劉仲鵬　李文華

摘要：為實現(xiàn)玉米籽粒的品種識別與品質評估，根據(jù)籽粒圖像特征參數(shù)較多、參數(shù)間有一定相關性的特點，采集原始圖像并進行必要的預處理，提取圖像的顏色特征、形狀特征及紋理特征共30個；以主成分分析法對指標集進行精簡，在保證識別精度的前提下去除冗余信息，降低圖像計算復雜度，使特征集精簡為10個；以支持向量機進行分類識別，結果證實品種平均識別率為93.3%，不合格粒平均識別率為94.5%，識別精度較高，可滿足玉米籽粒的無損識別、分類、檢測及評估需求。

關鍵詞：圖像處理；特征優(yōu)選；玉米品質識別；支持向量機

中圖分類號： S126；TP391.4 文獻標志碼： A

文章編號：1002-1302（2015）03-0382-03

玉米籽粒的性狀屬性能夠在很大程度上體現(xiàn)出其品種與品質，因此對玉米種子的形態(tài)特征進行提取，對其變化規(guī)律進行統(tǒng)計，具有比較重要的意義。傳統(tǒng)的方法是采用人工方法進行識別及檢測，效率低且準確度不足。隨著信息技術在農(nóng)業(yè)的應用逐步深入，當前已有不少研究成果引入圖像處理技術對玉米籽粒的外部形態(tài)進行分析或統(tǒng)計[1-4]，但這些成果多局限于籽粒的體積、密度、質量等常規(guī)指標。而玉米種子內部的生理生化特征與其形態(tài)特征、顏色特征及紋理特征等均有著密切的關系，這些變量參數(shù)較多，參數(shù)間又有一定的相關性，如何能夠在優(yōu)化精簡指標的基礎上保持足夠的識別及檢測的準確度，是一個亟待解決的問題。本研究首先對提取的玉米籽粒圖像進行預處理，然后提取其顏色特征、形狀特征及紋理特征等多個屬性，以主成分分析的方法對指標進行精簡，在保證識別精度的前提下去除冗余信息，降低圖像計算復雜度，增加圖像分析識別的速率，對品種進行分類與評價。本研究成果為農(nóng)作物籽粒的無損檢測提供了借鑒。

1 材料與方法

1.1 材料

1.1.1 樣本采集

以華北地區(qū)比較常見的沈玉26、中地77、博誠6等3個品種作為樣本，3類種子的外觀彼此較類似，色調基本是黃色的。

1.1.2 圖像采集設備

設計如圖1所示的種子圖像采集設備。其中，攝像孔的直徑為5 cm，升降桿可以在25～40 cm之間調節(jié)，光源為LED燈，以普通尼康數(shù)碼相機作為采集器件，主光源可以選擇LED燈，也可以選擇相機閃光燈，本試驗選擇了8×8陣列LED燈，調節(jié)角度之后使圖像不存在陰影。

1.2 方法

1.2.1 圖像預處理

1.2.1.1 灰度處理

所采集的玉米種子原始圖像屬于24位真彩圖，含有RGB 3個分量。為了使后續(xù)處理計算量減少，對其進行灰度化處理，通過3個步驟實現(xiàn)：

（1）分別提取目標圖像RGB的具體值；

（2）求出具體的灰度值gray；

（3）令R=B=G=gray，最終實現(xiàn)圖像灰度化。

灰度化的圖像（部分）如圖2所示。

1.2.1.2 中值濾波處理

在對玉米籽粒圖像進行處理時，還應考慮到原始圖像中可能由于一些外部干擾而摻雜的噪聲成分[5]。噪聲的存在會對圖像質量造成比較直接的影響，進而降低籽粒各類特征的提取準確性[6-7]。因此，本研究在灰度預處理的基礎上，繼續(xù)以中值濾波對圖像進行進一步處理。中值濾波的主要原理是，將圖像分為不同的窗口S，窗口里的所有像素進行大小排列，將中位灰度值作為該窗口的灰度值。中值濾波已被證實能較為有效地避免圖像細節(jié)的模糊，并濾除顆粒噪聲及脈沖噪聲，盡量保持圖像邊緣的有用信息。本研究將濾波模板定位于3×3，實現(xiàn)樣本圖像的增強。

1.2.2 圖像分割

該步驟將玉米籽粒從圖像背景中分離出來，以便于下一步的特征提取及分析。本研究分割圖像采用的是閾值法，得到的是玉米籽粒的二值圖像。對圖像的每一個點，高于該閾值則取1，低于該閾值則取0。通過“試錯法”可知，在閾值為0.4時可以較好地分割玉米籽粒目標。圖3所示為經(jīng)過閾值分割之后的玉米籽粒圖像樣本（部分）。

1.2.3 特征提取

對玉米籽粒樣本圖像的特征集F進行提取，選擇三大類特征：形狀特征、顏色特征、紋理特征。

1.2.3.1 形狀特征提取

形狀特征可以體現(xiàn)玉米籽粒的外形屬性。對以下主要形狀特征進行提?。?/p>

F1：面積——玉米籽粒投影圖像包含的像素總數(shù)，是體現(xiàn)玉米種子品質的重要參量之一。

F2：周長——玉米籽粒投影圖像輪廓線的長度，與F1特征一起來反映玉米種子的大小。

F3：圓形度——玉米籽粒的邊緣與標準圓形的相似度，能夠體現(xiàn)玉米種子是否規(guī)則。

F4：直徑——玉米籽粒邊界最小外接圓的直徑。

F5：延伸度——玉米籽粒最長軸與最短軸的比值，體現(xiàn)玉米種子的形狀。

每種玉米品種籽粒隨機選取200粒，進行形狀特征提取，分別得到5個特征值。以沈玉26為例，其形狀特征如表1所示。

1.2.4 特征優(yōu)選

對籽粒樣本提取了大量特征之后，由于指標數(shù)目多，且有些指標之間具有較強的相關性，因此如果直接以所有指標進行識別，會由于數(shù)據(jù)的冗余而降低識別效率。

本研究引入主分量分析法進行特征優(yōu)選?；舅悸肥牵喊汛喌乃兄笜吮硎緸橄蛄?，對所有的特征數(shù)據(jù)進行降維處理，從而使這些特征屬性表示為線性組合，選取前n個對識別效果影響最大的主成分，實現(xiàn)特征的優(yōu)選。具體步驟如下：

（1）首先使各類特征數(shù)據(jù)標準化，避免量綱的影響：

2 結果與分析

2.1 玉米品種識別

不同品種的玉米籽粒在各類特征屬性的統(tǒng)計值方面有著明顯的不同，因此對玉米種子的品質評估前，應對其種類進行識別。結合本研究提取出的玉米籽粒形狀、顏色、紋理特征集F∈（F1，F(xiàn)2，…，F(xiàn)30），以主成分分析法提取出其中的10個主成分F∈（F2、F1、F4、F5、F24、F25、F26、F13、F15、F3）來作為識別時所使用的玉米籽粒屬性集，對樣本進行品種識別。樣本來自沈玉26、中地77、博誠6等3個品種，以隨機抽取的方式選取50%（各100幅，共300幅）的圖像作為構建SVM的測試集，其余50%（各100幅，共300幅）作為測試集。支持向量機的輸入為10個主成分。進行玉米品種識別，識別結果如表6所示。

由表6數(shù)據(jù)可知，采用SVM方法對沈玉26、中地77、博誠6等3個品種的玉米籽粒進行種類識別，在訓練樣本和測試樣本均為100的情況下，其識別率均達到較為滿意的效果，其中沈玉26的識別率最高，達96%，平均識別率為93.3%。

2.2 不合格籽粒識別

對不合格籽粒進行自動識別，是玉米種子品質評估的重要步驟。不合格粒包括蟲咬、霉斑、不完整、雜質（如石子）等等，本研究選取其中一些典型的不合格粒類型，包括霉變、不完整、破碎、石子等幾種進行識別。SVM的輸入為10個主成分F∈（F2、F1、F4、F5、F24、F25、F26、F13、F15、F3），識別率如表7所示。

由表7中數(shù)據(jù)可知，對霉變、不完整、破碎、石子等不合格粒以SVM識別，其識別率均較為滿意，其中霉變粒識別率最高，達97.2%，石子粒識別率較低，為91.0%，平均識別率為94.5%。

可以證實本研究的特征優(yōu)選方法能夠應用于對玉米種子的品種識別與籽粒等級評估中。

3 結束語

如何能夠以無損的方式實現(xiàn)農(nóng)作物種子的快速準確檢測，是我國糧食產(chǎn)業(yè)的一個關鍵問題。本研究在機器視覺下提取玉米籽粒的大量特征，并以主分量分析方法對這些特征進行簡化，使識別算法的精度和效率得到提升，對作物種子的品質評估與品種識別具有比較好的借鑒意義。

參考文獻：

[1]楊愛國，張世煌，李明順，等. CIMMYT和我國玉米種質群體的配合力及雜種優(yōu)勢分析[J]. 作物學報，2006，32（9）：1329-1337.

[2]楊國虎，歐陽一沁，李 新，等. 外引優(yōu)異玉米種質形態(tài)性狀的初步鑒定[J]. 種子，2006，25（9）：100-102.

[3]Nelson S O. Dimensional and density data for seeds of cereal grain and other crops[J]. Transactions of the ASAE，2002，45（1）：165-170.

[4]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.

[5]王 靜. 基于圖像處理技術的煙葉病害自動識別研究[D]. 昆明：昆明理工大學，2011.

[6]齊 龍，馬 旭，張小超. 基于BP網(wǎng)絡的植物病害彩色圖像的分割技術[J]. 吉林大學學報：工學版，2006，32（S2）：126-129.

[7]王惠明，史 萍. 圖像紋理特征的提取方法[J]. 中國傳媒大學學報：自然科學版，2006，13（1）：49-52.

[8]劉麗娟，劉仲鵬，程 芳. 玉米生長期葉部病害圖像識別預處理研究[J]. 河南農(nóng)業(yè)科學，2013，42（10）：91-94.