基于玉米胚部特征參數(shù)優(yōu)化的玉米品種識(shí)別研究

程 洪 史智興 馮 娟 李亞南 尹輝娟

(河北農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院1，保定 071001)(中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院2，北京 100083)

基于玉米胚部特征參數(shù)優(yōu)化的玉米品種識(shí)別研究

程 洪1,2史智興1馮 娟1李亞南1尹輝娟1

(河北農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院1，保定 071001)(中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院2，北京 100083)

為了提高玉米品種自動(dòng)識(shí)別的可靠性,本文對(duì)表征品種的胚部特征參數(shù)進(jìn)行了優(yōu)化研究。采用區(qū)域生長(zhǎng)法從玉米種子圖像中分割出胚部區(qū)域，提取該區(qū)域的8個(gè)形狀、6個(gè)顏色和6個(gè)紋理特征參數(shù)；定義了這些特征的類間和類內(nèi)差異度計(jì)算公式，以便量化特征參數(shù)的有效性；結(jié)合改進(jìn)的K-均值聚類算法，獲得胚部形態(tài)的最優(yōu)特征參數(shù)集。通過(guò)5個(gè)玉米品種各180粒的識(shí)別結(jié)果得知：玉米胚部特征參數(shù)在品種識(shí)別中作用顯著，單純基于胚部的優(yōu)化特征參數(shù)集就可使其平均識(shí)別率達(dá)88%。本研究成果可為玉米品種自動(dòng)識(shí)別開(kāi)辟一條新思路。

胚部特征 參數(shù)優(yōu)化 自動(dòng)識(shí)別 K-均值聚類

利用機(jī)器視覺(jué)進(jìn)行農(nóng)作物種子品種自動(dòng)識(shí)別可以實(shí)現(xiàn)快速、無(wú)損檢測(cè)，易應(yīng)用于種子流通和種植現(xiàn)場(chǎng)，對(duì)于保護(hù)農(nóng)民利益、保障糧食安全意義重大。國(guó)內(nèi)外學(xué)者在基于數(shù)字圖像處理的玉米品種自動(dòng)識(shí)別方面進(jìn)行了大量研究[1-14]，多數(shù)是以玉米種子整體作為研究對(duì)象?；谟衩追N子整體形態(tài)特征的玉米品種自動(dòng)識(shí)別存在以下問(wèn)題：由于玉米棒上頂部、中部、底部的玉米種子形狀差異較大，影響了玉米品種自動(dòng)識(shí)別的魯棒性。

由于玉米種子胚部受部位影響較小且同一品種的玉米種子胚部特性趨于一致。前期針對(duì)玉米種子胚部的研究，重點(diǎn)解決了胚部區(qū)域的分割問(wèn)題，但未深入研究胚部特征對(duì)于識(shí)別有效性的問(wèn)題。本試驗(yàn)提取胚部區(qū)域形狀、顏色、紋理特征參數(shù)，對(duì)它們的品種識(shí)別有效性進(jìn)行分析，并確定了用于識(shí)別的最優(yōu)特征參數(shù)集。

1 試驗(yàn)材料和圖像獲取

以先玉335、農(nóng)大4967、遼單565、金秋963與京科25共5個(gè)品種的玉米種子為研究對(duì)象，各隨機(jī)選取樣本180粒。設(shè)計(jì)了專用的圖像采集裝置如圖1所示，其中載種臺(tái)面為磨砂玻璃，載種盒內(nèi)鋪有黑橡膠板；拍攝照明可以采用反射光、也可采用透射光，使用反射光時(shí)種子放置在載種盒上，使用透射光時(shí)將種子放在載種臺(tái)面；升架用來(lái)調(diào)節(jié)拍攝設(shè)備與種子間的距離；遮光布用來(lái)阻擋環(huán)境光的干擾。本研究中拍攝設(shè)備采用佳能600D數(shù)碼照相機(jī)，照明采用反射光(白熾燈)照射，將玉米種子胚部所在面朝上放置在載物盒上，獲得其RGB圖像，圖像格式為.jpg。

圖1 圖像采集裝置

2 胚部特征提取

玉米品種自動(dòng)識(shí)別研究流程如圖2。獲取圖像后，采用Ostu法將載物盒背板部分置0以去除背景；采用區(qū)域生長(zhǎng)法分割出玉米種子胚部；分別提取胚部基于RGB與HSI 模型的顏色特征、刻畫其形狀的特征與基于統(tǒng)計(jì)的紋理特征；分析胚部形態(tài)特征參數(shù)的均值與標(biāo)準(zhǔn)差，定義特征差異度用以分析特征的有效性；K-均值聚類算法結(jié)合特征類間類內(nèi)差異度，得到最優(yōu)特征參數(shù)集，對(duì)玉米種子品種進(jìn)行識(shí)別。

圖2 研究流程圖

2.1 玉米胚部檢測(cè)

在R、G、B色彩辨別方面，玉米粒胚部區(qū)域與非胚部區(qū)域之間的B值差異最大，G值次之，而R值的差異則最小。采用基于玉米種子RGB圖像的區(qū)域生長(zhǎng)法[7]分割出玉米種子胚部。分割效果如圖3所示。

圖3 各品種的胚部區(qū)域

2.2 胚部特征提取

由圖3可以看出，5個(gè)品種的玉米種子胚部顏色非常接近，因此本研究中除采用人眼最為敏感的RGB顏色模型外，加入了更符合人眼對(duì)色彩的感知機(jī)理HSI顏色模型，由紅(R)、綠(G)、藍(lán)(B)、色度(H)、飽和度(S)、亮度(I)6個(gè)量來(lái)刻畫胚部的顏色。對(duì)每粒種胚均提取以上6個(gè)顏色特征值。這6個(gè)特征值分別是每粒種胚所有像素點(diǎn)的R、G、B、H、S、I的平均值。因?yàn)楸狙芯坎杉膱D像是RGB圖像，采用公式(1)～(4)實(shí)現(xiàn)RGB到HSI的彩色坐標(biāo)變換。

(1)

(2)

(3)

(4)

由圖3可見(jiàn)，5個(gè)玉米品種的種胚大小不一、形狀各異，本文提取面積(S1)、周長(zhǎng)(S2)、圓形度(S3)、橢圓短長(zhǎng)軸比(S4)、矩形度(S5)、離心率(S6)、外接矩形長(zhǎng)寬比(S7)、外接多邊形面積比(S8)8個(gè)參數(shù)，來(lái)刻畫胚部的形狀特征。S1即胚部區(qū)域像素的個(gè)數(shù)；S2即胚部區(qū)域的邊緣像素個(gè)數(shù)；S5即胚部區(qū)域的面積/包圍該連通域的最小矩形面積；S3 = 4×pi×S1/(S2)2；S4是與胚部區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的短軸與長(zhǎng)軸的比值;S6是具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的離心率。

紋理是相鄰像素的灰度或彩色的空間相關(guān)性的視覺(jué)表現(xiàn)[15]。紋理分析方法大致分為結(jié)構(gòu)分析方法與統(tǒng)計(jì)分析方法2類。統(tǒng)計(jì)分析方法并不刻意去精確描述紋理的結(jié)構(gòu)。從統(tǒng)計(jì)學(xué)的角度來(lái)看，紋理圖像是一些復(fù)雜的模式，可以通過(guò)獲得的統(tǒng)計(jì)特征集來(lái)描述這些模式?？紤]到研究對(duì)象形狀的不規(guī)則性，本研究采用基于區(qū)域亮度直方圖的統(tǒng)計(jì)方法來(lái)描述玉米種子胚部的紋理特征[16]。

由于種子胚部圖像中，背景占了比較大的比例，在計(jì)算紋理特征時(shí)要消除背景的影響，所以要在亮度直方圖中去除灰度值為0的像素，紋理特征的計(jì)算公式分別為：

(5)

(6)

平滑度RS=1-1/(1+σ2)；

(7)

三階矩μ3=∑(zi-m)3p(zi)；

(8)

(9)

(10)

式中:zi為亮度的隨機(jī)變量；p(zi)為一個(gè)區(qū)域中灰度級(jí)的直方圖；L為灰度級(jí)數(shù)。

3 特征數(shù)據(jù)分析

由于種胚顏色、形狀、紋理特征數(shù)據(jù)量綱有差異，為了方便分析將提取的數(shù)據(jù)按照公式(11)標(biāo)準(zhǔn)化，公式如下：

(11)

式中：l為某一個(gè)特征；ailx為第i個(gè)品種的第x個(gè)樣本的l特征標(biāo)準(zhǔn)化后的值；bilx為第i個(gè)品種的第x個(gè)樣本的l特征標(biāo)準(zhǔn)化前的值；bilmax與bilmin分別是第i個(gè)品種的180個(gè)樣本中的l特征的最大值與最小值。

3.1 特征類間類內(nèi)差異度計(jì)算公式定義

(12)

式中：Dl為l特征類間類內(nèi)差異度，Dl≥1 ；k為品種個(gè)數(shù)；n為品種樣本數(shù)；averil為第i個(gè)品種n個(gè)樣本的l特征均值。

由式(12)可以看出，Dl越大品種間的l特征差異度越大，品種內(nèi)l特征差異越小，l特征可用于識(shí)別玉米品種的可能性越大；Dl越接近1，品種間的l特征差異度越小，品種內(nèi)l特征差異越大，l特征可用于識(shí)別玉米品種的可能性越小。利用上述公式計(jì)算每個(gè)特征的類間類內(nèi)差異度，并按差異度排序，結(jié)果如表1所示:順序?yàn)樾螤钐卣?、顏色特?除飽和度)、紋理特征。形狀參數(shù)的差異值均在1.7以上，顏色特征中S分量差異值最大，為1.85，H分量的差異值最小，紋理特征的差異值均在1.35以下。

3.2 特征參數(shù)值分布圖分析

圖4給出了5個(gè)玉米品種樣本的面積(S1)、外接矩形長(zhǎng)寬比(S7)、色度(H)3個(gè)特征參數(shù)值的分布情況。這3個(gè)特征參數(shù)的特征類間類內(nèi)差異值分別為3.06、2.10、1.05，具有一定的代表性。為了方便觀察，每個(gè)品種隨機(jī)取60個(gè)樣本。

從圖4中S1值分布圖可見(jiàn)，玉米被明顯的分為2大類：京科25、先玉335為一類，其余3個(gè)品種為一類。前一類中京科25胚部面積略大，后一類中金秋963略大。從整體看S7值由大到小可分為：農(nóng)大4967、先玉335、金秋963、京科25、遼單565，其中第1種的值基本處于0.7以上，最后2種的值基本處于0.7以下。對(duì)于H值，不僅每個(gè)品種樣本間的差異較大，而且不同品種沒(méi)有明顯差異，用于識(shí)別分類已沒(méi)有顯著意義。由此可知，特征參數(shù)值的直觀分布圖所反映出的特征參數(shù)有效性與式(12)計(jì)算得到的量化值有很好的對(duì)應(yīng)關(guān)系。本研究中特征類間類內(nèi)差異度值在2以上的均可用來(lái)識(shí)別玉米品種。

表1 各特征的類間類內(nèi)差異度

圖4 特征參數(shù)值分布圖

4 采用改進(jìn)K-均值聚類算法進(jìn)行玉米品種識(shí)別

本研究提取了玉米種胚眾多的形態(tài)特征，如果把所有的特征都作為最終的分類特征送往分類器，不同品種間差異小的特征會(huì)影響分類的正確率。因此為達(dá)到用于玉米品種識(shí)別的胚部信息最優(yōu),要從初步選定的特征參數(shù)中，篩選能實(shí)現(xiàn)正確分類率最大化的最優(yōu)特征參數(shù)集(能達(dá)到識(shí)別率高且包含特征數(shù)目最少)。

篩選方法：先以差異值大于2的特征組成特征參數(shù)集，K-均值聚類算法進(jìn)行識(shí)別，計(jì)算平均識(shí)別率；根據(jù)特征類內(nèi)類間差異值將其他特征逐個(gè)加入到特征參數(shù)集，識(shí)別，分別計(jì)算平均識(shí)別率，對(duì)識(shí)別率進(jìn)行比較；使5個(gè)玉米品種的平均識(shí)別率最高特征集為得到的最優(yōu)特征參數(shù)集。

4.1 改進(jìn)的K-means算法的基本概念

傳統(tǒng)的K-means算法對(duì)初始聚類中心的選取比較敏感，因此選取的隨機(jī)性直接影響聚類結(jié)果的準(zhǔn)確性和穩(wěn)定性。本研究基于密度聚類方法的思想，采用了基于密度的初始中心的優(yōu)化方法[17-19]。

有關(guān)密度的幾個(gè)基本定義如下：

定義1 不同玉米種胚x,y之間的距離公式

(13)

式中：d(x,y)為x,y間距離；xi、yi分別是x、y的第i個(gè)特征值。

對(duì)于具有900個(gè)樣本，可得相似度矩陣S:

定義2 玉米種胚間的平均距離公式

(14)

定義3 種胚x的鄰域：對(duì)于任意種胚x，以x為中心，以dA為半徑的圓形區(qū)域。

δx={y|0

(15)

式中：δx為種胚x的鄰域。

定義4 種胚x的分布密度

p(x)=Number(δx)

(16)

式中：p(x)為種胚x的分布密度，定義為除x外的x鄰域內(nèi)種胚的數(shù)目。

4.2 改進(jìn)K-means算法的運(yùn)行步驟

1)以相似矩陣為基礎(chǔ)，在所有種胚中，選擇密度最大的點(diǎn)作為第1個(gè)初始中心點(diǎn)，然后刪去該點(diǎn)及其鄰域內(nèi)的所有對(duì)象。

2)按1)中方法確定第2個(gè)初始中心點(diǎn)，循環(huán)執(zhí)行直到初始中心點(diǎn)集C中有5個(gè)點(diǎn):

3)以C為初始聚類中心，令k=1

采用上述篩選方法得到包含S1、S2、S3、S4、S5、S6、S7、S8與顏色特征中的S分量9個(gè)參數(shù)的最優(yōu)特征集。

采用改進(jìn)的K-均值聚類算法基于胚部特征進(jìn)行品種識(shí)別的結(jié)果如表2所示。采用文中提取的所有特征(共20個(gè))進(jìn)行分類識(shí)別，平均識(shí)別率為78.44%，采用最優(yōu)特征集進(jìn)行識(shí)別，平均識(shí)別率為88%。

表2 玉米品種識(shí)別結(jié)果

5 結(jié)論

5.1 本研究通過(guò)特征類間類內(nèi)差異度與改進(jìn)的K-means算法結(jié)合，得到可用于玉米品種識(shí)別的9個(gè)胚部特征參數(shù)，其有效性由大到小依次為：面積、外接多邊形面積比、周長(zhǎng)、離心率、外接矩形長(zhǎng)寬比、橢圓短長(zhǎng)軸比、飽和度、矩形度、圓形度。

5.2 通過(guò)5個(gè)玉米品種的識(shí)別試驗(yàn)結(jié)果表明，利用胚部特征對(duì)5個(gè)玉米品種的平均識(shí)別率可達(dá)88%，說(shuō)明胚部特征對(duì)玉米品種的自動(dòng)識(shí)別起著十分重要的作用，可以作為研究玉米品種自動(dòng)識(shí)別的新思路。

5.3 本研究定義的特征類間類內(nèi)差異度計(jì)算公式，不僅可以用于分析玉米種子胚部特征，也可用于其他分析對(duì)象特征有效性的場(chǎng)合。

此外根據(jù)胚部褶皺情況，尋找新的有效特征參數(shù)來(lái)描述胚部紋理特性，有進(jìn)一步研究?jī)r(jià)值。

[1]Liu J，Paulsen M R. Corn whiteness measurement and classification using machine vision[J]. Transactions of the ASAE，2000，43(3)：757-763

[2]Yang W, Winter P, Sokhansanj S,et al. Discrimination of hard-to-pop popcorn kernels by machine vision and neural networks[J]. Biosystems Engineering, 2005, 91(1): 1-8

[3]Hausmann Nel J, Abdaie Tabare E, Cooper Mark, et al. Method and System for Digital Image Analysis of Maize[P].International: WO2009023110(A1), 2009-2-19

[4]Jiang Jingtao, Wang Yanyao, Yang Ranbing. Variety identification of corn seed based on Bregman Split method [J]. Transactions of the Chinese Society of Agricultural Engineering，2012，28(Supp.2)：248-252

[5]宋鵬，吳科斌，張俊雄，等. 玉米單倍體籽粒特征提取及識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(3):168-172

[6]劉雙喜，王盼，張春慶，等. 基于優(yōu)化DBSCAN算法的玉米種子純度識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(4):188-192

[7]史智興，程洪，李江濤，等. 圖像處理識(shí)別玉米品種的特征參數(shù)研究[J].農(nóng)業(yè)工程學(xué)報(bào), 2008，24(6):193-195

[8]郝建平，楊錦忠，杜天慶，等.基于圖像處理的玉米品種的種子形態(tài)分析及其分類研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2008，41(4)：994-1002

[9]張海艷，董樹亭，高榮岐，等.玉米籽粒品質(zhì)性狀及其相互關(guān)系分析[J].中國(guó)糧油學(xué)報(bào),2005(6):19-24

[10]程洪，史智興，么煒，等. 基于支持向量機(jī)的玉米品種識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(3)：180-183

[11]鄭小東，王杰. 機(jī)器視覺(jué)在玉米籽粒品質(zhì)檢測(cè)中的應(yīng)用研究[J].中國(guó)糧油學(xué)報(bào),2013(4):124-128

[12]權(quán)龍哲，祝榮欣，雷溥，等. 基于K-L變換與LS-SVM的玉米品種識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(4)：168-172

[13]萬(wàn)鵬，孫鐘雷，宗力. 基于計(jì)算機(jī)視覺(jué)的玉米粒形檢測(cè)方法[J].中國(guó)糧油學(xué)報(bào),2011(5):107-110

[14]韓仲志，楊錦忠，李言照. 玉米品種圖像識(shí)別中的影響因素研究[J].中國(guó)糧油學(xué)報(bào),2012(10):98-103

[15]張海艷，董樹亭，高榮岐，等.玉米籽粒品質(zhì)性狀及其相互關(guān)系分析[J].中國(guó)糧油學(xué)報(bào),2005(6):19-24

[16]岡薩雷斯,著.數(shù)字圖像處理：MATLAB版[M]. 阮秋琦,譯.北京:電子工業(yè)出版社,2006

[17]汪中，劉貴全，陳恩紅.一種優(yōu)化初始中心點(diǎn)的K-means算法[J].模式識(shí)別與人工智能,2009,22(2):299-304

[18]周煒奔，石躍祥. 基于密度的K-means聚類中心選取的優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用研究,2012,29(5):1726-1728

[19]李偉雄. 基于密度的聚類算法研究[D].長(zhǎng)沙：湖南大學(xué),2010.

Corn Embryo Parameters Optimization and Varieties Identification Research

Cheng Hong1,2Shi Zhixing1Feng Juan1Li Yanan1Yin Huijuan1
(College of Information Science and Technology, Agricultural University of Hebei1, Baoding 071001)(College of Information and Electrical Engineering, China Agriculture University2, Beijing 100083)

In the paper, a method for automatic identification corn varieties has been proposed. The method was K-means clustering algorithm combined degree of difference of characteristic based on corn kernel embryo morphology. It extracted the embryo region adopting region growing algorithm; extract characteristics of embryo region: eight shape features, six color features and six texture features. In order to select the most effective features of the embryo for identification of corn varieties, difference degrees of inter-class and intra-class of different feature for measure the effectiveness of features have been defined. K-means clustering algorithm with the characteristic difference degree has been used to find the optimal portray embryo morphology feature subset to recognize corn varieties. Five corn varieties were selected as the research object, 180 kernels respectively. The average recognition rate was 88% after researched by K-means algorithm with the feature subset.

characteristics of embryo, parameters optimization, automatic recognition, K-means cluster algorithm

TP391.41

A

1003-0174(2014)06-0022-05

“十二五”農(nóng)村領(lǐng)域國(guó)家科技計(jì)劃(2011BAD16B08-3)，河北農(nóng)業(yè)大學(xué)理工基金 (LG20110601)，保定市科學(xué)研究與發(fā)展計(jì)劃(13ZN010)

2013-07-08

程洪，女，1981年出生，講師，數(shù)字圖像處理