薄 璐王立霞

(1. 陜西職業(yè)技術學院，陜西 西安 710038；2. 陜西學前師范學院，陜西 西安 710100)

隨著激光圖像處理技術的發(fā)展，采用激光成像技術進行農(nóng)作物的農(nóng)藥殘留量檢測，提高農(nóng)作物的蟲害防治能力的同時，確保農(nóng)作物食品的安全。對番茄表面農(nóng)藥殘留量進行準確檢測，結合圖像識別和計算機視覺分析技術，實現(xiàn)對番茄表面農(nóng)藥殘留量區(qū)域分割和分塊匹配，提高對番茄表面農(nóng)藥殘留量的準確檢測和視覺分析識別能力，相關的番茄表面農(nóng)藥殘留量檢測方法研究受到極大重視。

對番茄表面農(nóng)藥殘留量的無損檢測方法研究是建立在對圖像的特征信息采集和分塊區(qū)域匹配基礎上，結合視覺特征重構技術，實現(xiàn)番茄表面農(nóng)藥殘留檢測識別[1]。傳統(tǒng)方法中，對番茄表面農(nóng)藥殘留檢測方法主要有高光譜分割檢測技術、塊匹配的番茄表面農(nóng)藥殘留區(qū)域分割技術和銳化模板匹配的番茄表面農(nóng)藥殘留量分割檢測技術[2]，但上述方法在進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像區(qū)域分割和檢測識別中存在計算開銷較大和抗干擾能力不好的問題，特別是對大規(guī)模的番茄表面農(nóng)藥殘留區(qū)域視覺圖像區(qū)域檢測的特征識別能力不好[3]。對此，相關研究者對算法進行改進設計，其中，文獻[4]提出了一種基于多重分形的番茄表面農(nóng)藥殘留區(qū)域視覺圖像區(qū)域快速分割和殘留量檢測技術。采用分區(qū)域特征匹配方法進行二維番茄表面農(nóng)藥殘留區(qū)域視覺圖像的分塊融合性檢測，但該方法進行番茄表面農(nóng)藥殘留量檢測的準確性不好，快速信息處理能力也不好。文獻[5]提出了一種基于聯(lián)合灰度閾值分割及輪廓形態(tài)識別的番茄表面農(nóng)藥殘留量無損方法，實現(xiàn)了對番茄表面農(nóng)藥殘留量無損特征提取，但該方法的參量估計和識別精度不高。針對上述問題，本研究提出一種基于視覺圖像識別的番茄表面農(nóng)藥殘留量無損檢測方法。擬首先采用激光成像技術進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像采集，對采集的番茄表面圖像進行農(nóng)藥殘留量的光譜特征分析；然后，把提取番茄表面農(nóng)藥殘留區(qū)域的邊緣輪廓特征，根據(jù)特征提取結果進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像重構；在重構的區(qū)域圖像中采用分塊匹配技術進行番茄表面農(nóng)藥殘留量區(qū)域分割；結合自適應分塊特征匹配方法實現(xiàn)番茄表面農(nóng)藥殘留量檢測識別。最后進行仿真試驗分析，得出有效性結論。

1 番茄表面農(nóng)藥殘留區(qū)域視覺成像及預處理

1.1 番茄表面農(nóng)藥殘留區(qū)域視覺成像

為了實現(xiàn)對番茄表面農(nóng)藥殘留量檢測識別，結合計算機視覺圖像識別技術，采用激光成像時，首先需要進行番茄表面農(nóng)藥殘留區(qū)域視覺成像處理，構建番茄表面農(nóng)藥殘留區(qū)域視覺圖像的區(qū)域特征分析模型，采用高斯混合模型(Gaussian Mixture Model，GMM)進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像的區(qū)域特征分析[6]，建立番茄表面農(nóng)藥殘留區(qū)域視覺圖像的先驗估計模型，通過模板匹配進行像素級分解，進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像的分塊特征匹配，構建檢測統(tǒng)計量，把番茄表面農(nóng)藥殘留區(qū)域視覺圖像劃分成4×4的像素塊，然后進一步將4×4子塊通過番茄表面農(nóng)藥殘留區(qū)域視覺成像技術分成4個相互重疊的3×3子塊。假設有K個農(nóng)藥殘留量的病征特征點，假定局部塊是同態(tài)的，在3×3子塊內(nèi)進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像的像素重構[7]，觀察番茄表面農(nóng)藥殘留量的局部可靠性概率分布密度函數(shù)定義為：

(1)

式中：

w3——番茄表面農(nóng)藥殘留區(qū)域視覺圖像檢測模型中3×3的像素塊區(qū)域；

xi∈w3——區(qū)域塊w3內(nèi)的像素；

yij——與農(nóng)藥殘留區(qū)域分布像素xij唯一對應的番茄表面紅色素特征標記點；

αk——1個番茄表面的分塊區(qū)域匹配函數(shù)中屬于k類的權值；

g(·)——形態(tài)學膨脹函數(shù)，表示一個給定第k個番茄表面農(nóng)藥殘留量特征采樣標記點。

根據(jù)局部可靠性概率分布密度函數(shù)，可以計算出檢測統(tǒng)計分布概率密度函數(shù)：

(2)

其中，αk=1。

1.2 邊緣輪廓特征提取和分塊處理

采用GMM高斯混合模型描述番茄表面農(nóng)藥殘留區(qū)域視覺圖像像素的標記過程，提取番茄表面農(nóng)藥殘留區(qū)域視覺圖像的顏色提取信息[9]，得到番茄表面農(nóng)藥殘留區(qū)域視覺圖像成像輸出為：

(3)

依賴鄰域紋理分割和邊緣輪廓曲線檢測方法進行番茄表面農(nóng)藥殘留量分布的像素特征匹配[10]，得到番茄表面農(nóng)藥殘留量分布的超像素紋理子空間表示為：

(4)

式中：

(5)

通過預先設定相關性K，求出番茄表面農(nóng)藥殘留量分布特征的統(tǒng)計特征量，假設番茄表面農(nóng)藥殘留量分布各點附近的局部仿射不變域為Ω，對番茄表面農(nóng)藥殘留區(qū)域視覺圖像I(x,y)采用分割線C劃分為兩個區(qū)域R1和R2，番茄表面農(nóng)藥殘留部位邊界統(tǒng)計特征分塊總數(shù)為K，番茄表面農(nóng)藥殘留量分布的分塊區(qū)域像素匹配疏線性方程組為：

g(x,y)=h(x,y)*f(x,y)+η(x,y)，

(6)

其中，h(x,y)是番茄表面農(nóng)藥殘留量分布特征視差函數(shù)，符號*表示卷積。采用邊緣檢測算法得到分割后的區(qū)域的番茄表面農(nóng)藥殘留區(qū)域視覺圖像信息融合結果為：

(7)

在紋理映射變換下，采用超像素融合方法進行圖像信息融合[11]，得到圖像信息融合后的自適應特征重建迭代方程如下：

(8)

其中，c3·rand()和c4·rand()稱為番茄表面農(nóng)藥分布部位的疑似圖譜，其表達式為：

(9)

(10)

對采集的番茄表面農(nóng)藥殘留量分布采用超像素融合方法進行圖像信息融合，提取番茄表面農(nóng)藥殘留區(qū)域的邊緣輪廓特征，根據(jù)特征提取結果進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像重構，進行圖像檢測和特征分析[12]。

2 番茄表面農(nóng)藥殘留量無損檢測算法優(yōu)化

2.1 農(nóng)藥殘留量的光譜特征提取

在上述采用激光成像技術進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像采集的基礎上，對采集的番茄表面圖像進行農(nóng)藥殘留量的光譜特征分析[13]，對番茄表面農(nóng)藥殘留區(qū)域視覺圖像區(qū)域劃分了各個子塊，子塊的尺度為M，進行M-1次迭代，設C3和C4為番茄表面農(nóng)藥殘留量分布邊緣輪廓特征檢測的差異性特征量。對于番茄表面農(nóng)藥殘留區(qū)域視覺圖像的灰色樣本集xi,yi，用xi表示輸入，yi表示相應輸出，得到番茄表面農(nóng)藥殘留量分布特征分布函數(shù)為：

f(x)=wTφ(x)+b，

(11)

式中：

ω——番茄表面農(nóng)藥殘留量分布邊緣輪廓特征檢測；

b——農(nóng)藥聚集區(qū)域的偏置量。

計算各像素點與聚類中心間距，番茄表面農(nóng)藥殘留量分布的顯著性超像素判別迭代公式：

(12)

計算在紋理映射變換和差異性像素特征分布下的番茄表面農(nóng)藥殘留量分布特征的概率分布，進行圖像番茄表面農(nóng)藥殘留區(qū)域視覺圖像重構處理，建立農(nóng)藥殘留主成分特征分布的局部梯度能量函數(shù)如下所示：

(13)

式中：

sig·——Sigmoid函數(shù)。

根據(jù)特征提取結果進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像重構，得到番茄表面農(nóng)藥殘留區(qū)域視覺圖像的超像素生成統(tǒng)計特征量為：

(14)

采用模板匹配技術，對番茄表面農(nóng)藥殘留區(qū)域視覺圖像S′在紋理信息融合區(qū)域(x′,y′)處進行梯度分解，在重構的區(qū)域圖像中采用分塊匹配技術進行番茄表面農(nóng)藥殘留量區(qū)域分割[14]。

2.2 番茄表面農(nóng)藥殘留量區(qū)域分割和檢測輸出

構建番茄表面農(nóng)藥殘留區(qū)域視覺圖像的相關性檢測模板匹配函數(shù)f(gi)為：

(15)

由此獲得番茄表面農(nóng)藥殘留區(qū)域視覺圖像的背景差分量，番茄表面農(nóng)藥殘留區(qū)域視覺圖像區(qū)域大小為M×N，M和N對應番茄表面農(nóng)藥殘留區(qū)域視覺圖像邊緣的長度和寬度。按照番茄表面農(nóng)藥殘留區(qū)域視覺圖像結構紋理梯度方向分解方法[15]，進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像擬合，獲得三維番茄表面農(nóng)藥殘留區(qū)域視覺圖像的亞像素級視差，為：

Eimage(Vi)=-|I(xi-1,yi+1)+2I(xi,yi+1)+I(xi+1,yi+1)-I(xi-1,yi-1)-2I(xi,yi-1)-I(xi+1,yi-1)|+|I(xi+1,yi-1)+2I(xi+1,yi)+I(xi+1,yi-1)-I(xi-1,yi-1)-2I(xi-1,yi)-I(xi-1,yi+1)|。

(16)

對于k個鄰近點，番茄表面農(nóng)藥殘留區(qū)域視覺圖像的邊緣像素點分布為：

SSIM(x,y)=[l(x,y)]α·[c(x,y)]β·[s(x,y)]γ。

(17)

對采集的番茄表面農(nóng)藥殘留量分布采用超像素融合方法進行圖像信息融合[16]，番茄表面農(nóng)藥殘留區(qū)域視覺圖像的灰度信息分量為：

(18)

結合區(qū)域輪廓檢測方法，得到番茄表面農(nóng)藥殘留區(qū)域視覺圖像的輪廓長度：

(19)

綜上分析，實現(xiàn)對番茄表面農(nóng)藥殘留量的無損檢測。

3 仿真試驗與結果分析

為測試本試驗方法在實現(xiàn)番茄表面農(nóng)藥殘留量的視覺檢測中的應用性能，進行仿真試驗，試驗采用Matlab設計，結合區(qū)域視覺圖像重構進行番茄表面農(nóng)藥殘留量分布的動態(tài)成像處理，結合激光成像技術，進行圖像采樣，采樣的圖像像素樣本數(shù)為2 000，像素級為200 px×600 px，視覺特征提取的迭代次數(shù)為800，對番茄表面農(nóng)藥殘留量分布檢測的閾值為0.14，圖像的分辨率為680 PPI×700 PPI，農(nóng)藥殘留量的特征點覆蓋區(qū)域為220～320幀，農(nóng)藥殘留量分布的最大帶寬為0.23 Hz～100 kHz(+0.5～-3 dB)，根據(jù)上述仿真環(huán)境和參數(shù)設定，進行番茄表面農(nóng)藥殘留量無損檢測的優(yōu)化仿真，得到待檢測的樣本圖像如圖1所示。

圖1 待檢測的番茄樣本

以圖1的樣本為測試對象，提取番茄表面農(nóng)藥殘留區(qū)域的邊緣輪廓特征，根據(jù)特征提取結果進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像重構，提取農(nóng)藥殘留量區(qū)域，得到圖像重構融合結果如圖2所示。

圖2 農(nóng)藥殘留量區(qū)域重構融合結果

在此基礎上結合分塊匹配和譜分析技術，進行農(nóng)藥量殘留檢測，得到農(nóng)藥殘留區(qū)域檢測輸出如圖3所示。

分析圖3得知，本方法能有效實現(xiàn)對番茄表面農(nóng)藥殘留區(qū)域的定位檢測，區(qū)域分塊性較好，檢測的自適應分塊特征匹配能力較強。測試不同方法進行番茄表面農(nóng)藥殘留量檢測的精度，得到對比結果見表1。分析表1得知，按本文方法進行番茄表面農(nóng)藥殘留量檢測的精度較高，無損檢測能力較強。

圖3 農(nóng)藥殘留區(qū)域檢測輸出

迭代步數(shù)本文方法光譜檢測紅外檢測1000.8450.7200.7533000.9230.7890.7865000.9670.8250.8337000.9960.8690.921

4 結語

為解決傳統(tǒng)檢測方法檢測番茄表面農(nóng)藥殘留量不準確的問題，提出了一種基于視覺圖像識別的番茄表面農(nóng)藥殘留量無損檢測方法。

(1) 采用激光成像技術進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像采集，對采集的番茄表面圖像進行農(nóng)藥殘留量的光譜特征分析，根據(jù)特征提取結果進行番茄表面農(nóng)藥殘留區(qū)域視覺圖像重構，在重構的區(qū)域圖像中采用分塊匹配技術進行番茄表面農(nóng)藥殘留量區(qū)域分割，結合自適應分塊特征匹配方法實現(xiàn)番茄表面農(nóng)藥殘留量檢測識別。

(2) 通過試驗對比分析，證明本方法可對番茄表面農(nóng)藥殘留量進行準確檢測，最高檢測性能可達0.996，可以保障蔬菜供應安全性。

(3) 下一步工作則是要縮減檢測的時間，在提高檢測精度的基礎上縮短檢測用時。