一种基于高光谱图像技术区分大米产地的检测方法
【专利摘要】本发明公开了一种基于高光谱图像技术区分大米产地的检测方法，包括以下步骤：（1)黑白板校正：(2)训练过程：先采集训练样本图像，再对样板图像进行校正、提取感兴趣区域、特征提取，所述特征包括每个产地大米样本的垩白粒率、每个大米颗粒的长宽比和15个纹理特征值，再用概率神经网络PNN方法建立预测模型；（3)对待测大米样品进行测试。本发明的检测方法快速、稳定，并且同时有效地提高了分类的准确度。
【专利说明】-种基于高光谱图像技术区分大米产地的检测方法
【技术领域】
[0001] 本发明涉及高光谱技术的引用领域，特别涉及一种基于高光谱图像技术区分大米 产地的检测方法。
【背景技术】
[0002] 大米是我国重要的粮食品种之一，是我国绝大多数人的主要主食，同时也是我国 主要的出口产品，在我国有很多地区种植大米。
[0003] 不同产地的大米由于地理环境和自然环境的影响，含有的营养物质及体现的外观 特点不同。大米的产地是影响其营养价值和经济价值的一个很重要的因素。南方地区所产 的大米由于天气及地理原因是一年两熟或者三熟，从而不能吸收并储存足够的营养物质。 东北地区生产的大米是则是一年仅仅一熟，所以含有较多的蛋白质、维生素、矿物质和脂类 等物质，营养价值相对较高，而且口感相对更加香醇，因而更易被消费者接受，经济价值更 商。
[0004] 和大米的产地息息相关的因素有很多，包括粒形、垩白粒率、纹理等外观因素。大 米的粒型包含了大米颗粒的长度、宽度及长宽比等，与大米的产地有着不可分割的关系。而 且可以用来进一步分析整精米率（米粒长度占平均长度的比例）。胚乳中有白色（包括腹 白、心白和背白）不透明部分的米粒为垩白粒，是大米颗粒上的一种残缺，对大米的外观品 质有很大的影响，和大米的产地有着密切的关系。垩白粒占试样米粒数的百分率为垩白粒 率，而且同时垩白会影响大米的透明度。大米颗粒的透明度很难直接测定，但是往往可以依 据垩白度来间接得到。大米的透明度和大米颗粒的腹白有关。而垩白即包括腹白，心白和 背白。对于垩白来说主要是腹白，其次是心白（含量很少），而背白相对更少，因此垩白度的 多少基本可以等同于腹白的多少。腹白少则说明米粒的含水率低，而含水率低表明米粒中 所含的蛋白质含量高，蛋白质的含量则可以直接反应透明度。所以利用垩白多少即可以代 替腹白的多少，以此来评价大米颗粒的透明度。大米的纹理是指颗粒表面的特征，不同产地 的大米由于土地成分，阳光照耀及水分，温度等自然因素的影响，纹理特征上会存在一定的 差距。
[0005] 高光谱成像是一门新兴的快速、无损检测技术，它融合了传统的成像技术和光谱 学，在农畜水产品品质检测方面具有巨大的潜力和优势。目前，谷物的品质检测等方面都有 采用高光谱技术的报道。如发明专利CN200610097857. 5公布了一种基于高光谱图像技术 的农畜产品无损检测方法及装置；中国发明专利CN20132018804公布了基于高光谱图像技 术的大米品质在线无损检测装置。然而需要指出的是，大米产地的不同对大米颗粒属性有 很大的影响。同时，很多因素共同反应了产地区别，仅用单一因素很难加以区分。
【发明内容】
[0006] 为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于高光谱图 像技术区分大米产地的检测方法，操作简单方便，且准确率高。
[0007] 本发明的目的通过以下技术方案实现：
[0008] -种基于高光谱图像技术区分大米产地的检测方法，包括以下步骤：
[0009] (1)黑白板校正：用标准白板采集全白标定图像W，将镜头盖盖上采集全黑标定图 像B ;
[0010] ⑵训练过程：
[0011] (2-1)采集训练样本图像：取η个产地的大米，在每个产地的大米随机选取多个大 米颗粒，作为该产地的大米样本；
[0012] 将每个产地的大米样本平铺无重叠摆好，采集每个产地的大米样本的高光谱图 像；
[0013] (2-2)校正高光谱图像：设大米样本高光图图像为L，则校正后的高光谱图像I 为：
[0014] I = (I〇-B)/(ff-B)；
[0015] (2-3)对每个校正后的大米样本的高光谱图像进行感兴趣区域提取；
[0016] (2-4)对步骤（2-3)提取到的感兴趣区域，在MATLAB中计算每个产地大米样本的 垩白粒率、每个大米样本中每个大米颗粒的长宽比，同时利用灰度梯度共生矩阵提取每个 大米样本中每个大米颗粒的15个纹理特征值；所述15个纹理特征值包括小梯度优势，大梯 度优势，灰度分布的不均匀性，梯度分布的不均匀性，能量，灰度平均，梯度平均，灰度均方 差，梯度均方差，相关，灰度熵，梯度熵，混合熵，惯性和逆差矩；
[0017] (2-6)建立预测模型：使用概率神经网络PNN方法建立预测模型，采用三层BP结 构，包括输入层、隐藏层和输出层；输入层为每个产地大米样本的垩白粒率、每个大米样本 中每个大米颗粒的长宽比和每个大米样本中每个大米颗粒15个纹理特征值，输出层为大 米的产地；进行概率神经网络训练，得到预测模型；
[0018] ⑶测试过程：
[0019] (3-1)随机选取某一产地的多个待测大米颗粒作为待测大米样品，采集待测大米 样品的高光谱图像，并进行校正；
[0020] (3-2)对校正后的待测大米样品的高光谱图像进行感兴趣区域提取；
[0021] (3-3)对步骤（3-2)提取到的感兴趣区域，在MATLAB中计算待测大米样品的垩白 粒率、待测大米样品中每个大米颗粒的长宽比，同时利用灰度梯度共生矩阵提取待测大米 样品中每个大米颗粒的15个纹理特征值；
[0022] (3-4)将待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比，每个 大米颗粒的15个纹理特征值输入步骤（2)得到的预测模型中，得到大米产地的检测结果。
[0023] 步骤（2-3)所述对每个校正后的大米样本的高光谱图像进行感兴趣区域提取，具 体为：
[0024] 首先利用开闭运算去除正后的大米样本的高光谱图像中的噪音，再利用最大类间 方差法获取背景和调节对比度，利用灰度直方图获取大米颗粒的分割阈值，将大米颗粒从 背景中提取出来；随后将图像二次去噪，采用灰度直方图均衡化算法后转化为二值图像； 利用大津算法和八邻域联通标记找到每粒大米颗粒对应的所有像素点，从而将每粒米粒提 取出来放到预先做好的小矩形模块中，得到分割后的二值化图像。
[0025] 步骤（2-4)所述在MATLAB中计算每个产地大米样本的垩白粒率，具体为：
[0026] 将步骤（2-3)得到的分割后的二值化图像进行3*3腐蚀膨胀运算去噪音，对分割 后的二值化图像中的大米连通区域进行计数，对大米连通区域进行八邻域边缘跟踪，再对 大米连通区域内部进行像素填充的标号计数的方法，标记统计所有目标对象相同灰度的像 素点数，利用直方图均衡算法获得垩白分割的最佳阈值，随后对大米连通区域进行阈值化 处理，将垩白区从大米连通区域中提取出来；在进行垩白区分割的同时统计出大米总粒数 和垩白米粒数，利用垩白米粒数和大米总粒数的比值确定垩白粒率。
[0027] 步骤（2-4)所述每个大米样本中每个大米颗粒的长宽比，计算过程如下：
[0028] 通过对步骤（2-3)得到的分割后的二值化图像进行八连通邻域标记，再利用 MATLAB中自带的提取特征的函数regionprops提取图像的特征属性，获得的大米的特征值 中包含大米颗粒的长轴长度和短轴宽度特征，大米颗粒的长宽比即为长轴长度和短轴宽度 的比值。
[0029] 步骤（2-4)所述每个大米样本中每个大米颗粒的15个纹理特征值，具体提取过程 如下：
[0030] 通过读取感兴趣区域的最大和最小像素点，将灰度图像转化为灰度共生矩阵，将 其归一化，再形成灰度梯度共生矩阵，最后将灰度梯度共生矩阵归一化，然后提取15个纹 理特征值。
[0031] 与现有技术相比，本发明具有以下优点和有益效果：
[0032] (1)本发明的方法基于大米粒形，垩白粒率和纹理特征三个指标综合起来区分大 米的产地，与单一指标相比，建立的模型系统的稳健性更好和准确性率更高。
[0033] (2)本发明的方法可将大米产地用可视化的图像表现出来，直观清晰。
[0034] (3)本方法只需扫描大米颗粒样品，代入编写好的概率神经网络，即可得检测结 果，方便、快捷；不需要测量任何理化指标，也不需要重新编写程序。
【专利附图】
【附图说明】
[0035] 图1为实现本发明的实施例的高光谱图像技术区分大米产地的检测方法的装置 示意图。
[0036] 图2为本发明的实施例的神经网络结构图。
【具体实施方式】
[0037] 下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
[0038] 实施例
[0039] 本实施例中所用的高光谱仪由近红外光谱仪（芬兰Spectral Imaging有限公司， 波长900-2500 nm，波长分辨率是6nm)和CCD相机（比利时Xenics Infrared Solutions 公司，像素是320X300)构成。
[0040] 图1为实现本实施例的高光谱图像技术区分大米产地的检测方法的装置示意图， 包括相机1，摄像头2,镜头3,光源4,大米检测样品5,上下升降台6,传送带7和电脑8。整 套系统放在黑色的密闭铁柜中，以避免图像采集时光线，强风等环境因素的影响。
[0041] 本实施例的高光谱图像技术区分大米产地的检测方法，包括以下步骤：
[0042] (1)黑白板校正：用标准白板采集全白标定图像W，将镜头盖盖上采集全黑标定图 像B。
[0043] ⑵训练过程：
[0044] (2-1)采集训练样本图像：取3个产地的大米（湖南，广东和东北），在每个产地的 大米随机选取的50个大米颗粒，作为该产地的大米样本；
[0045] 将每个产地的大米样本平铺无重叠摆好，放在上下升降台上，关上柜门打开光源， 相机，摄像头，镜头和电脑软件后随着传送带的移动采集每个产地的大米样本的高光谱图 像。
[0046] (2-2)校正高光谱图像：设大米样本高光图图像为L，则校正后的高光谱图像I 为：
[0047] I = (I0-B)/(ff-B) 〇
[0048] (2-3)对每个校正后的大米样本的高光谱图像进行感兴趣区域提取，具体为：
[0049] 首先利用开闭运算去除正后的大米样本的高光谱图像中的噪音，再利用最大类间 方差法获取背景和调节对比度，利用灰度直方图获取大米颗粒的分割阈值，将大米颗粒从 背景中提取出来；随后将图像二次去噪，采用灰度直方图均衡化算法后转化为二值图像； 利用大津算法和八邻域联通标记找到每粒大米颗粒对应的所有像素点，从而将每粒米粒提 取出来放到预先做好的小矩形模块中，得到分割后的二值化图像。
[0050] (2-4)对步骤（2-3)提取到的感兴趣区域，在MATLAB中计算每个产地大米样本的 垩白粒率、每个大米样本中每个大米颗粒的长宽比，同时利用灰度梯度共生矩阵提取每个 大米样本中每个大米颗粒的15个纹理特征值；所述15个纹理特征值包括小梯度优势，大梯 度优势，灰度分布的不均匀性，梯度分布的不均匀性，能量，灰度平均，梯度平均，灰度均方 差，梯度均方差，相关，灰度熵，梯度熵，混合熵，惯性和逆差矩。
[0051] 大米颗粒的垩白粒率利用MATLAB中自带的二值图像物体的面积计算函数bwarea 获取垩白面积和总面积，最终利用垩白面积和总面积的比值为垩白度。新国标垩白粒率 为垩白粒占试样米粒的百分率。每个产地大米样本的垩白粒率的计算方法如下：将步骤 (2-3)得到的分割后的二值化图像进行3*3腐蚀膨胀运算去噪音，对分割后的二值化图像 中的大米连通区域进行计数，对大米连通区域进行八邻域边缘跟踪，，再对大米连通区域内 部进行像素填充的标号计数的方法，标记统计所有目标对象相同灰度的像素点数，利用改 进后的直方图均衡算法获得垩白分割的最佳阈值，随后对大米连通区域进行阈值化处理， 将垩白区从大米连通区域中提取出来；在进行垩白区分割的同时统计出大米总粒数和垩白 米粒数，利用垩白米粒数和大米总粒数的比值确定垩白粒率。
[0052] 每个大米样本中每个大米颗粒的长宽比，计算过程如下：通过对步骤（2-3)得 到的分割后的二值化图像进行八连通邻域标记，再利用MATLAB中自带的提取特征的函数 regionprops提取图像的特征属性，获得的大米的特征值中包含大米颗粒的长轴长度和短 轴宽度特征，大米颗粒的长宽比即为长轴长度和短轴宽度的比值。
[0053] 每个大米样本中每个大米颗粒的15个纹理特征值，具体提取过程如下：
[0054] 通过读取感兴趣区域的最大和最小像素点，将灰度图像转化为灰度共生矩阵，将 其归一化，再形成灰度梯度共生矩阵，最后将灰度梯度共生矩阵归一化，然后提取15个纹 理特征值。
[0055] (2-6)建立预测模型：使用概率神经网络PNN方法建立预测模型，采用三层BP结 构（如图2所示），输入层为每个产地大米样本的垩白粒率、每个大米样本中每个大米颗粒 的长宽比和每个大米样本中每个大米颗粒的15个纹理特征值，隐藏层包含神经元数由网 络根据产地个数自适应确定（本实施例为5个神经元H1?H5)，输出层为大米的产地；进 行概率神经网络训练，得到预测模型；
[0056] 概率神经网络训练的过程如下：首先要将大米颗粒的长宽比，垩白粒率和15个纹 理特征值进行归一化处理，从而使所有的输入集数据在同一个数量级上，避免大数据起决 定性作用的影响。首先选取200个大米样本为训练模型数据，50个大米样本为验证模型数 据；再将期望类别指针转换为向量；随后使用newpnn函数建立PNN，对于Spread的选取值 为〇. 1 ;再利用Sim函数进行网络预测，将训练数据带回，查看网络的分类效果；随后再通过 作图观察网络对训练数据的分类效果，通过以上基于PNN的变压器故障诊断的概率神经网 络进行大米的分类。
[0057] ⑶测试过程：
[0058] (3-1)随机选取某一产地的多个待测大米颗粒作为待测大米样品，采集待测大米 样品的高光谱图像，并进行校正；
[0059] (3-2)对校正后的待测大米样品的高光谱图像进行感兴趣区域提取；
[0060] (3-3)对步骤（3-2)提取到的感兴趣区域，在MATLAB中计算待测大米样品的垩白 粒率、待测大米样品中每个大米颗粒的长宽比，同时利用灰度梯度共生矩阵提取待测大米 样品中每个大米颗粒的15个纹理特征值；
[0061] (3-4)将待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比，每个 大米颗粒的15个纹理特征值输入步骤（2)得到的预测模型中，得到大米产地的检测结果， 将辨别出的3种不同产地的大米分别用3种颜色表示（红，绿，蓝），得到大米产地的分类 图。检测结果的测定标准是：长宽比在2-3之间，垩白粒率> 0. 1为湖南米，长宽比> 3,垩 白粒率在0.05-0. 1为广东米，长宽比< 2,垩白粒率< 0.05为东北米。由于纹理特征是有 15个因素共同决定的，所以没有具体的类别数据标准。最终是用长宽比，垩白粒率和纹理特 征共同代入概率神经网络进行预测。
[0062] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的 限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化， 均应为等效的置换方式，都包含在本发明的保护范围之内。
【权利要求】
1. 一种基于高光谱图像技术区分大米产地的检测方法，其特征在于，包括以下步骤： (1)黑白板校正：用标准白板采集全白标定图像W，将镜头盖盖上采集全黑标定图像 B ； ⑵训练过程： (2-1)采集训练样本图像：取η个产地的大米，在每个产地的大米随机选取多个大米颗 粒，作为该产地的大米样本； 将每个产地的大米样本平铺无重叠摆好，采集每个产地的大米样本的高光谱图像； (2-2)校正高光谱图像：设大米样本高光图图像为L，则校正后的高光谱图像I为： I = (I〇-B)/(ff-B)； (2-3)对每个校正后的大米样本的高光谱图像进行感兴趣区域提取； (2-4)对步骤（2-3)提取到的感兴趣区域，在MATLAB中计算每个产地大米样本的垩白 粒率、每个大米样本中每个大米颗粒的长宽比，同时利用灰度梯度共生矩阵提取每个大米 样本中每个大米颗粒的15个纹理特征值；所述15个纹理特征值包括小梯度优势，大梯度优 势，灰度分布的不均匀性，梯度分布的不均匀性，能量，灰度平均，梯度平均，灰度均方差，梯 度均方差，相关，灰度熵，梯度熵，混合熵，惯性和逆差矩； (2-6)建立预测模型：使用概率神经网络PNN方法建立预测模型，采用三层BP结构，包 括输入层、隐藏层和输出层；输入层为每个产地大米样本的垩白粒率、每个大米样本中每个 大米颗粒的长宽比和每个大米样本中每个大米颗粒15个纹理特征值，输出层为大米的产 地；进行概率神经网络训练，得到预测模型； (3)测试过程： (3-1)随机选取某一产地的多个待测大米颗粒作为待测大米样品，采集待测大米样品 的高光谱图像，并进行校正； (3-2)对校正后的待测大米样品的高光谱图像进行感兴趣区域提取； (3-3)对步骤（3-2)提取到的感兴趣区域，在MATLAB中计算待测大米样品的垩白粒率、 待测大米样品中每个大米颗粒的长宽比，同时利用灰度梯度共生矩阵提取待测大米样品中 每个大米颗粒的15个纹理特征值； (3-4)将待测大米样品的垩白粒率、待测大米样品中每个大米颗粒的长宽比，每个大米 颗粒的15个纹理特征值输入步骤（2)得到的预测模型中，得到大米产地的检测结果。
2. 根据权利要求1所述的基于高光谱图像技术区分大米产地的检测方法，其特征在 于，步骤（2-3)所述对每个校正后的大米样本的高光谱图像进行感兴趣区域提取，具体为： 首先利用开闭运算去除正后的大米样本的高光谱图像中的噪音，再利用最大类间方差 法获取背景和调节对比度，利用灰度直方图获取大米颗粒的分割阈值，将大米颗粒从背景 中提取出来；随后将图像二次去噪，采用灰度直方图均衡化算法后转化为二值图像；利用 大津算法和八邻域联通标记找到每粒大米颗粒对应的所有像素点，从而将每粒米粒提取出 来放到预先做好的小矩形模块中，得到分割后的二值化图像。
3. 根据权利要求2所述的基于高光谱图像技术区分大米产地的检测方法，其特征在 于，步骤（2-4)所述在MATLAB中计算每个产地大米样本的垩白粒率，具体为： 将步骤（2-3)得到的分割后的二值化图像进行3*3腐蚀膨胀运算去噪音，对分割后的 二值化图像中的大米连通区域进行计数，对大米连通区域进行八邻域边缘跟踪，再对大米 连通区域内部进行像素填充的标号计数的方法，标记统计所有目标对象相同灰度的像素点 数，利用直方图均衡算法获得垩白分割的最佳阈值，随后对大米连通区域进行阈值化处理， 将垩白区从大米连通区域中提取出来；在进行垩白区分割的同时统计出大米总粒数和垩白 米粒数，利用垩白米粒数和大米总粒数的比值确定垩白粒率。
4. 根据权利要求2所述的基于高光谱图像技术区分大米产地的检测方法，其特征在 于，步骤（2-4)所述每个大米样本中每个大米颗粒的长宽比，计算过程如下： 通过对步骤（2-3)得到的分割后的二值化图像进行八连通邻域标记，再利用MATLAB中 自带的提取特征的函数regionprops提取图像的特征属性，获得的大米的特征值中包含大 米颗粒的长轴长度和短轴宽度特征，大米颗粒的长宽比即为长轴长度和短轴宽度的比值。
5. 根据权利要求2所述的基于高光谱图像技术区分大米产地的检测方法，其特征在 于，步骤（2-4)所述每个大米样本中每个大米颗粒的15个纹理特征值，具体提取过程如 下： 通过读取感兴趣区域的最大和最小像素点，将灰度图像转化为灰度共生矩阵，将其归 一化，再形成灰度梯度共生矩阵，最后将灰度梯度共生矩阵归一化，然后提取15个纹理特 征值。
【文档编号】G01N21/25GK104215584SQ201410438820
【公开日】2014年12月17日 申请日期:2014年8月29日 优先权日:2014年8月29日
【发明者】孙大文, 王璐, 曾新安, 刘丹 申请人:华南理工大学