基于机器视觉的猴头菇无损检测与分级技术研究
时间：2022-12-06 15:45:05 来源：柠檬阅读网 本文已影响 人 
王锦谟，孙 涛，邓 成
(安徽粮食工程职业学院 机电工程系，安徽 合肥 230011)
猴头菇，又名猴头、猴蘑、刺猬菌，具有较高的营养价值和药用价值，有“素中荤”之称[1].在我国，绝大部分猴头菇的品质检测仍然采用人工感官检测的原始方法，这种主观评定不仅效率低、误差大，还易受到许多条件的影响，如工人的能力、情绪、色彩辨别力、光线以及疲劳程度等[2].最重要的是这种感官评定只能进行定性判断，其客观性和准确性较差.因此，当务之急是提高猴头菇的品质检测水平.计算机视觉，又名机器视觉，是指用计算机代替人眼对目标进行识别、跟踪和测量[3].该技术不仅可以大批量地对农副产品进行快速、准确、无破坏性的检测，还可以定量检测农副产品的尺寸、形状、颜色等具体数值[4-5].但目前，许多学者对该技术的研究主要集中在水果和蔬菜上面，较少应用于食用菌，基于该技术的猴头菇检测更是没有[6-8].本文以猴头菇为研究对象，利用计算机视觉检测技术对其进行无损检测和分级.通过图像采集系统采集猴头菇单体图像，使用MATLAB软件对图像进行中值滤波降噪、分割阈值等预处理后，分别提取颜色、大小、形状等特征因素，将形状(菌盖圆形度、菌盖偏心率)、颜色、大小这三个指标，作为建立猴头菇外部品质分级的标准.根据猴头菇外观品质分级的标准，利用Fisher(费希尔)判别分析法来构建猴头菇的分级模型.
1.1 材料与设备
(1)试验材料
试验材料为猴头菇，通过淘宝购买于福建省古田县芳明食用菌合作社.试验前先去除有虫斑、病毒、机械损伤的猴头菇，然后去除其表面污物，以免影响后期的图像处理.猴头菇样本总数合计为31个，将其分为建模组和验证组，其中建模组21个，验证组10个.本次试验在猴头菇有食用价值的周期内(货架期)，每隔一天分别对建模组和验证组的猴头菇采集一次图像，共16天，即建模组共有168个样本，验证组有共80个样本.
(2)仪器设备
试验采用的图像采集系统由暗室、佳能(Cannon)60D单反相机、4个放置于角落的可调节亮度的LED灯、载物台以及铺设在载物台上作背景的黑色布组成.1m×1m的全封闭的正方形纸盒作为暗室，只在其顶部开一个足够佳能60D单反相机的镜头进入的洞口，如图1(a)所示.采用4个可调节光强度的LED灯作为照明装置，分别将其放置于四个角落，如图1(b)所示.成像设备为佳能60D单反相机(传感器类型：CMOS；
传感器尺寸：22.3 mm*14.9 mm；
有效像素：1800万；
影像处理器：DIGIC 4；
最高分辨率：5184×3456).计算机为惠普hp 14-no27TX型笔记本电脑(CPU型号：英特尔 酷睿i5 4200U；
CPU主频：1.6 Hz；
内存：4GB；
显卡芯片：AMD Radeon HD 8670M).图像处理软件为MATLAB 2012a.
图1 暗室和照明装置结构图
1.2 试验方法
1.2.1 图像预处理
猴头菇单体图像预处理流程如图2所示.
图2 图像预处理流程图
(1)灰度化处理
采集的原始图像为RGB格式，采用的是分量法，即分别提取原始图像的R、G、B三个通道的分量图像.当R=G=B的值为灰度值，测试发现图像的R分量背景对比最显著.因此，采用图像B分量为原始图像的灰度值.
(2)降噪
图片在采集和传输过程中，都或多或少地存在一定的噪声干扰，而噪声会在一定程度上恶化图像质量，使图像变得模糊，甚至会使图像的特征被淹没，进而增加后期的图像分割、分析等工作的难度.因此，必须消除图像中的噪声.该处理方式一般称为降噪或平滑图像.本文采用3×3的方形模板进行中值滤波降噪.
(3)二值化
通常一张图像上一般含有目标物体、背景以及噪声，为了从已降噪过的多值图像中提取出目标物体，需将其转化为二值图.本文采用局部自适应二值化的方法，先用 graythresh 函数找到图像的一个合适的阈值，然后通过 im2bw 函数将已处理好的灰度图像转化为二值图像.其中，graythresh 函数使用最大类间方差法来获得一个阈值，阀值范围为[0,1].
(4)边缘提取
图像边缘是图像最重要的特征之一，边缘在图像分析中起着重要的作用.由于Sobel、Roberts算子对边缘定位不是特别准确，以及Prewitt算子检测的间断点较多且边缘较宽，本文采用Canny算子来检测提取图像边缘.
1.2.2 特征参数提取
(1)颜色特征提取
颜色特征参数提取：颜色在某种意义上代表了猴头菇的等级和新鲜程度.表示颜色的一种算法叫作色彩模式.生产线上的颜色检测：颜色检测采用的色彩模式为RGB颜色模型.运输线上的颜色检测：在运输过程中，为避免猴头因温度、湿度、时间等因素导致品质下降，从而影响分级的准确性，通过高品质电脑色差仪对其进行快速检测.本试验采用的色差仪色彩模式为L*a*b模式，通过公式(1)得出总色差值[9].
(1)
式中：ΔL表示亮暗，+ΔL表示偏亮，-ΔL表示偏暗；
Δa表示红绿，+Δa表示偏红，-Δa表示偏绿；
Δb表示黄蓝，+Δb表示偏黄，-Δb表示偏蓝.
(2)大小特征参数提取
本文以猴头菇的面积、周长、径长描述其大小.原始图像经预处理后，转化为目标区域为白色、黑色区域为背景的二值图像.用MATLAB软件中的regionprops 函数对二值图像中目标区域的像素值进行统计，然后按照公式(2)便可得到猴头菇的面积S、周长L、径长R[10].
(2)
(3)形状特征参数提取
由于猴头菇的菌盖与圆形较相似，但不是特别规则，为了更加全面地描述其形状特征，故本文选取菌盖圆形度、菌盖偏心率作为猴头菇的形状特征参数[11].
菌盖圆形度：圆形度是用来描述猴头菇的菌盖形状与圆形的相似度.其公式如下：
(3)
式中：E为菌盖圆形度，S为菌盖面积，C为菌盖周长.当E=1时，菌盖图像即为圆形；
当E的值越大时，表示图像形状越不规律，即所测目标物与圆形的差距越大.
菌盖偏心率：偏心率又名伸长度、离心率，用来描述菌盖轮廓的形状.其公式如下：
(4)
式中，P为菌盖偏心率，a为菌盖最大直径，c为菌盖最小直径.当偏心率=1时，图形即为圆形；
偏心率的值越大，表示所测目标物越扁越平.
2.1 特征参数分级标准
由于在本试验中，颜色特征参数提取分为两种，一种是可应用于生产线上的颜色检测方式，即利用R、G、B三原色均值进行检测；
另一种是可运用于运输过程中的较为简易的方式，即通过色差仪采集数据，进行色差值比较.按照猴头菇的颜色先将其分为1、2、3三个等级.根据以往人工分级的经验，按照猴头菇的大小(面积、周长、最大直径)将其分为1、2、3三个等级.按照猴头菇的形状(菌盖圆形度、菌盖偏心率)将其分为1、2、3三个等级，其结果如表1所示.
2.2 特征参数分级的结果
(1)基于颜色特征参数分级
在验证组的80个猴头菇样本中，随机选取50个样本，先人工按颜色将其分为1级、2级、3级，将人工分级结果与计算机视觉和色差测量的检测分级结果进行对比，其验证结果如表2所示.
表1 猴头菇颜色R、G、B分级标准
表2 不同等级颜色的猴头菇的验证准确率
由表2可知，利用计算机视觉技术对猴头菇颜色分级的准确率最高可达93.75%，最低为87.5%；
利用色差值对猴头菇颜色分级的准确率最高可达88.23%，最低为82.36%，足以满足分级的需要.无论是利用计算机视觉提取R、G、B三原色的均值进行分级，还是利用色差仪求取色差值进行分级，其准确率均在80%以上.但利用计算机视觉的颜色分级准确率更高些，效果更好些.可能是由于计算机视觉提取的是整个样本猴头菇菌盖的R、G、B三原色的均值，而色差仪只提取猴头菇取样点的色差值，故根据R、G、B三原色的均值进行分级效果更佳.
(2)基于大小特征参数分级
在验证组80个猴头菇样本中，随机选取50个样本，先人工按大小(面积、周长、最大直径)将其分为1级、2级、3级，与按计算机视觉检测分级做对比，其验证结果如表3所示.由表3可知，对猴头菇大小分级的验证准确率最高可达94.12%，最低为90.00%，足以满足分级的需要.
表3 不同等级大小的猴头菇的验证准确率
(3)基于形状特征参数分级
在验证组80个猴头菇样本中，随机选取50个样本，先人工按形状(菌盖圆形度、菌盖偏心率)将其分为1级、2级、3级，并做相关标记与记录，以便与按计算机视觉检测的分级做对比.其验证结果如表4所示.
由表4可知，对猴头菇形状分级的准确率最高可达94.12%，最低为88.24%，足以满足分级的需要.
表4 不同等级形状的猴头菇的验证准确率
2.3 基于Fisher判别的猴头菇分级模型
(1)猴头菇分级模型的建立
将猴头菇采摘后至无食用价值(共16天)的168个图像作为样本训练集，来构建分类器模型.其中1、2、3级猴头菇分别有35、51、82个样本.统计的特征参数包括颜色(R、G、B)、大小(周长、面积、最大直径)、形状因子(菌盖圆形度、菌盖偏心率)在内的8个特征参数值.由于统计的特征参数种类较多，且其对该模型的贡献程度不一样，因此为了避免无关变量或贡献程度较低的变量对分级模型的影响，本文将在建模前筛选出贡献程度最高的特征变量.通过建模分析发现，颜色、大小、形状因子这三大类特征参数，分别用其中的R均值、面积、菌盖偏心率这三个特征参数建立的模型效果最好.因此，本文以猴头菇的等级为因变量，以R均值、面积S、菌盖偏心率P为自变量，构建Fisher分类判别模型.
(2)猴头菇综合分级模型的验证
通过Fisher线性判别模型对猴头菇进行回判，结果如表5所示.1级的猴头菇识别准确率为88.6%，2级的猴头菇识别准确率为88.2%，3级的猴头菇识别准确率为87.8%.由于Fisher判别模型是基于168个训练样本的信息得到的，因此其判别效果可能不是特别准确.为了进一步验证该模型的可信度，本文在未参加建模的80个猴头菇图像中，随机抽取20个猴头菇图像作为测试集，对该模型进行进一步的检验.表5结果显示，1级猴头菇的识别准确率为100%，2级猴头菇的识别准确率为85.7%，3级猴头菇的识别准确率为87.5%，表明本文构建猴头菇分级模型效果良好.
表5 猴头菇样本回判与测试结果
本文以猴头菇为研究对象，提出了猴头菇基于计算机视觉的无损检测方法和分级标准，为实现对猴头菇进行快速而准确的检测、分级提供了基础，结论如下：
(1)基于计算机视觉技术的检测分级，颜色、大小、形状分级的准确率均在80%以上.
(2)利用费希尔判别分析法构建的猴头菇分级模型，在测试中，1、2、3级的识别率分别为100%、85.7%和87.5%.
(3)本次试验的图像采集系统较为简陋，且采集角度较为单一，今后应进行多角度拍摄采集，并尝试建设三维立体图像，提高检测的准确率.
猜你喜欢 特征参数猴头菇准确率 基于视频图像序列的船用雷达目标检测和目标特征参数提取舰船科学技术(2022年10期)2022-06-17乳腺超声检查诊断乳腺肿瘤的特异度及准确率分析健康之家(2021年19期)2021-05-23多层螺旋CT技术诊断急性阑尾炎的效果及准确率分析健康之家(2021年19期)2021-05-23不同序列磁共振成像诊断脊柱损伤的临床准确率比较探讨医学食疗与健康(2021年27期)2021-05-13颈椎病患者使用X线平片和CT影像诊断的临床准确率比照观察健康体检与管理(2021年10期)2021-01-03蕈菌佳品猴头菇食品与健康(2020年5期)2020-05-18美味不过猴头菇家庭医药(2018年11期)2018-11-21说话人识别特征参数MFCC的提取与分析电子技术与软件工程(2016年22期)2016-12-26民用飞机预测与健康管理技术与系统特征参数研究科技视界(2016年20期)2016-09-29猴年吃点猴头菇恋爱婚姻家庭·养生版(2016年4期)2016-04-06
