基于主成分分析及LVQ神經網絡的番茄種子品種識別

趙學觀，王 秀，*，李翠玲，高原源，3，王松林，馮青春

(1.北京農業智能裝備技術研究中心，北京 100097； 2.國家農業智能裝備技術研究中心，北京 100097； 3.中國農業大學 信電學院，北京 100083)

基于主成分分析及LVQ神經網絡的番茄種子品種識別

趙學觀1，2，王 秀1，2，*，李翠玲1，2，高原源1，2，3，王松林1，2，馮青春1，2

(1.北京農業智能裝備技術研究中心，北京 100097； 2.國家農業智能裝備技術研究中心，北京 100097； 3.中國農業大學 信電學院，北京 100083)

提出了一種基于主成分分析優化(PCA)及競爭性神經網絡(LVQ)的番茄種子品種識別方法，對番茄品種識別技術與算法進行了研究，提取了番茄種子的幾何特征、紋理特征和7個不變矩特征，通過主成分分析選取了4個主成分作為人工神經網絡的輸入，對黑迪、紅迪、佳粉十八、金迪、丘比特5個品種進行了LVQ神經網絡品種識別試驗。試驗結果表明，競爭層節點數目為20，訓練次數為96時每粒種子識別的平均耗時最短，識別準確率最高，分別為0.2 s、90.5%，基于機器視覺的番茄種子品種識別與檢測方法是可行的。

番茄種子；品種識別；計算機視覺；神經網絡

在中國，種子加工粗放，生產用種純度不高是種業的突出問題。因種子質量造成的損失往往是其自身價值的幾十倍，番茄種子較小，在市場中以次充好的現象時有發生[1-2]。種子純度的鑒定過程費時費工，隨著種子鑒定精度要求的日益提高，靠人工感官進行識別判斷已經很難滿足現代農業的生產要求。機器視覺技術代替人工視覺不僅可以提高工作效率和自動化程度，而且適應一些復雜環境，可以減少人工作業中由于主觀因素影響出現的誤差。因此，隨著機器視覺檢測技術的不斷發展，其在農產品品種純度自動化檢測方面的應用越來越廣泛[3-8]。計算機自動識別技術是通過對種子圖像進行計算與分析，提取可區分于其他番茄種類的穩定特征，借助神經網絡技術達到品種分類和識別的目的。國內外基于神經網絡的種子品種識別方面進行了大量研究，并取得了一定的成果。

德黑蘭大學Tabrizi等[9]應用特征選擇和神經網絡分類器相結合的方法識別外周血中的5種白細胞。通過主成分分析法對白細胞特征進行了選擇，建立競爭性神經網絡對5種白細胞進行了分類。研究中根據白細胞的特點將顏色、紋理作為細胞分類特征，而沒有考慮細胞Hu不變矩。阿根廷羅薩里奧物理研究所利用樸素貝葉斯分類器評估57種雜草種子，確定了一個接近最優的12(6個形態+4個顏色+2個紋理)種子特性作為分類參數，然而該方法在分類器參數選擇上存在困難[10]。土耳其烏魯達大學Kurtulmu等[11]提出了一種基于神經網絡和計算機視覺的辣椒種子鑒別方法，首先采集用于辣椒種子分類的顏色、形狀和紋理的圖像特征，然后利用順序特征選擇法將特征數目從257減少到10，但順序特征選擇效率和訓練算法識別辣椒準確率不高。

王路等[12]提出一種基于學習矢量量化 (LVQ)神經網絡的計算機植物種類識別新方法，分別提取了葉片的幾何特征和紋理特征。應用LVQ神經網絡識別植物種類，該方法對植物種類的識別效率較高。武小紅等[13]提出一種將無監督可能模糊聚類同模糊學習矢量量化相結合的無監督可能模糊學習矢量量化(UPFLVQ) 算法，該算法適用于無學習樣本情況下的樣本分類，首先采用主成分分析(PCA) 得到近紅外光譜前三個主成分，并進行了近紅外光譜的生菜品種鑒別。

雖然國內外已經進行了一些基于機器視覺的種類識別研究，但不同目標的特征存在較大差異，在基于計算機視覺和神經網絡的番茄種子品種識別方面尚未報道。本研究的目的是開發一個基于主成分分析—神經網絡的品種分類系統，并確定神經網絡最佳特征模型以達到快速、準確分類識別的目的。為種子生產加工企業進行小粒種子的分選、精揀以及種子推廣站進行種子純度的監督提供技術基礎。

1 材料與方法

供試的番茄品種共有5個，由國家蔬菜工程技術研究中心及北京卓生農業科技有限公司提供，分別為黑迪、紅迪、金迪、佳粉十八、丘比特，并剔除了有明顯損傷的種子，挑選形態特征相對標準的種子進行研究。番茄種子品種識別系統主要由硬件系統和軟件系統組成，硬件系統由圖像采集系統、圖像信息存儲設備、圖像處理及結果輸出設備等組成，相機選用大恒圖像MER-1520-7G系列數字攝像機，分辨率4608 (H) ×3288 (V)。光源采用大恒圖像HPR-150SW/B型環形光源，光源外徑166 mm，為系統提供均勻照明；光箱內側涂有反射性好的白漆；載物臺表面為黑色絨布，以使背景反射接近漫反射，使得番茄種子圖像光線均勻，番茄種子隨機的彼此互不接觸地置于載物臺上。種子分類識別系統控制界面采用Microsoft Visual Studio 2012 開發，通過相機獲取的番茄種子圖像及處理圖像實時顯示在控制界面上，如圖1所示。

2 番茄種子特征提取

2.1 幾何特征提取

在圖像識別的過程中，形狀特征往往能夠提供種子識別的一些重要信息。圖像采集時分別將5個品種的種子隨機鋪散在載物臺上，種子之間保持一定的間距，所采集的整幅粒群圖像如圖2所示。

然后再對種子圖像進行灰度化、中值濾波、形態學處理等預處理，最后得到所需圖像。中值濾波方法選取模板尺寸為 3×3，閾值分割選用自適應閾值分割法，利用opencv中histogram函數計算直方圖并歸一化，計算圖像灰度均值avgV，計算直方圖的零階矩u[i]和一階矩w[i]，根據公式1，計算并找到最大的類間方差，對應此最大方差的灰度值即為要找的閾值。該閾值以最佳門限將圖像分割為前景和背景，實現了圖像的二值化并據前景圖像輪廓尋找種子的中心。

variance[i]=(avgV*w[i]-u[i])*(avgV*w[i]-u[i])/(w[i]*(1-w[i]))。

(1)

在整幅圖像獲取基礎上，先定位番茄種子的中心，采用設定ROI(感興趣區域)的方式截取每個種子的單獨圖像，以種子中心為中心，在X、Y正負方向110個像素值處，截取每個大小為220×220像素的單獨圖像，以獲得統一大小的種子圖像。剔除黏連圖像，提取的5種番茄種子圖像如圖3所示。

圖像閾值化后進行邊界跟蹤以獲得番茄種子的外輪廓，首先對平滑后的圖像進行sobel邊緣檢測，對聯合的sobel檢測圖像進行非極大抑制，連接邊緣點并進行滯后閾值處理。在此基礎上，對番茄種子的幾何特征進行了特征提取，實際提取的番茄種子的主要幾何特征參數分別為：最小外接圓半徑、最大內切圓半徑、面積、周長、當量直徑、圓度、灰度均值。其中面積為目標物番茄種子的像素點總數，周長為番茄種子邊界的輪廓長度，當量直徑為 4 倍面積與π比值的平方根，圓度為種子輪廓的最小外接圓半徑與最大內切圓半徑的比值，灰度均值為圖像轉換為灰度圖像后每個種子輪廓內部像素值的平均。番茄種子特征提取過程如圖4所示[15-16]，提取的各品種番茄種子的特征均值如表1所示。

2.2 顏色特征提取

圖3 五個品種種子隨機位置采集圖像Fig.3 Random position images of five varieties of seeds

圖4 番茄種子特征提取步驟Fig.4 Tomato seeds feature extraction step

表1 七個幾何特征數值

Table 1 Hu moment invariant characteristic value

品種Variety面積Area周長Perimeter當量直徑Diameter圓度Radiusratio灰度均值Graymean最小外接圓半徑Circumradius最大內切圓半徑Inradius黑迪Heidi9622386.375288.645361.790108165138.220888.64536紅迪Hongdi7021320.597892.745161.741705145117.957676.05919佳粉十八Jiafenshiba14456531.60132.46021.955927121175.4109103.1746金迪Jindi7621323.529596.825551.558191174115.104382.07923丘比特Cupid10356428.0378111.99142.148421132145.499186.26703

考慮到番茄種子顏色特征向量可以作為品種純度識別的特征，本試驗首先進行了番茄種子HSV 顏色特征向量的提取，根據獲取的H-S直方圖結果發現，基于HSV空間的顏色特征很難區分不同品種，其中金迪和丘比特H-S直方圖如圖5所示，兩個品種種子圖像只存在H分量的微小區別。通過在RGB顏色空間的顏色特征提取發現，同樣存在著該問題。因此，顏色特征并不能作為番茄種子分類的特征。

2.3 紋理特征提取

灰度共生矩陣算法(GLCM)不僅反映了圖像的亮度分布特性，也反映了具有相似亮度和同樣亮度的兩個像素點在位置上的分布情況。通常可以用一些標量來表征灰度共生矩陣的特征，本文選取灰度共生矩陣常用的特征。ASM 能量(angular second moment)反映灰度共生矩陣值的分布情況和紋理粗細度，令P表示灰度共生矩陣，則

(2)

ASM值越大，灰度共生矩陣值分布越均勻。灰度均值作為整體反映種子表面感光的特征，不能反映某個像素值及其領域像素值的亮度的對比情況，本文進一步選取對比度作為識別特征，以更好的表達了圖像的清晰度和紋理溝紋深淺的程度，對比度為式(3)：

(3)

式中：i為圖像的寬度；j為圖像的高度。

2.4 Hu矩特征提取

圖5 金迪和丘比特H-S直方圖Fig.5 H-S histogram of Jindi and Cupid

1962年Hu首先提出了不變矩的概念，矩是一種非常重要的表示目標總體形狀的特征量。它對圖像的旋轉、縮放、平移均不敏感。因此，本文通過計算番茄種子輪廓的7個不變矩可得到7個矩不變量。二維灰度圖像f(x+y)的(p+q)階規則矩的一般表達式為[5，15]:

(4)

定義歸一化中心距為:

(5)

式中：r=(p+q)/2+1，p、q=0，1，2…

Hu不變矩中前3個不變矩為：

(6)

由于不變矩的變化范圍很大，為了便于比較，可利用取對數的方法進行數據壓縮；因此先取絕對值，再對其取對數，故實際采用的不變距為

φi=log|φi|。

(7)

其中，i=1，2，3…

全部300幅圖像被分為兩部分，240幅圖像作為網絡的訓練集，其余60張作為測試集，訓練集中每種種子圖像48張，計算每幅圖像的 7 個 Hu 氏不變距特征參數，并取其平均值，結果見表2。

3 試驗數據的選取

根據模式識別的知識，神經網絡的每一個輸入節點對應著一個特征值，如果把番茄種子的所有特征直接作為神經網絡的輸入，存在著神經網絡規模比較龐大的問題。使用主成分分析的方法把多指標轉化為少數幾個綜合指標，利用主成分綜合原始變量的信息，達到降維的目的。因此，本文提出了PCA-LVQ番茄品種識別模型，該模型包括3個步驟[17-19]。

(1)選取各品種數據樣本集并進行標準化處理。將樣本集分為2部分，即訓練集和測試集。

這里采用標準差標準化方法，其公式為

(8)

(2)對訓練集和測試集數據進行主成分分析，按照累計貢獻率大于90%選擇主成分。

(3)把訓練集選取的主成分輸入LVQ神經網絡中進行訓練，建立PCA-LVQ番茄種子識別模型，進行測試樣本的分類。

建立16項特征因子的矩陣，通過Matlab自帶函數princomp進行主成分分析。主成分分析的結果如表 3(截取了番茄種子主成分分析的16項特征因子中的前 4 項)，結果表明，該種子的前4 項特征因子代表了91.58%以上的信息，因此，取變換后的4個特征向量就可以代表16個原始特征向量，并且第一主成分的方差是4.697，第二主成分的方差是4.221。

4 LVQ 神經網絡設計及識別

雖然BP網絡是一種應用最為普遍的網絡，但其采用了基于梯度下降的非線性優化策略，不能保證求出全局最小值。這里嘗試利用LVQ網絡來實現模式識別，LVQ網絡的優點是只需要直接計算輸入向量與競爭層之間的距離，從而實現模式識別，因此簡單易行[14，19]。

表2 七個Hu氏不變矩特征數值

Table 2 Hu moment invariant characteristic value

品種VarietyHu(1)Hu(2)Hu(3)Hu(4)Hu(5)Hu(6)Hu(7)黑迪Heidi5.922815.832421.646523.513352.349832.427246.2146紅迪Hongdi5.578015.682920.754324.098746.879732.676646.9642佳粉十八Jiafenshiba5.970815.091423.001224.233248.073234.339749.0709金迪Jindi5.580618.148120.355621.863444.128632.747543.1317丘比特Cupid6.017815.132722.54124.198847.870332.220350.4719

表3 主成分分析結果

Table 3 Results of principal component analysis

主成分Principalcomponent初始特征根Initialcharacteristicroot總值Totalvalue方差百分比Percentageofvariance/%累計Cumulativesum/%未經旋轉提取的因子載荷平方和Squaresumofthefactorloadwithoutrotation總值Totalvalue方差百分比Percentageofvariance/%累計Cumulativesum/%14.69730.2331.294.69730.2331.2924.22127.1657.394.22127.1657.3932.88318.5575.942.88318.5575.9442.43015.6491.582.43015.6491.5850.3242.0993.6760.2731.7595.4270.2371.5396.9580.1961.2698.2190.1170.7598.96100.0730.4799.43110.0290.1999.62120.0200.1399.75130.0160.1099.85140.0140.0999.94150.0080.0599.99160.0010.01100.00

LVQ網絡結構如圖6所示，一個學習矢量量化(LVQ)網絡由三層神經元組成，即輸入層、隱含層和輸出層。

在進行了上述主成分分析之后，采用4個主特征作為人工神經網絡的輸入。本試驗只以5個番茄品種作為類別數，共有5個輸出可能，因此人工神經網絡的輸出節點數是5個，對5種目標進行編碼聚類，網絡的期望輸出為[0 0 1]、[0 1 0]、[0 1 1]、[1 0 0]、[1 0 1]。競爭層節點數應在綜合考慮網絡訓練耗時和誤差大小的情況下確定，通過試驗確定競爭層節點數，試驗中選取不同競爭層節點個數分別進行訓練。通過對不同競爭層節點數進行仿真試驗發現，競爭層節點數選擇得太少就不能建立很好的判斷界面，從而導致一系列的誤判現象發生。而競爭層節點數太多，不僅增加了訓練和識別的時間，而且番茄品種的識別率并沒有得到明顯地提高，如圖7-A所示，識別準確率隨著網絡訓練次數的增大不斷提高，競爭層節點數目越大識別準確率增長越快，當節點數量大于20時，識別準確率不再隨著節點數目的增加而顯著提高，在此條件下，網絡訓練次數達到100時，識別準確率不再隨著網絡訓練次數的增大而顯著提高。為保證識別準確率應選擇競爭層節點數量大于20，但競爭層節點數目越大網絡訓練耗時越大，如圖7-B，競爭層節點數目25時比數目為20時耗時增加19 s，綜合以上分析，最終確定競爭層節點數目為20，訓練次數為96次，在此條件下進行網絡訓練監測曲線如圖8所示。

圖6 LVQ 神經網絡結構Fig.6 Structure of LVQ network

本系統經過試驗對比后決定使用0.02的學習速率。雖然用這個學習速率訓練時間還是比較長，但是它能保證識別準確率，學習函數采用leranlvl，期望誤差設為 0.1。為了作對比，本試驗分別對LVQ網絡和傳統的BP網絡進行訓練識別，對60張測試圖片進行識別，識別結果如表4所示。

圖7 識別準確率和耗時時間與網絡訓練次數關系曲線Fig.7 Relationship curves between recognition accuracy， time consuming and the numbers of network training

圖8 網絡訓練監測曲線Fig.8 Monitoring curve of neural network training

本試驗結果可以得出，LVQ神經網絡識別速度明顯比BP神經網絡識別要快，基于4個主成分的LVQ神經網絡識別準確率與全特征識別準確率近似，可達到90.5%。總體來看，BP神經網絡和LVQ神經網絡兩種方法對番茄種子識別準確率差異不大。相對于 BP 神經網絡識別分類，PCA-LVQ識別模型大大提高了識別速度，為番茄種子分類識別提供了一條行之有效的途徑。

表4 番茄種子識別結果

Table 4 Tomato seed identification results

序號Serialnumber特征向量Featurevector測試數量Testquantity識別準確率Recognitionaccuracyrate/%BPLVQ識別時間Recognitiontime/sBPLVQ每粒種子識別時間Identificationtimeperseed/sBPLVQ14個主成分 4Principalcomponents6091.2090.5017120.280.2027個Hu矩不變量 7Humomentinvariants6072.2070.8036320.600.5337個幾何特征+2紋理特征7Geometricfeatures+2texturefeatures6080.583.730240.500.40416特征(7個Hu矩不變量+7個幾何特征+2紋理特征) 16Features(7Humomentinvariants+7geometricfeatures+2texturefeature)6093.492.818140.300.23

5 分揀試驗與討論

為了驗證圖像處理算法的準確性，本試驗初步搭建了分選系統硬件結構，如圖9所示，系統控制單元由計算機、西門子PLC及驅動器組成。圖像采集處理單元采集圖像，計算機圖像處理后將處理結果動態發送至控制系統，控制系統根據所接收的數據，驅動直角坐標分揀機械臂移動，到達需揀出的品種位置打開相應電磁閥，準確快速實現分揀過程。

試驗在國家精準農業研究示范基地進行，分別取5個品種的種子各200粒，試驗時將5種不同種子等數量的共200粒種子隨機鋪散在工作臺上，每次設定按照順序分揀其中一個品種種子，試驗共分5次進行。工作時，控制器控制步進電機帶動負壓吸口移動到相應位置，進行吸種，設定分揀的種子在氣流的作用下進入種子收集裝置，以便于種子的統計，分揀統計結果如表5所示。佳粉十八的分揀正確率最高，為98.5%，黑迪與金迪的分揀正確率較低，為85%左右，試驗中發現兩者之間的誤揀率較高。總體分揀正確率為89.8%，基本與算法的正確率保持一致。系統平均分揀一粒種子的時間為3.2 s，種子識別算法的速度很難再有較大的提升，優化分揀運動路徑是減少分揀執行機構耗時的重點。由總體提高種子品質的角度出發，提高種子純度及種子質量應作為共同考慮的目標，結合種子外觀及內部品質的分揀、檢測應作為下一步的重點，如本研究中黑迪與金迪之間誤揀的現象，可借助內部檢測手段，如X射線檢測。

1， 直角坐標臺；2， 攝像頭；3， 步進電機；4， 收集裝置；5， 負壓吸口；6， 種子區；7， 真空發生器；8， 控制器；9， 驅動器1， Rectangular coordinate system; 2， Camera; 3， Step-motor; 4， Gathering unit; 5， Negative pressure suction; 6， Seed; 7， Vacuum generator; 8，Controller; 9，Driver圖9 番茄種子分揀系統圖Fig.9 Diagram of tomato seed sorting system

6 結論

對于人眼很難分辨的番茄種子，提出了用機器視覺代替人眼對品種進行有效識別的方法，運用圖像處理技術提取番茄種子的形狀特征參數，并利用主成分分析法，得出一組新的主特征。

表5 分揀試驗結果

Table 5 Sorting test results

試驗test黑迪Heidi紅迪Hongdi佳粉十八Jiafanshiba金迪Jindi丘比特Cupid正確數Correctnumber正確率Correctrate/%1323639333717788.52343540363918492.03353540343618090.04323838333517688.05353540353618190.5正確數CorrectNo.168179197171183——正確率Correctrate/%8489.598.585.591.5——

通過LVQ神經網絡識別試驗，綜合考慮識別準確率和網絡訓練耗時，確定競爭層節點數目為20，訓練次數為96次，此時LVQ神經網絡的識別準確率為90.5%。

通過LVQ和BP神經網絡識別對比試驗，4個主成分的LVQ神經網絡識別準確率與全特征識別準確率近似，總體來看基于BP神經網絡和LVQ神經網絡對番茄種子的識別準確率差異不大，但LVQ神經網絡識別速度明顯加快。

[1] 朱明，陳海軍，李永磊.中國種業機械化現狀調研與發展分析[J].農業工程學報，2015，31(14):1-7. ZHU M， CHEN H J， LI Y L. Investigation and development analysis of seed industry mechanization in China[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2015，31(14):1-7. (in Chinese with English abstract)

[2] 蔡衛國，李偉，荀一.種子精選分級裝置自動控制方法研究[J].農業機械學報，2005，36( 8) : 90-92. CAI W G， LI W， XUN Y. Study on automatic control method of seeds grading device[J].TransactionsoftheChineseSocietyforAgriculturalMachinery， 2005，36(8) : 90-92.(in Chinese with English abstract)

[4] 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. SHI Z X， CHENG H， LI J T， et al. Characteristic parameters to identify varieties of corn seeds by image processing[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2008， 24 (6) :193-195. (in Chinese with English abstract)

[5] 趙文倉， 王軍欣. 雜草種子視覺不變特征提取及其種類識別[J]. 農業工程學報， 2011， 27(3):158-161. ZHAO W C， WANG J X. Feature extraction based on visual invariance and species identification of weed seeds[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2011， 27(3):158-161. (in Chinese with English abstract)

[6] 鄭宇.基于機器視覺的稻谷種子特征提取與品種識別方法研究[D].武漢：華中農業大學， 2009. ZHENG Y. Research on features extraction and varieties identification of rice seeds based on machine vision[D].Wuhan: Huazhong Agricultural University， 2009. (in Chinese with English abstract)

[7] 萬鵬，孫瑜，孫永海.基于計算機視覺的大米粒形識別方法[J].吉林大學學報(工學版)，2008，38(2)：489-492. WAN P， SUN Y， SUN Y H. Recognition method of rice kernel shape based on computer vision[J].JournalofJilinUniversity(EngineeringandTechnologyEdition)， 2008， 38(2): 489-492. (in Chinese with English abstract)

[8] KHATCHATOURIAN O， PADILHA F R R. Soybean varieties recognition through the digital image processing using artificial neural network[J].EngenhariaAgricola， 2008，28(4): 759-769.

[9] TABRIZI P R， REZATOFIGHI S H， YAZDANPANAH M J. Using PCA and LVQ neural network for automatic recognition of five types of white blood cells[C]// Engineering in Medicine and Biology Society (EMBC), 2010 Annual International Conference of the IEEE， Aug. 31-Sept. 4， 2010， Buenos Aires， Argentina: IEEE :5593-5596.

[10] GRANITTO P M， NAVONE H D， VERDES P F， et al. Weed seeds identification by machine vision[J].ComputersandElectronicsinAgriculture， 2002， 33(2) : 91-103.

[12] 王路，張蕾，周彥軍，等.基于 LVQ神經網絡的植物種類識別[J].吉林大學學報(理學版)， 2007，45(3):421-426. WANG L， ZHANG L， ZHOU Y J， et al. Computer-aided plant species identification based on LVQ neural network[J].JournalofJilinUniversity(ScienceEdition)， 2007， 45(3):421-426. (in Chinese with English abstract)

[13] 武小紅，蔡培強，武斌，等.基于無監督可能模糊學習矢量量化的近紅外光譜生菜品種鑒別研究[J]. 光譜學與光譜分析，2016，36(3):711-715. WU X H， CAI P Q， WU B， et al. The identification of lettuce varieties fuzzy learning vector quantization a using unsupervised possibilistic near infrared spectroscopy[J].SpectroscopyandSpectralAnalysis， 2016， 6(3): 711-715. (in Chinese with English abstract)

[14] LI J B， CHEN B Q， SHAO L H， et al. Variety identification of delinted cotton seeds based on BP neural network[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2012， 28(S2): 265-269.

[15] 王玉亮，劉賢喜，蘇慶堂，等. 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. WANG Y l，LIU X X， SU Q T， et al. Maize seeds varieties identification based on multi-object feature extraction and optimized neural network[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2010， 26 (6):199-204. (in Chinese with English abstract)

[16] 陳兵旗，孫旭東，韓旭，等.基于機器視覺的水稻種子精選技術[J].農業機械學報， 2010， 41(7):168-173. CHEN B Q， SUN X D， HAN X， et al. Rice seeds selection based on machine vision[J].TransactionsoftheChineseSocietyforAgriculturalMachinery， 2010， 41(7):168-173. (in Chinese with English abstract)

[17] CUEVAS E， ZALDIVAR D， PEREZ M， et al. LVQ neural networks applied to face segmentation[J].IntelligentAutomation&SoftComputing， 2009， 15 (3):439-450.

[18] 包晗，康泉勝，周明. 一種基于 LVQ 神經網絡與圖像處理的火焰識別算法[J].中國安全科學學報， 2011， 21:(6)60-64. BAO H， KANG Q S， ZHOU M. A flame recognition algorithm based on LVQ neural network and image processing[J].ChinaSafetyScienceJournal， 2011， 21 (6)：60-64. (in Chinese with English abstract)

[19] 張建華，祁力鈞，冀榮華，等. 基于粗糙集和BP神經網絡的棉花病害識別[J]. 農業工程學報， 2012， 28(7): 161-167. ZHANG J H， QI L J， JI R H， et al. Cotton diseases identification based on rough sets and BP neural network[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2012， 28(7): 161-167. (in Chinese with English abstract)

(責任編輯 張 韻)

Tomato seed varieties recognition based on principal component analysis and LVQ neural network

ZHAO Xueguan1，2， WANG Xiu1，2，*， LI Cuiling1，2， GAO Yuanyuan1，2，3， WANG Songlin1，2， FENG Qingchun1，2

(1.BeijingResearchCenterofIntelligentEquipmentforAgriculture，Beijing100097，China; 2.NationalResearchCenterofIntelligentEquipmentforAgriculture，BeijingAcademyofAgricultureandForestryScience，Beijing100097，China; 3.CollegeofElectricalandElectronicEngineering，ChinaAgriculturalUniversity，Beijing100083，China)

In order to realize the real-time， accurate and no-damage mechanization identification of tomato seed varieties， according to the characteristics of tomato seeds and its image， the tomato varieties identification technology and algorithm were studied. This paper proposed a tomato seed varieties identification method， which is a kind of optimization by LVQ neural network based on principal components analysis， extracting the shape characteristics， texture feature and seven moment invariants of the tomato seeds. Four principal components as the input of artificial neural network were chosen through the principal components analysis. The identification test was conducted on five varieties of Heidi， Hongdi， Jiafen18， Jindi and Cupid. The number of competitive layer neurons and training trials were determined according to the test， which were 20 and 96. Under the condition， the average time of each seed identification was the shortest， and the recognition accuracy was the highest， which were 0.2 s and 90.5% respectively. The research showed that the method of identification and detection of tomato seed varieties based on machine vision is feasible.

tomato seed; variety recognition; computer vision; neural networks

10.3969/j.issn.1004-1524.2017.08.20

2016-12-12

國家高技術研究發展計劃(2013AA102406)；北京市農林科學院青年基金項目(QNJJ2017)

趙學觀(1988—)，男，山東聊城人，博士，助理研究員，主要從事農業智能裝備的研究。E-mail: zhaoxg@nercita.org.cn

*通信作者，王秀，E-mail: wangx1@nercita.org.cn

S126

A

1004-1524(2017)08-1375-09

趙學觀，王秀，李翠玲，等. 基于主成分分析及LVQ神經網絡的番茄種子品種識別[J].浙江農業學報，2017，29(8)： 1375-1383.