基于圖像處理技術的大豆灰斑病的檢測技術研究

趙丹婷，柴玉華，張長利

（東北農業大學工程學院，哈爾濱 150030）

大豆是我國的重要經濟作物，它用途多樣，營養價值高，栽培廣泛，便于出口。大豆的外觀品質在很大程度上反映了內部質量。尤其大豆外部病態可以直接決定大豆內部營養成分的缺失和等級評測[1]。目前，傳統的大豆外觀品質檢測技術仍然依靠人工檢測，這種方法效率低精度不高，不能滿足大批量自動化生產的需要。而利用圖像處理技術進行檢測具有精確、穩定、快速、無損等特點，因此可大幅度提高生產效率和自動化程度[2]。

灰斑病是大豆主要的外觀病態之一。種粒上病斑由豆臍擴散呈圓形至不規則形，中央灰色，邊緣紅褐色，形成蛙眼[3]。實驗表明灰斑病粒脂肪含量平均降低2.9%，蛋白質含量平均降低了1.2%，千粒重降低3 g左右。目前，國內外學者利用圖像處理技術從顏色特性對農產品識別及分級的研究很多，并且取得了突出成績。方如明等提出了直方圖傅里葉系數判別法，直方圖波峰檢出法及灰度突變法，對稻米爆腰情況進行了檢測[4]。許俐等應用機器視覺技術與色度學理論結合，研究了染色后稻米的胚乳、皮層以及胚芽所呈現的不同顏色特征的區分方法[5]。

本實驗結合數學統計法，數學形態學理論，圖像處理技術，神經網絡及模式識別技術，基于VC++和MATLAB開發平臺，實現對大豆灰斑病的自動、無損、快速和高精度的檢測。

1 系統的硬件構成

本研究首先搭建用于大豆灰斑病檢測的圖像處理硬件平臺：照相設備、照度計、計算機、暗箱等。操作系統為WindowsXP，Microsoft Visual C++2005和MATLAB作為開發工具，使程序具有高性能的可靠性、移植性、可讀性及可擴充性。

2 材料

實驗所用大豆均由東北農業大學大豆研究所提供，共有100多個品種，800粒大豆原種材料。其中灰斑病粒400粒，籽粒飽滿的標準大豆400粒。

3 實驗內容和方法

實驗的主要方法和過程如圖1所示。

圖1 實驗流程Fig.1 Flow chart of the experiment

3.1 圖像采集

本實驗設計了一個高1 m，長和寬均為30 cm的暗箱，箱內鋪設不透光，不反光的黑色棉布，固定一盞以穩流器連接電源的環形光源，該光源穩定、均勻，滿足了圖像采集的需要，減弱了自然光條件下，光線明暗的不確定產生的顏色差異和影子噪聲，使采集效果更清晰、精確，更易于分析。裝置與照相設備、照度計、計算機共同構建了圖像采集的硬件平臺。

大豆16粒為一組，拍攝時，照相設備垂直拍攝被測大豆，固定適當的焦距，分別拍攝標準大豆、病斑大豆。保證了拍攝角度、距離、光線，拍攝的每幅照片中大豆粒數均一致。

3.2 圖像去噪

首先分析圖像背景中的噪聲信息特征、類型，在VC++的開發平臺上，實現基于平滑濾波的豆粒圖像去噪方法。平滑濾波是用濾波掩模確定的鄰域內像素的平均灰度值取代圖像每一個像素值，這種方法可以顯著減小圖像灰度的“尖銳”變化，即“噪聲”[6]。本研究中病豆圖像應用了線性平滑濾波方法，選擇3×3鄰域模板平滑濾波，它可以有效濾除大豆圖像噪聲且最大限度保留清晰的目標圖像。

3.3 目標大豆與背景分割

為了更好提取灰斑病大豆的特征，需要把目標大豆與背景分割。背景分離的經典方法是基于灰度閾值的分割方法。它通過設置閾值，把像素點按灰度級分若干類，從而實現圖像分割。把一幅灰度圖像轉化成二值圖像是閾值分割的最簡單形式[7]。設一幅灰度圖像為f（x,y），首先以一定準則在f（x,y）中找出一個灰度值t作為閾值，將圖像分割為兩部分，即把大于等于該閾值的像素點的值置成1，小于該閾值的像素點值置成0[8]。本研究利用灰度直方圖求雙峰，選擇兩峰之間谷底處的灰度值作為閾值。

在分別得出R、G、B，H、S、V各分量直方圖后，以H分量直方圖（如圖2所示）和R分量直方圖（如圖3所示）比較為例：可以看出H分量直方圖閾值呈發散狀態，不能明確地提取閾值，且分割效果不佳（如圖4）；而R分量直方圖的雙峰特性明顯，易得出閾值，以同樣方法進行測評后得出用R分量圖像進行閾值分割，提取目標圖像最為清晰（如圖5所示），所以選用R分量進行分割。背景分割后圖像如圖6所示：背景去除，目標豆粒明確，且病斑性狀明顯。這為后續提取特征參數鋪墊了良好的基礎。

3.4 粘連籽粒分割

對于粘連病豆的籽粒分割，本研究采用的是迭代式閾值選擇方法。首先選擇一個閾值作為初始估計值，然后按一定規則不斷改進估計值，直到滿足給定的準則為止[9]。在迭代的過程中，要選擇合適的閾值改進測量。一般要滿足兩個條件：一是足夠快速收斂，二是在每個迭代過程中新產生閾值優于上一次閾值。本研究首先將圖像分為若干區域，在每個區域中先求出待分割圖像的最大灰度值和最小灰度值Z1和Zk，然后求最大最小灰度值的均值T0[10]；

根據均值將圖像分為兩部分A和B。再分別求出A,B兩部分的灰度均值Z0和ZB，

式（3）中 z（i,j）是圖像上（i,j）點的灰度值，N（i,j）是（i,j）點的權重系數，一般取 1.0。

根據這兩部分灰度均值計算新的閾值N（i,j）＝1.0。

將新的閾值Tk+1與前一閾值Tk比較，滿足一定要求則停止迭代，否則進入循環[11]。利用VC++編程時，程序設定了一個循環次數60次，以便當無法史終止條件得到滿足時，可以強制終止。用此方法進行粘連籽粒分割后效果較好，如圖7所示。

3.5 特征提取

分析大豆籽粒的外觀特征，顏色特征及紋理特征，通過實驗設計和數據統計分析，提取識別各組分的最佳分離參數。

顏色特征：R、G、B、H、S、V各項的均值，R、G、B、H、S、V各項的偏差和R、G、B、H、S、V各項的三階距

形狀特征：緊實度、弧形度、橢長軸、橢短軸、蓬松度共計23個特征參數。本實驗通過軟件編寫實現可視化。結果見圖8。

圖8 特征參數Fig.8 Characteristic parameter

3.6 基于BP神經網絡的病斑豆粒檢測

本研究需要將灰斑病豆粒和標準豆粒進行精細識別，這是用一個待定輸出矢量與輸入矢量聯系起來的過程[12]。因此我們基于Matlab為開發平臺，利用newff函數構建一個三層的BP神經網絡。其中隱層神經元的傳遞函數采用tan-sigmoid型函數tamsig，網絡的最后一層是purelin型線性神經元，這樣整個網絡的輸出可以取任意實數。構建神經網絡時輸入成神經元的個數為23，輸出層節點個數為1。

主要程序如下：

程序實驗中，我們設置迭代次數為150，學習速率為0.2，動量因數為0.9，最大訓練次數為1 000，訓練精度為 1×10-6。

我們選取640個樣本進行訓練，160個樣本進行測試。經過720次訓練，由圖7可以推出均方誤差逼近誤差擬合收斂目標，達到了預定精度。

圖9 訓練結果Fig.9 Training result

以檢測灰斑病為依據，可將檢測病斑的思路應用在檢測其他病蟲害過程中：分別選取正常大豆，霉變大豆，破碎大豆，蟲蝕大豆，混合大豆的測試樣本各100幅，效果良好。如表1所示。

表1 識別結果Table 1 Results of disease identification

4 系統實現

利用Matlab開發平臺，實現BP神經網絡的構建，進而對灰斑病樣本進行識別。在此基礎上，本研究利用VC++設計實現了灰斑病外觀品質檢測系統可視化軟件，實現了對灰斑病無損，精確和快速的檢測需要。

該軟件的操作窗體設計規范合理、按鈕名稱明確，操作簡便。具備消息標題，菜單欄、工具欄、幫助菜單、熱鍵標識等一系列基本功能。符合一般用戶的操作習慣，體現人性化的設計理念。

4.1 文件操作功能

文件操作模塊的一級菜單是“圖像文件菜單”，它下面有9個二級菜單。其中“保存處理結果”，“保存模板圖像”、“保存疊加圖像”和“存儲圖像”都可以實時地保存原始圖片經過處理后輸出的屏幕圖像，以便用戶查看對比圖像處理每步過程。同時圖像文件菜單還自動保存最近四次所打開圖片的地址連接，用戶可利用此功能輕易打開以往圖片，不必再計算機中重復查找。圖片處理過程中用戶需要對圖片進行其他并行處理，可以點擊該菜單中的“恢復原始圖像”鍵。除此之外，圖像文件菜單還包括打印設置、打印預覽等基本操作，極大滿足了用戶的各種不同輸出需要。

4.2 圖像處理模塊

圖像處理模塊包括平滑濾波、二值圖像運算、閾值分割和區域分割法。其中的子菜單涵蓋所有本研究應用的圖像處理算法可及時掌握利用這些算法處理得到的每一步圖像結果和分析數據。圖10是軟件檢測大豆灰斑病的界面。

圖10 灰斑病檢測界面Fig.10 Detectiom interface

5 結 論

隨著計算機軟件及硬件技術的發展，圖像處理技術作為一種外觀識別技術已經有了長足的發展，在一定程度上已經可以滿足當前作為谷物[13]外觀品質檢測的手段，但是就目前來看基于此項技術對灰斑病大豆外觀品質的檢測仍處于研究初期階段。

本研究搭建了操作簡單，實用性強的大豆灰斑病外觀檢測系統硬件平臺，結合圖像處理技術與神經網絡技術，利用VC++編程，選擇了平滑濾波，閾值分割等算法對采集的大豆圖像進行圖像去噪，目標圖像與背景分割，粘連籽粒分割，可清晰有效地分離出較為精確的標準大豆以及病斑大豆的形態特征參數和顏色特征參數。將這些參數輸入到MATLAB開發環境下構造的神經網絡中進行訓練，可識別出病斑大豆，識別率達93%；并能根據VC++編寫的程序計算出標準豆粒與病斑豆?；旌蠒r病斑豆粒所占百分比，該系統可進一步改良，推廣至其他正常大豆和霉變大豆，破碎大豆和蟲蝕大豆的外觀品質研究中，用改進的圖像處理算法，提取包括各品種大豆的其他特征參數，實現對其他大豆外觀品質的檢測系統開發。

[1]柴玉華,高立群,王榮,等.基于多尺度形態學大豆圖像濾波方法[J].農業工程學報,2006,6(2)∶119-120.

[2]賈迪野.基于偏微分方程的圖像平滑與分割研究[D].哈爾濱∶哈爾濱工程大學,2005.

[3]劉順湖,周瑞寶,蓋鈞鎰.大豆蛋白質及其組分含量對豆腐產量和品質的影響[J].中國油脂,2004,32(2)∶65-68.

[4]方如明.計算機圖像處理與米的品質檢測[J].農業工程學報,1992(3)∶14.

[5]許俐,錢敏娟,方如明,等.大米加工精度識別方法[J].農業工程學報,1996,12(3)∶34.

[6]Gonzalez R C.數字圖像處理[M].北京∶電子工業出版社,2003∶132-483.

[7]楊為民,李天石,賈鴻社.農業機械機器視覺導航研究[J].農業工程學報,2004,20(1)∶160-165.

[8]姚敏.數字圖像處理[M].北京∶機械工業出版社,2003∶243-254.

[9]李明,張長利,王曉楠.基于圖像處理技術的小麥形態檢測方法研究[J].東北農業大學學報,2009,40(3)∶111-115.

[10]時玉強,柴玉華,鄭先哲.基于機器視覺的大豆細菌斑點病粒檢測[J].東北農業大學學報,2009,40(4)∶106-110.

[11]鐘志光.盧君Visual C++.NET數字圖像處理實例與解析[M].北京∶清華大學出版社,2003∶371-372.

[12]周志華,曹存根.神經網絡及其應用[M].北京∶清華大學出版社,2004∶185-187.

[13]楊國彬,趙杰文,向忠平.利用計算機視覺對自然背景下西紅柿進行判別[J].農機化研究,2003,1(1)∶60-62.