CN105975966A - 一种稻谷霉变无损检测的方法 - Google Patents

Abstract

本发明涉及一种基于计算机视觉技术对稻谷霉变检测的方法，属于一种新型的检测技术。通过计算机视觉图像采集装置，获取正常(对照组)、霉变早期和霉变晚期图像，经图像处理后，对图像的灰度特征、颜色特征和纹理特征进行提取。采用支持向量机和偏最小二乘法判别分析构建检测模型，首先对正常稻谷与霉变稻谷进行了区分，又对不同霉变稻谷类型进行区分。本方法可以实现对稻谷是否霉变的准确识别，同时可以实现对不同真菌引发的霉变进行准确区分。该方法比传统的人工检测更加快速、准确、方便，而且对稻谷霉变的预防控制有很重要的意义。

Description

一种稻谷霉变无损检测的方法

技术领域

本发明是一种计算机视觉技术对稻谷霉变无损检测的方法，属于农产品贮藏与加工无损检测的技术领域。

背景技术

稻谷收获后，经过清洗干燥后，通常需要进行储藏，储藏是保障稻谷安全的一个重要环节之一。稻谷在储藏过程中常因受到微生物的污染而导致霉变，稻谷储藏过程中微生物危害在我国部分地区时常发生。由于稻谷含有丰富的碳水化合物、蛋白质、维生素、脂肪和矿物质等，为微生物提供了良好的天然培养基。并且稻谷在种植收获、干燥、运输、储藏等过程中，都有可能受到微生物的污染。构成了稻谷的微生物生物区系大部分属于霉菌，当稻谷储藏条件不当或外部环境满足微生物生长条件时，就会在稻谷上大量生长繁殖，稻谷就会发生霉变，造成品质劣变，并且有些霉菌在生长代谢过程中会产生毒素，严重威胁健康。其中一些毒素耐受力强，在稻谷后期加工过程中不易除去，给稻谷的储藏稳定性和食用安全性造成潜在威胁。传统的稻谷霉变检测主要通过人工检测，不仅费时费力，而且无法做到实监测。随着新技术的发展，许多新技术不断应用与霉变稻谷的检测，如邹小波等[邹小波，赵杰文.电子鼻快速检测谷物霉变的研究[J].农业工程学报.2004，20(4)：121-124.]研制出一套能够快速检测谷物是否霉变的电子鼻装置，且该装置能够快捷、准确地分析所测谷物散发的气味，来判断所测谷物是否发生霉变。Siripatrawan等[Siripatrawan U，MakinoY.Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J].International Journal of FoodMicrobiology.2015，199：93-100.]运用高光谱图像技术对储藏大米腐败霉变真菌生长进行实时监控。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 InfraredSpectroscopy[J].Journal of Northeast Agricultural University.2014，21(4)：54-60.]利用波长为918-1045nm的近红外光谱技术对水稻储藏过程中的霉菌菌落总数进行检测，该方法可以用于水稻采后储藏霉变的实时监测。

近年来，机器视觉技术作为一种无损伤、快速地的方法被用来霉变的检测，得到了广泛的认可。在国内外食品工业中都有很好的应用，如Chen Hong等[Chen Hong，WuMoucheng，Xiong Lirong.Identification of Mildewed Peanuts by Computer Vision[J].Transaction of the Chinese Society for Agricultural Machinery.2008，39(1)：110-113，96.]提出一种利用图像处理技术识别霉变花生的方法.首先用微分算子对彩色花生图像进行边缘检测，经过形态学运算、填充、合成后，得到去除背景的彩色花生图像。然后采用H和S的阈值识别霉变区域，根据像素数目计算霉变面积比，从而判断霉变情况。试验表明，这种识别方法的正确率可以达到90％。赵莉[赵莉.霉变芸豆的计算机视觉识别[J].硅谷.2009，(12)：5.]采用计算机视觉的方法对霉变芸豆进行检测和识别，提出使用表面粒度和霉变区域的面积所占的比例的方法对芸豆的外观品质进行评价。试验表明在所选的样本条件下，正确率可达90％。Pan[Classification of foodborne pathogens using nearinfrared(NIR)laser scatter imaging system with multivariate calibration[J].Scientific Reports.2015，5：9524.]等利用近红外散射技术对四种食物病原菌进行鉴定研究。但是利用视觉技术对稻谷中国真菌的识别研究国内外未见报道。成芳等[成芳，应义斌.基于颜色特征的稻种霉变检测算法[J].农业机械学报.2004(04)：102-105.]根据机器视觉检测杂交水稻种子质量的要求，对单粒、静态稻种图像进行霉变分析识别。比较了提取颜色特征的3种方法，研究了基于颜色特征的稻种霉变检测算法，经试验验证，该算法对正常稻种、轻度霉变稻种、严重霉变稻种的检测准确率分别为92％、95％、83％。

发明内容

技术问题

鉴于上述技术发展现状，本发明的不仅利用了计算机视觉技术对稻谷在储藏过程中是否发生霉变进行检测，而且对何种真菌引发的霉变进行了识别。在特征提取时，不仅利于霉变稻谷图像的颜色信息，而且采用了经典的灰度共生矩阵算法来描述图像的纹理特征。采用线性判别模型和非线性判别模型对比的方法选取最佳数据分析模型。从而建立一种高效、快速、方便的稻谷霉变检测方法。

技术方案

1.一种稻谷霉变无损检测的方法，包括计算机视觉图像采集系统、图像处理、特征参数提取、识别模型构建、检测结果分析、其中，

1)计算机视觉系统由计算机、相机、光源、支架和底座组件构成，其中，相机采用的型号为NEX-6的索尼相机，自动白平衡，光圈f/9.0，曝光时间为1/10s，ISO 100，焦距为30mm；光源有两条LED灯组成，每条12W，长度为33cm，可手动调节亮度；底座是由一块30cm×30cm×1.1cm的金属板组成，底座上有螺孔，用来调节和固定支架；电脑型号为DellOptiplex 7010，3.4GHz，内存8G，显卡256M GeForce GT240；对空白组、早期霉变和晚期霉变稻谷分别进行图像采集。

2)图像采集

图像处理使用的主要算法有图像归一化、提取感兴趣区域、转灰度、归一化灰度直方图、R、G、B分量归一化直方图提取。

3)特征参数提取

①分别提取灰度特征H₁、H₂…H₁₆，红色分量R₁、R₂…R₁₆，绿色分量G₁、G₂…G₁₆，蓝色分量B₁、B₂…B₁₆和用来描述纹理特征的灰度共生矩阵中的角二阶矩ASM、能量E、对比度CON、熵ENT，共68个特征数据。

②SPA特征优选：对68个特征进行特征优选，其中，在区分空白与霉变稻谷的特征选取中，共优先出11个特征数据，特征变量集v为R₄、R₁₁、R₁₂、R₁₃、G₂、G₈、G₁₂、B₂、B₉、B₁₁、B₁₃；在早期区分不同种类真菌霉变稻谷的特征选取中，共优选出13个特征数据，特征变量集v为R₂、R₃、R₉、R₁₁、R₁₂、R₁₃、G₁₁、G₁₂、G₁₃、B₇、B₈、B₉、B₁₁；在晚期区分不同种类真菌霉变稻谷的特征选取中，共优选出14个特征数据，特征变量集v为H₁₃、R₁、R₉、R₁₁、R₁₃、G₁₁、G₁₂、B₂、B₃、B₄、B₅、B₇、B₈、B₁₀。

4)识别模型构建

其中，构建的支持向量机模型(SVM)为：将特征变量集v作为输入值，是否霉变、哪种类型的霉变作为输出值，核函数为径向基函数，核函数参数gamma值均为0.01，惩罚系数cost值为1。

其中，构建的偏最小二乘模型(PLSDA)为：将特征变量集v作为输入值，是否霉变、哪种类型的霉变作为输出值。

有益效果

本发明不仅利用计算机视觉技术对稻谷在储藏过程中是否发生霉变进行检测，而且对何种真菌引发的霉变进行了识别。对稻谷在储藏过程中霉变现象的实时检测和预防提供了一种高效、快速、方便的稻谷霉变检测方法。通过对不同真菌引发的霉变现象进行了区分，可以对稻谷早期霉变进行及时有针对的控制。

四、附图说明

图1：计算机视觉图像采集装置

图2：空白、早期霉变和晚期霉变稻谷图像

图3：图像处理流程

五、具体实施方式

一种基于计算机视觉技术对稻谷霉变检测的方法，具体实施方式如下：

1.试验材料

通过对稻谷储藏过程中霉变真菌种类的调查发现，引起霉变的主要真菌主要有曲霉类和青霉类，其中黑曲霉、米曲霉、杂色曲霉、构巢曲霉和桔青霉是最常见的五种。所以选取以上五种真菌作为试验对象。五种真菌购买于广东省微生物菌种保藏中心。由于菌种是以冻干粉的形式保藏，为了保证菌种活性，需要对其进行活化后才能使用。

将活化好的真菌进行纯培养，制成孢子悬浮液，浓度为10⁶cfu/g，将五种真菌孢子悬浮液分别接种到经紫外杀菌过的稻谷样品中。

将接种过的稻谷样品放入恒温恒湿培养箱内进行模拟储藏，采用高温高湿的条件储藏，温度为30℃，湿度为90％。

2.计算机视觉图像采集系统

计算机视觉系统由计算机、相机、光源、支架和底座组件构成，其中，相机采用的型号为NEX-6的索尼相机，自动白平衡，光圈f/9.0，曝光时间为1/10s，ISO 100，焦距为30mm；光源有两条LED灯组成，每条12W，长度为33cm，可手动调节亮度；底座是由一块30cm×30cm×1.1cm的金属板组成，底座上有螺孔，用来调节和固定支架；电脑型号为Dell Optiplex7010，3.4GHz，内存8G，显卡256M GeForce GT240。

对霉变稻谷图像采集。其中空白组采集120副图像，五种早期霉变和晚期霉变稻谷样品分别采集600副图像，采集图像的过程中对不同种真菌引发的霉变稻谷进行观察并记录。图像见图2。

3.图像处理方法

图像处理的目的主要是将每个稻谷样品中发生霉变的稻谷区域提取出来，为下一步特征提取做准备，具体图像处理如下：

1)图像压缩：图像压缩又称图像编码。由于在图像采集的原始图像数据量较大且存在冗余，主要表现为相邻像素间的相关性引起的空间冗余及频谱冗余。图像压缩的目的就是通过去除冗余的数据来提高图像储存、传送、处理的速度。

2)感兴趣区域提取：对于霉变稻谷图像，由于霉变范围较大，无需对整幅图像进行处理，只需要选取某一区域的霉变图像进行分析和特征提取即可，所以提取感兴趣区域被用来选取其中一块作为图像处理的对象。

3)分量图可视化：灰度图像、R分量图、G分量图和B分量图四个分量图被提取用来提取亮度信息和颜色信息。

4.特征提取

1)颜色特征：灰度特征H₁、H₂…H₁₆，红色分量R₁、R₂…R₁₆、绿色分量G₁、G₂…G₁₆、蓝色分量B₁、B₂…B₁₆，共64个颜色特征数据。

2)纹理特征：灰度共生矩阵中的角二阶矩ASM用来反映了图像灰度分布的均匀程度和纹理的粗细度、能量E与角二阶矩相关的一个测度值、对比度CON能够有效检测图像反差，提取物体边缘信息，增强线形构造等信息、熵ENT它表示了图像中纹理的非均匀程度或复杂程度四个参数。

3)SPA特征优选：对68个特征进行特征优选，其中，在区分空白与霉变稻谷的特征选取中，共优先出11个特征数据，特征变量集v为R₄、R₁₁、R₁₂、R₁₃、G₂、G₈、G₁₂、B₂、B₉、B₁₁、B₁₃；在早期区分不同种类真菌霉变稻谷的特征选取中，共优选出13个特征数据，特征变量集v为R₂、R₃、R₉、R₁₁、R₁₂、R₁₃、G₁₁、G₁₂、G₁₃、B₇、B₈、B₉、B₁₁；在晚期区分不同种类真菌霉变稻谷的特征选取中，共优选出14个特征数据，特征变量集v为H₁₃、R₁、R₉、R₁₁、R₁₃、G₁₁、G₁₂、B₂、B₃、B₄、B₅、B₇、B₈、B₁₀。

5.空白组与霉变组区分结果分析

由表1可以看出，PLSDA模型在建模集和验证集中对对照组和霉变稻谷识别正确率都达到90％以上，其中判别误差主要来源于对照组与早期霉变稻谷区分错误。在建模集中对照组有6个样品判别为早期霉变稻谷，验证集中4个样品判别为早期稻谷。对照组能够很好的与晚期霉变稻谷区分。总体上基于多特征结合的PLSDA模型建模集准确率为89.4％，验证集准确率为87.2％。

表1基于PLSDA模型区分结果

由下表2可知，SVM模型在建模集和验证集中对对照组和霉变稻谷识别正确率都达到100％。且对早期霉变和晚期霉变也能较好的区分，误差主要来源于少数晚期霉变稻谷样品与早期霉变稻谷的识别误差。总体上可以看出，SVM模型在基于多特征结合区分效果要远远高于PLSDA模型，基于多特征结合的SVM模型建模集准确率为99.8％，验证集准确率为98.8％。其中支持向量机的参数为：核函数为径向基函数，核函数gamma值为0.01，惩罚系数cost值为1。

表2基于SVM模型区分结果

6.五种早期霉变稻谷区分结果

由表3可知，基于PLSDA判别模型中，构巢曲霉、黑曲霉、桔青霉和杂色曲霉都有不错的区分效果，米曲霉的判别误差是最主要的因素之一，从表中可以看出，米曲霉在建模集中有52个样品判别为杂色曲霉，验证集中有28个样品同样判别为杂色曲霉。综合结果可以得出，基于PLSDA对五种真菌早期霉变稻谷的区分建模集准确率为76.3％，验证集准确率为82％。

表3基于PLSDA模型区分结果

由表4可知，基于SVM判别模型能够很好的对五种真菌霉变稻谷区分，在建模集和验证集中构巢曲霉、黑曲霉、桔青霉三种真菌霉变区分正确率都达到100％。误差主要来源于米曲霉与杂色曲霉的判别错误。综合分析得出，基于SVM对五种真菌早期霉变稻谷的区分建模集准确率为99.3％，验证集准确率为92％。其中支持向量机的参数为：核函数、为径向基函数，核函数参数gamma值为0.01，惩罚系数数cost值为1。

表4基于SVM模型区分结果

7.五种晚期霉变稻谷区分结果

由表5可以得出，基于PLSDA判别模型对五种晚期霉变稻谷的区分结果相比较于早期的效果好，其中建模集准确率达到96.8％，验证集准确率达到92％。米曲霉和杂色曲霉的识别正确率有了很大的提高，但判别误差来源依旧是二种真菌的判别错误。

表5基于PLSDA模型区分结果

由表6可以得知，基于SVM判别模型在对晚期五种真菌稻谷霉变的建模集区分正确率都达到100％。预测集误差来源于桔青霉和米曲霉，其中桔青霉中2个样品为判断为杂色曲霉，米曲霉中有10个样品被判别为杂色曲霉。其中支持向量机的参数为：核函数为径向基函数，核函数参数gamma值为0.00032，惩罚系数数cost值为1。

表6基于SVM模型区分结果

8.基于SPA特征选取的区分结果对比

由表7可知，在对照组与霉变组的区分结果比较可知，基于PLSDA模型判别结果对比中，多特征结合的方式的区分效果要远高于基于SPA特征结果，但SVM模型判别结果却相差不大，且在基于SPA特征验证集准确率上高出多特征结合1.3个百分点。通过比较也说明了非线性SVM模型在自我学习能力和数据分析上要优于线性PLSDA判别模型，更适合于对正常稻谷和霉变稻谷的区分。

在五种早期霉变稻谷区分结果比较可知，基于多特征结合和SPA特征的PLSDA模型判别结果很接近，其中建模集中准确率同样为76.3％，验证集中相差0.5个百分点，非常接近。在SVM模型中，建模集中基于SPA特征的区分结果要优于基于多特征结合的结果，但验证集结果却相反。同时结果也说明了SVM在对早期五种真菌稻谷霉变的区分效果要优于PLSDA模型。

在五种晚期霉变稻谷区分结果比较可知，基于多特征结合和SPA特征的PLSDA模型判别结果很接近，其中验证集中准确率同样为92％，建模集中相差1个百分点。在SVM模型中，建模集中基于SPA特征的区分结果与基于多特征结合的结果一致，同为100％，但验证集中基于SPA特征结果要高于基于多特征结合1个百分点。

表7基于SPA特征选取和原始数据区分效果对比

通过对比早期霉变区分和晚期霉变的区分结果可以看的出，对晚期霉变两种判别模型识别正确率均高于早期霉变。其原因可能是早期霉变中五种真菌霉变稻谷之间的霉变现象还不明显，易混淆。而五种晚期霉变现象之间的差异更加明显，比较容易区分。且不管是基于多特征结合还是基于SPA特征筛选的区分结果来看，早期霉变还是晚期霉变之间的区分结果都比较接近。一方面说明基于SPA特征选择的判别分析不仅消除了数据冗余、减少了运算量，而且在区分效果上也有很好的作用。另一方面也说明了SVM模型在自我学习能力上还是在我调节能力上都远优于PLSDA模型。所以，SVM可用于霉变稻谷检测的最佳判别模型。

Claims (1)

1.一种稻谷霉变无损检测的方法，包括计算机视觉图像采集系统、图像处理、特征参数提取、识别模型构建，其中，

1)计算机视觉系统由计算机、相机、光源、支架和底座组件构成，其中，相机采用的型号为NEX-6的索尼相机，自动白平衡，光圈f/9.0，曝光时间为1/10s，ISO 100，焦距为30mm；光源有两条LED灯组成，每条12W，长度为33cm，可手动调节亮度；底座是由一块30cm×30cm×1.1cm的金属板组成，底座上有螺孔，用来调节和固定支架；电脑型号为Dell Optiplex7010、3.4GHz、内存8G、显卡256M GeForce GT240；其中，分别对空白组、早期霉变和晚期霉变稻谷进行图像采集；

2)图像处理

图像处理使用的主要算法有图像归一化、提取感兴趣区域、转灰度、归一化灰度直方图、R、G、B分量归一化直方图提取；

3)特征参数提取

①分别提取灰度特征H₁、H₂…H₁₆，红色分量R₁、R₂…R₁₆，绿色分量G₁、G₂…G₁₆，蓝色分量B₁、B₂…B₁₆和用来描述纹理特征的灰度共生矩阵中的角二阶矩ASM、能量E、对比度CON、熵ENT，共68个特征数据；

②SPA特征优选：对68个特征进行特征优选，其中，在区分空白与霉变稻谷的特征选取中，共优先出11个特征数据，特征变量集v为R₄、R₁₁、R₁₂、R₁₃、G₂、G₈、G₁₂、B₂、B₉、B₁₁、B₁₃；在早期区分不同种类真菌霉变稻谷的特征选取中，共优选出13个特征数据，特征变量集v为R₂、R₃、R₉、R₁₁、R₁₂、R₁₃、G₁₁、G₁₂、G₁₃、B₇、B₈、B₉、B₁₁；在晚期区分不同种类真菌霉变稻谷的特征选取中，共优选出14个特征数据，特征变量集v为H₁₃、R₁、R₉、R₁₁、R₁₃、G₁₁、G₁₂、B₂、B₃、B₄、B₅、B₇、B₈、B₁₀；

4)识别模型构建

其中，构建的支持向量机模型(SVM)为：将特征变量集v作为输入值，是否霉变、哪种类型的霉变作为输出值，核函数为径向基函数，核函数参数gamma值均为0.01，惩罚系数cost值为1；

其中，构建的偏最小二乘模型(PLSDA)为：将特征变量集v作为输入值，是否霉变、哪种类型的霉变作为输出值。