王錦謨，孫 濤，鄧 成

(安徽糧食工程職業(yè)學(xué)院 機電工程系，安徽 合肥 230011)

0 引言

猴頭菇，又名猴頭、猴蘑、刺猬菌，具有較高的營養(yǎng)價值和藥用價值，有“素中葷”之稱[1].在我國，絕大部分猴頭菇的品質(zhì)檢測仍然采用人工感官檢測的原始方法，這種主觀評定不僅效率低、誤差大，還易受到許多條件的影響，如工人的能力、情緒、色彩辨別力、光線以及疲勞程度等[2].最重要的是這種感官評定只能進行定性判斷，其客觀性和準確性較差.因此，當務(wù)之急是提高猴頭菇的品質(zhì)檢測水平.計算機視覺，又名機器視覺，是指用計算機代替人眼對目標進行識別、跟蹤和測量[3].該技術(shù)不僅可以大批量地對農(nóng)副產(chǎn)品進行快速、準確、無破壞性的檢測，還可以定量檢測農(nóng)副產(chǎn)品的尺寸、形狀、顏色等具體數(shù)值[4-5].但目前，許多學(xué)者對該技術(shù)的研究主要集中在水果和蔬菜上面，較少應(yīng)用于食用菌，基于該技術(shù)的猴頭菇檢測更是沒有[6-8].本文以猴頭菇為研究對象，利用計算機視覺檢測技術(shù)對其進行無損檢測和分級.通過圖像采集系統(tǒng)采集猴頭菇單體圖像，使用MATLAB軟件對圖像進行中值濾波降噪、分割閾值等預(yù)處理后，分別提取顏色、大小、形狀等特征因素，將形狀(菌蓋圓形度、菌蓋偏心率)、顏色、大小這三個指標，作為建立猴頭菇外部品質(zhì)分級的標準.根據(jù)猴頭菇外觀品質(zhì)分級的標準，利用Fisher(費希爾)判別分析法來構(gòu)建猴頭菇的分級模型.

1 試驗材料與方法

1.1 材料與設(shè)備

(1)試驗材料

試驗材料為猴頭菇，通過淘寶購買于福建省古田縣芳明食用菌合作社.試驗前先去除有蟲斑、病毒、機械損傷的猴頭菇，然后去除其表面污物，以免影響后期的圖像處理.猴頭菇樣本總數(shù)合計為31個，將其分為建模組和驗證組，其中建模組21個，驗證組10個.本次試驗在猴頭菇有食用價值的周期內(nèi)(貨架期)，每隔一天分別對建模組和驗證組的猴頭菇采集一次圖像，共16天，即建模組共有168個樣本，驗證組有共80個樣本.

(2)儀器設(shè)備

試驗采用的圖像采集系統(tǒng)由暗室、佳能(Cannon)60D單反相機、4個放置于角落的可調(diào)節(jié)亮度的LED燈、載物臺以及鋪設(shè)在載物臺上作背景的黑色布組成.1m×1m的全封閉的正方形紙盒作為暗室，只在其頂部開一個足夠佳能60D單反相機的鏡頭進入的洞口，如圖1(a)所示.采用4個可調(diào)節(jié)光強度的LED燈作為照明裝置，分別將其放置于四個角落，如圖1(b)所示.成像設(shè)備為佳能60D單反相機(傳感器類型：CMOS；傳感器尺寸：22.3 mm*14.9 mm；有效像素：1800萬；影像處理器：DIGIC 4；最高分辨率：5184×3456).計算機為惠普hp 14-no27TX型筆記本電腦(CPU型號：英特爾 酷睿i5 4200U；CPU主頻：1.6 Hz；內(nèi)存：4GB；顯卡芯片：AMD Radeon HD 8670M).圖像處理軟件為MATLAB 2012a.

圖1 暗室和照明裝置結(jié)構(gòu)圖

1.2 試驗方法

1.2.1 圖像預(yù)處理

猴頭菇單體圖像預(yù)處理流程如圖2所示.

圖2 圖像預(yù)處理流程圖

(1)灰度化處理

采集的原始圖像為RGB格式，采用的是分量法，即分別提取原始圖像的R、G、B三個通道的分量圖像.當R=G=B的值為灰度值，測試發(fā)現(xiàn)圖像的R分量背景對比最顯著.因此，采用圖像B分量為原始圖像的灰度值.

(2)降噪

圖片在采集和傳輸過程中，都或多或少地存在一定的噪聲干擾，而噪聲會在一定程度上惡化圖像質(zhì)量，使圖像變得模糊，甚至?xí)箞D像的特征被淹沒，進而增加后期的圖像分割、分析等工作的難度.因此，必須消除圖像中的噪聲.該處理方式一般稱為降噪或平滑圖像.本文采用3×3的方形模板進行中值濾波降噪.

(3)二值化

通常一張圖像上一般含有目標物體、背景以及噪聲，為了從已降噪過的多值圖像中提取出目標物體，需將其轉(zhuǎn)化為二值圖.本文采用局部自適應(yīng)二值化的方法，先用 graythresh 函數(shù)找到圖像的一個合適的閾值，然后通過 im2bw 函數(shù)將已處理好的灰度圖像轉(zhuǎn)化為二值圖像.其中，graythresh 函數(shù)使用最大類間方差法來獲得一個閾值，閥值范圍為[0,1].

(4)邊緣提取

圖像邊緣是圖像最重要的特征之一，邊緣在圖像分析中起著重要的作用.由于Sobel、Roberts算子對邊緣定位不是特別準確，以及Prewitt算子檢測的間斷點較多且邊緣較寬，本文采用Canny算子來檢測提取圖像邊緣.

1.2.2 特征參數(shù)提取

(1)顏色特征提取

顏色特征參數(shù)提?。侯伾谀撤N意義上代表了猴頭菇的等級和新鮮程度.表示顏色的一種算法叫作色彩模式.生產(chǎn)線上的顏色檢測：顏色檢測采用的色彩模式為RGB顏色模型.運輸線上的顏色檢測：在運輸過程中，為避免猴頭因溫度、濕度、時間等因素導(dǎo)致品質(zhì)下降，從而影響分級的準確性，通過高品質(zhì)電腦色差儀對其進行快速檢測.本試驗采用的色差儀色彩模式為L*a*b模式，通過公式(1)得出總色差值[9].

(1)

式中：ΔL表示亮暗，+ΔL表示偏亮，-ΔL表示偏暗；Δa表示紅綠，+Δa表示偏紅，-Δa表示偏綠；Δb表示黃藍，+Δb表示偏黃，-Δb表示偏藍.

(2)大小特征參數(shù)提取

本文以猴頭菇的面積、周長、徑長描述其大小.原始圖像經(jīng)預(yù)處理后，轉(zhuǎn)化為目標區(qū)域為白色、黑色區(qū)域為背景的二值圖像.用MATLAB軟件中的regionprops 函數(shù)對二值圖像中目標區(qū)域的像素值進行統(tǒng)計，然后按照公式(2)便可得到猴頭菇的面積S、周長L、徑長R[10].

(2)

(3)形狀特征參數(shù)提取

由于猴頭菇的菌蓋與圓形較相似，但不是特別規(guī)則，為了更加全面地描述其形狀特征，故本文選取菌蓋圓形度、菌蓋偏心率作為猴頭菇的形狀特征參數(shù)[11].

菌蓋圓形度：圓形度是用來描述猴頭菇的菌蓋形狀與圓形的相似度.其公式如下：

(3)

式中：E為菌蓋圓形度，S為菌蓋面積，C為菌蓋周長.當E=1時，菌蓋圖像即為圓形；當E的值越大時，表示圖像形狀越不規(guī)律，即所測目標物與圓形的差距越大.

菌蓋偏心率：偏心率又名伸長度、離心率，用來描述菌蓋輪廓的形狀.其公式如下：

(4)

式中，P為菌蓋偏心率，a為菌蓋最大直徑，c為菌蓋最小直徑.當偏心率=1時，圖形即為圓形；偏心率的值越大，表示所測目標物越扁越平.

2 結(jié)果與分析

2.1 特征參數(shù)分級標準

由于在本試驗中，顏色特征參數(shù)提取分為兩種，一種是可應(yīng)用于生產(chǎn)線上的顏色檢測方式，即利用R、G、B三原色均值進行檢測；另一種是可運用于運輸過程中的較為簡易的方式，即通過色差儀采集數(shù)據(jù)，進行色差值比較.按照猴頭菇的顏色先將其分為1、2、3三個等級.根據(jù)以往人工分級的經(jīng)驗，按照猴頭菇的大小(面積、周長、最大直徑)將其分為1、2、3三個等級.按照猴頭菇的形狀(菌蓋圓形度、菌蓋偏心率)將其分為1、2、3三個等級，其結(jié)果如表1所示.

2.2 特征參數(shù)分級的結(jié)果

(1)基于顏色特征參數(shù)分級

在驗證組的80個猴頭菇樣本中，隨機選取50個樣本，先人工按顏色將其分為1級、2級、3級，將人工分級結(jié)果與計算機視覺和色差測量的檢測分級結(jié)果進行對比，其驗證結(jié)果如表2所示.

表1 猴頭菇顏色R、G、B分級標準

表2 不同等級顏色的猴頭菇的驗證準確率

由表2可知，利用計算機視覺技術(shù)對猴頭菇顏色分級的準確率最高可達93.75%，最低為87.5%；利用色差值對猴頭菇顏色分級的準確率最高可達88.23%，最低為82.36%，足以滿足分級的需要.無論是利用計算機視覺提取R、G、B三原色的均值進行分級，還是利用色差儀求取色差值進行分級，其準確率均在80%以上.但利用計算機視覺的顏色分級準確率更高些，效果更好些.可能是由于計算機視覺提取的是整個樣本猴頭菇菌蓋的R、G、B三原色的均值，而色差儀只提取猴頭菇取樣點的色差值，故根據(jù)R、G、B三原色的均值進行分級效果更佳.

(2)基于大小特征參數(shù)分級

在驗證組80個猴頭菇樣本中，隨機選取50個樣本，先人工按大小(面積、周長、最大直徑)將其分為1級、2級、3級，與按計算機視覺檢測分級做對比，其驗證結(jié)果如表3所示.由表3可知，對猴頭菇大小分級的驗證準確率最高可達94.12%，最低為90.00%，足以滿足分級的需要.

表3 不同等級大小的猴頭菇的驗證準確率

(3)基于形狀特征參數(shù)分級

在驗證組80個猴頭菇樣本中，隨機選取50個樣本，先人工按形狀(菌蓋圓形度、菌蓋偏心率)將其分為1級、2級、3級，并做相關(guān)標記與記錄，以便與按計算機視覺檢測的分級做對比.其驗證結(jié)果如表4所示.

由表4可知，對猴頭菇形狀分級的準確率最高可達94.12%，最低為88.24%，足以滿足分級的需要.

表4 不同等級形狀的猴頭菇的驗證準確率

2.3 基于Fisher判別的猴頭菇分級模型

(1)猴頭菇分級模型的建立

將猴頭菇采摘后至無食用價值(共16天)的168個圖像作為樣本訓(xùn)練集，來構(gòu)建分類器模型.其中1、2、3級猴頭菇分別有35、51、82個樣本.統(tǒng)計的特征參數(shù)包括顏色(R、G、B)、大小(周長、面積、最大直徑)、形狀因子(菌蓋圓形度、菌蓋偏心率)在內(nèi)的8個特征參數(shù)值.由于統(tǒng)計的特征參數(shù)種類較多，且其對該模型的貢獻程度不一樣，因此為了避免無關(guān)變量或貢獻程度較低的變量對分級模型的影響，本文將在建模前篩選出貢獻程度最高的特征變量.通過建模分析發(fā)現(xiàn)，顏色、大小、形狀因子這三大類特征參數(shù)，分別用其中的R均值、面積、菌蓋偏心率這三個特征參數(shù)建立的模型效果最好.因此，本文以猴頭菇的等級為因變量，以R均值、面積S、菌蓋偏心率P為自變量，構(gòu)建Fisher分類判別模型.

(2)猴頭菇綜合分級模型的驗證

通過Fisher線性判別模型對猴頭菇進行回判，結(jié)果如表5所示.1級的猴頭菇識別準確率為88.6%，2級的猴頭菇識別準確率為88.2%，3級的猴頭菇識別準確率為87.8%.由于Fisher判別模型是基于168個訓(xùn)練樣本的信息得到的，因此其判別效果可能不是特別準確.為了進一步驗證該模型的可信度，本文在未參加建模的80個猴頭菇圖像中，隨機抽取20個猴頭菇圖像作為測試集，對該模型進行進一步的檢驗.表5結(jié)果顯示，1級猴頭菇的識別準確率為100%，2級猴頭菇的識別準確率為85.7%，3級猴頭菇的識別準確率為87.5%，表明本文構(gòu)建猴頭菇分級模型效果良好.

表5 猴頭菇樣本回判與測試結(jié)果

3 結(jié)論

本文以猴頭菇為研究對象，提出了猴頭菇基于計算機視覺的無損檢測方法和分級標準，為實現(xiàn)對猴頭菇進行快速而準確的檢測、分級提供了基礎(chǔ)，結(jié)論如下：

(1)基于計算機視覺技術(shù)的檢測分級，顏色、大小、形狀分級的準確率均在80%以上.

(2)利用費希爾判別分析法構(gòu)建的猴頭菇分級模型，在測試中，1、2、3級的識別率分別為100%、85.7%和87.5%.

(3)本次試驗的圖像采集系統(tǒng)較為簡陋，且采集角度較為單一，今后應(yīng)進行多角度拍攝采集，并嘗試建設(shè)三維立體圖像，提高檢測的準確率.