基于机器视觉技术检测裂纹玉米种子

闫 彬,杨福增,郭文川

(西北农林科技大学 机械与电子工程学院 ,陕西 杨凌 712100)

0 引言

种子是作物生产最基本的生产资料,是农业生产的关键。种子质量的高低直接影响农作物的产量和品质。玉米是我国最主要和重要的粮食作物之一,把控好玉米种子的品质检测工作,对于保障后期玉米的种植收获具有重要的意义[1]。随着农业机械化程度的不断提高,农业生产多采用机械化作业,但机械化作业通常会造成农产品的损伤[2-3]。玉米种子在收获、干燥、机械脱粒等过程中,都难免受到机械损伤[4],尤其对于田间收获或采收后未充分干燥的含水率较高的玉米[5],机械损伤的概率较大。以脱粒为例,在机械脱粒的过程中,种子会受到脱粒机的挤压、撞击、揉搓、冲击和剪切等外力作用[6],从而导致玉米种子发生机械损伤[7]。玉米种子的含水率越高,造成的损伤就越严重[8-9]。机械损伤的一种主要形式是种子出现裂纹。出现裂纹的种子在运输过程中易发生破碎,在储藏过程中易吸湿、霉变和产生病虫害[10],也不利于营养物质的储存[11],最终导致种子的发芽率降低[12-13]。在机械化玉米播种技术,尤其是单穴单粒播种技术下,损伤会影响种子的田间出苗率、玉米植株的整个生长发育过程及最终的产量[14]。

机器视觉技术具有快速、无损、非接触的优点,被广泛应用于农产品的品质检测领域。Gunasekarans等[15]利用商业视觉系统对种子的内部裂纹进行了检测,准确率达90%以上。Yie等[16]将sobel、laplacian算子应用于玉米种子应力裂纹的检测。张杰[13]利用图像检测玉米籽粒裂纹,针对光透性较好的籽粒,准确率为94%。张俊雄等[17]基于玉米种子的形态学特征对两个品种玉米种子的胚乳面裂纹进行了检测,准确率达90%以上。张新伟等[18]提出了一种基于小波变换的玉米种子内部裂纹的边缘检测方法。然而,纵观玉米种子裂纹检测的研究现状,发现现有研究主要是针对种子的一个面(胚面或胚乳面)研究基于图像识别裂纹种子的方法,没有提出能同时检测两个面机械损伤裂纹的通用方法。

为此,以玉米种子为对象,提出了一种能够对一幅图像中的多粒玉米种子进行自动提取,并能自动对各粒种子进行机械损伤裂纹检测的方法,且该方法与玉米的检测面没有关系。该方法对基于机器视觉技术的玉米种子外观品质分级设备的设计具有重要的指导作用。

1 材料与方法

1.1 实验材料

实验对象为“郑单958”玉米种子。在玉米穗收获后的24h内对玉米苞叶进行人工剥除,并将玉米穗在阳光下进行适当晾晒后使用输出功率为4.2kW的高效玉米脱粒机(万丰商贸有限公司制造)对试验样品进行机械脱粒操作;在脱粒后的玉米籽粒堆中随机选择外部轮廓形态基本完整的机械损伤裂纹种子与无破损种子共160粒(含320个面)作为实验的样本。

1.2 图像采集设备

图1是采集玉米种子图像的系统示意图。该系统由以下几部分组成:图像采集暗箱,表面为白色的载物台,一个18W的环形节能灯,摄像头分辨率为3 456×4 608的智能手机(MI5型,小米科技有限公司)。环形节能灯作为光源安装于暗箱内顶部,摄像头与白色载物台的距离设置为22cm,摄像头的曝光时间为1/250s。实验用的玉米种子均匀平放于载物台上。在MatLab R2010a(Math Works公司,美国)下处理采集的图像。

图1 玉米种子图像采集系统

2 检测机械损伤裂纹种子的算法

2.1 单粒玉米种子的自动提取

2.1.1 颜色空间转换与阈值分割

采集玉米种子图像时,将种子放置于载物台上,种子之间互不接触,且种子朝向摄像头的一面随机放置。图2(a)为采集到的一幅包含有多粒玉米种子的RGB图像。要对图像中包含的每粒玉米种子进行机械损伤裂纹的检测,首先需要确定每粒种子的位置并将种子分别提取出来。经过对采集到的RGB图像的R、G、B分量和转换为HSV图像后的H、S、V分量,共2个颜色空间6个分量下的图像进行分析,发现在H分量下玉米种子区域与背景区域的灰度值差异最大。H分量下的图像如图2(b)所示。因此,在H分量下使用最大类间方差法自动确定阈值,从而对玉米种子区域与背景区域进行分割处理。对分割后的二值图像求反,结果如图2(c)所示,即玉米种子区域的二值图像。

图2 包含多粒种子的RGB图像、H分量图像及二值图像

2.1.2 数学形态学处理与种子自动提取

为了确保完整地剪切出每粒玉米种子,使得在二值图中每粒种子区域所占面积略大于实际种子占据的面积,对图2(c)得到的种子二值图像进行膨胀操作,然后利用区域属性度量函数对二值图中的各个连通域进行标记,并使用黑色矩形框在原始图像中进行框选,结果如图3(a)所示。基于所标记的各矩形框的位置信息,对单粒玉米种子分别自动进行裁剪,裁剪结果如图3(b)(胚面裂纹种子)、图3(c)(胚乳面裂纹种子)所示。

图3 标记图中各种子位置并分别自动裁剪

2.2 图像增强与边缘检测

2.2.1 基于模糊集与浮雕算法的图像增强

要实现玉米种子机械损伤裂纹的提取,在检测算法的前期处理中,应当对图像进行增强处理以突出裂纹部分,本文采用基于模糊集的图像增强方法对剪切后的单粒玉米种子的灰度图像进行图像增强。首先,将图3(b)所示玉米种子的RGB图像进行灰度化,结果如图4(a)所示;再对图4(a)所示的灰度图像进行模糊集图像增强,结果如图4(b)所示。可以看出:经过基于模糊集的图像增强处理后的图像与原灰度图像相比,其玉米种子中非裂纹区域的灰度值变化范围缩小,裂纹部位得到一定的凸显。

图4 种子的灰度图像与基于模糊集的图像增强结果

对二维图像进行浮雕化处理,可以将原二维图像中色彩灰度值变化明显的地方较突出地体现出来,即原图像中相邻像素灰度值差异不大的区域,在浮雕化后的图像中目视效果较柔和。在原图像中相邻像素灰度值差异较大的区域,在浮雕化后的图像中目视效果较明亮,即出现了浮雕效果[19]。由于经过模糊集增强后的图像,裂纹部位较突出且种子中非裂纹区域的灰度值变化范围较小,为了保障后续边缘检测处理的效果,对经过模糊集图像增强后的种子图像进行浮雕化处理,结果如图5(a)所示。可以看出,种子的裂纹区域进一步得到凸显。

图5 浮雕化处理效果与基于小波变换模极大值的边缘检测结果

2.2.2 基于小波变换模极大值的边缘检测

现有的针对玉米种子裂纹检测的研究中多采用传统的边缘检测算法对裂纹进行提取,其边缘检测的结果往往存在较多的噪声。基于小波变换的边缘检测算法是目前边缘检测领域中的研究热点[20-21]。当图像的信噪比比较低以至于传统的边缘检测方法无法准确高效地检测出有用信息时,小波变换边缘检测算法具有传统边缘检测算法无可比拟的优势,它能够在有效抑制噪声的基础上较准确地检测出图像中的边缘[22]。因此,采用基于小波变换模极大值的边缘检测算法[23]对浮雕化后的种子图像进行边缘检测,检测结果如图5(b)所示。与图5(a)相比,可以看到图5(b)中的裂纹区域更加明显,裂纹周围的噪声较少。

2.3 机械损伤裂纹的提取

2.3.1 图像分割与种子轮廓的去除

对320幅玉米种子图像中任意选取的30幅有裂纹种子和30幅无裂纹种子的图像进行分析,确定了进行图像分割的阈值。若统计图5(b)中灰度值大于0.1的像素点个数小于10 000,则其分割阈值为0.1;若大于或等于10 000,则分割阈值为0.6。经过阈值分割后的二值图像如图6(a)所示。

由图6(a)可以看出:为了准确提取裂纹还需去除图像中裂纹区域以外的噪声,包括玉米种子区域中非裂纹部位的噪声和种子轮廓区域的噪声。由2.1.1节可知:单粒玉米的原始图像在H颜色分量下,其种子区域与背景区域的灰度值差异最大,即种子的轮廓边界较明显。因此,在H分量下使用最大类间方差法自动确定阈值对玉米种子区域与背景区域进行分割,得到的玉米种子区域的掩膜图像如图6(b)所示。为了去除种子轮廓区域的噪声,首先对图6(b)进行腐蚀操作,得到去除轮廓区域后的种子区域掩膜图像,结果如图6(c)所示。然后,对图6(c)与图6(a)进行图像相乘运算,结果如图6(d)所示。可以看出,种子的轮廓区域已被去除。

2.3.2 种子区域噪声的基本去除

在图6(d)中,玉米种子区域还存在着非裂纹部位的噪声,将会影响裂纹的检测,需要将其去除。结合图像的分辨率,任意选取30幅有裂纹种子和30幅无裂纹种子的图像在经过2.3.1节处理后,确定了种子区域噪声的去除方法为:对图6(d)中所有连通域的面积进行统计,去除面积小于3个像素点(若在2.3.1节中确定的分割阈值是0.6,则此处参数为5)的连通域,得到的结果如图6(e)所示。可以看出:种子区域中面积较小的噪声已被去除。

图6 图像分割,种子轮廓和种子区域噪声的去除

2.3.3 数学形态学处理与裂纹的提取

经过2.3.2节的处理,种子区域中面积较小的噪声已被去除,种子的裂纹区域得到初步的提取;但种子区域仍可能有面积较大的噪声存在,且目前提取到的种子裂纹区域并不完整,区域内部存在孔洞与间隙。为了实现精确提取种子的裂纹,需要对种子区域中较大面积的噪声进行去除并使裂纹区域更加完整。因此,本文采用如下方法:首先,对图6(e)进行膨胀操作与填充操作,使得提取到的种子裂纹区域更加完整连续;然后,对此时二值图像中所有连通域的面积进行统计,去除面积较小的连通域;结合图像的分辨率,经过分析多幅含有机械损伤裂纹的种子在此环节的二值图像,确定了此处依据面积大小去除连通域的面积阈值为300(若在2.3.1中确定的分割阈值是0.6,则此处参数为500)。最终,种子的机械损伤裂纹提取结果如图7(a)所示,图3(c)的裂纹提取结果如图7(b)所示。

图7 机械损伤裂纹检测结果

3 结果与分析

利用上述检测算法对图2(a)中的多粒玉米种子分别自动进行机械损伤裂纹的检测,并将最终检测到的含有机械损伤裂纹的种子在原始图像中使用黑色矩形框进行标记。检测结果如图8所示。

图8 标记图2(a)中含有机械损伤裂纹的种子

人工随机地选取外部轮廓形态基本完整的“郑单958”机械损伤裂纹玉米种子与无裂纹种子共160粒(含320个面),利用上述检测算法对其种子的任意面进行机械损伤裂纹检测。分别统计胚面含裂纹与不含裂纹种子的检测准确率及胚乳面含裂纹与不含裂纹种子的检测准确率,并计算平均准确率。检测结果如表1所示。

表1 机械损伤裂纹的检测结果

由表1可知:玉米胚面含裂纹与不含裂纹种子的检测准确率分别为94.8%和93.3%,胚乳面含裂纹与不含裂纹种子的检测准确率分别为84.7%和89.3%。针对320个面的平均检测准确率为90.6%。影响检测准确率的主要原因是由于少部分种子的裂纹部位被种皮所遮挡,且个别种子的表面粘连着污物也是造成误判的主要原因之一。

4 结论

1)基于机器视觉与数字图像处理技术,在H颜色分量下使用最大类间方差法从一幅包含多个玉米种子的图像中分割出种子区域,并结合数学形态学处理与区域属性度量函数分别对每粒种子进行自动裁剪。采用基于模糊集和浮雕算法的图像增强方法,并使用基于小波变换模极大值的边缘检测方法凸显了玉米种子的裂纹区域。通过构造种子的掩膜图像并结合图像的相乘运算去除了种子的轮廓。利用数学形态学处理结合对二值图像中连通域的筛选,去除了种子区域的噪声并较完整地提取出了种子的裂纹区域。对图像中所有种子的机械损伤裂纹检测结束后,自动综合每粒种子的检测结果并将检测到的含有裂纹的玉米种子在原始图像中框选标记。

2)对“郑单958”品种的玉米种子进行了机械损伤裂纹的检测,平均检测准确率为90.6%。检测结果表明:该算法对于玉米种子的机械损伤裂纹检测效果明显。本研究为裂纹玉米种子的自动化识别提供了一种方法,对于提高玉米种业的质量具有重要的意义。