logo资料库

论文研究-基于机器视觉的有色稻米品质检测 .pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：1.08M 资料格式：pdf 举报 版权申诉
第1页 / 共12页
第2页 / 共12页
第3页 / 共12页
第4页 / 共12页
第5页 / 共12页
第6页 / 共12页
第7页 / 共12页
第8页 / 共12页
资料共12页，剩余部分请下载后查看
    中国科技论文在线 http://www.paper.edu.cn 基于机器视觉的有色稻米品质检测 陈淑绵 1，张卓玲 2，贺敬梓 1，黄晓婷 1，梁翠晓 1，林忠凯 3，杨振刚 1** （1. 华南农业大学数学与信息学院，广州 510642； 2. 用友网络科技股份有限公司，广州 510620； 3. 华南农业大学电子工程学院，广州 510642） 摘要：利用机器视觉检测有色稻米的外观品质是农业生产现代化的关键技术。本文首先设计 了有色稻米红外图像的视觉检测系统，选择红米为实验对象，抽取 20 组红米样本，其中红 粳米 10 组，红籼米 10 组。利用视觉实验采集有色稻米图像共 100 幅，其中红粳米图像 50 幅，红籼米图像 50 幅，然后利用线性变换和阈值分割提取垩白区域，根据籽粒区域的同二 阶中心矩椭圆长轴长度筛选碎米粒，使用连通域标记算法实现目标籽粒计数。实验结果显示， 本文算法检测垩白粒率的准确率为 95.4%，检测垩白度的准确率为 97.18%，检测碎米率的 准确率为 98.4%，表明了本文提出的有色稻米品质检测算法具有较高准确性，为有色稻米品 质检测与分级提供技术支持。 关键词：有色稻米；品质检测；机器视觉；稻米分级 中图分类号：TP391. 41 5 10 15 Quality detection of colored rice based on machine vision Chen Shumian1, Zhang Zhuoling2, He Jingzi1, Huang Xiaoting1, Liang Cuixiao1, Lin Zhongkai3, Yang Zhengang1 20 (1. Mathematics and Informatics of South China Agricultural University, Guangzhou 510642; 2. Yonyou Software Co., Ltd., Guangzhou 510620; 3. Electronic Engineering of South China Agricultural University, Guangzhou 510642) Abstract: Appearance quality detection of colored rice using machine vision is the key technology for agricultural production modernization. First, a vision detection system of colored rice infrared images was designed. Red rice was taken as the experimental object, and 20 groups of red rice samples were selected, including 10 groups of red japonica and 10 groups of red indica. A total of 100 colored rice images were collected by visual experiments, of which 50 were red japonica images and 50 were red indica images. Then, linear transformation and threshold segmentation were used to extract the chalkiness regions. The broken rice were screened according to the length of major axis of the ellipse which has the same second-order central moment as the grain. And the counting of the target grains was realized using the connected region labeling algorithm. The experimental results show that the accuracy of detecting the chalky kernel percentage is 95.4%, the accuracy of detecting the chalkiness degree is 97.18%, and the accuracy of detecting broken kernel percentage is 98.4%, indicating that the proposed algorithm has high accuracy, which provides technical support for quality detection and grading of colored rice. Key words: Colored rice; Quality detection; Machine vision; Rice grading 25 30 35 0 引言 我国是世界最大的水稻生产国，但每年稻米出口量低于进口量，出口稻米品质不稳定， 作者简介：陈淑绵（1997-），女，本科生，主要研究方向：机器视觉 通信联系人：杨振刚(1976-)，男，副教授，硕导，主要研究方向：系统工程、人工智能等方面. E-mail: yzg@scau.edu.cn - 1 -
    40 45 50 55 60 65 70 中国科技论文在线 http://www.paper.edu.cn 国际市场竞争力较低。随着人民生活水平提高，稻米品质越来越受重视，谷物的品质好坏直 接影响人们的生活。为提高稻米品质，不仅需要培育稻米优良品种，还需要提高稻米品质检 测水平。品质检测是优化稻米商品流通的重要环节。传统品质检测方法采用人工感官评定， 主观性较强，即使是同一人员检测也会因不同时段身体和情绪的变化产生不同的判断结果。 机器视觉代替人工检测是谷物品质检测与分级发展的必然趋势，相较于人工检测，它能够做 到精确、无损和快速检测，极大地改善了人工检测中存在的缺点，使传统有损理化检测转变 为无损视觉检测。DM Hobson 等[1]（2007）建立了一个高效简单的成像与处理系统，使用无 监督聚类评估不同谷物品种特征，显示不同品种之间的差异程度，从而成功实现识别。CB Singh 等[2]（2009）设计了结合长波近红外和短波近红外超高频成像系统和区域扫描彩色摄 像机的机器视觉系统，对健康和受损的小麦籽粒进行成像分析，识别结果较好，误差低于 4%。Chen X 等[3]（2012）等通过图像分析，计算出水稻形态和纹理特征，利用 LS-SVM 有 效识别头稻和碎米。R.Kiruthik 等[4]（2013）开发籽粒质量评估系统，分析有关稻米的相关 形态参数，识别不同稻米品种。Lilik Sumaryanti 等[5]（2015）通过分析水稻的六个颜色特征、 四个形态特征和两个纹理特征来识别分类不同品种的水稻，平均精度为 70.3%。Kaur 等[6] （2013）提出一种基于多类 SVM 的稻谷粒级分类算法，同时应用最大类间方差法从背景中 提取水稻籽粒，然后进行稻谷粒级分类。国内学者在稻米品质检测也有一定研究成果，孙明 等[7]（2002）设计出一套基于机器视觉的稻米外观品质检测装置，通过改进流域算法和运用 BP 神经网络实现了稻米垩白度、垩白粒率、黄粒米和粒型的检测。吴彦红等[8]（2007）研 制了一套大米外观品质检测系统，实现对大米垩白、裂纹和粒型等的检测。刘光蓉等[9]（2009） 采用阈值分割提取与比色卡灰度相同的垩白区域。万鹏等[10]（2015）将大米籽粒中心面积 用不同半径同心圆分成 5 份，提取各子区域的 H 特征值，构建 BP 神经网络判别大米加工精 度。王粤等[11]（2016）利用大米籽粒 HIS 图像 I 分量直方图分布区别正常米粒与垩白米粒， 应用改进 OTSU 算法检测垩白。潘磊庆等[12]（2017）提取了稻谷图像灰度、颜色和纹理等 68 个特征，结合 SPA 特征与 SVM 准确区分霉变稻谷与正常稻谷，并判断稻谷霉变程度。 综合以上研究，机器视觉在稻谷品种识别和品质分级中已有广泛应用，但较少涉及有色 稻米品质检测的研究。有色稻米谷皮中的色素使得无论是肉眼检测，还是一般的机器视觉检 测仪器都难以识别垩白情况。需将有色稻米精加工到三级精米后，按稻米的国家标准才能检 测其垩白度。为此，本文提出一种基于机器视觉的有色稻米无损品质检测的方法。由于未出 台有关有色稻米的国家标准文件，结合本文所采用的检测方法，本文将垩白粒率、垩白度和 碎米率列为有色稻米质量评价指标，具体标准参考现行国家标准文件 GB/T 1354-2009 中优 质大米的垩白粒率和碎米率指标，以及 GB/T 17891-2017 中的垩白度指标。其中，垩白粒率 定义为垩白粒占试样籽粒数的百分率，垩白度定义为垩白面积占试样籽粒面积总和的百分比， 碎米率定义为碎米面积占试样籽粒总和面积的百分比。 - 2 -
    中国科技论文在线 http://www.paper.edu.cn 1 材料与方法 1.1 试验材料 75 本文以红米为实验对象，取用市面上常见的两个有色稻米品种：粳稻和籼稻。其中，粳 米产地为河南，籼米产地为广西。红粳米外形粗短，平均长度约为 5.5mm，平均宽度约为 3mm，如图 1（a）。红籼米外形细长，平均长度约为 7mm，平均宽度为 1.5mm，如图 1（b）。 现有的有色稻米均为糙米，种皮和谷皮中含有色素，肉眼无法判断试验材料的垩白情况，需 要通过特殊手段才能观察到有色稻米的垩白等情况。 80 85 90 （a）河南产红粳米 （b）广西产红籼米 图 1 红粳米和红籼米 Fig. 1 Red japonica and red indica 1.2 试验装置 1.2.1 硬件准备 有色稻米检测视觉系统包括图像采集系统和光源系统，其硬件装配由实验台、工业相机、 背光源和电源模拟控制器所组成，如图 2 所示。图像采集系统包含工业相机和计算机，计算 机内置了图像采集软件和图像处理软件。背光源与电源适配器则构成光源系统。试验使用的 摄像机是维视图像生产的 MV-300SC 型，成像清晰，最大分辨率为 2048×1536 像素。试验 中涉及的背光源分别有白炽光、红外光、紫外光三种。实验平台和背光源均购自东莞乐视 （LOTS）公司。白炽灯型号为 LTS-3FT310310-W，尺寸为 327mm×327 mm ×27mm；红 外 灯 型 号 为 LTS-2FT8080-IR850 ， 尺 寸 为 94 mm × 94 mm × 17mm ； 紫 外 灯 型 号 为 LTS-RN7430-UV，尺寸为 74mm×20mm。白炽背光灯峰值波长为白色光 6600K（色温）； 紫外光源峰值波长可变，范围在 365~395nm之间；红外光源峰值波长可变，范围在 850~940nm 之间。光源亮度（或峰值波长）均可通过电源模拟控制器调节。 - 3 -
    中国科技论文在线 http://www.paper.edu.cn 95 100 105 1.工业相机 2.背光源 3.红米籽粒 图 2 有色稻米红外图像视觉检测系统 Fig. 2 Vision detection system of colored rice infrared images 1.2.2 光源选择 普通稻米视觉品质检测普遍运用的光源是白炽光和紫外光，由于有色稻米表皮的颜色包 裹，普通的白炽灯和紫外灯是否能够反映有色稻米内部品质还需验证。据研究表明，红外光 线在一定条件下可以穿透有色稻米表皮投影出内部情况。为确定最佳光源环境，同时削弱复 杂外部光线及阴影的影响，试验设计中分别采用白炽光、紫外光与红外光作为光源进行实验 比较，各光源均为背光投影。试验过程中肉眼观察确定使成像效果最佳的亮度（或峰值波长）， 各光源下采集有色稻米图像如图 3 所示。 观察可知，白炽灯下的红米虽然有一定的内部投影显示，但受到表皮投影的干扰，难以 清晰判断稻米内部情况。紫外光下的红米只有表皮投影显示，无法反映内部信息，不能作为 试验所需光源。由于红外光线的穿透作用，红外光下的红米在很大程度上去除了表皮投影的 影响，清晰投影出籽粒内部情况。通过各光源下有色稻米成像对比，本文选择红外背光源作 为最佳光源环境。 （a）红籼米在白炽灯光下 （b）红籼米在紫外光下 （c）红籼米在红外光下 110 图 3 有色稻米在各光源下成像对比 Fig. 3 Comparison of colored rice images under different light sources - 4 -
    中国科技论文在线 1.2.3 红外图像采集 http://www.paper.edu.cn 在黑暗环境下进行图像采集，以削弱外部光照及阴影影响。准备红粳米籽粒共 509 颗， 红籼米籽粒共 477 颗，分为 10 组红粳米样本和 10 组红籼米样本，每组样本随机取 45~55 颗籽粒，籽粒内部情况未知。每组样本采集 5 幅稻米红外图像，采集前后，置样本籽粒于红 外背光板，采用人工振动背光板的方式，使籽粒尽量分散，不互相粘连。实验共采集 100 幅有色稻米红外图像，大小为 1556×1460，其中红粳米图像 50 幅，红籼米图像 50 幅，如 图 4 所示。 （a）红粳米图像 （b）红籼米图像 图 4 有色稻米图像采集 Fig. 4 Image acquisition of colored rice images 1.3 图像处理 有色稻米品质检测流程如图 5 所示，红粳米的品质检测过程如图 7 所示，红籼米的品质 检测过程则如图 8 所示。有色稻米品质检测算法可分为以下几部分：图像预处理、目标籽粒 检测、籽粒数量与投影面积统计和质量指标计算。首先采集有色稻米图像，然后转换为灰度 图像，再采用 3×3 的中值滤波进行图像去噪。图像预处理的结果将用于两个处理步骤，分 别是碎米粒和垩白粒的检测。 115 120 125 图 5 有色稻米品质检测流程 Fig. 5 Flow chart of colored rice quality detection - 5 -
    中国科技论文在线 http://www.paper.edu.cn 130 在碎米粒的检测中，利用 OTSU 算法求得自适应阈值去除背景，提取米粒区域并二值 135 140 145 化米粒图像。对米粒进行腐蚀和开运算处理，以达到使粘连米粒分离的目的，然后利用连通 域标记算法计算籽粒总数，并统计籽粒投影总面积。完整籽粒的投影形状为椭圆，长轴较长， 而破碎籽粒投影的椭圆长轴较短。根据这一特点，可统计每颗籽粒的相同二阶中心矩椭圆长 轴长度，长轴较短者判断为碎米粒。本文经过大量实验发现，长轴小于 104 时，对提取红粳 米碎米粒效果较好，而红籼米碎米粒对应的长轴则应小于 122。 在垩白粒的检测中，为减弱摄像头的非线性造成采集的有色稻米红外图像亮度分布不均 匀的影响，首先利用分段线性变换增强垩白区域与非垩白区域的对比，突出垩白区域。线性 变换处理前后的稻米图像如图 6（a）~（b）所示，对应的灰度直方图如图 6（c）~（d）所 示。试验采集的稻米图像中垩白区域原本所在灰度空间为[45,55]，线性变换后垩白区域所在 的灰度区间扩展至[0,50]。由图 6（c）~（d）比较可知，线性变换后垩白区域与非垩白区域 所在灰度空间无重叠，以 50 为阈值能较好地分割出垩白区域。籽粒中胚芽在红外背光下的 投影呈现和垩白相同的亮度，由于所占面积较小，可通过删除小面积去除干扰。 （a）原图 （b）线性变换 （c）原图灰度直方图 （d）线性变换后灰度直方图 图 6 有色稻米图像灰度直方图分析 Fig. 6 Gray level histogram analysis of colored rice images - 6 -
    中国科技论文在线 http://www.paper.edu.cn （a）原图 （d）碎米粒提取 （g）阈值分割 （c）形态学处理 （f）线性变换 （b）OTSU 分割 （e）碎米识别结果 （h）删除小面积 图 7 红粳米品质检测 Fig. 7 Quality detection of red japonica （i）垩白识别结果 （a）原图 （b）OTSU 分割 （c）形态学处理 - 7 -
    中国科技论文在线 http://www.paper.edu.cn （d）碎米粒提取 （g）阈值分割 （e）碎米识别结果 （f）线性变换 （h）删除小面积 图 8 红籼米品质检测 Fig. 8 Quality detection of red indica （i）垩白识别结果 对提取的碎米粒进行膨胀，恢复至接近腐蚀前的面积，然后进行碎米粒和垩白粒的计数 和投影面积统计。根据公式（1）~（3）计算质量指标值，输出大米品质等级。 垩白粒率%= 垩白粒数 垩白度%= 碎米率%= 碎米面积 ×100% （1） ×100%（2） ×100% （3） 试样稻米区域面积总和 试样稻米籽粒数 垩白区域面积 试样稻米区域面积总和 2 试验设计与结果分析 拟合线性方程比较算法检测目标籽粒数与人工检测籽粒数，进行试验结果分析。人工判 别目标籽粒的方法为肉眼观察有色稻米红外图像，对样本籽粒、垩白粒和碎米粒进行数量统 计和投影面积计算，然后根据本文选择的国家标准得出样本真实的垩白粒率、垩白度和碎米 率。 测效果的方程为 = 0.9977 + 0.0736，相关系数 = 0.9969。算法根据 OTSU 分割结 算法检测籽粒数与人工检测籽粒数的比较结果如图 9（a）所示。结果显示，籽粒数量检 果进行形态学处理，再利用连通域标记的方法自动计算样本籽粒数，但由于部分样本粘连米 粒没有完全分离，算法计算的籽粒数小于真实籽粒数，造成了漏检。 - 8 - 150 155 160
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料