基于機器視覺技術的小粒中藥材種子凈度快速檢測

程 瑩 許亞男 侯浩楠 寧翠玲 楊成民 董學會 曹海祿 孫 群*

(1.中國農業大學 農學院/農業農村部農作物種子全程技術研究北京創新中心/ 北京市作物遺傳改良重點實驗室，北京 100193； 2.承德恒德本草農業科技有限公司，河北 承德067000； 3.中國醫學科學院 藥用植物研究所，北京 100193； 4.恒德本草(北京)農業科技有限公司，北京 100070)

種子和種苗是中藥材生產的物質基礎，與農作物種子相比，中藥材種子的生產、加工過程還處于相對粗放的階段，種子質量已成為限制中藥材規范化種植的關鍵因素之一。《中華人民共和國種子法》管理范圍涵蓋農作物和林木的種子，但納入其中的中藥材品種數量很少。我國人工栽培的中藥材有300多種，大部分藥用植物尚未建立種子質量檢測標準和種子生產加工規程，其中具備全程質控體系的品種很少。目前，中藥材種子質量管理遠落后于農作物種子，存在種源混雜、凈度低、成熟度不一致、發芽率低、出苗慢且不整齊等諸多問題，種子成為中藥材生產最薄弱的環節，成為制約中藥材規范化生產和發展的“瓶頸”。其中，凈度是判定種子質量的重要指標之一，農作物種子質量標準中種子凈度≥99.0%，相關行業標準或地方標準對中藥材種子凈度均要求≥95.0%，中藥材種子人工引種馴化時間短，野生性較強，良種繁育技術研究不夠，凈度遠低于農作物種子的要求，且不同藥材不同批次間種子凈度差異極大。凈度分析是對樣品中凈種子、其他植物種子和雜質的檢測分析，一般人工借助于放大鏡、風選凈度儀、鑷子和雙倍目測鏡等進行逐粒觀察和分離鑒定，流程較為繁瑣冗長。對于小粒中藥材種子來說，雜質外形與中藥材種子相似，采用傳統方法進行凈度分析的難度大于大粒種子，存在耗時、繁瑣等問題。因此，亟需一種成本低、快速且高效的鑒定方法，以改進傳統小粒中藥材種子凈度檢測方法存在的不足，便于小粒中藥材種子生產、加工規范化管理。

機器視覺技術近年來發展迅速，是一種計算機技術和圖像識別處理技術相結合的多領域新型交叉技術，具有計算能力強、價格低、非破壞性和高效率等特點，該技術可獲取種子圖像信息，包括種子顏色、尺寸和紋理等信息，已廣泛應用于種子發芽率的識別、種子質量分類、品種鑒別、純度和凈度識別等方面。機器視覺技術應用于中藥材種子凈度提升方面的研究尚未見報道。本研究以黃芩、桔梗、黃芪、紫蘇和柴胡等5種大宗常用小粒中藥材種子為試驗材料，采用機器視覺技術獲取凈種子、其他植物種子及所含雜質的圖像及物理信息，通過2種不同算法的比較，建立5種中藥材種子凈度快速檢測模型，旨在探究應用機器視覺技術對小粒中藥材種子進行快速檢測，以期為實際生產中小粒中藥材種子凈度快速、高效檢測提供參考。

1 材料與方法

1.1 試驗材料

黃芩(

Scutellaria

baicalensis

Georgi)、桔梗(

Platycodon

grandiflorum

(Jacq.) A. DC.)、黃芪(

Astragalus

membranaceus

(Fisch.) Bge.)、紫蘇(

Perilla

frutescens

(L.) Britt.)、柴胡(

Bupleulum

chinense

DC.)種子，2020年從河北省安國市中藥材批發市場上收集。檢測儀器：Microtek MiCardWizard掃描儀(上海中晶科技有限公司)，種子自動化分析系統(PhenoSeed，中國農業大學種子科學與技術研究中心與南京智農云芯大數據科技有限公司共同研發)。

1.2 試驗方法

1

.

2

.

1

傳統種子凈度測定

參照GB/T 2930.1—2017《草種子檢驗規程 扦樣》扦取樣品，測定凈度。采用“四分法”分取樣品，得到5 g種子樣品。

凈度=凈種子質量/(凈種子質量+ 其他植物種子質量+雜質質量)×100%

(1)

1

.

2

.

2

圖像掃描及種子物理指標提取從每種中藥材中隨機選取500粒凈種子，500粒其他植物種子和雜質，凈種子、其他植物種子和雜質之間留有一定空隙，整齊排列，使用掃描儀進行掃描(圖1)，圖片保存為tif無損格式，分辨率為300 dpi。使用PhenoSeed對每粒凈種子、其他植物種子和雜質進行物理指標的提取，顏色指標包括

R

(紅色值，Red)、

G

(綠色值，Green)、

B

(藍色值，Blue)、

H

(色相，Hue)、

S

(飽和度，Saturation)、

V

(明度，Value)、

L

(明度，Luminosity)、

a

(從洋紅色至綠色的范圍)、

b

(從黃色至藍色的范圍)、Gray(灰度)，尺寸指標包括長度(Length)、寬度(Width)、長寬比(

L

/

W

Ratio)、投影面積(Area)、周長(Perimeter)、圓度(Roundness)，紋理指標包括Gray、

R

、

G

和

B

這4個分量下的對比度(Contrast)、相異性(Dissimilarity)、同質性(Homogeneity)、能量(Energy)、自相關(Correlation)、角二階矩(ASM)、熵(Entropy)，共計54個物理指標。

其他種子掃描和提取方式相同。 Other seeds scanning and extracting methods are the same.圖1 黃芩凈種子、其他植物種子和雜質圖片掃描(a)與數據提取(b)過程Fig.1 Processes of image scanning (a) and data extracting (b) of Scutellariabaicalensis Georgi purity seeds, seeds of other plants and impurities

1

.

2

.

3

凈度計算及校正

根據1.2.2中選取的500粒凈種子、500粒其他植物種子及所含雜質，分別稱取其總質量。計算得到每粒凈種子、其他植物種子和雜質質量，此處將其他植物種子及所含雜質視作一類樣本(命名為0)，凈種子作為另一類樣本(命名為1)，兩者比值(單粒0類樣本質量/單粒1類樣本質量)得到換算系數，3次重復。

1

.

2

.

4

多層感知器網絡(Multilayer perceptron network，MLP)

多層感知器的結構類似于一套級聯的感知器，將一組輸入向量映射到一組輸出向量，輸入與輸出之間可以多層加權連接，對事物和環境具有很強的自學習、自適應、聯想記憶和并行處理等能力。

通過相關性分析和主成分分析可對54個物理指標進行特征指標的提取，避免冗余信息對建模效果的干擾，可提高建模速率和模型穩定性，之后對不同特征指標下建模效果進行顯著性分析。這些指標作為MLP的輸入層神經元，其他植物種子和雜質(0)和凈種子(1)作為輸出結果，最后能建立凈種子、其他植物種子及所含雜質的分類模型(圖2)。本研究通過IBM SPSS Statistics 21.0進行MLP建模分析。訓練集∶測試集∶保持集的樣本比例為2∶1∶1；訓練集和測試集共600粒種子、其他植物種子及所含雜質，保持集是不參與模型訓練的樣本集，從剩余的400粒種子、其他植物種子及所含雜質中隨機組合，將保持集樣本質量凈度設置成75.0%、80.0%、85.0%、90.0%、95.0%和100.0%，用于最終網絡的獨立評估。其中單隱藏層和輸出層激活函數分別為雙曲正切和Softmax。

圖2 多層感知器網絡結構Fig.2 Multilayer perceptron network topology

1

.

2

.

5

二元邏輯回歸(Binary Logistic Regression， BLR)

二元邏輯回歸是1種以二分類變量為因變量的線性回歸分析方法，本研究使用IBM SPSS Statistics 21.0軟件根據54個指標和特征指標進行BLR凈度預測模型的建立，模型樣本集設定同1.2.4。

(2)

式中：

C

為種子凈度第

i

種情況的概率；對于第

i

種情況，

X

是第

j

個變量；

d

是第

j

個變量的系數。

C

為“0”和“1”，0是指其他植物種子及所含雜質，1是指凈種子，同1.2.3。

1.3 統計分析

通過Microsoft Excel 2016和IBM SPSS Statistics 21.0軟件，進行MLP和BLR建模分析，之后運用單因素方差分析對模型準確率進行分析比較。

2 結果與分析

2.1 中藥材種子批物料特性描述統計

中藥材種子采收過程中會混入碎葉片、秸稈、小土粒和其他植物種子等,凈度分析表明黃芩種子混雜的主要是其他植物種子、小石塊和碎葉片，桔梗種子混雜的主要是碎葉片和秸稈，黃芪種子混雜的主要是蕎麥種子、秸稈和小土粒，紫蘇種子混雜的主要是碎葉片、小土粒，柴胡種子中混雜的主要是其他植物種子和小土粒。

2.2 相關性分析、主成分分析和不同指標建模結果比較

由表1可知，1)黃芩種子：黃芩尺寸和顏色指標(不含標準差，共16個)均與凈度呈極顯著相關(

P

<0.01)，其中Length、Width、Area、Perimeter、Roundness、

H

與凈度均呈極顯著正相關，相關系數范圍為0.350～0.895；

L/W

Ratio、

R

、

G

、

B

、

L

、

a

、

b

、

S

、

V

、Gray與凈度均呈極顯著負相關，相關系數范圍為-0.844～-0.082。選用尺寸和顏色指標(不含標準差)建立的MLP模型最優，訓練集和測試集準確率均為100.0%。2)桔梗種子：桔梗與凈度相關系數較高的指標有7個，分別是Length、Area、Perimeter、

R

、

G

、

B

、Gray，其中Length、Area、Perimeter與凈度均呈極顯著正相關(

P

<0.01)，相關系數范圍為0.515～0.762；

R

、

G

、

B

、Gray均與凈度呈極顯著負相關(

P

<0.01)，相關系數范圍為-0.851～-0.782。采用這7個特征指標建立的MLP模型，測試集準確率最高，為99.3%。3)黃芪種子：黃芪的尺寸和顏色指標(包含標準差)均與凈度呈顯著或極顯著相關(

P

<0.05)，相關系數范圍為-0.634～0.733，共26個指標。采用這26個指標建立的MLP模型較優，訓練集和測試集準確率分別為99.9%和99.6%。4)紫蘇和柴胡種子：紫蘇和柴胡絕大多數指標與凈度呈顯著或極顯著相關(

P

<0.05)，共50個尺寸、顏色和紋理指標，紫蘇和柴胡相關系數分別分布在-0.649～0.830和-0.554～0.571。這50個指標進行MLP建模，訓練集和測試集準確率最高，分別是99.6%和99.4%。

2.3 不同算法建模效果比較

根據2.2中篩選得到的特征指標，保證訓練集和測試集樣本數分別是400和200粒，其中凈種子數量300粒，其他植物種子及所含雜質共300粒，對比在不同指標下BLR和MLP這2種模型建模效果。從表2可知，黃芩、桔梗、黃芪、紫蘇和柴胡種子基于54個指標和特征指標(表1)建立的MLP模型訓練集和測試集準確率>96.0%。黃芩、桔梗、黃芪和紫蘇種子基于54個指標和特征指標(表1)建立的BLR模型訓練集和測試集準確率≥97.0%；而柴胡基于54個指標和特征指標(表1)建立的BLR模型測試集準確率≤93.1%。綜合而言，特征指標建模效果優于全部指標建模效果，同時MLP模型穩定性更優于BLR模型穩定性。

2.4 黃芩、桔梗、黃芪、紫蘇和柴胡種子凈度擬合效果

根據1.2.3換算系數的計算方式，即兩者比值(單粒0類樣本質量/單粒1類樣本質量)得到換算系數。黃芩、桔梗、黃芪、紫蘇和柴胡的換算系數分別是0.49、0.39、0.67、0.09和0.48。

質量凈度=1類樣本數量/(1類樣本數量+ 0類樣本數量×換算系數)×100%

(3)

利用公式(3)進行數量凈度與質量凈度的換算，將75.0%、80.0%、85.0%、90.0%、95.0%和100.0%質量凈度分別帶入模型中進行檢驗，將實際凈度與預測凈度做擬合曲線。對于黃芩種子而言，根據16個特征指標進行MLP建模，該模型對6個梯度種子凈度預測效果均較好，回歸曲線的決定系數(

R

)達到0.999 9；桔梗種子根據7個關聯指標進行MLP建模，對凈度預測的回歸曲線

R

達到0.999 6；黃芪種子26個指標MLP模型對凈度的擬合曲線

R

達到0.991 4；對于紫蘇和柴胡種子而言，根據50個關聯指標建模，MLP對種子凈度預測效果較好，

R

分別達到0.997 1和0.999 8，見圖3。

3 討 論

本研究首次將機器視覺技術應用于中藥材種子凈度的快速檢測，在一定程度上改進了傳統檢測方法的不足，能為小粒中藥材種子生產流水線大批量加工去雜提供一種更加便捷的方法。本研究發現MLP模型最適用于種子凈度快速檢測，具有穩定性高、檢測時間短和準確率高等優點；很多研究也得出類似的結論，多層感知器神經網絡(MLPN)能實現最優的分類效果，避免訓練集和測試集的識別準確率誤差過大，既可以解決線性可分問題又可以解決非線性可分問題，具有訓練參數較少、訓練時間較短、預測精度較高的優點。本研究只使用了MLP和BLR這2種模型，這2種模型均能獲得較優的凈度檢測效果，準確率>90.0%，

R

>0.99(BLR擬合結果未展示)；這2種模型算法結構不復雜，操作簡單，不要求使用人員具備專業知識背景；2種算法建模和預測過程均耗時較短，MLP和BLR分別耗時20.63和22.69 s。同時，研究所使用的 PhenoSeed軟件是由本實驗室與南京智農云芯大數據科技有限公司共同研發，可實現尺寸、顏色和紋理等54個物理指標自動化提取，本研究中黃芩、桔梗和黃芪種子使用尺寸顏色關聯指標進行建模，模型準確率≥97.5%，并未采用紋理指標參與模型的建立，這是考慮到應用可行性，目前許多加工設備主要基于尺寸顏色指標進行加工處理，比如風篩清選機和色選機等。此外，本研究首次提出以數量進行種子凈度計算的概念，而非GB/T 2930.2—2017《草種子檢驗規程 凈度分析》以凈種子質量占比計算凈度，模型的樣本集包括訓練集、測試集和保持集，均基于樣本數量進行數據分析，從而建立凈度快速檢測模型，但這2種方式計算的凈度之間存在一個換算系數，而該系數會隨不同的中藥材種子發生改變，并不具備普適性。基于本研究所提出的凈度快速檢測模型，后續將深入研發集凈度、生活力和純度等方面于一體的自動化檢測系統。

4 結 論

本研究通過對黃芩、桔梗、黃芪、紫蘇和柴胡這5種小粒中藥材種子建立MLP和BLR凈度快速檢測模型，MLP模型的穩定性優于BLR模型，其訓練集和測試集準確率>96.0%；且發現特征指標BLR和MLP建模效果優于全部指標建模效果。即特征指標MLP模型對75.0%、80.0%、85.0%、90.0%、95.0%和100.0%等6個凈度梯度的預測效果最優，

R

>0.99。綜上，以特征指標建立MLP模型可用于小粒中藥材種子的凈度快速檢測。

表2 5種中藥材種子凈度檢測模型的識別準確率
Table 2 Discrimination accuracy of seed clarity detection models for five Chinese medicinal plants %

指標Features中藥材Chinese medicinalplantsBLR模型 BLR modelMLP模型 MLP model訓練集Training set測試集Testing set訓練集Training set測試集Testing set黃芩100.0100.099.999.9桔梗100.098.099.598.854個指標54 features黃芪100.097.0100.0100.0紫蘇100.097.099.499.2柴胡100.090.699.597.1黃芩100.0100.0100.0100.0桔梗100.097.599.499.3特征指標Characteristicfeatures黃芪100.099.0100.0100.0紫蘇100.098.099.599.6柴胡100.093.199.496.5

圖3 MLP模型對5種中藥材種子凈度擬合效果Fig.3 Fitting effect of MLP model on seed clarity of 5 kinds of Chinese medicinal plants