基于機器視覺的糧食稻米檢測系統(tǒng)設(shè)計*

阮殿旭

（沙洲職業(yè)工學(xué)院，江蘇 蘇州 215600）

0 引言

糧食安全關(guān)系到國計民生和國家安全，也是鄉(xiāng)村振興的重要保障。中國每年年產(chǎn)糧食1.3 萬億斤以上，基本滿足了國內(nèi)的糧食需求。糧食收儲和銷售過程中需要對糧食進行分級檢驗，以確定糧食品質(zhì)好壞[1]。目前，糧食分級檢驗基本是手工操作，糧食取樣后，經(jīng)由檢驗人員手工把不完善顆粒（蟲蛀粒、病斑粒、破損粒、生芽粒和生霉粒等）和雜質(zhì)分揀出來，通過稱重計算出重量百分比，對照國家標(biāo)準(zhǔn)得到糧食的等級。由于檢驗工作量大，檢驗人員非常辛苦[2]。質(zhì)量評判的準(zhǔn)確度還受到工作人員責(zé)任心和疲勞程度的影響。

為了改變這種狀況，進一步提高糧食米粒檢測的效率和準(zhǔn)確率，對相關(guān)識別技術(shù)進行了研究。在國際上，最早將計算機視覺技術(shù)用于稻米識別和分級檢測的研究出現(xiàn)在20 世紀(jì)80 年代。1983 年開始，日本大學(xué)森島博教授利用計算機視覺對稻米識別和分級進行廣泛的研究。其研究內(nèi)容包括不同品種稻米的識別方法，同品種稻米中完整米、碎米、異色米、有裂痕米的檢測和分級方法，并形成了一整套理論體系[3]。在國內(nèi)，張博提出了基于深度學(xué)習(xí)的小麥外觀品質(zhì)機器視覺檢測方法[4]。劉瓔瑛等對基于機器視覺的稻米品質(zhì)的判斷方法進行了研究，構(gòu)建了稻米外觀品質(zhì)機器視覺檢測系統(tǒng)，提出了一種基于霍特林變換的稻米特征提取算法[5]。陳進等對基于圖像分類的谷物識別系統(tǒng)進行了研究，提出了谷物局部特征的提取方法，研究了特征袋算法并進行了編碼計算[6]。大部分研究主要是針對糧食米粒的圖像算法及學(xué)習(xí)算法的理論研究，因此，利用視覺技術(shù)和深度學(xué)習(xí)算法構(gòu)建高效穩(wěn)定的檢測系統(tǒng)具有很大的現(xiàn)實意義[7]。

1 糧食稻米檢測系統(tǒng)設(shè)計

糧食稻米視覺檢測系統(tǒng)由硬件及軟件兩部分組成。硬件部分由定制光源、相機、鏡頭、計算機等組成，實現(xiàn)對稻米圖像的拍照；軟件部分由圖像處理軟件和學(xué)習(xí)算法平臺組成，軟件中的圖像處理工具實現(xiàn)對目標(biāo)顆粒的降噪、預(yù)處理、特征提取等功能。工業(yè)相機根據(jù)圖像處理器不同分布又可以分為普通工業(yè)相機和智能工業(yè)相機。普通工業(yè)相機只有圖像采集功能，計算機運行軟件實現(xiàn)對采集圖像的處理；智能工業(yè)相機集成了圖像采集和圖像處理兩個功能，可以直接對智能相機進行編程，在相機中完成圖像處理與信號的輸出。本系統(tǒng)采用工業(yè)相機完成糧食圖像采集，通過Gige 傳輸給圖像處理計算機，完成圖像處理和深度學(xué)習(xí)算法。

糧食稻米檢測系統(tǒng)總體框圖如圖1 所示。檢測系統(tǒng)啟動后，首先打開環(huán)形光源，調(diào)整到合適的亮度，觸發(fā)相機拍照，完成糧食稻米圖像的采集；圖像處理軟件通過預(yù)處理算法工具實現(xiàn)對圖像的噪聲濾除、灰度及對比度等調(diào)整，得到稻米數(shù)量和面積等基本信息；通過算法平臺的學(xué)習(xí)算法對樣品進行學(xué)習(xí)后，將不完整粒和合格粒進行識別區(qū)分；最后將檢測信息輸送到人機界面。

圖1 糧食稻米檢測系統(tǒng)框圖

相機采用?？低旽KVISION彩色卷簾相機，分辨率為3 072*2 048，滿足本系統(tǒng)的要求。由于成像體積較小，需采用12 mm的中焦距工業(yè)鏡頭。光源采用平行軸光源，因為LED顆粒高密度排列，提高光源亮度，成像清晰，亮度均勻，不會出現(xiàn)反光不均勻的地方，從而使獲得的糧食顆粒圖像更加清晰，如圖2所示。

圖2 米粒采集圖

2 基于視覺技術(shù)的圖像處理

圖像采集后，先根據(jù)實際圖像進行濾波、灰度調(diào)整、二值化等預(yù)處理，再對圖像進行斑點檢測，對稻米的數(shù)量、位置、形狀和面積進行統(tǒng)計。

2.1 圖像預(yù)處理

首先，采用圖像轉(zhuǎn)換工具將彩色圖像轉(zhuǎn)換為灰度圖，RGB 權(quán)重分別為0.3、0.3 和0.4，得到灰度圖如圖3 所示。對灰度圖采用濾波工具，在盡量保留圖像細節(jié)特征的條件下對米粒圖像的噪聲進行抑制，保證后續(xù)圖像處理與分析的有效性。為更好地保留米粒邊緣，采用了N*M 的中值濾波的工具對鄰域內(nèi)像素按灰度排序的結(jié)果決定中心像素的灰度，參數(shù)設(shè)置為5*5的內(nèi)核掩膜，效果如圖4所示。

圖3 米粒灰度圖

圖4 米粒濾波圖

2.2 米粒數(shù)量與面積統(tǒng)計

對稻米顆粒數(shù)量的統(tǒng)計可以使用形狀匹配工具和斑點工具兩種方式實現(xiàn)，但由于米粒之間差異性較大，并且有一定的粘連，通過形狀匹配工具進行識別統(tǒng)計時引起的識別誤差較大。通過采用斑點工具，采用形態(tài)學(xué)分水嶺算法對圖像分割進行優(yōu)化，可以有效降低米粒之間的粘連，從而更精確地進行統(tǒng)計。

圖像斑點分析的一般過程：圖像分割—應(yīng)用聯(lián)通性規(guī)則—執(zhí)行形態(tài)學(xué)操作—計算測量—得出結(jié)果。斑點分析工具的分段模式采用硬閾值（動態(tài)），形態(tài)學(xué)調(diào)整操作選擇侵蝕水平面，最小面積設(shè)定為800 像素，如圖5 所示。運行結(jié)果如圖6、圖7 所示，可以很好地識別出米粒數(shù)量、大小、位置信息。

圖5 斑點分析程序及參數(shù)圖

圖6 米粒斑點圖

圖7 米粒參數(shù)圖

3 深度學(xué)習(xí)算法實現(xiàn)

首先，通過相機采集不少于11 張的訓(xùn)練圖片，圖像目標(biāo)最小像素占比必須大于2.5%，然后對11 張圖片進行樣本的標(biāo)定，由于米粒為不規(guī)則物體，使用多邊形標(biāo)定工具進行標(biāo)注，標(biāo)簽必須包含米粒目標(biāo)整個部分，不能將部分特征遺漏，需緊貼米粒邊緣。特別是對不完整粒等不完整度不強的，一定不能漏標(biāo)，否則會嚴重影響模型性能。設(shè)置訓(xùn)練參數(shù)：類型選用本地顯卡訓(xùn)練；最大迭代次數(shù)200 次；基礎(chǔ)學(xué)習(xí)率為1；Patch 為中模型；模型能力選擇高精度；角度能力開啟。深度學(xué)習(xí)算法模型訓(xùn)練誤差如圖8 所示，訓(xùn)練測試結(jié)果如圖9所示。

圖8 訓(xùn)練誤差迭代圖

圖9 模型訓(xùn)練效果圖

4 系統(tǒng)檢測實驗結(jié)果與分析

系統(tǒng)調(diào)試完成后，將檢測米粒樣品放至光源下方，相機以60 fps 自動拍照并根據(jù)算法進行圖像處理和不完整粒檢測，得到如圖10和圖11所示的運行結(jié)果。

圖10 米粒數(shù)量統(tǒng)計圖

圖11 不完整粒識別圖

實驗過程中，取1 000粒米粒樣本，其中包含100粒不完整粒。統(tǒng)計得到如表1所示的測試數(shù)據(jù)。實驗結(jié)果表明，該系統(tǒng)針對米粒數(shù)量統(tǒng)計的準(zhǔn)確率為99.2%，針對不完整粒的漏檢率為4%，滿足設(shè)計要求。

表1 測試數(shù)據(jù)

5 結(jié)束語

基于機器視覺的米粒檢測系統(tǒng)，以?？低曄鄼C和深度學(xué)習(xí)算法平臺為核心。相機采集到米粒圖像后，先進行灰度圖轉(zhuǎn)換、濾波等預(yù)處理，然后利用斑點工具對米粒數(shù)量和大小進行統(tǒng)計，最后利用深度學(xué)習(xí)算法，對不完整粒等進行學(xué)習(xí)后對米粒圖像中的不完整粒進行識別。實驗結(jié)果表明，該系統(tǒng)的對米粒數(shù)量統(tǒng)計的準(zhǔn)確率為99.2%，對不完整粒的識別率為96%，滿足設(shè)計要求。