機器視覺在玉米籽粒品質檢測中的應用研究

鄭小東 王 杰

(鄭州航空工業管理學院計算機科學與應用系，鄭州 450015)

機器視覺也稱計算機視覺，是一門涉及人工智能、神經生物學、心理物理學、計算機科學、圖像處理、模式識別等諸多領域的交叉學科，主要研究用各種成像系統代替人的視覺器官作為輸入敏感手段，由計算機來代替大腦完成處理和解釋，實現對人類視覺行為的計算機模擬或再現［1］。機器視覺在人類生產和生活中的應用能夠提高人類相關活動的自動化和智能化程度。目前，機器視覺在農業中的應用研究涉及作物種子品質檢測［2］、作物病害檢測［3］、農產品采摘［4］、農產品品質檢測［5］、農產品分級［6］等領域。

玉米是我國主要的農作物之一，是食品、飼料、藥品和工農業產品重要的原材料，玉米生產在國家糧食生產和糧食安全中占有重要的戰略地位［7－8］。在玉米種植、玉米產品加工、玉米產品銷售等環節，都需要對玉米籽粒進行品質檢測。

一些研究者開展了基于機器視覺的玉米籽粒品質檢測應用研究。本文對近十年內的研究狀況進行了綜述，以供后續相關研究參考，加快相關研究深入開展并盡快轉化為應用。

1 概述

機器視覺在玉米籽粒品質檢測中的應用包括圖像采集、圖像處理與分析兩個模塊。工作流程為:圖像采集模塊獲取相關圖像并傳送至圖像處理與分析模塊，圖像處理與分析模塊對圖像進行預處理、特征提取、判別分析，輸出結果。結果可以是玉米種類信息、品質信息等，在生產中可根據結果進行下一步的操作，如分揀操作。

在實際的應用系統中，機器視覺系統只是其中的一個組成模塊。以玉米種子精選系統［9］為例:機器視覺模塊是整個系統的核心模塊;機器視覺模塊之后連接一個機電控制模塊，該模塊根據機器視覺模塊的輸出對玉米籽粒作出分揀處理，實現精選;機器視覺模塊與機電控制模塊通過物料輸送模塊連接在一起。

目前相關研究主要以玉米種子品質鑒定、玉米種類自動識別、玉米籽粒精選與分級為應用方向。以下從圖像預處理、籽粒品質鑒定、種類識別、精選與分級4個方面對研究現狀進行概述，包括研究中使用的圖像采集設備、圖像處理與分析方法、試驗結果等。

2 研究現狀

2.1 圖像預處理

圖像預處理是為特征提取做準備。各機器視覺系統對圖像進行特征提取前都進行了一些預處理，通常包括背景分割、圖像濾波、單個籽粒提取、籽粒輪廓提取等操作［10－32］。除了這些常規操作，有些系統還考慮了其他方面的問題［10－15］。

某些研究在進行特征提取時，需考慮籽粒在圖像中的方位。權龍哲等［10］研究了玉米籽粒正形技術:利用CCD(Charge－coupled Device，電荷耦合元件)相機獲取玉米籽粒圖像，圖像預處理后獲得單粒圖像，計算籽粒形心到邊緣各點的距離構成邊緣曲線向量，利用coif5小波對向量進行多重分解，識別籽粒尖端位置，根據籽粒形心和尖端位置實現籽粒正形。

相關研究在進行圖像采集時，玉米籽粒之間都有一定間距，在實際生產中，籽粒之間可能沒有間距，會出現圖像中籽粒粘連情況。如果將研究成果應用于生產，必須解決籽粒粘連問題。荀一等［11］研究了粘連玉米籽粒圖像自動分割方法:使用掃描儀獲取粘連玉米籽粒圖像，在常規粘連對象分割方法的基礎上，通過設置公共區域，實現對粘連玉米籽粒的分割，分割正確率為96%。張亞秋等［12］提出了基于逐步改變閾值的分水嶺變換方法分割粘連玉米，分割正確率為97.7%。

玉米籽粒的特征包括整體特征和局部特征，如整體的形狀、顏色、紋理特征，胚部的形狀、顏色、紋理特征等。提取局部特征前，需要通過圖像分割將玉米籽粒分割為不同部分。寧紀鋒等［13］研究了玉米籽粒尖端和胚部識別方法:利用CCD相機獲取玉米籽粒圖像，圖像預處理后獲取單粒種子圖像，根據玉米籽粒尖端比其他部分尖銳的特點確定玉米籽粒尖端位置，根據圖像中玉米籽粒胚部的亮度特征識別胚部所在面，對4個品種玉米的籽粒尖端、表面特征的綜合識別率分別為92.50%和89.58%。韓仲志等［14］利用掃描儀獲取玉米籽粒胚面彩色 RGB圖像，通過對圖像進行ICA分析實現玉米胚部的準確分割，提取胚部的形態、顏色和紋理特征各3個，與手工檢測結果相比較，驗證了ICA方法的可靠性。張俊雄等［15］使用攝像頭進行圖像采集，通過圖像預處理獲取單個籽粒，選擇7個顏色特征，采用BP神經網絡將籽粒分成紫色、黃色和白色3個區域，準確識別率分別為 97.61%，93.34%和 94.09%，紫色區域可作為識別單倍體和雜合體的依據。

2.2 品質鑒定

玉米籽粒品質鑒定包括對普通籽粒和種子的鑒定兩種。前者通常在玉米儲藏、玉米產品加工等環節進行，檢測內容包括籽粒表面是否有裂紋、籽粒是否完整等。后者通常在育種、種子收購和銷售等環節進行，檢測內容除了前者的檢測內容，還包括種子的活力、純度等指標。

張俊雄等［16］研究了玉米種子表面裂紋檢測方法:利用CCD相機獲取單粒玉米籽粒圖像;在R通道采用Sobel算子進行邊緣檢測;在B通道進行閾值分割、腐蝕和膨脹處理，取剩余像素中距離種子形心點距離最大的點為種子尖端點，根據輪廓上各點到尖端點距離和尖端點到形心的距離去除尖端部分;對R通道的結果進行膨脹運算，對B通道的結果進行細線化處理，對二者進行減運算，最后根據連通性獲取特征數據，判別是否存在裂紋，對兩個品種的玉米識別準確率分別為94%和90%。

萬鵬等［17］研究了玉米籽粒完整性檢測方法:利用CCD攝像頭采集籽粒圖像，提取8個形狀特征，構建BP神經網絡進行，試驗結果對整粒玉米檢測的準確率為97.50%，對破碎玉米檢測的平均準確率為91.83%。

王傳宇等［18］利用攝像機獲取玉米籽粒圖像，圖像預處理后，采用流域分割算法分割粘連籽粒，提取籽粒投影面積、周長和長短軸作為籽粒形狀的衡量指標。

史中輝等［19］利用相機獲取玉米籽粒圖像，圖像預處理后提取籽粒13個幾何特征、12個顏色特征，以作為玉米種子品種識別和質量檢測的依據。

趙新子等［20］研究了玉米種子活力識別技術:利用CCD相機獲取玉米種胚染色后的彩色圖像，圖像預處理后，根據染色部分與整個種胚的面積比判斷種子是否具有活力，對3個品種玉米的識別準確度達93.7%以上。

司秀麗等［21］研究了玉米種子純度識別方法:利用彩色相機獲取蛋白質凝膠電泳圖譜，對圖像進行灰度變換、圖像均衡化處理和基于閾值的二值化處理，通過與電泳圖譜標準模板相匹配，識別玉米種子純度，對2個品種玉米的平均識別準確度達99.5%。閆小梅等［22］采用CCD相機分別獲取玉米種子冠部和無胚芽面圖像，通過圖像預處理分割出單個籽粒，通過圖像分割提取冠部核心區域和側面黃色區域，提取兩個區域的6個顏色特征，采用Fisher判別理論將特征投影到一維空間，利用K－均值聚類進行純度識別，對4個品種玉米的識別率達到93.75%以上。劉雙喜等［23］使用CCD相機獲取玉米籽粒冠部彩色圖像，提取冠部核心區域9個顏色特征，采用基于最遠優先遍歷優化DBSCAN算法進行玉米純度識別，對三個玉米品種的識別率為93.3%。

2.3 種類識別

基于機器視覺的玉米種類自動識別研究思路大都相似:使用CCD相機、掃描儀等獲取玉米籽粒圖像，提取圖像中玉米籽粒的形狀、顏色等特征參數，采用主成分分析等方法進行特征優化，利用神經網絡等進行種類識別。

閘建文等［24］利用掃描儀采集圖像，提取玉米的11個形態特征，利用數理統計和模糊數學構建識別系統，對5個玉米品種的正確識別率達88%。

史智興等［25］首先提取玉米籽粒4個幾何特征、6個顏色特征，然后將玉米籽粒分為黃、白兩部分，提取兩部分的面積比例、黃色部分的6個顏色特征，最后對17個特征采用基于支持向量機的遺傳算法進行優化選擇。通過對3個玉米品種試驗，認為面積比例、黃色部分的藍色分量與飽和度在玉米品種識別方面具有顯著價值。程洪等［26］以3個玉米品種為研究對象，提取玉米籽粒的6個顏色特征、5個幾何特征以及黃白部分的2個面積特征、黃色部分的6個顏色特征，利用基于支持向量機和遺傳算法相結合的特征選擇算法進行優化選擇，得出與史智興等［25］相似的結論。

王宏勇等［27］提取玉米籽粒圖像6個一階灰度值統計量特征、16個灰度值游程矩陣紋理特征、3個形態特征，利用遺傳算法獲得16個優化特征，利用基于決策二叉樹支持向量機進行種類識別，對4個品種玉米的識別準確率為95.9%。

程洪等［28］使用數碼相機獲取玉米籽粒圖像，圖像預處理后獲得單個籽粒，提取玉米籽粒的4個形狀特征和2各顏色特征，利用支持向量機進行識別，對3個品種玉米的識別率為92.3%。

熊凱等［29］利用掃描儀進行圖像采集，圖像預處理后，提取玉米籽粒幾何特征8個、顏色特征12個、紋理特征13個，采用主成分分析方法提取特征主分量，利用BP神經網絡進行玉米種類識別，對11個品種玉米的檢出率為92%以上。

權龍哲等［30］通過圖像預處理獲得經過正形的單粒籽粒圖像，應用K－L變換提取籽粒圖像特征數據，設計二叉樹型多類LS－SvM分類器進行種類識別。對4個品種的玉米進行了試驗，狀態空間維數為3時識別率可達95.3%。

王玉亮等［31］使用相機進行圖像采集，圖像預處理后提取玉米籽粒的13個幾何特征、12個顏色特征，利用主成分分析的方法對特征降維，然后利用BP神經網絡進行品種識別，對4個品種玉米的識別率可達到97%以上。

韓仲志等［32］利用掃描儀進行圖像采集，圖像預處理后，提取玉米籽粒8個幾何特征、12個顏色特征、13個紋理特征，通過主成分分析進行特征優化，利用支持向量機進行種類識別，對11個品種的檢出率為100%。

宋鵬等［9］使用掃描儀采集圖像，利用基于貝葉斯準則的分類器和基于支持向量機的模式識別方法識別玉米種類，對5個玉米品種的平均識別準確率為92%。

2.4 精選與分級

玉米籽粒精選與分級可看做品質鑒定的進一步應用，在品質鑒定的基礎上增加機電控制模塊實現精選與分級。

宋鵬等［9］設計玉米籽粒分級與單倍體籽粒分揀系統。

玉米籽粒分級系統工作流程如下:當玉米籽粒進入圖像采集區域時，PLC觸發攝像機進行圖像采集，計算機對圖像數據進行處理后發回信息至PLC，PLC通過控制電磁閥的開閉來控制高壓氣流的通斷，將籽粒按其級別信息吹入相應的容器內，完成籽粒檢測和分級。該系統根據玉米籽粒的4個形狀特征將種子分為4級，利用2個顏色特征將種子分為3級，分級合格率分別為81.8%和93.04%。

玉米單倍體籽粒分揀系統使用攝像頭進行圖像采集，系統控制單元根據顏色特征識別玉米單倍體，使用二自由度并聯機器人機構采用氣吸方式進行分揀，識別準確率達90%，分揀正確率可達80%。

3 討論

3.1 應用方向

目前相關研究主要以玉米種子品質鑒定、玉米種類自動識別、玉米籽粒精選與分級為應用方向，成果可用于開發相關生產線、專用檢測設備或軟件。

當前手機等移動成像設備、掃描儀等辦公設備應用普及，今后可研發基于這些設備的專用檢測軟件，為農民和相關工作人員提供便利，也可以提高資源利用率。

3.2 圖像采集

在相關研究中，圖像采集設備主要為CCD相機、掃描儀或數碼相機。如果研究以開發相關生產線為目標，研究中使用CCD相機是最佳的選擇;如果以開發靜態檢測設備為目標，推薦使用面陣相機，如CCD面陣相機;如果以開發用于現有設備的軟件為目標，推薦直接使用相關設備，如數碼相機、手機等。

圖像采集通常是在封閉的環境下進行的，這樣可以確保光照穩定，圖像中噪聲較少，也不需要標定，便于后續處理。如果開發用于移動設備的相關軟件，則需要考慮如下四個方面的情況并予以解決:

(1)目前研究中圖像采集時玉米的背景均為單一顏色，如黑色或藍色，實際應用中用戶可能會采用不同顏色的背景采集圖像。

(2)實際應用中光照條件不確定，光照變化對圖像質量有影響，特別是顏色特征會變化。

(3)玉米籽粒尺寸較小，圖像采集設備相對籽粒的空間位置發生變化時，圖像中籽粒的特征、特別是幾何特征會變化。

(4)玉米籽粒并非平面物體，圖像采集時如果采集的角度發生偏移，圖像中籽粒的形態也會發生變化。

3.3 特征提取與模式識別

在相關研究中，普遍對玉米籽粒采用多個特征向量進行描述，采用基于支持向量機或神經網絡的方法進行判別，主要存在以下問題:

(1)對玉米籽粒的描述主要為幾何特征和顏色特征統計量，對形狀的描述不夠全面，對顏色的空間分布特征缺少描述，對紋理特征重視不夠。

(2)建立應用系統時，為了達到精確的效果，需要廣泛采樣，工作量大，系統易局限于少數玉米品種，不利于推廣應用，系統更新也困難。

(3)特征提取主要針對靜態圖像，如果研究的應用目標是生產線，還需研究動態圖像處理技術，特別是圖像預處理技術。

3.4 其他

在玉米籽粒品質檢測研究中，圖像采集設備均為可見光設備，圖像處理過程僅分析了玉米籽粒的外部品質。如果將紅外、近紅外等非可見光成像設備應用于相關研究，有望檢測玉米籽粒的內部品質。將多波段成像技術應用于玉米籽粒品質檢測可作為今后研究的重要方向，信息融合是其中的關鍵技術。

［1］王玉亮.基于機器視覺的玉米種子品種識別與檢測研究［D］.泰安:山東農業大學，2008

［2］成芳，應義斌.機器視覺技術在農作物種子質量檢驗中的應用研究進展［J］.農業工程學報，2001，17(6):175 －179

［3］屈赟，吳玉潔，劉盼.計算機視覺技術在農作物病蟲草害防治中的研究進展［J］.安徽農業科學，2011，39(9):5570－5571

［4］鮑官軍，荀一，戚利勇，等.機器視覺在黃瓜采摘機器人中的應用研究［J］.浙江工業大學學報，2010，38(1):114－118

［5］應義斌，蔣亦元.機器視覺技術在農產品品質自動識別中的應用研究進展［J］.農業工程學報，2000，16(3):4－7

［6］毛璐，趙春江，王開義，等.機器視覺在農產品物流分級檢測中的應用［J］.農機化研究，2011，(7):7 －13

［7］國務院.國務院關于加快推進現代農作物種業發展的意見(國發〔2011〕8號)［EB/OL］.［2011－01－18］.http://www.gov.cn/zwgk/2011 －04/18/content_1846364.htm

［8］韓長賦.要加快制定我國玉米產業發展戰略規劃［EB/OL］.［2012 － 05 － 30］.http://finance.people.com.cn/GB/70392/18022689.html

［9］宋鵬，張俊雄，荀一，等.玉米種子自動精選系統開發［J］.農業工程學報，2010，26(9):124 －127

［10］權龍哲，馬小愚.基于小波分析的玉米籽粒圖像正形研究［J］.農機化研究，2006(2):154－156

［11］荀一，鮑官軍，楊慶華，等.粘連玉米籽粒圖像的自動分割方法［J］.農業機械學報，2010，41(4):163－167

［12］張亞秋，吳文福，王剛.基于逐步改變閾值方法的玉米種子圖像分割［J］.農業工程學報，2011，27(7):200 －204

［13］寧紀鋒，何東健，楊蜀秦.玉米籽粒的尖端和胚部的計算機視覺識別［J］.農業工程學報，2004，20(3):117 －119

［14］韓仲志，趙友剛，楊錦忠.基于籽粒RGB圖像獨立分量的玉米胚部特征檢測［J］.農業工程學報，2010，26(3):222－226

［15］張俊雄，吳科斌，宋鵬，等.基于BP神經網絡的玉米單倍體種子圖像分割［J］.江蘇大學學報:自然科學版，2011，32(6):621－625

［16］張俊雄，荀一，李偉.基于形態特征的玉米種子表面裂紋檢測方法［J］.光學精密工程，2007，15(6):951 －956

［17］萬鵬，孫鐘雷，宗力.基于計算機視覺的玉米粒形檢測方法［J］.中國糧油學報，2011，26(5):107－110

［18］王傳宇，郭新宇，溫維亮，等.基于計算機視覺的玉米籽粒形態測量［J］.農機化研究，2011(6):141－144

［19］史中輝，趙秀艷，于廣洋，等.基于圖像處理的玉米種子特征參數提取系統［J］.農機化研究，2011，(10):166－170

［20］趙新子，吳巍，司秀麗.玉米種子活力圖像識別與處理技術研究［J］.吉林農業大學學報，2004，26(5):572 －576

［21］司秀麗，吳巍，趙新子，等.玉米種子純度的計算機圖像識別［J］.吉林農業大學學報，2005，27(6):694 －697

［22］閆小梅，劉雙喜，張春慶，等.基于顏色特征的玉米種子純度識別［J］.農業工程學報，2010，26(s1):46 －50

［23］劉雙喜，王盼，張春慶，等.基于優化DBSCAN算法的玉米種子純度識別［J］.農業機械學報，2012，43(4):188－192

［24］閘建文，陳永艷.基于外部特征的玉米品種計算機識別系統［J］.農業機械學報，2004，35(6):115 －118

［25］史智興，程洪，李江濤，等.圖像處理識別玉米品種的特征參數研究［J］.農業工程學報，2008，24(6):193 －195

［26］程洪，李江濤，史智興，等.玉米籽粒的特征選擇算法—基于支持向量機與遺傳算法［J］.農機化研究，2009，(2):30－33

［27］王宏勇，侯惠芳，劉素華.基于遺傳算法和支持向量機的玉米品種識別［J］.計算機工程與應用，2008，44(18):221－223

［28］程洪，史智興，么煒，等.基于支持向量機的玉米品種識別［J］.農業機械學報，2009，40(3):180－183

［29］熊凱，李向紅，李言照，等.基于ANN和PCA的玉米品種特征分析與識別研究［J］.糧油食品科技，2010，18(4):1－5

［30］權龍哲，祝榮欣，雷溥，等.基于K－L變換與LS－SVM的玉米品種識別方法［J］.農業機械學報，2010，41(4):168－172

［31］王玉亮，劉賢喜，蘇慶堂.多對象特征提取和優化神經網絡的玉米種子品種識別［J］.農業工程學報，2010，26(6):199－204

［32］韓仲志，楊錦忠.多類支持向量機在玉米品種識別中的應用［J］.農機化研究，2010(11):159－163.