随着披萨在全球的普及和消费量的逐年增长，如何提高披萨的质量和生产效率已经成为餐饮业迫切需要解决的问题。然而，传统的披萨质量检测方式往往需要较多的人力和时间成本，且易受主观因素影响，难以保证检测结果的准确性和稳定性。为此，发展一种快速、准确、自动化的披萨质量检测方法已经成为当前研究的热点之一。

基于CBIR的披萨合格率识别方法正是针对这一问题而提出的一种新型解决方案。该方法通过对披萨图像进行特征提取，使用相似度计算和样本库分类的方法来进行图像识别和披萨质量判定，以此实现对披萨质量的准确评估。该方法具有自动化程度高、输出结果准确性高等优点，可以有效地提高披萨的质量判定效率和准确性。因此，基于CBIR的披萨合格率识别方法在餐饮业和机器视觉应用领域中具有广泛的应用前景和重要的意义。

1. 提出的CBIR算法

本节介绍CBIR用于披萨合格率检测的实现方法与算法流程。

    使用经最小二乘法训练自定义权重的图像检索系统（Least squares trains an image retrieval system with custom weights）的算法流程图如图1所示。

图1 经最小二乘法训练自定义权重的图像检索系统算法流程图

2.基于综合特征的LST-CBIR

为了结合各个底层特征的优点，本设计同时提取图像的颜色、形状和纹理三种特征结合为一个综合特征，并实现结合权重的自定义。在经过对数据最小二乘法的训练与计算，得到三者的权重。

2.1颜色特征

在颜色特征方面，为减小运算量，采用颜色矩作为检索的特征，分别提取被检测图像和数据库中图像的一、二、三阶矩。由于HSV颜色空间的色调、饱和度、明度与人眼对颜色的主观认识相对比较符合，与其他颜色空间相比HSV空间能更好的反映人类对颜色的感知，所以本文采用HSV颜色空间下的颜色矩作为颜色特征。使用曼哈顿距离进行颜色矩相似度度量。

颜色信息集中在图像颜色的低阶矩中，主要是每种颜色分量的一阶矩(均值)、二阶矩(方差)、三阶矩(斜度)，可以有效地表示图像中的颜色分布。三个颜色矩的数学定义如下：

2.2 形状特征

2.3 纹理特征

由于图像检索的数据库一般比较大，如果直接对整幅图的纹理特征进行提取和分析，运算量将会非常大。所以本设计先对图像进行分割，然后再对分割后的图像进行基于傅立叶描述子的纹理检测和纹理特征提取，以减少运算量。

2.3.1 图像预分割

为了减小运算量，突出图像的主要部分，我们在进行纹理特征提取之前对图像进行预分割。通常认为，图像特征主要体现在大连通域处，我们基于这个原理进行分割。首先将RGB图像二值化，进行形态学处理包括开运算和闭运算后，进行连通域分析，取最大的连通域作为目标区域进行纹理特征的检测。

2.3.2 傅立叶描述子

从上式可以看出离散傅立叶变换是一个可逆的线性变换，所以在这个过程中信息既没有增加也没有减少。

傅立叶描述子将目标放在频域进行分析，得到的目标频谱中低频分量代表物体的宏观形状属性，而高频分量则可以代表物体的细节特征，某些情况下即纹理特征，即得到纹理特征的相似性向量。

2.4 综合特征

2.5 最小二乘法训练权重

在线性回归中，最小二乘法与梯度下降算法作用基本相同，都是为了找到一个最优解使得曲线能够较好的拟合实际情况。其本质是求解最小化的均方误差（MSE），对于给定的特征多项式：

3.实验结果与分析         

3.1训练样本计算权重

本设计训练所需的训练样本由30张现场拍的披萨照片，15张合格的披萨，15张不合格的披萨，其中不合格的原因有很多，比如：形状不规整；用料不均匀；用料过少等。图片的长边像素、宽边像素在 100px ～ 3000px 之间不等，如下图2所示：

图2:训练数据集

在程序中提取出30组披萨的3种特征向量，如下图所示：

   由此，得到一个30乘3的参数矩阵，为最小二乘法公式中的A矩阵，而β矩阵是3乘1的矩阵，组成成分是赋予的权重c、s和t。

   而此算法的关键是矩阵Y，Y矩阵应该是30乘1的矩阵，代表着合格与否的结果，把合格披萨的三组数据对应的Y矩阵中定义为1，而不合格披萨的三组数据对应Y矩阵中的值为-1，再用最小二乘法求解出矩阵β，即得到三种权重的值。

用数据集中18,19,20号披萨简单举例展示该算法，其三种披萨组成的特征向量数据集为 

  ，定义为A矩阵，矩阵β为 ，18号和19号披萨是合格的披萨，对应Y值为1，而20号披萨为不合格披萨，对应Y值-1，所以Y矩阵为 ，代入最小二乘法公式，即得到三种特征权重。经对三十组数据训练计算得到颜色，形状，纹理三种特征参数最优解比值接近6:3:1，带入权重，对披萨进行识别

3.2 测试样本实验结果

此数据库为测试样本，其中有15个合格的披萨，其中一个是定义好最完美的披萨和一个定义好处于合格边缘的披萨，那么数据库被检测的就剩下13个合格的披萨以及15个不合格的披萨，然后进行依次的识别与判断，首先用此程序默认的值进行对比，计算出准确率，其次用三者平均值进行实验与判断，最后用经最小二乘法解得的比值去进行识别，实验过程如下。

    本设计程序能同时处理四张披萨，有一张进行检索的完美披萨，有一个用来定义的合格与否的披萨，剩下两张进行检索，图中红色实线框的是完美的披萨，也就是检索的图片，红色虚线框的是合格边缘的披萨，那么得到的结论就是2号披萨合格，4号披萨不合格。如下图3所示：

图3 检索结果示意图

而为了是本设计的识别结果更精确，给原始的CBIR加入了新的算法，即为最小二乘法求最优解，得到的三者权重的比值是6:3:1；赋予权重后，对比原始的CBIR与加入新算法的LST-CBIR，比较两者谁的准确性更高。

3.3实验对比

将28张图片命名后，一次两两放入数据库进行检验，每一组进行14次识别，实验数据如下表1：

最后得到的结果是加入新算法的LST-CBIR准确率最高。至此证毕。

4 结论

本设计对于食品的合格率识别提出了一种全新的算法，可以实现区别于传统X光判断合格率的新思路，准确率也较为可观，成本较低就可以给食品行业多加一道保障。本设计的算法思路同样适用于各类行业的视觉识别，而且后续训练开发的可塑性强。

参考文献

[1]John Manu,Mathew Terry Jacob,Bindu V R.A Multi-modal CBIR Framework with Image Segregation using Autoencoders and Deep Learning-based Pseudo-labeling[J].Procedia Computer Science,2023,218(218).

[2]Rinaldi Antonio M.,Russo Cristiano,Tommasino Cristian.An Augmented Reality CBIR System Based on Multimedia Knowledge Graph and Deep Learning Techniques in Cultural Heritage[J].Computers,2022,11(12).

[3]钟奇林,左劼,孙频捷.基于区域的CBIR图像检索方法研究进展[J].现代计算机,2019,(36):64-68.

[4]杨焯雅.基于Matlab的CBIR系统的设计与实现[J].科技传播,2018,(10):137-141.

[5]魏怀明.CBIR中基于最佳路径森林的学习方法[J].计算机工程与设计,2017,(09):2482-2488.

[6]孙挺,耿国华.相关反馈结合鲁棒局部二值模式的CBIR算法[J].北京邮电大学学报,2016,(05):16-19.

[7]谭志伟,孙新领,孙挺.自组织特征重加权结合相关反馈技术的CBIR算法[J].现代电子技术,2016,(23):47-51.

作者简介：孙峰昊（2000—），男，汉族，辽宁铁岭，硕士，专业为电子信息。
通讯作者：屈秋霞，博士研究生，副教授，研究方向为图像处理、智能控制理论及应用。