糧食不完善粒自動識別研究進展

□ 王秀兵 濟寧市儲備糧管理處 朱志選 臨沂市糧食質(zhì)量檢測中心

不完善粒是指有蟲蝕、病斑、生霉、生芽、霉變、破損、凍傷、熱損傷或未熟等缺陷但仍有使用價值的糧食、油料顆粒[1]。不完善粒是衡量糧食質(zhì)量的一項重要指標。目前，國家標準中對不完善粒采用的是傳統(tǒng)的感官檢測方法。該方法存在耗時、費力，重復(fù)性、再現(xiàn)性差等缺點，尤其是不同檢測人員主觀性差別大，易導(dǎo)致檢測結(jié)果不一致[2-5]。為滿足實際應(yīng)用中大規(guī)模糧食快速無損檢測的要求，機器化、智能化檢測糧食不完善粒的技術(shù)研究成為主要方向。

隨著信息技術(shù)和機器識別理論的不斷發(fā)展和完善，計算機數(shù)字圖像分析技術(shù)被應(yīng)用到糧食不完善粒檢測上來，依據(jù)其原理主要分為兩類。一種是傳統(tǒng)的機器識別。對糧食籽粒圖像進行采集，然后進行圖像優(yōu)化處理、提取顏色、形態(tài)、紋理等特征參數(shù)，用數(shù)據(jù)分析模型進行識別評價[6]。另外一種是基于深度學(xué)習(xí)理論的人工神經(jīng)網(wǎng)絡(luò)。采集糧食籽粒圖像數(shù)據(jù)，無需預(yù)處理和特征參數(shù)提取，直接對二維圖像進行特征識別和分類[7]。

1 圖像采集

獲得優(yōu)質(zhì)圖像是準確識別不完善粒的前提。采集之前，應(yīng)調(diào)整好焦距及樣品位置，以便獲得最佳采集效果。固定合適的參數(shù)方便后期的采集。張玉榮等選擇帶LED光源，黑色環(huán)氧樹脂背景的試驗箱內(nèi)進行玉米籽粒圖像采集，亮度為-30，對比度30，分辨率600 dpi。董晶晶等采用SOC710VP高光譜成像光譜儀進行小麥籽粒圖像采集，參數(shù)選擇10×10網(wǎng)格，圖像分辨率696×520 pixel，光譜掃描范圍493～1 106 nm，掃描速度30 lines，波段數(shù)116個。此法綜合了機器視覺和光譜分析的優(yōu)點，既能獲得糧食籽粒的外部圖像信息，又能獲得糧食籽粒內(nèi)部的品質(zhì)信息。

2 圖像預(yù)處理

圖像采集過程中由于環(huán)境等因素的影響產(chǎn)生噪聲，使圖像質(zhì)量下降，需對圖像進行優(yōu)化處理。圖像預(yù)處理的方法主要有濾波、灰度轉(zhuǎn)換、圖像分割等。

2.1 濾波處理

圖像經(jīng)濾波處理后，有利于平滑、銳化及邊緣檢測，通過算法替換噪聲點的值以消除該異常值。最常用的是均值濾波和中值濾波。其原理是對圖像中某個待處理的像素，選擇一個模版，該模版由其鄰近的若干個像素組成，用模版中像素的灰度平均值來替代原像素的灰度值[8]。張玉榮等選擇均值濾波處理，認為其效果最好。

2.2 灰度轉(zhuǎn)換

采集到的彩色圖像一般是256色的圖像，其色彩內(nèi)容相對比較復(fù)雜，不利于圖像的算法處理，因此需要將彩色圖像轉(zhuǎn)換為灰度圖像，簡化圖像內(nèi)容，提高處理效率[9]。主要是指RGB圖像的轉(zhuǎn)換，灰度圖像沒有RGB的差異，只是亮度上的不同。目前常用的有三種方式：最大值法、平均值法和加權(quán)平均值法。

2.3 圖像分割

圖像分割即依據(jù)形態(tài)、顏色、紋理等參數(shù)的差異性把圖像分割成若干區(qū)域，使得不同區(qū)域具有明顯的區(qū)分度。分割主要考慮閾值、邊緣、區(qū)域、圖論、能量泛函等的差異性。對獲得的糧食圖像進行區(qū)域分割處理，獲得糧食單粒圖像，既可以去除無用信息，又可大幅減少圖像數(shù)據(jù)。目前，將單粒圖像從背景中分割出來的方法主要有最大類間方差法（OSTO）和最大方差自動取閾法[10-12]。

3 特征參數(shù)提取

特征是影響識別率的重要因素。不完善粒在外觀、顏色、光滑度等方面存在明顯差異。故一般提取形態(tài)、紋理和顏色特征參數(shù)來綜合分析識別不完善粒。目前開展的研究中選取的特征參數(shù)大同小異。顏色特征提取一般選擇最通用的RGB模型，此外HSI模型也被廣泛應(yīng)用。形態(tài)特征參數(shù)主要選取籽粒長軸長、短軸長、長寬比、周長、面積、伸展度、等效圓直徑、區(qū)域填充面積、離心率、緊湊度等參數(shù)。紋理是圖像中特征值強度的某種局部重復(fù)模式的宏觀表現(xiàn)，具有較強的重復(fù)性和平穩(wěn)性，體現(xiàn)了宏觀意義上的圖像特征變化的某些規(guī)律[13]。參數(shù)選擇平滑度、對比度、一致性、三階矩、熵等。

4 模式識別分析

特征參數(shù)提取后，即可進行圖像識別分析。它屬于模式識別的一種。糧食品質(zhì)檢測領(lǐng)域主要采用基于統(tǒng)計模式的識別和人工神經(jīng)網(wǎng)絡(luò)的識別。而且隨著人工智能的發(fā)展，CNN、BP、SVM可將獲得的各種特征信息進行綜合分析處理，提高識別精度。

4.1 CNN模型

CNN模型，即卷積神經(jīng)網(wǎng)絡(luò)模型，是一種特殊的深層神經(jīng)網(wǎng)絡(luò)模型。常用的有LeNet、AlexNet、VGG、ResNet等。與傳統(tǒng)識別方法相比，降低了數(shù)值的維數(shù)和過擬合的程度，而且容錯能力好，可以有效提取數(shù)據(jù)的局部特征進行分類。CNN模型中，將圖像分割后的局部區(qū)域作為層次結(jié)構(gòu)中的底層的輸入信息，數(shù)據(jù)依次傳播通過中間各層，每層的過濾器會集并數(shù)據(jù)中的顯著特征參數(shù)。鑒于局部區(qū)域圖像邊界等基礎(chǔ)特征的相似性，該法可以提供對位移、拉伸、旋轉(zhuǎn)的穩(wěn)定性。

4.2 SVM模型

SVM即支持向量機，在非線性映射確定的高維特征空間上構(gòu)造最優(yōu)分類超平面，將輸入量映射至該平面。將非線性分類問題轉(zhuǎn)化為線性分類問題。與傳統(tǒng)算法相比減小了誤差，提高了效率和精度。作為一種基于統(tǒng)計學(xué)習(xí)理論的模式識別方法，被廣泛應(yīng)用在小樣本、非線性及高維模式圖像識別中，具有較強的泛化能力。

4.3 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一種，屬于多層的前饋神經(jīng)網(wǎng)絡(luò)。包含信號的前傳播和誤差的逆向傳播兩個過程。在信號傳播過程中，不斷調(diào)試各層權(quán)值，直至輸出值的誤差降低到可以接受的水平，或者達到預(yù)先設(shè)定的調(diào)試次數(shù)。張玉榮等利用主成分分析確定了7個主成分因子，并建立了7-15-7的三層BP神經(jīng)網(wǎng)絡(luò)模型，各類型不完善粒正確識別率在90%以上。

5 存在的問題

目前的研究大多是建立在靜態(tài)圖像采集基礎(chǔ)上的，而實際檢測中需要從快速運動的糧食籽粒群體中提取有效圖像特征，這就對圖像特征表現(xiàn)能力提出了更高要求，也是下一步需要解決的問題。

實際應(yīng)用過程中會存在少許誤判的情形，各種方法的識別準確率并未達到100%。例如：一些芽或幼根未突破表皮，隆起不明顯的生芽粒，即萌動粒會被誤判為完善粒。這表明有些差異不能僅用顏色和紋理特征進行準確衡量，存在一定模糊性。下一步可以考慮糧食籽粒內(nèi)部信息與外部特征相結(jié)合的方式，獲得更高的分析檢測潛質(zhì)。

實際應(yīng)用場景中，由于外界環(huán)境的影響，無法保證絕對均勻的光照條件和杜絕噪聲的引入，因此有必要提高分析模型的泛化能力，使得模型對此兩種因素可以更好地匹配。