鄧立苗+馬文杰

摘要：基于圖像處理方法，以23個常見玉米品種葉片作為供試樣本，每張葉片采集反射和透射圖像，每幅圖像分別提取形態(tài)、顏色和紋理三大類共48個外觀特征，構(gòu)建支持向量機模型進行訓練識別。結(jié)果表明，48個特征的整體識別率可達到87%以上，顏色類特征較形態(tài)類和紋理類特征具有較高的識別率，形態(tài)類特征中反映大小的特征識別率較低。對不 同類別的特征組合后，識別率均達到86%以上。品種的數(shù)量影響著樣本識別結(jié)果，當品種數(shù)量大于17之后，識別率明顯降低。透射圖像較反射圖像具有更好的識別效果。

關(guān)鍵詞：圖像處理；支持向量機；玉米；品種識別

中圖分類號： TP391. 41文獻標志碼： A文章編號：1002-1302（2014）06-0372-03

收稿日期：2013-08-28

基金項目： 山東省自然科學基金（編號：ZR2009GM006）。

作者簡介：鄧立苗（1978—），女， 山東沂水人，博士，講師，主要從事圖像處理方面研究。Tel：（0532）88030271；E-mail：denglm68@163.com。

通信作者：馬文杰，博士，副教授，主要從事農(nóng)業(yè)信息化方面研究。Tel：（0532）88030602；E-mail：wjma@qau.edu.cn。玉米是重要的糧食作物之一，品種眾多，不同玉米品種由于受遺傳特性影響，生長期間的外觀性狀表現(xiàn)也有差異。在玉米生長管理和科學研究中，大量的工作須借助形態(tài)、顏色和紋理等外觀特征判斷，而這些特征的提取主要靠人工測量，工作量大且繁瑣、主觀性強，嚴重制約了玉米科學研究和生產(chǎn)上先進技術(shù)的應用和推廣。利用圖像處理技術(shù)實現(xiàn)不同品種玉米生長期間植株外觀性狀特征的客觀描述，對科學保留不同品種玉米的量化特征信息，建立玉米外觀性狀特征信息數(shù)據(jù)庫，正確指導玉米生產(chǎn)非常有必要。

圖像處理技術(shù)已廣泛應用于玉米生產(chǎn)管理和品種識別中，主要研究田間雜草識別[1]、病蟲害識別[2]、葉面積測定[3]、玉米葉片葉綠素含量測量[4]、種子質(zhì)量檢測與分級[5]。在玉米品種識別方面，研究多定位在籽粒品種識別方面[5-8]，而利用玉米生長期間植株特征信息來識別玉米品種的研究未見報道。由于玉米葉片中包含了大量用來區(qū)別不同品種的外觀特征信息，且存活期長，易于采集。本研究以農(nóng)業(yè)生產(chǎn)中常規(guī)栽培的23個玉米品種的葉片作為供試樣本，每個品種采集5張樣本葉片，對每張葉片采集反射和透射圖像，提取了形態(tài)、顏色和紋理共48個統(tǒng)計特征，然后構(gòu)建了支持向量機模型進行品種識別，并對識別結(jié)果進行分析。本研究中特征提取和識別基于Matlab R2008a，分析工具為SPSS 13.0。

1材料與方法

1.1供試材料

供試玉米品種共計23個（表1），均采用大田常規(guī)管理方法在試驗基地進行統(tǒng)一栽培，目的就是為了保證在完全自然生長狀態(tài)下實現(xiàn)對不同品種玉米的外觀特征量化識別。

編號名稱編號名稱編號名稱1安玉5號9谷育17817農(nóng)大1082北京德農(nóng)95810濟豐9618農(nóng)華1013丹玉8611金海5號19齊單1號4德瑞2912金海60420秋樂天泰585登海66213浚單2021三北青貯6登海70114寬城6022中科4號7費玉4號15良玉6623中科11號8豐玉4號16良玉188

1.2圖像采集

在玉米的不同生長時期分別對每個品種進行葉片采樣，在每個品種的不同單株上采集相同位置的5張葉片，然后用數(shù)碼相機采集葉片的反射圖像和透射圖像。由于玉米葉片在自然光照下反光較嚴重，反射圖像采用室內(nèi)燈光下拍攝，而透射圖像則在自制的燈箱（圖1）內(nèi)拍攝，燈箱規(guī)格（長×寬×高）為100 cm×75 cm×120 cm。箱體頂部、底部及4個側(cè)面均用雙層黑色棉布遮擋，以防止外界光線的射入和光線在箱體內(nèi)發(fā)生漫反射；箱體中間偏下放置厚度4 mm的雙面磨砂玻璃載樣臺，保證采集透射圖像時得到均勻的透射光線；箱體底部的照明光源為8支30 W的日光燈管，箱體頂部固定數(shù)碼相機。反射圖像采集使用佳能EOS7D，透射圖像采集使用佳能EOS500D。采集的圖像如圖2所示。

1.3特征提取

為了對葉片圖像進行識別分析，對所采集的葉片圖像，提取了形態(tài)、顏色、紋理共48個外觀特征（表2），并將提取的特征保存在Excel文件中。

類別特征形態(tài)類

面積、長軸長、短軸長、等面圓直徑、橢圓度、凸形面積、伸展度、緊湊度、周長、圓形度、長寬比顏色類

RGB顏色空間的3個分量的均值、方差、偏度和峰度；與HSV顏色空間3個分量的均值、方差、偏度和峰度紋理類

灰度圖像均值、方差、平滑度、三階矩、一致性、熵；包括反映圖像灰度值次數(shù)分布特點的7個統(tǒng)計不變矩

1.4支持向量機

支持向量機（support vector machine，SVM）是近年來機器學習研究的一項重大成果。它是在統(tǒng)計學習理論、VC維理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上建立起來的，根據(jù)有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷，以求獲得最好的推廣能力。與傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)相比，它不僅結(jié)構(gòu)簡單，而且泛化能力明顯提高。支持向量機是針對2類模式識別問題的，當解決多類問題時，需要對SVM進行擴展[9]。本研究采用“一對一”的方法，把每類與其余各類分別構(gòu)成1個2類問題，n個類別共構(gòu)造C2n個2類SVM。當對一個未知樣本進行分類預測時，所有的2類SVM得到C2n識別結(jié)果，采用投票法來決定測試樣本的類別，出現(xiàn)次數(shù)最多的類別即預測為該樣本的類別。在本研究中，核函數(shù)選用徑向基函數(shù)，懲罰因子C=128，核參數(shù)λ=0.007 812 5，這2個參數(shù)由網(wǎng)絡(luò)化訓練得到。

2結(jié)果與分析

2.1不類特征識別效果分析

以2011年8月14日采集的23個品種的透射圖像作為研究對象，每幅圖像提取48個特征，然后進行品種鑒別能力測試，48個特征的整體識別率為89.1%。為了分析不同類別特征對玉米品種識別的影響，分別統(tǒng)計形態(tài)、顏色和紋理3類特征的識別率，統(tǒng)計結(jié)果如表3所示。同時測試每個特征的識別率，前10個識別率最高的特征及識別率如表4所示。

特征組合的識別效果

類別識別率（%）形態(tài)顏色紋理形態(tài)61.287.3386.43顏色85.6489.47紋理72.16

由表3和表4可見，形態(tài)類、顏色類、紋理類特征的識別率分別為604%、85.64%、72.16%，可見顏色類特征的品種識別率最高，而形態(tài)特征的識別率相對較低。形態(tài)特征的識別率最低，僅為60%左右，主要是由于玉米葉片的不規(guī)則性和不平整，導致特征提取以及識別出現(xiàn)誤差。由表3可見，

前10個識別率高的特征

特征名識別率（%）特征名識別率（%）峰度H42緊湊度31標準差G40平均值H30長寬比38標準差B29標準差R37橢圓度28三階矩36標準差H27

反映形狀的特征如緊湊度和長寬比等具有比較高的識別率。顏色類特征識別率比較高，一方面是由于特征數(shù)量多達24個，另一方面由單個特征識別結(jié)果可見，某些顏色分量（如H分量）具有較高的識別率。對不同類特征組合后，形態(tài)+紋理、顏色+紋理和形態(tài)+顏色的識別率分別為8643%、8947%、87.33%，而整體識別率僅89.7%。可見當特征達到一定數(shù)量時，已經(jīng)具有較高的識別率，在這種情況下增加特征的數(shù)量，識別率也不會有較大的變化。因為特征之間存在一定的冗余信息，特征數(shù)量的增加并不能進一步提高識別率。

由以上分析可以看出，提取的特征具有較大的數(shù)據(jù)冗余度，特征數(shù)量太多會增加品種識別的復雜性及效率。為了在不降低識別效果的前提下降低特征維數(shù)，減少特征之間的冗余度，提高品種識別效率，對所提取的特征進行主成分分析，前12個主成分貢獻率及累積貢獻率如圖3所示。

僅12個主成分累積貢獻率可達到95%以上，在此基礎(chǔ)上增加主成分的個數(shù)累積貢獻率已沒有太明顯的變化。選用12個主成分進行品種識別可以有效降低特征維數(shù)，同時還能盡可能多地反映原來的特征信息，從而提高品種識別效率。

2.2品種數(shù)量變化對識別結(jié)果的影響分析

為了尋找對品種識別貢獻較大的特征，使用SPSS分析工具中的步進式方法進行判別分析，采用Mahalanobis距離作為逐步判別分析方法[10]，選取貢獻比較大的7個特征：短軸長、V分量均值、B分量均值、B分量方差、H分量均值、紋理方差和不變矩2。對所選擇的7個特征，使用支持向量機測試品種數(shù)量從1增加到23時的品種識別率，生成的識別率變化曲線如圖4所示。

隨著品種數(shù)量的增加，對23個玉米品種識別率呈下降趨勢，在品種數(shù)量小于9時，識別率可以達到100%。品種個數(shù)大于9時，識別率開始下降，但仍保持比較高的識別率，識別率在87%以上；品種個數(shù)達到18時，識別率開始急劇下降至75%，以后一直呈下降趨勢；當樣本個數(shù)達到23時，識別率僅為63%。當品種數(shù)量較多時，某些玉米品種會出自同一個父本或者母本，具有比較大的相似性，因此辨別識別率降低。

2.3反射和透射識別分析

對2011年8月14日采集的玉米葉片的反射和透射圖像，分別統(tǒng)計不同類特征（形態(tài)類、RGB顏色類、HSV顏色類和紋理類）的測試識別率，統(tǒng)計結(jié)果如圖5所示。

從整體識別效果上看，反射圖像和透射圖像效果差別不太明顯，透射圖像稍高一些。對于形狀特征，由于形態(tài)特征不受光照和拍攝環(huán)境的影響，反射和透射的識別結(jié)果差別不大。顏色特征中不同的顏色系統(tǒng)具有較大的差別，反射圖像RGB顏色特征識別效果較好，而透射圖像對HSV顏色特征識別效果較好。對于紋理特征，透射圖像的識別效果稍好一些，通過透射使葉片的紋理會變得更加清晰，從而具有較好的識別效果。

3討論

相對來說，形態(tài)特征具有比較低的識別率，一方面，由于玉米葉片的不規(guī)則性和葉片不平整，每張葉片只采集1幅二維圖像，無法將葉片的形態(tài)特征全面描述出來，如果要全面描述玉米葉片形態(tài)，須要構(gòu)建玉米葉片的三維幾何模型[11-12]；另一方面，在圖像采集過程中沒有進行標度校準，因此反映大小的特征如面積、周長等特征無法測量實際尺寸，也沒有統(tǒng)一的參考標準，從而導致這些特征的識別率較低。為了能夠更準確地提取葉片的實際尺寸，需要對所測量的數(shù)據(jù)進行校準標定，如采用參考物法進行面積等特征的測量[13]。

本研究中由于受采集條件的影響，每個品種的樣本數(shù)量較少，只有5個，在一定程度上影響了試驗結(jié)果的準確性和全面性；由于樣本數(shù)量有限，本研究建立的支持向量機模型僅進行了品種的自我識別，識別率均為樣本的自我識別率，沒有進行測試識別。在后續(xù)的研究中，需要大量增加樣本葉片數(shù)量。每個品種的樣本數(shù)量至少要在15以上，以減少同品種玉米葉片的特征提取誤差，從而更準確地尋找進行品種識別的關(guān)鍵特征，同時還要結(jié)合除葉片之外的其他特征如植株形狀、雌雄穗性狀等進行綜合識別，以此來提高玉米生長期間玉米品種的識別效果。

本研究供試玉米品種數(shù)量較多，為23個，從品種數(shù)量對識別結(jié)果的影響可以看出，當樣本數(shù)量大于17時，識別率明顯下降。由于遺傳因素的影響，有些品種可能來自于同一個父本或者母本，從而導致某些外觀特征具有很大的相似性，使得品種間的區(qū)分度比較小。根據(jù)這一特性，在以后的研究過程中可以通過聚類來分析玉米的譜系結(jié)構(gòu)。

4結(jié)論

本研究以23個玉米品種的葉片作為研究對象，對每張葉片的圖像分別提取了形態(tài)、顏色和紋理三大類共48個特征，建立支持向量機模型進行品種識別，并分別從組合特征的識別率、品種數(shù)量變化時識別效果及透射和反射圖像識別效果3個方面進行分析。相對于神經(jīng)網(wǎng)絡(luò)方法來說，支持向量機方法具有比較穩(wěn)定的識別效果。對不同類別特征，顏色特征具有比較高的識別率，而形態(tài)特征識別率比較低。品種的數(shù)量越多，由于遺傳等因素影響，特征組合的相似性比例越高，識別率越低。不同類別的特征對反射和透射圖像的識別效果不同，相對來說，反射圖像的RGB顏色特征識別效果稍好些，而透射圖像的HSV顏色特征和紋理特征識別效果要好一些。由于采集環(huán)境與條件的限制，本研究僅提取了玉米葉片的常規(guī)特征進行了品種識別的初步研究與分析。本研究突破了大多數(shù)研究僅集中在玉米種子品種識別的局限，雖然僅對玉米葉片品種識別作了初步探討與研究，但從分析結(jié)果可見，使用玉米葉片外觀特征進行生長期間玉米品種識別非常有意義，為玉米生長期間品種識別的研究與運用打下基礎(chǔ)。

參考文獻：

[1]紀壽文，王榮本，陳佳娟，等. 應用計算機圖像處理技術(shù)識別玉米苗期田間雜草的研究[J]. 農(nóng)業(yè)工程學報，2001，17（2）：154-156.

[2]陳麗，王蘭英. 概率神經(jīng)網(wǎng)絡(luò)在玉米葉部病害識別中的應用[J]. 農(nóng)機化研究，2011，33（6）：145-148.

[3]馬彥平，白由路，高祥照，等. 基于數(shù)字圖像的玉米葉面積測量方法研究[J]. 中國農(nóng)學通報，2009，25（22）：329-334.

[4]朱軍偉，張彥娥，王曉敏，等. 基于圖像紋理的玉米葉片葉綠素含量分析研究[J]. 微計算機信息，2010，26（10）：106-108.

[5]王玉亮. 基于機器視覺的玉米種子品種識別與檢測研究[D]. 泰安：山東農(nóng)業(yè)大學，2008：11-12.

[6]閘建文，陳永艷.基于外部特征的玉米品種計算機識別系統(tǒng)[J]. 農(nóng)業(yè)機械學報，2004，35（6）：115-118.

[7]史智興，程洪，李江濤，等. 圖像處理識別玉米品種的特征參數(shù)研究[J]. 農(nóng)業(yè)工程學報，2008，24（6）：193-195.

[8]楊錦忠，郝建平，杜天慶，等. 基于種子圖像處理的大數(shù)目玉米品種形態(tài)識別[J]. 作物學報，2008，34（6）：1069-1073.

[9]李曉宇，張新峰，沈蘭蓀.支持向量機（SVM）的研究進展[J]. 測控技術(shù)，2006，25（5）：7-12.

[10]林震巖. 多變量分析：SPSS的操作與應用[M]. 北京：北京大學出版社，2007：487-491.

[11]鄧旭陽，郭新宇，周淑秋，等. 玉米葉片形態(tài)的幾何造型研究[J]. 中國圖象圖形學報，2005，10（5）：637-641.

[12]鄭文剛，郭新宇，趙春江，等. 玉米葉片幾何造型研究[J]. 農(nóng)業(yè)工程學報，2004，20（1）：152-154.

[13]徐貴力，毛罕平，胡永光. 基于計算機視覺技術(shù)參考物法測量葉片面積[J]. 農(nóng)業(yè)工程學報，2002，18（1）：154-157

特征組合的識別效果

類別識別率（%）形態(tài)顏色紋理形態(tài)61.287.3386.43顏色85.6489.47紋理72.16

由表3和表4可見，形態(tài)類、顏色類、紋理類特征的識別率分別為604%、85.64%、72.16%，可見顏色類特征的品種識別率最高，而形態(tài)特征的識別率相對較低。形態(tài)特征的識別率最低，僅為60%左右，主要是由于玉米葉片的不規(guī)則性和不平整，導致特征提取以及識別出現(xiàn)誤差。由表3可見，

前10個識別率高的特征

特征名識別率（%）特征名識別率（%）峰度H42緊湊度31標準差G40平均值H30長寬比38標準差B29標準差R37橢圓度28三階矩36標準差H27

反映形狀的特征如緊湊度和長寬比等具有比較高的識別率。顏色類特征識別率比較高，一方面是由于特征數(shù)量多達24個，另一方面由單個特征識別結(jié)果可見，某些顏色分量（如H分量）具有較高的識別率。對不同類特征組合后，形態(tài)+紋理、顏色+紋理和形態(tài)+顏色的識別率分別為8643%、8947%、87.33%，而整體識別率僅89.7%?？梢姰斕卣鬟_到一定數(shù)量時，已經(jīng)具有較高的識別率，在這種情況下增加特征的數(shù)量，識別率也不會有較大的變化。因為特征之間存在一定的冗余信息，特征數(shù)量的增加并不能進一步提高識別率。

由以上分析可以看出，提取的特征具有較大的數(shù)據(jù)冗余度，特征數(shù)量太多會增加品種識別的復雜性及效率。為了在不降低識別效果的前提下降低特征維數(shù)，減少特征之間的冗余度，提高品種識別效率，對所提取的特征進行主成分分析，前12個主成分貢獻率及累積貢獻率如圖3所示。

僅12個主成分累積貢獻率可達到95%以上，在此基礎(chǔ)上增加主成分的個數(shù)累積貢獻率已沒有太明顯的變化。選用12個主成分進行品種識別可以有效降低特征維數(shù)，同時還能盡可能多地反映原來的特征信息，從而提高品種識別效率。

2.2品種數(shù)量變化對識別結(jié)果的影響分析

為了尋找對品種識別貢獻較大的特征，使用SPSS分析工具中的步進式方法進行判別分析，采用Mahalanobis距離作為逐步判別分析方法[10]，選取貢獻比較大的7個特征：短軸長、V分量均值、B分量均值、B分量方差、H分量均值、紋理方差和不變矩2。對所選擇的7個特征，使用支持向量機測試品種數(shù)量從1增加到23時的品種識別率，生成的識別率變化曲線如圖4所示。

隨著品種數(shù)量的增加，對23個玉米品種識別率呈下降趨勢，在品種數(shù)量小于9時，識別率可以達到100%。品種個數(shù)大于9時，識別率開始下降，但仍保持比較高的識別率，識別率在87%以上；品種個數(shù)達到18時，識別率開始急劇下降至75%，以后一直呈下降趨勢；當樣本個數(shù)達到23時，識別率僅為63%。當品種數(shù)量較多時，某些玉米品種會出自同一個父本或者母本，具有比較大的相似性，因此辨別識別率降低。

2.3反射和透射識別分析

對2011年8月14日采集的玉米葉片的反射和透射圖像，分別統(tǒng)計不同類特征（形態(tài)類、RGB顏色類、HSV顏色類和紋理類）的測試識別率，統(tǒng)計結(jié)果如圖5所示。

從整體識別效果上看，反射圖像和透射圖像效果差別不太明顯，透射圖像稍高一些。對于形狀特征，由于形態(tài)特征不受光照和拍攝環(huán)境的影響，反射和透射的識別結(jié)果差別不大。顏色特征中不同的顏色系統(tǒng)具有較大的差別，反射圖像RGB顏色特征識別效果較好，而透射圖像對HSV顏色特征識別效果較好。對于紋理特征，透射圖像的識別效果稍好一些，通過透射使葉片的紋理會變得更加清晰，從而具有較好的識別效果。

3討論

相對來說，形態(tài)特征具有比較低的識別率，一方面，由于玉米葉片的不規(guī)則性和葉片不平整，每張葉片只采集1幅二維圖像，無法將葉片的形態(tài)特征全面描述出來，如果要全面描述玉米葉片形態(tài)，須要構(gòu)建玉米葉片的三維幾何模型[11-12]；另一方面，在圖像采集過程中沒有進行標度校準，因此反映大小的特征如面積、周長等特征無法測量實際尺寸，也沒有統(tǒng)一的參考標準，從而導致這些特征的識別率較低。為了能夠更準確地提取葉片的實際尺寸，需要對所測量的數(shù)據(jù)進行校準標定，如采用參考物法進行面積等特征的測量[13]。

本研究中由于受采集條件的影響，每個品種的樣本數(shù)量較少，只有5個，在一定程度上影響了試驗結(jié)果的準確性和全面性；由于樣本數(shù)量有限，本研究建立的支持向量機模型僅進行了品種的自我識別，識別率均為樣本的自我識別率，沒有進行測試識別。在后續(xù)的研究中，需要大量增加樣本葉片數(shù)量。每個品種的樣本數(shù)量至少要在15以上，以減少同品種玉米葉片的特征提取誤差，從而更準確地尋找進行品種識別的關(guān)鍵特征，同時還要結(jié)合除葉片之外的其他特征如植株形狀、雌雄穗性狀等進行綜合識別，以此來提高玉米生長期間玉米品種的識別效果。

本研究供試玉米品種數(shù)量較多，為23個，從品種數(shù)量對識別結(jié)果的影響可以看出，當樣本數(shù)量大于17時，識別率明顯下降。由于遺傳因素的影響，有些品種可能來自于同一個父本或者母本，從而導致某些外觀特征具有很大的相似性，使得品種間的區(qū)分度比較小。根據(jù)這一特性，在以后的研究過程中可以通過聚類來分析玉米的譜系結(jié)構(gòu)。

4結(jié)論

本研究以23個玉米品種的葉片作為研究對象，對每張葉片的圖像分別提取了形態(tài)、顏色和紋理三大類共48個特征，建立支持向量機模型進行品種識別，并分別從組合特征的識別率、品種數(shù)量變化時識別效果及透射和反射圖像識別效果3個方面進行分析。相對于神經(jīng)網(wǎng)絡(luò)方法來說，支持向量機方法具有比較穩(wěn)定的識別效果。對不同類別特征，顏色特征具有比較高的識別率，而形態(tài)特征識別率比較低。品種的數(shù)量越多，由于遺傳等因素影響，特征組合的相似性比例越高，識別率越低。不同類別的特征對反射和透射圖像的識別效果不同，相對來說，反射圖像的RGB顏色特征識別效果稍好些，而透射圖像的HSV顏色特征和紋理特征識別效果要好一些。由于采集環(huán)境與條件的限制，本研究僅提取了玉米葉片的常規(guī)特征進行了品種識別的初步研究與分析。本研究突破了大多數(shù)研究僅集中在玉米種子品種識別的局限，雖然僅對玉米葉片品種識別作了初步探討與研究，但從分析結(jié)果可見，使用玉米葉片外觀特征進行生長期間玉米品種識別非常有意義，為玉米生長期間品種識別的研究與運用打下基礎(chǔ)。

參考文獻：

[1]紀壽文，王榮本，陳佳娟，等. 應用計算機圖像處理技術(shù)識別玉米苗期田間雜草的研究[J]. 農(nóng)業(yè)工程學報，2001，17（2）：154-156.

[2]陳麗，王蘭英. 概率神經(jīng)網(wǎng)絡(luò)在玉米葉部病害識別中的應用[J]. 農(nóng)機化研究，2011，33（6）：145-148.

[3]馬彥平，白由路，高祥照，等. 基于數(shù)字圖像的玉米葉面積測量方法研究[J]. 中國農(nóng)學通報，2009，25（22）：329-334.

[4]朱軍偉，張彥娥，王曉敏，等. 基于圖像紋理的玉米葉片葉綠素含量分析研究[J]. 微計算機信息，2010，26（10）：106-108.

[5]王玉亮. 基于機器視覺的玉米種子品種識別與檢測研究[D]. 泰安：山東農(nóng)業(yè)大學，2008：11-12.

[6]閘建文，陳永艷.基于外部特征的玉米品種計算機識別系統(tǒng)[J]. 農(nóng)業(yè)機械學報，2004，35（6）：115-118.

[7]史智興，程洪，李江濤，等. 圖像處理識別玉米品種的特征參數(shù)研究[J]. 農(nóng)業(yè)工程學報，2008，24（6）：193-195.

[8]楊錦忠，郝建平，杜天慶，等. 基于種子圖像處理的大數(shù)目玉米品種形態(tài)識別[J]. 作物學報，2008，34（6）：1069-1073.

[9]李曉宇，張新峰，沈蘭蓀.支持向量機（SVM）的研究進展[J]. 測控技術(shù)，2006，25（5）：7-12.

[10]林震巖. 多變量分析：SPSS的操作與應用[M]. 北京：北京大學出版社，2007：487-491.

[11]鄧旭陽，郭新宇，周淑秋，等. 玉米葉片形態(tài)的幾何造型研究[J]. 中國圖象圖形學報，2005，10（5）：637-641.

[12]鄭文剛，郭新宇，趙春江，等. 玉米葉片幾何造型研究[J]. 農(nóng)業(yè)工程學報，2004，20（1）：152-154.

[13]徐貴力，毛罕平，胡永光. 基于計算機視覺技術(shù)參考物法測量葉片面積[J]. 農(nóng)業(yè)工程學報，2002，18（1）：154-157

特征組合的識別效果

類別識別率（%）形態(tài)顏色紋理形態(tài)61.287.3386.43顏色85.6489.47紋理72.16

由表3和表4可見，形態(tài)類、顏色類、紋理類特征的識別率分別為604%、85.64%、72.16%，可見顏色類特征的品種識別率最高，而形態(tài)特征的識別率相對較低。形態(tài)特征的識別率最低，僅為60%左右，主要是由于玉米葉片的不規(guī)則性和不平整，導致特征提取以及識別出現(xiàn)誤差。由表3可見，

前10個識別率高的特征

特征名識別率（%）特征名識別率（%）峰度H42緊湊度31標準差G40平均值H30長寬比38標準差B29標準差R37橢圓度28三階矩36標準差H27

反映形狀的特征如緊湊度和長寬比等具有比較高的識別率。顏色類特征識別率比較高，一方面是由于特征數(shù)量多達24個，另一方面由單個特征識別結(jié)果可見，某些顏色分量（如H分量）具有較高的識別率。對不同類特征組合后，形態(tài)+紋理、顏色+紋理和形態(tài)+顏色的識別率分別為8643%、8947%、87.33%，而整體識別率僅89.7%?？梢姰斕卣鬟_到一定數(shù)量時，已經(jīng)具有較高的識別率，在這種情況下增加特征的數(shù)量，識別率也不會有較大的變化。因為特征之間存在一定的冗余信息，特征數(shù)量的增加并不能進一步提高識別率。

由以上分析可以看出，提取的特征具有較大的數(shù)據(jù)冗余度，特征數(shù)量太多會增加品種識別的復雜性及效率。為了在不降低識別效果的前提下降低特征維數(shù)，減少特征之間的冗余度，提高品種識別效率，對所提取的特征進行主成分分析，前12個主成分貢獻率及累積貢獻率如圖3所示。

僅12個主成分累積貢獻率可達到95%以上，在此基礎(chǔ)上增加主成分的個數(shù)累積貢獻率已沒有太明顯的變化。選用12個主成分進行品種識別可以有效降低特征維數(shù)，同時還能盡可能多地反映原來的特征信息，從而提高品種識別效率。

2.2品種數(shù)量變化對識別結(jié)果的影響分析

為了尋找對品種識別貢獻較大的特征，使用SPSS分析工具中的步進式方法進行判別分析，采用Mahalanobis距離作為逐步判別分析方法[10]，選取貢獻比較大的7個特征：短軸長、V分量均值、B分量均值、B分量方差、H分量均值、紋理方差和不變矩2。對所選擇的7個特征，使用支持向量機測試品種數(shù)量從1增加到23時的品種識別率，生成的識別率變化曲線如圖4所示。

隨著品種數(shù)量的增加，對23個玉米品種識別率呈下降趨勢，在品種數(shù)量小于9時，識別率可以達到100%。品種個數(shù)大于9時，識別率開始下降，但仍保持比較高的識別率，識別率在87%以上；品種個數(shù)達到18時，識別率開始急劇下降至75%，以后一直呈下降趨勢；當樣本個數(shù)達到23時，識別率僅為63%。當品種數(shù)量較多時，某些玉米品種會出自同一個父本或者母本，具有比較大的相似性，因此辨別識別率降低。

2.3反射和透射識別分析

對2011年8月14日采集的玉米葉片的反射和透射圖像，分別統(tǒng)計不同類特征（形態(tài)類、RGB顏色類、HSV顏色類和紋理類）的測試識別率，統(tǒng)計結(jié)果如圖5所示。

從整體識別效果上看，反射圖像和透射圖像效果差別不太明顯，透射圖像稍高一些。對于形狀特征，由于形態(tài)特征不受光照和拍攝環(huán)境的影響，反射和透射的識別結(jié)果差別不大。顏色特征中不同的顏色系統(tǒng)具有較大的差別，反射圖像RGB顏色特征識別效果較好，而透射圖像對HSV顏色特征識別效果較好。對于紋理特征，透射圖像的識別效果稍好一些，通過透射使葉片的紋理會變得更加清晰，從而具有較好的識別效果。

3討論

相對來說，形態(tài)特征具有比較低的識別率，一方面，由于玉米葉片的不規(guī)則性和葉片不平整，每張葉片只采集1幅二維圖像，無法將葉片的形態(tài)特征全面描述出來，如果要全面描述玉米葉片形態(tài)，須要構(gòu)建玉米葉片的三維幾何模型[11-12]；另一方面，在圖像采集過程中沒有進行標度校準，因此反映大小的特征如面積、周長等特征無法測量實際尺寸，也沒有統(tǒng)一的參考標準，從而導致這些特征的識別率較低。為了能夠更準確地提取葉片的實際尺寸，需要對所測量的數(shù)據(jù)進行校準標定，如采用參考物法進行面積等特征的測量[13]。

本研究中由于受采集條件的影響，每個品種的樣本數(shù)量較少，只有5個，在一定程度上影響了試驗結(jié)果的準確性和全面性；由于樣本數(shù)量有限，本研究建立的支持向量機模型僅進行了品種的自我識別，識別率均為樣本的自我識別率，沒有進行測試識別。在后續(xù)的研究中，需要大量增加樣本葉片數(shù)量。每個品種的樣本數(shù)量至少要在15以上，以減少同品種玉米葉片的特征提取誤差，從而更準確地尋找進行品種識別的關(guān)鍵特征，同時還要結(jié)合除葉片之外的其他特征如植株形狀、雌雄穗性狀等進行綜合識別，以此來提高玉米生長期間玉米品種的識別效果。

本研究供試玉米品種數(shù)量較多，為23個，從品種數(shù)量對識別結(jié)果的影響可以看出，當樣本數(shù)量大于17時，識別率明顯下降。由于遺傳因素的影響，有些品種可能來自于同一個父本或者母本，從而導致某些外觀特征具有很大的相似性，使得品種間的區(qū)分度比較小。根據(jù)這一特性，在以后的研究過程中可以通過聚類來分析玉米的譜系結(jié)構(gòu)。

4結(jié)論

本研究以23個玉米品種的葉片作為研究對象，對每張葉片的圖像分別提取了形態(tài)、顏色和紋理三大類共48個特征，建立支持向量機模型進行品種識別，并分別從組合特征的識別率、品種數(shù)量變化時識別效果及透射和反射圖像識別效果3個方面進行分析。相對于神經(jīng)網(wǎng)絡(luò)方法來說，支持向量機方法具有比較穩(wěn)定的識別效果。對不同類別特征，顏色特征具有比較高的識別率，而形態(tài)特征識別率比較低。品種的數(shù)量越多，由于遺傳等因素影響，特征組合的相似性比例越高，識別率越低。不同類別的特征對反射和透射圖像的識別效果不同，相對來說，反射圖像的RGB顏色特征識別效果稍好些，而透射圖像的HSV顏色特征和紋理特征識別效果要好一些。由于采集環(huán)境與條件的限制，本研究僅提取了玉米葉片的常規(guī)特征進行了品種識別的初步研究與分析。本研究突破了大多數(shù)研究僅集中在玉米種子品種識別的局限，雖然僅對玉米葉片品種識別作了初步探討與研究，但從分析結(jié)果可見，使用玉米葉片外觀特征進行生長期間玉米品種識別非常有意義，為玉米生長期間品種識別的研究與運用打下基礎(chǔ)。

參考文獻：

[1]紀壽文，王榮本，陳佳娟，等. 應用計算機圖像處理技術(shù)識別玉米苗期田間雜草的研究[J]. 農(nóng)業(yè)工程學報，2001，17（2）：154-156.

[2]陳麗，王蘭英. 概率神經(jīng)網(wǎng)絡(luò)在玉米葉部病害識別中的應用[J]. 農(nóng)機化研究，2011，33（6）：145-148.

[3]馬彥平，白由路，高祥照，等. 基于數(shù)字圖像的玉米葉面積測量方法研究[J]. 中國農(nóng)學通報，2009，25（22）：329-334.

[4]朱軍偉，張彥娥，王曉敏，等. 基于圖像紋理的玉米葉片葉綠素含量分析研究[J]. 微計算機信息，2010，26（10）：106-108.

[5]王玉亮. 基于機器視覺的玉米種子品種識別與檢測研究[D]. 泰安：山東農(nóng)業(yè)大學，2008：11-12.

[6]閘建文，陳永艷.基于外部特征的玉米品種計算機識別系統(tǒng)[J]. 農(nóng)業(yè)機械學報，2004，35（6）：115-118.

[7]史智興，程洪，李江濤，等. 圖像處理識別玉米品種的特征參數(shù)研究[J]. 農(nóng)業(yè)工程學報，2008，24（6）：193-195.

[8]楊錦忠，郝建平，杜天慶，等. 基于種子圖像處理的大數(shù)目玉米品種形態(tài)識別[J]. 作物學報，2008，34（6）：1069-1073.

[9]李曉宇，張新峰，沈蘭蓀.支持向量機（SVM）的研究進展[J]. 測控技術(shù)，2006，25（5）：7-12.

[10]林震巖. 多變量分析：SPSS的操作與應用[M]. 北京：北京大學出版社，2007：487-491.

[11]鄧旭陽，郭新宇，周淑秋，等. 玉米葉片形態(tài)的幾何造型研究[J]. 中國圖象圖形學報，2005，10（5）：637-641.

[12]鄭文剛，郭新宇，趙春江，等. 玉米葉片幾何造型研究[J]. 農(nóng)業(yè)工程學報，2004，20（1）：152-154.

[13]徐貴力，毛罕平，胡永光. 基于計算機視覺技術(shù)參考物法測量葉片面積[J]. 農(nóng)業(yè)工程學報，2002，18（1）：154-157