 %
- 不良品：57 %
  （理想 50-50，因未引入机器学习，略有偏差）

五、未来工作

引入 CNN 机器学习：识别颜色、气泡、形状等多类缺陷，提升精度
边缘计算部署：将算法移植到 Raspberry Pi/NVIDIA Jetson，实现产线实时检测
机器人分拣联动：根据检测结果驱动气动/机械臂，自动分离好坏薯片
高级预处理：自适应阈值、形态学开闭运算，增强光照鲁棒性
数据统计与过程优化：汇总缺陷率、油温、时间曲线，反馈优化油炸工艺
IoT 远程监控：多工厂集中云端看板，实时预警质量异常

六、结论

本文提出并实现了一套基于 MATLAB 图像处理的油炸薯片质量快速评估方法。通过“灰度-高斯-二值-反色-计数”流程，自动完成好坏分类，显著降低人工检测成本与误差。系统简洁、可扩展，适用于工业在线质检。未来结合机器学习与边缘设备，可进一步提升鲁棒性与自动化水平，为食品质量安全管理提供低成本、高效率的新途径。