圖像處理在大米品質(zhì)檢測中的應用研究

, ,

(1.西安工業(yè)大學電子信息工程學院，陜西 西安 710021；2.咸陽職業(yè)技術(shù)學院，陜西 咸陽 712000)

0 引言

大米外觀品質(zhì)是其價格和用途的重要決定因素，傳統(tǒng)中主要依靠人對糧食外觀的主觀判斷，再對照行業(yè)標準得出糧食的等級。這種方法簡單、快速，但是缺乏客觀性，存在精度不高、費時費力等缺點。我國作為農(nóng)業(yè)大國，每年的進出口大米總量較大，研究一種能快速有效檢測大米外觀質(zhì)量的方法具有實際意義。大米顆粒的顏色、大小以及顆粒表面粗糙程度都是判斷大米質(zhì)量的物理指標，在實際中由于蟲害、變質(zhì)等原因會造成大米顏色暗淡、外觀變形。為了提高鑒別大米外觀品質(zhì)的有效性和高效性，利用圖像傳感器來代替人眼獲取糧食圖像，進而利用圖像處理與分析的方法對大米籽粒進行分析并依據(jù)圖像參數(shù)給出判斷標準[1-6]。在此，主要研究大米圖像的處理和分析，將基于感官檢測的大米質(zhì)量判別定量化、標準化，克服傳統(tǒng)感官檢測的主觀性和隨意性。

1 大米品質(zhì)檢測系統(tǒng)功能設(shè)計

1.1 硬件平臺

硬件平臺主要由4部分組成：籽粒進料輸送機構(gòu)、攝像機、拍攝平臺和PC機，如圖1所示。大米籽粒通過籽粒進料輸送機構(gòu)到達拍攝平臺上，拍攝平臺上方的攝像機對大米籽粒進行拍攝。PC機為整個硬件平臺運行的控制中心，控制進料速度和籽粒在拍攝平臺上的移動，并且儲存拍攝到的籽粒圖片，然后通過系統(tǒng)的檢測軟件判斷大米品質(zhì)。

圖1 大米籽粒拍攝平臺

1.2 軟件功能設(shè)計

檢測系統(tǒng)的軟件功能模塊框圖如圖2所示，基于圖像處理技術(shù)對大米籽粒品質(zhì)進行感官評價，大米圖像由硬件平臺拍攝，模板庫圖像根據(jù)評價標準提供，模板庫可更換，以便滿足不同的籽粒品質(zhì)評價標準。系統(tǒng)軟件首先對待檢測圖像進行預處理，增強圖像的同時去除噪聲；然后從大米籽粒的顏色、大小以及紋理3個方面對待測大米圖像進行品質(zhì)評價[7-9]。通過算法計算出待測籽粒與標準模板庫圖像的差別參數(shù)，從而衡量待測籽粒圖像的降質(zhì)程度，實現(xiàn)大米品質(zhì)的外觀檢測。

圖2 軟件功能結(jié)構(gòu)框圖

2 基于圖像處理的大米品質(zhì)判別

2.1 圖像預處理

圖像預處理是圖像處理系統(tǒng)的重要環(huán)節(jié)，該環(huán)節(jié)會影響后續(xù)的圖像特征提取、識別分析。在實際拍攝時，獲取的圖像信息中通常含有各種各樣的噪聲與畸變，而光照度不夠均勻也會造成圖像灰度過于集中，因此需要對圖像質(zhì)量進行改善。圖像預處理的關(guān)鍵是提高灰度圖像的對比度，增強圖像的視覺效果，本系統(tǒng)采用直方圖均衡化來增強灰度。

直方圖均衡化是將原圖像的直方圖經(jīng)過變換函數(shù)修正為均勻直方圖，然后按均衡后的直方圖修正原圖像，增加圖像灰度值的動態(tài)范圍。拍攝的糧食圖片中，單位面積內(nèi)米粒分布集中，每粒大米的所占空間較小，重疊粘連米粒較多，這樣不容易提取米粒顏色、大小和紋理特征。系統(tǒng)嘗試采用直方圖均衡化增強整個圖像的對比度，對圖像整體和局部特征進行有效改善。具體方法是：

a. 列出原始圖像的灰度級SK，K=0,1,…,L-1，其中L是灰度級的個數(shù)。

b. 統(tǒng)計原始圖像各灰度級的像素數(shù)目NK。

c. 計算原始圖像直方圖各灰度級的頻率數(shù)。

d. 計算原始圖像的累計直方圖。

e. 取整計算。

tK=INT[(N-1)tK+K/N]

(1)

f. 確定映像關(guān)系。

SK→tK

(2)

g. 統(tǒng)計新直方圖各個灰度級的像素nK。

h. 計算新的直方圖。

Pt(tK)=nK/N

(3)

原始圖像和均衡化后圖像的直方圖對比，如圖3所示。橫坐標表示的是圖像的像素值，縱坐標為數(shù)據(jù)點數(shù)目，每一個柱條代表了處于該像素的數(shù)據(jù)點數(shù)目。經(jīng)過直方圖均衡化后，原始圖像的直方圖變換成均勻分布的形式，增加了灰度值的動態(tài)范圍。原始圖片中米粒比較聚集，不容易分割出每粒大米，經(jīng)過直方圖均衡化后，堆積在上層的米粒明顯地與其他米粒分離，一些看不清或者被遮擋的籽粒消失了，處理后灰度相同的區(qū)域之間有明顯的邊界，如圖4所示。處理前后的圖像對比中可以看出，許多在原圖像上看得不是很清楚的細節(jié)在直方圖均衡化以后變得十分清晰。

圖3 均衡化前后圖像直方圖

圖4 大米圖像直方圖均衡化前后對比

2.2 邊緣檢測

邊緣是圖像中灰度發(fā)生急劇變化的區(qū)域邊界，進行圖像分析時可以通過檢測圖像中不同區(qū)域的邊緣來分割圖像。通常，邊緣檢測是采用某種算法來提取圖像中對象與背景間的交界線。采用不同的邊緣檢測算子對大米圖像進行邊緣檢測，比較優(yōu)劣，確定最優(yōu)的邊緣檢測算子。該環(huán)節(jié)實際上就是尋取具有最佳邊緣響應的濾波器，讓其具有最大的邊緣信號輸出信噪比，并對邊緣具有精確的定位。

Sobel算子、LOG算子、Roberts算子和Canny算子是幾種常見的邊緣檢測算子[10]，其中，Sobel算子是加強中心像素的四周像素權(quán)重，從不同的方向檢測邊緣，通常用于灰度漸變和噪聲較多的圖像；LOG算子是拉普拉斯算子的改進，引入了平滑濾波，能去除服從正態(tài)分布的噪聲；Roberts算子則是通過計算代表邊緣強度的梯度來判斷邊緣，其中梯度方向與邊緣垂直，該算法定位精度高，但對噪聲敏感；Canny算子是一種最優(yōu)的邊緣提取算子，已經(jīng)廣泛應用于實際中，包含用高斯濾波器進行平滑，使用差分模板來近似計算梯度值與方向，應用局部極大模法和雙門限法來獲取、連接邊緣[11]。

大米圖像中存在一定的噪聲，噪聲主要來源于拍攝時光照不均勻、圖像傳感器等。根據(jù)各邊緣提取算子的優(yōu)缺點分析，系統(tǒng)嘗試利用Canny算子作為大米圖像邊緣檢測算子。如圖5所示，分別是Sobel算子、LOG算子、Roberts算子和Canny算子采用自動選擇閾值的方式對大米圖像進行邊緣檢測。其中，Sobel算子和Roberts算子檢測的大米圖像邊緣連續(xù)性較差，邊緣特征不顯著，這可能與圖像的灰度變化和噪聲特點有關(guān)。LOG算子和Canny算子的邊緣檢測效果相對較好，但是LOG算子檢測的結(jié)果忽略了圖像中的某些細節(jié)，不利于后續(xù)的圖像分析。所以，系統(tǒng)采用Canny算子檢測大米圖像邊緣。

圖5 多種算子對大米圖像邊緣檢測效果

2.3 圖像RGB分析

三基色(紅、綠、藍)是大多數(shù)彩色圖像和圖像傳感器采用的色彩表達與儲存方式，RGB色彩空間是一個三維空間，將3種基本彩色按適當比例混合可組成不同的顏色。所以，對彩色圖像的顏色分析可轉(zhuǎn)化為圖像的RGB直方圖分析。把每幅彩色圖像的直方圖統(tǒng)計結(jié)果看成矢量，則對矢量空間中2個點空間距離的計算就能得到2幅圖像的顏色相似性。

實際中，還可以使用色調(diào)、飽和度及亮度來描述顏色。除了RGB色彩空間外，還有其他的色彩空間可表示彩色，例如NTSC色彩空間、YCbCr色彩空間。但是，系統(tǒng)主要研究的是大米圖像，拍攝到的圖像在色調(diào)、亮度等方面相差較小，不適宜描述圖像的顏色。因此，本系統(tǒng)使用RGB的值來代表顏色值，分析每幅彩色圖像的RGB直方圖來確定圖像之間的顏色相似性。

2.4 圖像像素面積分析

對大米圖像進行像素面積分析分為2個部分：目標顆粒的提取和像素面積的計算。通過自動閾值分割法提取目標顆粒，該方法是以目標和背景的類間方差最大為閾值選取準則，當目標和背景的類間方差越大時，說明它們的差異越大，分割時錯分率越小。將前面預處理過的大米圖像進行自動閾值分割，得到圖像分割效果，如圖6所示。分割后得到的二值圖像很好地呈現(xiàn)了目標顆粒，說明該分割方法有效，便于之后的像素面積計算。

圖6 自動閾值法分割效果

計算像素面積粗略地講，就是計算二值圖像中非零像素的數(shù)目。但是，簡單地計算非零像素的數(shù)目，可能會造成固有失真，若根據(jù)不同的像素進行不同的加權(quán)，然后進行計算則可以補償失真。所以，利用MATLAB中的bwarea函數(shù)計算二值圖像的面積。

2.5 圖像紋理特征分析

物體紋理特征通常指的是顏色模式或者表面光滑程度，紋理分析描述的是圖像的區(qū)域特征，可定量分析圖像的光滑度、質(zhì)地等參數(shù)。系統(tǒng)研究的大米圖像中，米粒會因為蟲害、變質(zhì)等原因引起顆粒表面粗糙。本系統(tǒng)采用基于不變矩的紋理統(tǒng)計算法：首先將原始圖像分塊，通過濾波去除各頻率處的噪聲，增強圖像的紋理結(jié)構(gòu)信息；然后提取特征點，將增強的圖像中曲率最大的點作為特征點提?。蛔詈笠蕴卣鼽c為中心進行圖像局部網(wǎng)格化處理，將單元格各自的不變矩求和得到特征向量。分析2幅圖像的紋理差異性，可以分析2特征向量間的距離[12]。

3 實驗結(jié)果與討論

選取3種顏色的米粒，白色大米、黃色小米及黑米樣品圖像進行實驗，樣品購自各大超市，具體名稱及產(chǎn)地如表1所示。系統(tǒng)標準模板庫圖像為福臨門水晶米(產(chǎn)自吉林，白色)樣品圖像，測試樣品共選取了6種白色大米、3種黃色小米和3種黑米，系統(tǒng)分別測試了樣品圖像與標準圖像的RGB距離、像素面積差及紋理差異，測試結(jié)果如表2所示。

樣品1～6是白色大米，7～9是黃色小米，10～12是黑米，白色大米的平均RGB距離為0.085，像素面積差的平均值為2 516.333；黃色小米和黑米的平均RGB距離分別為0.158和0.251， 像素面積差的平均值分別為9 875.833和4 668.542。RGB距離代表了測試樣品圖像與模板庫圖像之間的顏色差異。由表2可知，黑米的RGB距離最大，其次是黃色小米，測試結(jié)果符合實際情況，黑米與白色米粒的顏色對比度最大。其中，在白色大米中，樣品1和樣品4的RGB距離相對于其他白色大米樣品較大，這是因為這2種樣品雖然牌子不同，但是都屬于東北地區(qū)的大米，這類大米呈圓粒形，顏色有點暗沉。從表2中可以看出，黃色小米的像素面積差最大，說明黃色小米圖像與標準圖像上顆粒面積差異最大，測試結(jié)果符合實際。另外，相對于其他白色大米圖像，樣品2和樣品5的像素面積差較大，并且和黑米的像素面積差相近，這與樣品的顆粒形狀有關(guān)，絲苗米和香粘米都屬于細長粒的秈米，形狀與長橢圓形的黑米有點相似，而其他白色大米的米粒形狀相對飽滿。紋理是觀察到的圖像像素的灰度變化規(guī)律，差異大小與顆粒表皮的特征有關(guān)，樣品都是未變質(zhì)的糧食，樣品圖像之間的紋理特征距離不同，但是整體差異不大。

表1 米粒樣品

表2 樣品圖像測試結(jié)果

4 結(jié)束語

通過對大米外觀品質(zhì)檢測系統(tǒng)的研究，驗證了圖像處理技術(shù)用于糧食外觀檢測的可行性。不同于傳統(tǒng)主觀評價的方法，圖像處理技術(shù)避免了客觀性不強、精度低的問題，能滿足不同品質(zhì)評判標準的檢測。實驗中對大米圖像進行了RGB分析、像素面積分析及紋理特征分析。結(jié)果表明，利用圖像處理技術(shù)可有效判別各種米粒之間的差異，從圖像的顏色、像素面積和紋理特征實現(xiàn)對大米的品質(zhì)檢測。

參考文獻：

[1] 張玉榮,陳賽賽,姜忠麗,等.基于圖像處理的小麥容重檢測方法研究[J].中國糧油學報,2015,30(3):116-121.

[2] 任景英,謝澤會.基于圖像處理的大米粒形檢測技術(shù)研究[J].農(nóng)機化研究,2011,33(3):198-200.

[3] 馬浚誠,溫皓杰,李鑫星,等.基于圖像處理的溫室黃瓜霜霉病診斷系統(tǒng)[J].農(nóng)業(yè)機械學報,2017,48(2):195-202.

[4] 冼鼎翔,姚青,楊保軍,等.基于圖像的水稻燈誘害蟲自動識別技術(shù)的研究[J].中國水稻科學,2015,29(3):299-304.

[5] Courtois F, Faessel M, Bonazzi C. Assessing breakage and cracks of parboiled rice kernels by image analysis techniques[J]. Food Control,2010,21(4):567-572.

[6] 毋桂萍,沈二波,楊紅衛(wèi).圖像處理法在大米碎米率檢測中的精度分析[J].中國糧油學報,2009,24(10):94-97.

[7] 曾奇波.基于圖像處理技術(shù)的大米質(zhì)量實時檢測系統(tǒng)研究[D].湘潭:湖南科技大學,2009.

[8] 闕玲麗.基于計算機視覺技術(shù)的玉米植株高度檢測的研究[J].農(nóng)機化研究,2017,39(12):219-223.

[9] 賀強,晏立.基于LOG和Canny算子的邊緣檢測算法[J]. 計算機工程,2011,37(3):210-212.

[10] 張瀅,齊美彬,周云，等.基于特征提取和多示例學習的圖像區(qū)域標注[J].電子測量與儀器學報,2014,28(8):909-914.

[11] 朱奇光,張朋珍,李昊立，等.基于全局和局部特征融合的圖像匹配算法研究[J].儀器儀表學報,2016,37(1):170-176.

[12] 熊建平.基于計算機視覺的墻地磚表面缺陷檢測[J].電子測量技術(shù),2015,38(5):53-55.