谷物外觀品質檢測方法的研究

王一丁，李霽陽

(北方工業大學 電子信息工程學院，北京 100144)

谷物外觀品質檢測方法的研究

王一丁，李霽陽

(北方工業大學 電子信息工程學院，北京 100144)

隨著我國科學技術的發展，有許多傳統的人力檢測方法可以被機器視覺和圖像處理代替;而且隨著計算機的性價比越來越高，讓機器視覺融入我們的生活也變為可能；因此，通過處理谷物外觀圖像來對一批谷物的質量進行評估，具有較高的理論價值和實際意義;利用了谷物長寬比的特點，可以有效的判斷谷物的粒型和完整性，這種方法不僅適用于大米，對紅豆、黑米、綠豆、燕麥、高粱米、紅米等谷物也有著良好的識別效果;并且文章對流域算法進行了一定的改進，使流域分割算法可以應用在谷物外觀品質檢測中；實驗結果表明，該算法及程序上的設計是可靠的、高效率的，可以利用機器視覺代替人眼檢測。

數字圖像處理；機器視覺；谷物外觀；流域分割；

0 引言

我國是一個人口大國，對于糧食的產量和進口自然也是重中之重，各種谷物品質的好壞直接影響到民眾的生活，我國對農產品和食品工業極為重視。但是，有些谷物外觀品質比如谷物的殘缺程度、大米的堊白粒率等還停留在利用肉眼觀測的階段，這種方法不僅效率低，而且是一種浪費人力資源的行為。對于谷物外觀品質的檢測缺乏客觀性和科學性，而且無法滿足快速檢測的要求。和人工的肉眼檢測相比，機器視覺檢測技術具有速度快、效率高等優點，在谷物品質檢測領域有著廣闊的應用前景。利用機器視覺分級代替人工檢測，是自動化分級發展的必然趨勢。而且隨著計算機的性價比越來越高，讓機器視覺融入我們的生活也變為可能。因此，對圖像中谷物的外觀進行研究，具有較高的理論價值和實際意義，如在廠家入庫時，可以用此方法對谷物進行分級檢測，決定其如何貯存和分類，能夠極大地提高工作效率。

對于谷物外觀品質的檢測系統，首先要確保谷物圖像的采集質量，要保證在同一光源，同一環境下采集，這樣才可以使整個系統具有良好的精確性。本文對谷物品質檢測中常用的圖像預處理算法進行了研究比較，確定了適合針對谷物外觀圖像的預處理算法。并且對于一系列谷物的處理都具有通用性，設定合適參數，使算法可以檢測大米、紅豆、綠豆、燕麥、高粱米等多種谷物。本文的創新之處在于檢測谷物時可以不受谷物粘連和擺放的制約，當谷物擺放的角度不同或者幾粒谷物粘連在一起時，檢測出的結果也可以保證其精確性。

1 谷物檢測系統框架

其中CCD攝像機和圖像采集卡組成采集模塊，計算機為圖像處理模塊，光源和密封箱組成光源控制模塊。相機采用的是WATEC-902B工業相機，分辨率為640*480，此相機可以關閉自適應功能，使采集到的谷物圖像具有穩定性。采集卡為MINE-Vcap2860，作用主要是完成圖像的數字化，并且可以把圖像存儲到存儲器中。計算機采用聯想的揚天14900-v00,其中CPU為Inter core i3-4130，內存為4.00 GB。光源為普通白熾燈，由于在密封箱里考慮到會有重影的情況，所以把谷物托盤換成玻璃的，從下往上打光，避免光源影響到谷物檢測的質量。系統的整體框架如圖1所示。

圖1 系統框架圖

2 圖像預處理

2.1 灰度化

CCD相機采集到的圖像為RGB顏色模型，經過圖像采集卡的采樣和量化得到的24位真彩圖像。然后對圖像進行灰度化處理，灰度公式如下：

Gary=2.99*R+0.587*G+0.114*B

(1)

式(1)中，Gray代表灰度，R為紅色通道，G為綠色通道，B為藍色通道。圖片的灰度級為[0,255]。

2.2 中值濾波

中值濾波是一種經典的平滑噪聲方法。首先取一個3*3或5*5的二維模板，記為W。用W遍歷圖像中每個像素點，將每個像素點的灰度值設置為該點某鄰域窗口內的所有像素點的中值。

(2)

圖2(a)原圖 圖2(b)濾波處理后

中值濾波采用W為5*5的模板，模板不宜太大，否則會影響谷物邊緣的處理結果。如圖2所示，該方法可以有效的平滑圖像，并且可以保留谷物邊緣的特征。

2.3 OSTU算法

OSTU算法是我們平時常用的閾值處理算法，它不受亮度和對比度的影響，主要思想是取某個閾值，使得前景和背景兩類的類間方差最大。經過實驗比較，OSTU算法對谷物外觀的圖像有著良好的處理結果，可以用其對谷物外觀圖像進行二值分割。

(3)

公式(3)中，當分割的閾值為t時，ω0為背景比例，u0為背景均值，ω1為前景比例，u1為前景均值，u是整幅圖像的均值。經過公式計算后，選取最大的t，即為圖像分割的最佳均值。

3 谷物圖像檢測算法

谷物外觀圖像經過預處理后，可以對圖像進行下一步操作。圖3為谷物算法的基本流程圖，介紹了軟件每步的基本流程。

圖3 谷物算法流程圖

3.1 連通區域標記算法

連通區域標記算法是數字圖像處理中一個常用的技術，它可以用來檢測二值圖像中連通的區域，并且在許多跟蹤檢測算法中充當目標區域檢測的作用。在谷物的外觀品質檢測中，可以把每粒谷物當成是一個連通域標記出來，分別對每個連通域在進行后一步的處理，得到想要的參數。

圖4 八鄰域圖

在圖像中，最小的單位是像素，每個像素周圍有8個鄰接像素，如圖4所示，P1-P8這9個連通的點構成了一個區域的集合，我們稱之為一個連通區域。連通區域標記方法要對二值圖像掃描兩次，第一次掃描首先遍歷圖像中的每個像素點，判斷像素點之間相鄰的關系，看其相鄰像素的像素值為1還是0。對像素為1的點賦予相同的連通標號，實現連通區域標識，這就是圖像中的一個連通域。但是這種遍歷每個像素點的掃描方式，通常會產生像素點被重復標記的現象，比如一幅圖像中同一個連通區域可能會有兩個標記號。所以需要進行第二次掃描來消除重復的標記，把同一連通域中有不同標記號的點找出來，然后把它們合并為一個連通域。

首先用8鄰域模板遍歷圖像中每個像素點，當該像素的左鄰像素(P8)和上鄰像素(P2)為無效值時，給該像素置一個新的標記號，標記號自增1；當該像素左鄰像素或者上鄰像素為一個有效值時，將有效值像素的標記號賦給該像素的標記號；當該像素的左鄰像素和上鄰像素都為有效值時，選取其中較小的標記號作為該像素的標記號值，統計出圖像里的所有連通域，等待后續處理。

3.2 粒型檢測算法

粒型檢測就是對谷物籽粒的完成程度的檢測，即谷物的長寬比。每種谷物的標準長寬比不同，比如優質大米的長寬比必須大于等于2.8，優質的紅豆的長寬比大約在1.2左右。如果在直角坐標系下進行粒型檢測，會有一種情況，把谷物灑在檢測平臺上，不能保證每一粒谷物都是橫平豎直并且沒有任何角度的，如果在直角坐標系下檢測谷物長寬比，不同角度可能導致同一粒谷物的長寬比相去甚遠，若想在直角坐標下快速的實現，并不是很容易。所以我們可以采用極坐標下的長短軸檢測算法來檢測谷物的長寬比。

圖5

如圖5所示，原點O為谷物籽粒的形心，坐標為(Cx,Cy)，直角坐標系下P點(a,b)到極坐標下P點(ρ,θ)的轉換公式如下：

(4)

如圖6所示，當往谷物托盤中擺放谷物時，不可能全是像圖6(a)中所示，沒有任何角度的谷物籽粒。如果使用直角坐標系檢測長短軸時，可能會出現很大的誤差。然而使用極坐標時，是以谷物的形心為中心點，檢測形心到邊緣的距離。圖6(b)中的谷物籽粒無論旋轉任何角度，其長寬比均是1.47。

圖6(a)谷物長短軸 圖6(b)旋轉45度后

3.3 堊白度檢測算法

堊白度檢測算法是一種針對大米質量進行評估的檢測算法。當大米出現堊白說明大米的胚芽發育不良，這個指標也是衡量大米質量的一個重要標準。判斷大米堊白程度通常由兩個重要參數決定:堊白度和堊白粒率。按照國家發布的GB 1354-2009大米評價指標給大米分級。兩種參數的定義如下：

堊白度：堊白是指稻米胚乳中白色不透明的部分，為胚乳淀粉粒之間存在空隙引起透光性改變所致。堊白度是稻米中堊白部位的面積占米粒投影面積的百分比，見式(5)：

(5)

堊白粒率：堊白粒率是指一批米粒中有堊白米的比率，這個參數指標直接影響到大米蒸煮后的口感。見式(6)：

(6)

國家制定標準為：一級優質大米的堊白粒率必須在10%以下，而堊白粒率在30%以上的為劣質大米。

3.4 改進后的流域分割算法

針對谷物粘連在一起的情況，我們要對谷物圖像進行分割。流域分割算法也叫做分水嶺(Watershed)算法，這種算法是一種基于數學形態學的方法，該算法有定位精確，計算速度比較快等優點。同時也有不足之處，如分割過度，經常把一個籽粒區域分割成兩塊。而經過本文對算法的改進，可以有效的避免這種情況出現。首先介紹一下流域算法的基本思想：將圖像看成是被水覆蓋的自然地貌，圖片每個像素的灰度級代表其在自然地貌中的海拔高度，灰度級越高代表海拔越高，不同的區域稱其為流域，可以把每個不同的區域看作為一個“集水盆”。每個集水盆的分界線就是流域的分界線。通常描述分水嶺變換的方法為“浸沒法”，即假設在極小區域內開一個洞，水從這些洞中不斷涌出，逐漸由下至上浸沒與極小區域相同的流域，當水面不斷升高并且要匯合時，就筑起堤壩(分界線)，將不同流域分開。在分割谷物圖像時，圖像中的每個單獨的谷物就是一個連通域，粘連在一起的谷物也是一個連通域，把它們分別賦予不同的標記號。

具體步驟如下：設f為一幅被輸入的灰度圖像，f(i)表示圖像中任意一點像素的灰度值，fmax和fmin分別為圖像中灰度的最大值和最小值。使溢流(遞歸)過程從fmin到fmax按單灰度級增長。假設現在已經溢流到第h步，并且h為此時的灰度值，所有已經被浸沒的集水盆地的區域極小值小于或等于h，標記每個區域，給每一個區域一個唯一的標記值。接下來訪問灰度級為h+1的像素點，并給予其一個特殊的標記M。檢查標記為M的像素，如果其鄰域已經被標記，則將該像素保存在隊列中。讀取隊列中像素，把與當前讀取像素相鄰的且有M標記的像素也標記為與該像素相同的標記值，實現浸沒，集水盆地此時慢慢外擴，但是不會超過邊界線。此外還有一些有M標記但是沒有歸入其他集水盆地的像素，出現的新的局部極小值區域，其灰度為h+1。標記為M的像素就是這些新集水盆地最小值像素點，他們和已經標記出來的集水盆地并不連通。此時，需再進行一次掃描，檢測灰度值為h+1的仍然標記為M的像素，給他們一個新的標記值，這就是新發現的集水區域。

圖7(a)谷物原圖 圖7(b)流域分割后

如圖7(b)所示，我們可以看出，直接使用流域分割算法對圖像分割的效果并不好。雖然每一粒谷物都確實被分割開了，但是也出現了許多過度分割的情況，有些谷物被分割成了2粒甚至3粒。這是由于算法的迭代過程中是在整幅圖像的極小值區域進行，任意兩個極小區域的交界處都將作為流域的分界線，因為粘連的情況很復雜，算法可能會把單個籽粒區域分割成多個區域，嚴重影響了后續的處理結果。

所以我們對流域算法進行了改進。首先加入一個合適的閾值T作為單粒區域的面積，遍歷圖像，如果連通域的面積小于T，則此連通域被認為是單個籽粒區域，直接被標記出來，不參與后續的分割。然后對圖像進行距離變換。距離變換是二值圖像處理與操作中常用的手段，在骨架提取，圖像窄化中常有應用。我們可以在這里應用距離變換，求得二值圖像中零值到非零值的距離，這個距離也就是“集水盆”到“分水嶺的距離”，并且距離變換可以起到一個腐蝕作用，使谷物粘連的復雜情況變得簡單化，可以讓直接通過分水嶺變換得到的局部極小值數量變少，最后得到的結果是一張與輸入圖像類似的灰度圖像，并且越遠離背景邊緣的像素灰度值越大。具體結果見圖8。

如圖8(b)所示，大米中的“白點”就是我們所說的極小值區域。當使用浸沒法時，這些區域就像是谷底，往極小值區域加水后，這個區域會一點點擴大，當擴大到流域邊界線時，分割結束。得到圖8(c)中的最終分割結果。

圖8 結果圖

4 試驗結果與分析

為了驗證本文方法的有效性，分別采用目測識別法和本文方法對大米進行粒型和堊白度的檢測。隨機取200粒大米，其中混有煤渣和石子等雜質。結果如表1所示。

表1 大米檢測結果

試驗結果表明，本文方法雖然不及目測方法的成功率高，但是在很大程度上縮短了檢測時間，并且節省了人力資源。由表1得知，用本文方法檢測堊白大米的準確率達到97.22%，篩選雜質可達到93.33%，應用長寬比檢測不完善顆粒的準確率達到92.59%。并且本文的方法沒有受到大米粘連的制約，所以在檢測時，不必太拘泥于谷物擺放的位置。

表2 紅豆檢測結果

取20粒優質紅豆、20粒不完整紅豆和10粒雜質進行長寬比檢測，結果如表2所示。從中我們可以得出優質紅豆與不完整紅豆的長寬比相差很大。可以利用這一點對這一批紅豆的不完善粒進行篩選，以便給紅豆分級。雜質一般都比普通的谷物小很多并且是不規則的。但是當雜質和被檢測谷物差不多大小的時候，本文方法就有待改進了。可以在處理灰度圖像時先做一次灰度標定處理，把谷物和雜質優先分離出來。

表3 黑米檢測結果

取20粒優質黑米、20粒不完整黑米和10粒雜質進行檢測，從表3中可以得出，檢測結果顯示本文檢測方法的正確率達到95%以上，證明了本文方法針對不同類型的谷物具有良好的通用性。

5 結束語

試驗結果表明，本文方法對谷物的粒型，完整程度具有通用性。針對不同的谷物可以適當的改變谷物系統軟件中的參數和閾值。并且本系統可以對谷物進行實時檢測，現場分級。與人工檢測相比，本系統操作簡單，檢測效率高，準確度良好等特點，用本系統代替人眼對谷物的檢測是可行的。

[1] 中華人民共和國國家標準——大米[S].(GB1354-2009).

[2] 孫 明, 凌 云, 王一鳴. 在MATLAB環境中基于計算機視覺技術的大米堊白檢測[J]. 農業工程學報, 2002, 18(4):146-149.

[3] 丁偉杰, 范影樂, 龐 全. 一種改進的基于分水嶺算法的粘連分割研究[J]. 計算機工程與應用, 2007, 43(10):70-72.

[4] 何 斌. Visual C++數字圖像處理[M]. 人民郵電出版社, 2001.

[5] 王付軍. 基于數字圖像處理的大米質量檢測[J]. 安徽農業科學, 2010, 38(22):11998-11999.

[6] 陳 潔. 基于形態學和分水嶺算法的數字圖像分割研究[D].西安：長安大學，2012.

[7] 凌 云. 基于機器視覺的谷物外觀品質檢測技術研究[D]. 北京：中國農業大學, 2004.

[8] 陳建偉. 基于機器視覺技術大米品質檢測[J]. 糧食與油脂, 2008(5):39-41.

[9] 王國權, 周小紅, 蔚立磊. 基于分水嶺算法的圖像分割方法研究[J]. 計算機仿真, 2009, 26(5):255-258.

[10] Sonka M, Hlavac V, Ceng R B D M. Image processing, analysis, and machine vision[M]. Image processing, analysis, and machine vision/.:685-686.

[11] Bala A. An Improved Watershed Image Segmentation Technique using MATLAB[J].

[12] Roerdink Meijster J B A.The watershed transform: definitions，algorithms and parallelizationstrategies[J].Fundamental Information, 2001, 41:187-228.

[13] Hu P, Luo Y, Li C. Chinese Chess Recognition Based on Projection Histogram of Polar Coordinates Image and FFT[A]. Pattern Recognition, 2009. CCPR 2009. Chinese Conference on IEEE[C]. 2009:1-5.

Research on the Detection Method of Cereal Grains Appearance Quality

Wang Yiding, Li Jiyang

(College of Electronic Information Engineering, North University of Industry,Beijing 100144,China)

Using image processing technology to replace manual testing is an inevitable trend of automatic classification development. With the considerably increasing of the computers high cost-effective, it is possible to make practical application of machine vision technology. Accordingly, it has high theoretical value and practical significance by processing the cereal grain image to evaluate the quality of the cereal grains. In this essay we use the characteristics of the aspect ratio of cereal grain. It can effectively determine the size and the shape of grain and integrity. This method is not applicable only for the rice, red beans, black rice, mung beans, oats, sorghumrice, red rice, but other cereal grains also have good recognizable results.In addition, there are some improvements of watershed algorithm in this essay, which can be applied in cereal grains appearance quality checking. As the result, the algorithm and the design of program are effective and reliable, which proves that machine vision can be used instead of human vision.

digital image processing; machine vision; cereal appearance; watershed segmentation

2016-08-16；

2016-09-05。

王一丁(1967-)，男，遼寧沈陽人，教授，博士，主要從事模式識別與圖像處理、工業無損檢測、無線電定位技術方向的研究。

1671-4598(2017)02-0035-04

10.16526/j.cnki.11-4762/tp.2017.02.009

TP3

A