张楠楠 刘 伟 王 伟 陆文玲 袁 宁
(山东理工大学电气与电子工程学院1,淄博 255049)(中国农业大学工学院2,北京 100083)(中航工业航空动力机械研究所3,株洲 412002)
基于图像处理的玉米颗粒霉变程度检测方法研究
张楠楠1刘 伟1王 伟2陆文玲3袁 宁1
(山东理工大学电气与电子工程学院1,淄博 255049)(中国农业大学工学院2,北京 100083)(中航工业航空动力机械研究所3,株洲 412002)
提出利用HSV模型快速识别霉变玉米颗粒与霉变等级的方法。基于感染霉菌的玉米颗粒表层会发生颜色褐变、发黑等特点,首先对彩色玉米图像进行图像增强,然后采用V分量的阈值区分正常玉米颗粒与霉变玉米颗粒,再通过H与V分量的阈值区分轻度霉变与严重霉变玉米颗粒。试验表明,该方法对正常玉米颗粒、轻度霉变玉米颗粒、严重霉变玉米颗粒的检测准确率可达93.7%、80%、92.9%以上,能够达到区分检测的目的。
图像处理 玉米颗粒 霉变检测 霉变分级
我国的玉米年产量约1.2亿t,是玉米生产和消费大国。玉米在收获、贮藏和加工过程中极易受到霉菌污染[1-3],霉变玉米不仅影响玉米的风味和外观,而且含有对人、畜有害的霉菌毒素[4-7],食用霉变玉米对人、畜生命造成严重威胁[8-11]。
种子光电分选机普遍有结构复杂、价格昂贵,难以普及等缺点,且仅有合格及不合格2个分级级别[12-14]。而实际生产中应首先将严重霉变玉米颗粒清除,再将轻度霉变和正常玉米颗粒进行分别处理。因此对一批玉米颗粒的检测不仅仅是简单的鉴别出霉变与否,而且要对霉变的玉米颗粒进行分级。因此寻找一种能够准确检测玉米霉变程度的方法具有重要的现实意义。
近年来,基于图像处理的检测方法一直是粮食检测与识别领域的研究热点[15-17],但利用图像处理技术对玉米颗粒霉变进行定量检测时,由于玉米颗粒本身不是纯色,由偏白色的胚与偏黄色的非胚部组成,颗粒本身胚部所在面与另一面的特征明显不同,基于RGB模型的方法不能有效分辨玉米颗粒上颜色的差异。通过研究图像的HSV分量,寻找各分量的精确检测系数,实现对玉米颗粒霉变的检测,并且能够对霉变的玉米颗粒进行分级。
玉米颗粒:2012年8月在美国乔治亚州提夫顿市(Tifton,Georgia,USA)收获。玉米颗粒在存储一段时间后,特别是在存储不当的情况下,极易发生霉变。霉变后的玉米颗粒表层颜色变得不均匀、失去光泽,有块状斑点产生,严重霉变,玉米颗粒表皮颜色暗晦、发黑,同时表面出现不同程度的皱缩。
将玉米颗粒按顺序摆放在用白色特氟龙(Teflon)制作的背景板的相应容孔中,在每一个背景板上制作30个容孔。为保证足够的清晰度,在消除外界干扰的条件下在实验室内使用光通量1 000 lm的LED灯组照明,通过尼康D700相机拍摄的4 256×2 832像素图像。
玉米颗粒图像处理的过程中,实际采集到的图像会存在噪声,这些噪声将影响图像质量,并给玉米颗粒的特征提取造成困难,使得图像对比度变差,整体分布不均匀,因此必须采取一定的措施去除噪声或减少噪声带来的影响。图像增强技术可以将不清晰的图像变得更加清晰,消除一定的噪音,使需要强调的特征得到增强并改善其视觉效果。通常情况下,图像对比度越明显,目标物识别就越准确,因此减少外部噪声及增强采集的玉米颗粒图像将有利于玉米颗粒的识别。本试验采用中值滤波,中值滤波对异常值不敏感,在有效提高图像对比度的同时可以减小异常值的影响,同时使目标的细节更加明显。
采集到的原始图像为RGB模型,RGB模型易于描述彩色信息,且方便实现不同颜色模型间的转换,能同肉眼所感知的红、绿、蓝3种基色一一对应。但一幅图像的彩色信息不是单纯地由3种基色混合而成,描述物体颜色信息时,仅采用R、G、B颜色分量去描述其特点尚存在不足,还需用色调、物体呈现的饱和度和色泽、亮度等多类信息去表示其特征。色调、色饱和度和亮度组成的HSV模型具有2个重要的特点:其一,亮度分量V与图像的彩色信息无关;其二,色调H、色饱和度分量S与人感受颜色的方式是紧密相连的。HSV模型中的3个参数可通过物体在RGB颜色空间的分量值来计算,相对其他模型而言,变换方式比较灵活。RGB模型转化到HSV模型如式(1)~式(3)所示。
取30颗正常玉米颗粒,统计其颜色分量H、S、V的均值,再分别取30颗严重霉变玉米颗粒与30颗轻度霉变玉米颗粒,分别统计其霉变区域颜色分量H、S、V的均值。把统计出的玉米颗粒的H、S、V分量制作成曲线,如图1所示。
从图1aH分量曲线图可以看出,轻度霉变玉米颗粒曲线和严重霉变玉米颗粒曲线存在明显差异,轻度霉变玉米颗粒,H>0.07,严重霉变玉米颗粒,H<0.065。
从图1b可以看出,S分量曲线对正常玉米颗粒与霉变玉米颗粒区分度不够明显,而且曲线有相互重叠的部分,不宜作为区分特征参数。轻度霉变玉米颗粒曲线与严重霉变玉米颗粒曲线的S分量,存在较大重叠现象。
从图1cV分量曲线图可以看出,严重霉变玉米颗粒,V<0.66;轻度霉变玉米颗粒,0.66<V<0.76;而正常玉米颗粒,V>0.76。因此V分量可以作为识别玉米霉变颗粒的特征参数,通过V分量可以区分正常玉米颗粒与霉变玉米颗粒。
因此可以通过H分量与V分量结合,来识别轻度霉变玉米与严重霉变玉米颗粒。首先采用HSV模型中的V分量来判断正常玉米颗粒与霉变玉米颗粒,判断条件V<0.76为霉变玉米颗粒;进而通过H分量与V分量结合判断轻度霉变玉米颗粒与严重霉变玉米颗粒,判断条件为H<0.065与V<0.66为严重霉变玉米颗粒。
图1 正常和霉变玉米颗粒H、S、V值比较
玉米颗粒图片在V分量的图像如图2所示,由于图像的HSV模型中的亮度分量V与图像的彩色信息无关,因此可以更好地处理玉米这样不是纯色的颗粒,V分量图像中霉变区域较原图更加明显易于区分。
采用HSV模型中的V分量来判断正常玉米颗粒与霉变玉米颗粒区域,判断条件是V分量小于0.76,如图3a所示。通过H分量与V分量来区分轻度霉变玉米颗粒与严重霉变玉米颗粒区域,判断条件为H分量小于0.065与V分量小于0.66,如图3b所示。
考虑到在试样准备过程中,由于玉米颗粒本身存在颜色差异,以及由光照角度等因素带来的影响,一些源自霉变破损颗粒的粉末遗撒到背景板上所带来的干扰,以及一些玉米颗粒本身存在的局部微小色素沉积等因素,通过对霉变区域连通的像素值低于280像素的区域予以排除,调节处理后得到图4。
图2 原图与V分量图像对比
图3 霉变区域图像
图4 霉变区域除干扰
进一步统计图片上霉变玉米颗粒的数目,由于同一颗玉米颗粒上霉变区域有可能分布多处,因此在颗粒计数的过程中会误把一颗玉米上多块霉变的部分误记为多个霉变玉米,故对图片4进行连续的膨胀操作。如果膨胀的次数过少不能很好的把间隔较大的区域连通起来,如果膨胀次数过多则可能导致两颗相邻玉米颗粒连通到一起,使统计数据偏少,造成错误。
经过多次试验,连续膨胀50次,得到膨胀次数与霉变颗粒数的关系,如图5所示。由图5可看出,在连续膨胀20次的时候,可以很好地使霉变区域连通到一起,而不使相邻两颗玉米黏连。
图5 膨胀次数与霉变颗粒数的关系
连续膨胀20次,得到准确的霉变颗粒个数,如图6所示。
图6 霉变区域连续膨胀
最后对霉变玉米颗粒计数并且对霉变区域进行标记,以霉变区域的核心为标记圆的圆心,把标记的结果映射到原图像上可清晰看到霉变颗粒均已被检出,如图7所示。
对霉变的玉米颗粒检测结果进行统计,如表1所示。
表1 玉米颗粒霉变率检测结果统计
图7 玉米颗粒霉变情况检测结果
利用图像处理技术,基于感染霉菌的玉米颗粒表层会发生颜色褐变、发黑等特点,利用HSV模型的H与V分量,实现了霉变玉米颗粒的快速准确检测,以及霉变等级的区分。
由于个别玉米颗粒仓储时间较长,表层颜色变深,变为暗黄色,被误判为霉变玉米颗粒,因此霉变玉米颗粒检测数目超过实际感染颗粒数目。从食品安全的角度出发,被误判的玉米颗粒为陈化玉米或霉变较为严重的玉米颗粒,应被检出并剔除这些颗粒。
由于玉米颗粒含有胚的一面与非胚的一面,颜色有所区别,因此本试验设置了对比组,根据第5组图像检测准确率(玉米颗粒胚的部分朝下)与前4组检测准确率对比(玉米颗粒胚的部分朝上),可以看出,本算法适用于玉米颗粒的任意朝向,玉米颗粒摆放朝向对检测结果无影响。
利用图像处理技术,基于霉变玉米颗粒的图像特征,对于彩色增强后的图像,采用H阈值区分正常玉米颗粒与霉变玉米颗粒,同时运用H与V阈值进行霉变玉米颗粒等级区分,实现了霉变玉米颗粒的快速准确检测。为验证所提方法的准确性,按照上述方法对146颗玉米颗粒进行检测验证,并把检测结果进行统计,正常玉米颗粒、轻度霉变玉米颗粒、严重霉变玉米颗粒的识别正确率分别在93.7%、80%、92.9%以上,因此该方法具有快速、准确率高等优点,能有效地检测玉米霉变状况。
同时也应当看到,为验证图像处理技术检测玉米颗粒霉变情况的可行性,本研究主要基于对玉米颗粒高分辨静态图像进行分析处理,未考虑实际待测玉米排列、重叠的随意性问题,进一步的工作将致力于研究玉米颗粒重叠问题的相应图像处理方法。
通过把霉变玉米颗粒分级,不仅满足了对玉米颗粒的霉变指标进行快速准确检测的要求,而且实现了玉米颗粒霉变分级。该技术稍加改进,可用于其他颜色差异较为明显的谷物和油料作物霉菌的识别,例如小麦、稻米、花生等。
[1]崔丽静,周显清,林家永,等.电子鼻快速判断玉米霉变技术的研究[J].中国粮油学报,2011,10(26):103-107
[2]陈兵旗,孙旭东.基于机器视觉的水稻种子精选技术[J].农业机械学报,2010,41(7):153-169
[3]Ng H F,WilckeW F,Morey R V,et al.Machine vision evaluation of corn kernelmechanical and mold damage[J].Transactions of the ASAE,1998,41(2):415-420
[4]Pearson T C.Machine vision system for automated detection of stained pistachio nuts[C]//Photonics for Industrial Applications.International Society for Optics and Photonics,1995:95-103
[5]Quevedo R,Carlos L G,Aguilera JM,et al.Description of food surfaces and microstructural changes using fractal image texture analysis[J].Journal of Food Engineering,2002,53(4):361-371
[6]Shahin M A,Hatcher DW,Symons SJ.Assessmentofmildew levels in wheat samples based on spectral characteristics of bulk grains[J].Quality Assurance and Safety of Crops&Foods,2010,2(3):133-140
[7]韩仲志,杨锦忠,李言照.玉米品种图像识别中的影响因素研究[J].中国粮油学报,2012,27(10):98-103
[8]凌云,王一鸣,孙明,等.基于机器视觉的大米外观品质检测装置[J].农业机械学报2005,36(9):89-92
[9]Magan N,Evans P.Volatiles as an indicator of fungal activity and differentiation between species,and the potential use ofelectronic nose technology for early detection of grain spoilage[J].Journal of Stored Products Research,2000,36(4):319-340
[10]Guan Z X,Tang J,Yang B J,et al.Study on recognition method of rice disease based on image[J].Chinese Journal of Rice Science,2010,24:497-502
[11]陈兵旗,郭学梅,李晓华.基于图像处理的小麦病害诊断算法[J].农业机械学报,2009,40(12):190-195
[12]成芳,应义斌.基于颜色特征的稻种霉变检测算法[J].农业机械学报,2004,35(4):102-105
[13]黄淑霞,蔡静平,田海娟.主要粮食品种储藏期间霉菌活动特性研究[J].中国粮油学报,2010(1):99-102
[14]赵志军.霉变玉米对畜禽的危害及其防治[J].营养与日粮,2012(3):35-39
[15]Goodwin P H,Hsiang T.Quantification of fungal infection of leaveswith digital images and scion image software[M]//Molecular and Cell Biology Methods for Fungi.Humana Press,2010:125-135
[16]吴彦红,刘木华,杨君,郑华东.基于计算机视觉的大米外观品质检测[J].农业机械学报,2007,38(7):107-111
[17]陈红,吴谋成,熊利荣,等.霉变花生的计算机视觉识别[J].农业机械学报,2008,39(1):110-113.
Research on Detection of Moldy Degree for Corn Kernels Based on Image Processing
Zhang Nannan1Liu Wei1Wang Wei2Lu Wenling3Yuan Ning1
(Collage of Electrical and Electronic Engineering,Shandong University of Technology1,Zibo 255049)(Collage of Engineering,China Agricultural University2,Beijing 100083)(AVIC Aviation Power Machinery Research Institute3,Zhuzhou 412002)
An identification method based on HSV model was developed to automatically identify moldy corn kernels and moldy grade.As the color of corn kernelswill become dark or black when they were infected by fungi,firstly,the colorful images of corn kernelswere enhanced.Secondly,the normal and moldy corn kernelswere distinguished by the threshold ofV.Then slightly and severelymoldy corn kernelswere identified by using the threshold ofHandV.Finally,the results of the experiment showed that the accuracy of themethod were 93.7%for normal corn kernels,80%for slightlymoldy corn kernels and 92.9%for severelymoldy corn kernels,respectively.
image processing,corn kernels,moldy detection,moldy classification
TP391.41
A
1003-0174(2015)10-0112-05
“十二五”国家科技支撑计划(2012BAK08B04)
2014-03-22
张楠楠,男,1986年出生,硕士,检测技术与自动化装置
刘伟,男,1971年出生,副教授,检测技术与自动化装置