劉翠玲，王少敏，吳靜珠，孫曉榮

1. 北京工商大學計算機與信息工程學院，北京 100048 2. 北京工商大學食品安全大數(shù)據(jù)技術(shù)北京市重點實驗室，北京 100048

引 言

葵花籽是僅次于棕櫚、大豆、菜籽的世界第四大油料作物，其品質(zhì)的好壞對后期產(chǎn)油及相關(guān)產(chǎn)品的加工至關(guān)重要[1]。由于種植或儲存不當，葵花籽殼內(nèi)籽仁常會出現(xiàn)破損、蟲蝕、空殼等異常情況，若在榨油時選用的葵花籽存在以上異常顆粒，將影響后期出油率及生產(chǎn)油脂的品質(zhì)。因此，從源頭把控，對葵花籽內(nèi)部品質(zhì)進行檢測是很有必要的。

葵花籽異常顆粒的出現(xiàn)將會影響出油率和油脂的品質(zhì)，傳統(tǒng)的檢測方法主要有人工檢驗和機器篩選，人工檢驗耗費人力，主觀性較大，可能存在漏檢等問題；機器篩選會破壞葵花籽外殼，易造成原材料污染，不利于后期貯藏加工。Ma等[2]利用可見光和近紅外區(qū)域的多光譜成像技術(shù)對葵花籽昆蟲侵染、發(fā)霉、異色、酸敗等異常情況進行了非破壞性區(qū)分，利用Fisher’s線性判別函數(shù)進行特征波長提取，結(jié)合Wilks lambda逐步法，對完好無損的葵花籽進行分類，準確率最低可達到97%；同時利用多光譜成像技術(shù)結(jié)合主成分分析聚類分析(PCA-CA)，對不同酸敗程度的完整向日葵種子進行精準區(qū)分。李艷茹等[3]利用低場核磁共振技術(shù)結(jié)合主成分分析(PCA)方法對3種不同品種的葵花籽進行區(qū)分，并建立偏最小二乘回歸(PLSR)模型對3種葵花籽的含油量進行預測，實現(xiàn)了葵花籽品質(zhì)的檢測。Jayabrindha等[4]通過機器視覺技術(shù)對10個不同品種的葵花籽進行品種鑒定，利用SVM分類算法結(jié)合最佳順序級聯(lián)方法，分類準確率達到98.82%。以上研究內(nèi)容均實現(xiàn)對葵花籽品質(zhì)的檢測，但由于實驗儀器或方法的限制，均通過葵花籽的外部特征或剝除外殼后對品質(zhì)進行檢測研究，無法實現(xiàn)對葵花籽殼內(nèi)籽仁品質(zhì)的帶殼無損檢測。

太赫茲波介于紅外和微波之間，具有較低能量和較高穿透性，不會引起有害的電離反應，且對絕大部分非極性物質(zhì)有較強穿透能力，近年來在食品[5]、農(nóng)業(yè)[6]、工業(yè)[7]、醫(yī)學[8]、安檢[9]及考古[10]等檢測領(lǐng)域得到了廣泛應用。相比現(xiàn)有檢測手段，太赫茲時域光譜成像技術(shù)能在不破壞葵花籽外殼的情況下將內(nèi)部籽仁的形態(tài)以圖像的形式呈現(xiàn)出來。因此，本文利用太赫茲時域透射成像技術(shù)分別獲得帶殼葵花籽正常粒、破損粒、蟲蝕粒和空殼粒的透射圖像，再通過形態(tài)學濾波和K-均值圖像分割算法，實現(xiàn)對葵花籽殼內(nèi)籽仁品質(zhì)的帶殼無損檢測，為帶殼油料作物內(nèi)部品質(zhì)的無損檢測提供新思路。

1 實驗部分

1.1 材料

本文選擇主要用于榨油的小油葵作為實驗對象。為檢測葵花籽常見的異常情況，選用一顆正?？ㄗ裑如圖1(a)]作為參照樣本，同時參照GB/T 5494—2008《糧油檢驗 糧食、油料的雜質(zhì)、不完善粒檢驗》制備破損粒[如圖1(b)，去掉葵花籽仁一部分)、蟲蝕粒(如圖1(c)，籽仁邊緣挖洞]、空殼粒[如圖1(d)，去掉籽仁]三類異常樣本。制備完成后將葵花籽的外殼嚴絲合縫的合并固定，使其在外觀上與正?？ㄗ淹耆嗤?/p>

圖1 葵花籽樣品圖(a)：正常粒；(b)：破損粒；(c)：蟲蝕粒；(d)：空殼粒Fig.1 Sample of sunflower seeds(a)：Normal seed；(b)：Damaged kernel；(c)：Worm-eaten kernel；(d)：Empty seed

1.2 儀器

實驗儀器采用劍橋Tera View公司生產(chǎn)的太赫茲時域脈沖光譜儀，型號為TeraPulse 4000，如圖2(a)所示，成像方式為脈沖成像，可發(fā)射頻率從60 GHz到4 THz(2～133 cm-1)的太赫茲波，信噪比最高可達到70 dB。圖像數(shù)據(jù)采集部分利用太赫茲透射成像附件進行，如圖2(b)所示，其掃描范圍為20 mm×20 mm。

圖2 實驗儀器(a)：太赫茲脈沖光譜儀；(b)太赫茲透射成像附件Fig.2 Experimental apparatus(a)：Terahertz pulse spectrometer；(b)：Terahertz transmission imaging attachment

1.3 光譜圖像采集

葵花籽光譜圖像采集具體過程如下：將透射附件安裝到太赫茲時域脈沖光譜儀上，采集無樣品時的太赫茲脈沖波作為參考信號，確認信號源無誤后開始正式實驗。將樣品固定在樣品架中心位置，設(shè)置相關(guān)參數(shù)后開始采集，采集過程由TeraPulse軟件控制執(zhí)行。根據(jù)樣本大小設(shè)置合適的采樣范圍，以0.2 mm分辨率進行光譜圖像采集，采集一個完整的樣本圖像所需時間約13～14 min。圖像重構(gòu)方式選擇峰峰值成像。

1.4 數(shù)據(jù)處理方法

太赫茲圖像含有噪聲，分辨率較低，邊緣模糊不光滑，需要對原始圖像進行相關(guān)優(yōu)化處理，保證葵花籽品質(zhì)檢測的準確性。

1.4.1 圖像濾波處理

為保留葵花籽透射圖像中的邊緣信息，選用形態(tài)學濾波器(Morphological filter)中的外部梯度[11]進行圖像濾波處理。外部梯度先對原始圖像進行一定次數(shù)的膨脹操作，再將膨脹結(jié)果與原始圖像做差，實現(xiàn)對原始圖像的濾波。

1.4.2 圖像分割算法

圖像分割方法包括基于閾值、基于區(qū)域、基于聚類及基于特定理論四大類，本研究選用基于聚類的K-均值(K-means)圖像分割算法對濾波后的葵花籽圖像進行分割。K-means算法可以實現(xiàn)類間相似度最低和類內(nèi)相似度最高[12]，其基本原理[13]為：

將待分割圖像中所有像素點看作數(shù)據(jù)集合中的所有樣本點，隨機選取K個樣本點作為初始聚類中心，計算每個樣本點到各聚類中心的歐氏距離，找出其中的最小值，將該樣本點劃入該聚類中心所屬類，遍歷完所有樣本點以后，重新確定聚類中心，一般以所在區(qū)域內(nèi)樣本點的均值作為新的聚類中心；然后再次計算每個樣本點到新的聚類中心的距離，對樣本重新進行歸類，再次調(diào)整聚類中心；重復以上步驟，直到聚類中心不再改變，即當前所屬類區(qū)域內(nèi)的樣本點到該聚類中心的歐式距離平方和最小，樣本點劃分完畢，圖像分割完成。

以上數(shù)據(jù)處理過程均通過Matlab2017軟件完成。

2 結(jié)果與討論

太赫茲圖像不僅包含樣品的空間信息，也包括樣品時間軸上的信息，圖像中的每個像素點代表一條光譜。通過太赫茲透射成像附件掃描所得樣本的太赫茲圖像如圖3所示，觀察葵花籽的太赫茲圖像可發(fā)現(xiàn)，葵花籽內(nèi)部籽仁的形態(tài)可初步分辨，但仍存在分辨率較低，邊緣不明確的問題。

圖3 四類葵花籽的太赫茲透射圖像(a)：正常粒；(b)：破損粒；(c)：蟲蝕粒；(d)：空殼粒Fig.3 Terahertz transmission images of four categories of sunflower seeds(a)：Normal seed；(b)：Damaged kernel；(c)：Worm-eaten kernel；(d)：Empty seed

此外，葵花籽的不同位置成像后顏色不同，以蟲蝕粒為例，對比籽仁部分和外殼部分太赫茲光譜可以發(fā)現(xiàn)有明顯區(qū)別，如圖4所示。籽仁主要成分為脂肪和蛋白質(zhì)，所得太赫茲光譜曲線圖有明顯的兩個峰，并且籽仁部分相比空殼部分較厚，對太赫茲波的吸收較強，因此太赫茲信號的強度最大只達到2左右；空殼部分為干燥的木質(zhì)化外殼，對太赫茲信號吸收較少，太赫茲信號的強度最大可達到5左右。由于不同位置物質(zhì)不同，對太赫茲光的吸收強度不同，太赫茲光透射率不同，最終探測到返回的信號強度不同，使得重構(gòu)后圖像的不同位置有明顯的顏色差異。因此，通過對葵花籽的太赫茲圖像進行分析處理，實現(xiàn)對葵花籽品質(zhì)的帶殼無損檢測是可行的。

圖4 葵花籽不同位置對應的時域光譜Fig.4 Time-domain spectra corresponding to different positions of sunflower seed

2.1 圖像濾波結(jié)果

為實現(xiàn)對葵花籽殼內(nèi)籽仁異常情況的檢測，需要提高圖像的對比度，同時盡可能保證邊緣信息被保留，因此首先對葵花籽太赫茲圖像進行濾波處理。圖5為采用中值濾波、均值濾波及非局部均值(non-local means，NLM)濾波對蟲蝕粒的太赫茲圖像進行濾波所得的結(jié)果，其中圖5(a)為利用5×5模板進行均值濾波所得結(jié)果，圖5(b)為5×5模板進行中值濾波的結(jié)果，圖5(c)為搜索窗口為5×5、鄰域窗口為2×2、濾波程度為10時NLM濾波結(jié)果。

圖5 蟲蝕葵花籽太赫茲圖像濾波結(jié)果圖(a)：5×5模板均值濾波；(b)：5×5模板中值濾波；(c)：NML濾波Fig.5 Terahertz image filtering results of insect-eroded sunflower seeds(a)：5×5 template mean filtering；(b)：5×5 template median filtering；(c)：NML filtering

圖6為采用外部梯度對葵花籽蟲蝕粒的太赫茲圖像進行濾波的結(jié)果。在利用外部梯度進行濾波時，應先考慮對原始圖像的膨脹。由膨脹的原理可知，與原始圖像進行卷積的核的選擇會直接影響濾波后圖像的質(zhì)量。觀察采集的太赫茲圖像可發(fā)現(xiàn)由于儀器精度限制和噪聲影響，圖像邊緣為鋸齒狀。為保證樣本形狀不發(fā)生巨大變化，同時使邊緣光滑，本文選擇的核為平坦型菱形結(jié)構(gòu)元素，其尺寸大小為3。同時，為確保圖像不被過度膨脹，本文只對各葵花籽的透射圖像進行一次膨脹，之后將膨脹結(jié)果與原始圖像做差，求得外部梯度。對比蟲蝕粒的外部梯度結(jié)果[如圖6(c)]和基礎(chǔ)形態(tài)學梯度結(jié)果[如圖6(d)]可發(fā)現(xiàn)，外部梯度的濾波結(jié)果相比基本形態(tài)學梯度的濾波結(jié)果有明顯提升。

圖6 蟲蝕葵花籽太赫茲圖像形態(tài)學濾波結(jié)果圖(a)：原始圖像；(b)；一次膨脹結(jié)果；(c)：外部梯度；(d)：形態(tài)學梯度Fig.6 Results of morphological filtering of insect-eroded sunflower seeds terahertz image(a)：Original image；(b)：One dilatation result；(c)：External gradient；(d)：Morphological gradient

對比圖5和圖6(c)的濾波結(jié)果可以發(fā)現(xiàn)，中值濾波、均值濾波及NLM濾波能很好地去除噪聲，但圖像清晰度低，邊緣部分并沒有得到很好地保留，不利于葵花籽籽仁形態(tài)的檢測。而形態(tài)學濾波明顯提升了圖像質(zhì)量，在有效去除圖像噪聲的同時，提高圖像對比度，還能準確保留圖像邊緣信息，使葵花籽與背景之間有明顯界限，其濾波結(jié)果明顯優(yōu)于中值濾波、均值濾波及NLM濾波結(jié)果。四種不同狀態(tài)的葵花籽對應的形態(tài)學濾波結(jié)果如圖7所示。

圖7 不同狀態(tài)葵花籽圖像形態(tài)學濾波結(jié)果(a)：正常粒；(b)：破損粒；(c)：蟲蝕粒；(d)：空殼粒Fig.7 Morphological filtering results of sunflower seed images with different states(a)：Normal seed；(b)：Damaged kernel；(c)：Worm-eaten kernel；(d)：Empty seed

2.2 圖像分割結(jié)果

為進一步準確識別葵花籽殼內(nèi)籽仁狀態(tài)，本文采用K-means聚類算法對濾波后的太赫茲圖像進行圖像分割。經(jīng)形態(tài)學濾波后的太赫茲圖像是RGB圖像，構(gòu)成的是一種非均勻顏色空間，用歐氏距離難以測量出顏色之間的特征差異，影響分割效果。而CIE(Commission Internationale de L’Eclairage，國際照明委員會)-Lab顏色空間是一種均勻的顏色空間[14]，在該顏色空間中，歐氏距離測量不同顏色之間差異性時具有不變性，即顏色相近的像素點其歐氏距離相應較小，顏色差異較大的其對應歐氏距離也較大[15]。因此，為使圖像分割結(jié)果準確，先將濾波后的太赫茲圖像轉(zhuǎn)換到Lab顏色空間再進行分割。

K-means聚類算法是一種無導師監(jiān)督的學習算法，初始聚類中心個數(shù)K的選擇直接影響圖像分割結(jié)果。本文針對籽仁的不同狀態(tài)確定各葵花籽圖像的初始聚類中心個數(shù)K如下：破損粒K=4，蟲蝕粒K=5，空殼粒K=3、正常粒K=4。確定初始聚類中心的個數(shù)后，設(shè)置最大迭代次數(shù)為500次，即可對不同狀態(tài)的葵花籽圖像進行分割，結(jié)果如圖8所示。

由圖8可看出，空殼粒圖像分割結(jié)果[圖8(d)]最好，能迅速準確的判斷殼內(nèi)無籽仁；正常粒[圖8(a)]、破損粒[圖8(b)]及蟲蝕粒[圖8(c)]的分割結(jié)果能將葵花籽籽仁部分劃分為一個類，但籽仁的最中間部分被分割到與背景同類，分析其原因是由于葵花籽籽仁的最中間位置沒有邊緣部分緊實，透過的太赫茲光強度相對較大，成像后的顏色經(jīng)形態(tài)學濾波后與背景顏色接近，故而在圖像分割時與背景歸為一類，但最終的圖像分割結(jié)果并未影響對葵花籽籽仁形態(tài)的判定。因此，盡管存在一些小的噪聲類，但K-means分割算法仍能準確呈現(xiàn)葵花籽殼內(nèi)籽仁的形態(tài)，實現(xiàn)對葵花籽品質(zhì)的無損檢測。

圖8 不同狀態(tài)葵花籽圖像K-means圖像分割結(jié)果(a)：正常粒；(b)：破損粒；(c)：蟲蝕粒；(d)：空殼粒Fig.8 K-means image segmentation results of sunflower seed images with different states(a)：Normal seed；(b)：Damaged kernel；(c)：Worm-eaten kernel；(d)：Empty seed

3 結(jié) 論

利用太赫茲時域透射成像技術(shù)分別獲得正常飽滿的葵花籽和籽仁破損、蟲蝕、缺失三種異常情況下葵花籽的太赫茲圖像，利用形態(tài)學濾波中的外部梯度對葵花籽太赫茲圖像進行濾波處理，在提高圖像清晰度的同時，保證了樣品的形狀及邊緣信息不被改變或模糊。此外，結(jié)合K-means圖像分割算法對濾波后圖像進行分割，提高了對葵花籽殼內(nèi)籽仁形態(tài)的檢測準確性。實驗結(jié)果表明，相比傳統(tǒng)檢測方法費時費力，易造成原材料污染等缺點，太赫茲時域透射成像技術(shù)可以在不破壞葵花籽外殼的情況下將殼內(nèi)籽仁的形態(tài)以圖像的形式直觀呈現(xiàn)，結(jié)合形態(tài)學濾波算法及K-means圖像分割算法，能夠?qū)ㄗ褮?nèi)籽仁的品質(zhì)實現(xiàn)快速無損綠色檢測，為建立基于太赫茲時域光譜圖像的葵花籽品質(zhì)檢測模型奠定基礎(chǔ)，為油料作物內(nèi)部品質(zhì)的帶殼無損檢測提供新的方法參考。