基于图像处理的大蒜蒜种品质无损分级方法研究

杜云 曹世佳 贾科进 王熙煚

摘 要：针对大蒜蒜种分级过程中蒜种易损坏、机器成本耗费大等问题，提出一种基于图像处理的大蒜蒜种品质无损分级方法。首先对采集到的大蒜蒜种图像进行灰度化、二值化等预处理得到二值化图像。然后在农业工作环境比较恶劣、存在不可避免的噪声情况下，采用形态学处理二值化图像，对图像采用腐蚀算子进行运算，消除噪声，再对图像采用膨胀算子进行运算，得到无噪声的二值化图像。在此基础上通过Canny算子进行有效外轮廓提取并进行旋转矩形拟合，得到最小外接矩形。最小矩形的长和宽比例代替真实蒜种的长宽比作为大蒜蒜种品質筛选的重要依据。实验结果表明，算法可以无损地获取蒜种长和宽的比例，实现大蒜蒜种品质筛选，图像处理过程时间平均为612 ms，满足正常工作实时性要求，在大蒜蒜种品质等级筛选中具有一定的应用价值。

关键词：图像处理；无损分级；二值化；形态学；矩形拟合

中图分类号：TP29 文献标志码：A

doi： 10.7535/hbgykj.2018yx05003[HJ2][HK]

文章编号：1008-1534（2018）05-0317-05

中国是大蒜产量大国，其种植区域和出口数量均达到世界前列[1-2]。大蒜具有抗菌、抗病毒、抗肿瘤、降血脂、提高机体免疫功能、降血糖、解毒等功效[3-4]。大蒜种植中影响大蒜产量的主要有2个因素：蒜尖朝上和种瓣大小。研究表明蒜种重量越大，大蒜的产量越高，两者呈显著正相关。如果种瓣质量越大，则用种量也越大。从产量、产值等经济效益因素综合考虑，以每瓣5.89 g的种瓣处理，其蒜头净产量、净产值、总产值、甲级蒜率等4项指标均居第1位，种瓣3. 89 g的处理其4项指标次之[5]。因此，种瓣质量以3. 89～5.89 g为宜。

长期以来，大蒜蒜种分级都是依靠人工挑选或平面筛选为主，生产效率低，分级不准确，直接影响产量高、品质好的大蒜良种的获得。近几年，也有采用分级滚筒机械设备，分别由小、中、大来依次分离筛出，以获得较准确的分级。但是这种机械设备容易损坏大蒜蒜种，且成本较高。由于蒜种密度是基本不变的，正常蒜种的长和宽的比例在一定范围内波动。如果种瓣过大、过小或者破损，其长宽比就会超出这一范围，本文将种瓣的长宽比作为区分种瓣品质的标准，通过图像处理方法达到无损、高效筛选种瓣品质的目的[6]。

1 大蒜蒜种品质无损分级过程

笔者设计的大蒜蒜种无损分级装置的工作过程为未经筛选的大蒜蒜种通过传送带到达摄像头监控区域，传送带由步进电机控制。当光电检测器检测到有蒜种通过时，触发中断信号，下位机将信号发送给上位机，上位机开始进行图像处理。大蒜蒜种无损分级图像处理流程如图1所示。

上位机控制打开USB摄像头，采集当前原始图像。首先对原始图像进行灰度化处理，设置阈值，通过图像分割方法对灰度图像进行处理。由于传送带和蒜种不可避免地产生噪声影响后续计算，因此采用图像形态学处理技术，对二值化图像进行开运算，得到没有噪声的二值化图像。预处理后得到的图像通过外轮廓拟合矩形得到蒜种长、宽，通过与系统已经设定的标准蒜种长、宽和长宽比进行对比并统计特征值。上位机将分析得出的分类结果传给下位机，下位机控制设备将不符合标准的蒜种淘汰。

2 种瓣的图像采集及预处理

上位机通过摄像头获取当前一帧图像后，将当前图像作为最初原始图像经过灰度化和二值化算法预处理，得到非黑即白的二值化图像。蒜种在传送阶段肯定会存在蒜种蒜皮、蒜皮碎屑或其他噪声，对得到的二值化图像产生影响，并且对后续拟合算法的准确率产生很大干扰，拟合算法的准确率将会降低。采用图像形态学中开运算算法，对以上的噪声干扰进行处理，为拟合算法提供有利的基础。

2.1 图像灰度化及二值化

摄像头获取的为当前彩色图像，首先对其进行灰度化处理，提高后续算法的精度，增强系统的综合应用实效。在灰度图像中，用8位无符号数字来表示其中每个像素。采用著名的心理学公式把分为红（R）、绿（G）、蓝（B）的彩色图像像素转换为灰度像素[6]。

图像分割是大蒜蒜种识别的重要步骤，可采用的方法有很多种。阈值分割法的计算模型简单，运行速度较快，可以实时处理大蒜蒜种的图像，故采用阈值分割法来处理图像[7]。阈值分割法主要分为全局阈值分割和局部阈值分割2种方法。其中全局阈值分割方法主要有最大类间方差法（Otsu法）[8]、最小误差法和最大熵法[9]。实验中背景简单，采用最大类间方差法 （Otsu法） 对图像进行二值化分割就可得到较佳的效果， 并且结合自身的算法自动获得最佳的分割阈值， 减少由于人为选取阈值造成不必要的误差。由式（1）得到转换成的灰度图f，灰度图样本灰度范围为0～255，将灰度图f进行图像分割，也就是由最大类间方法自动获取阈值T，式（2）中f（i，j）代表图像中在（i，j）位置的灰度值，g（i，j）代表二值化图像中在（i，j）位置的像素值。当f（i，j）大于等于阈值T时，g（i，j）设置为1；当f（i，j）小于阈值T时，g（i，j）设置为0，得到非黑即白的像素点样本g（i，j）[10]。即：

2.2 图像形态学去噪处理

考虑到实际采集过程中大蒜蒜种图像会遇到各种噪声干扰，在图像上产生不可预测的随机噪声，形成不需要的孤立像素点，对大蒜蒜种图像区域分割、分析和判断带来不利影响。同时由于蒜种蒜皮尖角质量几乎可以忽略，且对矩形拟合产生干扰信息，为避免噪声像素点和干扰信息造成图像处理中不能正确反映大蒜蒜种信息的问题，故采用形态学处理技术开运算的方法对图像去噪[11-12]。设图像集合为f1，结构元素为b。

对图像进行腐蚀运算，再进行膨胀运算，称为开运算[13]。在获取到的原始图像中，噪声主要的表现方式为蒜尖和蒜皮碎屑。理论上若存在噪声，噪声会被误认为蒜种轮廓的一部分，直接影响最后拟合矩形的结果。通过腐蚀处理后，消除蒜尖和蒜皮碎屑等噪声。但腐蚀处理在消除噪声时，也会腐蚀蒜种本身的形状，通过膨胀处理对蒜种恢复一部分原有的形状，并将蒜种图像中的孔洞消除，得到没有噪声干扰的二值化图像。

3 种瓣轮廓的提取及矩形拟合

原始图像经过预处理后得到没有噪声干扰的二值化图像，提取图像中蒜种轮廓并进行最小矩形拟合。拟合矩形的长与宽之比代替大蒜蒜种的长宽比并作为大蒜蒜种品质筛选的判断条件。

首先采用OpenCV中cv2.findContours函数寻找轮廓，cv2.findContours函数采用SUZUKI等[14]提出的提取轮廓算法。他提出2种算法：第1种算法是计算二值化图像中外轮廓、孔边界和它们之间的层次关系；第2种算法是按照第1种算法变形，只采集二值化圖像中最外层轮廓。

笔者只需要提取大蒜蒜种的外轮廓，故采用第2种算法。主要采用编码的思想，二值化图像是像素分别为0和1的图像，用f（i，j）表示在（i，j）位置的像素值。当进行行扫描时，出现下列情况终止：

f（i，j-1）=0，f（i，j）=1；//f（i，j）是外边界的初始点；

f（i，j）>=1，f（i，j+1）=0；//f（i，j）是外边界的终点。

从初始点开始，对边界上的像素进行标记。设置一个标示符给新发现的边界，叫做边界序列号（number of the border），记作：NBD[14]。初始时NBD=1，当找到一个新边界后加1。在这个过程中，遇到f（i，j）=1，f（i，j+1）=0时，将f（p，q）置为-NBD，即此点就是最右边界的终点。

通过开运算处理后得到没有噪声的蒜种二值化图像，选用Canny算子处理图像，得到仅包含边界的二值化图像，采用cv2.findContours函数获取图像中所有的NBD，并保存在返回值contours中，然后通过cv2.drawContours 函数根据返回值contours画出外轮廓。

利用OpenCV的开源图像处理函数可以方便地对轮廓进行矩形拟合，通过函数cv2.minAreaRect返回一个Box2D结构。在这个结构中，包括最小矩形的中心点（x，y）、宽度、高度和旋转角度，因此可以得到矩形的长宽比，通过矩形的长宽比判断大蒜蒜种的品质等级。通过cv2.cv.BoxPoints得到矩形的4个顶点坐标，再通过cv2.drawContours画出拟合的旋转矩形，至此，获得大蒜蒜种外轮廓的最小拟合矩形。

4 实验平台搭建与算法验证

基于图像处理的大蒜蒜种品质无损分级方法研究中，采用大量的大蒜蒜种进行实验。硬件主要采用树莓派2代B型和一个普通的USB摄像头进行图像采集，光源采用环形漫射光源。实验环境为图像处理软件OpenCV运行于Linux系统中。

图4是大蒜蒜种灰度化后的图像。此时图中彩色图像已经转换为灰度图像，为后续实验提供有利的基础。图5是经过图像分割后得到的二值化图像。采用最大类间方差法 （Otsu法） 并结合自身的算法自动获得最佳的分割阈值[15]。根据式（2）得到二值化图像，更容易获取大蒜蒜种的轮廓。图6是形态学开运算去噪处理后的图像。此时可以看到图5中出现噪声，经过先腐蚀后膨胀处理后，只留下大蒜蒜种外轮廓的二值化图像，消除了矩形拟合时的干扰因素。图7是大蒜蒜种轮廓图像。它是根据cv2.findContours函数获取大蒜蒜种的外轮廓，并将外轮廓通过cv2.drawContours函数在纯黑底色的图像上画出。图8是大蒜蒜种最小矩形拟合图像。拟合出的矩形框紧紧包裹着蒜种轮廓，即可以通过它的长宽比得到大蒜蒜种的长宽比，也可以实现大蒜蒜种的品质分级。

经过多次实验验证，采用图像处理方法可以准确地对大蒜蒜种品质进行无损分级，实验结果可靠。图像预处理、形态学去噪和最小矩形拟合等图像处理过程的综合平均时间为612 ms，方便快速，满足对大蒜蒜种品质无损分级的实时性要求。

5 结 论

针对大蒜蒜种品质等级问题，提出了一种基于最小矩形拟合的图像处理方法。该方法由摄像头采集的一帧图像，经过图像灰度化、图像分割和形态学开运算等预处理，然后提取大蒜蒜种轮廓，并拟合出最小外接矩形的长宽比作为判断依据，实现大蒜蒜种品质分级。理论公式以及实验结果证明了该方法可以快速、准确地判断出大蒜蒜种的等级，同时不会对大蒜蒜种产生机械损坏且满足实时性的要求，成本低廉，可以推广应用。但是去噪方法对蒜种真实轮廓造成一定程度的干扰，且该系统不能同时进行多个蒜种品质分级，这将是下一步研究的重点。

参考文献/References：

[1] 郭英芳. 大蒜种植机械中蒜瓣方向识别方法的研究[D]. 杨凌：西北农林科技大学， 2011.

GUO Yingfang. Research of the Recognition Method of Garlic Direction in Planting Machinery[D]. Yangling：Northwest A&F University， 2011.

[2] 肖小勇， 李崇光. 我国大蒜出口的“大国效应”研究[J]. 国际贸易问题， 2013，20（8）：61-71.

XIAO Xiaoyong， LI Chongguang. Study of “Power Effect” in Chinas garlic exports[J]. Journal of International Trade， 2013，20（8）：61-71.

[3] 苏美琼， 杨柏崇， 成密红，等. 大蒜的功效及综合利用研究进展[J]. 西北农业学报， 2003， 12（4）：151-156.

SU Meiqiong， YANG Baichong， CHENG Mihong， et al. Advance in researches of the efficacy and synthetic utilization of garlic[J]. Acta Agriculturae Boreali-occidentalis Sinica， 2003， 12（4）：151-156.

[4] HOUSTON M. The role of nutrition and nutraceutical supplements in the treatment of hypertension[J]. World Journal of Cardiology， 2014，6（2）：38-66.

[5] 刘艳芝， 宫钦涛， 徐祥文，等. 种瓣大小对大蒜产量及其商品性状的影响[J]. 山东农业科学， 2011（6）：49-51.

[6] 陈兵旗. 实用数字图像处理与分析[M]. 北京： 中国农业大学出版社， 2014.

[7] 章国红， 辛斌杰. 图像处理技术在纱线毛羽检测方面的应用[J]. 河北科技大学学报， 2016， 37（1）：76-82.

ZHANG Guohong， XIN Binjie. Application of image processing technology in yarn hairiness detection[J]. Journal of Hebei University of Science and Technology， 2016， 37（1）：76-82.

[8] 刘洪公， 王学军， 李冰莹，等. 基于卷积神经网络的桥梁裂缝检测与识别[J]. 河北科技大学学报， 2016， 37（5）：485-490.

LIU Honggong， WANG Xuejun， LI Bingying， et al. Detection and recognition of bridge crack based on convolutional neural network[J]. Journal of Hebei University of Science and Technology， 2016， 37（5）：485-490.

[9] 汪文， 英红， 马骁. 路面裂缝图像自动识别系统[J]. 冶金丛刊， 2017（2）：18.

[10]嵇钟玉， 龚丽农， 黄挺坚. 种子自动筛选系统软件设计[J]. 农机化研究， 2013（11）：56-60.

JI Zhongyu， GONG Linong， HUANG Tingjian. Software design of automatic seed identify system[J]. Journal of Agricultural Mechanization Research，2013（11）：56-60.

[11]劉东辉， 佟丽娜， 王家硕，等. 基于FPGA的瓶盖边缘在线视频检测装置的设计[J]. 河北科技大学学报， 2015， 36（3）：286-292.

LIU Donghui， TONG Lina， WANG Jiashuo， et al.Design of an online video edge detection device for bottle caps based on FPGA [J]. Journal of Hebei University of Science and Technology， 2015， 36（3）：286-292.

[12]方珩， 辛斌杰， 刘晓霞，等. 一种新型纱线毛羽图像特征识别算法的研究[J]. 河北科技大学学报， 2015， 36（1）：63-72.

FANG Heng， XIN Binjie， LIU Xiaoxia， et al. Research of a novel method for measuring yarn hairiness based on image recognition[J]. Journal of Hebei University of Science and Technology， 2015， 36（1）：63-72.

[13]万金晶， 卢艳桥， 魏家馨，等. 基于投影特征提取的路面裂纹识别与检测[J]. 软件导刊， 2017， 16（2）：125-127.

[14]SUZUKI S， BE K. Topological structural analysis of digitized binary images by border following[J]. Computer Vision， Graphics， and Image Processing， 1985， 30（1）：32-46.

[15]刘文， 周旺平， 王国栋. 基于DSP的斜轴式太阳跟踪系统[J]. 电子技术应用， 2014， 40（5）：24-27.

LIU Wen， ZHOU Wangping， WANG Guodong. Tilting axis solar tracking system based on DSP[J]. Application of Electronic Technique， 2014， 40（5）：24-27.