基于隨機森林的玉米發(fā)育程度自動測量方法

石禮娟 盧 軍

(1.華中農(nóng)業(yè)大學(xué)信息學(xué)院， 武漢 430070； 2.華中農(nóng)業(yè)大學(xué)理學(xué)院， 武漢 430070)

基于隨機森林的玉米發(fā)育程度自動測量方法

石禮娟1盧 軍2

(1.華中農(nóng)業(yè)大學(xué)信息學(xué)院， 武漢 430070； 2.華中農(nóng)業(yè)大學(xué)理學(xué)院， 武漢 430070)

為提高玉米果穗發(fā)育程度檢測的自動化程度與精度，提出一種基于機器視覺技術(shù)的測量方法。在隨機森林機器學(xué)習(xí)算法的基礎(chǔ)上構(gòu)造禿尖、干癟和籽粒區(qū)域的識別模型。該模型由多個獨立同分布的弱分類器構(gòu)成，對輸入的訓(xùn)練樣本進行列和行兩個方向上的隨機采樣。比較隨機森林模型和決策樹模型的分類效果可知隨機森林模型有效避免了過擬合和局部收斂現(xiàn)象的產(chǎn)生，并具有良好的推廣能力。為確定最優(yōu)的弱分類器數(shù)目，選擇弱分類器個數(shù)為訓(xùn)練樣本數(shù)量的1/80、1/40、1/20、1/10、1/5、1/4時分別構(gòu)建隨機森林分類器。研究結(jié)果表明，當(dāng)隨機森林中弱分類器個數(shù)為訓(xùn)練樣本數(shù)量的1/20時，模型的識別率與穩(wěn)定性最好。然后，以最優(yōu)的隨機森林模型作為分類器構(gòu)建玉米果穗不同發(fā)育程度自動檢測方法。試驗結(jié)果表明，各區(qū)域長度測量的準(zhǔn)確性均在95%以上，測量速度可達30個/min以上。

玉米果穗； 發(fā)育程度； 隨機森林； 多分類器

引言

玉米是人類生存、畜牧業(yè)及工業(yè)發(fā)展的重要糧源。培育新品種，提高玉米產(chǎn)量是滿足國家能源發(fā)展戰(zhàn)略需求的重要途徑，也是育種學(xué)家的迫切需求。而在玉米生長過程中，由于品種缺陷等原因?qū)е掠衩坠氲捻敳坎⒉话l(fā)育或發(fā)育不完全，表現(xiàn)為玉米上部無籽粒或籽粒干癟，這部分不結(jié)實區(qū)域稱為禿尖。嚴重的禿尖可占整個果穗的一半以上，玉米禿尖現(xiàn)象導(dǎo)致玉米穗粒數(shù)減少，從而造成減產(chǎn)。因此在玉米育種過程中，玉米果穗發(fā)育程度是產(chǎn)量相關(guān)性狀的重要參數(shù)之一，也是玉米考種工作的核心內(nèi)容。

近幾年，為加速考種過程、提高考種精度，機器視覺和圖像分析技術(shù)已經(jīng)被逐步引入到玉米考種過程中，王傳宇等[1]利用計算機視覺技術(shù)對玉米果穗進行三維重建；劉長青等[2]使用 PC 攝像頭獲得玉米果穗圖像，通過圖像處理提取玉米穗長、穗寬、穗行數(shù)、行粒數(shù)和穗粒數(shù)；柳冠伊等[3]用線陣掃描成像技術(shù)獲取玉米果穗圓周圖像，并對穗粒數(shù)和穗行數(shù)這兩項性狀參數(shù)進行提取。這些研究成果從一定程度上提高了考種效率與精度，有效避免了人工考種工作效率低、主觀誤差大等缺點。但是上述文獻均針對發(fā)育良好的玉米果穗進行基于機器視覺的研究，而對于果穗發(fā)育程度的自動識別卻鮮有研究。

隨機森林是近幾年流行的一種集成機器學(xué)習(xí)算法。該算法是基于決策樹的多分類器算法，因其分類速度快、泛化能力強等特性，目前已廣泛應(yīng)用到文本分類[4]、人體行為識別[5]、地理要素自動解譯[6]、對象跟蹤[7]和數(shù)據(jù)挖掘[8]等領(lǐng)域。本文采集具有結(jié)實不良現(xiàn)象的玉米果穗圖像，提取背景、禿尖、干癟以及穗粒區(qū)域的紋理特征，利用隨機森林機器學(xué)習(xí)思想構(gòu)建各區(qū)域的自動識別模型，并以此為基礎(chǔ)建立基于機器視覺的玉米發(fā)育程度快速自動檢測方法。

1 隨機森林算法

解決分類問題的關(guān)鍵是構(gòu)造合適的分類器，實現(xiàn)數(shù)據(jù)集合中元素到類別集的映射。根據(jù)分類器的多少，分類算法分為單分類器和多分類器。決策樹是一種典型的單分類器，它的思想來源于人類的決策過程，該算法的分類思想是通過訓(xùn)練集的遞歸分析生成1個倒立的樹狀結(jié)構(gòu)，遍歷從根節(jié)點到葉子結(jié)點的路徑即可得到一系列分類規(guī)則[9]。決策樹由于自身的限制，盡管經(jīng)過多次改進，還是容易產(chǎn)生過擬合與局部收斂的問題。為克服決策樹的上述缺點并發(fā)揮決策樹的優(yōu)勢，BREIMAN[10]于2001年提出了一種集成機器學(xué)習(xí)算法——隨機森林。隨機森林分類器由一系列相互獨立的樹狀分類器( 即決策樹)構(gòu)成,每個樹狀分類器對于同一輸入給出獨立的分類結(jié)果,即投出自己的一票,所得票數(shù)最多的分類結(jié)果將作為算法最終的輸出結(jié)果[4,11-13]。這個類似于多個專家舉手表決的決策過程就是隨機森林核心的思想。大量的理論和實證研究都證明了隨機森林算法不僅分類性能良好、運算速度快,而且對噪聲和孤立點不敏感,不存在過擬合問題[4-13]。

2 材料與方法

2.1 玉米圖像采集

圖像采集環(huán)境如下：光源置于箱頂，果穗插在垂直于箱底的旋轉(zhuǎn)軸上，CCD安裝于箱子的側(cè)面。為增強背景與果穗的反差并獲得均勻漫反射的光照環(huán)境，將光照箱內(nèi)表面涂成黑色。工業(yè)相機為德國The Imaging Source公司制造的彩色工業(yè)相機，Sony CCD 感光組件，分辨率為1 280像素×960像素，提供全局快門和外觸發(fā)輸入。

為保證算法具有良好的適應(yīng)性，人工挑選20個發(fā)育程度不一的玉米果穗，在封閉的圖像采集箱中用CCD采集玉米圖像共20幅。

2.2 圖像預(yù)處理

為減少圖像處理的運算量，編寫程序?qū)D像裁剪到尺寸為300像素×900像素。由于中值濾波既能保護圖像邊緣又能去除噪聲，因此采用3×3模板的中值濾波進行除噪處理。選取其中的1張圖像(圖1a)并將此彩圖灰度化(圖1b)。由圖1a可知，果穗圖像由背景區(qū)域、玉米籽粒區(qū)域、禿尖區(qū)域、干癟區(qū)域4類區(qū)域組成。各類區(qū)域的識別問題即轉(zhuǎn)化為1個分類問題。所謂分類就是對于給定的1個數(shù)據(jù)集D={t1,t2,…,tn}和1組類C={C1,C2,…,Cm}，確定1個映射f:D→C，使得每個元組ti被分配到1個類Cj中。在本研究中，果穗圖像中的像素構(gòu)成1個數(shù)據(jù)集，而數(shù)據(jù)集中的元組要映射的類是背景區(qū)域、玉米籽粒區(qū)域、禿尖區(qū)域和干癟區(qū)域。對于彩色圖像中的像素最常用、最簡單的分類方法就是在顏色或灰度值域內(nèi)設(shè)定多級閾值[14]。但是，觀察圖1a的灰度直方圖(圖2a)、R分量的直方圖(圖2b)，G分量的直方圖(圖2c)，B分量的直方圖(圖2d)，發(fā)現(xiàn)每個直方圖都沒有明顯的雙峰，這說明這4個區(qū)域在色彩與灰度上有交集。因此，基于顏色或灰度的閾值分割法顯然不可行。

圖1 彩圖和灰度圖Fig.1 RGB image and grayscale image

圖2 直方圖分析示意圖Fig.2 Sketches of histogram analysis

2.3 紋理特征提取

紋理特征是一種不依賴于顏色或亮度反映圖像中同質(zhì)現(xiàn)象的視覺特征[15]。紋理在局部區(qū)域內(nèi)可能呈現(xiàn)出不規(guī)則性，但整體上則表現(xiàn)出某種規(guī)律性或周期性。圖像的灰度共生矩陣就是用于表達圖像灰度在方向、相鄰間隔、變化幅度的綜合信息，它是分析圖像局部模式結(jié)構(gòu)及其排列規(guī)則的基礎(chǔ)[15-17]。圖像的紋理特征是以灰度共生矩陣為基礎(chǔ)的統(tǒng)計量，包括能量、對比度、相關(guān)度、均勻性。這4個統(tǒng)計量分別反映圖像紋理粗細度、紋理的溝紋深淺、局部灰度相關(guān)性以及紋理局部變化的多少[18-20]。

為獲取以上4種區(qū)域的紋理特征，首先從20個果穗圖像中以9×9為窗口分別在這4類區(qū)域各截取200幅圖像作為樣本，其中100幅作為訓(xùn)練樣本，100幅作為測試樣本。再計算各類區(qū)域在0°、45°、90°、135°方向上的灰度共生矩陣，然后在4個灰度共生矩陣的基礎(chǔ)上分別計算能量、對比度、相關(guān)、均勻性共計16個特征，這樣每個樣本具有16個特征屬性。

2.4 基于隨機森林的分類器構(gòu)造

(1)抽樣產(chǎn)生子訓(xùn)練集。將代表4類區(qū)域的400幅訓(xùn)練圖像樣本的初始訓(xùn)練集攪拌均勻，再采用bagging方法隨機重復(fù)有放回的抽樣M次(每次抽樣的樣本數(shù)為總樣本數(shù)的1/2)，從而產(chǎn)生M個子訓(xùn)練集。

(2)選取候選屬性。從16個紋理特征變量中隨機選擇F(F=lb16+1)個作為節(jié)點分裂的候選屬性。

(3)構(gòu)建每棵決策樹。每1棵決策樹都對應(yīng)1個訓(xùn)練集，M個子訓(xùn)練集即可構(gòu)建M棵決策樹。用程序遞歸方式生成決策樹，在決策樹生長過程中不剪枝，分支生成時按一定的節(jié)點分裂規(guī)則(信息增益率最大原則)選擇最優(yōu)屬性。若已構(gòu)建決策樹數(shù)目小于M，則重復(fù)步驟(3)；反之則進入步驟(4)。

(4)類別投票。統(tǒng)計隨機森林中M棵決策樹輸出類別中占比例最多的那個類別即眾數(shù)，然后將該眾數(shù)作為分類器的輸出。

3 試驗結(jié)果及分析

3.1 單決策樹與隨機森林模型的比較

為考察本研究中隨機森林模型的性能，以同樣400個訓(xùn)練樣本為初始訓(xùn)練集，以信息增益率最大為節(jié)點分裂規(guī)則，構(gòu)建1個單決策樹分類器和1個弱分類器個數(shù)為10的隨機森林分類器。將每類100個共400個測試樣本分別用作單決策樹模型和隨機森林模型的輸入，類別判斷為輸出，測試結(jié)果如表1所示。

表1 單決策樹模型與隨機森林模型的識別率比較Tab.1 Identification rate comparison of decision tree model and random forest model %

由表1可知，單決策樹的平均識別率要遠低于隨機森林的平均識別率，并且單決策樹對各區(qū)域的識別率差別較大，其中干癟區(qū)域的識別率特別高而禿尖區(qū)域的識別率卻很低，這一結(jié)果要歸咎于單決策樹的先天缺陷。單決策樹容易收斂到非全局的局部最優(yōu)解，使得某個類別識別率特別高或者過擬合即過于適應(yīng)噪聲。而隨機森林分類器由多個獨立同分布的弱分類器構(gòu)成，對輸入的數(shù)據(jù)進行列和行兩個方向上的隨機采樣，在列的方向上隨機選擇特征；在行方向上隨機選擇樣本，每次抽樣均為隨機且放回抽樣。并且每個弱分類器的訓(xùn)練集都是初始訓(xùn)練集的1個子集，這樣各訓(xùn)練集樣本既存在一定的重復(fù)又不完全相同，有效避免了過擬合和局部最優(yōu)解現(xiàn)象的產(chǎn)生，具有良好的推廣能力。

3.2 隨機森林中弱分類器個數(shù)的確定

BREIMAN提出了隨機森林算法，但其中弱分類器個數(shù)M(即決策樹的棵數(shù))并未給出具體的參考標(biāo)準(zhǔn)。在實際應(yīng)用中，往往通過試驗來確定隨機森林中弱分類器個數(shù)。以訓(xùn)練樣本的數(shù)量為參考基準(zhǔn)，弱分類器個數(shù)分別選擇訓(xùn)練樣本數(shù)量的1/80、1/40、1/20、1/10、1/5、1/4，即數(shù)量為5、10、20、40、80、100分別構(gòu)建隨機森林分類器。試驗結(jié)果如表2所示。

表2 隨機森林模型中弱分類器個數(shù)與識別率Tab.2 Identification rates for forest model with different numbers of weak classifiers %

由表2中的數(shù)據(jù)分析可得，當(dāng)弱分類器個數(shù)比較少時，每個區(qū)域的正確識別率較低，并且各區(qū)域的正確識別率差異較大；但是隨著弱分類器個數(shù)的增加，每個區(qū)域的正確識別率逐漸升高，各區(qū)域的正確識別率差異也越來越小；當(dāng)弱分類器個數(shù)等于20即訓(xùn)練集樣本數(shù)的1/20時，每個區(qū)域正確識別率的均值較高并且各區(qū)域正確識別率的差異最小；當(dāng)弱分類器個數(shù)大于20時，每個區(qū)域的識別率有小幅度的升或降，但均值基本上趨于穩(wěn)定，但各區(qū)域正確識別率的差異卻越來越大。因此，隨機森林模型中弱分類器個數(shù)M為訓(xùn)練樣本數(shù)量的1/20是最優(yōu)的選擇。

3.3 果穗發(fā)育程度測量結(jié)果

為檢測本算法的測量準(zhǔn)確度，取10個發(fā)育程度不同的玉米果穗分別采集圖像。將果穗的中軸線定義為果穗圖像最小外接矩形的垂直中位線。首先以9×9窗口在果穗中軸線上從上到下滑動，計算中軸線每個像素點的灰度共生矩陣以及灰度紋理特征，再用以上試驗確定的最優(yōu)隨機森林模型完成玉米果穗中軸線上各像素的分類與標(biāo)記，然后統(tǒng)計中軸線上各類像素的個數(shù)，最后將像素個數(shù)乘以像素的實際尺寸(0.312 5 mm)即可得到每個區(qū)域長度的測量值，以上步驟均由程序自動完成。

機器測量完后，再以人工的方式用游標(biāo)卡尺分別測量這10個果穗在禿尖、干癟和籽粒區(qū)域的實際長度，每個測量3次，計算3次測量結(jié)果的平均值記為實際值。10個果穗不同區(qū)域的實際值和測量值如表3所示。

綜合表2和表3可知，該系統(tǒng)對玉米果穗不同發(fā)育程度的區(qū)域長度測量準(zhǔn)確度達到95%。其中，籽粒區(qū)域準(zhǔn)確度最高，禿尖區(qū)域其次，干癟區(qū)域最低。由于干癟區(qū)域不僅在位置上介于籽粒和禿尖區(qū)域之間，其紋理方面的特征也介于兩者之間，所以在邊界處比較容易誤判，從而使得準(zhǔn)確度下降。分析每個區(qū)域的實際值與準(zhǔn)確度可得，每個區(qū)域的實際值較小時準(zhǔn)確度低，實際值較大時準(zhǔn)確度高，這是圖像的分辨率稍低引起的，提高圖像的分辨率，則每個像素的尺寸變小，誤差就會減小。

表3 果穗發(fā)育程度測量結(jié)果
Tab.3 Results of maize ear development degree measurement

果穗序號禿尖區(qū)域干癟區(qū)域籽粒區(qū)域?qū)嶋H值/mm測量值/mm準(zhǔn)確度/%實際值/mm測量值/mm準(zhǔn)確度/%實際值/mm測量值/mm準(zhǔn)確度/%123.1524.0995.9515.3514.4193.89187.25190.6998.16236.2537.1997.4124.2525.1996.13158.35154.6097.63312.6511.7192.5914.0514.9993.33199.55196.1198.28442.0541.1197.7721.4522.3995.63135.45139.2097.23517.7516.8194.7217.6518.5994.69201.15204.5998.29628.2527.3196.6819.2520.1995.13166.35162.6097.75745.1545.7898.6216.1515.5396.13116.25119.6997.04826.8526.2397.6712.7511.8192.65203.45200.3398.46911.7512.6992.0219.2519.25100.00198.55201.9998.271058.3557.7398.9334.7535.6997.3075.8579.2995.47平均值96.2495.4997.66

3.4 算法速度測試

算法速度測試采用的計算機為雙核1.83 GHz，4 GB內(nèi)存，獨立顯卡。取120個果穗，30個1組，可分為4組。按人工與機器2種方式進行測試。人工方式下，1人測量并記錄；機器視覺方式下，1人放置果穗，計算機自動采集圖像。測試計時以1組為單位，計時結(jié)果如表4所示。

表4 速度測試結(jié)果Tab.4 Results of speed test s

由試驗結(jié)果可知，機器視覺方式下檢測速度可達到30個/min，約為人工方式的9倍。實際上，機器視覺方式下果穗的放置是影響速度的主要因素。而算法的核心部分(隨機模型)雖然在訓(xùn)練期即試驗階段比較耗時(每次訓(xùn)練至少在20 s以上)，但訓(xùn)練完成后，在程序執(zhí)行時像素類別的標(biāo)記以及區(qū)域長度計算時間幾乎可以忽略不計。因此，如果將果穗放置自動化，那么檢測速度與工作效率將大大提高。

4 討論

果穗禿尖和干癟區(qū)域形狀復(fù)雜，利用各區(qū)域在果穗中軸線上的像素數(shù)量描述該果穗的發(fā)育程度顯然存在局限性。因此本研究并不是以各區(qū)域在果穗中軸線上的像素數(shù)量描述該果穗的發(fā)育程度，而是用于檢測文中所建立的隨機森林算法模型的性能。在算法的實際應(yīng)用中，系統(tǒng)會對果穗1周的情況進行檢測，取得平均值和方差，這樣就可以準(zhǔn)確而完整地表達果穗的發(fā)育程度。但是在檢測算法性能時，用于作為實際值的人工測量如果測1周，那么人工測量自身的誤差就比較大，這樣就不便于檢驗算法性能。為盡量減小人為主觀誤差和果穗本身各區(qū)域形狀復(fù)雜產(chǎn)生的人工測量誤差，在選擇果穗樣本時，特別選擇果穗禿尖區(qū)域在1周上分布較均勻的玉米。

5 結(jié)束語

以玉米果穗的發(fā)育程度為研究對象，針對目前人工測量方法工作效率低、主觀誤差大等問題，研究基于機器視覺的玉米果穗發(fā)育程度自動檢測方法。該方法的核心部分——分類器的設(shè)計過程如下：首先結(jié)合果穗的紋理特征以及隨機森林機器學(xué)習(xí)算法分類速度快、泛化能力強的特性，構(gòu)造了基于紋理特征的玉米禿尖、干癟、穗粒以及背景區(qū)域的隨機森林模型。然后考察隨機森林模型的分類效果，用同一訓(xùn)練樣本集訓(xùn)練具有10個弱分類器的隨機森林模型與決策樹模型，并以同一測試集測試。測試結(jié)果表明：隨機森林模型在各區(qū)域的正確識別率及其標(biāo)準(zhǔn)偏差上都優(yōu)于單決策樹，有效避免了過擬合和局部收斂現(xiàn)象的產(chǎn)生，并具有良好的推廣特性。最后確定最優(yōu)的弱分類器數(shù)目，分別選擇弱分類器個數(shù)為訓(xùn)練樣本數(shù)量的1/80、1/40、1/20、1/10、1/5、1/4分別構(gòu)建隨機森林模型。比較各模型在各區(qū)域的識別率、識別率均值、標(biāo)準(zhǔn)偏差發(fā)現(xiàn)：當(dāng)隨機森林模型中弱分類器個數(shù)為訓(xùn)練樣本數(shù)量的1/20時各區(qū)域的識別率較高并達到穩(wěn)定。分類器設(shè)計完成后，設(shè)計程序?qū)崿F(xiàn)最優(yōu)的隨機森林分類器，識別玉米果穗不同發(fā)育程度的區(qū)域并計算各區(qū)域的實際長度。試驗結(jié)果表明，各區(qū)域長度測量的準(zhǔn)確性均在95%以上，測量速度可達30個/min，提高了工作效率，避免了主觀誤差。

1 王傳宇,郭新宇,吳升, 等. 基于計算機視覺的玉米果穗三維重建方法[J/OL].農(nóng)業(yè)機械學(xué)報,2014,45(9):274-279. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140944&flag=1.DOI:10.6041/j.ssn.1000-1298.2014.09.044. WANG Chuanyu, GUO Xinyu, WU Sheng, et al. Three dimensional reconstruction of maize ear based on computer vision [J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2014,45(9):274-279． (in Chinese)

2 劉長青,陳兵旗. 基于機器視覺的玉米果穗?yún)?shù)的圖像測量方法[J].農(nóng)業(yè)工程學(xué)報,2014,30(6):131-138. LIU Changqing, CHEN Bingqi. Method of image detection for ear of corn based on computer vision [J]. Transactions of the CSAE, 2014, 30(6):131-138. (in Chinese)

3 柳冠伊,楊小紅,白明, 等. 基于線陣掃描圖像的玉米果穗性狀檢測技術(shù)[J/OL].農(nóng)業(yè)機械學(xué)報,2013,44(11):276-280. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20131147&flag=1.DOI:10.6041/j.ssn.1000-1298.2013.11.047. LIU Guanyi, YANG Xiaohong, BAI Ming, et al. Detecting techniques of maize ear characters based on line scan image [J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2013,44(11): 276-280. (in Chinese)

4 田寶明,戴新宇,陳家駿. 一種基于隨機森林的多視角文本分類方法[J].中文信息學(xué)報, 2009, 23(4): 48-54. TIAN Baoming, DAI Xinyu, CHEN Jiajun. Multi view text categorization based on random forests [J]. Journal of Chinese Information Processing, 2009, 23(4):48-54. (in Chinese)

5 蔡加欣,馮國燦,湯鑫, 等. 基于局部輪廓和隨機森林的人體行為識別[J].光學(xué)學(xué)報, 2014,34(10): 212-221. CAI Jiaxin, FENG Guocan, TANG Xin, et al. Human action recognition based on local image contour and random forest [J]. Acta Optica Sinica, 2014, 34(10): 212-221. (in Chinese)

6 顧海燕,閆利,李海濤, 等. 基于隨機森林的地理要素面向?qū)ο笞詣咏庾g方法[J]. 武漢大學(xué)學(xué)報:信息科學(xué)版,2016,41(2):228-234. GU Haiyan, YAN Li, LI Haitao, et al. An object-based automatic interpretation method for geographic features based on random forest machine learning[J]. Geomatics and Information Science of Wuhan University, 2016,41(2):228-234. (in Chinese)

7 GALL J，YAO A，RAZAVI N，et al. Hough forests for object detection，tracking，and action recognition [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(11):2188-2202.

8 VERIKAS A, GELZINIS A, BACAUKIENE M. Mining data with random forests: a survey and results of new tests[J]. Pattern Recognition, 2011, 44(2): 330-349.

9 曹正鳳. 隨機森林算法優(yōu)化研究[D].北京:首都經(jīng)濟貿(mào)易大學(xué),2014. CAO Zhengfeng. Study on optimization of random forests algorithm [D]. Beijing:Capital University of Economics and Business, 2014. (in Chinese)

10 BREIMAN L. Random forests [J]. Machine Learning, 2001, 45(1):5-32.

11 CRIMINISI A，SHOTTON J，ROBERTSON D，et al. Regression forests for efficient anatomy detection and localization in CT studies [M]. Lecture Notes in Computer Science. Heidelberg: Springer,2011,6533:106-117.

12 ISHWARAN H， KOGALUR U B. Consistency of random survival forests [J]. Statistics and Probability Letters，2010，80(13-14):1056-1064.

13 STUMPF A, KERLE N. Object-oriented mapping of landslides using random forests [J]. Remote Sensing of Environment, 2011,115(10): 2564-2577.

14 周金輝,馬欽,朱德海, 等. 基于機器視覺的玉米果穗產(chǎn)量組分性狀測量方法[J]. 農(nóng)業(yè)工程學(xué)報,2015,31(3):221-227. ZHOU Jinhui, MA Qin, ZHU Dehai, et al. Measurement method for yield component traits of maize based on machine vision [J]. Transactions of the CSAE, 2015, 31(3):221-227. (in Chinese)

15 劉婭靜. 基于計算機視覺的麥田雜草識別技術(shù)研究[D].天津:河北工業(yè)大學(xué),2007. LIU Yajing. Research on identification of weed images based on computer vision [D]. Tianjin: Hebei University of Technology, 2007. (in Chinese)

16 胡孟晗,董慶利,劉寶林,等.基于計算機視覺的香蕉貯藏過程中顏色和紋理監(jiān)測[J/OL].農(nóng)業(yè)機械學(xué)報,2013, 44(8):180-184. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130830&flag=1. DOI:10.6041/j.issn.1000-1298.2013.08.030. HU Menghan, DONG Qingli, LIU Baolin, et al. Color and texture monitoring based on computer vision during banana storage [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(8):180-184. (in Chinese)

17 張保華,黃文倩,李江波,等.基于亮度校正和 AdaBoost 的蘋果缺陷在線識別[J/OL]. 農(nóng)業(yè)機械學(xué)報,2014,45(6):221-226. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140634&flag=1.DOI:10.6041/j.issn.1000-1298.2014.06.034. ZHANG Baohua, HUANG Wenqian, LI Jiangbo, et al. On-line identification of defect on apples using lightness correction and adaboost methods [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014,45(6):221-226. (in Chinese)

18 劉哲,李智曉,張延寬,等.基于時序EVI決策樹分類與高分紋理的制種玉米識別[J/OL].農(nóng)業(yè)機械學(xué)報,2015,46(10):321-327. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20151043&flag=1. DOI:10.6041/j.issn.1000-1298.2015.10.043. LIU Zhe, LI Zhixiao, ZHANG Yankuan, et al. Seed maize identification based on time-series EVI decision tree classification and high resolution remote sensing texture analysis [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10):321-327. (in Chinese)

19 梁琨,杜瑩瑩,盧偉,等.基于高光譜成像技術(shù)的小麥籽粒赤霉病識別[J/OL].農(nóng)業(yè)機械學(xué)報,2016,47(2):309-315. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160241&flag=1. DOI:10.6041/j. issn.1000-1298.2016.02.041. LIANG Kun, DU Yingying, LU Wei, et al. Identification of fusarium head blight wheat based on hyperspectral imaging technology [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(2):309-315. (in Chinese)

20 趙慶展,劉偉,尹小君,等. 基于無人機多光譜影像特征的最佳波段組合研究[J/OL].農(nóng)業(yè)機械學(xué)報,2016, 47(3):242-248,291. http:∥ww.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160334&flag=1. DOI:10.6041/j.issn.1000-1298.2016.03.034. ZHAO Qingzhan, LIU Wei, YIN Xiaojun, et al. Selection of optimum bands combination based on multispectral images of UAV [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(3):242-248,291. (in Chinese)

Automatic Measurement Method for Maize Ear Development Degree Based on Random Forest

SHI Lijuan1LU Jun2

(1.CollegeofInformatics,HuazhongAgriculturalUniversity,Wuhan430070,China2.CollegeofBasicSciences,HuazhongAgriculturalUniversity,Wuhan430070,China)

In the process of maize breeding, the development degree of maize ear is one of the most important parameters for yield related traits. In order to improve the degree of automation and accuracy of maize ear development degree detection, a measurement method was proposed based on machine vision technology. An identification model was constructed on the basis of random forest principal at first. The model was composed of a group of weak classifiers which were independent and identically distributed. The weak classifiers selected samples from the input training samples randomly along columns and rows. The experiment which compared random forest model with decision tree model on the classification effect showed that random forest classifier could not only avoid over-fitting and local convergence effectively but also have good generalization ability. Then, in order to determine the optimal number of weak classifiers, six random forest models were built. Their weak classifier number were separately one-eightieth, one-fortieth, one-twentieth, one-tenth, one-fifth, one-fourth of training samples count. The results showed that the model had good accuracy and stability when the number of weak classifiers was one-twentieth of training samples count. Finally, the optimal random forest model was used as the classifier to build the automatic maize ear development degree detection method. The experiment results showed that the measurement accuracy on length of each area was more than 95% and the measurement speed was more than 30 maize ears per minute.

maize ear; development degree; random forest; multiple classifiers

10.6041/j.issn.1000-1298.2017.01.022

2016-05-16

2016-07-26

國家自然科學(xué)基金項目(31301235)

石禮娟(1976—)，女，副教授，主要從事機器視覺研究，E-mail： slj2002@mail.hzau.edu.cn

盧軍(1980—)，男，副教授，主要從事農(nóng)產(chǎn)品自動檢測研究，E-mail： lujun5918@163.com

TP391.4； Q945.4

A

1000-1298(2017)01-0169-06