閆 彬,楊福增,郭文川

(西北農(nóng)林科技大學(xué) 機械與電子工程學(xué)院 ,陜西 楊凌 712100)

0 引言

種子是作物生產(chǎn)最基本的生產(chǎn)資料,是農(nóng)業(yè)生產(chǎn)的關(guān)鍵。種子質(zhì)量的高低直接影響農(nóng)作物的產(chǎn)量和品質(zhì)。玉米是我國最主要和重要的糧食作物之一,把控好玉米種子的品質(zhì)檢測工作,對于保障后期玉米的種植收獲具有重要的意義[1]。隨著農(nóng)業(yè)機械化程度的不斷提高,農(nóng)業(yè)生產(chǎn)多采用機械化作業(yè),但機械化作業(yè)通常會造成農(nóng)產(chǎn)品的損傷[2-3]。玉米種子在收獲、干燥、機械脫粒等過程中,都難免受到機械損傷[4],尤其對于田間收獲或采收后未充分干燥的含水率較高的玉米[5],機械損傷的概率較大。以脫粒為例,在機械脫粒的過程中,種子會受到脫粒機的擠壓、撞擊、揉搓、沖擊和剪切等外力作用[6],從而導(dǎo)致玉米種子發(fā)生機械損傷[7]。玉米種子的含水率越高,造成的損傷就越嚴(yán)重[8-9]。機械損傷的一種主要形式是種子出現(xiàn)裂紋。出現(xiàn)裂紋的種子在運輸過程中易發(fā)生破碎,在儲藏過程中易吸濕、霉變和產(chǎn)生病蟲害[10],也不利于營養(yǎng)物質(zhì)的儲存[11],最終導(dǎo)致種子的發(fā)芽率降低[12-13]。在機械化玉米播種技術(shù),尤其是單穴單粒播種技術(shù)下,損傷會影響種子的田間出苗率、玉米植株的整個生長發(fā)育過程及最終的產(chǎn)量[14]。

機器視覺技術(shù)具有快速、無損、非接觸的優(yōu)點,被廣泛應(yīng)用于農(nóng)產(chǎn)品的品質(zhì)檢測領(lǐng)域。Gunasekarans等[15]利用商業(yè)視覺系統(tǒng)對種子的內(nèi)部裂紋進行了檢測,準(zhǔn)確率達90%以上。Yie等[16]將sobel、laplacian算子應(yīng)用于玉米種子應(yīng)力裂紋的檢測。張杰[13]利用圖像檢測玉米籽粒裂紋,針對光透性較好的籽粒,準(zhǔn)確率為94%。張俊雄等[17]基于玉米種子的形態(tài)學(xué)特征對兩個品種玉米種子的胚乳面裂紋進行了檢測,準(zhǔn)確率達90%以上。張新偉等[18]提出了一種基于小波變換的玉米種子內(nèi)部裂紋的邊緣檢測方法。然而,縱觀玉米種子裂紋檢測的研究現(xiàn)狀,發(fā)現(xiàn)現(xiàn)有研究主要是針對種子的一個面(胚面或胚乳面)研究基于圖像識別裂紋種子的方法,沒有提出能同時檢測兩個面機械損傷裂紋的通用方法。

為此,以玉米種子為對象,提出了一種能夠?qū)σ环鶊D像中的多粒玉米種子進行自動提取,并能自動對各粒種子進行機械損傷裂紋檢測的方法,且該方法與玉米的檢測面沒有關(guān)系。該方法對基于機器視覺技術(shù)的玉米種子外觀品質(zhì)分級設(shè)備的設(shè)計具有重要的指導(dǎo)作用。

1 材料與方法

1.1 實驗材料

實驗對象為“鄭單958”玉米種子。在玉米穗收獲后的24h內(nèi)對玉米苞葉進行人工剝除,并將玉米穗在陽光下進行適當(dāng)晾曬后使用輸出功率為4.2kW的高效玉米脫粒機(萬豐商貿(mào)有限公司制造)對試驗樣品進行機械脫粒操作;在脫粒后的玉米籽粒堆中隨機選擇外部輪廓形態(tài)基本完整的機械損傷裂紋種子與無破損種子共160粒(含320個面)作為實驗的樣本。

1.2 圖像采集設(shè)備

圖1是采集玉米種子圖像的系統(tǒng)示意圖。該系統(tǒng)由以下幾部分組成:圖像采集暗箱,表面為白色的載物臺,一個18W的環(huán)形節(jié)能燈,攝像頭分辨率為3 456×4 608的智能手機(MI5型,小米科技有限公司)。環(huán)形節(jié)能燈作為光源安裝于暗箱內(nèi)頂部,攝像頭與白色載物臺的距離設(shè)置為22cm,攝像頭的曝光時間為1/250s。實驗用的玉米種子均勻平放于載物臺上。在MatLab R2010a(Math Works公司,美國)下處理采集的圖像。

圖1 玉米種子圖像采集系統(tǒng)

2 檢測機械損傷裂紋種子的算法

2.1 單粒玉米種子的自動提取

2.1.1 顏色空間轉(zhuǎn)換與閾值分割

采集玉米種子圖像時,將種子放置于載物臺上,種子之間互不接觸,且種子朝向攝像頭的一面隨機放置。圖2(a)為采集到的一幅包含有多粒玉米種子的RGB圖像。要對圖像中包含的每粒玉米種子進行機械損傷裂紋的檢測,首先需要確定每粒種子的位置并將種子分別提取出來。經(jīng)過對采集到的RGB圖像的R、G、B分量和轉(zhuǎn)換為HSV圖像后的H、S、V分量,共2個顏色空間6個分量下的圖像進行分析,發(fā)現(xiàn)在H分量下玉米種子區(qū)域與背景區(qū)域的灰度值差異最大。H分量下的圖像如圖2(b)所示。因此,在H分量下使用最大類間方差法自動確定閾值,從而對玉米種子區(qū)域與背景區(qū)域進行分割處理。對分割后的二值圖像求反,結(jié)果如圖2(c)所示,即玉米種子區(qū)域的二值圖像。

圖2 包含多粒種子的RGB圖像、H分量圖像及二值圖像

2.1.2 數(shù)學(xué)形態(tài)學(xué)處理與種子自動提取

為了確保完整地剪切出每粒玉米種子,使得在二值圖中每粒種子區(qū)域所占面積略大于實際種子占據(jù)的面積,對圖2(c)得到的種子二值圖像進行膨脹操作,然后利用區(qū)域?qū)傩远攘亢瘮?shù)對二值圖中的各個連通域進行標(biāo)記,并使用黑色矩形框在原始圖像中進行框選,結(jié)果如圖3(a)所示?；谒鶚?biāo)記的各矩形框的位置信息,對單粒玉米種子分別自動進行裁剪,裁剪結(jié)果如圖3(b)(胚面裂紋種子)、圖3(c)(胚乳面裂紋種子)所示。

圖3 標(biāo)記圖中各種子位置并分別自動裁剪

2.2 圖像增強與邊緣檢測

2.2.1 基于模糊集與浮雕算法的圖像增強

要實現(xiàn)玉米種子機械損傷裂紋的提取,在檢測算法的前期處理中,應(yīng)當(dāng)對圖像進行增強處理以突出裂紋部分,本文采用基于模糊集的圖像增強方法對剪切后的單粒玉米種子的灰度圖像進行圖像增強。首先,將圖3(b)所示玉米種子的RGB圖像進行灰度化,結(jié)果如圖4(a)所示;再對圖4(a)所示的灰度圖像進行模糊集圖像增強,結(jié)果如圖4(b)所示?？梢钥闯?經(jīng)過基于模糊集的圖像增強處理后的圖像與原灰度圖像相比,其玉米種子中非裂紋區(qū)域的灰度值變化范圍縮小,裂紋部位得到一定的凸顯。

圖4 種子的灰度圖像與基于模糊集的圖像增強結(jié)果

對二維圖像進行浮雕化處理,可以將原二維圖像中色彩灰度值變化明顯的地方較突出地體現(xiàn)出來,即原圖像中相鄰像素灰度值差異不大的區(qū)域,在浮雕化后的圖像中目視效果較柔和。在原圖像中相鄰像素灰度值差異較大的區(qū)域,在浮雕化后的圖像中目視效果較明亮,即出現(xiàn)了浮雕效果[19]。由于經(jīng)過模糊集增強后的圖像,裂紋部位較突出且種子中非裂紋區(qū)域的灰度值變化范圍較小,為了保障后續(xù)邊緣檢測處理的效果,對經(jīng)過模糊集圖像增強后的種子圖像進行浮雕化處理,結(jié)果如圖5(a)所示。可以看出,種子的裂紋區(qū)域進一步得到凸顯。

圖5 浮雕化處理效果與基于小波變換模極大值的邊緣檢測結(jié)果

2.2.2 基于小波變換模極大值的邊緣檢測

現(xiàn)有的針對玉米種子裂紋檢測的研究中多采用傳統(tǒng)的邊緣檢測算法對裂紋進行提取,其邊緣檢測的結(jié)果往往存在較多的噪聲?；谛〔ㄗ儞Q的邊緣檢測算法是目前邊緣檢測領(lǐng)域中的研究熱點[20-21]。當(dāng)圖像的信噪比比較低以至于傳統(tǒng)的邊緣檢測方法無法準(zhǔn)確高效地檢測出有用信息時,小波變換邊緣檢測算法具有傳統(tǒng)邊緣檢測算法無可比擬的優(yōu)勢,它能夠在有效抑制噪聲的基礎(chǔ)上較準(zhǔn)確地檢測出圖像中的邊緣[22]。因此,采用基于小波變換模極大值的邊緣檢測算法[23]對浮雕化后的種子圖像進行邊緣檢測,檢測結(jié)果如圖5(b)所示。與圖5(a)相比,可以看到圖5(b)中的裂紋區(qū)域更加明顯,裂紋周圍的噪聲較少。

2.3 機械損傷裂紋的提取

2.3.1 圖像分割與種子輪廓的去除

對320幅玉米種子圖像中任意選取的30幅有裂紋種子和30幅無裂紋種子的圖像進行分析,確定了進行圖像分割的閾值。若統(tǒng)計圖5(b)中灰度值大于0.1的像素點個數(shù)小于10 000,則其分割閾值為0.1;若大于或等于10 000,則分割閾值為0.6。經(jīng)過閾值分割后的二值圖像如圖6(a)所示。

由圖6(a)可以看出:為了準(zhǔn)確提取裂紋還需去除圖像中裂紋區(qū)域以外的噪聲,包括玉米種子區(qū)域中非裂紋部位的噪聲和種子輪廓區(qū)域的噪聲。由2.1.1節(jié)可知:單粒玉米的原始圖像在H顏色分量下,其種子區(qū)域與背景區(qū)域的灰度值差異最大,即種子的輪廓邊界較明顯。因此,在H分量下使用最大類間方差法自動確定閾值對玉米種子區(qū)域與背景區(qū)域進行分割,得到的玉米種子區(qū)域的掩膜圖像如圖6(b)所示。為了去除種子輪廓區(qū)域的噪聲,首先對圖6(b)進行腐蝕操作,得到去除輪廓區(qū)域后的種子區(qū)域掩膜圖像,結(jié)果如圖6(c)所示。然后,對圖6(c)與圖6(a)進行圖像相乘運算,結(jié)果如圖6(d)所示?？梢钥闯?種子的輪廓區(qū)域已被去除。

2.3.2 種子區(qū)域噪聲的基本去除

在圖6(d)中,玉米種子區(qū)域還存在著非裂紋部位的噪聲,將會影響裂紋的檢測,需要將其去除。結(jié)合圖像的分辨率,任意選取30幅有裂紋種子和30幅無裂紋種子的圖像在經(jīng)過2.3.1節(jié)處理后,確定了種子區(qū)域噪聲的去除方法為:對圖6(d)中所有連通域的面積進行統(tǒng)計,去除面積小于3個像素點(若在2.3.1節(jié)中確定的分割閾值是0.6,則此處參數(shù)為5)的連通域,得到的結(jié)果如圖6(e)所示。可以看出:種子區(qū)域中面積較小的噪聲已被去除。

圖6 圖像分割,種子輪廓和種子區(qū)域噪聲的去除

2.3.3 數(shù)學(xué)形態(tài)學(xué)處理與裂紋的提取

經(jīng)過2.3.2節(jié)的處理,種子區(qū)域中面積較小的噪聲已被去除,種子的裂紋區(qū)域得到初步的提取;但種子區(qū)域仍可能有面積較大的噪聲存在,且目前提取到的種子裂紋區(qū)域并不完整,區(qū)域內(nèi)部存在孔洞與間隙。為了實現(xiàn)精確提取種子的裂紋,需要對種子區(qū)域中較大面積的噪聲進行去除并使裂紋區(qū)域更加完整。因此,本文采用如下方法:首先,對圖6(e)進行膨脹操作與填充操作,使得提取到的種子裂紋區(qū)域更加完整連續(xù);然后,對此時二值圖像中所有連通域的面積進行統(tǒng)計,去除面積較小的連通域;結(jié)合圖像的分辨率,經(jīng)過分析多幅含有機械損傷裂紋的種子在此環(huán)節(jié)的二值圖像,確定了此處依據(jù)面積大小去除連通域的面積閾值為300(若在2.3.1中確定的分割閾值是0.6,則此處參數(shù)為500)。最終,種子的機械損傷裂紋提取結(jié)果如圖7(a)所示,圖3(c)的裂紋提取結(jié)果如圖7(b)所示。

圖7 機械損傷裂紋檢測結(jié)果

3 結(jié)果與分析

利用上述檢測算法對圖2(a)中的多粒玉米種子分別自動進行機械損傷裂紋的檢測,并將最終檢測到的含有機械損傷裂紋的種子在原始圖像中使用黑色矩形框進行標(biāo)記。檢測結(jié)果如圖8所示。

圖8 標(biāo)記圖2(a)中含有機械損傷裂紋的種子

人工隨機地選取外部輪廓形態(tài)基本完整的“鄭單958”機械損傷裂紋玉米種子與無裂紋種子共160粒(含320個面),利用上述檢測算法對其種子的任意面進行機械損傷裂紋檢測。分別統(tǒng)計胚面含裂紋與不含裂紋種子的檢測準(zhǔn)確率及胚乳面含裂紋與不含裂紋種子的檢測準(zhǔn)確率,并計算平均準(zhǔn)確率。檢測結(jié)果如表1所示。

表1 機械損傷裂紋的檢測結(jié)果

由表1可知:玉米胚面含裂紋與不含裂紋種子的檢測準(zhǔn)確率分別為94.8%和93.3%,胚乳面含裂紋與不含裂紋種子的檢測準(zhǔn)確率分別為84.7%和89.3%。針對320個面的平均檢測準(zhǔn)確率為90.6%。影響檢測準(zhǔn)確率的主要原因是由于少部分種子的裂紋部位被種皮所遮擋,且個別種子的表面粘連著污物也是造成誤判的主要原因之一。

4 結(jié)論

1)基于機器視覺與數(shù)字圖像處理技術(shù),在H顏色分量下使用最大類間方差法從一幅包含多個玉米種子的圖像中分割出種子區(qū)域,并結(jié)合數(shù)學(xué)形態(tài)學(xué)處理與區(qū)域?qū)傩远攘亢瘮?shù)分別對每粒種子進行自動裁剪。采用基于模糊集和浮雕算法的圖像增強方法,并使用基于小波變換模極大值的邊緣檢測方法凸顯了玉米種子的裂紋區(qū)域。通過構(gòu)造種子的掩膜圖像并結(jié)合圖像的相乘運算去除了種子的輪廓。利用數(shù)學(xué)形態(tài)學(xué)處理結(jié)合對二值圖像中連通域的篩選,去除了種子區(qū)域的噪聲并較完整地提取出了種子的裂紋區(qū)域。對圖像中所有種子的機械損傷裂紋檢測結(jié)束后,自動綜合每粒種子的檢測結(jié)果并將檢測到的含有裂紋的玉米種子在原始圖像中框選標(biāo)記。

2)對“鄭單958”品種的玉米種子進行了機械損傷裂紋的檢測,平均檢測準(zhǔn)確率為90.6%。檢測結(jié)果表明:該算法對于玉米種子的機械損傷裂紋檢測效果明顯。本研究為裂紋玉米種子的自動化識別提供了一種方法,對于提高玉米種業(yè)的質(zhì)量具有重要的意義。