石禮娟 盧 軍

(1.華中農(nóng)業(yè)大學(xué)信息學(xué)院， 武漢 430070； 2.華中農(nóng)業(yè)大學(xué)理學(xué)院， 武漢 430070)

基于隨機(jī)森林的玉米發(fā)育程度自動(dòng)測(cè)量方法

石禮娟1盧 軍2

(1.華中農(nóng)業(yè)大學(xué)信息學(xué)院， 武漢 430070； 2.華中農(nóng)業(yè)大學(xué)理學(xué)院， 武漢 430070)

為提高玉米果穗發(fā)育程度檢測(cè)的自動(dòng)化程度與精度，提出一種基于機(jī)器視覺技術(shù)的測(cè)量方法。在隨機(jī)森林機(jī)器學(xué)習(xí)算法的基礎(chǔ)上構(gòu)造禿尖、干癟和籽粒區(qū)域的識(shí)別模型。該模型由多個(gè)獨(dú)立同分布的弱分類器構(gòu)成，對(duì)輸入的訓(xùn)練樣本進(jìn)行列和行兩個(gè)方向上的隨機(jī)采樣。比較隨機(jī)森林模型和決策樹模型的分類效果可知隨機(jī)森林模型有效避免了過擬合和局部收斂現(xiàn)象的產(chǎn)生，并具有良好的推廣能力。為確定最優(yōu)的弱分類器數(shù)目，選擇弱分類器個(gè)數(shù)為訓(xùn)練樣本數(shù)量的1/80、1/40、1/20、1/10、1/5、1/4時(shí)分別構(gòu)建隨機(jī)森林分類器。研究結(jié)果表明，當(dāng)隨機(jī)森林中弱分類器個(gè)數(shù)為訓(xùn)練樣本數(shù)量的1/20時(shí)，模型的識(shí)別率與穩(wěn)定性最好。然后，以最優(yōu)的隨機(jī)森林模型作為分類器構(gòu)建玉米果穗不同發(fā)育程度自動(dòng)檢測(cè)方法。試驗(yàn)結(jié)果表明，各區(qū)域長(zhǎng)度測(cè)量的準(zhǔn)確性均在95%以上，測(cè)量速度可達(dá)30個(gè)/min以上。

玉米果穗； 發(fā)育程度； 隨機(jī)森林； 多分類器

引言

玉米是人類生存、畜牧業(yè)及工業(yè)發(fā)展的重要糧源。培育新品種，提高玉米產(chǎn)量是滿足國(guó)家能源發(fā)展戰(zhàn)略需求的重要途徑，也是育種學(xué)家的迫切需求。而在玉米生長(zhǎng)過程中，由于品種缺陷等原因?qū)е掠衩坠氲捻敳坎⒉话l(fā)育或發(fā)育不完全，表現(xiàn)為玉米上部無籽粒或籽粒干癟，這部分不結(jié)實(shí)區(qū)域稱為禿尖。嚴(yán)重的禿尖可占整個(gè)果穗的一半以上，玉米禿尖現(xiàn)象導(dǎo)致玉米穗粒數(shù)減少，從而造成減產(chǎn)。因此在玉米育種過程中，玉米果穗發(fā)育程度是產(chǎn)量相關(guān)性狀的重要參數(shù)之一，也是玉米考種工作的核心內(nèi)容。

近幾年，為加速考種過程、提高考種精度，機(jī)器視覺和圖像分析技術(shù)已經(jīng)被逐步引入到玉米考種過程中，王傳宇等[1]利用計(jì)算機(jī)視覺技術(shù)對(duì)玉米果穗進(jìn)行三維重建；劉長(zhǎng)青等[2]使用 PC 攝像頭獲得玉米果穗圖像，通過圖像處理提取玉米穗長(zhǎng)、穗寬、穗行數(shù)、行粒數(shù)和穗粒數(shù)；柳冠伊等[3]用線陣掃描成像技術(shù)獲取玉米果穗圓周圖像，并對(duì)穗粒數(shù)和穗行數(shù)這兩項(xiàng)性狀參數(shù)進(jìn)行提取。這些研究成果從一定程度上提高了考種效率與精度，有效避免了人工考種工作效率低、主觀誤差大等缺點(diǎn)。但是上述文獻(xiàn)均針對(duì)發(fā)育良好的玉米果穗進(jìn)行基于機(jī)器視覺的研究，而對(duì)于果穗發(fā)育程度的自動(dòng)識(shí)別卻鮮有研究。

隨機(jī)森林是近幾年流行的一種集成機(jī)器學(xué)習(xí)算法。該算法是基于決策樹的多分類器算法，因其分類速度快、泛化能力強(qiáng)等特性，目前已廣泛應(yīng)用到文本分類[4]、人體行為識(shí)別[5]、地理要素自動(dòng)解譯[6]、對(duì)象跟蹤[7]和數(shù)據(jù)挖掘[8]等領(lǐng)域。本文采集具有結(jié)實(shí)不良現(xiàn)象的玉米果穗圖像，提取背景、禿尖、干癟以及穗粒區(qū)域的紋理特征，利用隨機(jī)森林機(jī)器學(xué)習(xí)思想構(gòu)建各區(qū)域的自動(dòng)識(shí)別模型，并以此為基礎(chǔ)建立基于機(jī)器視覺的玉米發(fā)育程度快速自動(dòng)檢測(cè)方法。

1 隨機(jī)森林算法

解決分類問題的關(guān)鍵是構(gòu)造合適的分類器，實(shí)現(xiàn)數(shù)據(jù)集合中元素到類別集的映射。根據(jù)分類器的多少，分類算法分為單分類器和多分類器。決策樹是一種典型的單分類器，它的思想來源于人類的決策過程，該算法的分類思想是通過訓(xùn)練集的遞歸分析生成1個(gè)倒立的樹狀結(jié)構(gòu)，遍歷從根節(jié)點(diǎn)到葉子結(jié)點(diǎn)的路徑即可得到一系列分類規(guī)則[9]。決策樹由于自身的限制，盡管經(jīng)過多次改進(jìn)，還是容易產(chǎn)生過擬合與局部收斂的問題。為克服決策樹的上述缺點(diǎn)并發(fā)揮決策樹的優(yōu)勢(shì)，BREIMAN[10]于2001年提出了一種集成機(jī)器學(xué)習(xí)算法——隨機(jī)森林。隨機(jī)森林分類器由一系列相互獨(dú)立的樹狀分類器( 即決策樹)構(gòu)成,每個(gè)樹狀分類器對(duì)于同一輸入給出獨(dú)立的分類結(jié)果,即投出自己的一票,所得票數(shù)最多的分類結(jié)果將作為算法最終的輸出結(jié)果[4,11-13]。這個(gè)類似于多個(gè)專家舉手表決的決策過程就是隨機(jī)森林核心的思想。大量的理論和實(shí)證研究都證明了隨機(jī)森林算法不僅分類性能良好、運(yùn)算速度快,而且對(duì)噪聲和孤立點(diǎn)不敏感,不存在過擬合問題[4-13]。

2 材料與方法

2.1 玉米圖像采集

圖像采集環(huán)境如下：光源置于箱頂，果穗插在垂直于箱底的旋轉(zhuǎn)軸上，CCD安裝于箱子的側(cè)面。為增強(qiáng)背景與果穗的反差并獲得均勻漫反射的光照環(huán)境，將光照箱內(nèi)表面涂成黑色。工業(yè)相機(jī)為德國(guó)The Imaging Source公司制造的彩色工業(yè)相機(jī)，Sony CCD 感光組件，分辨率為1 280像素×960像素，提供全局快門和外觸發(fā)輸入。

為保證算法具有良好的適應(yīng)性，人工挑選20個(gè)發(fā)育程度不一的玉米果穗，在封閉的圖像采集箱中用CCD采集玉米圖像共20幅。

2.2 圖像預(yù)處理

為減少圖像處理的運(yùn)算量，編寫程序?qū)D像裁剪到尺寸為300像素×900像素。由于中值濾波既能保護(hù)圖像邊緣又能去除噪聲，因此采用3×3模板的中值濾波進(jìn)行除噪處理。選取其中的1張圖像(圖1a)并將此彩圖灰度化(圖1b)。由圖1a可知，果穗圖像由背景區(qū)域、玉米籽粒區(qū)域、禿尖區(qū)域、干癟區(qū)域4類區(qū)域組成。各類區(qū)域的識(shí)別問題即轉(zhuǎn)化為1個(gè)分類問題。所謂分類就是對(duì)于給定的1個(gè)數(shù)據(jù)集D={t1,t2,…,tn}和1組類C={C1,C2,…,Cm}，確定1個(gè)映射f:D→C，使得每個(gè)元組ti被分配到1個(gè)類Cj中。在本研究中，果穗圖像中的像素構(gòu)成1個(gè)數(shù)據(jù)集，而數(shù)據(jù)集中的元組要映射的類是背景區(qū)域、玉米籽粒區(qū)域、禿尖區(qū)域和干癟區(qū)域。對(duì)于彩色圖像中的像素最常用、最簡(jiǎn)單的分類方法就是在顏色或灰度值域內(nèi)設(shè)定多級(jí)閾值[14]。但是，觀察圖1a的灰度直方圖(圖2a)、R分量的直方圖(圖2b)，G分量的直方圖(圖2c)，B分量的直方圖(圖2d)，發(fā)現(xiàn)每個(gè)直方圖都沒有明顯的雙峰，這說明這4個(gè)區(qū)域在色彩與灰度上有交集。因此，基于顏色或灰度的閾值分割法顯然不可行。

圖1 彩圖和灰度圖Fig.1 RGB image and grayscale image

圖2 直方圖分析示意圖Fig.2 Sketches of histogram analysis

2.3 紋理特征提取

紋理特征是一種不依賴于顏色或亮度反映圖像中同質(zhì)現(xiàn)象的視覺特征[15]。紋理在局部區(qū)域內(nèi)可能呈現(xiàn)出不規(guī)則性，但整體上則表現(xiàn)出某種規(guī)律性或周期性。圖像的灰度共生矩陣就是用于表達(dá)圖像灰度在方向、相鄰間隔、變化幅度的綜合信息，它是分析圖像局部模式結(jié)構(gòu)及其排列規(guī)則的基礎(chǔ)[15-17]。圖像的紋理特征是以灰度共生矩陣為基礎(chǔ)的統(tǒng)計(jì)量，包括能量、對(duì)比度、相關(guān)度、均勻性。這4個(gè)統(tǒng)計(jì)量分別反映圖像紋理粗細(xì)度、紋理的溝紋深淺、局部灰度相關(guān)性以及紋理局部變化的多少[18-20]。

為獲取以上4種區(qū)域的紋理特征，首先從20個(gè)果穗圖像中以9×9為窗口分別在這4類區(qū)域各截取200幅圖像作為樣本，其中100幅作為訓(xùn)練樣本，100幅作為測(cè)試樣本。再計(jì)算各類區(qū)域在0°、45°、90°、135°方向上的灰度共生矩陣，然后在4個(gè)灰度共生矩陣的基礎(chǔ)上分別計(jì)算能量、對(duì)比度、相關(guān)、均勻性共計(jì)16個(gè)特征，這樣每個(gè)樣本具有16個(gè)特征屬性。

2.4 基于隨機(jī)森林的分類器構(gòu)造

(1)抽樣產(chǎn)生子訓(xùn)練集。將代表4類區(qū)域的400幅訓(xùn)練圖像樣本的初始訓(xùn)練集攪拌均勻，再采用bagging方法隨機(jī)重復(fù)有放回的抽樣M次(每次抽樣的樣本數(shù)為總樣本數(shù)的1/2)，從而產(chǎn)生M個(gè)子訓(xùn)練集。

(2)選取候選屬性。從16個(gè)紋理特征變量中隨機(jī)選擇F(F=lb16+1)個(gè)作為節(jié)點(diǎn)分裂的候選屬性。

(3)構(gòu)建每棵決策樹。每1棵決策樹都對(duì)應(yīng)1個(gè)訓(xùn)練集，M個(gè)子訓(xùn)練集即可構(gòu)建M棵決策樹。用程序遞歸方式生成決策樹，在決策樹生長(zhǎng)過程中不剪枝，分支生成時(shí)按一定的節(jié)點(diǎn)分裂規(guī)則(信息增益率最大原則)選擇最優(yōu)屬性。若已構(gòu)建決策樹數(shù)目小于M，則重復(fù)步驟(3)；反之則進(jìn)入步驟(4)。

(4)類別投票。統(tǒng)計(jì)隨機(jī)森林中M棵決策樹輸出類別中占比例最多的那個(gè)類別即眾數(shù)，然后將該眾數(shù)作為分類器的輸出。

3 試驗(yàn)結(jié)果及分析

3.1 單決策樹與隨機(jī)森林模型的比較

為考察本研究中隨機(jī)森林模型的性能，以同樣400個(gè)訓(xùn)練樣本為初始訓(xùn)練集，以信息增益率最大為節(jié)點(diǎn)分裂規(guī)則，構(gòu)建1個(gè)單決策樹分類器和1個(gè)弱分類器個(gè)數(shù)為10的隨機(jī)森林分類器。將每類100個(gè)共400個(gè)測(cè)試樣本分別用作單決策樹模型和隨機(jī)森林模型的輸入，類別判斷為輸出，測(cè)試結(jié)果如表1所示。

表1 單決策樹模型與隨機(jī)森林模型的識(shí)別率比較Tab.1 Identification rate comparison of decision tree model and random forest model %

由表1可知，單決策樹的平均識(shí)別率要遠(yuǎn)低于隨機(jī)森林的平均識(shí)別率，并且單決策樹對(duì)各區(qū)域的識(shí)別率差別較大，其中干癟區(qū)域的識(shí)別率特別高而禿尖區(qū)域的識(shí)別率卻很低，這一結(jié)果要?dú)w咎于單決策樹的先天缺陷。單決策樹容易收斂到非全局的局部最優(yōu)解，使得某個(gè)類別識(shí)別率特別高或者過擬合即過于適應(yīng)噪聲。而隨機(jī)森林分類器由多個(gè)獨(dú)立同分布的弱分類器構(gòu)成，對(duì)輸入的數(shù)據(jù)進(jìn)行列和行兩個(gè)方向上的隨機(jī)采樣，在列的方向上隨機(jī)選擇特征；在行方向上隨機(jī)選擇樣本，每次抽樣均為隨機(jī)且放回抽樣。并且每個(gè)弱分類器的訓(xùn)練集都是初始訓(xùn)練集的1個(gè)子集，這樣各訓(xùn)練集樣本既存在一定的重復(fù)又不完全相同，有效避免了過擬合和局部最優(yōu)解現(xiàn)象的產(chǎn)生，具有良好的推廣能力。

3.2 隨機(jī)森林中弱分類器個(gè)數(shù)的確定

BREIMAN提出了隨機(jī)森林算法，但其中弱分類器個(gè)數(shù)M(即決策樹的棵數(shù))并未給出具體的參考標(biāo)準(zhǔn)。在實(shí)際應(yīng)用中，往往通過試驗(yàn)來確定隨機(jī)森林中弱分類器個(gè)數(shù)。以訓(xùn)練樣本的數(shù)量為參考基準(zhǔn)，弱分類器個(gè)數(shù)分別選擇訓(xùn)練樣本數(shù)量的1/80、1/40、1/20、1/10、1/5、1/4，即數(shù)量為5、10、20、40、80、100分別構(gòu)建隨機(jī)森林分類器。試驗(yàn)結(jié)果如表2所示。

表2 隨機(jī)森林模型中弱分類器個(gè)數(shù)與識(shí)別率Tab.2 Identification rates for forest model with different numbers of weak classifiers %

由表2中的數(shù)據(jù)分析可得，當(dāng)弱分類器個(gè)數(shù)比較少時(shí)，每個(gè)區(qū)域的正確識(shí)別率較低，并且各區(qū)域的正確識(shí)別率差異較大；但是隨著弱分類器個(gè)數(shù)的增加，每個(gè)區(qū)域的正確識(shí)別率逐漸升高，各區(qū)域的正確識(shí)別率差異也越來越小；當(dāng)弱分類器個(gè)數(shù)等于20即訓(xùn)練集樣本數(shù)的1/20時(shí)，每個(gè)區(qū)域正確識(shí)別率的均值較高并且各區(qū)域正確識(shí)別率的差異最??；當(dāng)弱分類器個(gè)數(shù)大于20時(shí)，每個(gè)區(qū)域的識(shí)別率有小幅度的升或降，但均值基本上趨于穩(wěn)定，但各區(qū)域正確識(shí)別率的差異卻越來越大。因此，隨機(jī)森林模型中弱分類器個(gè)數(shù)M為訓(xùn)練樣本數(shù)量的1/20是最優(yōu)的選擇。

3.3 果穗發(fā)育程度測(cè)量結(jié)果

為檢測(cè)本算法的測(cè)量準(zhǔn)確度，取10個(gè)發(fā)育程度不同的玉米果穗分別采集圖像。將果穗的中軸線定義為果穗圖像最小外接矩形的垂直中位線。首先以9×9窗口在果穗中軸線上從上到下滑動(dòng)，計(jì)算中軸線每個(gè)像素點(diǎn)的灰度共生矩陣以及灰度紋理特征，再用以上試驗(yàn)確定的最優(yōu)隨機(jī)森林模型完成玉米果穗中軸線上各像素的分類與標(biāo)記，然后統(tǒng)計(jì)中軸線上各類像素的個(gè)數(shù)，最后將像素個(gè)數(shù)乘以像素的實(shí)際尺寸(0.312 5 mm)即可得到每個(gè)區(qū)域長(zhǎng)度的測(cè)量值，以上步驟均由程序自動(dòng)完成。

機(jī)器測(cè)量完后，再以人工的方式用游標(biāo)卡尺分別測(cè)量這10個(gè)果穗在禿尖、干癟和籽粒區(qū)域的實(shí)際長(zhǎng)度，每個(gè)測(cè)量3次，計(jì)算3次測(cè)量結(jié)果的平均值記為實(shí)際值。10個(gè)果穗不同區(qū)域的實(shí)際值和測(cè)量值如表3所示。

綜合表2和表3可知，該系統(tǒng)對(duì)玉米果穗不同發(fā)育程度的區(qū)域長(zhǎng)度測(cè)量準(zhǔn)確度達(dá)到95%。其中，籽粒區(qū)域準(zhǔn)確度最高，禿尖區(qū)域其次，干癟區(qū)域最低。由于干癟區(qū)域不僅在位置上介于籽粒和禿尖區(qū)域之間，其紋理方面的特征也介于兩者之間，所以在邊界處比較容易誤判，從而使得準(zhǔn)確度下降。分析每個(gè)區(qū)域的實(shí)際值與準(zhǔn)確度可得，每個(gè)區(qū)域的實(shí)際值較小時(shí)準(zhǔn)確度低，實(shí)際值較大時(shí)準(zhǔn)確度高，這是圖像的分辨率稍低引起的，提高圖像的分辨率，則每個(gè)像素的尺寸變小，誤差就會(huì)減小。

表3 果穗發(fā)育程度測(cè)量結(jié)果
Tab.3 Results of maize ear development degree measurement

果穗序號(hào)禿尖區(qū)域干癟區(qū)域籽粒區(qū)域?qū)嶋H值/mm測(cè)量值/mm準(zhǔn)確度/%實(shí)際值/mm測(cè)量值/mm準(zhǔn)確度/%實(shí)際值/mm測(cè)量值/mm準(zhǔn)確度/%123.1524.0995.9515.3514.4193.89187.25190.6998.16236.2537.1997.4124.2525.1996.13158.35154.6097.63312.6511.7192.5914.0514.9993.33199.55196.1198.28442.0541.1197.7721.4522.3995.63135.45139.2097.23517.7516.8194.7217.6518.5994.69201.15204.5998.29628.2527.3196.6819.2520.1995.13166.35162.6097.75745.1545.7898.6216.1515.5396.13116.25119.6997.04826.8526.2397.6712.7511.8192.65203.45200.3398.46911.7512.6992.0219.2519.25100.00198.55201.9998.271058.3557.7398.9334.7535.6997.3075.8579.2995.47平均值96.2495.4997.66

3.4 算法速度測(cè)試

算法速度測(cè)試采用的計(jì)算機(jī)為雙核1.83 GHz，4 GB內(nèi)存，獨(dú)立顯卡。取120個(gè)果穗，30個(gè)1組，可分為4組。按人工與機(jī)器2種方式進(jìn)行測(cè)試。人工方式下，1人測(cè)量并記錄；機(jī)器視覺方式下，1人放置果穗，計(jì)算機(jī)自動(dòng)采集圖像。測(cè)試計(jì)時(shí)以1組為單位，計(jì)時(shí)結(jié)果如表4所示。

表4 速度測(cè)試結(jié)果Tab.4 Results of speed test s

由試驗(yàn)結(jié)果可知，機(jī)器視覺方式下檢測(cè)速度可達(dá)到30個(gè)/min，約為人工方式的9倍。實(shí)際上，機(jī)器視覺方式下果穗的放置是影響速度的主要因素。而算法的核心部分(隨機(jī)模型)雖然在訓(xùn)練期即試驗(yàn)階段比較耗時(shí)(每次訓(xùn)練至少在20 s以上)，但訓(xùn)練完成后，在程序執(zhí)行時(shí)像素類別的標(biāo)記以及區(qū)域長(zhǎng)度計(jì)算時(shí)間幾乎可以忽略不計(jì)。因此，如果將果穗放置自動(dòng)化，那么檢測(cè)速度與工作效率將大大提高。

4 討論

果穗禿尖和干癟區(qū)域形狀復(fù)雜，利用各區(qū)域在果穗中軸線上的像素?cái)?shù)量描述該果穗的發(fā)育程度顯然存在局限性。因此本研究并不是以各區(qū)域在果穗中軸線上的像素?cái)?shù)量描述該果穗的發(fā)育程度，而是用于檢測(cè)文中所建立的隨機(jī)森林算法模型的性能。在算法的實(shí)際應(yīng)用中，系統(tǒng)會(huì)對(duì)果穗1周的情況進(jìn)行檢測(cè)，取得平均值和方差，這樣就可以準(zhǔn)確而完整地表達(dá)果穗的發(fā)育程度。但是在檢測(cè)算法性能時(shí)，用于作為實(shí)際值的人工測(cè)量如果測(cè)1周，那么人工測(cè)量自身的誤差就比較大，這樣就不便于檢驗(yàn)算法性能。為盡量減小人為主觀誤差和果穗本身各區(qū)域形狀復(fù)雜產(chǎn)生的人工測(cè)量誤差，在選擇果穗樣本時(shí)，特別選擇果穗禿尖區(qū)域在1周上分布較均勻的玉米。

5 結(jié)束語

以玉米果穗的發(fā)育程度為研究對(duì)象，針對(duì)目前人工測(cè)量方法工作效率低、主觀誤差大等問題，研究基于機(jī)器視覺的玉米果穗發(fā)育程度自動(dòng)檢測(cè)方法。該方法的核心部分——分類器的設(shè)計(jì)過程如下：首先結(jié)合果穗的紋理特征以及隨機(jī)森林機(jī)器學(xué)習(xí)算法分類速度快、泛化能力強(qiáng)的特性，構(gòu)造了基于紋理特征的玉米禿尖、干癟、穗粒以及背景區(qū)域的隨機(jī)森林模型。然后考察隨機(jī)森林模型的分類效果，用同一訓(xùn)練樣本集訓(xùn)練具有10個(gè)弱分類器的隨機(jī)森林模型與決策樹模型，并以同一測(cè)試集測(cè)試。測(cè)試結(jié)果表明：隨機(jī)森林模型在各區(qū)域的正確識(shí)別率及其標(biāo)準(zhǔn)偏差上都優(yōu)于單決策樹，有效避免了過擬合和局部收斂現(xiàn)象的產(chǎn)生，并具有良好的推廣特性。最后確定最優(yōu)的弱分類器數(shù)目，分別選擇弱分類器個(gè)數(shù)為訓(xùn)練樣本數(shù)量的1/80、1/40、1/20、1/10、1/5、1/4分別構(gòu)建隨機(jī)森林模型。比較各模型在各區(qū)域的識(shí)別率、識(shí)別率均值、標(biāo)準(zhǔn)偏差發(fā)現(xiàn)：當(dāng)隨機(jī)森林模型中弱分類器個(gè)數(shù)為訓(xùn)練樣本數(shù)量的1/20時(shí)各區(qū)域的識(shí)別率較高并達(dá)到穩(wěn)定。分類器設(shè)計(jì)完成后，設(shè)計(jì)程序?qū)崿F(xiàn)最優(yōu)的隨機(jī)森林分類器，識(shí)別玉米果穗不同發(fā)育程度的區(qū)域并計(jì)算各區(qū)域的實(shí)際長(zhǎng)度。試驗(yàn)結(jié)果表明，各區(qū)域長(zhǎng)度測(cè)量的準(zhǔn)確性均在95%以上，測(cè)量速度可達(dá)30個(gè)/min，提高了工作效率，避免了主觀誤差。

1 王傳宇,郭新宇,吳升, 等. 基于計(jì)算機(jī)視覺的玉米果穗三維重建方法[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(9):274-279. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140944&flag=1.DOI:10.6041/j.ssn.1000-1298.2014.09.044. WANG Chuanyu, GUO Xinyu, WU Sheng, et al. Three dimensional reconstruction of maize ear based on computer vision [J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2014,45(9):274-279． (in Chinese)

2 劉長(zhǎng)青,陳兵旗. 基于機(jī)器視覺的玉米果穗?yún)?shù)的圖像測(cè)量方法[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(6):131-138. LIU Changqing, CHEN Bingqi. Method of image detection for ear of corn based on computer vision [J]. Transactions of the CSAE, 2014, 30(6):131-138. (in Chinese)

3 柳冠伊,楊小紅,白明, 等. 基于線陣掃描圖像的玉米果穗性狀檢測(cè)技術(shù)[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(11):276-280. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20131147&flag=1.DOI:10.6041/j.ssn.1000-1298.2013.11.047. LIU Guanyi, YANG Xiaohong, BAI Ming, et al. Detecting techniques of maize ear characters based on line scan image [J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2013,44(11): 276-280. (in Chinese)

4 田寶明,戴新宇,陳家駿. 一種基于隨機(jī)森林的多視角文本分類方法[J].中文信息學(xué)報(bào), 2009, 23(4): 48-54. TIAN Baoming, DAI Xinyu, CHEN Jiajun. Multi view text categorization based on random forests [J]. Journal of Chinese Information Processing, 2009, 23(4):48-54. (in Chinese)

5 蔡加欣,馮國(guó)燦,湯鑫, 等. 基于局部輪廓和隨機(jī)森林的人體行為識(shí)別[J].光學(xué)學(xué)報(bào), 2014,34(10): 212-221. CAI Jiaxin, FENG Guocan, TANG Xin, et al. Human action recognition based on local image contour and random forest [J]. Acta Optica Sinica, 2014, 34(10): 212-221. (in Chinese)

6 顧海燕,閆利,李海濤, 等. 基于隨機(jī)森林的地理要素面向?qū)ο笞詣?dòng)解譯方法[J]. 武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2016,41(2):228-234. GU Haiyan, YAN Li, LI Haitao, et al. An object-based automatic interpretation method for geographic features based on random forest machine learning[J]. Geomatics and Information Science of Wuhan University, 2016,41(2):228-234. (in Chinese)

7 GALL J，YAO A，RAZAVI N，et al. Hough forests for object detection，tracking，and action recognition [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(11):2188-2202.

8 VERIKAS A, GELZINIS A, BACAUKIENE M. Mining data with random forests: a survey and results of new tests[J]. Pattern Recognition, 2011, 44(2): 330-349.

9 曹正鳳. 隨機(jī)森林算法優(yōu)化研究[D].北京:首都經(jīng)濟(jì)貿(mào)易大學(xué),2014. CAO Zhengfeng. Study on optimization of random forests algorithm [D]. Beijing:Capital University of Economics and Business, 2014. (in Chinese)

10 BREIMAN L. Random forests [J]. Machine Learning, 2001, 45(1):5-32.

11 CRIMINISI A，SHOTTON J，ROBERTSON D，et al. Regression forests for efficient anatomy detection and localization in CT studies [M]. Lecture Notes in Computer Science. Heidelberg: Springer,2011,6533:106-117.

12 ISHWARAN H， KOGALUR U B. Consistency of random survival forests [J]. Statistics and Probability Letters，2010，80(13-14):1056-1064.

13 STUMPF A, KERLE N. Object-oriented mapping of landslides using random forests [J]. Remote Sensing of Environment, 2011,115(10): 2564-2577.

14 周金輝,馬欽,朱德海, 等. 基于機(jī)器視覺的玉米果穗產(chǎn)量組分性狀測(cè)量方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,31(3):221-227. ZHOU Jinhui, MA Qin, ZHU Dehai, et al. Measurement method for yield component traits of maize based on machine vision [J]. Transactions of the CSAE, 2015, 31(3):221-227. (in Chinese)

15 劉婭靜. 基于計(jì)算機(jī)視覺的麥田雜草識(shí)別技術(shù)研究[D].天津:河北工業(yè)大學(xué),2007. LIU Yajing. Research on identification of weed images based on computer vision [D]. Tianjin: Hebei University of Technology, 2007. (in Chinese)

16 胡孟晗,董慶利,劉寶林,等.基于計(jì)算機(jī)視覺的香蕉貯藏過程中顏色和紋理監(jiān)測(cè)[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013, 44(8):180-184. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130830&flag=1. DOI:10.6041/j.issn.1000-1298.2013.08.030. HU Menghan, DONG Qingli, LIU Baolin, et al. Color and texture monitoring based on computer vision during banana storage [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(8):180-184. (in Chinese)

17 張保華,黃文倩,李江波,等.基于亮度校正和 AdaBoost 的蘋果缺陷在線識(shí)別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(6):221-226. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140634&flag=1.DOI:10.6041/j.issn.1000-1298.2014.06.034. ZHANG Baohua, HUANG Wenqian, LI Jiangbo, et al. On-line identification of defect on apples using lightness correction and adaboost methods [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014,45(6):221-226. (in Chinese)

18 劉哲,李智曉,張延寬,等.基于時(shí)序EVI決策樹分類與高分紋理的制種玉米識(shí)別[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(10):321-327. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20151043&flag=1. DOI:10.6041/j.issn.1000-1298.2015.10.043. LIU Zhe, LI Zhixiao, ZHANG Yankuan, et al. Seed maize identification based on time-series EVI decision tree classification and high resolution remote sensing texture analysis [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10):321-327. (in Chinese)

19 梁琨,杜瑩瑩,盧偉,等.基于高光譜成像技術(shù)的小麥籽粒赤霉病識(shí)別[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(2):309-315. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160241&flag=1. DOI:10.6041/j. issn.1000-1298.2016.02.041. LIANG Kun, DU Yingying, LU Wei, et al. Identification of fusarium head blight wheat based on hyperspectral imaging technology [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(2):309-315. (in Chinese)

20 趙慶展,劉偉,尹小君,等. 基于無人機(jī)多光譜影像特征的最佳波段組合研究[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016, 47(3):242-248,291. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160334&flag=1. DOI:10.6041/j.issn.1000-1298.2016.03.034. ZHAO Qingzhan, LIU Wei, YIN Xiaojun, et al. Selection of optimum bands combination based on multispectral images of UAV [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(3):242-248,291. (in Chinese)

Automatic Measurement Method for Maize Ear Development Degree Based on Random Forest

SHI Lijuan1LU Jun2

(1.CollegeofInformatics,HuazhongAgriculturalUniversity,Wuhan430070,China2.CollegeofBasicSciences,HuazhongAgriculturalUniversity,Wuhan430070,China)

In the process of maize breeding, the development degree of maize ear is one of the most important parameters for yield related traits. In order to improve the degree of automation and accuracy of maize ear development degree detection, a measurement method was proposed based on machine vision technology. An identification model was constructed on the basis of random forest principal at first. The model was composed of a group of weak classifiers which were independent and identically distributed. The weak classifiers selected samples from the input training samples randomly along columns and rows. The experiment which compared random forest model with decision tree model on the classification effect showed that random forest classifier could not only avoid over-fitting and local convergence effectively but also have good generalization ability. Then, in order to determine the optimal number of weak classifiers, six random forest models were built. Their weak classifier number were separately one-eightieth, one-fortieth, one-twentieth, one-tenth, one-fifth, one-fourth of training samples count. The results showed that the model had good accuracy and stability when the number of weak classifiers was one-twentieth of training samples count. Finally, the optimal random forest model was used as the classifier to build the automatic maize ear development degree detection method. The experiment results showed that the measurement accuracy on length of each area was more than 95% and the measurement speed was more than 30 maize ears per minute.

maize ear; development degree; random forest; multiple classifiers

10.6041/j.issn.1000-1298.2017.01.022

2016-05-16

2016-07-26

國(guó)家自然科學(xué)基金項(xiàng)目(31301235)

石禮娟(1976—)，女，副教授，主要從事機(jī)器視覺研究，E-mail： slj2002@mail.hzau.edu.cn

盧軍(1980—)，男，副教授，主要從事農(nóng)產(chǎn)品自動(dòng)檢測(cè)研究，E-mail： lujun5918@163.com

TP391.4； Q945.4

A

1000-1298(2017)01-0169-06