基于计算机视觉的三七主根质量的分级方法

于佳杨，王凤花*，张兆国，杨薇，朱海龙

(昆明理工大学 a.现代农业工程学院；b.工程训练中心，云南 昆明 650500)

基于计算机视觉的三七主根质量的分级方法

于佳杨a，王凤花a*，张兆国a，杨薇a，朱海龙b

(昆明理工大学 a.现代农业工程学院；b.工程训练中心，云南 昆明 650500)

选取干燥后的三七主根样本110个，运用计算机视觉技术获取三七主根样本图像，对图像进行灰度化、二值化以及形态学运算，提取长、宽、投影面积等特征值。结果表明，三七主根的形状可分为锥形和瘤形，分别对2种主根建立投影面积和质量的关系预测模型，三七主根的质量和投影面积呈线性相关，锥形三七主根与瘤形三七主根投影面积和质量预测模型的决定系数R2分别为0.984 9和0.986 6。采用十折交叉验证法对质量预测模型进行验证，锥形三七主根质量误差均值0.334 8 g；瘤形三七主根质量误差均值0.494 9 g。

三七主根；质量；分级；图像处理；预测模型

投稿网址：http：//xb.ijournal.cn

名贵中药材三七，是“云南白药”、“复方丹参片”和“漳州片仔癀”等药品的主要成分[1–2]。目前，三七主根的分级方法主要靠人工分级，劳动强度大，准确率低，效率低。

计算机视觉技术已广泛应用于农产品外形识别[3–6]、农产品检测与分级[7–13]。展慧等[14]基于BP神经网络与板栗图像特征，对缺陷板栗进行了分级检测，准确率达91.67%。张志强等[15–16]运用机器视觉技术，建立鱼体投影面积与质量的关系模型，对淡水鱼进行质量分级，相对误差为3.89%，之后针对常见的4种淡水鱼的图像特征进行品种识别，准确率达96.67%。目前，基于计算机视觉技术对不规则中药材的识别和分级应用较少。笔者运用计算机视觉技术，提取三七主根特征值，对锥形和瘤形三七主根进行品种识别。分别建立锥形和瘤形三七主根投影面积与质量关系的预测模型，并进行验证，以期建立一种快速、有效的三七主根质量分级方法。现将结果报道如下。

1 材料和方法

1.1 材料

选取具有代表性的云南文山三七，随机抽取110个三七主根为试验对象，干燥后称重，质量分布如表1所示。

表1 三七主根样本的质量Table 1 Taproot sample quality of Panax notoginseng g

1.2 方法

1.2.1 图像的采集

图像采集处理系统包括硬件和软件2部分。硬件包括自制50 cm×50 cm×30 cm光照箱，光照箱顶部装有6个24 W的LED球灯，侧面装有9根10 W的LED灯管，2 000万像素CCD相机1台，画有1 cm2参照的A4纸1张。将相机固定在光照箱的顶部，使镜头穿过光照箱顶部预留的圆孔对准图像采集区，确保相机能清晰地采集三七主根的图像。软件主要应用MATLAB2012进行图像的预处理，包括图像的灰度化、二值化、主根长度、宽度、投影面积等特征值的提取。应用DPS数据处理系统[17]进行数据的计算和分析。

1.2.2 图像的预处理

图像预处理包括对原始图像的灰度化、二值化以及形态学运算中的开运算和闭运算处理。灰度化处理即用灰度值代替原始的彩色信息。二值化处理主要是通过确定一个阈值使目标图像与背景图像分离开来，采用双峰法确定阈值。开运算与闭运算的结合处理可以消除图像中的杂散点，使目标图像更加清晰[18]。处理结果如图1所示。

图1 三七主根的原始图像和二值图像Fig.1 Color image and binary image of P. notoginseng taproot

1.2.3 特征值的提取

特征值主要包括三七主根的投影面积、长度和宽度。由于二值化后的图像中只存在0与1两个像素值，其中目标图像显示为黑色，像素值为0，背景图像显示为白色，像素值为1。通过特征值提取，计算出1 cm2参照所含像素点为90 086个，通过目标图像和参照图像像素点个数的比值即可算出目标图像的面积。计算黑色像素点所占的行数和列数，行数代表三七主根图像像素尺寸的长，列数代表三七主根图像像素尺寸的宽，为使计算值接近真实值，图像采集时，应将三七主根水平或竖直放置。三七主根的像数尺寸如图2所示。

图2 三七主根的像素尺寸Fig. 2 Pixel size of P. notoginseng taproot

2 结果与分析

2.1 三七主根的识别

三七主根按形状大致分为2种，1种呈纺锤形，表面光滑，凸起少，质地均匀，称之为锥形三七。另1种呈根瘤形，表面存在大量瘤形凸起，质地不均匀，称之为瘤形三七。通过形状决定系数对锥形三七主根和瘤形三七主根进行识别，形状决定系数C=L1/L2(L1为三七主根的长度，L2为三七主根的宽度)。通过对110个样本进行分析，锥形主根Cmin=1.74，瘤形主根Cmax=1.53，采用C=1.6作为临界点，形状决定系数大于1.6的为锥形三七主根，形状决定系数小于1.6的为瘤形三七主根。

2.2 锥形三七主根质量预测模型的建立

通过对49根锥形三七预测样本进行图像处理与分析，求出三七主根投影面积。分析投影面积y与质量x的相关关系，并且进行回归分析，得到预测模型的回归方程：y=1.882 3x–4.147 6，R2为0.984 9。对预测模型进行F检验，F=3 079.117，P＜0.000 1，回归方程极显著，表明预测模型可信。

2.3 瘤形三七主根质量预测模型的建立

通过对61根瘤形三七预测样本进行图像处理与分析，求出三七主根投影面积。分析投影面积与质量的相关关系，并且进行回归分析，得到预测模型的回归方程：y=1.857 1x–2.217 9, R2为0.986 6。对预测模型进行F检验，F=2 851.406，P＜0.000 1，回归方程极显著，表明预测模型可信。

2.4 模型的验证

由于样本量较少，为充分利用数据，采用10次十折交叉验证法[19]对模型进行验证。将数据集随机分成10份，轮流将其中的9份作为训练数据，1份作为测试数据，每次测试都会给出相应的评价标准，测试结果见表2和表3。

表2 锥形三七主根质量的测试结果Table 2 Prediction results of cone P. notoginseng taproot quality

表3 瘤形三七主根质量的测试结果Table 3 Prediction results of nodule shape P. n otoginseng taproot quality

表2结果表明，锥形三七主根质量最大平均误差为0.770 4 g，最小平均误差为0.045 1 g，10次检验计算的平均误差均值为0.334 8 g。表3结果表明，瘤形三七主根质量最大平均误差为0.890 9 g，最小平均误差为0.036 1 g，10次检验计算的平均误差均值为0.494 9 g。

预测模型计算的三七主根质量与实际质量之间存在偏差，但其误差在可接受的范围内。通过图像处理技术对三七主根进行分级，分级速度和分级质量均高于人工分级。

3 结论

运用图像处理提取三七主根的长宽比值，可将锥形三七主根与瘤形三七主根进行区分，形状决定系数大于1.6的为锥形三七主根，小于1.6的为瘤形三七主根，实现了三七主根形状的识别。

分别对锥形三七主根和瘤形三七主根建立投影面积与质量间的关系，通过回归分析建立预测模型，得到锥形三七主根预测模型的决定系数R2为0.984 9，平均误差均值为0.334 8 g；瘤形三七主根预测模型的决定系数R2为0.986 6，平均误差均值为0.494 9 g。

[1] 崔秀明，詹华强，董婷霞．印象三七[M]．昆明：云南科学技术出版社，2009．

[2] 崔秀明，陈中坚．三七药材的道地性研究[M]．昆明：云南科学技术出版社，2007．

[3] 陈艳军，张俊雄，李伟，等．基于机器视觉的苹果最大横切面直径分级方法[J]．农业工程学报，2012，28(2)：284–288．

[4] 冯斌，汪懋华．基于计算机视觉的水果大小检测方法[J]．农业机械学报，2003，34(1)：73–75．

[5] 张烈平，曾爱群，陈婷．基于计算机视觉和神经网络的芒果检测与等级分类[J]．农机化研究，2008(10)：57–60．

[6] 孔彦龙，高晓阳，李红玲，等．基于机器视觉的马铃薯质量和形状分选方法[J]．农业工程学报，2012，28(17)：143–148．

[7] 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．

[8] 范良忠，刘鹰，余心杰，等．基于计算机视觉技术的运动鱼检测算法[J]．农业工程学报，2011，27(7)：226–230．

[9] 黄星奕，姜爽，陈全胜，等．基于机器视觉技术的畸形秀珍菇识别[J]．农业工程学报，2010，26(10)：350–354．

[10] 王书志，张建华，冯全，等．基于纹理和颜色特征的甜瓜缺陷识别[J]．农业机械学报，2011，42(3)：175–179．

[11] Xu Liming，Zhao Yauchao．Automated strawberry grading system based on image processing[J]．Computers and Electronics in Agriculture，2010，71(8)：32–39．

[12] EIMasry G，Cubero S，Molto E，et al．In-line sorting of irregular potatoes by using automated computer-based machine vision system[J]．Journal of Food Engineering，2012，112(1/2)：60–68．

[13] Chen Xiao，Xun Yi，Li Wei，et al．Combining discriminant analysis and neural networks for corn variety identification [J]．Computers and Electronics in Agriculture，2010，71(1)：48–53．

[14] 展慧，李小昱，王为，等．基于机器视觉的板栗分级检测方法[J]．农业工程学报，2010，26(4)：327–331．

[15] 张志强，牛智有，赵思明．基于机器视觉技术的淡水鱼品种识别[J]．农业工程学报，2011，27(11)：388–392．

[16] 张志强，牛智有，赵思明，等．基于机器视觉技术的淡水鱼质量分级[J]．农业工程学报，2011，27(2)：350–354．

[17] 潘丽军，陈锦权．试验设计与数据处理[M]．南京：东南大学出版社，2008．

[18] Rafael C Gonzalez，Richard E Woods，Steven L Eddins．数字图像处理(MATLAB版)[M]．阮秋琦，等译．北京：电子工业出版社，2005．

[19] 郭立力，赵春江．十折交叉检验的支持向量机参数优化算法[J]．计算机工程与应用，2009，45(8)：55–57．

责任编辑：罗慧敏

英文编辑：吴志立

Quality classification method of Panax notoginseng taproot based on computer vision

Yu Jiayanga, Wang Fenghuaa*, Zhang Zhaoguoa, Yang Weia, Zhu Hailongb
(a.Faculty of Modern Agricultural Engineering; b.Engineering Training Center,Kunming University of Science and Technology, Kunming ,650500)

In this study, 110 dried Panax notoginseng were selected as the test samples. Computer vision technology was used to obtain the images of Panax notoginseng taproot, which were deal with gray, binary and morphological to extract the length, width and projection area was ed after preprocess.The prediction models were built to calculate the projection area and the weight for cone Panax notoginseng and nodule Panax notoginseng, respectively. The results showed that the weight of mainroot was linely correlated with the projection area. The determination coefficients of cone Panax notoginseng and nodule Panax notoginseng were 0.984 9 and 0.986 6, respectively. The quality prediction model was verified by 10-fold cross-validation method. The average error was 0.3348 g and 0.494 9 g for cone Panax notoginseng and nodule Panax notoginseng, respectively.

Panax notoginseng taproot; quality; classification; image processing; prediction models

TN911.73

A

1007-1032(2016)06-0682-04

2015–12–19

2016–06–08

国家自然科学基金项目(11226220)；云南省科学技术厅项目(2010ZC028)

于佳杨(1991—)，男，吉林白山人，硕士研究生，主要从事农产品无损检测方法的研究，yujiayang0327@qq.com；*通信作者，王凤花，女，山西泉阳人，副教授，主要从事农产品无损检测方法研究，158877172@qq.com