基于图像处理技术的大豆灰斑病的检测技术研究

赵丹婷，柴玉华，张长利

（东北农业大学工程学院，哈尔滨 150030）

大豆是我国的重要经济作物，它用途多样，营养价值高，栽培广泛，便于出口。大豆的外观品质在很大程度上反映了内部质量。尤其大豆外部病态可以直接决定大豆内部营养成分的缺失和等级评测[1]。目前，传统的大豆外观品质检测技术仍然依靠人工检测，这种方法效率低精度不高，不能满足大批量自动化生产的需要。而利用图像处理技术进行检测具有精确、稳定、快速、无损等特点，因此可大幅度提高生产效率和自动化程度[2]。

灰斑病是大豆主要的外观病态之一。种粒上病斑由豆脐扩散呈圆形至不规则形，中央灰色，边缘红褐色，形成蛙眼[3]。实验表明灰斑病粒脂肪含量平均降低2.9%，蛋白质含量平均降低了1.2%，千粒重降低3 g左右。目前，国内外学者利用图像处理技术从颜色特性对农产品识别及分级的研究很多，并且取得了突出成绩。方如明等提出了直方图傅里叶系数判别法，直方图波峰检出法及灰度突变法，对稻米爆腰情况进行了检测[4]。许俐等应用机器视觉技术与色度学理论结合，研究了染色后稻米的胚乳、皮层以及胚芽所呈现的不同颜色特征的区分方法[5]。

本实验结合数学统计法，数学形态学理论，图像处理技术，神经网络及模式识别技术，基于VC++和MATLAB开发平台，实现对大豆灰斑病的自动、无损、快速和高精度的检测。

1 系统的硬件构成

本研究首先搭建用于大豆灰斑病检测的图像处理硬件平台：照相设备、照度计、计算机、暗箱等。操作系统为WindowsXP，Microsoft Visual C++2005和MATLAB作为开发工具，使程序具有高性能的可靠性、移植性、可读性及可扩充性。

2 材料

实验所用大豆均由东北农业大学大豆研究所提供，共有100多个品种，800粒大豆原种材料。其中灰斑病粒400粒，籽粒饱满的标准大豆400粒。

3 实验内容和方法

实验的主要方法和过程如图1所示。

图1 实验流程Fig.1 Flow chart of the experiment

3.1 图像采集

本实验设计了一个高1 m，长和宽均为30 cm的暗箱，箱内铺设不透光，不反光的黑色棉布，固定一盏以稳流器连接电源的环形光源，该光源稳定、均匀，满足了图像采集的需要，减弱了自然光条件下，光线明暗的不确定产生的颜色差异和影子噪声，使采集效果更清晰、精确，更易于分析。装置与照相设备、照度计、计算机共同构建了图像采集的硬件平台。

大豆16粒为一组，拍摄时，照相设备垂直拍摄被测大豆，固定适当的焦距，分别拍摄标准大豆、病斑大豆。保证了拍摄角度、距离、光线，拍摄的每幅照片中大豆粒数均一致。

3.2 图像去噪

首先分析图像背景中的噪声信息特征、类型，在VC++的开发平台上，实现基于平滑滤波的豆粒图像去噪方法。平滑滤波是用滤波掩模确定的邻域内像素的平均灰度值取代图像每一个像素值，这种方法可以显著减小图像灰度的“尖锐”变化，即“噪声”[6]。本研究中病豆图像应用了线性平滑滤波方法，选择3×3邻域模板平滑滤波，它可以有效滤除大豆图像噪声且最大限度保留清晰的目标图像。

3.3 目标大豆与背景分割

为了更好提取灰斑病大豆的特征，需要把目标大豆与背景分割。背景分离的经典方法是基于灰度阈值的分割方法。它通过设置阈值，把像素点按灰度级分若干类，从而实现图像分割。把一幅灰度图像转化成二值图像是阈值分割的最简单形式[7]。设一幅灰度图像为f（x,y），首先以一定准则在f（x,y）中找出一个灰度值t作为阈值，将图像分割为两部分，即把大于等于该阈值的像素点的值置成1，小于该阈值的像素点值置成0[8]。本研究利用灰度直方图求双峰，选择两峰之间谷底处的灰度值作为阈值。

在分别得出R、G、B，H、S、V各分量直方图后，以H分量直方图（如图2所示）和R分量直方图（如图3所示）比较为例：可以看出H分量直方图阈值呈发散状态，不能明确地提取阈值，且分割效果不佳（如图4）；而R分量直方图的双峰特性明显，易得出阈值，以同样方法进行测评后得出用R分量图像进行阈值分割，提取目标图像最为清晰（如图5所示），所以选用R分量进行分割。背景分割后图像如图6所示：背景去除，目标豆粒明确，且病斑性状明显。这为后续提取特征参数铺垫了良好的基础。

3.4 粘连籽粒分割

对于粘连病豆的籽粒分割，本研究采用的是迭代式阈值选择方法。首先选择一个阈值作为初始估计值，然后按一定规则不断改进估计值，直到满足给定的准则为止[9]。在迭代的过程中，要选择合适的阈值改进测量。一般要满足两个条件：一是足够快速收敛，二是在每个迭代过程中新产生阈值优于上一次阈值。本研究首先将图像分为若干区域，在每个区域中先求出待分割图像的最大灰度值和最小灰度值Z1和Zk，然后求最大最小灰度值的均值T0[10]；

根据均值将图像分为两部分A和B。再分别求出A,B两部分的灰度均值Z0和ZB，

式（3）中 z（i,j）是图像上（i,j）点的灰度值，N（i,j）是（i,j）点的权重系数，一般取 1.0。

根据这两部分灰度均值计算新的阈值N（i,j）＝1.0。

将新的阈值Tk+1与前一阈值Tk比较，满足一定要求则停止迭代，否则进入循环[11]。利用VC++编程时，程序设定了一个循环次数60次，以便当无法史终止条件得到满足时，可以强制终止。用此方法进行粘连籽粒分割后效果较好，如图7所示。

3.5 特征提取

分析大豆籽粒的外观特征，颜色特征及纹理特征，通过实验设计和数据统计分析，提取识别各组分的最佳分离参数。

颜色特征：R、G、B、H、S、V各项的均值，R、G、B、H、S、V各项的偏差和R、G、B、H、S、V各项的三阶距

形状特征：紧实度、弧形度、椭长轴、椭短轴、蓬松度共计23个特征参数。本实验通过软件编写实现可视化。结果见图8。

图8 特征参数Fig.8 Characteristic parameter

3.6 基于BP神经网络的病斑豆粒检测

本研究需要将灰斑病豆粒和标准豆粒进行精细识别，这是用一个待定输出矢量与输入矢量联系起来的过程[12]。因此我们基于Matlab为开发平台，利用newff函数构建一个三层的BP神经网络。其中隐层神经元的传递函数采用tan-sigmoid型函数tamsig，网络的最后一层是purelin型线性神经元，这样整个网络的输出可以取任意实数。构建神经网络时输入成神经元的个数为23，输出层节点个数为1。

主要程序如下：

程序实验中，我们设置迭代次数为150，学习速率为0.2，动量因数为0.9，最大训练次数为1 000，训练精度为 1×10-6。

我们选取640个样本进行训练，160个样本进行测试。经过720次训练，由图7可以推出均方误差逼近误差拟合收敛目标，达到了预定精度。

图9 训练结果Fig.9 Training result

以检测灰斑病为依据，可将检测病斑的思路应用在检测其他病虫害过程中：分别选取正常大豆，霉变大豆，破碎大豆，虫蚀大豆，混合大豆的测试样本各100幅，效果良好。如表1所示。

表1 识别结果Table 1 Results of disease identification

4 系统实现

利用Matlab开发平台，实现BP神经网络的构建，进而对灰斑病样本进行识别。在此基础上，本研究利用VC++设计实现了灰斑病外观品质检测系统可视化软件，实现了对灰斑病无损，精确和快速的检测需要。

该软件的操作窗体设计规范合理、按钮名称明确，操作简便。具备消息标题，菜单栏、工具栏、帮助菜单、热键标识等一系列基本功能。符合一般用户的操作习惯，体现人性化的设计理念。

4.1 文件操作功能

文件操作模块的一级菜单是“图像文件菜单”，它下面有9个二级菜单。其中“保存处理结果”，“保存模板图像”、“保存叠加图像”和“存储图像”都可以实时地保存原始图片经过处理后输出的屏幕图像，以便用户查看对比图像处理每步过程。同时图像文件菜单还自动保存最近四次所打开图片的地址连接，用户可利用此功能轻易打开以往图片，不必再计算机中重复查找。图片处理过程中用户需要对图片进行其他并行处理，可以点击该菜单中的“恢复原始图像”键。除此之外，图像文件菜单还包括打印设置、打印预览等基本操作，极大满足了用户的各种不同输出需要。

4.2 图像处理模块

图像处理模块包括平滑滤波、二值图像运算、阈值分割和区域分割法。其中的子菜单涵盖所有本研究应用的图像处理算法可及时掌握利用这些算法处理得到的每一步图像结果和分析数据。图10是软件检测大豆灰斑病的界面。

图10 灰斑病检测界面Fig.10 Detectiom interface

5 结 论

随着计算机软件及硬件技术的发展，图像处理技术作为一种外观识别技术已经有了长足的发展，在一定程度上已经可以满足当前作为谷物[13]外观品质检测的手段，但是就目前来看基于此项技术对灰斑病大豆外观品质的检测仍处于研究初期阶段。

本研究搭建了操作简单，实用性强的大豆灰斑病外观检测系统硬件平台，结合图像处理技术与神经网络技术，利用VC++编程，选择了平滑滤波，阈值分割等算法对采集的大豆图像进行图像去噪，目标图像与背景分割，粘连籽粒分割，可清晰有效地分离出较为精确的标准大豆以及病斑大豆的形态特征参数和颜色特征参数。将这些参数输入到MATLAB开发环境下构造的神经网络中进行训练，可识别出病斑大豆，识别率达93%；并能根据VC++编写的程序计算出标准豆粒与病斑豆粒混合时病斑豆粒所占百分比，该系统可进一步改良，推广至其他正常大豆和霉变大豆，破碎大豆和虫蚀大豆的外观品质研究中，用改进的图像处理算法，提取包括各品种大豆的其他特征参数，实现对其他大豆外观品质的检测系统开发。

[1]柴玉华,高立群,王荣,等.基于多尺度形态学大豆图像滤波方法[J].农业工程学报,2006,6(2)∶119-120.

[2]贾迪野.基于偏微分方程的图像平滑与分割研究[D].哈尔滨∶哈尔滨工程大学,2005.

[3]刘顺湖,周瑞宝,盖钧镒.大豆蛋白质及其组分含量对豆腐产量和品质的影响[J].中国油脂,2004,32(2)∶65-68.

[4]方如明.计算机图像处理与米的品质检测[J].农业工程学报,1992(3)∶14.

[5]许俐,钱敏娟,方如明,等.大米加工精度识别方法[J].农业工程学报,1996,12(3)∶34.

[6]Gonzalez R C.数字图像处理[M].北京∶电子工业出版社,2003∶132-483.

[7]杨为民,李天石,贾鸿社.农业机械机器视觉导航研究[J].农业工程学报,2004,20(1)∶160-165.

[8]姚敏.数字图像处理[M].北京∶机械工业出版社,2003∶243-254.

[9]李明,张长利,王晓楠.基于图像处理技术的小麦形态检测方法研究[J].东北农业大学学报,2009,40(3)∶111-115.

[10]时玉强,柴玉华,郑先哲.基于机器视觉的大豆细菌斑点病粒检测[J].东北农业大学学报,2009,40(4)∶106-110.

[11]钟志光.卢君Visual C++.NET数字图像处理实例与解析[M].北京∶清华大学出版社,2003∶371-372.

[12]周志华,曹存根.神经网络及其应用[M].北京∶清华大学出版社,2004∶185-187.

[13]杨国彬,赵杰文,向忠平.利用计算机视觉对自然背景下西红柿进行判别[J].农机化研究,2003,1(1)∶60-62.