基于图像纹理分析的大米加工等级检测方法

崔雯雯 孙永海 王 璐,2 黄碧竹 周丽聪 陈方媛 郭晓蕾

(吉林大学生物与农业工程学院1，长春 130022)(华南理工大学轻工与食品学院2，广州 510640)

基于图像纹理分析的大米加工等级检测方法

崔雯雯1孙永海1王 璐1,2黄碧竹1周丽聪1陈方媛1郭晓蕾1

(吉林大学生物与农业工程学院1，长春 130022)(华南理工大学轻工与食品学院2，广州 510640)

利用不同加工等级大米表面纹理不同的特点，提出了基于纹理分析的大米加工等级检测方法。设计了大米的计算机视觉检测系统，获取4个不同加工等级大米标准样的图像，采用灰度梯度共生矩阵的纹理分析方法提取图像的纹理特征值，采用Fisher判别法和PNN神经网络对大米加工等级进行检测判定。试验结果表明：Fisher判别法和PNN神经网络对4种不同加工等级的大米样品检测判定的正确率分别是96.25%和90.00%。

大米 加工品质 纹理 Fisher判别

大米是我国人民的重要粮食资源，大米外观品质是影响其市场竞争力的重要因素，而大米加工等级是反映大米外观品质的重要指标，而且大米加工等级对大米的食用价值也有较大的影响[1]，因此对大米加工等级的快速准确检测尤为重要。随着计算机技术的飞速发展，采用计算机视觉技术检测大米的加工品质方面的研究受到了越来越多的关注，且取得了一定研究进展[2-7]。本文采用计算机图像分析方法探究大米表面纹理特征和大米加工等级的关系，从而实现基于纹理分析的对大米加工等级的快速检测判定。

1 材料与方法

1.1 材料

试验采用来自于依兰县质量技术监督局的标准1等到标准4等的4个加工等级的大米标准样品。

1.2 图像采集

本研究采用的图像采集装置由检测室、CCD摄像头、光源、计算机系统和大米样品升降系统构成。检测室中央是一个可以自动调节高度的升降运动装置，待检样品需放置在检测台上，顶部是摄像头。检测室右侧设有取样窗，便于更换样品。检测时，关闭取样窗，打开光源，即可形成封闭采集空间,避免外界光照变化对采集图像效果的影响。检测室内部用油漆涂成白色，以形成均匀的漫反射效果。大米加工等级图像采集装置如图1所示。

图1 图像采集装置

1.3 图像预处理

用CCD摄像头获得的原始图像是24位真彩色BMP格式图像,为后续提取特征值方便,首先将彩色图像转为灰度图像，得到的灰度图像如图2a所示。再采用改进的直方图均衡化算法[8], 增大图像的灰度变化范围，达到图像增强的目的。为了将大米轮廓从背景图像中提取出来, 先对灰度图像进行二值化处理把米粒目标和背景加以区分。利用灰度直方图获取阈值，从图2b灰度直方图中可以看出有明显的2个峰，提取灰度阈值100将灰度图像转化为二值图像，得到的二值化图像如图2c所示。利用5×5邻域的二维中值滤波进行去噪音处理[9]，得到的去噪后图像如图2d所示。

图2 大米预处理图像和灰度直方图

2 结果与分析

2.1 纹理特征提取

在将获取的单粒米RGB图像进行上述的图像预处理后，将灰度图像转化为灰度共生矩阵，将其归一化，再形成灰度梯度共生矩阵，最后将灰度梯度共生矩阵归一化。从中提取大米颗粒的15个纹理特征值T1～T15分别是小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩，提取方法见参考文献[10]。每个等级的大米获得80组数据，共计320组数据。从每份大米样品的纹理数据中，选择60组数据作为训练样本，共计240组数据；选择20组数据作为测试样本，共计80组数据。

本试验获取的大米原图像如图3所示。

图3 大米原图像

2.2 大米等级Fisher判别分析

将采集到的数据用SPSS 17.软件进行处理,然后根据数据处理结果确定Fisher判别函数组的相关系数，建Fisher判别函数组。整个过程为采集大米图像—图像预处理—灰度变换—灰度梯度共生矩阵—大米纹理特征提取—Fisher判别函数判断—得出结果。最终将米样的纹理特征值带入Fisher判别函数组中，取函数值最大者为待测米样的等级，另外再取80粒大米(每个等级米各20粒)作为测试样本,利用Fisher判别函数组进行判断。最终得出此方法对大米加工等级的判别正确率。

对于影响大米加工等级的纹理因素即15个特征值的数据在SPSS软件中用逐步判别分析法进行主要因素分析，找出影响大米等级划分的主要纹理特征值因素，而且找出的主要因素还要为后续在MATLAB中进行神经网络分析做准备。将标准米样的检测数据导入SPSS软件中进行数据处理，采用逐步判别分析法[11-12]。在设置参数时，将类别设为分组变量，范围从1到4，将大米颗粒的15个特征值作为自变量，使用步进式方法，统计量参数设置中描述性参数选择为均值，单变量和Box’s M，函数系数中选择Fisher和标准化，矩阵中选择组内协方差和分组协方差。选用Wilks’lambda标准方法，引入变量的临界值F进为3.84，剔除变量的临界值F出为2.71，输出方式采用步进摘要。在分类中设置先验概率为所有组相等，在组内使用协方差，输出个案结果和摘要表。最后保存的数据为预测组成员，判别得分和组成员概率。经过SPSS软件处理得到Fisher判别函数系数如表1。

表1 分类函数系数

Fisher判别函数组为

F1=73 038.183T7+108 467.329T8+146 851.603T9-170 844.747T10-68 322.133T13-127 411.482T14-28 080.913

(1)

F2=68 889.397T7+108 944.221T8+146 064.527T9-172 053.77T10-66 792.385T13-126 514.962T14-27 885.954

(2)

F3=80 771.985T7+104 462.464T8+149 523.757T9-175 096.575T10-69 637.925T13-128 037.759T14-28 019.18

(3)

F4=65 138.277T7+109 847.530T8+145 743.842T9-175 188.345T10-65 981.020T13-124 551.130T14-27 913.730

(4)

对灰度梯度共生矩阵方法得到的特征值进行Fisher判别，训练样本和测试样本的判别正确率如表2、表3所示。

表2 训练样本

表3 测试样本

从SPSS软件处理的结果来看，对标准米样的240个案的正确率为97.1%，说明选出的主要因素是正确的，根据主要因素确定的Fisher判别函数的系数也是正确的。将80组待测样品的灰度平均，灰度均方差，梯度均方差，相关，混合熵及惯性6个特征值带入判别组，经过计算F1～F4的数值，判断检测米样应归属的大米等级。测试组米样的正确率为96.25%，说明根据此判别函数组进行大米加工等级的划分是切实可靠的。

2.3 大米等级神经网络分析方法

提取大米纹理特征参数后，在MATLAB中进行概率神经网络的分类预测[13]，首先选取上述数据中120个作为训练数据(每个等级选取30个)，选取40个作为测试数据(每个等级选取10个)；再将期望类别指针转换为向量；数学模型使用newpnn函数，Spread值选为0.1，神经网络训练效果如图4所示；然后再利用Sim函数进行神经网络检测判定，将测试数据输入， 序号1～10为1等米样，11～20为2等米样，21～30为3等米样，31～40为4等米样。神经网络检测判定效果如图5所示。经神经网络预测将序号5错判为2等大米，序号15错判为1等大米，序号25错判为4等大米，序号35错判为2等大米。

图4 MATLAB训练结果

图5 MATLAB检测结果

发现40个检测数据中出现4个判定错误，正确率达90%，证明此概率神经网络方法对大米加工等级的检测判断还是可行的。

3 结论

利用计算机视觉技术设计了大米图像获取设备，成功采集了高质量的大米图像，并对大米图像进行了必要的预处理。采用灰度梯度共生矩阵法提取15个纹理特征值。用逐步判别分析法构建Fisher判别函数组，最终确定用灰度平均，灰度均方差，梯度均方差，相关性，混合熵及惯性6个特征值作为反映大米加工等级的主要因素，对米样进行检测实验，检测的正确率为96.25%。利用筛选出的6个纹理特征参数值，使用PNN神经网络对大米加工等级进行分级检测，检测正确率为90.00%。这说明采用灰度梯度共生矩阵纹理分析方法对大米加工等级进行检测是可行的。而且通过采用以上2种判别方法对大米的等级进行自动检测判定的结果来看，本文提出的基于图像纹理分析的大米加工等级检测判定方法是可行的，并且Fisher判别分类方法的准确性更高一些。

[1]金增辉.营养强化米及其加工方法[J]. 粮食与油脂, 2008 (9): 40-43

[2]Desikachar H S R, Determination of the Degree of Polishing Rice IV Percentage Loss of Phosphorous as an Index of the Degree of Milling[J]. Cereal Chemistry ,2010,1956(33):320-323

[3]Autrey H S, Grigorieff W W et al. Effects of Milling Conditions on Breakage of Rice Grains[J].J Agr Food Chemistry, 2009,1955(3):593-599

[4]Hogen J T, Deobald H J. Note on a Method of Determining the Degree of Milling of Whole Milled Rice[J].Cereal Chemistry, 2010,1961(5),291-293

[5]Shearer DA, Carson RB. The Determination of Oil Content and Crude fat by the ues of Anhydrous Ether[J].Agr Chemists,2009,1958(41):414-416

[6]张浩,孟永成,周展明等.基于图像处理技术大米加工精度的检测研究[J].中国粮油学报, 2006, 21(4): 187-190

[7]贺晓建,王福明.基于灰度共生矩阵的纹理分析方法研究[J].山西电子技术, 2010 (4): 89-90

[8]乔闹生.一种改进的直方图均衡化[J]. 光学技术, 2008, 34(1): 141-142

[9]赵高长,张磊, 武风波.改进的中值滤波算法在图像去噪中的应用[J]. 应用光学, 2011, 32(4): 678-682

[10]洪继光. 灰度-梯度共生矩阵纹理分析方法[J].自动化学报, 1984,10 (1):22-25

[11]洪雪珍,王俊.基于逐步判别分析和 BP神经网络的电子鼻猪肉储藏时间预测[J].传感技术学报,2010, 23(10): 1376-1380

[12]李庆华, 王玉,余振华,等.卷烟烟丝化学指标的逐步判别分析[J].中国烟草学报, 2009, 15(6): 27

[13]肖江,连生土.基于PNN 神经网络的地下水水质评价及应用[J]. 工程勘察, 2012, 40(9): 48-50.

Rice Processing Level Detection Method Based on Image Texture Analysis

Cui Wenwen1Sun Yonghai1Wang Lu1,2Huang Bizhu1Zhou Licong1Chen Fangyuan1Guo Xiaolei1

(College of Biological and Agricultural Engineering, Jilin University1, Changchun 130022)(College of Light Industry and Food Science, South China University of Technology2,Guangzhou 510640)

Advantage of the characteristics of different surface texture processing grade rice, a detection method for processing level of rice was provided. In this paper, a computer vision detection system for processing level of rice was designed to obtain the standard rice sample images of 4 different processing levels, and then the texture features of the rice image were obtained using gray-gradient co-occurrence matrix. Afterwards, the Fisher discriminant functions constructed with stepwise discriminant analysis and PNN neural network were used to detect the processing level of the rice samples. The test results show that the average accuracy rates of the different processing levels of 4 rice samples detected with Fisher discriminant method and PNN neural network were 96.25% and 90.00%.

rice, milling degree, texture, fisher discriminance

S233.5

A

1003-0174(2016)06-0146-04

吉林省应用基础研究(201205013)，国家自然科学基金(31271861)，吉林省人才开发资金

2014-09-11

崔雯雯，女，1988年出生，硕士，农产品智能检测与评价研究

孙永海，男，1956年出生，教授，博士生导师，农产品智能检测与评价研究