基于颜色空间转换的混合豆类分类识别

郑小东 高 洁 张晓煜

（郑州航空工业管理学院计算机科学与应用系，郑州 450015）

基于颜色空间转换的混合豆类分类识别

郑小东 高 洁 张晓煜

（郑州航空工业管理学院计算机科学与应用系，郑州 450015）

在豆制品生产过程，有时需要对混合豆类进行品质检测，介绍了基于颜色空间转换的混合豆类自动分类识别方法。首先利用扫描仪获取混合豆类图像，然后通过3次颜色空间转换，依次找到各种豆类与背景和其他豆类的颜色数据差异，实现各种豆类的分类识别。将该方法对灰色、白色、蓝色3种不同颜色背景下采集的图像进行了测试，结果表明该方法能够实现混合豆类分类识别，识别精度受图像质量影响，可用于开发自动检测设备。

豆类 品质检测 颜色空间 机器视觉

豆制品营养丰富，深受人们喜爱。在豆制品生产过程，有时需要将不同种类的豆类先进行混合，然后再进行生产，各种豆类的混合比例与均匀度影响后续豆制品生产的质量。以豆浆为例，市场上销售的豆浆豆通常由黄豆、红豆、芸豆、黑豆、青豆组成，各种豆类的比例和质量决定了豆浆豆的品质和价格，也影响豆浆的质量。实现豆制品精细生产需要检测混合豆类的品质，人工检测方式繁琐、低效，可以研发基于机器视觉的自动检测技术，然后开发相关检测装置和设备。

目前机器视觉在农产品品质检测中的应用研究非常多［1－3］，涉及的豆类包括大豆［4－7］、芸豆［8］、青豆［9］等。这些研究基本上都是针对单一种类的农产品，很少涉及混合种类［10］。

混合豆类品质自动检测首先需要从混合豆类中识别出各种豆类，本研究介绍了基于颜色空间转换的混合豆类分类识别方法，使用在灰色、白色、蓝色3种图像采集背景下获得的图像对方法进行了对比测试，分析了方法的适用性。

1 图像采集

将一定数量的豆浆豆平铺于扫描仪扫描板上，使用一个较大的盖子遮住扫描板进行图像采集，得到灰色背景的混合豆类图像，如图1a所示。将采集的图像在计算机中保存为JPEG文件，这样不仅能够保持图像质量，而且存储量小。

图1 原始图像与颜色空间转换结果

2 分类识别方法

从原始图像中识别各种豆类可看做多目标图像分割问题。图像分割方法有多种，如基于阈值的方法、基于区域的方法、基于边缘的方法等。从图1a可以看到，原始图像中各种豆类的颜色差异较为明显，因此可选用经典的阈值分割方法。

图1a中存在多类目标，通过对各类目标的颜色数据采样分析，发现无法一次确定多个阈值完成整幅图像分割，只能分步骤进行。

2.1 识别红豆与青豆

将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间［11］，将 S（饱和度）、V（明度）2个颜色分量均置为1，然后再转换到RGB颜色空间［11］，得到如图1b所示结果。图1b中各种豆类及背景的颜色发生了变化，通过对各种豆类进行颜色采样分析，发现了一些规律，见表1。

表1 豆类颜色数据分析

从表1可以看出，1）根据R分量和B分量可以将图像分为2部分，第一部分包括红豆、青豆、芸豆、黄豆，第二部分包括黑豆和背景。2）在第一部分中，根据G分量可以识别红豆和青豆，剩余部分为芸豆和黄豆。芸豆和黄豆的G分量存在重叠，在该步骤无法准确识别。3）黑豆与背景颜色值重叠，也无法识别。

设定红豆与青豆的图像分割条件：R＞0.5＆＆G＋B＜0.3为红豆，R＞0.5＆＆G＞0.8为青豆。

红豆与青豆的图像分割结果分别如图2a、图2b所示。其中包含了一些噪声，较小的点状噪声可通过中值滤波去除；较大的斑块噪声可根据连通区域面积去除，即计算各连通区域面积，去掉面积较小的斑块。细化处理结果分别如图2c、图2d所示。

图2 红豆和青豆分割与细化处理

2.2 识别芸豆与黄豆

将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间，将V分量均置为1，然后再转换到RGB颜色空间，得到如图1c所示结果。对图1c中芸豆与黄豆的颜色数据采样分析，见表2。表2中芸豆与黄豆的R分量都接近1，芸豆的G分量与黄豆有一些重叠，芸豆的B分量基本都大于黄豆。

表2 芸豆与黄豆颜色数据采样

绘制图1c中芸豆与黄豆所占区域的B分量直方图，结果如图3所示（横坐标为B分量256级灰度阶数，纵坐标为像素数量），具有明显的双峰。综合表2和图3可知，根据B分量可以识别芸豆和黄豆。

采用迭代法［12］找到图3中双峰之间的谷底，分割芸豆与黄豆。图4为芸豆与黄豆图像分割的结果和细化处理后的结果，细化处理方法与红豆和青豆识别类似。

2.3 识别黑豆

将原始图像颜色数据从RGB颜色空间转换到HSV颜色空间，得到V分量图像，如图1d所示。

图1d中黑豆与背景具有较为明显的视觉差异。绘制黑豆与背景的V分量直方图，如图5所示。直方图中横坐标与纵坐标较大的部分为背景，横坐标与纵坐标较小的部分为黑豆，找到两部分之间的谷底，即可分割出黑豆。

图5 黑豆与背景V分量直方图

采用Otsu法选择阈值［12］，黑豆分割结果如图6a所示。图6a中黑豆表面出现较大空洞，这是因为这部分黑豆表面较光滑，图像采集过程发生了反光情况，使得图像中这部分的亮度较大，与背景相似，被当成背景去除。在细化处理时，可以通过孔洞填充予以修复。细化处理结果如图6b所示。

图6 黑豆分割与细化处理

3 测试与分析

混合豆类分类识别方法是针对灰色背景的图像设计，为了测试方法的适用性，又分别采集了白色、蓝色2种背景的图像进行测试，共3类测试。

3.1 灰色背景图像测试

对多幅灰色背景图像进行了测试，处理结果基本一致，都能成功分割各种豆类，但也存在一些问题。

1）如果同类豆类在原始图像中紧密相连，分割结果中二者也连接在一起，图6b中显示了这样的情况。如果实际应用只是统计各种豆类的数量和颜色特征，这种结果则可以直接应用，比如根据面积估计豆类数量。如果实际应用需要分割出每一颗豆粒，还需设计黏连豆粒分割方法。

2）红豆侧面有白色种脐，通常会被当成非红豆部分去掉，但基本不影响红豆计数和颜色特征分析。

3）黑豆是识别中的难点，困难来自两方面：黑豆表面反光、图像中存在阴影。反光造成图像分割后黑豆表面出现空洞，部分阴影则会被当成黑豆保留在图像分割结果中。为了保证黑豆在结果中尽量完整，细化处理中必须进行孔洞填充，但孔洞填充有时会引起其他问题，如图7所示，如何解决还需进一步研究。

图7 空洞填充的不利影响示例

3.2 白色背景图像测试

图像采集时在混合豆类上覆盖一张白纸作为背景，得到白色背景图像。将上述方法对白色背景图像进行了测试，图8为一次测试情况。

图8 白色背景图像测试示例

测试表明，当背景为白色时，青豆与黄豆的识别效果较好，其次为芸豆，红豆与黑豆的识别精度显著降低。

影响红豆与黑豆识别精度的主要因素是图像中豆类周围的阴影。红豆较小，图像中其周围的阴影虽然视觉感知为黑色，但实际的颜色值与红豆边缘部分接近，红豆易产生过度分割情况。黑豆受阴影影响更严重，几乎很难分割出完整的黑豆颗粒。

3.3 蓝色背景图像测试

图像采集时在混合豆类上覆盖一张蓝色的纸作为背景，得到蓝色背景图像。将上述方法对蓝色背景图像进行测试，图9为一次测试情况。

图9 蓝色背景图像测试示例

测试表明，当背景为蓝色时，红豆、青豆、黄豆的识别较高较好；芸豆受到一些影响，识别结果不完整；黑豆受影响严重，无法获得完整的黑豆。影响识别结果的主要因素仍然是图像中豆类周围的阴影。

3.4 综合分析

采用阈值法进行图像分割时，如果图像中不同部分的颜色数据差异明显，通常能够获得较好的分割效果。如果不同部分的颜色数据存在重叠，会出现过度分割和分割不完整的现象。

不同豆类的颜色在视觉感知上存在明显差异，具备实施阈值法的可能性。识别过程进行颜色空间转换的目的是寻找不同对象之间的颜色数据差异。从对3种不同颜色背景的图像测试结果看，本研究设计的混合豆类识别方法是可行的，通过颜色空间转换能够找到不同豆类之间的颜色数据差异，但是最终识别结果受图像采集背景影响。

这是因为图像采集时，不同颜色的背景会影响图像中豆粒周围阴影的形成。虽然在人眼看来阴影都是黑色或灰色，但其对应的颜色数据却并非如此，而是与豆粒边缘部分有一定相似性，相似程度受图像采集背景影响。当阴影与豆粒边缘的颜色值过于接近时，就造成了豆粒与背景的颜色重叠，豆粒分割会出现过度分割、分割不完整的情况，使得豆类识别结果不完整。

阴影或者说图像采集背景是影响豆类识别效果的主要因素。如果要提高豆类识别精度，最佳的途径是改进图像采集质量，尽量消除阴影。比如在豆类周围使用多个比较柔和的光源，形成类似于无影灯的效果，然后进行图像采集，这时采用本方法可以获得精准的结果，黏连豆粒问题也不会再发生。

刘光蓉等［10］研究混合农产品检测时，使用扫描仪进行图像采集，背景设置为蓝色，混合农产品包括大米、黄豆、绿豆，农产品颗粒之间基本上都有明显间隔，图像中农产品颗粒周围的阴影对农产品颗粒分割影响较小，因而可以先分割各颗粒，然后根据各颗粒的颜色和形状特征识别各颗粒的种类。如果其中有黑豆或其它受图像采集背景影响的农产品，其方法中的二值化处理会受到受到影响，进而影响整个检测结果。

4 结论

混合豆类识别方法能够找到不同豆类之间的颜色数据差异，实现混合豆类分割和识别。各种豆类的识别精度受图像采集质量影响，如果图像采集时能够消除豆粒周围的阴影，将获得最佳的识别结果。

该方法可用于混合豆类品质自动检测设备和装置开发，其思路也可用于其它混合农产品检测。如果应用于在线检测，需根据具体的成像条件，如图像采集设备、光照条件等对方法中红豆与青豆的图像分割阈值重新标定，因为不同的成像条件获取的图像可能存在一些差异。如果某些豆粒存在表皮破损或脱落情况，需综合考虑2个因素后决定方法是否需要调整：缺陷颜色与豆粒表皮颜色的差异、缺陷在豆粒表面发生的位置，具体如何实施还需进一步分类研究。

［1］Janardhana S，Jaya J，Sabareesaan K J，et al.Computer aided inspection system for food products using machine vision—A review［C］.In Current Trends in Engineering and Technology（ICCTET），2013 International Conference on.IEEE，2013：29－33

［2］李景彬，邓向武，坎杂，等.机器视觉在农产品表面缺损检测中的应用研究［J］.农机化研究，2013，35（7）：221－224

［3］Patel K K，Kar A，Jha SN，et al.Machine vision system：a tool for quality inspection of food and agricultural products［J］.Journal of Food Science and Technology，2012，49（2）：123－141

［4］王润涛，张长利，房俊龙，等.基于机器视觉的大豆籽粒精选技术［J］.农业工程学报，2011，27（8）：355－359

［5］赵丹婷.基于图像处理技术的大豆外观品质检测系统的研究［D］.东北农业大学，2010

［6］朱伟兴，苏威，张怀德.基于支持向量机的重叠大豆颗粒计数［J］.大豆科学，2009，28（1）：152－155

［7］高艳霞，李禹生.基于粒子群算法和神经网络的大豆识别研究［J］.中国粮油学报，2007，22（4）：121－124

［8］赵莉.霉变芸豆的计算机视觉识别［J］.硅谷，2009，12：006

［9］李春胜，王蔚，李娜.青豆检测机的设计［J］.价值工程，2012，31（3）：288－289

［10］刘光蓉，周红，管庶安.颗粒形混合农产品的图像检测与分类 ［J］.农业工程学报，2011，27（11）：344－348

［11］冈萨雷斯著，阮秋琦译.数字图像处理（Matlab版）［M］.北京：电子工业出版社，2005：152－153

［12］姚敏.数字图像处理［M］.北京：机械工业出版社，2012：209－211.

Classification of Mixed Beans Based on Color Space Transformation

Zheng Xiaodong Gao Jie Zhang Xiaoyu

（Department of Computer Science and Application，Zhengzhou Institute of Aeronautical Industry Management，Zhengzhou 450015）

Quality inspection of the mixed beans need to be conducted in production of some bean products.An automatic classification method of mixed beans based on color space transformation was presented in the paper.First，a scanner was used to acquire the image of the mixed beans.The color data difference between each bean and their backgrounds or other beans was found successively with three color space transformations.So each bean was distinguished.The method had been tested with images acquired under three different color backgrounds，which were gray，white and blue.The test results showed that the method can achieve the automatic classification of the mixed beans.The detection precision is influenced by the image quality.The proposed method is applicable to the development of automatic detection equipment.

beans，quality detection，color space，machine vision

TP274＋.3

A

1003－0174（2015）04－0102－05

2013－12－22

郑小东，男，1974年出生，副教授，计算机视觉