殷文俊，張新偉，易克傳

(1.滁州城市職業(yè)學(xué)院 網(wǎng)絡(luò)信息中心，安徽 滁州，239000；2.安徽科技學(xué)院 機(jī)械工程學(xué)院，安徽 鳳陽，233100)

隨著經(jīng)濟(jì)的快速發(fā)展，人們對商品核桃的品質(zhì)要求越來越高[1]。核桃品質(zhì)主要分為外部品質(zhì)和內(nèi)部品質(zhì)。所謂外部品質(zhì)是只外殼完好，不存在裂紋或果殼破損等肉眼可見的缺陷；內(nèi)部品質(zhì)是指核桃是否存在空殼無仁、果仁干癟、果仁變壞、發(fā)黑發(fā)霉等。如果核桃表面存在裂紋或破損，則加工過程中某些物質(zhì)(如脫皮過程中的清洗水)就會進(jìn)入核桃內(nèi)部，使其內(nèi)部果仁受到污染，發(fā)黑發(fā)霉，甚至產(chǎn)生致癌的黃曲霉毒素[2]，所以核桃外部品質(zhì)對其內(nèi)部品質(zhì)有直接影響。要想提高核桃的品質(zhì)，就必須首先對外部存在裂紋或破損的核桃進(jìn)行前期分選。

核桃的外部品質(zhì)檢測已引起重視并取得一定成果，如張新偉等[3]采用6尺度數(shù)學(xué)形態(tài)學(xué)方法對核桃表面裂紋進(jìn)行檢測，通過實體加權(quán)融合與信息熵結(jié)合的融合方法對核桃圖像進(jìn)行融合，試驗發(fā)現(xiàn)多尺度數(shù)學(xué)形態(tài)學(xué)方法的總體檢測準(zhǔn)確率為94%；劉軍等[4]建立基于貝葉斯、神經(jīng)網(wǎng)絡(luò)和SVM的核桃外部缺陷模型。試驗發(fā)現(xiàn)，基于徑向基的SVM識別模型效果最為理想，對裂紋、破殼和黑斑這3類缺陷的識別準(zhǔn)確率依次為93.06%、88.31%和89.27%，對核桃外部缺陷的總體識別率為90.21%；李成吉等[5]采用RC和SPA方法優(yōu)選參數(shù)并建立PLS模型，試驗發(fā)現(xiàn)，對正常、黑斑和破裂3類核桃的識別準(zhǔn)確率依次為88.9%、83.3%和94.6%，總體判別率為88.9%。

研究發(fā)現(xiàn)，現(xiàn)有的缺陷檢測方法存在檢測精度低、過分割以及程序運(yùn)行時間長等問題。最大類間方差閾值分割方法是在傳統(tǒng)的最小二乘法原理基礎(chǔ)上發(fā)展起來的一種方法，其檢測精度較高，已得到廣泛應(yīng)用[6-14]，但計算量非常大[15]。遺傳算法是非線性求解的過程，對于每一個染色體其評價函數(shù)的求解是分開的，其遺傳運(yùn)算相對獨立，這一點適應(yīng)于并行運(yùn)算，可滿足實時性的要求[16-18]。所以，本研究采用最大類間方差閾值法為主要方法，同時引入遺傳算法以解決其計算量大的缺陷，實現(xiàn)對核桃表面裂紋的快速檢測。

1 材料與方法

1.1 試驗材料與設(shè)備

試驗核桃為溫宿185。

試驗設(shè)備主要由計算機(jī)(聯(lián)想天逸pro510，酷睿i7-9700，SSD+2T機(jī)械硬盤，GT730獨立顯卡，21英寸顯示器)和SMZ800體視顯微鏡組成，用于對核桃表面裂紋進(jìn)行肉眼觀察以及裂紋圖像的采集。

1.2 試驗方法

試驗流程如下：

1.2.1 圖像預(yù)處理 將待檢測的核桃圖像下采樣為640像素×480像素，保存格式為JPG。采用卡爾曼濾波方法對待處理的核桃圖像進(jìn)行處理，為下一步的核桃表面裂紋檢測做準(zhǔn)備。

1.2.2 核桃表面裂紋檢測 運(yùn)用OTSU與遺傳算法相結(jié)合的方法對核桃表面存在的裂紋進(jìn)行檢測操作。

裂紋檢測準(zhǔn)確率采用文獻(xiàn)[3]中的計算方法。

1.2.3 核桃圖像后處理 為提高裂紋的檢測準(zhǔn)確率，采用形態(tài)學(xué)方法對檢測后核桃圖像進(jìn)行數(shù)據(jù)點連接操作。

2 基于OTSU遺傳算法檢測核桃表面裂紋的原理與步驟

2.1 檢測原理

OTSU算法是由日本的大津展在上世紀(jì)80年代由最小二乘法原理推導(dǎo)得出，其基本的思想是將圖像的直方圖以某一灰度為閾值，將圖像分成兩組并計算兩組的方差，當(dāng)被分成的兩組間的方差最大時，就以這個灰度為閾值分割圖像[19-20]。

設(shè)一幅圖像的灰度值為m個，灰度值為i的像素數(shù)為ni，則得到的總像素數(shù)為：

(1)

各灰度值的概率為：

(2)

C0和C1組的平均灰度值為：

(3)

(4)

整體平均灰度值為：

(5)

式中，閾值為k時灰度的平均值為：

(6)

采樣的平均灰度值為d(k)=w0(u0-u)2+w1(u-u1)2，并將式(5)代入其中，得到

d(k)=w0w1(u1-u2)2

(7)

在1～m范圍內(nèi)改變k值，求k’，使得d(k')=max(d(k))；然后，以k’為閾值分割圖像，這樣就可以得到最佳的分割效果，但是要想得到式(7)的最大值d(k’)，就必須要對1～m范圍內(nèi)的所有灰度值進(jìn)行方差計算，最后比較得到最大的方差。上述操作的計算量是巨大的。本研究引入遺傳算法[21]，利用其收斂速度快的特點，解決大計算量的問題。

2.2 檢測步驟

本研究利用OTSU算法在解空間中查找到一個最優(yōu)解，使得其方差最大，再利用遺傳算法非線性快速查找最優(yōu)解k’用最大的方差。查閱參考文獻(xiàn)[22-23]，檢測步驟如下：

(1)編碼并生成染色體，為下一步種群的初始化做準(zhǔn)備。

(2)初始化種群。本研究中設(shè)置染色體長度為8，種群大小為10，最大代數(shù)為150。

(3)解碼。將OTSU得到的方差作為每一個染色體的適應(yīng)函數(shù)。根據(jù)公式(7)依次計算出所有染色體的適應(yīng)值。以最大值對應(yīng)的染色體作為遺傳種子。

(4)遺傳運(yùn)算。本研究中采用雙點交叉方法，雜交概率為0.7，變異概率為0.4。

3 結(jié)果與分析

為比較本研究方法的有效性，選用OTSU、遺傳算法、改進(jìn)分水嶺以及本研究方法依次對核桃表面裂紋進(jìn)行檢測處理。采用的評價指標(biāo)參見文獻(xiàn)[24]。所有算法均是在matlab 2017b環(huán)境下進(jìn)行，不同檢測方法的評價指標(biāo)如表1所示。

表1 核桃表面裂紋檢測指標(biāo)對比

通過表1發(fā)現(xiàn)，本研究方法的檢測準(zhǔn)確率最高，為96%，超出改進(jìn)分水嶺算法11%，比單獨的OTSU高出24%，可見將OTSU與遺傳算法相結(jié)合，可以有效地提高核桃表面裂紋的檢測準(zhǔn)確率；從交叉熵指標(biāo)來看，本研究方法最小，為0.0318，與單獨的OTSU方法較為接近，但遠(yuǎn)小于改進(jìn)分水嶺；從形狀測度維數(shù)指標(biāo)來看，本研究方法最高，為0.9293；從運(yùn)行時間來看，本研究方法檢測同一張核桃圖片的運(yùn)行時間最短，為0.54 s，較單獨的OTSU方法減少0.44 s。可見，在OTSU方法檢測核桃表面裂紋過程引入遺傳算法可以有效地縮短檢測時間，主要是由于遺傳算法對最大方差的求解速度進(jìn)行快速收斂，從而縮短了OTSU算法的運(yùn)行時間。

不同方法檢測核桃表面裂紋的效果如圖1所示。

圖1 不同方法檢測核桃表面裂紋的效果對比

從圖3可以看出，改進(jìn)分水嶺算法出現(xiàn)了過分割現(xiàn)象(如圖3b所示)，檢測結(jié)果與文獻(xiàn)[21]相同。與改進(jìn)分水嶺方法相比較，OTSU方法沒有出現(xiàn)過分割的問題，但在核桃圖片中產(chǎn)生椒鹽噪聲(如圖3c所示)，產(chǎn)生原因可能是因為核桃圖像二值化處理過程中的閾值選擇不夠精確。與其他檢測方法相比，本研究方法的檢測效果最為理想(如圖3d所示)，其既不存在過分割的問題，同時檢測后的核桃圖片上也不存在明顯的椒鹽噪聲，并且視覺效果與表1中的試驗數(shù)據(jù)前后一致。原因是遺傳算法在反復(fù)的繁衍過程中，隨著新種群的出現(xiàn)，不斷產(chǎn)生新的遺傳算子，從而使得遺傳算法在不斷的繁衍中得到最大方差的最優(yōu)解。

4 結(jié)論

本研究針對核桃表面裂紋的檢測問題進(jìn)行研究，得到如下結(jié)論：

(1)根據(jù)OTSU的最大方差以及遺傳算法并行計算、收斂速度快的特點，將OTSU與遺傳算法相結(jié)合，實現(xiàn)對核桃表面裂紋的檢測，檢測準(zhǔn)確率為96%。

(2)OTSU結(jié)合遺傳算法的裂紋檢測方法的交叉熵、形狀測試維數(shù)評價指標(biāo)依次為0.0318和0.9293，優(yōu)于改進(jìn)分水嶺、單獨的OTSU方法。

(3)本研究方法檢測一幅核桃圖像的時間為0.54 s，運(yùn)行時間最短。