基于顏色特征和BP神經網絡的大米加工精度判別方法研究

萬 鵬 譚鶴群 楊萬能 潘海兵

（華中農業大學工學院，武漢 430070）

基于顏色特征和BP神經網絡的大米加工精度判別方法研究

萬 鵬 譚鶴群 楊萬能 潘海兵

（華中農業大學工學院，武漢 430070）

提出了基于顏色特征和BP神經網絡判別大米加工精度的方法。設計了基于機器視覺的大米加工精度檢測裝置采集大米圖像，利用圖像處理技術對獲取的大米圖像進行預處理，提取大米籽粒目標圖像；在大米籽粒腹部確定半徑為R的圓形區域作為顏色特征值提取區域，將顏色特征值提取區域按面積平均分成5個同心圓子區域，提取每個子區域的R、G、B顏色值，并將顏色值轉成色調H值作為描述大米籽粒表面加工精度的顏色特征值，以5個顏色特征值作為輸入值，采用BP神經網絡對大米的加工精度進行檢測。試驗結果表明：該方法對4種不同加工精度大米樣品籽粒檢測的平均準確率為92.17%。

大米 加工精度 顏色特征 BP神經網絡 判別方法

大米的加工精度是指大米加工后米胚殘留以及米粒表面和背溝殘留皮層的程度，也即指糙米皮層被碾磨加工去除的程度［1］，對米粒的光潔度、顏色、紋理等有重要影響，是評價大米質量等級的主要指標之一，也是大米外觀品質優劣的表現，是影響大米銷售價格的主要因素之一。對大米加工精度的檢測評價有多種方法，國標規定采用直接比較法或染色法進行檢測，通過人工感觀進行評定［2］，此外，國內外學者還提出了一些其他方法［3］，但是這些方法受光照條件、主觀情緒等諸多因素的影響，準確性不高，操作過程繁瑣、檢測效率低下、結果誤差較大，不能滿足快速、客觀、準確的檢測需要［4］。

機器視覺檢測技術作為一門高新技術在農業生產上具有廣泛的應用前景［5－6］；目前，利用機器視覺技術對大米加工品質進行檢測也是一個熱門研究方向。侯彩云［7－8］研究了利用3維圖像處理系統檢測稻米品質的方法，同時還研究了堊白米粒的計算機圖像識別方法。此外，Wan等［9］、凌云等［10］設計了基于機器視覺的大米品質檢測裝置，孫明等［11］，吳艷紅等［12］研究了基于計算機視覺技術的大米外觀品質檢測方法，劉瓔瑛等［13］還研究了以大米圖像的形狀特征和顏色特征作為輸入，構建多結構神經網絡對大米外觀品質進行評判的方法。在大米加工精度檢測方面，國內外學者利用機器視覺技術結合圖像處理技術也進行了較多的研究。田國慶［14］利用圖像處理技術對大米碾白精度的檢測方法進行了研究，此外，張浩等［15－16］也提出了利用機器視覺、圖像處理方法等對大米加工精度進行檢測。

顏色是農產品最直觀的外部特征，通過顏色特征檢測可以對農產品的相關品質進行檢測［17－18］。大米由糙米碾磨加工而成，在碾米機內碾磨時間長短不同，大米籽粒表面的留皮程度就不一樣，從而導致大米籽粒表面的色澤出現不同變化。本研究通過機器視覺技術采集大米籽粒圖像，結合圖像處理技術對大米籽粒表面的顏色進行分析提取顏色特征值，探求大米在碾磨加工過程中大米表面顏色的變化規律以及與大米加工精度之間的對應關系，從而探索通過大米表面的顏色特征對大米加工精度進行判別的方法。

1 材料和方法

1.1 試驗材料

選用產自吉林省長春市的松粳9號稻谷作為樣品，先將稻谷樣品用試驗礱谷機（CLS.JLG－1型，國家糧食局成都糧食儲藏科學研究所研制）脫殼加工成糙米試樣，再使用試驗碾米機（CLS.JNM－1型，國家糧食局成都糧食儲藏科學研究所研制）對糙米試樣進行碾磨加工，獲取不同加工精度的大米樣品進行研究。

在碾磨過程中，將糙米樣品的碾磨時間分別設定為30、60、90、120 s，可得到4種不同加工精度的大米樣品，將獲得的大米樣品分別編號為J1、J2、J3、J4，以用于試驗研究。

1.2 大米加工精度檢測系統

為了對不同加工精度的大米籽粒進行檢測，設計了大米加工精度檢測系統，如圖1所示。

圖1 大米加工精度檢測系統

檢測系統工作時，將大米樣品放入料斗并落在V型槽中，V型槽在馬達的帶動下進行振動，將大米籽粒分開并按序排列；大米籽粒在下滑槽中加速下滑，通過計數傳感器后落在輸送帶上進行傳送；當大米籽粒通過攝像頭鏡頭時，攝像頭對大米籽粒圖像進行采集，并將采集到的大米籽粒圖像傳送至計算機系統進行分析檢測。

大米加工精度檢測系統所用顯微鏡為MOTIC體視顯微鏡；CCD為Teli CS5260BDP型模擬彩色攝像頭（日本東芝公司）；圖像采集卡為 CronosPlus圖像采集卡（加拿大Matrox公司）；輸送帶為黑色表面塑料帶；光源采用12 W環形熒光燈管；大米加工精度檢測軟件基于Visual C＋＋6.0平臺編寫。

1.3 大米加工精度檢測流程

為了檢測大米的加工精度，需要對大米圖像進行預處理，獲得大米籽粒圖像，提取大米籽粒的顏色特征值，再根據顏色特征值判別大米的加工精度。大米加工精度檢測流程：獲取大米籽粒的RGB圖像→圖像迭代分割→二值圖像小區域消除→大米圖像背景分割→大米籽粒顏色特征值提取→顏色特征值空間轉換→計算大米籽粒的顏色特征值→大米加工精度識別。

利用迭代分割、二值化、小區域消除、背景分割等算法對大米圖像進行處理，將大米籽粒圖像從背景中分割出來；再從分割出來的大米籽粒圖像中提取大米的R、G、B顏色值，并根據顏色空間算法進行轉換，計算大米籽粒的顏色特征值，最后根據顏色特征值對大米的加工精度進行檢測。

1.4 大米加工精度RGB顏色值提取

大米籽粒本身具有橢圓鼓形結構特點，因此大米籽粒腹部的顏色在加工過程中變化最明顯。為了提取大米籽粒的R、G、B顏色值，首先要在大米籽粒腹部確定大米顏色值提取區域；同時，為了保證每粒大米的顏色提取區域中包含的像素點個數相同，本研究在每粒大米的腹部提取面積相等的區域進行檢測。

首先采用圖像處理技術計算大米籽粒圖像的形心，然后以大米籽粒圖像的形心為圓心、半徑為R的圓所確定的區域為大米顏色值提取區域（CA，Color Area）。大米顏色提取區域（CA）必須在大米籽粒的輪廓線之內。

設大米籽粒圖像中像素點的坐標為｛（xi，yi）｜0≤i≤M，M為大米圖像的像素點數｝，大米圖像形心坐標為（X，Y），則：

以大米籽粒圖像形心坐標（X，Y）為圓心，采用半徑不等的同心圓將大米顏色提取區域（CA）分成面積相等的5個子區域（Sa，Subarea），子區域由內到外的編號為Sai（i＝1、2、…… 5），則大米籽粒圖像顏色提取區域（CA）面積5等分示意圖如圖2所示。

圖2 大米顏色提取區域5等分示意圖

設大米顏色提取區域（CA）中由內到外同心圓的半徑為ri（i＝1、2、…… 5），則同心圓半徑ri與大米顏色提取區域CA所在圓的半徑R之間的關系為：

以CA的子區域Sai中像素點R、G、B顏色值的平均值作為子區域Sai的顏色值，則每粒大米的顏色可由CA中提取的5組顏色值進行描述。

1.5 大米加工精度顏色值轉換

通過CCD攝像頭獲取的大米圖像是基于RGB顏色空間的圖像。HSI模型采用色調（Hue）、飽和度（Saturation）、亮度（Intensity）描述顏色，符合人類觀察和感受顏色的視覺及心理學特點；其中H值與光波的波長有關，它表示人的感官對不同顏色的感受［19－20］，本研究采用HSI顏色系統中的H值描述大米籽粒的顏色。大米籽粒R、G、B顏色值轉成H值的計算公式：

則每粒大米的顏色特征值可以表示為：

1.6 大米加工精度檢測

研究采用BP神經網絡構建模型對大米的加工精度進行檢測。從4種形態的大米樣品中分別選取100粒完整無腹白的大米籽粒進行圖像分析，獲取顏色特征值構建神經網絡訓練集的樣本集；同時設J1、J2、J3、J4 4種不同加工精度大米樣品檢測值分別為0、1、2、3，則大米樣品檢測值構成訓練集的目標集為（0，1，2，3）。再分別選取 150粒完整無腹白的大米籽粒進行圖像分析，獲取顏色特征值數據構建神經網絡的檢測集。

2 結果與討論

2.1 大米樣品圖像的獲取

圖3 不同加工精度大米樣品原圖像

從4種不同加工精度大米樣品中各挑選250粒完整的大米籽粒進行圖像采集，可以得到1 000張大米樣品圖像。4種大米樣品的原圖像如圖3所示。從大米的原圖像可以看出，不同加工精度大米樣品表面的色澤明顯不同，因此可以根據大米籽粒表面的顏色特征值檢測大米的加工精度。

2.2 大米籽粒圖像處理

對大米籽粒進行圖像處理的過程如圖4所示。

圖4 大米籽粒的圖像處理過程

首先對大米原圖像圖4a進行反色處理得到圖像圖4b，再采用迭代分割法對大米圖像進行分割得到圖像圖4c，然后對圖像進行二值化處理圖4d，并對圖像中的噪聲點小區域進行消除得到圖像圖4e；最后根據處理后的圖像圖4e從大米原圖像圖4a中將大米籽粒目標圖像分割出圖4f。

2.3 大米籽粒顏色特征值提取區域分割

將大米籽粒圖像從背景中分割出來后，先確定顏色提取區域，再提取大米籽粒的顏色特征值。大米籽粒圖像顏色特征值提取區域見圖5。

圖5 顏色特征提取區域示意圖

圖5中最大圓（大米圖像顏色提取區域，CA）的半徑R為60，同心圓將CA分成面積相等的5份，從內圓到外圓的大米顏色特征值提取子區域的代號分別為Sa1、Sa2、Sa3、Sa4、Sa5，則各顏色特征值提取子區域所含像素點與大米圖像所含像素點之間的關系如表1。

表1 大米圖像各等份圓所含像素點的關系

從表1可以看出大米顏色提取區域（CA）含有11 289個像素點；各子區域內包含的像素點分別為2 241、2 268、2 268、2 256、2 256，各子區域之間的誤差小于27個像素點；占CA的百分率分別為19.85%、20.09%、20.09%、19.98%、19.98%，誤差小于0.24%；大米圖像平均含有24 032個像素點，CA內的像素點占大米圖像所含像素點的46.97%；各子區域內的像素點占大米圖像平均所含像素點的百分比分別為 5.26%、5.32%、5.32%、5.30%、5.30%，誤差小于0.06%。因此采用將大米顏色提取區域5等分的方法可以使每個顏色特征值提取子區域獲得的大米像素點數基本相等，從各子區域中提取的顏色特征值可以代表大米籽粒的表面顏色。

2.4 大米籽粒顏色特征值變化規律

分別從4種不同加工精度的大米樣品原圖像中隨機挑選100粒大米樣品圖像提取R、G、B顏色值，并將顏色值轉換成H值，則4種不同加工精度大米樣品顏色特征值Hi值的柱狀分布圖見圖6。

圖6 4種大米樣品的顏色特征值H值之間關系

從圖6可見，對于同一種大米樣品，其顏色特征值Hi值隨顏色特征值提取區域由內到外呈現由大到小的變化趨勢，這與米粒在加工過程中，米粒表面中心部位碾磨作用較強，而米粒表面中心周圍部位碾磨作用相對較弱相一致；而對于不同的大米樣品，相同顏色特征提取子區域的顏色特征值Hi（i＝1、2、……5）值從總體看呈現明顯增大的變化趨勢，這與米粒在加工過程中，碾磨時間越長，米粒表面的角質層、糊粉層被碾磨去除越多，米粒顏色變化越大相一致。

2.5 大米加工精度判別

本研究構造3層結構的BP神經網絡對大米加工精度進行判別，其中輸入層神經元個數為5，即大米樣品的顏色特征值數；輸出層神經元個數為4，輸出信號為（0，1，2，3），分別表示 J1、J2、J3、J4號大米樣品；隱含層的神經元個數通過程序調試確定為15個；神經網絡的識別函數采用logistic型函數：

式中：x為輸入層神經元中輸入的數據。

以4種不同加工精度大米樣品顏色特征值H值構成的訓練集對神經網絡進行訓練，以4種不同加工精度大米樣品各150粒的顏色特征值H值作為驗證集對構建的網絡進行驗證，結果如表2所示。

表2 采用BP神經網絡對大米樣品加工精度判別結果

從表2可知，采用BP神經網絡對大米加工精度進行檢測判別，當隱含層神經元個數為15個時，J1號大米試樣判別正確率為90.00%，J2號大米試樣判別正確率為90.67%，J3號大米試樣判別正確率為94.67%，J4號大米試樣的判別正確率為93.33%，總體判別準確率為92.17%。

3 結論

通過試驗驗證了利用機器視覺技術提取大米籽粒表面的顏色特征值H值，結合和BP神經網絡判別大米加工精度的方法。首先通過大米加工精度檢測系統獲取大米圖像，再利用圖像分析技術對大米圖像進行處理，提取大米籽粒圖像，并確定大米籽粒圖像的顏色特征值提取區域，將顏色特征值提取區域按面積用不同半徑的同心圓平均分成5份，提取各子區域的R、G、B顏色值，并根據R、G、B顏色值計算H值作為大米籽粒的顏色特征值；以大米籽粒顏色特征值H值作為輸入，構建BP神經網絡對大米加工精度進行判別。結果表明，提取大米籽粒顏色特征值對大米加工精度進行判別的準確率為92.17%。

［1］GB／T 1354—2009，大米［S］

［2］GB／T 5502—2008，糧油檢驗 米類加工精度檢驗［S］

［3］黃星奕，方如明，吳守一.大米加工精度檢測方法的研究進展［J］.江蘇理工大學學報，1998，19（3）：6－9

［4］郭麗輝.大米加工精度的檢測方法綜述［J］.現代商貿工業，2007，19（1）：114－115

［5］應義斌，饒秀勤，趙勻，等.機器視覺技術在農產品品質自動識別中的應用［J］.農業工程學報，2000，16（1）：199－203

［6］應義斌，章文英，蔣亦元，等.機器視覺技術在農產品收獲和加工自動化中的應用［J］.農業機械學報，2000，31（3）：112－115

［7］侯彩云，Seiichi Oshita，Yasuhisa Seo，等.3維圖像處理系統在稻米品質檢測中的應用研究［J］.農業工程學報，2001，17（3）：92－95

［8］侯彩云，王一鳴，凌云，等.堊白米粒的計算機圖像識別［J］.農業工程學報，2002，18（3）：165－168

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

［10］凌云，王一鳴，孫明，等.基于機器視覺的大米外觀品質檢測裝置［J］.農業機械學報，2005，36（9）：89－92

［11］孫明，石慶蘭，孫紅，等.基于計算機視覺的大米外觀品質檢測［J］.沈陽農業大學學報，2005，36（6）：659－662

［12］吳彥紅，劉木華，楊君，等.基于計算機視覺的大米外觀品質檢測［J］.農業機械學報，2007，38（7）：107－111

［13］劉瓔瑛，丁為民，沈明霞.基于多結構神經網絡的大米外觀品質評判方法［J］.中國水稻科學，2009，23（4）：440－442

［14］田慶國.圖像處理技術在大米碾白精度測定中的應用［J］.糧食與飼料工業，1997（10）：10－11

［15］張浩，孟永成，周展明，等.基于圖像處理技術大米加工精度的檢測研究［J］.中國糧油學報，2006，21（4）：187－190

［16］張浩，周德祥，紀俊敏.基于圖像處理技術測定大米加工精度圖像采集條件的研究［J］.河南工業大學學報（自然科學版），2009，30（2）：63－67

［17］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］.農業工程學報，2004，20（4）：146－148

［18］李先鋒，朱偉興，花小朋，等.融合形狀和顏色特征的蘋果等級檢測［J］.計算機工程與應用，2010，46（35）：202－204

［19］周水琴，應義斌.顏色模型在農產品顏色檢測與分級中的應用［J］.浙江大學學報（農業與生命科學版），2003，29（6）：684－688

［20］楊旭強，馮勇，劉洪臣.一種基于HSI顏色模型的目標提取方法［J］.光學技術，2006，32（2）：290－292.

A Judging Method of Rice Milling Degree Based on the Color Characteristic and BP Neural Network

Wan Peng Tan Hequn Yang Wanneng Pan Haibing

（College of Engineering，Huazhong Agricultural University，Wuhan 430070）

The paper has proposed a method to discriminate the rice milling degree based on color characteristic and BP neural network.A device for rice milling degree detection based on machine vision has been designed to collect images of rice；the rice images were treated by image processing techniques into acquisition as the target image；a circle of the radius R in the abdomen of the rice was determined to be a color feature extraction area and was divided into five concentric sub－domains by the average area；extracted the R，G，B color value of each sub－region and transformed them to H value as color feature values to describe the surface milling degree of rice；the 5 color feature values as input values were detected by BPneural network to judge the surface milling degree of rice.The experiment results showed that the average accuracy of the method could be 92.17%when beings used to discriminate the 4 types of rice of different milling degrees.

rice，milling degree，color characteristic，bp neural network，judging method

TS210.7

A

1003－0174（2015）09－0103－05

863計劃（2013AA102403），湖北省自然科學基金（2012FFB02902）

2014－04－09

萬鵬，男，1980年出生，講師，農產品加工技術與裝備，農產品品質智能檢測與評價

譚鶴群，男，1968年出生，副教授，農產品加工技術與裝備