韓仲志 趙友剛

(青島農(nóng)業(yè)大學(xué)理學(xué)與信息科學(xué)學(xué)院，青島 266109)

花生外觀品質(zhì)品種圖像分析與系統(tǒng)仿真

韓仲志 趙友剛

(青島農(nóng)業(yè)大學(xué)理學(xué)與信息科學(xué)學(xué)院，青島 266109)

針對目前花生外觀品質(zhì)檢測的局限性，提出采用圖像處理的方法進(jìn)行的花生外觀品質(zhì)的檢測，并基于Matlab的圖形用戶界面(GUI)環(huán)境建立仿真平臺，平臺集成了ANN、SVM等模式識別新方法和相應(yīng)的經(jīng)典圖像處理算法，并給出了在該平臺上的仿真實(shí)例，針對10個品種、14種品質(zhì)的單籽粒圖片共4 800副，檢測了形態(tài)、顏色和紋理3大類共33個特征，采用了基于ANN和SVM識別模型對花生的商業(yè)規(guī)格、品種和品質(zhì)進(jìn)行了檢測，總體檢測正確率達(dá)到了97%以上，該平臺具有良好的交互性、擴(kuò)展性、可視性和實(shí)用性，對花生外觀品質(zhì)評價結(jié)果客觀量化、快速無損。該平臺在花生的生產(chǎn)、流通、貿(mào)易領(lǐng)域具有一定的實(shí)用性。

花生 品質(zhì)檢測分析 圖像處理 人工神經(jīng)網(wǎng)絡(luò) 仿真平臺

花生品質(zhì)的好壞直接影響著生產(chǎn)、加工、消費(fèi)、外貿(mào)各個方面。我國花生年產(chǎn)量占世界的40%，世界第一，但出口量只占世界貿(mào)易的5%，同時貿(mào)易價格比國際平均價格低2成。究其原因是我國花生的品質(zhì)不高和花生品質(zhì)檢測手段的落后，這兩個方面已是制約我國花生產(chǎn)業(yè)發(fā)展的瓶頸。此外花生的大小規(guī)格和花生的品種在一定程度上影響著花生外貿(mào)的價格，花生的品種還影響花生種子貿(mào)易的發(fā)展。

目前我國對花生仁的外觀感官品質(zhì)品種的檢測，多在手工層面及生化鑒定方面進(jìn)行，手工檢測工作量大、易疲勞、要求工作人員應(yīng)具有較豐富的檢測經(jīng)驗(yàn);生化鑒定方法需要價格昂貴的檢測設(shè)備、精致復(fù)雜的實(shí)驗(yàn)技術(shù)、測定人工成本較高。隨著深加工和花生外貿(mào)的要求，如何快速準(zhǔn)確的對花生感官品質(zhì)進(jìn)行鑒定，已成為一個亟待解決的問題。

基于種子圖像處理的機(jī)器視覺檢測方法是一種無損、速度快、鑒別力強(qiáng)、重復(fù)性高、可大批量檢測、低成本無疲勞的檢測新方法。該方法用于種子品種品質(zhì)鑒定，在玉米［1－3］、水稻［4］、小麥［5］和扁豆［6］上都獲得了良好的效果。但花生檢測方面的報道較少，作者曾嘗將該方法用于花生品種和品質(zhì)的統(tǒng)計檢驗(yàn)，在兩項(xiàng)省基金的支持下進(jìn)行了一系列的研究工作，取得了較好的效果［7－10］。但是基于計算機(jī)視覺的花生品質(zhì)檢測方法還存在著如下不足:(1)算法泛化能力差、魯棒性不高、沒有比較不同算法的優(yōu)勢;(2)系統(tǒng)集成程度差，可擴(kuò)展性不強(qiáng)，系統(tǒng)交互性差;(3)沒有建立花生品質(zhì)與市場貿(mào)易的基本聯(lián)系，商用性能不高。

本研究擬通過圖像處理和計算機(jī)視覺的方法，針對以上不足構(gòu)建一個基于Matlab的花生品質(zhì)集成檢測平臺，主要目標(biāo)有:(1)構(gòu)建一定規(guī)模的模式識別樣本庫，采集多個品種、多種品質(zhì)情況下單個和群體花生籽粒圖像;(2)對外觀形態(tài)特征、顏色特征和紋理特征等進(jìn)行智能檢測與分析，可對多個特征進(jìn)行特征優(yōu)化以提高檢測效率和算法的泛化能力;(3)建立花生品質(zhì)檢測算法集成平臺;利用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等分類算法進(jìn)行品種識別，提高平臺的可擴(kuò)展性;(4)建立系統(tǒng)檢測結(jié)果和商業(yè)形狀之間的客觀聯(lián)系，增強(qiáng)軟件的商業(yè)通用性。最后擬在建立的平臺上進(jìn)行仿真試驗(yàn)。

1 檢測仿真平臺設(shè)計

總體設(shè)計往往是系統(tǒng)設(shè)計的核心。系統(tǒng)設(shè)計的初衷、目的和總體構(gòu)架等應(yīng)得到通盤考慮。這將有利于設(shè)計出高效實(shí)用的仿真平臺。

1.1 系統(tǒng)設(shè)計分析

目前在Matlab中具有圖像處理、神經(jīng)網(wǎng)絡(luò)、模式識別以及統(tǒng)計工具箱，它提供了分析和設(shè)計品質(zhì)檢測系統(tǒng)的部分函數(shù)。然而在實(shí)際應(yīng)用中存在如下不足:(1)Matlab工具箱僅僅提供了基本函數(shù)，并未針對一類問題給出一整套設(shè)計方案，也未給出仿真結(jié)果分析;(2)一般Matlab程序以命令形式調(diào)用上述工具箱的函數(shù)，這種形式往往不像人機(jī)交互界面那樣直觀，也不易數(shù)據(jù)處理，而且給程序代碼的維護(hù)帶來了不少困難。

正因?yàn)檫@些困難與不足，有必要設(shè)計基于Matlab GUI的花生品質(zhì)檢測平臺，同時它還能夠:(1)提供良好的人機(jī)交互仿真環(huán)境，便于用戶在各種參數(shù)條件下的仿真實(shí)驗(yàn)。(2)提供一定的可擴(kuò)展性。通過給定接口，實(shí)現(xiàn)新算法(M文件或C文件)的動態(tài)加載。

基于圖像處理的花生品質(zhì)檢測仿真平臺之所以基于Matlab GUI進(jìn)行設(shè)計，是為了依托Matlab環(huán)境提供的基本科學(xué)計算，減少開發(fā)周期。通常而言，Visual Basic/C++，Java等面向?qū)ο蟮某绦蛘Z言是設(shè)計平臺很好的工具，這里之所以選擇Matlab是因?yàn)槠涮峁┝素S富的科學(xué)計算函數(shù)，比如圖像的類型轉(zhuǎn)換、邊緣檢測、區(qū)域特征提取等，以及用于識別的PCA算法、ANN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與識別和統(tǒng)計函數(shù)，另外并提供了大量的數(shù)學(xué)函數(shù)，這些函數(shù)零散的分布在圖像處理、神經(jīng)網(wǎng)絡(luò)、模式識別以及統(tǒng)計等多個工具箱內(nèi)，用到時直接調(diào)用，采用模塊化程序設(shè)計方法，只要知道輸入輸出參數(shù)接口，即使不詳細(xì)了解函數(shù)的內(nèi)部程序結(jié)構(gòu)也可以開發(fā)出成功的仿真系統(tǒng)。這些均是其他語言所無法媲美的。更為重要的是，Matlab GUI開發(fā)環(huán)境提供了創(chuàng)建用戶界面的捷徑。在這一環(huán)境中，可以方便地創(chuàng)建各種圖形句柄對象，實(shí)現(xiàn)仿真平臺的用戶界面。因此，在本仿真平臺的設(shè)計中，將通過模塊化思想有機(jī)地把Matlab提供的函數(shù)嵌入到自己編寫的算法中，形成整體的算法框架，進(jìn)而由主控模塊進(jìn)行參數(shù)傳遞和整體控制。不得不說明，基于Matlab開發(fā)出來的平臺運(yùn)算速度較慢，特別對于一些較大的圖像進(jìn)行循環(huán)操作的時候，但Matlab同時給出了一些和其他語言C++等的接口，將一些循環(huán)可以導(dǎo)到其他開發(fā)環(huán)境中運(yùn)算，再將運(yùn)算結(jié)果返回Matlab顯示，同時Matlab提供的編譯器可以直接將Matalb代碼轉(zhuǎn)換到C等其他語言的代碼，這樣在一定程度上改善了代碼的執(zhí)行效率，提高了編程效率。

1.2 系統(tǒng)框架設(shè)計

從軟件設(shè)計的角度出發(fā)，系統(tǒng)構(gòu)架始終在邏輯設(shè)計中處于核心地位。這里使用傳統(tǒng)的模塊化設(shè)計思想來劃分模塊。主要模塊為:文件模塊、圖像預(yù)處理模塊、特征分析模塊、缺陷分析模塊、品種識別模塊、顯示結(jié)果模塊和幫助模塊。

圖1 花生品質(zhì)檢測分析系統(tǒng)構(gòu)架

1.3 主要模塊介紹

【文件】模塊，打開載入要分析的花生圖像?！緢D像預(yù)處理】模塊可顯示花生的整個預(yù)處理過程:分別顯示“原始圖像”、“中值濾波圖像”、“灰度圖像”、“對比度增強(qiáng)圖像”、“自適應(yīng)閾值分割二值化圖像”、“開閉合運(yùn)算后圖像”、“背景分割后圖像”、“HSV圖像”和“邊緣檢測圖像”。【特征分析】模塊可獲取單個或群體花生得33個特征均值;包括形態(tài)特征8個，顏色特征12個。紋理特征13個，并對這些特征參量進(jìn)行統(tǒng)計分析?！酒焚|(zhì)檢測】模塊可以對花生的外觀品質(zhì)進(jìn)行分析;分析項(xiàng)目包括:有無破損，破損程度(嚴(yán)重/中度/輕度)，有無霉變及霉變的程度(嚴(yán)重/中度/輕度)，大小規(guī)格(4種規(guī)格)及其比率;被檢測數(shù)量積平均單果重、大小均勻性、破損比例和霉變比例?！酒贩N識別】模塊可以識別花生所屬的品種及所屬品種的個數(shù)與百分比，品種的異種率及品種純度?！撅@示結(jié)果】模塊可以顯示花生品質(zhì)、品種報表，報表內(nèi)容包括:品種、純度、平均單果重、規(guī)格、破損花生比、霉變花生比、大小均勻性、最后給出綜合等級和市場建議價格?！竞笈_管理】模塊可對相應(yīng)的檢測識別算法進(jìn)行擴(kuò)充和添加?！編椭磕K可顯示使用指南和版本信息。

1.4 仿真界面

本平臺的實(shí)現(xiàn)是在 Matlab的圖形用戶界面(GUI)設(shè)計環(huán)境下完成。利用Matlab的API函數(shù)與自定義模塊結(jié)合形成總體算法框架，以形成完整的仿真平臺。

在Matlab的Command Windows指令提示符“ ”后輸入:GUIpeanuts回車，可以看到歡迎界面。點(diǎn)擊“進(jìn)入”啟動“基于圖像處理的花生品質(zhì)檢測分析系統(tǒng)”。圖2是對群體花生進(jìn)行特征檢測的平臺界面，界面上列出了所檢測的群體花生的顏色、形態(tài)和紋理共33個特征，為進(jìn)一步品質(zhì)分析和品種識別打好基礎(chǔ)。篇幅所限其他界面不能一一列出。

圖2 花生品質(zhì)評價仿真界面舉例

2 仿真實(shí)例

2.1 模式識別樣本庫建立

選取2008年山東莒南農(nóng)戶種植收獲后未經(jīng)人工挑選的原始花生一宗，其中包含10個品種的訓(xùn)練組和對照組，每個品種各100粒，共200粒，10個品種共2 000粒;14種不同品質(zhì)籽粒，每種品質(zhì)包含訓(xùn)練組和對照組，每個品種各100粒，共200粒，14種品質(zhì)共2 800粒。

此樣本庫共獲得單個籽粒圖片4 800幅，考慮到了北方常規(guī)種植的10個品種和14種常規(guī)外觀品質(zhì)，模式識別樣本庫具有一定的規(guī)模。

品質(zhì)共14類包括:霉變(輕度、中度、重度)、破算(輕度、中度、重度)、籽粒規(guī)格(5個規(guī)格)、雜質(zhì)(土塊、石塊、帶殼小果)。

按固定次序與方向?qū)⒎N子擺放于掃描儀(佳能CanoScan 8800F平板式CCD掃描儀)面板上，為了使掃描背景為黑色，掃描儀蓋板完全打開進(jìn)行掃描，將圖片存在Matlab當(dāng)前目錄下，計算機(jī)主要性能指標(biāo)為:聯(lián)想四核 Intel(R)CPU Q1400@2.66 GHz 1.73 GHz，2 G內(nèi)存，Winows Vista操作系統(tǒng)。

圖3 圖像采集系統(tǒng)示意圖

2.2 特征采集與分析

采集10個品種(每個品種200個花生籽粒)和14種不同品質(zhì)(每種品質(zhì)200個籽粒)的4 800個籽粒特征。每個籽粒33個特征，這33個特征分別為:

形態(tài)類8個:面積、長軸與短軸長度、等面圓直徑、最小外接凸多邊形、矩形度(面積/外接矩形面積)、橢圓度(焦點(diǎn)間距/長軸長)、凹凸比(面積/最小外接凸多邊形面積);顏色類12個:RGB色彩空間的紅色R均值、綠色G均值、藍(lán)色B均值、紅色R方差、綠色G方差、藍(lán)色B方差6個分量;以及HSI色彩空間的色調(diào)H的均值、飽和度S均值、亮度I的均值和色調(diào)H的方差、飽和度S方差、亮度I的方差6個分量;紋理類13個:均值、方差、平滑度、三階矩、一致性、熵以及7個統(tǒng)計不變矩。

此特征庫記錄條數(shù)為4 800×33=158 400條;特征庫數(shù)據(jù)比較全面，具有一定的代表性。

基于這33個特征可以進(jìn)行一系列的分析，如可測量其變異系數(shù)和回歸分析系數(shù)，變異系數(shù)反映單位均值上的離散程度，越小說明統(tǒng)計的品種間差別越小，也就是說變異系數(shù)越大說明此特征是一個好的特征;R2又稱為方程的相關(guān)指數(shù)或確定性系數(shù)(coefficient of determination)，表示方程中變量X對Y的解釋程度。R2取值在0到1之間，越接近1，表明方程中X對Y的解釋能力越強(qiáng)，R2取值在0到1之間，越接近1，表明方程中X對Y的解釋能力越強(qiáng)，說明此特征是一個品種識別較好的特征，可以發(fā)現(xiàn)花生的面積和伸展度是較好的特征。為節(jié)省篇幅，表1中只列出33個特征中的14個統(tǒng)計特征。

表1 部分特征的變異系數(shù)和確定性系數(shù)

2.3 花生大小規(guī)格的檢測

國標(biāo)［11］中對花生大小衡量是可用顆/每盎司表示，見表2。由于每盎司是28.35 g，很容易通過國標(biāo)數(shù)據(jù)計算出不同規(guī)格的花生仁的平均質(zhì)量。

表2 外貿(mào)花生大小規(guī)格要求

通過特征分析不難發(fā)現(xiàn)反映大小類的特征中像素的面積為衡量大小規(guī)格的最直觀的特征，將彩色圖像讀入，進(jìn)行必要的預(yù)處理。然后進(jìn)行二值化求得目標(biāo)區(qū)域的像素和，即可在很大程度上反映花生的質(zhì)量。用天平稱出試驗(yàn)花生實(shí)際質(zhì)量。

統(tǒng)計了100?；ㄉ拿娣e和質(zhì)量，運(yùn)用SAS軟件統(tǒng)計求得花生象素面積x和花生大小質(zhì)量y之間的數(shù)學(xué)關(guān)系為:

y=0.003 2x－0.304 6

該模型的相關(guān)系數(shù)為R2=0.923 5，線性相關(guān)度為R=0.961。圖3為除掉野點(diǎn)后100顆花生仁圖像像素面積與花生仁質(zhì)量的回歸模型，先行相關(guān)度達(dá)到了96%以上?？梢娡ㄟ^統(tǒng)計花生仁的像素數(shù)目能在很好不同規(guī)格的花生進(jìn)行篩選。由花生的上述回歸方程，只要通過像素數(shù)便可以快速的計算出花生的質(zhì)量。經(jīng)過計算兩者的平均誤差率為1.118%，誤差在可接受的范圍之內(nèi)。

圖4 質(zhì)量面積回歸曲線

同一個品種正常花生種人工檢測為4個不同規(guī)格的花生各100個，共400個籽粒，統(tǒng)計每個籽粒的33個特征，構(gòu)建三層反向傳播BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，其中輸入層33個節(jié)點(diǎn)，隱含層10個節(jié)點(diǎn)，輸出層4個節(jié)點(diǎn)，訓(xùn)練網(wǎng)絡(luò)，將訓(xùn)練好的網(wǎng)絡(luò)保存，分別那訓(xùn)練過的這400個花生籽粒進(jìn)行識別識別率為100%，拿沒有訓(xùn)練的同樣4個不同大小規(guī)格100個花生進(jìn)行識別，識別率達(dá)到了100%。

2.4 花生品種的識別

將10品種中的正?；ㄉ?00個，共1 000個籽粒圖像，統(tǒng)計每個籽粒的33個特征，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)(輸入層33個節(jié)點(diǎn)，隱含層10個節(jié)點(diǎn)，輸出層10個節(jié)點(diǎn))訓(xùn)練網(wǎng)絡(luò)，將訓(xùn)練好的網(wǎng)絡(luò)保存，分別拿訓(xùn)練過的這1 000個花生籽粒進(jìn)行識別識別率為98%，拿沒有訓(xùn)練的同樣10個品種每個品種100個花生進(jìn)行識別，識別率也達(dá)到了97.5%，證明平臺的識別效果較好。

2.5 花生品質(zhì)的檢測

分別拿同一個品種的14種不同品質(zhì)的花生各100個，共1 400個花生圖像統(tǒng)計每個籽粒的33個特征，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)(輸入層33個節(jié)點(diǎn)，隱含層10個節(jié)點(diǎn)，輸出層14個節(jié)點(diǎn))訓(xùn)練網(wǎng)絡(luò)，將訓(xùn)練好的網(wǎng)絡(luò)保存，分別對訓(xùn)練過的這1 400個花生籽粒進(jìn)行識別識別率為99.5%，拿沒有訓(xùn)練的同樣14個品質(zhì)每個品種100個花生進(jìn)行識別，識別率達(dá)到了98.9%。

2.6 識別算法的擴(kuò)充

將SVM識別模型通過后臺管理加入檢測平臺，同樣針對上述檢測情況，對獲取的33個特征組成的特征庫進(jìn)行檢測，檢測效果與神經(jīng)網(wǎng)絡(luò)對比見表3，可見在特征集合比較大的情況下，SVM的總體識別性能比ANN效果好。

表3 兩種算法花生規(guī)格、品質(zhì)和品種的檢測性能

3 結(jié)論

針對花生品質(zhì)檢測與分析的要求，基于計算機(jī)視覺和圖像處理的方法，建立了檢測與分析平臺，界面友好，操作簡單，圖形文字相結(jié)合進(jìn)行信息顯示，比較更加直觀，算法研究更加容易?？傮w來說，平臺的建立提高了算法研究的效率，達(dá)到了建立該平臺的目的。平臺具有良好的實(shí)用性，交互性和可擴(kuò)展性。

為檢測平臺的有效性進(jìn)行了相關(guān)的仿真試驗(yàn)，建立了包含4 800顆籽粒花生圖像的圖像數(shù)據(jù)庫，通過Matlab內(nèi)置函數(shù)獲取每個籽粒的33個特征，特征數(shù)據(jù)共158 400條，建立了三層神經(jīng)網(wǎng)絡(luò)進(jìn)行相關(guān)的品質(zhì)和品種識別，總體識別率達(dá)到了97%以上。檢測效果良好，根據(jù)花生品質(zhì)的規(guī)格、破損霉變及顏色均勻度和形狀端正度給出了市場的參考價格。試驗(yàn)證明整個平臺有效實(shí)用。

本研究基于數(shù)字圖像處理技術(shù)獲得的花生外觀特征數(shù)據(jù)與認(rèn)識，為花生品質(zhì)的計算機(jī)視覺檢測的進(jìn)一步深入研究與應(yīng)用奠定了基礎(chǔ)，圖像處理的測定方法具有準(zhǔn)確、快速、適合大批量的優(yōu)勢，將在作物科學(xué)的理論與實(shí)踐領(lǐng)域發(fā)揮日益重要的作用。

［1］趙春明，韓仲志，楊錦忠，等.玉米果穗DUS性狀測試的圖像處理應(yīng)用研究［J］.中國農(nóng)業(yè)科學(xué)，2009，42(11):4100－4105

［2］郝建平，楊錦忠，杜天慶，等.基于圖像處理的玉米品種的種子形態(tài)分布及其分類研究［J］.中國農(nóng)業(yè)科學(xué)，2008，41 (4):994－1002

［3］楊錦忠，郝建平，杜天慶，等.基于種子圖像處理的大數(shù)目玉米品種形態(tài)識別［J］.作物學(xué)報，2008，34(6):1069－1073

［4］Sakai N，Yonekawa S，Matsuzaki A.Two－dimensional image analysis of the shape of rice and its application to separating varieties［J］.J Food Eng，1996，27(3):397－407

［5］Dubey B P，Bhagwat S G，Shouche S P，et al.Potential of artificial neural networks in varietal identification using morphometry of wheat grains［J］.Biosyst Eng，2006，95(1):61－67

［6］Venora G，Grillo O，Shahin M A，et al.Identification of sicilian landraces and canadian cultivars of lentil using an image analysis system［J］.Food Res Intl，2007，40:161－166

［7］韓仲志，匡桂娟，劉元永，等.基于形態(tài)和顏色特征的花生品質(zhì)檢測方法［J］.花生學(xué)報，2007，36(4):18－21

［8］韓仲志，劉竟，楊錦忠.花生籽仁感官品質(zhì)鑒定中的計算機(jī)色選機(jī)制研究［J］.花生學(xué)報，2009，38(2):15－19

［9］韓仲志，趙友剛.基于外觀特征識別的花生品質(zhì)與品種檢測方法［J］.中國糧油學(xué)報，2009，24(5):123－126

［10］Zhongzhi Han，Yougang Zhao.A method of detecting peanut cultivars and quality based on the appearance characteristic recognition.［G］//Qiyong Gong，Yong Jiang，Christos Grecos.The second international conference on information and computing science.Manchester:CPS，2009，2:21－24

［11］GB/T 1532—2008，中華人民共和國國家標(biāo)準(zhǔn)——花生［S］.

Image Analysis and System Simulation on Quality and Variety of Peanut

Han Zhongzhi Zhao Yougang
(College of Information Science＆Engineering，Qingdao Agricultural University，Qingdao 266109)

Aiming at the limitation in quality detection of peanut，a method based on image processing was developed;moreover，a simulation platform was constructed based on MATLAB GUI.This platform has integrated some new pattern recognition methods such as ANN＆SVM and some classical image processing arithmetics.Finally，a simulation example was proposed.Based on 4 800 pictures for single grain of 10 varieties and 14 kinds of quality，33 characters were detected.These characters could be divided into three categories:shape，color and texture.Using the ANN＆SVM model，the peanut commercial standard，varieties and quality were tested.Results:The total correct rate of the tests by using the ANN＆SVM model is 97%.It is proved that this platform has good interactivity，expansibility，visibility and practicability.The peanut quality evaluation is objective，quantitative，rapid and nondestructive.It possesses practicability for peanut trade，production and circulation.

peanut，quality detection and analysis，image processing，artificial neural network，simulation platform

S126 文獻(xiàn)標(biāo)識碼:A 文章編號:1003－0174(2010)11－0114－05

山東省自然科學(xué)基金(2009ZRA02123)，山東省科技攻關(guān)項(xiàng)目(2009GG10009057)，青島市科技發(fā)展計劃(08－2－1－15－nsh)

2009－11－18

韓仲志，男，1981年出生，講師，農(nóng)業(yè)圖像處理

趙友剛，男，1970年出生，博士，工程師，農(nóng)業(yè)信息化