基于机器视觉的猴头菇无损检测与分级技术研究

王锦谟，孙 涛，邓 成

(安徽粮食工程职业学院 机电工程系，安徽 合肥 230011)

0 引言

猴头菇，又名猴头、猴蘑、刺猬菌，具有较高的营养价值和药用价值，有“素中荤”之称[1].在我国，绝大部分猴头菇的品质检测仍然采用人工感官检测的原始方法，这种主观评定不仅效率低、误差大，还易受到许多条件的影响，如工人的能力、情绪、色彩辨别力、光线以及疲劳程度等[2].最重要的是这种感官评定只能进行定性判断，其客观性和准确性较差.因此，当务之急是提高猴头菇的品质检测水平.计算机视觉，又名机器视觉，是指用计算机代替人眼对目标进行识别、跟踪和测量[3].该技术不仅可以大批量地对农副产品进行快速、准确、无破坏性的检测，还可以定量检测农副产品的尺寸、形状、颜色等具体数值[4-5].但目前，许多学者对该技术的研究主要集中在水果和蔬菜上面，较少应用于食用菌，基于该技术的猴头菇检测更是没有[6-8].本文以猴头菇为研究对象，利用计算机视觉检测技术对其进行无损检测和分级.通过图像采集系统采集猴头菇单体图像，使用MATLAB软件对图像进行中值滤波降噪、分割阈值等预处理后，分别提取颜色、大小、形状等特征因素，将形状(菌盖圆形度、菌盖偏心率)、颜色、大小这三个指标，作为建立猴头菇外部品质分级的标准.根据猴头菇外观品质分级的标准，利用Fisher(费希尔)判别分析法来构建猴头菇的分级模型.

1 试验材料与方法

1.1 材料与设备

(1)试验材料

试验材料为猴头菇，通过淘宝购买于福建省古田县芳明食用菌合作社.试验前先去除有虫斑、病毒、机械损伤的猴头菇，然后去除其表面污物，以免影响后期的图像处理.猴头菇样本总数合计为31个，将其分为建模组和验证组，其中建模组21个，验证组10个.本次试验在猴头菇有食用价值的周期内(货架期)，每隔一天分别对建模组和验证组的猴头菇采集一次图像，共16天，即建模组共有168个样本，验证组有共80个样本.

(2)仪器设备

试验采用的图像采集系统由暗室、佳能(Cannon)60D单反相机、4个放置于角落的可调节亮度的LED灯、载物台以及铺设在载物台上作背景的黑色布组成.1m×1m的全封闭的正方形纸盒作为暗室，只在其顶部开一个足够佳能60D单反相机的镜头进入的洞口，如图1(a)所示.采用4个可调节光强度的LED灯作为照明装置，分别将其放置于四个角落，如图1(b)所示.成像设备为佳能60D单反相机(传感器类型：CMOS；传感器尺寸：22.3 mm*14.9 mm；有效像素：1800万；影像处理器：DIGIC 4；最高分辨率：5184×3456).计算机为惠普hp 14-no27TX型笔记本电脑(CPU型号：英特尔 酷睿i5 4200U；CPU主频：1.6 Hz；内存：4GB；显卡芯片：AMD Radeon HD 8670M).图像处理软件为MATLAB 2012a.

图1 暗室和照明装置结构图

1.2 试验方法

1.2.1 图像预处理

猴头菇单体图像预处理流程如图2所示.

图2 图像预处理流程图

(1)灰度化处理

采集的原始图像为RGB格式，采用的是分量法，即分别提取原始图像的R、G、B三个通道的分量图像.当R=G=B的值为灰度值，测试发现图像的R分量背景对比最显著.因此，采用图像B分量为原始图像的灰度值.

(2)降噪

图片在采集和传输过程中，都或多或少地存在一定的噪声干扰，而噪声会在一定程度上恶化图像质量，使图像变得模糊，甚至会使图像的特征被淹没，进而增加后期的图像分割、分析等工作的难度.因此，必须消除图像中的噪声.该处理方式一般称为降噪或平滑图像.本文采用3×3的方形模板进行中值滤波降噪.

(3)二值化

通常一张图像上一般含有目标物体、背景以及噪声，为了从已降噪过的多值图像中提取出目标物体，需将其转化为二值图.本文采用局部自适应二值化的方法，先用 graythresh 函数找到图像的一个合适的阈值，然后通过 im2bw 函数将已处理好的灰度图像转化为二值图像.其中，graythresh 函数使用最大类间方差法来获得一个阈值，阀值范围为[0,1].

(4)边缘提取

图像边缘是图像最重要的特征之一，边缘在图像分析中起着重要的作用.由于Sobel、Roberts算子对边缘定位不是特别准确，以及Prewitt算子检测的间断点较多且边缘较宽，本文采用Canny算子来检测提取图像边缘.

1.2.2 特征参数提取

(1)颜色特征提取

颜色特征参数提取：颜色在某种意义上代表了猴头菇的等级和新鲜程度.表示颜色的一种算法叫作色彩模式.生产线上的颜色检测：颜色检测采用的色彩模式为RGB颜色模型.运输线上的颜色检测：在运输过程中，为避免猴头因温度、湿度、时间等因素导致品质下降，从而影响分级的准确性，通过高品质电脑色差仪对其进行快速检测.本试验采用的色差仪色彩模式为L*a*b模式，通过公式(1)得出总色差值[9].

(1)

式中：ΔL表示亮暗，+ΔL表示偏亮，-ΔL表示偏暗；Δa表示红绿，+Δa表示偏红，-Δa表示偏绿；Δb表示黄蓝，+Δb表示偏黄，-Δb表示偏蓝.

(2)大小特征参数提取

本文以猴头菇的面积、周长、径长描述其大小.原始图像经预处理后，转化为目标区域为白色、黑色区域为背景的二值图像.用MATLAB软件中的regionprops 函数对二值图像中目标区域的像素值进行统计，然后按照公式(2)便可得到猴头菇的面积S、周长L、径长R[10].

(2)

(3)形状特征参数提取

由于猴头菇的菌盖与圆形较相似，但不是特别规则，为了更加全面地描述其形状特征，故本文选取菌盖圆形度、菌盖偏心率作为猴头菇的形状特征参数[11].

菌盖圆形度：圆形度是用来描述猴头菇的菌盖形状与圆形的相似度.其公式如下：

(3)

式中：E为菌盖圆形度，S为菌盖面积，C为菌盖周长.当E=1时，菌盖图像即为圆形；当E的值越大时，表示图像形状越不规律，即所测目标物与圆形的差距越大.

菌盖偏心率：偏心率又名伸长度、离心率，用来描述菌盖轮廓的形状.其公式如下：

(4)

式中，P为菌盖偏心率，a为菌盖最大直径，c为菌盖最小直径.当偏心率=1时，图形即为圆形；偏心率的值越大，表示所测目标物越扁越平.

2 结果与分析

2.1 特征参数分级标准

由于在本试验中，颜色特征参数提取分为两种，一种是可应用于生产线上的颜色检测方式，即利用R、G、B三原色均值进行检测；另一种是可运用于运输过程中的较为简易的方式，即通过色差仪采集数据，进行色差值比较.按照猴头菇的颜色先将其分为1、2、3三个等级.根据以往人工分级的经验，按照猴头菇的大小(面积、周长、最大直径)将其分为1、2、3三个等级.按照猴头菇的形状(菌盖圆形度、菌盖偏心率)将其分为1、2、3三个等级，其结果如表1所示.

2.2 特征参数分级的结果

(1)基于颜色特征参数分级

在验证组的80个猴头菇样本中，随机选取50个样本，先人工按颜色将其分为1级、2级、3级，将人工分级结果与计算机视觉和色差测量的检测分级结果进行对比，其验证结果如表2所示.

表1 猴头菇颜色R、G、B分级标准

表2 不同等级颜色的猴头菇的验证准确率

由表2可知，利用计算机视觉技术对猴头菇颜色分级的准确率最高可达93.75%，最低为87.5%；利用色差值对猴头菇颜色分级的准确率最高可达88.23%，最低为82.36%，足以满足分级的需要.无论是利用计算机视觉提取R、G、B三原色的均值进行分级，还是利用色差仪求取色差值进行分级，其准确率均在80%以上.但利用计算机视觉的颜色分级准确率更高些，效果更好些.可能是由于计算机视觉提取的是整个样本猴头菇菌盖的R、G、B三原色的均值，而色差仪只提取猴头菇取样点的色差值，故根据R、G、B三原色的均值进行分级效果更佳.

(2)基于大小特征参数分级

在验证组80个猴头菇样本中，随机选取50个样本，先人工按大小(面积、周长、最大直径)将其分为1级、2级、3级，与按计算机视觉检测分级做对比，其验证结果如表3所示.由表3可知，对猴头菇大小分级的验证准确率最高可达94.12%，最低为90.00%，足以满足分级的需要.

表3 不同等级大小的猴头菇的验证准确率

(3)基于形状特征参数分级

在验证组80个猴头菇样本中，随机选取50个样本，先人工按形状(菌盖圆形度、菌盖偏心率)将其分为1级、2级、3级，并做相关标记与记录，以便与按计算机视觉检测的分级做对比.其验证结果如表4所示.

由表4可知，对猴头菇形状分级的准确率最高可达94.12%，最低为88.24%，足以满足分级的需要.

表4 不同等级形状的猴头菇的验证准确率

2.3 基于Fisher判别的猴头菇分级模型

(1)猴头菇分级模型的建立

将猴头菇采摘后至无食用价值(共16天)的168个图像作为样本训练集，来构建分类器模型.其中1、2、3级猴头菇分别有35、51、82个样本.统计的特征参数包括颜色(R、G、B)、大小(周长、面积、最大直径)、形状因子(菌盖圆形度、菌盖偏心率)在内的8个特征参数值.由于统计的特征参数种类较多，且其对该模型的贡献程度不一样，因此为了避免无关变量或贡献程度较低的变量对分级模型的影响，本文将在建模前筛选出贡献程度最高的特征变量.通过建模分析发现，颜色、大小、形状因子这三大类特征参数，分别用其中的R均值、面积、菌盖偏心率这三个特征参数建立的模型效果最好.因此，本文以猴头菇的等级为因变量，以R均值、面积S、菌盖偏心率P为自变量，构建Fisher分类判别模型.

(2)猴头菇综合分级模型的验证

通过Fisher线性判别模型对猴头菇进行回判，结果如表5所示.1级的猴头菇识别准确率为88.6%，2级的猴头菇识别准确率为88.2%，3级的猴头菇识别准确率为87.8%.由于Fisher判别模型是基于168个训练样本的信息得到的，因此其判别效果可能不是特别准确.为了进一步验证该模型的可信度，本文在未参加建模的80个猴头菇图像中，随机抽取20个猴头菇图像作为测试集，对该模型进行进一步的检验.表5结果显示，1级猴头菇的识别准确率为100%，2级猴头菇的识别准确率为85.7%，3级猴头菇的识别准确率为87.5%，表明本文构建猴头菇分级模型效果良好.

表5 猴头菇样本回判与测试结果

3 结论

本文以猴头菇为研究对象，提出了猴头菇基于计算机视觉的无损检测方法和分级标准，为实现对猴头菇进行快速而准确的检测、分级提供了基础，结论如下：

(1)基于计算机视觉技术的检测分级，颜色、大小、形状分级的准确率均在80%以上.

(2)利用费希尔判别分析法构建的猴头菇分级模型，在测试中，1、2、3级的识别率分别为100%、85.7%和87.5%.

(3)本次试验的图像采集系统较为简陋，且采集角度较为单一，今后应进行多角度拍摄采集，并尝试建设三维立体图像，提高检测的准确率.