基于计算机视觉的花生品质分级检测研究

中国农业科学2010,43(18):3882-3891ScientiaAgriculturaSinicadoi:10.3864/j.issn.0578-1752.2010.18.025收稿日期：2010-02-10；接受日期：2010-05-04基金项目：山东省自然科学基金（2009ZRA02123）、山东省科技攻关项目（2009GG10009057）、青岛市科技发展计划（08-2-1-15-nsh）作者简介：韩仲志，讲师。E-mail：[e-mail]。通信作者赵友刚，高级工程师，博士。Tel：[phone]；E-mail：[e-mail]基于计算机视觉的花生品质分级检测研究韩仲志，赵友刚（青岛农业大学理学与信息学院，山东青岛266109）摘要：【目的】建立能够对花生进行品质分级的计算机视觉无损检测方法。【方法】同步拍摄和扫描11类品质，每类品质100颗和100宗，每宗100颗不同等级的花生籽粒的正反面图像；参照国家标准量化花生品质籽粒的11个限制性检测项目，设计花生规格和品质等级的判别方法；测量每个籽粒的形态、纹理、颜色共3大类54个外观特征，采用主分量分析（PCA）进行特征优化，构建并比较BP神经网络（ANN）和支持向量机（SVM）品质检测模型；分别应用Matlab和Spss工具软件实现检测过程和对结果进行统计分析。【结果】前16个主分量的SVM模型，能够鉴别95%以上的不完善粒、霉变、杂质、异品种等不同品质的籽粒，与人工检测结果吻合度达到了93%，对100宗待检样品进行检测，规格和等级检测完全正确率达到了92%。【结论】研究结果为花生的品质分级检测提供了比较系统全面的量化标准和检测方法，该方法可推广应用于花生品质鉴别、分级筛选加工和商品分级定价等领域。关键词：花生仁；计算机视觉；品质分级；无损检测QualityGradeDetectioninPeanutUsingComputerVisionHANZhong-zhi,ZHAOYou-gang(DepartmentofScienceandInformation,QingdaoAgriculturalUniversity,Qingdao266109,Shandong)Abstract:【Objective】Theobjectiveofthisstudyistoestablishakindofqualitynondestructivetestingmethod,whichcanbeusedforgradingpeanutquality,basedoncomputervision.【Method】Digitalcolorimageofpeanutsweretakenandscannedfrom2sidefaceseachof100kernelseachof11differentkindsofqualityandof100kernelseachof100groups.ReferringtonationalstandardsofChina,11restrictiveitemsofpeanutskernelsofdifferentkindsofqualityhavebeendevisedandquantized.Alsothedistinguishablemethodsofsizeandgradesofpeanutshavebeendevised.Fifty-fourappearancecharactersbelongingto3categoriesofshape,colorandtexturehadbeenmeasured.AndthenthecharacterswereoptimizedbasedonPCA.ANNandSVMqualitytestingmodelswerebuiltandcompared.UsingMATLABandSPSS,theresultswereanalyzed.【Result】TheSVMmodelbasedonthefirst16PCscoulddetectat95%accuracydifferentqualitiesofunsound/mildew/impurity/differentpeanutvarieties.Alsotheseresultsfittedat93%accuracyclosetothatoftestedbymanual.Bytesting100groupsofpeanuts,thecorrectrateofsizeandgradewas92%.【Conclusion】Theresultofthisstudyhasprovidedanewmethodwhichcanbeusedinpeanutqualitytestingandgradetesting,andthismethodisgoodandstable.Thismethodcanbegeneralizedandusedinpeanutstestingofdifferentqualities,gradescreening,processing,andcommoditygradingandpricing.Keywords:peanutkernel;computervision;qualitygrades;nondestructivedetection0引言【研究意义】花生，学名落花生，又称长生果，是中国重要的经济作物，具有很高的营养价值。花生的品质直接影响着生产、加工、消费、贸易各个环节。近年来中国的花生产量占世界的40%以上，居世界第一，然而出口交易量却不到国内总产量的3%，而且价格比国际市场平均价格普遍低2成。究其原因是中国花生的品质分选分级标准不严格，品质检测手段的落后。目前对花生品质的检测，多采用手工检测[1]或18期韩仲志等：基于计算机视觉的花生品质分级检测研究3883者是生化检测[2]的方法，这些传统方法工作量大、易疲劳，要求工作人员具有较丰富的经验，测定人工成本较高，周期长。随着花生深加工和外贸的发展，系统研究快速准确客观的花生品质等级鉴定检测方法，已成为一个亟待解决的问题。【前人研究进展】基于计算机视觉的品质检测方法是一种速度快、鉴别力强、重复性高、可大批量检测、低成本无疲劳的无损检测新方法。该方法在玉米科学上就玉米品种的识别[3]和玉米识别中的关键特征[4]的检测做了相关的研究，发现此方法能够区分较大数目的玉米品种，并能提取和量化人工较难测量的关键特征；在水稻[5]和小麦[6]上也表现出优越的性能，能够区分其不同的品种和品质。然而在花生品质检测方面的报道较少，熊利荣等和陈红等在花生的大小[7]、霉变[8]等花生的单一品质检测方面，收到了较好的效果。韩仲志等综合颜色形态等特征对较大样本花生籽粒进行了品质和品种的相关研究[9-12]，效果显著。【本研究切入点】上述对花生品质检测的项目少，检测样本容量小，选择特征少[7-8]，结论缺乏普适性；农产品籽粒的品质检测项目和标准由人工定性给出（如通过观察和品尝方法[1]），客观可操作性差，且在检测项目的选择上均没有考虑到国标数据的限定性要求[7-12]；受研究目标等方面的限制，检测算法选择上仍有待优化。【拟解决的关键问题】本研究拟基于计算机视觉的方法，构建一套适合于花生外观品质分级的综合品质量化体系，并构建完整的花生品质图像检测程序和方法。主要目标有：（1）充分考虑国标和行业标准[13-15]对花生品质检测的限项要求及等级划分标准，结合农业专家知识，给出实用的检测项目目录和等级决策量化标准；（2）通过构建双目视觉系统，信息无遗漏的采集一定规模的样本集合，建立较大的特征集，并进行特征集优化；（3）建立人工神经网络（ANN）和支持向量机（SVM）识别模型，一次性检测所有项目，并对检测效果进行分析评价。1材料与方法1.1供试材料与图像采集1.1.1供试材料选取2008年山东莒南农户种植收获后未经人工挑选的原始花生一批，主要品种为鲁花37号（简称花37），属大粒花生，其中包含不同品质籽粒作为研究对象。按照试验要求对花生进行人工筛选和分组：分组1：挑选11种品质籽粒，每类100粒。11类品质籽粒分别为：正常粒、不完善粒（虫蚀粒、生芽粒、破损粒、不熟粒、整半粒花生仁、带壳小果）、霉变粒、杂质（土块、石块）、异品种。分组2：随机抽选100宗花生，每宗包括1000粒左右，且包括了分组1所指明的各类品质籽粒。分组3：人工选取100宗不同规格和等级的花生样本，这100宗花生，为人工按照国家标准得到。1.1.2图像采集对分组花生进行图像采集，图像采集系统如图1，由照相机和扫描仪同时获得花生的正反两幅图像。为避免自然光源不稳定性的影响，将采集过程置于封闭灯箱内，箱内壁加黑色吸光布，尽量避免获取图像过程中出现的反光现象。将不同品质的花生均匀平放扫描仪上，拍摄和扫描完成后，通过USB传输线将这些图像存储到计算机上，以备后续处理。通过上述图像采集系统采集的部分图像如图2。图1图像采集系统图Fig.1Imagecollectingsystem图2采集的部分不同品质的花生图像Fig.2Somepeanutimageofdifferentqualities试验使用设备性能如下：相机为奥林巴斯单反相机OlympusE300（1728*2304像素）微距模式；扫描仪为佳能CanoScan8800F平板CCD扫描仪600dpi分辨率；计算机为联想ThinkPadSL300，配置Intel(R)3884中国农业科学43卷Core(TM)2DuoCPUP8600@2.40GHz，2G内存，320G硬盘，WinowsVista（G）操作系统。1.1.3图像预处理与特征提取图像的预处理包括图像的增强、去噪、中值滤波、边缘检测、形态学操作和图像的色彩空间转换等常规的预处理方法[3,16-17]。限于篇幅不再一一列出。提取的外观特征共分3大类54个特征，其中反映颜色的特征24个，分别为RGB与HSV色彩空间的R、G、B、H、S和V分量的均值、方差、偏度和峰度；反映形态的包括大小类和形状类，反映大小的有7个，分别为长度、宽度、长轴长、短轴长、周长、等面圆直径、侧投影面积等，反映形状的有8个，分别为矩形度、椭圆度、凹凸比、圆形度、短/长轴长比、紧凑度、相对质心的纵坐标与横坐标等；反映纹理特征的有15个，包括反映种子图像灰度值次数分布特点的7个统计不变矩，及灰度图像均值、方差、平滑度、三阶矩、一致性、熵等8个，其中颜色特征、形态特征和纹理特征分别从彩色图像、二值化图像和纹理图像获取。对这些特征的定义参见相关文献[16-17]。图像预处理和特征提取过程均基于MatlabR2008a软件编程实现。1.2国标量化要求中国旧版[13]和新版[14]的国标以及地方行业标准[15]对不同等级花生的大小规格（表1）、纯质率等级做了明确的规定（表2），另外还对其提出了限制性要求（表3），然而国际贸易中对花生品质的规定更为严格[18]，规定不得检出玻璃、石块等恶性杂质以及霉变粒。可见中国的国家标准规定尚不够严格。表2中纯质率是指净花生仁质量（其中不完善粒折半计算）占试样的质量分数。不完善粒是指受到损伤但尚有使用价值的花生颗粒，包括了虫蚀粒、病斑粒、生芽粒、破碎粒、未熟粒、整半粒花生仁及其它损伤等检测项目，在国标中也没有对带壳的小果（还没有脱壳完全的带壳的小花生果）进行限制，鉴于其尚有使用价值，可将其归为不完善粒范畴。在上述相关标准中对相应的限制性项目的意义进行了说明。表1花生籽粒规格与重量、像素面积之间的关系Table1Relationshipamongsizestandards,pixelareaandweight大小规格Size粒数/盎司No./Ounce克/粒Gram/Grain像素面积Pixelarea24/2823.51—27.50.829—0.9702704—315428/3227.51—31.50.97