陳昊然 蔣敏蘭 張長江 吳 穎 吳沛?zhèn)?/p>

(浙江師范大學物理與電子信息工程學院,金華 321004)

隨著人們生活水平的提高，糧食供求的主要矛盾己從數(shù)量的不充足轉為質量的不理想。近幾年我國大力注重食品質量檢測方面，但我國科學檢測儀器產業(yè)起步較晚，與發(fā)達國家之間存在一定的差距。此外，隨著技術進步，大米種類愈發(fā)豐富，使得大米品質檢測設備和技術需要不斷進行技術更新，跟緊市場需求。在人工智能技術背景下，將機器視覺、信息技術和傳感器技術相結合運用在大米品質檢測中[1]，提升了在信息獲取方面的能力，通過對不同數(shù)據的聯(lián)系與分析，可以幫助我們更加精確地分析大米品質指標，從而解決傳統(tǒng)人工檢測技術操作效率低以及主客觀影響因素較多等問題。

堊白度是衡量優(yōu)質大米品質的重要性狀之一，為大米重要品質指標。堊白度不僅關系到外觀好看與否，而且對加工品質、蒸煮品質有很大影響[2]。國家標準GB/T 1354-2018[3]定義了優(yōu)質大米的堊白度標準。對于大米堊白度的檢測，孫明、侯彩云等[4,5]提出了采用圖像閾值分割的方法檢測大米的堊白度，但需要人為調整閾值來滿足實驗效果。徐建東等[6]提出了形態(tài)學分水嶺方式來確定圖像的堊白部分，陳建華等[7]提出了最大類間方差法檢測大米的堊白度，凌云等[7]提出了采用分形維數(shù)的方法識別大米的堊白部分，王粵等[8]提出了改進的最大類間方差(OTSU)方法識別堊白米和堊白度。這些方法都實現(xiàn)了自動確定閾值來分割堊白區(qū)域，這個閾值可以將圖像的前景和背景盡可能的分開，而這個閾值取決于前景與背景的最大類間方差，如果背景上有一定的噪聲干擾，在分割堊白區(qū)域時會存在一定的影響。而在實際采集圖像的過程中，由于大米殘留細小顆粒、空氣灰塵、環(huán)境光源變化以及陰影斑點等影響因素不可避免對圖像造成了一定的干擾，從而導致堊白區(qū)域分割算法存在抗干擾能力弱、穩(wěn)定性差以及準確度低等問題。為解決上述問題本研究提出了一種基于圖像顯著性區(qū)域提取的堊白區(qū)域提取算法，通過對大米堊白區(qū)域的顯著性分析，結合大米的色彩特點能夠精準識別出大米堊白區(qū)域，相較于傳統(tǒng)算法，該算法具有更好的準確性且魯棒性更強。

1 材料與方法

1.1 硬件設備

為了能夠準確識別大米的堊白度，本實驗研發(fā)了堊白米檢測機器視覺系統(tǒng)。該系統(tǒng)硬件示意圖如圖1所示。其中，工業(yè)相機采用500萬像素，拍攝分辨率在2592 dpi×1944 dpi。拍攝環(huán)境設置在暗箱內并采用LED燈光提供光源以便減少環(huán)境光源干擾。在暗箱內有一塊黑色托板用于放置大米，托板顏色與大米顏色相反，使得采集的圖像能更好反映大米的形態(tài)特征。工業(yè)相機通過數(shù)據線將采集到的圖片傳送至電腦，電腦對采集到的圖片進行分析并計算大米的堊白度。

注：1.工業(yè)相機，2．LED光源，3．大米放置托板，4．數(shù)據線，5．電腦。圖1 堊白米檢測機器視覺硬件示意圖

1.2 系統(tǒng)工作流程

堊白米檢測機器視覺系統(tǒng)工作流程如圖2所示。首先，把大米放置暗箱中用工業(yè)相機進行拍攝，獲取圖像后先對圖像進行灰度化處理，然后對圖像進行中值濾波讓圖像更為平滑減少噪聲干擾，再對圖像進行反運算突出大米圖像區(qū)域，并對其進行閾值分割后計算出大米面積，另外通過圖像顯著性區(qū)域提取的算法對圖像堊白區(qū)域進行提取并計算堊白區(qū)域面積，最后計算出大米的堊白度。

圖2 堊白米檢測機器視覺系統(tǒng)工作流程圖

1.3 大米堊白度檢測方法

1.3.1 大米堊白度測算

大米國家標準GB/T 1354—2018[3]中指出堊白米是指大米胚乳中的白色不透明部分，包括(腹白、心白和背白)。堊白度的計算公式如式(1)所示。根據公式(1)可知，計算大米堊白度需要得出大米像素面積和堊白區(qū)域像素面積。

(1)

1.3.2 圖像預處理

通過工業(yè)相機采集到大米圖像后將圖像裁剪成512 px×512 px像素，如圖像3a所示。為了減少噪聲對圖像顯著區(qū)域提取效果的影響，對圖像進行灰度化，并對灰度圖像進中值濾波處理，中值濾波可以較好的抑制脈沖干擾級椒鹽噪聲的影響，減少了噪聲干擾。濾波后的圖像如圖3b所示。

圖3 堊白米中值濾波對比圖

1.3.3 大米堊白區(qū)域的顯著性分析

為了對大米堊白區(qū)域進行圖像顯著性分析，拍攝了正常大米和堊白米的圖像，分別如圖4a和圖4c所示。對兩幅圖像的中間列像素進行取樣分析，分析后發(fā)現(xiàn)，相比較堊白米，正常大米的像素變化較為穩(wěn)定，像素變化區(qū)間在[60,80],而堊白米的像素變化較大，像素變化區(qū)間在[40,120],并且像素變化呈現(xiàn)階梯性，分別如圖4b和圖4d所示。對像素急劇變化的區(qū)域稱為顯著性區(qū)域，在堊白米圖像中顯著性區(qū)域為堊白區(qū)域。

圖4 大米堊白區(qū)域的顯著性分析圖

1.3.4 圖像顯著區(qū)域性提取算法

首先用Canny邊緣檢測器[9]對圖像像素邊緣進行提取，流程如圖5所示，計算圖像每個像素點的梯度強度和方向得到大概邊緣區(qū)域，然后應用非極大值抑制，消除邊緣檢測帶來的雜散響應。在施加非極大值抑制之后，剩余的像素可以更準確地表示圖像中的實際邊緣，但仍然存在由于噪聲和顏色變化引起的一些邊緣像素的雜散響應，影響堊白區(qū)域真實邊緣的提取。

本研究采用雙閾值算法，通過設定低閾值和高閾值，用弱梯度值過濾邊緣像素，并保留具有高梯度值的邊緣像素，進一步來確定其真實的邊緣，提高邊緣檢測的精度。

如果邊緣像素的梯度值高于高閾值，則將其標記為強邊緣像素；如果邊緣像素的梯度值小于高閾值但大于低閾值，則將其標記為弱邊緣像素；如果邊緣像素的梯度值小于低閾值，則會被抑制并被過濾。

圖5 Canny邊緣檢測器流程圖

利用雙閾值檢測算法對圖6a圖像進行邊緣提取后的圖像如圖6b所示，可以清楚看到大米圖像像素變化的邊緣由白線畫出，因提取出的邊緣圖為二值圖像，白色部分像素值為1，黑色部分像素值為0，把邊緣圖與灰度圖像相乘則可以得到邊緣的像素值Bi，根據式(2)計算邊緣平均像素值B，其中，num為邊緣的個數(shù)。

(2)

利用邊緣平均像素值B作為閾值對圖像進行閾值分割，如圖6c所示，可以清楚的看到大米堊白區(qū)域被分割了出來，相比較OTSU算法提取的堊白區(qū)域如圖5d，圖像顯著區(qū)域性提取算法對于細節(jié)的分割更為準確，根據圖6c利用式(1)計算出堊白度為54.505 2%。

圖6 堊白米堊白區(qū)域分割圖

1.4 實驗方法與評價函數(shù)

實驗準備了10個樣本，其中5個秈米樣本和5個粳米樣本，分別對每個樣本利用圖1所示設備進行圖像采集。為了保證實驗的準確性，在圖像采集過程中將10個樣本放置不同的方向，并對秈米樣本和粳米樣本采用不同色溫的光源分別進行采集，獲得實驗圖像樣本。

為了證明該算法的抗干擾性，對其中1個樣本圖7a進行了人工加入椒鹽噪聲處理，對該圖像進行椒鹽噪聲的污染，加入噪聲密度(含噪聲值的圖像區(qū)域的百分比)為0.1的椒鹽噪聲，如圖7b所示。

圖7 加入噪聲污染圖

評價函數(shù)采用DICE系數(shù)[10]，此評價函數(shù)常用于醫(yī)學圖像，表示兩個物體相交的面積占總面積的比值，值域為[0,1]越接近于1說明圖像越接近，Rgt為標準值，Rseg為測試值，函數(shù)如式(3)。

(3)

分別用本文算法、OTSU算法以及最新的改進OTSU算法對樣本的堊白度進行測試，采用DICE評價函數(shù)對結果進行對照分析。在抗干擾測試中，分別用用本文算法、OTSU算法進行測試。

2 結果分析

圖8所示為2種算法對圖像抗干擾結果測試對照圖，其中圖8a為本算法處理未加噪聲圖，圖8b為本文算法處理噪聲圖，圖8c為OTSU算法處理未加噪聲圖，圖8d為OTSU算法處理噪聲圖，圖9所示為3種算法的堊白度檢測結果對照折線圖。

由圖8可知，在椒鹽噪聲的干擾下，圖8c與圖8d相比，圖8d噪聲仍有殘留，并且影響了原有的分割效果，說明OTSU算法對噪聲有一定的影響，而相比較本文算法，圖8a與圖8b未發(fā)生變化，說明本文算法對噪聲進行有效的過濾且未對分割造成影響。

圖8 圖像抗干擾結果測試對照圖

由圖9可知，根據10個樣本的測試，對10組測試數(shù)據取平均值，本文算法的正確率為96.76%，而OTSU算法的正確率為69.89%，改進OTSU算法的正確率為89.5%，本文算法的正確率高于OTSU算法26.87%，高于改進OTSU算法7.26%。在折線的波動上本文算法比OTSU算法更為平滑，說明本文算法魯棒性強于OTSU算法。由實驗結果可見，利用圖像顯著性的特點來檢測大米的堊白度，檢測準確度高，且干擾能力強。

圖9 堊白度檢測結果對照折線圖

3 結論

本研究提出了雙閾值的圖像顯著性區(qū)域提取算法用于大米堊白度的計算，利用大米圖像的特點，分析圖像顯著區(qū)域來進行圖像分割，實驗結果表明該算法在堊白度檢測上具有較好的魯棒性，在提取大米堊白區(qū)域細小的邊緣部分，該算法也有較好的提取能力。與其他傳統(tǒng)算法相比該算法提取精度更高，魯棒性更好，可以應用于其他農業(yè)領域中圖像顯著性區(qū)域的提取。