稻谷品质的图像采集与快速检测

本研究将图像采集、快速检测作为分析方法，对稻谷品质展开分析。首先，使用稻谷图像采集系统进行稻谷图像采集，并用步进电机为图像采集系统的自动运行提供动力。其次，对采集到的稻谷图像进行处理，处理内容包括灰度图像转化、去噪与增强，为快速检测奠定基础。最后，对经过处理的稻谷图像展开快速检测，检测内容包括稻谷形态、加工精度、色彩度，由此实现对稻谷品质的检测分析。

1. 稻谷图像采集处理

1.1 灰度图像转化

通过采集系统获得24位真彩色的稻谷图像，图像格式为标准BMP。将BMP图像转换为灰度图像，为特征值提取创造条件。本研究使用R、G、B（红、绿、蓝）表示分量值亮度，且每个像素点的对应字节数量为3个。

1.2 图像去噪与增强

本研究运用5x5邻域二维中值滤波进行去噪处理，利用3x3平面菱形结构元素去除颗粒状噪声。本研究运用经过改进的直方图均衡化算法，增加图像的灰度变化范围，以达到增强图像的效果。

1.3 去背景与二值图像

本研究中获取阈值的方式为最大类间方差法，将经过去噪、增强处理的稻谷图像进行分离处理，分离的部分包括稻谷的独立影像、背景。稻谷图像经阈值化分割后形成一种灰度非二值图像，对此图像进行二值处理后，图像集合性质仅与像素值0或255点位置相关，与像素多集值无关。

2. 稻谷品质快速检测

2.1 稻谷形态检测

本研究选定的稻谷形态评价指标包括长度、宽度、长宽比、长轴、短轴、长短轴比、紧密度等。对稻谷进行检测时，将镜头与检测台的距离控制在60mm，获得稻谷二值图像后，提取稻谷形态参数。稻谷特征参数均值与标准差如表1所示。

2.2 稻谷加工精度判别

本研究使用贝叶斯判别稻谷的加工精度，计算样品落到各子域的概率，由大到小进行排序，在此基础上确定概率最大值作为样品所属类别。本研究的稻谷样本总体数量为4个，分别记作G1、G2、G3、G4，对应先验概率依次为q1、q2、q3、q4，且q1+q2+q3+q4=1，对应密度函数为f1（x）、f2（x）、f3（x）、f4（x）。贝叶斯观测一个样本x属于第g个总体的后验概率，如式（1）所示，判别规则如式（2）所示。

在式（1）中，i=1，2，3，4……当满足式（2）的条件时，说明样品x属于第g个总体。

本研究确定的数据处理方式为SPSS 28.0，根据处理结果确定贝叶斯判别函数组的系数，并在此基础上形成判别函数组。将稻谷纹理特征值代入贝叶斯判别函数，最大函数值为待测样本等级。另取80粒稻谷作为测试样本，以贝叶斯函数为判断方式，明确稻谷加工等级。

本研究分别使用直方图、灰度差分、灰度梯度共生矩阵、游程长度纹理法，对分类函数系数进行统计。其中，直方图统计分类函数系数如表2所示。

2.3 稻谷色彩度分析

2.3.1 感官鉴评。2.3.1.1 研究样本。在稻谷色彩度感官鉴评环节，本研究选择存在色彩度差异的共17种稻谷作为研究样本，每种类型的稻谷各取20g，分别平铺在培养皿中，并对不同种类的稻谷进行编号。2.3.1.2 鉴评人员。参与本次鉴评的17名人员均无感官缺陷，感官灵敏度符合研究要求，且与样本一一对应。2.3.1.3 评分标准。稻谷色彩度感官鉴评标准如表3所示。

2.3.2 机器视觉。2.3.2.1 光源。本研究选择内径尺寸为9.5cm、功率为8w的球形LED灯作为光源。2.3.2.2 稻谷厚度。本研究确定稻谷厚度为9mm。

2.3.3 聚类分析。对样本进行聚类分析，将17个稻谷品种分为34组，每种样品2组，编号为1—34，在此基础上开展色彩度聚类分析。将3、4、6、27、28、31、32归为第一类，色彩度等级为四等；5、11、12、13、14、15、16、23、24、33、34归为第二类，色彩度等级为二等；1、2、9、10、21、22、25、26归为第三类，色彩度等级为一等；7、8、17、18、19、20、29、30归为第四类，色彩度等级为三等；21、22归为第五类，色彩度等级为五等。

3. 结果与分析

3.1 感官鉴评结果分析

鉴评人9、鉴评人11、鉴评人12、鉴评人17的评分值与感官均值均小于0.01，因此不纳入鉴评结果。其余鉴评人的鉴评能力相对较强，能对稻谷色彩度做出可靠、准确的评价，尽管各位鉴评人对同一类稻谷的色彩度评分存在差异，但分值差异均在允许范围内。

3.2 提取色彩度特征

在将米层厚度控制在9mm的情况下，为17种稻谷拍照，每种稻谷拍6张图片。采用随机抽样的方式，选定编号为3、11、14的稻谷，并对其图像进行分析。在RGB彩色空间条件下，分别提取R、G、B的平均值；在HSV彩色空间下，分别提取H、S、V的平均值。

在HSV彩色空间中，将I平均值提取出来，对稻谷图像进行灰度提取，获得灰度平均值记作M。转换稻谷图像的格式，从RGB格式转为HSV格式，并提取其特征值，提取范围包括H（色调）、S（饱和度）、V（明度）。转换关系如式（3）—（5）所示。

将RGB图像转换为HSI图像，将I（亮度）提取出来，转换关系如式（6）所示：

将RGB图像转换为灰度图像，对M值（平均灰度）进行提取，转换关系如式（7）所示：

3.3 图像色彩度特征值分析

沿相同方向为各种稻谷都拍6张照片，取图像特征提取后的平均值。对稻谷色彩度特征参数平均值（表4）进行分析，发现各品种稻谷图像的色彩度特征值存在显著差异。

将稻谷层厚度控制在9mm，对应图像特征值和感官值的相关系数如表5所示。由表5可知，稻谷图像色彩度特征参数与感官评分高度相关，仅S值对应的感官评分值的相关系数为负，其余特征值与感官值的相关系数皆为正。

综上所述，运用图像采集与快速检测法对稻谷品质进行分析，比传统的人工检测效率更高。在对稻谷品质进行实际检测的过程中，应注意控制实验条件，包括稻谷样本的厚度、光源等。稻谷的色彩度、加工精度越高，说明稻谷品质越高，将色彩度、加工精度当作判定稻谷品质的关键标准，对于判定稻谷品质具有重要意义。

作者简介：苏奕龙（1996—），男，汉族，广西北流人，大学本科，研究方向为稻谷检测。