摘要：谷物自動(dòng)檢測(cè)的基本思路是利用數(shù)字圖像處理技術(shù)和模式識(shí)別技術(shù)，首先對(duì)獲取的谷物子粒圖像進(jìn)行預(yù)處理，其次提取谷物子粒圖像的特征，然后對(duì)提取的特征進(jìn)行分析和處理之后送入分類器中識(shí)別。以圖像處理、圖像分析、圖像識(shí)別這3個(gè)步驟為主線綜述在谷物自動(dòng)檢測(cè)中機(jī)器視覺相關(guān)技術(shù)的應(yīng)用進(jìn)展，并說(shuō)明了各種方法的適用范圍。

關(guān)鍵詞：機(jī)器視覺；谷物；自動(dòng)檢測(cè)；進(jìn)展

中圖分類號(hào)：TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439—8114(2009)06—1514—05

谷物檢測(cè)的任務(wù)主要有兩大類，一是品種識(shí)別與分類，二是品質(zhì)檢測(cè)與分級(jí)。由于谷物子粒大部分具有數(shù)量大、體積小、許多特征肉眼難以發(fā)現(xiàn)等特點(diǎn)，因此基于人工的檢測(cè)方法操作繁瑣、工作量大、速度慢、主觀性強(qiáng)、誤差相當(dāng)大。用計(jì)算機(jī)代替人來(lái)檢測(cè)谷物子粒是解決這一問(wèn)題的有效辦法。幾十年來(lái)，許多科研工作者研究機(jī)器視覺技術(shù)在谷物檢測(cè)領(lǐng)域的應(yīng)用，已取得了顯著的成果。機(jī)器視覺檢測(cè)方法是一種檢測(cè)速度快、鑒別能力強(qiáng)、重復(fù)性高、可大批量檢測(cè)的新方法、而且還具有成本低、樣品無(wú)損等生化鑒定所沒(méi)有的優(yōu)勢(shì)。谷物自動(dòng)檢測(cè)的研究就是利用數(shù)字圖像處理技術(shù)和模式識(shí)別技術(shù)，對(duì)獲取的谷物子粒圖像進(jìn)行預(yù)處理后。再提取谷物子粒圖像的特征，然后對(duì)提取的特征進(jìn)行分析和處理之后送入分類器中識(shí)別，即建立一種無(wú)需人工干涉的谷物自動(dòng)檢測(cè)系統(tǒng)。本文從圖像處理、圖像分析、圖像識(shí)別這幾個(gè)方面概述在谷物自動(dòng)檢測(cè)領(lǐng)域中機(jī)器視覺技術(shù)的應(yīng)用進(jìn)展。

1 圖像處理

圖像處理工作分兩步：第一。圖像預(yù)處理，即對(duì)獲取的圖像進(jìn)行去噪、銳化與增強(qiáng)；第二，圖像分割，將目標(biāo)從背景中分離出來(lái)為下一步的特征提取作準(zhǔn)備。在實(shí)際應(yīng)用中，采集到的谷物圖像常會(huì)出現(xiàn)子粒聚堆或粘連的現(xiàn)象，如果不能把這種粘連的子粒分離開，將嚴(yán)重影響子粒識(shí)別的后續(xù)工作。所以谷物圖像分割時(shí)不僅涉及到背景與谷物子粒的分割，還涉及到連接子粒間的分割。

對(duì)粘連分割的問(wèn)題已有很多學(xué)者做過(guò)研究，1995年，Shatadal等利用極限腐蝕和條件膨脹相結(jié)合的方法，對(duì)5種小麥圖像進(jìn)行了分割試驗(yàn)，分割準(zhǔn)確率分別為95％、95％、94％、79％和89％。但部分子粒區(qū)域的分割邊界不理想。于是，1997年，Shatadal等則改用等效橢圓匹配的方法進(jìn)行分割，效果較好，2001年，Visen等利用區(qū)域等效橢圓、子粒邊界的曲率和最小鄰域相結(jié)合的算法分割子粒，對(duì)于2?；?粒子粒相連情況，分割效果較好，達(dá)到99％。不過(guò)，這些方法都只適用于少數(shù)粘連子粒的情況，一般是2～3粒，不適用于大量子粒粘連的情況。凌云等針對(duì)大量粘連谷物子粒圖像的分割問(wèn)題，分別采用改進(jìn)后的基于形態(tài)學(xué)的腐蝕、膨脹算法和基于先驗(yàn)知識(shí)的流域分割算法。相對(duì)誤差小于2％。

對(duì)子粒與背景的分割，一般采用常規(guī)的方法，比如灰度閾值法、邊緣檢測(cè)法、數(shù)學(xué)形態(tài)學(xué)方法?；叶乳撝捣ū容^簡(jiǎn)單，但抗噪能力差；邊緣檢測(cè)法大多數(shù)是基于方向?qū)?shù)掩模求卷積的方法，它不僅具有位移不變性，還具有各向同性：數(shù)學(xué)形態(tài)學(xué)方法一般用于消除谷物子粒區(qū)域中的孔洞。

2 圖像分析

圖像分析的任務(wù)是提取出有利于圖像識(shí)別和理解的主要特征量，用有限的特征來(lái)描述待檢測(cè)或分類對(duì)象，從而構(gòu)造出表征對(duì)象本質(zhì)的度量。常用的圖像特征可分為顏色特征、紋理特征和形狀特征。這些特征的選擇非常重要，它們將直接影響到圖像識(shí)別分類器的設(shè)計(jì)、性能及其識(shí)別結(jié)果的準(zhǔn)確性。特征參數(shù)的選擇通常與研究對(duì)象、研究目的密切相關(guān)。

2.1 顏色特征

谷物的外觀品質(zhì)與顏色密切相關(guān)，由于病蟲害或儲(chǔ)藏不當(dāng)?shù)仍?，常引起谷物固有顏色的變化。因此，在?duì)谷物的外觀品質(zhì)(稻米堊白度、黃粒米、色澤)進(jìn)行檢測(cè)時(shí)，主要選擇顏色特征。研究人員通常用RGB模型與HIS模型中的某些統(tǒng)計(jì)量來(lái)表示顏色特征，比如顏色矩、均值、方差、偏度、峰值、能量和熵。也有研究人員用試驗(yàn)證明RGB、HSV 6個(gè)顏色特征與雜交水稻種子品種的相關(guān)性，為雜交水稻種子的自動(dòng)識(shí)別方法提供了參考。

2.2 形狀特征

有研究表明，農(nóng)產(chǎn)品的結(jié)構(gòu)、組成與其粒形有密切的關(guān)系。稻米粒長(zhǎng)與蛋白質(zhì)含量、賴氨酸、粒寬及長(zhǎng)寬比與膠稠度等性狀間的表現(xiàn)協(xié)方差和遺傳協(xié)方差已達(dá)到顯著或極顯著水平。因此谷物的形狀特征也是進(jìn)行符物檢測(cè)分級(jí)的重要參數(shù)之一。

形狀特征參數(shù)的選取沒(méi)有統(tǒng)一的規(guī)定，只要能充分反映物體的形狀，或者能有效區(qū)分物體之間的形狀差異，并且能方便、快速獲取的參數(shù)都可作為形狀特征參數(shù)。谷物一般為不規(guī)則的橢圓，研究人員所選取的形狀特征參數(shù)一般為：長(zhǎng)、寬、長(zhǎng)寬比、周長(zhǎng)、面積、圓形度、內(nèi)切圓半徑、中心點(diǎn)、尖端位置、直徑、緊密度和延伸度。這些參數(shù)的計(jì)算都是建立在對(duì)圖像進(jìn)行輪廓提取的基礎(chǔ)之上的，因此參數(shù)的精度取決于輪廓提取算法的好壞。

成芳等使用sobel算子進(jìn)行邊緣搜索，形成稻種區(qū)域最小外接凸多邊形，然后基于像素點(diǎn)數(shù)計(jì)算各類稻種的長(zhǎng)、寬、長(zhǎng)寬比、面積，因稻種在視場(chǎng)中的位置任意。在計(jì)算粒長(zhǎng)、緊密度前需先進(jìn)行區(qū)域標(biāo)記、旋轉(zhuǎn)等預(yù)處理，使具有與稻種區(qū)域相同二次矩的橢圓長(zhǎng)軸位于圖像水平方向。劉光蓉等用八鄰域法提取大米的輪廓。黃星奕等在形狀特征提取中，采用Freeman鏈碼方法對(duì)每個(gè)種子區(qū)域提取輪廓曲線進(jìn)行標(biāo)記計(jì)數(shù)，分別測(cè)量出面積、周長(zhǎng)、長(zhǎng)度、寬度等形狀特征。取其平均值作為這類品種的特征。張聰?shù)扔脵E圓匹配稻米顆粒的方法來(lái)定位與提取米粒的輪廓線，再用數(shù)學(xué)形態(tài)學(xué)的方法對(duì)提取的輪廓外形參數(shù)進(jìn)行研究以實(shí)現(xiàn)稻米粒形的模式識(shí)別。

在采集谷物子粒圖像的時(shí)候，由于子粒的放置是隨機(jī)的，圖像中子粒擺置方向也是隨機(jī)的。所以，檢測(cè)算法要具有旋轉(zhuǎn)不變性，是谷物自動(dòng)識(shí)別時(shí)面臨的主要問(wèn)題之一。目前研究人員采用的方法有極坐標(biāo)法與基于Zernike矩法。凌云針對(duì)直角坐標(biāo)系下圖像處理算法的局限性，研究了極坐標(biāo)系下的圖像處理算法，首次提出了3種基于極坐標(biāo)系的區(qū)域處理算法：長(zhǎng)短軸快速檢測(cè)算法、圖像非均勻采樣算法和特定區(qū)域處理算法。管庶安等根據(jù)米粒形狀的特征，運(yùn)用極坐標(biāo)下的Zernike矩描述目標(biāo)邊緣的形狀。Zernike矩具有旋轉(zhuǎn)不變性，抗噪能力強(qiáng)，且具有較多的高階矩用于描述目標(biāo)的細(xì)節(jié)：Zernike矩的另一特點(diǎn)是與平面目標(biāo)的觀察面無(wú)關(guān)，即米粒在圖像中擺放的正反面不影響矩值。因此，用它描述米粒的邊緣形狀是很合適的。不過(guò)Zernike矩不具備尺度不變性，用于米粒識(shí)別時(shí)應(yīng)先對(duì)目標(biāo)區(qū)域的大小歸一化。另外，Zernike矩對(duì)位于單位圓區(qū)域邊沿的目標(biāo)形狀很敏感。因此，應(yīng)將目標(biāo)區(qū)域縮小到p≤0.9的圓形區(qū)域中，以避開敏感區(qū)。

小波變換同時(shí)在時(shí)域和頻域中有較好的局域化特性，能將時(shí)域統(tǒng)一于一體來(lái)研究信號(hào)，因而成為目前最新的一種時(shí)域分析工具。它被廣泛應(yīng)用于圖像處理領(lǐng)域。目前，在谷物自動(dòng)檢測(cè)領(lǐng)域的應(yīng)用還很有限，管庶安等為使檢測(cè)到的實(shí)際尺寸真實(shí)可信，并且與拍攝距離基本無(wú)關(guān)，提出一種基于圖像分析的大米實(shí)際尺度檢測(cè)實(shí)用方法，即在實(shí)物旁邊放置直尺，用小波變換提取刻度，從而求出兩像素點(diǎn)間的實(shí)際距離。張聰?shù)扔眯〔ㄗ儞Q提取奇異點(diǎn)及特征參數(shù)。Choudhary等從不同品種的小麥、大麥、燕麥圖像中提取了135個(gè)小波特征。

2.3 紋理特征

谷物在生長(zhǎng)過(guò)程中是受到遺傳和環(huán)境因素共同影響的，在其表面具備獨(dú)特的紋理。比如稻谷的內(nèi)外穎都具有縱向脈紋，外穎有5條，內(nèi)穎有3條。在圖像處理時(shí)，紋理特征用的是圖像中相鄰像素的灰度或顏色的空間相關(guān)性來(lái)描述的，用于紋理特征提取的紋理特征有：傅立葉變換能量、局部極值、共生矩陣、方向性灰度級(jí)能量、方向?yàn)V波掩模(如Ga-bor濾波器)和分形維數(shù)等。

Majumdar等用灰度共生矩陣與灰度行程矩陣來(lái)描述谷物子粒的紋理特征，紋理特征通常與顏色、形狀特征一起組成識(shí)別模型。2000年，Majum-dar等研究了不同小麥品種的識(shí)別技術(shù)，分別基于23種形態(tài)參數(shù)、18種彩色參數(shù)和25種紋理參數(shù)。張弓等為分析識(shí)別谷物的紋理特征建立了綜合紋理識(shí)別模型。模型包括兩部分：一部分是用灰度共生矩陣提取相關(guān)紋理特征。包括紋理方向、粗糙度、對(duì)比度、同異度，另一部分是用多分形模型提取紋理特征，這部分特征與紋理結(jié)構(gòu)相關(guān)。

分形是20世紀(jì)80年代由Mandebrot提出的，它是研究不規(guī)則幾何圖形的有力工具。分形的最大特點(diǎn)是形狀的處處不規(guī)則，但在不同的尺度上看，這種不規(guī)則又是相同的，即局部和整體具有相似的特性，又稱為自相似性或仿射性。任憲忠等采用適合離散函數(shù)的網(wǎng)格法研究小麥子粒的長(zhǎng)度，寬度、厚度、單粒質(zhì)量等參數(shù)間的分形特性。通過(guò)對(duì)4種小麥子粒各參數(shù)間分形維數(shù)的對(duì)比分析，探索利用分形維數(shù)進(jìn)行品種間小麥子粒識(shí)別的可能性。凌云等提出了一種基于分形維數(shù)的堊白米檢測(cè)算法，分形維數(shù)包含了大米堊白區(qū)域的累計(jì)和空間分布特征，識(shí)別效果好于基于堊白大小的檢測(cè)算法。

3 圖像識(shí)別

圖像識(shí)別的核心部分是圖像識(shí)別分類器，它的作用主要是根據(jù)模式識(shí)別中的各種技術(shù)，例如基于閾值的識(shí)別，統(tǒng)計(jì)模式識(shí)別、模糊模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別等，對(duì)輸入的圖像的特征參量進(jìn)行一定的運(yùn)算后，判斷輸出的圖像是哪一類圖像?；陂撝档淖R(shí)別方法是最簡(jiǎn)單的一種，在谷物的外觀品質(zhì)檢測(cè)和谷物品種間某些特征相差較大時(shí)通常用這種方法。

3.1 統(tǒng)計(jì)模式識(shí)別

統(tǒng)計(jì)模式識(shí)別是最經(jīng)典的識(shí)別方法，一般需要分析大量樣本的統(tǒng)計(jì)規(guī)律才能得到較好的檢測(cè)效果。統(tǒng)計(jì)分類有判別函數(shù)法和貝葉斯分類法。黃星奕等把圖像的顏色特征和形狀特征結(jié)合起來(lái)通過(guò)貝葉斯決策方法建立稻谷品種識(shí)別分類器。Choudhary等從不同品種的小麥、大麥、燕麥圖像中提取了135個(gè)小波特征、93個(gè)顏色、51個(gè)形態(tài)、56個(gè)紋理特征結(jié)合構(gòu)成特征量。利用二次線性判別函數(shù)進(jìn)行分類。

3.2 模糊模式識(shí)別

在通常的模式識(shí)別中，模式是明確的、清晰的。由于客觀事物本身具有的模糊性或當(dāng)人們對(duì)客觀事物反映時(shí)所產(chǎn)生的模糊性的大量存在，模式本身就不明確，這樣的模式就要用模糊集來(lái)表示，所以就有了模糊模式識(shí)別。模糊模式識(shí)別大致有兩種方法：一種是直接方法，按“最大隸屬度原則”歸類，主要應(yīng)用于個(gè)體的識(shí)別：另一種是間接方法，按“擇近原則”歸類，一般應(yīng)用于群體模型的識(shí)別。Urena等用基于模糊邏輯的分類器識(shí)別種子的活力。喻擎蒼等在對(duì)稻種輪廓線大量試驗(yàn)分析的基礎(chǔ)上，確定了以輪廓線中心到輪廓線距離最大的線段為參考，12個(gè)方向上的線段長(zhǎng)度和輪廓線長(zhǎng)度組成特征向量，根據(jù)最大隸屬度原則，實(shí)現(xiàn)稻種的模糊模式識(shí)別。陳永艷等提取玉米的長(zhǎng)度、寬度、面積、周長(zhǎng)、形狀因子、長(zhǎng)寬比、圓形度、矩形度這8個(gè)特征參數(shù)，采用擇近原則進(jìn)行分類。管庶安等分別計(jì)算每種稻米樣品的各階Zernike矩，再取各自的平均值作為該種樣品的樣板參數(shù)，并根據(jù)最大隸屬度原則進(jìn)行分類。

3.3 人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別

由于農(nóng)產(chǎn)品的分類指標(biāo)包括形狀、色澤、大小、表面缺陷、體積等許多生物指標(biāo)，而涉及這方面的知識(shí)都是非結(jié)構(gòu)化的，所以很難用常規(guī)方法來(lái)描述。人工神經(jīng)網(wǎng)絡(luò)獨(dú)特的結(jié)構(gòu)和處理信息的方法以及它本身所具有的良好的抗噪容錯(cuò)能力和魯棒性、靈活性，使其非常適合于解決農(nóng)產(chǎn)品質(zhì)量分級(jí)問(wèn)題。因此，很多研究人員對(duì)人工神經(jīng)網(wǎng)絡(luò)在谷物檢測(cè)中的應(yīng)用做了大量的研究，比如用于谷物品種的識(shí)別，稻種芽谷的檢測(cè)、破損的玉米粒的識(shí)別，硬質(zhì)、非硬質(zhì)和部分硬質(zhì)小麥的檢測(cè)等。1997年，Luo等研究了完整小麥和破損小麥的檢測(cè)技術(shù)，分別采用基于統(tǒng)計(jì)分類器的K-最近鄰法和基于BP網(wǎng)絡(luò)分類器的檢測(cè)方法。試驗(yàn)結(jié)果表明，基于BP網(wǎng)絡(luò)分類器的識(shí)別準(zhǔn)確率高于基于統(tǒng)計(jì)分類器的方法。

目前應(yīng)用于農(nóng)產(chǎn)品分類的神經(jīng)網(wǎng)絡(luò)多數(shù)采用經(jīng)典的靜態(tài)神經(jīng)網(wǎng)絡(luò)模型，如BP網(wǎng)等。這種網(wǎng)絡(luò)存在著訓(xùn)練時(shí)間過(guò)長(zhǎng)、容易陷入局部極小點(diǎn)等缺點(diǎn)。因此，在應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類時(shí)，為了加快網(wǎng)絡(luò)訓(xùn)練的速度通常采用一定的優(yōu)化算法進(jìn)行優(yōu)化，如黃星奕等在稻米堊白度檢測(cè)中利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)。高艷霞等在利用神經(jīng)網(wǎng)絡(luò)對(duì)大豆分類時(shí)，采用粒子群算法優(yōu)化BP網(wǎng)絡(luò)參數(shù)。粒子群同遺傳算法類似，是一種基于迭代的優(yōu)化工具。其主要的優(yōu)勢(shì)體現(xiàn)在：粒子的收斂性強(qiáng)，算法易于實(shí)現(xiàn)：不需要目標(biāo)函數(shù)的梯度等方面信息，并且沒(méi)有許多參數(shù)需要調(diào)整。Marini等分別用多層前饋網(wǎng)絡(luò)與對(duì)向傳播網(wǎng)絡(luò)作為分類器對(duì)6種小麥進(jìn)行識(shí)別，試驗(yàn)結(jié)果表明對(duì)向傳播網(wǎng)絡(luò)的識(shí)別率較好。

3.4 支持向量機(jī)

閾值法僅適用于樣本呈區(qū)間分布，且閾值的設(shè)定主觀性較強(qiáng)，不適宜多維樣本的分類。傳統(tǒng)統(tǒng)計(jì)學(xué)方法基于訓(xùn)練樣本趨于無(wú)窮大的理論：模糊數(shù)學(xué)最大隸屬度的建立主要依靠經(jīng)驗(yàn)，理論依據(jù)不足；神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)泛化能力不足，并且網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)不易確定。相比之下，支持向量機(jī)(Support Vector Machine，SVM)是一種新的模式識(shí)別方法，它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，兼顧訓(xùn)練誤差和泛化能力，在解決小樣本、非線性、高維數(shù)、局部最小值等模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)。Karimi等利用支持向量機(jī)技術(shù)進(jìn)行玉米品種的識(shí)別。王宏勇等提出了一種基于遺傳算法和支持向量機(jī)的玉米種子的圖像特征選擇和分類識(shí)別的新方法。該方法首先用遺傳算法對(duì)采集到的玉米種子圖像的特征進(jìn)行優(yōu)化，而后采用決策二叉樹的支持向量機(jī)分類算法對(duì)玉米品種進(jìn)行識(shí)別。該分類算法將分類器分布在各個(gè)結(jié)點(diǎn)上，構(gòu)成多類支持向量機(jī)，減少了分類器的數(shù)量和重復(fù)訓(xùn)練樣本的數(shù)量。試驗(yàn)結(jié)果表明該方法能選出適合于識(shí)別的玉米種子特征并能對(duì)玉米種子進(jìn)行正確地識(shí)別。

4 展望

通過(guò)對(duì)國(guó)內(nèi)外研究現(xiàn)狀的分析，筆者認(rèn)為在谷物自動(dòng)檢測(cè)領(lǐng)域，目前研究人員的主要任務(wù)有5個(gè)方面：一是跟蹤機(jī)器視覺領(lǐng)域的最新技術(shù)，及時(shí)將它們應(yīng)用到谷物檢測(cè)領(lǐng)域中：二是提高算法的泛化能力與系統(tǒng)的適應(yīng)性，使其適合不同品種谷物的檢測(cè)：三是研究能夠進(jìn)行動(dòng)態(tài)特征的提取和識(shí)別的算法，實(shí)現(xiàn)在線檢測(cè)；四是提高檢測(cè)算法速度和精度，使之符合同際標(biāo)準(zhǔn)：五是研究新的智能、并行模式識(shí)別方法。

(責(zé)任編輯 昌炎新)