一種稻谷霉變無損檢測的方法
【專利摘要】本發(fā)明涉及一種基于計算機視覺技術對稻谷霉變檢測的方法，屬于一種新型的檢測技術。通過計算機視覺圖像采集裝置，獲取正常(對照組)、霉變早期和霉變晚期圖像，經圖像處理后，對圖像的灰度特征、顏色特征和紋理特征進行提取。采用支持向量機和偏最小二乘法判別分析構建檢測模型，首先對正常稻谷與霉變稻谷進行了區(qū)分，又對不同霉變稻谷類型進行區(qū)分。本方法可以實現對稻谷是否霉變的準確識別，同時可以實現對不同真菌引發(fā)的霉變進行準確區(qū)分。該方法比傳統(tǒng)的人工檢測更加快速、準確、方便，而且對稻谷霉變的預防控制有很重要的意義。
【專利說明】
一種稻谷霉變無損檢測的方法
技術領域
[0001] 本發(fā)明是一種計算機視覺技術對稻谷霉變無損檢測的方法，屬于農產品貯藏與加 工無損檢測的技術領域。
【背景技術】
[0002] 稻谷收獲后，經過清洗干燥后，通常需要進行儲藏，儲藏是保障稻谷安全的一個重 要環(huán)節(jié)之一。稻谷在儲藏過程中常因受到微生物的污染而導致霉變，稻谷儲藏過程中微生 物危害在我國部分地區(qū)時常發(fā)生。由于稻谷含有豐富的碳水化合物、蛋白質、維生素、脂肪 和礦物質等，為微生物提供了良好的天然培養(yǎng)基。并且稻谷在種植收獲、干燥、運輸、儲藏等 過程中，都有可能受到微生物的污染。構成了稻谷的微生物生物區(qū)系大部分屬于霉菌，當稻 谷儲藏條件不當或外部環(huán)境滿足微生物生長條件時，就會在稻谷上大量生長繁殖，稻谷就 會發(fā)生霉變，造成品質劣變，并且有些霉菌在生長代謝過程中會產生毒素，嚴重威脅健康。 其中一些毒素耐受力強，在稻谷后期加工過程中不易除去，給稻谷的儲藏穩(wěn)定性和食用安 全性造成潛在威脅。傳統(tǒng)的稻谷霉變檢測主要通過人工檢測，不僅費時費力，而且無法做到 實監(jiān)測。隨著新技術的發(fā)展，許多新技術不斷應用與霉變稻谷的檢測，如鄒小波等[鄒小波， 趙杰文.電子鼻快速檢測谷物霉變的研究[J].農業(yè)工程學報.2004,20(4) :121-124.]研制 出一套能夠快速檢測谷物是否霉變的電子鼻裝置，且該裝置能夠快捷、準確地分析所測谷 物散發(fā)的氣味，來判斷所測谷物是否發(fā)生霉變。Siripatrawan等[Siripatrawan U，Makino Y.Monitoring fungal growth on brown rice grains using rapid and nondestructive hyperspectral imaging[J]. International Journal of Food Microbiology. 2015，199:93-100.]運用高光譜圖像技術對儲藏大米腐敗霉變真菌生長進 行實時監(jiān)控。Zhang Qiang等[Qiang Z，Cheng_Hai L，Jing_Kun S，et al .Rapid Non-destructive Detection for Molds Colony of Paddy Rice Based on Near Infrared Spectroscopy[J].Journal of Northeast Agricultural University.2014,21(4)：54-60.]利用波長為918-1045nm的近紅外光譜技術對水稻儲藏過程中的霉菌菌落總數進行檢 測，該方法可以用于水稻采后儲藏霉變的實時監(jiān)測。
[0003] 近年來，機器視覺技術作為一種無損傷、快速地的方法被用來霉變的檢測，得到了 廣泛的認可。在國內外食品工業(yè)中都有很好的應用，如Chen Hong等[Chen Hong，Wu Moucheng,Xiong Lirong. Identification of Mildewed Peanuts by Computer Vision [J]. Transaction of the Chinese Society for Agricultural Machinery.2008,39(1)： 110-113，96.]提出一種利用圖像處理技術識別霉變花生的方法.首先用微分算子對彩色花 生圖像進行邊緣檢測，經過形態(tài)學運算、填充、合成后，得到去除背景的彩色花生圖像。然后 采用Η和S的閾值識別霉變區(qū)域，根據像素數目計算霉變面積比，從而判斷霉變情況。試驗表 明，這種識別方法的正確率可以達到90%。趙莉[趙莉.霉變蕓豆的計算機視覺識別[J].硅 谷.2009,（12) :5.]采用計算機視覺的方法對霉變蕓豆進行檢測和識別，提出使用表面粒度 和霉變區(qū)域的面積所占的比例的方法對蕓豆的外觀品質進行評價。試驗表明在所選的樣本 條件下，正石角率可達90% 〇Pan[Classification of foodborne pathogens using near infrared(NIR)laser scatter imaging system with multivariate calibration[J] ? Scientific Reports.2015，5:9524.]等利用近紅外散射技術對四種食物病原菌進行鑒定 研究。但是利用視覺技術對稻谷中國真菌的識別研究國內外未見報道。成芳等[成芳，應義 斌.基于顏色特征的稻種霉變檢測算法[J].農業(yè)機械學報.2004(04): 102-105.]根據機器 視覺檢測雜交水稻種子質量的要求，對單粒、靜態(tài)稻種圖像進行霉變分析識別。比較了提取 顏色特征的3種方法，研究了基于顏色特征的稻種霉變檢測算法，經試驗驗證，該算法對正 常稻種、輕度霉變稻種、嚴重霉變稻種的檢測準確率分別為92%、95%、83%。

【發(fā)明內容】

[0004] 技術問題
[0005] 鑒于上述技術發(fā)展現狀，本發(fā)明的不僅利用了計算機視覺技術對稻谷在儲藏過程 中是否發(fā)生霉變進行檢測，而且對何種真菌引發(fā)的霉變進行了識別。在特征提取時，不僅利 于霉變稻谷圖像的顏色信息，而且采用了經典的灰度共生矩陣算法來描述圖像的紋理特 征。采用線性判別模型和非線性判別模型對比的方法選取最佳數據分析模型。從而建立一 種高效、快速、方便的稻谷霉變檢測方法。
[0006] 技術方案
[0007] 1. 一種稻谷霉變無損檢測的方法，包括計算機視覺圖像采集系統(tǒng)、圖像處理、特征 參數提取、識別模型構建、檢測結果分析、其中，
[0008] 1)計算機視覺系統(tǒng)由計算機、相機、光源、支架和底座組件構成，其中，相機采用的 型號為NEX-6的索尼相機，自動白平衡，光圈f/9.0,曝光時間為l/10s，IS0 100,焦距為 30mm;光源有兩條LED燈組成，每條12W，長度為33cm，可手動調節(jié)亮度;底座是由一塊30cm X 30cmX 1 . lcm的金屬板組成，底座上有螺孔，用來調節(jié)和固定支架；電腦型號為Dell Optiplex 7010,3.4GHz，內存8G，顯卡256M GeForce GT240;對空白組、早期霉變和晚期霉 變稻谷分別進行圖像采集。
[0009] 2)圖像采集
[0010]圖像處理使用的主要算法有圖像歸一化、提取感興趣區(qū)域、轉灰度、歸一化灰度直 方圖、R、G、B分量歸一化直方圖提取。
[0011] 3)特征參數提取
[0012] ①分別提取灰度特征出、!12...1116，紅色分量1?1、1?2...1?16，綠色分量61、62...616，藍色分 量和用來描述紋理特征的灰度共生矩陣中的角二階矩ASM、能量E、對比度C0N、熵 ENT，共68個特征數據。
[0013] ②SPA特征優(yōu)選:對68個特征進行特征優(yōu)選，其中，在區(qū)分空白與霉變稻谷的特征 選取中，共優(yōu)先出11個特征數據，特征變量集V為1?4、1?11、1?12、1?13、6 2、68、612、82』9、8 11』13;在 早期區(qū)分不同種類真菌霉變稻谷的特征選取中，共優(yōu)選出13個特征數據，特征變量集v為 R2、R3、R9、Rll、Rl2、Rl3、Gll、Gl2、Gl3、B7、B8、B9、Bll;在晚期區(qū)分不同種類真菌霉變稻谷的特征選 取中，共優(yōu)選出14個特征數據，特征變量集 BiOo
[0014] 4)識別模型構建
[0015] 其中，構建的支持向量機模型（SVM)為:將特征變量集v作為輸入值，是否霉變、哪 種類型的霉變作為輸出值，核函數為徑向基函數，核函數參數gamma值均為0.01，懲罰系數 cost值為1。
[0016] 其中，構建的偏最小二乘模型(PLSDA)為:將特征變量集v作為輸入值，是否霉變、 哪種類型的霉變作為輸出值。
[0017]有益效果
[0018] 本發(fā)明不僅利用計算機視覺技術對稻谷在儲藏過程中是否發(fā)生霉變進行檢測，而 且對何種真菌引發(fā)的霉變進行了識別。對稻谷在儲藏過程中霉變現象的實時檢測和預防提 供了一種高效、快速、方便的稻谷霉變檢測方法。通過對不同真菌引發(fā)的霉變現象進行了區(qū) 分，可以對稻谷早期霉變進行及時有針對的控制。 四、
【附圖說明】
[0019] 圖1:計算機視覺圖像采集裝置
[0020] 圖2:空白、早期霉變和晚期霉變稻谷圖像
[0021] 圖3:圖像處理流程 五、
【具體實施方式】
[0022] -種基于計算機視覺技術對稻谷霉變檢測的方法，【具體實施方式】如下：
[0023] 1.試驗材料
[0024]通過對稻谷儲藏過程中霉變真菌種類的調查發(fā)現，引起霉變的主要真菌主要有曲 霉類和青霉類，其中黑曲霉、米曲霉、雜色曲霉、構巢曲霉和桔青霉是最常見的五種。所以選 取以上五種真菌作為試驗對象。五種真菌購買于廣東省微生物菌種保藏中心。由于菌種是 以凍干粉的形式保藏，為了保證菌種活性，需要對其進行活化后才能使用。
[0025]將活化好的真菌進行純培養(yǎng)，制成孢子懸浮液，濃度為106cfu/g，將五種真菌孢子 懸浮液分別接種到經紫外殺菌過的稻谷樣品中。
[0026]將接種過的稻谷樣品放入恒溫恒濕培養(yǎng)箱內進行模擬儲藏，采用高溫高濕的條件 儲藏，溫度為30°C，濕度為90%。
[0027] 2.計算機視覺圖像采集系統(tǒng)
[0028] 計算機視覺系統(tǒng)由計算機、相機、光源、支架和底座組件構成，其中，相機采用的型 號為NEX-6的索尼相機，自動白平衡，光圈f/9.0,曝光時間為l/10s，IS0 100,焦距為30mm; 光源有兩條LED燈組成，每條12W，長度為33cm，可手動調節(jié)亮度;底座是由一塊30cm X 30cm X 1. lcm的金屬板組成，底座上有螺孔，用來調節(jié)和固定支架；電腦型號為Dell Optiplex 7010，3.4GHz，內存8G，顯卡256M GeForce GT240。
[0029] 對霉變稻谷圖像采集。其中空白組采集120副圖像，五種早期霉變和晚期霉變稻谷 樣品分別采集600副圖像，采集圖像的過程中對不同種真菌引發(fā)的霉變稻谷進行觀察并記 錄。圖像見圖2。
[0030] 3.圖像處理方法
[0031] 圖像處理的目的主要是將每個稻谷樣品中發(fā)生霉變的稻谷區(qū)域提取出來，為下一 步特征提取做準備，具體圖像處理如下：
[0032] 1)圖像壓縮：圖像壓縮又稱圖像編碼。由于在圖像采集的原始圖像數據量較大且 存在冗余，主要表現為相鄰像素間的相關性引起的空間冗余及頻譜冗余。圖像壓縮的目的 就是通過去除冗余的數據來提高圖像儲存、傳送、處理的速度。
[0033] 2)感興趣區(qū)域提取:對于霉變稻谷圖像，由于霉變范圍較大，無需對整幅圖像進行 處理，只需要選取某一區(qū)域的霉變圖像進行分析和特征提取即可，所以提取感興趣區(qū)域被 用來選取其中一塊作為圖像處理的對象。
[0034] 3)分量圖可視化:灰度圖像、R分量圖、G分量圖和B分量圖四個分量圖被提取用來 提取殼度?目息和顏色?目息。
[0035] 4.特征提取
[0036] 1)顏色特征：灰度特征出、出'"!116，紅色分量1?1、1? 2'"1?16、綠色分量61、62'"616、藍色 分量1?1、132"_1316，共64個顏色特征數據。
[0037] 2)紋理特征:灰度共生矩陣中的角二階矩ASM用來反映了圖像灰度分布的均勻程 度和紋理的粗細度、能量E與角二階矩相關的一個測度值、對比度C0N能夠有效檢測圖像反 差，提取物體邊緣信息，增強線形構造等信息、熵ENT它表示了圖像中紋理的非均勻程度或 復雜程度四個參數。
[0038] 3)SPA特征優(yōu)選:對68個特征進行特征優(yōu)選，其中，在區(qū)分空白與霉變稻谷的特征 選取中，共優(yōu)先出11個特征數據，特征變量集v為1? 4、1?11、1?12、1?13、62、68、612、8 2』9、811』13;在 早期區(qū)分不同種類真菌霉變稻谷的特征選取中，共優(yōu)選出13個特征數據，特征變量集v為 R2、R3、R9、Rll、Rl2、Rl3、Gll、Gl2、Gl3、B7、B8、B9、Bll;在晚期區(qū)分不同種類真菌霉變稻谷的特征選 取中，共優(yōu)選出14個特征數據，特征變量集 Β?ο。
[0039] 5.空白組與霉變組區(qū)分結果分析
[0040]由表1可以看出，PLSDA模型在建模集和驗證集中對對照組和霉變稻谷識別正確率 都達到90%以上，其中判別誤差主要來源于對照組與早期霉變稻谷區(qū)分錯誤。在建模集中 對照組有6個樣品判別為早期霉變稻谷，驗證集中4個樣品判別為早期稻谷。對照組能夠很 好的與晚期霉變稻谷區(qū)分。總體上基于多特征結合的PLSDA模型建模集準確率為89.4%，驗 證集準確率為87.2%。
[0041 ] 表1基于PLSDA模型區(qū)分結果
[0042]
[0043]由下表2可知，SVM模型在建模集和驗證集中對對照組和霉變稻谷識別正確率都達 到100%。且對早期霉變和晚期霉變也能較好的區(qū)分，誤差主要來源于少數晚期霉變稻谷樣 品與早期霉變稻谷的識別誤差。總體上可以看出，SVM模型在基于多特征結合區(qū)分效果要遠 遠高于PLSDA模型，基于多特征結合的SVM模型建模集準確率為99.8%，驗證集準確率為 98.8%。其中支持向量機的參數為:核函數為徑向基函數，核函數gamma值為0.01，懲罰系數 cost值為1。
[0044] 表2基于SVM模型區(qū)分結果
[0045]
[0046] 6.五種早期霉變稻谷區(qū)分結果
[0047]由表3可知，基于PLSDA判別模型中，構巢曲霉、黑曲霉、桔青霉和雜色曲霉都有不 錯的區(qū)分效果，米曲霉的判別誤差是最主要的因素之一，從表中可以看出，米曲霉在建模集 中有52個樣品判別為雜色曲霉，驗證集中有28個樣品同樣判別為雜色曲霉。綜合結果可以 得出，基于PLSDA對五種真菌早期霉變稻谷的區(qū)分建模集準確率為76.3%，驗證集準確率為 82%〇
[0048] 表3基于PLSDA模型區(qū)分結果
[0049]
[0050] 由表4可知，基于SVM判別模型能夠很好的對五種真菌霉變稻谷區(qū)分，在建模集和 驗證集中構巢曲霉、黑曲霉、桔青霉三種真菌霉變區(qū)分正確率都達到100%。誤差主要來源 于米曲霉與雜色曲霉的判別錯誤。綜合分析得出，基于SVM對五種真菌早期霉變稻谷的區(qū)分 建模集準確率為99.3 %，驗證集準確率為92 %。其中支持向量機的參數為:核函數、為徑向 基函數，核函數參數gamma值為0.01，懲罰系數數cos t值為1。
[0051 ] 表4基于SVM模型區(qū)分結果 [0052]
[0053]
[0054] 7.五種晚期霉變稻谷區(qū)分結果
[0055] 由表5可以得出，基于PLSDA判別模型對五種晚期霉變稻谷的區(qū)分結果相比較于早 期的效果好，其中建模集準確率達到96.8%，驗證集準確率達到92%。米曲霉和雜色曲霉的 識別正確率有了很大的提高，但判別誤差來源依舊是二種真菌的判別錯誤。
[0056] 表5基于PLSDA模型區(qū)分結果
[0057]
[0058] 由表6可以得知，基于SVM判別模型在對晚期五種真菌稻谷霉變的建模集區(qū)分正確 率都達到100%。預測集誤差來源于桔青霉和米曲霉，其中桔青霉中2個樣品為判斷為雜色 曲霉，米曲霉中有10個樣品被判別為雜色曲霉。其中支持向量機的參數為:核函數為徑向基 函數，核函數參數ga_a值為0.00032，懲罰系數數cost值為1。
[0059] 表6基于SVM模型區(qū)分結果
[0060]
[0061 ] 8.基于SPA特征選取的區(qū)分結果對比
[0062]由表7可知，在對照組與霉變組的區(qū)分結果比較可知，基于PLSDA模型判別結果對 比中，多特征結合的方式的區(qū)分效果要遠高于基于SPA特征結果，但SVM模型判別結果卻相 差不大，且在基于SPA特征驗證集準確率上高出多特征結合1.3個百分點。通過比較也說明 了非線性SVM模型在自我學習能力和數據分析上要優(yōu)于線性PLSDA判別模型，更適合于對正 常稻谷和霉變稻谷的區(qū)分。
[0063] 在五種早期霉變稻谷區(qū)分結果比較可知，基于多特征結合和SPA特征的PLSDA模型 判別結果很接近，其中建模集中準確率同樣為76.3%，驗證集中相差0.5個百分點，非常接 近。在SVM模型中，建模集中基于SPA特征的區(qū)分結果要優(yōu)于基于多特征結合的結果，但驗證 集結果卻相反。同時結果也說明了 SVM在對早期五種真菌稻谷霉變的區(qū)分效果要優(yōu)于PLSDA 模型。
[0064] 在五種晚期霉變稻谷區(qū)分結果比較可知，基于多特征結合和SPA特征的PLSDA模型 判別結果很接近，其中驗證集中準確率同樣為92%，建模集中相差1個百分點。在SVM模型 中，建模集中基于SPA特征的區(qū)分結果與基于多特征結合的結果一致，同為100%，但驗證集 中基于SPA特征結果要高于基于多特征結合1個百分點。
[0065]表7基于SPA特征選取和原始數據區(qū)分效果對比
[0066]
[0068]通過對比早期霉變區(qū)分和晚期霉變的區(qū)分結果可以看的出，對晚期霉變兩種判別 模型識別正確率均高于早期霉變。其原因可能是早期霉變中五種真菌霉變稻谷之間的霉變 現象還不明顯，易混淆。而五種晚期霉變現象之間的差異更加明顯，比較容易區(qū)分。且不管 是基于多特征結合還是基于SPA特征篩選的區(qū)分結果來看，早期霉變還是晚期霉變之間的 區(qū)分結果都比較接近。一方面說明基于SPA特征選擇的判別分析不僅消除了數據冗余、減少 了運算量，而且在區(qū)分效果上也有很好的作用。另一方面也說明了 SVM模型在自我學習能力 上還是在我調節(jié)能力上都遠優(yōu)于PLSDA模型。所以，SVM可用于霉變稻谷檢測的最佳判別模 型。
【主權項】
1. 一種稻谷霉變無損檢測的方法，包括計算機視覺圖像采集系統(tǒng)、圖像處理、特征參數 提取、識別模型構建，其中， 1) 計算機視覺系統(tǒng)由計算機、相機、光源、支架和底座組件構成，其中，相機采用的型號 為NEX-6的索尼相機，自動白平衡，光圈f/9.0，曝光時間為1 /1 Os，I SO 100，焦距為30mm;光 源有兩條LED燈組成，每條12W，長度為33cm，可手動調節(jié)亮度;底座是由一塊30cm X 30cm X 1. lcm的金屬板組成，底座上有螺孔，用來調節(jié)和固定支架；電腦型號為Dell Optiplex 7010、3.4GHz、內存8G、顯卡256M GeForce GT240;其中，分別對空白組、早期霉變和晚期霉 變稻谷進行圖像采集； 2) 圖像處理 圖像處理使用的主要算法有圖像歸一化、提取感興趣區(qū)域、轉灰度、歸一化灰度直方 圖、R、G、B分量歸一化直方圖提?。? 3) 特征參數提取 ① 分別提取灰度特征1^1、!12"_1116，紅色分量1?1、1?2"_1?16，綠色分量61、62"_616，藍色分量131、 B2…B16和用來描述紋理特征的灰度共生矩陣中的角二階矩ASM、能量E、對比度⑶N、熵ENT， 共68個特征數據； ② SPA特征優(yōu)選:對68個特征進行特征優(yōu)選，其中，在區(qū)分空白與霉變稻谷的特征選取 中，共優(yōu)先出11個特征數據，特征變量集v為1?4、1?11、1?12、1?13、6 2、68、612、82』9、8 11』13;在早期 區(qū)分不同種類真菌霉變稻谷的特征選取中，共優(yōu)選出13個特征數據，特征變量集v為R 2、R3、 1?9、1?11、1?12、1?13、611、6 12、613、87、88、89、811;在晚期區(qū)分不同種類真菌霉變稻谷的特征選取中， 共優(yōu)選出 14個特征數據，特征變量集 v*H13、R!、R9、Rn、R13、Gn、G12、B 2、B3、B4、B5、B7、B8、B10; 4) 識別模型構建 其中，構建的支持向量機模型（SVM)為:將特征變量集v作為輸入值，是否霉變、哪種類 型的霉變作為輸出值，核函數為徑向基函數，核函數參數gamma值均為0.01，懲罰系數cost 值為1; 其中，構建的偏最小二乘模型(PLSDA)為:將特征變量集v作為輸入值，是否霉變、哪種 類型的霉變作為輸出值。
【文檔編號】G06K9/32GK105975966SQ201610262700
【公開日】2016年9月28日
【申請日】2016年4月21日
【發(fā)明人】潘磊慶, 王振杰, 屠康, 孫柯, 孫曄, 顧欣哲
【申請人】南京農業(yè)大學