張 濤 張 瑩 唐興隆 李 鴻 李 平楊清慧 代治國 張先鋒,*

(1 重慶市農(nóng)業(yè)科學(xué)院，重慶 401329；2 重慶市經(jīng)貿(mào)中等專業(yè)學(xué)校，重慶 402160)

玉米是我國重要的糧食作物之一，隨著農(nóng)業(yè)機械化程度不斷提高，各種機械設(shè)備對籽粒的靜載、振動、擠壓、碰撞、沖擊等作用，難免會造成不同程度的機械損傷[1-3]。玉米籽粒受損傷后極易吸濕、霉變、生蟲，直接降低玉米的貯存時間、等級等[4-6]。因此，提高品質(zhì)檢測技術(shù)，對玉米種植、收獲、加工、分類具有重要意義。目前玉米籽粒品質(zhì)檢測主要依靠人工或機械篩選，因此，研究自動、準(zhǔn)確、快速的玉米籽粒機械損傷檢測技術(shù)尤為重要。

機器視覺技術(shù)通過模擬人的視覺功能，對圖像進行處理、信息提取與識別，具有無損、精度高、速度快、非接觸等優(yōu)點，在農(nóng)產(chǎn)品外觀品質(zhì)檢測、自動分級等領(lǐng)域已廣泛應(yīng)用[7-9]。大量學(xué)者已經(jīng)采用圖像分析、神經(jīng)網(wǎng)絡(luò)、流行學(xué)習(xí)算法等技術(shù)，對水稻[10]、大豆[11]、馬鈴薯[12]、花椒[13]、小麥[14]等作物的品質(zhì)和外形缺陷進行了研究[10-14]，并取得了令人滿意的效果。近些年，隨著軟硬件技術(shù)發(fā)展，學(xué)者們基于機器視覺識別理論及算法開發(fā)了一些實時在線分選系統(tǒng)，系統(tǒng)分類準(zhǔn)確率達到90%以上，可以滿足實際生產(chǎn)的要求[15-16]。玉米方面，學(xué)者采用數(shù)據(jù)融合、邊界算法、閾值分割等方法對籽粒的機械裂紋、內(nèi)部應(yīng)力損傷、霉變等進行了識別研究[17-19]，同時開發(fā)了視覺精選系統(tǒng)[20]，極大提高了品質(zhì)分揀的生產(chǎn)效率。流行學(xué)習(xí)算法在農(nóng)產(chǎn)品缺陷檢測方面的可靠性和準(zhǔn)確性較高，但需要的樣本數(shù)量極大，眾多特征疊加會產(chǎn)生大量冗余信息[5,12]，而圖像分析可以通過區(qū)域分割、特征提取、輸入模型，快速進行判別。目前，針對玉米籽粒區(qū)域分割算法綜合對比和自動判別研究鮮見報道。因此，本研究綜合分析灰度法、色度閾值法、色彩恢復(fù)的多尺度Retinex法、基于卷積的Sobel法對玉米籽粒圖像的分割質(zhì)量，提取二值化圖像特征，建立玉米籽粒機械損傷判別分析和逐步剔除識別模型，以期為玉米種子外觀品質(zhì)檢測、分級設(shè)備的設(shè)計提供理論基礎(chǔ)和技術(shù)支持。

1 材料與方法

1.1 試驗材料

選用重慶市農(nóng)業(yè)科學(xué)院玉米所提供的黃色馬齒型渝單2號玉米籽粒。在2020年收獲期取樣，風(fēng)干后玉米籽粒含水率為13.28%，人工剝除苞葉后進行機械脫粒。隨機挑選輪廓完整的正常樣本80粒和機械損傷樣本(無病蟲害)120粒，樣本集按照3∶1的比例分為構(gòu)建集(150粒)和驗證集(50粒)，樣本集參數(shù)和機械損傷類型分別如表1和圖1所示。

表1 玉米籽粒樣本集特征值Table 1 Characteristic values of corn kernels sample set

注：a:單裂紋; b:龜裂紋; c:不規(guī)則破裂; d:輕微破損; e:縱向破損1/2。Note: a:Single crack. b:Turtle crack. c:Irregular fracture. d:Slightly damaged. e:Longitudinal damage 1/2.圖1 玉米籽粒的不同損傷類型Fig.1 Different damage types of corn kernel

1.2 試驗設(shè)備

Epson V19掃描儀，愛普生(中國)有限公司，將上蓋設(shè)計成箱盒結(jié)構(gòu)，避免擠壓跑偏或光線干擾等影響。采集過程：將玉米籽粒放置掃描臺上，正常樣本任意面放置，機械損傷樣本則選損傷一面朝下，通過計算機將掃描圖像保存?zhèn)溆茫O(shè)定圖像大小為540×650像素，圖像格式為.jpg，顏色空間為RGB。TH6018-45X放大鏡，義烏華衡光學(xué)儀器有限公司。

1.3 試驗方法

1.3.1 試驗方案 玉米籽粒機械損傷檢測的主要步驟為圖像分割、特征提取、損傷判別。本研究選擇灰度法、色度閾值法、基于卷積的Sobel法、色彩恢復(fù)的多尺度Retinex法(multi-scale Retinex with color restoration)對初始圖像進行分割，對比分析分割質(zhì)量；其次使用標(biāo)定塊法提取圖像特征，并進行值域統(tǒng)計與分析，篩選出正常與機械損傷之間差異顯著的特征指標(biāo)；最后用判別分析法和逐步剔除法建立玉米籽粒機械損傷檢測模型，并分別對構(gòu)建集(150張)和驗證集(50張)的圖片進行識別，利用準(zhǔn)確率衡量模型識別精度。

1.3.2 圖像評價指標(biāo) 圖像評價指標(biāo)是衡量分割質(zhì)量和反映紋理信息的重要參數(shù)。本研究選擇均方誤差、圖像熵、峰值信噪比、平均梯度作為評價指標(biāo)[21-22]，尋求最優(yōu)分割算法。圖像熵是反映平均信息量的指標(biāo)，其值越大，圖像越清晰，計算公式為：

IE=-∑pjlog2(pj)

(1)

式中，IE表示圖像熵，bit/pixel；pj表示圖像第j級灰度值的概率。

峰值信噪比是指圖像中最大信號值與背景噪音的比值，用來衡量處理前與處理后的圖像差異，其值越大，說明分割效果越好，失真越小，計算公式為：

(2)

式中，PSNR表示圖像峰值信噪比，dB；L，K分別表示圖像的行數(shù)和列數(shù)，M(x,y)表示原始圖像信號，N(x,y)表示處理后圖像信號，x,y為像素點坐標(biāo)值。

均方誤差是指圖像經(jīng)過處理以后，與理想圖像的誤差大小，其值越小越好，計算公式為：

(3)

式中，MSE表示圖像均方誤差；A為處理后圖像；B為理想圖像。

平均梯度是表達圖像微小細節(jié)反差和紋理變化特征能力的指標(biāo)，可用來衡量圖像的清晰程度，其值越大說明圖像層次越豐富，計算公式為：

(4)

式中，AM表示圖像平均梯度；F(l,k)表示圖像在(l,k)位置的灰度值。

1.3.3 區(qū)域分割 區(qū)域分割是將前景與背景分開、去除無效信息，對玉米籽粒目標(biāo)進行定位和標(biāo)記的過程。分割質(zhì)量決定了圖像攜帶信息的可信度以及噪聲的干擾度。

柳紅喜歡聞公公身上的煙味兒。或許不僅僅是煙味兒，公公身上有著香煙味、汗臭味以及其他氣味混雜在一起的男人味兒。這男人味兒很尖，很刺鼻，但柳紅就是喜歡聞。都說男人是臭男人，但這臭男人身上的味兒，卻讓柳紅心醉。每次洗衣服時，柳紅都會偷偷地聞蘇長河換下的臟衣服，那上面就有著她喜歡的氣味。

1.3.3.1 灰度法分析 灰度法是通過確定灰度閾值，將圖像進行二值化處理。具體步驟：①將RGB三通道圖像轉(zhuǎn)換成灰度圖像(圖2-a)；②采用3×3大小中值濾波處理(圖2-b)；③利用最大類間方差法(Otsu)進行二值化分割(圖2-c)。

圖2 灰度分割流程中的灰度圖像(a)、中值濾波(b)和分割結(jié)果(c)Fig.2 Gray image (a), median filter (b) and segmentation result (c) in gray scale segmentation process

1.3.3.2 色度閾值法分析 色度閾值法是指在色度-飽和度-亮度(hue-saturation-intensity，HSI)顏色空間中，采用閾值法將物體和背景進行分割。具體步驟：①對原始RGB圖像進行3×3大小均值濾波處理(圖3-a)；②將濾波處理圖像轉(zhuǎn)換為HSI顏色空間(圖3-b)；③對色度(Hue)圖像進行3×3大小的均值濾波處理(圖3-c)；④利用最大類間方差法(Otsu)進行色度(Hue)圖像二值化分割(圖3-d)。

圖3 色度閾值分割流程中均值濾波(a)、色度圖像(b)、均值濾波(c)、分割結(jié)果(d)Fig.3 Average filtering(a), hue image(b), average filtering(c) and segmentation results(d) in hue threshold segmentation process

1.3.3.3 基于卷積的Sobel法分析 基于卷積的Sobel法是通過計算亮度函數(shù)梯度值進行分割。具體步驟：①對原始RGB圖像進行均值去噪(圖4-a)；②將彩色圖像轉(zhuǎn)化為灰度圖像(圖4-b)；③對灰度圖像進行直方圖均衡化增強(圖4-c)；④基于卷積的Sobel法對圖像進行二值化分割(圖4-d)。

圖4 基于卷積的Sobel分割流程中均值濾波(a)、灰度圖像(b)、直方圖增強(c)、分割結(jié)果(d)Fig.4 a.Average filtering(a), gray image(b), histogram enhancement(c) and segmentation results(d) in Sobel based convolution segmentation process

1.3.3.4 色彩恢復(fù)的多尺度Retinex法分析 色彩恢復(fù)的多尺度Retinex法是通過理論算法恢復(fù)色彩功能和局部細節(jié)增強，以便得到圖像中的有用信息[23]。具體步驟：①利用MSRCR函數(shù)對圖像進行增強，減小噪聲干擾(圖5-a)；②對增強圖像進行3×3大小的均值濾波(圖5-b)；③利用最大類間方差法(Otsu)將對象和背景分割(圖5-c)。

圖5 色彩恢復(fù)的多尺度Retinex分割流程中圖像增強(a)、均值濾波(b)、分割結(jié)果(c)Fig.5 Image enhancement(a), average filtering(b) and segmentation results(c) in multi-scale retinex with color restoration segmentation process

1.3.4 形態(tài)特征提取 利用Matlab軟件在色彩恢復(fù)的多尺度Retinex法分割基礎(chǔ)上進行面積、周長、最大費特雷直徑、最短費特雷直徑特征自動提取，主要用于統(tǒng)計正常與機械損傷樣本特征閾值及構(gòu)建判別模型。由于無參照物和鏡頭畸變等影響，難以獲取玉米籽粒實際尺寸，因此采用標(biāo)定塊法[24]。標(biāo)定塊顏色為藍色，如圖6所示，正好是RGB三原色之一，二值化圖像提取容易。

圖6 標(biāo)定塊與玉米籽粒原圖Fig.6 Calibration block and corn grain original picture

已知標(biāo)定塊真實面積為10 mm×10 mm，提取圖像中標(biāo)定塊的像素面積為m0，則單位像素點真實面積S0為：

(5)

假設(shè)玉米籽粒像素面積為m1，玉米籽粒真實面積S為：

S=S0×m1

(6)

通過邊界上所有像素總和來表示玉米籽粒周長，假設(shè)邊界像素總和為m2，則真實周長C為：

(7)

最大費雷特直徑為過中心點最長的線段，簡稱長軸，假設(shè)長軸上的像素總和為m3，則最大費雷特直徑D1為：

(8)

最短費雷特直徑為過中心點最短的線段，簡稱短軸，假設(shè)短軸上的像素總和為m4，則最短費雷特直徑D2為：

(9)。

1.4 數(shù)據(jù)處理

本研究借助Matlab2018a軟件對圖像進行區(qū)域分割和特征提取，采用Excel 2019軟件對數(shù)據(jù)進行整理和繪圖，利用SPSS 22.0軟件對數(shù)據(jù)進行相關(guān)性和判別式分析，建立判別分析法和逐步剔除法損傷識別模型。

2 結(jié)果與分析

2.1 不同分割方法結(jié)果對比

選取機械損傷樣本進行圖像分割，結(jié)果如圖7所示。其中灰度法中殘存噪聲與圖像混合，邊緣連續(xù)性較差(圖7-b)；色度閾值法和基于卷積的Sobel法紋理清晰、信息量大，能夠更好地顯示裂紋細節(jié)，但邊緣連續(xù)性和完整性差，為后續(xù)形態(tài)特征提取帶來不便，而且極易受噪聲污染(圖7-c、d)；色彩恢復(fù)的多尺度Retinex法圖像邊緣清晰、完整、連續(xù)，背景噪聲小，但同灰度法一致，細節(jié)信息丟失嚴(yán)重(圖7-e)。

圖7 機械損傷樣本(a)的灰度法(b)、色度閾值法(c)、基于卷積的Sobel法(d)、色彩恢復(fù)的多尺度Retinex法(e)分割結(jié)果Fig.7 Segmentation results of mechanical damage sample (a) by gray scale method (b), hue threshold method (c), Sobel based convolution method (d) and multi-scale retinex with color restoration(e)

對4種分割方法二值化圖像質(zhì)量指標(biāo)進行分析，結(jié)果如表2所示。處理前后圖像失真從小到大依次為基于卷積的Sobel法、色彩恢復(fù)的多尺度Retinex法、色度閾值法、灰度法，其中基于卷積的Sobel法的均方誤差和峰值信噪比分別為1.831 5和45.545 5 dB；二值化后圖像所攜帶的細節(jié)信息是用以判別是否有機械損傷的重要依據(jù)，信息量越大越好，基于卷積的Sobel法的圖像熵和平均梯度最大，其值分別為2.838 7 bit/pixel、 7.358 4；4種分割方法的運行時間較為接近，其值為0.743 9～1.325 7。基于卷積的Sobel法在分割玉米籽粒時優(yōu)于其他3種方法。

表2 圖像分割質(zhì)量評價參數(shù)Table 2 Image segmentation quality evaluation parameters

2.2 玉米籽粒圖像特征統(tǒng)計與分析

2.2.1 形態(tài)特征 對玉米籽粒形態(tài)特征進行自動提取，結(jié)果如表3所示。構(gòu)建集中正常樣本的面積、周長、最大費特雷直徑、最短費特雷直徑均值分別為109.04 mm2、37.46 mm、8.83 mm、5.99 mm，機械損傷樣本均值分別為87.85 mm2、31.07 mm、6.73 mm、3.45 mm，其值均低于正常樣本，但機械損傷的玉米籽粒形態(tài)特征分布范圍比正常籽粒廣，說明產(chǎn)生機械損傷后玉米籽粒形態(tài)結(jié)構(gòu)差異較大，形態(tài)參數(shù)均有減小趨勢，可作為圖像損傷判別的重要因子；利用置信區(qū)間法[25]獲取構(gòu)建集正常與機械損傷樣本的最優(yōu)閾值，其中置信水平為95%，可得正常樣本的面積、周長、最大費特雷直徑、最短費特雷直徑最優(yōu)閾值分別為[107.15,110.92]、[36.90,38.02]、[8.63,9.03]、[5.81,6.18]，而機械損傷樣本其值分別為[85.50,91.46]、[32.07,34.25]、[5.75,6.87]、[3.15,4.23]。

表3 玉米籽粒形態(tài)特征統(tǒng)計分析Table 3 Statistical analysis of grain morphological characteristics of maize

圖8 正常與機械損傷玉米籽粒二值化圖像熵(a)和平均梯度(b)對比Fig.8 Comparison of binarization image entropy (a) and mean gradient (b) between normal and mechanical damage corn kernels

為確定各形態(tài)指標(biāo)對判別玉米籽粒完整性的貢獻程度，本研究利用相關(guān)系數(shù)法確定權(quán)重值[26-27]。具體步驟：首先采用SPSS軟件獲得不同形態(tài)指標(biāo)間的相關(guān)系數(shù)(表4)，其次對某指標(biāo)與其他指標(biāo)之間相關(guān)系數(shù)絕對值求平均值，單項指標(biāo)相關(guān)系數(shù)平均值占所有指標(biāo)相關(guān)系數(shù)平均值總和的比例，即為單項指標(biāo)在綜合指標(biāo)中的權(quán)重，所有指標(biāo)權(quán)重之和等于1。表4中所有形態(tài)指標(biāo)之間均呈正相關(guān)，除最大費特雷直徑與最短費特雷直徑外，其余指標(biāo)間相關(guān)性均達到了顯著或極顯著水平。各形態(tài)指標(biāo)的權(quán)重系數(shù)如表5所示，對判別玉米籽粒是否產(chǎn)生機械損傷貢獻程度由大到小依次為面積、周長、最短費特雷直徑、最大費特雷直徑，其權(quán)重系數(shù)分別為0.299 5、0.283 2、0.241 7、0.175 5。

表4 玉米籽粒形態(tài)特征相關(guān)系數(shù)矩陣Table 4 Correlation coefficient matrix of maize grain morphological characteristics

2.2.2 二值化圖像質(zhì)量特征 由上述二值化圖像質(zhì)量分析結(jié)果可知，基于卷積的Sobel法得到的圖像信息量大、噪音小，因此利用該方法對構(gòu)建集正常和機械損傷樣本進行圖像分割。選取反映圖像信息量和紋理特征的熵和平均梯度作為評價指標(biāo)，進行正常與機械損傷樣本群之間的對比，結(jié)果如圖8所示。正常樣本的圖像熵主要分布在1.5～3.9 bit/pixel，平均梯度主要分布在5.8～8.7，平均梯度相比熵的分布較為集中，說明正常樣本之間圖像的紋理差異較??；而機械損傷樣本主要分布在兩端，熵分布范圍為0.4～1.9 bit/pixel和2.5～6.9 bit/pixel，平均梯度分布范圍為3.3～6.2和7.8～13.8，主要是受籽粒完整性或裂紋形態(tài)影響。整體上正常和機械損傷樣本圖像熵和平均梯度最優(yōu)閾值有所不同，但由于損傷類型的多樣性，部分存在重疊，因此為實現(xiàn)準(zhǔn)確識別，還需結(jié)合籽粒的形態(tài)特征進行篩選。

表5 各形態(tài)特征指標(biāo)的相關(guān)系數(shù)平均值和權(quán)重系數(shù)Table 5 Average value of the correlation coefficient and the weight coefficient of each soil property

2.3 玉米籽粒機械損傷識別模型構(gòu)建

2.3.1 判別分析模型 判別分析是根據(jù)研究對象一系列特征值判別其類型歸屬問題的一種統(tǒng)計方法[28]。本研究利用SPSS軟件中的判別分析模塊建立玉米籽粒機械損傷識別模型，其中自變量為上述提取到的面積(S)、周長(C)、最大費雷特直徑(D1)、最短費特蕾直徑(D2)、熵(IE)、平均梯度(AM)，得到多元線性判別模型式(10)，Y為判別系數(shù)，當(dāng)Y大于0時，為正常籽粒，反之則為機械損傷籽粒。通過Wilks’Lambda檢驗(表6)，得到該模型P<0.000 1，相關(guān)性為0.805，說明模型擬合程度高，性能穩(wěn)定，能夠較好地根據(jù)圖像提取特征進行玉米籽粒機械損傷識別。

Y=0.086×S+0.254×IE-0.107×AM+

0.075×C+0.330×D1+0.172×D2-12.354

(10)

表6 Wilks的Lambda檢驗結(jié)果Table 6 Wilks’ Lambda test results

2.3.2 逐步剔除模型 逐步剔除模型的原理為首先設(shè)置篩選參數(shù)及閾值，利用邏輯判斷函數(shù)對研究對象進行逐步參數(shù)檢驗，最后通過返回值判別是否產(chǎn)生機械損傷或分類。參數(shù)的選擇及先后次序尤為重要，篩選參數(shù)應(yīng)為形態(tài)結(jié)構(gòu)和紋理特征的重要構(gòu)成因子。根據(jù)玉米籽粒的機械損傷類型和圖像提取特征分析，本研究篩選參數(shù)及次序為面積、最短費特雷直徑、最大費特雷直徑、平均梯度，其閾值分別為[91.46,∞)、[4.23,∞)、[5.75,∞)、[5.8,8.7]。如果某一參數(shù)特征值在閾值范圍內(nèi)，則進行下一參數(shù)的篩選，否則直接定義為機械損傷籽粒，依次循環(huán)，直至得到返回值。將正常與機械損傷樣本返回值分別編碼為1和-1，逐步剔除模型的邏輯關(guān)系如圖9所示。

圖9 逐步剔除邏輯關(guān)系Fig.9 Stepwise elimination logical relationships

2.3.3 模型驗證 對構(gòu)建集和驗證集的樣本利用判別分析模型和逐步剔除模型進行檢測，試驗結(jié)果如表7所示。

由表7可知，判別分析和逐步剔除的平均準(zhǔn)確率分別為93.00%和85.67%，平均誤判數(shù)分別為6.5粒和13.5粒，表明判別分析模型優(yōu)于逐步剔除模型，這可能是由于籽粒結(jié)構(gòu)差異較大，逐步剔除分析時受閾值限制，個別極限特征籽粒會被直接歸為機械損傷，而判別分析是綜合所有因子共同作用的結(jié)果，但整體識別率均高于85%。2種模型在構(gòu)建集和驗證集的準(zhǔn)確率較為接近，其差值分別為2.00%和3.33%，說明所建的識別模型穩(wěn)定、有效，可用于玉米籽粒自動損傷判別。

表7 2種玉米籽粒機械損傷識別模型試驗結(jié)果Table 7 Experimental results of mechanical damage identification model for two kinds of maize grains

3 討論

圖像分割是目標(biāo)提取和分析的關(guān)鍵步驟，由于應(yīng)用場景、對象等差異，分割方法選擇尤為重要。研究表明，閾值分割法具有計算簡單、運算效率高等優(yōu)點，但極易受圖像噪聲影響，邊緣檢測分割法在噪聲抑制和邊緣檢測之間取得了很好的平衡，但適用于有明顯邊緣的圖像[15,29]。本試驗通過灰度法、色度閾值法、色彩恢復(fù)的多尺度Retinex法、基于卷積的Sobel法對玉米籽粒進行區(qū)域分割，并以二值化圖像熵、均方誤差、峰值信噪比、平均梯度為評價指標(biāo)，能更好地量化圖像分割質(zhì)量。本研究結(jié)果表明，色彩恢復(fù)的多尺度Retinex法得到的二值化圖像輪廓清晰、連續(xù)、完整，與陳進等[15]的研究結(jié)論一致，說明該方法能夠有效校正光照不均勻，在提取對象外形輪廓中效果較好；而基于卷積的Sobel法具有噪聲低、紋理清晰、信息量大等優(yōu)點，其玉米籽粒的二值化圖像熵和平均梯度值是其他3種方法的兩倍以上，因此，更適用于分析圖像細節(jié)。

確定二值化圖像特征閾值是分類的主要步驟，通過差異性統(tǒng)計，選取有明顯區(qū)別的特征指標(biāo)進行判別[19,24]。本研究以95%置信區(qū)間法和相關(guān)系數(shù)法得到了單形態(tài)指標(biāo)正常與機械損傷樣本的最優(yōu)閾值和各形態(tài)指標(biāo)對判別是否產(chǎn)生機械損傷的貢獻程度，這對建立損傷判別模型至關(guān)重要。目前也有文獻報道[12，20]采用流形學(xué)習(xí)算法、神經(jīng)網(wǎng)絡(luò)等對農(nóng)產(chǎn)品損傷進行快速檢測，主要采用主成分分析法對圖像數(shù)據(jù)進行降維處理，尋求數(shù)據(jù)的內(nèi)在規(guī)律，但計算復(fù)雜度高，需要大量樣本數(shù)量才能構(gòu)建穩(wěn)健的映射關(guān)系，阻礙了其在實際農(nóng)產(chǎn)品分類中的應(yīng)用。袁瑞瑞等[30]利用最小二乘判別分析法建立的損傷長棗識別模型準(zhǔn)確率為96.67%，本研究根據(jù)二值化圖像特征構(gòu)建的判別數(shù)學(xué)模型平均準(zhǔn)確率在90%左右，說明該方法能有效提供分類，玉米損傷識別準(zhǔn)確率較低，原因可能是樣本數(shù)量較少，圖像特征值不夠豐富，下一步將針對圖像獲取環(huán)境和判據(jù)參數(shù)的優(yōu)化開展研究，并開發(fā)分類執(zhí)行機構(gòu)，提高實際生產(chǎn)意義。

4 結(jié)論

本研究采用多種圖像分割技術(shù)對玉米籽粒進行區(qū)域分割和二值化處理，發(fā)現(xiàn)基于卷積的Sobel法在分析表面細節(jié)時優(yōu)勢明顯，而色彩恢復(fù)的多尺度Retinex法能夠提取完整、清晰的輪廓信息，更適用于雜質(zhì)判別或定位標(biāo)記；基于權(quán)重系數(shù)得到了形態(tài)指標(biāo)對判別玉米籽粒損傷的影響次序，但指標(biāo)間存在一定關(guān)聯(lián)性，因此，不能僅依靠單一指標(biāo)進行判別；建立的多元線性玉米籽粒損傷判別模型準(zhǔn)確率為93%，該方法滿足玉米考種或種子品質(zhì)檢測要求，能夠避免人工目測產(chǎn)生的檢測疲勞、主觀因素多、費時等問題。但由于品種間形態(tài)的差異，該模型不具有通用性，下一步將針對判別模型的參數(shù)優(yōu)化開展研究。