刘 韦

（济南大学 泉城学院，山东 蓬莱 265600）

双孢蘑菇（Agaricus bisporus）的质地厚实、味道鲜美、颜色洁白，是目前世界上生产量最大、栽培区域最广的食用菌品种，又被称为洋蘑菇、白蘑菇和口蘑等[1-2]。随着双孢蘑菇需求量的不断增加，现阶段已经实现工厂化生产，较大规模工厂每日生产的双孢蘑菇高达上百吨[3]。目前，国内主要通过人工对双孢蘑菇进行分级处理，工人自身素质会影响到人工分级的精准度，且人工分级还存在分级精度不稳定、劳动量大、分级标准不统一和生产效率低的问题，因此需要研究双孢蘑菇的采收和分级方法[4]。

1 概述

邢士元等[5]提出基于机器视觉的产品分级方法，该方法结合边界跟踪法和中值滤波法可对蘑菇图像进行预处理，通过外界矩形旋转法和三点一线法计算蘑菇的纵轴长和横轴长， 将蘑菇的中轴曲率、横轴长、偏心率、纵轴长、似圆度作为分级特征，通过BP神经网络实现蘑菇分级，该方法存在特征提取精准度低的问题。颜秉忠等[6]提出基于计算机技术的分级方法。在计算机中输入蘑菇的图像，并对其做灰度化处理，分割获得的灰度图像，根据分割结果提取蘑菇的轮廓，将轮廓的长宽作为参数，对新鲜双孢蘑菇进行分级，该方法提取蘑菇轮廓所用的时间较长，分级效率低。

综上所述，提出新鲜双孢蘑菇采收和自动化分级方法。

2 新鲜双孢蘑菇采收

新鲜双孢蘑菇采收和自动化分级方法通过机械采收器采收双孢蘑菇，具体步骤，见图1。

图1 机械采收器的采收步骤Fig.1 Mechanical harvester harvesting steps

通过图1可知，采用机械采收器采收双孢蘑菇主要包括两个步骤，分别是采收双孢蘑菇和将双孢蘑菇从菌床中运走。

在采收双孢蘑菇时，需要切断双孢蘑菇的菌柄，并使双孢蘑菇直立，将双孢蘑菇与菌簇分开。

传送双孢蘑菇时的主要步骤为：分割菌床，将双孢蘑菇从床面上提起，并使双孢蘑菇离开菌床，将其放到传送带中或容器中。

3 双孢蘑菇自动化分级方法

3.1 图像预处理

新鲜双孢蘑菇采收和自动化分级方法在双孢蘑菇行业标准的基础上，将双孢蘑菇分为小、中、大三个级别。采集新鲜双孢蘑菇图像，提取图像中新鲜双孢蘑菇的特征参数时，发现双孢蘑菇的柄部和图像中存在的阴影是影响特征提取精准度的主要影响因素，因此新鲜双孢蘑菇采收和自动化分级方法结合寻找最大阈值分割法和全局阈值分割法对双孢蘑菇图像进行第一次分水岭处理，去除双孢蘑菇图像中存在的阴影，之后结合闭运算和Canny算子对双孢蘑菇图像进行第二次分水岭处理，去除图像中的非边缘部分，具体过程如下：

3.1.1 获得阈值T1

通过全局阈值法对双孢蘑菇进行第一次分水岭处理之前，提取双孢蘑菇图像中的感兴趣区域，具体步骤如下：

针对全局阈值，设定初始估计值G。采用估计值G对双孢蘑菇图像进行分割，获得两组像素。分别是由灰度值高于G的像素构成的G1，以及由小于等于G的像素构成的G2。

设g1、g2分别代表的是像素G1、G2对应的平均灰度值，通过上述参数获得新阈值G的计算公式如下：

重复上述过程，当阈值G在迭代过程中的差值满足零时，停止迭代，最后获得的G即为阈值T1。

二值化处理双孢蘑菇图像之前，需要用灰度图代替原始双孢蘑菇图像，当阈值T1小于像素点的灰度值时，此时像素点变为白色，对应的灰度值为255；当阈值T1大于像素点的灰度值时，此时像素点为黑色，对应的灰度值为0，获得双孢蘑菇图像1。

3.1.2 获得阈值T2

随机变量的不确定性可以用熵描述，随机变量的不确定性越高，对应的熵值越大。在双孢蘑菇图像中，背景和前景交界处之间存在的信息最多，对应的熵值越大。

新鲜双孢蘑菇采收和自动化分级方法通过KSW算法确定阈值并使熵值最大。

设t代表的是分割阈值；L代表的是双孢蘑菇图像中存在的灰度级总数，存在公式：

式中：i=0，1，L，L-1；Pi代表的是第i个灰度在图像中出现的概率。

设T代表的是{0，1，2L，t}对应的灰度密度；B代表的是{t+1，t+2，L，L-1}对应的灰度密度，则：

上述公式中参数Pn的计算公式如下：

设H(T)代表的是灰度密度T对应的熵；H(B)代表的是灰度密度B对应的熵，其计算公式分别如下：

设ϕ(t)代表的是熵函数，其计算公式如下：

通过上述计算得到的最大熵函数对应的灰度级即为阈值T2。将双孢蘑菇图像转变为灰度图后对其进行二值化处理，当阈值T2的值小于像素点对应的灰度值时，此时像素点呈灰色，灰度值为128；当阈值T2的值大于像素点对应的灰度值时，此时像素点呈黑色，灰度值为0，获得双孢蘑菇图像2。

3.1.3 第一次分水岭

标记的双孢蘑菇图像的前景选用图像1的前景，此时像素点呈白色，对应的灰度值为255；标记的双孢蘑菇图像的背景选用图像2的背景，此时像素点呈灰色，对应的灰度值为128；剩余像素点呈黑色，对应的灰度值为0。在双孢蘑菇图像中标记出前景区域，获取不确定区域和背景区域，在背景特征和前景特征的基础上采用分水岭算法去除双孢蘑菇图像中的阴影。

3.1.4 第二次分水岭

Canny算子被广泛的应用在边缘检测领域中，将获得的阈值T1和T2分别作为高低阈值。在由低阈值构成的边缘分布图中，只保存存在连接链路的边缘点，并将由高阈值构成的边缘分布图边缘和低阈值构成的边缘分布图中保存的点连接，获得双孢蘑菇第一轮的轮廓图contours1，通过上述过程去除了低阈值分布图中存在的边缘点对应的孤立链，保存了高阈值分布图中存在的边缘点。

将双孢蘑菇图像前景对应的像素点灰度值设置为0，像素点呈现黑色，背景对应的像素点灰度值为255，像素点呈现白色。通过Canny算子挖掘双孢蘑菇轮廓，即contours1的前景对应的像素点灰度值设置为255。此时前景呈现为白色；将背景像素点对应的灰度值设置为0，此时背景呈现为黑色。将上述两个图像做运算或逻辑，如果其中一个图像的值为1，则结果为1；如果以上两个图像的值都为0，则结果为0，获得result1图像。对获得的result1图像做闭运算处理，去除双孢蘑菇图像中存在的非边缘，保留双孢蘑菇的内部边缘。

3.2 自动化分级

新鲜双孢蘑菇采收和自动化分级方法提取双孢蘑菇的大小特征和形状特征，将提取到的双孢蘑菇的大小特征和形状特征输入分类函数中，实现新鲜双孢蘑菇的自动化分级，具体步骤如下：

3.2.1 双孢蘑菇大小特征提取

根据得到的双孢蘑菇的轮廓，通过曲线对轮廓中的点进行描绘，设代表的是该区域对应的中心，可通过下式计算得到：

式中：n描述的是像素的总数；xi、yi描述的是第i个像素点的坐标。

计算轮廓中各像素点和中心之间存在的距离，并将距离平均值当做双孢蘑菇的直径r0，其计算公式如下：

3.2.2 双孢蘑菇形状特征提取

根据中心点对应的坐标获取与中心点横坐标相同的一个点，以及与中心点纵坐标相同的另一个点，通过下式计算两个点与中心点之间的距离d：

将上式计算得到的两个距离值进行比值处理，如果比值与1接近，表明双孢蘑菇的形状较好，如果比值与0较近，表明双孢蘑菇的形状较差。

将提取的双孢蘑菇大小特征和颜色特征输入支持向量机分类函数k(x,xi)中，完成双孢蘑菇的自动化分级，支持向量机分类函数k(x,xi)的表达式如下：

4 试验结果

为了验证新鲜双孢蘑菇采收和自动化分级方法的整体有效性，在Matlab平台中对新鲜双孢蘑菇采收和自动化分级方法进行测试，对双孢蘑菇分级的基础是提出双孢蘑菇的特征，分别采用新鲜双孢蘑菇采收和自动化分级方法（方法1）、基于机器视觉的蘑菇分级方法（方法2）和基于计算机技术的分级方法（方法3）进行测试，对比3种不同方法的特征提取精准度如图2所示。

图2 3种不同方法的特征提取精准度Fig.2 Feature extraction accuracy of three different methods

分析图2可知，采用新鲜双孢蘑菇采收和自动化分级方法在多次迭代中获得的特征提取精准度均高于基于机器视觉的蘑菇分级方法和基于计算机技术的分级方法，原因在于新鲜双孢蘑菇采收和自动化分级方法进行特征提取之前去除了双孢蘑菇图像中存在的阴影，减少了阴影对特征提取结果造成的影响，提高了特征提取精准度。

测试3种不同方法的分级时间，结果见图3。

图3 3种不同方法的分级时间Fig.3 Classification time of three different methods

分析图3（a）可知，采用新鲜双孢蘑菇采收和自动化分级方法对双孢蘑菇进行分级处理时，在多次迭代中所用的时间均在0.2 s以下；分析图3（b）和图3（c）可知，采用基于机器视觉的蘑菇分级方法和基于计算机技术的分级方法对双孢蘑菇进行分级处理时，所用的分级时间在0.4 s和0.5 s附近波动。对比上述测试结果可知，新鲜双孢蘑菇采收和自动化分级方法所用的分级时间均少于试验对比方法。去除双孢蘑菇图像中存在的非边缘，减少特征提取过程中需要计算的数据量，缩短对双孢蘑菇分级所用的时间，具有较高的分级效率。

5 结语

工业化生产流水线中较为重要的环节是分拣不合格产品和次品。工业产品具有一致性和规则性，对产品进行分级是较为容易的，但是农产品具有数量庞大和品种繁多的特点，由于营养、生长环境等因素相同农产品也会存在差异，使分级成为农产品领域中的难点问题。当前双孢蘑菇分级方法存在特征提取精准度低和分级效率低的问题，提出新鲜双孢蘑菇采收和自动化分级方法，试验结果表明，本文方法可精准的提取出双孢蘑菇的特征，在较短的时间内完成双孢蘑菇的分级，解决了双孢蘑菇分级中存在的问题。