【正文】 立了特征量與肉嫩度等級(jí)間的數(shù)量關(guān)系 [1]。 國外研究進(jìn)展 在國際上，最早將計(jì)算機(jī)視覺技術(shù)用于稻米識(shí)別和分級(jí)檢測(cè)研究出現(xiàn)在 20 世紀(jì)80 年代。從 1983 年開始，日本大學(xué)森島博利用計(jì)算機(jī)視覺對(duì)稻米識(shí)別和分級(jí)進(jìn)行廣泛的研究。其研 究?jī)?nèi)容包括不同品種稻米的識(shí)別方法，同品種稻米中完整米、碎米、異色米、有裂痕米的檢測(cè)和分級(jí)方法，并形成了一整套理論體系。 Travis 根據(jù) 49 種不同的稻谷和草籽輪廓，并結(jié)合種子的長(zhǎng)度，成功地辯別出大多數(shù)谷物的種類 [8]。 Reid等用計(jì)算機(jī)視覺技術(shù)對(duì)稻米米粒的應(yīng)力裂紋進(jìn)行了研究 [9]。 Liu 等利用數(shù)字圖像分析方法對(duì)稻米的碾磨精度進(jìn)行測(cè)量 [10]。 Cardareli 等以圖像的 R、 G、 B 均值作為判別參數(shù)，研究了對(duì)破損米粒的檢測(cè)方法 [11]。 Cardarelli 和 Tao 等利用計(jì)算機(jī)視覺技術(shù)，對(duì)暗箱背景光照進(jìn)行改進(jìn)，實(shí)現(xiàn) 了對(duì)稻米內(nèi)部破損程度的檢測(cè)和估計(jì) [12]。 Wan 等利用機(jī)器視覺技術(shù)開發(fā)出了在線自動(dòng)稻米檢測(cè)系統(tǒng)，對(duì) 16 種糙米表面特征進(jìn)行識(shí)別和分級(jí)，準(zhǔn)確度達(dá)到 91%，平均檢測(cè)速度達(dá)到 1200 粒 /分 [13]。 Lloyd 等使用振動(dòng)臺(tái)和計(jì)算浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文（設(shè)計(jì)） 3 機(jī)視覺技術(shù)開發(fā)出 GrainCheck 系統(tǒng)用于估算實(shí)驗(yàn)室碾磨機(jī)和商業(yè)化碾磨機(jī)碾磨出的稻米整精米率 [14]。 其他農(nóng)產(chǎn)品方面， Slaughter 等利用圖像的色度和亮度信息對(duì)桔子收獲機(jī)械手進(jìn)行導(dǎo)向，建立了一個(gè)利用顏色信息從桔樹上識(shí)別桔子的分類模型 [6]。 Miller 等，在桃分級(jí)研究中，分別采用彩色電 視攝像機(jī)和近紅外線掃描攝像機(jī)采集桃子表面圖像，并得出近紅外區(qū)域獲得的桃的圖像比彩色圖像的分級(jí)效果更好的結(jié)論。 Delwiche 等利用線掃描攝像機(jī)采集干梅脯圖像，獲得各種表面缺陷的光譜特性，并根據(jù)灰度級(jí)變化來確定完好或破損的像素，最終通過單目標(biāo)線性決策函數(shù)來對(duì)干梅脯進(jìn)行分類。 Purchase應(yīng)用計(jì)算機(jī)視覺技術(shù)研究了大麥種子的快速鑒定系統(tǒng) [7]。 1995 年，美國成功研制出Merling 計(jì)算機(jī)視覺水果分級(jí)技術(shù)系統(tǒng)，生產(chǎn)率約為 40t/h，已經(jīng)被廣泛應(yīng)用于蘋果、橘子、桃子及西紅柿等水果的分級(jí)，此技術(shù)已推廣到加拿大等其它 國家 [1]。 Kondo 等提出了檢測(cè)櫻桃西紅柿位置的有效算法 , 并研制出收獲櫻桃西紅柿的機(jī)器人。 Tao 等研制出了基于計(jì)算機(jī)視覺的蘋果檢測(cè)系統(tǒng)，實(shí)現(xiàn)對(duì)蘋果質(zhì)量的快速和全面檢測(cè)。 Reyer等 利用計(jì)算機(jī)視覺技術(shù)，尋找合適的波長(zhǎng)并該波長(zhǎng)下的濾光鏡獲得梨的圖像，然后對(duì)該圖像進(jìn)行分析，從而對(duì)梨的表面損傷進(jìn)行檢測(cè)。 Elster， Goodrum 利用計(jì)算機(jī)視覺技術(shù)對(duì)雞蛋表面裂紋進(jìn)行檢測(cè) [1]。 Liao， Panigrahi 通過對(duì)計(jì)算機(jī)視覺方法實(shí)現(xiàn)對(duì)玉米的顏色、種籽尺寸的質(zhì)量檢測(cè)，為谷物質(zhì)量的自動(dòng)化檢測(cè)系統(tǒng)的工業(yè)化開發(fā)打下了一定的 技術(shù)基礎(chǔ)。 存在的問題 在已有的谷物外觀品質(zhì)檢測(cè)系統(tǒng)中，大部分屬于靜態(tài)檢測(cè)系統(tǒng)。谷物圖像是在靜止的情況下采集的， 對(duì)谷物籽粒的放置方式一般也有要求，籽粒之間要相互分離，不能粘連。 靜態(tài)系統(tǒng)的優(yōu)點(diǎn)在于結(jié)構(gòu)比較簡(jiǎn)單，加工成本和硬件成本低，對(duì)檢測(cè)算法的實(shí)時(shí)性要求不高，易于推廣和使用。靜態(tài)系統(tǒng)的缺點(diǎn)是自動(dòng)化水平低，一般只具備品質(zhì)檢測(cè)的功能，不具備分級(jí)的功能。在檢測(cè)時(shí)，一般需要人工放置待測(cè)樣品 。檢測(cè)完畢后，還需要人工清理檢測(cè)樣品。這種檢測(cè)方法只適用于小批量或抽樣檢測(cè)的場(chǎng)合，無法勝任大批量檢測(cè)的場(chǎng)合 [1]。 在有 些情況下，例如糧食加工部門，待測(cè)的谷物樣品往往是大批量的。這時(shí)，不但要求檢測(cè)設(shè)備具有品質(zhì)檢測(cè)的功能，還要具有在線分級(jí)的功能。另外，對(duì)檢測(cè)設(shè)備基于圖像的稻米外觀 檢測(cè)系統(tǒng)研究 4 自動(dòng)化程度的要求也提高了，檢測(cè)設(shè)備要具有自動(dòng)進(jìn)樣、谷物圖像自動(dòng)采集和分析、樣品自動(dòng)分級(jí)的功能 [1]。因此，研究在線的谷物外觀品質(zhì)檢測(cè)系統(tǒng)是很有意義的。 論文結(jié)構(gòu) 本研究以圖像處理技術(shù)為基礎(chǔ)，以稻米的圖像為對(duì)象，進(jìn)行稻米外觀品質(zhì)檢測(cè)方法的研究。論文的研究?jī)?nèi)容包括： 第 1 章，簡(jiǎn)要論述了圖像處理技術(shù)的整體情況，論文研究的意義及目的，詳細(xì)介紹了 國內(nèi)外的研究進(jìn)展進(jìn)而提出本論 文的研究任務(wù)。 第 2 章，具體介紹了圖像預(yù)處理的有關(guān)算法，包括采用開運(yùn)算進(jìn)行圖像去噪 。以改進(jìn)的最大類間方差法來自動(dòng)確定圖像分割閾值。 第 3 章，具體介紹了稻米外觀品質(zhì)檢測(cè)的有關(guān)算法，包括以最小外接矩形法確定稻米的粒型；基于圖像的稻米整精米率計(jì)算方法。 第 4 章，介紹了 GUI 界面設(shè)計(jì)思路，完成了 GUI 界面的設(shè)計(jì)，使研究結(jié)果更直觀。 第 5 章，對(duì)本論文進(jìn)行總結(jié)，也對(duì)圖像處理技術(shù)進(jìn)行了展望。 浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文（設(shè)計(jì)） 5 第 2 章 稻米圖像預(yù)處理 由于獲得的圖像存在噪聲等因素，不能在檢測(cè)中直接應(yīng)用，必須對(duì)原始圖像進(jìn)行預(yù)處理 ，包括噪聲去除，圖像分割等。本章將重點(diǎn)論述圖像預(yù)處理的基礎(chǔ)知識(shí)，并針對(duì)稻米外觀品質(zhì)檢測(cè)的要求，進(jìn)行結(jié)果演示。 圖像分割 圖像分割是圖像處理中的重要問題，圖像分割結(jié)果的優(yōu)劣直接影響到隨后的圖像分析、理解，目標(biāo)特征的提取與識(shí)別等。 圖像分割的定義 圖像分割就是將圖像中具有特殊含義的不同區(qū)域分開來，這些區(qū)域互相不交叉，每個(gè)區(qū)域都滿足特定區(qū)域的一致性。圖像分割有四種不同的定義形式 [16]： (1) 將圖像分成各個(gè)組成部分； (2) 識(shí)別并形成有相似特性的區(qū)域或特征集； (3) 把目標(biāo)物體從背景中分離出來； (4) 將圖像分成與目標(biāo) 物體有強(qiáng)相關(guān)的部分。 圖像分割將原始圖像轉(zhuǎn)化為比較抽象的形式，使得更高層的分析和理解成為可能[17]。常用的圖像分割方法是把灰度分成不同的等級(jí)，然后用設(shè)置灰度門限的方法來確定有意義的區(qū)域 [18]。 圖像閾值分割 圖像分割技術(shù)是圖像處理中的一種重要技術(shù) ,其中比較常用的一種是利用閾值對(duì)圖像進(jìn)行分割。圖像閾值分割主要利用圖像中要提取的目標(biāo)物體與背景在灰度上的差異 ,把圖像分為具有不同灰度級(jí)的目標(biāo)區(qū)域和背景區(qū)域的組合。利用閾值對(duì)圖像進(jìn)行分割時(shí) ,關(guān)鍵是找到恰當(dāng)?shù)拈撝?,利用閾值將圖像物體和背景區(qū)分開來。 當(dāng)圖像 背景比較單一 ,圖像灰度直方圖明顯呈雙峰分布時(shí) ,采用全局閾值進(jìn)行圖像分割一般可得到比較滿意的結(jié)果。全局閾值圖像分割的方法有多種 ,如直方圖閾值圖像分割、類間差閾值圖像分割、最大熵閾值圖像分割等 . 下面簡(jiǎn)單介紹類間差閾值基于圖像的稻米外觀 檢測(cè)系統(tǒng)研究 6 圖像分割的基本原理 [19]和基于灰度直方圖的閾值分割 [20]。 基于最大類間方差法的閾值分割 [19] 最大類間方差法（ Otsu）是 自動(dòng)的非參數(shù)非監(jiān)督的閾值選擇法，被認(rèn)為是圖像分割閾值自動(dòng)選取的最優(yōu)方法之一，具有運(yùn)算簡(jiǎn)單，速度快，穩(wěn)定有效等優(yōu)點(diǎn) 。最大類間方差法主要依據(jù)是概率統(tǒng)計(jì)和最小二 乘法原理，該方法的 判決準(zhǔn)則是基于圖像直方圖一階統(tǒng)計(jì)特性 ，其主要思想 為 選取灰度值 t，以它為界將灰度范圍為 {0,1,…,L1}圖像分為背景和目標(biāo)兩類， ip 為灰度 i 出現(xiàn)的概率，背景部分的概率為 ???ti iptw 00 )( ，目標(biāo)部分的概率為 ?????111 )(Lti iptw ，背景部分的均值 ???ti i twipt 0 00 )(/)(? ，目標(biāo)部分的均值 ?????11 11 )(/)(Lti i twipt? 。類 間方差的計(jì)算公式如下： 21010 ))()()(()()( tttwtwtd ?? ?? （ 21） 當(dāng)方差 )(td 最大值時(shí)， t 為最佳分割閾值。 基于灰度直方圖的閾值分割 [20] 利用圖想灰度直方圖的特性確定分割閾值方法的原理是如果圖像所包括的背景區(qū)域與所分的目標(biāo)區(qū)域大小可比，而且兩者在灰度上有著明顯的區(qū)別，那么這樣的圖像的灰度直方圖就會(huì)呈現(xiàn)很明顯的雙 峰裝。這樣，其中一個(gè)峰值對(duì)應(yīng)的是背景區(qū)域的灰度；而另一個(gè)峰值就對(duì)應(yīng)的目標(biāo)灰度了。理想中的圖像的灰度直方圖，其背景灰度和目標(biāo)灰度應(yīng)該對(duì)應(yīng)兩個(gè)不同的灰度峰值，所以選取位于兩峰之間的谷值作為閾值，就很快地將一副圖像的背景與目標(biāo)分割開了。 由于稻米圖像的背景和目標(biāo)區(qū)別明顯，背景單一，對(duì)此圖像進(jìn)行分割可以用最大類間方差法，也可以用直方圖法進(jìn)行。實(shí)驗(yàn)結(jié)果如圖 21 所示。 浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文（設(shè)計(jì)） 7 (a)稻米原圖像 (b)Otsu 法分割 (c)灰度直方圖 (d)直方圖法 圖 21 圖像分割 從實(shí)驗(yàn)的結(jié)果來看，對(duì)于目標(biāo)與背景區(qū)別明顯的圖像，最大類間方差法與直方圖法都能將圖像很好的分割，但對(duì)于一些復(fù)雜的圖像而言，以上方法就不一定能很好的處理了，更先進(jìn)的分割算法將不在這里贅述。 圖像去噪 噪聲的定義為“不可預(yù)測(cè)，只能用概率統(tǒng)計(jì)方法來認(rèn)識(shí)的隨機(jī)誤差”，可以理解為“妨礙人們感覺器官對(duì)所接受的信源信息理解的因素” [15]。在圖像采集和傳輸?shù)倪^程中，都容易引入噪聲信號(hào)。在計(jì)算機(jī) 視覺檢測(cè)過程中，為了提高檢測(cè)精度，有必要首先對(duì)噪聲進(jìn)行濾除。 本論文運(yùn)用數(shù)學(xué)形態(tài)學(xué)的原理，采用開運(yùn)算對(duì)圖像進(jìn)行噪聲的去除，首先介紹數(shù)學(xué)形態(tài)學(xué)的有關(guān)基礎(chǔ)知識(shí)。 基于圖像的稻米外觀 檢測(cè)系統(tǒng)研究 8 形態(tài)學(xué)（ Morphology）一般指生物學(xué)中研究動(dòng)物和植物結(jié)構(gòu)的一個(gè)分支，用光數(shù)學(xué)形態(tài)學(xué)表示以形態(tài)學(xué)為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具?；舅悸肥怯镁哂幸欢ㄐ螒B(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。形態(tài)學(xué)圖像處理的數(shù)學(xué)基礎(chǔ)和所用語言是集合論。形態(tài)學(xué)圖像處理的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形狀特性，并除去不相干的結(jié)構(gòu)。形態(tài) 學(xué)圖像處理的基本運(yùn)算有4 個(gè)：腐蝕、膨脹、開運(yùn)算和閉運(yùn)算 [21]。 腐蝕 腐蝕是數(shù)學(xué)形態(tài)學(xué)最基本的運(yùn)算，表示用某種“探針”（即某種形狀的結(jié)構(gòu)元素）對(duì)一個(gè)圖像進(jìn)行探測(cè)，以便找出在圖像內(nèi)部可以放下該結(jié)構(gòu)元素的區(qū)域。集合 A 被結(jié)構(gòu)元素 B 腐蝕，表示為 BA? ，定義為： }:{ AxBxBA ???? （ 22） 其中， ? 表示子集關(guān)系， A為輸入元素， B 為結(jié)構(gòu)元素。 BA? 由將 B 平移 x 但仍包含在 A內(nèi)的所有點(diǎn) x 組成。 如果原點(diǎn)在結(jié)構(gòu)元素的內(nèi)部，腐蝕具有收縮輸入圖像的作用，如圖 22 所示。 圖 22 腐蝕運(yùn)算 膨脹 膨脹是腐蝕運(yùn)算的逆運(yùn)算，可以通過對(duì)補(bǔ)集的腐蝕來定義。 A 被 B 膨脹表示為BA? ，定義為： }:{ BbbABA ???? ? （ 23） 膨脹運(yùn)算具有擴(kuò)大輸入圖像的作用，如圖 23 所示。膨脹運(yùn)算后可填充圖像中相A A? B B 浙江理工大學(xué)信息電子學(xué)院本科畢業(yè)論文（設(shè)計(jì)） 9 對(duì)結(jié)構(gòu)元素較小的孔洞及在圖像邊緣處的小凹陷部分。 圖 23 膨脹運(yùn)算 在對(duì)圖像進(jìn)行腐蝕或膨脹運(yùn)算時(shí)，結(jié)構(gòu)元素的大小和形狀對(duì)操作結(jié)果會(huì)產(chǎn)生不同的影響，如何選擇合適的結(jié)構(gòu)元素是形態(tài)學(xué)應(yīng)用的關(guān)鍵。 開運(yùn)算 利用結(jié)構(gòu)元素 B 對(duì)集合 A做開運(yùn)算，表示為 BA? ，定義為： BBABA ??? )(? （