基于機器視覺的花生完善性檢測研究

王雪晴，鄭福來

（平頂山學院 電氣與機械工程學院,河南 平頂山 467000）

花生種植時要求種子完好無損、形態大、顆粒飽滿等。花生完善性是最基礎的檢測，其不完善主要是破損、霉變引起的。本文基于機器視覺和LabVIEW圖像處理工具包進行花生粒完善性檢測。

1 測量原理

當花生粒受環境影響發生破損、霉變或者病蟲侵害時，其顏色會發生變化，因此可以通過其顏色特征來衡量花生粒完善程度。顏色特征是圖像中最直觀、最明顯和具有全局性的物理特征，顏色作為一種重要特征在機器視覺系統中有廣泛的應用[1]。RGB是目前常見的面向圖像采集等硬件設備的顏色模型[2]。利用機器視覺技術獲取花生圖像，通過圖像處理再提取并分析R、G、B顏色值來反映花生種子是否霉變、破損等完善性信息。

2 實驗材料與檢測裝置

2.1 花生粒的選擇

花生品種較多，且大小各不相同。選取我國大面積種植的花生品種大白沙，覆蓋了河南、河北、山東、山西、安徽、江蘇等地。大白沙171[3]結果整齊，飽果率高，抗旱耐瘠薄，抗病性能較好，畝產400公斤以上，符合國家出口標準，便于檢測分析。本文選擇大小相近、完好和破損的花生若干。三井坊僅作為顏色對比樣品使用，與大白沙171顏色不同。花生樣品見圖1。

圖1 花生樣品圖片

2.2 檢測裝置

為了提高花生圖像的質量，本研究自制了檢測裝置如圖2所示。在暗室內四角設置LED光源，暗室內壁設置具有漫反射作用的背景白板。拍攝采用華恒MD-U300彩色工業相機，該相機有效像素為300萬，USB免驅接口，可直接與Lab-VIEW軟件對接，符合拍攝要求且價格便宜。工控機為普通PC電腦，被測花生放在托盤上，相機固定并在微距模式下拍攝花生的圖像，通過無線傳輸將圖像存儲到計算機上備用。

圖2 檢測裝置示意圖

3 圖像處理

獲取的花生粒圖像會受到拍攝技術、光照、背景等因素的影響，并且原始圖像包含太多對完善性檢測沒用的信息，因此對原始圖像要進行一系列必要的圖像處理，直接影響到后期對特征的提取是否順利。

本文采用可視化軟件LabVIEWVision2017[4]圖像處理工具包進行圖像處理。圖像處理流程如圖3所示，主要包括圖像的灰度化處理、灰度變換、圖像濾波、閾值分割的形態學處理等。

圖3 花生粒圖像的圖像處理流程

3.1 圖像灰度化

通俗地說圖像的灰度化就是對彩色圖像的RGB三個分量進行加權平均得到最終的灰度值。將彩色圖像轉化成灰度圖像，后續計算量可以大大減少，但灰度圖像中的特征與彩色圖像沒有什么區別。LabVIEWVision中提供的IMAQcreate.VI中可以設置圖像的類型為Grayscale(U8)，直接緩存為灰度圖像。

3.2 灰度變換

圖像灰度變換[5]主要是調整圖像的亮度，增強圖像的對比度，用來突出圖像中重要的信息。LabVIEW Vision使用IMAQ Mat Lookup.VI實現圖像的灰度變換，其位于LabVIEW的運動與視覺模塊的Image Processing選板中的Processing函數選板中。

3.3 圖像濾波

采集的花生粒圖像信息往往會因拍攝條件如光源強度不均勻等而引起一些干擾噪點，在圖像上表現為一些孤立像素點。這些噪點會對后續分析判斷造成影響，所以要加以濾除，對圖像進行濾波。中值濾波既可做到噪聲抑制、濾除脈沖干擾及圖像掃描噪聲，又可以克服線性濾波器帶來的圖像細節模糊，保持圖像邊緣信息[6]。在LabVIEW Vision中，調用功能函數IMAQ Nth Order.VI來實現對灰度圖像的中值濾波處理。

3.4 閾值分割

圖像二值化可以使整個圖像呈現出明顯的黑白效果，其目的是將目標與背景分離更加明顯。圖像二值化不僅能極大地壓縮數據量，而且可以大大地簡化分析和處理步驟，因此在很多情況下，是進行圖像分析和特征提取之前的必要圖像處理步驟。在LabVIEWVision中利用IMAQThreshold.VI對圖像進行二值化。本文采用直方圖方法選擇二值化閾值，主要是發現圖像中像素灰度聚集的區域會形成波峰，取兩個區域波峰中的波谷值作為二值化閾值[7]。通過實驗，證明該方法相對直接分割法和平均值分割法而言精準度高了許多。

4 完善性檢測

4.1 特征參數提取

本文采用RGB模型對花生種子的的顏色特征進行分析，R GB三個分量色度范圍都在[0-255]之間，不同顏色之間R G B分量的色度范圍數據也是不同的[8]。采用如圖1所示的3種花生樣本采集顏色特征數據，采集結果見表1。通過表1數據可以發現，完好大白沙171的RGB色度平均值在[168.4-171.1]之間，而脫皮大白沙171的RGB色度均值在[175.6-179.2]區間，作為對比樣品的三井坊色度均值在[166.4-167.5]之間。由此可見，RGB色度平均值I可以作為花生顏色特征參數，作為完善性識別的依據。

表1 花生種子RGB色度平均值采樣表

4.2 完善性檢測

采用LabVIEW2017和圖像處理工具包IMAQ Vision2017軟件編制花生粒完善性檢測程序。檢測流程如圖4所示。對任一花生粒進行完善性檢測，完好花生和破損花生檢測運行結果界面如圖所示5。

圖4 花生完善性檢測流程

圖5 完好花生和破損花生完善性檢測結果界面

5 仿真測試實驗

為了驗證系統的功能，現選取50個完好和破損花生粒進行完善性檢測并驗證系統功能。表2給出了被檢測花生粒的完善性情況和檢測結果。

表2 被檢測花生粒的完善性情況和檢測結果

由表2看出，對50個花生粒的完善性檢測，正確率為92%，表明本方法具有一定的可行性。

6 結論

以花生種子為研究對象，基于機器視覺平臺和LabVIEW2017圖像處理進行花生粒的完善性檢測。采用實驗裝置進行花生粒圖像的采集，利用LabVIEW Vision2017進行一列圖像處理，主要有灰度化、灰度變換、中值濾波和閾值分割，對處理之后的花生圖像進行顏色特征提取，經過對花生圖像RGB顏色值的分析得出利用色度平均值I可以作為花生顏色特征參數。花生樣本的完善性測試實驗結果顯示，檢驗的正確率達到92%，表明本方法簡單可行，精度高，省時省力，并可對后續機械化花生選種的研究和實現提供一定的基礎。若能采用高質量的實驗裝置和設備，如采用可靠性更高的專業相機以及可靠性照明光源等，則可進一步提高測量精度。