基于计算机视觉的花生霉变程度检测

王金英，董 礼

(秦皇岛职业技术学院,河北 秦皇岛 066100)

0 引言

花生是世界范围内的油料作物，种植面积和重要性仅次于油菜。花生在16世纪传入我国，19世纪末开始推广种植，目前在很多的地区均有分布，其中河南和山东两省是最大的种植区。我国花生的年产量约1 700万t，占世界总量的40%。除了40%的脂肪含量外，花生还富含蛋白质和维生素，具有很高的营养价值，也可以作为人们的日常食品。

花生的果实位于地表以下，土壤中存在黄曲霉或寄生曲霉等霉菌能引起花生的霉变。在花生的生长和储存过程中，当温度和湿度适合时，上述的霉菌便会产生黄曲霉素这种毒性很强的次生代谢产物，并伴随发霉的现象[1]。黄曲霉素是毒性最大和对人类健康危害最突出的一类霉菌毒素，被世界卫生组织认定为一类致癌物，长期食用含有这类毒素的花生会对健康产生严重的影响。我国相关标准限定的花生及其制品中黄曲霉素B1最高含量为20ppb，而欧盟限定的为2ppb，导致我国花生在出口过程中时常因黄曲霉素超标而被扣留或销毁，造成严重经济损失的同时也削弱了在国际市场的竞争力[2]。

花生的黄曲霉素含量与霉变程度密切相关，因此对霉变程度的检测可以为霉变花生的清选提供条件，极大地提高花生食用的安全性。传统的花生霉变检测方法是由人工观察判别，工作强度大，且易受到人员体能和状态的影响。生化检测具有一定的优势，但是对人员的技术水平和工作经验要求较高，测定的成本和周期也相应增加[3]。随着花生加工和出口规模的增长，上述方法的局限性日益明显，已经无法满足对食品安全的需求。

目前，对黄曲霉素的测定方法有薄层色谱法、高效液相色谱法及酶联免疫吸附测定等。对含有黄曲霉素花生的分选有比色分选和图像识别等，是根据外观差异清除发生霉变的花生粒，还没有实现以黄曲霉素含量为指标的无损在线分选[4]。科学技术的发展为全面检测花生霉变程度开辟了方法，如电子鼻、光电技术、光谱特征分析和计算机视觉分析，这些方法克服了检测成本高和过程繁琐的缺点，具有实际应用的潜力。

电子鼻是由特异性的化学传感器阵列组成的模式识别系统，能够识别复杂的气味。花生霉变过程中形成黄曲霉素的同时，也会产生特殊的气味。惠国华等研制了一套电子鼻系统，通过分析花生霉变产生的气味，较好地反映出了霉变的程度[5]。花生霉变的光电分选设备有两种，即色选机和近红外透射分选机。其中，色选机根据霉变花生与正常花生之间的颜色差异进行分选。花生发霉后，内部的蛋白质和脂肪酸会发生变化，对近红外光的吸收强度出现差异，近红外透射分选机则是根据这种特性进行分选[6]。另外，花生发霉后内部的物质发生变化，还会形成独特的光谱特征，采集这些光谱特征并建立指数分析模型，能够对花生的霉变进行准确识别和检测[7-8]。

计算机视觉是由相机拍摄图像，通过电脑对图像中的目标进行识别和检测。这种技术在20世纪80年代取得了较大的发展，现在已经广泛用于社会生产的各个领域。计算机视觉在农业上主要用于水果采摘、分级检测及田间杂草识别等，符合现代精准农业发展的趋势[9-12]。陈红等采用计算机视觉对花生仁进行识别，并引入神经网络的分析算法，对各种霉变程度的花生获得了很高的检测准确率[13]；另外，还基于计算机视觉，采用不同的特征参数和分析方法，对花生霉变程度的判断准确率也达到了90%[14]。韩仲志等利用计算机视觉对花生的多种外观特征进行测量，实现了对花生品质的准确检测和分级[15]。上述方法在检测环节上已经较为完善，但是缺少对实时性的验证，因此还没有应用于在线检测分选。本文基于计算机视觉技术，用相机拍摄霉变花生的图像并对外观进行检测，根据颜色特征评判花生的霉变程度，以期为花生的在线分选提供技术支撑。

1 硬件设备

花生图像在封闭的暗箱中拍摄，拍摄箱是一个尺寸0.7m×0.6m×0.6m的长方体，内壁为黑色以避免反光，底部的样品台也是黑色背景。拍摄箱内部上方的4个角上各安装1盏白炽灯，功率为10W。拍摄箱内部正上方安装1台世纪科信UCMOS0300型CCD工业相机，拍摄花生图像后由AD6673型A/D转换器转换为数码信号，再通过USB数据线传输给计算机。

核心计算机为戴尔XPS8910型台式电脑，配置包括北京大恒VRT-CG200型图像采集卡、Intel i7处理器、GTX1070型显卡和16G内存，具有兼容性强、性能快速稳定等优点。图像分析的软件为MatLab工具箱，在Windows10环境中运行，可以满足图像实时分析处理的要求。

2 图像分析

2.1 图像预处理

由于受到各种环境因素的干扰，拍摄得到的图像会存在一定的噪音，影响了图像质量和分析处理效果，需要进行预处理。图像噪音去除的方法有多种，本文根据实际情况，采用维纳滤波处理。维纳滤波经过多次循环后，图像的清晰度增加，边缘和细节信息保存较为完整，取得了良好的滤波效果。预处理得到的图像中背景为黑色，花生的图像明显。正常花生表面的颜色均匀，光泽度好，呈现浅红色；霉变花生的表面出现皱缩和黑色的斑点，颜色褐化不均匀，光泽较为晦暗，如图1所示。

图1 花生图像的预处理

2.2 图像分割

根据花生图像目标的颜色特征，采用HSL的颜色空间，以色调H、饱和度S和亮度L作为分量来增加图像的对比度和减小亮度，获得了HSL颜色空间下对L分量进行灰度化的图像，如图2所示。

图2 花生图像的灰度化

灰度化图像中的背景为黑色，花生为浅红色、灰白色或褐色，因此可以利用两者之间颜色或亮度的明显差异将检测目标从背景中分离出来。这里将图像分解为R、G、B等3种原色，因B分量在灰度化图像中边缘保存完整，含有的噪音较少，因此利用阈值对B分量进行边缘检测；然后通过一系列形态学滤波消除冗余的信息，修复边缘上的毛刺后得到平滑闭合的目标轮廓；最后，对轮廓进行填充，得到从背景中分割出来的花生图像，如图3所示。

图3 花生图像的轮廓提取

2.3 特征提取

霉变花生和正常花生的差异主要体现在表皮颜色上，因此这里选用颜色相关的参数提取花生霉变的特征。为了获得目标区域的特征信息，对分割得到的花生图像内的各个像素点提取特征量并计算平均值。花生发生霉变后表面的明暗变化显著，所以采用HIS的颜色模型对霉变的程度进行检测。提取单个花生图像区域的H、I、S颜色分量计算均值后，分析发现H颜色分量的变化最为明显，且随着霉变程度逐渐增加。因此，选用H颜色分量作为评判花生霉变程度的特征参数，根据设定的阈值将霉变程度分别划分为正常0、轻度霉变1、中度霉变2和严重霉变3，并标识在花生图像内，如图4所示。

图4 花生霉变程度评判

3 仿真试验结果

通过仿真试验对上述的检测方法进行验证，使用的花生品种为中花12号，不同霉变程度的花生各50粒，共200粒。每次随机选取20粒花生排布在样品台上拍摄图像，通过计算机视觉检测后评判花生的霉变程度，划分4种霉变程度的H分量阈值分别为0.057、0.063和0.069，最后统计检测的准确率。

仿真试验的结果如表1所示。由表1可以看出：正常的花生粒中仅有3个被计算机视觉误判为轻度或中度霉变，检测的准确率为94%；轻度、中度和严重霉变的花生分别有2粒、4粒和4粒被误判为相邻的等级，最低的检测准确率也达到了92%。总体上看，计算机视觉对花生霉变程度的检测准确率超过93%，单张图像从拍摄到完成检测并输出结果共耗时1s，可以满足实时检测和在线分选的要求。

表1 花生霉变检测的准确率

4 结论

基于计算机视觉技术，用相机拍摄花生的图像，依次采用维纳滤波处理去除噪音、L分量进行灰度化、B分量进行图像分割后获得目标区域图像。选用H颜色分量作为反映花生霉变程度的特征参数，根据设定的阈值评判霉变等级。仿真试验中仅有个别的花生粒被计算机视觉误判为其它等级，对花生霉变程度检测的整体准确率超过93%。单张图像的处理过程耗时1s，可以满足实时检测的要求。

花生霉变的本质是内部物质的变化，而该方法检测的是外部特征，若与近红外透射和光谱分析等内部特征检测技术结合，则能更全面地评判花生的霉变情况。另外，计算机视觉检测技术还需要配套相应的分级执行装置，才能实现花生的在线分选。