0 引言

我国是一个以稻谷为主要粮食作物的农业大国。大米的外形特性是衡量大米品质好坏的重要指标，其中的碎米指标关系到大米的蒸煮品质、米饭的口感以及大米的安全储藏，是大米品质优劣的标志之一。

传统的碎米检测主要采用人工目测的方法，检测的结果主观性比较大，而且检测速度慢、效率比较低。以机器视觉为基础的智能识别代替人的视觉对大米品质进行检测，可以排除人工检测中的主观因素的干扰，具有准确度高、检测速度快等优点。目前，国内外对利用机器视觉技术进行碎米率检测进行了一些研究，并取得了一定成果。但是，这些研究主要针对大米没有粘连的情况，与实际检测略有不同。因此，对粘连大米进行碎米检测的研究将对大米的加工、检测等有实际的指导作用。

本研究首先采集大米图像，对图像进行灰度化及滤波处理，去除采集过程中产生的微小噪声，再针对大米籽粒粘连的情况，采用改进的分水岭算法，提取出所需要的单颗大米籽粒及大米的数量，再利用单颗大米的外接矩形来测定大米的长度特征，据此来检测碎米。实验结果表明:采用该方法用来识别碎米，正确率可以达到99%以上，而且不受大米的方向和形状的影响。

1 采集图像

用机器视觉技术来检测碎米，首先需要采集大米的图像，也就是采用适当的方法获取适合于计算机处理的大米图像。在采集时，按照高质量图像评判标准的要求，需要选择合适的拍摄距离和光照条件，来保证大米的轮廓清晰且被测大米籽粒的特征部位充满视场。本研究中的图像采集系统由承载平台、内部使用黑色美术纸的托盘、光源、摄像头和计算机组成。采集到的是 JPG 格式的彩色图像，并被存储在计算机内，用来检测碎米。

2 粘连大米的碎米检测算法

对粘连大米使用机器视觉技术检测碎米率的流程如图1 所示。

2.1 图像灰度化

图像采集系统采集到的是 JPG 格式的彩色大米图像，有红、绿、蓝3 个颜色通道。为了方便后续的处理，同时加快检测速度，考虑将彩色图像转换为灰度图像。根据人的眼睛对红、绿、蓝 3 种色彩的不同敏感程度，可以对 ＲGB3 个分量进行加权平均算法，按照公式(1)将原始图像转化为灰度图像，则Gray = 0． 299 00 × Ｒed + 0． 587 00 × Green + 0． 114 00 ×Blue

转换后的灰度图像如图2 所示。

2.2 图像去噪

在图像的采集及传输过程中，由于受到光照不均匀、CDD 敏感度不够高等多种客观因素的影响，图像一般都拥有噪声。图像噪声会模糊图像甚至淹没图像特征，给图像的后续处理带来困难。因此，在进一步处理之前，要对图像进行去噪处理。

中值滤波是一种能抑制噪声的非线性平滑滤波技术。它将窗口中各个像素的灰度值排序，取其中间值作为中心像素灰度的新值。中值滤波能在保持边缘信息的同时把图像的噪声滤除掉，尤其适合去除椒盐噪声和脉冲噪声，所以本次研究使用 3 ×3 的中值滤波器消除图像中的噪声，如图3 所示。

2.3粘连大米分割

图像分割是指把图像分解成构成它的子区域或物体并提取出感兴趣目标的技术和过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。目前的大米图像分割方法主要是基于阈值的分割方法。阈值分割算法只适合处理没有大米籽粒粘连的情况，因为它会把粘连在一起的多颗大米当成一颗，增大检测的误差。图 4 是使用阈值分割后的大米图像，其中有大米粘连在一起。图 5 是用虚线圆圈标记大米的粘连部分的分割出的大米的边界图。为了提取单颗大米，需要处理大米籽粒粘连的情况。

在图像处理算法中，分水岭算法是一种常用的基于区域的分割算法;但是传统的分水岭算法由于噪声和梯度的其他局部不规则性，极易导致严重的过分割。为此，对传统的分水岭算法进行了改进，采用了基于标记控制的形态学梯度的分水岭算法来实现粘连大米的分割。

在分水岭算法中，通常把梯度作为分割的地形。为了取得更好的分割效果，这里使用了灰度形态学梯度。灰度图像的形态学梯度可由灰度图像的膨胀和腐蚀运算与图像的减运算结合起来得到。设 f (x，y)是输入图像，b(x，y)是结构元素，灰度图像的形态学膨胀公式为(f  b)(s，t) = max{f(s － x，t － y) + b(x，y) |(s － x)，(t － y) ∈ Df;(x，y) ∈ Db} (2)

灰度图像的形态学腐蚀公式为(f  b)(s，t) = min{f(s + x，t + y) － b(x，y) |(s + x)，(t + y) ∈ Df;(x，y) ∈ Db}（3）

图像的形态学梯度表示为 g，则有g = (f  b) － (f  b) (4)

直接使用形态学梯度图像进行分水岭算法，存在过度分割的现象，因此使用标记控制的方法，以获得更好的分割效果。

为了得到图像的前景标记，使用形态学灰度重建来平滑大米的内部，去除微小细节及干扰。接下来对背景进行标记，是通过对大米的二值图像作欧氏距离变换，计算距离变换的分水岭变换来实现的。然后，用前景标记和背景标记来修改形态学梯度图像，使其只在前景和背景标记像素有局部极小。最后对修正后的梯度图像做分水岭变换，完成大米籽粒的分割。图6 是完成分割后的伪彩色图像，可以看到所有的大米籽粒都已经分割开来。

2.4碎米检测

原国家标准 GB1354 －86 中对碎米的定义为: 留存在直径2．0mm 圆孔筛上，不足本批正常整米2/3 的碎粒为大碎米。据此，已有的研究算法多采用大米籽粒的面积特征进行碎米的检测。而在现行的国家标准 GB1354 －2009 中，碎米的定义为:长度小于同批试样米粒平均长度3/4，留存1．0mm 圆孔筛上的不完整米粒。因此，采用碎米的长度作为碎米检测时的判断标准。为了确定米粒的长度，利用了大米籽粒的外接矩形。当图像中单粒籽粒的长度小于米粒的平均长度的 3/4 时，判定该籽粒为碎米籽粒。这里的平均长度指试样中完整米粒长度的算术平均值。为了较精确地确定米粒的平均长度，避免受到较多碎米的影响，采用了标准制定的方法，即在同样的图像获取条件下，先采集同一批大米的米粒数较少的完整米粒的非粘连图像，用机器视觉的方法确定出米粒的平均长度，再根据此长度进行碎米检测;最后，根据获得的碎米的粒数和大米的总粒数，用碎米粒数除以大米总粒数即可得出碎米率。

3 实验结果及分析

为验证文中碎米检测算法的有效性，对细长型和短胖型两大类大米进行了碎米率检测，并与人工检测结果进行了比较。根据不同的大米数量、碎米数量以及大米粘连情况，每一类大米用 3 组大米进行检测，试验结果如表1 所示。

3 实验结果及分析为验证文中碎米检测算法的有效性，对细长型和短胖型两大类大米进行了碎米率检测，并与人工检测结果进行了比较。根据不同的大米数量、碎米数量以及大米粘连情况，每一类大米用 3 组大米进行检测，试验结果如表1 所示。

参考文献（略）