花生外觀品質品種圖像分析與系統仿真

韓仲志 趙友剛

(青島農業(yè)大學理學與信息科學學院，青島 266109)

花生外觀品質品種圖像分析與系統仿真

韓仲志 趙友剛

(青島農業(yè)大學理學與信息科學學院，青島 266109)

針對目前花生外觀品質檢測的局限性，提出采用圖像處理的方法進行的花生外觀品質的檢測，并基于Matlab的圖形用戶界面(GUI)環(huán)境建立仿真平臺，平臺集成了ANN、SVM等模式識別新方法和相應的經典圖像處理算法，并給出了在該平臺上的仿真實例，針對10個品種、14種品質的單籽粒圖片共4 800副，檢測了形態(tài)、顏色和紋理3大類共33個特征，采用了基于ANN和SVM識別模型對花生的商業(yè)規(guī)格、品種和品質進行了檢測，總體檢測正確率達到了97%以上，該平臺具有良好的交互性、擴展性、可視性和實用性，對花生外觀品質評價結果客觀量化、快速無損。該平臺在花生的生產、流通、貿易領域具有一定的實用性。

花生 品質檢測分析 圖像處理 人工神經網絡 仿真平臺

花生品質的好壞直接影響著生產、加工、消費、外貿各個方面。我國花生年產量占世界的40%，世界第一，但出口量只占世界貿易的5%，同時貿易價格比國際平均價格低2成。究其原因是我國花生的品質不高和花生品質檢測手段的落后，這兩個方面已是制約我國花生產業(yè)發(fā)展的瓶頸。此外花生的大小規(guī)格和花生的品種在一定程度上影響著花生外貿的價格，花生的品種還影響花生種子貿易的發(fā)展。

目前我國對花生仁的外觀感官品質品種的檢測，多在手工層面及生化鑒定方面進行，手工檢測工作量大、易疲勞、要求工作人員應具有較豐富的檢測經驗;生化鑒定方法需要價格昂貴的檢測設備、精致復雜的實驗技術、測定人工成本較高。隨著深加工和花生外貿的要求，如何快速準確的對花生感官品質進行鑒定，已成為一個亟待解決的問題。

基于種子圖像處理的機器視覺檢測方法是一種無損、速度快、鑒別力強、重復性高、可大批量檢測、低成本無疲勞的檢測新方法。該方法用于種子品種品質鑒定，在玉米［1－3］、水稻［4］、小麥［5］和扁豆［6］上都獲得了良好的效果。但花生檢測方面的報道較少，作者曾嘗將該方法用于花生品種和品質的統計檢驗，在兩項省基金的支持下進行了一系列的研究工作，取得了較好的效果［7－10］。但是基于計算機視覺的花生品質檢測方法還存在著如下不足:(1)算法泛化能力差、魯棒性不高、沒有比較不同算法的優(yōu)勢;(2)系統集成程度差，可擴展性不強，系統交互性差;(3)沒有建立花生品質與市場貿易的基本聯系，商用性能不高。

本研究擬通過圖像處理和計算機視覺的方法，針對以上不足構建一個基于Matlab的花生品質集成檢測平臺，主要目標有:(1)構建一定規(guī)模的模式識別樣本庫，采集多個品種、多種品質情況下單個和群體花生籽粒圖像;(2)對外觀形態(tài)特征、顏色特征和紋理特征等進行智能檢測與分析，可對多個特征進行特征優(yōu)化以提高檢測效率和算法的泛化能力;(3)建立花生品質檢測算法集成平臺;利用神經網絡和支持向量機等分類算法進行品種識別，提高平臺的可擴展性;(4)建立系統檢測結果和商業(yè)形狀之間的客觀聯系，增強軟件的商業(yè)通用性。最后擬在建立的平臺上進行仿真試驗。

1 檢測仿真平臺設計

總體設計往往是系統設計的核心。系統設計的初衷、目的和總體構架等應得到通盤考慮。這將有利于設計出高效實用的仿真平臺。

1.1 系統設計分析

目前在Matlab中具有圖像處理、神經網絡、模式識別以及統計工具箱，它提供了分析和設計品質檢測系統的部分函數。然而在實際應用中存在如下不足:(1)Matlab工具箱僅僅提供了基本函數，并未針對一類問題給出一整套設計方案，也未給出仿真結果分析;(2)一般Matlab程序以命令形式調用上述工具箱的函數，這種形式往往不像人機交互界面那樣直觀，也不易數據處理，而且給程序代碼的維護帶來了不少困難。

正因為這些困難與不足，有必要設計基于Matlab GUI的花生品質檢測平臺，同時它還能夠:(1)提供良好的人機交互仿真環(huán)境，便于用戶在各種參數條件下的仿真實驗。(2)提供一定的可擴展性。通過給定接口，實現新算法(M文件或C文件)的動態(tài)加載。

基于圖像處理的花生品質檢測仿真平臺之所以基于Matlab GUI進行設計，是為了依托Matlab環(huán)境提供的基本科學計算，減少開發(fā)周期。通常而言，Visual Basic/C++，Java等面向對象的程序語言是設計平臺很好的工具，這里之所以選擇Matlab是因為其提供了豐富的科學計算函數，比如圖像的類型轉換、邊緣檢測、區(qū)域特征提取等，以及用于識別的PCA算法、ANN神經網絡的訓練與識別和統計函數，另外并提供了大量的數學函數，這些函數零散的分布在圖像處理、神經網絡、模式識別以及統計等多個工具箱內，用到時直接調用，采用模塊化程序設計方法，只要知道輸入輸出參數接口，即使不詳細了解函數的內部程序結構也可以開發(fā)出成功的仿真系統。這些均是其他語言所無法媲美的。更為重要的是，Matlab GUI開發(fā)環(huán)境提供了創(chuàng)建用戶界面的捷徑。在這一環(huán)境中，可以方便地創(chuàng)建各種圖形句柄對象，實現仿真平臺的用戶界面。因此，在本仿真平臺的設計中，將通過模塊化思想有機地把Matlab提供的函數嵌入到自己編寫的算法中，形成整體的算法框架，進而由主控模塊進行參數傳遞和整體控制。不得不說明，基于Matlab開發(fā)出來的平臺運算速度較慢，特別對于一些較大的圖像進行循環(huán)操作的時候，但Matlab同時給出了一些和其他語言C++等的接口，將一些循環(huán)可以導到其他開發(fā)環(huán)境中運算，再將運算結果返回Matlab顯示，同時Matlab提供的編譯器可以直接將Matalb代碼轉換到C等其他語言的代碼，這樣在一定程度上改善了代碼的執(zhí)行效率，提高了編程效率。

1.2 系統框架設計

從軟件設計的角度出發(fā)，系統構架始終在邏輯設計中處于核心地位。這里使用傳統的模塊化設計思想來劃分模塊。主要模塊為:文件模塊、圖像預處理模塊、特征分析模塊、缺陷分析模塊、品種識別模塊、顯示結果模塊和幫助模塊。

圖1 花生品質檢測分析系統構架

1.3 主要模塊介紹

【文件】模塊，打開載入要分析的花生圖像。【圖像預處理】模塊可顯示花生的整個預處理過程:分別顯示“原始圖像”、“中值濾波圖像”、“灰度圖像”、“對比度增強圖像”、“自適應閾值分割二值化圖像”、“開閉合運算后圖像”、“背景分割后圖像”、“HSV圖像”和“邊緣檢測圖像”。【特征分析】模塊可獲取單個或群體花生得33個特征均值;包括形態(tài)特征8個，顏色特征12個。紋理特征13個，并對這些特征參量進行統計分析。【品質檢測】模塊可以對花生的外觀品質進行分析;分析項目包括:有無破損，破損程度(嚴重/中度/輕度)，有無霉變及霉變的程度(嚴重/中度/輕度)，大小規(guī)格(4種規(guī)格)及其比率;被檢測數量積平均單果重、大小均勻性、破損比例和霉變比例。【品種識別】模塊可以識別花生所屬的品種及所屬品種的個數與百分比，品種的異種率及品種純度。【顯示結果】模塊可以顯示花生品質、品種報表，報表內容包括:品種、純度、平均單果重、規(guī)格、破損花生比、霉變花生比、大小均勻性、最后給出綜合等級和市場建議價格。【后臺管理】模塊可對相應的檢測識別算法進行擴充和添加。【幫助】模塊可顯示使用指南和版本信息。

1.4 仿真界面

本平臺的實現是在 Matlab的圖形用戶界面(GUI)設計環(huán)境下完成。利用Matlab的API函數與自定義模塊結合形成總體算法框架，以形成完整的仿真平臺。

在Matlab的Command Windows指令提示符“ ”后輸入:GUIpeanuts回車，可以看到歡迎界面。點擊“進入”啟動“基于圖像處理的花生品質檢測分析系統”。圖2是對群體花生進行特征檢測的平臺界面，界面上列出了所檢測的群體花生的顏色、形態(tài)和紋理共33個特征，為進一步品質分析和品種識別打好基礎。篇幅所限其他界面不能一一列出。

圖2 花生品質評價仿真界面舉例

2 仿真實例

2.1 模式識別樣本庫建立

選取2008年山東莒南農戶種植收獲后未經人工挑選的原始花生一宗，其中包含10個品種的訓練組和對照組，每個品種各100粒，共200粒，10個品種共2 000粒;14種不同品質籽粒，每種品質包含訓練組和對照組，每個品種各100粒，共200粒，14種品質共2 800粒。

此樣本庫共獲得單個籽粒圖片4 800幅，考慮到了北方常規(guī)種植的10個品種和14種常規(guī)外觀品質，模式識別樣本庫具有一定的規(guī)模。

品質共14類包括:霉變(輕度、中度、重度)、破算(輕度、中度、重度)、籽粒規(guī)格(5個規(guī)格)、雜質(土塊、石塊、帶殼小果)。

按固定次序與方向將種子擺放于掃描儀(佳能CanoScan 8800F平板式CCD掃描儀)面板上，為了使掃描背景為黑色，掃描儀蓋板完全打開進行掃描，將圖片存在Matlab當前目錄下，計算機主要性能指標為:聯想四核 Intel(R)CPU Q1400@2.66 GHz 1.73 GHz，2 G內存，Winows Vista操作系統。

圖3 圖像采集系統示意圖

2.2 特征采集與分析

采集10個品種(每個品種200個花生籽粒)和14種不同品質(每種品質200個籽粒)的4 800個籽粒特征。每個籽粒33個特征，這33個特征分別為:

形態(tài)類8個:面積、長軸與短軸長度、等面圓直徑、最小外接凸多邊形、矩形度(面積/外接矩形面積)、橢圓度(焦點間距/長軸長)、凹凸比(面積/最小外接凸多邊形面積);顏色類12個:RGB色彩空間的紅色R均值、綠色G均值、藍色B均值、紅色R方差、綠色G方差、藍色B方差6個分量;以及HSI色彩空間的色調H的均值、飽和度S均值、亮度I的均值和色調H的方差、飽和度S方差、亮度I的方差6個分量;紋理類13個:均值、方差、平滑度、三階矩、一致性、熵以及7個統計不變矩。

此特征庫記錄條數為4 800×33=158 400條;特征庫數據比較全面，具有一定的代表性。

基于這33個特征可以進行一系列的分析，如可測量其變異系數和回歸分析系數，變異系數反映單位均值上的離散程度，越小說明統計的品種間差別越小，也就是說變異系數越大說明此特征是一個好的特征;R2又稱為方程的相關指數或確定性系數(coefficient of determination)，表示方程中變量X對Y的解釋程度。R2取值在0到1之間，越接近1，表明方程中X對Y的解釋能力越強，R2取值在0到1之間，越接近1，表明方程中X對Y的解釋能力越強，說明此特征是一個品種識別較好的特征，可以發(fā)現花生的面積和伸展度是較好的特征。為節(jié)省篇幅，表1中只列出33個特征中的14個統計特征。

表1 部分特征的變異系數和確定性系數

2.3 花生大小規(guī)格的檢測

國標［11］中對花生大小衡量是可用顆/每盎司表示，見表2。由于每盎司是28.35 g，很容易通過國標數據計算出不同規(guī)格的花生仁的平均質量。

表2 外貿花生大小規(guī)格要求

通過特征分析不難發(fā)現反映大小類的特征中像素的面積為衡量大小規(guī)格的最直觀的特征，將彩色圖像讀入，進行必要的預處理。然后進行二值化求得目標區(qū)域的像素和，即可在很大程度上反映花生的質量。用天平稱出試驗花生實際質量。

統計了100粒花生的面積和質量，運用SAS軟件統計求得花生象素面積x和花生大小質量y之間的數學關系為:

y=0.003 2x－0.304 6

該模型的相關系數為R2=0.923 5，線性相關度為R=0.961。圖3為除掉野點后100顆花生仁圖像像素面積與花生仁質量的回歸模型，先行相關度達到了96%以上。可見通過統計花生仁的像素數目能在很好不同規(guī)格的花生進行篩選。由花生的上述回歸方程，只要通過像素數便可以快速的計算出花生的質量。經過計算兩者的平均誤差率為1.118%，誤差在可接受的范圍之內。

圖4 質量面積回歸曲線

同一個品種正常花生種人工檢測為4個不同規(guī)格的花生各100個，共400個籽粒，統計每個籽粒的33個特征，構建三層反向傳播BP(Back Propagation)神經網絡，其中輸入層33個節(jié)點，隱含層10個節(jié)點，輸出層4個節(jié)點，訓練網絡，將訓練好的網絡保存，分別那訓練過的這400個花生籽粒進行識別識別率為100%，拿沒有訓練的同樣4個不同大小規(guī)格100個花生進行識別，識別率達到了100%。

2.4 花生品種的識別

將10品種中的正常花生各100個，共1 000個籽粒圖像，統計每個籽粒的33個特征，構建三層BP神經網絡(輸入層33個節(jié)點，隱含層10個節(jié)點，輸出層10個節(jié)點)訓練網絡，將訓練好的網絡保存，分別拿訓練過的這1 000個花生籽粒進行識別識別率為98%，拿沒有訓練的同樣10個品種每個品種100個花生進行識別，識別率也達到了97.5%，證明平臺的識別效果較好。

2.5 花生品質的檢測

分別拿同一個品種的14種不同品質的花生各100個，共1 400個花生圖像統計每個籽粒的33個特征，構建三層BP神經網絡(輸入層33個節(jié)點，隱含層10個節(jié)點，輸出層14個節(jié)點)訓練網絡，將訓練好的網絡保存，分別對訓練過的這1 400個花生籽粒進行識別識別率為99.5%，拿沒有訓練的同樣14個品質每個品種100個花生進行識別，識別率達到了98.9%。

2.6 識別算法的擴充

將SVM識別模型通過后臺管理加入檢測平臺，同樣針對上述檢測情況，對獲取的33個特征組成的特征庫進行檢測，檢測效果與神經網絡對比見表3，可見在特征集合比較大的情況下，SVM的總體識別性能比ANN效果好。

表3 兩種算法花生規(guī)格、品質和品種的檢測性能

3 結論

針對花生品質檢測與分析的要求，基于計算機視覺和圖像處理的方法，建立了檢測與分析平臺，界面友好，操作簡單，圖形文字相結合進行信息顯示，比較更加直觀，算法研究更加容易。總體來說，平臺的建立提高了算法研究的效率，達到了建立該平臺的目的。平臺具有良好的實用性，交互性和可擴展性。

為檢測平臺的有效性進行了相關的仿真試驗，建立了包含4 800顆籽粒花生圖像的圖像數據庫，通過Matlab內置函數獲取每個籽粒的33個特征，特征數據共158 400條，建立了三層神經網絡進行相關的品質和品種識別，總體識別率達到了97%以上。檢測效果良好，根據花生品質的規(guī)格、破損霉變及顏色均勻度和形狀端正度給出了市場的參考價格。試驗證明整個平臺有效實用。

本研究基于數字圖像處理技術獲得的花生外觀特征數據與認識，為花生品質的計算機視覺檢測的進一步深入研究與應用奠定了基礎，圖像處理的測定方法具有準確、快速、適合大批量的優(yōu)勢，將在作物科學的理論與實踐領域發(fā)揮日益重要的作用。

［1］趙春明，韓仲志，楊錦忠，等.玉米果穗DUS性狀測試的圖像處理應用研究［J］.中國農業(yè)科學，2009，42(11):4100－4105

［2］郝建平，楊錦忠，杜天慶，等.基于圖像處理的玉米品種的種子形態(tài)分布及其分類研究［J］.中國農業(yè)科學，2008，41 (4):994－1002

［3］楊錦忠，郝建平，杜天慶，等.基于種子圖像處理的大數目玉米品種形態(tài)識別［J］.作物學報，2008，34(6):1069－1073

［4］Sakai N，Yonekawa S，Matsuzaki A.Two－dimensional image analysis of the shape of rice and its application to separating varieties［J］.J Food Eng，1996，27(3):397－407

［5］Dubey B P，Bhagwat S G，Shouche S P，et al.Potential of artificial neural networks in varietal identification using morphometry of wheat grains［J］.Biosyst Eng，2006，95(1):61－67

［6］Venora G，Grillo O，Shahin M A，et al.Identification of sicilian landraces and canadian cultivars of lentil using an image analysis system［J］.Food Res Intl，2007，40:161－166

［7］韓仲志，匡桂娟，劉元永，等.基于形態(tài)和顏色特征的花生品質檢測方法［J］.花生學報，2007，36(4):18－21

［8］韓仲志，劉竟，楊錦忠.花生籽仁感官品質鑒定中的計算機色選機制研究［J］.花生學報，2009，38(2):15－19

［9］韓仲志，趙友剛.基于外觀特征識別的花生品質與品種檢測方法［J］.中國糧油學報，2009，24(5):123－126

［10］Zhongzhi Han，Yougang Zhao.A method of detecting peanut cultivars and quality based on the appearance characteristic recognition.［G］//Qiyong Gong，Yong Jiang，Christos Grecos.The second international conference on information and computing science.Manchester:CPS，2009，2:21－24

［11］GB/T 1532—2008，中華人民共和國國家標準——花生［S］.

Image Analysis and System Simulation on Quality and Variety of Peanut

Han Zhongzhi Zhao Yougang
(College of Information Science＆Engineering，Qingdao Agricultural University，Qingdao 266109)

Aiming at the limitation in quality detection of peanut，a method based on image processing was developed;moreover，a simulation platform was constructed based on MATLAB GUI.This platform has integrated some new pattern recognition methods such as ANN＆SVM and some classical image processing arithmetics.Finally，a simulation example was proposed.Based on 4 800 pictures for single grain of 10 varieties and 14 kinds of quality，33 characters were detected.These characters could be divided into three categories:shape，color and texture.Using the ANN＆SVM model，the peanut commercial standard，varieties and quality were tested.Results:The total correct rate of the tests by using the ANN＆SVM model is 97%.It is proved that this platform has good interactivity，expansibility，visibility and practicability.The peanut quality evaluation is objective，quantitative，rapid and nondestructive.It possesses practicability for peanut trade，production and circulation.

peanut，quality detection and analysis，image processing，artificial neural network，simulation platform

S126 文獻標識碼:A 文章編號:1003－0174(2010)11－0114－05

山東省自然科學基金(2009ZRA02123)，山東省科技攻關項目(2009GG10009057)，青島市科技發(fā)展計劃(08－2－1－15－nsh)

2009－11－18

韓仲志，男，1981年出生，講師，農業(yè)圖像處理

趙友剛，男，1970年出生，博士，工程師，農業(yè)信息化