基于機器視覺的玉米種粒破損識別方法研究

崔 欣，張 鵬，趙 靜，徐文騰，馬偉童，金城謙

(1.山東理工大學 農(nóng)業(yè)工程與食品科學學院，山東 淄博 255000；2.雷沃重工股份有限公司，山東 濰坊 261206)

0 引言

我國是農(nóng)業(yè)生產(chǎn)大國，玉米作為我國重要的糧食作物之一，于2012年開始成為我國第一大糧食作物，其戰(zhàn)略地位可見一斑[1]。由于玉米種粒在收獲、儲藏的過程中會因機械啃傷等各種因素產(chǎn)生損傷，影響發(fā)芽率及玉米產(chǎn)量，所以玉米種粒的播前破損檢測工作不可或缺。這一過程可以保證玉米種粒發(fā)芽率，對玉米的增產(chǎn)具有重要意義。

20世紀70年代初，機器視覺技術(shù)在生物醫(yī)學圖像和遙感圖像處理兩項應(yīng)用中取得不俗成果，并由此開始逐漸發(fā)展起來[2]。隨著計算機技術(shù)的快速發(fā)展，計算機的性價比和處理速度不斷提高，為機器視覺相關(guān)技術(shù)的研究和應(yīng)用奠定了堅實基礎(chǔ)，使機器視覺技術(shù)廣泛地應(yīng)用于圖像分析、對象分類與品質(zhì)檢測等領(lǐng)域中。機器視覺檢測技術(shù)與人工檢測技術(shù)相比，具有精度高、速度快、重復性好、信息量大等優(yōu)點，在谷物外觀品質(zhì)檢測領(lǐng)域的發(fā)展及應(yīng)用前景十分廣闊。機器視覺技術(shù)在谷物外觀品質(zhì)檢測中的應(yīng)用主要有：農(nóng)產(chǎn)品及作物種子表面裂紋檢測、農(nóng)作物種子精選及分級、根據(jù)農(nóng)產(chǎn)品表面信息進行損傷缺陷檢測并進行分級等。機器視覺檢測技術(shù)逐漸取代人工檢測，是自動化檢測發(fā)展的必然趨勢。因此，機器視覺檢測技術(shù)在農(nóng)產(chǎn)品外觀品質(zhì)檢測方面的研究具有比較高的理論價值和實際意義[3]。

在基于機器視覺的玉米種子外觀品質(zhì)檢測方面的研究方面，國外一些發(fā)達國家起步的較早，于20世紀90年代就開展相關(guān)研究。研究內(nèi)容主要包括玉米種粒的顏色、質(zhì)量、尺寸等品質(zhì)特征檢測及玉米種粒的缺陷檢測等。21世紀以來，我國也圍繞機器視覺技術(shù)逐漸開展了玉米種子品質(zhì)檢測、品質(zhì)分類、形態(tài)識別及自動精選等方面的研究。目前，國內(nèi)外針對玉米種粒的破損檢測大多偏向于特征參數(shù)的提取檢測及算法研究上，有關(guān)破損玉米種粒智能自動識別模型的研究較少。

本文將機器視覺技術(shù)運用到玉米種粒的破損識別檢測中，對玉米種粒圖像進行了噪聲分析、降噪和分割等預(yù)處理，并提取了玉米種粒的特征值。將機器學習中的支持向量機監(jiān)督學習模型應(yīng)用到玉米種粒的破損識別檢測中，通過訓練支持向量機(SVM)形成玉米種粒破損識別模型，從而根據(jù)玉米種粒的幾何、形狀特征自動判斷種粒是否合格，為實現(xiàn)玉米種粒的在線破損識別及自動分類奠定了基礎(chǔ)。

1 玉米種粒圖像獲取及預(yù)處理

1.1 圖像獲取

玉米種粒的圖像采集均在玉米種粒圖像獲取裝置上進行，如圖1所示。玉米種粒的品種是登海605；相機選用CCD工業(yè)相機，焦距4mm，光圈F1.2，安裝時鏡頭光軸距傳送轉(zhuǎn)盤的高度為15mm，采集的圖像尺寸為200×200像素；光源采用環(huán)形白色光LED燈，內(nèi)直徑為27mm，外直徑為46mm。共采集破損玉米種粒圖像與完整玉米種粒圖像各100幅，用來進行圖像預(yù)處理、特征提取、對SVM進行訓練及識別效果檢測等工作。

1.支架 2.CCD工業(yè)相機 3.環(huán)形光源 4.圖像采集區(qū)圖1 玉米種粒圖像獲取裝置

1.2 圖像預(yù)處理

在進行玉米種粒特征提取之前，需要將CCD采集到的玉米種粒圖像進行預(yù)處理。圖像預(yù)處理能很好地改善在圖像的獲取、傳輸、變換過程中因失真、噪聲、曝光不足或過量等因素與原圖像產(chǎn)生的差異，以便進行后續(xù)圖像識別等工作[4]。首先，將采集到的玉米種粒圖像進行灰度化處理，判斷噪聲類型，選擇適當?shù)姆椒▽D像進行降噪；圖像降噪完成后，進行玉米種粒圖像的分割，通過忽略目標區(qū)域外的其他區(qū)域得到待檢圖像，以便進行特征提取。

1.2.1 圖像降噪

灰度化后的玉米種粒圖像如圖2所示。由圖2可知：采集到的玉米種粒圖像存在噪點及細小雜質(zhì)點，噪聲種類人工初步判斷為椒鹽噪聲。采用差影法對采集到的玉米種粒圖像進行噪聲分析，在采集環(huán)境完全相同的前提下(即保證采集對象、采集設(shè)備、采集角度、光源光照強度等都相同)，連續(xù)采集2幅玉米種粒的圖像，將獲得的2幅連續(xù)采集的圖像作減法運算，得到的分析結(jié)果如圖3所示。由圖3可以清晰地看出噪聲類型為椒鹽噪聲，據(jù)此判斷采集到的玉米種粒圖像噪聲類型為椒鹽噪聲[5]。用上述方法對另外兩組連續(xù)采集的玉米種粒圖像進行差影法分析，得出一致結(jié)論。

圖2 灰度化后的玉米種粒圖像

查閱資料可知，去除椒鹽噪聲效果比較好的方法是中值濾波法，故本文對玉米種粒圖像采用中值濾波法進行圖像降噪。經(jīng)中值濾波降噪處理過的玉米種粒圖像噪點大大減少(見圖4)，適合對圖像進行下一步處理。

圖4 玉米種粒降噪后的圖像

1.2.2 圖像分割

對經(jīng)過降噪處理的玉米種粒圖像進行圖像分割。玉米種粒的拍攝背景選擇與玉米種粒顏色反差較大的黑色，由于同一品種的不同玉米種粒在外觀、顏色等方面區(qū)別不大，其灰度直方圖峰值相似，故本文采用灰度閾值法中的二值化處理來對玉米種粒圖像進行分割。圖像二值化處理即選擇一個合適閾值，將圖像轉(zhuǎn)化為黑白二值圖像，從而完成目標圖像和背景圖像的分割。二值化分割具體定義為

(1)

式中T—閾值。

通過觀察分析采集到的玉米種粒圖像的灰度直方圖，可以快速、準確地找出合適的圖像分割閾值約為20，如圖5(a)所示。圖5(b)為用此閾值分割后的玉米種粒圖像，可以看出分割后的玉米種粒圖像還存在部分大的噪點或者雜質(zhì)點，所以本文將所有閉合區(qū)域的像素數(shù)最小值設(shè)為100，把圖像中像素數(shù)小于100的目標區(qū)域設(shè)置為背景。處理后的圖像如圖5(c)所示。此方法可以有效地去除圖像中較大的噪點和雜質(zhì)點，得到的圖像中玉米種粒輪廓明顯，適合進行下一步的玉米種粒特征值提取工作。

2 玉米種粒圖像特征提取

在玉米種粒的圖像識別系統(tǒng)中，玉米種粒的特征參數(shù)的選用和提取直接關(guān)系到玉米種粒的識別精度。圖像的特征種類包括顏色特征、幾何特征、形狀特征及紋理特征等。由于玉米種粒的破損部分主要集中在胚部分，破損部分與完整玉米種粒顏色特征對比不明顯，所以本文不采用玉米種粒的顏色特征，只從幾何特征與形狀特征中提取特征參數(shù)作為玉米種粒破損的檢測指標[6-8]。

圖5 玉米種粒分割圖像

2.1 幾何特征提取

破損玉米種粒的外在形狀與完整玉米種粒差異較為明顯，所以本文選擇提取玉米種粒的部分形狀特征作為檢測指標。根據(jù)玉米種粒的形態(tài)特征，分別提取玉米種粒的周長、面積、周長面積比、長軸長、短軸長及長寬比6個幾何特征[9]。玉米種粒的幾何、外觀特征示意圖如圖6所示。

圖6 玉米種粒幾何及外觀特征示意圖

圖6中，L為周長；Pab為長軸長度；Pcd為短軸長度；S為面積；S1為最小外接矩形面積；S2為最小外接圓面積。幾何特征及參數(shù)如表1所示。

表1 玉米種粒幾何特征及參數(shù)

2.2 形狀特征提取

除上述6個幾何特征之外，還提取了玉米種粒的10個形狀特征，其中包括玉米種粒的矩形度(S/S1)、圓形度(4πS/L2)、緊湊度(S2/Lab)，如表2所示。

表2 玉米種粒的形狀特征及參數(shù)

除此之外，還包含7個彼此獨立的Hu不變矩特征量。矩在其數(shù)學定義中可以表征隨機量的分布情況，如果把灰度或者二值圖像看作一個二維密度分布函數(shù)，就可以把矩概念引入到圖像分析中。各階矩的物理意義分別為：零階矩(m00)表征二值圖像的面積；一階矩(m01,m10)表征目標區(qū)域質(zhì)心位置；二階矩(m02,m11,m20)反映目標的主軸、輔軸的長短及主軸方向角；三階矩(m03,m12,m21,m30)描述圖像細節(jié)，如目標的方向和斜度、反應(yīng)目標的扭曲程度等。Ming-Kuei Hu在1962年利用二階和三階中心矩構(gòu)造了7個不變矩，即Hu不變矩。Hu不變矩滿足RST(rotate，scale，translation，即旋轉(zhuǎn)、縮放、平移)不變性，不因目標在圖像中的位置、大小、角度而有所改變，對于識別紋理簡單的圖像識別精度較高，效果較好。7個Hu不變矩的具體定義如式(2)～式(8)所示。式中，ηpq分別代表各階矩中心矩。

I1=η20+η02

(2)

I2=(η20-η02)2+(2η11)2

(3)

I3=(η30-3η12)2+(3η21-η03)2

(4)

(5)

I5=(η30-3η12)(η30+η12)×

[(η30+η12)2-3(η21+η03)2]+

(3η30-η03)(η21+η03)×

[3(η30+η12)2-(η21+η03)2]

(6)

I6=(η20-η02)[(η30+η12)2-(η21+η03)2]+

4η11(η30+η12)(η21+η03)

(7)

I7=(3η21-η03)(η30+η12)×

[(η30+η12)2-3(η21+η03)2]-

(η30-3η12)(η21+η03)×

[3(η30+η12)2-(η21+η03)]

(8)

Hu不變矩提取流程圖如圖7所示。

圖7 提取Hu不變矩流程圖

3 玉米種粒圖像識別檢測算法

本文提出的破損玉米種粒識別方法可以概括為3部分，即玉米種粒的預(yù)處理、玉米種粒特征提取、模型訓練與目標識別。圖像識別流程圖如圖8所示。

圖8 圖像識別流程圖

3.1 支持向量機分類原理

支持向量機(SVM，Support Vector Machine)是20世紀90年代初由Vapnik和Corinna Cortes等人根據(jù)統(tǒng)計學習理論提出的一種機器學習的新方法[10-11]。SVM是一個有監(jiān)督的學習模型，與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)相比，結(jié)構(gòu)更加簡單而且泛化(generalization)，能力明顯提高，通常應(yīng)用在模式識別、分類以及回歸分析等領(lǐng)域。

支持向量機的核心思想在于核函數(shù)，就是利用合適的非線性映射把低維空間向量集映射到一個較高維數(shù)的特征空間，并在這個空間里找到一個具有最大邊界的最優(yōu)線性分類面(最優(yōu)分類超平面)(見圖9)，從而解決了低維空間向量集難以劃分的問題。

圖9 最優(yōu)分類超平面示意圖

SVM最初是針對二值分類問題提出的，對于樣本集(xi,yi),i=1,2,...,n;xi∈Rn;yi∈{-1,1}，構(gòu)造分類面WX+b=0，能將兩類樣本準確無誤地分開，并且使兩類之間的分類超平面距離達到最大[12]。W為權(quán)值向量；X為輸入向量；b為偏置。線性判別函數(shù)的一般形式為g(x)=WX+b，用同倍縮放W、b的方法進行歸一化，使離分類面最近的樣本滿足|g(x)|=1，那么兩類所有樣本都滿足|lg(x)|≥1，兩類樣本的分類間隔為2/‖W‖。

綜上所述，SVM分類器要解決的問題用數(shù)學來表述：在滿足式(9)的前提下，求式(10)的最小值，則

yi(wTxi+b)-1≥0i=1,2,...n

(9)

(10)

3.2 支持向量機核函數(shù)選擇

支持向量機通過非線性變換，將輸入空間映射到高維度特征空間，可以用低維輸入空間的某函數(shù)代替高維特征空間的內(nèi)積計算，大大降低計算量，有效避免“維數(shù)災(zāi)難”，這樣的函數(shù)即被稱為核函數(shù)。

核函數(shù)包括線性核函數(shù)、多項式核函數(shù)及高斯核函數(shù)等。其中，高斯核函數(shù)最常用，可以將數(shù)據(jù)映射到無窮維，也叫做徑向基函數(shù)(RBF)。本文在多種核函數(shù)中選用了RBF核函數(shù)，此核函數(shù)可以適用于低維、高維及不同樣本量等情況[13-14]。

3.3 SVM訓練

本文在完成玉米種粒的破損檢測及分類的前提下，盡量簡化識別分類系統(tǒng)，縮短檢測時間。根據(jù)識別系統(tǒng)要實現(xiàn)的功能，選擇使用二值SVM分類器。利用圖像采集裝置采集玉米種粒圖像，將采集到的玉米種粒圖像均分為訓練樣本和測試樣本，即訓練樣本和測試樣本均含各不相同的50幅完整玉米種粒圖像和50幅不同程度的破損玉米種粒圖像。用訓練樣本對SVM進行訓練，特征量共16個，將待檢測的玉米種粒分為兩類，“合格”輸出為1，“不合格”輸出為0，即SVM訓練有16個輸入量、2個輸出量。

建立訓練樣本集，選擇RBF核函數(shù)，將輸入玉米種粒圖像樣本進行歸一化并構(gòu)造核矩陣H{1,1}，計算出權(quán)值向量W和超平面系數(shù)b，最終構(gòu)造出最優(yōu)分類超平面并訓練獲得識別模型。

4 試驗設(shè)計與結(jié)果分析

4.1 試驗設(shè)計

本文的實驗運行平臺的計算機主機配置：Intel(R) Core(TM) i5-3230M CPU@2.60GHz，RAM 8.00GB，顯卡NVIDA GeForce GT 650M；試驗運行環(huán)境：MatLab R2014a編程語言環(huán)境。

4.1.1 Hu不變矩的不變性試驗

為驗證Hu不變矩的旋轉(zhuǎn)、縮放和平移不變性，本文設(shè)計了1組測試Hu矩不變性的試驗。利用圖像采集裝置分別采集同一粒玉米種子正放、順時針旋轉(zhuǎn)90°、縮放0.5倍、向右平移20像素等4幅圖像，確保采集環(huán)境完全相同，圖像大小均為200×200像素。將4幅圖像分別進行Hu矩計算，得到Hu不變矩的值，如表3所示。

表3 玉米種粒圖像旋轉(zhuǎn)、縮放和平移后的Hu不變矩

Table 3 The Hu invariant moments of corn seed images after rotated, scaled and translation

4.1.2 SVM模型測試試驗

針對前面訓練得到的SVM識別模型，為驗證其可行性與準確率，設(shè)計了一組SVM識別模型測試試驗。

用預(yù)先采集的測試樣本對得到的SVM識別模型進行驗證，以測試識別正確率、測試識別時間作為衡量SVM模型的指標。其中，測試識別率是指正確識別的玉米種粒的個數(shù)占所有參檢玉米種粒的比值；測試識別時間是指用訓練好的SVM識別模型對測試樣本進行識別所需時間；試驗重復10次，各指標的值取10次的平均值。

用100幅測試樣本圖像對SVM模型進行驗證，將每次測試得到的100個玉米種粒完整性檢測結(jié)果與人工判斷結(jié)果做對比，以人工判斷為準，計算模型識別正確率，并記錄測試100幅圖像所需時間。識別正確率與識別時間取10次測試均值之后，最終得到結(jié)果的如表4所示。

表4 試驗結(jié)果

4.2 試驗結(jié)果分析

針對Hu矩不變性的驗證試驗，由表3數(shù)據(jù)可知：玉米種粒在目標區(qū)域內(nèi)旋轉(zhuǎn)90°、縮放0.5倍、向右平移20像素后Hu矩沒有變化，證明圖像的Hu不變矩具有不變性。

針對SVM識別模型的測試試驗，由表4中數(shù)據(jù)結(jié)果可知：經(jīng)過10次試驗，訓練得到的SVM玉米種粒圖像識別模型對玉米種粒破損識別準確率達到95%以上，識別100幅圖像的時間為1.27s，識別效果較好，識別速度較快。

5 結(jié)論

1)利用差影法確定了玉米種粒圖像噪聲類型，采用中值濾波法對圖像降噪，通過灰度閾值法完成了圖像的分割。

2)提取了玉米種粒的周長、面積、周長面積比、長軸長、短軸長及長寬比6個幾何特征和矩形度、圓形度、緊湊度和7個Hu不變矩10個形狀特征，共16個特征值。利用提取的玉米種粒的16個特征量對SVM進行訓練，構(gòu)造了SVM智能識別模型。

3)對圖像Hu不變矩的不變性進行試驗驗證，結(jié)果表明：圖像的Hu矩具有旋轉(zhuǎn)、縮放和平移不變性。

4)對訓練好的SVM識別模型的識別精度及識別時間進行測試，結(jié)果表明：SVM識別模型能夠較好地完成對玉米種粒破損的識別。