基于計算機視覺的花生霉變程度檢測

王金英，董 禮

(秦皇島職業技術學院,河北 秦皇島 066100)

0 引言

花生是世界范圍內的油料作物，種植面積和重要性僅次于油菜。花生在16世紀傳入我國，19世紀末開始推廣種植，目前在很多的地區均有分布，其中河南和山東兩省是最大的種植區。我國花生的年產量約1 700萬t，占世界總量的40%。除了40%的脂肪含量外，花生還富含蛋白質和維生素，具有很高的營養價值，也可以作為人們的日常食品。

花生的果實位于地表以下，土壤中存在黃曲霉或寄生曲霉等霉菌能引起花生的霉變。在花生的生長和儲存過程中，當溫度和濕度適合時，上述的霉菌便會產生黃曲霉素這種毒性很強的次生代謝產物，并伴隨發霉的現象[1]。黃曲霉素是毒性最大和對人類健康危害最突出的一類霉菌毒素，被世界衛生組織認定為一類致癌物，長期食用含有這類毒素的花生會對健康產生嚴重的影響。我國相關標準限定的花生及其制品中黃曲霉素B1最高含量為20ppb，而歐盟限定的為2ppb，導致我國花生在出口過程中時常因黃曲霉素超標而被扣留或銷毀，造成嚴重經濟損失的同時也削弱了在國際市場的競爭力[2]。

花生的黃曲霉素含量與霉變程度密切相關，因此對霉變程度的檢測可以為霉變花生的清選提供條件，極大地提高花生食用的安全性。傳統的花生霉變檢測方法是由人工觀察判別，工作強度大，且易受到人員體能和狀態的影響。生化檢測具有一定的優勢，但是對人員的技術水平和工作經驗要求較高，測定的成本和周期也相應增加[3]。隨著花生加工和出口規模的增長，上述方法的局限性日益明顯，已經無法滿足對食品安全的需求。

目前，對黃曲霉素的測定方法有薄層色譜法、高效液相色譜法及酶聯免疫吸附測定等。對含有黃曲霉素花生的分選有比色分選和圖像識別等，是根據外觀差異清除發生霉變的花生粒，還沒有實現以黃曲霉素含量為指標的無損在線分選[4]。科學技術的發展為全面檢測花生霉變程度開辟了方法，如電子鼻、光電技術、光譜特征分析和計算機視覺分析，這些方法克服了檢測成本高和過程繁瑣的缺點，具有實際應用的潛力。

電子鼻是由特異性的化學傳感器陣列組成的模式識別系統，能夠識別復雜的氣味。花生霉變過程中形成黃曲霉素的同時，也會產生特殊的氣味。惠國華等研制了一套電子鼻系統，通過分析花生霉變產生的氣味，較好地反映出了霉變的程度[5]。花生霉變的光電分選設備有兩種，即色選機和近紅外透射分選機。其中，色選機根據霉變花生與正常花生之間的顏色差異進行分選。花生發霉后，內部的蛋白質和脂肪酸會發生變化，對近紅外光的吸收強度出現差異，近紅外透射分選機則是根據這種特性進行分選[6]。另外，花生發霉后內部的物質發生變化，還會形成獨特的光譜特征，采集這些光譜特征并建立指數分析模型，能夠對花生的霉變進行準確識別和檢測[7-8]。

計算機視覺是由相機拍攝圖像，通過電腦對圖像中的目標進行識別和檢測。這種技術在20世紀80年代取得了較大的發展，現在已經廣泛用于社會生產的各個領域。計算機視覺在農業上主要用于水果采摘、分級檢測及田間雜草識別等，符合現代精準農業發展的趨勢[9-12]。陳紅等采用計算機視覺對花生仁進行識別，并引入神經網絡的分析算法，對各種霉變程度的花生獲得了很高的檢測準確率[13]；另外，還基于計算機視覺，采用不同的特征參數和分析方法，對花生霉變程度的判斷準確率也達到了90%[14]。韓仲志等利用計算機視覺對花生的多種外觀特征進行測量，實現了對花生品質的準確檢測和分級[15]。上述方法在檢測環節上已經較為完善，但是缺少對實時性的驗證，因此還沒有應用于在線檢測分選。本文基于計算機視覺技術，用相機拍攝霉變花生的圖像并對外觀進行檢測，根據顏色特征評判花生的霉變程度，以期為花生的在線分選提供技術支撐。

1 硬件設備

花生圖像在封閉的暗箱中拍攝，拍攝箱是一個尺寸0.7m×0.6m×0.6m的長方體，內壁為黑色以避免反光，底部的樣品臺也是黑色背景。拍攝箱內部上方的4個角上各安裝1盞白熾燈，功率為10W。拍攝箱內部正上方安裝1臺世紀科信UCMOS0300型CCD工業相機，拍攝花生圖像后由AD6673型A/D轉換器轉換為數碼信號，再通過USB數據線傳輸給計算機。

核心計算機為戴爾XPS8910型臺式電腦，配置包括北京大恒VRT-CG200型圖像采集卡、Intel i7處理器、GTX1070型顯卡和16G內存，具有兼容性強、性能快速穩定等優點。圖像分析的軟件為MatLab工具箱，在Windows10環境中運行，可以滿足圖像實時分析處理的要求。

2 圖像分析

2.1 圖像預處理

由于受到各種環境因素的干擾，拍攝得到的圖像會存在一定的噪音，影響了圖像質量和分析處理效果，需要進行預處理。圖像噪音去除的方法有多種，本文根據實際情況，采用維納濾波處理。維納濾波經過多次循環后，圖像的清晰度增加，邊緣和細節信息保存較為完整，取得了良好的濾波效果。預處理得到的圖像中背景為黑色，花生的圖像明顯。正常花生表面的顏色均勻，光澤度好，呈現淺紅色；霉變花生的表面出現皺縮和黑色的斑點，顏色褐化不均勻，光澤較為晦暗，如圖1所示。

圖1 花生圖像的預處理

2.2 圖像分割

根據花生圖像目標的顏色特征，采用HSL的顏色空間，以色調H、飽和度S和亮度L作為分量來增加圖像的對比度和減小亮度，獲得了HSL顏色空間下對L分量進行灰度化的圖像，如圖2所示。

圖2 花生圖像的灰度化

灰度化圖像中的背景為黑色，花生為淺紅色、灰白色或褐色，因此可以利用兩者之間顏色或亮度的明顯差異將檢測目標從背景中分離出來。這里將圖像分解為R、G、B等3種原色，因B分量在灰度化圖像中邊緣保存完整，含有的噪音較少，因此利用閾值對B分量進行邊緣檢測；然后通過一系列形態學濾波消除冗余的信息，修復邊緣上的毛刺后得到平滑閉合的目標輪廓；最后，對輪廓進行填充，得到從背景中分割出來的花生圖像，如圖3所示。

圖3 花生圖像的輪廓提取

2.3 特征提取

霉變花生和正常花生的差異主要體現在表皮顏色上，因此這里選用顏色相關的參數提取花生霉變的特征。為了獲得目標區域的特征信息，對分割得到的花生圖像內的各個像素點提取特征量并計算平均值。花生發生霉變后表面的明暗變化顯著，所以采用HIS的顏色模型對霉變的程度進行檢測。提取單個花生圖像區域的H、I、S顏色分量計算均值后，分析發現H顏色分量的變化最為明顯，且隨著霉變程度逐漸增加。因此，選用H顏色分量作為評判花生霉變程度的特征參數，根據設定的閾值將霉變程度分別劃分為正常0、輕度霉變1、中度霉變2和嚴重霉變3，并標識在花生圖像內，如圖4所示。

圖4 花生霉變程度評判

3 仿真試驗結果

通過仿真試驗對上述的檢測方法進行驗證，使用的花生品種為中花12號，不同霉變程度的花生各50粒，共200粒。每次隨機選取20粒花生排布在樣品臺上拍攝圖像，通過計算機視覺檢測后評判花生的霉變程度，劃分4種霉變程度的H分量閾值分別為0.057、0.063和0.069，最后統計檢測的準確率。

仿真試驗的結果如表1所示。由表1可以看出：正常的花生粒中僅有3個被計算機視覺誤判為輕度或中度霉變，檢測的準確率為94%；輕度、中度和嚴重霉變的花生分別有2粒、4粒和4粒被誤判為相鄰的等級，最低的檢測準確率也達到了92%。總體上看，計算機視覺對花生霉變程度的檢測準確率超過93%，單張圖像從拍攝到完成檢測并輸出結果共耗時1s，可以滿足實時檢測和在線分選的要求。

表1 花生霉變檢測的準確率

4 結論

基于計算機視覺技術，用相機拍攝花生的圖像，依次采用維納濾波處理去除噪音、L分量進行灰度化、B分量進行圖像分割后獲得目標區域圖像。選用H顏色分量作為反映花生霉變程度的特征參數，根據設定的閾值評判霉變等級。仿真試驗中僅有個別的花生粒被計算機視覺誤判為其它等級，對花生霉變程度檢測的整體準確率超過93%。單張圖像的處理過程耗時1s，可以滿足實時檢測的要求。

花生霉變的本質是內部物質的變化，而該方法檢測的是外部特征，若與近紅外透射和光譜分析等內部特征檢測技術結合，則能更全面地評判花生的霉變情況。另外，計算機視覺檢測技術還需要配套相應的分級執行裝置，才能實現花生的在線分選。