基于图像显著性区域提取的垩白米检测

陈昊然 蒋敏兰 张长江 吴 颖 吴沛伦

(浙江师范大学物理与电子信息工程学院,金华 321004)

随着人们生活水平的提高，粮食供求的主要矛盾己从数量的不充足转为质量的不理想。近几年我国大力注重食品质量检测方面，但我国科学检测仪器产业起步较晚，与发达国家之间存在一定的差距。此外，随着技术进步，大米种类愈发丰富，使得大米品质检测设备和技术需要不断进行技术更新，跟紧市场需求。在人工智能技术背景下，将机器视觉、信息技术和传感器技术相结合运用在大米品质检测中[1]，提升了在信息获取方面的能力，通过对不同数据的联系与分析，可以帮助我们更加精确地分析大米品质指标，从而解决传统人工检测技术操作效率低以及主客观影响因素较多等问题。

垩白度是衡量优质大米品质的重要性状之一，为大米重要品质指标。垩白度不仅关系到外观好看与否，而且对加工品质、蒸煮品质有很大影响[2]。国家标准GB/T 1354-2018[3]定义了优质大米的垩白度标准。对于大米垩白度的检测，孙明、侯彩云等[4,5]提出了采用图像阈值分割的方法检测大米的垩白度，但需要人为调整阈值来满足实验效果。徐建东等[6]提出了形态学分水岭方式来确定图像的垩白部分，陈建华等[7]提出了最大类间方差法检测大米的垩白度，凌云等[7]提出了采用分形维数的方法识别大米的垩白部分，王粤等[8]提出了改进的最大类间方差(OTSU)方法识别垩白米和垩白度。这些方法都实现了自动确定阈值来分割垩白区域，这个阈值可以将图像的前景和背景尽可能的分开，而这个阈值取决于前景与背景的最大类间方差，如果背景上有一定的噪声干扰，在分割垩白区域时会存在一定的影响。而在实际采集图像的过程中，由于大米残留细小颗粒、空气灰尘、环境光源变化以及阴影斑点等影响因素不可避免对图像造成了一定的干扰，从而导致垩白区域分割算法存在抗干扰能力弱、稳定性差以及准确度低等问题。为解决上述问题本研究提出了一种基于图像显著性区域提取的垩白区域提取算法，通过对大米垩白区域的显著性分析，结合大米的色彩特点能够精准识别出大米垩白区域，相较于传统算法，该算法具有更好的准确性且鲁棒性更强。

1 材料与方法

1.1 硬件设备

为了能够准确识别大米的垩白度，本实验研发了垩白米检测机器视觉系统。该系统硬件示意图如图1所示。其中，工业相机采用500万像素，拍摄分辨率在2592 dpi×1944 dpi。拍摄环境设置在暗箱内并采用LED灯光提供光源以便减少环境光源干扰。在暗箱内有一块黑色托板用于放置大米，托板颜色与大米颜色相反，使得采集的图像能更好反映大米的形态特征。工业相机通过数据线将采集到的图片传送至电脑，电脑对采集到的图片进行分析并计算大米的垩白度。

注：1.工业相机，2．LED光源，3．大米放置托板，4．数据线，5．电脑。图1 垩白米检测机器视觉硬件示意图

1.2 系统工作流程

垩白米检测机器视觉系统工作流程如图2所示。首先，把大米放置暗箱中用工业相机进行拍摄，获取图像后先对图像进行灰度化处理，然后对图像进行中值滤波让图像更为平滑减少噪声干扰，再对图像进行反运算突出大米图像区域，并对其进行阈值分割后计算出大米面积，另外通过图像显著性区域提取的算法对图像垩白区域进行提取并计算垩白区域面积，最后计算出大米的垩白度。

图2 垩白米检测机器视觉系统工作流程图

1.3 大米垩白度检测方法

1.3.1 大米垩白度测算

大米国家标准GB/T 1354—2018[3]中指出垩白米是指大米胚乳中的白色不透明部分，包括(腹白、心白和背白)。垩白度的计算公式如式(1)所示。根据公式(1)可知，计算大米垩白度需要得出大米像素面积和垩白区域像素面积。

(1)

1.3.2 图像预处理

通过工业相机采集到大米图像后将图像裁剪成512 px×512 px像素，如图像3a所示。为了减少噪声对图像显著区域提取效果的影响，对图像进行灰度化，并对灰度图像进中值滤波处理，中值滤波可以较好的抑制脉冲干扰级椒盐噪声的影响，减少了噪声干扰。滤波后的图像如图3b所示。

图3 垩白米中值滤波对比图

1.3.3 大米垩白区域的显著性分析

为了对大米垩白区域进行图像显著性分析，拍摄了正常大米和垩白米的图像，分别如图4a和图4c所示。对两幅图像的中间列像素进行取样分析，分析后发现，相比较垩白米，正常大米的像素变化较为稳定，像素变化区间在[60,80],而垩白米的像素变化较大，像素变化区间在[40,120],并且像素变化呈现阶梯性，分别如图4b和图4d所示。对像素急剧变化的区域称为显著性区域，在垩白米图像中显著性区域为垩白区域。

图4 大米垩白区域的显著性分析图

1.3.4 图像显著区域性提取算法

首先用Canny边缘检测器[9]对图像像素边缘进行提取，流程如图5所示，计算图像每个像素点的梯度强度和方向得到大概边缘区域，然后应用非极大值抑制，消除边缘检测带来的杂散响应。在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘，但仍然存在由于噪声和颜色变化引起的一些边缘像素的杂散响应，影响垩白区域真实边缘的提取。

本研究采用双阈值算法，通过设定低阈值和高阈值，用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，进一步来确定其真实的边缘，提高边缘检测的精度。

如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值但大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制并被过滤。

图5 Canny边缘检测器流程图

利用双阈值检测算法对图6a图像进行边缘提取后的图像如图6b所示，可以清楚看到大米图像像素变化的边缘由白线画出，因提取出的边缘图为二值图像，白色部分像素值为1，黑色部分像素值为0，把边缘图与灰度图像相乘则可以得到边缘的像素值Bi，根据式(2)计算边缘平均像素值B，其中，num为边缘的个数。

(2)

利用边缘平均像素值B作为阈值对图像进行阈值分割，如图6c所示，可以清楚的看到大米垩白区域被分割了出来，相比较OTSU算法提取的垩白区域如图5d，图像显著区域性提取算法对于细节的分割更为准确，根据图6c利用式(1)计算出垩白度为54.505 2%。

图6 垩白米垩白区域分割图

1.4 实验方法与评价函数

实验准备了10个样本，其中5个籼米样本和5个粳米样本，分别对每个样本利用图1所示设备进行图像采集。为了保证实验的准确性，在图像采集过程中将10个样本放置不同的方向，并对籼米样本和粳米样本采用不同色温的光源分别进行采集，获得实验图像样本。

为了证明该算法的抗干扰性，对其中1个样本图7a进行了人工加入椒盐噪声处理，对该图像进行椒盐噪声的污染，加入噪声密度(含噪声值的图像区域的百分比)为0.1的椒盐噪声，如图7b所示。

图7 加入噪声污染图

评价函数采用DICE系数[10]，此评价函数常用于医学图像，表示两个物体相交的面积占总面积的比值，值域为[0,1]越接近于1说明图像越接近，Rgt为标准值，Rseg为测试值，函数如式(3)。

(3)

分别用本文算法、OTSU算法以及最新的改进OTSU算法对样本的垩白度进行测试，采用DICE评价函数对结果进行对照分析。在抗干扰测试中，分别用用本文算法、OTSU算法进行测试。

2 结果分析

图8所示为2种算法对图像抗干扰结果测试对照图，其中图8a为本算法处理未加噪声图，图8b为本文算法处理噪声图，图8c为OTSU算法处理未加噪声图，图8d为OTSU算法处理噪声图，图9所示为3种算法的垩白度检测结果对照折线图。

由图8可知，在椒盐噪声的干扰下，图8c与图8d相比，图8d噪声仍有残留，并且影响了原有的分割效果，说明OTSU算法对噪声有一定的影响，而相比较本文算法，图8a与图8b未发生变化，说明本文算法对噪声进行有效的过滤且未对分割造成影响。

图8 图像抗干扰结果测试对照图

由图9可知，根据10个样本的测试，对10组测试数据取平均值，本文算法的正确率为96.76%，而OTSU算法的正确率为69.89%，改进OTSU算法的正确率为89.5%，本文算法的正确率高于OTSU算法26.87%，高于改进OTSU算法7.26%。在折线的波动上本文算法比OTSU算法更为平滑，说明本文算法鲁棒性强于OTSU算法。由实验结果可见，利用图像显著性的特点来检测大米的垩白度，检测准确度高，且干扰能力强。

图9 垩白度检测结果对照折线图

3 结论

本研究提出了双阈值的图像显著性区域提取算法用于大米垩白度的计算，利用大米图像的特点，分析图像显著区域来进行图像分割，实验结果表明该算法在垩白度检测上具有较好的鲁棒性，在提取大米垩白区域细小的边缘部分，该算法也有较好的提取能力。与其他传统算法相比该算法提取精度更高，鲁棒性更好，可以应用于其他农业领域中图像显著性区域的提取。