基于太赫茲時域透射成像技術的葵花籽內部品質無損檢測研究

劉翠玲，王少敏，吳靜珠，孫曉榮

1. 北京工商大學計算機與信息工程學院，北京 100048 2. 北京工商大學食品安全大數據技術北京市重點實驗室，北京 100048

引 言

葵花籽是僅次于棕櫚、大豆、菜籽的世界第四大油料作物，其品質的好壞對后期產油及相關產品的加工至關重要[1]。由于種植或儲存不當，葵花籽殼內籽仁常會出現破損、蟲蝕、空殼等異常情況，若在榨油時選用的葵花籽存在以上異常顆粒，將影響后期出油率及生產油脂的品質。因此，從源頭把控，對葵花籽內部品質進行檢測是很有必要的。

葵花籽異常顆粒的出現將會影響出油率和油脂的品質，傳統的檢測方法主要有人工檢驗和機器篩選，人工檢驗耗費人力，主觀性較大，可能存在漏檢等問題；機器篩選會破壞葵花籽外殼，易造成原材料污染，不利于后期貯藏加工。Ma等[2]利用可見光和近紅外區域的多光譜成像技術對葵花籽昆蟲侵染、發霉、異色、酸敗等異常情況進行了非破壞性區分，利用Fisher’s線性判別函數進行特征波長提取，結合Wilks lambda逐步法，對完好無損的葵花籽進行分類，準確率最低可達到97%；同時利用多光譜成像技術結合主成分分析聚類分析(PCA-CA)，對不同酸敗程度的完整向日葵種子進行精準區分。李艷茹等[3]利用低場核磁共振技術結合主成分分析(PCA)方法對3種不同品種的葵花籽進行區分，并建立偏最小二乘回歸(PLSR)模型對3種葵花籽的含油量進行預測，實現了葵花籽品質的檢測。Jayabrindha等[4]通過機器視覺技術對10個不同品種的葵花籽進行品種鑒定，利用SVM分類算法結合最佳順序級聯方法，分類準確率達到98.82%。以上研究內容均實現對葵花籽品質的檢測，但由于實驗儀器或方法的限制，均通過葵花籽的外部特征或剝除外殼后對品質進行檢測研究，無法實現對葵花籽殼內籽仁品質的帶殼無損檢測。

太赫茲波介于紅外和微波之間，具有較低能量和較高穿透性，不會引起有害的電離反應，且對絕大部分非極性物質有較強穿透能力，近年來在食品[5]、農業[6]、工業[7]、醫學[8]、安檢[9]及考古[10]等檢測領域得到了廣泛應用。相比現有檢測手段，太赫茲時域光譜成像技術能在不破壞葵花籽外殼的情況下將內部籽仁的形態以圖像的形式呈現出來。因此，本文利用太赫茲時域透射成像技術分別獲得帶殼葵花籽正常粒、破損粒、蟲蝕粒和空殼粒的透射圖像，再通過形態學濾波和K-均值圖像分割算法，實現對葵花籽殼內籽仁品質的帶殼無損檢測，為帶殼油料作物內部品質的無損檢測提供新思路。

1 實驗部分

1.1 材料

本文選擇主要用于榨油的小油葵作為實驗對象。為檢測葵花籽常見的異常情況，選用一顆正?？ㄗ裑如圖1(a)]作為參照樣本，同時參照GB/T 5494—2008《糧油檢驗 糧食、油料的雜質、不完善粒檢驗》制備破損粒[如圖1(b)，去掉葵花籽仁一部分)、蟲蝕粒(如圖1(c)，籽仁邊緣挖洞]、空殼粒[如圖1(d)，去掉籽仁]三類異常樣本。制備完成后將葵花籽的外殼嚴絲合縫的合并固定，使其在外觀上與正?？ㄗ淹耆嗤?。

圖1 葵花籽樣品圖(a)：正常粒；(b)：破損粒；(c)：蟲蝕粒；(d)：空殼粒Fig.1 Sample of sunflower seeds(a)：Normal seed；(b)：Damaged kernel；(c)：Worm-eaten kernel；(d)：Empty seed

1.2 儀器

實驗儀器采用劍橋Tera View公司生產的太赫茲時域脈沖光譜儀，型號為TeraPulse 4000，如圖2(a)所示，成像方式為脈沖成像，可發射頻率從60 GHz到4 THz(2～133 cm-1)的太赫茲波，信噪比最高可達到70 dB。圖像數據采集部分利用太赫茲透射成像附件進行，如圖2(b)所示，其掃描范圍為20 mm×20 mm。

圖2 實驗儀器(a)：太赫茲脈沖光譜儀；(b)太赫茲透射成像附件Fig.2 Experimental apparatus(a)：Terahertz pulse spectrometer；(b)：Terahertz transmission imaging attachment

1.3 光譜圖像采集

葵花籽光譜圖像采集具體過程如下：將透射附件安裝到太赫茲時域脈沖光譜儀上，采集無樣品時的太赫茲脈沖波作為參考信號，確認信號源無誤后開始正式實驗。將樣品固定在樣品架中心位置，設置相關參數后開始采集，采集過程由TeraPulse軟件控制執行。根據樣本大小設置合適的采樣范圍，以0.2 mm分辨率進行光譜圖像采集，采集一個完整的樣本圖像所需時間約13～14 min。圖像重構方式選擇峰峰值成像。

1.4 數據處理方法

太赫茲圖像含有噪聲，分辨率較低，邊緣模糊不光滑，需要對原始圖像進行相關優化處理，保證葵花籽品質檢測的準確性。

1.4.1 圖像濾波處理

為保留葵花籽透射圖像中的邊緣信息，選用形態學濾波器(Morphological filter)中的外部梯度[11]進行圖像濾波處理。外部梯度先對原始圖像進行一定次數的膨脹操作，再將膨脹結果與原始圖像做差，實現對原始圖像的濾波。

1.4.2 圖像分割算法

圖像分割方法包括基于閾值、基于區域、基于聚類及基于特定理論四大類，本研究選用基于聚類的K-均值(K-means)圖像分割算法對濾波后的葵花籽圖像進行分割。K-means算法可以實現類間相似度最低和類內相似度最高[12]，其基本原理[13]為：

將待分割圖像中所有像素點看作數據集合中的所有樣本點，隨機選取K個樣本點作為初始聚類中心，計算每個樣本點到各聚類中心的歐氏距離，找出其中的最小值，將該樣本點劃入該聚類中心所屬類，遍歷完所有樣本點以后，重新確定聚類中心，一般以所在區域內樣本點的均值作為新的聚類中心；然后再次計算每個樣本點到新的聚類中心的距離，對樣本重新進行歸類，再次調整聚類中心；重復以上步驟，直到聚類中心不再改變，即當前所屬類區域內的樣本點到該聚類中心的歐式距離平方和最小，樣本點劃分完畢，圖像分割完成。

以上數據處理過程均通過Matlab2017軟件完成。

2 結果與討論

太赫茲圖像不僅包含樣品的空間信息，也包括樣品時間軸上的信息，圖像中的每個像素點代表一條光譜。通過太赫茲透射成像附件掃描所得樣本的太赫茲圖像如圖3所示，觀察葵花籽的太赫茲圖像可發現，葵花籽內部籽仁的形態可初步分辨，但仍存在分辨率較低，邊緣不明確的問題。

圖3 四類葵花籽的太赫茲透射圖像(a)：正常粒；(b)：破損粒；(c)：蟲蝕粒；(d)：空殼粒Fig.3 Terahertz transmission images of four categories of sunflower seeds(a)：Normal seed；(b)：Damaged kernel；(c)：Worm-eaten kernel；(d)：Empty seed

此外，葵花籽的不同位置成像后顏色不同，以蟲蝕粒為例，對比籽仁部分和外殼部分太赫茲光譜可以發現有明顯區別，如圖4所示。籽仁主要成分為脂肪和蛋白質，所得太赫茲光譜曲線圖有明顯的兩個峰，并且籽仁部分相比空殼部分較厚，對太赫茲波的吸收較強，因此太赫茲信號的強度最大只達到2左右；空殼部分為干燥的木質化外殼，對太赫茲信號吸收較少，太赫茲信號的強度最大可達到5左右。由于不同位置物質不同，對太赫茲光的吸收強度不同，太赫茲光透射率不同，最終探測到返回的信號強度不同，使得重構后圖像的不同位置有明顯的顏色差異。因此，通過對葵花籽的太赫茲圖像進行分析處理，實現對葵花籽品質的帶殼無損檢測是可行的。

圖4 葵花籽不同位置對應的時域光譜Fig.4 Time-domain spectra corresponding to different positions of sunflower seed

2.1 圖像濾波結果

為實現對葵花籽殼內籽仁異常情況的檢測，需要提高圖像的對比度，同時盡可能保證邊緣信息被保留，因此首先對葵花籽太赫茲圖像進行濾波處理。圖5為采用中值濾波、均值濾波及非局部均值(non-local means，NLM)濾波對蟲蝕粒的太赫茲圖像進行濾波所得的結果，其中圖5(a)為利用5×5模板進行均值濾波所得結果，圖5(b)為5×5模板進行中值濾波的結果，圖5(c)為搜索窗口為5×5、鄰域窗口為2×2、濾波程度為10時NLM濾波結果。

圖5 蟲蝕葵花籽太赫茲圖像濾波結果圖(a)：5×5模板均值濾波；(b)：5×5模板中值濾波；(c)：NML濾波Fig.5 Terahertz image filtering results of insect-eroded sunflower seeds(a)：5×5 template mean filtering；(b)：5×5 template median filtering；(c)：NML filtering

圖6為采用外部梯度對葵花籽蟲蝕粒的太赫茲圖像進行濾波的結果。在利用外部梯度進行濾波時，應先考慮對原始圖像的膨脹。由膨脹的原理可知，與原始圖像進行卷積的核的選擇會直接影響濾波后圖像的質量。觀察采集的太赫茲圖像可發現由于儀器精度限制和噪聲影響，圖像邊緣為鋸齒狀。為保證樣本形狀不發生巨大變化，同時使邊緣光滑，本文選擇的核為平坦型菱形結構元素，其尺寸大小為3。同時，為確保圖像不被過度膨脹，本文只對各葵花籽的透射圖像進行一次膨脹，之后將膨脹結果與原始圖像做差，求得外部梯度。對比蟲蝕粒的外部梯度結果[如圖6(c)]和基礎形態學梯度結果[如圖6(d)]可發現，外部梯度的濾波結果相比基本形態學梯度的濾波結果有明顯提升。

圖6 蟲蝕葵花籽太赫茲圖像形態學濾波結果圖(a)：原始圖像；(b)；一次膨脹結果；(c)：外部梯度；(d)：形態學梯度Fig.6 Results of morphological filtering of insect-eroded sunflower seeds terahertz image(a)：Original image；(b)：One dilatation result；(c)：External gradient；(d)：Morphological gradient

對比圖5和圖6(c)的濾波結果可以發現，中值濾波、均值濾波及NLM濾波能很好地去除噪聲，但圖像清晰度低，邊緣部分并沒有得到很好地保留，不利于葵花籽籽仁形態的檢測。而形態學濾波明顯提升了圖像質量，在有效去除圖像噪聲的同時，提高圖像對比度，還能準確保留圖像邊緣信息，使葵花籽與背景之間有明顯界限，其濾波結果明顯優于中值濾波、均值濾波及NLM濾波結果。四種不同狀態的葵花籽對應的形態學濾波結果如圖7所示。

圖7 不同狀態葵花籽圖像形態學濾波結果(a)：正常粒；(b)：破損粒；(c)：蟲蝕粒；(d)：空殼粒Fig.7 Morphological filtering results of sunflower seed images with different states(a)：Normal seed；(b)：Damaged kernel；(c)：Worm-eaten kernel；(d)：Empty seed

2.2 圖像分割結果

為進一步準確識別葵花籽殼內籽仁狀態，本文采用K-means聚類算法對濾波后的太赫茲圖像進行圖像分割。經形態學濾波后的太赫茲圖像是RGB圖像，構成的是一種非均勻顏色空間，用歐氏距離難以測量出顏色之間的特征差異，影響分割效果。而CIE(Commission Internationale de L’Eclairage，國際照明委員會)-Lab顏色空間是一種均勻的顏色空間[14]，在該顏色空間中，歐氏距離測量不同顏色之間差異性時具有不變性，即顏色相近的像素點其歐氏距離相應較小，顏色差異較大的其對應歐氏距離也較大[15]。因此，為使圖像分割結果準確，先將濾波后的太赫茲圖像轉換到Lab顏色空間再進行分割。

K-means聚類算法是一種無導師監督的學習算法，初始聚類中心個數K的選擇直接影響圖像分割結果。本文針對籽仁的不同狀態確定各葵花籽圖像的初始聚類中心個數K如下：破損粒K=4，蟲蝕粒K=5，空殼粒K=3、正常粒K=4。確定初始聚類中心的個數后，設置最大迭代次數為500次，即可對不同狀態的葵花籽圖像進行分割，結果如圖8所示。

由圖8可看出，空殼粒圖像分割結果[圖8(d)]最好，能迅速準確的判斷殼內無籽仁；正常粒[圖8(a)]、破損粒[圖8(b)]及蟲蝕粒[圖8(c)]的分割結果能將葵花籽籽仁部分劃分為一個類，但籽仁的最中間部分被分割到與背景同類，分析其原因是由于葵花籽籽仁的最中間位置沒有邊緣部分緊實，透過的太赫茲光強度相對較大，成像后的顏色經形態學濾波后與背景顏色接近，故而在圖像分割時與背景歸為一類，但最終的圖像分割結果并未影響對葵花籽籽仁形態的判定。因此，盡管存在一些小的噪聲類，但K-means分割算法仍能準確呈現葵花籽殼內籽仁的形態，實現對葵花籽品質的無損檢測。

圖8 不同狀態葵花籽圖像K-means圖像分割結果(a)：正常粒；(b)：破損粒；(c)：蟲蝕粒；(d)：空殼粒Fig.8 K-means image segmentation results of sunflower seed images with different states(a)：Normal seed；(b)：Damaged kernel；(c)：Worm-eaten kernel；(d)：Empty seed

3 結 論

利用太赫茲時域透射成像技術分別獲得正常飽滿的葵花籽和籽仁破損、蟲蝕、缺失三種異常情況下葵花籽的太赫茲圖像，利用形態學濾波中的外部梯度對葵花籽太赫茲圖像進行濾波處理，在提高圖像清晰度的同時，保證了樣品的形狀及邊緣信息不被改變或模糊。此外，結合K-means圖像分割算法對濾波后圖像進行分割，提高了對葵花籽殼內籽仁形態的檢測準確性。實驗結果表明，相比傳統檢測方法費時費力，易造成原材料污染等缺點，太赫茲時域透射成像技術可以在不破壞葵花籽外殼的情況下將殼內籽仁的形態以圖像的形式直觀呈現，結合形態學濾波算法及K-means圖像分割算法，能夠對葵花籽殼內籽仁的品質實現快速無損綠色檢測，為建立基于太赫茲時域光譜圖像的葵花籽品質檢測模型奠定基礎，為油料作物內部品質的帶殼無損檢測提供新的方法參考。