何彥虎　武傳宇　童俊華　賀磊盈　王榮楊　楊太瑋

摘要：為提高穴盤苗品種識別準(zhǔn)確率，確保全自動穴盤苗移栽的實施，設(shè)計基于專家系統(tǒng)的識別算法。首先對采集穴盤苗圖像進行K均值聚類算法圖像分割、二值化和形態(tài)圖像處理，獲得0.6L-0.4（R+B+G）/3、0.3b-0.7a、H+0.2S、0.3L-0.7a等4個顏色特征值向量和長寬比、橢圓扁率、矩形度、傅里葉描述子等4個形狀特征向量。然后對圖像特征進行語義轉(zhuǎn)換，構(gòu)建穴盤苗知識模型，并設(shè)計苗的知識庫及推理機，推理采用了不確定推理算法及學(xué)習(xí)算法。系統(tǒng)采集了120盤10個品種的穴盤苗，采用專家系統(tǒng)識別試驗，成功率達到了98.3%，而相同樣本采用支持向量機（support vector machine，簡稱SVM）的識別率是84.0%，采用粒子群優(yōu)化支持向量機（particle-swarm optimization SVM，簡稱PSOSVM）的識別率是86.3%，采用反向傳遞（back propagation，簡稱BP）神經(jīng)網(wǎng)絡(luò)的識別率是62.0%，證明基于專家系統(tǒng)的識別方法可以滿足自動移栽作業(yè)要求。

關(guān)鍵詞：穴盤苗;圖像識別;專家系統(tǒng);不確定性推理;推理機

中圖分類號： TP391.41? 文獻標(biāo)志碼： A? 文章編號：1002-1302（2019）04-0176-06

為改善勞動條件，穴盤苗自動移栽技術(shù)得到廣泛研究，由于穴盤苗的種類繁多，形態(tài)各異，在全自動穴盤苗移栽時，要對不同品種的苗采用不同的移栽方法，因此，穴盤苗品種識別是自動移栽的技術(shù)需求之一。目前常用的識別方法是通過圖像處理，得到穴盤苗特征，通過苗葉面積、形狀、顏色等特征進行識別。胡飛等采用1.8G-1.5R-1.8B顏色分量對番茄穴盤苗圖像進行灰度化處理，并采用最大類間方差進行圖像分割，實現(xiàn)對弱苗的識別[1]。賀磊盈等提出了1種基于機器視覺用橢圓擬合的方法恢復(fù)幼苗葉面，提取葉面輪廓并根據(jù)輪廓上的拐點，應(yīng)用橢圓擬合的方法參數(shù)化葉面形狀，提取幼苗的葉面參數(shù)[2]。程玉柱采用分?jǐn)?shù)階微積分理論的主動輪廓模型（ACM，active contours model）對分?jǐn)?shù)階ACM圖像分割算法進行研究，發(fā)現(xiàn)對玉米苗的圖像分割效果優(yōu)于閾值分割[3]。童俊華開發(fā)了穴盤苗健康信息檢測方法，通過灰度增強降噪等處理技術(shù)將穴盤苗與背景分割，提高了苗葉識別可靠性[4]。蔣煥煜等采用（3G-R-B）/3色差法及分水嶺分割算法分割番茄苗葉[5]。尹建軍等采用（R-G）色差對番茄圖像進行動態(tài)分割[6]。胡建平等通過辣椒穴盤苗的顏色、頸粗、面積等特征來識別健康苗[7]。近年來，許多研究者開始采用智能化的識別方法。李浩采用紅綠藍（red green blue，簡稱RGB）及色飽和強度（hue saturationb intensity，簡稱HSI）顏色模型并采用貝葉斯判別法建立煙葉分組判別模型[8]。劉念等采用多特征融合和深度信念網(wǎng)絡(luò)對植物葉片品種進行識別，識別率為95.6%[9]。

智能化識別通過視覺提取苗的外形、顏色、紋理等信息，然后采用神經(jīng)網(wǎng)絡(luò)、貝葉斯、卷積神經(jīng)網(wǎng)絡(luò)等算法進行分類。因穴盤苗存在層次不齊、黏連重疊等現(xiàn)象，且光照變化對苗葉顏色和形狀特征的獲取影響較大，造成識別誤差較大，魯棒性和穩(wěn)定性較差。本研究提出了1種基于專家系統(tǒng)決策的識別算法，并對10種類型的穴盤苗進行識別驗證，以證明該算法可有效提高穴盤苗品種的識別準(zhǔn)確率。

1 設(shè)備與材料

1.1 試驗設(shè)備

試驗設(shè)備如圖1所示，該設(shè)備由4條苗盤輸送帶、1個視覺箱、3個伺服軸、1套移栽末端執(zhí)行器、伺服控制系統(tǒng)、圖像處理模塊、專家系統(tǒng)識別模塊組成。視覺箱里包括相機及燈光，相機采用grey point公司的GRAS-50S5C，鏡頭是Sony ICX625AQ 2 448×2 048 CCD，接口是IEEE-1394，PCIeBus Speed是2.5 GT/s。燈光布置成4×4個燈帶（4層，每層4個）。相機與上位機相連接，上位機上安裝了圖像采集卡、專家識別系統(tǒng)。設(shè)備的工作過程為：在進料輸送帶上放入待識別的穴盤苗，通過視覺箱采集穴盤苗圖像，并經(jīng)過圖像處理模塊獲得苗特征向量，該特征向量被上位機的專家系統(tǒng)捕獲，專家系統(tǒng)識別出苗的品種，然后根據(jù)該品種苗的移栽閾值（這里僅取面積閾值驗證）實施移栽。移栽穴盤苗通過輸送帶1（可在導(dǎo)軌3前后移動）傳送到輸送帶5處，XYZ伺服系統(tǒng)帶動末端執(zhí)行器9動作，將苗從輸送帶5處的穴盤里移栽到輸送帶6處的穴盤中。

1.2 試驗材料

2017年6—10月從浙江理工大學(xué)、浙江大學(xué)、浙江省現(xiàn)代農(nóng)業(yè)園區(qū)采集穴盤苗樣本共120盤10個品種，在樣本的選擇上，考慮了相似樣本的選擇，也考慮了光照、拍攝位置、苗齡等多個因素，具體樣本情況是：三色堇苗S1（S11～S14）共4個樣本，分別在4、3、2、1層燈帶發(fā)光下采集;一串紅苗S2（S21～S24）共4個樣本，在不同放置角度下采集（測試拍照角度對系統(tǒng)的影響）;黃瓜苗S3共66個樣本，其中7 d苗（S301～S310）10個，8 d苗（S311～S320）10個，9 d苗（S321～S330）10個，10 d苗（S331～S340）10個，11 d苗（S341～S350）10個，12 d苗（S351～S360）10個，13 d苗（S361～S366）6個;番茄苗S4共20個樣本，分別是6、8、17、24 d的樣本;辣椒苗S5共6個樣本，分別是17、24 d的樣本;另外還有吉利紅星苗S6、蒲瓜苗S7、茄子苗S8、西葫蘆S9、有機花菜苗S10各4個樣本。算法的主要目標(biāo)是在整個樣本空間下，進行苗品種判別。

2 識別算法

2.1 識別框架設(shè)計

實現(xiàn)穴盤苗品種識別的關(guān)鍵是設(shè)計專家系統(tǒng)識別算法，該算法按照層次化構(gòu)建識別框架，分別為圖像特征獲取層、語義轉(zhuǎn)換層和專家系統(tǒng)識別層。圖像特征獲取層的主要作用是獲取苗葉的顏色和形狀特征;語義轉(zhuǎn)換層主要完成與知識庫的對接，把苗的特征信息表達成知識庫的格式存儲。專家推理層主要完成對這些知識的推理與再學(xué)習(xí)。專家系統(tǒng)主要由知識庫、推理機、數(shù)據(jù)庫、人機交互等組成，穴盤苗的專家識別總體方案設(shè)計如圖2所示。

2.2 圖像特征獲取

2.2.1 顏色值提取 不同品種穴盤苗的外在形態(tài)在重疊程度、疏密程度、健康程度等方面各有不同，須要在不同顏色空間下尋找顏色的組合特征，目前常用的顏色模型有RGB模型、HIS模型、Lab（luminosity，a表示從紅色至綠色的范圍，b表示從藍色至黃色的范圍）模型、CMYK（cyan magenta yellow black）模型。通過K均值聚類進行圖像分割，然后獲取R、G、B、L、a、b、H、S各分量的顏色值。

2.2.2 形狀特征獲取 穴盤苗的形狀特征需與葉片的大小和方向無關(guān)。選取的特征參數(shù)有：矩形度（R），描述苗葉與苗葉外接矩形的接近程度，如式（1）所示;橢圓扁率（u），指苗葉的狹長程度，如式（2）所示;長寬比（P），葉片外接矩形長寬的比值如式（3）所示。

式中：A表示面積;W是外接矩形的寬;L是外接矩形的長;a是橢圓長軸;b是橢圓短軸，圖像處理中，采用的單位都是像素點數(shù)。形狀特征獲取算法的關(guān)鍵是在苗葉重疊情況下，在畸變苗葉中找到形狀接近度高的理想苗葉集，以獲取較準(zhǔn)確的形狀特征，算法流程為

Step1：采用K均值在Lab顏色空間下分割出苗葉，并用最大類間方差法（OTSU）去除噪點。

Step2：形態(tài)運算分離苗葉。首先設(shè)定1個2×2的矩陣模板，對圖像進行腐蝕，增大苗葉距離。然后進行填充孔洞運算，最后采用圓形為1的模板對圖像開運算。

Step3：理想苗葉篩選。首先采用面積閾值法除去大面積粘連區(qū)域，再計算面積均值和方差，選擇小于“面積均值+方差”并大于“面積均值-方差”的區(qū)域。最后統(tǒng)計橢圓扁率u的頻次，凡是頻次出現(xiàn)高的被保留，頻次低的一般是非理想苗葉形狀，予以濾出。

Step4：傅里葉描述子精選理想苗葉。經(jīng)過第3步的篩選，已將大面積的粘連苗葉、殘缺苗葉、重疊苗葉除去，但仍偶然出現(xiàn)不理想苗葉，甚至畸形苗葉沒有被濾出，因此再采用傅里葉描述子進行辨識與分離。設(shè)單獨的1個苗葉是由N個像素組成的封閉邊界，則邊界上任意一點的坐標(biāo)可以用復(fù)數(shù)表示為式（4）。

式中：fx表示匹配情況，fx為0表示匹配不成功，大于0表示匹配成功。這時就形成了C（i，j）個類，最終被選為理想苗葉算法的是最小誤差法，即計算每一個類的傅里葉“誤差和”，“誤差和”最小的類被選中，說明該類中苗葉非常相似。最后計算出目標(biāo)苗葉的長寬比、矩形度、橢圓扁率、傅里葉描述子等平均值作為形狀特征值。

2.3 專家系統(tǒng)識別

穴盤苗的專家識別算法包括穴盤苗特征的語義轉(zhuǎn)換、知識表示與推理機的設(shè)計。

2.3.1 穴盤苗特征語義映射 穴盤苗特征主要包括顏色和形狀，顏色的語義映射主要是將顏色數(shù)據(jù)轉(zhuǎn)變成顏色語義，便于推理機的識別。形狀特征的語義映射主要是將苗特征值轉(zhuǎn)換成推理機可識別的語義信息。這里采用一個三元組表達，如式（7）所示。

式中：i=1，2，3，…，n，N是特征名稱，V是該特征對應(yīng)的數(shù)值;δ表示允許誤差，即當(dāng)前采樣值與知識庫中知識特征值的差。（+，-，*，/）表示特征可以按照該運算組成新的特征。

2.3.2 穴盤苗建模 在推理過程中，還須要建立穴盤苗的知識模型，用于對苗特征的表征與推理，實現(xiàn)對不同苗的識別。1個完整的穴盤苗具有顏色、形狀等特征，模型要能表達這些特征，據(jù)此定義穴盤苗模型如式（8）所示。

式中：SEEDi表示穴盤苗的模型;SNi表示第i盤苗的名稱;Aij表示第i盤苗的第j個特征名稱;Vij表示第i盤苗的第j個特征的特征值;δij為接近度，即第i盤苗的第j個特征的采樣值與知識特征值的差值;（OR，AND）表示這些特征可以進行“或”運算或者“與”運算;wij為客觀可信度，表示穴盤苗某特征對穴盤苗支持的客觀可信度，是客觀存在的，該參數(shù)一般在知識庫中是靜態(tài)存在的，由領(lǐng)域?qū)＜掖_定;CFij為Aij特征的學(xué)習(xí)可信度，在學(xué)習(xí)的過程中，可以改變自身的值，一些對穴盤苗支持程度高的特征，其CF值隨著學(xué)習(xí)不斷加強，支持度小的CF值則不斷減小和弱化，其隨著學(xué)習(xí)更加趨近合理;SCFi為穴盤苗的總體可信度;λi為可信度閾值。

2.3.3 知識模型及推理機設(shè)計 語義映射完成的穴盤苗特征將成為專家系統(tǒng)的事實，是專家系統(tǒng)辨識穴盤苗的依據(jù)，因采集環(huán)境以及圖像處理中的信息丟失等影響，采集信息存在模糊性、隨機性等強非線性因素，具有不完備和不精確性。對于這類問題在專家系統(tǒng)中都?xì)w一到不確定性推理框架，常見的推理模型有D-S證據(jù)理論、貝葉斯網(wǎng)絡(luò)、權(quán)重邏輯推理（weighted logical inference，簡稱WLI）[10]，針對穴盤苗特征構(gòu)建的事實，提出不確定推理模型。推理知識表示如式（9）所示。

式中：m為穴盤苗數(shù)量;n為某一個穴盤苗的特征數(shù)，wi1+wi2+，…，win=1;λ為閾值，范圍為[0，1]。

推理機是專家系統(tǒng)的關(guān)鍵，本系統(tǒng)采用的專家系統(tǒng)是CLIPS，CLIPS是用C語言實現(xiàn)的高效產(chǎn)生式系統(tǒng)，因效率高、可移植性強而得到廣泛的應(yīng)用[11]。它構(gòu)成的專家系統(tǒng)包括：規(guī)則（defrule）、事實（deffacts）、推理。推理機不斷地掃描規(guī)則，并把匹配成功的規(guī)則激活，放入議程之中[12]。CLIPS既可以獨立編程，也可以嵌入到VC中，知識庫可以隨時填入知識而不影響其他程序結(jié)構(gòu)。CLIPS的推理循環(huán)可分為4個階段：模式匹配、沖突消解、激活規(guī)則、動作[12]。推理機的推理過程為

Step1：系統(tǒng)相機拍照，并將圖像傳入圖像處理模塊，分別計算出該穴盤苗圖像的特征值V={v1，v2，v3，…，vn，n為特征數(shù)}，其對應(yīng)的特征名稱為A={A1，A2，A3，…，An}。

Step2：推理機啟動，打開并搜索知識庫，與所有知識進行匹配。假設(shè)匹配苗S11，則根據(jù)特征名A，可以匹配得到：特征值VB={VB1，VB2，VB3，…，VBn，n為特征數(shù)}、允許誤差δ={δ1，δ2，δ3，…，δn，n為特征數(shù)}、客觀可信度w={w1，w2，w3，…，wn，n為特征數(shù)}、學(xué)習(xí)可信度CF={CF1，CF2，CF3，…CFn，n為特征數(shù)}，然后計算VB與V的差值并與δ比較，凡是小于δ的特征被保留，并計算出每一個特征的可信度，則苗S11的總可信度SCF11如式（10）所示。

說明第j條知識正好是第k個苗的知識，即識別成功苗的總可信度在整個樣本空間中最大。

2.3.4 學(xué)習(xí)算法 學(xué)習(xí)分首次學(xué)習(xí)和再學(xué)習(xí)。當(dāng)穴盤苗知識庫中沒有某種苗知識時，通過首次學(xué)習(xí)，建立該苗的“苗知識”。再學(xué)習(xí)是通過改變CF的權(quán)重值，提高識別能力。現(xiàn)設(shè)存在苗S11的知識，其差異度為{h11，h12，…h(huán)1n，n為特征數(shù)}，再設(shè)苗S12為待學(xué)習(xí)的苗，其差異度表示為{h21，h22，…，h2n}，再學(xué)習(xí)算法的步驟為

式中：m為目標(biāo)搜索空間;c1和c2為學(xué)習(xí)因子;r1和r2為[0，1]范圍內(nèi)的均勻隨機數(shù);w為慣性因子;Vim為速度;Pim為個體最優(yōu)位置;Pgm為全局最優(yōu)值;CFim為第i個穴盤的第m個特征的可信度。這樣，在搜索的過程中，CF的值被優(yōu)化，接近度高的權(quán)重得以加強，接近度低的予以抑制。

3 結(jié)果與分析

通過信號采集，首先獲得120個穴盤苗特征向量，然后用專家系統(tǒng)識別測試。軟件主要采用了VC+ +（6.0）、MATLAB（2013a）、圖像采集軟件、CLIPS專家推理系統(tǒng)（版本為6.22）。

3.1 圖像特征提取與分析

3.1.1 理想苗葉篩選測試 把苗S330（圖3-a）用K均值聚類后得到圖3-b，同時得到顏色特征的均值，然后進行二值化得到圖3-c，采用面積過濾篩除粘連的大塊面積得到圖 3-d，然后用參量u進行篩選得到圖3-e，最后用傅里葉描述子聚類分離得到圖3-f，并求出其形狀特征的均值。從圖3可以看出，特征獲取算法能在苗葉粘連的情況下，濾除畸形苗葉，得到理想苗葉，證明該算法合理有效。

3.1.2 特征值選擇及效果 通過分析同類苗的R、G、B、L、a、b、H、S等顏色值發(fā)現(xiàn)，在Lab空間中，L隨著采集燈光的減弱而減弱，a值隨著亮度的增加而逐步轉(zhuǎn)向深綠，b值隨亮度的變化反應(yīng)不規(guī)律;在RGB顏色空間中，R、G、B的值隨著亮度的增大逐步增大;在HIS顏色空間中，H雖然隨著光照度的增大而增大，但增大的幅值非常小，而S卻隨著光照度的增強而降低。在特征值的選擇中發(fā)現(xiàn)，對不同顏色進行組合后，可得到較穩(wěn)定的特征量，因此選取0.6L-0.4（R+B+G）/3、03b-0.7a、H+0.2S、0.3L-0.7a等顏色特征作為特征值。形狀特征值選擇長寬比、橢圓扁率、矩形度及傅里葉描述子4個參數(shù)?，F(xiàn)設(shè)特征F1=0.6L-0.4（R+B+G）/3，并以苗S3的40個樣本為例分析，其特征分布情況如圖4所示，可以看出，生長期相近的苗特征基本相近，特征值相對穩(wěn)定，波動較小。

3.2 專家系統(tǒng)識別試驗

3.2.1 不同品種穴盤苗識別測試

3.2.1.1 可信度識別結(jié)果分析 根據(jù)苗品種及生長期的不同，建立多條苗的知識，本試驗采用苗S11、S21、S301、S320、S351、S361、S401、S407、S414、S501、S506、S6、S7、S8、S9、S10的知識，對所有穴盤苗進行識別測試，通過可信度值進行統(tǒng)計識別情況，圖5-a是第1類苗S1的4盤穴盤苗的識別結(jié)果，圖5-b是第2類穴盤苗S2的識別情況。

由圖5可知，在苗S1和苗S2中的8個樣本中，每一個苗的總體可信度在整個樣本空間中最大，說明識別成功。表2是苗S3、S4、S5的識別情況，可以看出，苗S301構(gòu)建的知識能識別生長期為7、8 d的苗。苗S320構(gòu)建的知識能識別9、10、11 d的苗。在生長期早的苗葉中，識別率非常高，這主要是由于生長期早的苗葉沒有重疊或有輕微的重疊，容易取到理想的樣本，也說明推理機與知識庫設(shè)計合理。識別出現(xiàn)錯誤的主要是生長期比較晚的苗葉如S356號苗（12 d）和S419號苗（24 d），主要是因為這些苗為嚴(yán)重重疊苗，形態(tài)復(fù)雜，苗葉畸形造成形態(tài)特征值誤差太大。苗S6、S7、S8、S9、S10識別全部正確。

3.2.1.2 移栽結(jié)果分析 本研究只采用面積閾值驗證專家系統(tǒng)識別結(jié)果，專家系統(tǒng)識別成功后，根據(jù)該苗的移栽面積閾值實施移栽，面積閾值存儲在知識庫中，當(dāng)檢測到當(dāng)前苗的面積在知識庫中閾值面積范圍內(nèi)時，說明匹配成功，則發(fā)送移栽命令，通過測試發(fā)現(xiàn)，S356號苗移栽動作沒有發(fā)生，S419號雖然苗的識別錯誤，但卻發(fā)生了移栽動作。分析其原因，苗S3的S356號苗的葉面積是651，但專家系統(tǒng)識別結(jié)果是苗S6（錯誤結(jié)果），S6的面積閾值是226～310，與S356的面積651匹配不成功，無法啟動移栽命令，因此沒有動作;苗S4的第S419號苗的葉面積是447，專家系統(tǒng)識別結(jié)果是苗S3（錯誤結(jié)果），但苗S3的閾值面積包含了447，因此，實施了移栽動作。綜上測試說明，通過專家系統(tǒng)可信度識別錯誤的穴盤苗，也有發(fā)生移栽的可能，主要原因是不同苗葉面積閾值相近造成的，因此在實踐應(yīng)用中，還要通過其他的閾值條件進行限定，以確保移栽可靠性。

3.2.2 光照影響下穴盤苗識別測試 不同的光照會影響特征值的采集，因此，需要測試光照影響下專家系統(tǒng)的識別率?，F(xiàn)以S11、S12、S13、S14為例測試，這4個是同種苗，但光照度減弱，現(xiàn)以F11（seed11）特征值構(gòu)建知識，當(dāng)輸入F12、F13、F14幾個采集特征值時，各個苗的總可信度如表4所示，可以看出，采集特征值F12、F13、F14在同種苗S1上的信任度遠(yuǎn)遠(yuǎn)高于在其他苗上產(chǎn)生的信任度，說明盡管穴盤苗的采集特征值在變化，但依然能準(zhǔn)確地識別同類型的穴盤苗。

3.2.3 學(xué)習(xí)可信度學(xué)習(xí)測試 為了提高識別的魯棒性，并測試學(xué)習(xí)的效果，現(xiàn)對S1的知識進行學(xué)習(xí)，改變其學(xué)習(xí)可信度的權(quán)值，S1學(xué)習(xí)前后信任度對比如圖6所示。

由圖6可知，經(jīng)過學(xué)習(xí)后，采集特征值F12、F13、F14在同種苗的總信任度高于沒有學(xué)習(xí)時的信任度，這說明識別同類苗的能力大大增強。

3.2.4 相似度大小對識別的影響測試 相似度的取值要求能區(qū)分其他穴盤苗，本研究通過逐步增大相似度取值，分析相似度大小對苗識別的影響（以S1為例）。由圖7可知，逐步增大苗S1的相似度值時，除了S11因構(gòu)建知識，相似度不變外，S12、S13等總可信度隨著相似度值的增大而增大，但到一定值時，就不再增大。同時可以看出，對苗3等其他苗的總可信度沒有影響。對任意一個穴盤苗知識庫中知識的相似度而言，不易設(shè)置過大，一般設(shè)置在可信度曲線轉(zhuǎn)平前的拐點附近，如圖7中的[4，5]區(qū)間，相似度大小一般由領(lǐng)域?qū)＜掖_定。

3.2.5 幾種識別算法比較 本研究在樣本特征值保持不變的情況下，將樣本分成訓(xùn)練樣本70個，測試樣本50個，采用反向傳遞（back propageation，簡稱BP）神經(jīng)網(wǎng)絡(luò)、支持向量機（support vector machine，簡稱SVM）網(wǎng)絡(luò)、粒子群優(yōu)化支持向量機（particle-swarm optimizaion，簡稱PSOSVM）進行識別測試。BP神經(jīng)網(wǎng)絡(luò)的識別率為62.0%，其中目標(biāo)誤差是 0.001，訓(xùn)練次數(shù)是9 000次;支持向量機SVM的識別率為840%，其中SVM的懲罰參數(shù)c取2，核函數(shù)參數(shù)g取1，工具箱版本是libsvm 3.12;基于粒子群優(yōu)化的支持向量機識別率為86.3%，其中懲罰參數(shù)c優(yōu)化值為 1.642 6，核函數(shù)參數(shù)g優(yōu)化值為9.786 4，目標(biāo)誤差0.001，PSO的迭代次數(shù)200次，種群20;本研究專家系統(tǒng)的識別率為98.3%，總樣本數(shù)為120個，其中學(xué)習(xí)樣本數(shù)16個，識別失敗樣本2個（分別是S356號苗和S419號苗），成功118個。

4 結(jié)論

在穴盤苗專家系統(tǒng)識別算法中，采用了8個特征向量，可以識別生長期相近的穴盤苗品種，不需要訓(xùn)練。專家系統(tǒng)的知識庫容易管理，對新增加的穴盤苗，不需要改變推理機，只要在知識庫中增添一條知識即可進行識別，知識庫獨立性強。

在穴盤苗特征向量獲取算法中，采用組合顏色特征的方法以及形狀特征均值的方法，并采用傅里葉描述子聚類算法獲得理想苗葉集，尤其在苗葉有重疊的情況下，仍能取得較為理想的苗葉特征。

通過測試在光照影響下、拍照角度影響下、不同苗期苗葉形態(tài)不同的影響下穴盤苗的識別，證明基于專家系統(tǒng)識別的有效性。

參考文獻：

[1]胡 飛，尹文慶，陳彩蓉，等. 基于機器視覺的穴盤幼苗識別與定位研究[J]. 西北農(nóng)林科技大學(xué)學(xué)報（自然科學(xué)版），2013，41（5）：183-188.

[2]賀磊盈，蔡麗苑，武傳宇. 基于機器視覺的幼苗自動嫁接參數(shù)提取[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（24）：190-195.

[3]程玉柱. 分?jǐn)?shù)階ACM圖像分割算法及其在雜草圖像中的應(yīng)用[D]. 南京：南京林業(yè)大學(xué)，2014.

[4]童俊華. 蔬菜缽苗穴盤間移栽執(zhí)行器設(shè)計、移栽信息檢測與路徑規(guī)劃[D]. 杭州：浙江大學(xué)，2014.

[5]蔣煥煜，施經(jīng)揮，任 燁，等. 機器視覺在幼苗自動移缽作業(yè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2009，25（5）：127-131.

[6]尹建軍，毛罕平，王新忠，等. 不同生長狀態(tài)下多目標(biāo)番茄圖像的自動分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2006，22（10）：149-153.

[7]胡建平，侯 碩. 溫室缽苗移栽機器人健康苗圖像識別技術(shù)研究[D]. 鎮(zhèn)江：江蘇大學(xué)，2015.

[8]李 浩. 基于數(shù)字圖像處理技術(shù)的烤煙煙葉自動分組模型研究[D]. 武漢：華中農(nóng)業(yè)大學(xué)，2007.

[9]劉 念，闞江明. 基于多特征融合和深度信念網(wǎng)絡(luò)的植物葉片識別[J]. 北京林業(yè)大學(xué)學(xué)報，2016，38（3）：110-119.

[10]董春玲，張 勤. 用于不確定性故障診斷的權(quán)重邏輯推理算法研究[J]. 自動化學(xué)報，2014，40（12）：2766-2781.

[11]何彥虎，左希慶，張曉通，等. 基于CBR-FAT的液壓機故障診斷專家系統(tǒng)構(gòu)建[J]. 機床與液壓，2016，44（13）：191-196.

[12]Giarratano J，Riley G. 專家系統(tǒng)原理與編程[M]. 北京：機械工業(yè)出版社，2000.孫瀟鵬，林 建，劉燦燦，等. 水稻收割機的割臺輕量化設(shè)計及經(jīng)濟性分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（4）：182-186.