基于OTSU 圖像分割算法的碎米檢測(cè)

陳浩然，范方輝，牟天

（1.深圳大學(xué) 化學(xué)與環(huán)境工程學(xué)院食品科學(xué)與工程系，廣東 深圳 518060；2.深圳市食品大分子科學(xué)與加工重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518060；3.深圳大學(xué) 醫(yī)學(xué)部 生物醫(yī)學(xué)工程學(xué)院，廣東 深圳 518060）

我國(guó)是當(dāng)今世界上大米產(chǎn)量和消耗量最高的國(guó)家[1]，隨著我國(guó)居民生活質(zhì)量的提高，人們對(duì)大米的品質(zhì)要求也逐漸提高。大米中碎米的含量是評(píng)估大米質(zhì)量的重要指標(biāo)，由于碎米與水的接觸面積更大，碎米含量高的大米吸水率更高且碎米斷面的淀粉更易溶于水中，因此米飯中的碎米含量增加會(huì)導(dǎo)致米飯的食味變差，米飯的咀嚼性和彈性也會(huì)隨之下降[2]。摻雜較多碎米的大米口感與味道難以達(dá)到消費(fèi)者的要求，因此大米的生產(chǎn)廠家會(huì)進(jìn)一步追求有更高碎米篩分效率的方法以提高大米品質(zhì)與銷(xiāo)量。而且，篩分出來(lái)的碎米還能制成米粉、果葡糖漿、蛋白粉等副產(chǎn)物[3]，可以提高大米資源的利用率與廠家的經(jīng)濟(jì)效益。因此，將大米中的碎米篩分出來(lái)變得尤為重要。在傳統(tǒng)的碎米檢測(cè)中，機(jī)械篩分是將碎米分離的主要方法，主要使用的機(jī)械篩分設(shè)備有分級(jí)平轉(zhuǎn)篩和滾筒機(jī)[4]。傳統(tǒng)的機(jī)械篩分技術(shù)需要大量的人力和物力資源，并且效率較低，篩分準(zhǔn)確性也不高。大米的機(jī)械篩分效率最高能達(dá)到70%左右[5]，而對(duì)于大米生產(chǎn)廠家，更高的篩分效率以及碎米的快速分離具有重要意義，因?yàn)檫@可以減少生產(chǎn)成本，提高產(chǎn)品質(zhì)量。

近年來(lái)，基于圖像分析算法構(gòu)建的計(jì)算機(jī)視覺(jué)技術(shù)（computer vision technology，CV）在食品和農(nóng)產(chǎn)品檢測(cè)領(lǐng)域得到廣泛應(yīng)用。Zhang 等[6]提出了一種基于亮度自動(dòng)校正和加權(quán)相關(guān)向量機(jī)（relevance vector machine，RVM）分類(lèi)器的蘋(píng)果缺陷檢測(cè)算法。Patel 等[7]開(kāi)發(fā)了一種算法，能夠采用單色CV 系統(tǒng)檢測(cè)芒果果實(shí)表面的各類(lèi)缺陷。隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，基于圖像處理的碎米檢測(cè)技術(shù)逐漸受到關(guān)注。這些技術(shù)通常使用數(shù)字圖像處理算法和機(jī)器學(xué)習(xí)算法來(lái)實(shí)現(xiàn)快速、自動(dòng)化的碎米檢測(cè)。例如，Van Dalen[8]將平板濾波與圖像分析相結(jié)合，檢測(cè)了大米的面積、分布以及碎米的數(shù)量。Sharma 等[9]以色度學(xué)理論為基礎(chǔ)，提取了碾米圖像的顏色特征，并將碾米分為了微黃色、淺黃色、黃色和極黃色4 類(lèi)。Zapotoczny 等[10]提出了利用圖像算法與大麥籽粒的形態(tài)特征實(shí)現(xiàn)對(duì)大麥籽粒品種進(jìn)行區(qū)分的方法。周顯青等[11]提取了圖像中大米的長(zhǎng)軸、短軸、周長(zhǎng)和面積4 個(gè)特征，并研究了4 個(gè)特征各自與碎米篩分效果的相關(guān)性。林萍等[12]將可見(jiàn)光譜與人工神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，實(shí)現(xiàn)了對(duì)大米中堊白米粒的識(shí)別。盡管計(jì)算機(jī)視覺(jué)技術(shù)在碎米篩分中已經(jīng)有了一定應(yīng)用，有關(guān)核心算法的研究仍處于初級(jí)階段。

圖像分割（image segmentation）是圖像處理和建立篩分算法的重要環(huán)節(jié)，目前有很多種圖像分割算法，在大米圖像及其他領(lǐng)域的圖像上均有應(yīng)用?；趨^(qū)域的圖像分割方法可以將圖像分成具有相似特征的區(qū)域，特征可以是灰度值、顏色、形態(tài)等，孫金風(fēng)等[13]通過(guò)區(qū)域分割算法提取出了圖像中的網(wǎng)球輪廓。還有基于邊緣的圖像分割方法，該方法通過(guò)檢測(cè)圖像中的邊緣來(lái)實(shí)現(xiàn)圖像分割，于建寧[14]使用邊緣分割的方法將圖像中粘連的大米分割出來(lái)。此外，還有基于聚類(lèi)的圖像分割方法，該方法將圖像中的像素分成不同的群組，使得每個(gè)群組內(nèi)的像素具有相似的特征，Wu 等[15]使用K 均值（K-means）聚類(lèi)算法實(shí)現(xiàn)了對(duì)麥芽糖晶體圖像的分割。大津法（maximal variance between clusters，OTSU）又被稱(chēng)為最大類(lèi)間方差法，是日本科學(xué)家大津展之提出的利用圖像直方圖選取全局閾值的一種算法[16-17]。OTSU 算法是一種常見(jiàn)的基于閾值的圖像分割方法，該算法通過(guò)尋找最佳閾值，將圖像分為背景和前景兩部分，其優(yōu)點(diǎn)是簡(jiǎn)單易懂、計(jì)算速度快，適用于大多數(shù)圖像分割問(wèn)題。因此，OTSU 算法在圖像分割中得到了廣泛的應(yīng)用。呂婧等[18]將優(yōu)化的OTSU 算法用于大米圖像的分割，并且比較了優(yōu)化的算法與原OTSU 算法的分割效率。戴天虹等[19]使用OTSU 算法得到清晰、連貫的木材缺陷圖像，而金立軍等[20]使用OTSU算法分割圖像的背景用于后續(xù)輸電線路異物識(shí)別。

本文針對(duì)碎米、整米篩分不夠高效、準(zhǔn)確的問(wèn)題，借助OTSU 算法與邏輯回歸模型，建立碎米檢測(cè)算法，對(duì)3 種大米的碎米、整米進(jìn)行篩分并與國(guó)標(biāo)方法進(jìn)行對(duì)比研究。本文所建立的方法具有廣闊應(yīng)用前景，以期為解決高效篩分大米中碎米、整米的問(wèn)題提供理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

吉林小町香米（5 kg）：沃爾瑪（中國(guó)）投資有限公司；泰國(guó)香米（500 g）：深圳盛寶聯(lián)合谷物股份有限公司；五常大米（500 g）：五常市旺達(dá)米業(yè)有限公司。

1.2 試驗(yàn)設(shè)備

HONOR 60 手機(jī)（14.0.1.430 版本）：深圳市智信新信息技術(shù)有限公司；支架（帶有環(huán)形燈、固定夾）：徠茲光電科技（寧波）有限公司。

1.3 圖像采集

將3 種米分別按全碎米、全整米以及整米與碎米的粒數(shù)比為1∶4、2∶3、3∶2、4∶1 4 個(gè)不同比例組進(jìn)行圖像采集，每組共50 粒米，總共采集900 粒米的圖像。手機(jī)距離樣品36 cm，以30 cm×30 cm 的黑色反光亞克力板為圖像背景，拍攝圖像時(shí)手機(jī)相機(jī)放大倍數(shù)1.8，拍攝條件：感光度（international organization for standardization，ISO）為160，快門(mén)速度為1/160 s。示意圖見(jiàn)圖1。

圖1 大米圖像采集的計(jì)算機(jī)視覺(jué)設(shè)備示意圖Fig.1 Computer vision equipment used for rice image acquisition

設(shè)定好拍攝條件，保持手機(jī)與背景板的距離不變，對(duì)3 種大米進(jìn)行拍攝，將大米按粒數(shù)比置于背景板上，點(diǎn)擊上方被支架固定手機(jī)的拍攝鍵采集圖像。得到圖像后要對(duì)原始圖像進(jìn)行處理，使用Win 11 的畫(huà)圖軟件將原始圖像中大米部分的圖像統(tǒng)一裁成分辨率為1 935 pixel×1 935 pixel 的圖像，方便后續(xù)統(tǒng)一處理。圖2 為輸入算法中運(yùn)算的大米樣本圖像之一，環(huán)形的亮圈是燈在背景板上的映射，后續(xù)要通過(guò)算法當(dāng)作背景一同去除，其余圖像與此類(lèi)似，均在后續(xù)流程中做樣本圖像輸入算法中運(yùn)行。

圖2 整米圖像Fig.2 Images of head rice

試驗(yàn)將幾種米得到的特征參數(shù)以及對(duì)應(yīng)的標(biāo)簽數(shù)據(jù)混合起來(lái)，利用邏輯回歸的方法進(jìn)行分析，達(dá)到將每種米各自的碎米與整米區(qū)分開(kāi)來(lái)的目的，并將其與國(guó)家標(biāo)準(zhǔn)僅通過(guò)長(zhǎng)度區(qū)分碎米、整米的方法進(jìn)行比較，試驗(yàn)的流程如圖3 所示。

圖3 基于OTSU 算法的碎米篩分過(guò)程示意圖Fig.3 Broken rice screening process based on OTSU algorithm

1.4 圖像分割

圖4a～c 為讀入樣本圖像的灰度圖，目的是簡(jiǎn)化圖像信息，減小代碼處理的難度。然后，通過(guò)十字形卷積核提取出圖像中的背景部分，得到如圖4d～f。再用灰度圖減去提取得到的背景圖就可以得到如圖4g～i 的大米前景圖，光照的差異會(huì)影響后續(xù)的分割過(guò)程，這一步可以減小不均勻光照以及光斑的影響[21]。

圖4 灰度圖像、背景灰度圖、前景米?；叶葓D以及二值化圖像Fig.4 Grayscale image，background grayscale image，foreground rice grain grayscale image，and binary image

前景灰度圖需要進(jìn)一步進(jìn)行二值化處理，得到二值化圖像。二值化可以將圖像轉(zhuǎn)變?yōu)橹挥? 與1 表示的二進(jìn)制形式[22]，而OTSU 二值化可以通過(guò)圖像整體的直方圖選擇出閾值。將某一灰度值作為閾值，圖像中小于閾值的點(diǎn)就是提取對(duì)象，而大于閾值的點(diǎn)則是需要去除的背景，而對(duì)象與背景會(huì)呈現(xiàn)雙峰圖像，OTSU 算法可以根據(jù)圖像直方圖計(jì)算出雙峰圖像的閾值[16-17，21]，經(jīng)過(guò)OTSU 算法處理后就能輸出如圖4j～l 的僅有0 值（黑色）和1 值（白色）的二值化圖像。

1.5 特征提取

利用大米的二值化圖像對(duì)輸入的大米圖像中的米粒進(jìn)行標(biāo)記。二值化圖像上每一粒米就是一個(gè)獨(dú)立的連通域，通過(guò)函數(shù)提取二值化圖像上的連通域，可以返回連通域的數(shù)量、中心等信息，同時(shí)對(duì)每一個(gè)連通域附上標(biāo)記，輸出一個(gè)米粒帶有標(biāo)記的灰度圖，標(biāo)記圖如圖5a、c、e 所示。由于每粒大米都帶有一個(gè)標(biāo)記，因此可以根據(jù)標(biāo)記對(duì)圖像進(jìn)行分割，提取出圖像中的每一粒米，這一步對(duì)于計(jì)算每一粒米的特征十分重要。然后，利用循環(huán)語(yǔ)句將每粒米提取出來(lái)，計(jì)算每粒米的面積、長(zhǎng)軸、短軸以及長(zhǎng)短軸比4 個(gè)特征參數(shù)。米粒的長(zhǎng)軸與短軸是通過(guò)擬合橢圓的方法得到的，先通過(guò)函數(shù)獲得每粒米的邊緣點(diǎn)集，再通過(guò)邊緣點(diǎn)集進(jìn)行橢圓擬合，橢圓的長(zhǎng)軸作為米粒的長(zhǎng)軸，而橢圓的短軸則作為米粒的短軸，圖5b、d 和f 為擬合橢圓后得到的大米圖像。擬合的橢圓還能夠用于在圖像上直觀區(qū)分碎米與整米，通過(guò)改變橢圓的顏色，使碎米與整米擬合橢圓的顏色不同即可實(shí)現(xiàn)這一目的。將900 粒米的特征參數(shù)結(jié)合在一起，以.text 文本的格式輸出，文本包括面積、長(zhǎng)軸、短軸、長(zhǎng)短軸比以及標(biāo)簽，此處的標(biāo)簽為0、1 標(biāo)簽，0 代表碎米，1 代表整米，標(biāo)簽對(duì)應(yīng)米粒的真實(shí)情況。

圖5 標(biāo)記圖與擬合橢圓后的圖像Fig.5 Marking diagram and image after fitting an ellipse

2 模型的建立與驗(yàn)證

2.1 數(shù)據(jù)處理

所有模型和算法均基于Python（3.10.7）與R 編程語(yǔ)言（4.2.0）在Win 11 環(huán)境下編寫(xiě)并測(cè)試。分別采用國(guó)標(biāo)法和邏輯回歸模型定性判別整米與碎米。

2.2 邏輯回歸模型設(shè)計(jì)

邏輯回歸模型是概率回歸，是一種特殊的線性模型，可以用于預(yù)測(cè)概率與數(shù)據(jù)分類(lèi)[23-24]。本文利用邏輯回歸模型，以4 個(gè)特征變量來(lái)判斷圖像中的米粒是否為整米，屬于二分類(lèi)問(wèn)題。

一般的線性模型假設(shè)因變量可由變量以線性函數(shù)的形式進(jìn)行表達(dá)：z=θTx=θ0+θ1x1+θ2x2+…+θixi。（式中：T為對(duì)θ 向量的轉(zhuǎn)置；θ 為權(quán)重系數(shù)，是模型經(jīng)過(guò)訓(xùn)練后估計(jì)得到的參數(shù)；x 為變量，即大米的長(zhǎng)軸、短軸、面積以及長(zhǎng)短軸比4 個(gè)特征數(shù)值，每個(gè)變量都有對(duì)應(yīng)的權(quán)重系數(shù)；i 為變量x 的第i 個(gè)變量。）

在邏輯回歸模型中，線性函數(shù)采用的是sigmoid函數(shù)：hθ（x）=g（θTx）=1/[1+exp（-θTx）]=1/[1+exp（z）]，式中：h（x）是概率，處在0～1 之間，每粒米都有其對(duì)應(yīng)的概率，選取閾值進(jìn)行判斷，h（x）小于閾值的判斷為0，即碎米；而h（x）大于閾值的則判斷為1，即整米；z 為線性公式求得的函數(shù)值。

2.3 國(guó)標(biāo)法分類(lèi)

GB/T 1354—2018《大米》[25]中規(guī)定長(zhǎng)度小于同批試樣整米平均長(zhǎng)度3/4 的米粒為碎米，可見(jiàn)國(guó)標(biāo)主要通過(guò)長(zhǎng)度來(lái)區(qū)別碎米與整米。將米粒長(zhǎng)軸的像素單位轉(zhuǎn)為毫米單位，統(tǒng)計(jì)得到3 種米（共900 粒）的長(zhǎng)度為11～46 mm，判斷閾值的區(qū)間為11～46，步長(zhǎng)為2，通過(guò)國(guó)標(biāo)法得到了19 組數(shù)據(jù)，以19 組數(shù)據(jù)作出柯?tīng)柲陕宸?斯米洛夫（Kolmogorov-Smirnov，KS）曲線與受試者工作特征（receiver operator characteristic，ROC）曲線，同時(shí)得到KS 值與曲線線下面積（area under the curve，AUC）值，將其與邏輯回歸結(jié)果進(jìn)行對(duì)比。

2.4 分類(lèi)評(píng)價(jià)指標(biāo)

利用混淆矩陣得到分類(lèi)預(yù)測(cè)效能的各項(xiàng)定量指標(biāo)（精確率、準(zhǔn)確率、召回率、F1 分?jǐn)?shù)等）。其中，真正類(lèi)（true positive，TP）是米粒在真實(shí)中為整米，而在模型中被預(yù)測(cè)也是整米的數(shù)量；假正類(lèi)（false positive，F(xiàn)P）是米粒在真實(shí)中為碎米，而在模型中被預(yù)測(cè)為整米的數(shù)量；假負(fù)類(lèi)（false negative，F(xiàn)N）是米粒在真實(shí)中為整米，而在模型中被預(yù)測(cè)為碎米的數(shù)量；真負(fù)類(lèi)（true negative，TN）則是米粒在真實(shí)中為碎米，而在模型中被預(yù)測(cè)也是碎米的數(shù)量。

使用準(zhǔn)確率（accuracy）、精確率（precision）、召回率（recall）以及F1 分?jǐn)?shù)（F1-score）4 個(gè)指標(biāo)可以對(duì)模型進(jìn)行標(biāo)準(zhǔn)化的衡量[26]，其中F1 分?jǐn)?shù)越接近1 代表輸出的結(jié)果越好，可用于進(jìn)行國(guó)標(biāo)法與邏輯回歸模型所得結(jié)果的對(duì)比。式（1）～（4）分別為準(zhǔn)確率（A）、精確率（P）、召回率（R）以及F1-score（F）4 個(gè)指標(biāo)的定義式。

式中：Z 為真正類(lèi)數(shù)值；J 為假正類(lèi)數(shù)值；N 為假負(fù)類(lèi)數(shù)值；T 為真負(fù)類(lèi)數(shù)值。

真正類(lèi)率（true positive rate，TPR）與假正類(lèi)率（false positive rate，F(xiàn)PR）的計(jì)算公式如式（5）、（6）所示。

式中：B 為真正類(lèi)率；C 為假正類(lèi)率。

每選擇一個(gè)閾值就可以得到一組TPR 與FPR，不斷的改變閾值可以得到多組的數(shù)據(jù)，本文將閾值從0取到1，步長(zhǎng)為0.1，得到11 組數(shù)據(jù)。用閾值分別與TPR、FPR 作圖，得到KS 曲線圖，TPR 與FPR 兩條曲線在同一閾值條件下相差最大的值為KS 值，KS 值處于0～1 之間，其越大表明區(qū)分程度越大；以TPR 與FPR作圖，得到ROC 曲線圖，計(jì)算x 軸與ROC 曲線間的面積則得到AUC 值，AUC 值越接近1 則表示模型越好。

3 結(jié)果與討論

3.1 3 種米的特征參數(shù)

泰國(guó)香米、吉林小町香米與五常大米各有300 粒米，表1 是3 種米4 個(gè)特征參數(shù)的分布情況。

表1 3 種大米的面積、長(zhǎng)軸、短軸以及長(zhǎng)短軸比的分布情況Table 1 Distribution of area，long axis，short axis，and long-toshort axis ratio of three types of rice

由表1 可知，泰國(guó)香米最長(zhǎng)，吉林小町香米最寬，五常大米的面積最大；按長(zhǎng)短軸比數(shù)據(jù)來(lái)看，吉林小町香米的長(zhǎng)軸與短軸最接近，說(shuō)明吉林小町香米較短圓，而泰國(guó)香米的長(zhǎng)短軸比數(shù)值較大，說(shuō)明泰國(guó)香米是瘦長(zhǎng)型的，五常大米處于二者之間，與圖2 結(jié)果相一致。結(jié)果表明，特征參數(shù)與實(shí)際相符合，因此可以通過(guò)選取的4 個(gè)特征參數(shù)代表大米的實(shí)際形態(tài)用于邏輯回歸分析以及碎米、整米的區(qū)分。

3.2 邏輯回歸模型參數(shù)選擇

將泰國(guó)香米、吉林小町香米以及五常大米得到的特征參數(shù)結(jié)合在一起，使用建立的邏輯回歸模型處理大米的整體數(shù)據(jù)，考察邏輯回歸方法對(duì)大米碎米、整米總體的區(qū)分效果。圖6 為大米的長(zhǎng)軸、面積、短軸、長(zhǎng)短軸比的箱線圖以及邏輯回歸結(jié)果箱線圖。

圖6 3 種大米數(shù)據(jù)混合后得到的特征參數(shù)箱線圖與邏輯回歸結(jié)果箱線圖Fig.6 Box plots of characteristic parameters and logistic regression results obtained from mixing three types of rice data

由圖6a～d 可知，大米的碎米與整米在4 個(gè)特征參數(shù)上均有較大的重合部分，難以憑借單一的特征參數(shù)將碎米和整米很好地區(qū)分開(kāi)；圖6e 是大米特征參數(shù)經(jīng)過(guò)步進(jìn)法篩選出顯著的影響變量，再經(jīng)邏輯回歸模型處理后得到的結(jié)果箱線圖，通過(guò)篩選結(jié)果可以看出面積、長(zhǎng)軸、短軸以及長(zhǎng)短軸比均是顯著的影響變量，在邏輯回歸處理數(shù)據(jù)的過(guò)程中都顯著影響到碎米、整米的區(qū)分結(jié)果，因此4 個(gè)特征參數(shù)的數(shù)據(jù)都要保留并在邏輯回歸中使用。

大米數(shù)據(jù)經(jīng)過(guò)邏輯回歸處理后，得到了4 個(gè)特征參數(shù)對(duì)應(yīng)的權(quán)重系數(shù)，長(zhǎng)軸、面積、短軸以及長(zhǎng)短軸比對(duì)應(yīng)的權(quán)重系數(shù)分別是－5.35（θ1）、10.93（θ2）、2.86（θ3）和34.59（θ4），θ0的值為－139.97。同時(shí)，算法輸出了一個(gè).text 文本，其中是900 粒大米各自對(duì)應(yīng)的概率值，由于經(jīng)過(guò)了sigmoid 函數(shù)的處理，概率值均處于0～1 之間。

3.3 國(guó)標(biāo)法與邏輯回歸模型分類(lèi)的對(duì)比

將邏輯回歸模型輸出得到的概率數(shù)值與閾值相比，得到大米的0、1 分布結(jié)果。邏輯回歸模型輸出的結(jié)果在不同閾值條件下，通過(guò)混淆矩陣計(jì)算得到的TPR與FPR 數(shù)值，總共有11 組TPR 與FPR 值，繪制出邏輯回歸方法的KS 曲線和ROC 曲線。繪制得到的KS曲線與ROC 曲線如圖7 所示。

圖7 邏輯回歸模型的KS 曲線和ROC 曲線Fig.7 KS curve and ROC curve of logistic regression model

由圖7 可知，KS 曲線圖是以閾值為橫坐標(biāo)，TPR或FPR 值為縱坐標(biāo)繪制的曲線圖，TPR 曲線與FPR 曲線在閾值為0.5 時(shí)相差最大，因此KS=max（TPR-FPR）=0.909，即閾值為0.5 時(shí)，建立的邏輯回歸方法對(duì)碎米與整米的區(qū)分效果最好。ROC 曲線是以FPR 值為橫坐標(biāo)，TPR 值為縱坐標(biāo)繪制的曲線圖，計(jì)算ROC 曲線的線下面積，得到邏輯回歸方法的AUC 值為0.986 9，與1 非常接近，說(shuō)明邏輯回歸方法預(yù)測(cè)效果較好，對(duì)大米的碎米、整米區(qū)分有效果。

通過(guò)國(guó)標(biāo)法運(yùn)算處理大米數(shù)據(jù)同樣能得到19 組FPR 與TPR 數(shù)據(jù)，繪制的KS 曲線與ROC 曲線如圖8所示。

圖8 國(guó)標(biāo)法的KS 曲線和ROC 曲線Fig.8 KS curve and ROC curve of national standard method

由圖8 可知，在閾值為21 時(shí)，TPR 曲線與FPR 曲線相差最大，KS=0.669；計(jì)算ROC 曲線的線下面積，得到國(guó)標(biāo)法的AUC 值為0.921 9。

表2 為在最優(yōu)閾值時(shí)，國(guó)標(biāo)法和邏輯回歸模型所得結(jié)果的4 個(gè)指標(biāo)（準(zhǔn)確率、精確率、召回率以及F1分?jǐn)?shù)）。

表2 國(guó)標(biāo)法與邏輯回歸法的對(duì)比Table 2 Comparison between national standard method and logistic regression method

由表2 可知，邏輯回歸模型的準(zhǔn)確率、精確率和召回率都高于國(guó)標(biāo)法，且邏輯回歸模型的F1 分?jǐn)?shù)更接近1，證明邏輯回歸模型輸出的結(jié)果更好，對(duì)碎米、整米區(qū)分效果優(yōu)于國(guó)標(biāo)法。將國(guó)標(biāo)法與邏輯回歸法得到的AUC 值以及在最佳閾值下的KS 值進(jìn)行比較，邏輯回歸法得到的KS 值比國(guó)標(biāo)法的KS 值大，且邏輯回歸法的AUC 值更接近于1，說(shuō)明邏輯回歸方法對(duì)碎米與整米的區(qū)分效果更好，得到的結(jié)果要優(yōu)于國(guó)標(biāo)法，因此采用邏輯回歸方法對(duì)碎米、整米進(jìn)行區(qū)分。

3.4 圖像體現(xiàn)碎米與整米區(qū)分結(jié)果

邏輯回歸法最終篩分結(jié)果可以通過(guò)圖像得到更直觀的體現(xiàn)。邏輯回歸法得到的全部大米的概率結(jié)果以最優(yōu)閾值0.5 進(jìn)行判斷，得到一個(gè)0、1 分布的最優(yōu)碎米、整米區(qū)分結(jié)果，再將整體的區(qū)分結(jié)果按原順序分開(kāi)成為3 種大米各比例的區(qū)分結(jié)果，以.text 文本形式輸出。以3 種大米4∶1 比例這一組的圖像為例，將得到的區(qū)分結(jié)果輸入橢圓擬合的算法，將結(jié)果為0 的米粒的擬合橢圓改為綠色，結(jié)果為1 的米粒的擬合橢圓保持原來(lái)的顏色不變，輸出區(qū)分圖像，將區(qū)分結(jié)果通過(guò)圖像進(jìn)行直觀體現(xiàn)，如圖9 所示。

圖9 原始圖像、邏輯回歸模型得到的碎米、整米區(qū)分圖像以及國(guó)標(biāo)法得到的碎米、整米區(qū)分圖像Fig.9 Original image，broken rice and head rice images obtained from logistic regression model，and broken rice and head rice images obtained from national standard method

由圖9 可知，綠色橢圓圈出的是碎米，紅色橢圓圈出的是整米，區(qū)分圖像可以體現(xiàn)出邏輯回歸方法的效果較好。圖9b 與原圖像（圖9a）進(jìn)行對(duì)比可以看出,區(qū)分圖中比例為4∶1 的50 粒泰國(guó)香米中10 粒碎米與40粒整米完全區(qū)分開(kāi)。圖9d、e 對(duì)比可知，4∶1 的50 粒五常大米中的10 粒碎米與40 粒整米也完全區(qū)分開(kāi)。圖9g、h 對(duì)比可知，50 粒吉林小町香米區(qū)分得到碎米有13 粒，整米37 粒，有3 粒整米被劃分為了碎米，這表明建立的邏輯回歸模型不能完全區(qū)分開(kāi)碎米與整米，存在一定的誤差。圖9c、f、i 是由國(guó)標(biāo)法得到的碎米與整米區(qū)分圖像，50 粒泰國(guó)香米中的10 粒碎米只有5粒被識(shí)別出來(lái)，50 粒五常大米中的10 粒碎米只有8 粒被識(shí)別出來(lái)，還有1 粒整米被識(shí)別成了碎米；而50粒吉林小町香米中10 粒碎米都識(shí)別了出來(lái)，但是有7 粒整米被識(shí)別為了碎米。通過(guò)圖像可以清晰地對(duì)比2 種方法的篩分效率，邏輯回歸模型得到的篩分效果明顯優(yōu)于國(guó)標(biāo)法的篩分效果。

4 結(jié)論

本文使用了邏輯回歸模型對(duì)大米數(shù)據(jù)進(jìn)行分析，通過(guò)對(duì)3 種大米各6 組圖像進(jìn)行碎米與整米篩分，發(fā)現(xiàn)使用邏輯回歸法可以比國(guó)標(biāo)法更好地區(qū)分碎米與整米。通過(guò)繪制KS 曲線與ROC 曲線，得到邏輯回歸模型的AUC 值為0.987、KS 值為0.909，KS 值對(duì)應(yīng)的閾值0.5 為最佳閾值。在閾值為0.5 時(shí)，長(zhǎng)軸（x1）、面積（x2）、短軸（x3）與長(zhǎng)短軸比（x4）四個(gè)特征參數(shù)都作為變量時(shí)邏輯回歸方法的效果達(dá)到最優(yōu)，對(duì)應(yīng)的線性關(guān)系為z=-139.97-5.35x1+10.93x2+2.86x3+34.59x4。將邏輯回歸方法輸出的結(jié)果與圖像相結(jié)合，可以得到更直觀的碎米、整米區(qū)分圖像。在未來(lái)的研究中可將建立的模型與機(jī)械臂相結(jié)合，通過(guò)機(jī)械臂挑取區(qū)分出的碎米，實(shí)現(xiàn)通過(guò)人工智能方法進(jìn)行自動(dòng)化、低成本的碎米快速檢測(cè)與篩分。此模型還可以運(yùn)用到水果、蔬菜等其他食品的篩分與分級(jí)中，具有較大的應(yīng)用潛力。