基于机器视觉的粮食稻米检测系统设计*

阮殿旭

（沙洲职业工学院，江苏 苏州 215600）

0 引言

粮食安全关系到国计民生和国家安全，也是乡村振兴的重要保障。中国每年年产粮食1.3 万亿斤以上，基本满足了国内的粮食需求。粮食收储和销售过程中需要对粮食进行分级检验，以确定粮食品质好坏[1]。目前，粮食分级检验基本是手工操作，粮食取样后，经由检验人员手工把不完善颗粒（虫蛀粒、病斑粒、破损粒、生芽粒和生霉粒等）和杂质分拣出来，通过称重计算出重量百分比，对照国家标准得到粮食的等级。由于检验工作量大，检验人员非常辛苦[2]。质量评判的准确度还受到工作人员责任心和疲劳程度的影响。

为了改变这种状况，进一步提高粮食米粒检测的效率和准确率，对相关识别技术进行了研究。在国际上，最早将计算机视觉技术用于稻米识别和分级检测的研究出现在20 世纪80 年代。1983 年开始，日本大学森岛博教授利用计算机视觉对稻米识别和分级进行广泛的研究。其研究内容包括不同品种稻米的识别方法，同品种稻米中完整米、碎米、异色米、有裂痕米的检测和分级方法，并形成了一整套理论体系[3]。在国内，张博提出了基于深度学习的小麦外观品质机器视觉检测方法[4]。刘璎瑛等对基于机器视觉的稻米品质的判断方法进行了研究，构建了稻米外观品质机器视觉检测系统，提出了一种基于霍特林变换的稻米特征提取算法[5]。陈进等对基于图像分类的谷物识别系统进行了研究，提出了谷物局部特征的提取方法，研究了特征袋算法并进行了编码计算[6]。大部分研究主要是针对粮食米粒的图像算法及学习算法的理论研究，因此，利用视觉技术和深度学习算法构建高效稳定的检测系统具有很大的现实意义[7]。

1 粮食稻米检测系统设计

粮食稻米视觉检测系统由硬件及软件两部分组成。硬件部分由定制光源、相机、镜头、计算机等组成，实现对稻米图像的拍照；软件部分由图像处理软件和学习算法平台组成，软件中的图像处理工具实现对目标颗粒的降噪、预处理、特征提取等功能。工业相机根据图像处理器不同分布又可以分为普通工业相机和智能工业相机。普通工业相机只有图像采集功能，计算机运行软件实现对采集图像的处理；智能工业相机集成了图像采集和图像处理两个功能，可以直接对智能相机进行编程，在相机中完成图像处理与信号的输出。本系统采用工业相机完成粮食图像采集，通过Gige 传输给图像处理计算机，完成图像处理和深度学习算法。

粮食稻米检测系统总体框图如图1 所示。检测系统启动后，首先打开环形光源，调整到合适的亮度，触发相机拍照，完成粮食稻米图像的采集；图像处理软件通过预处理算法工具实现对图像的噪声滤除、灰度及对比度等调整，得到稻米数量和面积等基本信息；通过算法平台的学习算法对样品进行学习后，将不完整粒和合格粒进行识别区分；最后将检测信息输送到人机界面。

图1 粮食稻米检测系统框图

相机采用海康威视HKVISION彩色卷帘相机，分辨率为3 072*2 048，满足本系统的要求。由于成像体积较小，需采用12 mm的中焦距工业镜头。光源采用平行轴光源，因为LED颗粒高密度排列，提高光源亮度，成像清晰，亮度均匀，不会出现反光不均匀的地方，从而使获得的粮食颗粒图像更加清晰，如图2所示。

图2 米粒采集图

2 基于视觉技术的图像处理

图像采集后，先根据实际图像进行滤波、灰度调整、二值化等预处理，再对图像进行斑点检测，对稻米的数量、位置、形状和面积进行统计。

2.1 图像预处理

首先，采用图像转换工具将彩色图像转换为灰度图，RGB 权重分别为0.3、0.3 和0.4，得到灰度图如图3 所示。对灰度图采用滤波工具，在尽量保留图像细节特征的条件下对米粒图像的噪声进行抑制，保证后续图像处理与分析的有效性。为更好地保留米粒边缘，采用了N*M 的中值滤波的工具对邻域内像素按灰度排序的结果决定中心像素的灰度，参数设置为5*5的内核掩膜，效果如图4所示。

图3 米粒灰度图

图4 米粒滤波图

2.2 米粒数量与面积统计

对稻米颗粒数量的统计可以使用形状匹配工具和斑点工具两种方式实现，但由于米粒之间差异性较大，并且有一定的粘连，通过形状匹配工具进行识别统计时引起的识别误差较大。通过采用斑点工具，采用形态学分水岭算法对图像分割进行优化，可以有效降低米粒之间的粘连，从而更精确地进行统计。

图像斑点分析的一般过程：图像分割—应用联通性规则—执行形态学操作—计算测量—得出结果。斑点分析工具的分段模式采用硬阈值（动态），形态学调整操作选择侵蚀水平面，最小面积设定为800 像素，如图5 所示。运行结果如图6、图7 所示，可以很好地识别出米粒数量、大小、位置信息。

图5 斑点分析程序及参数图

图6 米粒斑点图

图7 米粒参数图

3 深度学习算法实现

首先，通过相机采集不少于11 张的训练图片，图像目标最小像素占比必须大于2.5%，然后对11 张图片进行样本的标定，由于米粒为不规则物体，使用多边形标定工具进行标注，标签必须包含米粒目标整个部分，不能将部分特征遗漏，需紧贴米粒边缘。特别是对不完整粒等不完整度不强的，一定不能漏标，否则会严重影响模型性能。设置训练参数：类型选用本地显卡训练；最大迭代次数200 次；基础学习率为1；Patch 为中模型；模型能力选择高精度；角度能力开启。深度学习算法模型训练误差如图8 所示，训练测试结果如图9所示。

图8 训练误差迭代图

图9 模型训练效果图

4 系统检测实验结果与分析

系统调试完成后，将检测米粒样品放至光源下方，相机以60 fps 自动拍照并根据算法进行图像处理和不完整粒检测，得到如图10和图11所示的运行结果。

图10 米粒数量统计图

图11 不完整粒识别图

实验过程中，取1 000粒米粒样本，其中包含100粒不完整粒。统计得到如表1所示的测试数据。实验结果表明，该系统针对米粒数量统计的准确率为99.2%，针对不完整粒的漏检率为4%，满足设计要求。

表1 测试数据

5 结束语

基于机器视觉的米粒检测系统，以海康威视相机和深度学习算法平台为核心。相机采集到米粒图像后，先进行灰度图转换、滤波等预处理，然后利用斑点工具对米粒数量和大小进行统计，最后利用深度学习算法，对不完整粒等进行学习后对米粒图像中的不完整粒进行识别。实验结果表明，该系统的对米粒数量统计的准确率为99.2%，对不完整粒的识别率为96%，满足设计要求。