崔雯雯 孫永海 王 璐,2 黃碧竹 周麗聰 陳方媛 郭曉蕾

(吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院1，長春 130022)(華南理工大學(xué)輕工與食品學(xué)院2，廣州 510640)

基于圖像紋理分析的大米加工等級檢測方法

崔雯雯1孫永海1王 璐1,2黃碧竹1周麗聰1陳方媛1郭曉蕾1

(吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院1，長春 130022)(華南理工大學(xué)輕工與食品學(xué)院2，廣州 510640)

利用不同加工等級大米表面紋理不同的特點，提出了基于紋理分析的大米加工等級檢測方法。設(shè)計了大米的計算機視覺檢測系統(tǒng)，獲取4個不同加工等級大米標(biāo)準(zhǔn)樣的圖像，采用灰度梯度共生矩陣的紋理分析方法提取圖像的紋理特征值，采用Fisher判別法和PNN神經(jīng)網(wǎng)絡(luò)對大米加工等級進行檢測判定。試驗結(jié)果表明：Fisher判別法和PNN神經(jīng)網(wǎng)絡(luò)對4種不同加工等級的大米樣品檢測判定的正確率分別是96.25%和90.00%。

大米 加工品質(zhì) 紋理 Fisher判別

大米是我國人民的重要糧食資源，大米外觀品質(zhì)是影響其市場競爭力的重要因素，而大米加工等級是反映大米外觀品質(zhì)的重要指標(biāo)，而且大米加工等級對大米的食用價值也有較大的影響[1]，因此對大米加工等級的快速準(zhǔn)確檢測尤為重要。隨著計算機技術(shù)的飛速發(fā)展，采用計算機視覺技術(shù)檢測大米的加工品質(zhì)方面的研究受到了越來越多的關(guān)注，且取得了一定研究進展[2-7]。本文采用計算機圖像分析方法探究大米表面紋理特征和大米加工等級的關(guān)系，從而實現(xiàn)基于紋理分析的對大米加工等級的快速檢測判定。

1 材料與方法

1.1 材料

試驗采用來自于依蘭縣質(zhì)量技術(shù)監(jiān)督局的標(biāo)準(zhǔn)1等到標(biāo)準(zhǔn)4等的4個加工等級的大米標(biāo)準(zhǔn)樣品。

1.2 圖像采集

本研究采用的圖像采集裝置由檢測室、CCD攝像頭、光源、計算機系統(tǒng)和大米樣品升降系統(tǒng)構(gòu)成。檢測室中央是一個可以自動調(diào)節(jié)高度的升降運動裝置，待檢樣品需放置在檢測臺上，頂部是攝像頭。檢測室右側(cè)設(shè)有取樣窗，便于更換樣品。檢測時，關(guān)閉取樣窗，打開光源，即可形成封閉采集空間,避免外界光照變化對采集圖像效果的影響。檢測室內(nèi)部用油漆涂成白色，以形成均勻的漫反射效果。大米加工等級圖像采集裝置如圖1所示。

圖1 圖像采集裝置

1.3 圖像預(yù)處理

用CCD攝像頭獲得的原始圖像是24位真彩色BMP格式圖像,為后續(xù)提取特征值方便,首先將彩色圖像轉(zhuǎn)為灰度圖像，得到的灰度圖像如圖2a所示。再采用改進的直方圖均衡化算法[8], 增大圖像的灰度變化范圍，達到圖像增強的目的。為了將大米輪廓從背景圖像中提取出來, 先對灰度圖像進行二值化處理把米粒目標(biāo)和背景加以區(qū)分。利用灰度直方圖獲取閾值，從圖2b灰度直方圖中可以看出有明顯的2個峰，提取灰度閾值100將灰度圖像轉(zhuǎn)化為二值圖像，得到的二值化圖像如圖2c所示。利用5×5鄰域的二維中值濾波進行去噪音處理[9]，得到的去噪后圖像如圖2d所示。

圖2 大米預(yù)處理圖像和灰度直方圖

2 結(jié)果與分析

2.1 紋理特征提取

在將獲取的單粒米RGB圖像進行上述的圖像預(yù)處理后，將灰度圖像轉(zhuǎn)化為灰度共生矩陣，將其歸一化，再形成灰度梯度共生矩陣，最后將灰度梯度共生矩陣歸一化。從中提取大米顆粒的15個紋理特征值T1～T15分別是小梯度優(yōu)勢、大梯度優(yōu)勢、灰度分布的不均勻性、梯度分布的不均勻性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相關(guān)性、灰度熵、梯度熵、混合熵、慣性、逆差矩，提取方法見參考文獻[10]。每個等級的大米獲得80組數(shù)據(jù)，共計320組數(shù)據(jù)。從每份大米樣品的紋理數(shù)據(jù)中，選擇60組數(shù)據(jù)作為訓(xùn)練樣本，共計240組數(shù)據(jù)；選擇20組數(shù)據(jù)作為測試樣本，共計80組數(shù)據(jù)。

本試驗獲取的大米原圖像如圖3所示。

圖3 大米原圖像

2.2 大米等級Fisher判別分析

將采集到的數(shù)據(jù)用SPSS 17.軟件進行處理,然后根據(jù)數(shù)據(jù)處理結(jié)果確定Fisher判別函數(shù)組的相關(guān)系數(shù)，建Fisher判別函數(shù)組。整個過程為采集大米圖像—圖像預(yù)處理—灰度變換—灰度梯度共生矩陣—大米紋理特征提取—Fisher判別函數(shù)判斷—得出結(jié)果。最終將米樣的紋理特征值帶入Fisher判別函數(shù)組中，取函數(shù)值最大者為待測米樣的等級，另外再取80粒大米(每個等級米各20粒)作為測試樣本,利用Fisher判別函數(shù)組進行判斷。最終得出此方法對大米加工等級的判別正確率。

對于影響大米加工等級的紋理因素即15個特征值的數(shù)據(jù)在SPSS軟件中用逐步判別分析法進行主要因素分析，找出影響大米等級劃分的主要紋理特征值因素，而且找出的主要因素還要為后續(xù)在MATLAB中進行神經(jīng)網(wǎng)絡(luò)分析做準(zhǔn)備。將標(biāo)準(zhǔn)米樣的檢測數(shù)據(jù)導(dǎo)入SPSS軟件中進行數(shù)據(jù)處理，采用逐步判別分析法[11-12]。在設(shè)置參數(shù)時，將類別設(shè)為分組變量，范圍從1到4，將大米顆粒的15個特征值作為自變量，使用步進式方法，統(tǒng)計量參數(shù)設(shè)置中描述性參數(shù)選擇為均值，單變量和Box’s M，函數(shù)系數(shù)中選擇Fisher和標(biāo)準(zhǔn)化，矩陣中選擇組內(nèi)協(xié)方差和分組協(xié)方差。選用Wilks’lambda標(biāo)準(zhǔn)方法，引入變量的臨界值F進為3.84，剔除變量的臨界值F出為2.71，輸出方式采用步進摘要。在分類中設(shè)置先驗概率為所有組相等，在組內(nèi)使用協(xié)方差，輸出個案結(jié)果和摘要表。最后保存的數(shù)據(jù)為預(yù)測組成員，判別得分和組成員概率。經(jīng)過SPSS軟件處理得到Fisher判別函數(shù)系數(shù)如表1。

表1 分類函數(shù)系數(shù)

Fisher判別函數(shù)組為

F1=73 038.183T7+108 467.329T8+146 851.603T9-170 844.747T10-68 322.133T13-127 411.482T14-28 080.913

(1)

F2=68 889.397T7+108 944.221T8+146 064.527T9-172 053.77T10-66 792.385T13-126 514.962T14-27 885.954

(2)

F3=80 771.985T7+104 462.464T8+149 523.757T9-175 096.575T10-69 637.925T13-128 037.759T14-28 019.18

(3)

F4=65 138.277T7+109 847.530T8+145 743.842T9-175 188.345T10-65 981.020T13-124 551.130T14-27 913.730

(4)

對灰度梯度共生矩陣方法得到的特征值進行Fisher判別，訓(xùn)練樣本和測試樣本的判別正確率如表2、表3所示。

表2 訓(xùn)練樣本

表3 測試樣本

從SPSS軟件處理的結(jié)果來看，對標(biāo)準(zhǔn)米樣的240個案的正確率為97.1%，說明選出的主要因素是正確的，根據(jù)主要因素確定的Fisher判別函數(shù)的系數(shù)也是正確的。將80組待測樣品的灰度平均，灰度均方差，梯度均方差，相關(guān)，混合熵及慣性6個特征值帶入判別組，經(jīng)過計算F1～F4的數(shù)值，判斷檢測米樣應(yīng)歸屬的大米等級。測試組米樣的正確率為96.25%，說明根據(jù)此判別函數(shù)組進行大米加工等級的劃分是切實可靠的。

2.3 大米等級神經(jīng)網(wǎng)絡(luò)分析方法

提取大米紋理特征參數(shù)后，在MATLAB中進行概率神經(jīng)網(wǎng)絡(luò)的分類預(yù)測[13]，首先選取上述數(shù)據(jù)中120個作為訓(xùn)練數(shù)據(jù)(每個等級選取30個)，選取40個作為測試數(shù)據(jù)(每個等級選取10個)；再將期望類別指針轉(zhuǎn)換為向量；數(shù)學(xué)模型使用newpnn函數(shù)，Spread值選為0.1，神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果如圖4所示；然后再利用Sim函數(shù)進行神經(jīng)網(wǎng)絡(luò)檢測判定，將測試數(shù)據(jù)輸入， 序號1～10為1等米樣，11～20為2等米樣，21～30為3等米樣，31～40為4等米樣。神經(jīng)網(wǎng)絡(luò)檢測判定效果如圖5所示。經(jīng)神經(jīng)網(wǎng)絡(luò)預(yù)測將序號5錯判為2等大米，序號15錯判為1等大米，序號25錯判為4等大米，序號35錯判為2等大米。

圖4 MATLAB訓(xùn)練結(jié)果

圖5 MATLAB檢測結(jié)果

發(fā)現(xiàn)40個檢測數(shù)據(jù)中出現(xiàn)4個判定錯誤，正確率達90%，證明此概率神經(jīng)網(wǎng)絡(luò)方法對大米加工等級的檢測判斷還是可行的。

3 結(jié)論

利用計算機視覺技術(shù)設(shè)計了大米圖像獲取設(shè)備，成功采集了高質(zhì)量的大米圖像，并對大米圖像進行了必要的預(yù)處理。采用灰度梯度共生矩陣法提取15個紋理特征值。用逐步判別分析法構(gòu)建Fisher判別函數(shù)組，最終確定用灰度平均，灰度均方差，梯度均方差，相關(guān)性，混合熵及慣性6個特征值作為反映大米加工等級的主要因素，對米樣進行檢測實驗，檢測的正確率為96.25%。利用篩選出的6個紋理特征參數(shù)值，使用PNN神經(jīng)網(wǎng)絡(luò)對大米加工等級進行分級檢測，檢測正確率為90.00%。這說明采用灰度梯度共生矩陣紋理分析方法對大米加工等級進行檢測是可行的。而且通過采用以上2種判別方法對大米的等級進行自動檢測判定的結(jié)果來看，本文提出的基于圖像紋理分析的大米加工等級檢測判定方法是可行的，并且Fisher判別分類方法的準(zhǔn)確性更高一些。

[1]金增輝.營養(yǎng)強化米及其加工方法[J]. 糧食與油脂, 2008 (9): 40-43

[2]Desikachar H S R, Determination of the Degree of Polishing Rice IV Percentage Loss of Phosphorous as an Index of the Degree of Milling[J]. Cereal Chemistry ,2010,1956(33):320-323

[3]Autrey H S, Grigorieff W W et al. Effects of Milling Conditions on Breakage of Rice Grains[J].J Agr Food Chemistry, 2009,1955(3):593-599

[4]Hogen J T, Deobald H J. Note on a Method of Determining the Degree of Milling of Whole Milled Rice[J].Cereal Chemistry, 2010,1961(5),291-293

[5]Shearer DA, Carson RB. The Determination of Oil Content and Crude fat by the ues of Anhydrous Ether[J].Agr Chemists,2009,1958(41):414-416

[6]張浩,孟永成,周展明等.基于圖像處理技術(shù)大米加工精度的檢測研究[J].中國糧油學(xué)報, 2006, 21(4): 187-190

[7]賀曉建,王福明.基于灰度共生矩陣的紋理分析方法研究[J].山西電子技術(shù), 2010 (4): 89-90

[8]喬鬧生.一種改進的直方圖均衡化[J]. 光學(xué)技術(shù), 2008, 34(1): 141-142

[9]趙高長,張磊, 武風(fēng)波.改進的中值濾波算法在圖像去噪中的應(yīng)用[J]. 應(yīng)用光學(xué), 2011, 32(4): 678-682

[10]洪繼光. 灰度-梯度共生矩陣紋理分析方法[J].自動化學(xué)報, 1984,10 (1):22-25

[11]洪雪珍,王俊.基于逐步判別分析和 BP神經(jīng)網(wǎng)絡(luò)的電子鼻豬肉儲藏時間預(yù)測[J].傳感技術(shù)學(xué)報,2010, 23(10): 1376-1380

[12]李慶華, 王玉,余振華,等.卷煙煙絲化學(xué)指標(biāo)的逐步判別分析[J].中國煙草學(xué)報, 2009, 15(6): 27

[13]肖江,連生土.基于PNN 神經(jīng)網(wǎng)絡(luò)的地下水水質(zhì)評價及應(yīng)用[J]. 工程勘察, 2012, 40(9): 48-50.

Rice Processing Level Detection Method Based on Image Texture Analysis

Cui Wenwen1Sun Yonghai1Wang Lu1,2Huang Bizhu1Zhou Licong1Chen Fangyuan1Guo Xiaolei1

(College of Biological and Agricultural Engineering, Jilin University1, Changchun 130022)(College of Light Industry and Food Science, South China University of Technology2,Guangzhou 510640)

Advantage of the characteristics of different surface texture processing grade rice, a detection method for processing level of rice was provided. In this paper, a computer vision detection system for processing level of rice was designed to obtain the standard rice sample images of 4 different processing levels, and then the texture features of the rice image were obtained using gray-gradient co-occurrence matrix. Afterwards, the Fisher discriminant functions constructed with stepwise discriminant analysis and PNN neural network were used to detect the processing level of the rice samples. The test results show that the average accuracy rates of the different processing levels of 4 rice samples detected with Fisher discriminant method and PNN neural network were 96.25% and 90.00%.

rice, milling degree, texture, fisher discriminance

S233.5

A

1003-0174(2016)06-0146-04

吉林省應(yīng)用基礎(chǔ)研究(201205013)，國家自然科學(xué)基金(31271861)，吉林省人才開發(fā)資金

2014-09-11

崔雯雯，女，1988年出生，碩士，農(nóng)產(chǎn)品智能檢測與評價研究

孫永海，男，1956年出生，教授，博士生導(dǎo)師，農(nóng)產(chǎn)品智能檢測與評價研究