融合多維特征的稻米外觀品質(zhì)檢測技術(shù)

邢鍵 羅佳順

摘要：圖像處理技術(shù)用于稻米外觀品質(zhì)的檢測具有效率高的優(yōu)點，但其易受弱光照強度的影響。為了提高圖像質(zhì)量，提出了一種新的數(shù)據(jù)融合處理算法，實現(xiàn)了大米樣品和背景的分割，最大限度地消除了噪聲，提高了后續(xù)檢測函數(shù)的精度。實現(xiàn)了一套碎米、裂紋、堊白度和加工精度的計算機自動識別功能。本實驗選取6種大米作為試驗樣品，隨機抽取10粒大米作為一組，每次試驗選取4組樣品。經(jīng)過多次試驗，結(jié)果表明，該系統(tǒng)對隨機稻谷樣品的碎米率檢測準確率為97.01%、稻種檢測準確率為97.60%、裂紋檢測準確率為98.22%，優(yōu)于傳統(tǒng)人工檢測方法。該系統(tǒng)為進一步完善稻米品質(zhì)自動檢測技術(shù)提供了技術(shù)依據(jù)。

關(guān)鍵詞：圖像處理;大米外觀;自動檢測;數(shù)據(jù)融合

DOI：10.15938/j.jhust.2021.05.010

中圖分類號：TP391.41;S24 文獻標志碼：A 文章編號：1007-2683（2021）05-0076-07

0 引言

稻米的外觀品質(zhì)是決定其價格和用途的重要因素。稻米顆粒的顏色、大小和表面粗糙度是衡量稻米品質(zhì)的物理指標。傳統(tǒng)的檢測方法基本上是基于人工感官判斷，主要依靠人們對糧食外觀的主觀判斷，再根據(jù)行業(yè)標準得出糧食等級。該方法簡單，但缺乏客觀性，存在精度低、耗時費力等缺點。近年來，將機器視覺（又稱計算機視覺）技術(shù)引入農(nóng)業(yè)監(jiān)測領(lǐng)域成為當前的研究熱點[1-4]。如果能將其引入大米外觀品質(zhì)參數(shù)的檢測，那么大米的快速檢測將成為現(xiàn)實。計算機視覺技術(shù)能大大提高稻谷外觀品質(zhì)識別的有效性和識別效率[5]，應(yīng)用圖像處理與分析技術(shù)對稻谷進行分析，并根據(jù)圖像參數(shù)給出判斷標準能夠提高準確率。

2001年，蕭浪濤等基于工業(yè)相機和圖像處理方法研制了大米堊白粒識別的程序，先采集大米圖像，再由堊白粒檢測程序得到檢測結(jié)果[6]。2002年，孫明等用固定閾值法和MATLAB軟件檢測稻米堊白粒[7]，但當采樣環(huán)境產(chǎn)生變化時不能實現(xiàn)稻米堊白的自動檢測。同年，喻擎蒼等[8]通過在大米圖像中標記大米輪廓，優(yōu)化了歐幾里德算法，做了大量實驗，通過比對米粒以輪廓線為中心的最大線性距離，可以初步進行大米溯源，判斷大米種類。2005年，凌云等用分形維數(shù)顯示大米堊白部分的分布特征，并設(shè)計了應(yīng)用分形維數(shù)對稻米堊白進行檢測的系統(tǒng)[9]，但是該程序只是檢測稻米是否為堊白米而不能檢測出堊白大小。2007年，吳彥紅等[10]研制了一套通過圖像處理方法評定大米等級的系統(tǒng)，但是該系統(tǒng)對設(shè)備傳送帶的運送速度要求較高。2008年，劉成海等通過計算機視覺技術(shù)對稻米的碾磨精度、破損率、異形米和直鏈淀粉檢測進行了深入研究[11]。2010年，孫翠霞等通過測試在不同含量里白度、不同連接情況的米粒，發(fā)現(xiàn)計算機視覺技術(shù)對于檢測堊白粒具有較高的準確率[12]。2011年，方長云等通過使用大米精白度計檢測了132份大米樣品的堊白程度，并驗證了其準確性[13]。同年，任景英等分析了所選邊緣檢測算子進行米粒輪廓的標記，驗證了Canny算子可以提取稻米邊緣特征[14]。2015年，Hemad等介紹了計算機視覺在大米無損質(zhì)量評價中的理論和技術(shù)原理，并綜述了近年來在產(chǎn)品質(zhì)量檢測和監(jiān)測方面的成就和應(yīng)用[15]。2016年，梁詩華等通過支持向量機（C-SVM）檢測碎米，并驗證了通過線性核函數(shù)的支持向量機可高效準確地檢測碎米[16]。2017年，唐文強等研制了一套用工業(yè)相機獲取大米圖像并通過Matlab編程軟件進行稻米品質(zhì)檢測的裝置，實現(xiàn)圓粒型大米和長粒型大米的米形篩選[17]。2018年，陳尚兵等研究了國內(nèi)外專家對通過圖像處理技術(shù)評定稻米品質(zhì)方面的課題成果，言明還需用動態(tài)及靜態(tài)結(jié)合的方法對稻谷品質(zhì)進行研究[18]。同年，馬超等基于大米評級軟件的分析，證實了數(shù)字圖像處理技術(shù)對于大米品質(zhì)檢測的準確性和應(yīng)用前景[19]。

目前，利用計算機技術(shù)檢測大米裂紋的論文很少[20]。其中糙米和堊白的檢出最為集中。而且，現(xiàn)有的研究大多是孤立的算法分析，尚未形成完整的體系。本文基于數(shù)字圖像處理技術(shù)，通過自主設(shè)計的圖像預處理算法，解決了樣板的反射問題。實現(xiàn)了樣品板和稻谷的完整分割。開發(fā)了一套集碎米、米型、裂紋、透明度、加工精度等功能于一體的大米質(zhì)量快速自動視覺檢測系統(tǒng)，為進一步完善大米質(zhì)量檢測技術(shù)提供了技術(shù)依據(jù)。

1 大米檢測系統(tǒng)

1.1 硬件平臺

檢測系統(tǒng)主要由稻米樣本、樣板、燈箱、轉(zhuǎn)盤、光源，CCD攝像機、計算機等組成。使用的CCD相機像素大小為500萬像素，光學尺寸為1/2.5色。燈箱側(cè)面涂有奶油色漆，底部用黑色細棉布覆蓋，燈箱側(cè)面有一個開口，用來固定樣板。夾料板的材料為黑色塑料，在托料板上形成10個呈方形排列的腰形孔，用于放置稻谷，孔的尺寸為7mm×4mm×4mm。可以有效地避免稻谷之間的粘連，便于對單個稻谷圖像的提取。為了增加系統(tǒng)采集的樣本數(shù)量，采用步進電機驅(qū)動轉(zhuǎn)臺旋轉(zhuǎn)，實現(xiàn)多個樣本容器的圖像采集。具體硬件設(shè)施如圖1所示。

1.2 軟件平臺

首先，在圖像采集中采用CCD攝像機對大米進行建模，然后利用系統(tǒng)軟件對圖像進行預處理，通過MATLAB圖像處理和分析能力，增強圖像的同時去除噪聲，將稻谷與背景分離，同時讀取特征參數(shù)，然后根據(jù)大米的大小、形狀、裂紋、透明度和色澤來評價大米的質(zhì)量。通過計算待測稻谷與標準模板庫圖像的不同參數(shù)，測量待測稻谷圖像的質(zhì)量降低程度，計算出稻谷類型比、裂紋率、碎米率、堊白率和糙米率，實現(xiàn)米質(zhì)的外觀檢測。

2 基于圖像處理的大米品質(zhì)判定

2.1 圖像預處理

圖像識別和特征提取是圖像預處理的重要環(huán)節(jié)。在實際拍攝中，獲取的圖像信息通常含有各種噪聲和失真，光照不均勻也會導致圖像灰度過于集中，需要提高圖像質(zhì)量。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。圖像處理結(jié)果如圖3所示。具體方法如下：

第1步：通過灰度處理將真彩色圖像RGB轉(zhuǎn)換為灰度強度圖像Ⅰ，實現(xiàn)真彩色到灰度的降維轉(zhuǎn)換。R、G、B分量采用加權(quán)平均算法，可以表示為：

imgray（i，j，k）=0.299 imrgb（i，j，1）+0.587imrgb（i，j，2）+0.114imrgb（i，j，3）（1）

第2步：用最大類間方差法為圖像找到一個合適的閾值。

最大類間方差法（OTSU）是基于假設(shè)，計算目標圖像和背景的混合密度函數(shù)，其方差可由兩個服從正態(tài)分布的基組成子分布表示，然后基于最小平方原理計算像素值、方差。最后通過計算圖像的統(tǒng)計特性，實現(xiàn)閾值的自動選擇，具體算法如下：

對于圖像Ⅰ（x，y），前景（目標）和背景用T表示，在整個圖像中屬于前景的像素的比率表示為ω0，平均灰度為μ0;整個圖像中背景像素的比率為ω1，平均灰度為μ1;整個圖像的平均灰度為μ，類間方差用g表示。假設(shè)圖像大小為M×N，圖像中灰度值小于閾值T的像素數(shù)為N0，灰度值大于閾值T的像素數(shù)為N1，則：

第5步：根據(jù)4個連通區(qū)域進行搜索，并對圖像中的每個分離部分進行標記。

第6步：創(chuàng)建半徑為40的平面圓形結(jié)構(gòu)圖元。

第7步：對圖像進行形態(tài)封閉操作，即在蝕刻前用結(jié)構(gòu)元素展開圖像。

第8步：根據(jù)第五步的搜索結(jié)果重新標記圖像中分離的部分。

第9步：將灰度圖像轉(zhuǎn)換為彩色圖像。

圖像處理的結(jié)果如圖3所示。

2.2 碎米與形狀檢測

根據(jù)國家標準GB-T1354-2018，碎米是指保留在直徑為2.0mm的圓孔篩上的長度小于同批樣品完整稻谷平均長度3/4的不完整稻谷。式中：s為碎米率;k為被測樣品的碎米數(shù);num為被測稻谷的總粒數(shù)，碎米率可以評價被測樣品的碎米等級。根據(jù)該系統(tǒng)，對處理后的圖像進行二值化處理和區(qū)域標記，得到稻谷的總粒數(shù)，并將稻谷的閾值長寬比設(shè)定為2，以識別碎米。碎米的檢測結(jié)果如圖4（a）所示，其中標注的米為碎米，其余樣品為正常米。

在水稻國家標準中，稻米粒型是指粒長與粒寬的比值，是衡量稻米品質(zhì)的重要指標。為了保證測量的準確性，系統(tǒng)首先按照上述流程排除碎米，對剩余的米粒采用橢圓匹配測量方法，即將米粒視為近似橢圓，并通過計算稻谷區(qū)的矩得到這個近似橢圓的長度和長度軸，從而得到除碎米外的每個稻谷的像素長度和像素寬度。其中：al為稻米的平均晶粒長度;aw為平均晶粒寬度;l為除碎米外的稻谷總長度;w為除碎米外的稻谷總寬度;N為除碎米外的稻谷數(shù)。用平均長寬比來表示水稻的粒形。長軸和短軸測量的程序?qū)崿F(xiàn)可以表示為：D=regionprops（L，‘MajorAxislength’，‘MinorAxisLength’）。該算法的功能是將不同的正整數(shù)元素L對應(yīng)于不同的區(qū)域的一系列屬性進行度量。其中，‘MajorAxisLength’表示與像素意義上的區(qū)域具有相同標準二階中心矩的橢圓長軸的長度，‘MinorAxisLength’表示具有與像素意義上區(qū)域相同的標準二階中心矩的橢圓的短軸。圖4（b）中的米形試驗結(jié)果見表1，平均米形比為2.29。

2.3 裂紋檢測

裂紋率是指被測樣品中有裂紋的稻谷占被測樣品總數(shù)的百分比。裂紋率可以反映被測樣品的裂紋程度，也是評價稻米裂紋程度的重要指標之一。式中：f為裂紋率;sum為受試樣品中的裂紋數(shù)量;num為受試樣品的總數(shù)。系統(tǒng)對處理后的圖像進行二值化處理，得到區(qū)域標記后的稻谷總粒數(shù)。同時，提取單粒稻谷圖像，對單粒稻谷進行裂紋檢測，計算出單粒稻谷粒數(shù)總和。最后計算并輸出裂紋率。

從圖5可以看出，完整稻谷的曲線是平滑的，沒有明顯的槽形，而破碎的稻谷曲線具有明顯的槽形特征。分析表明，該特征是由稻谷圖像中的裂紋引起的?；谛谢叶染底兓拇竺琢鸭y檢測算法如下：其中A（i）表示圖像的i行中灰度不為零的像素點的灰度平均值;B（i）是A（i）的加權(quán)值;g（i，j）表示重建圖像像素點（i，j）的灰度值。hk和'k表示k行分隔的兩個像素的灰度差。Sk和Dk分別表示由k行分隔的3個像素點中相鄰兩個像素點之間的灰度差的和差。h（i，j）表示裂紋特征檢測算法在像素點（i，j）處獲得的圖像的邏輯值。”1”表示裂紋區(qū)域的像素值，“0”表示非裂紋區(qū)域的像素值。算法中k值的不當會影響裂紋檢測的準確性。大量試驗結(jié)果表明，當k值為5～7時，該算法對水稻籽粒裂紋特征的判斷最為準確。將h（i，j）轉(zhuǎn)換為二值圖像后，進一步應(yīng)用細化、修剪等二值形態(tài)學處理，得到單粒稻谷裂紋檢測結(jié)果圖像，并對裂紋進行檢測。

3 結(jié)果與分析

在這篇文章中，我們采用圖像處理分析方法對大米外觀品質(zhì)和加工品質(zhì)進行了研究。通過試驗實現(xiàn)了碎米檢測、米型檢測、裂紋檢測。最后，設(shè)計了大米品質(zhì)自動檢測圖像采集裝置，實現(xiàn)了對大米圖像的快速高效采集。經(jīng)過多次試驗，當光源強度為135～150lux，光源距離樣品40cm時，測試效果最好。本系統(tǒng)所用樣本為武昌米、響水米、銀水米、茉莉米、月光米、糙米等6個品種，如圖6所示。

在本實驗條件下的具體研究內(nèi)容和結(jié)論如下：

1）建立了基于稻米長寬特征的全碎米判別模型。利用水稻圖像采集裝置采集水稻圖像，利用MATLAB進行預處理，提取水稻長寬特征參數(shù)。按照國家碎米判定標準，采用該方法對從大米樣品中隨機抽取的樣品進行檢測，以10粒為一組，共隨機抽取167組樣品進行檢測。測試結(jié)果表明，該系統(tǒng)的準確率為97.01%。

2）建立了基于水稻長寬特征的水稻類型判別模型。水稻圖像由水稻圖像采集裝置采集，通過MATLAB對圖像進行預處理，采用橢圓匹配測量方法，通過計算水稻區(qū)域的矩量得到近似橢圓的長軸，用長軸比來表示稻米的粒形。采用該方法對隨機抽取的大米樣品進行檢測，以10粒為一組，隨機抽取167組樣品進行檢測。結(jié)果表明，該系統(tǒng)的精度為97.60%。

3）提出了一種基于大米裂紋圖像平均灰度變化特征的大米裂紋檢測算法。利用大米圖像采集裝置采集大米圖像，利用MATLAB對圖像進行預處理，并對圖像進行灰度拉伸變換，突出稻谷裂紋的特征。然后提取單粒稻谷的灰度均值變化曲線，對曲線進行加權(quán)濾波，實現(xiàn)裂紋檢測。采用該方法對隨機抽取的大米樣品進行檢測，以10粒為一組，隨機抽取167組樣品進行檢測。試驗結(jié)果表明，該系統(tǒng)能檢測隨機大米樣品的裂紋率，準確率為98.22%。其中，有少數(shù)堊白米粒、未成熟稻谷和輕微裂米被誤判為碎裂稻谷，是影響稻谷類裂率判斷準確性的主要因素。稻谷中的一些裂紋具有不同的分布方向，這在一定程度上影響了稻谷裂紋的判斷精度。

4）建立了基于R、G、B特征值的加工精度檢測系統(tǒng)。利用水稻圖像采集裝置采集水稻圖像，并利用MATLAB進行圖像預處理。利R-B特征值的差異對稻谷區(qū)的糠秕部分和胚乳部分進行分割，實現(xiàn)加工精度檢測。將該方法用于武昌大米、精米、糙米的混合，并隨機抽取樣品進行檢驗。隨機抽取134組樣品，10粒為一組。結(jié)果表明，該系統(tǒng)的精度為95.52%。

4 總結(jié)與展望

本研究設(shè)計了一套稻米品質(zhì)自動檢測裝置，能夠在拍攝多粒稻米的同時，快速、高效地取得稻米影像。該裝置主要由燈箱、光源、CCD攝像機、計算機、轉(zhuǎn)臺、數(shù)據(jù)線等組成。另外，設(shè)計了10個橢圓槽的樣板，實現(xiàn)了稻谷的自動分離，解決了圖像處理中米粒粘連的問題。設(shè)計了大米圖像分割的預處理功能，避免了光照對圖像的影響。本研究開發(fā)了一套基于CCD攝像機的大米外觀質(zhì)量檢測系統(tǒng)，實現(xiàn)了對碎米、米型、裂紋、堊白度和加工精度的檢測。

在未來的研究中，我們將解決以下問題：

由于少量白堊米粒和未成熟米粒，輕度裂米等被誤認為是裂米粒，影響大米樣品裂紋率判斷準確性。部分中等程度度裂紋米粒與嚴重裂紋米粒中某些裂紋的朝向不同，這對裂紋識別的精度產(chǎn)生了一定影響，需要進一步優(yōu)化光源設(shè)計和裂紋識別算法。

鑒于中國水稻品種繁多，水稻的外觀特性在不同程度上應(yīng)有所不同。因此，在此研究的基礎(chǔ)上，應(yīng)對不同品種進行更廣泛的測試，并對該程序進行糾正和完善，以便快速準確地檢測稻米的外觀質(zhì)量。

參考文獻：

[1]時玉強，柴玉華，鄭先哲.基于機器視覺的大豆細菌斑點病粒檢測[J].東北農(nóng)業(yè)大學學報，2009，40（4）：106.

[2]王樹文，張長利，房俊龍.應(yīng)用計算機視覺對番茄損傷分類的研究[J].東北農(nóng)業(yè)大學學報，2006，13（2）：215.

[3]賈超，郁志宏，王亮，等.基于機器視覺的禽蛋圖像分割方法研究[J].東北農(nóng)業(yè)大學學報，2011，42（5）：77.

[4]吳建國，劉長東，楊國花，等.基于計算機視覺的稻米堊白指標快速測定方法研究[J].作物學報，2005，31（5）：670.

[5]DIEGO I P，RAFAEL R.Computer Vision and Artificial Intelli-gence in Precision Agriculture for Grain Crops：A Systematic Re-view[J].Computers and Electronics in Agriculture.2018，153：69.

[6]蕭浪濤，李東暉，藺萬煌，等.一種測定稻米堊白性狀的客觀方法[J].中國水稻科學，2001，21（3）：47.

[7]孫明，凌云，王一鳴.在MATLAB環(huán)境中基于計算機視覺技術(shù)的大米堊白檢測[J].農(nóng)業(yè)工程學報，2002，3（4）：146

[8]喻擎蒼，嚴紅濱.一種基于圖像輪廓線的稻種模糊模式識別方法[J].農(nóng)業(yè)工程學報，2002，18（1）：150.

[9]凌云，王一鳴，孫明，等.基于分形維數(shù)的堊白米圖像檢測方法[J].農(nóng)業(yè)機械學報，2005，16（7）：91.

[10]吳彥紅，劉木華，楊君，等.基于計算機視覺的大米外觀品質(zhì)檢測[J].農(nóng)業(yè)機械學報，2007，38（7）：107.

[11]劉成海，鄭先哲，葉斌，等.機器視覺技術(shù)在稻米外觀品質(zhì)檢測中的應(yīng)用與展望[J].東北農(nóng)業(yè)大學學報，2008，（6）：128.

[12]孫翠霞，方華，胡波，等.基于灰度圖像的大米堊白檢測算法研究[J].廣西科技大學學報，2010，21（2）：36.

[13]方長云，段彬伍，孫成效，等.大米精白度計在稻米透明度指標檢測上的應(yīng)用[J].中國稻米，2011，17（2）：26.

[14]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.

[15]HEMAD Z，SAEID M，MOHAMMAD R A，et al.Potential Ap-plications of Computer Vision in Quality Inspection of Rice：A Re-view[J].Food Engineering Reviews，2015，7（3）;321.

[16]梁詩華，林毅鑫，何金成.基于C-SVM的碎米檢測算法研究[J].湖北農(nóng)業(yè)科學，2016，55（20）：5368.

[17]庸文強，劉建偉.計算機圖像處理在大米形狀識別的應(yīng)用研究[J].糧油倉儲科技通訊，2017，33（6）：43.

[18]陳尚兵，袁建，邢常瑞，等.機器視覺檢測技術(shù)在稻米方面的應(yīng)用現(xiàn)狀[J].糧食科技與經(jīng)濟，2018，43（5）：50.

[19]馬超，周晚，張志文.圖像處理在大米品質(zhì)檢測中的應(yīng)用研究[J].機械與電子，2018，36（4）：58.

[20]李同強，甘建鵬.基于計算機視覺的大米整精米率檢測[J].中國糧油學報，2011，26（8）：114.

（編輯：溫澤宇）

收稿日期：2020-07-30

基金項目：國家自然科學基金（61405045，31470714，61975028）;中央高?；A(chǔ)研究基金（2572017DB04）.

作者簡介：羅佳順（1998-），男，碩士研究生;

通信作者：邢鍵（1979-），男，博士，副教授，E-mail.xingniat@sina.com.