基于圖像處理的玉米顆粒霉變程度檢測方法研究

張楠楠 劉 偉 王 偉 陸文玲 袁 寧

（山東理工大學電氣與電子工程學院1，淄博 255049）（中國農業(yè)大學工學院2，北京 100083）（中航工業(yè)航空動力機械研究所3，株洲 412002）

基于圖像處理的玉米顆粒霉變程度檢測方法研究

張楠楠1劉 偉1王 偉2陸文玲3袁 寧1

（山東理工大學電氣與電子工程學院1，淄博 255049）（中國農業(yè)大學工學院2，北京 100083）（中航工業(yè)航空動力機械研究所3，株洲 412002）

提出利用HSV模型快速識別霉變玉米顆粒與霉變等級的方法。基于感染霉菌的玉米顆粒表層會發(fā)生顏色褐變、發(fā)黑等特點，首先對彩色玉米圖像進行圖像增強，然后采用V分量的閾值區(qū)分正常玉米顆粒與霉變玉米顆粒，再通過H與V分量的閾值區(qū)分輕度霉變與嚴重霉變玉米顆粒。試驗表明，該方法對正常玉米顆粒、輕度霉變玉米顆粒、嚴重霉變玉米顆粒的檢測準確率可達93.7%、80%、92.9%以上，能夠達到區(qū)分檢測的目的。

圖像處理 玉米顆粒 霉變檢測 霉變分級

我國的玉米年產量約1.2億t，是玉米生產和消費大國。玉米在收獲、貯藏和加工過程中極易受到霉菌污染[1－3]，霉變玉米不僅影響玉米的風味和外觀，而且含有對人、畜有害的霉菌毒素[4－7]，食用霉變玉米對人、畜生命造成嚴重威脅[8－11]。

種子光電分選機普遍有結構復雜、價格昂貴，難以普及等缺點，且僅有合格及不合格2個分級級別[12－14]。而實際生產中應首先將嚴重霉變玉米顆粒清除，再將輕度霉變和正常玉米顆粒進行分別處理。因此對一批玉米顆粒的檢測不僅僅是簡單的鑒別出霉變與否，而且要對霉變的玉米顆粒進行分級。因此尋找一種能夠準確檢測玉米霉變程度的方法具有重要的現實意義。

近年來，基于圖像處理的檢測方法一直是糧食檢測與識別領域的研究熱點[15－17]，但利用圖像處理技術對玉米顆粒霉變進行定量檢測時，由于玉米顆粒本身不是純色，由偏白色的胚與偏黃色的非胚部組成，顆粒本身胚部所在面與另一面的特征明顯不同，基于RGB模型的方法不能有效分辨玉米顆粒上顏色的差異。通過研究圖像的HSV分量，尋找各分量的精確檢測系數，實現對玉米顆粒霉變的檢測，并且能夠對霉變的玉米顆粒進行分級。

1 玉米圖像獲取及預處理

玉米顆粒：2012年8月在美國喬治亞州提夫頓市（Tifton，Georgia，USA）收獲。玉米顆粒在存儲一段時間后，特別是在存儲不當的情況下，極易發(fā)生霉變。霉變后的玉米顆粒表層顏色變得不均勻、失去光澤，有塊狀斑點產生，嚴重霉變，玉米顆粒表皮顏色暗晦、發(fā)黑，同時表面出現不同程度的皺縮。

將玉米顆粒按順序擺放在用白色特氟龍（Teflon）制作的背景板的相應容孔中，在每一個背景板上制作30個容孔。為保證足夠的清晰度，在消除外界干擾的條件下在實驗室內使用光通量1 000 lm的LED燈組照明，通過尼康D700相機拍攝的4 256×2 832像素圖像。

玉米顆粒圖像處理的過程中，實際采集到的圖像會存在噪聲，這些噪聲將影響圖像質量，并給玉米顆粒的特征提取造成困難，使得圖像對比度變差，整體分布不均勻，因此必須采取一定的措施去除噪聲或減少噪聲帶來的影響。圖像增強技術可以將不清晰的圖像變得更加清晰，消除一定的噪音，使需要強調的特征得到增強并改善其視覺效果。通常情況下，圖像對比度越明顯，目標物識別就越準確，因此減少外部噪聲及增強采集的玉米顆粒圖像將有利于玉米顆粒的識別。本試驗采用中值濾波，中值濾波對異常值不敏感，在有效提高圖像對比度的同時可以減小異常值的影響，同時使目標的細節(jié)更加明顯。

2 霉變特性分析

2.1 HSV模型分析

采集到的原始圖像為RGB模型，RGB模型易于描述彩色信息，且方便實現不同顏色模型間的轉換，能同肉眼所感知的紅、綠、藍3種基色一一對應。但一幅圖像的彩色信息不是單純地由3種基色混合而成，描述物體顏色信息時，僅采用R、G、B顏色分量去描述其特點尚存在不足，還需用色調、物體呈現的飽和度和色澤、亮度等多類信息去表示其特征。色調、色飽和度和亮度組成的HSV模型具有2個重要的特點：其一，亮度分量V與圖像的彩色信息無關；其二，色調H、色飽和度分量S與人感受顏色的方式是緊密相連的。HSV模型中的3個參數可通過物體在RGB顏色空間的分量值來計算，相對其他模型而言，變換方式比較靈活。RGB模型轉化到HSV模型如式（1）～式（3）所示。

2.2 霉變玉米顆粒的HSV特性分析

取30顆正常玉米顆粒，統(tǒng)計其顏色分量H、S、V的均值，再分別取30顆嚴重霉變玉米顆粒與30顆輕度霉變玉米顆粒，分別統(tǒng)計其霉變區(qū)域顏色分量H、S、V的均值。把統(tǒng)計出的玉米顆粒的H、S、V分量制作成曲線，如圖1所示。

從圖1aH分量曲線圖可以看出，輕度霉變玉米顆粒曲線和嚴重霉變玉米顆粒曲線存在明顯差異，輕度霉變玉米顆粒，H＞0.07，嚴重霉變玉米顆粒，H＜0.065。

從圖1b可以看出，S分量曲線對正常玉米顆粒與霉變玉米顆粒區(qū)分度不夠明顯，而且曲線有相互重疊的部分，不宜作為區(qū)分特征參數。輕度霉變玉米顆粒曲線與嚴重霉變玉米顆粒曲線的S分量，存在較大重疊現象。

從圖1cV分量曲線圖可以看出，嚴重霉變玉米顆粒，V＜0.66；輕度霉變玉米顆粒，0.66＜V＜0.76；而正常玉米顆粒，V＞0.76。因此V分量可以作為識別玉米霉變顆粒的特征參數，通過V分量可以區(qū)分正常玉米顆粒與霉變玉米顆粒。

因此可以通過H分量與V分量結合，來識別輕度霉變玉米與嚴重霉變玉米顆粒。首先采用HSV模型中的V分量來判斷正常玉米顆粒與霉變玉米顆粒，判斷條件V＜0.76為霉變玉米顆粒；進而通過H分量與V分量結合判斷輕度霉變玉米顆粒與嚴重霉變玉米顆粒，判斷條件為H＜0.065與V＜0.66為嚴重霉變玉米顆粒。

圖1 正常和霉變玉米顆粒H、S、V值比較

3 霉變玉米的識別與分選

玉米顆粒圖片在V分量的圖像如圖2所示，由于圖像的HSV模型中的亮度分量V與圖像的彩色信息無關，因此可以更好地處理玉米這樣不是純色的顆粒，V分量圖像中霉變區(qū)域較原圖更加明顯易于區(qū)分。

采用HSV模型中的V分量來判斷正常玉米顆粒與霉變玉米顆粒區(qū)域，判斷條件是V分量小于0.76，如圖3a所示。通過H分量與V分量來區(qū)分輕度霉變玉米顆粒與嚴重霉變玉米顆粒區(qū)域，判斷條件為H分量小于0.065與V分量小于0.66，如圖3b所示。

考慮到在試樣準備過程中，由于玉米顆粒本身存在顏色差異，以及由光照角度等因素帶來的影響，一些源自霉變破損顆粒的粉末遺撒到背景板上所帶來的干擾，以及一些玉米顆粒本身存在的局部微小色素沉積等因素，通過對霉變區(qū)域連通的像素值低于280像素的區(qū)域予以排除，調節(jié)處理后得到圖4。

圖2 原圖與V分量圖像對比

圖3 霉變區(qū)域圖像

圖4 霉變區(qū)域除干擾

進一步統(tǒng)計圖片上霉變玉米顆粒的數目，由于同一顆玉米顆粒上霉變區(qū)域有可能分布多處，因此在顆粒計數的過程中會誤把一顆玉米上多塊霉變的部分誤記為多個霉變玉米，故對圖片4進行連續(xù)的膨脹操作。如果膨脹的次數過少不能很好的把間隔較大的區(qū)域連通起來，如果膨脹次數過多則可能導致兩顆相鄰玉米顆粒連通到一起，使統(tǒng)計數據偏少，造成錯誤。

經過多次試驗，連續(xù)膨脹50次，得到膨脹次數與霉變顆粒數的關系，如圖5所示。由圖5可看出，在連續(xù)膨脹20次的時候，可以很好地使霉變區(qū)域連通到一起，而不使相鄰兩顆玉米黏連。

圖5 膨脹次數與霉變顆粒數的關系

連續(xù)膨脹20次，得到準確的霉變顆粒個數，如圖6所示。

圖6 霉變區(qū)域連續(xù)膨脹

最后對霉變玉米顆粒計數并且對霉變區(qū)域進行標記，以霉變區(qū)域的核心為標記圓的圓心，把標記的結果映射到原圖像上可清晰看到霉變顆粒均已被檢出，如圖7所示。

對霉變的玉米顆粒檢測結果進行統(tǒng)計，如表1所示。

表1 玉米顆粒霉變率檢測結果統(tǒng)計

圖7 玉米顆粒霉變情況檢測結果

4 結果與討論

利用圖像處理技術，基于感染霉菌的玉米顆粒表層會發(fā)生顏色褐變、發(fā)黑等特點，利用HSV模型的H與V分量，實現了霉變玉米顆粒的快速準確檢測，以及霉變等級的區(qū)分。

由于個別玉米顆粒倉儲時間較長，表層顏色變深，變?yōu)榘迭S色，被誤判為霉變玉米顆粒，因此霉變玉米顆粒檢測數目超過實際感染顆粒數目。從食品安全的角度出發(fā)，被誤判的玉米顆粒為陳化玉米或霉變較為嚴重的玉米顆粒，應被檢出并剔除這些顆粒。

由于玉米顆粒含有胚的一面與非胚的一面，顏色有所區(qū)別，因此本試驗設置了對比組，根據第5組圖像檢測準確率（玉米顆粒胚的部分朝下）與前4組檢測準確率對比（玉米顆粒胚的部分朝上），可以看出，本算法適用于玉米顆粒的任意朝向，玉米顆粒擺放朝向對檢測結果無影響。

5 結論

利用圖像處理技術，基于霉變玉米顆粒的圖像特征，對于彩色增強后的圖像，采用H閾值區(qū)分正常玉米顆粒與霉變玉米顆粒，同時運用H與V閾值進行霉變玉米顆粒等級區(qū)分，實現了霉變玉米顆粒的快速準確檢測。為驗證所提方法的準確性，按照上述方法對146顆玉米顆粒進行檢測驗證，并把檢測結果進行統(tǒng)計，正常玉米顆粒、輕度霉變玉米顆粒、嚴重霉變玉米顆粒的識別正確率分別在93.7%、80%、92.9%以上，因此該方法具有快速、準確率高等優(yōu)點，能有效地檢測玉米霉變狀況。

同時也應當看到，為驗證圖像處理技術檢測玉米顆粒霉變情況的可行性，本研究主要基于對玉米顆粒高分辨靜態(tài)圖像進行分析處理，未考慮實際待測玉米排列、重疊的隨意性問題，進一步的工作將致力于研究玉米顆粒重疊問題的相應圖像處理方法。

通過把霉變玉米顆粒分級，不僅滿足了對玉米顆粒的霉變指標進行快速準確檢測的要求，而且實現了玉米顆粒霉變分級。該技術稍加改進，可用于其他顏色差異較為明顯的谷物和油料作物霉菌的識別，例如小麥、稻米、花生等。

[1]崔麗靜，周顯清，林家永，等.電子鼻快速判斷玉米霉變技術的研究[J].中國糧油學報，2011，10（26）：103－107

[2]陳兵旗，孫旭東.基于機器視覺的水稻種子精選技術[J].農業(yè)機械學報，2010，41（7）：153－169

[3]Ng H F，WilckeW F，Morey R V，et al.Machine vision evaluation of corn kernelmechanical and mold damage[J].Transactions of the ASAE，1998，41（2）：415－420

[4]Pearson T C.Machine vision system for automated detection of stained pistachio nuts[C]//Photonics for Industrial Applications.International Society for Optics and Photonics，1995：95－103

[5]Quevedo R，Carlos L G，Aguilera JM，et al.Description of food surfaces and microstructural changes using fractal image texture analysis[J].Journal of Food Engineering，2002，53（4）：361－371

[6]Shahin M A，Hatcher DW，Symons SJ.Assessmentofmildew levels in wheat samples based on spectral characteristics of bulk grains[J].Quality Assurance and Safety of Crops＆Foods，2010，2（3）：133－140

[7]韓仲志，楊錦忠，李言照.玉米品種圖像識別中的影響因素研究[J].中國糧油學報，2012，27（10）：98－103

[8]凌云，王一鳴，孫明，等.基于機器視覺的大米外觀品質檢測裝置[J].農業(yè)機械學報2005，36（9）：89－92

[9]Magan N，Evans P.Volatiles as an indicator of fungal activity and differentiation between species，and the potential use ofelectronic nose technology for early detection of grain spoilage[J].Journal of Stored Products Research，2000，36（4）：319－340

[10]Guan Z X，Tang J，Yang B J，et al.Study on recognition method of rice disease based on image[J].Chinese Journal of Rice Science，2010，24：497－502

[11]陳兵旗，郭學梅，李曉華.基于圖像處理的小麥病害診斷算法[J].農業(yè)機械學報，2009，40（12）：190－195

[12]成芳，應義斌.基于顏色特征的稻種霉變檢測算法[J].農業(yè)機械學報，2004，35（4）：102－105

[13]黃淑霞，蔡靜平，田海娟.主要糧食品種儲藏期間霉菌活動特性研究[J].中國糧油學報，2010（1）：99－102

[14]趙志軍.霉變玉米對畜禽的危害及其防治[J].營養(yǎng)與日糧，2012（3）：35－39

[15]Goodwin P H，Hsiang T.Quantification of fungal infection of leaveswith digital images and scion image software[M]//Molecular and Cell Biology Methods for Fungi.Humana Press，2010：125－135

[16]吳彥紅，劉木華，楊君，鄭華東.基于計算機視覺的大米外觀品質檢測[J].農業(yè)機械學報，2007，38（7）：107－111

[17]陳紅，吳謀成，熊利榮，等.霉變花生的計算機視覺識別[J].農業(yè)機械學報，2008，39（1）：110－113.

Research on Detection of Moldy Degree for Corn Kernels Based on Image Processing

Zhang Nannan1Liu Wei1Wang Wei2Lu Wenling3Yuan Ning1

（Collage of Electrical and Electronic Engineering，Shandong University of Technology1，Zibo 255049）（Collage of Engineering，China Agricultural University2，Beijing 100083）（AVIC Aviation Power Machinery Research Institute3，Zhuzhou 412002）

An identification method based on HSV model was developed to automatically identify moldy corn kernels and moldy grade.As the color of corn kernelswill become dark or black when they were infected by fungi，firstly，the colorful images of corn kernelswere enhanced.Secondly，the normal and moldy corn kernelswere distinguished by the threshold ofV.Then slightly and severelymoldy corn kernelswere identified by using the threshold ofHandV.Finally，the results of the experiment showed that the accuracy of themethod were 93.7%for normal corn kernels，80%for slightlymoldy corn kernels and 92.9%for severelymoldy corn kernels，respectively.

image processing，corn kernels，moldy detection，moldy classification

TP391.41

A

1003－0174（2015）10－0112－05

“十二五”國家科技支撐計劃（2012BAK08B04）

2014－03－22

張楠楠，男，1986年出生，碩士，檢測技術與自動化裝置

劉偉，男，1971年出生，副教授，檢測技術與自動化裝置