基于機器視覺的花生種子外觀品質檢測與分類方法研究

馬佳佳 王克強 鄭奕雄 蔡肯 林欽永

摘要 [目的] 花生種子的有效分類是花生產業中選育良種的重要環節，為降低花生產業對人工的依賴程度，簡化選種過程，提出了一種基于機器視覺的花生種子外觀品質檢測與分類方法。[方法]在相同環境下采集單粒花生種子圖像，建立花生種子對象在圖像中像素數與其實際質量的回歸模型，以花生種子尺寸和外觀顏色作為主要特征，采用支持向量機分類模型完成分類任務。[結果]使用該方法完成12個類別的分類，對批量花生種子的分類準確率達86%，符合實際生產中花生種子初步分類要求。[結論]該方法對花生種子圖像代表性特征的選擇和識別樣本的簡化使得分類系統更符合實際生產需要，對同品種花生種子的不同品質分類以及不同品種花生種子的直接分類有著積極意義。

關鍵詞 花生種子;機器視覺;圖像識別;支持向量機

中圖分類號 S126文獻標識碼 A

文章編號 0517-6611（2021）10-0225-03

doi：10.3969/j.issn.0517-6611.2021.10.057

開放科學（資源服務）標識碼（OSID）：

Research on the Appearance Quality Detection and Classification of Peanut Seeds Based on Machine Vision

MA Jia-jia， WANG Ke-qiang， ZHENG Yi-xiong et al （Zhongkai University of Agriculture and Engineering， Guangzhou， Guangdong 510225）

Abstract [Objective]The effective classification of peanut seeds was an important link in peanut breeding. In order to reduce the dependence of peanut industry on labor and simplify the seed selection process， a method of peanut seed appearance quality detection and classification based on machine vision was proposed. [Method] The image of single peanut seed was collected in the same environment， and the regression model between the image prime number and the actual quality of peanut seed object was established. The classification task was completed by using support vector machine （SVM） classification model with the main characteristics of peanut seed size and appearance color. [Result]The classification accuracy of 12 categories was 86%， which met the preliminary classification requirements of peanut seeds in actual production. [Conclusion]The selection of representative features of peanut seed image and the simplification of recognition samples make the classification system more in line with the actual production needs. It has positive significance for different quality classification of the same peanut seed and direct classification of different peanut seeds.

Key words Peanut seeds;Machine vision;Image recognition;Support vector machine

花生是中國產量豐富、食用廣泛的一種堅果，同時也是中國為數不多的具有強勁國際競爭力的出口創匯農產品[1]。花生良種的選擇與培育是花生種植的關鍵，因此花生種子的精選分類也是我國花生高產穩產的首要保證。分類是對農作物果實的大小、形狀、顏色、營養物質含量、表面缺陷等性狀進行檢測和識別后，根據行業標準劃分類別的操作過程[2]。通過機器視覺對花生種子進行有效分類有利于花生種植中選育良種，降低產業對人工的依賴程度，提高相關產業競爭力，對我國花生產業升級也具有重要意義。機器視覺技術可以無損、快速地獲取樣本表面特征信息，隨著計算機技術和信息科學的不斷發展，國內外機器視覺水平也不斷到達新的高度。目前機器視覺已廣泛應用于多個領域，在農業中可用于路徑導航、雜草識別以及各種瓜果蔬菜的檢測分級等[3-8]。基于機器視覺的分類方法具有檢測精度高、效率快、能實現無損操作等優勢，同時排除了人工主觀因素的干擾。基于機器視覺技術，筆者研究了一種花生種子外觀品質檢測與分類方法，以花生種子圖像的對象像素個數和顏色作為主要特征實現對花生種子的初步分類。需要說明的是，利用機器視覺進行初步分類只是花生種子選育過程中的第一步，后續還有許多問題需要通過其他技術方法來研究、解決，目前相關工作正逐步開展。筆者在相同環境下采集單粒花生種子圖像，建立花生種子對象在圖像中像素數與其實際質量的回歸模型，以花生種子尺寸和外觀顏色作為主要特征，采用支持向量機分類模型完成分類任務。

1 圖像采集與預處理

1.1 試驗準備

選擇賀油133X品種花生作為試驗材料。在同一雜交后代中隨機選取脫殼后花生種子共400顆作為試驗對象，使用電子天平精確測量得每顆花生種子的質量，同時經過專家辨別得到花生種子顏色，以質量與顏色作為分類標準先確定該花生種子的實際分類類別。

隨后進行圖像采集工作，在自制簡易暗箱內放置固定光源，選用HUAWEI TNY-AL00攝像頭（2 400萬像素）作為圖像采集設備，拍攝時將攝像頭固定在水平云臺上，使用微距模式（焦距4 mm）進行拍攝，共采集400副花生種子原始圖像。采集到的花生種子圖像為大小3 456×3 456（單位：像素）的JPG彩色圖像，用MATLAB軟件編程實現圖像處理，采用SPSS軟件進行數據回歸處理。

1.2 圖像預處理

采集到的圖片分辨率過大，后續處理可能花費很多時間。在預處理中，首先選擇截取花生目標部分，將圖片分辨率降低到864×864（單位：像素）。由于識別目標大部分為粉、紫（紫黑）、紅等顏色，需要通過轉換公式將RGB顏色空間3個通道加權對圖像進行灰度化處理，使得圖像中前后景差異更為明顯，同時消除圖像中小塊的陰影面積和各種噪音點，實現后續穩定的特征識別效果。采用轉換公式（1）將預處理后的圖像轉為灰度圖像[9]：

Gray=0.3r+0.59g+0.11b（1）

式中，r、g、b分別表示預處理后彩色圖像的R、G、B 3個通道灰度值;Gray為生成灰度圖像對應灰度值。采集到的原始圖像如圖1a所示，灰度化處理后的圖像如圖1b所示。

接著對灰度圖像進行濾波操作，分別選用5×5的中值濾波模板和高斯濾波模板消除圖像中的隨機噪聲，得到質量相對增強的圖像，濾波后圖像如圖1c所示。經過濾波操作后，圖像中的噪點減少，同時能夠較好保留對象邊緣信息。采用OTSU大津閾值分割算法實現圖像二值化，取1個最優閾值把圖像分為前景與背景，2部分的類間方差越大，說明差別越大，從而能有效分割圖像，具有實時性好、計算量小的特點[10]。再根據誤分割區域面積小于花生種子區域的特性，采用面積閾值剔除誤分割區域，結合孔洞填充算法，完成花生種子對象與背景的分割，形成的二值圖像如圖1d所示。

2 特征提取

2.1 尺寸特征提取

2.1.1 邊緣檢測。

花生種子外觀特征中的幾何特征數據均與其圖像邊界有關[7]，采用Sobel邊緣檢測算法對預處理后的花生種子圖像進行邊界提取，可以快速得到花生種子光滑、連續的邊緣特征，結果如圖2所示。Sobel算子公式如式（2）、（3）所示：

Gx=[f（x+1，y-1）+2×f（x+1，y）+f（x+1，y+1）]-[f（x-1，y-1]+2×f（x-1，y）+f（x-1，y+1）]（2）

Gy=[f（x-1，y-1）+2×f（x，y-1）+f（x+1，y-1）]+[f（x-1，y+1]+2×f（x，y+1）+f（x+1，y+1）]（3）

式中，Gx及Gy分別代表經橫向及縱向邊緣檢測的圖像灰度值，f（a，b）表示圖像（a，b）點的灰度值。

2.1.2 花生質量與圖像中像素個數的關系。

花生種子的質量和尺寸都是其重要的品質特征，要利用機器視覺的方法對花生種子樣本的質量有一個粗略的估計，需要建立單顆花生種子質量與其采集圖像中表現為對象像素個數，即樣本尺寸大小的相關性模型，實現在檢測過程中可以直接通過圖像處理得到花生種子質量的相關數據以完成分類任務。

以此思路設計預試驗：另隨機選取400顆同一品種花生種子進行編號，用電子天平精確測量單顆質量并記錄為數據1;然后通過圖像處理計算得每幅圖像中花生種子對象的像素個數，并記錄為數據2;以數據1、2作為數據基礎，用SPSS軟件建立單顆花生種子質量（因變量）與圖像中對象尺寸（自變量）之間的二次回歸方程，記為

y=-0.046+4.614×10-6×x+2.554×10-11×x2（4）

式中，y為單顆花生種子的質量，單位為g;x為花生種子圖像中花生對象所占的像素個數，單位為個。模型參數中R方值為0.936，表示該模型能較好擬合數據，模型曲線擬合圖如圖3所示。

在相關標準中已明確說明在花生的生產與銷售中通常以種子百仁重表示花生種子大小，大體可分為大粒種、中粒種、小粒種3個類別：百仁重在80 g以上為大粒種，50～80 g為中粒種，50 g以下為小粒種[11]。結合上述回歸模型可以計算得出，花生種子圖像中花生對象像素個數大于112 879記該花生種子對象為大粒種，在81 669～112 879內記為中粒種，小于81 669個像素單位記為小粒種。以此，基本實現從圖像中提取得花生種子質量特征。

2.2 顏色特征提取

為了實現花生種子外觀顏色分類，對降低了分辨率的原始圖像（分辨率為864×864，單位為像素）進行顏色特征提取，選取圖像的中心部分像素，這里選擇由（450，450）與（500，500）2點圍成的正方形像素區域進行顏色識別，識別結果為粉色（pink）、紫色（purple）、紅色（red）和其他（others）。

在相同的圖像采集條件下，同一顏色類別的花生種子圖像RGB值較穩定，可對不同顏色的花生種子進行大數量的抽樣，以確定每類顏色的具體RGB值取值范圍，根據這一取值范圍確定3個通道的灰度值閾值，示例圖像的RGB 3通道灰度直方圖結果如圖4所示。處理待分類的花生種子圖像時，提取其RGB 3通道的灰度值與閾值比較大小即可快速提取樣本顏色特征，在保證準確率的同時通過自定義函數的方式進行顏色識別也便于后續對試驗再做改進。

3 分類模型及性能測試

該研究所用的分類模型是支持向量機（Support Vector Machine，SVM）模型。該模型是一種基于統計學習理論的分類方法，通過監督學習方式對數據進行二元分類，其決策邊界是對學習樣本求解的最大邊距超平面，具有相對優良的性能指標。由于待分樣本集中的大部分樣本不是支持向量，移去或者減少這些樣本對分類結果沒有很大影響， SVM模型在小樣本、非線性模式識別中具有一定的優勢[12]。采用徑向基函數核（radial basis function kernel，RBF kernel）作為SVM分類模型的核函數，其對應的映射函數將樣本空間映射至無限維空間，是常用的1種核函數，其解析式如式（5）所示，其中核函數的懲罰參數c默認為1，參數gamma（g）默認為特征數的倒數。

k（X1，X2）=esp（-‖X1-X2‖22σ2）（5）

將從圖像中提取到的花生種子質量特征用a1、a2、a3分別代表大粒種、中粒種、小粒種3類，顏色特征用b1、b2、b3、b4分別代表粉色、紫色、紅色及其他顏色共4類，同時用每顆花生種子實際分類類別作為該樣本的標簽，以此進行模型訓練，分類類別總數為12。

采用交叉驗證法進行驗證試驗，400個樣本按照比例3∶1隨機劃分為訓練集和測試集，在隨機選擇的條件下，每次測試的結果不同，可達到驗證目的。多次試驗得到該模型對測試集的分類準確率達86%，能較好完成花生種子批量初步分類，繪制試驗結果圖像如圖5所示，坐標系中橫坐標表示隨機劃分為測試集的100個樣本，縱坐標表示花生種子分類類別代碼;星號代表樣本的實際類別即樣本標簽，圓圈代表模型預測得到的結果，2點重合則表示模型預測準確，表1說明了樣本分類類別代碼含義。

4 結論

植物器官外觀表現是個體細胞分裂、生長、分化與代謝相互作用的最終形態體現，花生種子外觀特征與其內部品質之間密不可分，尋求其中的聯系有利于花生種子選育良種。

該研究建立了一個基于機器視覺的花生種子外觀品質檢測與分類系統，通過圖像處理提取單粒花生種子圖像中2個代表性的特征參數，采用SVM分類模型完成12個類別的分類，試驗分類準確率達86%。該研究對代表性特征的選擇和識別樣本的簡化使得分類系統更符合實際生產需要，對同品種花生種子的不同品質分類以及不同品種花生種子的直接分類有積極意義。但需要說明的是，該研究僅用單一花生品種對分類方法進行驗證，若應用于其他品種花生種子的分類上，則需對算法中的必要參數及計算質量與圖像像素個數的回歸方程參數進行優化，才能保證較高的分級準確率。

參考文獻

[1]

陳迪，呂杰.中國花生產業國際競爭力評價研究[J].財經問題研究，2013（1）：35-39.

[2] 劉妍，周新奇，俞曉峰，等.無損檢測技術在果蔬品質檢測中的應用研究進展[J].浙江大學學報（農業與生命科學版），2020，46（1）：27-37.

[3] 顏秉忠，王曉玲.基于計算機視覺技術大棗品質檢測分級的研究[J].農機化研究，2018，40（8）：232-235，268.

[4] 關卓懷，陳科尹，丁幼春，等.水稻收獲作業視覺導航路徑提取方法[J].農業機械學報，2020，51（1）：19-28.

[5] 何東健，張庭鋒，李邦國，等.除草機器人機器械視覺自動導航技術研究[J].安徽農業科學，2020，48（18）：201-205.

[6] 彭明霞，夏俊芳，彭輝.融合FPN的Faster R-CNN復雜背景下棉田雜草高效識別方法[J].農業工程學報，2019，35（20）：202-209.

[7] 顏秉忠.機器視覺技術在玉米苗期雜草識別中的應用[J].農機化研究，2018，40（3）：212-216.

[8] 王紅軍，熊俊濤，黎鄒鄒，等.基于機器視覺圖像特征參數的馬鈴薯質量和形狀分級方法[J].農業工程學報，2016，32（8）：272-277.

[9] 杜云，曹世佳，賈科進，等.基于圖像處理的大蒜蒜種品質無損分級方法研究[J].河北工業科技，2018，35（5）：317-321.

[10] 張婧茹，莫錦秋，曹家勇，等.一種魯棒的室外金屬標記物圖像分割算法[J].機械設計與研究，2016，32（3）：31-37.

[11] 國家糧食儲備局無錫科學研究院.花生：GB/T 1532—2008[S].北京：中國標準出版社，2009.

[12] 秦豐，劉東霞，孫炳達，等.基于深度學習和支持向量機的4種苜蓿葉部病害圖像識別[J].中國農業大學學報，2017，22（7）：123-133.