基于圖像處理技術的小麥水分檢測方法研究

張晉寧, 尹 君, 田一駿,2

(國家糧食和物資儲備局科學研究院1,北京 100037)

(河南工業大學信息科學與工程學院2,鄭州 450000)

小麥作為全球廣泛種植的重要糧食作物之一,對于世界糧食安全具有重要的保障作用[1]。糧食含水量是儲糧重要的安全品質指標,也是影響糧食品質的關鍵因素之一,決定了糧食眾多品質指標的變化。糧食水分的過高或過低會影響糧食的品質與安全,糧食水分過高會發生霉變等變化,過低則會破壞糧食內部的有機物從而影響糧食的加工品質[2,3],因此糧食水分檢測是儲糧過程中重要的一環。

目前,國內外糧食水分檢測方法從技術上總體可以分為兩大類,包括直接測量法和間接測量法[4]。直接測量法主要有熱風烘箱烘干法、紅外線烘干法和微波烘干法等方法。間接測量法是通過測量與糧食水分相關的物理量,并建立換算數學模型,實現糧食含水量的間接測量。主要有電阻法、電容法、近紅外線法、微波法等方法[5]。但直接測量法存在檢測過程繁瑣,效率較低,具有破壞性且無法實現實時在線檢測等局限性[6];間接檢測方法如電容法、電阻法等可以實現快速檢測,但易受環境溫濕度、糧食粒型和體密度等影響,穩定性較差[7,8]。

本研究將不同含水量的小麥作為研究對象,利用機器視覺技術通過提取圖像中小麥籽粒的顏色特征和形狀特征,分析圖像特征與小麥含水量的相關性,利用篩選出的圖像特征建立小麥含水量預測模型,實現對小麥水分的快速無損檢測,為后期小麥水分無損快檢裝置研發提供參考。

1 材料與方法

1.1 樣品制備

以小麥為研究對象,根據ASAE法,將小麥樣品放在130 ℃烘箱中持續烘干19 h,測定前后小麥樣品的質量差,即為小麥含水量,最終測得小麥樣品的初始水質量分數為13.7%。將小麥進行分組,標號為1～9號,每份樣品質量為(200±1)g封裝于自封袋內并存放在4 ℃恒溫箱內保存,待使用時取出,使用時小麥樣品采用逐步升溫的方式置于常溫狀態中。利用糧食調質的方法[4]將小麥樣品水質量分數調質成9%～25%之間9個水分梯度的實驗樣品。糧食調質過程中水分質量變化的計算見式(1)。

Δm={wf-wi1-wfmi,wfwi

wi-wf1-wfmi,wf

(1)

式中:mi為待調質糧食的初始質量;Δm為調質過程中糧食中水分質量的變化量;wi為糧食的初始水分;wf為糧食調質后的水分。

1.1.1 增加糧食水分調質步驟

取糧食樣品0.5 kg,并利用式(1)計算需要增加的水分質量Δm;

將質量為Δm的蒸餾水加入糧食樣品中并攪拌10 min以使水分布均勻;

將加水后的糧食放入密封塑料袋中并排出多余空氣,存入4 ℃的冰箱中保存72 h,使得水分充分吸收到糧粒內部,同時低溫保證糧粒處于較低生物活性;

將糧食樣品置于25 ℃室溫的敞開容器中靜置12 h,期間每2 h進行1次攪拌,一方面使糧食樣品恢復到室溫,另一方面使糧食表面未被吸收的水分蒸發。

1.1.2 減少糧食水分調質步驟

取糧食樣品0.5 kg,并利用式(1)計算需要減少的水分質量Δm;

將糧食樣品放置于130 ℃烘箱中,每隔一段時間將樣品取出稱質量并充分攪拌使其均勻;

計算糧食樣品質量損失,如果質量損失量小于Δm則重復步驟b繼續烘干過程,如果質量損失量大于Δm則調質完成。

通過調質得到9份不同含水量的小麥樣品如表1所示。

表1 調質后小麥樣品水分表

1.2 圖像采集

圖像采集通過CanoScan 9000F MarkⅡ獲取完成,擁有9 600 dpi光學分辨率新型CCD掃描儀,將小麥樣品從最高含水量至最低含水量依次進行圖像采集。對每個水分等級的小麥樣品共采集20張圖像,其中每張圖像包含100個不粘連的單籽粒(圖1),即(表2)每個小麥品種的每個水分等級的樣品圖像包含2 000(100×20)個玉米籽粒,共18 000粒(100×20×9)。為了減少樣品含水量受圖像采集時間的影響,在圖像采集開始和結束時,均使用ASAE標準測定其含水量,并取2次測量平均值作為該組樣品的最終含水量,最終小麥樣品含水量如表2所示。

表2 最終小麥樣品含水量

1.3 圖像處理

圖像處理技術是對采集到的圖像進行處理優化從而達到所需結果的技術[9]。本研究使用LabVIEW 2016對采集到的小麥圖像進行圖像處理與分析。小麥籽粒圖像處理流程如圖2所示。

圖2 小麥籽粒圖像處理流程

1.3.1 圖像分割

圖像分割是圖像處理部分到圖像分析部分的過渡,是進一步開展圖像分析的基礎[10,11]。為了提取小麥圖像輪廓特征值,需要將小麥樣品籽粒進行分割。小麥籽粒圖像分割過程如圖3所示,包括彩色圖像灰度化(二值圖像)、灰度圖像二值化(二值圖像)、二值圖像形態學處理(開運算、顆粒去除、邊界去除、孔洞填充)(二值圖像)和圖像乘運算(彩色圖像)。

圖3 小麥籽粒圖像分割

1.3.2 特征提取

在對小麥籽粒進行圖像分割后,分別對每張圖像中100個小麥籽粒的所有圖像特征進行提取。本研究提取了小麥籽粒圖像中的47個圖像特征,其中包括23個形態特征和24個顏色特征,如表3所示。每張圖像中小麥籽粒特征的平均值為該圖像的特征值。

表3 提取的小麥籽粒圖像特征

2 結果與分析

2.1 小麥圖像特征與水分相關性分析

利用SPSS軟件對小麥圖像特征與含水量進行相關性分析,結果如表4所示。

表4 小麥圖像特征與含水量相關性

通過分析小麥圖像特征與含水量相關性可得出:小麥籽粒的圖像特征與含水量存在高度線性相關,可以通過線性回歸模型預測小麥籽粒的含水量。與含水量相關性最高的形態特征為面積,提取到的形態特征相關性高于顏色特征,因此形態特征也包含了更多關于小麥含水量的信息。

2.2 特征選擇

使用逐步選擇法對所有特征進行篩選,選出對于水分預測最重要的特征子集,結果如表5所示。

表5 小麥水分特征選擇

2.3 小麥水分預測模型結果

選擇ElasticNet、RandomForest、AdaBoost 3種回歸模型,以表2.2中的特征子集作為輸入變量,從而建立小麥水分預測模型。將特征篩選后的數據集按照7∶3的比例分為訓練集和測試集。本研究中回歸模型的評價指標采用決定系數(R2)和均方誤差(RMSE),小麥含水量預測模型性能如表6所示。

表6 小麥水分預測模型表現

從建立的3個模型預測結果可以看出,R2≥0.96,說明模型對數據有較好的擬合效果。模型的絕對誤差隨機分布在0點中心線的兩端,無明顯趨勢,且無明顯的異常值,表明模型具有較好的魯棒性,可用于新樣本的含水量預測。RandomForest模型預測結果的水分絕對誤差主要分布在±1.5之間。

3 結論

探討了將圖像處理技術應用于無損檢測小麥水分的方法,建立了基于圖像處理技術的小麥籽粒水分預測模型。通過分析小麥籽粒圖像特征與含水量的相關性并進行了特征篩選,將篩選到的特征作為回歸模型的輸入量,選取ElasticNet、RandomForest、AdaBoost模型對含水量的檢測進行了研究。結果表明,3種回歸模型的R2值分別為0.96、0.97、0.98,RMSE值分別為1.05、0.26、0.84,模型預測效果較好,為后續基于圖像處理的糧食水分快速無損檢測提供了參考。