应用实例 | 手把手教你用OpenCV实现餐盘水果识别计价程序(附代码)
导读
本文主要介绍使用Python-OpenCV实现餐盘水果识别与计价的应用。
测试图像与说明
使用图像如下,拍摄环境有待改善(存在光照不均和拍摄角度的影响):
餐盘/菜品识别一般方法:
(1)识别餐盘---传统方法和机器学习/深度学习方法;
(2)识别菜品---机器学习/深度学习方法;
本文使用传统方法识别餐盘。
效果演示:
Python OpenCV 餐盘识别水果识别小应用
算法思路与实现步骤
思路:传统方法识别餐盘---依据颜色和形状来区分。
具体步骤:
(1)餐盘颜色共三种:白色、绿色、橙色,形状共两种:圆形和方形。区别颜色使用HSV阈值范围筛选即可,圆形与方形通过轮廓面积与轮廓最小外接圆面积的比值来筛选,圆形rate>=0.9,方形<0.9;
(2)水果共三种:苹果、香蕉、橙子,通过颜色可以区分苹果和橙子,通过轮廓最小外接矩形的宽高比可以区分香蕉和橙子;
(3)计价:盘子和水果的数量乘以对应的单价即可;
(4)设计UI,计价时显示收款码。
Python-OpenCV实现算法核心代码与效果如下:
def Recognize_Dish(self,img):
#-------------------香蕉检测-----------------#
banana_num = 0
hsv_img=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
lower_yellow = np.array([15,30,145])#颜色范围低阈值
upper_yellow = np.array([35,255,255])#颜色范围高阈值
mask = cv2.inRange(hsv_img,lower_yellow,upper_yellow)#根据颜色范围删选
mask = cv2.medianBlur(mask, 5)#中值滤波
#cv2.imshow('mask_banana', mask)
contours,hierarchy = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for cnt in contours:
rect = cv2.minAreaRect(cnt)
box = cv2.boxPoints(rect)
box = np.int0(box)
width = max(rect[1][0],rect[1][1])
height = min(rect[1][0],rect[1][1])
center = (int(rect[0][0]),int(rect[0][1]))
if width > 180 and height > 80 and height < 130:
#print(width,height)
img = cv2.drawContours(img,[box],0,(0,0,255),2)
cv2.putText(img,'banana',center,font,1,(255,0,255), 2)
banana_num += 1
item_0 = QTableWidgetItem("%d"%banana_num)
self.tableWidget.setItem(8, 0, item_0)
#-------------------苹果检测-----------------#
apple_num = 0
lower_apple = np.array([0,50,50])#颜色范围低阈值
upper_apple = np.array([30,255,255])#颜色范围高阈值
mask_apple = cv2.inRange(hsv_img,lower_apple,upper_apple)#根据颜色范围删选
mask_apple = cv2.medianBlur(mask_apple, 9)#中值滤波
#cv2.imshow('mask_apple', mask_apple)
#cv2.imwrite('mask_apple.jpg', mask_apple)
contours2,hierarchy2 = cv2.findContours(mask_apple, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for cnt2 in contours2:
center,radius = cv2.minEnclosingCircle(cnt2)
area = cv2.contourArea(cnt2)
#print(radius)
rate = area / (math.pi * radius *radius)
if radius > 50 and radius < 75 and rate < 0.91:
#print(radius)
cv2.circle(img,(int(center[0]),int(center[1])),int(radius),(0,255,0),2)
cv2.putText(img,'apple',(int(center[0]),int(center[1])),font,1,(255,0,0), 2)
apple_num += 1
item_1 = QTableWidgetItem("%d"%apple_num)
self.tableWidget.setItem(6, 0, item_1)
#-------------------橘子检测-----------------#
orange_num = 0
lower_orange = np.array([0,90,60])#颜色范围低阈值
upper_orange = np.array([60,255,255])#颜色范围高阈值
mask_orange = cv2.inRange(hsv_img,lower_orange,upper_orange)#根据颜色范围删选
mask_orange = cv2.medianBlur(mask_orange, 5)#中值滤波
#cv2.imshow('mask_orange', mask_orange)
#cv2.imwrite('mask_orange.jpg', mask_orange)
contours3,hierarchy3 = cv2.findContours(mask_orange, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for cnt3 in contours3:
center,radius = cv2.minEnclosingCircle(cnt3)
area = cv2.contourArea(cnt3)
#print(radius)
rate = area / (math.pi * radius *radius)
if radius > 50 and radius < 75 and rate > 0.85:
#print(radius)
cv2.circle(img,(int(center[0]),int(center[1])),int(radius),(255,0,255),2)
cv2.putText(img,'orange',(int(center[0]),int(center[1])),font,1,(255,255,0), 2)
orange_num += 1
item_2 = QTableWidgetItem("%d"%orange_num)
self.tableWidget.setItem(7, 0, item_2)
#-------------------白色餐盘检测-----------------#
white_circle_num = 0
white_rect_num = 0
lower_white = np.array([0,0,150])#颜色范围低阈值
upper_white= np.array([100,55,255])#颜色范围高阈值
mask_white = cv2.inRange(hsv_img,lower_white,upper_white)#根据颜色范围删选
mask_white = cv2.medianBlur(mask_white, 5)#中值滤波
#cv2.imshow('mask_white', mask_white)
#cv2.imwrite('mask_white.jpg', mask_white)
contours4,hierarchy4 = cv2.findContours(mask_white, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for cnt4 in contours4:
area = cv2.contourArea(cnt4)
center,radius = cv2.minEnclosingCircle(cnt4)
#print(radius)
rate = area / (math.pi * radius *radius)
if radius > 100 and radius < 160:
#print(radius)
if rate >= 0.9:
cv2.circle(img,(int(center[0]),int(center[1])),int(radius),(255,255,0),2)
cv2.putText(img,'white_circle',(int(center[0]),int(center[1])),font,1,(0,255,0), 2)
white_circle_num += 1
elif rate >0.6 and rate < 0.9:
rect = cv2.minAreaRect(cnt4)
box = cv2.boxPoints(rect)
box = np.int0(box)
#cv2.circle(img,(int(center[0]),int(center[1])),int(radius),(255,0,255),5)
img = cv2.drawContours(img,[box],0,(255,255,0),2)
cv2.putText(img,'white_rect',(int(center[0]),int(center[1])),font,1,(0,255,0), 2)
white_rect_num += 1
item_3 = QTableWidgetItem("%d"%white_circle_num)
self.tableWidget.setItem(0, 0, item_3)
item_4 = QTableWidgetItem("%d"%white_rect_num)
self.tableWidget.setItem(1, 0, item_4)
#-------------------绿色餐盘检测-----------------#
green_circle_num = 0
green_rect_num = 0
lower_green = np.array([30,65,65])#颜色范围低阈值
upper_green= np.array([80,255,255])#颜色范围高阈值
mask_green = cv2.inRange(hsv_img,lower_green,upper_green)#根据颜色范围删选
mask_green = cv2.medianBlur(mask_green, 5)#中值滤波
#cv2.imshow('mask_green', mask_green)
#cv2.imwrite('mask_green.jpg', mask_green)
contours5,hierarchy5 = cv2.findContours(mask_green, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for cnt5 in contours5:
area = cv2.contourArea(cnt5)
center,radius = cv2.minEnclosingCircle(cnt5)
#print(radius)
rate = area / (math.pi * radius *radius)
if radius > 100 and radius < 160:
#print(radius)
if rate >= 0.9:
cv2.circle(img,(int(center[0]),int(center[1])),int(radius),(0,255,0),2)
cv2.putText(img,'green_circle',(int(center[0]),int(center[1])),font,1,(0,255,255), 2)
green_circle_num += 1
elif rate >0.6 and rate < 0.9:
rect = cv2.minAreaRect(cnt5)
box = cv2.boxPoints(rect)
box = np.int0(box)
#cv2.circle(img,(int(center[0]),int(center[1])),int(radius),(255,0,255),5)
img = cv2.drawContours(img,[box],0,(0,255,0),2)
cv2.putText(img,'green_rect',(int(center[0]),int(center[1])),font,1,(0,255,255), 2)
green_rect_num += 1
item_5 = QTableWidgetItem("%d"%green_circle_num)
self.tableWidget.setItem(4, 0, item_5)
item_6 = QTableWidgetItem("%d"%green_rect_num)
self.tableWidget.setItem(5, 0, item_6)
#-------------------橙色餐盘检测-----------------#
orange_circle_num = 0
orange_rect_num = 0
lower_orange_dish = np.array([0,100,100])#颜色范围低阈值
upper_orange_dish= np.array([15,255,255])#颜色范围高阈值
mask_orange_dish = cv2.inRange(hsv_img,lower_orange_dish,upper_orange_dish)#根据颜色范围删选
mask_orange_dish = cv2.medianBlur(mask_orange_dish, 5)#中值滤波
#cv2.imshow('mask_green', mask_green)
#cv2.imwrite('mask_orange_dish.jpg', mask_orange_dish)
contours6,hierarchy6 = cv2.findContours(mask_orange_dish, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
for cnt6 in contours6:
area = cv2.contourArea(cnt6)
center,radius = cv2.minEnclosingCircle(cnt6)
#print('----------------')
#print(radius)
rate = area / (math.pi * radius *radius)
if radius > 100 and radius < 160:
#print(rate)
if rate >= 0.8:
cv2.circle(img,(int(center[0]),int(center[1])),int(radius),(0,255,0),2)
cv2.putText(img,'orange_circle',(int(center[0]),int(center[1])),font,1,(255,0,255), 2)
orange_circle_num += 1
elif rate >0.3 and rate < 0.8:
rect = cv2.minAreaRect(cnt6)
box = cv2.boxPoints(rect)
box = np.int0(box)
#cv2.circle(img,(int(center[0]),int(center[1])),int(radius),(255,0,255),5)
img = cv2.drawContours(img,[box],0,(0,255,0),2)
cv2.putText(img,'orange_rect',(int(center[0]),int(center[1])),font,1,(255,0,255), 2)
orange_rect_num += 1
item_7 = QTableWidgetItem("%d"%orange_circle_num)
self.tableWidget.setItem(2, 0, item_7)
item_8 = QTableWidgetItem("%d"%orange_rect_num)
self.tableWidget.setItem(3, 0, item_8)
for i in range(0,9):
self.tableWidget.item(i,0).setTextAlignment(QtCore.Qt.AlignHCenter|QtCore.Qt.AlignVCenter)
self.tableWidget.item(i,1).setTextAlignment(QtCore.Qt.AlignHCenter|QtCore.Qt.AlignVCenter)
#----------------计算价格--------------#
self.price = self.price_white_circle * white_circle_num + \
self.price_white_rect * white_rect_num + \
self.price_orange_circle * orange_circle_num + \
self.price_orange_rect * orange_rect_num + \
self.price_green_circle * green_circle_num + \
self.price_green_rect * green_rect_num + \
self.price_apple * apple_num + \
self.price_orange * orange_num +\
self.price_banana * banana_num
print(self.price)
return img
结尾语
(1) 算法只针对水果和餐盘数量和形态较少的情形,方法供参考;
(2) 实际应用将更复杂,要求更高,一般开源的目标检测网络也很难满足要求;
(3) 常见菜品识别的实际应用要求:一个菜只用一张图片训练或做模板,训练和识别时间尽量短,能够及时更新使用。所以真正类似的产品并不好做,如果你有好的方法欢迎留言。
完整代码与素材将发布在知识星球中,有兴趣可加入获取。点击下方链接关注我们,更多视觉/图像处理相关内容及时掌握。
应用实例 | 手把手教你用OpenCV实现餐盘水果识别计价程序(附代码)相关推荐
- 独家 | 手把手教你从有限的数据样本中发掘价值(附代码)
作者:Bety Rodriguez-Milla 翻译:和中华 校对:吴金笛 本文约2800字,建议阅读8分钟. 本文展示了当数据稀缺时,如何一步步进行分析从而得到一些见解. [ 导读 ]本文是系列文章 ...
- 手把手教你在多种无监督聚类算法实现Python(附代码)
来源: 机器之心 本文约2704字,建议阅读6分钟. 本文简要介绍了多种无监督学习算法的 Python 实现,包括 K 均值聚类.层次聚类.t-SNE 聚类.DBSCAN 聚类. 无监督学习是一类用于 ...
- 手把手教你如何自己设计实现一个深度学习框架(附代码实现)
作者丨王桂波@知乎(已授权) 来源丨https://zhuanlan.zhihu.com/p/78713744 编辑丨极市平台 导读 本文首先从深度学习的流程开始分析,对神经网络中的关键组件抽象,确定 ...
- 实例 :教你使用简单神经网络和LSTM进行时间序列预测(附代码)
翻译:张玲 校对:丁楠雅 本文约1500字,建议阅读5分钟. 作者基于波动性标准普尔500数据集和Keras深度学习网络框架,利用python代码演示RNN和LSTM RNN的构建过程,便于你快速搭 ...
- 实战六:手把手教你用TensorFlow进行手写数字识别
手把手教你用TensorFlow进行手写数字识别 github下载地址 目录 手写体数字MNIST数据集介绍 MNIST Softmax网络介绍 实战MNIST Softmax网络 MNIST CNN ...
- linux 进程间通信 dbus-glib【实例】详解四(上) C库 dbus-glib 使用(附代码)(编写接口描述文件.xml,dbus-binding-tool工具生成绑定文件)(列集散集函数)
linux 进程间通信 dbus-glib[实例]详解一(附代码)(d-feet工具使用) linux 进程间通信 dbus-glib[实例]详解二(上) 消息和消息总线(附代码) linux 进程间 ...
- linux 进程间通信 dbus-glib【实例】详解二(上) 消息和消息总线(附代码)
linux 进程间通信 dbus-glib[实例]详解一(附代码)(d-feet工具使用) linux 进程间通信 dbus-glib[实例]详解二(上) 消息和消息总线(附代码) linux 进程间 ...
- python模块cv2人脸识别_手把手教你使用OpenCV,Python和深度学习进行人脸识别
使用OpenCV,Python和深度学习进行人脸识别 在本教程中,你将学习如何使用OpenCV,Python和深度学习进行面部识别.首先,我们将简要讨论基于深度学习的面部识别,包括"深度度量 ...
- Blender图解教程:手把手教你做马里奥问号箱 二 强迫症修复版(附模型下载)
看完 <Blender图解教程:手把手教你做马里奥问号箱>有强迫症同学反应对最后的结果不能忍.那么老王教大家修复一下.初学的同学可以通过这个例子进一步理解一下什么是UV. 修复前 如果你没 ...
- 独家 | 手把手教你使用OpenCV库(附实例、Python代码解析)
作者:Anirudh Rao 翻译:吴金笛 校对:李洁 本文约4000字,建议阅读10+分钟. 本文将通过几个简单的实例带你上手OpenCV库,新手必备!
最新文章
- servlet config 初始化参数
- 网络技术温故知新(一)
- 20172303 2017-2018-2 《程序设计与数据结构》第4周学习总结
- 使用JUnit 5 执行条件和并发测试
- 用JavaScript实现的设计模式之commandline(命令行)模式
- cdi 2.7.5_集成测试CDI 1.0和Spring 3.1中的作用域bean
- NOIP2017(不算是题解)
- 神经网络识别车牌字符
- httpservletrequest 设置请求头_大部分程序员不知道的 Servelt3 异步请求,原来这么简单?
- python是什么类型的编程语言-Python是个什么语言?
- centos6 与 7 其中的一些区别
- python 安居客 爬虫_Python爬虫安居客房价信息(并利用百度地图API查询坐标)
- linux 系统中没有rpm命令
- 基于JavaWeb网上商城(以卖书为主)
- 使用css画出一条虚线
- Qt下载安装教程,windows10亲测可用,版本5.12.11
- RabbitMQ 四种类型发送接收数据方式
- 8in1模拟器v2模拟飞行_重新想象飞行模拟器:过去和现在
- Invalid bound statement (not found): cn.jeefast.xiangmu.dao.AchDao.selectByI 解决
- Java开发在线报名系统_单独招生在线报名系统设计和实现.doc