基于計算機視覺的大米整精米率檢測

李同強 甘建鵬

(浙江工商大學(xué)信息與電子工程學(xué)院，杭州 310018)

基于計算機視覺的大米整精米率檢測

李同強 甘建鵬

(浙江工商大學(xué)信息與電子工程學(xué)院，杭州 310018)

提出了一種在線的基于計算機視覺的大米整精米率檢測的新方法。采用最大方差閾值分割對大米圖像進行處理，再對分割結(jié)果進行形態(tài)學(xué)操作，實現(xiàn)連接著的大米的分離，最后對分離后的大米二值圖像進行面積和周長特征的提取。根據(jù)米粒周長像素數(shù)目的大小采取不同識別模式，當(dāng)大米周長的像素數(shù)目大于某一固定值(先驗值)時，即該種大米是長粒型，采取周長識別模式;短粒型大米則采取面積識別模式。通過使用這一能夠智能選擇識別模式的檢測方法，能夠大大提高整精米率的檢測效率。

計算機視覺 整精米率 周長 面積 特征提取

整精米是指糙米碾磨成精度為國家標(biāo)準(zhǔn)一等大米時，米粒產(chǎn)生破碎，其中長度仍達到完整精米粒平均長度的3/4以上(含)的米粒。整精米占凈稻谷試樣質(zhì)量的比例為整精米率。一般認(rèn)為，整精米率高的稻米質(zhì)量較好。2009年3月28日，國家質(zhì)量監(jiān)督檢驗檢疫總局、國家標(biāo)準(zhǔn)化管理委員會批準(zhǔn)發(fā)布了《稻谷》(GB 1350—2009)等國家標(biāo)準(zhǔn)，于2009年7月1日起正式實施。標(biāo)準(zhǔn)主要指標(biāo)的設(shè)置和評價方法符合WTO的規(guī)則，能進一步增強我國糧油在國際市場上的競爭能力，這對于提高我國主要糧食的質(zhì)量、規(guī)范稻米購銷具有重要意義［1－2］。正確識別整精米數(shù)量是檢測整精米率指標(biāo)的關(guān)鍵。目前，在糧食生產(chǎn)與經(jīng)營過程中，大米整精米率的檢測方法，大多還停留在手工階段，主要依靠肉眼進行識別。這種方法人為因素大、檢測時間長、準(zhǔn)確性低、可操作性和重復(fù)性差，難以滿足在糧食收購過程中，對大米品質(zhì)檢測快速、客觀和準(zhǔn)確的要求。

本研究基于計算機圖像識別技術(shù)，探討自動檢測當(dāng)前市場上流通的大米整精米率的可行性。由于現(xiàn)在市場上的大米種類繁多，外觀差別很大，故必須尋求一種能夠嚴(yán)格按照國標(biāo)中關(guān)于整精米的定義對其進行自動識別的智能檢測方法。對于市面上流通的大米，根據(jù)大米的粒形，可以粗略地將大米分為3類:長粒型，短粒型(圓粒型)與中等粒型。一般來說，長粒型大米的長度較長，從而大米圖像通過邊緣提取之后的大米周長也較長;而短粒型大米雖然寬度較寬，但其整個輪廓的平均周長比長粒型大米小?？梢愿鶕?jù)大米的平均周長設(shè)定一個閾值，如果大米的平均周長大于該閾值的，認(rèn)為這是長粒型大米，則對它的輪廓周長特征進行檢測;反之則認(rèn)為這是短粒型大米，對它的面積特征進行檢測。

1 材料與方法

1.1 材料與設(shè)備

為進行大米外觀質(zhì)量檢測，主要以3種市場上常見的品種作為試驗樣本，如圖1。

圖1 試驗樣品圖

樣品A是江蘇產(chǎn)秈米，米粒長度較短;樣品B是東北產(chǎn)粳米，米粒長度中等;樣品C是泰國秈米，米粒長度較長(按試驗需要，在3種大米樣品中人為添加了若干碎米，并不代表大米的實際質(zhì)量)。為取得較好的效果，在背景為黑色美術(shù)紙的振動平臺上，結(jié)合分離梳的使用使大米均勻地分布在黑色美術(shù)紙上，這樣既便于獲得最佳閾值對圖像進行二值化分割，又確保了大米不會重疊在一起而給圖像處理帶來難度。

FL－311C型Digital CCD攝像頭:FOSULINK電子科技國際有限公司;AT104－C10型圖像采集卡:中國(加拿大)杭州奧泰圖像系統(tǒng)集成有限公司;PCM－6551型主板:英德斯科技公司。

1.2 試驗方法

1.2.1 米粒識別系統(tǒng)流程

整精米檢測系統(tǒng)流程:

采集大米圖像→灰度變換→圖像預(yù)處理→圖像分割→特征提取與數(shù)據(jù)處理→結(jié)果輸出

1.2.2 灰度變換

檢測主要是對灰度圖進行處理［3］。將RGB圖像轉(zhuǎn)換為灰度圖的方法是利用256色的調(diào)色板，調(diào)色板的RGB 3個分量的值是相同的，即從(0，0，0)、(1，1，1)到(255，255，255)。(0，0，0)是全黑的，(255，255，255)是全白的，中間灰度依次變化。利用RGB圖像各個像素點3個分量的不同，從而分辨出圖像各像素的灰度。方法有3種:

由于本系統(tǒng)的背景為黑色，與白色的大米灰度相差較大，故在對采集到的大米圖像進行灰度化后，一方面不會影響到大米與背景圖像的分割，另一方面縮減了圖像存儲的空間和加快了圖像處理的速度。因此使用式(4)對大米原始圖像進行灰度化處理。

1.2.3 圖像預(yù)處理

在現(xiàn)實條件下，很難得到無噪、理想的圖像。通過圖像采集裝置得到的圖像一般都受到噪聲干擾，而且拍攝的背景亮度也不可能嚴(yán)格均勻。噪聲干擾是圖像采集系統(tǒng)存在的電氣和光學(xué)噪聲引起的，可采用3×3模板的中值濾波進行濾波處理。中值濾波器的原理是用像素領(lǐng)域內(nèi)灰度的中值代替該像素的值，該濾波器對處理脈沖噪聲(椒鹽噪聲)非常有效。中值濾波是一種非線性濾波，既能濾除噪聲又能夠很好的保護圖像邊緣。

中值濾波是一種經(jīng)典的非線性的圖像平滑方法，常用來保護邊緣信息［4］。它對脈沖干擾級椒鹽噪聲的抑制效果好，在抑制隨機噪聲的同時能有效保護邊緣不受模糊。線性濾波器如均值濾波器、最小均方濾波器等濾波后一般會使圖像細節(jié)模糊。

中值為窗口中數(shù)據(jù)按大小順序排列后處于中心位置的數(shù)值，用其來代替指定點(一般是窗口的中心點)的灰度值。對于奇數(shù)個數(shù)，中值就是指大小排序后，中間的數(shù)值;對于偶數(shù)個元素，中值指排序后中間2個元素灰度值的平均值。一般可以采用冒泡法獲取窗口的中值。

式中:S為模板;{fi，j}為二維圖像數(shù)據(jù)序列。

二維中值濾波的模板形狀和尺寸設(shè)計對濾波效果影響很大，模板尺寸一般先用3×3，再取5×5，這樣逐點增大，直到濾波效果滿意為止。

1.2.4 圖像分割

圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟，它是表達目標(biāo)的基礎(chǔ)，對特征測量有重要的影響;圖像分割將圖像轉(zhuǎn)化為更抽象更細致的形式，為更高層的圖像分析與理解提供可能性［5］。

本研究采用最大方差閾值分割方法得到大米的二值化圖像［6］。大津閾值分割把直方圖在某一閾值處分割成兩組，當(dāng)被分成的兩組間方差為最大時，決定閾值?，F(xiàn)在，設(shè)一幅圖像的灰度值為0～m－1級時，灰度值i的像素為ni，其像素總數(shù):

然后用T將其分成2組C0={0～T－1}和C1={T～m－1}，各組產(chǎn)生的概率如下:

從1～m－1之間改變T，求式(13)為最大值時的T，即求 maxδ2的 T*值，此時 T*便是閾值。把δ2(T)叫做閾值選擇函數(shù)。

此方法不管圖像的直方圖有無明顯的雙峰邊界，都能得到較滿意的結(jié)果，因此這種方法是閾值自動選擇的最優(yōu)方法［7］。

1.2.5 米粒的分離與特征提取

在經(jīng)過前面步驟處理得到二值化大米圖像之后對這一圖像進行特征提?。?］，便于得到需要的特征:米?？倲?shù)、碎米數(shù)、整精米率。

1.2.5.1 米粒的分離

雖然在試驗儀器上采用了振動平臺與分離梳的結(jié)合避免出現(xiàn)米粒的重疊與大面積的連接，但對于部分連接在一起的大米還要進行分離工作，以便于特征的提取。方法是對大米二值圖像進行形態(tài)學(xué)操作。即先對二值圖像進行區(qū)域腐蝕(圖2)，斷開米粒之間的連接，實現(xiàn)米粒的分離。在特征提取的時候再用與腐蝕操作相同的算子對腐蝕后的圖像進行膨脹處理(圖3)，找到分離后的米粒輪廓。

1.2.5.2 周長特征提取算法

依次按照從上到下、從左到右的方法對大米的二值化輪廓圖像進行掃描，當(dāng)掃描到黑色像素點(像素值為0)時，且該點未被標(biāo)記，則表示掃描到一個新的米粒。之后對該米粒進行四領(lǐng)域檢測，在其四領(lǐng)域內(nèi)查找下一未標(biāo)記過的黑色像素點，標(biāo)記這個黑色像素點，并將這個黑色像素點作為當(dāng)前點，再次查找四領(lǐng)域內(nèi)下一未標(biāo)記過的黑色像素點。如此反復(fù)，直到當(dāng)前像素點的四領(lǐng)域內(nèi)找不到未標(biāo)記過的黑色像素點時，則完成了這一米粒周長上的所有黑色像素點的掃描工作。最后，回到這一米粒周長像素掃描的起始點，繼續(xù)根據(jù)從上到下、從左到右的原則掃描下一米粒的未標(biāo)記黑色像素點，直到掃描完整幅圖像。

1.2.5.3 面積特征提取算法

同周長特征提取一樣，從上到下、從左到右掃描圖像，當(dāng)掃描到黑色像素點時，且該點未被標(biāo)記，則表示掃描到一個新的米粒。從該點坐標(biāo)開始向右掃描完全部的黑色像素點，記下終點的坐標(biāo)，并標(biāo)記所有掃描過的黑色像素點。之后在該行所有找到的黑色像素點從左到右依次判斷下一行是否存在未標(biāo)記過的黑色像素點，若存在則同樣查找該行黑色像素點的起點坐標(biāo)與終點坐標(biāo)。如此反復(fù)，直到當(dāng)前掃描行的所有黑色像素點的下一行不存在未標(biāo)記過的黑色像素點，則表示完成這一米粒面積的所有黑色像素點的掃描工作。最后，回到這一米粒面積像素掃描的起始點，繼續(xù)根據(jù)從上到下、從左到右的原則掃描下一米粒的未標(biāo)記黑色像素點，直到掃描完整幅圖像。

1.2.6 先驗特征與數(shù)據(jù)處理

1.2.6.1 先驗特征提取

確定長短粒型大米周長的像素閾值:先在被測樣品中分別選出100粒長粒型整精米與短粒型整精米，用圖像采集裝置采集原始圖像，用上述方法處理后，掃描整個圖像，分別按照輪廓特征的提取算法提取其平均的周長像素點的數(shù)目。之后根據(jù)2份輪廓像素的平均值確定長短粒型大米的周長像素數(shù)目閾值t。

提取完長短粒型大米的閾值t之后按同樣的方法分別提取長粒型大米的碎米與整精米的周長特征閾值t1以及短粒型大米的碎米與整精米的面積特征閾值 t2。

1.2.6.2 數(shù)據(jù)處理

對提取輪廓之后的大米二值化圖像按照周長識別模式提取大米的周長特征。將周長特征與閾值t(用于區(qū)分大米長短粒型的周長像素閾值)進行比較以判斷大米的長短粒型:大于閾值t則為長粒型;反之為短粒型。完成長短粒型的判斷之后，調(diào)用相應(yīng)的特征提取算法求得各個米粒周長或面積的像素數(shù)目，之后與t1或t2進行比較即可得到該米粒是否為整精米。按照此種方法檢測大米圖像中的所有米粒，統(tǒng)計得到碎米總數(shù)與整精米數(shù)目之后，計算得到整精米率。

數(shù)據(jù)處理流程圖如圖4所示。

圖4 數(shù)據(jù)處理流程圖

2 結(jié)果與分析

整精米識別系統(tǒng)用Visual C++6.0編制。程序設(shè)計提供2種模式，既接受用戶對長短粒型大米的周長像素閾值與面積像素閾值的修訂，也滿足用戶智能識別大米長短粒型的要求。各種粒型各準(zhǔn)備8組樣品，每組60粒，米?？倲?shù)為480粒。

2.1 短粒型大米檢測

對樣本A進行整精米率檢測，結(jié)果見圖5。對于短粒型大米進行的整精米率檢測，由于短粒型的大米，其碎米與整精米的周長相差不大，如果采用周長區(qū)分碎米與整精米的話，誤差較大。經(jīng)過比較，如果采用面積識別模式則能取得更好的效果，識別精度在99%以上(見表1)，能夠滿足較高的工業(yè)應(yīng)用要求。

圖5 樣品A的整精米率檢測結(jié)果(面積識別模式)

表1 樣本A的抽樣檢測結(jié)果

2.2 中等粒型大米檢測

對樣本B進行整精米率檢測，結(jié)果見圖6與圖7。對于中等粒型大米，碎米與整精米的差別較小，分別應(yīng)用兩種模式進行識別。兩種方法檢測所得的碎米數(shù)目相差3粒。通過觀察可見這3粒米粒在碎米與整精米的判斷上顯得比較模糊，采用哪種方法都可以接受。故對于中等粒型大米，采用周長或面積識別模式都是可取的。

2.3 長粒型大米檢測

對樣本C進行整精米率檢測，結(jié)果見圖8。對于長粒型大米進行的整精米率檢測，由于長粒型的大米，其碎米與整精米的周長相差較大，可采取周長識別模式。對于長粒型大米采用周長識別模式，一方面識別精度高;另一個方面，由于周長識別遍歷的像素點較少，在檢測速度上比面積檢測模式要快。通過試驗，采用周長識別模式能取得很好的效果，識別精度在99%以上(表2)，能夠滿足較高的工業(yè)應(yīng)用要求。

圖8 樣本C的整精米率檢測結(jié)果(周長識別模式)

表2 樣本C的抽樣檢測結(jié)果

3 討論與結(jié)論

本研究中所提出的大米整精米率有別于一般的稻谷整精米率檢測方法，著重研究市場上流通的大米整精米率而非稻谷的整精米率。另一方面，在整精米率的計算上也采用不同方式:通過計算機圖像處理技術(shù)準(zhǔn)確地提取出碎米數(shù)目，不難得到整精米數(shù)，之后除以大米總數(shù)，計算比例，最后得到大米的整精米率。經(jīng)過試驗證明，基于計算機圖像處理的整精米識別技術(shù)可以很好地滿足目前階段對于大米整精米率檢測的要求，適用于替代傳統(tǒng)的人工檢測方法，具有重大的現(xiàn)實意義。由于計算機視覺處理的對象是二維數(shù)字圖像，故拍攝視角的不同會影響到整精米的判別，為了減少誤差，可以對待測樣品進行多次取樣求平均計算。

選取了具有代表性的3種類型的大米(長粒型、中等粒型與短粒型大米)進行試驗，對不同類型的大米提出了相應(yīng)的檢測手段，有助于提高大米整精米率的檢測效率。一般認(rèn)為，長粒型的大米采用周長識別模式效率較高，識別精確度在99%以上;短粒型的大米采用面積識別模式效率較高，識別精確度亦在99%以上。

［1］國家標(biāo)準(zhǔn)化管理委員會，中國國家標(biāo)準(zhǔn)化管理委員會.稻谷(GB 1350—2009)，2009

［2］國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標(biāo)準(zhǔn)化管理委員會.稻谷整精米率檢驗法(GB/T 17891—2008)，2008

［3］張玉枝，史忠科.一種新的車牌識別預(yù)處理算法［J］.西北工業(yè)大學(xué)學(xué)報，2002，20(1):83 －86

［4］劉宏兵，楊萬海，馬劍虹.圖像小波邊緣提取中閾值選取的一種自適應(yīng)方法［J］.西安電子科技大學(xué)學(xué)報，2000，27(3):294－296

［5］邢偉利.圖像檢索中顏色的特征提取及匹配算法［J］.微機發(fā)展，2004，14(2):86 －88

［6］謝鳳英，趙丹培.Visual C++數(shù)字圖像處理［M］.北京:電子工業(yè)出版社，2008:285－288

［7］Refael，C.Gonzalez，Richard E.Woods 著，阮秋琦，阮宇智等譯.數(shù)字圖像處理(第二版)［M］.北京:電子工業(yè)出版，2007:482－495

［8］Giannakis，GB.Heath，R.W.，Jr.Blind identification of multichannel FIR blurs an － d perfect image restoration［J］.IEEE Trans－actions on Image Processing，2000:1877 －1896.

Whole－Rice Ratio Detection Based on Computer Vision

Li Tongqiang Gan Jianpeng
(Zhejiang Gongshang University，Hangzhou 310018)

A method was developed for real－time determining whole－rice ratio based on computer vision.The maximum variance threshold segmentation methods was adopted to process rice image and to conduct morphological operations on the segmentation result in order to separate connected rice and to finally obtain area features and perimeter features after we got the separated rice binary image.According to the number of pixels of rice perimeter，we decided whether recognition mode，perimeter recognition mode or area recognition mode should be adopted.When the number of pixels of rice perimeter was more than a fixed value，in other words，we considered rice was long － grain shape and took the perimeter recognition mode，or otherwise，the area recognition mode should be taken for shortgrain rice.This kind of detection method，which could smartly choose recognition mode，would greatly improve detection efficiency of whole－rice ratio.

computer vision，whole － rice ratio，area，perimeter，feature extraction

TP29

A

1003－0174(2011)08－0114－05

2010－11－09

李同強，男，1960年出生，教授，模式識別

甘建鵬，男，1986年出生，碩士，模式識別