基于支持向量機的玉米葉片品種識別

鄧立苗+馬文杰

摘要：基于圖像處理方法，以23個常見玉米品種葉片作為供試樣本，每張葉片采集反射和透射圖像，每幅圖像分別提取形態、顏色和紋理三大類共48個外觀特征，構建支持向量機模型進行訓練識別。結果表明，48個特征的整體識別率可達到87%以上，顏色類特征較形態類和紋理類特征具有較高的識別率，形態類特征中反映大小的特征識別率較低。對不 同類別的特征組合后，識別率均達到86%以上。品種的數量影響著樣本識別結果，當品種數量大于17之后，識別率明顯降低。透射圖像較反射圖像具有更好的識別效果。

關鍵詞：圖像處理；支持向量機；玉米；品種識別

中圖分類號： TP391. 41文獻標志碼： A文章編號：1002-1302（2014）06-0372-03

收稿日期：2013-08-28

基金項目： 山東省自然科學基金（編號：ZR2009GM006）。

作者簡介：鄧立苗（1978—），女， 山東沂水人，博士，講師，主要從事圖像處理方面研究。Tel：（0532）88030271；E-mail：denglm68@163.com。

通信作者：馬文杰，博士，副教授，主要從事農業信息化方面研究。Tel：（0532）88030602；E-mail：wjma@qau.edu.cn。玉米是重要的糧食作物之一，品種眾多，不同玉米品種由于受遺傳特性影響，生長期間的外觀性狀表現也有差異。在玉米生長管理和科學研究中，大量的工作須借助形態、顏色和紋理等外觀特征判斷，而這些特征的提取主要靠人工測量，工作量大且繁瑣、主觀性強，嚴重制約了玉米科學研究和生產上先進技術的應用和推廣。利用圖像處理技術實現不同品種玉米生長期間植株外觀性狀特征的客觀描述，對科學保留不同品種玉米的量化特征信息，建立玉米外觀性狀特征信息數據庫，正確指導玉米生產非常有必要。

圖像處理技術已廣泛應用于玉米生產管理和品種識別中，主要研究田間雜草識別[1]、病蟲害識別[2]、葉面積測定[3]、玉米葉片葉綠素含量測量[4]、種子質量檢測與分級[5]。在玉米品種識別方面，研究多定位在籽粒品種識別方面[5-8]，而利用玉米生長期間植株特征信息來識別玉米品種的研究未見報道。由于玉米葉片中包含了大量用來區別不同品種的外觀特征信息，且存活期長，易于采集。本研究以農業生產中常規栽培的23個玉米品種的葉片作為供試樣本，每個品種采集5張樣本葉片，對每張葉片采集反射和透射圖像，提取了形態、顏色和紋理共48個統計特征，然后構建了支持向量機模型進行品種識別，并對識別結果進行分析。本研究中特征提取和識別基于Matlab R2008a，分析工具為SPSS 13.0。

1材料與方法

1.1供試材料

供試玉米品種共計23個（表1），均采用大田常規管理方法在試驗基地進行統一栽培，目的就是為了保證在完全自然生長狀態下實現對不同品種玉米的外觀特征量化識別。

編號名稱編號名稱編號名稱1安玉5號9谷育17817農大1082北京德農95810濟豐9618農華1013丹玉8611金海5號19齊單1號4德瑞2912金海60420秋樂天泰585登海66213浚單2021三北青貯6登海70114寬城6022中科4號7費玉4號15良玉6623中科11號8豐玉4號16良玉188

1.2圖像采集

在玉米的不同生長時期分別對每個品種進行葉片采樣，在每個品種的不同單株上采集相同位置的5張葉片，然后用數碼相機采集葉片的反射圖像和透射圖像。由于玉米葉片在自然光照下反光較嚴重，反射圖像采用室內燈光下拍攝，而透射圖像則在自制的燈箱（圖1）內拍攝，燈箱規格（長×寬×高）為100 cm×75 cm×120 cm。箱體頂部、底部及4個側面均用雙層黑色棉布遮擋，以防止外界光線的射入和光線在箱體內發生漫反射；箱體中間偏下放置厚度4 mm的雙面磨砂玻璃載樣臺，保證采集透射圖像時得到均勻的透射光線；箱體底部的照明光源為8支30 W的日光燈管，箱體頂部固定數碼相機。反射圖像采集使用佳能EOS7D，透射圖像采集使用佳能EOS500D。采集的圖像如圖2所示。

1.3特征提取

為了對葉片圖像進行識別分析，對所采集的葉片圖像，提取了形態、顏色、紋理共48個外觀特征（表2），并將提取的特征保存在Excel文件中。

類別特征形態類

面積、長軸長、短軸長、等面圓直徑、橢圓度、凸形面積、伸展度、緊湊度、周長、圓形度、長寬比顏色類

RGB顏色空間的3個分量的均值、方差、偏度和峰度；與HSV顏色空間3個分量的均值、方差、偏度和峰度紋理類

灰度圖像均值、方差、平滑度、三階矩、一致性、熵；包括反映圖像灰度值次數分布特點的7個統計不變矩

1.4支持向量機

支持向量機（support vector machine，SVM）是近年來機器學習研究的一項重大成果。它是在統計學習理論、VC維理論和結構風險最小原理基礎上建立起來的，根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷，以求獲得最好的推廣能力。與傳統的人工神經網絡相比，它不僅結構簡單，而且泛化能力明顯提高。支持向量機是針對2類模式識別問題的，當解決多類問題時，需要對SVM進行擴展[9]。本研究采用“一對一”的方法，把每類與其余各類分別構成1個2類問題，n個類別共構造C2n個2類SVM。當對一個未知樣本進行分類預測時，所有的2類SVM得到C2n識別結果，采用投票法來決定測試樣本的類別，出現次數最多的類別即預測為該樣本的類別。在本研究中，核函數選用徑向基函數，懲罰因子C=128，核參數λ=0.007 812 5，這2個參數由網絡化訓練得到。

2結果與分析

2.1不類特征識別效果分析

以2011年8月14日采集的23個品種的透射圖像作為研究對象，每幅圖像提取48個特征，然后進行品種鑒別能力測試，48個特征的整體識別率為89.1%。為了分析不同類別特征對玉米品種識別的影響，分別統計形態、顏色和紋理3類特征的識別率，統計結果如表3所示。同時測試每個特征的識別率，前10個識別率最高的特征及識別率如表4所示。

特征組合的識別效果

類別識別率（%）形態顏色紋理形態61.287.3386.43顏色85.6489.47紋理72.16

由表3和表4可見，形態類、顏色類、紋理類特征的識別率分別為604%、85.64%、72.16%，可見顏色類特征的品種識別率最高，而形態特征的識別率相對較低。形態特征的識別率最低，僅為60%左右，主要是由于玉米葉片的不規則性和不平整，導致特征提取以及識別出現誤差。由表3可見，

前10個識別率高的特征

特征名識別率（%）特征名識別率（%）峰度H42緊湊度31標準差G40平均值H30長寬比38標準差B29標準差R37橢圓度28三階矩36標準差H27

反映形狀的特征如緊湊度和長寬比等具有比較高的識別率。顏色類特征識別率比較高，一方面是由于特征數量多達24個，另一方面由單個特征識別結果可見，某些顏色分量（如H分量）具有較高的識別率。對不同類特征組合后，形態+紋理、顏色+紋理和形態+顏色的識別率分別為8643%、8947%、87.33%，而整體識別率僅89.7%。可見當特征達到一定數量時，已經具有較高的識別率，在這種情況下增加特征的數量，識別率也不會有較大的變化。因為特征之間存在一定的冗余信息，特征數量的增加并不能進一步提高識別率。

由以上分析可以看出，提取的特征具有較大的數據冗余度，特征數量太多會增加品種識別的復雜性及效率。為了在不降低識別效果的前提下降低特征維數，減少特征之間的冗余度，提高品種識別效率，對所提取的特征進行主成分分析，前12個主成分貢獻率及累積貢獻率如圖3所示。

僅12個主成分累積貢獻率可達到95%以上，在此基礎上增加主成分的個數累積貢獻率已沒有太明顯的變化。選用12個主成分進行品種識別可以有效降低特征維數，同時還能盡可能多地反映原來的特征信息，從而提高品種識別效率。

2.2品種數量變化對識別結果的影響分析

為了尋找對品種識別貢獻較大的特征，使用SPSS分析工具中的步進式方法進行判別分析，采用Mahalanobis距離作為逐步判別分析方法[10]，選取貢獻比較大的7個特征：短軸長、V分量均值、B分量均值、B分量方差、H分量均值、紋理方差和不變矩2。對所選擇的7個特征，使用支持向量機測試品種數量從1增加到23時的品種識別率，生成的識別率變化曲線如圖4所示。

隨著品種數量的增加，對23個玉米品種識別率呈下降趨勢，在品種數量小于9時，識別率可以達到100%。品種個數大于9時，識別率開始下降，但仍保持比較高的識別率，識別率在87%以上；品種個數達到18時，識別率開始急劇下降至75%，以后一直呈下降趨勢；當樣本個數達到23時，識別率僅為63%。當品種數量較多時，某些玉米品種會出自同一個父本或者母本，具有比較大的相似性，因此辨別識別率降低。

2.3反射和透射識別分析

對2011年8月14日采集的玉米葉片的反射和透射圖像，分別統計不同類特征（形態類、RGB顏色類、HSV顏色類和紋理類）的測試識別率，統計結果如圖5所示。

從整體識別效果上看，反射圖像和透射圖像效果差別不太明顯，透射圖像稍高一些。對于形狀特征，由于形態特征不受光照和拍攝環境的影響，反射和透射的識別結果差別不大。顏色特征中不同的顏色系統具有較大的差別，反射圖像RGB顏色特征識別效果較好，而透射圖像對HSV顏色特征識別效果較好。對于紋理特征，透射圖像的識別效果稍好一些，通過透射使葉片的紋理會變得更加清晰，從而具有較好的識別效果。

3討論

相對來說，形態特征具有比較低的識別率，一方面，由于玉米葉片的不規則性和葉片不平整，每張葉片只采集1幅二維圖像，無法將葉片的形態特征全面描述出來，如果要全面描述玉米葉片形態，須要構建玉米葉片的三維幾何模型[11-12]；另一方面，在圖像采集過程中沒有進行標度校準，因此反映大小的特征如面積、周長等特征無法測量實際尺寸，也沒有統一的參考標準，從而導致這些特征的識別率較低。為了能夠更準確地提取葉片的實際尺寸，需要對所測量的數據進行校準標定，如采用參考物法進行面積等特征的測量[13]。

本研究中由于受采集條件的影響，每個品種的樣本數量較少，只有5個，在一定程度上影響了試驗結果的準確性和全面性；由于樣本數量有限，本研究建立的支持向量機模型僅進行了品種的自我識別，識別率均為樣本的自我識別率，沒有進行測試識別。在后續的研究中，需要大量增加樣本葉片數量。每個品種的樣本數量至少要在15以上，以減少同品種玉米葉片的特征提取誤差，從而更準確地尋找進行品種識別的關鍵特征，同時還要結合除葉片之外的其他特征如植株形狀、雌雄穗性狀等進行綜合識別，以此來提高玉米生長期間玉米品種的識別效果。

本研究供試玉米品種數量較多，為23個，從品種數量對識別結果的影響可以看出，當樣本數量大于17時，識別率明顯下降。由于遺傳因素的影響，有些品種可能來自于同一個父本或者母本，從而導致某些外觀特征具有很大的相似性，使得品種間的區分度比較小。根據這一特性，在以后的研究過程中可以通過聚類來分析玉米的譜系結構。

4結論

本研究以23個玉米品種的葉片作為研究對象，對每張葉片的圖像分別提取了形態、顏色和紋理三大類共48個特征，建立支持向量機模型進行品種識別，并分別從組合特征的識別率、品種數量變化時識別效果及透射和反射圖像識別效果3個方面進行分析。相對于神經網絡方法來說，支持向量機方法具有比較穩定的識別效果。對不同類別特征，顏色特征具有比較高的識別率，而形態特征識別率比較低。品種的數量越多，由于遺傳等因素影響，特征組合的相似性比例越高，識別率越低。不同類別的特征對反射和透射圖像的識別效果不同，相對來說，反射圖像的RGB顏色特征識別效果稍好些，而透射圖像的HSV顏色特征和紋理特征識別效果要好一些。由于采集環境與條件的限制，本研究僅提取了玉米葉片的常規特征進行了品種識別的初步研究與分析。本研究突破了大多數研究僅集中在玉米種子品種識別的局限，雖然僅對玉米葉片品種識別作了初步探討與研究，但從分析結果可見，使用玉米葉片外觀特征進行生長期間玉米品種識別非常有意義，為玉米生長期間品種識別的研究與運用打下基礎。

參考文獻：

[1]紀壽文，王榮本，陳佳娟，等. 應用計算機圖像處理技術識別玉米苗期田間雜草的研究[J]. 農業工程學報，2001，17（2）：154-156.

[2]陳麗，王蘭英. 概率神經網絡在玉米葉部病害識別中的應用[J]. 農機化研究，2011，33（6）：145-148.

[3]馬彥平，白由路，高祥照，等. 基于數字圖像的玉米葉面積測量方法研究[J]. 中國農學通報，2009，25（22）：329-334.

[4]朱軍偉，張彥娥，王曉敏，等. 基于圖像紋理的玉米葉片葉綠素含量分析研究[J]. 微計算機信息，2010，26（10）：106-108.

[5]王玉亮. 基于機器視覺的玉米種子品種識別與檢測研究[D]. 泰安：山東農業大學，2008：11-12.

[6]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.

[7]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.

[8]楊錦忠，郝建平，杜天慶，等. 基于種子圖像處理的大數目玉米品種形態識別[J]. 作物學報，2008，34（6）：1069-1073.

[9]李曉宇，張新峰，沈蘭蓀.支持向量機（SVM）的研究進展[J]. 測控技術，2006，25（5）：7-12.

[10]林震巖. 多變量分析：SPSS的操作與應用[M]. 北京：北京大學出版社，2007：487-491.

[11]鄧旭陽，郭新宇，周淑秋，等. 玉米葉片形態的幾何造型研究[J]. 中國圖象圖形學報，2005，10（5）：637-641.

[12]鄭文剛，郭新宇，趙春江，等. 玉米葉片幾何造型研究[J]. 農業工程學報，2004，20（1）：152-154.

[13]徐貴力，毛罕平，胡永光. 基于計算機視覺技術參考物法測量葉片面積[J]. 農業工程學報，2002，18（1）：154-157

特征組合的識別效果

類別識別率（%）形態顏色紋理形態61.287.3386.43顏色85.6489.47紋理72.16

由表3和表4可見，形態類、顏色類、紋理類特征的識別率分別為604%、85.64%、72.16%，可見顏色類特征的品種識別率最高，而形態特征的識別率相對較低。形態特征的識別率最低，僅為60%左右，主要是由于玉米葉片的不規則性和不平整，導致特征提取以及識別出現誤差。由表3可見，

前10個識別率高的特征

特征名識別率（%）特征名識別率（%）峰度H42緊湊度31標準差G40平均值H30長寬比38標準差B29標準差R37橢圓度28三階矩36標準差H27

反映形狀的特征如緊湊度和長寬比等具有比較高的識別率。顏色類特征識別率比較高，一方面是由于特征數量多達24個，另一方面由單個特征識別結果可見，某些顏色分量（如H分量）具有較高的識別率。對不同類特征組合后，形態+紋理、顏色+紋理和形態+顏色的識別率分別為8643%、8947%、87.33%，而整體識別率僅89.7%。可見當特征達到一定數量時，已經具有較高的識別率，在這種情況下增加特征的數量，識別率也不會有較大的變化。因為特征之間存在一定的冗余信息，特征數量的增加并不能進一步提高識別率。

由以上分析可以看出，提取的特征具有較大的數據冗余度，特征數量太多會增加品種識別的復雜性及效率。為了在不降低識別效果的前提下降低特征維數，減少特征之間的冗余度，提高品種識別效率，對所提取的特征進行主成分分析，前12個主成分貢獻率及累積貢獻率如圖3所示。

僅12個主成分累積貢獻率可達到95%以上，在此基礎上增加主成分的個數累積貢獻率已沒有太明顯的變化。選用12個主成分進行品種識別可以有效降低特征維數，同時還能盡可能多地反映原來的特征信息，從而提高品種識別效率。

2.2品種數量變化對識別結果的影響分析

為了尋找對品種識別貢獻較大的特征，使用SPSS分析工具中的步進式方法進行判別分析，采用Mahalanobis距離作為逐步判別分析方法[10]，選取貢獻比較大的7個特征：短軸長、V分量均值、B分量均值、B分量方差、H分量均值、紋理方差和不變矩2。對所選擇的7個特征，使用支持向量機測試品種數量從1增加到23時的品種識別率，生成的識別率變化曲線如圖4所示。

隨著品種數量的增加，對23個玉米品種識別率呈下降趨勢，在品種數量小于9時，識別率可以達到100%。品種個數大于9時，識別率開始下降，但仍保持比較高的識別率，識別率在87%以上；品種個數達到18時，識別率開始急劇下降至75%，以后一直呈下降趨勢；當樣本個數達到23時，識別率僅為63%。當品種數量較多時，某些玉米品種會出自同一個父本或者母本，具有比較大的相似性，因此辨別識別率降低。

2.3反射和透射識別分析

對2011年8月14日采集的玉米葉片的反射和透射圖像，分別統計不同類特征（形態類、RGB顏色類、HSV顏色類和紋理類）的測試識別率，統計結果如圖5所示。

從整體識別效果上看，反射圖像和透射圖像效果差別不太明顯，透射圖像稍高一些。對于形狀特征，由于形態特征不受光照和拍攝環境的影響，反射和透射的識別結果差別不大。顏色特征中不同的顏色系統具有較大的差別，反射圖像RGB顏色特征識別效果較好，而透射圖像對HSV顏色特征識別效果較好。對于紋理特征，透射圖像的識別效果稍好一些，通過透射使葉片的紋理會變得更加清晰，從而具有較好的識別效果。

3討論

相對來說，形態特征具有比較低的識別率，一方面，由于玉米葉片的不規則性和葉片不平整，每張葉片只采集1幅二維圖像，無法將葉片的形態特征全面描述出來，如果要全面描述玉米葉片形態，須要構建玉米葉片的三維幾何模型[11-12]；另一方面，在圖像采集過程中沒有進行標度校準，因此反映大小的特征如面積、周長等特征無法測量實際尺寸，也沒有統一的參考標準，從而導致這些特征的識別率較低。為了能夠更準確地提取葉片的實際尺寸，需要對所測量的數據進行校準標定，如采用參考物法進行面積等特征的測量[13]。

本研究中由于受采集條件的影響，每個品種的樣本數量較少，只有5個，在一定程度上影響了試驗結果的準確性和全面性；由于樣本數量有限，本研究建立的支持向量機模型僅進行了品種的自我識別，識別率均為樣本的自我識別率，沒有進行測試識別。在后續的研究中，需要大量增加樣本葉片數量。每個品種的樣本數量至少要在15以上，以減少同品種玉米葉片的特征提取誤差，從而更準確地尋找進行品種識別的關鍵特征，同時還要結合除葉片之外的其他特征如植株形狀、雌雄穗性狀等進行綜合識別，以此來提高玉米生長期間玉米品種的識別效果。

本研究供試玉米品種數量較多，為23個，從品種數量對識別結果的影響可以看出，當樣本數量大于17時，識別率明顯下降。由于遺傳因素的影響，有些品種可能來自于同一個父本或者母本，從而導致某些外觀特征具有很大的相似性，使得品種間的區分度比較小。根據這一特性，在以后的研究過程中可以通過聚類來分析玉米的譜系結構。

4結論

本研究以23個玉米品種的葉片作為研究對象，對每張葉片的圖像分別提取了形態、顏色和紋理三大類共48個特征，建立支持向量機模型進行品種識別，并分別從組合特征的識別率、品種數量變化時識別效果及透射和反射圖像識別效果3個方面進行分析。相對于神經網絡方法來說，支持向量機方法具有比較穩定的識別效果。對不同類別特征，顏色特征具有比較高的識別率，而形態特征識別率比較低。品種的數量越多，由于遺傳等因素影響，特征組合的相似性比例越高，識別率越低。不同類別的特征對反射和透射圖像的識別效果不同，相對來說，反射圖像的RGB顏色特征識別效果稍好些，而透射圖像的HSV顏色特征和紋理特征識別效果要好一些。由于采集環境與條件的限制，本研究僅提取了玉米葉片的常規特征進行了品種識別的初步研究與分析。本研究突破了大多數研究僅集中在玉米種子品種識別的局限，雖然僅對玉米葉片品種識別作了初步探討與研究，但從分析結果可見，使用玉米葉片外觀特征進行生長期間玉米品種識別非常有意義，為玉米生長期間品種識別的研究與運用打下基礎。

參考文獻：

[1]紀壽文，王榮本，陳佳娟，等. 應用計算機圖像處理技術識別玉米苗期田間雜草的研究[J]. 農業工程學報，2001，17（2）：154-156.

[2]陳麗，王蘭英. 概率神經網絡在玉米葉部病害識別中的應用[J]. 農機化研究，2011，33（6）：145-148.

[3]馬彥平，白由路，高祥照，等. 基于數字圖像的玉米葉面積測量方法研究[J]. 中國農學通報，2009，25（22）：329-334.

[4]朱軍偉，張彥娥，王曉敏，等. 基于圖像紋理的玉米葉片葉綠素含量分析研究[J]. 微計算機信息，2010，26（10）：106-108.

[5]王玉亮. 基于機器視覺的玉米種子品種識別與檢測研究[D]. 泰安：山東農業大學，2008：11-12.

[6]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.

[7]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.

[8]楊錦忠，郝建平，杜天慶，等. 基于種子圖像處理的大數目玉米品種形態識別[J]. 作物學報，2008，34（6）：1069-1073.

[9]李曉宇，張新峰，沈蘭蓀.支持向量機（SVM）的研究進展[J]. 測控技術，2006，25（5）：7-12.

[10]林震巖. 多變量分析：SPSS的操作與應用[M]. 北京：北京大學出版社，2007：487-491.

[11]鄧旭陽，郭新宇，周淑秋，等. 玉米葉片形態的幾何造型研究[J]. 中國圖象圖形學報，2005，10（5）：637-641.

[12]鄭文剛，郭新宇，趙春江，等. 玉米葉片幾何造型研究[J]. 農業工程學報，2004，20（1）：152-154.

[13]徐貴力，毛罕平，胡永光. 基于計算機視覺技術參考物法測量葉片面積[J]. 農業工程學報，2002，18（1）：154-157

特征組合的識別效果

類別識別率（%）形態顏色紋理形態61.287.3386.43顏色85.6489.47紋理72.16

由表3和表4可見，形態類、顏色類、紋理類特征的識別率分別為604%、85.64%、72.16%，可見顏色類特征的品種識別率最高，而形態特征的識別率相對較低。形態特征的識別率最低，僅為60%左右，主要是由于玉米葉片的不規則性和不平整，導致特征提取以及識別出現誤差。由表3可見，

前10個識別率高的特征

特征名識別率（%）特征名識別率（%）峰度H42緊湊度31標準差G40平均值H30長寬比38標準差B29標準差R37橢圓度28三階矩36標準差H27

反映形狀的特征如緊湊度和長寬比等具有比較高的識別率。顏色類特征識別率比較高，一方面是由于特征數量多達24個，另一方面由單個特征識別結果可見，某些顏色分量（如H分量）具有較高的識別率。對不同類特征組合后，形態+紋理、顏色+紋理和形態+顏色的識別率分別為8643%、8947%、87.33%，而整體識別率僅89.7%。可見當特征達到一定數量時，已經具有較高的識別率，在這種情況下增加特征的數量，識別率也不會有較大的變化。因為特征之間存在一定的冗余信息，特征數量的增加并不能進一步提高識別率。

由以上分析可以看出，提取的特征具有較大的數據冗余度，特征數量太多會增加品種識別的復雜性及效率。為了在不降低識別效果的前提下降低特征維數，減少特征之間的冗余度，提高品種識別效率，對所提取的特征進行主成分分析，前12個主成分貢獻率及累積貢獻率如圖3所示。

僅12個主成分累積貢獻率可達到95%以上，在此基礎上增加主成分的個數累積貢獻率已沒有太明顯的變化。選用12個主成分進行品種識別可以有效降低特征維數，同時還能盡可能多地反映原來的特征信息，從而提高品種識別效率。

2.2品種數量變化對識別結果的影響分析

為了尋找對品種識別貢獻較大的特征，使用SPSS分析工具中的步進式方法進行判別分析，采用Mahalanobis距離作為逐步判別分析方法[10]，選取貢獻比較大的7個特征：短軸長、V分量均值、B分量均值、B分量方差、H分量均值、紋理方差和不變矩2。對所選擇的7個特征，使用支持向量機測試品種數量從1增加到23時的品種識別率，生成的識別率變化曲線如圖4所示。

隨著品種數量的增加，對23個玉米品種識別率呈下降趨勢，在品種數量小于9時，識別率可以達到100%。品種個數大于9時，識別率開始下降，但仍保持比較高的識別率，識別率在87%以上；品種個數達到18時，識別率開始急劇下降至75%，以后一直呈下降趨勢；當樣本個數達到23時，識別率僅為63%。當品種數量較多時，某些玉米品種會出自同一個父本或者母本，具有比較大的相似性，因此辨別識別率降低。

2.3反射和透射識別分析

對2011年8月14日采集的玉米葉片的反射和透射圖像，分別統計不同類特征（形態類、RGB顏色類、HSV顏色類和紋理類）的測試識別率，統計結果如圖5所示。

從整體識別效果上看，反射圖像和透射圖像效果差別不太明顯，透射圖像稍高一些。對于形狀特征，由于形態特征不受光照和拍攝環境的影響，反射和透射的識別結果差別不大。顏色特征中不同的顏色系統具有較大的差別，反射圖像RGB顏色特征識別效果較好，而透射圖像對HSV顏色特征識別效果較好。對于紋理特征，透射圖像的識別效果稍好一些，通過透射使葉片的紋理會變得更加清晰，從而具有較好的識別效果。

3討論

相對來說，形態特征具有比較低的識別率，一方面，由于玉米葉片的不規則性和葉片不平整，每張葉片只采集1幅二維圖像，無法將葉片的形態特征全面描述出來，如果要全面描述玉米葉片形態，須要構建玉米葉片的三維幾何模型[11-12]；另一方面，在圖像采集過程中沒有進行標度校準，因此反映大小的特征如面積、周長等特征無法測量實際尺寸，也沒有統一的參考標準，從而導致這些特征的識別率較低。為了能夠更準確地提取葉片的實際尺寸，需要對所測量的數據進行校準標定，如采用參考物法進行面積等特征的測量[13]。

本研究中由于受采集條件的影響，每個品種的樣本數量較少，只有5個，在一定程度上影響了試驗結果的準確性和全面性；由于樣本數量有限，本研究建立的支持向量機模型僅進行了品種的自我識別，識別率均為樣本的自我識別率，沒有進行測試識別。在后續的研究中，需要大量增加樣本葉片數量。每個品種的樣本數量至少要在15以上，以減少同品種玉米葉片的特征提取誤差，從而更準確地尋找進行品種識別的關鍵特征，同時還要結合除葉片之外的其他特征如植株形狀、雌雄穗性狀等進行綜合識別，以此來提高玉米生長期間玉米品種的識別效果。

本研究供試玉米品種數量較多，為23個，從品種數量對識別結果的影響可以看出，當樣本數量大于17時，識別率明顯下降。由于遺傳因素的影響，有些品種可能來自于同一個父本或者母本，從而導致某些外觀特征具有很大的相似性，使得品種間的區分度比較小。根據這一特性，在以后的研究過程中可以通過聚類來分析玉米的譜系結構。

4結論

本研究以23個玉米品種的葉片作為研究對象，對每張葉片的圖像分別提取了形態、顏色和紋理三大類共48個特征，建立支持向量機模型進行品種識別，并分別從組合特征的識別率、品種數量變化時識別效果及透射和反射圖像識別效果3個方面進行分析。相對于神經網絡方法來說，支持向量機方法具有比較穩定的識別效果。對不同類別特征，顏色特征具有比較高的識別率，而形態特征識別率比較低。品種的數量越多，由于遺傳等因素影響，特征組合的相似性比例越高，識別率越低。不同類別的特征對反射和透射圖像的識別效果不同，相對來說，反射圖像的RGB顏色特征識別效果稍好些，而透射圖像的HSV顏色特征和紋理特征識別效果要好一些。由于采集環境與條件的限制，本研究僅提取了玉米葉片的常規特征進行了品種識別的初步研究與分析。本研究突破了大多數研究僅集中在玉米種子品種識別的局限，雖然僅對玉米葉片品種識別作了初步探討與研究，但從分析結果可見，使用玉米葉片外觀特征進行生長期間玉米品種識別非常有意義，為玉米生長期間品種識別的研究與運用打下基礎。

參考文獻：

[1]紀壽文，王榮本，陳佳娟，等. 應用計算機圖像處理技術識別玉米苗期田間雜草的研究[J]. 農業工程學報，2001，17（2）：154-156.

[2]陳麗，王蘭英. 概率神經網絡在玉米葉部病害識別中的應用[J]. 農機化研究，2011，33（6）：145-148.

[3]馬彥平，白由路，高祥照，等. 基于數字圖像的玉米葉面積測量方法研究[J]. 中國農學通報，2009，25（22）：329-334.

[4]朱軍偉，張彥娥，王曉敏，等. 基于圖像紋理的玉米葉片葉綠素含量分析研究[J]. 微計算機信息，2010，26（10）：106-108.

[5]王玉亮. 基于機器視覺的玉米種子品種識別與檢測研究[D]. 泰安：山東農業大學，2008：11-12.

[6]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.

[7]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.

[8]楊錦忠，郝建平，杜天慶，等. 基于種子圖像處理的大數目玉米品種形態識別[J]. 作物學報，2008，34（6）：1069-1073.

[9]李曉宇，張新峰，沈蘭蓀.支持向量機（SVM）的研究進展[J]. 測控技術，2006，25（5）：7-12.

[10]林震巖. 多變量分析：SPSS的操作與應用[M]. 北京：北京大學出版社，2007：487-491.

[11]鄧旭陽，郭新宇，周淑秋，等. 玉米葉片形態的幾何造型研究[J]. 中國圖象圖形學報，2005，10（5）：637-641.

[12]鄭文剛，郭新宇，趙春江，等. 玉米葉片幾何造型研究[J]. 農業工程學報，2004，20（1）：152-154.

[13]徐貴力，毛罕平，胡永光. 基于計算機視覺技術參考物法測量葉片面積[J]. 農業工程學報，2002，18（1）：154-157