種子破損率快速檢測方法研究

摘要：旋耕播種機推廣鑒定時，需要人工檢測種子的破損率。為提高檢測效率，以小麥種子為例，對種子破損率快速檢測方法進行研究。設計種子破損率自動檢測平臺，可一次性采集50 g小麥種子圖像，基于圖像處理技術和機器學習方法，提取小麥種子圖像13個形狀特征和8個紋理特征，建立基于特征的種子破損識別模型；識別的破損種子圖像與種子質量的關系，建立基于圖像的破損種子質量預測模型，按照鑒定大綱要求實現小麥種子破損率的快速檢測。對江蘇省“丹陽001”“A888”“泰州014”“無錫004”4個品種的小麥種子破損率進行試驗測試，每個品種3次取樣測定。結果表明：4個品種小麥種子破損率自動檢測的平均相對誤差分別為0.08%、0.07%、0.06%、0.08%，檢測的相對均方根誤差為0.08%，檢測平均時長為5.216 s。該研究實現小麥種子破損率自動、快速檢測，節省農機鑒定時間，推動農機鑒定過程的標準化和智能化。

關鍵詞：小麥種子；旋耕播種機；圖像處理；破損率；機器學習

中圖分類號：S126; S512" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2024） 09?0104?07

Research on a rapid detection method for seed breakage rate

Yang Haoyong Wang Chaozhu Liu Haoyi Guan Xintong Liu Yingying Ding Yongqian

（1. Jiangsu Agricultural Machinery Testing and Appraisal Station， Nanjing， 210017， China;

2. College of Artificial Intelligence， Nanjing Agricultural University， Nanjing， 210031， China;

3. College of Engineering， Nanjing Agricultural University， Nanjing， 210031， China）

Abstract： When the rotary tillage seeder is popularized and appraised， it is necessary to measure the damage rate of seeds manually. In order to improve the detection efficiency， this paper takes wheat seeds as an example to study the rapid detection method of seed breakage rate. The automatic detection platform of seed breakage rate was designed， which could collect 50 g wheat seed images at one time. Based on image processing technology and machine learning methods， 13 shape features and 8 texture features of wheat seed images were extracted， and a feature?based seed damage recognition model was established. The relationship between the identified damaged seed images and seed quality was studied， and an image?based broken seed quality prediction model was established， and the rapid detection of wheat seed damage rate was realized according to the requirements of the identification outline. In this study， the seed breakage rate of four wheat varieties as “Danyang 001” “A888” “Taizhou 014” and “Wuxi 004” in Jiangsu Province was experimentally tested， and each variety was sampled and measured for three times. The experimental results showed that the average relative errors of the automatic detection of seed breakage rate of the four wheat varieties were 0.08%， 0.07%， 0.06% and 0.08%， respectively， and the relative root mean square error of the detection was 0.08%， and the average detection time was 5.216 s. In this study， the automatic and rapid detection of wheat seed damage rate was realized， which saved the time of agricultural machinery identification and promoted the standardization and intelligence of agricultural machinery identification process.

Keywords： wheat seed; rotary tillage seeder; image processing; breakage rate; machine learning

0 引言

隨著我國農業機械化自主生產能力的提升，農業機械的鑒定工作從推廣鑒定發展到專項鑒定進入了規范化管理階段。種子破損率是旋耕播種機推廣鑒定的評價內容之一，也是評價旋耕播種機作業質量的重要指標。根據《農業機械推廣鑒定大綱—旋耕播種機》[1]規定，旋耕播種機在種子破損率性能鑒定中，需要在各個排種器排出的種子中取出3份種子樣品，每個樣品質量約100 g（小粒種子約50 g），人工選出其中破損的種子稱其質量，計算破損種子質量占樣本總質量的百分比取平均值，再減去試驗前測定的種子原始破損率，整個測定工作比較繁瑣。

目前，農機鑒定中種子破損率的檢測主要是通過專業質檢人員人工挑揀出破損的種子，以小麥種子為例，50 g種子大約有1 200粒，三份種子樣品3 600粒，人工挑選出破損種子，然后稱其質量進行測試，工作量和勞動強度比較大，檢測主觀性強，難以保證鑒定的客觀性和檢測數據的穩定性。

隨著信息技術的不斷發展，新的檢測方法如光譜技術和可見光成像技術等相繼應用在谷物檢測中[2?5]。近年，許多學者也利用深度學習方法進行谷物完整性圖像識別研究，取得很大進展[6?9]。但上述方法僅用于谷物破損粒識別，未將破損粒檢測和種子質量結合進行農機推廣鑒定中破損率的檢測。

本研究以江蘇省常見小麥種子為研究對象，搭建種子破損率檢測平臺，采集小麥種子圖像，通過機器學習方法進行麥種完整性檢測，建立破損小麥種子圖像與質量的函數關系，計算檢測出的破損種子質量，按照鑒定推廣大綱要求完成種子破損率的自動檢測。

1 材料和方法

1.1 樣本制備

選取江蘇省不同地區廣泛種植的四種小麥作為研究對象。對四種小麥外形尺寸和破損率進行統計，數據見表1。依據小麥種子的外形尺寸制作圖像采集取樣模板，取樣板尺寸（長×寬）為40 cm×30 cm，上面設有1 200個橢圓凹槽，每個凹槽長8 mm、寬4 mm、厚3 mm，一次大約擺放50 g小麥種子。小麥種子原始破損率比較低，為了獲取更多破損種子樣本，將小麥種子多次通過播種機，人為破壞制作破損種子樣本。圖像獲取與訓練過程圖如圖1所示，種子破損率檢測過程如圖2所示。

1.2 麥種破損率快速檢測平臺

檢測平臺由工業相機、光源、采集箱、采樣板和圖像處理端組成，如圖3所示。

工業相機采用華谷動力工業相機，型號為WP-US2000，分辨率為2 000萬級，視野大小300 mm×400 mm，拍攝高度500 mm。補光系統采用方形光源，光源采用面陣白色LED燈，大小為500 mm×500 mm，中間開圓孔，孔徑大小60 mm；光源色溫在5 000～10 000 K，亮度可調。圖像采集箱是一個內壁為黑色的長方體，側面可以打開，放置待檢測麥種。麥種放置在取樣板上，取樣板高度可調。圖像處理端采用的圖像采集軟件是WorkVision5，處理軟件為Matlab2019。電腦配置為Intel（R） Xeon（R） Silver 4210R CPU@2.40 GHz，NVIDIA GeForce RTX 3090顯卡，顯存24 GB。該平臺內側上端放置光源，光源中間開孔位置放置工業相機。垂直距離相機500 mm處放置采樣板。圖像處理端與相機通過USB進行通訊。

1.3 圖像獲取與處理

利用搭建的檢測平臺拍攝完整小麥圖像和破損小麥圖像，每種小麥拍攝10幅圖像。圖像大小（長×寬）為4 500像素×3 500像素。拍攝圖像如圖4所示。

為了減少噪聲和光照不均等對圖像質量帶來的影響，便于后續特征提取和數據分析，本研究對采集的圖像進行預處理操作。圖像預處理主要包括對采集到的圖像進行灰度化、去噪、Otsu分割和形態學操作。Otsu法是一種全局閾值自動選取方法，基本原理是以目標和背景的最大類間方差選取閾值。

1） 獲取小麥種子圖像的歸一化直方圖。

每幅圖像共1 200個麥粒（約50 g），根據邊緣檢測結果對麥粒特征進行提取。每個麥粒共提取21種特征，其中包括形狀特征13種和紋理特征8種[10， 11]。

形狀特征是對單粒麥種圖像區域和邊緣輪廓等特點的描述。13個形狀特征描述如下：（1）面積：單個小麥種子輪廓線內包含的所有像素個數；（2）長軸：將小麥種子擬合為橢圓之后，橢圓的長軸；（3）短軸：將小麥種子擬合為橢圓之后，橢圓的短軸；（4）周長：小麥種子外輪廓線的長度；（5）粒型：小麥種子的長軸與短軸之比；（6）圓形度：小麥種子的邊界形狀接近圓的程度；（7）偏心率：將小麥種子擬合為橢圓之后，兩焦點間的距離與長軸的比值；（8）緊實度：麥粒面積與矩形框面積之比；（9）矩形度：體現物體對其外接矩形的充滿程度，小麥連通域面積與最小矩形框面積之比；（10）近似圓直徑：與麥粒面積有相同面積的圓的直徑；（11）延伸度：麥粒面積的延伸程度；（12）Feret最大值：沿一定方向測得的小麥顆粒投影輪廓兩邊界平行線間的最大距離；（13）Feret最小值：沿一定方向測得的小麥顆粒投影輪廓兩邊界平行線間的最小距離。形狀特征提取如表2所示。

紋理特征是對麥粒圖像區域內部灰度級變化的量化。具有旋轉不變性，可以很好地詮釋麥粒圖像表面性質的全局特征。8種紋理特征描述如下：（1）灰度均值：小麥圖像各像素點灰度值的平均值；（2）標準偏差：小麥圖像灰度值的變化幅度；（3）平滑度：評價小麥圖像表面灰度標準偏差變化的程度；（4）直方圖一致性：直方圖灰度概率的平方和；（5）能量：圖像共生矩陣內每個元素的歸一化數值的平方和；（6）對比度：一個像素在整個圖像上與其相鄰像素間灰度對比的測度；（7）相關性：一個像素與其相鄰像素相關程度的像素；（8）同質性：共生矩陣元素對角線分布的空間緊密度。紋理特征提取如表3所示。

1.4 檢測模型

破損粒識別模型訓練選用二次支持向量機（Q-SVM）、加權最近鄰分類器（W-KNN）、高斯樸素貝葉斯（GN-Bayes）、邏輯回歸（LR）和線性判別（LD）五種機器學習方法進行[12]。

操作步驟如下：（1）數據準備：拍攝4個品種的小麥圖像各10幅，分別提取完整麥粒的特征參數和破損麥粒的特征參數；（2）數據集劃分：按照訓練集：測試集=9∶1進行數據集劃分，建立特征向量矩陣和標簽向量；（3）訓練模型：使用五種模型對數據進行訓練，指定訓練數據和相關參數；（4）模型評價：通過對比5種模型訓練的準確率、精確率、召回率和AUC值來對所有模型的性能進行評估;（5）性能對比分析，選取最佳破損粒識別模型。

破損粒質量預測模型訓練選用線性回歸方法，操作步驟如下：（1）數據準備：選取不同質量的小麥破損籽粒樣本20份，提取破損籽粒圖像特征；（2）數據選取：利用PCA（主成分分析）選取與質量高度相關的圖像特征；（3）模型訓練：采用線性回歸方法進行數據訓練，建立麥種圖像特征與質量之間的函數關系；（4）模型評價：以準確率進行模型評價。

2 結果與分析

2.1 破損粒識別模型

為分析網絡模型的識別性能，以識別準確率Acc、精確率P、召回率R、AUC值作為評判標準，確定最優模型。準確率用于評判模型的全局準確程度。AUC值：ROC曲線下與坐標軸圍成的面積，AUC值越接近1.0，檢測方法真實性越高[13]。本文使用混淆矩陣作為評價模型的可視化工具，如表4所示。5種機器學習模型性能評價指標參數如表5所示。

對比分析這五種模型的準確率、精確率、召回率和AUC值，最終確定Q-SVM模型為最優模型。分別將4個品種的完整麥粒圖像和破損麥粒圖像通過Q-SVM模型來判斷模型的誤檢粒數，判斷模型對完整麥粒與破損麥粒的檢測結果如圖7所示。圖7中完整麥粒出現誤檢的原因主要是由于完整麥粒不是特別飽滿，從實際檢測圖像上看與破損麥粒相似；破損麥粒出現誤檢的原因主要是人為制作破損麥粒時，麥粒破損的程度比較小。

2.2 破損種子質量預估模型

選取不同質量的破損種子，稱其質量并提取圖像面積像素，建立圖像面積與種子質量的關系模型。麥種的圖像面積與質量之間成線性相關性，如圖8所示，相關系數R2為0.964 7，可以利用麥種圖像面積來預測質量。

通過面積與質量的關系預測4組麥種的質量，結果如表6所示。大綱要求破損種子質量檢測精度為0.1 g，實際檢測精度為0.01 g，滿足大綱要求。根據四組樣本測試結果計算平均相對誤差、均方誤差和均方根誤差來驗證模型的可靠性。

根據表6可以計算，平均相對誤差為0.07，均方誤差為0.01，均方根誤差為0.07，面積預測質量模型可以較好的預估破損小麥的質量，誤差要求符合鑒定大綱標準規定。

2.3 種子破損率快速檢測

3 結論

本研究搭建小麥破損率快速檢測平臺，利用圖像處理技術和機器學習方法對“丹陽001”“無錫004”“A888”和“泰州014”四種小麥品種的破損率進行檢測。

1） 以江蘇省小麥種子為例，通過圖像處理方法采集小麥21個特征參數，共提取10張完整小麥圖像特征和10張破損小麥圖像特征。應用機器學習方法，將完整小麥與破損小麥進行識別分類，利用線性回歸預測破損小麥質量，根據鑒定大綱要求完成小麥種子破損率得檢測。然后通過提取的破損小麥面積像素與質量構建線性回歸方程，最終計算出小麥破損率。

2） 通過對比5種傳統機器學習方法，最終確定Q-SVM對小麥完整與破損的分類效果最好，其準確率可達91.70%，精確率為94.54%，召回率為96.63%，AUC值為0.97。

3） 提取破損小麥的面積像素與實際質量構建線性回歸方程，其預測質量與實際質量的平均相對誤差約為0.07，均方誤差為0.01，均方根誤差為0.07，面積預測質量模型可以很好地預估破損小麥的質量。

4） 利用本研究方法對四種小麥品種進行破損率檢測。試驗結果表明，Q-SVM模型與像素面積預估質量模型相結合對小麥種子的破損率檢測具有較高的準確率。在對“丹陽001”“A888”“泰州014”和“無錫004”四種小麥品種進行破損率檢測時，檢測平均相對誤差分別為0.08%、0.07%、0.06%、0.08%，測試結果的相對均方根誤差為0.08%。單個樣本的檢測時間為5.216 s，實現旋耕機播種鑒定推廣中種子破損率的快速、準確檢測。該檢測方法不僅可以提高播種機性能鑒定的效率，也可以為后續農業機具智能化和標準化鑒定提供方法借鑒和數據支撐。

參 考 文 獻

[ 1 ] DG/T 027—2019， 旋耕播種機[S].

[ 2 ] 張玉榮， 盧冠鏹， 吳瓊， 等. 基于高光譜成像技術的發芽小麥分類研究[J]. 河南工業大學學報（自然科學版）， 2022， 43（5）： 108-115， 136.

Zhang Yurong， Lu Guanqiang， Wu Qiong， et al. Research on classification of sprouted wheat based on hyperspectral imaging technology [J]. Journal of Henan University of Technology （Natural Science Edition）， 2022， 43（5）： 108-115， 136.

[ 3 ] 李志偉， 袁婧， 丁為民， 等. 基于高光譜成像技術識別水稻紋枯病[J]. 華南農業大學學報， 2018， 39（6）： 97-103.

Li Zhiwei， Yuan Jing， Ding Weimin， et al. Identification of rice sheath blight based on hyperspectral imaging technique [J]. Journal of South China Agricultural University， 2018， 39（6）： 97-103.

[ 4 ] 沈廣輝， 曹瑤瑤， 劉馨， 等. 近紅外高光譜成像結合特征波長篩選識別小麥赤霉病癟粒[J]. 江蘇農業學報， 2021， 37（2）： 509-516.

Shen Guanghui， Cao Yaoyao， Liu Xin， et al. Identification of Fusarium damaged kernels using near infrared hyperspectral imaging and characteristic bands selection [J]. Jiangsu Journal of Agricultural Sciences， 2021， 37（2）： 509-516.

[ 5 ] 戴雨舒， 仲曉春， 孫成明， 等. 基于圖像處理和Deeplabv3+模型的小麥赤霉病識別[J]. 中國農機化學報， 2021， 42（9）： 209-215.

Dai Yushu， Zhong Xiaochun， Sun Chengming， et al. Identification of fusarium head blight in wheat?based on image processing and Deeplabv3+ model [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（9）： 209-215.

[ 6 ] Ramirez?Paredes J P， Hernandez?Belmonte U H. Visual quality assessment of malting barley using color， shape and texture descriptors [J]. Computers and Electronics in Agriculture， 2020， 168： 105110.

[ 7 ] 宋懷波， 王云飛， 段援朝， 等. 基于YOLO v5-MDC的重度粘連小麥籽粒檢測方法[J]. 農業機械學報， 2022， 53（4）： 245-253.

Song Huaibo， Wang Yunfei， Duan Yuanchao， et al. Detection method of severe adhesive wheat grain based on YOLO v5-MDC model [J]. Transactions of the Chinese Society of Agricultural Machinery， 2022， 53（4）： 245-253.

[ 8 ] 琚新剛. 基于機器學習的稻米品種及摻假檢測方法研究[D]. 鄭州： 河南農業大學， 2021.

Ju Xingang. Study on detection method of rice varieties and adulteration based on machine learning [D]. Zhengzhou： Henan Agricultural University， 2021.

[ 9 ] 李寶蕓， 范玉剛， 高陽. 基于OTSU和Canny算子的紅外圖像特征提取[J]. 陜西理工大學學報（自然科學版）， 2019， 35（6）： 33-40.

Li Baoyun， Fan Yugang， Gao Yang. Infrared image feature extraction based on OTSU and Canny operator [J]. Journal of Shaanxi University of Technology （Natural Science Edition）， 2019， 35（6）： 33-40.

[10] 劉東， 曹光喬， 李亦白， 等. 基于顏色特征的小麥抽穗揚花期麥穗識別計數[J]. 中國農機化學報， 2021， 42（11）： 97-102.

Liu Dong， Cao Guangqiao， Li Yibai， et al. Recognition and counting of wheat ears at flowering stage of heading poplar based on color features [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（11）： 97-102.

[11] 劉光宇， 黃懿， 曹禹， 等. 基于灰度共生矩陣的圖像紋理特征提取研究[J]. 科技風， 2021， 452（12）： 61-64.

Liu Guangyu， Huang Yi， Cao Yu， et al. Research on extraction of Image texture Feature based on Gray co?occurrence matrix [J]. Science and Technology Wind， 2021， 452（12）： 61-64.

[12] 徐崢港. 基于貝葉斯網絡的水稻病害識別方法研究[D]. 長沙： 湖南農業大學， 2021.

Xu Zhenggang. Identification method of rice disease based on Bayesian network [D]. Changsha： Hunan Agricultural University， 2021.

[13] 鄭如新， 孫青云， 肖國棟. 基于機器視覺的金銀花圖像識別處理算法研究[J]. 中國農機化學報， 2022， 43（4）： 153-159.

Zheng Ruxin， Sun Qingyun， Xiao Guodong. Research on farmland route navigation based on an improved convolutional neural network algorithm [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（4）： 153-159.