谢 茜

（南阳理工学院数字媒体与艺术设计学院，河南 南阳 473000）

香菇（Lentinus edodes） 起源于中国，有着悠久的栽培历史[1]。已经成为了人们日常生活中经常食用的一种食用菌，国内和国际市场的需求量都比较大，目前也是我国产量比较大的一种食用菌[2]。随着生活水平的提高和香菇产量的不断增长，人们对香菇品质的要求也越来越高，对香菇进行等级划分已成为了衡量香菇品质的重要方法[3]。

市场销售的香菇可以分为鲜香菇和干香菇。一般香菇要从其外观从形态、含水量、颜色和香气等几个方面来进行品质的评价，其中香菇的外观品质成为了香菇等级划分的一个重要内容[4]。

根据GB/H 1013-2015中华人民共和国供销合作社行业标准的相关规定，香菇的总体外观分为厚菇和薄菇2种[5-6]。从标准可以看出，鲜香菇对外观品质都有严格的要求和标准，而人工挑选有一定误差，长时间挑选会出现眼部疲劳，不适应大批量香菇的分级检测。因此，利用计算机图像识别技术，采用图像分割和缺陷识别方法，对香菇外观品质进行自动检测，提高香菇外观分级检测质量和效率。

1 鲜香菇外观图像的视觉分选技术

1.1 鲜香菇图像采集及样品处理方法

鲜香菇从当地农贸市场购买。为保障香菇外观检测的样品多样性，人工挑选100朵完整的鲜香菇，再人为制造100朵有缺陷的鲜香菇，主要的缺陷包括菌盖缺失、破损、不规则和畸形等。在实际的香菇图像识别中，对多角度采集的同一香菇图像，只选择其菌盖面积最大的图像作为缺陷检测图像，以减少菌柄成像的干扰，示例见图1。

如图1所示，为同一个香菇2个角度的图像，在图像识别中计算机自动比较菌盖直径，只取其中最大直径的图像进行识别。

1.2 香菇图像分选技术的实现

根据鲜香菇产品的外部品质检测和分级标准，应用机器视觉的基本理论进行分级挑选。主要是通过分割提取香菇图像中的特征信息，建立相应的数学模型，对提取到的香菇图像特征信息进行分析处理，再采用相应的分类算法进行分级辨别，从而实现鲜香菇的分级挑选。

具体的分选技术实现的主要步骤有：1）将采集的红绿蓝色彩空间（red，green，blue，RGB） 的香菇图像转换为HIS（色调hue、亮度intensity、色饱和度 saturation，HIS） 和HSV（色相 hue，饱和度saturation，纯度value，HSV） 色彩空间的图像，目的是提取香菇图像中所需的色彩分量特征；2）香菇图像的预处理。图像预处理主要是图像降噪，降低图像中存在的噪声和噪点，如图像中的灰度分布不均、噪声等干扰，以确保准确分割图像；3）图像分割。利用香菇图像中的灰度信息，使用最佳阈值、梯度算子、拉普拉斯算子、Planer-Hot算子等多种算法进行图像分割，效果比对，选择最佳的香菇图像分割算法；4）特征值提取。选择合适的鲜香菇外观特征、缺陷特征等信息，并利用这些特征信息完成对鲜香菇的分选。

1.3 香菇图像的缺陷检测

香菇图像的缺陷检测技术路线如图2所示。

由图2可知，鲜香菇图像通过机器视觉检测系统中的电荷耦合元件（charge-coupled device，CCD）摄像机镜头来采集并录入到系统中；再通过图像的数字化处理技术（主要是图像的平滑度处理、图像的分割和图像边缘提取等）来获取所需要的香菇分级数据；最后再参照鲜香菇分级标准，由系统自动进行外观缺陷检测，然后进行分级处理。

2 香菇图像的灰度化和去噪分割

2.1 香菇图像灰度处理

将彩色的香菇图像转换为灰度图像，通过亮度和色度的分布，可以更加清晰地看到图像的边缘和轮廓，以方便对图像的缺陷进行标记处理。采用加权平均的方法进行香菇图像灰度处理，示例见图3。

如图3所示，根据人眼对绿色的敏感最高，对蓝色敏感最低的特性，对香菇彩色图像中的红（R）、绿（G）、蓝（B） 3个颜色分量给定一个权值W，然后将这三个分量的加权平均数的值赋予给这个像素的3个分量。按W=0.312R+0.497G+0.191B来计算加权平均值。虽然处理后的一些较暗的缺陷像素点偏暗，但经过最大值灰度处理后的香菇图像的整体亮度较好，可以清楚地看出香菇表面缺陷的色度和亮度，更容易发现香菇菌褶所呈现出的乳白色。

2.2 香菇图像去噪处理

由于光线、拍照设备精度等影响，采集的香菇图像中存在有一些噪声，会干扰后期的图像分割和特征提取。因此采用依次采用空间滤波、平滑滤波、寻求最佳阈值对香菇图像进行背景去噪处理，去除图像中的高亮度像素点，增强较暗的像素点，使图像的整体效果更加平衡。

2.3 自动化阈值分割

首先对去噪处理后的香菇图像进行降通道处理，然后进行自动化阈值分割，将经过灰度化处理和去噪处理后的二值化图像进行分割，得到的分割图像如图4所示。

如图4所示，分割后的香菇图像已经具有了明显的边缘，方便了后续的香菇图像特征值提取。

3 香菇图像特征信息的提取

3.1 香菇菌盖直径和厚度数据的提取

测量香菇图像中的菌盖大小和厚度数据来进行分级处理。香菇菌盖最大横切面的直径就是菌盖的大小尺寸，而其最大横切面就是正视图所拍摄的图像中菌盖直径。但在实际图像采集过程中，不可能都是正视图，还会有侧视图，从侧视图中也可以获得菌盖的直径。因此，采用香菇图像的正视图和侧视图2种图像中菌盖直径的平均值来作为香菇直径，从而确定香菇的直径近似大小。同理，香菇的厚度数值也采用同样的方法测量。

影响遗传结构的因素很多，如突变、基因流、选择和遗传漂变，以及繁育系统、进化历史、种子传播机制、习性、物候、演替阶段、分布范围、和环境等。广西地不容主要借助昆虫、鸟、风力等进行花粉传播，造成了居群间相对较大的基因流动（Nm＝1.456 9），阻止了居群间遗传分化的发生。广西地不容的居群较小，居群内的个体数量也较少，基因流可以减轻小居群间近交衰退和遗传变异的减少，对于濒危植物的保护非常有利。但是在某些情况下，基因流会通过远交衰退降低适合度，阻止居群的适应性分化，也会对小居群带来不利的影响。因此，应特别关注基因流在广西地不容居群保护中的作用，一旦发现基因流在世代间的变化较大时要引起注意。

以直径数据的提取为例。在计算机自动检测图像时，需要对香菇图像的轮廓进行提取，以确定其菌盖直径。首先通过对分割后的二值香菇图像进行计算，统计分割后图像中菌盖的像素个数。将正视图和侧视图统计的像素个数分别记为m（个）和n（个），由于图像采集过程中摄像机CCD与香菇实体的距离恒定，因此，2种图像中香菇实体的菌盖直径m1（cm） 和n1（cm） 与像素个数m（个） 和 n（个）成正比关系，并满足下式的关系：

式中：k为比例系数，通过香菇图像采集时的多组试验数据取平均值来确定。通过对2种分割图像的菌盖直径像素个数计算出现实中香菇菌盖的直径，5组香菇的正视图和侧视图的试验数据见表1。

表1 香菇图像的部分比例系数Tab.1 Partial scale coefficients of Lentinus edodes image

由表1可知，10张香菇图像采用的相关数据中比例系数k的平均值为87.7，根据这一k值，正视图中的香菇直径应为m/87.7，侧视图中的香菇直径数据应为n/87.7，分别再将2组数据平均，即可得到5组香菇的最终的菌盖直径。

3.2 香菇色彩特征的提取

首先对香菇图像进行颜色空间转换，将RGB色彩空间转换到HSV模型，然后才能进行特征提取。

3.2.1 颜色空间转化

将RGB转换到HSV的方法主要是将R、G、B进行归一化处理，并将变换后的H的取值范围进行设定，采用式（3） ～式（5） 分别进行转换。

式中：H为转换后的HSV模型值；H’为转换前的HSV模型值。

其中：

式中：R、G、B分别是RGB颜色空间中的3种颜色数值，R表示红色，G表示绿色，B表示蓝色；R，G，B∈ [0，1]；H、S、V分别是HSV颜色空间模型中的色相（hue），饱和度（saturation） 和纯度（value）。

3.2.2 香菇颜色特征的提取

HSV规范见表2。

表2 HSV规范Tab.2 HSV specification

如表2所示，在HSV空间内进行香菇颜色特征的提取，通过对转换成HSV颜色空间的香菇图片中的像素点进行统计，依次对每一个像素点进行颜色转换即可。

统计香菇表面所包含的像素点个数，将前期预处理后的香菇图像，根据表2的规范进行颜色空间转换。利用H、S、V分量提取香菇外观所需要的乳白色和黄褐色进行计算，统计这两种颜色区域所包含的像素点个数，从而得到这两种像素点数目的比例，这个比例称之为着色率，即2种颜色在香菇表面所点的比例，用于衡量香菇的颜色品质。

4 香菇分级和缺陷检测

将香菇图像中的菌盖直径和厚度数据与香菇分级标准数值进行对比，在香菇样品中寻找没有表面缺陷的香菇进行缺陷检测和等级划分。按菌盖直径，以鲜香菇中的薄菇等级划分为例，取3个等级香菇直径D分级值作为阈值，编写如下条件语句程序进行分选。

再通过着色率对鲜香菇进行缺陷检测和品质分级，根据人工挑选时的经验值，按一级菇90%、二级菇80%、三级菇60%的着色率等级进行鲜香菇外观品质分级。

5 结论

结合机器视觉技术和图像处理技术，通过鲜香菇的直径、厚度和着色率进行缺陷检测和外观品质分级，完成了基于机器视觉的香菇自动化分级。设计的香菇图像预处理、图像分割、平滑处理、边缘检测和色彩空间转化方案，提高了香菇检测分级速度和准确性。而且等级划分标准和分级阈值各以随时调整，当香菇等级划分标准变动时也可以随时进行调整，无需重新设计。对不同品种的香菇颜色也可以调整色彩参数，适用于多种香菇的缺陷检测场景。