精米品種多特征模型融合分類與外觀品質(zhì)多參數(shù)檢測應用研究

楊 森, 張新奡, 邢 鍵, 戴景民

1. 東北林業(yè)大學計算機與控制工程學院, 黑龍江 哈爾濱 150040

2. 哈爾濱工業(yè)大學儀器科學與工程學院, 黑龍江 哈爾濱 150001

引 言

大米是我國最重要的谷類作物, 其品質(zhì)會隨著土壤、 環(huán)境和水質(zhì)等地域因素產(chǎn)生差異性。 例如五常大米和響水大米, 其獨特的地理環(huán)境形成特有的口感和營養(yǎng)價值, 使其成為具有鮮明地理標識的大米產(chǎn)品。 消費者愿意為優(yōu)質(zhì)產(chǎn)品支付額外價錢, 導致詐騙者經(jīng)常通過虛假的產(chǎn)地標簽或摻假獲取不公平的經(jīng)濟利益, 損壞了消費者、 零售商和生產(chǎn)商的利益[1]。 此外, 大米的白堊米率、 碎米率、 黃粒米率、 裂紋米率等外觀品質(zhì)參數(shù)也是人們普遍關(guān)心的問題, 因為其直接關(guān)系口感和定價[2]。 因此, 對于消費者、 零售商和生產(chǎn)商來說, 如何準確的實現(xiàn)精米品種鑒別和外觀品質(zhì)評價是一項亟待解決的重要工作。

圖像法是精米外觀品質(zhì)檢測的常用方法, 具有快速和無損檢測的優(yōu)勢。 陳昊然提出了一種基于圖像顯著性區(qū)域提取的堊白區(qū)域提取算法[3]。 張玲設(shè)計了一種圖像處理系統(tǒng)進行碎米識別[4]。 Chen開發(fā)了一種機器視覺系統(tǒng)來檢查缺陷米粒[5]。 Singh結(jié)合圖像處理和機器學習測量米粒大小和質(zhì)量[6]。 Zareiforoush利用圖像處理對碾米的碾磨度和破碎率進行了定性分級[7]。 然而, 現(xiàn)有基于圖像法的精米外觀品質(zhì)檢測主要針對單參數(shù)或相類似參數(shù)檢測進行研究, 缺少一種集成一體化應用方案可以實現(xiàn)外觀品質(zhì)的多參數(shù)檢測。

近紅外光譜法是精米品種分類的常用方法, 且被證實基于4 300～7 800 cm-1波段光譜數(shù)據(jù)可以獲取較高的精米品種分類精度。 宋雪健研究了基于近紅外光譜法的五常和查哈陽大米產(chǎn)地溯源[8]。 錢麗麗基于近紅外光譜法, 分別研究了五常和建三江大米[9]、 查哈陽和非查哈陽大米[10]、 五常和建三江大米[11]的鑒別方法。 劉亞超研究了近紅外二維相關(guān)光譜進行摻和五常大米判別的可行性[12]。 然而, 現(xiàn)有基于近紅外光譜法的精米品種分類, 主要集中于如何完善方法以及其在不同精米品種分類上的應用, 缺少從4 300～7 800 cm-1波段光譜數(shù)據(jù)和包括紋理、 顏色、 形態(tài)的多圖像參數(shù)進行多特征融合建模的角度研究如何提高精米品種分類精度。

針對上述問題, 建立了基于傅里葉近紅外光譜儀和CMOS顯微相機的精米品種分類與外觀品質(zhì)檢測系統(tǒng), 通過CMOS顯微相機配合機電一體化控制系統(tǒng)實現(xiàn)批量化的裂紋米、 碎米、 堊白米、 黃粒米和粒型的外觀品質(zhì)多參數(shù)檢測應用。 以此檢測系統(tǒng)為基礎(chǔ), 通過不同融合方案對比, 建立基于光譜-圖像特征模型融合的最優(yōu)精米品種分類模型, 并與傳統(tǒng)方法作實驗對比以驗證其優(yōu)越性。

1 實驗部分

1.1 精米品種分類與外觀品質(zhì)檢測系統(tǒng)

建立的精米品種分類與外觀品質(zhì)檢測系統(tǒng)如圖1所示, 主要分為光譜采集和圖像采集兩部分。 系統(tǒng)控制由LabVIEW程序完成, 數(shù)據(jù)處理由內(nèi)嵌入LabVIEW的Matlab算法實現(xiàn)。

圖1 精米品種和外觀品質(zhì)檢測系統(tǒng)

系統(tǒng)內(nèi)部光譜采集設(shè)備為iCAN-9近紅外光譜儀(天津能譜), 掃描波長為350～7 800 cm-1。 漫反射配件型號為PN044-60XX(美國PIKE)。 每個樣品的光譜數(shù)據(jù)由三次加載求平均所得, 每次加載包括32次掃描。

系統(tǒng)內(nèi)部圖像采集設(shè)備為帶有變焦鏡頭的USB-500顯微相機(拓日偉業(yè)科技)。 被測米粒放置于盛樣板上, 每個盛樣板包括10個橢圓形孔。 旋轉(zhuǎn)盤上可放置4個盛樣板, 由配有電機驅(qū)動器和運動控制器的步進電機控制依次進行圖像采集。 被測樣本采用LED環(huán)形燈進行照明。

1.2 精米外觀品質(zhì)多參數(shù)檢測

精米外觀品質(zhì)參數(shù)包括粒型、 堊白、 碎米、 黃粒米和裂紋。 設(shè)計的精米外觀多品質(zhì)參數(shù)檢測示意圖如圖2所示。 其中, 圖像預處理算法包括灰度化處理、 均值濾波、 閾值分割、 開運算和圖像融合。

圖2 精米外觀多品質(zhì)參數(shù)檢測示意圖

為避免盛樣板中米粒未放滿對檢測準確性的不利影響, 對每個盛樣板進行基于區(qū)域標記法的米粒數(shù)量檢測。 為降低碎米對米型檢測的影響, 在米型檢測時自動排除已識別出的碎米。 為降低堊白對黃粒米檢測的影響, 在黃粒米檢測時排除堊白米。

對不同外觀品質(zhì)參數(shù)的檢測, 碎米檢測采用標準值對比法, 粒型檢測采用橢圓匹配測量法, 裂紋米檢測基于圖像行灰度平均值波谷特性實現(xiàn), 堊白米檢測采用最大熵多閾值分割算法, 黃粒米檢測基于R-B特征值偏差實現(xiàn)。

將不同品種大米混合, 形成共167×10=1 670個米粒樣本開展外觀品質(zhì)檢測實驗。 不同參數(shù)的標準值參考中國食品總局的官方檢驗標準通過人工視覺檢驗獲取。 精米原始圖像和預處理后的圖像如圖3所示。 外觀品質(zhì)多參數(shù)檢測準確率如表1所示。

表1 外觀品質(zhì)多參數(shù)檢測準確率

圖3 精米原始圖像和預處理后的圖像

通過機器視覺檢測結(jié)果和標準值的對比, 分析表1中測量誤差的產(chǎn)生原因包括: (1) 米粒破碎程度不同, 某些碎米較長, 此問題不僅影響碎米率檢測, 也會影響長寬比檢測(長寬比檢測中不考慮已檢測出的碎米); (2) 人工測量與橢圓匹配算法獲取的長寬比存在偏差; (3) 米粒裂紋形式和程度的差異性較大; (4) 米粒堊白程度不同, 某些米粒的堊白面積較小。 (5) 反光現(xiàn)象和加工精度的差異性影響。

1.3 精米多特征模型融合品種分類

1.3.1 圖像特征參數(shù)提取

共提取了35個圖像特征參數(shù)供后續(xù)使用, 可分為形態(tài)、 紋理和顏色三個大類。 其中, 形態(tài)參數(shù)包括米粒的面積S1、 周長C1、 長度L1和寬度D1, 米粒的長寬比K、 圓度R和緊致度CO, 米粒的長軸長度L、 短軸長度D和凸面面積TA, 以及根據(jù)長度、 寬度和面積三個參數(shù)計算所得特征參數(shù)SF1、 SF2和SF3。 紋理參數(shù)包括對比度CS、 同質(zhì)性HT、 相關(guān)CL和能量EG。 顏色參數(shù)包括RGB、 HSV和YCbCr每個顏色空間中三個顏色分量的均值mean和二階矩std。 預處理后的米粒圖像進行圖像特征參數(shù)提取的示意圖如圖4所示。

圖4 圖像特征參數(shù)提取示意圖

1.3.2 光譜數(shù)據(jù)采集

對五常、 響水、 銀水和越光大米進行光譜采集。 共320組光譜數(shù)據(jù), 每種大米80組數(shù)據(jù), 隨機分為40組建模數(shù)據(jù)和40組驗證數(shù)據(jù), 每組數(shù)據(jù)包括1972個光譜點。 獲取的原始光譜數(shù)據(jù)如圖5所示, 其中WC、 XS、 YS和YG分別代表五常、 響水、 銀水和越光四種大米。

圖5 原始光譜數(shù)據(jù)

1.3.3 基于光譜-圖像特征融合的品種分類模型建立

本節(jié)研究光譜特征與圖像特征融合建模提高精米品種分類精度的有效性。 基于PLS算法建立融合分類模型, 模型輸入?yún)?shù)包括經(jīng)SNV處理的4 331～5 102 cm-1波段的光譜數(shù)據(jù)和35個圖像參數(shù), 模型輸出參數(shù)為不同產(chǎn)地大米的賦值編號。 為了優(yōu)化分類模型, 采用變量重要性分析方法(VIP)進行輸入?yún)?shù)的最優(yōu)篩選。 不同融合方案的實驗結(jié)果如下:

(1) 融合方案1: 采用全部圖像特征和不同VIP閾值篩選光譜特征進行融合建模, 選取不同VIP閾值時獲取的分類精度如表2所示。 從表2可以看出, 僅針對光譜特征進行最優(yōu)篩選時, 選取VIP值大于0.65的光譜特征與全圖像特征進行融合建模時分類結(jié)果最佳, 四種大米的分類精度為87.5%～90%。

表2 基于全圖像特征和VIP篩選光譜特征的分類精度(%)

(2) 融合方案2: 采用全光譜特征和不同VIP閾值篩選圖像特征進行融合建模, 選取不同VIP閾值時獲取的分類精度如表3所示。 從表3可以看出, 僅針對圖像特征進行最優(yōu)篩選時, 選取VIP值大于0.8或0.86的圖像特征與全光譜特征進行融合建模時分類結(jié)果最佳, 四種大米的分類精度為87.5%～95%。 此時, 從模型精簡的角度分析, 應選取VIP值大于0.86的圖像特征與全光譜特征進行融合建模, 此時不僅分類結(jié)果最佳且模型最簡。

表3 基于全光譜特征和VIP篩選圖像特征的分類精度(%)

(3) 融合方案3: 采用篩選后的圖像特征與篩選后的光譜特征進行融合建模, 獲取的分類精度如表4所示。 將表4與表2和表3進行對比可知, 兩種類型數(shù)據(jù)都進行篩選然后進行融合建模可以提高精米品種分類精度。

表4 基于篩選后圖像特征和篩選后光譜特征的分類精度

(4) 融合方案4: 采用全部圖像特征和全部光譜特征進行融合建模, 選取不同VIP閾值時獲取的分類精度如表5所示。 由表5可知, 針對全部特征數(shù)據(jù)進行最優(yōu)篩選時, 選取VIP值大于0.5的圖像特征和光譜特征進行融合建模時獲取的分類結(jié)果最佳, 四種大米的分類精度為95%～97.5%。

表5 選取不同VIP閾值時基于全圖像特征和全光譜特征的分類精度(%)

綜合表2—表5中不同條件下獲取的分類精度可知, 將全部特征數(shù)據(jù)作為建模輸入?yún)?shù), 然后進行最優(yōu)參數(shù)篩選, 選取VIP值大于0.5的圖像特征和光譜特征進行融合建模時獲取的分類結(jié)果最佳。 因此, 基于融合方案4建立基于光譜-圖像特征融合的精米品種分類模型, 五常、 響水、 銀水和越光四種大米的分類精度分別為95%、 95%、 95%和97.5%。

2 結(jié)果與討論

為驗證本文提出的精米多特征融合品種分類方法的性能, 開展不同精米品種分類方法性能對比。 對比方法包括光譜法、 圖像法和光譜-圖像特征模型融合法。

采用光譜法進行精米品種分類建模時, 選取不同VIP閾值時獲取的分類精度如表6所示。 由表6可知, 選取VIP值大于0.7的光譜特征進行建模時獲取的分類結(jié)果最佳, 即采用光譜法時, 五常、 響水、 銀水和越光四種大米的分類精度分別為92.5%、 92.5%、 90%和92.5%。

表6 選取不同VIP閾值時基于光譜法的分類精度(%)

采用圖像法進行精米品種分類建模時, 實驗方案設(shè)置為三個品種分類試驗和四個品種分類試驗, 選取不同VIP閾值時獲取的分類精度如表7所示。 由表7可知, 針對五常、 響水和越光三種大米, 選取VIP值大于0.86的圖像特征進行建模獲取的分類結(jié)果最佳, 此時三種大米的分類精度分別為95%、 92.5%和95%。 然而, 當加入與五常和響水大米產(chǎn)地相近的銀水大米后, 由于三者之間的外觀相類似, 導致五常和響水大米的分類精度下降, 而越光大米則因其外觀與其他三者有較大差異, 能夠保持較好的分類精度。 基于上述實驗結(jié)果推斷, 圖像法在面向產(chǎn)地或外觀差異性較大的精米品種分類時效果較好, 但在面向產(chǎn)地或外觀相近的精米品種分類時效果較差。 針對五常、 響水、 銀水和越光四種大米, 采用圖像法進行品種分類時可獲取的分類精度分別為62.5%、 47.5%、 47.5%和92.5%。

表7 選取不同VIP閾值時基于圖像特征的分類精度(%)

綜上所述, 光譜法、 圖像法和光譜-圖像特征模型融合法的性能對比如圖6所示。

圖6 不同精米品種分類方法性能對比

由圖6可知, 與圖像法和光譜法對比, 光譜-圖像模型融合法可以獲取最高的精米分類精度, 四種大米的分類精度可以達到95%～97.5%。 光譜法作為精米品種分類的傳統(tǒng)且常用方法, 可以保證較好的分類精度, 四種大米的分類精度可以達到90%～92.5%。 而圖像法相對來說分類性能不足, 但是其在融合法中的有效應用可以證明該方法是一種提高精米品種分類精度的有效輔助方法。 上述實驗結(jié)果驗證了本文提出的光譜-圖像特征模型融合方法在傳統(tǒng)方法基礎(chǔ)上提高精米品種分類精度的有效性, 為實現(xiàn)準確的地理標志性大米品種鑒別提供了方法支撐。

3 結(jié) 論

建立了一種精米品種分類與外觀品質(zhì)多參數(shù)檢測系統(tǒng), 通過集成一體化應用方案實現(xiàn)了裂紋、 粒型、 堊白、 碎米和黃粒米的多參數(shù)外觀品質(zhì)檢測。 實驗結(jié)果表明, 裂紋米率、 長寬比、 堊白米率、 碎米率、 黃粒米率的檢測精度分別為97.0%、 97.6%、 89.2%、 95.2%和95.5%。 以此系統(tǒng)為基礎(chǔ), 挖掘以光譜法為基礎(chǔ)融合圖像法提高精米品種分類精度的可行性, 提出了一種基于光譜-圖像特征模型融合的精米品種分類方法。 實驗結(jié)果表明, 基于新方法獲取的五常、 響水、 銀水和越光四種大米的分類精度分別為95%、 95%、 95%和97.5%, 相比于傳統(tǒng)方法中效果較好的近紅外光譜法分類精度可提高2.5%～7.5%。 本研究為精米外觀品質(zhì)檢測技術(shù)的發(fā)展提供了應用方案支撐, 為精米品種分類技術(shù)的發(fā)展提供了方法支撐。