玉米霉变及黄曲霉毒素的图像处理检测方法

张楠楠 刘 伟 王 伟 Ni Xinzhi 褚 璇

(山东理工大学电气与电子工程学院1，淄博 255049)(中国农业大学工学院2，北京 100083)(作物遗传育种研究所3，蒂夫顿 美国 31793)

霉变玉米在代谢过程中会产生黄曲霉毒素、呕吐毒素、玉米赤霉烯酮等多种有害毒素[1]，导致食用毒玉米的家畜中毒甚至死亡[2]，进而通过食物链危害人类健康[3-4]。在玉米霉变检测方面，常规化学分析具有较高的准确度和可靠性[5]。但是，无论是化学分析还是仪器分析[6-7]，其试样的预处理、试验本身的耗时以及对物料的破坏又是许多场合所不允许的[8-9]。近年来，基于图像处理的检测方法一直是粮食检测与识别领域的研究热点[10-12]，随着计算机软硬件、图像处理技术的迅速发展，利用图像处理技术进行玉米霉变检测评价的技术日趋成熟[13-14]。

试验采用图像处理检测霉变玉米的设计思想是：基于玉米霉变后在玉米颗粒表层发生颜色变化[15]，通过相机获取图像信息，运用MATLAB图像处理技术对玉米颗粒霉变部分进行颜色特征提取，进而通过相关运算，检测出霉变玉米颗粒。黄曲霉毒素主要是由黄曲霉(Aspergillus flavus)寄生曲霉(Aspergillus parasiticus)产生的次生代谢产物，尤其在湿热地区的粮食、饲料和食品中出现黄曲霉毒素的几率很高，黄曲霉毒素对家畜和人体危害很大[16]，因此检出感染黄曲霉毒素的玉米颗粒尤为重要，基于黄曲霉毒素在365 nm紫外光下会产生荧光效应[17]，通过提取黄绿色荧光部分[18]进一步判别玉米是否被黄曲霉毒素污染。

1 材料与方法

1.1 样品准备

采集图像的玉米颗粒来自2012年8月在美国乔治亚州提夫顿市(Tifton，Georgia，USA)收获的玉米。在玉米生长早期即接种黄曲霉毒素以便形成黄曲霉感染。用无菌水稀释至每毫升4106个孢子，每隔12个植株通过钢针对玉米穗注入3 mL溶液。收获后，用空气干燥机对接种过的玉米棒进行干燥，在有效避免有害粉尘颗粒挥发的同时，避免了交叉污染。试验用玉米颗粒共112粒，其中霉变玉米颗粒77粒，含有黄曲霉毒素的玉米颗粒共23粒。对每一组玉米颗粒分别在自然光与365 nm的紫外光下进行观察，以确定是否表现出霉变特征。用不锈钢刮铲提取表现出霉变特征的玉米颗粒及临近颗粒。同时提取远离霉变且没有表现出霉变特征的玉米颗粒作为对照样本。

1.2 图像获取与化学检测

将提取出的玉米颗粒按顺序摆放在用白色Teflon制作的背景板的相应容孔中，在每一个背景板上制作30个容孔，其中因为感染严重而破损的颗粒放置在最右侧的3列容孔中，作为对照样本的正常玉米颗粒随机分布在最左侧的两列容孔中。

2 可见光下霉变玉米颗粒的检测

2.1 玉米颗粒图像预处理

相机采集到的图像为彩色图像，获得的图像中包含背景板、试验台、标签和玉米颗粒等信息，考虑到试验台和标签纸等会对玉米颗粒的提取造成干扰，因此在进行处理之前先排除干扰因素，从原图中选择以(700,150)像素点作为左上角，以(3 260,2 710)为对角点的矩形框内图像作为感兴趣区域。因为可见光下玉米颗粒与背景板、玉米颗粒与颗粒上霉变部分区分较明显，并且灰度图像与彩色图像一样反映了整幅图像的整体和局部的色度和亮度等级的分布和特征[19]。因此，为减少后续的计算量并提高运算速度，将彩色图像转化成为灰度图以更加快速有效的处理图像，依据人眼对绿色的敏感度最高，对蓝色敏感度最低，即依据人眼对不同颜色的敏感度不同，根据式(1)对R、G、B分量进行加权求和实现图像的灰度化。

f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)

(1)

灰度化结果如图1a所示。

通常玉米在霉变情况下，玉米颗粒表层颜色会褐变甚至发黑，因此灰度化后玉米上霉变部分的灰度值比玉米颗粒上正常部分的灰度值小。试验试图通过选定合适的灰度值找出玉米上霉变的部分。在试验中针对灰度图像的阈值选取，使用自定义阈值算法。自定义阈值算法是根据整幅图像选取一个固定的阈值将图像二值化，具有简单、快速、容易的特点。进一步根据灰度化直方图1b可明显看出，图像的灰度值分布在80～230之间，该区域内图像有较明显的单峰分布，灰度化后由于背景板的灰度值集中而且比玉米颗粒灰度值大，且背景板像素点数远大于玉米颗粒的像素点数，因此右侧较高峰为背景波峰，左侧为玉米颗粒灰度分布，而玉米霉变部分灰度值比正常玉米灰度值还要小，结合直方图和通过大量试验测试，选取分割阈值146时即可较好的把玉米颗粒上霉变区域分割出来。进一步将所提取的霉变区域，返回到自然光下的原图，即获得霉变区域的分割结果。图2为最右下角的玉米颗粒的霉变区域分割结果。

图1 玉米颗粒图像预处理

图2 霉变区域返回到原图上的效果

2.2 图像去噪与特征提取

由于在图像输入与二值化等处理过程中难免会有噪声干扰，降低了图像质量，造成后续图像处理的困难，因此在图像处理过程中加入了膨胀与腐蚀操作以去除噪声。对图像按照式(2)进行形态滤波，滤波系数n=3，即先腐蚀3次，再膨胀3次。图像通过滤波，可消除遗留的随机噪声。

G=(F⊗nB)⊕nB

(2)

式中：F为原始图像；G为目标图像；B为结构元素33正方形模板，由于玉米颗粒本身存在颜色差异，以及由光照角度等因素带来的影响，图像二值化后的目标区域存在空洞或凹陷，这些空洞或凹陷的边缘会影响后续处理，必须进行填充。通过计算欧拉数进行填补，凹陷区域采用最小凸闭包原理可以部分修复，区域填充结果如图3a所示。考虑到在试样准备过程中，一些源自霉变破损颗粒的粉末遗撒到背景板上所带来的干扰，以及一些玉米颗粒本身存在的局部微小色素沉积所带来的影响，通过对霉变区域连通的像素值低于780像素的区域予以排除，调节处理后得到图3b。

图3 图像去干扰与特征提取过程

进一步统计图片上霉变玉米颗粒的数目，由于同一颗玉米颗粒上霉变区域有可能分布多处，因此在颗粒计数的过程中会误把1颗玉米上多块霉变的部分误记为多个霉变玉米，故对图片3b进行连续的膨胀操作。如果膨胀的次数过少不能很好地把间隔较大的区域连通起来，如果膨胀次数过多则可能导致2颗相邻玉米连通到一起，使统计数据偏小造成错误。经过多次试验，连续膨胀80次可以很好的使图片连通到一起而不使相邻2颗玉米粘连，如图3c。最后对霉变玉米颗粒计数并且对霉变区域进行标记，以霉变区域的核心为标记圆的圆心，把标记的结果映射到自然光原图像上可清晰看到霉变颗粒均已被检出，如图3d所示。

3 感染黄曲霉毒素玉米颗粒的检测方法

3.1 荧光图像预处理

快速准确检出感染黄曲霉毒素的玉米颗粒，对于避免因食用含毒素玉米颗粒带来的生命财产损失，以及后续霉变粮食的再加工处理都具有重要意义。由于黄曲霉毒素在365 nm紫外光下产生黄绿色荧光，因此需要对紫外光下的图像进行颜色的识别与查找，而采用RGB三基色原理比灰度化可以更好的突出目标区间。对玉米颗粒进行特征提取时，仅对玉米颗粒上黄绿色荧光部分感兴趣，这些部分称为目标区域，需要将目标区域从整幅图像中分离、提取出来。而在玉米颗粒图像处理的过程中，实际采集到的图像会存在噪声干扰，这些噪声将影响图像质量，并给玉米颗粒的特征提取造成困难，因此进行图像增强处理，可以尽可能减少噪声影响，增强玉米颗粒的特征，使处理后的图像中黄绿色荧光区域比原图像更加清晰和易识别。

试验过程中分别采用直方图均衡化算法histeq图4b和限制对比度自适应直方图均衡化算法adapthisteq图4c来提高图像对比度，无论是直方图均衡化算法还是自适应直方图均衡化算法原理都是把原始图像的直方图从比较集中的某个区间变成在全部范围内的均匀分布。2种直方图均衡化算法本质就是对图像进行非线性拉伸，重新分配图像像素值，使一定范围内的像素数量大致相同，但在本次试验中效果均不理想，而使用图像调节对比度函数imadjust图4d不但提高了目标对比度，克服了输出图像动态范围小和过度增强的缺点，同时使目标的细节更加明显，而且对低对比度图像增强效果较好。经过增强处理后的3幅图像比较图4b、图4c、图4d对比得出，imadjust增强在试验中效果明显，因此采用imadjust增强进行操作，进一步对整幅图像进行中值滤波，以滤除图像中被增强的噪声。

图4 彩色图像增强过程

3.2 荧光图像处理

为区分黄绿色荧光区域与背景区域，分别做出荧光下整幅图像的RGB直方图(图5)与玉米颗粒上表明黄曲霉毒素的黄绿色荧光部分(取自第2排最后1列的玉米颗粒上的黄绿色荧光部分)的直方图(图6)。

图5 整幅图像在紫外光下的RGB分布

图6 有黄曲霉毒素的黄绿色区域RGB分布

整幅图像在紫外光下的空间分布直方图(图5)，R值分布在(0～30)区域较为集中，G值分布在(20～90)区域，B值分布在(60～150)区域较为分散。紫外光下的黄绿色荧光区域的空间分布直方图(图6)，R值分布在(120～220)区域、G值分布在(170～240)区域、B值分布在(140～230)区域。

通过2幅RGB直方图的对比发现，运用R、G分量可以更好的分离出黄绿色荧光部分，而且采用R、G通道下的阈值进行检测，不仅能够达到检测目的,而且简化了运算。通过运算保留图片中的黄绿色荧光部分，然后对该图片进行二值化运算，结果如图7a所示。

考虑到在试样准备过程中，一些源自黄曲霉变破损颗粒的粉末遗撒到背景板上所带来的干扰，通过对像素点连通数值低于160的区域进行排除，对图像进行处理后得到图7b。进一步为统计图片上霉变玉米颗粒的数目，对图7b进行连续的膨胀操作，经过多次试验，连续膨胀80次可以使同1颗玉米颗粒上的霉变区域连通而不引起相邻2颗玉米颗粒的粘连如图7c。对霉变玉米颗粒计数并且对霉变区域进行标记，标记圆的圆心是以霉变区域的核心为中心，把标记的结果映射到荧光原图上，即得出检测结果如图7d。

图7 荧光图像处理过程

4 结果与讨论

进一步验证所提方法的适用性，按照1.1方法另外提取出85粒玉米颗粒，并分为3组，为验证玉米颗粒的摆放朝向对检测结果的影响，前2组使玉米颗粒胚的部分朝上，第3组使玉米颗粒胚的部分朝下。对含有霉变与黄曲霉毒素感染的玉米颗粒进行检测，检测结果分别如图8所示。

图8 玉米颗粒检测结果

对共4幅图112粒玉米颗粒的检测结果与运用化学方法检测出的结果进行比对与统计，霉变和感染黄曲霉毒素的检测结果分别如表1、表2所示。

表1 霉变率检测结果统计

表2 黄曲霉毒素感染检测结果统计

霉变玉米颗粒检测数目超过实际感染颗粒数目，造成原因：由于个别玉米颗粒仓储时间较长，表层颜色变深，变为暗黄色，容易误判为霉变玉米颗粒。

检测出的黄曲霉毒素污染玉米颗粒数目超过实际感染玉米颗粒，造成原因：由于个别玉米颗粒霉变程度较为严重，在紫外光下颜色特征有别于正常玉米颗粒，表现为近似荧光的颜色特征。

从食品安全的角度出发，被误判的玉米颗粒为陈化玉米或霉变较为严重的玉米颗粒，从食品安全和粮食或种子分选的角度来看，应能检出并剔除这些颗粒。

由于玉米颗粒含有胚的一面与不含有胚的一面是有所区分的，因此本试验设置了对比组，根据第3组图像检测准确率(玉米颗粒胚的部分朝下)与前2组检测准确率对比(玉米颗粒胚的部分朝上)，可以看出，本算法适用于玉米颗粒的任意朝向，玉米颗粒摆放朝向对检测结果无响应。

若通过一幅图像就能够同时检测出上述2种指标，将提高设计的实用性和检测效率，自然光下的图像容易获得，而且可以较容易的识别出霉变颜色变深的区域，但无法获得感染黄曲霉毒素玉米颗粒的荧光特性，进而无法判别玉米是否感染黄曲霉毒素。而紫外光下的荧光图像虽然在理论上可以检测霉变指标，但实际操作过程中由于正常颗粒、霉变颗粒的RGB值区域分布相似，因此很难区分正常和霉变玉米颗粒。

通过快速切换照明方式并编制相关算法，实现了霉变与感染黄曲霉毒素的玉米颗粒同步检测的目的。两种检测结果相辅相成，满足了对玉米颗粒的霉变指标进行快速准确检测的要求，较为完善的反映出一批玉米的品质。将该技术稍加改进，亦可用于其他颜色差异较为明显的谷物和油料作物霉菌的识别，例如小麦、稻米、花生等。应当指出，本试验所研究方法仅仅针对相互错开的独立颗粒，下一步要针对任意一堆待检测玉米或者相互叠压的玉米颗粒进行检测，研究相应的图像处理方法。

5 结论

利用图像处理技术，基于霉变玉米和感染黄曲霉毒素的玉米颗粒在不同光源照射下的不同图像特征，实现了霉变玉米颗粒与感染黄曲霉毒素玉米颗粒的快速准确检测；为进一步验证所提方法的适用性，按照1.1方法提取出的另外85粒玉米颗粒进行检测验证，并对全部4组共112粒含有霉变和被黄曲霉毒素污染的玉米颗粒检测结果进行统计，霉变玉米颗粒的准确率分别为100%、100%、93.75%、95%，检测黄曲霉毒素污染玉米颗粒的准确率分别为88.9%、100%、100%、88.9%。因此该方法具有快速、准确率高等优点，能有效地检测玉米霉变状况。

为验证图像处理技术检测玉米霉变指标的可行性，本试验的工作主要基于对玉米颗粒高分辨静态图像进行分析处理，未考虑实际待测玉米排列、重叠的随意性问题，进一步的工作将致力于研究玉米颗粒重叠问题的相应图像处理方法，和基于本文所提方法的玉米霉变指标便携式检测仪器的设计工作。

[1] 董继红，高鹏飞，臧雪燕.玉米霉变对养殖业的危害及应对措施[J].饲料工程师，2004(5):31-35

[2]Ma Fei，Liu Wenqiang，Liu Guiqin.Effects of mycotoxin from maize on immune response of vaccine for piglets[J].Agricultural Science & Technology，2010，11(7):117-119

[3]于永臣，周丽群.霉变玉米对畜禽的危害及处理方法[J].饲料与添加剂，2011(6):91-93

[4]赵志军.霉变玉米对畜禽的危害及其防治[J].畜禽业，2012(3):35-39

[5]Mohamadi H，Abbaspour H.Comparisons of different methods for election of aflation in grain and grain products[C]//I International Sym-posium on Mycotoxins in Nuts and Dried Fru-its.2011:275

[6]Stroka Joerg，Anklam Elke.New strategies for the screening and determination of afatox-ins and the detection of afatioxin producing moulds in food and feed[J].Trends in Analytical Chemistry.2002,21(2):90-95

[8]Patel D，Davies E R，Hnnah I.The use of convolution operators for detecting contam-inants in food images[J].Pattern Recognition，1996，29(6):1019-1029

[9]陈兵旗，孙旭东，韩旭，等.基于机器视觉的水稻种子精选技术[J].农业机械学报，2010，41(7)：153-169

[10]韩仲志，杨锦忠，李言照.玉米品种图像识别中的影响因素研究[J].中国粮油学报，2012，27(10)：98-103

[11]Quevedo R，Carlos L G，Aguilera J M，et al.Description of food surfaces and microstru-ctural changes using fractal image texture analysis[J].Journal of Food Engineering，2002，53(4):361-371

[12]Laykin S，Alchanatis V，Fallik E，et al.Image-processing algorithms for tomato cla-ssification[J].Transactions of the ASAE，2002，45(3):851-858

[13]Mery D，Pedreschi F.Segmentation of colour food images using a robust algorithm [J].Journal of Food engineering，2005，66(3):353-360

[14]成芳，应义斌.基于颜色特征的稻种霉变检测算法[J].农业机械学报,2004,35(4):102-106

[15]劳文艳，林素珍.黄曲霉毒素对食品的污染及危害[J].北京联合大学学报，2011,25(1)：64-69

[16]Casasent D，Chen X.Aflatoxin Detection in Whole Corn Kernels Using Hyperspectral Method[J].Monitoring Food Safety，Agricul-ture，and Plant Health,2003,3:275

[17]Goryacheva IY，Rusanova TY，Pankin KE.Fluoresent properties of aflatoxins in org-anized media based on surfactants，cyclodex-trins,and calixresorcinarenes[J].Journal of A-nalytical Chemistry，2008,63 (8):750-753

[18]赵志军.霉变玉米对畜禽的危害及其防治[J].营养与日粮,2012(3):35-39

[19]宁媛，李皖.图像去噪几种方法分析比较[J].贵州工业大学学报：自然科学版，2005(8)：62-65.