基于颜色和纹理特征的花生仁外观品质检测研究

杨露露，秦华伟

（杭州电子科技大学机械工程学院，杭州 310018）

0 引言

花生是中国重要的经济作物，在生活和工业上都有着广泛的应用[1]。花生仁在收获、储存中极易发生破损和霉变，影响其品质和价值[2]。早期花生仁分选大多依靠人工，但是耗时耗力效率低下。因计算机视觉技术具有高效、实时、准确和无损等优点，被越来越广泛地应用于农产品品种检测和质量评判中[3-6]。MARTINEZ等[7]选取橄榄果实提取46个形状尺寸特征，使用偏最小二乘判别分析(PLSDA)进行分类，准确率可达89%。WAN等[8]在番茄成熟度的鉴别实验中分别提取RGB和HSI色彩空间中各分量的均值作为颜色特征，通过BP神经网络对番茄成熟度进行检测，识别率为99.31%。BLASCO等[9]利用区域生长算法分割柑橘类水果表面缺损特征。潘磊庆等[10]通过提取稻谷的灰度、颜色、纹理等68个图像特征，采用SVM模型对稻谷霉变程度进行识别。张凯等[11]利用颜色和纹理特征实现了对花生进行分级检测。赵志衡等[12]利用卷积神经网络实现了对花生籽完整性的检测。

本研究利用计算机视觉技术对花生仁的外观品质进行检测分类研究，对采集到的完好、破损以及霉变3种花生仁的图像，经预处理后提取颜色和纹理共10个特征，利用BP神经网络和SVM分类器分别进行分类试验，比较两个分类器的识别效果，以实现花生仁外观品质的高效实时检测。

1 材料与方法

1.1 试验材料

选取江西上饶农家自产的粉皮花生仁作为试验研究对象，经过人工处理分别筛选出完好花生仁、破损花生仁以及霉变花生仁各200粒，3类花生总共600粒用于试验样本。3种花生仁如图1所示。

图1 3种花生仁

1.2 花生仁图像采集

花生仁图像采集装置如图2所示，主要包括支架，LED光源，CCD工业相机，计算机。整体支架尺寸为：45 cm×20 cm×40 cm；底部背景板尺寸为：45 cm×45 cm；顶部环形LED光源的半径为12 cm，色温为正白色；CCD相机置于环形光源中间圆心处，距背景板高度为35 cm，相机的最大分辨率为4608×3288。图像采集时，将花生仁平铺在背景板中间，打开光源，将相机通过数据线与计算机连接，对一批试验样品采集3张图像，经对比挑选最好的一张用于后续图像处理。花生仁图像采集实物图如图3所示。

图2 花生仁采集装置示意图

图3 花生仁采集装置实物图

2 图像预处理及特征参数提取

2.1 图像预处理

图像采集时易受到外界环境干扰产生噪音和其他无用信息，图像预处理[13]可以有效的去除无用信息，改善视觉效果，提高相关信息的可检测性，本研究采用的预处理方法如下。

对采集的原始花生仁RGB图像（图4(a)）通过均值位移法(Mean shift)[14]进行平滑降噪处理（图4(b)）；经分量法[15]提取RGB各分量灰度直方图，其中，如图4(c)、4(d)所示，蓝色（B）通道灰度直方图具有明显的双峰结构，且B通道灰度图的背景与目标有明显的灰度等级差，可将B通道图作为灰度处理图；由图4(c)所示，背景灰度值均小于100，花生仁灰度值均大于150，通过设置阈值为135（100～150均可），利用全局阈值分割取反处理，实现图像背景与目标分离（图(e)）；将二值图与原花生仁RGB图像进行与运算处理，实现背景去除及花生仁目标图像提取（图(f)）；最后通过外接矩形法[16]提取分割除去背景后的单个完好、破损、霉变的花生仁图像（图(g)）。

图4 花生仁图像预处理

2.2 图像特征提取

花生仁的表皮与内仁具有一定的颜色差异，可以通过颜色特征有效区分完好花生仁和破损花生仁，而通过实验发现霉变的花生仁在部分颜色特征中与完好的花生仁存在交集，仅通过颜色特征易出现错分，考虑到完好花生仁的表皮较为光滑，霉变花生仁表皮因发霉褶皱，可以通过纹理特征有效的区分，因此本研究采用将颜色和纹理特征相结合的方法进行异常花生仁的识别。

2.2.1 颜色特征提取 相较于RGB颜色空间而言，HSV颜色空间能够直观的表达出色彩的明暗，色调以及新鲜程度等物体具体的颜色信息，可以很好的进行颜色之间的对比。针对花生仁的颜色特征，分别提取H，S，V的3个分量的均值和方差共6个特征作为输入的颜色特征向量。

为保证花生仁轮廓之外的背景不影响颜色特征的提取，在特征提取之前需对每个花生仁二值图像进行腐蚀处理，缩小目标区域，防止背景颜色干扰，最后提取缩小后的目标区域A内所映射花生仁图像H，S，V的均值(μ)和方差(δ)，计算公式如(1)和(2)所示。均值(μ)反映了花生仁HSV各通道颜色特征，定义如公式(1)所示。方差(δ)反映了花生仁HSV各通道像素值的波动和离散情况，定义如公式(2)所示。其中M和N分别表示图像像素的长和宽，n表示目标区域A内的像素个数，P(x,y)表示各通道图像上坐标为(x,y)的像素值大小。表1是所提取3种花生仁各20粒H，S，V的均值和方差的平均值。

表1 花生仁颜色特征参数

2.2.2 纹理特征提取 纹理特征是一种反映图像同质现象和像素空间分布的特征，包含了物体表面组织结构排列的重要信息[17]。统计方法中的灰度共生矩阵(GLCM)[18-20]是一种具有较强鲁棒性和适应性的理论，是研究像素空间分布关系的重要方法。基于此，本研究采用灰度共生矩阵方法来提取花生仁表面的纹理特征。

灰度共生矩阵生成原理：从灰度值为i的像素点出发，与距离(dx,dy)的另一个像素点灰度值j的形成的灰度对出现频率P(x,y|d,θ)，则方阵P(x,y|d,θ)G×G称为灰度共生矩阵，其中G表示图像的灰度级数，dx与dy由2个像素点之间距离d和角度θ所决定，如图5所示。

图5 灰度共生矩阵生成示意图

灰度共生矩阵的定义如表达式(3)所示。

对提取到的GLCM需要进行统计处理，将二次统计量作为图像的特征参数来描述图像的纹理特征。HARALICK[21]定义了14个特征参数用于纹理分析。本研究提取最具代表性的4个特征参数输入作为纹理特征向量，包括能量、熵、对比度和逆差分矩。

能量(ASM)：对图像纹理的灰度变化程度的度量，反映灰度分布的均匀性和纹理粗细程度。见式(4)。熵(ENT)：图像中包含信息量的随机性度量，反映灰度分布的复杂程度。见式(5)。对比度(CON)：描述图像中的局部变化，反映了图像的清晰度和纹路深浅。见式(6)。逆差分矩(IDM)：反映图像纹理的规则度和平滑度。见式(7)。

本研究提取灰度共生矩阵的参数偏移角度θ和像素对距离d分别为：θ=0°，d=1，通过花生仁纹理特征计算公式(4)、(5)、(6)、(7)计算出3类花生仁各20粒的4个纹理特征参数的平均值，如表2所示。由表1和表2可知，完好花生仁和破损花生仁在颜色特征方面有较大的差异，而霉变花生仁较其他两种花生仁在纹理特征方面有着较大差异，表明花生仁图像处理效果较好，满足后续研究要求。

3 花生仁分类模型建立与分析

3.1 BP神经网络

3.1.1 BP神经网络概述 BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，其基本思想是利用梯度搜索技术，在给定的输入下使网络的实际输出值和期望输出值的误差最小，实现输入到输出的非线性映射[22]。BP神经网络由输入层、隐含层、输出层三大层组成，其中隐含层可以为一层或多层，图6为BP网络拓扑结构。

图6 BP神经网络拓扑结构

3.1.2 花生仁BP神经网络识别模型建立 将实验提取的花生仁10个特征作为神经网络的输入，3个类别分别为“100”（完好）、“010”（破损）、“001”（霉变）作为期望输出。根据经验公式(8)计算设置神经网络的隐含层节点数为10。

式中p为隐含层节点数，n为输入层节点数，q为输出层节点数，α∈(0,10)为常数。

本研究以输入层-隐含层-输出层节点数分别为10-10-3构建花生仁BP神经网络分类识别模型。其中70%的数据集作为训练集，30%的数据集作为测试集，测试集分类识别结果如图7所示。

由图7可知，测试集中完好花生仁有2个识别为霉变的，1个识别为破损的；破损花生仁有1个识别为完好的，有1个识别为霉变的；霉变花生仁中有1个识别为破损的，整体花生仁识别错误个数为6个。

图7 测试集BP神经网络分类结果

3.2 支持向量机

3.2.1 支持向量机概述 支持向量机(SVM)是常见的二分类器，可以将低维空间中无法有效区分的特征向量，通过核函数映射到高维的特征空间，再求取最优分割超平面对特征进行分类[23]。应用二次规划法求得判别式[24]如式(9)所示。

其中αi为拉格朗日乘子，yi为类别标签，k(xi,x)为核函数，b为阈值。

3.2.2 花生仁SVM分类模型建立 将花生仁的6个颜色特征向量和4个纹理特征向量作为向量机的输入，考虑到RBF核函数具有映射维度广、需确定参数少、运算相对简单等优点[23]，选取RBF作为本研究向量机的核函数，其中设置惩罚参数C=100，核函数参数g=0.3。将70%的数据集作为训练集，30%的数据集作为测试集，测试集分类识别结果如图8所示。

由图8可知，测试集中完好花生仁有2个识别为霉变的，1个识别为破损的；破损花生仁有2个识别为完好的；霉变花生仁全部识别正确，整体花生仁识别错误个数为5个。

图8 测试集SVM分类结果

3.3 两种分类器模型比较

不同的分类器对花生仁分类识别结果有一定影响，由表3对比识别结果可知，对于完好花生仁和破损花生仁，二者识别率一致，而SVM分类器对霉变花生仁的识别正确率达到了100%，明显好于BP神经网络。在整体花生仁的识别率上，BP神经网络为96.67%，SVM分类器为97.22%，后者也好于前者。在识别时间上BP和SVM分别为2.5 s和1.1 s，即tBP＞tSVM，识别效率上也是SVM更好，综合识别准确率和效率两方面考虑，优先选择SVM分类器模型来对完好、破损以及霉变的花生仁进行区分识别。

表3 两种分类器模型识别结果

4 结论与讨论

（1）对采集到的花生仁图像经预处理操作，研究提取花生仁图像HSV空间下的6个颜色特征，基于灰度共生矩阵法提取花生仁4个纹理特征，构建颜色和纹理共10个特征的特征模型。

（2）针对不同的分类器对花生仁分类识别的影响，构建了BP神经网络和SVM分类器的分类识别模型。通过对比发现，SVM分类器识别正确率高达97.22%，耗时仅为1.1 s，均优于BP神经网络，表明SVM的识别模型更适用于花生仁品质的分类识别。

（3）本研究仅对了比2种常规的分类算法模型，后续可以通过添加优化算法对相应的算法模型进行优化处理，进一步提高模型的分类识别准确率和效率。