基于图像处理技术的小麦水分检测方法研究

张晋宁, 尹 君, 田一骏,2

(国家粮食和物资储备局科学研究院1,北京 100037)

(河南工业大学信息科学与工程学院2,郑州 450000)

小麦作为全球广泛种植的重要粮食作物之一,对于世界粮食安全具有重要的保障作用[1]。粮食含水量是储粮重要的安全品质指标,也是影响粮食品质的关键因素之一,决定了粮食众多品质指标的变化。粮食水分的过高或过低会影响粮食的品质与安全,粮食水分过高会发生霉变等变化,过低则会破坏粮食内部的有机物从而影响粮食的加工品质[2,3],因此粮食水分检测是储粮过程中重要的一环。

目前,国内外粮食水分检测方法从技术上总体可以分为两大类,包括直接测量法和间接测量法[4]。直接测量法主要有热风烘箱烘干法、红外线烘干法和微波烘干法等方法。间接测量法是通过测量与粮食水分相关的物理量,并建立换算数学模型,实现粮食含水量的间接测量。主要有电阻法、电容法、近红外线法、微波法等方法[5]。但直接测量法存在检测过程繁琐,效率较低,具有破坏性且无法实现实时在线检测等局限性[6];间接检测方法如电容法、电阻法等可以实现快速检测,但易受环境温湿度、粮食粒型和体密度等影响,稳定性较差[7,8]。

本研究将不同含水量的小麦作为研究对象,利用机器视觉技术通过提取图像中小麦籽粒的颜色特征和形状特征,分析图像特征与小麦含水量的相关性,利用筛选出的图像特征建立小麦含水量预测模型,实现对小麦水分的快速无损检测,为后期小麦水分无损快检装置研发提供参考。

1 材料与方法

1.1 样品制备

以小麦为研究对象,根据ASAE法,将小麦样品放在130 ℃烘箱中持续烘干19 h,测定前后小麦样品的质量差,即为小麦含水量,最终测得小麦样品的初始水质量分数为13.7%。将小麦进行分组,标号为1～9号,每份样品质量为(200±1)g封装于自封袋内并存放在4 ℃恒温箱内保存,待使用时取出,使用时小麦样品采用逐步升温的方式置于常温状态中。利用粮食调质的方法[4]将小麦样品水质量分数调质成9%～25%之间9个水分梯度的实验样品。粮食调质过程中水分质量变化的计算见式(1)。

Δm={wf-wi1-wfmi,wfwi

wi-wf1-wfmi,wf

(1)

式中:mi为待调质粮食的初始质量;Δm为调质过程中粮食中水分质量的变化量;wi为粮食的初始水分;wf为粮食调质后的水分。

1.1.1 增加粮食水分调质步骤

取粮食样品0.5 kg,并利用式(1)计算需要增加的水分质量Δm;

将质量为Δm的蒸馏水加入粮食样品中并搅拌10 min以使水分布均匀;

将加水后的粮食放入密封塑料袋中并排出多余空气,存入4 ℃的冰箱中保存72 h,使得水分充分吸收到粮粒内部,同时低温保证粮粒处于较低生物活性;

将粮食样品置于25 ℃室温的敞开容器中静置12 h,期间每2 h进行1次搅拌,一方面使粮食样品恢复到室温,另一方面使粮食表面未被吸收的水分蒸发。

1.1.2 减少粮食水分调质步骤

取粮食样品0.5 kg,并利用式(1)计算需要减少的水分质量Δm;

将粮食样品放置于130 ℃烘箱中,每隔一段时间将样品取出称质量并充分搅拌使其均匀;

计算粮食样品质量损失,如果质量损失量小于Δm则重复步骤b继续烘干过程,如果质量损失量大于Δm则调质完成。

通过调质得到9份不同含水量的小麦样品如表1所示。

表1 调质后小麦样品水分表

1.2 图像采集

图像采集通过CanoScan 9000F MarkⅡ获取完成,拥有9 600 dpi光学分辨率新型CCD扫描仪,将小麦样品从最高含水量至最低含水量依次进行图像采集。对每个水分等级的小麦样品共采集20张图像,其中每张图像包含100个不粘连的单籽粒(图1),即(表2)每个小麦品种的每个水分等级的样品图像包含2 000(100×20)个玉米籽粒,共18 000粒(100×20×9)。为了减少样品含水量受图像采集时间的影响,在图像采集开始和结束时,均使用ASAE标准测定其含水量,并取2次测量平均值作为该组样品的最终含水量,最终小麦样品含水量如表2所示。

表2 最终小麦样品含水量

1.3 图像处理

图像处理技术是对采集到的图像进行处理优化从而达到所需结果的技术[9]。本研究使用LabVIEW 2016对采集到的小麦图像进行图像处理与分析。小麦籽粒图像处理流程如图2所示。

图2 小麦籽粒图像处理流程

1.3.1 图像分割

图像分割是图像处理部分到图像分析部分的过渡,是进一步开展图像分析的基础[10,11]。为了提取小麦图像轮廓特征值,需要将小麦样品籽粒进行分割。小麦籽粒图像分割过程如图3所示,包括彩色图像灰度化(二值图像)、灰度图像二值化(二值图像)、二值图像形态学处理(开运算、颗粒去除、边界去除、孔洞填充)(二值图像)和图像乘运算(彩色图像)。

图3 小麦籽粒图像分割

1.3.2 特征提取

在对小麦籽粒进行图像分割后,分别对每张图像中100个小麦籽粒的所有图像特征进行提取。本研究提取了小麦籽粒图像中的47个图像特征,其中包括23个形态特征和24个颜色特征,如表3所示。每张图像中小麦籽粒特征的平均值为该图像的特征值。

表3 提取的小麦籽粒图像特征

2 结果与分析

2.1 小麦图像特征与水分相关性分析

利用SPSS软件对小麦图像特征与含水量进行相关性分析,结果如表4所示。

表4 小麦图像特征与含水量相关性

通过分析小麦图像特征与含水量相关性可得出:小麦籽粒的图像特征与含水量存在高度线性相关,可以通过线性回归模型预测小麦籽粒的含水量。与含水量相关性最高的形态特征为面积,提取到的形态特征相关性高于颜色特征,因此形态特征也包含了更多关于小麦含水量的信息。

2.2 特征选择

使用逐步选择法对所有特征进行筛选,选出对于水分预测最重要的特征子集,结果如表5所示。

表5 小麦水分特征选择

2.3 小麦水分预测模型结果

选择ElasticNet、RandomForest、AdaBoost 3种回归模型,以表2.2中的特征子集作为输入变量,从而建立小麦水分预测模型。将特征筛选后的数据集按照7∶3的比例分为训练集和测试集。本研究中回归模型的评价指标采用决定系数(R2)和均方误差(RMSE),小麦含水量预测模型性能如表6所示。

表6 小麦水分预测模型表现

从建立的3个模型预测结果可以看出,R2≥0.96,说明模型对数据有较好的拟合效果。模型的绝对误差随机分布在0点中心线的两端,无明显趋势,且无明显的异常值,表明模型具有较好的鲁棒性,可用于新样本的含水量预测。RandomForest模型预测结果的水分绝对误差主要分布在±1.5之间。

3 结论

探讨了将图像处理技术应用于无损检测小麦水分的方法,建立了基于图像处理技术的小麦籽粒水分预测模型。通过分析小麦籽粒图像特征与含水量的相关性并进行了特征筛选,将筛选到的特征作为回归模型的输入量,选取ElasticNet、RandomForest、AdaBoost模型对含水量的检测进行了研究。结果表明,3种回归模型的R2值分别为0.96、0.97、0.98,RMSE值分别为1.05、0.26、0.84,模型预测效果较好,为后续基于图像处理的粮食水分快速无损检测提供了参考。