基于HSV空間的玉米果穗性狀的檢測(cè)

李偉，胡艷俠，呂岑

(1.長(zhǎng)安大學(xué)信息工程學(xué)院，陜西 西安 710064；2.陜西科技大學(xué)信息工程學(xué)院，陜西 西安 710021)

基于HSV空間的玉米果穗性狀的檢測(cè)

李偉1，胡艷俠1，呂岑2

(1.長(zhǎng)安大學(xué)信息工程學(xué)院，陜西 西安 710064；2.陜西科技大學(xué)信息工程學(xué)院，陜西 西安 710021)

為高效檢測(cè)玉米果穗性狀，建立了基于HSV(色調(diào)、飽和度、明度值)空間的玉米果穗性狀的檢測(cè)方法：使用機(jī)器視覺技術(shù)采集綠色背景玉米果穗圖像，用HSV直方圖閾值算法去除綠色背景，用FFT濾波器去除尖銳邊緣和噪聲，運(yùn)用粒子濾波分離單一圖像中的多個(gè)玉米果穗圖像，并采用形態(tài)學(xué)腐蝕方法，經(jīng)過(guò)4次迭代腐蝕，得到玉米果穗中間3行；檢測(cè)玉米果穗的大小、形狀、紋理和顏色4個(gè)特征的性狀。隨機(jī)檢測(cè)67張玉米果穗樣本圖像的結(jié)果表明，果穗大小和形狀特征檢測(cè)的準(zhǔn)確率為100%，果穗顏色和紋理特征檢測(cè)的準(zhǔn)確率分別為98.55%和96.25%，平均每果穗檢測(cè)時(shí)間為0.1 s。

玉米果穗；圖像處理；HSV顏色空間；二階矩；最小外接矩形

基于計(jì)算機(jī)視覺技術(shù)的玉米果穗性狀的檢測(cè)，可以去除過(guò)小、霉變、畸形、破損果穗，大幅度提高玉米果穗的精選效率[1]。

目前，采用機(jī)器視覺技術(shù)進(jìn)行玉米精選主要集中于粒選[1–4]。ZAYAS等[2–3,5]使用12個(gè)特征參數(shù)來(lái)描述玉米籽粒的形態(tài)特征，結(jié)合模式識(shí)別方法對(duì)比部分形態(tài)參數(shù)來(lái)判別完整的和破損的玉米籽粒，識(shí)別準(zhǔn)確率達(dá)98%；KIRATIRATANAPRUK等[4]通過(guò)使用顏色、紋理特征和支持向量機(jī)(SVM)分類器，提出了可以分類玉米種粒10多種缺陷的方法，對(duì)正常種粒的識(shí)別準(zhǔn)確度達(dá)95.6%，對(duì)于缺陷粒的識(shí)別準(zhǔn)確度達(dá)80.6%；萬(wàn)鵬等[6]利用計(jì)算機(jī)視覺技術(shù)檢測(cè)整粒玉米和破碎玉米，檢測(cè)準(zhǔn)確率分別為97.5%和91.83%；張玉榮等[7]采用主成分分析和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)完善粒、蟲蝕粒等7種不同質(zhì)量的玉米籽粒進(jìn)行識(shí)別，完善粒、蟲蝕粒、病斑粒、破損粒、生芽粒、熱損傷粒和生霉粒的正確識(shí)別率分別為95.00%、90.00%、91.67%、98.33%、93.22%、95.00%、96.67%。楊錦忠等[8]采集4 個(gè)玉米品種各50個(gè)果穗的RGB圖像，利用圖像處理方法提取其形狀、紋理、顏色、大小特征進(jìn)行品種識(shí)別，得出特征的鑒別力從大到小依次是形狀類、紋理類、顏色類、大小類。馬欽等[9]基于HSV 彩色空間圖像處理算法，實(shí)現(xiàn)了多個(gè)玉米果穗三維幾何形態(tài)特征的快速測(cè)量，準(zhǔn)確率達(dá)94%。劉長(zhǎng)青等[10]使用機(jī)器視覺技術(shù)測(cè)量玉米果穗的長(zhǎng)度、寬度、穗行數(shù)、穗粒數(shù)，整穗的平均檢測(cè)時(shí)間約102 s。

筆者選擇‘農(nóng)大108’玉米品種為研究對(duì)象，建立了基于HSV(色調(diào)、飽和度、明度值)顏色空間的玉米果穗性狀的檢測(cè)方法，即運(yùn)用機(jī)器視覺技術(shù)獲取玉米果穗圖像，通過(guò)閾值分割、FFT濾波和粒子濾波對(duì)果穗圖像進(jìn)行預(yù)處理操作，提取果穗的大小、形狀、紋理和顏色特征，選取1個(gè)優(yōu)質(zhì)玉米果穗的4個(gè)特征參數(shù)作為標(biāo)準(zhǔn)參數(shù)，在軟件中設(shè)置標(biāo)準(zhǔn)參數(shù)的浮動(dòng)比例，對(duì)玉米果穗性狀進(jìn)行檢測(cè)?，F(xiàn)將結(jié)果報(bào)道如下。

1 玉米果穗圖像的采集與工作流程

圖像采集設(shè)備包括計(jì)算機(jī)、照相機(jī)、光源箱、傳送帶，如圖1所示。

圖1 玉米果穗圖像采集設(shè)備Fig.1 Image acquisition device of corn ear

計(jì)算機(jī)使用Lenovo CPU intel core i3，內(nèi)存8G、硬盤500G的臺(tái)式計(jì)算機(jī)。照相機(jī)使用德國(guó)映美精公司DFK 21BU04彩色USB2.0工業(yè)全局相機(jī)，分辨率為640×480，安裝高度為50 mm，視場(chǎng)大小為280 mm× 250 mm。傳送帶寬度為280 mm。為避免反光，光源箱壁采用吸光材料，光源箱4個(gè)角安裝LED燈。為了與玉米果穗顏色(黃色)形成明顯的對(duì)比，傳送帶上使用綠色吸光材料。

玉米果穗被輸送至光源箱后，照相機(jī)采集玉米果穗圖像，圖像通過(guò)USB線被傳輸?shù)接?jì)算機(jī)上，在計(jì)算機(jī)上使用基于HSV空間的玉米果穗性狀品質(zhì)檢測(cè)方法，對(duì)圖像進(jìn)行處理和分析。

2 基于HSV的玉米果穗圖像的預(yù)處理

2.1 玉米果穗性狀的檢測(cè)流程

檢測(cè)玉米果穗性狀的流程如圖2所示。對(duì)采集到的玉米果穗圖像進(jìn)行預(yù)處理，提取玉米果穗的長(zhǎng)度、長(zhǎng)寬比、HSV顏色空間V平面的標(biāo)準(zhǔn)差和V平面的均值4個(gè)特征參數(shù)，這4個(gè)參數(shù)分別反映玉米果穗的大小、形狀、紋理和顏色特征。選取1個(gè)優(yōu)質(zhì)玉米果穗的4個(gè)特征參數(shù)作為標(biāo)準(zhǔn)參數(shù)，設(shè)置標(biāo)準(zhǔn)參數(shù)的浮動(dòng)比例，再檢測(cè)其他玉米果穗是否符合標(biāo)準(zhǔn)。依據(jù)果穗的標(biāo)準(zhǔn)長(zhǎng)度來(lái)判斷過(guò)長(zhǎng)和過(guò)短果穗；依據(jù)果穗的標(biāo)準(zhǔn)長(zhǎng)寬比來(lái)判斷果穗的瘦長(zhǎng)和短胖；依據(jù)HSV顏色空間中明度值(V)的標(biāo)準(zhǔn)差判斷果穗籽粒是否霉變、缺粒以及排列整齊度；依據(jù)HSV顏色空間中V的平均值判斷果穗整體的顏色。

圖2 玉米果穗性狀的檢測(cè)流程Fig.2 Flow chart corn ear detection method

檢測(cè)完成后，指示燈顯示檢測(cè)結(jié)果。設(shè)置4個(gè)指示燈，如果參數(shù)符合標(biāo)準(zhǔn)，則對(duì)應(yīng)的指示燈綠燈亮；如果參數(shù)不符合標(biāo)準(zhǔn)，則對(duì)應(yīng)的指示燈紅燈亮；如果該參數(shù)沒(méi)有被比較，則對(duì)應(yīng)的指示燈黑燈亮。檢測(cè)軟件運(yùn)行界面如圖3所示。

圖3 檢測(cè)軟件運(yùn)行界面Fig.3 Detection interface

2.2 玉米果穗圖像背景的去除

照相機(jī)采集到的圖像背景顏色為綠色，基于HSV顏色空間直方圖的閾值分割算法[11]，可以根據(jù)圖像特點(diǎn)準(zhǔn)確提取出完整的玉米果穗圖像。①將采集到的RGB圖像轉(zhuǎn)換為HSV圖像，如圖4–a所示。②基于圖像的HSV顏色空間直方圖，對(duì)圖像的H、S、V 3個(gè)顏色平面進(jìn)行閾值分割，分別設(shè)置閾值H(0～65)、S(0～183)、V(0～203)，得到玉米果穗的二值圖像，如圖4–b所示。

圖4 玉米果穗的二值圖像Fig.4 Binary image of corn ear

2.3 二值圖像FFT濾波

HSV閾值分割后的玉米果穗圖像有噪聲，而且邊緣不夠平滑。通過(guò)FFT[12]低通截?cái)酁V波器去除果穗邊緣的噪聲，使邊緣更平滑。玉米果穗圖像FFT低通截?cái)酁V波效果如圖5所示。

圖5 玉米果穗FFT濾波圖像Fig.5 FFT filter image of corn ear

2.4 多個(gè)玉米果穗圖像的分離

對(duì)于同幅多個(gè)玉米果穗的圖像，使用粒子濾波方法[14]提取出每個(gè)玉米果穗圖像，并進(jìn)行逐個(gè)處理(圖6)：①針對(duì)低通截?cái)酁V波后的二值圖像進(jìn)行粒子分析，獲得粒子數(shù)量及每個(gè)粒子的面積和粒子的質(zhì)心坐標(biāo)，即是玉米果穗的數(shù)量及每個(gè)果穗的面積和每個(gè)果穗的中心位置。②粒子濾波。首先使用粒子面積作為過(guò)濾條件，滿足過(guò)濾條件的粒子保留，不滿足過(guò)濾條件的剔除；如果多個(gè)粒子面積相等，則使用粒子質(zhì)心坐標(biāo)作為濾波條件。③對(duì)②步驟重復(fù)執(zhí)行，直到剩余最后一個(gè)粒子。若圖像中有n個(gè)玉米果穗，粒子濾波進(jìn)行n–1次，每次過(guò)濾可以提取其中1個(gè)玉米果穗圖像，以便后續(xù)的形態(tài)學(xué)處理和特征參數(shù)的提取。

圖6 同幅多個(gè)玉米果穗圖像的分離Fig.6 Separation of a plurality of corn ear

3 玉米果穗性狀特征參數(shù)的提取

3.1 玉米果穗基于最小二階矩的最小外接矩形(MER)檢測(cè)

在玉米果穗精選中，使用長(zhǎng)度和長(zhǎng)寬比剔除大小和形狀不符合要求的果穗。果穗的長(zhǎng)和寬就是果穗最小外接矩形的長(zhǎng)和寬。

使用基于最小二階矩的MER算法[13]，獲得圖像最小外接矩形，8位黑白圖像作為輸入接口，輸出最小外接矩形的長(zhǎng)和寬，如圖7所示。

圖7 最小外接矩形Fig.7 Minimun circumscribed rectangle

3.2 玉米果穗紋理和顏色特征的提取

使用HSV顏色空間V平均值和V標(biāo)準(zhǔn)差分別剔除顏色過(guò)亮或過(guò)暗果穗和霉變、缺粒、籽粒排列不整齊的果穗。

為避免邊緣像素值以及果穗穗頭顏色的影響，提取玉米果穗的中間3行。針對(duì)FFT低通濾波后的二值圖像，采用形態(tài)學(xué)腐蝕方法，經(jīng)過(guò)4次迭代腐蝕，得到玉米果穗中間3行。提取效果如圖8–a。

針對(duì)腐蝕后玉米果穗的二值圖像，進(jìn)行Mask掩模運(yùn)算，提取HSV圖像，提取效果如圖8–b所示。

圖8 玉米果穗形態(tài)學(xué)處理Fig.8 Morphological processing of corn ear

提取玉米果穗HSV空間的V平面，計(jì)算V平均值和V標(biāo)準(zhǔn)差。

為了排除黑色背景像素值對(duì)計(jì)算結(jié)果的影響，利用V平面直方圖計(jì)算V平均值時(shí)，不能計(jì)數(shù)像素值為0的像素點(diǎn)。記x為0~255的灰度值，y0是灰度值為0對(duì)應(yīng)的像素點(diǎn)數(shù)量，yx是為灰度值為x的像素點(diǎn)數(shù)量，A為圖像中像素點(diǎn)總數(shù)，x為V平均值，δ為V標(biāo)準(zhǔn)差。

4 玉米果穗性狀的檢測(cè)

檢測(cè)前，在 20個(gè)玉米果穗中挑選出大小、形狀、紋理和顏色特征都最好的1個(gè)果穗，作為標(biāo)準(zhǔn)參考模板，采集其4個(gè)特征參數(shù)并保存在數(shù)據(jù)庫(kù)中。檢測(cè)過(guò)程中，設(shè)置標(biāo)準(zhǔn)參數(shù)的上下浮動(dòng)比例，選擇浮動(dòng)比例越小，則檢測(cè)標(biāo)準(zhǔn)越嚴(yán)格。待選玉米果穗通過(guò)提取的特征參數(shù)與數(shù)據(jù)庫(kù)中的進(jìn)行比較，判斷是否合格。記待檢測(cè)玉米果穗的4個(gè)特征值為Mi，4個(gè)特征值的標(biāo)準(zhǔn)參數(shù)為Ni(i=1, 2, 3, 4)，浮動(dòng)比例為εi，若Ni×(1–εi)≤Mi≤Ni×(1+εi)，判定玉米果穗合格；若Mi≤Ni×(1–εi)或Mi≥Ni×(1+εi)，判定玉米果穗不合格。

檢測(cè)過(guò)程中，按大小、形狀、紋理、顏色順序依次比較，如果前一參數(shù)標(biāo)準(zhǔn)不符合，則后續(xù)參數(shù)不再比較。只有符合4個(gè)參數(shù)標(biāo)準(zhǔn)的玉米果穗才是合格的。試驗(yàn)中，選擇1個(gè)優(yōu)質(zhì)玉米果穗作為標(biāo)準(zhǔn)參考模板，其4個(gè)特征值分別為616.600 59、2.807 62、33.182 49、162.401 75，軟件中設(shè)定浮動(dòng)比例分別為10%、10%、10%、5%。

檢測(cè)的100個(gè)玉米果穗中，92個(gè)大小合格，80個(gè)大小和形狀合格，69個(gè)大小、形狀和紋理合格，43個(gè)大小、形狀、紋理和顏色均合格。選取12個(gè)大小和形狀都合格的玉米果穗的長(zhǎng)度和長(zhǎng)寬比列于表1。

表1 大小和形狀合格的玉米果穗的形態(tài)學(xué)參數(shù)Table 1 Morphological parameters of the size shape qualified

在表1所列12個(gè)玉米果穗中，紋理和顏色都符合要求的有5個(gè)，其紋理和顏色參數(shù)列于表2。

表2 合格果穗的紋理和顏色參數(shù)Table 2 Texture and color parameters of the qualified corn ear

12個(gè)玉米果穗性狀檢測(cè)時(shí)間如圖9所示，檢測(cè)玉米果穗的平均速率是每穗0.1 s。

圖9 玉米果穗性狀的檢測(cè)時(shí)間Fig.9 Detection time of corn ear

采集 67張玉米果穗圖像，其中單個(gè)玉米果穗圖像40張，2個(gè)玉米果穗圖像21張，3個(gè)玉米果穗圖像6張，共檢測(cè)100個(gè)玉米果穗，結(jié)果(表3)玉米果穗大小和形狀特征檢測(cè)準(zhǔn)確率為100%，紋理和顏色特征檢測(cè)準(zhǔn)確率分別為96.25%和98.55%。

表3 玉米果穗性狀檢測(cè)的準(zhǔn)確率Table 3 Accuracy of corn ear selection

由于玉米果穗的長(zhǎng)度和長(zhǎng)寬比是通過(guò)果穗的最小外接矩形獲得的，可準(zhǔn)確地反映玉米果穗的大小和形狀特征，因而玉米果穗的大小和形狀特征檢測(cè)的準(zhǔn)確率高(100%)；玉米果穗的顏色特征檢測(cè)存在誤差，可能是因?yàn)閭€(gè)別果穗的籽粒破損，使得果穗的HSV空間V平均值偏大，果穗整體顏色過(guò)亮；玉米果穗的紋理特征檢測(cè)存在誤差，可能是因?yàn)閭€(gè)別果穗籽粒破損遮擋了果穗籽粒間的間隙，使得果穗HSV空間V標(biāo)準(zhǔn)差偏小。

[1]連艷鮮，何金環(huán).高產(chǎn)玉米雜交種產(chǎn)量構(gòu)成因素和穗部性狀研究[J].安徽農(nóng)業(yè)科學(xué)，2007，35(24)：7430–7431.

[2]ZAYAS I，MARTIN C R，STEELE J，et al.Wheat classification using image analysis andcrush–force parameters[J].Transactions of the ASAE，1996，39(6): 2199–2204.

[3]ZAYAS I，F(xiàn)LINN P W.Detection of insects in bulk wheat samples with machine vision[J].Transactions of the ASAE，1998，41(3): 883–888.

[4]KIRATIRATANAPRUK K，SINTHUPINYO W.Color and texture for corn seed classification by machine vision[C]// International Symposium on Intelligent Signal Processing and Communication Systems(ISPACS).Chiang Mai，2011：1–5.

[5]ZAYAS I，CONVERSE H，STEELE J.Discrimination of whole from broken corn kernels with image analysis[J].Transactions of the ASAE，1990，33(5): 1642–1646.

[6]萬(wàn)鵬，孫鐘雷，宗力.基于計(jì)算機(jī)視覺的玉米粒形檢測(cè)方法[J].中國(guó)糧油學(xué)報(bào)，2011，26(5)：107–110.

[7]張玉榮，王偉宇，周顯青，等.基于外觀特征識(shí)別玉米不完善粒檢測(cè)方法[J].河南工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，36(2)：1–6.

[8]楊錦忠，張洪生，郝建平，等.玉米果穗圖像單一特征的品種鑒別力評(píng)價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27(1)：196–200.

[9]馬欽，江景濤，朱德海，等.基于圖像處理的玉米果穗三維幾何特征快速測(cè)量[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28(增刊2)：208–212.

[10]劉長(zhǎng)青，陳兵旗.基于機(jī)器視覺的玉米果穗?yún)?shù)的圖像測(cè)量方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30(6)：131–136.

[11]馬玲，張曉輝.HSV顏色空間的飽和度與明度關(guān)系模型[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，26(8)：1272–1278.

[12]BAFAEL C G，RICHARD E W，STEVEN L E.數(shù)字圖像處理[M].阮秋琦，譯 .北京：電子工業(yè)出版社，2006.

[13]BERTHOLD K P H.機(jī)器視覺[M].王亮，蔣欣蘭，譯.北京：中國(guó)青年出版社，2014：78–82.

[14]王法勝，魯明羽，趙清杰，等.粒子濾波算法[J].計(jì)算機(jī)學(xué)報(bào)，2014，37(8)：1679–1689.

責(zé)任編輯：羅慧敏

英文編輯：吳志立

Traits detection of corn ear based on HSV color space

LI Wei1，HU Yanxia1，Lü Cen2
(1.Information Engineering College, Chang’an University, Xi’an 710064, China; 2.Information Engineering College, Shaanxi University of Science and Technology, Xi’an 710021, China)

In order to meet the high efficient detection of the corn ear quality, a detection method of traits for corn ear were presented based on hue, saturation, value (HSV) color space.Firstly, the corn ear images with green background were acquired by using the machine vision technology, and then remove the green background using HSV histogram threshold algorithm, as well as filtrate sharp edges and noise using FFT filter.The particle filter was used to separate corns in an image.After four iteration corrosion by the corrosion morphology method, the 3 row between the ear of corn was obtained .The size, shape, texture and color characteristics were detected for corn ear.Using this method tested the 67 images of corn ear, the test results show that the testing accuracy of corn ear size and shape feature was 100%, while the ear color and the texture feature detection accuracy rate was 98.55% and 96.25%, respectively.The average detection time of one corn was 0.1 s.

image processing; corn ear; HSV color space; second moment; the minimum circumscribed rectangle

TP274+.3

：A

：1007-1032(2017)01-0112-05

2016–03–16

2016–11–05

國(guó)家自然科學(xué)基金項(xiàng)目(211024140375)

李偉(1981— )，男，陜西咸陽(yáng)人，博士研究生，副教授，主要從事光電檢測(cè)、基于圖像處理的道路檢測(cè)研究，235240274@.qq.com