許振偉

基于多分辨率B樣條小波分析的大米裂紋檢測研究

許振偉

(浙江工商大學(xué)信息與電子工程學(xué)院，杭州 310035)

針對目前大米外觀裂紋指標(biāo)檢測方法落后、檢測結(jié)果缺乏客觀性，可重復(fù)性差等缺點，提出一種基于雙正交B樣條小波變換的大米裂紋檢測方法。通過圖像增強、圖像濾波等步驟從原始圖像中提取單體米粒圖像。并對提取出的單體米粒圖像進行小波變換以突出米粒裂紋特征，大大提高了裂紋檢測的定位精度。結(jié)果表明，該方法可以比較全面地檢測出圖像中的實際裂紋，檢測邊緣位置和實際邊緣位置十分接近，并且避免了單個邊緣產(chǎn)生多個響應(yīng)的情況，為進一步完善大米品質(zhì)檢測提供了理論和實踐基礎(chǔ)。

大米裂紋檢測 多分辨率 B樣條 小波分析

水稻是我國最重要的糧食作物，產(chǎn)量約占全球的30%，為世界稻谷產(chǎn)量之首［1］。隨著經(jīng)濟的不斷發(fā)展和人們生活水平的不斷提高，大米供求市場的矛盾已經(jīng)從數(shù)量上的不足轉(zhuǎn)變?yōu)榇竺灼焚|(zhì)的不理想。大米的質(zhì)量問題已經(jīng)嚴(yán)重限制了我國大米的生產(chǎn)、銷售和出口。1999年制定的優(yōu)質(zhì)稻米國家標(biāo)準(zhǔn)GB/T 17891—1999明確規(guī)定了大米質(zhì)量的標(biāo)準(zhǔn)，大大提高了主要的技術(shù)指標(biāo)，拉開了大米品種質(zhì)量的檔次。大米由于受到各種外界因素影響很容易出現(xiàn)裂紋，出現(xiàn)裂紋的米粒稱為裂紋粒，俗稱爆腰粒。裂紋根據(jù)裂紋程度的不同可分為3種:輕度裂紋、中度裂紋和重度裂紋。圖1所示為大米樣本在不同裂紋程度情況下的示意圖。圖1a所示為輕度裂紋米粒，只有一條裂紋;圖1b為中度裂紋米粒，含有兩條裂紋;圖1c和1d為重度裂紋米粒，包含3條或3條以上的裂紋，甚至還出現(xiàn)龜裂。

圖1 米粒裂紋類型示意圖

目前，裂紋粒作為大米分級的重要指標(biāo)之一，需要按照國家標(biāo)準(zhǔn)GB/T 5496—1985采用人工肉眼觀察的方法進行檢測，缺乏高效的手段，檢測過程費時費力，檢測出來的結(jié)果也缺乏客觀性，可重復(fù)性也比較差［2］。由于有些大米裂紋非常細(xì)微，通過機器視覺在自然光照下很難檢測出來。本研究提出了一種基于分辨率B樣條小波分析大米裂紋檢測算法，實現(xiàn)對大米裂紋快速、高效的檢測，為進一步完善大米品質(zhì)的計算機視覺檢測提供了理論和實踐基礎(chǔ)［3］。

1 儀器和樣本

1．1 裝置

檢測系統(tǒng)主要包括計算機及其控制軟件、圖像采集卡、攝像頭、光源、米樣、盛米板及其支撐架等組成，如圖2所示。

光源采用節(jié)能熒光燈，對稱放置在攝像頭兩側(cè)，盛米板為黑色橡膠，攝像頭采用松下GX7Y－CP280彩色攝像頭，采集卡采用北京維視圖像的MV－600高速高精度圖像采集卡，檢測系統(tǒng)軟件用Visual C++6．0編制而成。

圖2 米粒裂紋檢測系統(tǒng)

1．2 樣本

樣品選用欣榮優(yōu)5號、陵兩優(yōu)104和F優(yōu)498三個大米品種，在每個品種中分別挑選4組樣品，包括:完好、輕度裂紋、中度裂紋和重度裂紋。大米的外形有長形和圓形米粒兩種。有裂紋樣品的裂紋數(shù)量分別是1條、2條、3條或4條，分別用來代表輕度裂紋、中度裂紋和重度裂紋的大米樣本。

2 裂紋識別算法

2．1 圖像增強和濾波

圖像采集過程中由于光照的原因會在大米圖像裂紋處出現(xiàn)局部高亮度與光照不均勻的情況，可采用式1所示Gamma校正的方法對原始圖像進行增強［4］。

其中:Iin是校正前的圖像，Iout是校正后的圖像，γ是校正系數(shù)。

先對目標(biāo)圖像進行分析，計算出適合該目標(biāo)圖像的Gamma函數(shù)曲線，通過建立函數(shù)值與目標(biāo)圖像像素值之間的非線性關(guān)系，對目標(biāo)圖像中各個像素值進行具體的校正，并采用高斯濾波后的增強效果如圖3所示。

圖3 大米原始圖像和增強效果圖

由圖3可見，經(jīng)過高斯濾波后裂紋更加明顯，有利于裂紋邊緣檢測。

2．2 小波邊緣檢測

基于小波變換的多尺度邊緣檢測的基本思路是在不同的尺度下利用一個平滑函數(shù)對待測信號進行平滑，平滑后對信號進行一階或二階函數(shù)，根據(jù)結(jié)果找出對應(yīng)信號的突變點，如圖4所示［5－6］。

圖4 小波變換系數(shù)與突變點的關(guān)系

由θsx，()y定義兩個二維小波:

小波變換系數(shù)WT1f s，x，()y和WT2f s，x，()y分別反映f x，()y沿x和y方向的梯度。

則合成梯度的模值為:

梯度矢量"(f× θs)( x，y)的模與小波變換合成梯度的模值大小成正比，系數(shù)比例為s。要得到一個光滑函數(shù)(f×θs)( x，y)在梯度方向的模最大值對應(yīng)于計算小波變換合成梯度的模最大值。通過對二維小波變換的模最大值的檢測可以確定目標(biāo)圖像的邊緣點。將這些沿著邊緣方向的任意尺度下檢測到的邊緣點連接起來形成該尺度下的檢測結(jié)果。

m階B樣條函數(shù)可定義如下:

上式右邊共有m個N0進行卷積，?是卷積符號。當(dāng)m是偶數(shù)，樣條函數(shù)Nm(x)關(guān)于x=0點對稱，當(dāng)m時奇數(shù)時，Nm(x)關(guān)于x=0．5點對稱。而0階B樣條函數(shù)為:

其中，Nm(x)是非負(fù)的，支撐集為:[－(m+1)/2，(m+1)/2 )]。

3 裂紋檢測過程

大米裂紋檢測時，首先通過圖像增強和濾波來增強裂紋處與周邊的對比度，并進行去噪和保護圖像邊緣即裂紋處。然后計算平滑預(yù)處理后的圖像沿y軸方向的B樣條小波系數(shù)，用bior1．5函數(shù)作為小波基函數(shù)。然后計算模值，沿著y軸方向的正小波系數(shù)的峰值位置將視為大米裂紋處。接著跟蹤裂紋，使用一個在區(qū)間為0和1閥值檢測敏感的高低邊緣，用于填充在檢測過程中的空缺。接著用形態(tài)學(xué)細(xì)化操作來收縮有2個或3個像素寬度的邊緣。然后用噪音模板來去除虛假的裂紋。最后確定裂紋位置［7－8］。具體算法流程如圖5所示。

圖5 大米裂紋檢測算法流程圖

4 結(jié)果與分析

在試驗中，Gamma值設(shè)為2．5，而分辨率設(shè)為8。圖6和圖7分別顯示了長形和圓形大米各選出4粒的檢測結(jié)果。被選出的大米分別是有1條、2條、3條和4條裂紋的樣本。其中圖6a和圖7a是原始圖像，圖6b和圖7b是檢測結(jié)果。從圖6和圖7可見，不論是長形還是圓形裂紋大米，該算法都準(zhǔn)確地檢測出來，一些肉眼不容易分辯的裂紋處也能被準(zhǔn)確地檢測出來。采用本計算機視覺對樣品的檢測結(jié)果如表1所示。由表1中數(shù)據(jù)可見，裂紋米的識別正確率在97．2%～98．8%之間，達到甚至部分超過鄭華東等［1］的檢測結(jié)果，總體判斷正確率比較高。

圖6 長形大米裂紋原始圖像和檢測結(jié)果

圖7 圓形大米裂紋原始圖像和檢測結(jié)果

表1 裂紋大米計算機視覺識別檢測結(jié)果

5 結(jié)論

針對大米裂紋檢測過程中，存在定位不夠準(zhǔn)確和存在虛假裂紋響應(yīng)的問題，本研究提出一種基于雙正交B樣條小波變換的裂紋檢測方法。首先用Gamma對原始灰度圖像進行增強和濾波處理，然后用連續(xù)小波雙正交B樣條小波在多尺度空間計算平滑后圖像的小波系數(shù)。以Y方向的小波系數(shù)作為模值，該模值經(jīng)過標(biāo)準(zhǔn)化后的最大模值處將判斷為裂紋處。試驗選用了長形和圓形兩種不同類型的大米來驗證方法的有效性，并且每種大米的裂紋都選擇具有代表性的1條、2條、3條和4條裂紋。試驗結(jié)果表明，該方法可以比較全面地檢測出圖像中的實際裂紋，定位準(zhǔn)確，檢測出的邊緣位置與實際位置接近，并且可以避免單個邊緣產(chǎn)生多個響應(yīng)的情況，能最大程度抑制虛假裂紋響應(yīng)。實現(xiàn)了客觀、快速和準(zhǔn)確地進行大米裂紋的檢測，為進一步完善大米品質(zhì)的計算機視覺檢測與分級提供了理論和實踐基礎(chǔ)。

［1］鄭華東，劉木華，吳彥紅．基于計算機視覺的大米裂紋檢測研究［J］．農(nóng)業(yè)工程學(xué)報，2006，22(7):129－133

［2］常輝，鄭小林，彭承林．基于B樣條小波的圖像邊緣檢測［J］．武漢理工大學(xué)學(xué)報，2002，24(7):31－33

［3］韓仲志，趙友剛．基于外觀特征識別的花生品種與品質(zhì)檢測方法［J］．中國糧油學(xué)報，2009，24(5):124－128

［4］Xu L M，Zhao Y C．Automated strawberry grading system based on image processing［J］．Computers and Electronics in Agriculture，2010，71:32－39

［5］Kawamura S，Natsuga M．Development of an automatic rice quality inspection system［J］．Computers and Electronics in Agriculture，2003，40(1－3):115－126

［6］Yadav B K．Monitoring milling quality of rice by image analysis［J］．Computers and Electronics in Agriculture，2001，(33):19－33

［7］Brosnan T，Sun D W．Inspection and grading of agricultural and food product by computer［J］．Computers and Electronics in Agriculture，2002，36(3):193－213

［8］Zwiggelaar R，Yang Q S．Use of spectral information and machine vision for bruise detection on peaches and apricots［J］．Journal of Agricultural Engineering Research，1996，64(4):323－331．

Stduy about Rice Fissure Detection Based on Multi－Resolution B－Spline Wavelet Analysis

Xu Zhenwei
(Institute of Information and Electronic Engineering，Zhejiang Gong Shang University，Hangzhou 310035)

The rice fissure detection method based on dual orthogonal B－Spline multi－resolution wavelet transformation has been developed to solve the problems of low efficiency，test results lack of objectivity and poor repeatability by using traditional manual method．Single rice images can be obtained through the methods of images enhancement and images filtering from original images．Using wavelet change of extracts of singe rice iamge highlights the features of rice fissure．And it greatly improves the location accuracy of fissure detection．The experiment result shows that this method can quite comprehensively detect the actual fissure in the images，and image edge of detection is close to the actual image edge．Besides，it also avoid the situation that single edge produces many responses，and it provides foundation of theory and practice for further improvement of the quality testing of rice．

rice，fissure detection，multi－resolution，B－Spline，wavelet analysis

TP391

A

1003－0174(2012)06－0101－04

2011－09－26

許振偉，男，1971年出生，博士，副教授，谷物品質(zhì)研究