基于HSV空间的玉米果穗性状的检测

李伟，胡艳侠，吕岑

(1.长安大学信息工程学院，陕西 西安 710064；2.陕西科技大学信息工程学院，陕西 西安 710021)

基于HSV空间的玉米果穗性状的检测

李伟1，胡艳侠1，吕岑2

(1.长安大学信息工程学院，陕西 西安 710064；2.陕西科技大学信息工程学院，陕西 西安 710021)

为高效检测玉米果穗性状，建立了基于HSV(色调、饱和度、明度值)空间的玉米果穗性状的检测方法：使用机器视觉技术采集绿色背景玉米果穗图像，用HSV直方图阈值算法去除绿色背景，用FFT滤波器去除尖锐边缘和噪声，运用粒子滤波分离单一图像中的多个玉米果穗图像，并采用形态学腐蚀方法，经过4次迭代腐蚀，得到玉米果穗中间3行；检测玉米果穗的大小、形状、纹理和颜色4个特征的性状。随机检测67张玉米果穗样本图像的结果表明，果穗大小和形状特征检测的准确率为100%，果穗颜色和纹理特征检测的准确率分别为98.55%和96.25%，平均每果穗检测时间为0.1 s。

玉米果穗；图像处理；HSV颜色空间；二阶矩；最小外接矩形

基于计算机视觉技术的玉米果穗性状的检测，可以去除过小、霉变、畸形、破损果穗，大幅度提高玉米果穗的精选效率[1]。

目前，采用机器视觉技术进行玉米精选主要集中于粒选[1–4]。ZAYAS等[2–3,5]使用12个特征参数来描述玉米籽粒的形态特征，结合模式识别方法对比部分形态参数来判别完整的和破损的玉米籽粒，识别准确率达98%；KIRATIRATANAPRUK等[4]通过使用颜色、纹理特征和支持向量机(SVM)分类器，提出了可以分类玉米种粒10多种缺陷的方法，对正常种粒的识别准确度达95.6%，对于缺陷粒的识别准确度达80.6%；万鹏等[6]利用计算机视觉技术检测整粒玉米和破碎玉米，检测准确率分别为97.5%和91.83%；张玉荣等[7]采用主成分分析和BP神经网络模型对完善粒、虫蚀粒等7种不同质量的玉米籽粒进行识别，完善粒、虫蚀粒、病斑粒、破损粒、生芽粒、热损伤粒和生霉粒的正确识别率分别为95.00%、90.00%、91.67%、98.33%、93.22%、95.00%、96.67%。杨锦忠等[8]采集4 个玉米品种各50个果穗的RGB图像，利用图像处理方法提取其形状、纹理、颜色、大小特征进行品种识别，得出特征的鉴别力从大到小依次是形状类、纹理类、颜色类、大小类。马钦等[9]基于HSV 彩色空间图像处理算法，实现了多个玉米果穗三维几何形态特征的快速测量，准确率达94%。刘长青等[10]使用机器视觉技术测量玉米果穗的长度、宽度、穗行数、穗粒数，整穗的平均检测时间约102 s。

笔者选择‘农大108’玉米品种为研究对象，建立了基于HSV(色调、饱和度、明度值)颜色空间的玉米果穗性状的检测方法，即运用机器视觉技术获取玉米果穗图像，通过阈值分割、FFT滤波和粒子滤波对果穗图像进行预处理操作，提取果穗的大小、形状、纹理和颜色特征，选取1个优质玉米果穗的4个特征参数作为标准参数，在软件中设置标准参数的浮动比例，对玉米果穗性状进行检测。现将结果报道如下。

1 玉米果穗图像的采集与工作流程

图像采集设备包括计算机、照相机、光源箱、传送带，如图1所示。

图1 玉米果穗图像采集设备Fig.1 Image acquisition device of corn ear

计算机使用Lenovo CPU intel core i3，内存8G、硬盘500G的台式计算机。照相机使用德国映美精公司DFK 21BU04彩色USB2.0工业全局相机，分辨率为640×480，安装高度为50 mm，视场大小为280 mm× 250 mm。传送带宽度为280 mm。为避免反光，光源箱壁采用吸光材料，光源箱4个角安装LED灯。为了与玉米果穗颜色(黄色)形成明显的对比，传送带上使用绿色吸光材料。

玉米果穗被输送至光源箱后，照相机采集玉米果穗图像，图像通过USB线被传输到计算机上，在计算机上使用基于HSV空间的玉米果穗性状品质检测方法，对图像进行处理和分析。

2 基于HSV的玉米果穗图像的预处理

2.1 玉米果穗性状的检测流程

检测玉米果穗性状的流程如图2所示。对采集到的玉米果穗图像进行预处理，提取玉米果穗的长度、长宽比、HSV颜色空间V平面的标准差和V平面的均值4个特征参数，这4个参数分别反映玉米果穗的大小、形状、纹理和颜色特征。选取1个优质玉米果穗的4个特征参数作为标准参数，设置标准参数的浮动比例，再检测其他玉米果穗是否符合标准。依据果穗的标准长度来判断过长和过短果穗；依据果穗的标准长宽比来判断果穗的瘦长和短胖；依据HSV颜色空间中明度值(V)的标准差判断果穗籽粒是否霉变、缺粒以及排列整齐度；依据HSV颜色空间中V的平均值判断果穗整体的颜色。

图2 玉米果穗性状的检测流程Fig.2 Flow chart corn ear detection method

检测完成后，指示灯显示检测结果。设置4个指示灯，如果参数符合标准，则对应的指示灯绿灯亮；如果参数不符合标准，则对应的指示灯红灯亮；如果该参数没有被比较，则对应的指示灯黑灯亮。检测软件运行界面如图3所示。

图3 检测软件运行界面Fig.3 Detection interface

2.2 玉米果穗图像背景的去除

照相机采集到的图像背景颜色为绿色，基于HSV颜色空间直方图的阈值分割算法[11]，可以根据图像特点准确提取出完整的玉米果穗图像。①将采集到的RGB图像转换为HSV图像，如图4–a所示。②基于图像的HSV颜色空间直方图，对图像的H、S、V 3个颜色平面进行阈值分割，分别设置阈值H(0～65)、S(0～183)、V(0～203)，得到玉米果穗的二值图像，如图4–b所示。

图4 玉米果穗的二值图像Fig.4 Binary image of corn ear

2.3 二值图像FFT滤波

HSV阈值分割后的玉米果穗图像有噪声，而且边缘不够平滑。通过FFT[12]低通截断滤波器去除果穗边缘的噪声，使边缘更平滑。玉米果穗图像FFT低通截断滤波效果如图5所示。

图5 玉米果穗FFT滤波图像Fig.5 FFT filter image of corn ear

2.4 多个玉米果穗图像的分离

对于同幅多个玉米果穗的图像，使用粒子滤波方法[14]提取出每个玉米果穗图像，并进行逐个处理(图6)：①针对低通截断滤波后的二值图像进行粒子分析，获得粒子数量及每个粒子的面积和粒子的质心坐标，即是玉米果穗的数量及每个果穗的面积和每个果穗的中心位置。②粒子滤波。首先使用粒子面积作为过滤条件，满足过滤条件的粒子保留，不满足过滤条件的剔除；如果多个粒子面积相等，则使用粒子质心坐标作为滤波条件。③对②步骤重复执行，直到剩余最后一个粒子。若图像中有n个玉米果穗，粒子滤波进行n–1次，每次过滤可以提取其中1个玉米果穗图像，以便后续的形态学处理和特征参数的提取。

图6 同幅多个玉米果穗图像的分离Fig.6 Separation of a plurality of corn ear

3 玉米果穗性状特征参数的提取

3.1 玉米果穗基于最小二阶矩的最小外接矩形(MER)检测

在玉米果穗精选中，使用长度和长宽比剔除大小和形状不符合要求的果穗。果穗的长和宽就是果穗最小外接矩形的长和宽。

使用基于最小二阶矩的MER算法[13]，获得图像最小外接矩形，8位黑白图像作为输入接口，输出最小外接矩形的长和宽，如图7所示。

图7 最小外接矩形Fig.7 Minimun circumscribed rectangle

3.2 玉米果穗纹理和颜色特征的提取

使用HSV颜色空间V平均值和V标准差分别剔除颜色过亮或过暗果穗和霉变、缺粒、籽粒排列不整齐的果穗。

为避免边缘像素值以及果穗穗头颜色的影响，提取玉米果穗的中间3行。针对FFT低通滤波后的二值图像，采用形态学腐蚀方法，经过4次迭代腐蚀，得到玉米果穗中间3行。提取效果如图8–a。

针对腐蚀后玉米果穗的二值图像，进行Mask掩模运算，提取HSV图像，提取效果如图8–b所示。

图8 玉米果穗形态学处理Fig.8 Morphological processing of corn ear

提取玉米果穗HSV空间的V平面，计算V平均值和V标准差。

为了排除黑色背景像素值对计算结果的影响，利用V平面直方图计算V平均值时，不能计数像素值为0的像素点。记x为0~255的灰度值，y0是灰度值为0对应的像素点数量，yx是为灰度值为x的像素点数量，A为图像中像素点总数，x为V平均值，δ为V标准差。

4 玉米果穗性状的检测

检测前，在 20个玉米果穗中挑选出大小、形状、纹理和颜色特征都最好的1个果穗，作为标准参考模板，采集其4个特征参数并保存在数据库中。检测过程中，设置标准参数的上下浮动比例，选择浮动比例越小，则检测标准越严格。待选玉米果穗通过提取的特征参数与数据库中的进行比较，判断是否合格。记待检测玉米果穗的4个特征值为Mi，4个特征值的标准参数为Ni(i=1, 2, 3, 4)，浮动比例为εi，若Ni×(1–εi)≤Mi≤Ni×(1+εi)，判定玉米果穗合格；若Mi≤Ni×(1–εi)或Mi≥Ni×(1+εi)，判定玉米果穗不合格。

检测过程中，按大小、形状、纹理、颜色顺序依次比较，如果前一参数标准不符合，则后续参数不再比较。只有符合4个参数标准的玉米果穗才是合格的。试验中，选择1个优质玉米果穗作为标准参考模板，其4个特征值分别为616.600 59、2.807 62、33.182 49、162.401 75，软件中设定浮动比例分别为10%、10%、10%、5%。

检测的100个玉米果穗中，92个大小合格，80个大小和形状合格，69个大小、形状和纹理合格，43个大小、形状、纹理和颜色均合格。选取12个大小和形状都合格的玉米果穗的长度和长宽比列于表1。

表1 大小和形状合格的玉米果穗的形态学参数Table 1 Morphological parameters of the size shape qualified

在表1所列12个玉米果穗中，纹理和颜色都符合要求的有5个，其纹理和颜色参数列于表2。

表2 合格果穗的纹理和颜色参数Table 2 Texture and color parameters of the qualified corn ear

12个玉米果穗性状检测时间如图9所示，检测玉米果穗的平均速率是每穗0.1 s。

图9 玉米果穗性状的检测时间Fig.9 Detection time of corn ear

采集 67张玉米果穗图像，其中单个玉米果穗图像40张，2个玉米果穗图像21张，3个玉米果穗图像6张，共检测100个玉米果穗，结果(表3)玉米果穗大小和形状特征检测准确率为100%，纹理和颜色特征检测准确率分别为96.25%和98.55%。

表3 玉米果穗性状检测的准确率Table 3 Accuracy of corn ear selection

由于玉米果穗的长度和长宽比是通过果穗的最小外接矩形获得的，可准确地反映玉米果穗的大小和形状特征，因而玉米果穗的大小和形状特征检测的准确率高(100%)；玉米果穗的颜色特征检测存在误差，可能是因为个别果穗的籽粒破损，使得果穗的HSV空间V平均值偏大，果穗整体颜色过亮；玉米果穗的纹理特征检测存在误差，可能是因为个别果穗籽粒破损遮挡了果穗籽粒间的间隙，使得果穗HSV空间V标准差偏小。

[1]连艳鲜，何金环.高产玉米杂交种产量构成因素和穗部性状研究[J].安徽农业科学，2007，35(24)：7430–7431.

[2]ZAYAS I，MARTIN C R，STEELE J，et al.Wheat classification using image analysis andcrush–force parameters[J].Transactions of the ASAE，1996，39(6): 2199–2204.

[3]ZAYAS I，FLINN P W.Detection of insects in bulk wheat samples with machine vision[J].Transactions of the ASAE，1998，41(3): 883–888.

[4]KIRATIRATANAPRUK K，SINTHUPINYO W.Color and texture for corn seed classification by machine vision[C]// International Symposium on Intelligent Signal Processing and Communication Systems(ISPACS).Chiang Mai，2011：1–5.

[5]ZAYAS I，CONVERSE H，STEELE J.Discrimination of whole from broken corn kernels with image analysis[J].Transactions of the ASAE，1990，33(5): 1642–1646.

[6]万鹏，孙钟雷，宗力.基于计算机视觉的玉米粒形检测方法[J].中国粮油学报，2011，26(5)：107–110.

[7]张玉荣，王伟宇，周显青，等.基于外观特征识别玉米不完善粒检测方法[J].河南工业大学学报(自然科学版)，2015，36(2)：1–6.

[8]杨锦忠，张洪生，郝建平，等.玉米果穗图像单一特征的品种鉴别力评价[J].农业工程学报，2011，27(1)：196–200.

[9]马钦，江景涛，朱德海，等.基于图像处理的玉米果穗三维几何特征快速测量[J].农业工程学报，2012，28(增刊2)：208–212.

[10]刘长青，陈兵旗.基于机器视觉的玉米果穗参数的图像测量方法[J].农业工程学报，2014，30(6)：131–136.

[11]马玲，张晓辉.HSV颜色空间的饱和度与明度关系模型[J].计算机辅助设计与图形学学报，2014，26(8)：1272–1278.

[12]BAFAEL C G，RICHARD E W，STEVEN L E.数字图像处理[M].阮秋琦，译 .北京：电子工业出版社，2006.

[13]BERTHOLD K P H.机器视觉[M].王亮，蒋欣兰，译.北京：中国青年出版社，2014：78–82.

[14]王法胜，鲁明羽，赵清杰，等.粒子滤波算法[J].计算机学报，2014，37(8)：1679–1689.

责任编辑：罗慧敏

英文编辑：吴志立

Traits detection of corn ear based on HSV color space

LI Wei1，HU Yanxia1，LÜ Cen2
(1.Information Engineering College, Chang’an University, Xi’an 710064, China; 2.Information Engineering College, Shaanxi University of Science and Technology, Xi’an 710021, China)

In order to meet the high efficient detection of the corn ear quality, a detection method of traits for corn ear were presented based on hue, saturation, value (HSV) color space.Firstly, the corn ear images with green background were acquired by using the machine vision technology, and then remove the green background using HSV histogram threshold algorithm, as well as filtrate sharp edges and noise using FFT filter.The particle filter was used to separate corns in an image.After four iteration corrosion by the corrosion morphology method, the 3 row between the ear of corn was obtained .The size, shape, texture and color characteristics were detected for corn ear.Using this method tested the 67 images of corn ear, the test results show that the testing accuracy of corn ear size and shape feature was 100%, while the ear color and the texture feature detection accuracy rate was 98.55% and 96.25%, respectively.The average detection time of one corn was 0.1 s.

image processing; corn ear; HSV color space; second moment; the minimum circumscribed rectangle

TP274+.3

：A

：1007-1032(2017)01-0112-05

2016–03–16

2016–11–05

国家自然科学基金项目(211024140375)

李伟(1981— )，男，陕西咸阳人，博士研究生，副教授，主要从事光电检测、基于图像处理的道路检测研究，235240274@.qq.com