導(dǎo)讀本文主要介紹使用Python-OpenCV實現(xiàn)餐盤水果識別與計價的應(yīng)用。

測試圖像與說明

使用圖像，拍攝環(huán)境有待改善（存在光照不均和拍攝角度的影響）：

餐盤/菜品識別一般方法：

（1）識別餐盤---傳統(tǒng)方法和機器學(xué)習(xí)/深度學(xué)習(xí)方法；

（2）識別菜品---機器學(xué)習(xí)/深度學(xué)習(xí)方法；

本文使用傳統(tǒng)方法識別餐盤。

效果演示：

算法思路與實現(xiàn)步驟

思路：傳統(tǒng)方法識別餐盤---依據(jù)顏色和形狀來區(qū)分。

具體步驟：

（1）餐盤顏色共三種：白色、綠色、橙色，形狀共兩種：圓形和方形。區(qū)別顏色使用HSV閾值范圍篩選即可，圓形與方形通過輪廓面積與輪廓最小外接圓面積的比值來篩選，圓形rate》=0.9，方形《0.9;

（2）水果共三種：蘋果、香蕉、橙子，通過顏色可以區(qū)分蘋果和橙子，通過輪廓最小外接矩形的寬高比可以區(qū)分香蕉和橙子；

（3）計價：盤子和水果的數(shù)量乘以對應(yīng)的單價即可；

（4）設(shè)計UI，計價時顯示收款碼。

Python-OpenCV實現(xiàn)算法核心代碼與效果如下：

def Recognize_Dish（self，img）： #-------------------香蕉檢測-----------------# banana_num = 0 hsv_img=cv2.cvtColor（img，cv2.COLOR_BGR2HSV） lower_yellow = np.array（［15，30，145］）#顏色范圍低閾值 upper_yellow = np.array（［35，255，255］）#顏色范圍高閾值 mask = cv2.inRange（hsv_img，lower_yellow，upper_yellow）#根據(jù)顏色范圍刪選 mask = cv2.medianBlur（mask， 5）#中值濾波 #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）

#-------------------蘋果檢測-----------------# apple_num = 0 lower_apple = np.array（［0，50，50］）#顏色范圍低閾值 upper_apple = np.array（［30，255，255］）#顏色范圍高閾值 mask_apple = cv2.inRange（hsv_img，lower_apple，upper_apple）#根據(jù)顏色范圍刪選 mask_apple = cv2.medianBlur（mask_apple， 9）#中值濾波 #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，‘a(chǎn)pple’，（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）

#-------------------橘子檢測-----------------# orange_num = 0 lower_orange = np.array（［0，90，60］）#顏色范圍低閾值 upper_orange = np.array（［60，255，255］）#顏色范圍高閾值 mask_orange = cv2.inRange（hsv_img，lower_orange，upper_orange）#根據(jù)顏色范圍刪選 mask_orange = cv2.medianBlur（mask_orange， 5）#中值濾波 #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）

#-------------------白色餐盤檢測-----------------# white_circle_num = 0 white_rect_num = 0 lower_white = np.array（［0，0，150］）#顏色范圍低閾值 upper_white= np.array（［100，55，255］）#顏色范圍高閾值 mask_white = cv2.inRange（hsv_img，lower_white，upper_white）#根據(jù)顏色范圍刪選 mask_white = cv2.medianBlur（mask_white， 5）#中值濾波 #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）

#-------------------綠色餐盤檢測-----------------# green_circle_num = 0 green_rect_num = 0 lower_green = np.array（［30，65，65］）#顏色范圍低閾值 upper_green= np.array（［80，255，255］）#顏色范圍高閾值 mask_green = cv2.inRange（hsv_img，lower_green，upper_green）#根據(jù)顏色范圍刪選 mask_green = cv2.medianBlur（mask_green， 5）#中值濾波 #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）

#-------------------橙色餐盤檢測-----------------# orange_circle_num = 0 orange_rect_num = 0 lower_orange_dish = np.array（［0，100，100］）#顏色范圍低閾值 upper_orange_dish= np.array（［15，255，255］）#顏色范圍高閾值 mask_orange_dish = cv2.inRange（hsv_img，lower_orange_dish，upper_orange_dish）#根據(jù)顏色范圍刪選 mask_orange_dish = cv2.medianBlur（mask_orange_dish， 5）#中值濾波 #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） #----------------計算價格--------------# 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

結(jié)尾語

（1） 算法只針對水果和餐盤數(shù)量和形態(tài)較少的情形，方法供參考；

（2） 實際應(yīng)用將更復(fù)雜，要求更高，一般開源的目標(biāo)檢測網(wǎng)絡(luò)也很難滿足要求；

（3） 常見菜品識別的實際應(yīng)用要求：一個菜只用一張圖片訓(xùn)練或做模板，訓(xùn)練和識別時間盡量短，能夠及時更新使用。所以真正類似的產(chǎn)品并不好做，如果你有好的方法歡迎留言。

—版權(quán)聲明—

來源： OpenCV與AI深度學(xué)習(xí)

僅用于學(xué)術(shù)分享，版權(quán)屬于原作者。

若有侵權(quán)，請聯(lián)系刪除或修改！

編輯：jq