基于图像处理技术测量马铃薯表形特征

张 擞

(华中农业大学 理学院, 湖北 武汉 430070)

基于图像处理技术测量马铃薯表形特征

张 擞

(华中农业大学 理学院, 湖北 武汉 430070)

利用机器视觉和图像处理技术对马铃薯的表形特征进行测量，通过测量马铃薯投影面积、缺陷面积和投影周长，对马铃薯进行品质检测. 该研究可以作为检测马铃薯表形品质检测的基础.

马铃薯;机器视觉；图像处理;投影面积

伴随着生活水平的提高，人们对自身饮食健康愈益关注. 由于马铃薯的价格适中，营养价值又高，烹饪后口味独特，消费者对马铃薯的需求量较大. 然而，马铃薯的大小无疑会影响消费者的购买欲望. 同时，中国已启动马铃薯主粮化战略，把马铃薯加工成馒头、面条、米粉等主食，马铃薯将成稻米、小麦、玉米外又一主粮. 预计2020年50%以上的马铃薯将作为主食消费[1]. 为了适应马铃薯工业化，机器视觉应用于马铃薯大小检测已成必然. 目前机器视觉技术是应用于果蔬外部品质评价的最有效的技术手段之一[2]，光谱图像技术是图像处理技术和光谱技术的完美结合[3]，可以很好反应待测对象的形状、大小等外部品质特征，这是由于研究对象所含的不同化学成分对光谱吸收有差异，在某一个特定波长下的图像对某个特征会有明显的反映，可以把这种特征快速识别出来[4]. 因此，本文利用机器视觉和图像处理技术对马铃薯进行投影面积、缺陷面积、投影周长的检测.

1 理论基础

其中，C1为马铃薯投影面积大小，C2为定标板实际大小，R1为马铃薯投影的像素总数，R2为定标板的像素总数.

2 投影面积测量

为精确测量马铃薯投影面积大小，首先获取图片(图1)，将马铃薯与定标板(T-20/USAF-1951)(图2)拍在一张照片中，将获得的图像分割. 选取2组第1级别进行实验，获得图像(如图3)，宽度为2 mm，面积C2为10 mm×2 mm，即20 mm2.

图1 马铃薯原始实物图

图2 定标板实物图

图3 2组1级图像

2.1 马铃薯原始实物图的处理

为了对马铃薯进行投影面积的检测，首先应将彩色马铃薯图像转为灰度图像，使用最大类间方差法找到图片合适的阈值，使用阈值变换法把灰度图像转换成二值图像. 由于图像中存在噪声，所以要去掉噪声的影响，即对图像进行平滑滤波. 对图像进行平滑滤波一般有2种方法：线性平滑滤波法和中值滤波法[5].

2.1.1 采用线性平滑滤波去除噪声

邻域平均法是利用Box模板对图像进行模板操作以去除噪声. 基本原理是Box模板会对当前像素及其相邻的8个像素点进行平均处理，降低突然变化的点造成的影响，以达到滤掉噪声的目的，虽然算法简单，但图像会有一定程度的模糊. 算法为以某一个像素点为中心，灰度值为F(i,j),由窗口像素组成的点集记为A,点集A内的像素数记为L，则经过邻域平均法滤波后，像素点F(i,j)对应输出为

在线性平滑滤波去除噪声,常用3×3窗的邻域平均滤波，如图4所示. 3×3窗的邻域平均滤波后的二值图像，如图5所示.

图4 3×3窗的邻域平均滤波图像

图5 3×3窗的邻域平均滤波后的二值图像

2.1.2 采用中值滤波法去除噪声

中值滤波法是把以某点为中心的小窗口内的所有像素的灰度按大小顺序排列，取中值作为该点的灰度值，以达到滤掉噪声的目的. 虽然中值滤波法处理结果平滑效果不如邻域平均法，但它能去除噪声点并保持图像边界. 对应转换公式为

G(x,y)=Med{G(x,y)},

其中(x,y)∈A.

中值滤波后图像如图6所示，中值滤波后的二值图像如图7所示.

图6 中值滤波后图像

图7 中值滤波后的二值图

2.2 定标板的处理

2组1级图像(图3)与马铃薯原始实物图(图1)在同样的条件下进行去噪，即两图去噪方法一致.

3 投影周长测量

为了对马铃薯进行投影周长的检测，首先应将彩色马铃薯图像转为灰度图像，使用最大类间方差法找到图片的合适的阈值，使用阈值变换法把灰度图像转换成二值图像，采用边缘检测技术，勾勒出马铃薯的边缘(图8的边缘实则是连续的，图8放大后如图9所示)，继而求得马铃薯投影周长.

图像边缘提取的常用梯度算子有Robert算子、Sobel算子、Prewitt算子、Log算子、Canny算子等. 本文采用Canny算子进行边缘提取.

Canny算子致力于寻找图像梯度局部最大值，采用双阈值方法，解决了由于噪声问题带来的斑纹现象.

图8 阈值为[0.7，0.99]的Canny边缘检测

图9 放大后的边缘图像

4 缺陷面积测量

马铃薯缺陷面积的测量方法与投影面积的测量方法一致. 原始图像如图10所示.

图10 马铃薯缺陷原始图像

5 分析讨论

通过光谱技术对图像进行处理的方法可以测定马铃薯的投影面积，比较图5和图7可知，通过中值滤波法去除噪声后图像造成的误差较小，所以求得的阴影面积误差较小. 但是由于图像的拍摄效果总是会带来一定的误差，中值滤波后的图像也会有一定的误差，所以测得的马铃薯投影面积也会有一定的误差. 由于缺陷面积测量过程中，缺陷处颜色深浅不一致，所以转化为二值图像时，有一定的误差产生，如图11所示，使得测得缺陷面积有一定的误差.

图11 马铃薯缺陷二值图像

[1] 李大春，高剑华，张远学，等. 抓国家马铃薯主粮化战略机遇，促恩施州马铃薯产业发展[C]//马铃薯产业与现代可持续农业大会. 恩施:2015.

[2] 张保华，李江波，樊书祥,等. 高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J]. 光谱学与光谱分析，2014,34(10):2743-2751.

[3] 陈守满. 高光谱图像与农产品品质无损检测研究进展[J]. 安康学院学报，2011，23(6):1-6.

[4] 刘燕德,张光伟. 高光谱成像技术在农产品检测技术中的应用[J]. 食品与机械，2012,28(5):223-226.

[5] 蒋艳军,卢军,陈建军. 板栗图像的去噪及缺陷检测研究[J]. 农产品加工，2008:72-73.

[责任编辑：郭 伟]

Potato phenotypic characteristics based on image processing

ZHANG Sou

(Science College, Huazhong Agriculture University,Wuhan 430070, China)

Using machine vision and image technology, the image of potato was processed. Through measuring the potato projection area, defect area and projection perimeter, the quality of potato was detected. This study could serve as a basis for the detection of potato phenotypic quality.

potato; machine vision; image technology; projection area

2016-12-15

华中农业大学大学生科技创新基金(SRF)(No.2016303)

张 擞(1995-)，男，河北辛集人，华中农业大学理学院2014级本科生.

TP391.41

A

1005-4642(2017)07-0053-03