基于机器视觉的花生完善性检测研究

王雪晴，郑福来

（平顶山学院 电气与机械工程学院,河南 平顶山 467000）

花生种植时要求种子完好无损、形态大、颗粒饱满等。花生完善性是最基础的检测，其不完善主要是破损、霉变引起的。本文基于机器视觉和LabVIEW图像处理工具包进行花生粒完善性检测。

1 测量原理

当花生粒受环境影响发生破损、霉变或者病虫侵害时，其颜色会发生变化，因此可以通过其颜色特征来衡量花生粒完善程度。颜色特征是图像中最直观、最明显和具有全局性的物理特征，颜色作为一种重要特征在机器视觉系统中有广泛的应用[1]。RGB是目前常见的面向图像采集等硬件设备的颜色模型[2]。利用机器视觉技术获取花生图像，通过图像处理再提取并分析R、G、B颜色值来反映花生种子是否霉变、破损等完善性信息。

2 实验材料与检测装置

2.1 花生粒的选择

花生品种较多，且大小各不相同。选取我国大面积种植的花生品种大白沙，覆盖了河南、河北、山东、山西、安徽、江苏等地。大白沙171[3]结果整齐，饱果率高，抗旱耐瘠薄，抗病性能较好，亩产400公斤以上，符合国家出口标准，便于检测分析。本文选择大小相近、完好和破损的花生若干。三井坊仅作为颜色对比样品使用，与大白沙171颜色不同。花生样品见图1。

图1 花生样品图片

2.2 检测装置

为了提高花生图像的质量，本研究自制了检测装置如图2所示。在暗室内四角设置LED光源，暗室内壁设置具有漫反射作用的背景白板。拍摄采用华恒MD-U300彩色工业相机，该相机有效像素为300万，USB免驱接口，可直接与Lab-VIEW软件对接，符合拍摄要求且价格便宜。工控机为普通PC电脑，被测花生放在托盘上，相机固定并在微距模式下拍摄花生的图像，通过无线传输将图像存储到计算机上备用。

图2 检测装置示意图

3 图像处理

获取的花生粒图像会受到拍摄技术、光照、背景等因素的影响，并且原始图像包含太多对完善性检测没用的信息，因此对原始图像要进行一系列必要的图像处理，直接影响到后期对特征的提取是否顺利。

本文采用可视化软件LabVIEWVision2017[4]图像处理工具包进行图像处理。图像处理流程如图3所示，主要包括图像的灰度化处理、灰度变换、图像滤波、阈值分割的形态学处理等。

图3 花生粒图像的图像处理流程

3.1 图像灰度化

通俗地说图像的灰度化就是对彩色图像的RGB三个分量进行加权平均得到最终的灰度值。将彩色图像转化成灰度图像，后续计算量可以大大减少，但灰度图像中的特征与彩色图像没有什么区别。LabVIEWVision中提供的IMAQcreate.VI中可以设置图像的类型为Grayscale(U8)，直接缓存为灰度图像。

3.2 灰度变换

图像灰度变换[5]主要是调整图像的亮度，增强图像的对比度，用来突出图像中重要的信息。LabVIEW Vision使用IMAQ Mat Lookup.VI实现图像的灰度变换，其位于LabVIEW的运动与视觉模块的Image Processing选板中的Processing函数选板中。

3.3 图像滤波

采集的花生粒图像信息往往会因拍摄条件如光源强度不均匀等而引起一些干扰噪点，在图像上表现为一些孤立像素点。这些噪点会对后续分析判断造成影响，所以要加以滤除，对图像进行滤波。中值滤波既可做到噪声抑制、滤除脉冲干扰及图像扫描噪声，又可以克服线性滤波器带来的图像细节模糊，保持图像边缘信息[6]。在LabVIEW Vision中，调用功能函数IMAQ Nth Order.VI来实现对灰度图像的中值滤波处理。

3.4 阈值分割

图像二值化可以使整个图像呈现出明显的黑白效果，其目的是将目标与背景分离更加明显。图像二值化不仅能极大地压缩数据量，而且可以大大地简化分析和处理步骤，因此在很多情况下，是进行图像分析和特征提取之前的必要图像处理步骤。在LabVIEWVision中利用IMAQThreshold.VI对图像进行二值化。本文采用直方图方法选择二值化阈值，主要是发现图像中像素灰度聚集的区域会形成波峰，取两个区域波峰中的波谷值作为二值化阈值[7]。通过实验，证明该方法相对直接分割法和平均值分割法而言精准度高了许多。

4 完善性检测

4.1 特征参数提取

本文采用RGB模型对花生种子的的颜色特征进行分析，R GB三个分量色度范围都在[0-255]之间，不同颜色之间R G B分量的色度范围数据也是不同的[8]。采用如图1所示的3种花生样本采集颜色特征数据，采集结果见表1。通过表1数据可以发现，完好大白沙171的RGB色度平均值在[168.4-171.1]之间，而脱皮大白沙171的RGB色度均值在[175.6-179.2]区间，作为对比样品的三井坊色度均值在[166.4-167.5]之间。由此可见，RGB色度平均值I可以作为花生颜色特征参数，作为完善性识别的依据。

表1 花生种子RGB色度平均值采样表

4.2 完善性检测

采用LabVIEW2017和图像处理工具包IMAQ Vision2017软件编制花生粒完善性检测程序。检测流程如图4所示。对任一花生粒进行完善性检测，完好花生和破损花生检测运行结果界面如图所示5。

图4 花生完善性检测流程

图5 完好花生和破损花生完善性检测结果界面

5 仿真测试实验

为了验证系统的功能，现选取50个完好和破损花生粒进行完善性检测并验证系统功能。表2给出了被检测花生粒的完善性情况和检测结果。

表2 被检测花生粒的完善性情况和检测结果

由表2看出，对50个花生粒的完善性检测，正确率为92%，表明本方法具有一定的可行性。

6 结论

以花生种子为研究对象，基于机器视觉平台和LabVIEW2017图像处理进行花生粒的完善性检测。采用实验装置进行花生粒图像的采集，利用LabVIEW Vision2017进行一列图像处理，主要有灰度化、灰度变换、中值滤波和阈值分割，对处理之后的花生图像进行颜色特征提取，经过对花生图像RGB颜色值的分析得出利用色度平均值I可以作为花生颜色特征参数。花生样本的完善性测试实验结果显示，检验的正确率达到92%，表明本方法简单可行，精度高，省时省力，并可对后续机械化花生选种的研究和实现提供一定的基础。若能采用高质量的实验装置和设备，如采用可靠性更高的专业相机以及可靠性照明光源等，则可进一步提高测量精度。