安娟華 董 鑫 王克儉 何振學(xué)

（河北農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院，071000，河北保定）

小麥?zhǔn)鞘澜缟戏N植面積最大的農(nóng)作物，是我國最重要的商品糧食[1]，但是小麥優(yōu)劣參差不齊，導(dǎo)致種子的質(zhì)量不高，而且小麥籽粒分級主要依靠人工目測的方式，該方法具有主觀性強(qiáng)、隨意性大和效率低等缺陷，給小麥分級帶來很大的不確定性[2]。因此利用有效的科學(xué)技術(shù)快速準(zhǔn)確地識別小麥籽粒的優(yōu)劣具有重要的研究意義和價值。

隨著信息技術(shù)的發(fā)展，機(jī)器視覺和圖像處理等在農(nóng)業(yè)上發(fā)揮著越來越重要的作用。Zayas等[3]利用計算機(jī)視覺區(qū)分小麥品種及非小麥成分，之后又做了各種糧食的分類；Verma[4]采用數(shù)字圖像處理并結(jié)合BP神經(jīng)網(wǎng)絡(luò)對大米進(jìn)行分級，分級準(zhǔn)確率達(dá)到90%。Paliwal等[5]將5種加拿大小麥和谷糠、麥穗等一些谷物雜質(zhì)混合鑒定，正確率達(dá)到90%。Mahale等[6]采用邊緣檢測算法提取谷物顆粒區(qū)域的邊緣，通過計算和分析谷物的大小和形狀實現(xiàn)對谷物的分級。Abirami等[7]采用神經(jīng)網(wǎng)絡(luò)結(jié)合數(shù)字圖像處理方法對大米顆粒分級的準(zhǔn)確率達(dá)到96%。Waghmare等[8]通過分析識別葡萄葉片紋理特征，采用多級支持向量機(jī)檢測分級方法對葡萄霜霉病和黑腐病進(jìn)行檢測和分級，準(zhǔn)確率達(dá)到96.6%。石小風(fēng)[9]探索分析基于圖像處理技術(shù)的小麥品質(zhì)檢測與分級的新方法，建立能夠正確識別小麥品種的最優(yōu)模型，為自動檢測小麥所屬品種分類提供技術(shù)支持。梁良[10]以小麥籽粒優(yōu)劣分級為目標(biāo)，通過數(shù)字圖像處理對小麥籽粒進(jìn)行特征提取，利用層次分級法和隸屬度函數(shù)法對小麥籽粒進(jìn)行了分級，準(zhǔn)確率達(dá)到93%。馮麗娟等[11]利用稀疏表示法識別小麥品種，準(zhǔn)確率達(dá)到96.7%，獲得了很好的效果。孟惜等[12]通過提取小麥形態(tài)顏色紋理特征，利用BP神經(jīng)網(wǎng)絡(luò)對單個品種小麥進(jìn)行識別，然后結(jié)合主成分分析法降維研究一次性識別多類小麥品種，最后利用標(biāo)準(zhǔn)粒子群優(yōu)化算法（particle swarm optimization，PSO）優(yōu)化權(quán)值參數(shù)，達(dá)到了更好的識別效果。張博[13]通過對經(jīng)典CNN網(wǎng)絡(luò)模型進(jìn)行改進(jìn)和優(yōu)化，對小麥籽粒的分類準(zhǔn)確率達(dá)到了96.3%。張浩等[14]利用計算機(jī)圖像處理技術(shù)能夠準(zhǔn)確測定小麥籽粒長軸、短軸和投影面積等形態(tài)特征，為小麥分級提供了技術(shù)支持。

綜上所述，國內(nèi)外學(xué)者在農(nóng)產(chǎn)品上利用計算機(jī)視覺技術(shù)取得了很多的研究成果，但是在小麥優(yōu)劣檢測分級方面仍然存在速度慢和精度低等問題，需要在此基礎(chǔ)上進(jìn)一步的研究。本文在國內(nèi)外研究的基礎(chǔ)上，針對小麥籽粒檢測分級中存在的問題，以航麥8805為研究對象，對采集到的小麥圖像預(yù)處理獲得小麥籽粒的形態(tài)、顏色和紋理等特征參數(shù)，利用支持向量機(jī)建立小麥分級模型，實現(xiàn)小麥籽粒的優(yōu)劣分級，再利用灰狼算法（grey wolf optimizer，GWO）優(yōu)化支持向量機(jī)（support vector machine，SVM）的兩個參數(shù)c和σ，將特征參數(shù)輸入到GWO-SVM算法模型中進(jìn)行訓(xùn)練和測試，以提高分級的準(zhǔn)確率。

1 材料與方法

1.1 小麥籽粒圖像獲取

研究對象為河北農(nóng)業(yè)大學(xué)選育的航麥8805，試驗以黑色絨布為背景[15]，在光線充足的室內(nèi)將小麥籽粒均勻地鋪在黑色絨布上，用蘋果6Plus在距離小麥籽粒8cm處拍照，每幅圖像所用的小麥籽粒為20粒，圖像以JPG格式存儲于計算機(jī)中，得到20張小麥籽粒圖像，RGB圖像的分辨率為3024×4032dpi，從中選擇清晰的小麥籽粒圖像作為研究對象，共獲得302粒小麥籽粒。其中的一張小麥籽粒圖像如圖1所示。

圖1 小麥籽粒RGB原圖像Fig.1 Wheat grain RGB original image

1.2 小麥籽粒圖像預(yù)處理

在圖像采集過程中，會受到很多因素的影響，使小麥籽粒圖像產(chǎn)生噪聲，圖像質(zhì)量下降，對后期籽粒特征提取及籽粒分級產(chǎn)生一定的干擾和影響，因此有必要在對小麥籽粒進(jìn)行分析之前對采集到的小麥籽粒圖像進(jìn)行預(yù)處理。

1.2.1 圖像灰度化 由于原始小麥籽粒圖像由R、G、B三基色組成，不利于直接對圖像進(jìn)行分割和特征提取，因此需要對其進(jìn)行灰度化。圖像灰度化方法有最大值法、平均法和加權(quán)平均法。本文分別使用這3種方法對圖像灰度化，試驗結(jié)果表明使用加權(quán)平均法效果最好，加權(quán)平均法計算公式為：

式中Gray為灰度；R、G、B為紅、綠、藍(lán)三通道，0.3、0.59、0.11為加權(quán)系數(shù)，結(jié)果如圖2-A所示。

圖2 小麥籽粒預(yù)處理效果圖Fig.2 Effect diagram of wheat grain pretreatment

1.2.2 圖像濾波 由圖2可看出，小麥籽粒形狀基本得以保全，但部分細(xì)節(jié)仍有欠缺，需要進(jìn)一步處理。首先分別使用均值濾波、中值濾波和高斯濾波對小麥籽粒圖像進(jìn)行平滑降噪。在3種方法中分別使用3×3、5×5、7×7的模板進(jìn)行濾波，試驗表明采用7×7模板的中值濾波效果最好，濾波后的二值圖像如圖2-B所示。

1.2.3 圖像增強(qiáng) 經(jīng)過濾波處理后的二值化圖像變得圓潤，但小麥籽粒局部特征不明顯，因此需要對其進(jìn)行圖像增強(qiáng)。增強(qiáng)方法為直方圖均衡化，圖像增強(qiáng)算法有頻域和空域兩種。其中，頻域方法又分為高通濾波、低通濾波和同臺濾波；空域方法分為點處理和空間濾波。通過試驗結(jié)果的對比，本文采用點處理算法，用imadjust函數(shù)對灰度圖像進(jìn)行對比度增強(qiáng)，選擇閾值參數(shù)為0.3和0.5，目的是為了使黑的更黑，白的更白，達(dá)到小麥籽粒更加突出的效果，如果增大或縮小閾值都達(dá)不到增強(qiáng)的效果，增強(qiáng)后的二值圖如圖2-C所示。

1.2.4 圖像形態(tài)學(xué)處理 增強(qiáng)后的二值圖像還是存在少許的顆粒噪聲點，而且小麥籽粒還存在空洞，利用形態(tài)學(xué)對其進(jìn)行處理。開運(yùn)算和閉運(yùn)算都是形態(tài)學(xué)中兩個非常有用的二次運(yùn)算，二者的定義分別為：

其中A為待處理圖像；B為結(jié)構(gòu)元素；? 和⊕分別代表腐蝕和膨脹。

在小麥籽粒圖像處理過程中，本文采用開運(yùn)算，首先采用較小的結(jié)構(gòu)圓對圖像進(jìn)行腐蝕操作，再采用較大的結(jié)構(gòu)圓進(jìn)行膨脹操作。開運(yùn)算后圖像中噪聲基本消除，但小麥籽粒存在空洞，所以對其進(jìn)行填充操作，最終使小麥籽粒更加完整，處理的結(jié)果如圖2-D所示。

1.2.5 小麥圖像籽粒提取 用bwlabel函數(shù)對1.2.4中得到的圖像進(jìn)行標(biāo)記跟蹤，如圖2-E所示。采用連通區(qū)域重心提取法提取出單個小麥籽粒，用來提取單個小麥籽粒的特征，為后期小麥籽粒分級做準(zhǔn)備，如圖2-F、2-G、2-H所示。

1.3 特征提取

小麥籽粒的優(yōu)劣與形態(tài)、顏色、紋理特征參數(shù)[15-17]有關(guān)，通過提取以上特征來判斷優(yōu)劣程度。

1.3.1 形態(tài)學(xué)特征參數(shù) 根據(jù)形態(tài)學(xué)特征可以了解不同小麥籽粒的外形特點，選取面積（area）、周長（perimeter）、長軸（major axis length）、短軸（minor axis length）和橢圓離心率（eccentricity）5個特征。

面積是最自然的區(qū)域?qū)傩?，表示分割得到的籽粒區(qū)域中所包含的像素個數(shù)，本研究中假設(shè)每個像素點的面積為單位1，則面積的計算公式為：

其中，A表示面積，（x，y）表示像素點坐標(biāo)，R表示小麥籽粒圖像中像素坐標(biāo)點集合。

周長表示籽粒區(qū)域的輪廓長度，是按8鄰域連通規(guī)則來計算的，計算公式為：

其中，P表示周長，Na表示偶數(shù)鏈碼數(shù)目，Nd表示奇數(shù)鏈碼數(shù)目。

長軸（短軸）表示與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長軸（短軸）長度，用regionprops函數(shù)計算。

橢圓離心率表示與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的離心率，計算公式為：

其中E為橢圓離心率，maj為長軸，min為短軸。

將全部計算結(jié)果存儲在stats結(jié)構(gòu)陣列中。

1.3.2 顏色特征參數(shù) 小麥籽粒顏色是判斷小麥籽粒等級的重要特征參數(shù)。利用RGB和HSI顏色模型提取小麥籽粒顏色特征參數(shù)，具體過程為首先利用1.2節(jié)中籽粒分割方法確定籽粒的位置，然后求出每個籽粒的紅色分量、綠色分量和藍(lán)色分量的均值和方差，再利用RGB模型和HSI模型的關(guān)系求出籽粒的色調(diào)、亮度、飽和度的均值和方差，最后整理分析所得的顏色數(shù)據(jù)，從而得到小麥籽粒的顏色特征參數(shù)。

本研究中，需要把小麥籽粒RGB圖像轉(zhuǎn)換到HSI顏色模型中，具體轉(zhuǎn)換公式如下：

R、G和B分別表示R、G和B顏色空間的紅、綠和藍(lán)分量值；H、S和I分別表示H、S和I顏色空間的色度分量、飽和度分量和亮度分量。

1.3.3 紋理特征參數(shù) 采用灰度共生矩陣法，過程為把得到的彩色小麥籽粒圖轉(zhuǎn)化為灰度圖，然后計算對比度（CON）、能量（ASM）、相關(guān)性（COR）和逆差距（HOM）這4個特征。

對比度反映的是小麥籽粒圖像的清晰程度和紋理的溝紋深淺，計算公式為：

能量是灰度共生矩陣各元素的平方和，反映的是灰度圖像紋理變化的均勻度和紋理的粗細(xì)度，計算公式為：

相關(guān)性值的大小反映圖像中局部灰度的相關(guān)性，計算公式為：

逆差距反映圖像紋理的同質(zhì)性，其值的大小表明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻，計算公式為：

其中，P(i，j)表示圖像中灰度值為i的像素相距為d、角度為θ、灰度值為j的像素共同出現(xiàn)的概率。

1.4 分級算法

根據(jù)查閱的相關(guān)文獻(xiàn)和育種專家的指導(dǎo)，將小麥籽粒分為三級，其中形狀飽滿、顏色明亮、表面光滑的小麥籽粒視為優(yōu)等小麥，分級時類別標(biāo)簽取值設(shè)為2；形狀基本飽和、顏色較深、表面略微有褶皺的小麥籽粒視為中等，分級時類別標(biāo)簽取值設(shè)為1；形狀干癟、殘缺或發(fā)病，顏色很深，表面褶皺視為劣等小麥，分級時類別標(biāo)簽取值設(shè)為0。首先使用傳統(tǒng)SVM算法建立小麥籽粒分級模型，然后用GWO優(yōu)化SVM參數(shù)建立小麥籽粒分級模型來提高傳統(tǒng)SVM分級的準(zhǔn)確率，最后使用PSOSVM算法[18-19]與其進(jìn)行對比。

1.4.1 SVM分級核函數(shù) SVM是以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)逐步發(fā)展而來的新型機(jī)器學(xué)習(xí)方法，有訓(xùn)練樣本少、訓(xùn)練時間短、精度高等優(yōu)點。它的原理是通過構(gòu)建最優(yōu)分割超平面，使位于超平面一側(cè)的為一類，另一側(cè)的為另外一類，以實現(xiàn)樣本的分類。分類函數(shù)為：

式中：αi為拉格朗日因子；b為根據(jù)訓(xùn)練樣本所確定的閾值；c為懲罰因子；K(x，xi)為核函數(shù)。

采用不同的核函數(shù)K(x，xi)可以生成不同的支持向量分類器，常用的核函數(shù)有多項式核函數(shù)（PKF）、多層感知器核函數(shù)（Sigmoid）、線性核函數(shù)（Linear）和高斯核函數(shù)（RBF）等，核函數(shù)的選取往往取決于應(yīng)用場景的復(fù)雜度，對以上幾個核函數(shù)的試驗對比發(fā)現(xiàn)對小麥籽粒進(jìn)行分級時，進(jìn)行高斯核函數(shù)映射后，不僅能夠?qū)崿F(xiàn)將原數(shù)據(jù)在高維空間中實現(xiàn)線性可分，而且計算方面不會有很大的消耗，同時高斯核函數(shù)具有收斂速度快，參數(shù)較少等優(yōu)點，適合用高斯核函數(shù)來構(gòu)建SVM分類器，因此本文選擇使用高斯核函數(shù)作為核函數(shù)K(x，xi)，其表達(dá)式為：

式中：σ為高斯核函數(shù)的寬度。

σ隱含的決定了數(shù)據(jù)映射到新的特征空間后的分布。σ越大，支持向量個數(shù)越少；σ越小，支持向量個數(shù)越多。σ間接影響訓(xùn)練樣本在高維空間中分布的復(fù)雜程度和分類精度，而且高斯核函數(shù)中只有σ這一個變量，對參數(shù)的優(yōu)化也相對簡單，因此本文選擇高斯核函數(shù)來構(gòu)建SVM。

1.4.2 GWO優(yōu)化SVM算法 在SVM算法的構(gòu)建中需要對懲罰因子c和核參數(shù)σ進(jìn)行選擇，而在實際當(dāng)中SVM參數(shù)的選擇對分類精度和性能有很大的影響，一旦選取不當(dāng)則可能會導(dǎo)致分級效果不理想，但其參數(shù)的選擇只能依靠模型建立者的經(jīng)驗，目前沒有統(tǒng)一的標(biāo)準(zhǔn)。本文使用全局搜索能力及收斂能力都強(qiáng)的GWO對SVM參數(shù)進(jìn)行優(yōu)化，從而建立GWO-SVM小麥籽粒分級模型。

首先選擇算法的適應(yīng)度函數(shù)，由于SVM模型易受懲罰系數(shù)c和核參數(shù)σ的影響，因此運(yùn)用GWO算法對SVM參數(shù)進(jìn)行優(yōu)化選擇，選擇SVM對小麥籽粒樣本分級的錯誤率為適應(yīng)度函數(shù)，公式為：

式中：right為正確分級樣本數(shù)量，total為樣本總數(shù)量。

GWO優(yōu)化SVM算法[20]主要流程如下：

步驟1：輸入小麥籽粒樣本數(shù)據(jù)和樣本對應(yīng)的標(biāo)簽數(shù)據(jù)，設(shè)定SVM的訓(xùn)練集和測試集。

步驟2：設(shè)置GWO算法的參數(shù)：種群規(guī)模N，最大迭代次數(shù)T；初始化SVM參數(shù)（c，σ）的取值范圍。

步驟3：隨機(jī)產(chǎn)生狼群，每頭狼的位置由（c，σ）組成。

步驟4：根據(jù)初始參數(shù)c和σ，用SVM對訓(xùn)練集樣本進(jìn)行訓(xùn)練，根據(jù)公式（17）計算每頭狼的適應(yīng)度函數(shù)值。

步驟5：根據(jù)適應(yīng)度值的大小把狼群進(jìn)行等級排序，α最優(yōu)，β次之，最后為δ。

步驟6：根據(jù)以下狼群算法[21]公式進(jìn)行狼群個體的位置更新。

式中Dα、Dβ和Dδ分別為狼α、β和δ與獵物之間的距離；C1、C2、C3和A1、A2、A3分別表示 α、β、δ 的系數(shù)矢量；Xα(t)、Xβ(t)、Xδ(t)為t時刻獵物位置；X1、X2、X3分別表示狼群的矢量位置；Xα、Xβ、Xδ分別表示獵物的矢量位置。Xp為獵物所處的位置（全局最優(yōu)解向量），t為當(dāng)前的迭代次數(shù)，X(t+1)為更新后的潛在最優(yōu)解向量。

步驟7：求出灰狼群個體在新位置的適應(yīng)度值，重新對狼群個體等級進(jìn)行劃分。

步驟8：以達(dá)到最大迭代次數(shù)為終止條件，輸出α狼的位置即為SVM的最優(yōu)參數(shù)；否則跳轉(zhuǎn)至步驟5。

步驟9：采用輸出的最優(yōu)參數(shù)來建立模型，對樣本進(jìn)行測試，輸出結(jié)果并分析驗證。

2 結(jié)果與分析

文本中共有302粒樣本，根據(jù)查閱文獻(xiàn)和育種專家指導(dǎo)，將小麥籽粒分為3級，其中優(yōu)等籽粒數(shù)目為150，中等籽粒數(shù)目為90，劣等籽粒數(shù)目為62。將樣本按4∶1的比例分為訓(xùn)練集和測試集。測試集共有61粒，其中有優(yōu)等小麥29粒，中等小麥20粒，劣等小麥12粒。將狼群數(shù)量設(shè)置為10，最大迭代次數(shù)為100，保證能夠全局搜索。用GWO優(yōu)化后得到最優(yōu)參數(shù)（c，σ），然后構(gòu)建GWOSVM模型，最后用構(gòu)建好的模型對樣本進(jìn)行分級。

2.1 分級結(jié)果

用GWO-SVM算法和人工實際分級結(jié)果進(jìn)行對比，結(jié)果如表1所示。

由表1可以看出，GWO-SVM算法中被正確分級的總數(shù)達(dá)到了58粒，與人工實際分級結(jié)果相比只被分錯3個。整體的正檢率為95.08%，錯檢率為4.92%，3種不同等級的小麥籽粒平均正檢率達(dá)94.41%，錯檢率為5.59%，由此可見，用GWOSVM算法對小麥籽粒分級是可行的，達(dá)到了小麥籽粒分級預(yù)期的效果。由表2可以看出，PSOSVM算法模型對小麥籽粒樣本分級，優(yōu)等小麥籽粒、中等小麥籽粒和劣等小麥籽粒被正確識別的個數(shù)分別為28、17和10，共計識別個數(shù)為55，錯誤分類共計6粒，總計識別正檢率為90.16%，錯檢率為9.84%。平均識別正檢率為88.29%，平均錯檢率為11.71%。SVM算法模型結(jié)果顯示，優(yōu)等、中等和劣等小麥籽粒被正確識別的個數(shù)分別為26、15和10，正確分類共計51粒，錯誤分類共計10粒，整體正檢率為83.61%，錯檢率為16.39%，平均正檢率為82.66%，平均錯檢率為17.34%。其中優(yōu)等小麥籽粒的正檢率最高，因為優(yōu)等小麥籽粒在形態(tài)特征、顏色特征和紋理特征上均具有良好的屬性，能很好地與中等和劣等小麥籽粒區(qū)分開，所以識別率高。而中等小麥籽粒和劣等小麥籽粒在形態(tài)、顏色上容易混淆，所以會導(dǎo)致錯分，因此中等小麥和劣質(zhì)小麥的正檢率比較低。

表1 GWO-SVM和人工分級結(jié)果對比Table 1 Comparison of GWO-SVM and manual classification results

表2 不同算法分級結(jié)果Table 2 Classification results of different algorithms

綜合以上結(jié)果可以得出，GWO-SVM算法正確分級的總數(shù)為58粒，而PSO-SVM算法和SVM算法正確分級總數(shù)分別是55粒和51粒，GWO-SVM算法的整體正檢率和平均正檢率都要比PSO-SVM算法和SVM算法高。由此可見，GWO-SVM算法的分級效果要比PSO-SVM算法和SVM算法好。

2.2 算法時間性能比較

分別用GWO和PSO算法對SVM模型中的懲罰因子c和高斯核函數(shù)的參數(shù)σ進(jìn)行尋優(yōu)，以此來優(yōu)化SVM模型，提高算法的效率，然后進(jìn)行交叉驗證，結(jié)果如表3所示。

表3 不同算法時間結(jié)果Table 3 Time results of different algorithms s

由表3結(jié)果可以看出，無論交叉驗證的K值取3、5，還是7，GWO-SVM算法和PSO-SVM算法的時間消耗都要比SVM算法時間消耗大，因為GWO算法和PSO算法在尋找最優(yōu)參數(shù)時會消耗一定的時間。在相同的條件下，GWO-SVM算法在時間消耗上要比PSO-SVM算法時間消耗小，雖然比SVM算法消耗時間大，但是區(qū)別不是很明顯，對小麥籽粒分級影響不大，可以在接受范圍之內(nèi)。因此，可以得出GWO-SVM算法在速度上也同樣有很大的優(yōu)勢。

分級準(zhǔn)確率和分級速度的高低決定了分級模型的好壞。在本研究中，GWO-SVM算法模型不僅分級速度具有較大優(yōu)勢，而且在很大程度上提高了分級的準(zhǔn)確率。

3 討論

小麥品種的好壞可以通過對小麥籽粒優(yōu)劣程度精確量化表示，只有提高國內(nèi)小麥的質(zhì)量，才能推動國內(nèi)農(nóng)業(yè)的發(fā)展。但是小麥籽粒優(yōu)劣參差不齊，對小麥籽粒分級帶來很大的不確定性，本文針對小麥籽粒提取了形態(tài)特征、顏色特征和紋理特征等共21個特征參數(shù)，用于小麥籽粒的分級，試驗結(jié)果表明，利用這些特征參數(shù)對小麥籽粒優(yōu)劣分級是可行的。

小麥籽粒分級依靠人工目測，效率慢，準(zhǔn)確度低，與傳統(tǒng)的技術(shù)相比，機(jī)器視覺檢測技術(shù)得到了突飛猛進(jìn)的發(fā)展，用機(jī)器視覺技術(shù)代替繁瑣復(fù)雜的人工檢測過程是自動化分級發(fā)展的必然趨勢，梁良[10]基于小麥籽粒特征利用層次分級法和隸屬度函數(shù)法對小麥籽粒進(jìn)行分級，雖然準(zhǔn)確率達(dá)93%，但需要人工對其進(jìn)行閾值的選取，比較艱難繁瑣；而王志軍等[17]利用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)了小麥籽粒自動分級，識別準(zhǔn)確率也達(dá)到了93%以上。本研究利用灰狼算法優(yōu)化支持向量機(jī)建立小麥分級模型，在實現(xiàn)自動分級的同時，同樣也達(dá)到了很好的效果，準(zhǔn)確率達(dá)95.08%，比前面的研究者準(zhǔn)確率有所提高，分級速率也達(dá)到了較好的效果。

4 結(jié)論

本文研究了基于GWO-SVM的小麥籽粒優(yōu)劣分級模型并給出了模型的詳細(xì)步驟。試驗結(jié)果表明，將GWO算法引入到SVM模型參數(shù)的選取上，并應(yīng)用于小麥籽粒優(yōu)劣分級上是可行的，正檢率達(dá)95.08%，提高了小麥籽粒優(yōu)劣分級的準(zhǔn)確率。