基于差分圖像邊界距離的糧?？锥醋詣?dòng)檢測(cè)

張紅濤 胡玉霞 劇 森 張恒源

（華北水利水電大學(xué)電力學(xué)院1，鄭州 450011）

（鄭州大學(xué)電氣工程學(xué)院2，鄭州 450001）

基于差分圖像邊界距離的糧?？锥醋詣?dòng)檢測(cè)

張紅濤1胡玉霞2劇 森1張恒源1

（華北水利水電大學(xué)電力學(xué)院1，鄭州 450011）

（鄭州大學(xué)電氣工程學(xué)院2，鄭州 450001）

糧?？锥吹淖詣?dòng)檢測(cè)是近紅外高光譜圖像技術(shù)檢測(cè)糧粒內(nèi)部害蟲中的一個(gè)關(guān)鍵問題。提出基于差分圖像邊界距離的糧?？锥醋詣?dòng)檢測(cè)方法，該方法通過(guò)求取糧粒（內(nèi)部）輪廓與閾值分割后二值圖像的差分，若差分圖像中的目標(biāo)與糧粒邊界的最遠(yuǎn)距離大于某個(gè)閾值時(shí)，則該目標(biāo)應(yīng)判別為邊界（內(nèi)部）孔洞。用米象的幼蟲、蛹和成蟲3個(gè)侵染階段糧粒的900幀近紅外圖像進(jìn)行訓(xùn)練，用450幀近紅外圖像進(jìn)行檢驗(yàn)，結(jié)果表明該方法不僅可以判斷糧粒是否存在孔洞，還能檢測(cè)出孔洞的數(shù)量及形態(tài)，其中邊界孔洞和內(nèi)部孔洞的識(shí)別率分別為97.33%和95.56%，證實(shí)了基于差分圖像邊界距離的糧?？锥礄z測(cè)方法是可行的。

倉(cāng)儲(chǔ)害蟲 糧粒 邊界孔洞 內(nèi)部孔洞 差分圖像 檢測(cè)

米象、谷蠹等蛀食性害蟲直接危害完整糧粒，成蟲在糧粒內(nèi)部或表面產(chǎn)卵，未成熟幼蟲在糧粒內(nèi)部生長(zhǎng)發(fā)育，進(jìn)食胚乳和胚，直到成蟲才從糧粒內(nèi)出來(lái)，可見糧粒內(nèi)部害蟲造成的危害是相當(dāng)大的［1］。傳統(tǒng)的糧粒內(nèi)部害蟲檢測(cè)方法有伯利斯漏斗法、害蟲碎片檢驗(yàn)法、懸浮法等，新興的檢測(cè)方法有CT成像法、電子鼻法、熱成像法等、近紅外光譜法等［2－4］。

近紅外光譜成像法兼有近紅外光譜技術(shù)和圖像技術(shù)的優(yōu)勢(shì)，目前已被應(yīng)用到赤霉病危害麥粒的檢測(cè)、發(fā)芽麥粒的檢測(cè)等［5－6］。研究提出基于近紅外高光譜成像的糧粒內(nèi)部害蟲檢測(cè)方法，對(duì)于不同姿態(tài)的同一個(gè)糧粒，所提取的近紅外特征有較大的差別，因此分腹溝朝下、朝上和側(cè)向3種姿態(tài)對(duì)糧粒內(nèi)部蟲害進(jìn)行自動(dòng)判別。糧粒姿態(tài)自動(dòng)識(shí)別時(shí)主要依靠糧粒的紋理、不變矩、形態(tài)等特征信息，害蟲侵染后糧粒的孔洞對(duì)這些特征影響很大，因此在構(gòu)建糧粒姿態(tài)識(shí)別模型之前，須事先檢測(cè)糧粒是否存在孔洞。本研究提出利用差分圖像邊界距離法對(duì)糧粒孔洞進(jìn)行檢測(cè)，通過(guò)試驗(yàn)進(jìn)一步驗(yàn)證了孔洞檢測(cè)的可行性。

1 近紅外糧粒圖像獲取

利用課題組構(gòu)建的近紅外高光譜成像系統(tǒng)對(duì)糧粒進(jìn)行高光譜圖像采集，其中近紅外相機(jī)的光譜范圍為900～1 700 nm，圖像分辨率為320像素×256像素，光譜分辨率為5 nm。由于麥粒個(gè)體較小，需在鏡頭上加裝接圈，使麥粒圖像有更高的分辨率［7］。

在米象產(chǎn)卵后的第14天、第18天和第23天，隨機(jī)挑選出含蟲麥粒，用于麥粒內(nèi)部害蟲在幼蟲、蛹、成蟲3個(gè)不同生長(zhǎng)階段時(shí)的高光譜圖像采集。把5個(gè)麥粒置于一個(gè)黑色的塑料板上，糧?；ゲ唤佑|且為同一姿態(tài)，黑白場(chǎng)圖像標(biāo)定后分3種姿態(tài)（腹溝朝下、朝上、側(cè)向）線掃描采集每個(gè)麥粒的數(shù)據(jù)立方體。

由主成分分析法對(duì)獲取的糧粒高光譜數(shù)據(jù)立方體進(jìn)行分析，提取出最優(yōu)光譜波長(zhǎng)為927.61 nm［8］。利用最優(yōu)波長(zhǎng)下糧粒目標(biāo)在圖像中的坐標(biāo)、重心等信息，形成僅含單個(gè)糧粒的子圖像（背景為全黑），以供后續(xù)的孔洞檢測(cè)、特征提取等處理。最優(yōu)波長(zhǎng)下同一個(gè)麥粒3種姿態(tài)的灰度圖像如圖1所示。

2 糧粒邊界孔洞檢測(cè)方法及步驟

實(shí)際上，糧粒受到害蟲侵染后，部分糧粒存在孔洞，且孔洞的位置是不確定的，這些孔洞包含邊界孔洞和內(nèi)部孔洞2種情況。糧粒的邊界孔洞是指當(dāng)糧粒受到害蟲侵染后，使獲取的圖像中糧粒邊界存在的缺口，該孔洞大小不一，差異較大。由于圖像獲取中糧粒的姿態(tài)是隨機(jī)的，獲取糧粒目標(biāo)的圖像邊界大部分不夠平滑，因此輪廓邊界的模板無(wú)法應(yīng)用。特別是當(dāng)糧粒側(cè)向時(shí)，胚部區(qū)域所在端的邊界毛刺較多，無(wú)法與邊界的實(shí)際孔洞區(qū)別開來(lái)。

采用基于差分圖像的邊界距離法對(duì)邊界孔洞進(jìn)行檢測(cè)，具體方法為：求取糧粒輪廓（凸殼）與濾波分割后二值圖像的差分，若差分圖像中的目標(biāo)與糧粒輪廓邊界的最遠(yuǎn)距離大于某個(gè)閾值時(shí)，該目標(biāo)即為邊界孔洞。其中，目標(biāo)與輪廓邊界的距離為目標(biāo)內(nèi)所有像素與邊界距離的最大值，目標(biāo)內(nèi)任一像素與邊界的距離為目標(biāo)內(nèi)該像素點(diǎn)與所有邊界點(diǎn)的最小距離。

邊界孔洞檢測(cè)算法的具體步驟如下：

1）利用線性空間濾波器對(duì)糧粒原始灰度圖像A1進(jìn)行濾波，增強(qiáng)糧粒的邊界部分，形成新的圖像A2；

2）對(duì)圖像A2進(jìn)行自動(dòng)閾值化分割，填補(bǔ)內(nèi)部的孔洞（避免內(nèi)部孔洞對(duì)邊界孔洞檢測(cè)的影響），形成二值化圖像A3；

3）求取圖像A3的最小凸殼A4及凸殼的邊界；

4）求取最小凸殼A4與二值化圖像A3的差分圖像 A5，即 A5＝A4－A3；

5）針對(duì)差分圖像A5中的每一個(gè)目標(biāo)，若該目標(biāo)的面積大于某個(gè)面積閾值（thres＿area），針對(duì)該目標(biāo)內(nèi)的任一個(gè)像素點(diǎn)，求出該像素點(diǎn)與所有凸殼邊界點(diǎn)的距離，重新排序后求出距離的最小值，作為該像素點(diǎn)與邊界的距離；

6）求出目標(biāo)內(nèi)所有像素點(diǎn)與邊界距離的最大值，作為該目標(biāo)與邊界的距離；

7）若某個(gè)目標(biāo)與邊界的距離大于某個(gè)閾值（thres＿dist），則該目標(biāo)為邊界的孔洞，并形成僅有邊界孔洞的圖像A6。

3 糧粒內(nèi)部孔洞檢測(cè)方法及步驟

糧粒的內(nèi)部孔洞是指當(dāng)糧粒受到害蟲的侵染后，使獲取的圖像中糧粒內(nèi)部存在的小洞。由于圖像獲取中糧粒的姿態(tài)是隨機(jī)的，因此采用固定閾值法是不可行的。另外，在采用自動(dòng)閾值算法時(shí)，分割出的圖像除了孔洞之外，還存在部分邊界和很多毛刺，無(wú)法準(zhǔn)確判斷糧粒內(nèi)部是否存在孔洞。

這里采用基于差分圖像的邊界距離法對(duì)內(nèi)部孔洞進(jìn)行檢測(cè)，具體方法為：求取糧粒內(nèi)部輪廓與閾值分割后二值圖像的差分，若差分圖像中的目標(biāo)與糧粒內(nèi)部輪廓邊界的最遠(yuǎn)距離大于某個(gè)閾值時(shí)，該目標(biāo)即為內(nèi)部孔洞。

內(nèi)部孔洞檢測(cè)方法的具體步驟如下：

1）將糧粒原始灰度圖像A1的背景進(jìn)行反色，形成新的圖像B1；

2）對(duì)圖像B1進(jìn)行自動(dòng)閾值化分割，形成二值化圖像B2；

3）用Sobel算子檢測(cè)圖像A1的邊界，連接由單個(gè)像素縫隙分割的像素，形成邊界連續(xù)的圖像B3；

4）利用數(shù)學(xué)形態(tài)學(xué)中的膨脹和細(xì)化運(yùn)算對(duì)圖像B3進(jìn)行處理，以形成邊界比較平滑的糧粒邊界圖像B4；

5）求取圖像B4與B2的差分圖像B5，即B5＝abs（B4－B2）；

6）對(duì)圖像B5進(jìn)行形態(tài)學(xué)閉運(yùn)算處理形成圖像B6，使目標(biāo)內(nèi)部細(xì)小的連線斷開，以分割開圖像中的目標(biāo)；

7）采用邊界孔洞檢測(cè)步驟5～步驟7的方法，求出圖像B6中每個(gè)目標(biāo)與邊界的距離，距離大于某個(gè)閾值的目標(biāo)即為內(nèi)部的孔洞，并形成僅有內(nèi)部孔洞的圖像B7。

4 結(jié)果與分析

針對(duì)圖2a所示的一個(gè)腹溝朝下的麥粒灰度圖像，利用糧粒邊界孔洞法進(jìn)行邊界孔洞的檢測(cè)，該麥粒受到害蟲的嚴(yán)重危害，同時(shí)含有1個(gè)邊界孔洞和2個(gè)內(nèi)部孔洞。由圖2可以看出，該法把糧粒胚部區(qū)域的1個(gè)邊界孔洞正確地檢測(cè)出來(lái)，內(nèi)部的2個(gè)孔洞對(duì)邊界孔洞的檢測(cè)沒有影響。圖2f中，檢測(cè)出的邊界孔洞形態(tài)能反映出實(shí)際孔洞的形態(tài)。

隨機(jī)選取300個(gè)（害蟲的幼蟲、蛹和成蟲3個(gè)階段分別選取100個(gè)）糧粒進(jìn)行訓(xùn)練，150個(gè)（害蟲的3個(gè)階段分別選取50個(gè)）糧粒進(jìn)行檢驗(yàn)。由于圖像獲取時(shí)，每個(gè)糧粒分3種姿態(tài)圖像采集，則糧粒邊界孔洞檢測(cè)中用于訓(xùn)練和檢驗(yàn)的圖像分別為900幀和450幀。訓(xùn)練時(shí)邊界孔洞的 thres＿area＝10，thres＿dist＝3。統(tǒng)計(jì)表明，450幀檢驗(yàn)圖像中有邊界孔洞的圖像為31幀，孔洞個(gè)數(shù)為34個(gè)，其中有3幀圖像中麥粒的邊界孔洞為2個(gè)。經(jīng)邊界孔洞檢測(cè)方法檢測(cè)后，有10幀沒有邊界孔洞的圖像由于麥粒胚部邊界不光滑的影響被誤檢，2幀有邊界孔洞的圖像由于邊界孔洞較小沒有被檢測(cè)出來(lái)，即438幀圖像被正確檢測(cè)，邊界孔洞檢測(cè)的正確率為97.33%。

圖2 糧粒邊界孔洞檢測(cè)

圖3 糧粒內(nèi)部孔洞檢測(cè)

針對(duì)圖2a中的糧?；叶葓D像，利用糧粒內(nèi)部孔洞法進(jìn)行內(nèi)部孔洞的檢測(cè)，具體處理過(guò)程如圖3所示，該法把糧粒內(nèi)部區(qū)域的2個(gè)孔洞正確地檢測(cè)出來(lái)，邊界孔洞對(duì)內(nèi)部孔洞的檢測(cè)沒有影響。由圖3c和圖3d可見，若采用圖3c作為糧粒邊界，由于圖3b邊界的毛刺較多，可能影響后續(xù)距離閾值的選取，甚至?xí)`判，因此采用比圖3c更平滑的邊界——圖3d作為糧粒的邊界，比較適合后續(xù)距離閾值的自動(dòng)確定。圖3g左側(cè)的白色目標(biāo)能準(zhǔn)確地反映出實(shí)際孔洞的形態(tài)，右上角的白色目標(biāo)為實(shí)際孔洞與糧粒部分邊界結(jié)合在一起，雖然不能直觀地地反映出實(shí)際孔洞的形態(tài)，但不影響內(nèi)部孔洞數(shù)量的統(tǒng)計(jì)。因此，該法不僅可以判斷糧粒內(nèi)部是否存在孔洞，還能判別出孔洞的數(shù)量，以及與糧粒邊界有一定距離的孔洞的形態(tài)。

在糧粒內(nèi)部孔洞檢測(cè)中采用同用糧粒邊界孔洞檢測(cè)相同的訓(xùn)練集和檢驗(yàn)集，訓(xùn)練時(shí)內(nèi)部孔洞的thres＿area＝6，thres＿dist＝5。統(tǒng)計(jì)表明，450幀檢驗(yàn)圖像中有內(nèi)部孔洞圖像為70幀，內(nèi)部孔洞數(shù)量為72個(gè)，其中2幀圖像中麥粒的內(nèi)部孔洞為2個(gè)。經(jīng)內(nèi)部孔洞檢測(cè)方法檢測(cè)后，有17幀沒有內(nèi)部孔洞的圖像由于麥粒表面不平滑的影響被誤檢，3幀有內(nèi)部孔洞的圖像由于內(nèi)部孔洞較小沒有被檢測(cè)出來(lái)，即430幀圖像被正確檢測(cè)，則內(nèi)部孔洞檢測(cè)的正確率為95.56%。

在實(shí)際的糧?？锥礄z測(cè)中，若某個(gè)糧粒存在邊界孔洞或者內(nèi)部孔洞，表明該糧粒存在孔洞，則該糧粒應(yīng)直接判別為蟲蝕粒，無(wú)需進(jìn)入后續(xù)的糧粒姿態(tài)判別、特征提取及內(nèi)部是否含蟲判別等環(huán)節(jié)。

5 結(jié)論

在糧?？锥吹淖詣?dòng)檢測(cè)中，采用基于糧粒輪廓與濾波后二值圖像差分的邊界距離法對(duì)邊界孔洞進(jìn)行檢測(cè)，該法檢測(cè)出的邊界孔洞形態(tài)基本能反映出實(shí)際孔洞的形態(tài)，邊界孔洞的識(shí)別率達(dá)到97.33%。利用基于糧粒內(nèi)部輪廓與閾值分割后二值圖像差分的邊界距離法對(duì)內(nèi)部孔洞進(jìn)行檢測(cè)分析，該法不僅可以判斷糧粒內(nèi)部是否存在孔洞，還能判別出內(nèi)部孔洞的數(shù)量，內(nèi)部孔洞的識(shí)別率達(dá)到95.56%。本研究提出的麥?？锥礄z測(cè)方法，對(duì)稻米、玉米等其他糧?？锥吹淖詣?dòng)檢測(cè)具有重要的參考意義。為了實(shí)現(xiàn)糧粒內(nèi)部蟲害的自動(dòng)檢測(cè)，下一步需要解決糧粒姿態(tài)模型的構(gòu)建、含蟲糧粒的特征提取等關(guān)鍵問題。

［1］張紅濤，毛罕平.基于計(jì)算機(jī)視覺的糧粒內(nèi)部害蟲檢測(cè)的研究進(jìn)展［J］.中國(guó)糧油學(xué)報(bào)，2008，23（5）：175－179

［2］Fornal J，Jeliński T，Sadowska J，etal.Detection of granary weevil Sitophilus granarius（L.）eggs and internal stages in wheat grain using soft X－ray and image analysis［J］.Journal of Stored Products Research，2007，43（2）：142－148

［3］Singh C B，Jayas D S，Paliwal J，et al.Identification of insect－damaged wheat kernels using short－wave near－infrared hyperspectral and digital colour［J］.Computers and Electronics in Agriculture，2010，73（2）：118－125

［4］Brabec D L，Pearson TC，F(xiàn)linn PW，et al.Detection of internal insects in wheat using a conductive rollermill and estimation of insect fragments in the resulting flour［J］.Journal of Stored Products Research，2010，46（3）：180－185

［5］Xing J，Symons S，Shahin M，et al.Sprouting detection at early stages in individual CWAD and CWRSwheat kernels using SWIR spectroscopy［J］.Sensing and Instrumentation for Food Quality and Safety，2010，4（3）：95－100

［6］Shahin M A，Symons S J.Detection of Fusarium damaged kernels in Canada Western Red Spring wheat using visible near＿infrared hyperspectral imaging and principal component analysis［J］.Computers and Electronics in Agriculture，2011，75（1）：107－112

［7］張紅濤，毛罕平，韓綠化.近紅外高光譜成像技術(shù)檢測(cè)糧倉(cāng)米象活蟲［J］.農(nóng)業(yè)工程學(xué)報(bào)，2012，28（8）：263－268

［8］黃文倩，陳立平，李江波，等.基于高光譜成像的蘋果輕微損傷檢測(cè)有效波長(zhǎng)選?。跩］.農(nóng)業(yè)工程學(xué)報(bào)，2013，29（1）：272－277.

Automated Detection of Holes in Wheat Kernel Based on Boundary Distance of the Differential Image

Zhang Hongtao1Hu Yuxia2Ju Sen1Zhang Hengyuan1

（Institute of Electric power，North China University ofWater Resources and Electric Power1，Zhengzhou 450011）
（College of Electric Engineering，Zhengzhou University2，Zhengzhou 450001）

The automatic detection of wheat kernel holes is one of the key elements to detect insects in wheat kernels based on near－infrared hyperspectral imaging technology.A method of automatically wheat kernel holes detection was proposed based on boundary distance of differential image in the paper.The differential images were acquired between the kernel（internal）contours images and the binary images after thresholding.On condition that the maximum distance between the object and the kernel boundary wasmore than a threshold in differential images，the objectwas acted as a boundary or internal hole.The near infrared－images were acquired from the infested wheat kernelswith the larva，pupa and adult stages of sitophilus oryzae（L.）Themethod was trained by 900 images and tested by 450 images.The results showed that themethod had a ability to judge whether there were holes in wheat kernel or not.Meanwhile，the number of holes andmorphology could be detected.The correct identification ratios of boundary holes and internal holes were over 97.33%and 95.56%respectively.The experiment showed that the method was practical and feasible.

stored－grain insects，wheat kernel，boundary hole，internal hole，differential image，detection

S24

A

1003－0174（2015）06－0117－04

國(guó)家自然科學(xué)基金（31101085），河南省基礎(chǔ)與前沿技術(shù)研究計(jì)劃（122300410145），河南省高等學(xué)校青年骨干教師資助計(jì)劃（2011GGJS－094），華北水利水電大學(xué)教學(xué)名師培育項(xiàng)目（2014108）

2014－01－21

張紅濤，男，1977年出生，副教授，農(nóng)業(yè)電氣化與自動(dòng)化