LOG和Fisher算法的殼類食品表面裂紋檢測方法

吳劍杰

紹興職業技術學院（紹興 312000）

禽蛋是人們日常生活中不可或缺的一種食物，隨著中國禽蛋行業的快速發展，人們對其品質的要求也越來越高[1-3]。以表面裂紋為例，該缺陷嚴重影響禽蛋品質，關乎食品安全問題。如何高效、準確地實現裂紋檢測是保證禽蛋品質的關鍵環節。傳統檢測方式主要依賴人工敲擊辨聽，不僅檢測效率低、勞動強度大，而且容易造成二次損傷[4-5]。因此，設計一種無損檢測系統具有一定實用意義和實際應用價值。近幾年，機器視覺技術發展十分迅速，利用機器視覺進行禽蛋外形和裂紋檢測具有快速、準確、無損等優點[6-9]。通過對禽蛋圖像的采集、處理、特征提取、缺陷識別，能夠得到大小、扁平程度、裂紋等諸多品質指標，進而實現禽蛋的分級、篩選等操作[10-11]。關于機器視覺在禽蛋檢測中的應用研究日趨廣泛，如杜艷紅等[12]認為雞蛋外形為橢圓，可以利用橢圓曲線擬合的方式獲取雞蛋外形參數，建立一種關于雞蛋長短軸像素值和真實值的數學模型，進而得到雞蛋外形特征。彭輝等[13]提出一種禽蛋破損檢測算法，主要以禽蛋圖像的G分量為研究對象，通過梯度增強、投影變換獲取圖像內部有效數據，采用隸屬度函數判斷禽蛋破損程度。歐陽靜怡等[14]利用計算機視覺技術獲取雞蛋表面圖像，同時采用同態濾波、BET算法、Fisher算法等圖像處理技術，提取裂紋特征并識別。結果表明，雞蛋裂紋識別率可達98%。

以雞蛋表面裂紋檢測為研究對象，在介紹雞蛋表面圖像采集系統的基礎上，重點論述圖像處理算法，通過具體試驗驗證所述方法的準確性。

1 表面圖像采集系統

雞蛋表面圖像采集系統如圖1所示，主要包括計算機、圖像采集卡、工業相機、暗箱、光源、傳送裝置、裝置臺等部分[15]。

圖1 雞蛋表面圖像采集系統

工業相機可實時采集雞蛋表面圖片并將其傳送至計算機，由于傳送裝置可使雞蛋不停轉動，可以捕捉到雞蛋多個側面的圖像，以提高缺陷檢測的正確率。從實際使用效果來看，裝置可以滿足整個系統對圖像的要求。

光源的照明方式主要包括2種，即背向照明和前向照明。其中，背向照明要求將待測物體放置在光源和相機之間，其優點是可以清晰地勾勒出待測物體的邊緣輪廓。通常情況下，雞蛋受到光線照射具有一定的通透性，而且裂紋處和完好區域的通透性不同。因此，選用背向照明實現雞蛋表面特征圖像和邊緣輪廓圖像的采集。

暗箱頂端中間開孔用來固定工業相機。暗箱底端放置傳送裝置，另外，裝置臺的高度可以上下調節，滿足不同物距條件下圖像采集。為提高圖片質量，暗箱內壁往往刷成乳白色，這樣能夠有效地減少鏡面反射，增加漫反射。暗箱底部最好選用黑色，可以吸收發射光，將待測物體和背景嚴格區分開。

2 裂紋圖像分析算法

雞蛋表面裂紋檢測采用背光照明方式，該照明方式會導致的問題：所獲圖像中雞蛋表面微小裂紋并不明顯，需要進行裂紋增強處理；背光照明會使雞蛋表面暗斑變得比較明顯，直接影響裂紋檢測結果，因此需要選取合適裂紋識別方法。

2.1 裂紋增強

裂紋增強是指在減少噪聲和其他干擾的前提下，通過相關算法實現圖像預處理，盡量突出和保留裂紋固有特征信息，使其結構清晰化。一般情況下，雞蛋表面細小裂紋會導致其圖像的灰度值、紋理特征發生突變。因此，可采用邊緣檢測算法實現圖像增強。常用的邊緣檢測算子主要包括一階和二階微分算子。綜合考慮，選用LOG算子，利用二維高斯平滑算子實現圖像預處理，去掉一部分噪聲；通過Laplace算子完成邊緣檢測。

假設所選二維高斯平滑算子為G(x,y)，其表達式為：

式中：x,y為圖像坐標；σ為概率分布標準差，其數值和濾波器操作鄰域大小呈線性正相關。為簡化分析過程，遠離算子中心的像素影響可忽略不計，以3σ為界。

對于二維圖像f(x,y)，Laplace算子可表示為：

綜合式（1）和（2）可得圖像f(x,y)的Laplacian公式：

考慮到卷積的微分性質，可事先對高斯函數求偏導，即先計算2Gσ；進行卷積求解，可以提高計算效率。具體表達式為：

式中：2Gσ為LOG濾波器，具體表達式為：

通過具體測試可以發現，負LOG算子對大面積薄斑的增強效果并不明顯，而且可以有效增強極性相反、互相平行的裂紋，所以選用負LOG算子。對于負LOG算子，有2個參數比較重要，即尺度參數σ和模板尺寸。裂紋增強效果在很大程度上取決于尺度參數，如果數值選取得當，不僅能夠凸顯裂紋，而且可以抑制背景信息，防止裂紋分叉。后者主要影響像素檢測精度，模板尺寸不宜過大。尺度參數設置σ=0.3，模板尺寸設置5×5，具體為：

2.2 圖像閾值分割

定義經增強處理后的灰度圖像為I(x,y)，圖內部的冗余信息比較多，無法滿足裂紋識別要求。為解決此問題，采用閾值分割法實現增強圖像的二值化處理。對于一個2×2鄰域，可定義其內部點(x,y)在x方向的一階偏導數為Kx(x,y)，在y方向的一階偏導數為Ky(x,y)，具體表達式為：

同樣，定義梯度方向為θ(x,y)，其表達式為：

對于邊緣點的判定依據可描述為：如果像素點(x,y)的梯度幅值不小于沿梯度方向的2個相鄰像素點的梯度幅值，那么可認為該點就是可能邊緣點。

針對非極大值抑制處理的圖像，設定2個閾值：一個高，一個低。比高閾值大的點可視作強邊緣點；比高閾值小但大于低閾值的點可視作弱邊緣點；比低閾值小的點可直接舍棄。可定義兩個邊緣圖像T1(x,y)和T2(x,y)，其中T1(x,y)可通過高閾值獲取，理想情況下T1(x,y)不含假邊緣，不過輪廓有可能是中斷的。雙閾值算法的優點在于：可在T1(x,y)中將邊緣連接成輪廓。低閾值邊緣圖像T2(x,y)可在其鄰域范圍內尋找可用于輪廓連接的邊緣，通過反復不斷地邊緣搜索，直到將所有T1(x,y)的間隙連接完成。

采用雙閾值法實現增強后雞蛋圖像的閾值分割處理。高閾值分割作用在于抑制大部分噪聲，但是容易造成部分裂紋信息丟失；低閾值分割作用在于保留模糊裂紋像素。總體來說，以高閾值分割為基礎，以低閾值分割為補充，這樣就可以實現裂紋連接，進而獲取比較理想的裂紋分割結果。參考相關文獻，高閾值可設定為70，低閾值可設定為20，雞蛋裂紋圖像分割效果如圖2所示。

圖2 雞蛋裂紋圖像分割效果

2.3 裂紋識別

在清除雞蛋邊緣以后，就可以對裂紋進行識別。可選用MATLAB算法實現裂紋分析，具體分析過程可描述為：

第一步，選取一定數量的有縫雞蛋和無縫雞蛋作為樣本，通過Fisher算法訓練，可以得到投影參數V；

第二步，分別計算有縫投影中心值以及無縫投影中心值；

第三步，遇到新樣本或未知樣本時，可先計算其投影值，然后分別同有縫投影中心值和無縫投影中心值相比較，根據比較結果判斷有縫還是無縫（接近有縫投影中心值，則認為有縫；接近無縫投影中心值，則認為無縫）。

可將MATLAB中的Fisher函數集成到計算機中進行學習判別。實際訓練對比結果表明，識別準確度在98%以上。雞蛋裂紋提取結果如圖3所示。

圖3 雞蛋裂紋提取結果

3 檢測結果與分析

為驗證所述方法的可行性和有效性，進行相關試驗研究。在相同試驗條件下，挑選經過粗洗的200枚雞蛋作為訓練、測試樣本，其中完好雞蛋100枚、裂紋雞蛋100枚。利用上述方法檢測雞蛋表面是否存在裂紋，檢測結果如表1所示。

表1 檢測結果

從試驗結果可以看出，所述方法可以很好地實現對裂紋雞蛋的檢測，正確率達到99%，而完好雞蛋的檢測正確率可達98%。說明雞蛋表面裂紋檢測方法具有比較高的檢測精度，雞蛋表面圖像處理算法可有效避免噪聲等干擾影響，處理效果較好，可滿足檢測要求。

誤檢情況如圖4所示，誤檢情況可以分為兩類：一是將完好雞蛋誤認為裂紋雞蛋，主要原因在于雞蛋表面的花紋引入的噪聲在預處理中不能完全去除，容易被檢測成為裂紋，造成完好雞蛋的誤檢；二是沒有檢測到雞蛋裂紋，主要原因在于雞蛋裂紋較小且靠近圖像邊緣，容易在去除雞蛋外輪廓和像素點閾值處理中將裂紋當作外輪廓和噪聲去除。雖然存在這2種誤檢情況，但是整體檢測精度較高，可滿足相關行業檢測需求。

圖4 誤檢效果圖

4 結語

為提高禽蛋品質，以雞蛋表面裂紋檢測為研究對象，提出一種雞蛋表面裂紋檢測方法。重點論述雞蛋表面圖像處理算法，包括裂紋圖像增強、裂紋圖像閾值分割、雞蛋表面裂紋識別等。試驗結果表明，雞蛋表面裂紋檢測方法具有較高檢測精度，雞蛋表面圖像處理算法可有效避免噪聲等干擾影響，處理效果較好。所述方法不僅適用于雞蛋表面檢測，同樣適用于其他禽蛋類表面裂紋檢測。