基于計(jì)算機(jī)視覺的稻谷霉變程度檢測(cè)

潘磊慶，王振杰，孫 柯，賈曉迪，都立輝，袁 建，屠 康

?

基于計(jì)算機(jī)視覺的稻谷霉變程度檢測(cè)

潘磊慶1，王振杰1，孫 柯1，賈曉迪1，都立輝2，袁 建2，屠 康1※

（1. 南京農(nóng)業(yè)大學(xué)食品科技學(xué)院，南京 210095；2. 南京財(cái)經(jīng)大學(xué)食品科學(xué)與工程學(xué)院，江蘇省現(xiàn)代糧食流通與安全協(xié)同創(chuàng)新中心，南京 210023）

為了實(shí)現(xiàn)無損檢測(cè)稻谷儲(chǔ)藏中的霉變，該研究以引起稻谷霉變的5種常見真菌（米曲霉、黑曲霉、構(gòu)巢曲霉、桔青霉和雜色曲霉）為對(duì)象，首先進(jìn)行真菌培養(yǎng)，制成懸浮液，然后將懸浮液接種到稻谷樣品中，對(duì)稻谷樣品模擬儲(chǔ)藏，確定不同霉變程度的稻谷類型，劃分為對(duì)照組（無霉變）、輕微霉變組和嚴(yán)重霉變組。利用計(jì)算機(jī)視覺系統(tǒng)對(duì)三組稻谷樣品進(jìn)行圖像采集和圖像處理，提取灰度、顏色和紋理特征，共獲取68個(gè)圖像特征。采用支持向量機(jī)（support vector machines, SVM）和偏最小二乘法判別分析（partial least squares discriminant analysis, PLS-DA）構(gòu)建模型，分別用于無霉變稻谷與霉變稻谷的區(qū)分和稻谷霉變類型區(qū)分。為了降低模型復(fù)雜度和數(shù)據(jù)冗余，利用連續(xù)投影算法（successive projections algorithm, SPA）來消除原始數(shù)據(jù)變量間的共線性，優(yōu)選特征值。結(jié)果表明：利用所有參數(shù)構(gòu)建的SVM模型能夠很好的區(qū)分對(duì)照組與霉變組，其中建模集和驗(yàn)證集總體區(qū)分準(zhǔn)確率分別為99.7%和98.4%；SVM模型對(duì)于稻谷嚴(yán)重霉變類型的區(qū)分效果要優(yōu)于輕微霉變稻谷，其中對(duì)稻谷輕微霉變類型建模集和驗(yàn)證集總體區(qū)分的準(zhǔn)確率分別為99.3%和92.0%，對(duì)稻谷嚴(yán)重霉變類型區(qū)分的總體準(zhǔn)確率分別為100%和94%，且整體上SVM模型的效果要優(yōu)于PLS-DA模型。而基于SPA優(yōu)選特征構(gòu)建的模型區(qū)分結(jié)果表明，SVM模型區(qū)分效果優(yōu)于PLS-DA模型，其中，在建模集和驗(yàn)證集中，對(duì)無霉變和霉變稻谷總體區(qū)分準(zhǔn)確率分別為99.8%和99.5%，對(duì)稻谷輕微霉變種類區(qū)分總體準(zhǔn)確率分別為99.8%和90.5%，對(duì)稻谷嚴(yán)重霉變種類區(qū)分總體準(zhǔn)確率分別為100%和95.0%。因此，基于計(jì)算機(jī)視覺對(duì)稻谷霉變檢測(cè)是可行的，而且SPA優(yōu)選特征能夠較好反映稻谷霉變特征，基于優(yōu)選特征和SVM模型能夠較好地稻谷霉變進(jìn)行識(shí)別和區(qū)分，結(jié)果較好，可以為實(shí)際應(yīng)用提供技術(shù)支持和參考。

計(jì)算機(jī)視覺；圖像處理；特征提??；稻谷；霉變；模型；檢測(cè)

0 引 言

稻谷中含有豐富的營養(yǎng)成分，然而稻谷在儲(chǔ)藏過程中常因儲(chǔ)藏不當(dāng)而導(dǎo)致霉變，其中真菌污染是導(dǎo)致霉變的主要因素之一。當(dāng)儲(chǔ)藏環(huán)境適宜霉菌生長繁殖時(shí)，短時(shí)間內(nèi)就會(huì)發(fā)生糧食霉變，并導(dǎo)致糧食品質(zhì)損失。儲(chǔ)糧霉菌污染不僅造成經(jīng)濟(jì)損失，而且在儲(chǔ)藏過程中霉變真菌還能產(chǎn)生真菌毒素，對(duì)人體健康帶來巨大的風(fēng)險(xiǎn)。因此，稻谷霉變的檢測(cè)非常重要。

在實(shí)驗(yàn)室離線檢測(cè)中，微生物檢測(cè)方法主要采用傳統(tǒng)的形態(tài)學(xué)觀察和生化反應(yīng)來鑒定，傳統(tǒng)方法主要依賴微生物的分離、純化，生化試驗(yàn)鑒定等復(fù)雜繁瑣的操作步驟，花費(fèi)時(shí)間長、靈敏度易受主觀因素影響，且需要鑒定者具有專業(yè)知識(shí)[1]。目前中國的大型國家糧站，判斷所儲(chǔ)藏谷物是否發(fā)生霉變及發(fā)生的程度局限在測(cè)定谷物溫度[2-3]和對(duì)部分谷物進(jìn)行實(shí)例抽樣檢測(cè)來判斷[4]；而中小型谷物儲(chǔ)藏機(jī)構(gòu)還停留在依賴人的嗅、視覺感官等手段來判斷[5-6]，對(duì)谷物霉變的監(jiān)測(cè)具有相當(dāng)長的滯后性。隨著技術(shù)的發(fā)展，許多技術(shù)不斷應(yīng)用于霉變稻谷的檢測(cè)，如鄒小波等研制出一套能夠快速檢測(cè)谷物是否霉變的電子鼻裝置，該裝置能夠快捷、準(zhǔn)確地分析所測(cè)谷物散發(fā)的氣味，來判斷所測(cè)谷物是否發(fā)生霉變[7]。Balasubramanian等利用電子鼻對(duì)感染鐮刀菌的大麥進(jìn)行檢測(cè)，總體分級(jí)準(zhǔn)確率超過80%[8]。Siripatrawan等運(yùn)用高光譜圖像技術(shù)對(duì)儲(chǔ)藏大米腐敗霉變真菌生長進(jìn)行實(shí)時(shí)監(jiān)控[9]。Zhang等利用波長為918~1 045 nm的近紅外光譜技術(shù)對(duì)水稻儲(chǔ)藏過程中的霉菌菌落總數(shù)進(jìn)行檢測(cè)，該方法可以用于水稻采后儲(chǔ)藏霉變的實(shí)時(shí)監(jiān)測(cè)[10]。

計(jì)算機(jī)視覺利用圖像傳感器來代替人眼獲取目標(biāo)圖像，然后將圖像信息轉(zhuǎn)換成數(shù)字信息，結(jié)合模式識(shí)別等數(shù)據(jù)處理方法，最終達(dá)到分析和做出結(jié)論的目的，在農(nóng)產(chǎn)品質(zhì)量和安全檢測(cè)和監(jiān)測(cè)方面得到了廣泛應(yīng)用[11-16]。Bayraktar等利用計(jì)算機(jī)視覺和模式識(shí)別技術(shù)對(duì)李斯特菌菌落形成散射圖案進(jìn)行分類，得出基于圖像的生物檢測(cè)系統(tǒng)是可行性的[17]。Wang等開發(fā)了一種利用選擇性生長培養(yǎng)基和基于計(jì)算機(jī)視覺，從食品中選擇性分離金黃色葡萄球菌快速鑒定方法[18]。殷涌光等利用大腸桿菌發(fā)酵乳糖所產(chǎn)生的酸與伊紅美蘭混合液反應(yīng)產(chǎn)生沉淀、液體顏色發(fā)生改變的特性，設(shè)計(jì)了一套基于顏色特征識(shí)別技術(shù)對(duì)食品中大腸桿菌快速定量檢測(cè)系統(tǒng)，通過16 h培養(yǎng)后，根據(jù)溶液顏色的變化程度來判斷待測(cè)液中大腸桿菌的數(shù)目。試驗(yàn)結(jié)果表明：該方法的檢測(cè)結(jié)果比傳統(tǒng)方法的相關(guān)性好，大大縮短了檢測(cè)時(shí)間[19]。但是，利用計(jì)算機(jī)視覺對(duì)稻谷霉變以及不同霉菌導(dǎo)致的稻谷霉變種類區(qū)分還未見報(bào)道。因此，本文選取常見的稻谷霉變真菌為研究對(duì)象，接種到稻谷樣品上，采用高溫高濕條件誘導(dǎo)稻谷發(fā)霉，利用計(jì)算機(jī)視覺對(duì)稻谷霉變進(jìn)行研究，以期為儲(chǔ)藏稻谷霉變的抽樣快速無損檢測(cè)提供技術(shù)支持。

1 材料與方法

1.1 試驗(yàn)材料

1.1.1 稻谷原料及處理

稻谷來源于江蘇泗洪某農(nóng)場(chǎng)的秈稻，含水率為13.49%，密封儲(chǔ)藏于-4 ℃冰箱中待用。為了消除雜菌的影響，對(duì)稻谷原糧進(jìn)行殺菌處理。每個(gè)樣本稱取15 g稻谷原糧樣品放入培養(yǎng)皿內(nèi)，將稻谷樣品置于超凈工作臺(tái)內(nèi)，打開紫外燈照射30 min。殺菌完成后進(jìn)一步測(cè)定稻谷中的菌落總數(shù)，確保處于無菌狀態(tài)。

1.1.2 菌種活化和稻谷接種霉變

使用的霉菌為稻谷儲(chǔ)藏霉變的主要真菌。分別為米曲霉（，Gim，3.470）、黑曲霉（，Gim，3.462）、構(gòu)巢曲霉（，Gim, 3.394）、桔青霉（，Gim，3.458）、雜色曲霉（，Gim，3.473），購于廣東省微生物菌種保藏中心。由于購買的菌種以凍干的形式保藏，需要進(jìn)行多次活化才能保證其活性。試驗(yàn)前對(duì)菌種活化兩次，活化時(shí)間為3 d，溫度為28 ℃[20]。當(dāng)儲(chǔ)藏過程中，霉菌量在104CFU/g以下，稻谷處于安全儲(chǔ)藏狀態(tài)，達(dá)到105CFU/g時(shí)開始發(fā)霉，超過106CFU/g霉變相當(dāng)嚴(yán)重[21]。試驗(yàn)?zāi)M稻谷儲(chǔ)藏霉變，需要獲取不同霉變程度的稻谷圖像，因此采用高濃度霉菌量進(jìn)行接種，而且為了加速稻谷霉變，在儲(chǔ)藏過程中采用高溫高濕縮短發(fā)霉時(shí)間，溫度設(shè)置為30℃，相對(duì)濕度為90%，來模擬稻谷霉變儲(chǔ)藏過程。首先將活化好的5種真菌用無菌水洗脫下來，其中每一種做3組平行，制成懸浮液[22]。采用血細(xì)胞計(jì)數(shù)板計(jì)數(shù)法來測(cè)定真菌濃度，算出平均濃度。再經(jīng)過稀釋調(diào)節(jié)成106CFU/mL，如表1所示。

表1 5種真菌懸浮液的制備

由于真菌種類的不同，發(fā)生霉變程度的時(shí)間也有差異，通過觀察記錄可知，黑曲霉和米曲霉發(fā)生霉變較早，桔青霉和構(gòu)巢曲霉發(fā)生霉變時(shí)間較晚。通過觀察稻谷霉變的程度將其分為輕微霉變和嚴(yán)重霉變，同時(shí)，分別對(duì)輕微和嚴(yán)重霉變稻谷的菌落總數(shù)進(jìn)行測(cè)定。具體結(jié)果見表2。將稀釋完成的5種真菌懸浮液接種到稻谷樣本中，其中每個(gè)樣品接種3 mL真菌懸浮液，輕輕搖晃至均勻。每種真菌接種120個(gè)稻谷樣品，共有600個(gè)樣品；40個(gè)稻谷樣品作為對(duì)照組，對(duì)照組樣品加入3 mL無菌水。為了防止交叉污染，分別將5種接種真菌稻谷樣品和對(duì)照組分別置于不同的培養(yǎng)箱內(nèi)。

表2 模擬儲(chǔ)藏稻谷輕微和嚴(yán)重霉變的時(shí)間、特征和菌落總數(shù)

注：“-”代表未檢出。

Note: “-” means not detected.

1.2 試驗(yàn)儀器

高壓滅菌鍋（LS-30-85381，上海博訊實(shí)業(yè)有限公司）、超凈工作臺(tái)（SW-CJ-2FD，蘇州安泰空氣技術(shù)公司）、恒溫恒濕培養(yǎng)箱（CTHI-250B，施都凱儀器設(shè)備上海有限公司）、電動(dòng)粉碎機(jī)（JP-1000C，永康久品工貿(mào)有限公司）、顯微鏡（CX21FS1，奧林巴斯(中國)有限公司）、干燥箱、干燥器、移液槍、錐形瓶、培養(yǎng)皿、電子天平、酒精燈、玻璃棒等。

1.3 計(jì)算機(jī)視覺系統(tǒng)

1.3.1 系統(tǒng)組成

如圖1所示，計(jì)算機(jī)視覺硬件系統(tǒng)主要由相機(jī)、光源和支架構(gòu)成。其中，相機(jī)采用為NEX-6的索尼相機(jī)，圖像采集過程中由于光源亮度足夠，所以相機(jī)閃光燈設(shè)置為禁用模式，光圈f/9.0，曝光時(shí)間為1/15 s，ISO 100，焦距為30 mm。光源有兩條LED（light-emitting diode）光條組成，每條12 W，長度為33 cm。底座是一塊 30 cm×30 cm×1.1 cm的金屬板，底座表面上有螺孔，用來調(diào)節(jié)和固定支架。

圖1 計(jì)算機(jī)視覺圖像采集裝置

1.3.2 圖像采集

對(duì)照組稻谷分別在貯藏第0、7和47天拍攝圖片，所有稻谷樣品沒有發(fā)生霉變，共獲得120個(gè)樣本圖像；接種各種霉菌的稻谷分別在表2所示的輕微霉變和嚴(yán)重霉變時(shí)期獲取圖片，每個(gè)時(shí)期分別得到600個(gè)樣本圖像。不同霉菌感染及霉變程度的稻谷及對(duì)照組稻谷如圖2所示。

1.3.3 圖像處理

稻谷圖像的處理經(jīng)過以下步驟，分別為：

1）提取感興趣區(qū)域：如圖3，霉變稻谷圖像大小為2 700′2 700像素（圖3a），由于霉變范圍較大，無需對(duì)整幅圖像進(jìn)行處理，只需要選取某一區(qū)域的霉變圖像進(jìn)行分析和特征提取即可，所以提取感興趣區(qū)域被用來選取其中一塊作為圖像處理的對(duì)象。具體方法是首先算出原圖的長和寬，然后將圖像平均分為9個(gè)小區(qū)域（圖3b），算出中間區(qū)域四個(gè)角的坐標(biāo)，即為提取的感興趣區(qū)域（圖3c）[23]。

2）各分量圖的特征提?。簩D3c中得到的感興趣區(qū)域圖像分別轉(zhuǎn)化為灰度圖像、分量圖、分量圖和分量圖4個(gè)分量圖，然后提取亮度信息和顏色信息。又采用灰度共生矩陣對(duì)感興趣區(qū)域霉變圖像（圖3）的紋理進(jìn)行描述和信息提取。

根據(jù)五種真菌引發(fā)的稻谷霉變圖像的亮度信息不同，稻谷灰度直方圖信息特征作為區(qū)分的一個(gè)指標(biāo)。灰度級(jí)一共有256個(gè)等級(jí)，由于相近的灰度級(jí)所具有的含義往往相同，所以沒有必要對(duì)每個(gè)灰度級(jí)都進(jìn)行統(tǒng)計(jì)。歸一化直方圖用來對(duì)256個(gè)灰度級(jí)進(jìn)行劃分，共劃分16個(gè)區(qū)域，然后提取每個(gè)區(qū)域的灰度信息[24]，分別為1~16。

稻谷的RGB圖像每一顏色分量圖都可以用灰度圖256個(gè)等級(jí)來表示含有這種顏色成分的多少所示。根據(jù)5種真菌引發(fā)的稻谷霉變圖像表面顏色的不同，RGB三分量的顏色分布直方圖用來描述各自的顏色信息，并作為分類的特征之一，分別為1~16，1~16和1~16。

灰度共生矩陣（gray level co-occurrence matrix）是建立在估計(jì)圖像的二階組合條件概率密度函數(shù)基礎(chǔ)上的統(tǒng)計(jì)方法[25]，是用來描述圖像紋理特征的一個(gè)有效手段，本文采用該方法提取角二階矩（angular second moment，ASM）、能量（energy，E）、對(duì)比度（contrast，CON）、熵（entropy）4個(gè)特征值用于進(jìn)一步分析。

綜合以上特征提取結(jié)果可以得出，灰度信息為16個(gè)特征數(shù)據(jù)；RGB三分量分別提取16個(gè)特征數(shù)據(jù)，共48個(gè)顏色特征數(shù)據(jù)。紋理特征共提取了4個(gè)特征數(shù)據(jù)，分別為ASM、E、CON和entropy。因此，共提取68個(gè)稻谷霉變圖像特征用于進(jìn)一步分析。

1.3.4 模型構(gòu)建

本文選取了兩種較廣泛應(yīng)用于分類識(shí)別的判別模型，分別為偏最小二乘法判別分析（partial least squares discriminant analysis，PLS-DA）[26-27]和支持向量機(jī)（support vector machines，SVM）[28-29]。通過比較兩種模型對(duì)特征數(shù)據(jù)處理效果，來選取最優(yōu)判別模型。其中，建模集和驗(yàn)證集樣本數(shù)比例為2:1。

同時(shí)為了實(shí)際應(yīng)用，進(jìn)行特征參數(shù)提取可以減少數(shù)據(jù)輸入量，減少信息冗余的影響，提高計(jì)算精度和運(yùn)算速度。本文主要運(yùn)用了連續(xù)投影算法（successive projections algorithm，SPA）[30-31]進(jìn)行特征數(shù)據(jù)的提取，并構(gòu)建PLS-DA和SVM判別模型，比較確定較佳的稻谷霉變識(shí)別模型。所有程序均在MATLAB 7.5.0軟件中運(yùn)行。

2 結(jié)果與分析

2.1 對(duì)照組與霉變稻谷區(qū)分

2.1.1 基于所有特征的模型區(qū)分

由表3可知，建模集和驗(yàn)證集中，PLS-DA模型在對(duì)照組和霉變稻谷識(shí)別正確率都達(dá)到80%以上，其中判別錯(cuò)誤來源于輕微霉變稻谷區(qū)分錯(cuò)誤。在建模集中對(duì)照組有6個(gè)樣品判別為輕微霉變稻谷，驗(yàn)證集中4個(gè)樣品判 別為輕微霉變稻谷。對(duì)照組和嚴(yán)重霉變稻谷能夠很好區(qū)分。總體上基于多特征結(jié)合的PLS-DA模型建模集準(zhǔn)確率為88.3%，驗(yàn)證集準(zhǔn)確率為86.1%。SVM模型在建模集和驗(yàn)證集中對(duì)照組和輕微霉變稻谷識(shí)別正確率都達(dá)到100%；且對(duì)輕微霉變和嚴(yán)重霉變也能較好的區(qū)分，錯(cuò)誤主要來源于少數(shù)嚴(yán)重霉變稻谷樣品誤判為輕微霉變稻谷。總體上可以看出，SVM模型在基于多特征結(jié)合區(qū)分效果要遠(yuǎn)遠(yuǎn)高于PLS-DA模型，基于多特征結(jié)合的SVM模型建模集總體區(qū)分準(zhǔn)確率為99.7%，驗(yàn)證集準(zhǔn)確率為98.4%。其中支持向量機(jī)的參數(shù)為：核函數(shù)為徑向基函數(shù)，核函數(shù)gamma值為0.01，懲罰系數(shù)cost值為1。

表3 基于所有特征構(gòu)建PLS-DA和SVM模型區(qū)分稻谷霉變

2.1.2 基于SPA的特征篩選和模型構(gòu)建

將灰度、顏色和紋理特征組成的68個(gè)數(shù)據(jù)利用SPA進(jìn)行特征篩選，其中1~16列為灰度特征數(shù)據(jù)，17~32列為分量特征數(shù)據(jù)，33~48為分量特征數(shù)據(jù)，49~64列為分量特征數(shù)據(jù)，65~68列為紋理特征數(shù)據(jù)（下同）。處理前指定SPA最終選取結(jié)果的最小變量數(shù)為1，最大變量數(shù)為20。結(jié)果發(fā)現(xiàn)當(dāng)特征數(shù)量大于11個(gè)時(shí)，內(nèi)部交叉驗(yàn)證均方差（root mean square error of cross validation，RMSECV）值降低趨于平穩(wěn)，此時(shí)RMSECV值為0.412，最終系統(tǒng)選取11個(gè)特征值作為優(yōu)選特征。11個(gè)特征主要分布在、、3個(gè)顏色特征分量中，分別為：4、11、12、13、2、8、12、2、9、11、13。

利用SPA篩選的11個(gè)特征變量再次建模分析，結(jié)果如表4。PLS-DA模型對(duì)對(duì)照組與霉變稻谷的區(qū)分準(zhǔn)確率較低，其中對(duì)照組中建模集區(qū)分準(zhǔn)確率為73.7%，驗(yàn)證集中為80.0%，輕微霉變與嚴(yán)重霉變區(qū)分效果很差?；趦?yōu)選特征構(gòu)建的PLS-DA模型在建模集和驗(yàn)證集的總體區(qū)分準(zhǔn)確率分別為45.9%和46.1%。而構(gòu)建的SVM模型可以很好區(qū)分對(duì)照組、輕微霉變和嚴(yán)重霉變，準(zhǔn)確率均超過99.0%?；趦?yōu)選特征的SVM模型對(duì)稻谷霉變區(qū)分的總體準(zhǔn)確率在建模集和驗(yàn)證集中分別為99.8%和99.5%。其中支持向量機(jī)的參數(shù)為：核函數(shù)為徑向基函數(shù)，核函數(shù)gamma值為0.01，懲罰系數(shù)cost值為1。

從表3和表4可以看出，基于PLS-DA模型判別結(jié)果對(duì)比中，所有特征構(gòu)建模型的區(qū)分效果要遠(yuǎn)高于基于SPA優(yōu)選特征結(jié)果，但SVM模型判別結(jié)果二者卻相差不大。也說明了非線性SVM模型在自我學(xué)習(xí)能力和數(shù)據(jù)分析上要優(yōu)于線性PLS-DA判別模型，結(jié)合優(yōu)選特征能夠較好用于正常稻谷和霉變稻谷的區(qū)分。

2.2 稻谷輕微霉變種類區(qū)分

2.2.1 基于所有特征的模型區(qū)分

由表5可知，基于所有特征構(gòu)建的PLS-DA判別模型，對(duì)構(gòu)巢曲霉、黑曲霉、桔青霉和雜色曲霉都有較好的區(qū)分效果，而對(duì)米曲霉的識(shí)別準(zhǔn)確率較差，從表中可以看出，米曲霉在建模集中有52個(gè)樣品判別為雜色曲霉，驗(yàn)證集中有28個(gè)樣品同樣判別為雜色曲霉。整體來看，建模集和驗(yàn)證集中，PLS-DA模型對(duì)5種真菌導(dǎo)致的稻谷輕微霉變種類區(qū)分的總體準(zhǔn)確率分別為76.3%和82.0%。而SVM判別模型能夠很好的對(duì)5種真菌導(dǎo)致的稻谷輕微霉變種類區(qū)分，在建模集和驗(yàn)證集中對(duì)構(gòu)巢曲霉、黑曲霉、桔青霉3種霉變稻谷區(qū)分正確率都達(dá)到100%。而對(duì)米曲霉與雜色曲霉的判別準(zhǔn)確率有所下降，建模集中分別為98.8%和97.5%，驗(yàn)證集中分別為87.5%和72.5%。整體來看，對(duì)于建模集和驗(yàn)證集，SVM模型對(duì)5種真菌導(dǎo)致的稻谷輕微霉變種類的區(qū)分總體準(zhǔn)確率分別為99.3%和92.0%。其中支持向量機(jī)的參數(shù)為：核函數(shù)為徑向基函數(shù)，核函數(shù)gamma值為0.01，懲罰系cost值為1。

表5 基于所有特征構(gòu)建PLS-DA和SVM模型區(qū)分稻谷輕微霉變種類

2.2.2 基于SPA的特征篩選及模型構(gòu)建

經(jīng)過SPA進(jìn)行特征選擇后，共確定了13個(gè)特征參數(shù)，分布在、、3個(gè)顏色特征分量中，根據(jù)特征矩陣的分布可以得出13個(gè)值為：2、3、9、11、12、13、11、12、13、7、8、9、11。利用優(yōu)選的特征參數(shù)進(jìn)行PLS-DA和SVM建模，結(jié)果如表5所示?？梢钥闯?，PLS-DA判別模型對(duì)5種真菌導(dǎo)致的稻谷輕微霉變種類區(qū)分效果最好的是構(gòu)巢曲霉和黑曲霉，建模集和驗(yàn)證集正確率都達(dá)到90%以上。對(duì)桔青霉和雜色曲霉區(qū)分效果稍差，最差的結(jié)果是對(duì)米曲霉的區(qū)分。整體看來，基于SPA優(yōu)選特征構(gòu)建的PLS-DA模型建模集總體準(zhǔn)確率為76.3%，驗(yàn)證集總體準(zhǔn)確率為81.5%。而SVM判別模型在建模集中對(duì)5種真菌稻谷霉變的區(qū)分總體正確率到達(dá)99.8%，且在建模集和驗(yàn)證集中對(duì)構(gòu)巢曲霉、黑曲霉、桔青霉霉變區(qū)分率都達(dá)到100%。整體上，基于SPA篩選的特征構(gòu)建的SVM模型在建模集中總體區(qū)分準(zhǔn)確率為99.8%，驗(yàn)證集為90.5%，結(jié)果較好。其中支持向量機(jī)的參數(shù)為：核函數(shù)為徑向基函數(shù)，核函數(shù)gamma值為0.1，懲罰系數(shù)cost值為1。

由表5和表6中可以得出，基于所有和優(yōu)選特征構(gòu)建PLS-DA模型判別結(jié)果較接近，其中建模集中準(zhǔn)確率同樣為76.3%，驗(yàn)證集中分別為82.0%和81.5%。而SVM模型中，建模集中基于優(yōu)選特征的區(qū)分結(jié)果要優(yōu)于基于所有特征建模的結(jié)果，在驗(yàn)證集中準(zhǔn)確率稍有下降，但仍高于90%。因此，SVM在對(duì)5種真菌稻谷輕微霉變種類的區(qū)分效果要優(yōu)于PLS-DA模型，適用于稻谷輕微霉變的種類區(qū)分。

表6 基于優(yōu)選特征構(gòu)建PLS-DA和SVM模型區(qū)分稻谷輕微霉變種類

2.3 稻谷嚴(yán)重霉變種類區(qū)分

2.3.1 基于所有特征的模型區(qū)分

由表7可以得出，基于PLS-DA判別模型對(duì)5種嚴(yán)重霉變稻谷的區(qū)分結(jié)果相比較于輕微霉變稻谷的效果好，其中建模集準(zhǔn)確率達(dá)到96.8%，驗(yàn)證集準(zhǔn)確率達(dá)到92.0%。米曲霉和雜色曲霉的識(shí)別正確率有了很大的提高，但對(duì)這兩種真菌感染的霉變稻谷識(shí)別準(zhǔn)確率依然最低。而SVM判別模型在對(duì)5種真菌嚴(yán)重霉變稻谷的建模集區(qū)分正確率都達(dá)到100%。預(yù)測(cè)集中區(qū)分準(zhǔn)確率有下降，錯(cuò)誤主要來源米曲霉霉變稻谷樣本，其中有10個(gè)樣品被判別為雜色曲霉感染。其中支持向量機(jī)的參數(shù)為：核函數(shù)為徑向基函數(shù)，核函數(shù)參數(shù)gamma值為0.00032，懲罰系數(shù)cost值為1。

2.3.2 基于SPA的特征篩選及模型構(gòu)建

經(jīng)過SPA篩選后，最終確定14個(gè)特征參數(shù)，主要分布在、、3個(gè)顏色特征分量中，分別為13、1、9、11、13、11、12、2、3、4、5、7、8、9?；趦?yōu)選的14個(gè)特征參數(shù)進(jìn)行建模分析，結(jié)果如表8所示，可以看出，PLS-DA判別模型對(duì)5種真菌嚴(yán)重霉變稻谷區(qū)分效果最好的是桔青霉，建模集正確率達(dá)到100%，其次是黑曲霉和米曲霉。驗(yàn)證集中識(shí)別正確率最好是黑曲霉，最差的是米曲霉。整體來看，對(duì)于建模集和驗(yàn)證集，基于優(yōu)選特征的PLS-DA模型整體識(shí)別準(zhǔn)確率分別為95.8%和92.0%。對(duì)于SVM模型，在建模集中對(duì)5種嚴(yán)重霉變稻谷的區(qū)分總體正確率到達(dá)100%，驗(yàn)證集中除了米曲霉只有75.0%的正確率外，其他4種也均達(dá)到100%。整體上，基于SPA優(yōu)選特征的SVM模型在建模集中總體區(qū)分準(zhǔn)確率為100%，驗(yàn)證集中為95.0%。其中支持向量機(jī)的參數(shù)為：核函數(shù)為徑向基函數(shù)，核函數(shù)gamma值為0.0312，懲罰系數(shù)cost值為1。

從表7和表8結(jié)果可以看出，基于所有和SPA優(yōu)選特征的PLS-DA模型判別結(jié)果比較接近，其中建模集中準(zhǔn)確率分別為96.8%和95.8%，驗(yàn)證集中準(zhǔn)確率同為92%。在SVM模型中，建模集中基于SPA優(yōu)選特征的區(qū)分結(jié)果與基于所有特征區(qū)分結(jié)果一樣，整體區(qū)分準(zhǔn)確率均為100%，但驗(yàn)證集中，基于SPA優(yōu)選特征的SVM模型整體區(qū)分準(zhǔn)確率高1個(gè)百分點(diǎn)。因此，SPA篩選的特征能夠較好的反映出不同真菌嚴(yán)重霉變稻谷之間的差異，結(jié)合SVM模型能很好區(qū)分各類嚴(yán)重霉變稻谷。

表7 基于所有特征構(gòu)建PLS-DA和SVM模型區(qū)分稻谷嚴(yán)重霉變種類

表8 基于優(yōu)選特征構(gòu)建PLS-DA和SVM模型區(qū)分稻谷嚴(yán)重霉變種類

3 結(jié)論

1）以稻谷霉變常見的5種真菌為對(duì)象，接種到稻谷中模擬霉變，利用計(jì)算機(jī)視覺系統(tǒng)獲取無霉變、輕微霉變和嚴(yán)重霉變稻谷圖像，提取了68個(gè)圖像灰度、顏色和紋理特征，構(gòu)建了支持向量機(jī)（support vector machines，SVM）和偏最小二乘法判別分析（partial least squares discriminant analysis，PLS-DA）模型，用來識(shí)別稻谷的霉變和不同真菌導(dǎo)致的稻谷霉變類型，并采用連續(xù)投影算法（successive projections algorithm, SPA）對(duì)68個(gè)圖像特征進(jìn)行優(yōu)選，構(gòu)建新的SVM和PLS-DA模型。

2）對(duì)稻谷霉變的區(qū)分，SVM模型的效果均好于PLS- DA模型，其中，基于所有圖像特征的SVM模型對(duì)稻谷霉變的建模集和驗(yàn)證集總體區(qū)分準(zhǔn)確率分別為99.7%和98.4%；基于SPA優(yōu)選特征的SVM模型對(duì)稻谷霉變的建模集和驗(yàn)證集總體區(qū)分準(zhǔn)確率分別99.8%和99.5%。

3）對(duì)于不同真菌導(dǎo)致的稻谷霉變類型區(qū)分，SVM模型的效果均好于PLS-DA模型，其中，利用所有圖像特征對(duì)稻谷輕微霉變種類區(qū)分的建模集和驗(yàn)證集總體準(zhǔn)確率分別為99.3%和92.0%，對(duì)稻谷嚴(yán)重霉變種類分別為100%和94%；而利用優(yōu)選特征對(duì)稻谷輕微霉變種類區(qū)分的建模集和驗(yàn)證集總體準(zhǔn)確率分別為99.8%和90.5%，對(duì)稻谷嚴(yán)重霉變種類分別為100%和95.0%。

本研究表明，計(jì)算機(jī)視覺技術(shù)可以用于稻谷霉變的檢測(cè)以及稻谷霉變種類的區(qū)分。而且，利用SPA優(yōu)選特征構(gòu)建的SVM模型區(qū)分效果較理想，在實(shí)際中可以采用優(yōu)選特征代替所有的圖像特征來對(duì)稻谷霉變進(jìn)行檢測(cè)。在以后的研究中，需要增加稻谷霉變的種類，探討更多真菌霉變的情況，研究提取的優(yōu)選圖像特征的適應(yīng)性，提高模型的穩(wěn)定性和魯棒性。

[1] 朱研研，王耀耀，付美紅，等. 真菌分類鑒定研究進(jìn)展[J]. 河北化工，2010，33(4)：37－38.Zhu Yanyan, Wang Yaoyao, Fu Meihong, et al. Advance of research on classification and identification of fungal [J]. Hebei Chemical Engineering, 2010, 33(4): 37－38. (in Chinese with English abstract)

[2] 任如杉，萬艷芬，胡雅麗，等. 糧情測(cè)控系統(tǒng)在糧食儲(chǔ)藏中的應(yīng)用[J]. 糧食流通技術(shù)，2002(4)：36－39. Ren Rushan, Wan Yanfen, Hu Yali, et al. Application of measurement and control system for grain situation in grain storage [J]. Journal of Grain Circulation Technology, 2002(4): 36－39. (in Chinese with English abstract)

[3] 趙玉霞. 糧食儲(chǔ)藏中糧堆溫度與大氣溫度之關(guān)系[J]. 糧油食品科技，2002，10(6)：1－5. Zhao Yuxia. Analysis of relation between grain temperature and atmospheric temperature in grain storage [J]. Grain and Oil Food Science and Technology, 2002, 10(6): 1-5. (in Chinese with English abstract)

[4] 楊耀榮，李伯靈. 儲(chǔ)藏過程中糧食發(fā)熱與霉變的分析及對(duì)策[J]. 黑龍江糧油科技，1999(4)：1－5. Yang Yaorong, Li Boling. Analysis and strategy for heating and mildewing grain during the process of storage [J]. Science and Technology of Heilongjiang Grain and Oil, 1999(4): 1－5. (in Chinese with English abstract)

[5] 李隆術(shù)，靳祖訓(xùn). 中國糧食儲(chǔ)藏科學(xué)研究若干重大成就[J]. 糧食儲(chǔ)藏，1999(6)：3－12. Li long, Jin Zuxun. Several major scientific research achievements of China's grain storage [J]. Food storage, 1999(6): 3－12. (in Chinese with English abstract)

[6] 王肇慈，孫明. 國內(nèi)外糧食儲(chǔ)藏品質(zhì)評(píng)價(jià)與技術(shù)狀況[J]. 南京經(jīng)濟(jì)學(xué)院學(xué)報(bào)，1997，83(4)：64－66. Wang Zhaoci, Sun Ming. Domestic and overseas quality evaluation and technology status of food storage [J]. Journal of Nanjing Economic University, 1997, 83(4): 64－66. (in Chinese with English abstract)

[7] 鄒小波，趙杰文. 電子鼻快速檢測(cè)谷物霉變的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào). 2004，20(4)：121－124. Zou Xiaobo, Zhao Jiewen. Rapid identification of moldy corn by electronic nose [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(4): 121－124. (in Chinese with English abstract)

[8] Balasubramanian S, Panigrahi S, Kottapalli B, et al. Evaluation of an artificial olfactory system for grain quality discrimination[J]. LWT-Food Science and Technology, 2007, 40(10): 1815－1825.

[9] Siripatrawan U, Makino Y. Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J]. International Journal of Food Microbiology, 2015, 199(16): 93－100.

[10] Zhang Q, Liu CH, Sun JK, et al. Rapid non-destructive detection for molds colony of paddy rice based on near infrared spectroscopy[J]. Journal of Northeast Agricultural University, 2014, 21 (4): 54－60.

[11] Pan Leiqing, Zhan Ge, Tu Kang, et al. Eggshell crack detection based on computer vision and acoustic response by means of back-propagation artificial neural network[J]. European Food Research and Technology, 2011, 233(3): 457－463.

[12] 周彤，彭彥昆，劉媛媛. 基于近鄰法聚類和改進(jìn)Hough 算法的豬胴體背膘厚度檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(5)：247－254. Zhou Tong, Peng Yankun, Liu Yuanyuan. Detection of pork backfat thickness based on nearest neighbor clustering and improved Hough algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 247－254. (in Chinese with English abstract)

[13] Salda?a Erick, Siche Raúl, Castro Wilson, et al. Measurement parameter of color on yacon () slices using a computer vision system[J]. LWT- Food Science and Technology, 2014, 59(2): 1220－1226.

[14] Zhang Baohua, Huang Wenqian, Gong Liang, et al. Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier[J]. Journal of Food Engineering, 2015, 146: 143－151.

[15] Szczypiński Piotr M, Klepaczko Artur, Zapotoczny Piotr. Identifying barley varieties by computer vision[J]. Computers and Electronics in Agriculture, 2015, 110: 1－8.

[16] 高新浩，劉斌. 基于機(jī)器視覺的鮮食玉米品質(zhì)檢測(cè)分類器設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(1)：298－303. Gao Xinhao, Liu Bin. Design and experiment of fresh corn quality detection classifier based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 298－306. (in Chinese with English abstract)

[17] Bayraktar B, Banada P, Hirlemanet ED, et al. Feature extraction from light-scatter patterns ofa colonies for identification and classification [J]. Journal of Biomedical Optics, 2006, 11(3): 034006.

[18] Wang Y, Yin Y, Zhang C. Selective cultivation and rapid detection of staphylococcus aureus by computer vision [J]. Journal of Food science, 2014, 79(3): 399－406.

[19] 殷涌光，丁筠. 基于計(jì)算機(jī)視覺的食品中大腸桿菌快速定量檢測(cè)[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2009，39(增刊2)：344－348. Yin Yongguang, Ding Yun. Rapid method for enumeration ofin food based on computer vision [J]. Journal of Jilin University (Engineering and Technology Edition), 2009, 39(Supp. 2): 344－348. (in Chinese with English abstract)

[20] 韓天龍, 王敏, 趙瑞霞, 等. 產(chǎn)纖維素酶系黑曲霉的二次活化與傳代培養(yǎng)研究[J]. 飼料研究, 2011(07)：25－26. Han Tianlong, Wang Min, Zhao Ruixia, et al. Secondary activation and cellulose enzyme production of aspergillus Niger and subculture[J]. Feed Research, 2011(07): 25－26. (in Chinese with English abstract)

[21] 周建新，鞠興榮，孫肖東，等. 不同儲(chǔ)藏條件下稻谷霉菌區(qū)系演替的研究[J]. 中國糧油學(xué)報(bào)，2008，23(5)：133－136. Zhou Jianxin, Ju Xingrong, Sun Xiaodong, et al. Succession of mould flora for paddy in different storage conditions[J]. Journal of the Chinese Cereals and Oils Association, 2008, 23(5): 133－136. (in Chinese with English abstract)

[22] 孫曄，顧欣哲，王振杰，等. 高光譜圖像對(duì)灰葡萄孢霉、匍枝根霉、炭疽菌的生長擬合及區(qū)分[J]. 食品科學(xué)，2016，37(3)：137－144.Sun Ye, Gu Xinzhe, Wang Zhenjie, et al. Growth simulation and discrimination of Botrytis cinerea, Rhizopus stolonifer and Colletotrichum acutatum by using hyperspectral reflectance imaging technique[J] Food Science, 2016, 37(3): 137－144. (in Chinese with English abstract)

[23] 王燕妮，樊養(yǎng)余，毛力. 基于感興趣區(qū)域輪廓的圖像分割方法[J]. 現(xiàn)代電子技術(shù). 2008(16)：133－135. Wang Yanni, Fan Yangyu, Mao Li. Image segmentation method based on silhouettes of interested region [J]. Modern Electronics Technique, 2008(16): 133－135. (in Chinese with English abstract)

[24] 姜柏軍，鐘明霞. 改進(jìn)的直方圖均衡化算法在圖像增強(qiáng)中的應(yīng)用[J]. 激光與紅外. 2014，44(6)：702－706.Jiang Bojun, Zhong Mingxia. Improved histogram equalization algorithm in the image enhancement [J]. Laser & Infrared, 2014, 44(6): 702－706. (in Chinese with English abstract)

[25] 李智峰，朱谷昌，董泰鋒. 基于灰度共生矩陣的圖像紋理特征地物分類應(yīng)用[J]. 地質(zhì)與勘探，2011，47(3)：456－461. Li Zhifeng, Zhu Guchang, Dong Taifeng. Application of GLCM-based texture features to remote sensing image classification [J]. Geology and Exploration, 2011, 47(3): 456－461. (in Chinese with English abstract)

[26] Nunes A, Martins J, Barros AS, et al. Estimation of olive oil acidity using FT-IR and partial least squares regression[J]. Sensing and Instrumentation for Food Quality and Safety, 2009, 3(3): 187－191.

[27] Zhu Qibing, He Chunliu, Lu Renfu, et al. Ripeness evaluation of ‘Sun Bright’ tomato using optical absorption and scattering properties[J]. Postharvest Biology and Technology, 2015, 103: 27－34.

[28] 趙杰文，呼懷平，鄒小波. 支持向量機(jī)在蘋果分類的近紅外光譜模型中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào). 2007，23(4)：149－158. Zhao Jiewen, Hu Huaiping, Zou Xiaobo. Application of support vector machine to apple classification with near- infrared spectroscopy [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(4): 149－158. (in Chinese with English abstract)

[29] Sun Ye, Gu Xinzhe, Sun Ke, et al. Hyperspectral reflectance imaging combined with chemometrics and successive projections algorithm for chilling injury classification in peaches[J]. LWT - Food Science and Technology, 2017, 75: 557－564.

[30] Liu K, Chen X, Li L, et al. A consensus successive projections algorithm-multiple linear regression method for analyzing near infrared spectra [J]. Analytica Chimica Acta, 2015, 858(1): 16－23.

[31] Song Dajie, Song Lijun, Sun Ye, et al. Black heart detection in white radish by hyperspectral transmittance imaging combined with chemometric analysis and a successive projections algorithm[J/OL]. Applied Sciences, 2016, 6(9): 249.

Detection of paddy mildew degree based on computer vision

Pan Leiqing1, Wang Zhenjie1, Sun Ke1, Jia Xiaodi1, Du Lihui2, Yuan Jian2, Tu Kang1※

(1.210095,; 2.210023,)

In order to realize non-destructive testing of moldy paddy during storage, the present study developed a computer vision system for laboratory analysis. Five kinds of fungi which mainly caused paddy mildew, including,,,and, were used as research objects. Five fungi were cultured and prepared as suspension, which was then inoculated into paddy samples. Paddy was stored in the condition of 30 ℃ and 90% relative humidity to speed up the mildew. According to the mildewing degree, paddy was divided into 3 groups, i.e. control (no mildew), slight mildew and severe mildew. Computer vision system was used for image acquisition of 3 groups of paddy samples. A total of 120, 600 and 600 images of paddy samples were obtained for the groups of control, slight mildew and severe mildew, respectively. After image processing, gray scale, color in the color space of RGB (red, green, blue) and texture features (i.e., angular second moment, energy, contrast, entropy) were extracted using gray level co-occurrence matrix with a total of 68 parameters acquired. SVM (support vector machine) and PLS-DA (partial least squares - discriminant analysis) were used to build the discriminating models for paddy mildew and mildew type. To reduce the complexity of the model and the data redundancy, successive projections algorithm (SPA) was used to eliminate collinearity among the 68 characteristic variables. Then, 11, 13 and 14 optimal features were determined for the classification of moldy paddy, fungus type of slightly moldy paddy and fungus type of severely moldy paddy, respectively. The results showed that, using all the extracted features, SVM models could accurately distinguish between the control group and the mildew group of paddy, which got an overall classification accuracy of 99.7% and 98.4% for modeling and validation set, respectively; SVM models presented better distinguishing performance for paddy’s severe mildew type than slight mildew type; concerning paddy’s severe mildew type, the overall classification accuracy was 100% and 94% for modeling and validation set, respectively, and concerning paddy’s slight mildew type, the overall classification accuracy reached 99.3% and 92% for modeling and validation set, respectively. As a whole, SVM model obtained higher accuracy than PLS-DA. Based on the preferred feature selected by SPA, SVM models still distinguished better than PLS-DA models for paddy’s mildew. For modeling and validation set, the accuracies were respective 99.8% and 99.5% for the discrimination between no mildew and mildewing paddy, 99.8% and 90.5% for the discrimination among paddy’s slight mildew type, and 100% and 95.0% for the discrimination among paddy’s severe mildew type. Therefore, the computer vision technique is feasible for paddy’s mildew detection; the preferred features determined by SPA can well reflect paddy mildewing features. Using the preferred features, SVM models are able to identify and distinguish paddy mildew with satisfactory results, which can provide technical support for practical application.

computer vision; image processing; feature extraction; paddy; mildew; model; detection

10.11975/j.issn.1002-6819.2017.03.037

S126

A

1002-6819(2017)-03-0272-09

2016-07-27

2016-08-13

中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)（KYLH201504）；國家自然科學(xué)基金項(xiàng)目（31671926，31671925）；國家糧食公益性行業(yè)科研專項(xiàng)（201313002-01）。

潘磊慶，男，湖北鄖縣人，副教授，博士。主要從事農(nóng)產(chǎn)品無損檢測(cè)研究。南京農(nóng)業(yè)大學(xué)食品科技學(xué)院，210095。 Email：pan_leiqing@njau.edu.cn.

屠 康，男，江蘇南京人，教授，博士生導(dǎo)師，博士。主要研究農(nóng)產(chǎn)品貯藏與加工和農(nóng)產(chǎn)品無損檢測(cè)。南京農(nóng)業(yè)大學(xué)食品科技學(xué)院，210095。Email：kangtu@njau.edu.cn.

潘磊慶，王振杰，孫 柯，賈曉迪，都立輝，袁 建，屠 康.基于計(jì)算機(jī)視覺的稻谷霉變程度檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(3)：272－280. doi：10.11975/j.issn.1002-6819.2017.03.037 http://www.tcsae.org

Pan Leiqing, Wang Zhenjie, Sun Ke, Jia Xiaodi, Du Lihui, Yuan Jian, Tu Kang.Detection of paddy mildew degree based on computer vision [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 272－280. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.03.037 http://www.tcsae.org