基于機器視覺的玉米穗行數自動檢測算法設計

摘要：該算法主要用于玉米室內考種時穗行數的自動檢測。執行時，首先獲取玉米穗橫斷面圖像，然后提取出玉米穗的邊緣；接著用質心法提取圓心，計算邊緣到圓心的距離和角度，在0～2pi上畫出一周的角度-半徑曲線圖；最后對角度-半徑曲線圖進行最小值濾波器濾波，并統計極小值的個數即是玉米穗的行數。本算法實施成本低，測量玉米穗行數快速、準確、穩定，為機器視覺在玉米考種系統下的應用提供了有效參考。本文網絡版地址：http：//www.eepw.com.cn/article/247460.htm

關鍵詞：機器視覺；玉米行數；角度-半徑曲線圖；最小值濾波器

DOI： 10.3969/j.issn.1005-5517.2014.5.006

玉米是糧食、飼料、工業原料兼用型作物。玉米生產在國家糧食生產和糧食安全中占有極重要的戰略地位。研究證明，玉米優良種的推廣使玉米增產40%。種子質量直接關系到玉米產量高低及玉米質量和品質的優劣，而推廣優良的雜交種需要大量的優質種子[1-4]。

玉米穗籽粒行數（穗行數）是穗部重要農藝性狀之一。不同品種的玉米穗行數有較大差別，生長條件也會影響穗行數，在玉米育種、栽培及新品種DUS測試[5]等科研中準確計數穗行數非常重要。玉米穗行數的傳統測定靠人工計數，存在人工計數方法固有的缺陷—易于疲勞、誤差大、效率低。

本文基于機器視覺的相關理論即數字圖像處理的方法，設計出一種玉米穗行數自動檢測算法確定其行數。特別提出用一維最小值濾波器對排序好的角度-半徑曲線圖進行濾波，這樣做可以濾去角度-半徑變化曲線中的噪聲，避免直接計算其極大值或極小值點的個數，可能會出現的誤差。經過檢測，該算法可以客觀、高效、準確地檢測出玉米穗行數，滿足我國玉米糧食產業的選種需要。

1 自動檢測算法整體方案設計

根據人工行數檢測習慣，我們只關心玉米橫斷面外邊緣輪廓圖像信息，穗行數是由外邊緣輪廓的凸凹變換所決定的。因此，設計基于機器視覺的玉米穗行數自動檢測算法，主要包括圖像采集，圖像預處理，圖像特征提取和特征統計四個部分[6-8]。其流程圖如圖1所示。

在上述流程圖中，圖像采集即玉米穗橫斷面照片的獲取。將玉米穗橫斷面放在白色背景上，在它上方加上環形光源，相機在環形光源正中、玉米穗橫斷面正上進行拍攝獲取玉米穗橫斷面圖像。本文在實驗中獲的圖像為JPEG格式，該格式的的特點是具有高壓縮比，能夠保留RGB顏色模型中的所有顏色信息，可以有效地提取與玉米顏色相關的特征。

2 圖像預處理

圖像預處理是整個設計的關鍵步驟[9]，預處理效果直接關系到后面特征提取的效果，進而關系到整個設計的處理精度和準確率。本設計對圖像的預處理主要包括對比度增強、彩色圖像轉換成灰度圖像、采樣壓縮、最大類間方差圖像分割。

2.1 對比度增強

由于玉米部分多數為黃白色，而背景部分選擇了白色，兩部分灰度級差別不大，故需要對圖片先進行主題部分加強，通過減小主題部分的細節，增大背景和主題的對比度，來區分玉米穗橫斷面主題和背景。

圖2所示的HSV（Hue-SaturationValue）顏色空間[10]是一種均勻的顏色空間，能夠反映人的視覺對顏色的感覺。色調H飽和度S包含顏色信息，而亮度V與顏色無關。由于飽和度與一定色調的亮度有關，純光譜色是完全飽和的，隨著白光的加入飽和度逐漸減少。而對比度增強就是要減少玉米橫斷面圖像中的黃白色分量即增大S的數值。

本算法采用下面步驟增強對比度：

1） 原有RGB彩色圖像轉換為HSV顏色模型；

2） 單獨提取HSV模型中飽和度S分量進行增強；

3） 利用增強后的S和原有H、V重構圖像并轉換為RGB顏色模型；

4） 根據公式Gray = 0.2990 * R + 0.58700* G + 0.1140 * B將彩色圖像轉換為灰度圖像。

3.1 邊緣檢測

通過區域分割，已經把圖像分割成很多個區域，其中有我們需要的玉米穗邊緣，也存在很多噪聲。從這些噪聲中如何正確地提取出我們需要的邊緣是這一步算法要完成的工作。

圖像邊緣檢測的方法有很多，本算法中邊緣檢測的工作原理是：檢測的圖像已是二值圖像用0和1來表示，當檢測到的是0時就給它賦值為0，當檢測到的是1且其周圍的數值還是1時就給它賦值0，當檢測到的是1但其周圍的數值有1還有0時就給它賦值為 1，這樣就將玉米穗圖像邊緣檢測出來，并將邊緣用數值1來表示，其余部分用0來表示。

邊緣檢測完成后，圖像變成二值圖像，背景為0，圖像邊緣為1，因此在0和1的交接處形成邊緣。效果如圖6所示。

3.2 計算圖像特征

1.確定玉米穗的圓心

要想正確地從分割后的圖像中提取玉米穗邊緣行數特征，必須要讓計算機識別出橫斷面圖像邊緣的凸點和凹點。為了實現以上目的，首先確定玉米穗圖片的圓心，本文選擇用質心法[13]計算玉米穗的圓心，質心的計算方法為：

4.2 最小值濾波

由于玉米穗外輪廓并非規則、標準的圓形，對于角度—半徑圖，如果直接計算其極大值或極小值點的個數，將可能會出現大的誤差，用一維最小值濾波器對圖像進行濾波，能有效減少誤差，且有效消除圖片大小對結果的影響。經過大量調研，發現一個玉米穗行數不會超過30，這樣每一行在半徑序列里所占長度一定會大于半徑總長度/30。利用半徑總長度/30為一維最小值濾波器對角度—半徑圖進行依次濾波，得到精確地玉米穗半徑最小值截平濾波圖。

4.3 行數統計

從圖7最小值濾波效果圖中可以看出，被截平的線段的個數即玉米穗行數，因此，直接統計截平線段個數即是玉米穗行數。

本文給出了基于機器視覺的玉米穗室內考種時行數的自動檢測算法，表1給出在實驗室的統計數據[15]。

本算法與現有技術相比，設計思路清晰、層次分明，提高了玉米穗行數檢測的運行效率和穩定性，經實驗驗證，系統運行準確、穩定，可以滿足玉米穗室內考種時行數自動檢測技術的要求，擁有實時、高效、客觀、準確和無損傷等顯著優點，具有很好的推廣價值。

參考文獻：

[1]韓仲志，楊錦忠.計數玉米穗行數的機器視覺研究[J].玉米科學，2010，18（2）：146-149

[2]趙敏.基于機器視覺的玉米品質檢測.吉林大學碩士論文，2012年6月

[3]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.農業工程學報，2001，17（6）：175-178

[4]耿楠，何東健，王婧，等.小麥生長信息計算機視覺檢測技術研究.農業工程學報，2001，17（1）：139-145

[5]趙春明，韓仲志，楊錦忠，等. 玉米果穗DUS性狀測試的圖像處理應用研究[J].中國農業科學，2009，42（11）：4100-4105

[6]王剛.基于機器視覺的玉米千粒重快速檢測儀的研制.吉林大學碩士論文，2012年4月

[7]于新文，沈佐銳.昆蟲數字圖象的分割技術研究.農業工程學報，2001，17（5）：137-140

[8]吳繼華，劉燕德，歐陽愛國.基于機器視覺的種子品種實時檢測系統研究.傳感技術學報，2005，18（4）：742-744

[9]Keefe P D.A dedicated wheat grain image analyzer.Plant Varieties and Seeds，1992（5）： 27-33

[10]NgHF.Machine vision evaluation of corn kernel mechanical and mold dama.Transactions of the ASAE，1998，41（2）：415-420

[11]馬欽，江景濤，朱德海，等.基于圖像處理的玉米果穗三維幾何特征快速測量.農業工程學報，2012，28（增刊2）：208-212

[12]Song P，Wu K B， Zhang J X，et al.Corn haploid grain feature extraction and recognition. Transactions of the CSAM， 2012， 43（3）： 168-172

[13]Ying Y S.Detect impurities and unsound kernel in corn using machine vision. Zhejiang： Zhenjiang University

[14]Wang H H，Sun Y H，Zhang T T， et al.Appearance quality grading for fresh corn ear using computer vision. Transaction of The Chinese Society for Agricultural Machinery， 2010， 41（8）： 156-165

[15]曹婧華，冉彥中，郭金城.玉米考種系統的設計與實現.長春師范學院學報（ 自然科學版）， 2011（8）38-41