于佳楊，王鳳花*，張兆國，楊薇，朱海龍

(昆明理工大學(xué) a.現(xiàn)代農(nóng)業(yè)工程學(xué)院；b.工程訓(xùn)練中心，云南 昆明 650500)

基于計(jì)算機(jī)視覺的三七主根質(zhì)量的分級方法

于佳楊a，王鳳花a*，張兆國a，楊薇a，朱海龍b

(昆明理工大學(xué) a.現(xiàn)代農(nóng)業(yè)工程學(xué)院；b.工程訓(xùn)練中心，云南 昆明 650500)

選取干燥后的三七主根樣本110個，運(yùn)用計(jì)算機(jī)視覺技術(shù)獲取三七主根樣本圖像，對圖像進(jìn)行灰度化、二值化以及形態(tài)學(xué)運(yùn)算，提取長、寬、投影面積等特征值。結(jié)果表明，三七主根的形狀可分為錐形和瘤形，分別對2種主根建立投影面積和質(zhì)量的關(guān)系預(yù)測模型，三七主根的質(zhì)量和投影面積呈線性相關(guān)，錐形三七主根與瘤形三七主根投影面積和質(zhì)量預(yù)測模型的決定系數(shù)R2分別為0.984 9和0.986 6。采用十折交叉驗(yàn)證法對質(zhì)量預(yù)測模型進(jìn)行驗(yàn)證，錐形三七主根質(zhì)量誤差均值0.334 8 g；瘤形三七主根質(zhì)量誤差均值0.494 9 g。

三七主根；質(zhì)量；分級；圖像處理；預(yù)測模型

投稿網(wǎng)址：http：//xb.ijournal.cn

名貴中藥材三七，是“云南白藥”、“復(fù)方丹參片”和“漳州片仔癀”等藥品的主要成分[1–2]。目前，三七主根的分級方法主要靠人工分級，勞動強(qiáng)度大，準(zhǔn)確率低，效率低。

計(jì)算機(jī)視覺技術(shù)已廣泛應(yīng)用于農(nóng)產(chǎn)品外形識別[3–6]、農(nóng)產(chǎn)品檢測與分級[7–13]。展慧等[14]基于BP神經(jīng)網(wǎng)絡(luò)與板栗圖像特征，對缺陷板栗進(jìn)行了分級檢測，準(zhǔn)確率達(dá)91.67%。張志強(qiáng)等[15–16]運(yùn)用機(jī)器視覺技術(shù)，建立魚體投影面積與質(zhì)量的關(guān)系模型，對淡水魚進(jìn)行質(zhì)量分級，相對誤差為3.89%，之后針對常見的4種淡水魚的圖像特征進(jìn)行品種識別，準(zhǔn)確率達(dá)96.67%。目前，基于計(jì)算機(jī)視覺技術(shù)對不規(guī)則中藥材的識別和分級應(yīng)用較少。筆者運(yùn)用計(jì)算機(jī)視覺技術(shù)，提取三七主根特征值，對錐形和瘤形三七主根進(jìn)行品種識別。分別建立錐形和瘤形三七主根投影面積與質(zhì)量關(guān)系的預(yù)測模型，并進(jìn)行驗(yàn)證，以期建立一種快速、有效的三七主根質(zhì)量分級方法?，F(xiàn)將結(jié)果報道如下。

1 材料和方法

1.1 材料

選取具有代表性的云南文山三七，隨機(jī)抽取110個三七主根為試驗(yàn)對象，干燥后稱重，質(zhì)量分布如表1所示。

表1 三七主根樣本的質(zhì)量Table 1 Taproot sample quality of Panax notoginseng g

1.2 方法

1.2.1 圖像的采集

圖像采集處理系統(tǒng)包括硬件和軟件2部分。硬件包括自制50 cm×50 cm×30 cm光照箱，光照箱頂部裝有6個24 W的LED球燈，側(cè)面裝有9根10 W的LED燈管，2 000萬像素CCD相機(jī)1臺，畫有1 cm2參照的A4紙1張。將相機(jī)固定在光照箱的頂部，使鏡頭穿過光照箱頂部預(yù)留的圓孔對準(zhǔn)圖像采集區(qū)，確保相機(jī)能清晰地采集三七主根的圖像。軟件主要應(yīng)用MATLAB2012進(jìn)行圖像的預(yù)處理，包括圖像的灰度化、二值化、主根長度、寬度、投影面積等特征值的提取。應(yīng)用DPS數(shù)據(jù)處理系統(tǒng)[17]進(jìn)行數(shù)據(jù)的計(jì)算和分析。

1.2.2 圖像的預(yù)處理

圖像預(yù)處理包括對原始圖像的灰度化、二值化以及形態(tài)學(xué)運(yùn)算中的開運(yùn)算和閉運(yùn)算處理?；叶然幚砑从没叶戎荡嬖嫉牟噬畔ⅰ６祷幚碇饕峭ㄟ^確定一個閾值使目標(biāo)圖像與背景圖像分離開來，采用雙峰法確定閾值。開運(yùn)算與閉運(yùn)算的結(jié)合處理可以消除圖像中的雜散點(diǎn)，使目標(biāo)圖像更加清晰[18]。處理結(jié)果如圖1所示。

圖1 三七主根的原始圖像和二值圖像Fig.1 Color image and binary image of P. notoginseng taproot

1.2.3 特征值的提取

特征值主要包括三七主根的投影面積、長度和寬度。由于二值化后的圖像中只存在0與1兩個像素值，其中目標(biāo)圖像顯示為黑色，像素值為0，背景圖像顯示為白色，像素值為1。通過特征值提取，計(jì)算出1 cm2參照所含像素點(diǎn)為90 086個，通過目標(biāo)圖像和參照圖像像素點(diǎn)個數(shù)的比值即可算出目標(biāo)圖像的面積。計(jì)算黑色像素點(diǎn)所占的行數(shù)和列數(shù)，行數(shù)代表三七主根圖像像素尺寸的長，列數(shù)代表三七主根圖像像素尺寸的寬，為使計(jì)算值接近真實(shí)值，圖像采集時，應(yīng)將三七主根水平或豎直放置。三七主根的像數(shù)尺寸如圖2所示。

圖2 三七主根的像素尺寸Fig. 2 Pixel size of P. notoginseng taproot

2 結(jié)果與分析

2.1 三七主根的識別

三七主根按形狀大致分為2種，1種呈紡錘形，表面光滑，凸起少，質(zhì)地均勻，稱之為錐形三七。另1種呈根瘤形，表面存在大量瘤形凸起，質(zhì)地不均勻，稱之為瘤形三七。通過形狀決定系數(shù)對錐形三七主根和瘤形三七主根進(jìn)行識別，形狀決定系數(shù)C=L1/L2(L1為三七主根的長度，L2為三七主根的寬度)。通過對110個樣本進(jìn)行分析，錐形主根Cmin=1.74，瘤形主根Cmax=1.53，采用C=1.6作為臨界點(diǎn)，形狀決定系數(shù)大于1.6的為錐形三七主根，形狀決定系數(shù)小于1.6的為瘤形三七主根。

2.2 錐形三七主根質(zhì)量預(yù)測模型的建立

通過對49根錐形三七預(yù)測樣本進(jìn)行圖像處理與分析，求出三七主根投影面積。分析投影面積y與質(zhì)量x的相關(guān)關(guān)系，并且進(jìn)行回歸分析，得到預(yù)測模型的回歸方程：y=1.882 3x–4.147 6，R2為0.984 9。對預(yù)測模型進(jìn)行F檢驗(yàn)，F(xiàn)=3 079.117，P＜0.000 1，回歸方程極顯著，表明預(yù)測模型可信。

2.3 瘤形三七主根質(zhì)量預(yù)測模型的建立

通過對61根瘤形三七預(yù)測樣本進(jìn)行圖像處理與分析，求出三七主根投影面積。分析投影面積與質(zhì)量的相關(guān)關(guān)系，并且進(jìn)行回歸分析，得到預(yù)測模型的回歸方程：y=1.857 1x–2.217 9, R2為0.986 6。對預(yù)測模型進(jìn)行F檢驗(yàn)，F(xiàn)=2 851.406，P＜0.000 1，回歸方程極顯著，表明預(yù)測模型可信。

2.4 模型的驗(yàn)證

由于樣本量較少，為充分利用數(shù)據(jù)，采用10次十折交叉驗(yàn)證法[19]對模型進(jìn)行驗(yàn)證。將數(shù)據(jù)集隨機(jī)分成10份，輪流將其中的9份作為訓(xùn)練數(shù)據(jù)，1份作為測試數(shù)據(jù)，每次測試都會給出相應(yīng)的評價標(biāo)準(zhǔn)，測試結(jié)果見表2和表3。

表2 錐形三七主根質(zhì)量的測試結(jié)果Table 2 Prediction results of cone P. notoginseng taproot quality

表3 瘤形三七主根質(zhì)量的測試結(jié)果Table 3 Prediction results of nodule shape P. n otoginseng taproot quality

表2結(jié)果表明，錐形三七主根質(zhì)量最大平均誤差為0.770 4 g，最小平均誤差為0.045 1 g，10次檢驗(yàn)計(jì)算的平均誤差均值為0.334 8 g。表3結(jié)果表明，瘤形三七主根質(zhì)量最大平均誤差為0.890 9 g，最小平均誤差為0.036 1 g，10次檢驗(yàn)計(jì)算的平均誤差均值為0.494 9 g。

預(yù)測模型計(jì)算的三七主根質(zhì)量與實(shí)際質(zhì)量之間存在偏差，但其誤差在可接受的范圍內(nèi)。通過圖像處理技術(shù)對三七主根進(jìn)行分級，分級速度和分級質(zhì)量均高于人工分級。

3 結(jié)論

運(yùn)用圖像處理提取三七主根的長寬比值，可將錐形三七主根與瘤形三七主根進(jìn)行區(qū)分，形狀決定系數(shù)大于1.6的為錐形三七主根，小于1.6的為瘤形三七主根，實(shí)現(xiàn)了三七主根形狀的識別。

分別對錐形三七主根和瘤形三七主根建立投影面積與質(zhì)量間的關(guān)系，通過回歸分析建立預(yù)測模型，得到錐形三七主根預(yù)測模型的決定系數(shù)R2為0.984 9，平均誤差均值為0.334 8 g；瘤形三七主根預(yù)測模型的決定系數(shù)R2為0.986 6，平均誤差均值為0.494 9 g。

[1] 崔秀明，詹華強(qiáng)，董婷霞．印象三七[M]．昆明：云南科學(xué)技術(shù)出版社，2009．

[2] 崔秀明，陳中堅(jiān)．三七藥材的道地性研究[M]．昆明：云南科學(xué)技術(shù)出版社，2007．

[3] 陳艷軍，張俊雄，李偉，等．基于機(jī)器視覺的蘋果最大橫切面直徑分級方法[J]．農(nóng)業(yè)工程學(xué)報，2012，28(2)：284–288．

[4] 馮斌，汪懋華．基于計(jì)算機(jī)視覺的水果大小檢測方法[J]．農(nóng)業(yè)機(jī)械學(xué)報，2003，34(1)：73–75．

[5] 張烈平，曾愛群，陳婷．基于計(jì)算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)的芒果檢測與等級分類[J]．農(nóng)機(jī)化研究，2008(10)：57–60．

[6] 孔彥龍，高曉陽，李紅玲，等．基于機(jī)器視覺的馬鈴薯質(zhì)量和形狀分選方法[J]．農(nóng)業(yè)工程學(xué)報，2012，28(17)：143–148．

[7] 王潤濤，張長利，房俊龍，等．基于機(jī)器視覺的大豆籽粒精選技術(shù)[J]．農(nóng)業(yè)工程學(xué)報，2011，27(8)：355–359．

[8] 范良忠，劉鷹，余心杰，等．基于計(jì)算機(jī)視覺技術(shù)的運(yùn)動魚檢測算法[J]．農(nóng)業(yè)工程學(xué)報，2011，27(7)：226–230．

[9] 黃星奕，姜爽，陳全勝，等．基于機(jī)器視覺技術(shù)的畸形秀珍菇識別[J]．農(nóng)業(yè)工程學(xué)報，2010，26(10)：350–354．

[10] 王書志，張建華，馮全，等．基于紋理和顏色特征的甜瓜缺陷識別[J]．農(nóng)業(yè)機(jī)械學(xué)報，2011，42(3)：175–179．

[11] Xu Liming，Zhao Yauchao．Automated strawberry grading system based on image processing[J]．Computers and Electronics in Agriculture，2010，71(8)：32–39．

[12] EIMasry G，Cubero S，Molto E，et al．In-line sorting of irregular potatoes by using automated computer-based machine vision system[J]．Journal of Food Engineering，2012，112(1/2)：60–68．

[13] Chen Xiao，Xun Yi，Li Wei，et al．Combining discriminant analysis and neural networks for corn variety identification [J]．Computers and Electronics in Agriculture，2010，71(1)：48–53．

[14] 展慧，李小昱，王為，等．基于機(jī)器視覺的板栗分級檢測方法[J]．農(nóng)業(yè)工程學(xué)報，2010，26(4)：327–331．

[15] 張志強(qiáng)，牛智有，趙思明．基于機(jī)器視覺技術(shù)的淡水魚品種識別[J]．農(nóng)業(yè)工程學(xué)報，2011，27(11)：388–392．

[16] 張志強(qiáng)，牛智有，趙思明，等．基于機(jī)器視覺技術(shù)的淡水魚質(zhì)量分級[J]．農(nóng)業(yè)工程學(xué)報，2011，27(2)：350–354．

[17] 潘麗軍，陳錦權(quán)．試驗(yàn)設(shè)計(jì)與數(shù)據(jù)處理[M]．南京：東南大學(xué)出版社，2008．

[18] Rafael C Gonzalez，Richard E Woods，Steven L Eddins．?dāng)?shù)字圖像處理(MATLAB版)[M]．阮秋琦，等譯．北京：電子工業(yè)出版社，2005．

[19] 郭立力，趙春江．十折交叉檢驗(yàn)的支持向量機(jī)參數(shù)優(yōu)化算法[J]．計(jì)算機(jī)工程與應(yīng)用，2009，45(8)：55–57．

責(zé)任編輯：羅慧敏

英文編輯：吳志立

Quality classification method of Panax notoginseng taproot based on computer vision

Yu Jiayanga, Wang Fenghuaa*, Zhang Zhaoguoa, Yang Weia, Zhu Hailongb
(a.Faculty of Modern Agricultural Engineering; b.Engineering Training Center,Kunming University of Science and Technology, Kunming ,650500)

In this study, 110 dried Panax notoginseng were selected as the test samples. Computer vision technology was used to obtain the images of Panax notoginseng taproot, which were deal with gray, binary and morphological to extract the length, width and projection area was ed after preprocess.The prediction models were built to calculate the projection area and the weight for cone Panax notoginseng and nodule Panax notoginseng, respectively. The results showed that the weight of mainroot was linely correlated with the projection area. The determination coefficients of cone Panax notoginseng and nodule Panax notoginseng were 0.984 9 and 0.986 6, respectively. The quality prediction model was verified by 10-fold cross-validation method. The average error was 0.3348 g and 0.494 9 g for cone Panax notoginseng and nodule Panax notoginseng, respectively.

Panax notoginseng taproot; quality; classification; image processing; prediction models

TN911.73

A

1007-1032(2016)06-0682-04

2015–12–19

2016–06–08

國家自然科學(xué)基金項(xiàng)目(11226220)；云南省科學(xué)技術(shù)廳項(xiàng)目(2010ZC028)

于佳楊(1991—)，男，吉林白山人，碩士研究生，主要從事農(nóng)產(chǎn)品無損檢測方法的研究，yujiayang0327@qq.com；*通信作者，王鳳花，女，山西泉陽人，副教授，主要從事農(nóng)產(chǎn)品無損檢測方法研究，158877172@qq.com