張玉榮，陳賽賽，周顯青

（河南工業(yè)大學(xué) 糧油食品學(xué)院，河南 鄭州 450001）

0 引言

小麥?zhǔn)且环N世界性的糧食作物，也是我國的三大儲備糧食之一，具有良好的耐儲存性.在小麥流通過程中，水分含量是衡量其質(zhì)量優(yōu)劣的限制指標(biāo)并作為小麥增扣量的依據(jù).因此，研究小麥水分含量檢測技術(shù)對正確評定小麥質(zhì)量和保障儲糧安全都有著重大的意義.

隨著信息技術(shù)的迅速發(fā)展，糧油及其他農(nóng)產(chǎn)品檢驗已經(jīng)逐漸向無損檢測、在線檢測的方向發(fā)展，計算機圖像處理技術(shù)作為一種新的檢測方法，受到國內(nèi)外學(xué)者的普遍關(guān)注.利用圖像處理技術(shù)進行大米[1-3]、玉米[4]、馬鈴薯[5-6]、花生[7-8]等農(nóng)產(chǎn)品質(zhì)量與品質(zhì)檢測已經(jīng)取得了一定進展.在小麥質(zhì)量與品質(zhì)檢測方面，也有諸多研究成果，主要涉及小麥品種與種類識別[9-15]、質(zhì)量分級[16]、角質(zhì)和硬度檢測[17-19]等方面.圖像處理技術(shù)在農(nóng)產(chǎn)品質(zhì)量與品質(zhì)的檢測過程中，通常從樣品的形態(tài)、顏色和紋理等方面提取特征參數(shù)，用于農(nóng)產(chǎn)品特征描述并對其進行評價.與傳統(tǒng)檢測方法相比，該方法具有速度快、精度高、重復(fù)性好等優(yōu)點.將圖像處理技術(shù)應(yīng)用于實際檢測如小麥流通過程中的現(xiàn)場等級評定，是今后研究需要關(guān)注的重點.作者以不同水分含量小麥作為研究對象，根據(jù)其在顏色和紋理等特征上的差異，使用相應(yīng)的模式識別方法建立識別模型，可以自動、快速地識別小麥水分含量，為圖像處理技術(shù)在小麥水分含量檢測中的應(yīng)用提供參考.

1 材料與方法

1.1 原料

黃淮麥區(qū)硬質(zhì)白小麥（2012 年產(chǎn)；容重：805 g/L；水分含量：11.9%），由河南省糧油飼料質(zhì)檢中心提供，除去雜質(zhì)和不完善粒后將樣品儲存于4 ℃左右的恒溫冰箱.

1.2 主要儀器設(shè)備與軟硬件平臺

1010-3 型鼓風(fēng)恒溫干燥箱：上海實驗儀器廠有限公司；AY120 電子天平：日本島津制作所；紛騰h9 型平板式掃描儀（光學(xué)分辨率（dpi）：2 400×4 800；掃描元件：CCD）：上海中晶科技有限公司；計算機（處理器：Intel Core；內(nèi)存：2.00 GB）：聯(lián)想有限公司；MATLAB R2010a、SPSS17.0、SAS9.1 軟件.

1.3 方法

1.3.1 樣品水分含量測定

參照GB 5497—1985 中105 ℃恒重法進行測定.

1.3.2 原料處理

將小麥樣品分為5 份，加入不同含量的蒸餾水，將其含水量分別調(diào)節(jié)為10%、11%、12%、13%和14%.待小麥水分平衡后將每種水分含量樣品分別分成兩份，一份用于單籽粒圖像掃描，另一份用于整批籽粒圖像掃描.

1.3.3 圖像采集與預(yù)處理

小麥單籽粒圖像的采集：分別將不同水分含量的小麥籽粒以互不粘連的方式置于掃描儀上，以黑色環(huán)氧樹脂板為背景，將掃描儀亮度調(diào)為-30，對比度調(diào)至30，分辨率600 dpi 掃描小麥籽粒數(shù)字化圖片，圖片以BMP 格式儲存，共采集600 個單籽粒圖像（120 個籽粒×5 種水分含量）.小麥整批籽粒圖像的采集：將小麥倒入去底的矩形玻璃盒中（8 cm×7 cm×1.2 cm），并將表面刮平，掃描儀參數(shù)與圖像規(guī)格設(shè)置與單籽粒圖像掃描相同，共采集500 幅整批小麥籽粒圖像（100 個樣品×5 種水分含量）.圖像采集完成后，對圖像進行中值濾波、形態(tài)學(xué)運算等預(yù)處理，以達到圖像增強的目的.

1.3.4 圖像特征提取

對于單籽粒小麥圖像，選取其形態(tài)、顏色和紋理特征參數(shù)用于不同含水量小麥籽粒之間的識別；對于整批小麥籽粒圖像，由于不同含水量小麥形態(tài)特征參數(shù)差異不明顯，因此只選取顏色和紋理特征參數(shù)用于不同含水量小麥樣品的識別.

顏色特征參數(shù)：提取RGB（紅色、綠色、藍色）顏色模型和HSI（色調(diào)、飽和度、亮度）顏色模型中的各顏色分量均值和方差等參數(shù)用于小麥水分的識別.

形態(tài)特征參數(shù)：對于單籽粒圖像，小麥籽粒形態(tài)可以通過二值圖像標(biāo)號將每一個小麥籽粒從整體圖像中提取出來，圖像經(jīng)形態(tài)學(xué)運算處理后，可有效去除噪聲干擾，之后利用籽粒區(qū)域和邊界特性可提取籽粒形態(tài)特征.小麥形態(tài)特征參數(shù)包括籽粒長軸長、短軸長、長寬比、周長、面積、伸展度、等效圓直徑、離心率、緊密度等參數(shù).

紋理特征參數(shù)：紋理是對局部區(qū)域像素之間關(guān)系的一種度量，可用于定量描述圖像中的信息.紋理特征參數(shù)包括圖像的平滑度、平均對比度、一致性、三階矩、熵等參數(shù).

1.3.5 小麥水分含量分類識別模型的建立

小麥籽粒圖像完成采集和預(yù)處理后，使用MATLAB R2010a 軟件編程對單籽粒和整批小麥籽粒圖像進行特征參數(shù)提取.為了減少數(shù)據(jù)冗余并縮短數(shù)據(jù)處理時間，使用逐步判別分析進一步選取對分類貢獻率較大的參數(shù)，該過程使用SAS 數(shù)據(jù)處理軟件完成.

模式識別過程分別使用線性參數(shù)統(tǒng)計分類器和BP 神經(jīng)網(wǎng)絡(luò)分類器完成，線性參數(shù)統(tǒng)計分類器使用SAS9.1 建立，BP 神經(jīng)網(wǎng)絡(luò)使用MATLAB 編程完成，對于不同水分含量的所有樣品均使用這兩種模型進行分類識別.

本研究中BP 神經(jīng)網(wǎng)絡(luò)選用單隱層結(jié)構(gòu)，其神經(jīng)元傳遞函數(shù)選用S 型正切傳遞函數(shù)tansig，輸出層采用S 型對數(shù)傳遞函數(shù)logsig，網(wǎng)絡(luò)訓(xùn)練函數(shù)采用trainlm.輸入層神經(jīng)元個數(shù)由通過逐步判別分析篩選的參數(shù)數(shù)量確定，中間層節(jié)點數(shù)通過訓(xùn)練來確定.由于網(wǎng)絡(luò)輸出為5 種水分含量，因此輸出層的神經(jīng)元應(yīng)該有5 個，目標(biāo)輸出模式為（10000）、（01000）、（00100）、（00010）和（00001），分別對應(yīng)的水分含量為10%、11%、12%、13%和14%.對于單籽粒圖像，收集5 種類型水分含量小麥圖像各120 個共600 個樣本，隨機選取其中的400 個作為訓(xùn)練樣本，剩余的200 個作為測試樣本.對于整批小麥籽粒圖像，每種水分含量圖像選取60 幅作為訓(xùn)練樣本，其余40 幅作為測試樣本，完成模型的學(xué)習(xí)和測試.

2 結(jié)果與討論

2.1 圖像采集與預(yù)處理

采集到的小麥單籽粒和整批籽粒圖像如圖1所示，本研究選取的小麥樣品來源于同一收獲年份的同一品種，避免了因小麥品種、收獲年限等因素的不同對圖像特征參數(shù)造成影響.

由圖2 可以看出，圖像經(jīng)濾波處理后，噪聲明顯減少，圖像變得清晰，圖像邊緣及細節(jié)部分信息也得到較完整的保存.圖像的二值化處理有助于提取籽粒的形態(tài)特征信息，但是二值化處理后的圖像容易使小麥籽粒形成斷裂、孔洞等現(xiàn)象，影響籽粒區(qū)域和邊界的描述.形態(tài)學(xué)圖像處理可以平滑籽粒的輪廓、消除細小的突出物或孔洞，依次使用形態(tài)學(xué)處理中的開運算、閉運算對籽粒圖像進行處理后，小麥籽粒圖像中的孔洞或裂縫基本被清除.

2.2 圖像特征參數(shù)提取與分析

小麥圖像完成采集或預(yù)處理后，首先采用MATLAB 軟件編程提取小麥單籽粒圖像的62 個特征參數(shù)和整批籽粒圖像的48 個特征參數(shù)，然后使用SAS 軟件中的逐步判別分析對提取的特征參數(shù)進行篩選，參數(shù)類型及數(shù)量如表1 所示.

圖1 5 種水分含量小麥的原始圖像

圖2 圖像預(yù)處理效果

表1 逐步判別分析前后圖像特征參數(shù)數(shù)量

表2 利用逐步判別分析選取的前7 個貢獻較大的特征參數(shù)

通過逐步判別分析對所有特征參數(shù)進行篩選后，可有效減少數(shù)據(jù)冗余，并篩選出對識別影響較大的特征參數(shù).對于單籽粒和整批小麥籽粒圖像特征參數(shù)，分別從篩選出的特征參數(shù)中選取對水分識別影響最大的3 個參數(shù)，觀察5 種水分含量之間特征參數(shù)值的差異，單籽粒與整批小麥籽粒圖像的特征參數(shù)值差異分別如圖3 和圖4 所示.

由圖3 和圖4 可以看出，在小麥單籽粒圖像中，隨著水分含量的變化，各特征參數(shù)值并沒有明顯的變化，并且5 種水分含量的籽粒特征參數(shù)值存在較嚴(yán)重的重疊現(xiàn)象；在整批小麥籽粒圖像中，不同水分含量樣品的特征參數(shù)值之間存在較明顯的差異.因此可以推斷，整批小麥籽粒圖像的特征參數(shù)能更好地反映水分含量的不同，使用從整批籽粒圖像提取出的特征參數(shù)建立分類器，將更利于不同水分含量籽粒的識別.

2.3 小麥不同水分含量籽粒的分類識別

2.3.1 基于線性判別分類器的分類識別

圖3 單籽粒圖像分析中5 種水分含量的前3 個特征參數(shù)

圖4 整批籽粒圖像分析中5 種水分含量的前3 個特征參數(shù)

之前的逐步判別分析已經(jīng)完成了特征參數(shù)的篩選，利用篩選出的對識別貢獻較大的變量，繼續(xù)使用SAS 軟件中的DISCRIM 過程，完成線性參數(shù)分類器的建立.以整批小麥籽粒圖像水分的識別為例，將通過逐步判別分析得到的顏色和紋理特征參數(shù)用于水分的識別，利用SAS 判別分析建立各水分含量相應(yīng)的線性判別模型，5 種水分含量對應(yīng)的判別函數(shù)分別為：

使用上述線性判別分析模型對小麥水分進行識別，對樣本訓(xùn)練集的正確回判率達到95%～100%，可以較好地反映小麥水分含量，對測試集的識別結(jié)果如表3 所示.

表3 整批籽粒樣本測試集水分識別結(jié)果 %

使用相同的方法，將通過逐步判別分析篩選出的形態(tài)、顏色和紋理特征參數(shù)用于不同含水量小麥單籽粒特征的描述分析，可以建立單籽粒小麥水分識別模型，其測試集識別結(jié)果如表4 所示.

表4 單籽粒樣本測試集水分識別結(jié)果 %

由表3 和表4 可知，使用統(tǒng)計分類器對小麥水分進行識別時，分類器對整批籽粒圖像水分的識別正確率遠遠高于對單籽粒水分的識別.產(chǎn)生該結(jié)果的原因主要是與單籽粒圖像相比，整批小麥籽粒圖像的特征參數(shù)能更好地反映出水分含量的不同.

2.3.2 基于BP 神經(jīng)網(wǎng)絡(luò)模型的分類

將相同的樣本使用BP 神經(jīng)網(wǎng)絡(luò)模型進行分類識別，以整批小麥籽粒圖像為例，由篩選的特征參數(shù)個數(shù)可知網(wǎng)絡(luò)的輸入神經(jīng)元個數(shù)為7，根據(jù)Kolmogorov 定理，隱含層可以取15 個節(jié)點.由于中間層的神經(jīng)元個數(shù)直接影響網(wǎng)絡(luò)的非線性預(yù)測性能，因此隱含層節(jié)點數(shù)分別選取11、13、15、17、19、21，采用試湊法檢驗不同節(jié)點個數(shù)下的網(wǎng)絡(luò)性能，即BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為7-（11、13、15、17、19、21）-5，當(dāng)網(wǎng)絡(luò)的預(yù)測誤差最小時，網(wǎng)絡(luò)中間層的神經(jīng)元個數(shù)就是最佳值.

使用不同隱含層節(jié)點數(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)速率定為0.05，網(wǎng)絡(luò)訓(xùn)練結(jié)果表明，當(dāng)中間層節(jié)點數(shù)為15 時，經(jīng)過38 次訓(xùn)練后，網(wǎng)絡(luò)輸出的均方誤差已經(jīng)降低到0.008 67，達到了目標(biāo)誤差要求，并且網(wǎng)絡(luò)訓(xùn)練時間與其他結(jié)構(gòu)網(wǎng)絡(luò)相比也較短.因此，研究中將中間層節(jié)點數(shù)選為15，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為7-15-5.

用200 個測試集樣本對神經(jīng)網(wǎng)絡(luò)模型的識別正確率進行檢驗，其結(jié)果如表5 所示，該模型對5種水分的識別正確率為90%～95%，總體識別正確率為92%.

表5 BP 神經(jīng)網(wǎng)絡(luò)模型對整批小麥籽粒水分的識別結(jié)果 %

使用相同的方法對單籽粒小麥水分含量進行識別，經(jīng)過比較，將網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計為7-17-5 時，網(wǎng)絡(luò)性能最好.使用該模型對單籽粒測試集小麥水分進行識別，其結(jié)果如表6 所示.

表6 BP 神經(jīng)網(wǎng)絡(luò)模型對單籽粒小麥水分的識別結(jié)果 %

由表5 和表6 可以看出，使用BP 神經(jīng)網(wǎng)絡(luò)模型對小麥水分進行識別時，對整批籽粒水分的識別正確率同樣高于對單籽粒小麥水分的識別.

由表3—表6 可知：從兩種分類器對水分含量識別的正確率可以看出，BP 神經(jīng)網(wǎng)絡(luò)分類器的性能優(yōu)于線性參數(shù)統(tǒng)計分類器.此外，對于整批小麥籽粒圖像水分的識別，統(tǒng)計分類器和神經(jīng)網(wǎng)絡(luò)分類器均能得到較高的識別正確率，但兩種分類器對小麥單籽粒水分的識別率較低.由之前的柱形圖分析可知，與整批小麥籽粒圖像相比，水分含量對單籽粒圖像特征參數(shù)的影響不大，因此不同水分含量的單籽粒小麥圖像特征參數(shù)差異不明顯，不利于區(qū)分，識別率相應(yīng)也較低.

3 結(jié)論

（1）在黑色環(huán)氧樹脂板背景條件下獲取小麥籽粒真彩色圖像，圖像采集后進行的中值濾波、形態(tài)學(xué)運算等預(yù)處理，可以較好地實現(xiàn)圖像增強和消除噪聲的目的，能夠滿足圖像特征信息提取的要求.

（2）利用圖像處理技術(shù)提取了小麥單籽粒圖像的形態(tài)、顏色、紋理共62 個特征參數(shù)和整批小麥籽粒圖像的顏色、紋理共48 個特征參數(shù).使用逐步判別分析對特征參數(shù)進行處理，從比較篩選出的特征參數(shù)值可知，與小麥單籽粒圖像相比，整批小麥籽粒圖像的特征參數(shù)能更好地反映水分含量的差異.

（3）分別建立線性參數(shù)統(tǒng)計分類器和BP 神經(jīng)網(wǎng)絡(luò)分類器，用于不同水分含量小麥籽粒的檢測識別.其中，BP 神經(jīng)網(wǎng)絡(luò)分類器對水分的識別率高于線性參數(shù)統(tǒng)計分類器；兩種分類器對整批小麥籽粒圖像水分的識別正確率均高于對單籽粒小麥水分的識別；使用BP 神經(jīng)網(wǎng)絡(luò)模型對整批小麥籽粒的5 種水分含量進行識別，整體識別正確率達到了92%，證明將圖像處理技術(shù)應(yīng)用于小麥水分含量識別是可行的.

（4）目前的圖像采集方法仍以靜態(tài)圖像采集為主，由于動態(tài)采集的圖像特征表現(xiàn)能力相比靜態(tài)圖像仍比較低，難以實現(xiàn)實際檢測中動態(tài)、實時檢測的需求，如何從快速運動的小麥群體中提取有效特征信息，是一個亟需解決的問題.此外，開發(fā)相應(yīng)的檢測方法和評價體系，建立與標(biāo)準(zhǔn)檢測方法對比的樣本庫，也是圖像處理研究中需要關(guān)注的重點.

［1］Wan Y N，Lin C M，Chiou J F.Rice quality classification using an automatic grain quality inspection system［J］.Transactions of the ASAE，2002，45（2）:379-387.

［2］尚艷芬，侯彩云，常國華.基于圖像識別的黃粒米自動檢測研究［J］.農(nóng)業(yè)工程學(xué)報，2004，20（4）:146-148.

［3］Courtois F，F(xiàn)aessel M，Bonazzi C.Assessing breakage and cracks of parboiled rice kernels by image analysis techniques［J］.Food Control，2010，21（4）:567-572.

［4］郝建平，楊錦忠，杜天慶，等.基于圖像處理的玉米品種的種子形態(tài)分析及其分類研究［J］.中國農(nóng)業(yè)科學(xué)，2008，41（4）:994-1002.

［5］Tao Y，Heinemann P H，Varghese Z，et al.Machine vision for color inspection of potatoes and apples［J］.Transactions of the ASAE，1995，38（5）:1555-1561.

［6］周竹，李小昱，陶海龍，等.基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測［J］.農(nóng)業(yè)工程學(xué)報，2007，28（21）:221-228.

［7］陳紅，熊利榮，胡筱波，等.基于神經(jīng)網(wǎng)絡(luò)與圖像處理的花生仁霉變識別方法［J］.農(nóng)業(yè)工程學(xué)報，2007，23（4）:158-161.

［8］韓仲志，趙友剛.基于計算機視覺的花生品質(zhì)分級檢測研究［J］.中國農(nóng)業(yè)科學(xué)，2010，43（18）:3882-3891.

［9］Zayas I，Lai F S，Pomeranz Y.Discrimination between wheat classes and varieties by image analysis［J］.Cereal Chemistry，1986，63（1）:52-56.

［10］Manickavasagan A，Sathya G，Jayas D S.Comparison of illuminations to identify wheat classes using monochrome images［J］.Computers and Electronics in Agriculture，2008，63（2）:237-244.

［11］Paliwal J，Shashidhar N S，Jayas D S.Grain kernel identification using kernel signature［J］.Transactions of the ASAE，1999，42（6）:1921-1924.

［12］Luo X，Jayas D S，Symons S J.Comparison of statistical and neural network methods for classifying cereal grains using machine vision［J］.Trans of the ASAE，1999，42（2）:413-419.

［13］Majumdar S，Jayas D S.Classification of cereal grains using machine vision:I.Morphology models［J］.Tansactions of the ASAE，2000，43（6）:1689-1694.

［14］Zhang G，Jayas D S，Jiang D Y，et al.Grain classification with combined texture model［J］.Transactions of the CSAE，2001，17（1）:149-153.

［15］Choudhary R，Paliwal J，Jayas D S.Classification of cereal grains using wavelet，morphological，colour，and textural features of non -touching kernel images［J］.Biosystems Engineering，2008，99（3）:330-337.

［16］王志軍，叢培盛，周佳璐，等.基于圖像處理與人工神經(jīng)網(wǎng)絡(luò)的小麥顆粒外觀品質(zhì)評價方法［J］.農(nóng)業(yè)工程學(xué)報，2007，23（1）:158-161.

［17］Xie F，Pearson T，Dowell F E，et al.Detecting vitreous wheat kernels using reflectance and transmittance image analysis［J］.Cereal Chemistry，2004，81（5）:594-597.

［18］Wang N，Zhang N，Dowell F E.Determining vitreousness of durum wheat using transmitted and reflected images［J］.Transactions of the ASAE，2005，48（1）:219-222.

［19］范璐，周展明，湯堅，等.圖像分析測定紅麥硬度方法的研究［J］.中國糧油學(xué)報，2002，17（6）:28-31.