谷物外观品质检测方法的研究

王一丁，李霁阳

(北方工业大学 电子信息工程学院，北京 100144)

谷物外观品质检测方法的研究

王一丁，李霁阳

(北方工业大学 电子信息工程学院，北京 100144)

随着我国科学技术的发展，有许多传统的人力检测方法可以被机器视觉和图像处理代替;而且随着计算机的性价比越来越高，让机器视觉融入我们的生活也变为可能；因此，通过处理谷物外观图像来对一批谷物的质量进行评估，具有较高的理论价值和实际意义;利用了谷物长宽比的特点，可以有效的判断谷物的粒型和完整性，这种方法不仅适用于大米，对红豆、黑米、绿豆、燕麦、高粱米、红米等谷物也有着良好的识别效果;并且文章对流域算法进行了一定的改进，使流域分割算法可以应用在谷物外观品质检测中；实验结果表明，该算法及程序上的设计是可靠的、高效率的，可以利用机器视觉代替人眼检测。

数字图像处理；机器视觉；谷物外观；流域分割；

0 引言

我国是一个人口大国，对于粮食的产量和进口自然也是重中之重，各种谷物品质的好坏直接影响到民众的生活，我国对农产品和食品工业极为重视。但是，有些谷物外观品质比如谷物的残缺程度、大米的垩白粒率等还停留在利用肉眼观测的阶段，这种方法不仅效率低，而且是一种浪费人力资源的行为。对于谷物外观品质的检测缺乏客观性和科学性，而且无法满足快速检测的要求。和人工的肉眼检测相比，机器视觉检测技术具有速度快、效率高等优点，在谷物品质检测领域有着广阔的应用前景。利用机器视觉分级代替人工检测，是自动化分级发展的必然趋势。而且随着计算机的性价比越来越高，让机器视觉融入我们的生活也变为可能。因此，对图像中谷物的外观进行研究，具有较高的理论价值和实际意义，如在厂家入库时，可以用此方法对谷物进行分级检测，决定其如何贮存和分类，能够极大地提高工作效率。

对于谷物外观品质的检测系统，首先要确保谷物图像的采集质量，要保证在同一光源，同一环境下采集，这样才可以使整个系统具有良好的精确性。本文对谷物品质检测中常用的图像预处理算法进行了研究比较，确定了适合针对谷物外观图像的预处理算法。并且对于一系列谷物的处理都具有通用性，设定合适参数，使算法可以检测大米、红豆、绿豆、燕麦、高粱米等多种谷物。本文的创新之处在于检测谷物时可以不受谷物粘连和摆放的制约，当谷物摆放的角度不同或者几粒谷物粘连在一起时，检测出的结果也可以保证其精确性。

1 谷物检测系统框架

其中CCD摄像机和图像采集卡组成采集模块，计算机为图像处理模块，光源和密封箱组成光源控制模块。相机采用的是WATEC-902B工业相机，分辨率为640*480，此相机可以关闭自适应功能，使采集到的谷物图像具有稳定性。采集卡为MINE-Vcap2860，作用主要是完成图像的数字化，并且可以把图像存储到存储器中。计算机采用联想的扬天14900-v00,其中CPU为Inter core i3-4130，内存为4.00 GB。光源为普通白炽灯，由于在密封箱里考虑到会有重影的情况，所以把谷物托盘换成玻璃的，从下往上打光，避免光源影响到谷物检测的质量。系统的整体框架如图1所示。

图1 系统框架图

2 图像预处理

2.1 灰度化

CCD相机采集到的图像为RGB颜色模型，经过图像采集卡的采样和量化得到的24位真彩图像。然后对图像进行灰度化处理，灰度公式如下：

Gary=2.99*R+0.587*G+0.114*B

(1)

式(1)中，Gray代表灰度，R为红色通道，G为绿色通道，B为蓝色通道。图片的灰度级为[0,255]。

2.2 中值滤波

中值滤波是一种经典的平滑噪声方法。首先取一个3*3或5*5的二维模板，记为W。用W遍历图像中每个像素点，将每个像素点的灰度值设置为该点某邻域窗口内的所有像素点的中值。

(2)

图2(a)原图 图2(b)滤波处理后

中值滤波采用W为5*5的模板，模板不宜太大，否则会影响谷物边缘的处理结果。如图2所示，该方法可以有效的平滑图像，并且可以保留谷物边缘的特征。

2.3 OSTU算法

OSTU算法是我们平时常用的阈值处理算法，它不受亮度和对比度的影响，主要思想是取某个阈值，使得前景和背景两类的类间方差最大。经过实验比较，OSTU算法对谷物外观的图像有着良好的处理结果，可以用其对谷物外观图像进行二值分割。

(3)

公式(3)中，当分割的阈值为t时，ω0为背景比例，u0为背景均值，ω1为前景比例，u1为前景均值，u是整幅图像的均值。经过公式计算后，选取最大的t，即为图像分割的最佳均值。

3 谷物图像检测算法

谷物外观图像经过预处理后，可以对图像进行下一步操作。图3为谷物算法的基本流程图，介绍了软件每步的基本流程。

图3 谷物算法流程图

3.1 连通区域标记算法

连通区域标记算法是数字图像处理中一个常用的技术，它可以用来检测二值图像中连通的区域，并且在许多跟踪检测算法中充当目标区域检测的作用。在谷物的外观品质检测中，可以把每粒谷物当成是一个连通域标记出来，分别对每个连通域在进行后一步的处理，得到想要的参数。

图4 八邻域图

在图像中，最小的单位是像素，每个像素周围有8个邻接像素，如图4所示，P1-P8这9个连通的点构成了一个区域的集合，我们称之为一个连通区域。连通区域标记方法要对二值图像扫描两次，第一次扫描首先遍历图像中的每个像素点，判断像素点之间相邻的关系，看其相邻像素的像素值为1还是0。对像素为1的点赋予相同的连通标号，实现连通区域标识，这就是图像中的一个连通域。但是这种遍历每个像素点的扫描方式，通常会产生像素点被重复标记的现象，比如一幅图像中同一个连通区域可能会有两个标记号。所以需要进行第二次扫描来消除重复的标记，把同一连通域中有不同标记号的点找出来，然后把它们合并为一个连通域。

首先用8邻域模板遍历图像中每个像素点，当该像素的左邻像素(P8)和上邻像素(P2)为无效值时，给该像素置一个新的标记号，标记号自增1；当该像素左邻像素或者上邻像素为一个有效值时，将有效值像素的标记号赋给该像素的标记号；当该像素的左邻像素和上邻像素都为有效值时，选取其中较小的标记号作为该像素的标记号值，统计出图像里的所有连通域，等待后续处理。

3.2 粒型检测算法

粒型检测就是对谷物籽粒的完成程度的检测，即谷物的长宽比。每种谷物的标准长宽比不同，比如优质大米的长宽比必须大于等于2.8，优质的红豆的长宽比大约在1.2左右。如果在直角坐标系下进行粒型检测，会有一种情况，把谷物洒在检测平台上，不能保证每一粒谷物都是横平竖直并且没有任何角度的，如果在直角坐标系下检测谷物长宽比，不同角度可能导致同一粒谷物的长宽比相去甚远，若想在直角坐标下快速的实现，并不是很容易。所以我们可以采用极坐标下的长短轴检测算法来检测谷物的长宽比。

图5

如图5所示，原点O为谷物籽粒的形心，坐标为(Cx,Cy)，直角坐标系下P点(a,b)到极坐标下P点(ρ,θ)的转换公式如下：

(4)

如图6所示，当往谷物托盘中摆放谷物时，不可能全是像图6(a)中所示，没有任何角度的谷物籽粒。如果使用直角坐标系检测长短轴时，可能会出现很大的误差。然而使用极坐标时，是以谷物的形心为中心点，检测形心到边缘的距离。图6(b)中的谷物籽粒无论旋转任何角度，其长宽比均是1.47。

图6(a)谷物长短轴 图6(b)旋转45度后

3.3 垩白度检测算法

垩白度检测算法是一种针对大米质量进行评估的检测算法。当大米出现垩白说明大米的胚芽发育不良，这个指标也是衡量大米质量的一个重要标准。判断大米垩白程度通常由两个重要参数决定:垩白度和垩白粒率。按照国家发布的GB 1354-2009大米评价指标给大米分级。两种参数的定义如下：

垩白度：垩白是指稻米胚乳中白色不透明的部分，为胚乳淀粉粒之间存在空隙引起透光性改变所致。垩白度是稻米中垩白部位的面积占米粒投影面积的百分比，见式(5)：

(5)

垩白粒率：垩白粒率是指一批米粒中有垩白米的比率，这个参数指标直接影响到大米蒸煮后的口感。见式(6)：

(6)

国家制定标准为：一级优质大米的垩白粒率必须在10%以下，而垩白粒率在30%以上的为劣质大米。

3.4 改进后的流域分割算法

针对谷物粘连在一起的情况，我们要对谷物图像进行分割。流域分割算法也叫做分水岭(Watershed)算法，这种算法是一种基于数学形态学的方法，该算法有定位精确，计算速度比较快等优点。同时也有不足之处，如分割过度，经常把一个籽粒区域分割成两块。而经过本文对算法的改进，可以有效的避免这种情况出现。首先介绍一下流域算法的基本思想：将图像看成是被水覆盖的自然地貌，图片每个像素的灰度级代表其在自然地貌中的海拔高度，灰度级越高代表海拔越高，不同的区域称其为流域，可以把每个不同的区域看作为一个“集水盆”。每个集水盆的分界线就是流域的分界线。通常描述分水岭变换的方法为“浸没法”，即假设在极小区域内开一个洞，水从这些洞中不断涌出，逐渐由下至上浸没与极小区域相同的流域，当水面不断升高并且要汇合时，就筑起堤坝(分界线)，将不同流域分开。在分割谷物图像时，图像中的每个单独的谷物就是一个连通域，粘连在一起的谷物也是一个连通域，把它们分别赋予不同的标记号。

具体步骤如下：设f为一幅被输入的灰度图像，f(i)表示图像中任意一点像素的灰度值，fmax和fmin分别为图像中灰度的最大值和最小值。使溢流(递归)过程从fmin到fmax按单灰度级增长。假设现在已经溢流到第h步，并且h为此时的灰度值，所有已经被浸没的集水盆地的区域极小值小于或等于h，标记每个区域，给每一个区域一个唯一的标记值。接下来访问灰度级为h+1的像素点，并给予其一个特殊的标记M。检查标记为M的像素，如果其邻域已经被标记，则将该像素保存在队列中。读取队列中像素，把与当前读取像素相邻的且有M标记的像素也标记为与该像素相同的标记值，实现浸没，集水盆地此时慢慢外扩，但是不会超过边界线。此外还有一些有M标记但是没有归入其他集水盆地的像素，出现的新的局部极小值区域，其灰度为h+1。标记为M的像素就是这些新集水盆地最小值像素点，他们和已经标记出来的集水盆地并不连通。此时，需再进行一次扫描，检测灰度值为h+1的仍然标记为M的像素，给他们一个新的标记值，这就是新发现的集水区域。

图7(a)谷物原图 图7(b)流域分割后

如图7(b)所示，我们可以看出，直接使用流域分割算法对图像分割的效果并不好。虽然每一粒谷物都确实被分割开了，但是也出现了许多过度分割的情况，有些谷物被分割成了2粒甚至3粒。这是由于算法的迭代过程中是在整幅图像的极小值区域进行，任意两个极小区域的交界处都将作为流域的分界线，因为粘连的情况很复杂，算法可能会把单个籽粒区域分割成多个区域，严重影响了后续的处理结果。

所以我们对流域算法进行了改进。首先加入一个合适的阈值T作为单粒区域的面积，遍历图像，如果连通域的面积小于T，则此连通域被认为是单个籽粒区域，直接被标记出来，不参与后续的分割。然后对图像进行距离变换。距离变换是二值图像处理与操作中常用的手段，在骨架提取，图像窄化中常有应用。我们可以在这里应用距离变换，求得二值图像中零值到非零值的距离，这个距离也就是“集水盆”到“分水岭的距离”，并且距离变换可以起到一个腐蚀作用，使谷物粘连的复杂情况变得简单化，可以让直接通过分水岭变换得到的局部极小值数量变少，最后得到的结果是一张与输入图像类似的灰度图像，并且越远离背景边缘的像素灰度值越大。具体结果见图8。

如图8(b)所示，大米中的“白点”就是我们所说的极小值区域。当使用浸没法时，这些区域就像是谷底，往极小值区域加水后，这个区域会一点点扩大，当扩大到流域边界线时，分割结束。得到图8(c)中的最终分割结果。

图8 结果图

4 试验结果与分析

为了验证本文方法的有效性，分别采用目测识别法和本文方法对大米进行粒型和垩白度的检测。随机取200粒大米，其中混有煤渣和石子等杂质。结果如表1所示。

表1 大米检测结果

试验结果表明，本文方法虽然不及目测方法的成功率高，但是在很大程度上缩短了检测时间，并且节省了人力资源。由表1得知，用本文方法检测垩白大米的准确率达到97.22%，筛选杂质可达到93.33%，应用长宽比检测不完善颗粒的准确率达到92.59%。并且本文的方法没有受到大米粘连的制约，所以在检测时，不必太拘泥于谷物摆放的位置。

表2 红豆检测结果

取20粒优质红豆、20粒不完整红豆和10粒杂质进行长宽比检测，结果如表2所示。从中我们可以得出优质红豆与不完整红豆的长宽比相差很大。可以利用这一点对这一批红豆的不完善粒进行筛选，以便给红豆分级。杂质一般都比普通的谷物小很多并且是不规则的。但是当杂质和被检测谷物差不多大小的时候，本文方法就有待改进了。可以在处理灰度图像时先做一次灰度标定处理，把谷物和杂质优先分离出来。

表3 黑米检测结果

取20粒优质黑米、20粒不完整黑米和10粒杂质进行检测，从表3中可以得出，检测结果显示本文检测方法的正确率达到95%以上，证明了本文方法针对不同类型的谷物具有良好的通用性。

5 结束语

试验结果表明，本文方法对谷物的粒型，完整程度具有通用性。针对不同的谷物可以适当的改变谷物系统软件中的参数和阈值。并且本系统可以对谷物进行实时检测，现场分级。与人工检测相比，本系统操作简单，检测效率高，准确度良好等特点，用本系统代替人眼对谷物的检测是可行的。

[1] 中华人民共和国国家标准——大米[S].(GB1354-2009).

[2] 孙 明, 凌 云, 王一鸣. 在MATLAB环境中基于计算机视觉技术的大米垩白检测[J]. 农业工程学报, 2002, 18(4):146-149.

[3] 丁伟杰, 范影乐, 庞 全. 一种改进的基于分水岭算法的粘连分割研究[J]. 计算机工程与应用, 2007, 43(10):70-72.

[4] 何 斌. Visual C++数字图像处理[M]. 人民邮电出版社, 2001.

[5] 王付军. 基于数字图像处理的大米质量检测[J]. 安徽农业科学, 2010, 38(22):11998-11999.

[6] 陈 洁. 基于形态学和分水岭算法的数字图像分割研究[D].西安：长安大学，2012.

[7] 凌 云. 基于机器视觉的谷物外观品质检测技术研究[D]. 北京：中国农业大学, 2004.

[8] 陈建伟. 基于机器视觉技术大米品质检测[J]. 粮食与油脂, 2008(5):39-41.

[9] 王国权, 周小红, 蔚立磊. 基于分水岭算法的图像分割方法研究[J]. 计算机仿真, 2009, 26(5):255-258.

[10] Sonka M, Hlavac V, Ceng R B D M. Image processing, analysis, and machine vision[M]. Image processing, analysis, and machine vision/.:685-686.

[11] Bala A. An Improved Watershed Image Segmentation Technique using MATLAB[J].

[12] Roerdink Meijster J B A.The watershed transform: definitions，algorithms and parallelizationstrategies[J].Fundamental Information, 2001, 41:187-228.

[13] Hu P, Luo Y, Li C. Chinese Chess Recognition Based on Projection Histogram of Polar Coordinates Image and FFT[A]. Pattern Recognition, 2009. CCPR 2009. Chinese Conference on IEEE[C]. 2009:1-5.

Research on the Detection Method of Cereal Grains Appearance Quality

Wang Yiding, Li Jiyang

(College of Electronic Information Engineering, North University of Industry,Beijing 100144,China)

Using image processing technology to replace manual testing is an inevitable trend of automatic classification development. With the considerably increasing of the computers high cost-effective, it is possible to make practical application of machine vision technology. Accordingly, it has high theoretical value and practical significance by processing the cereal grain image to evaluate the quality of the cereal grains. In this essay we use the characteristics of the aspect ratio of cereal grain. It can effectively determine the size and the shape of grain and integrity. This method is not applicable only for the rice, red beans, black rice, mung beans, oats, sorghumrice, red rice, but other cereal grains also have good recognizable results.In addition, there are some improvements of watershed algorithm in this essay, which can be applied in cereal grains appearance quality checking. As the result, the algorithm and the design of program are effective and reliable, which proves that machine vision can be used instead of human vision.

digital image processing; machine vision; cereal appearance; watershed segmentation

2016-08-16；

2016-09-05。

王一丁(1967-)，男，辽宁沈阳人，教授，博士，主要从事模式识别与图像处理、工业无损检测、无线电定位技术方向的研究。

1671-4598(2017)02-0035-04

10.16526/j.cnki.11-4762/tp.2017.02.009

TP3

A