基于Otsu方法燕麦清选过程中籽粒识别

燕红文，崔清亮

（山西农业大学信息科学与工程学院，山西 太谷 030801）

燕麦，学名莜麦，是我国晋北地区的特产作物，在稳定旱区粮食生产和维持膳食结构多样性方面具有不可替代作用。农场进行燕麦收获时，清选必不可少，而此过程中燕麦籽粒损失难以避免[1-3]，其损失率也成为清选设备的基础指标，是清选机工作参数调整的重要依据[4-7]。损失率的计算大多采用人工计算[8-9]，准确度低且效率低下。将计算机视觉技术应用于清选过程是智能农业发展的需要，本文基于Otsu方法在燕麦清选过程中对燕麦籽粒进行识别，其研究结果为清选损失率智能计算提供前期技术支持。

1 试验材料与方法

1.1 样品采集

本研究试验材料采集于山西省右玉县，样本的质量对于籽粒的识别有较大的影响，研究中将样品分为5 g、15 g和20 g 3组，进行试见图1）所示。清选机工作时会包含一些杂质，常见的杂质有燕麦茎秆、枝翘和颖壳3种，（见图2）。

1.2 仪器设备

本文采用山西农业大学自行研制的清选机为试验台，取来的燕麦样品通过本试验台清选，实验采用的风机转速为68rpm。

图像采集系统使用M0814-MP型镜头（Computar，f=8mm，F1.4），F201C型CCD（AVTGmb H，1/2.3英寸 CCD），RL45100-R24型LED光源（深圳市晶庆光电有限公司，5.76W），CP502型电子天平（Ohaus公司，感量0.01 g）和百诺A1682TB0三脚架（百诺集团，工作高度440～1 590 mm）。

1.3 图像采集

燕麦样品从清选机筛体落到地面缓冲接收板上，在获取图像时为减少作业机器产生的阴影的影响，本试验将缓冲板谨慎从清选机下端移出，为取像做准备。

要注意事项：一是将光源和CCD相机安装到三脚架上并固定。二是记录图像数据时做好标定，以保证图像数据有相同的获取标准。

1.4 数据分析软件

本文中的数据处理和分析是基于软件Matlab 7.5（The MathWorks，Natick，USA）来实现。

2 基于O tsu方法燕麦籽粒识别

本文中第一步选用合适的去噪方法，对采集到的燕麦籽粒图像预处理，第二步选择大津法对其分割，经试验确定，分割阈值为89可取得较好分割效果，可分性测度达到0.757 8。

2.1 图像预处理

籽粒图像采集时的光源强弱、背景的变换、不同的采集速度以及其形状差异和杂质等因素都会对其采集质量造成一定干扰。为消除图像干扰，文中使用多种预处理进行去噪：锐化、维纳、中值滤波等。多种预处理结果对比显示，采用中值滤波首先可去除图像干扰，其次可对原图特征做最大程度保留，选用中值滤波方法，并设定元素尺寸为77，处理效果如图3所示。因此，本研究选择中值滤波结果进行后续试验。

2.2 Otsu方法燕麦籽粒识别

大津法通过图像二值化阈值对图像进行分割，于20世纪70年代末被大津提出，其最大的优势是图像的亮度对分割结果没有影响，并且图像的对比度对分割结果也没有影响，其应用非常普遍[10]。图像中的灰度值往往呈现不均匀分布，其度量指标较多，而方差则使用频繁，其值越大，分布越不均匀，其值越小则灰度分布较为均匀，理论上使其方差达到最大，阈值分割出错的概率就可以达到最小，分割公式如式（1）、式（2）所示。

式中：mG——图像平均灰度；

ρ1（K）——集合C1发生的概率；

sB2（k）——表示类间方差。

式中：hk——不同类的方差与总的灰度方差比值。

为实现对燕麦籽粒的识别，需对图像进行分割，将燕麦籽粒从复杂背景中分离。采用Otsu方法进行阈值确定必须使其分割以后的效果可以到达同一类的图取得方差最小值，而不同类的图则取得最大值。文中采用该方法分割燕麦籽粒，经试验确定最佳分割阈值取89可取得最好的分割效果，可分性测度达到0.7578，分割结果如图4，由图4，该方法能够很好地将燕麦籽粒从复杂背景中分离开。

3 结论

（1）本研究中采用Otsu方法对燕麦籽粒进行识别，试验确定分割阈值取为89可达到最好分割效果，可分测度值0.7578，为现代农场作业中清选损失率的自动计算与设备开发提供技术前提。

（2）受图像采集环境的干扰以及算法不足的影响，处理的结果图当中通常会出现大小不同、数量各异的孔洞，这些孔洞不仅影响了燕麦籽粒的检测效果，也破坏了燕麦籽粒轮廓的完整性，不利于燕麦籽粒的统计分析，这也正是下一阶段需要解决的问题。