精米品种多特征模型融合分类与外观品质多参数检测应用研究

杨 森, 张新奡, 邢 键, 戴景民

1. 东北林业大学计算机与控制工程学院, 黑龙江 哈尔滨 150040

2. 哈尔滨工业大学仪器科学与工程学院, 黑龙江 哈尔滨 150001

引 言

大米是我国最重要的谷类作物, 其品质会随着土壤、 环境和水质等地域因素产生差异性。 例如五常大米和响水大米, 其独特的地理环境形成特有的口感和营养价值, 使其成为具有鲜明地理标识的大米产品。 消费者愿意为优质产品支付额外价钱, 导致诈骗者经常通过虚假的产地标签或掺假获取不公平的经济利益, 损坏了消费者、 零售商和生产商的利益[1]。 此外, 大米的白垩米率、 碎米率、 黄粒米率、 裂纹米率等外观品质参数也是人们普遍关心的问题, 因为其直接关系口感和定价[2]。 因此, 对于消费者、 零售商和生产商来说, 如何准确的实现精米品种鉴别和外观品质评价是一项亟待解决的重要工作。

图像法是精米外观品质检测的常用方法, 具有快速和无损检测的优势。 陈昊然提出了一种基于图像显著性区域提取的垩白区域提取算法[3]。 张玲设计了一种图像处理系统进行碎米识别[4]。 Chen开发了一种机器视觉系统来检查缺陷米粒[5]。 Singh结合图像处理和机器学习测量米粒大小和质量[6]。 Zareiforoush利用图像处理对碾米的碾磨度和破碎率进行了定性分级[7]。 然而, 现有基于图像法的精米外观品质检测主要针对单参数或相类似参数检测进行研究, 缺少一种集成一体化应用方案可以实现外观品质的多参数检测。

近红外光谱法是精米品种分类的常用方法, 且被证实基于4 300～7 800 cm-1波段光谱数据可以获取较高的精米品种分类精度。 宋雪健研究了基于近红外光谱法的五常和查哈阳大米产地溯源[8]。 钱丽丽基于近红外光谱法, 分别研究了五常和建三江大米[9]、 查哈阳和非查哈阳大米[10]、 五常和建三江大米[11]的鉴别方法。 刘亚超研究了近红外二维相关光谱进行掺和五常大米判别的可行性[12]。 然而, 现有基于近红外光谱法的精米品种分类, 主要集中于如何完善方法以及其在不同精米品种分类上的应用, 缺少从4 300～7 800 cm-1波段光谱数据和包括纹理、 颜色、 形态的多图像参数进行多特征融合建模的角度研究如何提高精米品种分类精度。

针对上述问题, 建立了基于傅里叶近红外光谱仪和CMOS显微相机的精米品种分类与外观品质检测系统, 通过CMOS显微相机配合机电一体化控制系统实现批量化的裂纹米、 碎米、 垩白米、 黄粒米和粒型的外观品质多参数检测应用。 以此检测系统为基础, 通过不同融合方案对比, 建立基于光谱-图像特征模型融合的最优精米品种分类模型, 并与传统方法作实验对比以验证其优越性。

1 实验部分

1.1 精米品种分类与外观品质检测系统

建立的精米品种分类与外观品质检测系统如图1所示, 主要分为光谱采集和图像采集两部分。 系统控制由LabVIEW程序完成, 数据处理由内嵌入LabVIEW的Matlab算法实现。

图1 精米品种和外观品质检测系统

系统内部光谱采集设备为iCAN-9近红外光谱仪(天津能谱), 扫描波长为350～7 800 cm-1。 漫反射配件型号为PN044-60XX(美国PIKE)。 每个样品的光谱数据由三次加载求平均所得, 每次加载包括32次扫描。

系统内部图像采集设备为带有变焦镜头的USB-500显微相机(拓日伟业科技)。 被测米粒放置于盛样板上, 每个盛样板包括10个椭圆形孔。 旋转盘上可放置4个盛样板, 由配有电机驱动器和运动控制器的步进电机控制依次进行图像采集。 被测样本采用LED环形灯进行照明。

1.2 精米外观品质多参数检测

精米外观品质参数包括粒型、 垩白、 碎米、 黄粒米和裂纹。 设计的精米外观多品质参数检测示意图如图2所示。 其中, 图像预处理算法包括灰度化处理、 均值滤波、 阈值分割、 开运算和图像融合。

图2 精米外观多品质参数检测示意图

为避免盛样板中米粒未放满对检测准确性的不利影响, 对每个盛样板进行基于区域标记法的米粒数量检测。 为降低碎米对米型检测的影响, 在米型检测时自动排除已识别出的碎米。 为降低垩白对黄粒米检测的影响, 在黄粒米检测时排除垩白米。

对不同外观品质参数的检测, 碎米检测采用标准值对比法, 粒型检测采用椭圆匹配测量法, 裂纹米检测基于图像行灰度平均值波谷特性实现, 垩白米检测采用最大熵多阈值分割算法, 黄粒米检测基于R-B特征值偏差实现。

将不同品种大米混合, 形成共167×10=1 670个米粒样本开展外观品质检测实验。 不同参数的标准值参考中国食品总局的官方检验标准通过人工视觉检验获取。 精米原始图像和预处理后的图像如图3所示。 外观品质多参数检测准确率如表1所示。

表1 外观品质多参数检测准确率

图3 精米原始图像和预处理后的图像

通过机器视觉检测结果和标准值的对比, 分析表1中测量误差的产生原因包括: (1) 米粒破碎程度不同, 某些碎米较长, 此问题不仅影响碎米率检测, 也会影响长宽比检测(长宽比检测中不考虑已检测出的碎米); (2) 人工测量与椭圆匹配算法获取的长宽比存在偏差; (3) 米粒裂纹形式和程度的差异性较大; (4) 米粒垩白程度不同, 某些米粒的垩白面积较小。 (5) 反光现象和加工精度的差异性影响。

1.3 精米多特征模型融合品种分类

1.3.1 图像特征参数提取

共提取了35个图像特征参数供后续使用, 可分为形态、 纹理和颜色三个大类。 其中, 形态参数包括米粒的面积S1、 周长C1、 长度L1和宽度D1, 米粒的长宽比K、 圆度R和紧致度CO, 米粒的长轴长度L、 短轴长度D和凸面面积TA, 以及根据长度、 宽度和面积三个参数计算所得特征参数SF1、 SF2和SF3。 纹理参数包括对比度CS、 同质性HT、 相关CL和能量EG。 颜色参数包括RGB、 HSV和YCbCr每个颜色空间中三个颜色分量的均值mean和二阶矩std。 预处理后的米粒图像进行图像特征参数提取的示意图如图4所示。

图4 图像特征参数提取示意图

1.3.2 光谱数据采集

对五常、 响水、 银水和越光大米进行光谱采集。 共320组光谱数据, 每种大米80组数据, 随机分为40组建模数据和40组验证数据, 每组数据包括1972个光谱点。 获取的原始光谱数据如图5所示, 其中WC、 XS、 YS和YG分别代表五常、 响水、 银水和越光四种大米。

图5 原始光谱数据

1.3.3 基于光谱-图像特征融合的品种分类模型建立

本节研究光谱特征与图像特征融合建模提高精米品种分类精度的有效性。 基于PLS算法建立融合分类模型, 模型输入参数包括经SNV处理的4 331～5 102 cm-1波段的光谱数据和35个图像参数, 模型输出参数为不同产地大米的赋值编号。 为了优化分类模型, 采用变量重要性分析方法(VIP)进行输入参数的最优筛选。 不同融合方案的实验结果如下:

(1) 融合方案1: 采用全部图像特征和不同VIP阈值筛选光谱特征进行融合建模, 选取不同VIP阈值时获取的分类精度如表2所示。 从表2可以看出, 仅针对光谱特征进行最优筛选时, 选取VIP值大于0.65的光谱特征与全图像特征进行融合建模时分类结果最佳, 四种大米的分类精度为87.5%～90%。

表2 基于全图像特征和VIP筛选光谱特征的分类精度(%)

(2) 融合方案2: 采用全光谱特征和不同VIP阈值筛选图像特征进行融合建模, 选取不同VIP阈值时获取的分类精度如表3所示。 从表3可以看出, 仅针对图像特征进行最优筛选时, 选取VIP值大于0.8或0.86的图像特征与全光谱特征进行融合建模时分类结果最佳, 四种大米的分类精度为87.5%～95%。 此时, 从模型精简的角度分析, 应选取VIP值大于0.86的图像特征与全光谱特征进行融合建模, 此时不仅分类结果最佳且模型最简。

表3 基于全光谱特征和VIP筛选图像特征的分类精度(%)

(3) 融合方案3: 采用筛选后的图像特征与筛选后的光谱特征进行融合建模, 获取的分类精度如表4所示。 将表4与表2和表3进行对比可知, 两种类型数据都进行筛选然后进行融合建模可以提高精米品种分类精度。

表4 基于筛选后图像特征和筛选后光谱特征的分类精度

(4) 融合方案4: 采用全部图像特征和全部光谱特征进行融合建模, 选取不同VIP阈值时获取的分类精度如表5所示。 由表5可知, 针对全部特征数据进行最优筛选时, 选取VIP值大于0.5的图像特征和光谱特征进行融合建模时获取的分类结果最佳, 四种大米的分类精度为95%～97.5%。

表5 选取不同VIP阈值时基于全图像特征和全光谱特征的分类精度(%)

综合表2—表5中不同条件下获取的分类精度可知, 将全部特征数据作为建模输入参数, 然后进行最优参数筛选, 选取VIP值大于0.5的图像特征和光谱特征进行融合建模时获取的分类结果最佳。 因此, 基于融合方案4建立基于光谱-图像特征融合的精米品种分类模型, 五常、 响水、 银水和越光四种大米的分类精度分别为95%、 95%、 95%和97.5%。

2 结果与讨论

为验证本文提出的精米多特征融合品种分类方法的性能, 开展不同精米品种分类方法性能对比。 对比方法包括光谱法、 图像法和光谱-图像特征模型融合法。

采用光谱法进行精米品种分类建模时, 选取不同VIP阈值时获取的分类精度如表6所示。 由表6可知, 选取VIP值大于0.7的光谱特征进行建模时获取的分类结果最佳, 即采用光谱法时, 五常、 响水、 银水和越光四种大米的分类精度分别为92.5%、 92.5%、 90%和92.5%。

表6 选取不同VIP阈值时基于光谱法的分类精度(%)

采用图像法进行精米品种分类建模时, 实验方案设置为三个品种分类试验和四个品种分类试验, 选取不同VIP阈值时获取的分类精度如表7所示。 由表7可知, 针对五常、 响水和越光三种大米, 选取VIP值大于0.86的图像特征进行建模获取的分类结果最佳, 此时三种大米的分类精度分别为95%、 92.5%和95%。 然而, 当加入与五常和响水大米产地相近的银水大米后, 由于三者之间的外观相类似, 导致五常和响水大米的分类精度下降, 而越光大米则因其外观与其他三者有较大差异, 能够保持较好的分类精度。 基于上述实验结果推断, 图像法在面向产地或外观差异性较大的精米品种分类时效果较好, 但在面向产地或外观相近的精米品种分类时效果较差。 针对五常、 响水、 银水和越光四种大米, 采用图像法进行品种分类时可获取的分类精度分别为62.5%、 47.5%、 47.5%和92.5%。

表7 选取不同VIP阈值时基于图像特征的分类精度(%)

综上所述, 光谱法、 图像法和光谱-图像特征模型融合法的性能对比如图6所示。

图6 不同精米品种分类方法性能对比

由图6可知, 与图像法和光谱法对比, 光谱-图像模型融合法可以获取最高的精米分类精度, 四种大米的分类精度可以达到95%～97.5%。 光谱法作为精米品种分类的传统且常用方法, 可以保证较好的分类精度, 四种大米的分类精度可以达到90%～92.5%。 而图像法相对来说分类性能不足, 但是其在融合法中的有效应用可以证明该方法是一种提高精米品种分类精度的有效辅助方法。 上述实验结果验证了本文提出的光谱-图像特征模型融合方法在传统方法基础上提高精米品种分类精度的有效性, 为实现准确的地理标志性大米品种鉴别提供了方法支撑。

3 结 论

建立了一种精米品种分类与外观品质多参数检测系统, 通过集成一体化应用方案实现了裂纹、 粒型、 垩白、 碎米和黄粒米的多参数外观品质检测。 实验结果表明, 裂纹米率、 长宽比、 垩白米率、 碎米率、 黄粒米率的检测精度分别为97.0%、 97.6%、 89.2%、 95.2%和95.5%。 以此系统为基础, 挖掘以光谱法为基础融合图像法提高精米品种分类精度的可行性, 提出了一种基于光谱-图像特征模型融合的精米品种分类方法。 实验结果表明, 基于新方法获取的五常、 响水、 银水和越光四种大米的分类精度分别为95%、 95%、 95%和97.5%, 相比于传统方法中效果较好的近红外光谱法分类精度可提高2.5%～7.5%。 本研究为精米外观品质检测技术的发展提供了应用方案支撑, 为精米品种分类技术的发展提供了方法支撑。