一種稻谷霉變無損檢測(cè)的方法
【專利摘要】本發(fā)明涉及一種基于計(jì)算機(jī)視覺技術(shù)對(duì)稻谷霉變檢測(cè)的方法，屬于一種新型的檢測(cè)技術(shù)。通過計(jì)算機(jī)視覺圖像采集裝置，獲取正常(對(duì)照組)、霉變?cè)缙诤兔棺兺砥趫D像，經(jīng)圖像處理后，對(duì)圖像的灰度特征、顏色特征和紋理特征進(jìn)行提取。采用支持向量機(jī)和偏最小二乘法判別分析構(gòu)建檢測(cè)模型，首先對(duì)正常稻谷與霉變稻谷進(jìn)行了區(qū)分，又對(duì)不同霉變稻谷類型進(jìn)行區(qū)分。本方法可以實(shí)現(xiàn)對(duì)稻谷是否霉變的準(zhǔn)確識(shí)別，同時(shí)可以實(shí)現(xiàn)對(duì)不同真菌引發(fā)的霉變進(jìn)行準(zhǔn)確區(qū)分。該方法比傳統(tǒng)的人工檢測(cè)更加快速、準(zhǔn)確、方便，而且對(duì)稻谷霉變的預(yù)防控制有很重要的意義。
【專利說明】
一種稻谷霉變無損檢測(cè)的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明是一種計(jì)算機(jī)視覺技術(shù)對(duì)稻谷霉變無損檢測(cè)的方法，屬于農(nóng)產(chǎn)品貯藏與加 工無損檢測(cè)的技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 稻谷收獲后，經(jīng)過清洗干燥后，通常需要進(jìn)行儲(chǔ)藏，儲(chǔ)藏是保障稻谷安全的一個(gè)重 要環(huán)節(jié)之一。稻谷在儲(chǔ)藏過程中常因受到微生物的污染而導(dǎo)致霉變，稻谷儲(chǔ)藏過程中微生 物危害在我國部分地區(qū)時(shí)常發(fā)生。由于稻谷含有豐富的碳水化合物、蛋白質(zhì)、維生素、脂肪 和礦物質(zhì)等，為微生物提供了良好的天然培養(yǎng)基。并且稻谷在種植收獲、干燥、運(yùn)輸、儲(chǔ)藏等 過程中，都有可能受到微生物的污染。構(gòu)成了稻谷的微生物生物區(qū)系大部分屬于霉菌，當(dāng)?shù)?谷儲(chǔ)藏條件不當(dāng)或外部環(huán)境滿足微生物生長條件時(shí)，就會(huì)在稻谷上大量生長繁殖，稻谷就 會(huì)發(fā)生霉變，造成品質(zhì)劣變，并且有些霉菌在生長代謝過程中會(huì)產(chǎn)生毒素，嚴(yán)重威脅健康。 其中一些毒素耐受力強(qiáng)，在稻谷后期加工過程中不易除去，給稻谷的儲(chǔ)藏穩(wěn)定性和食用安 全性造成潛在威脅。傳統(tǒng)的稻谷霉變檢測(cè)主要通過人工檢測(cè)，不僅費(fèi)時(shí)費(fèi)力，而且無法做到 實(shí)監(jiān)測(cè)。隨著新技術(shù)的發(fā)展，許多新技術(shù)不斷應(yīng)用與霉變稻谷的檢測(cè)，如鄒小波等[鄒小波， 趙杰文.電子鼻快速檢測(cè)谷物霉變的研究[J].農(nóng)業(yè)工程學(xué)報(bào).2004,20(4) :121-124.]研制 出一套能夠快速檢測(cè)谷物是否霉變的電子鼻裝置，且該裝置能夠快捷、準(zhǔn)確地分析所測(cè)谷 物散發(fā)的氣味，來判斷所測(cè)谷物是否發(fā)生霉變。Siripatrawan等[Siripatrawan U，Makino Y.Monitoring fungal growth on brown rice grains using rapid and nondestructive hyperspectral imaging[J]. International Journal of Food Microbiology. 2015，199:93-100.]運(yùn)用高光譜圖像技術(shù)對(duì)儲(chǔ)藏大米腐敗霉變真菌生長進(jìn) 行實(shí)時(shí)監(jiān)控。Zhang Qiang等[Qiang Z，Cheng_Hai L，Jing_Kun S，et al .Rapid Non-destructive Detection for Molds Colony of Paddy Rice Based on Near Infrared Spectroscopy[J].Journal of Northeast Agricultural University.2014,21(4)：54-60.]利用波長為918-1045nm的近紅外光譜技術(shù)對(duì)水稻儲(chǔ)藏過程中的霉菌菌落總數(shù)進(jìn)行檢 測(cè)，該方法可以用于水稻采后儲(chǔ)藏霉變的實(shí)時(shí)監(jiān)測(cè)。
[0003] 近年來，機(jī)器視覺技術(shù)作為一種無損傷、快速地的方法被用來霉變的檢測(cè)，得到了 廣泛的認(rèn)可。在國內(nèi)外食品工業(yè)中都有很好的應(yīng)用，如Chen Hong等[Chen Hong，Wu Moucheng,Xiong Lirong. Identification of Mildewed Peanuts by Computer Vision [J]. Transaction of the Chinese Society for Agricultural Machinery.2008,39(1)： 110-113，96.]提出一種利用圖像處理技術(shù)識(shí)別霉變花生的方法.首先用微分算子對(duì)彩色花 生圖像進(jìn)行邊緣檢測(cè)，經(jīng)過形態(tài)學(xué)運(yùn)算、填充、合成后，得到去除背景的彩色花生圖像。然后 采用Η和S的閾值識(shí)別霉變區(qū)域，根據(jù)像素?cái)?shù)目計(jì)算霉變面積比，從而判斷霉變情況。試驗(yàn)表 明，這種識(shí)別方法的正確率可以達(dá)到90%。趙莉[趙莉.霉變蕓豆的計(jì)算機(jī)視覺識(shí)別[J].硅 谷.2009,（12) :5.]采用計(jì)算機(jī)視覺的方法對(duì)霉變蕓豆進(jìn)行檢測(cè)和識(shí)別，提出使用表面粒度 和霉變區(qū)域的面積所占的比例的方法對(duì)蕓豆的外觀品質(zhì)進(jìn)行評(píng)價(jià)。試驗(yàn)表明在所選的樣本 條件下，正石角率可達(dá)90% 〇Pan[Classification of foodborne pathogens using near infrared(NIR)laser scatter imaging system with multivariate calibration[J] ? Scientific Reports.2015，5:9524.]等利用近紅外散射技術(shù)對(duì)四種食物病原菌進(jìn)行鑒定 研究。但是利用視覺技術(shù)對(duì)稻谷中國真菌的識(shí)別研究國內(nèi)外未見報(bào)道。成芳等[成芳，應(yīng)義 斌.基于顏色特征的稻種霉變檢測(cè)算法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào).2004(04): 102-105.]根據(jù)機(jī)器 視覺檢測(cè)雜交水稻種子質(zhì)量的要求，對(duì)單粒、靜態(tài)稻種圖像進(jìn)行霉變分析識(shí)別。比較了提取 顏色特征的3種方法，研究了基于顏色特征的稻種霉變檢測(cè)算法，經(jīng)試驗(yàn)驗(yàn)證，該算法對(duì)正 常稻種、輕度霉變稻種、嚴(yán)重霉變稻種的檢測(cè)準(zhǔn)確率分別為92%、95%、83%。

【發(fā)明內(nèi)容】

[0004] 技術(shù)問題
[0005] 鑒于上述技術(shù)發(fā)展現(xiàn)狀，本發(fā)明的不僅利用了計(jì)算機(jī)視覺技術(shù)對(duì)稻谷在儲(chǔ)藏過程 中是否發(fā)生霉變進(jìn)行檢測(cè)，而且對(duì)何種真菌引發(fā)的霉變進(jìn)行了識(shí)別。在特征提取時(shí)，不僅利 于霉變稻谷圖像的顏色信息，而且采用了經(jīng)典的灰度共生矩陣算法來描述圖像的紋理特 征。采用線性判別模型和非線性判別模型對(duì)比的方法選取最佳數(shù)據(jù)分析模型。從而建立一 種高效、快速、方便的稻谷霉變檢測(cè)方法。
[0006] 技術(shù)方案
[0007] 1. 一種稻谷霉變無損檢測(cè)的方法，包括計(jì)算機(jī)視覺圖像采集系統(tǒng)、圖像處理、特征 參數(shù)提取、識(shí)別模型構(gòu)建、檢測(cè)結(jié)果分析、其中，
[0008] 1)計(jì)算機(jī)視覺系統(tǒng)由計(jì)算機(jī)、相機(jī)、光源、支架和底座組件構(gòu)成，其中，相機(jī)采用的 型號(hào)為NEX-6的索尼相機(jī)，自動(dòng)白平衡，光圈f/9.0,曝光時(shí)間為l/10s，IS0 100,焦距為 30mm;光源有兩條LED燈組成，每條12W，長度為33cm，可手動(dòng)調(diào)節(jié)亮度;底座是由一塊30cm X 30cmX 1 . lcm的金屬板組成，底座上有螺孔，用來調(diào)節(jié)和固定支架；電腦型號(hào)為Dell Optiplex 7010,3.4GHz，內(nèi)存8G，顯卡256M GeForce GT240;對(duì)空白組、早期霉變和晚期霉 變稻谷分別進(jìn)行圖像采集。
[0009] 2)圖像采集
[0010]圖像處理使用的主要算法有圖像歸一化、提取感興趣區(qū)域、轉(zhuǎn)灰度、歸一化灰度直 方圖、R、G、B分量歸一化直方圖提取。
[0011] 3)特征參數(shù)提取
[0012] ①分別提取灰度特征出、!12...1116，紅色分量1?1、1?2...1?16，綠色分量61、62...616，藍(lán)色分 量和用來描述紋理特征的灰度共生矩陣中的角二階矩ASM、能量E、對(duì)比度C0N、熵 ENT，共68個(gè)特征數(shù)據(jù)。
[0013] ②SPA特征優(yōu)選:對(duì)68個(gè)特征進(jìn)行特征優(yōu)選，其中，在區(qū)分空白與霉變稻谷的特征 選取中，共優(yōu)先出11個(gè)特征數(shù)據(jù)，特征變量集V為1?4、1?11、1?12、1?13、6 2、68、612、82』9、8 11』13;在 早期區(qū)分不同種類真菌霉變稻谷的特征選取中，共優(yōu)選出13個(gè)特征數(shù)據(jù)，特征變量集v為 R2、R3、R9、Rll、Rl2、Rl3、Gll、Gl2、Gl3、B7、B8、B9、Bll;在晚期區(qū)分不同種類真菌霉變稻谷的特征選 取中，共優(yōu)選出14個(gè)特征數(shù)據(jù)，特征變量集 BiOo
[0014] 4)識(shí)別模型構(gòu)建
[0015] 其中，構(gòu)建的支持向量機(jī)模型（SVM)為:將特征變量集v作為輸入值，是否霉變、哪 種類型的霉變作為輸出值，核函數(shù)為徑向基函數(shù)，核函數(shù)參數(shù)gamma值均為0.01，懲罰系數(shù) cost值為1。
[0016] 其中，構(gòu)建的偏最小二乘模型(PLSDA)為:將特征變量集v作為輸入值，是否霉變、 哪種類型的霉變作為輸出值。
[0017]有益效果
[0018] 本發(fā)明不僅利用計(jì)算機(jī)視覺技術(shù)對(duì)稻谷在儲(chǔ)藏過程中是否發(fā)生霉變進(jìn)行檢測(cè)，而 且對(duì)何種真菌引發(fā)的霉變進(jìn)行了識(shí)別。對(duì)稻谷在儲(chǔ)藏過程中霉變現(xiàn)象的實(shí)時(shí)檢測(cè)和預(yù)防提 供了一種高效、快速、方便的稻谷霉變檢測(cè)方法。通過對(duì)不同真菌引發(fā)的霉變現(xiàn)象進(jìn)行了區(qū) 分，可以對(duì)稻谷早期霉變進(jìn)行及時(shí)有針對(duì)的控制。 四、
【附圖說明】
[0019] 圖1:計(jì)算機(jī)視覺圖像采集裝置
[0020] 圖2:空白、早期霉變和晚期霉變稻谷圖像
[0021] 圖3:圖像處理流程 五、
【具體實(shí)施方式】
[0022] -種基于計(jì)算機(jī)視覺技術(shù)對(duì)稻谷霉變檢測(cè)的方法，【具體實(shí)施方式】如下：
[0023] 1.試驗(yàn)材料
[0024]通過對(duì)稻谷儲(chǔ)藏過程中霉變真菌種類的調(diào)查發(fā)現(xiàn)，引起霉變的主要真菌主要有曲 霉類和青霉類，其中黑曲霉、米曲霉、雜色曲霉、構(gòu)巢曲霉和桔青霉是最常見的五種。所以選 取以上五種真菌作為試驗(yàn)對(duì)象。五種真菌購買于廣東省微生物菌種保藏中心。由于菌種是 以凍干粉的形式保藏，為了保證菌種活性，需要對(duì)其進(jìn)行活化后才能使用。
[0025]將活化好的真菌進(jìn)行純培養(yǎng)，制成孢子懸浮液，濃度為106cfu/g，將五種真菌孢子 懸浮液分別接種到經(jīng)紫外殺菌過的稻谷樣品中。
[0026]將接種過的稻谷樣品放入恒溫恒濕培養(yǎng)箱內(nèi)進(jìn)行模擬儲(chǔ)藏，采用高溫高濕的條件 儲(chǔ)藏，溫度為30°C，濕度為90%。
[0027] 2.計(jì)算機(jī)視覺圖像采集系統(tǒng)
[0028] 計(jì)算機(jī)視覺系統(tǒng)由計(jì)算機(jī)、相機(jī)、光源、支架和底座組件構(gòu)成，其中，相機(jī)采用的型 號(hào)為NEX-6的索尼相機(jī)，自動(dòng)白平衡，光圈f/9.0,曝光時(shí)間為l/10s，IS0 100,焦距為30mm; 光源有兩條LED燈組成，每條12W，長度為33cm，可手動(dòng)調(diào)節(jié)亮度;底座是由一塊30cm X 30cm X 1. lcm的金屬板組成，底座上有螺孔，用來調(diào)節(jié)和固定支架；電腦型號(hào)為Dell Optiplex 7010，3.4GHz，內(nèi)存8G，顯卡256M GeForce GT240。
[0029] 對(duì)霉變稻谷圖像采集。其中空白組采集120副圖像，五種早期霉變和晚期霉變稻谷 樣品分別采集600副圖像，采集圖像的過程中對(duì)不同種真菌引發(fā)的霉變稻谷進(jìn)行觀察并記 錄。圖像見圖2。
[0030] 3.圖像處理方法
[0031] 圖像處理的目的主要是將每個(gè)稻谷樣品中發(fā)生霉變的稻谷區(qū)域提取出來，為下一 步特征提取做準(zhǔn)備，具體圖像處理如下：
[0032] 1)圖像壓縮：圖像壓縮又稱圖像編碼。由于在圖像采集的原始圖像數(shù)據(jù)量較大且 存在冗余，主要表現(xiàn)為相鄰像素間的相關(guān)性引起的空間冗余及頻譜冗余。圖像壓縮的目的 就是通過去除冗余的數(shù)據(jù)來提高圖像儲(chǔ)存、傳送、處理的速度。
[0033] 2)感興趣區(qū)域提取:對(duì)于霉變稻谷圖像，由于霉變范圍較大，無需對(duì)整幅圖像進(jìn)行 處理，只需要選取某一區(qū)域的霉變圖像進(jìn)行分析和特征提取即可，所以提取感興趣區(qū)域被 用來選取其中一塊作為圖像處理的對(duì)象。
[0034] 3)分量圖可視化:灰度圖像、R分量圖、G分量圖和B分量圖四個(gè)分量圖被提取用來 提取殼度?目息和顏色?目息。
[0035] 4.特征提取
[0036] 1)顏色特征：灰度特征出、出'"!116，紅色分量1?1、1? 2'"1?16、綠色分量61、62'"616、藍(lán)色 分量1?1、132"_1316，共64個(gè)顏色特征數(shù)據(jù)。
[0037] 2)紋理特征:灰度共生矩陣中的角二階矩ASM用來反映了圖像灰度分布的均勻程 度和紋理的粗細(xì)度、能量E與角二階矩相關(guān)的一個(gè)測(cè)度值、對(duì)比度C0N能夠有效檢測(cè)圖像反 差，提取物體邊緣信息，增強(qiáng)線形構(gòu)造等信息、熵ENT它表示了圖像中紋理的非均勻程度或 復(fù)雜程度四個(gè)參數(shù)。
[0038] 3)SPA特征優(yōu)選:對(duì)68個(gè)特征進(jìn)行特征優(yōu)選，其中，在區(qū)分空白與霉變稻谷的特征 選取中，共優(yōu)先出11個(gè)特征數(shù)據(jù)，特征變量集v為1? 4、1?11、1?12、1?13、62、68、612、8 2』9、811』13;在 早期區(qū)分不同種類真菌霉變稻谷的特征選取中，共優(yōu)選出13個(gè)特征數(shù)據(jù)，特征變量集v為 R2、R3、R9、Rll、Rl2、Rl3、Gll、Gl2、Gl3、B7、B8、B9、Bll;在晚期區(qū)分不同種類真菌霉變稻谷的特征選 取中，共優(yōu)選出14個(gè)特征數(shù)據(jù)，特征變量集 Β?ο。
[0039] 5.空白組與霉變組區(qū)分結(jié)果分析
[0040]由表1可以看出，PLSDA模型在建模集和驗(yàn)證集中對(duì)對(duì)照組和霉變稻谷識(shí)別正確率 都達(dá)到90%以上，其中判別誤差主要來源于對(duì)照組與早期霉變稻谷區(qū)分錯(cuò)誤。在建模集中 對(duì)照組有6個(gè)樣品判別為早期霉變稻谷，驗(yàn)證集中4個(gè)樣品判別為早期稻谷。對(duì)照組能夠很 好的與晚期霉變稻谷區(qū)分。總體上基于多特征結(jié)合的PLSDA模型建模集準(zhǔn)確率為89.4%，驗(yàn) 證集準(zhǔn)確率為87.2%。
[0041 ] 表1基于PLSDA模型區(qū)分結(jié)果
[0042]
[0043]由下表2可知，SVM模型在建模集和驗(yàn)證集中對(duì)對(duì)照組和霉變稻谷識(shí)別正確率都達(dá) 到100%。且對(duì)早期霉變和晚期霉變也能較好的區(qū)分，誤差主要來源于少數(shù)晚期霉變稻谷樣 品與早期霉變稻谷的識(shí)別誤差?？傮w上可以看出，SVM模型在基于多特征結(jié)合區(qū)分效果要遠(yuǎn) 遠(yuǎn)高于PLSDA模型，基于多特征結(jié)合的SVM模型建模集準(zhǔn)確率為99.8%，驗(yàn)證集準(zhǔn)確率為 98.8%。其中支持向量機(jī)的參數(shù)為:核函數(shù)為徑向基函數(shù)，核函數(shù)gamma值為0.01，懲罰系數(shù) cost值為1。
[0044] 表2基于SVM模型區(qū)分結(jié)果
[0045]
[0046] 6.五種早期霉變稻谷區(qū)分結(jié)果
[0047]由表3可知，基于PLSDA判別模型中，構(gòu)巢曲霉、黑曲霉、桔青霉和雜色曲霉都有不 錯(cuò)的區(qū)分效果，米曲霉的判別誤差是最主要的因素之一，從表中可以看出，米曲霉在建模集 中有52個(gè)樣品判別為雜色曲霉，驗(yàn)證集中有28個(gè)樣品同樣判別為雜色曲霉。綜合結(jié)果可以 得出，基于PLSDA對(duì)五種真菌早期霉變稻谷的區(qū)分建模集準(zhǔn)確率為76.3%，驗(yàn)證集準(zhǔn)確率為 82%〇
[0048] 表3基于PLSDA模型區(qū)分結(jié)果
[0049]
[0050] 由表4可知，基于SVM判別模型能夠很好的對(duì)五種真菌霉變稻谷區(qū)分，在建模集和 驗(yàn)證集中構(gòu)巢曲霉、黑曲霉、桔青霉三種真菌霉變區(qū)分正確率都達(dá)到100%。誤差主要來源 于米曲霉與雜色曲霉的判別錯(cuò)誤。綜合分析得出，基于SVM對(duì)五種真菌早期霉變稻谷的區(qū)分 建模集準(zhǔn)確率為99.3 %，驗(yàn)證集準(zhǔn)確率為92 %。其中支持向量機(jī)的參數(shù)為:核函數(shù)、為徑向 基函數(shù)，核函數(shù)參數(shù)gamma值為0.01，懲罰系數(shù)數(shù)cos t值為1。
[0051 ] 表4基于SVM模型區(qū)分結(jié)果 [0052]
[0053]
[0054] 7.五種晚期霉變稻谷區(qū)分結(jié)果
[0055] 由表5可以得出，基于PLSDA判別模型對(duì)五種晚期霉變稻谷的區(qū)分結(jié)果相比較于早 期的效果好，其中建模集準(zhǔn)確率達(dá)到96.8%，驗(yàn)證集準(zhǔn)確率達(dá)到92%。米曲霉和雜色曲霉的 識(shí)別正確率有了很大的提高，但判別誤差來源依舊是二種真菌的判別錯(cuò)誤。
[0056] 表5基于PLSDA模型區(qū)分結(jié)果
[0057]
[0058] 由表6可以得知，基于SVM判別模型在對(duì)晚期五種真菌稻谷霉變的建模集區(qū)分正確 率都達(dá)到100%。預(yù)測(cè)集誤差來源于桔青霉和米曲霉，其中桔青霉中2個(gè)樣品為判斷為雜色 曲霉，米曲霉中有10個(gè)樣品被判別為雜色曲霉。其中支持向量機(jī)的參數(shù)為:核函數(shù)為徑向基 函數(shù)，核函數(shù)參數(shù)ga_a值為0.00032，懲罰系數(shù)數(shù)cost值為1。
[0059] 表6基于SVM模型區(qū)分結(jié)果
[0060]
[0061 ] 8.基于SPA特征選取的區(qū)分結(jié)果對(duì)比
[0062]由表7可知，在對(duì)照組與霉變組的區(qū)分結(jié)果比較可知，基于PLSDA模型判別結(jié)果對(duì) 比中，多特征結(jié)合的方式的區(qū)分效果要遠(yuǎn)高于基于SPA特征結(jié)果，但SVM模型判別結(jié)果卻相 差不大，且在基于SPA特征驗(yàn)證集準(zhǔn)確率上高出多特征結(jié)合1.3個(gè)百分點(diǎn)。通過比較也說明 了非線性SVM模型在自我學(xué)習(xí)能力和數(shù)據(jù)分析上要優(yōu)于線性PLSDA判別模型，更適合于對(duì)正 常稻谷和霉變稻谷的區(qū)分。
[0063] 在五種早期霉變稻谷區(qū)分結(jié)果比較可知，基于多特征結(jié)合和SPA特征的PLSDA模型 判別結(jié)果很接近，其中建模集中準(zhǔn)確率同樣為76.3%，驗(yàn)證集中相差0.5個(gè)百分點(diǎn)，非常接 近。在SVM模型中，建模集中基于SPA特征的區(qū)分結(jié)果要優(yōu)于基于多特征結(jié)合的結(jié)果，但驗(yàn)證 集結(jié)果卻相反。同時(shí)結(jié)果也說明了 SVM在對(duì)早期五種真菌稻谷霉變的區(qū)分效果要優(yōu)于PLSDA 模型。
[0064] 在五種晚期霉變稻谷區(qū)分結(jié)果比較可知，基于多特征結(jié)合和SPA特征的PLSDA模型 判別結(jié)果很接近，其中驗(yàn)證集中準(zhǔn)確率同樣為92%，建模集中相差1個(gè)百分點(diǎn)。在SVM模型 中，建模集中基于SPA特征的區(qū)分結(jié)果與基于多特征結(jié)合的結(jié)果一致，同為100%，但驗(yàn)證集 中基于SPA特征結(jié)果要高于基于多特征結(jié)合1個(gè)百分點(diǎn)。
[0065]表7基于SPA特征選取和原始數(shù)據(jù)區(qū)分效果對(duì)比
[0066]
[0068]通過對(duì)比早期霉變區(qū)分和晚期霉變的區(qū)分結(jié)果可以看的出，對(duì)晚期霉變兩種判別 模型識(shí)別正確率均高于早期霉變。其原因可能是早期霉變中五種真菌霉變稻谷之間的霉變 現(xiàn)象還不明顯，易混淆。而五種晚期霉變現(xiàn)象之間的差異更加明顯，比較容易區(qū)分。且不管 是基于多特征結(jié)合還是基于SPA特征篩選的區(qū)分結(jié)果來看，早期霉變還是晚期霉變之間的 區(qū)分結(jié)果都比較接近。一方面說明基于SPA特征選擇的判別分析不僅消除了數(shù)據(jù)冗余、減少 了運(yùn)算量，而且在區(qū)分效果上也有很好的作用。另一方面也說明了 SVM模型在自我學(xué)習(xí)能力 上還是在我調(diào)節(jié)能力上都遠(yuǎn)優(yōu)于PLSDA模型。所以，SVM可用于霉變稻谷檢測(cè)的最佳判別模 型。
【主權(quán)項(xiàng)】
1. 一種稻谷霉變無損檢測(cè)的方法，包括計(jì)算機(jī)視覺圖像采集系統(tǒng)、圖像處理、特征參數(shù) 提取、識(shí)別模型構(gòu)建，其中， 1) 計(jì)算機(jī)視覺系統(tǒng)由計(jì)算機(jī)、相機(jī)、光源、支架和底座組件構(gòu)成，其中，相機(jī)采用的型號(hào) 為NEX-6的索尼相機(jī)，自動(dòng)白平衡，光圈f/9.0，曝光時(shí)間為1 /1 Os，I SO 100，焦距為30mm;光 源有兩條LED燈組成，每條12W，長度為33cm，可手動(dòng)調(diào)節(jié)亮度;底座是由一塊30cm X 30cm X 1. lcm的金屬板組成，底座上有螺孔，用來調(diào)節(jié)和固定支架；電腦型號(hào)為Dell Optiplex 7010、3.4GHz、內(nèi)存8G、顯卡256M GeForce GT240;其中，分別對(duì)空白組、早期霉變和晚期霉 變稻谷進(jìn)行圖像采集； 2) 圖像處理 圖像處理使用的主要算法有圖像歸一化、提取感興趣區(qū)域、轉(zhuǎn)灰度、歸一化灰度直方 圖、R、G、B分量歸一化直方圖提??； 3) 特征參數(shù)提取 ① 分別提取灰度特征1^1、!12"_1116，紅色分量1?1、1?2"_1?16，綠色分量61、62"_616，藍(lán)色分量131、 B2…B16和用來描述紋理特征的灰度共生矩陣中的角二階矩ASM、能量E、對(duì)比度⑶N、熵ENT， 共68個(gè)特征數(shù)據(jù)； ② SPA特征優(yōu)選:對(duì)68個(gè)特征進(jìn)行特征優(yōu)選，其中，在區(qū)分空白與霉變稻谷的特征選取 中，共優(yōu)先出11個(gè)特征數(shù)據(jù)，特征變量集v為1?4、1?11、1?12、1?13、6 2、68、612、82』9、8 11』13;在早期 區(qū)分不同種類真菌霉變稻谷的特征選取中，共優(yōu)選出13個(gè)特征數(shù)據(jù)，特征變量集v為R 2、R3、 1?9、1?11、1?12、1?13、611、6 12、613、87、88、89、811;在晚期區(qū)分不同種類真菌霉變稻谷的特征選取中， 共優(yōu)選出 14個(gè)特征數(shù)據(jù)，特征變量集 v*H13、R!、R9、Rn、R13、Gn、G12、B 2、B3、B4、B5、B7、B8、B10; 4) 識(shí)別模型構(gòu)建 其中，構(gòu)建的支持向量機(jī)模型（SVM)為:將特征變量集v作為輸入值，是否霉變、哪種類 型的霉變作為輸出值，核函數(shù)為徑向基函數(shù)，核函數(shù)參數(shù)gamma值均為0.01，懲罰系數(shù)cost 值為1; 其中，構(gòu)建的偏最小二乘模型(PLSDA)為:將特征變量集v作為輸入值，是否霉變、哪種 類型的霉變作為輸出值。
【文檔編號(hào)】G06K9/32GK105975966SQ201610262700
【公開日】2016年9月28日
【申請(qǐng)日】2016年4月21日
【發(fā)明人】潘磊慶, 王振杰, 屠康, 孫柯, 孫曄, 顧欣哲
【申請(qǐng)人】南京農(nóng)業(yè)大學(xué)