一種基于高光譜圖像技術區分大米產地的檢測方法
【專利摘要】本發明公開了一種基于高光譜圖像技術區分大米產地的檢測方法，包括以下步驟：（1)黑白板校正：(2)訓練過程：先采集訓練樣本圖像，再對樣板圖像進行校正、提取感興趣區域、特征提取，所述特征包括每個產地大米樣本的堊白粒率、每個大米顆粒的長寬比和15個紋理特征值，再用概率神經網絡PNN方法建立預測模型；（3)對待測大米樣品進行測試。本發明的檢測方法快速、穩定，并且同時有效地提高了分類的準確度。
【專利說明】-種基于高光譜圖像技術區分大米產地的檢測方法
【技術領域】
[0001] 本發明涉及高光譜技術的引用領域，特別涉及一種基于高光譜圖像技術區分大米 產地的檢測方法。
【背景技術】
[0002] 大米是我國重要的糧食品種之一，是我國絕大多數人的主要主食，同時也是我國 主要的出口產品，在我國有很多地區種植大米。
[0003] 不同產地的大米由于地理環境和自然環境的影響，含有的營養物質及體現的外觀 特點不同。大米的產地是影響其營養價值和經濟價值的一個很重要的因素。南方地區所產 的大米由于天氣及地理原因是一年兩熟或者三熟，從而不能吸收并儲存足夠的營養物質。 東北地區生產的大米是則是一年僅僅一熟，所以含有較多的蛋白質、維生素、礦物質和脂類 等物質，營養價值相對較高，而且口感相對更加香醇，因而更易被消費者接受，經濟價值更 商。
[0004] 和大米的產地息息相關的因素有很多，包括粒形、堊白粒率、紋理等外觀因素。大 米的粒型包含了大米顆粒的長度、寬度及長寬比等，與大米的產地有著不可分割的關系。而 且可以用來進一步分析整精米率（米粒長度占平均長度的比例）。胚乳中有白色（包括腹 白、心白和背白）不透明部分的米粒為堊白粒，是大米顆粒上的一種殘缺，對大米的外觀品 質有很大的影響，和大米的產地有著密切的關系。堊白粒占試樣米粒數的百分率為堊白粒 率，而且同時堊白會影響大米的透明度。大米顆粒的透明度很難直接測定，但是往往可以依 據堊白度來間接得到。大米的透明度和大米顆粒的腹白有關。而堊白即包括腹白，心白和 背白。對于堊白來說主要是腹白，其次是心白（含量很少），而背白相對更少，因此堊白度的 多少基本可以等同于腹白的多少。腹白少則說明米粒的含水率低，而含水率低表明米粒中 所含的蛋白質含量高，蛋白質的含量則可以直接反應透明度。所以利用堊白多少即可以代 替腹白的多少，以此來評價大米顆粒的透明度。大米的紋理是指顆粒表面的特征，不同產地 的大米由于土地成分，陽光照耀及水分，溫度等自然因素的影響，紋理特征上會存在一定的 差距。
[0005] 高光譜成像是一門新興的快速、無損檢測技術，它融合了傳統的成像技術和光譜 學，在農畜水產品品質檢測方面具有巨大的潛力和優勢。目前，谷物的品質檢測等方面都有 采用高光譜技術的報道。如發明專利CN200610097857. 5公布了一種基于高光譜圖像技術 的農畜產品無損檢測方法及裝置；中國發明專利CN20132018804公布了基于高光譜圖像技 術的大米品質在線無損檢測裝置。然而需要指出的是，大米產地的不同對大米顆粒屬性有 很大的影響。同時，很多因素共同反應了產地區別，僅用單一因素很難加以區分。
【發明內容】
[0006] 為了克服現有技術的上述缺點與不足，本發明的目的在于提供一種基于高光譜圖 像技術區分大米產地的檢測方法，操作簡單方便，且準確率高。
[0007] 本發明的目的通過以下技術方案實現：
[0008] -種基于高光譜圖像技術區分大米產地的檢測方法，包括以下步驟：
[0009] (1)黑白板校正：用標準白板采集全白標定圖像W，將鏡頭蓋蓋上采集全黑標定圖 像B ;
[0010] ⑵訓練過程：
[0011] (2-1)采集訓練樣本圖像：取η個產地的大米，在每個產地的大米隨機選取多個大 米顆粒，作為該產地的大米樣本；
[0012] 將每個產地的大米樣本平鋪無重疊擺好，采集每個產地的大米樣本的高光譜圖 像；
[0013] (2-2)校正高光譜圖像：設大米樣本高光圖圖像為L，則校正后的高光譜圖像I 為：
[0014] I = (I〇-B)/(ff-B)；
[0015] (2-3)對每個校正后的大米樣本的高光譜圖像進行感興趣區域提取；
[0016] (2-4)對步驟（2-3)提取到的感興趣區域，在MATLAB中計算每個產地大米樣本的 堊白粒率、每個大米樣本中每個大米顆粒的長寬比，同時利用灰度梯度共生矩陣提取每個 大米樣本中每個大米顆粒的15個紋理特征值；所述15個紋理特征值包括小梯度優勢，大梯 度優勢，灰度分布的不均勻性，梯度分布的不均勻性，能量，灰度平均，梯度平均，灰度均方 差，梯度均方差，相關，灰度熵，梯度熵，混合熵，慣性和逆差矩；
[0017] (2-6)建立預測模型：使用概率神經網絡PNN方法建立預測模型，采用三層BP結 構，包括輸入層、隱藏層和輸出層；輸入層為每個產地大米樣本的堊白粒率、每個大米樣本 中每個大米顆粒的長寬比和每個大米樣本中每個大米顆粒15個紋理特征值，輸出層為大 米的產地；進行概率神經網絡訓練，得到預測模型；
[0018] ⑶測試過程：
[0019] (3-1)隨機選取某一產地的多個待測大米顆粒作為待測大米樣品，采集待測大米 樣品的高光譜圖像，并進行校正；
[0020] (3-2)對校正后的待測大米樣品的高光譜圖像進行感興趣區域提取；
[0021] (3-3)對步驟（3-2)提取到的感興趣區域，在MATLAB中計算待測大米樣品的堊白 粒率、待測大米樣品中每個大米顆粒的長寬比，同時利用灰度梯度共生矩陣提取待測大米 樣品中每個大米顆粒的15個紋理特征值；
[0022] (3-4)將待測大米樣品的堊白粒率、待測大米樣品中每個大米顆粒的長寬比，每個 大米顆粒的15個紋理特征值輸入步驟（2)得到的預測模型中，得到大米產地的檢測結果。
[0023] 步驟（2-3)所述對每個校正后的大米樣本的高光譜圖像進行感興趣區域提取，具 體為：
[0024] 首先利用開閉運算去除正后的大米樣本的高光譜圖像中的噪音，再利用最大類間 方差法獲取背景和調節對比度，利用灰度直方圖獲取大米顆粒的分割閾值，將大米顆粒從 背景中提取出來；隨后將圖像二次去噪，采用灰度直方圖均衡化算法后轉化為二值圖像； 利用大津算法和八鄰域聯通標記找到每粒大米顆粒對應的所有像素點，從而將每粒米粒提 取出來放到預先做好的小矩形模塊中，得到分割后的二值化圖像。
[0025] 步驟（2-4)所述在MATLAB中計算每個產地大米樣本的堊白粒率，具體為：
[0026] 將步驟（2-3)得到的分割后的二值化圖像進行3*3腐蝕膨脹運算去噪音，對分割 后的二值化圖像中的大米連通區域進行計數，對大米連通區域進行八鄰域邊緣跟蹤，再對 大米連通區域內部進行像素填充的標號計數的方法，標記統計所有目標對象相同灰度的像 素點數，利用直方圖均衡算法獲得堊白分割的最佳閾值，隨后對大米連通區域進行閾值化 處理，將堊白區從大米連通區域中提取出來；在進行堊白區分割的同時統計出大米總粒數 和堊白米粒數，利用堊白米粒數和大米總粒數的比值確定堊白粒率。
[0027] 步驟（2-4)所述每個大米樣本中每個大米顆粒的長寬比，計算過程如下：
[0028] 通過對步驟（2-3)得到的分割后的二值化圖像進行八連通鄰域標記，再利用 MATLAB中自帶的提取特征的函數regionprops提取圖像的特征屬性，獲得的大米的特征值 中包含大米顆粒的長軸長度和短軸寬度特征，大米顆粒的長寬比即為長軸長度和短軸寬度 的比值。
[0029] 步驟（2-4)所述每個大米樣本中每個大米顆粒的15個紋理特征值，具體提取過程 如下：
[0030] 通過讀取感興趣區域的最大和最小像素點，將灰度圖像轉化為灰度共生矩陣，將 其歸一化，再形成灰度梯度共生矩陣，最后將灰度梯度共生矩陣歸一化，然后提取15個紋 理特征值。
[0031] 與現有技術相比，本發明具有以下優點和有益效果：
[0032] (1)本發明的方法基于大米粒形，堊白粒率和紋理特征三個指標綜合起來區分大 米的產地，與單一指標相比，建立的模型系統的穩健性更好和準確性率更高。
[0033] (2)本發明的方法可將大米產地用可視化的圖像表現出來，直觀清晰。
[0034] (3)本方法只需掃描大米顆粒樣品，代入編寫好的概率神經網絡，即可得檢測結 果，方便、快捷；不需要測量任何理化指標，也不需要重新編寫程序。
【專利附圖】
【附圖說明】
[0035] 圖1為實現本發明的實施例的高光譜圖像技術區分大米產地的檢測方法的裝置 示意圖。
[0036] 圖2為本發明的實施例的神經網絡結構圖。
【具體實施方式】
[0037] 下面結合實施例，對本發明作進一步地詳細說明，但本發明的實施方式不限于此。
[0038] 實施例
[0039] 本實施例中所用的高光譜儀由近紅外光譜儀（芬蘭Spectral Imaging有限公司， 波長900-2500 nm，波長分辨率是6nm)和CCD相機（比利時Xenics Infrared Solutions 公司，像素是320X300)構成。
[0040] 圖1為實現本實施例的高光譜圖像技術區分大米產地的檢測方法的裝置示意圖， 包括相機1，攝像頭2,鏡頭3,光源4,大米檢測樣品5,上下升降臺6,傳送帶7和電腦8。整 套系統放在黑色的密閉鐵柜中，以避免圖像采集時光線，強風等環境因素的影響。
[0041] 本實施例的高光譜圖像技術區分大米產地的檢測方法，包括以下步驟：
[0042] (1)黑白板校正：用標準白板采集全白標定圖像W，將鏡頭蓋蓋上采集全黑標定圖 像B。
[0043] ⑵訓練過程：
[0044] (2-1)采集訓練樣本圖像：取3個產地的大米（湖南，廣東和東北），在每個產地的 大米隨機選取的50個大米顆粒，作為該產地的大米樣本；
[0045] 將每個產地的大米樣本平鋪無重疊擺好，放在上下升降臺上，關上柜門打開光源， 相機，攝像頭，鏡頭和電腦軟件后隨著傳送帶的移動采集每個產地的大米樣本的高光譜圖 像。
[0046] (2-2)校正高光譜圖像：設大米樣本高光圖圖像為L，則校正后的高光譜圖像I 為：
[0047] I = (I0-B)/(ff-B) 〇
[0048] (2-3)對每個校正后的大米樣本的高光譜圖像進行感興趣區域提取，具體為：
[0049] 首先利用開閉運算去除正后的大米樣本的高光譜圖像中的噪音，再利用最大類間 方差法獲取背景和調節對比度，利用灰度直方圖獲取大米顆粒的分割閾值，將大米顆粒從 背景中提取出來；隨后將圖像二次去噪，采用灰度直方圖均衡化算法后轉化為二值圖像； 利用大津算法和八鄰域聯通標記找到每粒大米顆粒對應的所有像素點，從而將每粒米粒提 取出來放到預先做好的小矩形模塊中，得到分割后的二值化圖像。
[0050] (2-4)對步驟（2-3)提取到的感興趣區域，在MATLAB中計算每個產地大米樣本的 堊白粒率、每個大米樣本中每個大米顆粒的長寬比，同時利用灰度梯度共生矩陣提取每個 大米樣本中每個大米顆粒的15個紋理特征值；所述15個紋理特征值包括小梯度優勢，大梯 度優勢，灰度分布的不均勻性，梯度分布的不均勻性，能量，灰度平均，梯度平均，灰度均方 差，梯度均方差，相關，灰度熵，梯度熵，混合熵，慣性和逆差矩。
[0051] 大米顆粒的堊白粒率利用MATLAB中自帶的二值圖像物體的面積計算函數bwarea 獲取堊白面積和總面積，最終利用堊白面積和總面積的比值為堊白度。新國標堊白粒率 為堊白粒占試樣米粒的百分率。每個產地大米樣本的堊白粒率的計算方法如下：將步驟 (2-3)得到的分割后的二值化圖像進行3*3腐蝕膨脹運算去噪音，對分割后的二值化圖像 中的大米連通區域進行計數，對大米連通區域進行八鄰域邊緣跟蹤，，再對大米連通區域內 部進行像素填充的標號計數的方法，標記統計所有目標對象相同灰度的像素點數，利用改 進后的直方圖均衡算法獲得堊白分割的最佳閾值，隨后對大米連通區域進行閾值化處理， 將堊白區從大米連通區域中提取出來；在進行堊白區分割的同時統計出大米總粒數和堊白 米粒數，利用堊白米粒數和大米總粒數的比值確定堊白粒率。
[0052] 每個大米樣本中每個大米顆粒的長寬比，計算過程如下：通過對步驟（2-3)得 到的分割后的二值化圖像進行八連通鄰域標記，再利用MATLAB中自帶的提取特征的函數 regionprops提取圖像的特征屬性，獲得的大米的特征值中包含大米顆粒的長軸長度和短 軸寬度特征，大米顆粒的長寬比即為長軸長度和短軸寬度的比值。
[0053] 每個大米樣本中每個大米顆粒的15個紋理特征值，具體提取過程如下：
[0054] 通過讀取感興趣區域的最大和最小像素點，將灰度圖像轉化為灰度共生矩陣，將 其歸一化，再形成灰度梯度共生矩陣，最后將灰度梯度共生矩陣歸一化，然后提取15個紋 理特征值。
[0055] (2-6)建立預測模型：使用概率神經網絡PNN方法建立預測模型，采用三層BP結 構（如圖2所示），輸入層為每個產地大米樣本的堊白粒率、每個大米樣本中每個大米顆粒 的長寬比和每個大米樣本中每個大米顆粒的15個紋理特征值，隱藏層包含神經元數由網 絡根據產地個數自適應確定（本實施例為5個神經元H1?H5)，輸出層為大米的產地；進 行概率神經網絡訓練，得到預測模型；
[0056] 概率神經網絡訓練的過程如下：首先要將大米顆粒的長寬比，堊白粒率和15個紋 理特征值進行歸一化處理，從而使所有的輸入集數據在同一個數量級上，避免大數據起決 定性作用的影響。首先選取200個大米樣本為訓練模型數據，50個大米樣本為驗證模型數 據；再將期望類別指針轉換為向量；隨后使用newpnn函數建立PNN，對于Spread的選取值 為〇. 1 ;再利用Sim函數進行網絡預測，將訓練數據帶回，查看網絡的分類效果；隨后再通過 作圖觀察網絡對訓練數據的分類效果，通過以上基于PNN的變壓器故障診斷的概率神經網 絡進行大米的分類。
[0057] ⑶測試過程：
[0058] (3-1)隨機選取某一產地的多個待測大米顆粒作為待測大米樣品，采集待測大米 樣品的高光譜圖像，并進行校正；
[0059] (3-2)對校正后的待測大米樣品的高光譜圖像進行感興趣區域提取；
[0060] (3-3)對步驟（3-2)提取到的感興趣區域，在MATLAB中計算待測大米樣品的堊白 粒率、待測大米樣品中每個大米顆粒的長寬比，同時利用灰度梯度共生矩陣提取待測大米 樣品中每個大米顆粒的15個紋理特征值；
[0061] (3-4)將待測大米樣品的堊白粒率、待測大米樣品中每個大米顆粒的長寬比，每個 大米顆粒的15個紋理特征值輸入步驟（2)得到的預測模型中，得到大米產地的檢測結果， 將辨別出的3種不同產地的大米分別用3種顏色表示（紅，綠，藍），得到大米產地的分類 圖。檢測結果的測定標準是：長寬比在2-3之間，堊白粒率> 0. 1為湖南米，長寬比> 3,堊 白粒率在0.05-0. 1為廣東米，長寬比< 2,堊白粒率< 0.05為東北米。由于紋理特征是有 15個因素共同決定的，所以沒有具體的類別數據標準。最終是用長寬比，堊白粒率和紋理特 征共同代入概率神經網絡進行預測。
[0062] 上述實施例為本發明較佳的實施方式，但本發明的實施方式并不受所述實施例的 限制，其他的任何未背離本發明的精神實質與原理下所作的改變、修飾、替代、組合、簡化， 均應為等效的置換方式，都包含在本發明的保護范圍之內。
【權利要求】
1. 一種基于高光譜圖像技術區分大米產地的檢測方法，其特征在于，包括以下步驟： (1)黑白板校正：用標準白板采集全白標定圖像W，將鏡頭蓋蓋上采集全黑標定圖像 B ； ⑵訓練過程： (2-1)采集訓練樣本圖像：取η個產地的大米，在每個產地的大米隨機選取多個大米顆 粒，作為該產地的大米樣本； 將每個產地的大米樣本平鋪無重疊擺好，采集每個產地的大米樣本的高光譜圖像； (2-2)校正高光譜圖像：設大米樣本高光圖圖像為L，則校正后的高光譜圖像I為： I = (I〇-B)/(ff-B)； (2-3)對每個校正后的大米樣本的高光譜圖像進行感興趣區域提取； (2-4)對步驟（2-3)提取到的感興趣區域，在MATLAB中計算每個產地大米樣本的堊白 粒率、每個大米樣本中每個大米顆粒的長寬比，同時利用灰度梯度共生矩陣提取每個大米 樣本中每個大米顆粒的15個紋理特征值；所述15個紋理特征值包括小梯度優勢，大梯度優 勢，灰度分布的不均勻性，梯度分布的不均勻性，能量，灰度平均，梯度平均，灰度均方差，梯 度均方差，相關，灰度熵，梯度熵，混合熵，慣性和逆差矩； (2-6)建立預測模型：使用概率神經網絡PNN方法建立預測模型，采用三層BP結構，包 括輸入層、隱藏層和輸出層；輸入層為每個產地大米樣本的堊白粒率、每個大米樣本中每個 大米顆粒的長寬比和每個大米樣本中每個大米顆粒15個紋理特征值，輸出層為大米的產 地；進行概率神經網絡訓練，得到預測模型； (3)測試過程： (3-1)隨機選取某一產地的多個待測大米顆粒作為待測大米樣品，采集待測大米樣品 的高光譜圖像，并進行校正； (3-2)對校正后的待測大米樣品的高光譜圖像進行感興趣區域提取； (3-3)對步驟（3-2)提取到的感興趣區域，在MATLAB中計算待測大米樣品的堊白粒率、 待測大米樣品中每個大米顆粒的長寬比，同時利用灰度梯度共生矩陣提取待測大米樣品中 每個大米顆粒的15個紋理特征值； (3-4)將待測大米樣品的堊白粒率、待測大米樣品中每個大米顆粒的長寬比，每個大米 顆粒的15個紋理特征值輸入步驟（2)得到的預測模型中，得到大米產地的檢測結果。
2. 根據權利要求1所述的基于高光譜圖像技術區分大米產地的檢測方法，其特征在 于，步驟（2-3)所述對每個校正后的大米樣本的高光譜圖像進行感興趣區域提取，具體為： 首先利用開閉運算去除正后的大米樣本的高光譜圖像中的噪音，再利用最大類間方差 法獲取背景和調節對比度，利用灰度直方圖獲取大米顆粒的分割閾值，將大米顆粒從背景 中提取出來；隨后將圖像二次去噪，采用灰度直方圖均衡化算法后轉化為二值圖像；利用 大津算法和八鄰域聯通標記找到每粒大米顆粒對應的所有像素點，從而將每粒米粒提取出 來放到預先做好的小矩形模塊中，得到分割后的二值化圖像。
3. 根據權利要求2所述的基于高光譜圖像技術區分大米產地的檢測方法，其特征在 于，步驟（2-4)所述在MATLAB中計算每個產地大米樣本的堊白粒率，具體為： 將步驟（2-3)得到的分割后的二值化圖像進行3*3腐蝕膨脹運算去噪音，對分割后的 二值化圖像中的大米連通區域進行計數，對大米連通區域進行八鄰域邊緣跟蹤，再對大米 連通區域內部進行像素填充的標號計數的方法，標記統計所有目標對象相同灰度的像素點 數，利用直方圖均衡算法獲得堊白分割的最佳閾值，隨后對大米連通區域進行閾值化處理， 將堊白區從大米連通區域中提取出來；在進行堊白區分割的同時統計出大米總粒數和堊白 米粒數，利用堊白米粒數和大米總粒數的比值確定堊白粒率。
4. 根據權利要求2所述的基于高光譜圖像技術區分大米產地的檢測方法，其特征在 于，步驟（2-4)所述每個大米樣本中每個大米顆粒的長寬比，計算過程如下： 通過對步驟（2-3)得到的分割后的二值化圖像進行八連通鄰域標記，再利用MATLAB中 自帶的提取特征的函數regionprops提取圖像的特征屬性，獲得的大米的特征值中包含大 米顆粒的長軸長度和短軸寬度特征，大米顆粒的長寬比即為長軸長度和短軸寬度的比值。
5. 根據權利要求2所述的基于高光譜圖像技術區分大米產地的檢測方法，其特征在 于，步驟（2-4)所述每個大米樣本中每個大米顆粒的15個紋理特征值，具體提取過程如 下： 通過讀取感興趣區域的最大和最小像素點，將灰度圖像轉化為灰度共生矩陣，將其歸 一化，再形成灰度梯度共生矩陣，最后將灰度梯度共生矩陣歸一化，然后提取15個紋理特 征值。
【文檔編號】G01N21/25GK104215584SQ201410438820
【公開日】2014年12月17日 申請日期:2014年8月29日 優先權日:2014年8月29日
【發明者】孫大文, 王璐, 曾新安, 劉丹 申請人:華南理工大學