基于计算机视觉的大米整精米率检测

李同强 甘建鹏

(浙江工商大学信息与电子工程学院，杭州 310018)

基于计算机视觉的大米整精米率检测

李同强 甘建鹏

(浙江工商大学信息与电子工程学院，杭州 310018)

提出了一种在线的基于计算机视觉的大米整精米率检测的新方法。采用最大方差阈值分割对大米图像进行处理，再对分割结果进行形态学操作，实现连接着的大米的分离，最后对分离后的大米二值图像进行面积和周长特征的提取。根据米粒周长像素数目的大小采取不同识别模式，当大米周长的像素数目大于某一固定值(先验值)时，即该种大米是长粒型，采取周长识别模式;短粒型大米则采取面积识别模式。通过使用这一能够智能选择识别模式的检测方法，能够大大提高整精米率的检测效率。

计算机视觉 整精米率 周长 面积 特征提取

整精米是指糙米碾磨成精度为国家标准一等大米时，米粒产生破碎，其中长度仍达到完整精米粒平均长度的3/4以上(含)的米粒。整精米占净稻谷试样质量的比例为整精米率。一般认为，整精米率高的稻米质量较好。2009年3月28日，国家质量监督检验检疫总局、国家标准化管理委员会批准发布了《稻谷》(GB 1350—2009)等国家标准，于2009年7月1日起正式实施。标准主要指标的设置和评价方法符合WTO的规则，能进一步增强我国粮油在国际市场上的竞争能力，这对于提高我国主要粮食的质量、规范稻米购销具有重要意义［1－2］。正确识别整精米数量是检测整精米率指标的关键。目前，在粮食生产与经营过程中，大米整精米率的检测方法，大多还停留在手工阶段，主要依靠肉眼进行识别。这种方法人为因素大、检测时间长、准确性低、可操作性和重复性差，难以满足在粮食收购过程中，对大米品质检测快速、客观和准确的要求。

本研究基于计算机图像识别技术，探讨自动检测当前市场上流通的大米整精米率的可行性。由于现在市场上的大米种类繁多，外观差别很大，故必须寻求一种能够严格按照国标中关于整精米的定义对其进行自动识别的智能检测方法。对于市面上流通的大米，根据大米的粒形，可以粗略地将大米分为3类:长粒型，短粒型(圆粒型)与中等粒型。一般来说，长粒型大米的长度较长，从而大米图像通过边缘提取之后的大米周长也较长;而短粒型大米虽然宽度较宽，但其整个轮廓的平均周长比长粒型大米小。可以根据大米的平均周长设定一个阈值，如果大米的平均周长大于该阈值的，认为这是长粒型大米，则对它的轮廓周长特征进行检测;反之则认为这是短粒型大米，对它的面积特征进行检测。

1 材料与方法

1.1 材料与设备

为进行大米外观质量检测，主要以3种市场上常见的品种作为试验样本，如图1。

图1 试验样品图

样品A是江苏产籼米，米粒长度较短;样品B是东北产粳米，米粒长度中等;样品C是泰国籼米，米粒长度较长(按试验需要，在3种大米样品中人为添加了若干碎米，并不代表大米的实际质量)。为取得较好的效果，在背景为黑色美术纸的振动平台上，结合分离梳的使用使大米均匀地分布在黑色美术纸上，这样既便于获得最佳阈值对图像进行二值化分割，又确保了大米不会重叠在一起而给图像处理带来难度。

FL－311C型Digital CCD摄像头:FOSULINK电子科技国际有限公司;AT104－C10型图像采集卡:中国(加拿大)杭州奥泰图像系统集成有限公司;PCM－6551型主板:英德斯科技公司。

1.2 试验方法

1.2.1 米粒识别系统流程

整精米检测系统流程:

采集大米图像→灰度变换→图像预处理→图像分割→特征提取与数据处理→结果输出

1.2.2 灰度变换

检测主要是对灰度图进行处理［3］。将RGB图像转换为灰度图的方法是利用256色的调色板，调色板的RGB 3个分量的值是相同的，即从(0，0，0)、(1，1，1)到(255，255，255)。(0，0，0)是全黑的，(255，255，255)是全白的，中间灰度依次变化。利用RGB图像各个像素点3个分量的不同，从而分辨出图像各像素的灰度。方法有3种:

由于本系统的背景为黑色，与白色的大米灰度相差较大，故在对采集到的大米图像进行灰度化后，一方面不会影响到大米与背景图像的分割，另一方面缩减了图像存储的空间和加快了图像处理的速度。因此使用式(4)对大米原始图像进行灰度化处理。

1.2.3 图像预处理

在现实条件下，很难得到无噪、理想的图像。通过图像采集装置得到的图像一般都受到噪声干扰，而且拍摄的背景亮度也不可能严格均匀。噪声干扰是图像采集系统存在的电气和光学噪声引起的，可采用3×3模板的中值滤波进行滤波处理。中值滤波器的原理是用像素领域内灰度的中值代替该像素的值，该滤波器对处理脉冲噪声(椒盐噪声)非常有效。中值滤波是一种非线性滤波，既能滤除噪声又能够很好的保护图像边缘。

中值滤波是一种经典的非线性的图像平滑方法，常用来保护边缘信息［4］。它对脉冲干扰级椒盐噪声的抑制效果好，在抑制随机噪声的同时能有效保护边缘不受模糊。线性滤波器如均值滤波器、最小均方滤波器等滤波后一般会使图像细节模糊。

中值为窗口中数据按大小顺序排列后处于中心位置的数值，用其来代替指定点(一般是窗口的中心点)的灰度值。对于奇数个数，中值就是指大小排序后，中间的数值;对于偶数个元素，中值指排序后中间2个元素灰度值的平均值。一般可以采用冒泡法获取窗口的中值。

式中:S为模板;{fi，j}为二维图像数据序列。

二维中值滤波的模板形状和尺寸设计对滤波效果影响很大，模板尺寸一般先用3×3，再取5×5，这样逐点增大，直到滤波效果满意为止。

1.2.4 图像分割

图像分割是由图像处理到图像分析的关键步骤，它是表达目标的基础，对特征测量有重要的影响;图像分割将图像转化为更抽象更细致的形式，为更高层的图像分析与理解提供可能性［5］。

本研究采用最大方差阈值分割方法得到大米的二值化图像［6］。大津阈值分割把直方图在某一阈值处分割成两组，当被分成的两组间方差为最大时，决定阈值。现在，设一幅图像的灰度值为0～m－1级时，灰度值i的像素为ni，其像素总数:

然后用T将其分成2组C0={0～T－1}和C1={T～m－1}，各组产生的概率如下:

从1～m－1之间改变T，求式(13)为最大值时的T，即求 maxδ2的 T*值，此时 T*便是阈值。把δ2(T)叫做阈值选择函数。

此方法不管图像的直方图有无明显的双峰边界，都能得到较满意的结果，因此这种方法是阈值自动选择的最优方法［7］。

1.2.5 米粒的分离与特征提取

在经过前面步骤处理得到二值化大米图像之后对这一图像进行特征提取［8］，便于得到需要的特征:米粒总数、碎米数、整精米率。

1.2.5.1 米粒的分离

虽然在试验仪器上采用了振动平台与分离梳的结合避免出现米粒的重叠与大面积的连接，但对于部分连接在一起的大米还要进行分离工作，以便于特征的提取。方法是对大米二值图像进行形态学操作。即先对二值图像进行区域腐蚀(图2)，断开米粒之间的连接，实现米粒的分离。在特征提取的时候再用与腐蚀操作相同的算子对腐蚀后的图像进行膨胀处理(图3)，找到分离后的米粒轮廓。

1.2.5.2 周长特征提取算法

依次按照从上到下、从左到右的方法对大米的二值化轮廓图像进行扫描，当扫描到黑色像素点(像素值为0)时，且该点未被标记，则表示扫描到一个新的米粒。之后对该米粒进行四领域检测，在其四领域内查找下一未标记过的黑色像素点，标记这个黑色像素点，并将这个黑色像素点作为当前点，再次查找四领域内下一未标记过的黑色像素点。如此反复，直到当前像素点的四领域内找不到未标记过的黑色像素点时，则完成了这一米粒周长上的所有黑色像素点的扫描工作。最后，回到这一米粒周长像素扫描的起始点，继续根据从上到下、从左到右的原则扫描下一米粒的未标记黑色像素点，直到扫描完整幅图像。

1.2.5.3 面积特征提取算法

同周长特征提取一样，从上到下、从左到右扫描图像，当扫描到黑色像素点时，且该点未被标记，则表示扫描到一个新的米粒。从该点坐标开始向右扫描完全部的黑色像素点，记下终点的坐标，并标记所有扫描过的黑色像素点。之后在该行所有找到的黑色像素点从左到右依次判断下一行是否存在未标记过的黑色像素点，若存在则同样查找该行黑色像素点的起点坐标与终点坐标。如此反复，直到当前扫描行的所有黑色像素点的下一行不存在未标记过的黑色像素点，则表示完成这一米粒面积的所有黑色像素点的扫描工作。最后，回到这一米粒面积像素扫描的起始点，继续根据从上到下、从左到右的原则扫描下一米粒的未标记黑色像素点，直到扫描完整幅图像。

1.2.6 先验特征与数据处理

1.2.6.1 先验特征提取

确定长短粒型大米周长的像素阈值:先在被测样品中分别选出100粒长粒型整精米与短粒型整精米，用图像采集装置采集原始图像，用上述方法处理后，扫描整个图像，分别按照轮廓特征的提取算法提取其平均的周长像素点的数目。之后根据2份轮廓像素的平均值确定长短粒型大米的周长像素数目阈值t。

提取完长短粒型大米的阈值t之后按同样的方法分别提取长粒型大米的碎米与整精米的周长特征阈值t1以及短粒型大米的碎米与整精米的面积特征阈值 t2。

1.2.6.2 数据处理

对提取轮廓之后的大米二值化图像按照周长识别模式提取大米的周长特征。将周长特征与阈值t(用于区分大米长短粒型的周长像素阈值)进行比较以判断大米的长短粒型:大于阈值t则为长粒型;反之为短粒型。完成长短粒型的判断之后，调用相应的特征提取算法求得各个米粒周长或面积的像素数目，之后与t1或t2进行比较即可得到该米粒是否为整精米。按照此种方法检测大米图像中的所有米粒，统计得到碎米总数与整精米数目之后，计算得到整精米率。

数据处理流程图如图4所示。

图4 数据处理流程图

2 结果与分析

整精米识别系统用Visual C++6.0编制。程序设计提供2种模式，既接受用户对长短粒型大米的周长像素阈值与面积像素阈值的修订，也满足用户智能识别大米长短粒型的要求。各种粒型各准备8组样品，每组60粒，米粒总数为480粒。

2.1 短粒型大米检测

对样本A进行整精米率检测，结果见图5。对于短粒型大米进行的整精米率检测，由于短粒型的大米，其碎米与整精米的周长相差不大，如果采用周长区分碎米与整精米的话，误差较大。经过比较，如果采用面积识别模式则能取得更好的效果，识别精度在99%以上(见表1)，能够满足较高的工业应用要求。

图5 样品A的整精米率检测结果(面积识别模式)

表1 样本A的抽样检测结果

2.2 中等粒型大米检测

对样本B进行整精米率检测，结果见图6与图7。对于中等粒型大米，碎米与整精米的差别较小，分别应用两种模式进行识别。两种方法检测所得的碎米数目相差3粒。通过观察可见这3粒米粒在碎米与整精米的判断上显得比较模糊，采用哪种方法都可以接受。故对于中等粒型大米，采用周长或面积识别模式都是可取的。

2.3 长粒型大米检测

对样本C进行整精米率检测，结果见图8。对于长粒型大米进行的整精米率检测，由于长粒型的大米，其碎米与整精米的周长相差较大，可采取周长识别模式。对于长粒型大米采用周长识别模式，一方面识别精度高;另一个方面，由于周长识别遍历的像素点较少，在检测速度上比面积检测模式要快。通过试验，采用周长识别模式能取得很好的效果，识别精度在99%以上(表2)，能够满足较高的工业应用要求。

图8 样本C的整精米率检测结果(周长识别模式)

表2 样本C的抽样检测结果

3 讨论与结论

本研究中所提出的大米整精米率有别于一般的稻谷整精米率检测方法，着重研究市场上流通的大米整精米率而非稻谷的整精米率。另一方面，在整精米率的计算上也采用不同方式:通过计算机图像处理技术准确地提取出碎米数目，不难得到整精米数，之后除以大米总数，计算比例，最后得到大米的整精米率。经过试验证明，基于计算机图像处理的整精米识别技术可以很好地满足目前阶段对于大米整精米率检测的要求，适用于替代传统的人工检测方法，具有重大的现实意义。由于计算机视觉处理的对象是二维数字图像，故拍摄视角的不同会影响到整精米的判别，为了减少误差，可以对待测样品进行多次取样求平均计算。

选取了具有代表性的3种类型的大米(长粒型、中等粒型与短粒型大米)进行试验，对不同类型的大米提出了相应的检测手段，有助于提高大米整精米率的检测效率。一般认为，长粒型的大米采用周长识别模式效率较高，识别精确度在99%以上;短粒型的大米采用面积识别模式效率较高，识别精确度亦在99%以上。

［1］国家标准化管理委员会，中国国家标准化管理委员会.稻谷(GB 1350—2009)，2009

［2］国家质量监督检验检疫总局，中国国家标准化管理委员会.稻谷整精米率检验法(GB/T 17891—2008)，2008

［3］张玉枝，史忠科.一种新的车牌识别预处理算法［J］.西北工业大学学报，2002，20(1):83 －86

［4］刘宏兵，杨万海，马剑虹.图像小波边缘提取中阈值选取的一种自适应方法［J］.西安电子科技大学学报，2000，27(3):294－296

［5］邢伟利.图像检索中颜色的特征提取及匹配算法［J］.微机发展，2004，14(2):86 －88

［6］谢凤英，赵丹培.Visual C++数字图像处理［M］.北京:电子工业出版社，2008:285－288

［7］Refael，C.Gonzalez，Richard E.Woods 著，阮秋琦，阮宇智等译.数字图像处理(第二版)［M］.北京:电子工业出版，2007:482－495

［8］Giannakis，GB.Heath，R.W.，Jr.Blind identification of multichannel FIR blurs an － d perfect image restoration［J］.IEEE Trans－actions on Image Processing，2000:1877 －1896.

Whole－Rice Ratio Detection Based on Computer Vision

Li Tongqiang Gan Jianpeng
(Zhejiang Gongshang University，Hangzhou 310018)

A method was developed for real－time determining whole－rice ratio based on computer vision.The maximum variance threshold segmentation methods was adopted to process rice image and to conduct morphological operations on the segmentation result in order to separate connected rice and to finally obtain area features and perimeter features after we got the separated rice binary image.According to the number of pixels of rice perimeter，we decided whether recognition mode，perimeter recognition mode or area recognition mode should be adopted.When the number of pixels of rice perimeter was more than a fixed value，in other words，we considered rice was long － grain shape and took the perimeter recognition mode，or otherwise，the area recognition mode should be taken for shortgrain rice.This kind of detection method，which could smartly choose recognition mode，would greatly improve detection efficiency of whole－rice ratio.

computer vision，whole － rice ratio，area，perimeter，feature extraction

TP29

A

1003－0174(2011)08－0114－05

2010－11－09

李同强，男，1960年出生，教授，模式识别

甘建鹏，男，1986年出生，硕士，模式识别