基于计算机视觉的猴头菇无损检测分级方法

摘要

本发明涉及一种猴头菇的无损检测分级方法，属于食品检验技术领域。该方法包括从猴头菇图像中特征参数提取、建立相应的判别函数、猴头菇无损检测分级各步骤。与人工分级相比，本发明不仅可以实现猴头菇快速、准确的检测，而且完全避免了损伤，使现有分级指标得到完善并量化，即以猴头菇颜色、大小以及形状三个良好指标作为猴头菇的分级指标，为猴头菇产业化生产过程提供了更为科学的分级标准。

权利要求

1.一种基于计算机视觉的猴头菇无损检测分级方法，其特征在于包括以下步骤：第一步、特征参数提取——摄取作为训练样本的猴头菇菌盖俯视图像，进行提取特征因素的预处理后，提取颜色特征因素、大小特征因素、形状特征因素；所述颜色特征因素至少含有R、G、B均值之一，所述大小特征因素至少含有面积、周长、径长之一，所述形状特征因素至少含有圆形度、偏心率之一；

第二步、建立相应的判别函数——以猴头菇等级为因变量，以提取的颜色特征因素、大小特征因素、形状特征因素为自变量，按照判别分析准则、通过训练，构建猴头菇分级模型的判别函数；

第三步、猴头菇无损检测分级——摄取作为待检样本的猴头菇菌盖俯视图像，进行提取特征因素的预处理后，提取与分级模型相应的颜色特征因素、大小特征因素、形状特征因素；将相应数值分别代入构建的分级模型判别函数，通过比较各级判别函数计算结果，确定待检样本猴头菇的分级；

所述第一步的摄取图像包括在作为目标物的猴头菇一侧放置参照物，所述提取大小特征因素采取对黑白图像中的像素值进行统计，借助下式得到猴头菇的面积所述第三步的提取形状特征因素采用下式求得菌盖偏心率：

式中：P——菌盖偏心率；

Dmax——菌盖最大直径；

Dmin——菌盖最小直径。

2.根据权利要求1所述的基于计算机视觉的猴头菇无损检测分级方法，其特征在于：摄取作为训练样本的猴头菇菌盖俯视真彩图像后的预处理包括：灰度化——将摄取的真彩图像转换为灰度图像；

降噪——中值滤波消除图像中的噪声，使其成为平滑图像；

二值化——将平滑图像上的像素点灰度值设置为0、255，使其成为只有黑白图像；

边缘提取——将图像灰度变化突变处作为边缘轮廓。

3.根据权利要求2所述的基于计算机视觉的猴头菇无损检测分级方法，其特征在于：所述提取颜色特征因素从中值滤波降噪处理后的平滑图像中求取R像素平均值。

4.根据权利要求3所述的基于计算机视觉的猴头菇无损检测分级方法，其特征在于：采用Fisher判别准则构建猴头菇分级模型，以R像素平均值、面积S、菌盖偏心率P三个特征参数为自变量，以猴头菇的等级为因变量，构建Fisher分类三级模型判别函数。

5.根据权利要求4所述的基于计算机视觉的猴头菇无损检测分级方法，其特征在于：将待检样本猴头菇预处理后提取的R像素平均值、面积S、菌盖偏心率P值分别代入所述三级模型判别函数，并比较计算结果的数据，以最大值对应的等级作为待检样本猴头菇的分级结果。

说明书

基于计算机视觉的猴头菇无损检测分级方法

技术领域

[0001] 本发明涉及一种食用菌的无损检测分级方法，尤其是一种猴头菇的无损检测分级方法，属于食品检验技术领域。

背景技术

[0002] 猴头菇，又名猴头、猴蘑、刺猬菌，不仅菌肉鲜嫩，香醇可口，还具有较高的营养价值和药用价值。随着消费市场的扩大以及社会经济的快速发展，猴头菇的生产模式逐渐工厂化。

[0003] 工厂化的生产不仅提高了猴头菇的质量与产量，同时还降低劳动成本，可以全天候生产。但是，猴头菇品质检测仍然停留在人工感官检测的原始阶段，不仅主观评定不仅效率低、误差大，还易受到许多条件的影响。最重要的是这种感官评定大多还停留在定性判断的阶段，其客观性和准确性较差。

[0004] 计算机视觉是指用计算机代替人眼对目标进行识别、跟踪和测量。近年来，将计算机视觉应用于农副产品检测和分级方面的研究主要是集中于水果和蔬菜上面。例如1985年，Sarkar等学者便利用计算机视觉以及图像信息处理技术来描述西红柿的形状，但算法过于冗长，运行速度慢；又如Woo Chaw Seng等学者以面积、周长、颜色作为水果分类的指标，成功识别与分类了6种水果。我国第一台自主研发的水果品质实时监测与分级的生产线由浙江大学应义斌等学者研制出来了，可以同时检测多种水果大小、颜色、形状等参数。

[0005] 然而食用菌方面的相关研究较少且零散。据申请人了解，尚无基于计算机视觉的猴头菇检测方法。

发明内容

[0006] 本发明的目的在于：提出一种基于计算机视觉的猴头菇无损检测分级方法，从而为猴头菇的无损检测分级提供科学手段，切实满足工业化生产的需要。

[0007] 为了达到上述目的，本发明基于计算机视觉的猴头菇无损检测分级方法基本技术方案包括以下步骤：

[0008] 第一步、特征参数提取——摄取作为训练样本的猴头菇菌盖俯视图像，进行提取特征因素的预处理后，提取颜色特征因素、大小特征因素、形状特征因素；所述颜色特征因素至少含有R、G、B均值之一，所述大小特征因素至少含有面积、周长、径长之一，所述形状特征因素至少含有圆形度、偏心率之一；

[0009] 第二步、建立相应的判别函数——以猴头菇等级为因变量，以提取的颜色特征因素、大小特征因素、形状特征因素为自变量，按照判别分析准则、通过训练，构建猴头菇分级模型的判别函数；

[0010] 第三步、猴头菇无损检测分级——摄取作为待检样本的猴头菇菌盖俯视图像，进行提取特征因素的预处理后，提取与分级模型相应的颜色特征因素、大小特征因素、形状特征因素；将相应数值分别代入构建的分级模型判别函数，通过比较各级判别函数计算结果，确定待检样本猴头菇的分级。

[0011] 本发明提出的猴头菇基于计算机视觉下的无损检测分级方法与人工分级相比，不仅可以实现猴头菇快速、准确的检测，而且完全避免了损伤。更有意义的是，目前猴头菇的人工分级仅根据球块直径、颜色两个指标将其分为1级、2级、3级三个级别，其描述过于笼统、无量化，如对于球块直径的描述3个等级均是4-8cm，对于颜色的描述只有笼统地白、洁白和白黄，而本发明使现有分级指标得到完善并量化，即以猴头菇颜色、大小以及形状三个良好指标作为猴头菇的分级指标，因此为猴头菇产业化生产过程提供了更为科学的分级标准。

附图说明

[0012] 下面结合附图对本发明作进一步的说明。

[0013] 图1为本发明一个实施例摄取的猴头菇原始图像。

[0014] 图2为图1经过灰度化和降噪后的平滑图像。

[0015] 图3为图2经过二值化后的黑白图像。

[0016] 图4为图3经过边缘提取的轮廓图像。

具体实施方式

[0017] 实施例一

[0018] 本实施例基于计算机视觉的猴头菇无损检测分级方法具体步骤如下：

[0019] 第一步、特征参数提取——选取一组无斑、无病、无损的猴头菇，清理其表面污物作为训练样本，用单反相机摄取猴头菇菌盖俯视真彩图像(即24位RGB彩色图像)，该图像的每个像素值分为R、G、B三个基色分量，每个分量均为256个灰度值。

[0020] 之后进行

[0021] 1、提取特征因素预处理(参见图1—图4)

[0022] 灰度化——将摄取的真彩图像转换为灰度图像；

[0023] 降噪——均值滤波或中值滤波消除图像中的噪声，使其成为平滑图像；

[0024] 二值化——将平滑图像上的像素点灰度值设置为0、255，使其成为只有黑白图像；

[0025] 边缘提取——将图像灰度变化突变处作为边缘轮廓。

[0026] 2、提取特征因素，包括

[0027] 颜色特征因素——颜色在某种意义上代表了猴头菇的等级和新鲜程度，申请人的试验研究结果表明，随着贮藏天数的增加，R、G、B三基色的平均值总体均呈现上升趋势，其中B通道的颜色均值上升趋势较缓慢，而G、B通道的颜色均值则呈现快速上升趋势。由此反映出，刚采摘的新鲜猴头菇与白色越为接近，随着采摘后贮藏时间的增加，呼吸作用所消耗的能量也逐渐增加，以致猴头菇褐变程度逐渐增加，表现为猴头菇颜色逐渐加深，趋于白黄色。

[0028] 比较试验表明，提取颜色特征因素采用的色差仪只能检测样本猴头菇某一块的色差值，故根据R、G、B三原色的均值进行分级效果更佳，而R、G、B又以R均值进行分级准确率最为理想；本实施例从中值滤波降噪处理后的平滑图像中用mean2函数求取R像素平均值。

[0029] 大小特征因素——大小也是反映猴头菇等级和新鲜程度的可考量因素，申请人的试验研究结果表明，猴头菇的周长和面积在前九天略有波动，主要呈现缓慢下降的趋势，而从第九天开始则水分蒸发速度明显加快，从而致使猴头菇的周长和面积迅速变小。在可以表征猴头菇大小的面积、周长、径长中，以面积进行分级准确率最为理想。因此本实施例采取摄取图像是在作为目标物的猴头菇一侧放置参照物(硬币)的措施，用regionprops函数对黑白图像中目标区域的像素值进行统计，然后借助下式便可得到猴头菇的面积[0030]

[0031] 形状特征因素——形状是人工分级无法衡量的因素，申请人采取菌盖圆形度、偏心率作为考量因素

[0032] (1)圆形度用来描述菌盖面积与圆形的相似度，其公式如下：

[0033]

[0034] 式中：R0——菌盖圆形度；

[0035] S——菌盖面积；

[0036] l——菌盖周长。

[0037] 当R0＝1时，图形即为圆形；当R0的值越大时，表示图形越不规律，即所测目标物与圆形的差距越大。

[0038] (2)菌盖偏心率又名伸长度、离心率，用来描述菌盖轮廓的形状,其公式如下：

[0039]

[0040] 式中：P——菌盖偏心率；

[0041] Dmax——菌盖最大直径；

[0042] Dmin——菌盖最小直径；

[0043] 当偏心率P＝0时，图形即为圆形；当偏心率P的值越大，表示所测目标物越扁越平。

[0044] 申请人的试验研究结果表明，随着贮藏天数的增加，猴头菇菌盖的圆形度先是呈现极缓慢的上升趋势，到第九天时，开始呈现快速上升的趋势；菌盖偏心率在前5天内呈现略有下降的趋势，在第五至九天内，呈现缓慢上升的趋势，而到了第九天，则呈现出快速上升的趋势。由此范映了猴头菇菌盖老化速度在第九天开始明显变快，表现为菌盖个体逐渐变小，其圆形度和菌盖偏心率均在变大，即表示猴头菇菌盖越来越扁平且不规则。圆形度和偏心率中以后者进行分级准确率最为理想；因此本实施例采用上式得到偏心率。

[0045] 第二步、建立相应的判别函数——以猴头菇等级为因变量，以提取的颜色特征因素、大小特征因素、形状特征因素为自变量，按照判别分析准则、通过训练，构建猴头菇分级模型的一组判别函数算式；

[0046] 由于迄今为止没有关于猴头菇等级分级的研究资料，申请人借鉴了冯甲一学者[1]关与叶类蔬菜新鲜度的检测分级的研究，在费希尔(Fisher)判别分析法的基础上，利用颜色、大小以及形状因子等特征参数来构建判别函数[2-4]。费希尔判别法理论认为：所谓的判别分析即在分类确定的条件下，根据某一研究对象的各种特征值来判别其类型归属问题的一种多变量统计方法。而关于如何制定判别分类的规则，其解决方法在统计学中有许多，譬如：贝叶斯判别、Fisher判别、距离判别等。本实施例选用Fisher判别准则来构建猴头菇分级模型。

[0047] Fisher判别法的基本思路是通过将原来在R维空间的自变量组合投影到维度较低的D维空间去，然后在D维空间中再进行分类。简单来说，就是按照类中方差尽可能小，类间均值差距尽可能大的原则来建立判别函数，并对判别函数进行最小距离分类。此种判别方法不仅应用范围较广，且简单明了。

[0048] (2)猴头菇分级模型的建立

[0049] 将训练样本猴头菇采摘后至无食用价值(共18天)的图像作为样本训练集，构建分类器模型。为了避免无关变量或贡献程度较低的变量对分级模型的影响，以及过多指标致使模型稳定性较差的结果，本实施例筛以贡献程度最高的R均值、面积S、菌盖偏心率P三个特征参数为自变量，以猴头菇的等级为因变量，构建Fisher分类判别模型，其结果下表所示。

[0050] 猴头菇的分级判别函数

[0051]

[0052] 第三步、猴头菇无损检测分级——摄取作为待检样本的猴头菇菌盖俯视图像，进行与前述相同的提取特征因素预处理后，提取与分级模型相应的颜色特征因素R均值、大小特征因素面积S、形状特征因素菌盖偏心率P，并通过与前述相同的运算得到R＝144.63、S＝47.18、P＝1.0637，将其分别代入构建的三级模型判别函数，得到Y1＝219.91，Y2＝220.10，Y3＝219.40，比较计算结果的数据，以最大值220.10对应的2级作为待检样本猴头菇的分级结果。

[0053] 本发明提出的猴头菇基于计算机视觉下的无损检测分级方法与人工分级相比，不仅可以实现猴头菇快速、准确的检测，而且完全避免了损伤。

[0054] 之后，在训练样本中随机抽取20个猴头菇图像作为测试集进行回判验证表明，1级猴头菇的识别准确率为100％，2级猴头菇的识别准确率为85.7％，3级猴头菇的识别准确率为87.5％，由此表明本实施例的分级效果完全可以满足产业化的需要。

[0055] 除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

[0056] [1]冯甲一.基于计算机视觉技术的叶类蔬菜新鲜度检测分级研究[D]:南京农业大学,2012.

[0057] [2]刘静波.蔬菜颜色质量评价系统的构建及应用研究[D]:吉林大学,2004.[0058] [3]徐洪蕊.基于计算机视觉对“次郎”甜柿外部品质检测与分级的研究[D]:南京农业大学,2010.

[0059] [4]姜伟.基于计算机视觉的蔬菜识别模块的设计及实现[D]:东南大学,2015.