基于圖像處理和特征優選的玉米品質識別

劉仲鵬　李文華

摘要：為實現玉米籽粒的品種識別與品質評估，根據籽粒圖像特征參數較多、參數間有一定相關性的特點，采集原始圖像并進行必要的預處理，提取圖像的顏色特征、形狀特征及紋理特征共30個；以主成分分析法對指標集進行精簡，在保證識別精度的前提下去除冗余信息，降低圖像計算復雜度，使特征集精簡為10個；以支持向量機進行分類識別，結果證實品種平均識別率為93.3%，不合格粒平均識別率為94.5%，識別精度較高，可滿足玉米籽粒的無損識別、分類、檢測及評估需求。

關鍵詞：圖像處理；特征優選；玉米品質識別；支持向量機

中圖分類號： S126；TP391.4 文獻標志碼： A

文章編號：1002-1302（2015）03-0382-03

玉米籽粒的性狀屬性能夠在很大程度上體現出其品種與品質，因此對玉米種子的形態特征進行提取，對其變化規律進行統計，具有比較重要的意義。傳統的方法是采用人工方法進行識別及檢測，效率低且準確度不足。隨著信息技術在農業的應用逐步深入，當前已有不少研究成果引入圖像處理技術對玉米籽粒的外部形態進行分析或統計[1-4]，但這些成果多局限于籽粒的體積、密度、質量等常規指標。而玉米種子內部的生理生化特征與其形態特征、顏色特征及紋理特征等均有著密切的關系，這些變量參數較多，參數間又有一定的相關性，如何能夠在優化精簡指標的基礎上保持足夠的識別及檢測的準確度，是一個亟待解決的問題。本研究首先對提取的玉米籽粒圖像進行預處理，然后提取其顏色特征、形狀特征及紋理特征等多個屬性，以主成分分析的方法對指標進行精簡，在保證識別精度的前提下去除冗余信息，降低圖像計算復雜度，增加圖像分析識別的速率，對品種進行分類與評價。本研究成果為農作物籽粒的無損檢測提供了借鑒。

1 材料與方法

1.1 材料

1.1.1 樣本采集

以華北地區比較常見的沈玉26、中地77、博誠6等3個品種作為樣本，3類種子的外觀彼此較類似，色調基本是黃色的。

1.1.2 圖像采集設備

設計如圖1所示的種子圖像采集設備。其中，攝像孔的直徑為5 cm，升降桿可以在25～40 cm之間調節，光源為LED燈，以普通尼康數碼相機作為采集器件，主光源可以選擇LED燈，也可以選擇相機閃光燈，本試驗選擇了8×8陣列LED燈，調節角度之后使圖像不存在陰影。

1.2 方法

1.2.1 圖像預處理

1.2.1.1 灰度處理

所采集的玉米種子原始圖像屬于24位真彩圖，含有RGB 3個分量。為了使后續處理計算量減少，對其進行灰度化處理，通過3個步驟實現：

（1）分別提取目標圖像RGB的具體值；

（2）求出具體的灰度值gray；

（3）令R=B=G=gray，最終實現圖像灰度化。

灰度化的圖像（部分）如圖2所示。

1.2.1.2 中值濾波處理

在對玉米籽粒圖像進行處理時，還應考慮到原始圖像中可能由于一些外部干擾而摻雜的噪聲成分[5]。噪聲的存在會對圖像質量造成比較直接的影響，進而降低籽粒各類特征的提取準確性[6-7]。因此，本研究在灰度預處理的基礎上，繼續以中值濾波對圖像進行進一步處理。中值濾波的主要原理是，將圖像分為不同的窗口S，窗口里的所有像素進行大小排列，將中位灰度值作為該窗口的灰度值。中值濾波已被證實能較為有效地避免圖像細節的模糊，并濾除顆粒噪聲及脈沖噪聲，盡量保持圖像邊緣的有用信息。本研究將濾波模板定位于3×3，實現樣本圖像的增強。

1.2.2 圖像分割

該步驟將玉米籽粒從圖像背景中分離出來，以便于下一步的特征提取及分析。本研究分割圖像采用的是閾值法，得到的是玉米籽粒的二值圖像。對圖像的每一個點，高于該閾值則取1，低于該閾值則取0。通過“試錯法”可知，在閾值為0.4時可以較好地分割玉米籽粒目標。圖3所示為經過閾值分割之后的玉米籽粒圖像樣本（部分）。

1.2.3 特征提取

對玉米籽粒樣本圖像的特征集F進行提取，選擇三大類特征：形狀特征、顏色特征、紋理特征。

1.2.3.1 形狀特征提取

形狀特征可以體現玉米籽粒的外形屬性。對以下主要形狀特征進行提取：

F1：面積——玉米籽粒投影圖像包含的像素總數，是體現玉米種子品質的重要參量之一。

F2：周長——玉米籽粒投影圖像輪廓線的長度，與F1特征一起來反映玉米種子的大小。

F3：圓形度——玉米籽粒的邊緣與標準圓形的相似度，能夠體現玉米種子是否規則。

F4：直徑——玉米籽粒邊界最小外接圓的直徑。

F5：延伸度——玉米籽粒最長軸與最短軸的比值，體現玉米種子的形狀。

每種玉米品種籽粒隨機選取200粒，進行形狀特征提取，分別得到5個特征值。以沈玉26為例，其形狀特征如表1所示。

1.2.4 特征優選

對籽粒樣本提取了大量特征之后，由于指標數目多，且有些指標之間具有較強的相關性，因此如果直接以所有指標進行識別，會由于數據的冗余而降低識別效率。

本研究引入主分量分析法進行特征優選。基本思路是：把待精簡的所有指標表示為向量，對所有的特征數據進行降維處理，從而使這些特征屬性表示為線性組合，選取前n個對識別效果影響最大的主成分，實現特征的優選。具體步驟如下：

（1）首先使各類特征數據標準化，避免量綱的影響：

2 結果與分析

2.1 玉米品種識別

不同品種的玉米籽粒在各類特征屬性的統計值方面有著明顯的不同，因此對玉米種子的品質評估前，應對其種類進行識別。結合本研究提取出的玉米籽粒形狀、顏色、紋理特征集F∈（F1，F2，…，F30），以主成分分析法提取出其中的10個主成分F∈（F2、F1、F4、F5、F24、F25、F26、F13、F15、F3）來作為識別時所使用的玉米籽粒屬性集，對樣本進行品種識別。樣本來自沈玉26、中地77、博誠6等3個品種，以隨機抽取的方式選取50%（各100幅，共300幅）的圖像作為構建SVM的測試集，其余50%（各100幅，共300幅）作為測試集。支持向量機的輸入為10個主成分。進行玉米品種識別，識別結果如表6所示。

由表6數據可知，采用SVM方法對沈玉26、中地77、博誠6等3個品種的玉米籽粒進行種類識別，在訓練樣本和測試樣本均為100的情況下，其識別率均達到較為滿意的效果，其中沈玉26的識別率最高，達96%，平均識別率為93.3%。

2.2 不合格籽粒識別

對不合格籽粒進行自動識別，是玉米種子品質評估的重要步驟。不合格粒包括蟲咬、霉斑、不完整、雜質（如石子）等等，本研究選取其中一些典型的不合格粒類型，包括霉變、不完整、破碎、石子等幾種進行識別。SVM的輸入為10個主成分F∈（F2、F1、F4、F5、F24、F25、F26、F13、F15、F3），識別率如表7所示。

由表7中數據可知，對霉變、不完整、破碎、石子等不合格粒以SVM識別，其識別率均較為滿意，其中霉變粒識別率最高，達97.2%，石子粒識別率較低，為91.0%，平均識別率為94.5%。

可以證實本研究的特征優選方法能夠應用于對玉米種子的品種識別與籽粒等級評估中。

3 結束語

如何能夠以無損的方式實現農作物種子的快速準確檢測，是我國糧食產業的一個關鍵問題。本研究在機器視覺下提取玉米籽粒的大量特征，并以主分量分析方法對這些特征進行簡化，使識別算法的精度和效率得到提升，對作物種子的品質評估與品種識別具有比較好的借鑒意義。

參考文獻：

[1]楊愛國，張世煌，李明順，等. CIMMYT和我國玉米種質群體的配合力及雜種優勢分析[J]. 作物學報，2006，32（9）：1329-1337.

[2]楊國虎，歐陽一沁，李 新，等. 外引優異玉米種質形態性狀的初步鑒定[J]. 種子，2006，25（9）：100-102.

[3]Nelson S O. Dimensional and density data for seeds of cereal grain and other crops[J]. Transactions of the ASAE，2002，45（1）：165-170.

[4]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.

[5]王 靜. 基于圖像處理技術的煙葉病害自動識別研究[D]. 昆明：昆明理工大學，2011.

[6]齊 龍，馬 旭，張小超. 基于BP網絡的植物病害彩色圖像的分割技術[J]. 吉林大學學報：工學版，2006，32（S2）：126-129.

[7]王惠明，史 萍. 圖像紋理特征的提取方法[J]. 中國傳媒大學學報：自然科學版，2006，13（1）：49-52.

[8]劉麗娟，劉仲鵬，程 芳. 玉米生長期葉部病害圖像識別預處理研究[J]. 河南農業科學，2013，42（10）：91-94.