摘  要： 面粉麩星的多少是評(píng)價(jià)面粉質(zhì)量的一種重要指標(biāo)，傳統(tǒng)的面粉麩星檢測(cè)都是依靠人工感官方式，即操作人員利用放大鏡（5倍或5倍以上）查找統(tǒng)計(jì)視野中能見(jiàn)的麩星。由于麩星的數(shù)量多且面積小，因此,靠人工感官檢測(cè)方式得到的數(shù)據(jù)結(jié)果往往達(dá)不到精度要求。針對(duì)這一問(wèn)題提出了一種基于計(jì)算機(jī)圖像處理技術(shù)的面粉麩星檢測(cè)方法，利用該方法可以快速準(zhǔn)確地檢測(cè)出面粉的麩星個(gè)數(shù)、麩星面積以及面積百分比等指標(biāo)。
關(guān)鍵詞： 面粉麩星； 圖像處理； 計(jì)算機(jī)檢測(cè)

      面粉麩星是指成品面粉中肉眼可見(jiàn)的、顏色明顯深于面粉的斑點(diǎn)，其主要成分是小麥加工成面粉過(guò)程中未分離出去的小麥麩皮，也有未清理干凈的蕎麥皮、草籽皮，甚至還有大小、比重與小麥相近的黑石塊、煤渣等[1]。面粉麩星的面積大小和數(shù)量多少不但影響面粉的純度與白度,也將影響面粉生產(chǎn)工藝過(guò)程中其他相關(guān)指標(biāo)，例如：出粉率、粉中含麩率、面粉等級(jí)等，更可衡量面粉生產(chǎn)過(guò)程中清理是否干凈、磨粉機(jī)搭配調(diào)整是否得當(dāng)、篩理匹配是否合理等。從中還可得出小麥制粉工藝及設(shè)備是否先進(jìn)、操作是否正確等[2]。
　 傳統(tǒng)的人工檢測(cè)方法就是操作人員利用放大鏡（5倍或5倍以上）直接查找視野范圍內(nèi)能見(jiàn)的麩星并統(tǒng)計(jì)個(gè)數(shù)。由于面粉質(zhì)量不同、操作人員視覺(jué)疲勞、光線能見(jiàn)度低等原因，依靠這種方式檢測(cè)出的面粉麩星個(gè)數(shù)只能對(duì)面粉等級(jí)做出定性判定，無(wú)法給出準(zhǔn)確的定量判斷。全國(guó)各地的面粉廠和面粉檢驗(yàn)機(jī)構(gòu)都是由國(guó)家糧食檢驗(yàn)方面的專家每年(或半年)憑感官評(píng)出的等級(jí)面粉小樣與被檢測(cè)的面粉進(jìn)行比較，給出某種面粉麩星是否超標(biāo)而標(biāo)定出該面粉的質(zhì)量和等級(jí)，這種標(biāo)定方法主觀性太強(qiáng)、誤差較大[3-6]。針對(duì)以上所存在的問(wèn)題，本文提出了一種基于計(jì)算機(jī)圖像處理技術(shù)來(lái)檢測(cè)麩星的方法，通過(guò)此方法可以實(shí)現(xiàn)對(duì)面粉麩星的準(zhǔn)確定量檢測(cè)。
1 麩星檢測(cè)的基本原理
     基于圖像處理的麩星檢測(cè)過(guò)程是:首先對(duì)面粉拍照，然后將圖片輸入到計(jì)算機(jī)，再利用麩星識(shí)別系統(tǒng)進(jìn)行檢測(cè)。對(duì)于計(jì)算機(jī)而言圖片實(shí)際上是一個(gè)像素的二維數(shù)組，典型情況下，顏色的每個(gè)組分都用1個(gè)字節(jié)來(lái)表示，這樣每種顏色組分只有256個(gè)級(jí)別，區(qū)分度和對(duì)比度都不高；數(shù)字?jǐn)z像頭所拍攝的面粉圖片為真彩圖片，其中每個(gè)像素的顏色由紅（R）、綠（G）、藍(lán)（B）3種基本色的分量來(lái)表示。這種方法每個(gè)像素使用3個(gè)字節(jié)，允許達(dá)到256×256×256=167 772 16或1 600萬(wàn)種RGB值(顏色)[7]。與面粉相比麩星的顏色較深，也就是說(shuō)面粉顏色的RGB值小于麩星顏色的RGB值,基于此,可以利用麩星點(diǎn)的像素值與面粉圖片背景的像素值存在的差異將其檢測(cè)出來(lái)。
2 麩星檢測(cè)的實(shí)現(xiàn)
2.1 圖片的預(yù)處理
　  因?yàn)閳D片在繪制過(guò)程中或輸入到計(jì)算機(jī)的過(guò)程中可能引入噪聲，因此，對(duì)面粉圖片進(jìn)行操作之前需進(jìn)行必要的預(yù)處理，這是計(jì)算機(jī)進(jìn)行圖片處理時(shí)必不可少的。通常的預(yù)處理過(guò)程包括灰度化處理、二值化處理、平滑、濾波等等[8]。
　  (1)圖像的灰度化。一般情況下，彩色圖片中每一個(gè)像素的R、G、B值都不盡相同，如果直接將面粉顏色的像素與麩星顏色的像素進(jìn)行比較所得到的檢測(cè)結(jié)果精度往往不高,且每次檢測(cè)的面粉質(zhì)量都有所不同，拍出的圖片彩色程度亦有所不同，這會(huì)導(dǎo)致檢測(cè)結(jié)果的穩(wěn)定性較差，因此需將圖片進(jìn)行灰度處理?；叶忍幚淼姆椒ㄓ泻芏?，如：最大值轉(zhuǎn)換法、平均值轉(zhuǎn)換法、黃金權(quán)重轉(zhuǎn)換法等。本文在進(jìn)行灰度處理時(shí)采用的是最大亮度轉(zhuǎn)換法，其公式如下：
    R1=G1=B1=max(R,G,B)
式中，R1、G1、B1為轉(zhuǎn)換后的像素值；R、G、B為轉(zhuǎn)換前的像素值?；叶忍幚砗蟮膱D片每一個(gè)像素的RGB值都是相同的，其范圍從(0,0,0)、(1,1,1)一直到(255,255,255)，(0,0,0)為純黑色，(255,255,255)純白色，中間的是不同級(jí)別的灰色，這樣圖片就以亮度信息為主要信息，彩色信息為次要信息，十分便于比較區(qū)分。
     (2)圖像的二值化。圖像的二值化就是指將灰度圖中的背景與有效區(qū)域變?yōu)楹诎追置鞯?種顏色。本文所使用的并不是這種傳統(tǒng)意義上的二值化方法，而是一種“非典型二值化”方法。它并沒(méi)有將面粉圖片變?yōu)楹诎讏D片,只是加強(qiáng)了面粉背景顏色與麩星點(diǎn)顏色的區(qū)分度，這樣更有利于麩星點(diǎn)坐標(biāo)的識(shí)別與提取，同時(shí)增強(qiáng)了視覺(jué)觀察度。針對(duì)麩星檢測(cè)的特點(diǎn)采用最大熵法二值化進(jìn)行處理，最大熵法是一種動(dòng)態(tài)全局閾值選取法，其優(yōu)點(diǎn)是可以針對(duì)不同圖片的不同情況選取相應(yīng)的閾值，使得該麩星檢測(cè)系統(tǒng)的檢測(cè)精度和推廣性很高[9]。該方法最早由Pun提出，其目的就是將圖像的灰度直方圖分成獨(dú)立的類，使得各類的總熵最大。設(shè)S是潛在的分割閾值點(diǎn), p0, p1, p2,…,pL是圖像灰度級(jí)的概率分布，現(xiàn)將其分為如下2個(gè)概率分布：
    

　 (3)圖像的平滑及濾波。去除圖像中噪聲的運(yùn)算在圖像處理中稱為圖像的平滑，主要是利用噪聲高頻、孤立、大偏差的特點(diǎn)進(jìn)行的,本文采用鄰域平均的方法進(jìn)行去噪。鄰域平均即是指將每個(gè)像素的灰度值用它所在鄰域內(nèi)像素的平均值來(lái)代替，從而達(dá)到去噪的效果。其優(yōu)點(diǎn)是算法簡(jiǎn)單、計(jì)算速度快。常用的鄰域平均的窗口有2種:3×3鄰域中的5點(diǎn)鄰域和9點(diǎn)鄰域，其模板如圖1所示，它們的衰減因子分別為5、9。由圖1可知，平滑模板內(nèi)各因子之和除以相應(yīng)的衰減因子的結(jié)果為1，其物理意義是平滑處理后圖像的平均亮度不變。

2.2 面粉麩星識(shí)別過(guò)程的設(shè)計(jì)
     利用C語(yǔ)言編程處理圖像的思路來(lái)說(shuō)明麩星識(shí)別的基本過(guò)程：(1)根據(jù)閾值找出符合麩星點(diǎn)判別條件的所有像素點(diǎn)的坐標(biāo)并存儲(chǔ)到相應(yīng)的數(shù)組中（橫坐標(biāo)和縱坐標(biāo)分別存在2個(gè)數(shù)組中）； (2)對(duì)這些坐標(biāo)值進(jìn)行分類，找出歸屬于同一個(gè)麩星的像素點(diǎn)的坐標(biāo)統(tǒng)計(jì)出麩星的個(gè)數(shù)。本文在對(duì)這些坐標(biāo)進(jìn)行歸一化處理時(shí)采用的是“圓心賦零”的編程思想,即以數(shù)組（橫坐標(biāo)和縱坐標(biāo)同時(shí)使用）的第1個(gè)點(diǎn)為起始點(diǎn)（即“圓心”），逐個(gè)檢測(cè)后面的點(diǎn)看是否有起始點(diǎn)周圍的點(diǎn)，如果有則停止檢測(cè)并將“圓心”賦零，然后再以第2個(gè)點(diǎn)為起始點(diǎn)繼續(xù)檢測(cè)，如此重復(fù)一直到全部檢測(cè)完畢。但這其中還存在一個(gè)問(wèn)題，即如何判定哪些點(diǎn)是“圓心”周圍的點(diǎn)。由于數(shù)組中存放的是像素點(diǎn)的坐標(biāo)值，因此采用鄰域判別法進(jìn)行判斷即可。例如：起始點(diǎn)為(3,3)，則只需看數(shù)組中剩下的坐標(biāo)值中是否有(2,2)、(2,3)、(2,4)、(3,2)、(3,4)、(4,2)、(4,3)、(4,4)即可（根據(jù)大量檢測(cè)試驗(yàn)，判斷“原點(diǎn)”周圍2圈的點(diǎn)已夠用，如果想提高精度可擴(kuò)大范圍），如果有，即存在周圍的點(diǎn)，反之亦然，如圖2所示。為了提高識(shí)別的速度可以在主函數(shù)外編寫(xiě)1個(gè)小的判斷函數(shù)，然后在主函數(shù)中反復(fù)調(diào)用即可。用“圓心賦零”法對(duì)數(shù)組處理完畢后，數(shù)組中只剩下屬于每個(gè)麩星的最右下方的像素點(diǎn)的坐標(biāo)值，其余全部為零，接下來(lái)只需重新掃描數(shù)組統(tǒng)計(jì)其中不為零的點(diǎn)的個(gè)數(shù)即為麩星的個(gè)數(shù)。

     需要指出的是，為了拍攝方便，需將面粉制成面片，在這個(gè)過(guò)程中可能會(huì)因?yàn)閴好鏅C(jī)滾軸生銹等原因在面片表面留下顏色較深的斑點(diǎn)，這些“干擾點(diǎn)”會(huì)使得檢測(cè)出的麩星個(gè)數(shù)存在誤差。通過(guò)大量的實(shí)驗(yàn)數(shù)據(jù)分析可知，一般一個(gè)麩星點(diǎn)只包括幾個(gè)到十幾個(gè)像素點(diǎn)，而“干擾點(diǎn)”往往包括幾十個(gè)像素點(diǎn)，因此，可利用麩星面積遠(yuǎn)小于“干擾點(diǎn)”的面積來(lái)判斷出這些“干擾點(diǎn)”并將它們?nèi)コ罱K得到準(zhǔn)確的麩星個(gè)數(shù)。在計(jì)算麩星面積時(shí)，本文采用的是“圓心統(tǒng)計(jì)”法，即以1個(gè)點(diǎn)為圓心統(tǒng)計(jì)出其周圍有多少個(gè)點(diǎn)。首先在統(tǒng)計(jì)麩星個(gè)數(shù)的同時(shí)將橫坐標(biāo)數(shù)組和縱坐標(biāo)數(shù)組中不為零的數(shù)統(tǒng)一存放在2個(gè)新的數(shù)組中，然后以新的數(shù)組中的第1個(gè)點(diǎn)為“圓心”點(diǎn)，對(duì)舊的數(shù)組（存放所有麩星像素點(diǎn)的數(shù)組）中的點(diǎn)逐個(gè)判斷是否為“圓心”周圍的點(diǎn)，如果是則累加。然后再以新的數(shù)組中的第2個(gè)點(diǎn)為“圓心”繼續(xù)檢測(cè)，直到所有的麩星面積都統(tǒng)計(jì)完畢。在這個(gè)過(guò)程中仍然使用上述的麩星識(shí)別的基本過(guò)程判斷程序，不過(guò)判斷范圍要擴(kuò)大到“圓心”周圍5圈（根據(jù)具體情況范圍可自定）。
     在計(jì)算麩星個(gè)數(shù)和面積的同時(shí)，如果有需要還可計(jì)算出麩星面積的百分比、麩星位置等數(shù)據(jù)。
3 應(yīng)用分析
     根據(jù)上面所述的基本原理和編程思想,利用C++ Builder 編寫(xiě)了1款麩星檢測(cè)應(yīng)用軟件如圖3所示(圖中的小白點(diǎn))[10-11]。選取了龍福97-0189、龍麥26、格來(lái)尼等品種小麥面粉樣品進(jìn)行精度測(cè)試，具體的比較結(jié)果如表1所示（檢測(cè)結(jié)果為每平方厘米所含麩星個(gè)數(shù)）。以龍福97-0189為例，人工檢測(cè)的麩星個(gè)數(shù)的結(jié)果為18個(gè)，由于左上角的2個(gè)麩星的面積很小，因此人工檢測(cè)時(shí)被遺漏掉了，而軟件檢測(cè)的結(jié)果為20個(gè)，將遺漏的那2個(gè)點(diǎn)也檢測(cè)了出來(lái)。其他樣品的檢測(cè)試驗(yàn)也具有相似的結(jié)果，基本上都能夠?qū)⑷斯z測(cè)時(shí)遺漏的點(diǎn)檢測(cè)出來(lái)，或?qū)⒍鄶?shù)的點(diǎn)排除出去。由此可見(jiàn)，與以往的經(jīng)驗(yàn)數(shù)據(jù)相比，該軟件的檢測(cè)精度更高,而且可以大幅度提高操作人員的工作效率。

    與傳統(tǒng)的人工檢測(cè)方法相比，本文所提出的基于計(jì)算機(jī)圖像處理的面粉麩星檢測(cè)方法可以很好地檢測(cè)出面粉麩星的個(gè)數(shù)、面積、面積百分比等指標(biāo)。其優(yōu)點(diǎn)是檢測(cè)精度高、檢測(cè)速度快，在很大程度上克服了傳統(tǒng)的人工檢測(cè)方法精度差、費(fèi)時(shí)費(fèi)力等缺點(diǎn)。此外，由于該檢測(cè)系統(tǒng)使用了先進(jìn)的動(dòng)態(tài)全局閾值選取法，因此其推廣性和適應(yīng)性非常好，避免了反復(fù)修改檢測(cè)靈敏度的麻煩。
    通過(guò)大量實(shí)驗(yàn)證明，該檢測(cè)系統(tǒng)的實(shí)用性強(qiáng)，非常適用于實(shí)驗(yàn)室、農(nóng)科院等相關(guān)部門(mén)。
參考文獻(xiàn)
[1]   劉興信.關(guān)于我國(guó)小麥粉質(zhì)量標(biāo)準(zhǔn)問(wèn)題的探討[J]. 中國(guó)糧油學(xué)報(bào), 2002,5(1):1-6.
[2]   范璐, 周展明, 湯堅(jiān). 圖像分析測(cè)定紅麥硬度方法的研究[J]. 中國(guó)糧油學(xué)報(bào), 2002,6(7):28-30.
[3]   GB1355 - 1986小麥粉國(guó)家標(biāo)準(zhǔn)[S].
[4]   糧食食品檢驗(yàn)編寫(xiě)組. 糧食食品檢驗(yàn)[J]. 北京：中國(guó)財(cái)經(jīng)出版社,1992,4(5):13-27.
[5]   李同強(qiáng). 面粉麩星的計(jì)算機(jī)檢測(cè)[J]. 中國(guó)糧油學(xué)報(bào), 2005,4(2):26-29.
[6]   傅德成, 孫英. 食品質(zhì)量感官鑒別指南[J].北京：中國(guó)標(biāo)準(zhǔn)出版社,1994,2(8):21-25.
[7]   劉光. C++ Builder 程序設(shè)計(jì)導(dǎo)學(xué)[M]. 北京: 清華大學(xué)出版社, 2002:210-211.
[8]   陸宗騏. C/C++圖像處理編程[M]. 北京: 清華大學(xué)出版社, 2005.
[9]   黃春艷, 楊國(guó)勝, 侯艷麗. 基于熵的圖像二值化方法比較研究[J]. 河南大學(xué)學(xué)報(bào)，2005,6(2):76-78.
[10] 羅斌. C++ Builder 精彩編程實(shí)例集錦[M]. 北京: 中國(guó)水利水電出版社, 2005:238-240.
[11] 蒙祖強(qiáng), 龔濤. C++ Builder 程序員成長(zhǎng)攻略[M].北京: 中國(guó)水利水電出版社, 2007:369-37.