基于差分圖像邊界距離的糧?？锥醋詣訖z測

張紅濤 胡玉霞 劇 森 張恒源

（華北水利水電大學電力學院1，鄭州 450011）

（鄭州大學電氣工程學院2，鄭州 450001）

基于差分圖像邊界距離的糧?？锥醋詣訖z測

張紅濤1胡玉霞2劇 森1張恒源1

（華北水利水電大學電力學院1，鄭州 450011）

（鄭州大學電氣工程學院2，鄭州 450001）

糧?？锥吹淖詣訖z測是近紅外高光譜圖像技術檢測糧粒內部害蟲中的一個關鍵問題。提出基于差分圖像邊界距離的糧?？锥醋詣訖z測方法，該方法通過求取糧粒（內部）輪廓與閾值分割后二值圖像的差分，若差分圖像中的目標與糧粒邊界的最遠距離大于某個閾值時，則該目標應判別為邊界（內部）孔洞。用米象的幼蟲、蛹和成蟲3個侵染階段糧粒的900幀近紅外圖像進行訓練，用450幀近紅外圖像進行檢驗，結果表明該方法不僅可以判斷糧粒是否存在孔洞，還能檢測出孔洞的數量及形態，其中邊界孔洞和內部孔洞的識別率分別為97.33%和95.56%，證實了基于差分圖像邊界距離的糧?？锥礄z測方法是可行的。

倉儲害蟲 糧粒 邊界孔洞 內部孔洞 差分圖像 檢測

米象、谷蠹等蛀食性害蟲直接危害完整糧粒，成蟲在糧粒內部或表面產卵，未成熟幼蟲在糧粒內部生長發育，進食胚乳和胚，直到成蟲才從糧粒內出來，可見糧粒內部害蟲造成的危害是相當大的［1］。傳統的糧粒內部害蟲檢測方法有伯利斯漏斗法、害蟲碎片檢驗法、懸浮法等，新興的檢測方法有CT成像法、電子鼻法、熱成像法等、近紅外光譜法等［2－4］。

近紅外光譜成像法兼有近紅外光譜技術和圖像技術的優勢，目前已被應用到赤霉病危害麥粒的檢測、發芽麥粒的檢測等［5－6］。研究提出基于近紅外高光譜成像的糧粒內部害蟲檢測方法，對于不同姿態的同一個糧粒，所提取的近紅外特征有較大的差別，因此分腹溝朝下、朝上和側向3種姿態對糧粒內部蟲害進行自動判別。糧粒姿態自動識別時主要依靠糧粒的紋理、不變矩、形態等特征信息，害蟲侵染后糧粒的孔洞對這些特征影響很大，因此在構建糧粒姿態識別模型之前，須事先檢測糧粒是否存在孔洞。本研究提出利用差分圖像邊界距離法對糧?？锥催M行檢測，通過試驗進一步驗證了孔洞檢測的可行性。

1 近紅外糧粒圖像獲取

利用課題組構建的近紅外高光譜成像系統對糧粒進行高光譜圖像采集，其中近紅外相機的光譜范圍為900～1 700 nm，圖像分辨率為320像素×256像素，光譜分辨率為5 nm。由于麥粒個體較小，需在鏡頭上加裝接圈，使麥粒圖像有更高的分辨率［7］。

在米象產卵后的第14天、第18天和第23天，隨機挑選出含蟲麥粒，用于麥粒內部害蟲在幼蟲、蛹、成蟲3個不同生長階段時的高光譜圖像采集。把5個麥粒置于一個黑色的塑料板上，糧?；ゲ唤佑|且為同一姿態，黑白場圖像標定后分3種姿態（腹溝朝下、朝上、側向）線掃描采集每個麥粒的數據立方體。

由主成分分析法對獲取的糧粒高光譜數據立方體進行分析，提取出最優光譜波長為927.61 nm［8］。利用最優波長下糧粒目標在圖像中的坐標、重心等信息，形成僅含單個糧粒的子圖像（背景為全黑），以供后續的孔洞檢測、特征提取等處理。最優波長下同一個麥粒3種姿態的灰度圖像如圖1所示。

2 糧粒邊界孔洞檢測方法及步驟

實際上，糧粒受到害蟲侵染后，部分糧粒存在孔洞，且孔洞的位置是不確定的，這些孔洞包含邊界孔洞和內部孔洞2種情況。糧粒的邊界孔洞是指當糧粒受到害蟲侵染后，使獲取的圖像中糧粒邊界存在的缺口，該孔洞大小不一，差異較大。由于圖像獲取中糧粒的姿態是隨機的，獲取糧粒目標的圖像邊界大部分不夠平滑，因此輪廓邊界的模板無法應用。特別是當糧粒側向時，胚部區域所在端的邊界毛刺較多，無法與邊界的實際孔洞區別開來。

采用基于差分圖像的邊界距離法對邊界孔洞進行檢測，具體方法為：求取糧粒輪廓（凸殼）與濾波分割后二值圖像的差分，若差分圖像中的目標與糧粒輪廓邊界的最遠距離大于某個閾值時，該目標即為邊界孔洞。其中，目標與輪廓邊界的距離為目標內所有像素與邊界距離的最大值，目標內任一像素與邊界的距離為目標內該像素點與所有邊界點的最小距離。

邊界孔洞檢測算法的具體步驟如下：

1）利用線性空間濾波器對糧粒原始灰度圖像A1進行濾波，增強糧粒的邊界部分，形成新的圖像A2；

2）對圖像A2進行自動閾值化分割，填補內部的孔洞（避免內部孔洞對邊界孔洞檢測的影響），形成二值化圖像A3；

3）求取圖像A3的最小凸殼A4及凸殼的邊界；

4）求取最小凸殼A4與二值化圖像A3的差分圖像 A5，即 A5＝A4－A3；

5）針對差分圖像A5中的每一個目標，若該目標的面積大于某個面積閾值（thres＿area），針對該目標內的任一個像素點，求出該像素點與所有凸殼邊界點的距離，重新排序后求出距離的最小值，作為該像素點與邊界的距離；

6）求出目標內所有像素點與邊界距離的最大值，作為該目標與邊界的距離；

7）若某個目標與邊界的距離大于某個閾值（thres＿dist），則該目標為邊界的孔洞，并形成僅有邊界孔洞的圖像A6。

3 糧粒內部孔洞檢測方法及步驟

糧粒的內部孔洞是指當糧粒受到害蟲的侵染后，使獲取的圖像中糧粒內部存在的小洞。由于圖像獲取中糧粒的姿態是隨機的，因此采用固定閾值法是不可行的。另外，在采用自動閾值算法時，分割出的圖像除了孔洞之外，還存在部分邊界和很多毛刺，無法準確判斷糧粒內部是否存在孔洞。

這里采用基于差分圖像的邊界距離法對內部孔洞進行檢測，具體方法為：求取糧粒內部輪廓與閾值分割后二值圖像的差分，若差分圖像中的目標與糧粒內部輪廓邊界的最遠距離大于某個閾值時，該目標即為內部孔洞。

內部孔洞檢測方法的具體步驟如下：

1）將糧粒原始灰度圖像A1的背景進行反色，形成新的圖像B1；

2）對圖像B1進行自動閾值化分割，形成二值化圖像B2；

3）用Sobel算子檢測圖像A1的邊界，連接由單個像素縫隙分割的像素，形成邊界連續的圖像B3；

4）利用數學形態學中的膨脹和細化運算對圖像B3進行處理，以形成邊界比較平滑的糧粒邊界圖像B4；

5）求取圖像B4與B2的差分圖像B5，即B5＝abs（B4－B2）；

6）對圖像B5進行形態學閉運算處理形成圖像B6，使目標內部細小的連線斷開，以分割開圖像中的目標；

7）采用邊界孔洞檢測步驟5～步驟7的方法，求出圖像B6中每個目標與邊界的距離，距離大于某個閾值的目標即為內部的孔洞，并形成僅有內部孔洞的圖像B7。

4 結果與分析

針對圖2a所示的一個腹溝朝下的麥?；叶葓D像，利用糧粒邊界孔洞法進行邊界孔洞的檢測，該麥粒受到害蟲的嚴重危害，同時含有1個邊界孔洞和2個內部孔洞。由圖2可以看出，該法把糧粒胚部區域的1個邊界孔洞正確地檢測出來，內部的2個孔洞對邊界孔洞的檢測沒有影響。圖2f中，檢測出的邊界孔洞形態能反映出實際孔洞的形態。

隨機選取300個（害蟲的幼蟲、蛹和成蟲3個階段分別選取100個）糧粒進行訓練，150個（害蟲的3個階段分別選取50個）糧粒進行檢驗。由于圖像獲取時，每個糧粒分3種姿態圖像采集，則糧粒邊界孔洞檢測中用于訓練和檢驗的圖像分別為900幀和450幀。訓練時邊界孔洞的 thres＿area＝10，thres＿dist＝3。統計表明，450幀檢驗圖像中有邊界孔洞的圖像為31幀，孔洞個數為34個，其中有3幀圖像中麥粒的邊界孔洞為2個。經邊界孔洞檢測方法檢測后，有10幀沒有邊界孔洞的圖像由于麥粒胚部邊界不光滑的影響被誤檢，2幀有邊界孔洞的圖像由于邊界孔洞較小沒有被檢測出來，即438幀圖像被正確檢測，邊界孔洞檢測的正確率為97.33%。

圖2 糧粒邊界孔洞檢測

圖3 糧粒內部孔洞檢測

針對圖2a中的糧?；叶葓D像，利用糧粒內部孔洞法進行內部孔洞的檢測，具體處理過程如圖3所示，該法把糧粒內部區域的2個孔洞正確地檢測出來，邊界孔洞對內部孔洞的檢測沒有影響。由圖3c和圖3d可見，若采用圖3c作為糧粒邊界，由于圖3b邊界的毛刺較多，可能影響后續距離閾值的選取，甚至會誤判，因此采用比圖3c更平滑的邊界——圖3d作為糧粒的邊界，比較適合后續距離閾值的自動確定。圖3g左側的白色目標能準確地反映出實際孔洞的形態，右上角的白色目標為實際孔洞與糧粒部分邊界結合在一起，雖然不能直觀地地反映出實際孔洞的形態，但不影響內部孔洞數量的統計。因此，該法不僅可以判斷糧粒內部是否存在孔洞，還能判別出孔洞的數量，以及與糧粒邊界有一定距離的孔洞的形態。

在糧粒內部孔洞檢測中采用同用糧粒邊界孔洞檢測相同的訓練集和檢驗集，訓練時內部孔洞的thres＿area＝6，thres＿dist＝5。統計表明，450幀檢驗圖像中有內部孔洞圖像為70幀，內部孔洞數量為72個，其中2幀圖像中麥粒的內部孔洞為2個。經內部孔洞檢測方法檢測后，有17幀沒有內部孔洞的圖像由于麥粒表面不平滑的影響被誤檢，3幀有內部孔洞的圖像由于內部孔洞較小沒有被檢測出來，即430幀圖像被正確檢測，則內部孔洞檢測的正確率為95.56%。

在實際的糧?？锥礄z測中，若某個糧粒存在邊界孔洞或者內部孔洞，表明該糧粒存在孔洞，則該糧粒應直接判別為蟲蝕粒，無需進入后續的糧粒姿態判別、特征提取及內部是否含蟲判別等環節。

5 結論

在糧?？锥吹淖詣訖z測中，采用基于糧粒輪廓與濾波后二值圖像差分的邊界距離法對邊界孔洞進行檢測，該法檢測出的邊界孔洞形態基本能反映出實際孔洞的形態，邊界孔洞的識別率達到97.33%。利用基于糧粒內部輪廓與閾值分割后二值圖像差分的邊界距離法對內部孔洞進行檢測分析，該法不僅可以判斷糧粒內部是否存在孔洞，還能判別出內部孔洞的數量，內部孔洞的識別率達到95.56%。本研究提出的麥?？锥礄z測方法，對稻米、玉米等其他糧?？锥吹淖詣訖z測具有重要的參考意義。為了實現糧粒內部蟲害的自動檢測，下一步需要解決糧粒姿態模型的構建、含蟲糧粒的特征提取等關鍵問題。

［1］張紅濤，毛罕平.基于計算機視覺的糧粒內部害蟲檢測的研究進展［J］.中國糧油學報，2008，23（5）：175－179

［2］Fornal J，Jeliński T，Sadowska J，etal.Detection of granary weevil Sitophilus granarius（L.）eggs and internal stages in wheat grain using soft X－ray and image analysis［J］.Journal of Stored Products Research，2007，43（2）：142－148

［3］Singh C B，Jayas D S，Paliwal J，et al.Identification of insect－damaged wheat kernels using short－wave near－infrared hyperspectral and digital colour［J］.Computers and Electronics in Agriculture，2010，73（2）：118－125

［4］Brabec D L，Pearson TC，Flinn PW，et al.Detection of internal insects in wheat using a conductive rollermill and estimation of insect fragments in the resulting flour［J］.Journal of Stored Products Research，2010，46（3）：180－185

［5］Xing J，Symons S，Shahin M，et al.Sprouting detection at early stages in individual CWAD and CWRSwheat kernels using SWIR spectroscopy［J］.Sensing and Instrumentation for Food Quality and Safety，2010，4（3）：95－100

［6］Shahin M A，Symons S J.Detection of Fusarium damaged kernels in Canada Western Red Spring wheat using visible near＿infrared hyperspectral imaging and principal component analysis［J］.Computers and Electronics in Agriculture，2011，75（1）：107－112

［7］張紅濤，毛罕平，韓綠化.近紅外高光譜成像技術檢測糧倉米象活蟲［J］.農業工程學報，2012，28（8）：263－268

［8］黃文倩，陳立平，李江波，等.基于高光譜成像的蘋果輕微損傷檢測有效波長選?。跩］.農業工程學報，2013，29（1）：272－277.

Automated Detection of Holes in Wheat Kernel Based on Boundary Distance of the Differential Image

Zhang Hongtao1Hu Yuxia2Ju Sen1Zhang Hengyuan1

（Institute of Electric power，North China University ofWater Resources and Electric Power1，Zhengzhou 450011）
（College of Electric Engineering，Zhengzhou University2，Zhengzhou 450001）

The automatic detection of wheat kernel holes is one of the key elements to detect insects in wheat kernels based on near－infrared hyperspectral imaging technology.A method of automatically wheat kernel holes detection was proposed based on boundary distance of differential image in the paper.The differential images were acquired between the kernel（internal）contours images and the binary images after thresholding.On condition that the maximum distance between the object and the kernel boundary wasmore than a threshold in differential images，the objectwas acted as a boundary or internal hole.The near infrared－images were acquired from the infested wheat kernelswith the larva，pupa and adult stages of sitophilus oryzae（L.）Themethod was trained by 900 images and tested by 450 images.The results showed that themethod had a ability to judge whether there were holes in wheat kernel or not.Meanwhile，the number of holes andmorphology could be detected.The correct identification ratios of boundary holes and internal holes were over 97.33%and 95.56%respectively.The experiment showed that the method was practical and feasible.

stored－grain insects，wheat kernel，boundary hole，internal hole，differential image，detection

S24

A

1003－0174（2015）06－0117－04

國家自然科學基金（31101085），河南省基礎與前沿技術研究計劃（122300410145），河南省高等學校青年骨干教師資助計劃（2011GGJS－094），華北水利水電大學教學名師培育項目（2014108）

2014－01－21

張紅濤，男，1977年出生，副教授，農業電氣化與自動化