基于机器视觉的蔬菜种子包衣品质鉴定

喻志成，赵春宇，高 璐

(上海交通大学 电子信息与电气工程学院，上海 200240)

基于机器视觉的蔬菜种子包衣品质鉴定

喻志成，赵春宇，高 璐

(上海交通大学 电子信息与电气工程学院，上海 200240)

蔬菜种子包衣工作参数的智能调节，能提高包衣加工效率和成品质量。为了研究包衣工作参数的智能调节，提出了基于机器视觉的蔬菜种子包衣品质鉴定方法。针对蔬菜种子包衣过程中种子包衣完整性、包衣颜色深浅、包衣颜色均匀性3个重要指标，提出依据单粒种子的种子包裹率、种子颜色及纹理特征将包衣种子分为合格与非合格两类。对于种子图像中粘连的问题，采用分水岭算法将图像分割为单粒种子。通过对单粒种子的多阈值分割，实现种子包衣完整率的计算。基于HSI颜色空间提取H、S分量的颜色矩特征与I分量的灰度共生矩阵特征，融合种子包衣完整率、颜色矩特征和灰度共生矩阵特征这3种特征为一个11维特征向量，构建基于径向基核函数的支持向量机分类器对包衣结果进行品质鉴定。实验选用包衣后辣椒种子验证算法，结果表明：包衣结果识别准确率为90.93%。该研究可为后续研究包衣机工作参数的智能调节奠定理论基础。

蔬菜；种子包衣；品质鉴定；机器视觉

0 引言

种子包衣技术已经在主要农作物种子和蔬菜种子生产过程中得到了广泛的应用[1-2]。传统的包衣机包衣工作中，包衣结果由有经验的技术人员以肉眼观察来评估包衣结果是否合格。蔬菜种子包衣过程中种子单次批量小、种子类别多、需要频繁调节包衣机工作参数，因而传统的种子包衣机已无法满足智能、快速调节包衣机参数的需求[3]。为此，国家高技术发展研究计划(863 计划)智能化农机技术与装备项目提出了农业机械智能化的要求。为提高包衣加工设备效率，提高种子加工质量，需研究包衣机工作参数的智能调节方法，即包衣机的智能控制需要在人工经验的基础上自动识别每一批次包衣的种子是否合格。

机器视觉与模式识别技术近几年在农业、工业方面得到了广泛应用[4-5]。为了实现种子包衣结果的自动评价，本文提出使用机器视觉与模式识别的方法将包衣后种子分为合格与非合格两类，以反馈机制调节包衣机工作参数，为后续研究种子包衣机的智能自动控制打下基础[6-7]。

为了使用机器视觉对包衣后种子进行分类识别，需要对种子包衣图像进行颜色、纹理及形状等特征进行提取。陶华伟[8]等提出了基于颜色及纹理特征的果蔬种类识别方法，其利用 HSV 颜色直方图、外点、内点颜色直方图提取图像颜色特征，采用匹配得分融合算法将颜色和纹理特征相融合，采用最近邻分类器实现果蔬农产品分类。张成梁[9]等提出了一种基于颜色和形状特征的机采棉杂质识别分类方法，采用基于彩色梯度图像的分水岭变换与改进模糊 C 均值聚类方法相结合的方法对大杂质和小杂质检测进行处理。唐钦[10]等提出了一种基于灰度-方向共生矩阵的叶片纹理特征提取算法和一种改进的叶片颜色特征提取算法，即SVM的分类器模型；最后，将纹理和颜色特征提取算法与基于K-means和SVM的分类器模型一起构建了一种植物叶片的识别算法。

本文针对种子包衣图像的特点及种子包衣流程中的经验与标准，提出基于双阈值分割法方法提取包衣种子的包裹率、基于颜色矩特征与灰度共生矩阵特征的包衣颜色与纹理特征，最后采用基于径向基核函数的支持向量机分类器构建包衣种子分类模型，从而达到包衣种子品质鉴定的目的。

1 包衣种子识别系统

基于种子包裹率、颜色和纹理特征的包衣种子识别模型包括种子图像采集、图像预处理与分割、特征提取与归一化及特征融合与分类几个部分[11-12]，具体结构如图1所示。

图1 包衣种子识别模型Fig.1 Model of seed coating classification

1)图像预处理包括去噪、锐化、去背景等步骤。

2)图像分割首先将图像二值化，再使用形态学方法去除噪声并填补孔洞，最后使用最大类间方差阈值分割法分割出单粒种子。

3)种子包裹率特征通过对单粒种子图像分别进行最大类间方差阈值分割和最大熵阈值分割，使种子未包衣部分与种子整个部分区别开来，计算两者的像素比。

4)包衣颜色特征通过提取HSI空间中H、S分量的颜色直方图特征表示，包括H、S分量的前3阶颜色矩特征。

5)包衣种子纹理特征通过HIS空间中I分量的灰度共生矩阵特征表示，包括能量(ASM)、对比度(CON)、逆差矩(IDM)和熵(ENT)。

6)提取包裹率、颜色、纹理特征后组成11维特征向量，使用专家标记的种子样本训练SVM分类器。

2 图像预处理与分割

图像分割过程中，光线不均匀、有阴影、遮挡等会严重影响分割结果。为了图像分割效果更好，需对图像进行预处理操作[13]：

1)对原始图像进行中值滤波。

2)将RGB图像转化为灰度图像，并使用最大类间方差阈值分割法对图片进行预分割；若存在粘连情况，使用分水岭算法再次分割。

3)对分割后的二值图像进行孔洞填充、去除小颗粒噪点并进行二值反转。

4)将预分割图像与3)得到的图像进行与运算，得到去背景的种子图片。

5)对3)得到的二值图像进行连通域统计，并分别对二值图像和去背景种子图像中对应连通域使用矩形窗切分出二值单粒种子图像和去背景的RGB单粒种子。

6)去除二值单粒种子图像边缘不完整颗粒部分，并与RGB单粒种子进行与操作得到。

提取种子特征以单粒种子为单位，所以种子分割过程需要将种子切割为单粒图像。由于实际生产中的种子采样可以将种子抖动得比较开，所以大部分种子之间没有粘连；使用最大类方差预分割后可以分割大部分无粘连种子；对种子图像中少量的粘连现象，使用分水岭算法再次分割，直至分割成单粒种子[14]。

3 包衣种子分类特征

3.1 种子包裹率特征

包衣后种子的包衣包裹率是包衣是否合格的一项基本指标，对于包衣参数调节具有重要的指导意义。由于一次拍摄的种子图像中包含了足够多的种子，所以从统计平均的角度来看，种子被拍摄到的范围内包衣率近似等于整个种子的包衣率。为了计算种子包衣的包裹率，对每一粒种子进行包衣率的计算。种子包裹率为

(1)

式中α—种子包裹率；

S1—种子实际包衣覆盖面积；

S0—种子实际包衣覆盖面积。

种子的面积可以通过统计图像中的像素个数来计算。由于包裹率是一个相对量，所以不需要针对拍摄系统进行尺寸标定。式(1)可以写成式(2)，即

(2)

种子本身的颜色与包衣剂的颜色一般区别较大，所以可以通过进一步对单粒种子图像进行分割来计算种子包裹率。为了使用式(2)计算包衣覆盖率，需要使用多阈值将种子未包衣部分分割出来。种子轮廓部分已由图像分割部分得到，种子未包衣部分由最大熵阈值分割得到[15]。

最大熵阈值分割求取阈值t，使得以阈值t分割后的熵最大。对于数字图像，定义图像灰度低于t的像素构成目标区域熵H1(t); 图像灰度高于t的像素构成目标区域熵H2(t)，那么H1(t)和H2(t)可由下式计算，即

(3)

(i=t+1,t+2,...,L)

(4)

对图像中每一个灰度级分别求取熵函数H(t)=H1(t)+H2(t)，将H(t)取得最大值时的Hmax(t*)作为最大熵，对应灰度值t*则为最大熵分割的阈值。

3.2 颜色与纹理特征

对于包衣比较完整的种子，其颜色和纹理特征也能对包衣结果进行区分，因而在包衣结果识别过程中加入颜色和纹理特征。HSI模型的H和S分量与人感受颜色的方式是紧密相联的，用于提取颜色矩特征。I分量与图像的彩色信息无关，用于提取纹理特征。

3．2．1 颜色矩特征

HSI颜色空间中H分量表示色调，S分量表示颜色饱和度。 颜色矩特征是用颜色分量的矩来表示图像中颜色的分布 。由于颜色分布信息主要集中在低阶矩中，因此仅采用颜色的一阶矩(Mean)、二阶矩(Variance)和三阶矩(Skewness)就足以表达图像的颜色分布[16-17]。

1)一阶颜色矩：均值反映颜色的明暗，则

(5)

式中N—图像中像素个数；

pij—图像第i个通道的第j个像素值。

2)二阶颜色矩：标准差反映图像颜色分布范围，则

(6)

3)三阶颜色矩：方差反映图像颜色分布对称性，则

(7)

3.2.2 灰度共生矩阵特征

纹理特征由灰度共生矩阵(GLCM)计算得到。HSI颜色空间中，I分量是亮度，表示图像灰度分布。通过计算图像中一定距离和一定方向的两点灰度之间的相关性得到它的共生矩阵，然后通过计算这个共生矩阵得到矩阵的部分特征值(能量、对比度、逆差矩、熵、自相关)来分别代表图像的某些纹理特征[18-19]。

ASM(能量) 反映灰度分布均匀程度和纹理粗细度，则

(8)

式中pij—灰度共生矩阵第i行j列元素。

CON(对比度) 反映某个像素值与领域像素值的对比情况，能反映种子图像的清晰度，计算公式为

(9)

IDM(逆差矩) 反映图像纹理的同质性，表征种子图像纹理局部变化量，计算公式为

(10)

ENT((熵) 反映纹理非均匀程度，种子图像中纹理越多，值越大，计算公式为

(11)

4 基于径向基核函数的支持向量机分类器

(12)

式中C—误差惩罚系数。

(13)

式中φ(xi,yi)—核函数。

(14)

对于测试样本x，可以得到SVM最优分类函数为

(15)

对于一些线性不可分或线性不好分的分类任务，常常使用核函数将特征空间映射到另一个特征空间，在新空间下利用SVM模型进行分类。合适的SVM核函数是提高模型性能的关键，本文采用了径向基核函数(RBF)，因其具有较快的收敛速度且可以逼近任意非线性函数[21]。

5 实验与分析

5．1 实验材料与装置

实验采用牛角辣椒种子，形态呈扁平肾形。包衣机使用上海交通大学电子信息与电气工程学院仪器系研制的BY-150C型蔬菜种子包衣机。包衣种子图像采集实验平台由以下设备组成：相机选用JAI的AD-130GE型彩色面阵CCD工业相机，分辨率1296像素×966像素，CCD尺寸1/3’’，帧率31帧/s；镜头使用uTRON公司FV1520型镜头，焦距15mm，C-mount接口。光源选用拱形白光光源。图像采集实验平台实物如图2所示。

图2图像采集实验平台实物Fig.2 Image acquisition platform

5.2 包衣种子图像分割

为了便于提取种子各项颜色纹理特征，需对采集到的种子图像进行分割。实验过程中，使用上述图像采集实验平台采集种子图像。在具体操作时，按照第2节所述流程进行操作，采集到的种子图像[见图3(a)]，经过滤波、去背景后得到非粘连种子和粘连种子如图3(b)和图3(c)所示；图3(d)是经过分水岭法对粘连种子分割的结果。

5.3 包衣种子特征信息与分类结果

对于种子包裹率，主要是计算包裹种子表面的包衣剂的面积与种子自身面积的比率，无关种子的具体表面积，关键就是将种子未包衣部分分割出来。通过对单粒种子进行双阈值分割，可以很好地将种子未包衣部分和完整种子图像分割出来，如图4所示。

图4 种子包裹率特征提取Fig.4 Coating ratio calculation

图4(a)为图像分割后得到的单粒包衣种子原图，图4(b)是灰度化后的图像，图4(c)通过分别在R、G、B分量上进行最大类间方差阈值分割后进行并集运算得到的种子完整轮廓图像,图4(d)是使用最大熵阈值分割得到的种子未包衣部分。通过图4(d)与图4(c)的面积比，即可计算出种子包裹率α。

包衣种子颜色特征需要在HSI颜色空间下提取，所以首先将图像从RGB空间转化到HSI颜色空间。颜色特征使用H、S分量的前3阶矩{μhσhshμsσsss}。

纹理特征利用HSI颜色空间中I分量计算灰度共生矩阵(GLCM)，再通过灰度共生矩阵来计算纹理特征能量(ASM)、对比度(CON)、逆差矩(IDM)和熵(ENT)。

融合包裹率特征、颜色特征和纹理特征得到一个11维特征向量，即

实验过程中选用800粒包衣后的辣椒种子，包括400粒包衣合格种子和400粒包衣不合格种子。统计这800粒种子的包衣率、颜色和纹理特征，如表1所示。

表1 包衣种子特征信息

选择合格与非合格包衣种子各300粒作为SVM分类器训练集样本，剩下合格与非合格各100粒种子作为测试集样本。训练基于径向基核函数的SVM分类器得到训练集识别准确率达93.77%，测试集识别准确率达90.93%。

6 结论

1)提出了一种包衣种子包裹率、种子颜色和纹理特征的算法，并将3种特征融合，构建支持向量机的分类器，用于包衣后种子合格性的分类识别。

2)根据种子包衣后的形态特点，提出使用种子图像的像素比提取包衣种子的包裹率，针对包衣种子的颜色与表面特征指标提出使用HSI颜色空间下的H分量和S分量的颜色矩特征、I分量的灰度共生矩阵特征。

3)实验中提取800粒种子的3种特征，将3种特征融合后，对构建的基于径向基核函数的支持向量机进行训练与验证。实验结果表明：包衣种子合格性识别准确率达90.93%，为后续研究包衣工作参数的智能调节奠定了理论基础。

[1] 沈颖, 黄智文, 田永红, 等.蔬菜种子处理技术研究进展[J]. 中国种业, 2016(2):10-13.

[2] 杨慧民, 闫树成. 我国蔬菜种子包衣技术的研究现状及展望[J].河北农业科学, 2010, 14(12):29-31.

[3] 桑杰, 赵春宇,朱成刚.BY-150型种子包衣机检测控制系统设计[J].农机化研究, 2015,37(3):83-86.

[4]FranciscoJRodríguez-Pulido,BelénGordillo,MLourdesGonzález-Miret,etal.Analysisoffoodappearancepropertiesbycomputervisionapplyingellipsoidstocolourdata[J].ComputersandElectronicsinAgriculture, 2013,99:108-115.

[5] 王风云, 郑纪业,唐研,等.机器视觉在我国农业中的应用研究进展分析[J]. 山东农业科学, 2016(4):139-144.

[6] 李锦卫.基于数字图像处理的油菜种子信息研究[D].长沙:湖南农业大学, 2007.

[7] 杨蜀秦.农作物籽粒的图像处理和识别方法研究[D].杨凌:西北农林科技大学, 2012.

[8] 陶华伟,赵力,奚吉,等.基于颜色及纹理特征的果蔬种类识别方法[J]. 农业工程学报, 2014(16) : 305-311.

[9] 张成梁,李蕾,董全成,等.基于颜色和形状特征的机采棉杂质识别方法[J]. 农业机械学报, 2016(7):1-8.

[10] 唐钦.基于纹理和颜色特征的植物叶片识别方法研究[D].杭州:浙江大学, 2015.

[11] 陈红,夏青,左婷,等.基于机器视觉的花菇分选技术[J].农业机械学报, 2014(1):281-287.

[12]SzczypińskiPM,PZapotoczny.Computervisionalgorithmforbarleykernelidentification,orientationestimationandsurfacestructureassessment[J].ComputersandElectronicsinAgriculture, 2012, 87:32-38.

[13] 张帆, 李绍明 ,刘哲, 等. 基于机器视觉的玉米异常果穗筛分方法[J].农业机械学报, 2015(S1) : 45-49.

[14] 张红旗, 刘宇, 郝敏. 基于机器视觉的番茄果实图像分割方法研究[J].农机化研究, 2015，37(3):58-61.

[15] 张亚秋,吴文福,王刚.基于逐步改变阈值方法的玉米种子图像分割[J].农业工程学报,2011(7):200-204.

[16]VandeSande,KEA,TGevers,etal.EvaluatingColorDescriptorsforObjectandSceneRecognition[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2010,32(9) : 1582-1596.

[17] 朱莉,罗靖,徐胜勇,等.基于颜色特征的油菜害虫机器视觉诊断研究[J].农机化研究, 2016，38(6):55-58.

[18] 王书志,张建华,冯全.基于纹理和颜色特征的甜瓜缺陷识别[J].农业机械学报, 2011(3):175-179.

[19] 胡孟晗,董庆利,刘宝林,等.基于计算机视觉的香蕉贮藏过程中颜色和纹理监测[J].农业机械学报, 2013(8):180-184.

[21] 王欣,李道亮,杨文柱,等.基于可见光机器视觉的棉花伪异性纤维识别方法[J].农业机械学报, 2015(8):7-14.

Quality Recognition for Coated Vegetable Seed Based on Computer Vision

Yu Zhicheng, Zhao Chunyu, Gao Lu

(School of Electronic Information and Electrical Engineering, Shanghai Jiaotong University, Shanghai 200240, China)

Intelligent regulation of vegetable seed coating parameters can improve the efficiency of the coating process, and improve the quality of the seed products. In order to study the intelligent control of coating parameters, this paper proposed vegetable seed quality identification method based on computer vision. According to three important indicators including coating rate, coating color and texture features, a seed was classified as qualified-coated or non-qualified-coated. For adhesion of the seed image, watershed algorithm was used to segment the seeds into single. Seed coating rate was calculated based on multi-threshold segmentation method. The seed image was converted into HSI color space in order to extract color moments features in H and S component and gray-level-co-occurrence matrix features in I component. Three kinds of features including coating rate, color moment features and gray-level-co-occurrence matrix features were fused into an eleven-dimensional feature vector. Support vector machine classifier was trained based on radial basis function. Experiments were conducted using coated chill seed. And results showed that the quality recognition for coated vegetable seed accuracy is 90.93%. This research laid a theoretical foundation of following-up study of intelligent regulation of vegetable seed coating parameters.

vegetable; seed coating; quality recognition; computer vision

2016-10-10

国家“863计划”项目(2012AA10A505)

喻志成(1992-)，男，湖北黄冈人，硕士研究生，(E-mail) fricin@sjtu.edu.cn。

赵春宇(1971-)，男，哈尔滨人，副教授，硕士生导师，(E-mail) zhaocy@sjtu.edu.cn。

TP391; S24

A

1003-188X(2017)12-0026-06