基于機器視覺的蔬菜種子包衣品質(zhì)鑒定

喻志成，趙春宇，高 璐

(上海交通大學(xué) 電子信息與電氣工程學(xué)院，上海 200240)

基于機器視覺的蔬菜種子包衣品質(zhì)鑒定

喻志成，趙春宇，高 璐

(上海交通大學(xué) 電子信息與電氣工程學(xué)院，上海 200240)

蔬菜種子包衣工作參數(shù)的智能調(diào)節(jié)，能提高包衣加工效率和成品質(zhì)量。為了研究包衣工作參數(shù)的智能調(diào)節(jié)，提出了基于機器視覺的蔬菜種子包衣品質(zhì)鑒定方法。針對蔬菜種子包衣過程中種子包衣完整性、包衣顏色深淺、包衣顏色均勻性3個重要指標(biāo)，提出依據(jù)單粒種子的種子包裹率、種子顏色及紋理特征將包衣種子分為合格與非合格兩類。對于種子圖像中粘連的問題，采用分水嶺算法將圖像分割為單粒種子。通過對單粒種子的多閾值分割，實現(xiàn)種子包衣完整率的計算。基于HSI顏色空間提取H、S分量的顏色矩特征與I分量的灰度共生矩陣特征，融合種子包衣完整率、顏色矩特征和灰度共生矩陣特征這3種特征為一個11維特征向量，構(gòu)建基于徑向基核函數(shù)的支持向量機分類器對包衣結(jié)果進(jìn)行品質(zhì)鑒定。實驗選用包衣后辣椒種子驗證算法，結(jié)果表明：包衣結(jié)果識別準(zhǔn)確率為90.93%。該研究可為后續(xù)研究包衣機工作參數(shù)的智能調(diào)節(jié)奠定理論基礎(chǔ)。

蔬菜；種子包衣；品質(zhì)鑒定；機器視覺

0 引言

種子包衣技術(shù)已經(jīng)在主要農(nóng)作物種子和蔬菜種子生產(chǎn)過程中得到了廣泛的應(yīng)用[1-2]。傳統(tǒng)的包衣機包衣工作中，包衣結(jié)果由有經(jīng)驗的技術(shù)人員以肉眼觀察來評估包衣結(jié)果是否合格。蔬菜種子包衣過程中種子單次批量小、種子類別多、需要頻繁調(diào)節(jié)包衣機工作參數(shù)，因而傳統(tǒng)的種子包衣機已無法滿足智能、快速調(diào)節(jié)包衣機參數(shù)的需求[3]。為此，國家高技術(shù)發(fā)展研究計劃(863 計劃)智能化農(nóng)機技術(shù)與裝備項目提出了農(nóng)業(yè)機械智能化的要求。為提高包衣加工設(shè)備效率，提高種子加工質(zhì)量，需研究包衣機工作參數(shù)的智能調(diào)節(jié)方法，即包衣機的智能控制需要在人工經(jīng)驗的基礎(chǔ)上自動識別每一批次包衣的種子是否合格。

機器視覺與模式識別技術(shù)近幾年在農(nóng)業(yè)、工業(yè)方面得到了廣泛應(yīng)用[4-5]。為了實現(xiàn)種子包衣結(jié)果的自動評價，本文提出使用機器視覺與模式識別的方法將包衣后種子分為合格與非合格兩類，以反饋機制調(diào)節(jié)包衣機工作參數(shù)，為后續(xù)研究種子包衣機的智能自動控制打下基礎(chǔ)[6-7]。

為了使用機器視覺對包衣后種子進(jìn)行分類識別，需要對種子包衣圖像進(jìn)行顏色、紋理及形狀等特征進(jìn)行提取。陶華偉[8]等提出了基于顏色及紋理特征的果蔬種類識別方法，其利用 HSV 顏色直方圖、外點、內(nèi)點顏色直方圖提取圖像顏色特征，采用匹配得分融合算法將顏色和紋理特征相融合，采用最近鄰分類器實現(xiàn)果蔬農(nóng)產(chǎn)品分類。張成梁[9]等提出了一種基于顏色和形狀特征的機采棉雜質(zhì)識別分類方法，采用基于彩色梯度圖像的分水嶺變換與改進(jìn)模糊 C 均值聚類方法相結(jié)合的方法對大雜質(zhì)和小雜質(zhì)檢測進(jìn)行處理。唐欽[10]等提出了一種基于灰度-方向共生矩陣的葉片紋理特征提取算法和一種改進(jìn)的葉片顏色特征提取算法，即SVM的分類器模型；最后，將紋理和顏色特征提取算法與基于K-means和SVM的分類器模型一起構(gòu)建了一種植物葉片的識別算法。

本文針對種子包衣圖像的特點及種子包衣流程中的經(jīng)驗與標(biāo)準(zhǔn)，提出基于雙閾值分割法方法提取包衣種子的包裹率、基于顏色矩特征與灰度共生矩陣特征的包衣顏色與紋理特征，最后采用基于徑向基核函數(shù)的支持向量機分類器構(gòu)建包衣種子分類模型，從而達(dá)到包衣種子品質(zhì)鑒定的目的。

1 包衣種子識別系統(tǒng)

基于種子包裹率、顏色和紋理特征的包衣種子識別模型包括種子圖像采集、圖像預(yù)處理與分割、特征提取與歸一化及特征融合與分類幾個部分[11-12]，具體結(jié)構(gòu)如圖1所示。

圖1 包衣種子識別模型Fig.1 Model of seed coating classification

1)圖像預(yù)處理包括去噪、銳化、去背景等步驟。

2)圖像分割首先將圖像二值化，再使用形態(tài)學(xué)方法去除噪聲并填補孔洞，最后使用最大類間方差閾值分割法分割出單粒種子。

3)種子包裹率特征通過對單粒種子圖像分別進(jìn)行最大類間方差閾值分割和最大熵閾值分割，使種子未包衣部分與種子整個部分區(qū)別開來，計算兩者的像素比。

4)包衣顏色特征通過提取HSI空間中H、S分量的顏色直方圖特征表示，包括H、S分量的前3階顏色矩特征。

5)包衣種子紋理特征通過HIS空間中I分量的灰度共生矩陣特征表示，包括能量(ASM)、對比度(CON)、逆差矩(IDM)和熵(ENT)。

6)提取包裹率、顏色、紋理特征后組成11維特征向量，使用專家標(biāo)記的種子樣本訓(xùn)練SVM分類器。

2 圖像預(yù)處理與分割

圖像分割過程中，光線不均勻、有陰影、遮擋等會嚴(yán)重影響分割結(jié)果。為了圖像分割效果更好，需對圖像進(jìn)行預(yù)處理操作[13]：

1)對原始圖像進(jìn)行中值濾波。

2)將RGB圖像轉(zhuǎn)化為灰度圖像，并使用最大類間方差閾值分割法對圖片進(jìn)行預(yù)分割；若存在粘連情況，使用分水嶺算法再次分割。

3)對分割后的二值圖像進(jìn)行孔洞填充、去除小顆粒噪點并進(jìn)行二值反轉(zhuǎn)。

4)將預(yù)分割圖像與3)得到的圖像進(jìn)行與運算，得到去背景的種子圖片。

5)對3)得到的二值圖像進(jìn)行連通域統(tǒng)計，并分別對二值圖像和去背景種子圖像中對應(yīng)連通域使用矩形窗切分出二值單粒種子圖像和去背景的RGB單粒種子。

6)去除二值單粒種子圖像邊緣不完整顆粒部分，并與RGB單粒種子進(jìn)行與操作得到。

提取種子特征以單粒種子為單位，所以種子分割過程需要將種子切割為單粒圖像。由于實際生產(chǎn)中的種子采樣可以將種子抖動得比較開，所以大部分種子之間沒有粘連；使用最大類方差預(yù)分割后可以分割大部分無粘連種子；對種子圖像中少量的粘連現(xiàn)象，使用分水嶺算法再次分割，直至分割成單粒種子[14]。

3 包衣種子分類特征

3.1 種子包裹率特征

包衣后種子的包衣包裹率是包衣是否合格的一項基本指標(biāo)，對于包衣參數(shù)調(diào)節(jié)具有重要的指導(dǎo)意義。由于一次拍攝的種子圖像中包含了足夠多的種子，所以從統(tǒng)計平均的角度來看，種子被拍攝到的范圍內(nèi)包衣率近似等于整個種子的包衣率。為了計算種子包衣的包裹率，對每一粒種子進(jìn)行包衣率的計算。種子包裹率為

(1)

式中α—種子包裹率；

S1—種子實際包衣覆蓋面積；

S0—種子實際包衣覆蓋面積。

種子的面積可以通過統(tǒng)計圖像中的像素個數(shù)來計算。由于包裹率是一個相對量，所以不需要針對拍攝系統(tǒng)進(jìn)行尺寸標(biāo)定。式(1)可以寫成式(2)，即

(2)

種子本身的顏色與包衣劑的顏色一般區(qū)別較大，所以可以通過進(jìn)一步對單粒種子圖像進(jìn)行分割來計算種子包裹率。為了使用式(2)計算包衣覆蓋率，需要使用多閾值將種子未包衣部分分割出來。種子輪廓部分已由圖像分割部分得到，種子未包衣部分由最大熵閾值分割得到[15]。

最大熵閾值分割求取閾值t，使得以閾值t分割后的熵最大。對于數(shù)字圖像，定義圖像灰度低于t的像素構(gòu)成目標(biāo)區(qū)域熵H1(t); 圖像灰度高于t的像素構(gòu)成目標(biāo)區(qū)域熵H2(t)，那么H1(t)和H2(t)可由下式計算，即

(3)

(i=t+1,t+2,...,L)

(4)

對圖像中每一個灰度級分別求取熵函數(shù)H(t)=H1(t)+H2(t)，將H(t)取得最大值時的Hmax(t*)作為最大熵，對應(yīng)灰度值t*則為最大熵分割的閾值。

3.2 顏色與紋理特征

對于包衣比較完整的種子，其顏色和紋理特征也能對包衣結(jié)果進(jìn)行區(qū)分，因而在包衣結(jié)果識別過程中加入顏色和紋理特征。HSI模型的H和S分量與人感受顏色的方式是緊密相聯(lián)的，用于提取顏色矩特征。I分量與圖像的彩色信息無關(guān)，用于提取紋理特征。

3．2．1 顏色矩特征

HSI顏色空間中H分量表示色調(diào)，S分量表示顏色飽和度。 顏色矩特征是用顏色分量的矩來表示圖像中顏色的分布 。由于顏色分布信息主要集中在低階矩中，因此僅采用顏色的一階矩(Mean)、二階矩(Variance)和三階矩(Skewness)就足以表達(dá)圖像的顏色分布[16-17]。

1)一階顏色矩：均值反映顏色的明暗，則

(5)

式中N—圖像中像素個數(shù)；

pij—圖像第i個通道的第j個像素值。

2)二階顏色矩：標(biāo)準(zhǔn)差反映圖像顏色分布范圍，則

(6)

3)三階顏色矩：方差反映圖像顏色分布對稱性，則

(7)

3.2.2 灰度共生矩陣特征

紋理特征由灰度共生矩陣(GLCM)計算得到。HSI顏色空間中，I分量是亮度，表示圖像灰度分布。通過計算圖像中一定距離和一定方向的兩點灰度之間的相關(guān)性得到它的共生矩陣，然后通過計算這個共生矩陣得到矩陣的部分特征值(能量、對比度、逆差矩、熵、自相關(guān))來分別代表圖像的某些紋理特征[18-19]。

ASM(能量) 反映灰度分布均勻程度和紋理粗細(xì)度，則

(8)

式中pij—灰度共生矩陣第i行j列元素。

CON(對比度) 反映某個像素值與領(lǐng)域像素值的對比情況，能反映種子圖像的清晰度，計算公式為

(9)

IDM(逆差矩) 反映圖像紋理的同質(zhì)性，表征種子圖像紋理局部變化量，計算公式為

(10)

ENT((熵) 反映紋理非均勻程度，種子圖像中紋理越多，值越大，計算公式為

(11)

4 基于徑向基核函數(shù)的支持向量機分類器

(12)

式中C—誤差懲罰系數(shù)。

(13)

式中φ(xi,yi)—核函數(shù)。

(14)

對于測試樣本x，可以得到SVM最優(yōu)分類函數(shù)為

(15)

對于一些線性不可分或線性不好分的分類任務(wù)，常常使用核函數(shù)將特征空間映射到另一個特征空間，在新空間下利用SVM模型進(jìn)行分類。合適的SVM核函數(shù)是提高模型性能的關(guān)鍵，本文采用了徑向基核函數(shù)(RBF)，因其具有較快的收斂速度且可以逼近任意非線性函數(shù)[21]。

5 實驗與分析

5．1 實驗材料與裝置

實驗采用牛角辣椒種子，形態(tài)呈扁平腎形。包衣機使用上海交通大學(xué)電子信息與電氣工程學(xué)院儀器系研制的BY-150C型蔬菜種子包衣機。包衣種子圖像采集實驗平臺由以下設(shè)備組成：相機選用JAI的AD-130GE型彩色面陣CCD工業(yè)相機，分辨率1296像素×966像素，CCD尺寸1/3’’，幀率31幀/s；鏡頭使用uTRON公司FV1520型鏡頭，焦距15mm，C-mount接口。光源選用拱形白光光源。圖像采集實驗平臺實物如圖2所示。

圖2圖像采集實驗平臺實物Fig.2 Image acquisition platform

5.2 包衣種子圖像分割

為了便于提取種子各項顏色紋理特征，需對采集到的種子圖像進(jìn)行分割。實驗過程中，使用上述圖像采集實驗平臺采集種子圖像。在具體操作時，按照第2節(jié)所述流程進(jìn)行操作，采集到的種子圖像[見圖3(a)]，經(jīng)過濾波、去背景后得到非粘連種子和粘連種子如圖3(b)和圖3(c)所示；圖3(d)是經(jīng)過分水嶺法對粘連種子分割的結(jié)果。

5.3 包衣種子特征信息與分類結(jié)果

對于種子包裹率，主要是計算包裹種子表面的包衣劑的面積與種子自身面積的比率，無關(guān)種子的具體表面積，關(guān)鍵就是將種子未包衣部分分割出來。通過對單粒種子進(jìn)行雙閾值分割，可以很好地將種子未包衣部分和完整種子圖像分割出來，如圖4所示。

圖4 種子包裹率特征提取Fig.4 Coating ratio calculation

圖4(a)為圖像分割后得到的單粒包衣種子原圖，圖4(b)是灰度化后的圖像，圖4(c)通過分別在R、G、B分量上進(jìn)行最大類間方差閾值分割后進(jìn)行并集運算得到的種子完整輪廓圖像,圖4(d)是使用最大熵閾值分割得到的種子未包衣部分。通過圖4(d)與圖4(c)的面積比，即可計算出種子包裹率α。

包衣種子顏色特征需要在HSI顏色空間下提取，所以首先將圖像從RGB空間轉(zhuǎn)化到HSI顏色空間。顏色特征使用H、S分量的前3階矩{μhσhshμsσsss}。

紋理特征利用HSI顏色空間中I分量計算灰度共生矩陣(GLCM)，再通過灰度共生矩陣來計算紋理特征能量(ASM)、對比度(CON)、逆差矩(IDM)和熵(ENT)。

融合包裹率特征、顏色特征和紋理特征得到一個11維特征向量，即

實驗過程中選用800粒包衣后的辣椒種子，包括400粒包衣合格種子和400粒包衣不合格種子。統(tǒng)計這800粒種子的包衣率、顏色和紋理特征，如表1所示。

表1 包衣種子特征信息

選擇合格與非合格包衣種子各300粒作為SVM分類器訓(xùn)練集樣本，剩下合格與非合格各100粒種子作為測試集樣本。訓(xùn)練基于徑向基核函數(shù)的SVM分類器得到訓(xùn)練集識別準(zhǔn)確率達(dá)93.77%，測試集識別準(zhǔn)確率達(dá)90.93%。

6 結(jié)論

1)提出了一種包衣種子包裹率、種子顏色和紋理特征的算法，并將3種特征融合，構(gòu)建支持向量機的分類器，用于包衣后種子合格性的分類識別。

2)根據(jù)種子包衣后的形態(tài)特點，提出使用種子圖像的像素比提取包衣種子的包裹率，針對包衣種子的顏色與表面特征指標(biāo)提出使用HSI顏色空間下的H分量和S分量的顏色矩特征、I分量的灰度共生矩陣特征。

3)實驗中提取800粒種子的3種特征，將3種特征融合后，對構(gòu)建的基于徑向基核函數(shù)的支持向量機進(jìn)行訓(xùn)練與驗證。實驗結(jié)果表明：包衣種子合格性識別準(zhǔn)確率達(dá)90.93%，為后續(xù)研究包衣工作參數(shù)的智能調(diào)節(jié)奠定了理論基礎(chǔ)。

[1] 沈穎, 黃智文, 田永紅, 等.蔬菜種子處理技術(shù)研究進(jìn)展[J]. 中國種業(yè), 2016(2):10-13.

[2] 楊慧民, 閆樹成. 我國蔬菜種子包衣技術(shù)的研究現(xiàn)狀及展望[J].河北農(nóng)業(yè)科學(xué), 2010, 14(12):29-31.

[3] 桑杰, 趙春宇,朱成剛.BY-150型種子包衣機檢測控制系統(tǒng)設(shè)計[J].農(nóng)機化研究, 2015,37(3):83-86.

[4]FranciscoJRodríguez-Pulido,BelénGordillo,MLourdesGonzález-Miret,etal.Analysisoffoodappearancepropertiesbycomputervisionapplyingellipsoidstocolourdata[J].ComputersandElectronicsinAgriculture, 2013,99:108-115.

[5] 王風(fēng)云, 鄭紀(jì)業(yè),唐研,等.機器視覺在我國農(nóng)業(yè)中的應(yīng)用研究進(jìn)展分析[J]. 山東農(nóng)業(yè)科學(xué), 2016(4):139-144.

[6] 李錦衛(wèi).基于數(shù)字圖像處理的油菜種子信息研究[D].長沙:湖南農(nóng)業(yè)大學(xué), 2007.

[7] 楊蜀秦.農(nóng)作物籽粒的圖像處理和識別方法研究[D].楊凌:西北農(nóng)林科技大學(xué), 2012.

[8] 陶華偉,趙力,奚吉,等.基于顏色及紋理特征的果蔬種類識別方法[J]. 農(nóng)業(yè)工程學(xué)報, 2014(16) : 305-311.

[9] 張成梁,李蕾,董全成,等.基于顏色和形狀特征的機采棉雜質(zhì)識別方法[J]. 農(nóng)業(yè)機械學(xué)報, 2016(7):1-8.

[10] 唐欽.基于紋理和顏色特征的植物葉片識別方法研究[D].杭州:浙江大學(xué), 2015.

[11] 陳紅,夏青,左婷,等.基于機器視覺的花菇分選技術(shù)[J].農(nóng)業(yè)機械學(xué)報, 2014(1):281-287.

[12]SzczypińskiPM,PZapotoczny.Computervisionalgorithmforbarleykernelidentification,orientationestimationandsurfacestructureassessment[J].ComputersandElectronicsinAgriculture, 2012, 87:32-38.

[13] 張帆, 李紹明 ,劉哲, 等. 基于機器視覺的玉米異常果穗篩分方法[J].農(nóng)業(yè)機械學(xué)報, 2015(S1) : 45-49.

[14] 張紅旗, 劉宇, 郝敏. 基于機器視覺的番茄果實圖像分割方法研究[J].農(nóng)機化研究, 2015，37(3):58-61.

[15] 張亞秋,吳文福,王剛.基于逐步改變閾值方法的玉米種子圖像分割[J].農(nóng)業(yè)工程學(xué)報,2011(7):200-204.

[16]VandeSande,KEA,TGevers,etal.EvaluatingColorDescriptorsforObjectandSceneRecognition[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2010,32(9) : 1582-1596.

[17] 朱莉,羅靖,徐勝勇,等.基于顏色特征的油菜害蟲機器視覺診斷研究[J].農(nóng)機化研究, 2016，38(6):55-58.

[18] 王書志,張建華,馮全.基于紋理和顏色特征的甜瓜缺陷識別[J].農(nóng)業(yè)機械學(xué)報, 2011(3):175-179.

[19] 胡孟晗,董慶利,劉寶林,等.基于計算機視覺的香蕉貯藏過程中顏色和紋理監(jiān)測[J].農(nóng)業(yè)機械學(xué)報, 2013(8):180-184.

[21] 王欣,李道亮,楊文柱,等.基于可見光機器視覺的棉花偽異性纖維識別方法[J].農(nóng)業(yè)機械學(xué)報, 2015(8):7-14.

Quality Recognition for Coated Vegetable Seed Based on Computer Vision

Yu Zhicheng, Zhao Chunyu, Gao Lu

(School of Electronic Information and Electrical Engineering, Shanghai Jiaotong University, Shanghai 200240, China)

Intelligent regulation of vegetable seed coating parameters can improve the efficiency of the coating process, and improve the quality of the seed products. In order to study the intelligent control of coating parameters, this paper proposed vegetable seed quality identification method based on computer vision. According to three important indicators including coating rate, coating color and texture features, a seed was classified as qualified-coated or non-qualified-coated. For adhesion of the seed image, watershed algorithm was used to segment the seeds into single. Seed coating rate was calculated based on multi-threshold segmentation method. The seed image was converted into HSI color space in order to extract color moments features in H and S component and gray-level-co-occurrence matrix features in I component. Three kinds of features including coating rate, color moment features and gray-level-co-occurrence matrix features were fused into an eleven-dimensional feature vector. Support vector machine classifier was trained based on radial basis function. Experiments were conducted using coated chill seed. And results showed that the quality recognition for coated vegetable seed accuracy is 90.93%. This research laid a theoretical foundation of following-up study of intelligent regulation of vegetable seed coating parameters.

vegetable; seed coating; quality recognition; computer vision

2016-10-10

國家“863計劃”項目(2012AA10A505)

喻志成(1992-)，男，湖北黃岡人，碩士研究生，(E-mail) fricin@sjtu.edu.cn。

趙春宇(1971-)，男，哈爾濱人，副教授，碩士生導(dǎo)師，(E-mail) zhaocy@sjtu.edu.cn。

TP391; S24

A

1003-188X(2017)12-0026-06