新鮮雙孢蘑菇采收和自動(dòng)化分級方法研究*

劉 韋

（濟(jì)南大學(xué) 泉城學(xué)院，山東 蓬萊 265600）

雙孢蘑菇（Agaricus bisporus）的質(zhì)地厚實(shí)、味道鮮美、顏色潔白，是目前世界上生產(chǎn)量最大、栽培區(qū)域最廣的食用菌品種，又被稱為洋蘑菇、白蘑菇和口蘑等[1-2]。隨著雙孢蘑菇需求量的不斷增加，現(xiàn)階段已經(jīng)實(shí)現(xiàn)工廠化生產(chǎn)，較大規(guī)模工廠每日生產(chǎn)的雙孢蘑菇高達(dá)上百噸[3]。目前，國內(nèi)主要通過人工對雙孢蘑菇進(jìn)行分級處理，工人自身素質(zhì)會(huì)影響到人工分級的精準(zhǔn)度，且人工分級還存在分級精度不穩(wěn)定、勞動(dòng)量大、分級標(biāo)準(zhǔn)不統(tǒng)一和生產(chǎn)效率低的問題，因此需要研究雙孢蘑菇的采收和分級方法[4]。

1 概述

邢士元等[5]提出基于機(jī)器視覺的產(chǎn)品分級方法，該方法結(jié)合邊界跟蹤法和中值濾波法可對蘑菇圖像進(jìn)行預(yù)處理，通過外界矩形旋轉(zhuǎn)法和三點(diǎn)一線法計(jì)算蘑菇的縱軸長和橫軸長， 將蘑菇的中軸曲率、橫軸長、偏心率、縱軸長、似圓度作為分級特征，通過BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)蘑菇分級，該方法存在特征提取精準(zhǔn)度低的問題。顏秉忠等[6]提出基于計(jì)算機(jī)技術(shù)的分級方法。在計(jì)算機(jī)中輸入蘑菇的圖像，并對其做灰度化處理，分割獲得的灰度圖像，根據(jù)分割結(jié)果提取蘑菇的輪廓，將輪廓的長寬作為參數(shù)，對新鮮雙孢蘑菇進(jìn)行分級，該方法提取蘑菇輪廓所用的時(shí)間較長，分級效率低。

綜上所述，提出新鮮雙孢蘑菇采收和自動(dòng)化分級方法。

2 新鮮雙孢蘑菇采收

新鮮雙孢蘑菇采收和自動(dòng)化分級方法通過機(jī)械采收器采收雙孢蘑菇，具體步驟，見圖1。

圖1 機(jī)械采收器的采收步驟Fig.1 Mechanical harvester harvesting steps

通過圖1可知，采用機(jī)械采收器采收雙孢蘑菇主要包括兩個(gè)步驟，分別是采收雙孢蘑菇和將雙孢蘑菇從菌床中運(yùn)走。

在采收雙孢蘑菇時(shí)，需要切斷雙孢蘑菇的菌柄，并使雙孢蘑菇直立，將雙孢蘑菇與菌簇分開。

傳送雙孢蘑菇時(shí)的主要步驟為：分割菌床，將雙孢蘑菇從床面上提起，并使雙孢蘑菇離開菌床，將其放到傳送帶中或容器中。

3 雙孢蘑菇自動(dòng)化分級方法

3.1 圖像預(yù)處理

新鮮雙孢蘑菇采收和自動(dòng)化分級方法在雙孢蘑菇行業(yè)標(biāo)準(zhǔn)的基礎(chǔ)上，將雙孢蘑菇分為小、中、大三個(gè)級別。采集新鮮雙孢蘑菇圖像，提取圖像中新鮮雙孢蘑菇的特征參數(shù)時(shí)，發(fā)現(xiàn)雙孢蘑菇的柄部和圖像中存在的陰影是影響特征提取精準(zhǔn)度的主要影響因素，因此新鮮雙孢蘑菇采收和自動(dòng)化分級方法結(jié)合尋找最大閾值分割法和全局閾值分割法對雙孢蘑菇圖像進(jìn)行第一次分水嶺處理，去除雙孢蘑菇圖像中存在的陰影，之后結(jié)合閉運(yùn)算和Canny算子對雙孢蘑菇圖像進(jìn)行第二次分水嶺處理，去除圖像中的非邊緣部分，具體過程如下：

3.1.1 獲得閾值T1

通過全局閾值法對雙孢蘑菇進(jìn)行第一次分水嶺處理之前，提取雙孢蘑菇圖像中的感興趣區(qū)域，具體步驟如下：

針對全局閾值，設(shè)定初始估計(jì)值G。采用估計(jì)值G對雙孢蘑菇圖像進(jìn)行分割，獲得兩組像素。分別是由灰度值高于G的像素構(gòu)成的G1，以及由小于等于G的像素構(gòu)成的G2。

設(shè)g1、g2分別代表的是像素G1、G2對應(yīng)的平均灰度值，通過上述參數(shù)獲得新閾值G的計(jì)算公式如下：

重復(fù)上述過程，當(dāng)閾值G在迭代過程中的差值滿足零時(shí)，停止迭代，最后獲得的G即為閾值T1。

二值化處理雙孢蘑菇圖像之前，需要用灰度圖代替原始雙孢蘑菇圖像，當(dāng)閾值T1小于像素點(diǎn)的灰度值時(shí)，此時(shí)像素點(diǎn)變?yōu)榘咨?，對?yīng)的灰度值為255；當(dāng)閾值T1大于像素點(diǎn)的灰度值時(shí)，此時(shí)像素點(diǎn)為黑色，對應(yīng)的灰度值為0，獲得雙孢蘑菇圖像1。

3.1.2 獲得閾值T2

隨機(jī)變量的不確定性可以用熵描述，隨機(jī)變量的不確定性越高，對應(yīng)的熵值越大。在雙孢蘑菇圖像中，背景和前景交界處之間存在的信息最多，對應(yīng)的熵值越大。

新鮮雙孢蘑菇采收和自動(dòng)化分級方法通過KSW算法確定閾值并使熵值最大。

設(shè)t代表的是分割閾值；L代表的是雙孢蘑菇圖像中存在的灰度級總數(shù)，存在公式：

式中：i=0，1，L，L-1；Pi代表的是第i個(gè)灰度在圖像中出現(xiàn)的概率。

設(shè)T代表的是{0，1，2L，t}對應(yīng)的灰度密度；B代表的是{t+1，t+2，L，L-1}對應(yīng)的灰度密度，則：

上述公式中參數(shù)Pn的計(jì)算公式如下：

設(shè)H(T)代表的是灰度密度T對應(yīng)的熵；H(B)代表的是灰度密度B對應(yīng)的熵，其計(jì)算公式分別如下：

設(shè)?(t)代表的是熵函數(shù)，其計(jì)算公式如下：

通過上述計(jì)算得到的最大熵函數(shù)對應(yīng)的灰度級即為閾值T2。將雙孢蘑菇圖像轉(zhuǎn)變?yōu)榛叶葓D后對其進(jìn)行二值化處理，當(dāng)閾值T2的值小于像素點(diǎn)對應(yīng)的灰度值時(shí)，此時(shí)像素點(diǎn)呈灰色，灰度值為128；當(dāng)閾值T2的值大于像素點(diǎn)對應(yīng)的灰度值時(shí)，此時(shí)像素點(diǎn)呈黑色，灰度值為0，獲得雙孢蘑菇圖像2。

3.1.3 第一次分水嶺

標(biāo)記的雙孢蘑菇圖像的前景選用圖像1的前景，此時(shí)像素點(diǎn)呈白色，對應(yīng)的灰度值為255；標(biāo)記的雙孢蘑菇圖像的背景選用圖像2的背景，此時(shí)像素點(diǎn)呈灰色，對應(yīng)的灰度值為128；剩余像素點(diǎn)呈黑色，對應(yīng)的灰度值為0。在雙孢蘑菇圖像中標(biāo)記出前景區(qū)域，獲取不確定區(qū)域和背景區(qū)域，在背景特征和前景特征的基礎(chǔ)上采用分水嶺算法去除雙孢蘑菇圖像中的陰影。

3.1.4 第二次分水嶺

Canny算子被廣泛的應(yīng)用在邊緣檢測領(lǐng)域中，將獲得的閾值T1和T2分別作為高低閾值。在由低閾值構(gòu)成的邊緣分布圖中，只保存存在連接鏈路的邊緣點(diǎn)，并將由高閾值構(gòu)成的邊緣分布圖邊緣和低閾值構(gòu)成的邊緣分布圖中保存的點(diǎn)連接，獲得雙孢蘑菇第一輪的輪廓圖contours1，通過上述過程去除了低閾值分布圖中存在的邊緣點(diǎn)對應(yīng)的孤立鏈，保存了高閾值分布圖中存在的邊緣點(diǎn)。

將雙孢蘑菇圖像前景對應(yīng)的像素點(diǎn)灰度值設(shè)置為0，像素點(diǎn)呈現(xiàn)黑色，背景對應(yīng)的像素點(diǎn)灰度值為255，像素點(diǎn)呈現(xiàn)白色。通過Canny算子挖掘雙孢蘑菇輪廓，即contours1的前景對應(yīng)的像素點(diǎn)灰度值設(shè)置為255。此時(shí)前景呈現(xiàn)為白色；將背景像素點(diǎn)對應(yīng)的灰度值設(shè)置為0，此時(shí)背景呈現(xiàn)為黑色。將上述兩個(gè)圖像做運(yùn)算或邏輯，如果其中一個(gè)圖像的值為1，則結(jié)果為1；如果以上兩個(gè)圖像的值都為0，則結(jié)果為0，獲得result1圖像。對獲得的result1圖像做閉運(yùn)算處理，去除雙孢蘑菇圖像中存在的非邊緣，保留雙孢蘑菇的內(nèi)部邊緣。

3.2 自動(dòng)化分級

新鮮雙孢蘑菇采收和自動(dòng)化分級方法提取雙孢蘑菇的大小特征和形狀特征，將提取到的雙孢蘑菇的大小特征和形狀特征輸入分類函數(shù)中，實(shí)現(xiàn)新鮮雙孢蘑菇的自動(dòng)化分級，具體步驟如下：

3.2.1 雙孢蘑菇大小特征提取

根據(jù)得到的雙孢蘑菇的輪廓，通過曲線對輪廓中的點(diǎn)進(jìn)行描繪，設(shè)代表的是該區(qū)域?qū)?yīng)的中心，可通過下式計(jì)算得到：

式中：n描述的是像素的總數(shù)；xi、yi描述的是第i個(gè)像素點(diǎn)的坐標(biāo)。

計(jì)算輪廓中各像素點(diǎn)和中心之間存在的距離，并將距離平均值當(dāng)做雙孢蘑菇的直徑r0，其計(jì)算公式如下：

3.2.2 雙孢蘑菇形狀特征提取

根據(jù)中心點(diǎn)對應(yīng)的坐標(biāo)獲取與中心點(diǎn)橫坐標(biāo)相同的一個(gè)點(diǎn)，以及與中心點(diǎn)縱坐標(biāo)相同的另一個(gè)點(diǎn)，通過下式計(jì)算兩個(gè)點(diǎn)與中心點(diǎn)之間的距離d：

將上式計(jì)算得到的兩個(gè)距離值進(jìn)行比值處理，如果比值與1接近，表明雙孢蘑菇的形狀較好，如果比值與0較近，表明雙孢蘑菇的形狀較差。

將提取的雙孢蘑菇大小特征和顏色特征輸入支持向量機(jī)分類函數(shù)k(x,xi)中，完成雙孢蘑菇的自動(dòng)化分級，支持向量機(jī)分類函數(shù)k(x,xi)的表達(dá)式如下：

4 試驗(yàn)結(jié)果

為了驗(yàn)證新鮮雙孢蘑菇采收和自動(dòng)化分級方法的整體有效性，在Matlab平臺中對新鮮雙孢蘑菇采收和自動(dòng)化分級方法進(jìn)行測試，對雙孢蘑菇分級的基礎(chǔ)是提出雙孢蘑菇的特征，分別采用新鮮雙孢蘑菇采收和自動(dòng)化分級方法（方法1）、基于機(jī)器視覺的蘑菇分級方法（方法2）和基于計(jì)算機(jī)技術(shù)的分級方法（方法3）進(jìn)行測試，對比3種不同方法的特征提取精準(zhǔn)度如圖2所示。

圖2 3種不同方法的特征提取精準(zhǔn)度Fig.2 Feature extraction accuracy of three different methods

分析圖2可知，采用新鮮雙孢蘑菇采收和自動(dòng)化分級方法在多次迭代中獲得的特征提取精準(zhǔn)度均高于基于機(jī)器視覺的蘑菇分級方法和基于計(jì)算機(jī)技術(shù)的分級方法，原因在于新鮮雙孢蘑菇采收和自動(dòng)化分級方法進(jìn)行特征提取之前去除了雙孢蘑菇圖像中存在的陰影，減少了陰影對特征提取結(jié)果造成的影響，提高了特征提取精準(zhǔn)度。

測試3種不同方法的分級時(shí)間，結(jié)果見圖3。

圖3 3種不同方法的分級時(shí)間Fig.3 Classification time of three different methods

分析圖3（a）可知，采用新鮮雙孢蘑菇采收和自動(dòng)化分級方法對雙孢蘑菇進(jìn)行分級處理時(shí)，在多次迭代中所用的時(shí)間均在0.2 s以下；分析圖3（b）和圖3（c）可知，采用基于機(jī)器視覺的蘑菇分級方法和基于計(jì)算機(jī)技術(shù)的分級方法對雙孢蘑菇進(jìn)行分級處理時(shí)，所用的分級時(shí)間在0.4 s和0.5 s附近波動(dòng)。對比上述測試結(jié)果可知，新鮮雙孢蘑菇采收和自動(dòng)化分級方法所用的分級時(shí)間均少于試驗(yàn)對比方法。去除雙孢蘑菇圖像中存在的非邊緣，減少特征提取過程中需要計(jì)算的數(shù)據(jù)量，縮短對雙孢蘑菇分級所用的時(shí)間，具有較高的分級效率。

5 結(jié)語

工業(yè)化生產(chǎn)流水線中較為重要的環(huán)節(jié)是分揀不合格產(chǎn)品和次品。工業(yè)產(chǎn)品具有一致性和規(guī)則性，對產(chǎn)品進(jìn)行分級是較為容易的，但是農(nóng)產(chǎn)品具有數(shù)量龐大和品種繁多的特點(diǎn)，由于營養(yǎng)、生長環(huán)境等因素相同農(nóng)產(chǎn)品也會(huì)存在差異，使分級成為農(nóng)產(chǎn)品領(lǐng)域中的難點(diǎn)問題。當(dāng)前雙孢蘑菇分級方法存在特征提取精準(zhǔn)度低和分級效率低的問題，提出新鮮雙孢蘑菇采收和自動(dòng)化分級方法，試驗(yàn)結(jié)果表明，本文方法可精準(zhǔn)的提取出雙孢蘑菇的特征，在較短的時(shí)間內(nèi)完成雙孢蘑菇的分級，解決了雙孢蘑菇分級中存在的問題。