基于计算机视觉的稻谷霉变程度检测.pdfVIP

第 33 卷 第 3 期 农 业 工 程 学 报 Vol.33 No.3 272 2017 年 2 月 Transactions of the Chinese Society of Agricultural Engineering Feb. 2017 基于计算机视觉的稻谷霉变程度检测 1 1 1 1 潘磊庆 ，王振杰 ，孙 柯 ，贾晓迪 ， 2 2 1※ 都立辉 ，袁 建 ，屠 康 （1. 南京农业大学食品科技学院，南京 210095 ；2. 南京财经大学食品科学与工程学院， 江苏省现代粮食流通与安全协同创新中心，南京 210023 ） 摘 要：为了实现无损检测稻谷储藏中的霉变，该研究以引起稻谷霉变的 5 种常见真菌（米曲霉、黑曲霉、构巢曲霉、 桔青霉和杂色曲霉）为对象，首先进行真菌培养，制成悬浮液，然后将悬浮液接种到稻谷样品中，对稻谷样品模拟储藏， 确定不同霉变程度的稻谷类型，划分为对照组（无霉变）、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样 品进行图像采集和图像处理，提取灰度、颜色和纹理特征，共获取 68 个图像特征。采用支持向量机（support vector machines, SVM）和偏最小二乘法判别分析（partial least squares discriminant analysis, PLS-DA ）构建模型，分别用于无霉变稻谷与 霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余，利用连续投影算法（successive projections algorithm, SPA ）来消除原始数据变量间的共线性，优选特征值。结果表明：利用所有参数构建的 SVM 模型能够很好的 区分对照组与霉变组，其中建模集和验证集总体区分准确率分别为 99.7%和 98.4% ；SVM 模型对于稻谷严重霉变类型的 区分效果要优于轻微霉变稻谷，其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为 99.3%和 92.0%，对稻 谷严重霉变类型区分的总体准确率分别为 100%和 94%，且整体上 SVM 模型的效果要优于 PLS-DA 模型。而基于 SPA 优 选特征构建的模型区分结果表明，SVM 模型区分效果优于 PLS-DA 模型，其中，在建模集和验证集中，对无霉变和霉变 稻谷总体区分准确率分别为 99.8%和 99.5%，对稻谷轻微霉变种类区分总体准确率分别为 99.8%和 90.5%，对稻谷严重霉 变种类区分总体准确率分别为 100%和 95.0% 。因此，基于计算机视觉对稻谷霉变检测是可行的，而且 SPA 优选特征能够 较好反映稻谷霉变特征，基于优选特征和 SVM 模型能够较好地稻谷霉变进行识别和区分，结果较好，可以为实际应用提 供技术支持和参考。 关键词：计算机视觉；图像处理；特征提取；稻谷；霉变；模型；检测 doi ：10.11975/j.issn.1002-6819.2017.03.037 中图分类号：S126 文献标志码：A 文章编号：1002-6819(2017)-03-0272-09 潘磊庆，王振杰，孙 柯，贾晓迪，都立辉，袁 建，屠 康. 基于计算机视觉的稻谷霉变程度检测[J]. 农业工程学报， 2017，33(3)：272－280. doi ：10.11975/j.issn.1002-6819.2017.03.037 Pan Leiqing, Wang Zhenjie, Sun Ke, Jia Xiaodi, Du Lihui,