毕业论文稻米外观品质检测技术.docx

毕业论文稻米外观品质检测技术.docx

《毕业论文稻米外观品质检测技术.docx》由会员分享，可在线阅读，更多相关《毕业论文稻米外观品质检测技术.docx（34页珍藏版）》请在冰豆网上搜索。

毕业论文稻米外观品质检测技术

浙江理工大学

毕业论文（设计）诚信声明

我谨在此保证：

本人所写的毕业论文（设计），凡引用他人的研究成果均已在参考文献或注释中列出。

论文（设计）主体均由本人独立完成，没有抄袭、剽窃他人已经发表或未发表的研究成果行为。

如出现以上违反知识产权的情况，本人愿意承担相应的责任。

声明人（签名）：

年月日

摘要

外观品质是稻米一个十分重要的商品性状，是消费者选购稻米的主要依据。

针对我国稻米外观品质检测仍停留在人工目测检验阶段，客观性差、效率低、劳动强度大等问题，本论文采用图像处理方法对稻米外观品质检测技术进行研究，利用Matlab语言对稻米的图像进行预处理，包括：

采用开运算去除图像中的噪声，以最大类间方差法来自动确定图像分割阈值，将灰度图像转换成二值图像。

运用Matlab编程，对图像中的稻米进行计数，使用最小外接矩形法计算稻米粒型。

根据稻米的面积，宽长等信息区分整米和碎米，并计算稻米整精米率。

这对提高稻米外观品质检测水平，具有一定的理论意义和重要的应用价值。

关键词：

图像处理；稻米粒型；整精米率

ABSTRACT

Characteristicsofriceappearancequalityareveryimportanttoevaluatericequalityandpricing.Thenormalmethodfordeterminingricequalityisbasedonmanualinspectionwhichisaninefficientwayandresultinginunconstantoutcomes.Thus,weevaluatericeappearancequalityrelyonimageprocessing.WeuseMatlabproceduretopre-treattheimageofrice.Including:

removingtheimagenoisebyopenoperation,determiningthethresholdforimagesegmentationautomaticallybytheimprovedOstumethodtoputthegreyimageintobinaryiamge,cuttingthericeontheimage,calculatingusingtheminimumboundingrectangleofricegrain,theareaunderrice,wideandlongthewholericeandbrokenricedistinctionbetweeninformationandcalculatetherateofmilledrice.It’saworktoimprovetheinspectionofriceappearancewiththeoreticalworthandpracticalsignificance.

Keywords:

ImageProcessing;RiceShape;RiceHeadRiceRate

摘要

Abstract

第1章绪论

稻米是地球上最重要的粮食作物之一，其产量占全球粮食总产量的38%。

稻米也是世界上约1/2人口的主要粮食。

中国是世界上最大的水稻生产国和稻米消费国，水稻生产历来是我国农业生产发展的重点。

外观品质是稻米一个十分重要的商品性状，是消费者选购稻米的主要依据。

目前，我国对稻米外观品质的检测，仍然停留在人工目测检验的阶段。

这种单单依靠肉眼主观观测不仅客观性差、效率低、劳动强度大，而且在长时间工作环境下，严重损害检验人员的身体健康。

人工目测的检验手段显然无法满足现代农业发展的要求。

将图像处理技术应用到稻米外观品质检测领域，完全可以满足日常检测工作的需要，有着良好的应用前景，是现代高精度自动化检测技术的发展方向。

国内外对稻米外观品质检测技术已经进行了广泛的研究，但视觉检测装置仍停留在理论样机阶段，特别是在检测精度和速度上仍有待进一步的提高。

本论文采用图像处理方法对稻米外观品质检测技术进行研究，利用Matlab语言对稻米的图像进行预处理，包括：

以最大类间方差法来自动确定图像分割阈值，将灰度图像转换成二值图像；采用开运算去除图像中的噪声。

运用Matlab编程，对图像中的稻米进行计数，使用最小外接矩形法计算稻米粒型。

根据稻米的面积，宽长等信息区分整米和碎米，并计算稻米整精米率。

这对提高稻米外观品质检测水平，具有一定的理论意义和重要的应用价值。

国内研究进展

在国内，利用图像处理技术对稻米外观品质进行检测主要包括加工精度、粒型、整精米率等。

凌云采用机器视觉技术对稻米的外观包括粒型、垩白、黄米粒、异型米进行检测，并尝试实现谷物外观品质动态检测[1]。

尚艳芬等根据RGB色度学原理，利用计算机图像识别技术，对稻米中的黄粒米进行自动检测[2]。

尚艳芬和侯彩云等利用计算机视觉技术并通过实验建立了从群体米样中分割整精米的计算模型，自动识别整精米和碎米[3]。

黄星奕利用计算机视觉技术对稻米外观质量检测进行了研究[4]。

曾大力等初步探讨了利用视频显微扫描技术研究稻米垩白，与数字式稻米垩白测定仪相比，具有更高的精确度[5]。

候彩云等利用微切片三维图像处理系统获得垩白米粒的三维图像信息和利用灰度阈值分割方法测定稻米垩白度的可行性[6-7]。

在其它农产品方面，王江枫等探讨了应用计算机视觉技术进行芒果果面坏损检测的方法，实现对果面坏损的自动分级[1]。

应义斌等通过分析RGB各分量灰度的变化特点，采用梯度算法获取黄花梨缺陷区域，并尝试通过二维图像恢复物体表面真实的几何面积的设想[13]。

张树槐、孙明利用计算机视觉技术的颜色、形状特征分析实现苹果的识别与自动分级[1]。

德田胜等研制了一种用于西瓜收获的计算机视觉检测系统，该系统通过图像分析来识别西瓜成熟度。

章文英等通过分块扫描，光谱分析，灰度统计方法研究了苹果果梗的识别方法和果面缺陷的查找[7]。

何东健等通过改进了活动边界模型（ACM）来准确检测果实表面缺陷。

李长缨等利用计算机视觉技术计算黄瓜幼苗叶冠投影面积和株高，对黄瓜幼苗生长进行无损监测[1]。

刘俭英等应用机器视觉技术，首先研究出鸭蛋蛋心颜色自动分级系统中的蛋心颜色分级模型，利用计算机视觉检测装置检测出蛋内容物的颜色参数。

孙永海等运用大理石纹和灰度空间相关矩阵两种方法对牛肉图像特征进行分析，分别建立了特征量与肉嫩度等级间的数量关系[1]。

国外研究进展

在国际上，最早将计算机视觉技术用于稻米识别和分级检测研究出现在20世纪80年代。

从1983年开始，日本大学森岛博利用计算机视觉对稻米识别和分级进行广泛的研究。

其研究内容包括不同品种稻米的识别方法，同品种稻米中完整米、碎米、异色米、有裂痕米的检测和分级方法，并形成了一整套理论体系。

Travis根据49种不同的稻谷和草籽轮廓，并结合种子的长度，成功地辩别出大多数谷物的种类[8]。

Reid等用计算机视觉技术对稻米米粒的应力裂纹进行了研究[9]。

Liu等利用数字图像分析方法对稻米的碾磨精度进行测量[10]。

Cardareli等以图像的R、G、B均值作为判别参数，研究了对破损米粒的检测方法[11]。

Cardarelli和Tao等利用计算机视觉技术，对暗箱背景光照进行改进，实现了对稻米内部破损程度的检测和估计[12]。

Wan等利用机器视觉技术开发出了在线自动稻米检测系统，对16种糙米表面特征进行识别和分级，准确度达到91%，平均检测速度达到1200粒/分[13]。

Lloyd等使用振动台和计算机视觉技术开发出GrainCheck系统用于估算实验室碾磨机和商业化碾磨机碾磨出的稻米整精米率[14]。

其他农产品方面，Slaughter等利用图像的色度和亮度信息对桔子收获机械手进行导向，建立了一个利用颜色信息从桔树上识别桔子的分类模型[6]。

Miller等，在桃分级研究中，分别采用彩色电视摄像机和近红外线扫描摄像机采集桃子表面图像，并得出近红外区域获得的桃的图像比彩色图像的分级效果更好的结论。

Delwiche等利用线扫描摄像机采集干梅脯图像，获得各种表面缺陷的光谱特性，并根据灰度级变化来确定完好或破损的像素，最终通过单目标线性决策函数来对干梅脯进行分类。

Purchase应用计算机视觉技术研究了大麦种子的快速鉴定系统[7]。

1995年，美国成功研制出Merling计算机视觉水果分级技术系统，生产率约为40t/h，已经被广泛应用于苹果、橘子、桃子及西红柿等水果的分级，此技术已推广到加拿大等其它国家[1]。

Kondo等提出了检测樱桃西红柿位置的有效算法,并研制出收获樱桃西红柿的机器人。

Tao等研制出了基于计算机视觉的苹果检测系统，实现对苹果质量的快速和全面检测。

Reyer等利用计算机视觉技术，寻找合适的波长并该波长下的滤光镜获得梨的图像，然后对该图像进行分析，从而对梨的表面损伤进行检测。

Elster，Goodrum利用计算机视觉技术对鸡蛋表面裂纹进行检测[1]。

Liao，Panigrahi通过对计算机视觉方法实现对玉米的颜色、种籽尺寸的质量检测，为谷物质量的自动化检测系统的工业化开发打下了一定的技术基础。

存在的问题

在已有的谷物外观品质检测系统中，大部分属于静态检测系统。

谷物图像是在静止的情况下采集的，对谷物籽粒的放置方式一般也有要求，籽粒之间要相互分离，不能粘连。

静态系统的优点在于结构比较简单，加工成本和硬件成本低，对检测算法的实时性要求不高，易于推广和使用。

静态系统的缺点是自动化水平低，一般只具备品质检测的功能，不具备分级的功能。

在检测时，一般需要人工放置待测样品;检测完毕后，还需要人工清理检测样品。

这种检测方法只适用于小批量或抽样检测的场合，无法胜任大批量检测的场合[1]。

在有些情况下，例如粮食加工部门，待测的谷物样品往往是大批量的。

这时，不但要求检测设备具有品质检测的功能，还要具有在线分级的功能。

另外，对检测设备自动化程度的要求也提高了，检测设备要具有自动进样、谷物图像自动采集和分析、样品自动分级的功能[1]。

因此，研究在线的谷物外观品质检测系统是很有意义的。

本研究以图像处理技术为基础，以稻米的图像为对象，进行稻米外观品质检测方法的研究。

论文的研究内容包括：

第1章，简要论述了图像处理技术的整体情况，论文研究的意义及目的，详细介绍了国内外的研究进展进而提出本论文的研究任务。

第2章，具体介绍了图像预处理的有关算法，包括采用开运算进行图像去噪;以改进的最大类间方差法来自动确定图像分割阈值。

第3章，具体介绍了稻米外观品质检测的有关算法，包括以最小外接矩形法确定稻米的粒型；基于图像的稻米整精米率计算方法。

第4章，介绍了GUI界面设计思路，完成了GUI界面的设计，使研究结果更直观。

第5章，对本论文进行总结，也对图像处理技术进行了展望。

第2章稻米图像预处理

由于获得的图像存在噪声等因素，不能在检测中直接应用，必须对原始图像进行预处理，包括噪声去除，图像分割等。

本章将重点论述图像预处理的基础知识，并针对稻米外观品质检测的要求，进行结果演示。

图像分割是图像处理中的重要问题，图像分割结果的优劣直接影响到随后的图像分析、理解，目标特征的提取与识别等。

图像分割的定义

图像分割就是将图像中具有特殊含义的不同区域分开来，这些区域互相不交叉，每个区域都满足特定区域的一致性。

图像分割有四种不同的定义形式[16]：

（1）将图像分成各个组成部分；

（2）识别并形成有相似特性的区域或特征集；

（3）把目标物体从背景中分离出来；

（4）将图像分成与目标物体有强相关的部分。

图像分割将原始图像转化为比较抽象的形式，使得更高层的分析和理解成为可能[17]。

常用的图像分割方法是把灰度分成不同的等级，然后用设置灰度门限的方法来确定有意义的区域[18]。

图像阈值分割

图像分割技术是图像处理中的一种重要技术,其中比较常用的一种是利用阈值对图像进行分割。

图像阈值分割主要利用图像中要提取的目标物体与背景在灰度上的差异,把图像分为具有不同灰度级的目标区域和背景区域的组合。

利用阈值对图像进行分割时,关键是找到恰当的阈值,利用阈值将图像物体和背景区分开来。

当图像背景比较单一,图像灰度直方图明显呈双峰分布时,采用全局阈值进行图像分割一般可得到比较满意的结果。

全局阈值图像分割的方法有多种,如直方图阈值图像分割、类间差阈值图像分割、最大熵阈值图像分割等.下面简单介绍类间差阈值图像分割的基本原理[19]和基于灰度直方图的阈值分割[20]。

.1基于最大类间方差法的阈值分割[19]

最大类间方差法（Otsu）是自动的非参数非监督的阈值选择法，被认为是图像分割阈值自动选取的最优方法之一，具有运算简单，速度快，稳定有效等优点。

最大类间方差法主要依据是概率统计和最小二乘法原理，该方法的判决准则是基于图像直方图一阶统计特性，其主要思想为选取灰度值t，以它为界将灰度范围为{0,1,…,L-1}图像分为背景和目标两类，

为灰度

出现的概率，背景部分的概率为

，目标部分的概率为

，背景部分的均值

，目标部分的均值

。

类间方差的计算公式如下：

（2-1）

当方差

最大值时，

为最佳分割阈值。

.2基于灰度直方图的阈值分割[20]

利用图想灰度直方图的特性确定分割阈值方法的原理是如果图像所包括的背景区域与所分的目标区域大小可比，而且两者在灰度上有着明显的区别，那么这样的图像的灰度直方图就会呈现很明显的双峰装。

这样，其中一个峰值对应的是背景区域的灰度；而另一个峰值就对应的目标灰度了。

理想中的图像的灰度直方图，其背景灰度和目标灰度应该对应两个不同的灰度峰值，所以选取位于两峰之间的谷值作为阈值，就很快地将一副图像的背景与目标分割开了。

由于稻米图像的背景和目标区别明显，背景单一，对此图像进行分割可以用最大类间方差法，也可以用直方图法进行。

实验结果如图2-1所示。

（a）稻米原图像（b）Otsu法分割

（c）灰度直方图（d）直方图法

图2-1图像分割

从实验的结果来看，对于目标与背景区别明显的图像，最大类间方差法与直方图法都能将图像很好的分割，但对于一些复杂的图像而言，以上方法就不一定能很好的处理了，更先进的分割算法将不在这里赘述。

噪声的定义为“不可预测，只能用概率统计方法来认识的随机误差”，可以理解为“妨碍人们感觉器官对所接受的信源信息理解的因素”[15]。

在图像采集和传输的过程中，都容易引入噪声信号。

在计算机视觉检测过程中，为了提高检测精度，有必要首先对噪声进行滤除。

本论文运用数学形态学的原理，采用开运算对图像进行噪声的去除，首先介绍数学形态学的有关基础知识。

形态学（Morphology）一般指生物学中研究动物和植物结构的一个分支，用光数学形态学表示以形态学为基础对图像进行分析的数学工具。

基本思路是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。

形态学图像处理的数学基础和所用语言是集合论。

形态学图像处理的应用可以简化图像数据，保持它们基本的形状特性，并除去不相干的结构。

形态学图像处理的基本运算有4个：

腐蚀、膨胀、开运算和闭运算[21]。

腐蚀

腐蚀是数学形态学最基本的运算，表示用某种“探针”（即某种形状的结构元素）对一个图像进行探测，以便找出在图像内部可以放下该结构元素的区域。

集合A被结构元素B腐蚀，表示为

，定义为：

（2-2）

其中，

表示子集关系，A为输入元素，B为结构元素。

由将B平移x但仍包含在A内的所有点x组成。

如果原点在结构元素的内部，腐蚀具有收缩输入图像的作用，如图2-2所示。

图2-2腐蚀运算

膨胀

膨胀是腐蚀运算的逆运算，可以通过对补集的腐蚀来定义。

A被B膨胀表示为

，定义为：

（2-3）

膨胀运算具有扩大输入图像的作用，如图2-3所示。

膨胀运算后可填充图像中相对结构元素较小的孔洞及在图像边缘处的小凹陷部分。

图2-3膨胀运算

在对图像进行腐蚀或膨胀运算时，结构元素的大小和形状对操作结果会产生不同的影响，如何选择合适的结构元素是形态学应用的关键。

开运算

利用结构元素B对集合A做开运算，表示为

，定义为：

（2-4）

其等价方程：

（2-5）

上式表明，开运算可以通过计算所有可以填入图像内部的结构元素平移的并求的。

实际上，开运算是先作腐蚀运算，再作膨胀运算的结果，如图2-4所示。

图2-4开运算

开运算常常使用圆形结构元素，因为圆形结构元素具有旋转不变性。

利用圆形结构元素作开运算既可以起到磨光内边缘的作用（即可以使图像的尖角转化为背景）又可以起到低通滤波的效果。

开运算具有去噪的功能，主要去处图像中的微小连接，孤立点和突出部分，切断细长的搭接而起到分离的作用，使图像更加平滑。

根据稻米图像的特点，利用

的结构元素对稻米图像进行开运算，去除噪声，其结果如图2-5所示。

（a）带噪声的稻米图像（b）开运算后的稻米图像

图2-5稻米图像去噪

第3章稻米外观检测算法研究

稻米粒型是指稻米粒长与粒宽的比值，可以通过长度，宽度信息来描述，是稻米品种的重要特征之一，是商品稻米分类和定价的主要依据之一。

因此，有必要获得稻米粒型的准确信息。

目前，国内对稻米粒型的检测主要依赖于人工利用直尺等工具进行测量。

根据稻谷国家标准，采用直尺测量稻米粒型，即随机数取完整无损的精米10粒，平放于测量板上，按照头对头、尾对尾，不重叠、不留隙的方式，紧靠直尺摆成一行，读出长度，求其平均值即为精米长度，精米宽度测量方法类似，由此引起的人为误差较大。

针对目前在稻米粒型检测中依靠人工费时、费力、精度难于控制等问题，本节拟通过最大类间方差法自动确定图像分割阈值，采用顶点链码和最小外接矩形方法获得稻米的长、宽信息[30]。

二值图像链码表示

图像二值化之后一般包含许多相互独立的区域。

图像处理的重要任务就是将它们寻找出来，并对其进行分析和特征提取。

因此，描述区域的数据结构十分重要。

对图像中的区域有两种常用的表示方法，直角坐标表示法和链码表示法。

（1）直角坐标表示法：

将图像边界上的各个坐标全部保留，把边界顺序勾画出来。

例如：

等。

（2）链码表示法：

用起点坐标加方向码来表示图像边界上的各点坐标及其相互位置关系。

常见的有四领域链码和八领域链码，如图3-1。

例如对于8连通链码，链码取值

，按逆时针方向递增，链码值加1表示其方向顺时针旋转

，当链码值超过8或者小于0时，就得除去或补上8。

与直角坐标表示法比较，链码表示法的优点明显，它把二维图像的存储和处理变成一维链上的问题，对于处理大尺度的图像而言，链码表示法既节省了存储空间又提高了处理速度。

（a）四领域链码（b）八领域链码

图3-1链码表示法

链码编码的基本思想是：

先利用某种规则的单元格将图像铺满，然后对目标图像边界上的每一个节点根据与之相连的单元格的情况进行编码。

从图像边界上任意一个节点出发，按一定方向沿着图像边界走一圈，依次将所有节点的编码都记录下来，所形成的序列就是该图像的链码编码。

顶点链码表示

链码表示法中应用最广泛的是弗里曼链码（Freeman，1961）[22-24]。

在弗里曼之后提出多种编码的改进方案[25-26]，Bribiesca[27]（1999）提出的顶点链码编码（Vertexchaincode）就是其中之一。

顶点链码编码是利用边界线上单元格的边或者顶点进行编码，即从任意一个顶点出发按一定的方向由边界上所有顶点的编码组成的一个序列。

Bribiesca对顶点链码编码做了系统的研究，并给出了三角点阵和正六边形点阵中的顶点链码编码。

对于一幅二维图像来说，只有三角点阵，正六边形点阵，方形点阵能铺满整幅图像。

从应用的角度出发，利用方形点阵的八领域对二值图像进行顶点链码编码。

方形点阵的顶点链码编码方法如图3-2所示。

一个封闭的图形可以用编号为1，2，3这三种元素进行编码。

（a）正方形点阵图形（b）顶点链编码元素

图3-2顶点链码编码

在二值化图像中，设黑色区域（像素值为0）与白色区域（像素值为255）由封闭的边界相区分。

因此，对区域边界的标定等价于对区域的标定。

对八邻域图像区域进行顶点链码编码方法如下[28]：

以

表示光标的当前位置，箭头（

）表示前一时刻光标所在的位置，箭头方向表示行走的方向（逆时针方向），序号l，2，3，4表示位置关系编号。

当跟踪区域边界时，当前位置与区域边界单元格的相互位置关系有24种，由于只沿一个方向（逆时针方向）行走，因此，实际上只有如图3-3所示的4种位置关系。

图3-3四种位置关系

像素点的相对坐标定义如图3-4所示。

对于每一种位置关系，还要分析光标当前位置（

）周围其余5个单元格是否空缺。

经研究发现，每一种位置关系都有六种对应的状态图。

以第一种位置关系为例，有如图3-5所示的6种对应的状态图。

图3-5中的圆圈表示空缺单元格，即边界跟踪时可行走的方向。

当当前位置发生变化时，其坐标也相应发生改变，如

表示当前位置的

方向和

方向的坐标各加1。

其余标记的意义可类推。

（-1,-1）

（0,-1）

（+1,-1）

（-1,0）

（x,y）

（+1,0）

（-1,+1）

（0,+1）

（+1,+1）

图3-4像素点坐标的定义

图3-5八近邻图像状态映射

由于位置关系的对称关系，将第一种位置关系下的状态图逆时针旋转90o，可得到第二种位置关系的状态图。

以此类推，总共可得到24种位置关系。

这24种状态图构成的集合具有完备性和封闭型。

利用24种状态图之间的映射关系可方便地得到区域边界的顶点链码编码。

对于八领域，为每一个位置状态规定一个顶点链子串，作为位置状态的输出、对于图3-3所示的第一种位置关系，表3-1给出了相应的链码子串。

由于对称的关系，只需给出其中的6个状态图的状态映射和输出映射，其余的18个状态图的输出状映射，可以通过对6个基本状态图的旋转获得。

表3-1八近邻顶点链码子串

输入状态图编号

八近邻顶点链码子串

1

2

31

32

331

332

实现最小外接矩形

由于稻米的外形近似椭圆形状，因此，目前计算稻米粒型的方法，主要是通过对稻米进行椭圆拟合，求得椭球的长轴、短轴作为稻米的粒长、粒宽。

1999年，黄星奕等[4]利用计算机视觉技术研究了稻米的粒型检测，但要求米粒摆放时需朝同一个方向，其方法具有一定的局限性，限制了在实际过程中的应用。

2004年，凌云等[1]提出基于极坐标的粒型检测算法，通过先求出质心再求出最长轴与最短轴的方法，具有旋转不变性，但其对稻米外形进行椭圆拟合，因此准确度不是很高。

求稻米长宽实际上就是求其最小外接矩形（MER），如果能够得出图像中稻米的最小外接矩形就可求得其长宽。

通常情况下，求MER方法首先对米粒进行区域标记，获得标记区域的最左、右、上、下各点坐标值，计算其外接矩形面积大小，从00开始，以30为增量顺时针旋转二维图像矩阵，直至900结束；比较标记区域外接矩形大小，当面积最小时获得MER，此时MER长宽即为稻米的长宽。

此方法求MER是通过旋转图像矩阵来实现，计算量较大，特别当图像越大时，算法效率越差。

利用顶点链码方法将图像二维矩阵的旋转转换为一维链码上的计算，这样既节省了存