文/木桥说

编辑/木桥说

前言

猴头菌，是一种营养和医药价值很高的蘑菇， 素有“素中荤”的美誉。

在国内， 猴头菌的质量检验大多还是依靠传统的人工感觉检验方式，不仅效率低，误差也很大。

而且，容易受操作人员的操作能力、情绪、颜色的分辨能力、光线、疲劳等诸多因素的影响。

这类评价大多是定性分析，客观准确。所以， 提升猴头菌质量检验的质量检验技术，是当前亟待解决的问题。

试验材料与方法

本次实验的素材是 从福建省古田县的芳明食用菌专业合作社从淘宝上买来的“猴头菇”。

实验之前， 首先将带有虫斑、病毒和机械损伤的“猴头蘑菇”剔除，并将其上的灰尘去掉，这样就不会对图片的后续加工造成干扰。

一共有31只猴头菇的标本，分成了两个小组，一个小组21只，一个小组10只， 本次试验在猴头菇有食用价值的周期内。

每隔一天分别对建模组和验证组的猴头菇采集一次图像， 总共有16个，也就是说，这个小组的标本有168只，而这个小组的样品有80只。

该方法包括：暗室，佳能60D单反相机，如图１（ａ）所示， 四个可调光的LED灯，工作台，和一块黑布，一个1米x1米的完全密封的纸箱。

仅在其顶面留有一小孔，如图１（ｂ）所示， 供佳能60D单反相机的透镜进出，并将4个可调光强的LED灯置于四角，

佳能60D单反相机的摄像设备，惠普hp14-no27TX便携式计算机，MATLAB2012a的影像处理软件。

图2显示了猴头蘑菇单株图片的预处理过程。

获取的图像是以RGB为标准的，并且使用了成分方法，也就是从原图像中分离出R，G，B三个信道的成分图像。

在R=G=B的数值为灰度时，经过试验， 结果显示R成分的背景反差最大，所以选择图像B成分作为原图像的灰度。

去噪图像在获取和传送的时候，或多或少都会受到一些噪音的影响， 这些噪音会对图像的品质造成不同的影响，造成图像的模糊性， 甚至会掩盖掉图像的某些特性，从而给后续的图像分割和分析带来更大的困难。

所以，我们需要对图像中的噪音进行去除，这种方法通常叫做去噪或者去光滑图像， 这里学者们使用一个3x3的正方形的模板来对这些噪音进行中值滤波来去除噪音。

二值化： 一幅图像往往包含目标对象、背景和噪声等信息，要从经过降噪的多值图像中得到目标对象，就必须把它转换成二值图。

边缘提取图象的边界是图象的一个主要特性， 它对图象的处理有很大的帮助，针对索贝尔，罗伯茨等算子无法精确地进行边界的位置。

其中，ｇｒａｙｔｈｒｅｓｈ函数使用最大类间方差法来获得一个阈值，阈值范围为[0,1]。

颜色特征参数的提取：在一定的意义上，颜色象征着猴头菌的级别和新鲜度， 一种能够表达这种颜色的算法被称为是色彩模式。

在流水线上的颜色探测：为了防止猴子由于温度、湿度、时间等原因造成的质量退化， 进而对它的分类精度造成了不利的影响，使用高质量的计算机色差器来实现对猴子的快速探测。

在这个实验中， 使用的色差器的色彩模式是L.a.b，根据公式（1)，计算出总的色差数值。

公式中：ΔＬ表示亮暗，＋ΔＬ表示偏亮，－ΔＬ表示偏暗；Δａ表示红绿，＋Δａ表示偏红，－Δａ表示偏绿；Δｂ表示黄蓝，＋Δｂ表示偏黄，－Δｂ表示偏蓝。

在这篇文章中，学者们将猴头菇的面积、周长、径长来描述它的尺寸 。在对原始图像进行了预处理之后，将其转换为一个以白色、黑色区域为背景的二值图像。

使用MATLAB软件中的regionprops函数，对二值图像中的目标区域的像素值展开统计， 再根据公式（2)，就可以获得猴头菇的面积S、周长L、径长R。

因为猴头蘑菇的菌盖类似于圆形，但是并不十分规则， 所以选择了菌盖的圆度和菌盖的偏心度两个指标来表征猴头蘑菇的形态。

“圆度”指的是一种用于形容猴头菇的蘑菇，它与“圆”的相似程度。 它的计算方法为：

公式中：E表示菌帽的圆度，S表示菌帽的面积，C表示菌帽的周长。

如果E的数值较大，则代表着一个图形的形状越是不规则， 也就是被测量的对象与一个圆形之间的间隙就会变得更大。

菌盖的偏心率： 偏心率也叫伸长度、离心率，可以用它来形容一个菌盖的外形。 它的计算公式是：

公式中，P是菌帽的偏心度，a是菌帽的最大直径，c是菌帽的最小直径。 偏心度愈大，则说明被测量对象愈扁平。

结果与分析

在实验中，将色彩的特征参数的抽取分成两类， 一类是可以用于流水线的色彩探测模式，即采用R，G，B三基色平均法。

另外一种更简单的方法，也就是可以在运输的时候使用， 也就是利用色差仪来对数据进行收集，然后对其进行色差值对比。

首先，将猴头菇的颜色分为1、2、3三个级别。

在过去，在进行人工分类的时候，将其分为1、2、3三个级别。 再根据猴头菇的形状，将其分为1、2、3三个级别，具体的结果见下表1。

从80例猴头蘑菇标本中，根据色彩特性对其进行分类，首先根据色彩将其分类为1,2,3个等级， 并将其分类与机器视觉及色差法的检验分类相比较，最终的分类结果见下表2。

从表2可以看出，在使用机器视觉技术进行的猴头蘑菇色彩分类时，其分类精度达到了93.75%。

而其分类精度达到了87.5%；通过色差值对猴头菇的颜色分类，其精度可以达到88.23%，精度可以达到82.36%，这已经足够达到分类的要求了。

不管是使用计算机视觉提取R、G、B三原色的平均数据来进行分类，或者使用色差仪来获取色差值来进行分类，精度都超过了80%。

但是， 使用计算机视觉的颜色分类精度要更高一些，效果也更好一些。

这也许是因为，计算机视觉提取的是一个完整的样品，猴头菇菌盖的R、G、B三原色的平均数据，而色差仪则只提取了猴头菇采样点的色差值。 所以，根据R、G、B三原色的平均数据来分类，会有更好的效果。

在验证组80个猴头菌样本中，从其中随机抽取50个样品，首先， 人工按照尺寸将其分为1级、2级、3级，与用计算机视觉检测分级进行比较，其验证结果具体如表3。

从表3可以看出，对猴头菌大小分类的验证精度最高可以达到94.12% ，最低可以达到90.00%，这已经足够满足分级的需要了。

在验证组的80个猴头菇样品中，从其中抽取了50个样品，首先，根据外形，将它们分为1、2、3级， 并进行了相应的标注和记录，以跟用电脑视觉检测得到的等级进行比较。它的检验结果见下表4。

根据表4可以看出，对猴头菌形状分类的准确率最高可达到94.12%，而最低为88.24%，这已经足够满足分级的需求了。

以猴头菇采集后到无食用价值的168个图像为样本，构造分类器模型。 其中，1、2、3级猴头菇的样本分别为35个、51个、82个。

统计的特征参数包括：颜色、大小、形状因子在内的8个特征参数值。 因为统计的特征参数的类型很多，并且它们对该模型的贡献程度也不同。

所以，为防止不相干的变量对该模型的影响， 在进行建模之前，我们将选择对它有很高贡献的特征变量。

经过对其进行建模的分析，我们发现，颜色、大小、形状因子这三大类的特征参数， 分别用其中的R均值、面积、菌盖偏心率这三个参数所建的模型的效果最佳。

所以，我们以猴头菇的等级为因变量，以R均值、面积S、菌盖偏心率P为自变量，来构造Fisher分类判别模型。

使用Fisher线性判别模型，对猴头菌展开了回判，其结果具体表现在表5中。 1级的鼠尾草识别准确率达到88.6%，2级的鼠尾草识别准确率达到88.2%，3级的鼠尾草识别准确率达到87.8%。

因为Fisher判别模型是以168个训练样本的信息为基础而得出的， 所以它的判别效果并不是非常精确。

为了对这个模型的可靠性进行更深层次的验证，在没有参与建模的80个猴头菌图像中， 从其中随机选取20个鼠尾草图像，将其用作测试集，来对这个模型展开更深入的检测。

从表5中可以看出， 1级猴头菌的识别准确率达到100%，2级猴头菌的识别准确率达到85.7%，3级猴头菌的识别准确率达到87.5%， 这说明本文构造的猴头菌分类模型取得了很好的效果。

结论

本论文以猴头菌为例，针对其进行了一种以机器视觉为核心的非破坏性检测的方法以及分级的标准， 从而为实现对其的快速、准确的检测、分级奠定了坚实的理论依据。

用机器视觉方法对图像进行了分类，对图像的颜色、尺寸和形状的分类，其分类精度都大于80%。

应用费希尔的判别方法建立的猴头蘑菇分类模式， 对1级蘑菇分类的准确度为100%，2级蘑菇分类的准确度为85.7%，3级蘑菇分类的准确度为87.5%。

这次实验使用的影像收集系统比较简单，而且收集的视角比较简单， 以后应该多个视角进行收集，并且试图构建一个3D的立体影像来提升探测的精度。

参考文献：

［１］张宝翠，刘晓鹏，朱玉昌，等《猴头菇的研究进展》

［２］张微思，何容，李建英，等《猴头菇的营养药用价值及产品研究现状》

［３］刘波《计算机视觉研究综述》

［４］杨再雄，吴恋，左建，等《基于人工智能的农产水果分级检测技术综述》

【免责声明】文章描述过程、图片都来源于网络，此文章旨在倡导社会正能量，无低俗等不良引导。如涉及版权或者人物侵权问题，请及时联系我们，我们将第一时间删除内容！如有事件存疑部分，联系后即刻删除或作出更改。