基于计算机视觉的稻谷霉变程度检测

潘磊庆，王振杰，孙 柯，贾晓迪，都立辉，袁 建，屠 康



基于计算机视觉的稻谷霉变程度检测

潘磊庆1，王振杰1，孙 柯1，贾晓迪1，都立辉2，袁 建2，屠 康1※

（1. 南京农业大学食品科技学院，南京 210095；2. 南京财经大学食品科学与工程学院，江苏省现代粮食流通与安全协同创新中心，南京 210023）

为了实现无损检测稻谷储藏中的霉变，该研究以引起稻谷霉变的5种常见真菌（米曲霉、黑曲霉、构巢曲霉、桔青霉和杂色曲霉）为对象，首先进行真菌培养，制成悬浮液，然后将悬浮液接种到稻谷样品中，对稻谷样品模拟储藏，确定不同霉变程度的稻谷类型，划分为对照组（无霉变）、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样品进行图像采集和图像处理，提取灰度、颜色和纹理特征，共获取68个图像特征。采用支持向量机（support vector machines, SVM）和偏最小二乘法判别分析（partial least squares discriminant analysis, PLS-DA）构建模型，分别用于无霉变稻谷与霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余，利用连续投影算法（successive projections algorithm, SPA）来消除原始数据变量间的共线性，优选特征值。结果表明：利用所有参数构建的SVM模型能够很好的区分对照组与霉变组，其中建模集和验证集总体区分准确率分别为99.7%和98.4%；SVM模型对于稻谷严重霉变类型的区分效果要优于轻微霉变稻谷，其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为99.3%和92.0%，对稻谷严重霉变类型区分的总体准确率分别为100%和94%，且整体上SVM模型的效果要优于PLS-DA模型。而基于SPA优选特征构建的模型区分结果表明，SVM模型区分效果优于PLS-DA模型，其中，在建模集和验证集中，对无霉变和霉变稻谷总体区分准确率分别为99.8%和99.5%，对稻谷轻微霉变种类区分总体准确率分别为99.8%和90.5%，对稻谷严重霉变种类区分总体准确率分别为100%和95.0%。因此，基于计算机视觉对稻谷霉变检测是可行的，而且SPA优选特征能够较好反映稻谷霉变特征，基于优选特征和SVM模型能够较好地稻谷霉变进行识别和区分，结果较好，可以为实际应用提供技术支持和参考。

计算机视觉；图像处理；特征提取；稻谷；霉变；模型；检测

0 引 言

稻谷中含有丰富的营养成分，然而稻谷在储藏过程中常因储藏不当而导致霉变，其中真菌污染是导致霉变的主要因素之一。当储藏环境适宜霉菌生长繁殖时，短时间内就会发生粮食霉变，并导致粮食品质损失。储粮霉菌污染不仅造成经济损失，而且在储藏过程中霉变真菌还能产生真菌毒素，对人体健康带来巨大的风险。因此，稻谷霉变的检测非常重要。

在实验室离线检测中，微生物检测方法主要采用传统的形态学观察和生化反应来鉴定，传统方法主要依赖微生物的分离、纯化，生化试验鉴定等复杂繁琐的操作步骤，花费时间长、灵敏度易受主观因素影响，且需要鉴定者具有专业知识[1]。目前中国的大型国家粮站，判断所储藏谷物是否发生霉变及发生的程度局限在测定谷物温度[2-3]和对部分谷物进行实例抽样检测来判断[4]；而中小型谷物储藏机构还停留在依赖人的嗅、视觉感官等手段来判断[5-6]，对谷物霉变的监测具有相当长的滞后性。随着技术的发展，许多技术不断应用于霉变稻谷的检测，如邹小波等研制出一套能够快速检测谷物是否霉变的电子鼻装置，该装置能够快捷、准确地分析所测谷物散发的气味，来判断所测谷物是否发生霉变[7]。Balasubramanian等利用电子鼻对感染镰刀菌的大麦进行检测，总体分级准确率超过80%[8]。Siripatrawan等运用高光谱图像技术对储藏大米腐败霉变真菌生长进行实时监控[9]。Zhang等利用波长为918~1 045 nm的近红外光谱技术对水稻储藏过程中的霉菌菌落总数进行检测，该方法可以用于水稻采后储藏霉变的实时监测[10]。

计算机视觉利用图像传感器来代替人眼获取目标图像，然后将图像信息转换成数字信息，结合模式识别等数据处理方法，最终达到分析和做出结论的目的，在农产品质量和安全检测和监测方面得到了广泛应用[11-16]。Bayraktar等利用计算机视觉和模式识别技术对李斯特菌菌落形成散射图案进行分类，得出基于图像的生物检测系统是可行性的[17]。Wang等开发了一种利用选择性生长培养基和基于计算机视觉，从食品中选择性分离金黄色葡萄球菌快速鉴定方法[18]。殷涌光等利用大肠杆菌发酵乳糖所产生的酸与伊红美兰混合液反应产生沉淀、液体颜色发生改变的特性，设计了一套基于颜色特征识别技术对食品中大肠杆菌快速定量检测系统，通过16 h培养后，根据溶液颜色的变化程度来判断待测液中大肠杆菌的数目。试验结果表明：该方法的检测结果比传统方法的相关性好，大大缩短了检测时间[19]。但是，利用计算机视觉对稻谷霉变以及不同霉菌导致的稻谷霉变种类区分还未见报道。因此，本文选取常见的稻谷霉变真菌为研究对象，接种到稻谷样品上，采用高温高湿条件诱导稻谷发霉，利用计算机视觉对稻谷霉变进行研究，以期为储藏稻谷霉变的抽样快速无损检测提供技术支持。

1 材料与方法

1.1 试验材料

1.1.1 稻谷原料及处理

稻谷来源于江苏泗洪某农场的籼稻，含水率为13.49%，密封储藏于-4 ℃冰箱中待用。为了消除杂菌的影响，对稻谷原粮进行杀菌处理。每个样本称取15 g稻谷原粮样品放入培养皿内，将稻谷样品置于超净工作台内，打开紫外灯照射30 min。杀菌完成后进一步测定稻谷中的菌落总数，确保处于无菌状态。

1.1.2 菌种活化和稻谷接种霉变

使用的霉菌为稻谷储藏霉变的主要真菌。分别为米曲霉（，Gim，3.470）、黑曲霉（，Gim，3.462）、构巢曲霉（，Gim, 3.394）、桔青霉（，Gim，3.458）、杂色曲霉（，Gim，3.473），购于广东省微生物菌种保藏中心。由于购买的菌种以冻干的形式保藏，需要进行多次活化才能保证其活性。试验前对菌种活化两次，活化时间为3 d，温度为28 ℃[20]。当储藏过程中，霉菌量在104CFU/g以下，稻谷处于安全储藏状态，达到105CFU/g时开始发霉，超过106CFU/g霉变相当严重[21]。试验模拟稻谷储藏霉变，需要获取不同霉变程度的稻谷图像，因此采用高浓度霉菌量进行接种，而且为了加速稻谷霉变，在储藏过程中采用高温高湿缩短发霉时间，温度设置为30℃，相对湿度为90%，来模拟稻谷霉变储藏过程。首先将活化好的5种真菌用无菌水洗脱下来，其中每一种做3组平行，制成悬浮液[22]。采用血细胞计数板计数法来测定真菌浓度，算出平均浓度。再经过稀释调节成106CFU/mL，如表1所示。

表1 5种真菌悬浮液的制备

由于真菌种类的不同，发生霉变程度的时间也有差异，通过观察记录可知，黑曲霉和米曲霉发生霉变较早，桔青霉和构巢曲霉发生霉变时间较晚。通过观察稻谷霉变的程度将其分为轻微霉变和严重霉变，同时，分别对轻微和严重霉变稻谷的菌落总数进行测定。具体结果见表2。将稀释完成的5种真菌悬浮液接种到稻谷样本中，其中每个样品接种3 mL真菌悬浮液，轻轻摇晃至均匀。每种真菌接种120个稻谷样品，共有600个样品；40个稻谷样品作为对照组，对照组样品加入3 mL无菌水。为了防止交叉污染，分别将5种接种真菌稻谷样品和对照组分别置于不同的培养箱内。

表2 模拟储藏稻谷轻微和严重霉变的时间、特征和菌落总数

注：“-”代表未检出。

Note: “-” means not detected.

1.2 试验仪器

高压灭菌锅（LS-30-85381，上海博讯实业有限公司）、超净工作台（SW-CJ-2FD，苏州安泰空气技术公司）、恒温恒湿培养箱（CTHI-250B，施都凯仪器设备上海有限公司）、电动粉碎机（JP-1000C，永康久品工贸有限公司）、显微镜（CX21FS1，奥林巴斯(中国)有限公司）、干燥箱、干燥器、移液枪、锥形瓶、培养皿、电子天平、酒精灯、玻璃棒等。

1.3 计算机视觉系统

1.3.1 系统组成

如图1所示，计算机视觉硬件系统主要由相机、光源和支架构成。其中，相机采用为NEX-6的索尼相机，图像采集过程中由于光源亮度足够，所以相机闪光灯设置为禁用模式，光圈f/9.0，曝光时间为1/15 s，ISO 100，焦距为30 mm。光源有两条LED（light-emitting diode）光条组成，每条12 W，长度为33 cm。底座是一块 30 cm×30 cm×1.1 cm的金属板，底座表面上有螺孔，用来调节和固定支架。

图1 计算机视觉图像采集装置

1.3.2 图像采集

对照组稻谷分别在贮藏第0、7和47天拍摄图片，所有稻谷样品没有发生霉变，共获得120个样本图像；接种各种霉菌的稻谷分别在表2所示的轻微霉变和严重霉变时期获取图片，每个时期分别得到600个样本图像。不同霉菌感染及霉变程度的稻谷及对照组稻谷如图2所示。

1.3.3 图像处理

稻谷图像的处理经过以下步骤，分别为：

1）提取感兴趣区域：如图3，霉变稻谷图像大小为2 700´2 700像素（图3a），由于霉变范围较大，无需对整幅图像进行处理，只需要选取某一区域的霉变图像进行分析和特征提取即可，所以提取感兴趣区域被用来选取其中一块作为图像处理的对象。具体方法是首先算出原图的长和宽，然后将图像平均分为9个小区域（图3b），算出中间区域四个角的坐标，即为提取的感兴趣区域（图3c）[23]。

2）各分量图的特征提取：将图3c中得到的感兴趣区域图像分别转化为灰度图像、分量图、分量图和分量图4个分量图，然后提取亮度信息和颜色信息。又采用灰度共生矩阵对感兴趣区域霉变图像（图3）的纹理进行描述和信息提取。

根据五种真菌引发的稻谷霉变图像的亮度信息不同，稻谷灰度直方图信息特征作为区分的一个指标。灰度级一共有256个等级，由于相近的灰度级所具有的含义往往相同，所以没有必要对每个灰度级都进行统计。归一化直方图用来对256个灰度级进行划分，共划分16个区域，然后提取每个区域的灰度信息[24]，分别为1~16。

稻谷的RGB图像每一颜色分量图都可以用灰度图256个等级来表示含有这种颜色成分的多少所示。根据5种真菌引发的稻谷霉变图像表面颜色的不同，RGB三分量的颜色分布直方图用来描述各自的颜色信息，并作为分类的特征之一，分别为1~16，1~16和1~16。

灰度共生矩阵（gray level co-occurrence matrix）是建立在估计图像的二阶组合条件概率密度函数基础上的统计方法[25]，是用来描述图像纹理特征的一个有效手段，本文采用该方法提取角二阶矩（angular second moment，ASM）、能量（energy，E）、对比度（contrast，CON）、熵（entropy）4个特征值用于进一步分析。

综合以上特征提取结果可以得出，灰度信息为16个特征数据；RGB三分量分别提取16个特征数据，共48个颜色特征数据。纹理特征共提取了4个特征数据，分别为ASM、E、CON和entropy。因此，共提取68个稻谷霉变图像特征用于进一步分析。

1.3.4 模型构建

本文选取了两种较广泛应用于分类识别的判别模型，分别为偏最小二乘法判别分析（partial least squares discriminant analysis，PLS-DA）[26-27]和支持向量机（support vector machines，SVM）[28-29]。通过比较两种模型对特征数据处理效果，来选取最优判别模型。其中，建模集和验证集样本数比例为2:1。

同时为了实际应用，进行特征参数提取可以减少数据输入量，减少信息冗余的影响，提高计算精度和运算速度。本文主要运用了连续投影算法（successive projections algorithm，SPA）[30-31]进行特征数据的提取，并构建PLS-DA和SVM判别模型，比较确定较佳的稻谷霉变识别模型。所有程序均在MATLAB 7.5.0软件中运行。

2 结果与分析

2.1 对照组与霉变稻谷区分

2.1.1 基于所有特征的模型区分

由表3可知，建模集和验证集中，PLS-DA模型在对照组和霉变稻谷识别正确率都达到80%以上，其中判别错误来源于轻微霉变稻谷区分错误。在建模集中对照组有6个样品判别为轻微霉变稻谷，验证集中4个样品判 别为轻微霉变稻谷。对照组和严重霉变稻谷能够很好区分。总体上基于多特征结合的PLS-DA模型建模集准确率为88.3%，验证集准确率为86.1%。SVM模型在建模集和验证集中对照组和轻微霉变稻谷识别正确率都达到100%；且对轻微霉变和严重霉变也能较好的区分，错误主要来源于少数严重霉变稻谷样品误判为轻微霉变稻谷。总体上可以看出，SVM模型在基于多特征结合区分效果要远远高于PLS-DA模型，基于多特征结合的SVM模型建模集总体区分准确率为99.7%，验证集准确率为98.4%。其中支持向量机的参数为：核函数为径向基函数，核函数gamma值为0.01，惩罚系数cost值为1。

表3 基于所有特征构建PLS-DA和SVM模型区分稻谷霉变

2.1.2 基于SPA的特征筛选和模型构建

将灰度、颜色和纹理特征组成的68个数据利用SPA进行特征筛选，其中1~16列为灰度特征数据，17~32列为分量特征数据，33~48为分量特征数据，49~64列为分量特征数据，65~68列为纹理特征数据（下同）。处理前指定SPA最终选取结果的最小变量数为1，最大变量数为20。结果发现当特征数量大于11个时，内部交叉验证均方差（root mean square error of cross validation，RMSECV）值降低趋于平稳，此时RMSECV值为0.412，最终系统选取11个特征值作为优选特征。11个特征主要分布在、、3个颜色特征分量中，分别为：4、11、12、13、2、8、12、2、9、11、13。

利用SPA筛选的11个特征变量再次建模分析，结果如表4。PLS-DA模型对对照组与霉变稻谷的区分准确率较低，其中对照组中建模集区分准确率为73.7%，验证集中为80.0%，轻微霉变与严重霉变区分效果很差。基于优选特征构建的PLS-DA模型在建模集和验证集的总体区分准确率分别为45.9%和46.1%。而构建的SVM模型可以很好区分对照组、轻微霉变和严重霉变，准确率均超过99.0%。基于优选特征的SVM模型对稻谷霉变区分的总体准确率在建模集和验证集中分别为99.8%和99.5%。其中支持向量机的参数为：核函数为径向基函数，核函数gamma值为0.01，惩罚系数cost值为1。

从表3和表4可以看出，基于PLS-DA模型判别结果对比中，所有特征构建模型的区分效果要远高于基于SPA优选特征结果，但SVM模型判别结果二者却相差不大。也说明了非线性SVM模型在自我学习能力和数据分析上要优于线性PLS-DA判别模型，结合优选特征能够较好用于正常稻谷和霉变稻谷的区分。

2.2 稻谷轻微霉变种类区分

2.2.1 基于所有特征的模型区分

由表5可知，基于所有特征构建的PLS-DA判别模型，对构巢曲霉、黑曲霉、桔青霉和杂色曲霉都有较好的区分效果，而对米曲霉的识别准确率较差，从表中可以看出，米曲霉在建模集中有52个样品判别为杂色曲霉，验证集中有28个样品同样判别为杂色曲霉。整体来看，建模集和验证集中，PLS-DA模型对5种真菌导致的稻谷轻微霉变种类区分的总体准确率分别为76.3%和82.0%。而SVM判别模型能够很好的对5种真菌导致的稻谷轻微霉变种类区分，在建模集和验证集中对构巢曲霉、黑曲霉、桔青霉3种霉变稻谷区分正确率都达到100%。而对米曲霉与杂色曲霉的判别准确率有所下降，建模集中分别为98.8%和97.5%，验证集中分别为87.5%和72.5%。整体来看，对于建模集和验证集，SVM模型对5种真菌导致的稻谷轻微霉变种类的区分总体准确率分别为99.3%和92.0%。其中支持向量机的参数为：核函数为径向基函数，核函数gamma值为0.01，惩罚系cost值为1。

表5 基于所有特征构建PLS-DA和SVM模型区分稻谷轻微霉变种类

2.2.2 基于SPA的特征筛选及模型构建

经过SPA进行特征选择后，共确定了13个特征参数，分布在、、3个颜色特征分量中，根据特征矩阵的分布可以得出13个值为：2、3、9、11、12、13、11、12、13、7、8、9、11。利用优选的特征参数进行PLS-DA和SVM建模，结果如表5所示。可以看出，PLS-DA判别模型对5种真菌导致的稻谷轻微霉变种类区分效果最好的是构巢曲霉和黑曲霉，建模集和验证集正确率都达到90%以上。对桔青霉和杂色曲霉区分效果稍差，最差的结果是对米曲霉的区分。整体看来，基于SPA优选特征构建的PLS-DA模型建模集总体准确率为76.3%，验证集总体准确率为81.5%。而SVM判别模型在建模集中对5种真菌稻谷霉变的区分总体正确率到达99.8%，且在建模集和验证集中对构巢曲霉、黑曲霉、桔青霉霉变区分率都达到100%。整体上，基于SPA筛选的特征构建的SVM模型在建模集中总体区分准确率为99.8%，验证集为90.5%，结果较好。其中支持向量机的参数为：核函数为径向基函数，核函数gamma值为0.1，惩罚系数cost值为1。

由表5和表6中可以得出，基于所有和优选特征构建PLS-DA模型判别结果较接近，其中建模集中准确率同样为76.3%，验证集中分别为82.0%和81.5%。而SVM模型中，建模集中基于优选特征的区分结果要优于基于所有特征建模的结果，在验证集中准确率稍有下降，但仍高于90%。因此，SVM在对5种真菌稻谷轻微霉变种类的区分效果要优于PLS-DA模型，适用于稻谷轻微霉变的种类区分。

表6 基于优选特征构建PLS-DA和SVM模型区分稻谷轻微霉变种类

2.3 稻谷严重霉变种类区分

2.3.1 基于所有特征的模型区分

由表7可以得出，基于PLS-DA判别模型对5种严重霉变稻谷的区分结果相比较于轻微霉变稻谷的效果好，其中建模集准确率达到96.8%，验证集准确率达到92.0%。米曲霉和杂色曲霉的识别正确率有了很大的提高，但对这两种真菌感染的霉变稻谷识别准确率依然最低。而SVM判别模型在对5种真菌严重霉变稻谷的建模集区分正确率都达到100%。预测集中区分准确率有下降，错误主要来源米曲霉霉变稻谷样本，其中有10个样品被判别为杂色曲霉感染。其中支持向量机的参数为：核函数为径向基函数，核函数参数gamma值为0.00032，惩罚系数cost值为1。

2.3.2 基于SPA的特征筛选及模型构建

经过SPA筛选后，最终确定14个特征参数，主要分布在、、3个颜色特征分量中，分别为13、1、9、11、13、11、12、2、3、4、5、7、8、9。基于优选的14个特征参数进行建模分析，结果如表8所示，可以看出，PLS-DA判别模型对5种真菌严重霉变稻谷区分效果最好的是桔青霉，建模集正确率达到100%，其次是黑曲霉和米曲霉。验证集中识别正确率最好是黑曲霉，最差的是米曲霉。整体来看，对于建模集和验证集，基于优选特征的PLS-DA模型整体识别准确率分别为95.8%和92.0%。对于SVM模型，在建模集中对5种严重霉变稻谷的区分总体正确率到达100%，验证集中除了米曲霉只有75.0%的正确率外，其他4种也均达到100%。整体上，基于SPA优选特征的SVM模型在建模集中总体区分准确率为100%，验证集中为95.0%。其中支持向量机的参数为：核函数为径向基函数，核函数gamma值为0.0312，惩罚系数cost值为1。

从表7和表8结果可以看出，基于所有和SPA优选特征的PLS-DA模型判别结果比较接近，其中建模集中准确率分别为96.8%和95.8%，验证集中准确率同为92%。在SVM模型中，建模集中基于SPA优选特征的区分结果与基于所有特征区分结果一样，整体区分准确率均为100%，但验证集中，基于SPA优选特征的SVM模型整体区分准确率高1个百分点。因此，SPA筛选的特征能够较好的反映出不同真菌严重霉变稻谷之间的差异，结合SVM模型能很好区分各类严重霉变稻谷。

表7 基于所有特征构建PLS-DA和SVM模型区分稻谷严重霉变种类

表8 基于优选特征构建PLS-DA和SVM模型区分稻谷严重霉变种类

3 结论

1）以稻谷霉变常见的5种真菌为对象，接种到稻谷中模拟霉变，利用计算机视觉系统获取无霉变、轻微霉变和严重霉变稻谷图像，提取了68个图像灰度、颜色和纹理特征，构建了支持向量机（support vector machines，SVM）和偏最小二乘法判别分析（partial least squares discriminant analysis，PLS-DA）模型，用来识别稻谷的霉变和不同真菌导致的稻谷霉变类型，并采用连续投影算法（successive projections algorithm, SPA）对68个图像特征进行优选，构建新的SVM和PLS-DA模型。

2）对稻谷霉变的区分，SVM模型的效果均好于PLS- DA模型，其中，基于所有图像特征的SVM模型对稻谷霉变的建模集和验证集总体区分准确率分别为99.7%和98.4%；基于SPA优选特征的SVM模型对稻谷霉变的建模集和验证集总体区分准确率分别99.8%和99.5%。

3）对于不同真菌导致的稻谷霉变类型区分，SVM模型的效果均好于PLS-DA模型，其中，利用所有图像特征对稻谷轻微霉变种类区分的建模集和验证集总体准确率分别为99.3%和92.0%，对稻谷严重霉变种类分别为100%和94%；而利用优选特征对稻谷轻微霉变种类区分的建模集和验证集总体准确率分别为99.8%和90.5%，对稻谷严重霉变种类分别为100%和95.0%。

本研究表明，计算机视觉技术可以用于稻谷霉变的检测以及稻谷霉变种类的区分。而且，利用SPA优选特征构建的SVM模型区分效果较理想，在实际中可以采用优选特征代替所有的图像特征来对稻谷霉变进行检测。在以后的研究中，需要增加稻谷霉变的种类，探讨更多真菌霉变的情况，研究提取的优选图像特征的适应性，提高模型的稳定性和鲁棒性。

[1] 朱研研，王耀耀，付美红，等. 真菌分类鉴定研究进展[J]. 河北化工，2010，33(4)：37－38.Zhu Yanyan, Wang Yaoyao, Fu Meihong, et al. Advance of research on classification and identification of fungal [J]. Hebei Chemical Engineering, 2010, 33(4): 37－38. (in Chinese with English abstract)

[2] 任如杉，万艳芬，胡雅丽，等. 粮情测控系统在粮食储藏中的应用[J]. 粮食流通技术，2002(4)：36－39. Ren Rushan, Wan Yanfen, Hu Yali, et al. Application of measurement and control system for grain situation in grain storage [J]. Journal of Grain Circulation Technology, 2002(4): 36－39. (in Chinese with English abstract)

[3] 赵玉霞. 粮食储藏中粮堆温度与大气温度之关系[J]. 粮油食品科技，2002，10(6)：1－5. Zhao Yuxia. Analysis of relation between grain temperature and atmospheric temperature in grain storage [J]. Grain and Oil Food Science and Technology, 2002, 10(6): 1-5. (in Chinese with English abstract)

[4] 杨耀荣，李伯灵. 储藏过程中粮食发热与霉变的分析及对策[J]. 黑龙江粮油科技，1999(4)：1－5. Yang Yaorong, Li Boling. Analysis and strategy for heating and mildewing grain during the process of storage [J]. Science and Technology of Heilongjiang Grain and Oil, 1999(4): 1－5. (in Chinese with English abstract)

[5] 李隆术，靳祖训. 中国粮食储藏科学研究若干重大成就[J]. 粮食储藏，1999(6)：3－12. Li long, Jin Zuxun. Several major scientific research achievements of China's grain storage [J]. Food storage, 1999(6): 3－12. (in Chinese with English abstract)

[6] 王肇慈，孙明. 国内外粮食储藏品质评价与技术状况[J]. 南京经济学院学报，1997，83(4)：64－66. Wang Zhaoci, Sun Ming. Domestic and overseas quality evaluation and technology status of food storage [J]. Journal of Nanjing Economic University, 1997, 83(4): 64－66. (in Chinese with English abstract)

[7] 邹小波，赵杰文. 电子鼻快速检测谷物霉变的研究[J]. 农业工程学报. 2004，20(4)：121－124. Zou Xiaobo, Zhao Jiewen. Rapid identification of moldy corn by electronic nose [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(4): 121－124. (in Chinese with English abstract)

[8] Balasubramanian S, Panigrahi S, Kottapalli B, et al. Evaluation of an artificial olfactory system for grain quality discrimination[J]. LWT-Food Science and Technology, 2007, 40(10): 1815－1825.

[9] Siripatrawan U, Makino Y. Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J]. International Journal of Food Microbiology, 2015, 199(16): 93－100.

[10] Zhang Q, Liu CH, Sun JK, et al. Rapid non-destructive detection for molds colony of paddy rice based on near infrared spectroscopy[J]. Journal of Northeast Agricultural University, 2014, 21 (4): 54－60.

[11] Pan Leiqing, Zhan Ge, Tu Kang, et al. Eggshell crack detection based on computer vision and acoustic response by means of back-propagation artificial neural network[J]. European Food Research and Technology, 2011, 233(3): 457－463.

[12] 周彤，彭彦昆，刘媛媛. 基于近邻法聚类和改进Hough 算法的猪胴体背膘厚度检测[J]. 农业工程学报，2014，30(5)：247－254. Zhou Tong, Peng Yankun, Liu Yuanyuan. Detection of pork backfat thickness based on nearest neighbor clustering and improved Hough algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 247－254. (in Chinese with English abstract)

[13] Saldaña Erick, Siche Raúl, Castro Wilson, et al. Measurement parameter of color on yacon () slices using a computer vision system[J]. LWT- Food Science and Technology, 2014, 59(2): 1220－1226.

[14] Zhang Baohua, Huang Wenqian, Gong Liang, et al. Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier[J]. Journal of Food Engineering, 2015, 146: 143－151.

[15] Szczypiński Piotr M, Klepaczko Artur, Zapotoczny Piotr. Identifying barley varieties by computer vision[J]. Computers and Electronics in Agriculture, 2015, 110: 1－8.

[16] 高新浩，刘斌. 基于机器视觉的鲜食玉米品质检测分类器设计与试验[J]. 农业工程学报，2016，32(1)：298－303. Gao Xinhao, Liu Bin. Design and experiment of fresh corn quality detection classifier based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 298－306. (in Chinese with English abstract)

[17] Bayraktar B, Banada P, Hirlemanet ED, et al. Feature extraction from light-scatter patterns ofa colonies for identification and classification [J]. Journal of Biomedical Optics, 2006, 11(3): 034006.

[18] Wang Y, Yin Y, Zhang C. Selective cultivation and rapid detection of staphylococcus aureus by computer vision [J]. Journal of Food science, 2014, 79(3): 399－406.

[19] 殷涌光，丁筠. 基于计算机视觉的食品中大肠杆菌快速定量检测[J]. 吉林大学学报(工学版), 2009，39(增刊2)：344－348. Yin Yongguang, Ding Yun. Rapid method for enumeration ofin food based on computer vision [J]. Journal of Jilin University (Engineering and Technology Edition), 2009, 39(Supp. 2): 344－348. (in Chinese with English abstract)

[20] 韩天龙, 王敏, 赵瑞霞, 等. 产纤维素酶系黑曲霉的二次活化与传代培养研究[J]. 饲料研究, 2011(07)：25－26. Han Tianlong, Wang Min, Zhao Ruixia, et al. Secondary activation and cellulose enzyme production of aspergillus Niger and subculture[J]. Feed Research, 2011(07): 25－26. (in Chinese with English abstract)

[21] 周建新，鞠兴荣，孙肖东，等. 不同储藏条件下稻谷霉菌区系演替的研究[J]. 中国粮油学报，2008，23(5)：133－136. Zhou Jianxin, Ju Xingrong, Sun Xiaodong, et al. Succession of mould flora for paddy in different storage conditions[J]. Journal of the Chinese Cereals and Oils Association, 2008, 23(5): 133－136. (in Chinese with English abstract)

[22] 孙晔，顾欣哲，王振杰，等. 高光谱图像对灰葡萄孢霉、匍枝根霉、炭疽菌的生长拟合及区分[J]. 食品科学，2016，37(3)：137－144.Sun Ye, Gu Xinzhe, Wang Zhenjie, et al. Growth simulation and discrimination of Botrytis cinerea, Rhizopus stolonifer and Colletotrichum acutatum by using hyperspectral reflectance imaging technique[J] Food Science, 2016, 37(3): 137－144. (in Chinese with English abstract)

[23] 王燕妮，樊养余，毛力. 基于感兴趣区域轮廓的图像分割方法[J]. 现代电子技术. 2008(16)：133－135. Wang Yanni, Fan Yangyu, Mao Li. Image segmentation method based on silhouettes of interested region [J]. Modern Electronics Technique, 2008(16): 133－135. (in Chinese with English abstract)

[24] 姜柏军，钟明霞. 改进的直方图均衡化算法在图像增强中的应用[J]. 激光与红外. 2014，44(6)：702－706.Jiang Bojun, Zhong Mingxia. Improved histogram equalization algorithm in the image enhancement [J]. Laser & Infrared, 2014, 44(6): 702－706. (in Chinese with English abstract)

[25] 李智峰，朱谷昌，董泰锋. 基于灰度共生矩阵的图像纹理特征地物分类应用[J]. 地质与勘探，2011，47(3)：456－461. Li Zhifeng, Zhu Guchang, Dong Taifeng. Application of GLCM-based texture features to remote sensing image classification [J]. Geology and Exploration, 2011, 47(3): 456－461. (in Chinese with English abstract)

[26] Nunes A, Martins J, Barros AS, et al. Estimation of olive oil acidity using FT-IR and partial least squares regression[J]. Sensing and Instrumentation for Food Quality and Safety, 2009, 3(3): 187－191.

[27] Zhu Qibing, He Chunliu, Lu Renfu, et al. Ripeness evaluation of ‘Sun Bright’ tomato using optical absorption and scattering properties[J]. Postharvest Biology and Technology, 2015, 103: 27－34.

[28] 赵杰文，呼怀平，邹小波. 支持向量机在苹果分类的近红外光谱模型中的应用[J]. 农业工程学报. 2007，23(4)：149－158. Zhao Jiewen, Hu Huaiping, Zou Xiaobo. Application of support vector machine to apple classification with near- infrared spectroscopy [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(4): 149－158. (in Chinese with English abstract)

[29] Sun Ye, Gu Xinzhe, Sun Ke, et al. Hyperspectral reflectance imaging combined with chemometrics and successive projections algorithm for chilling injury classification in peaches[J]. LWT - Food Science and Technology, 2017, 75: 557－564.

[30] Liu K, Chen X, Li L, et al. A consensus successive projections algorithm-multiple linear regression method for analyzing near infrared spectra [J]. Analytica Chimica Acta, 2015, 858(1): 16－23.

[31] Song Dajie, Song Lijun, Sun Ye, et al. Black heart detection in white radish by hyperspectral transmittance imaging combined with chemometric analysis and a successive projections algorithm[J/OL]. Applied Sciences, 2016, 6(9): 249.

Detection of paddy mildew degree based on computer vision

Pan Leiqing1, Wang Zhenjie1, Sun Ke1, Jia Xiaodi1, Du Lihui2, Yuan Jian2, Tu Kang1※

(1.210095,; 2.210023,)

In order to realize non-destructive testing of moldy paddy during storage, the present study developed a computer vision system for laboratory analysis. Five kinds of fungi which mainly caused paddy mildew, including,,,and, were used as research objects. Five fungi were cultured and prepared as suspension, which was then inoculated into paddy samples. Paddy was stored in the condition of 30 ℃ and 90% relative humidity to speed up the mildew. According to the mildewing degree, paddy was divided into 3 groups, i.e. control (no mildew), slight mildew and severe mildew. Computer vision system was used for image acquisition of 3 groups of paddy samples. A total of 120, 600 and 600 images of paddy samples were obtained for the groups of control, slight mildew and severe mildew, respectively. After image processing, gray scale, color in the color space of RGB (red, green, blue) and texture features (i.e., angular second moment, energy, contrast, entropy) were extracted using gray level co-occurrence matrix with a total of 68 parameters acquired. SVM (support vector machine) and PLS-DA (partial least squares - discriminant analysis) were used to build the discriminating models for paddy mildew and mildew type. To reduce the complexity of the model and the data redundancy, successive projections algorithm (SPA) was used to eliminate collinearity among the 68 characteristic variables. Then, 11, 13 and 14 optimal features were determined for the classification of moldy paddy, fungus type of slightly moldy paddy and fungus type of severely moldy paddy, respectively. The results showed that, using all the extracted features, SVM models could accurately distinguish between the control group and the mildew group of paddy, which got an overall classification accuracy of 99.7% and 98.4% for modeling and validation set, respectively; SVM models presented better distinguishing performance for paddy’s severe mildew type than slight mildew type; concerning paddy’s severe mildew type, the overall classification accuracy was 100% and 94% for modeling and validation set, respectively, and concerning paddy’s slight mildew type, the overall classification accuracy reached 99.3% and 92% for modeling and validation set, respectively. As a whole, SVM model obtained higher accuracy than PLS-DA. Based on the preferred feature selected by SPA, SVM models still distinguished better than PLS-DA models for paddy’s mildew. For modeling and validation set, the accuracies were respective 99.8% and 99.5% for the discrimination between no mildew and mildewing paddy, 99.8% and 90.5% for the discrimination among paddy’s slight mildew type, and 100% and 95.0% for the discrimination among paddy’s severe mildew type. Therefore, the computer vision technique is feasible for paddy’s mildew detection; the preferred features determined by SPA can well reflect paddy mildewing features. Using the preferred features, SVM models are able to identify and distinguish paddy mildew with satisfactory results, which can provide technical support for practical application.

computer vision; image processing; feature extraction; paddy; mildew; model; detection

10.11975/j.issn.1002-6819.2017.03.037

S126

A

1002-6819(2017)-03-0272-09

2016-07-27

2016-08-13

中央高校基本科研业务费专项（KYLH201504）；国家自然科学基金项目（31671926，31671925）；国家粮食公益性行业科研专项（201313002-01）。

潘磊庆，男，湖北郧县人，副教授，博士。主要从事农产品无损检测研究。南京农业大学食品科技学院，210095。 Email：pan_leiqing@njau.edu.cn.

屠 康，男，江苏南京人，教授，博士生导师，博士。主要研究农产品贮藏与加工和农产品无损检测。南京农业大学食品科技学院，210095。Email：kangtu@njau.edu.cn.

潘磊庆，王振杰，孙 柯，贾晓迪，都立辉，袁 建，屠 康.基于计算机视觉的稻谷霉变程度检测[J]. 农业工程学报，2017，33(3)：272－280. doi：10.11975/j.issn.1002-6819.2017.03.037 http://www.tcsae.org

Pan Leiqing, Wang Zhenjie, Sun Ke, Jia Xiaodi, Du Lihui, Yuan Jian, Tu Kang.Detection of paddy mildew degree based on computer vision [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 272－280. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.03.037 http://www.tcsae.org