基于機器視覺的定向播種用玉米種粒精選裝置研究

王 僑 陳兵旗 朱德利,2 梁習卉子,3 代 賀 陳洪密

(1.中國農業大學工學院， 北京 100083； 2.重慶師范大學計算機與信息科學學院， 重慶 400047；3.石河子大學機械電氣工程學院， 石河子 832003)

基于機器視覺的定向播種用玉米種粒精選裝置研究

王 僑1陳兵旗1朱德利1,2梁習卉子1,3代 賀1陳洪密1

(1.中國農業大學工學院， 北京 100083； 2.重慶師范大學計算機與信息科學學院， 重慶 400047；3.石河子大學機械電氣工程學院， 石河子 832003)

根據玉米定向播種對種粒的要求，設計了一種基于機器視覺的玉米種粒實時精選裝置。闡述了裝置的組成和工作原理，設計了不合格種粒吹除裝置及吹除方案，提出了種粒圖像動態檢測方法，根據種粒圖像RGB顏色特征，提取出種粒區域及其各顏色區域，結合種粒形態特征建立了周長、面積等20個檢測指標，并通過測試統計確定了其合格范圍，最終據此分析和完成了尖端露黑色胚部、小型、圓形、蟲蝕破損、霉變等不符合定向播種種粒的判斷。依據種粒粘連處兩分界點沿輪廓線較近一側的距離與兩分界點間直線距離之比，大于單一種粒輪廓線上任意兩點的對應值，來判斷種粒粘連性。試驗表明，合格性檢測準確率為96%，粘連性判斷準確率為99%，不合格種粒有效吹除率為98%。

玉米種粒; 精選; 圖像處理; 定向播種

引言

玉米生產在我國糧食生產和糧食安全上占據非常重要的戰略地位[1-2]。定向播種能夠提高通光、通風效果，對于密植、增產具有重要意義。實現玉米定向播種的必要前提是保障種子發芽率，故需進行播前精選。

機器視覺技術可用于種子特征指標的定量描述，為實現玉米種子的快速有效檢測提供了解決途徑[3-5]。20世紀90年代發達國家大范圍展開了基于機器視覺技術的玉米種粒缺陷與損傷[6-9]、尺寸[10-11]和表面顏色[12-13]等重要品質特征的檢測。21世紀以來，國內部分研究者也開展了基于機器視覺技術的玉米種粒檢測應用研究，主要包括：以玉米種子品質鑒定[4，14-16]、玉米種類自動識別[17-24]為主的純算法研究以及玉米種粒精選與分級裝置系統[25]的研究。目前國內外在玉米種粒品質、種類評價方面的算法研究較多，且主要集中在特征參數的靜態檢測上，而針對玉米種粒動態在線檢測以及自動精選分級系統方面的研究較少，尚未出現專門用于玉米種粒檢測的商業化儀器設備。

根據定向播種對種粒的要求，本文基于機器視覺技術設計一種玉米種粒動態精選裝置，能夠根據種粒的外觀形態和顏色特征在線判斷種粒的合格性，實時地吹除霉變、破損和蟲蝕等發芽率低的種粒以及形態特征不符合定向播種要求的小型、圓形等畸形種粒。

1 種粒動態精選裝置結構與工作原理

1.1 裝置結構

本裝置按功能主要分為喂料裝置、輸送裝置、圖像采集處理裝置以及吹除裝置，結構如圖1所示。喂料裝置由儲種箱、輸種管、排種器、滾輪、導向定位管、排種電動機、臺架等組成。排種部件如圖1b所示，排種器采用較成熟的強制夾持式玉米精量排種器[26]。滾輪固定于排種器一側下方，排種器旋轉時滾輪打開鴨嘴，喂出種粒。導向定位管主要由梯形導引斜槽、扇形罩、塑料定位圓管、緩沖定位舌片、U型導向板和安裝架組成，結構如圖1c所示。導向定位管固定于滾輪和排種器下方，種粒從鴨嘴中喂出，順著梯形導引斜槽滑入塑料定位圓管，落至內部緩沖定位舌片之上后，順著緩沖定位舌片方向滑入塑料定位圓管后側壁底部的輸送帶上。輸送裝置采用黑色輸送膠帶，由輸送步進電動機驅動，將種粒傳送至各工位。圖像處理采用臺式計算機，圖像采集系統由相機、光源、光源箱、升降調節架等組成。升降調節架上設置有2根豎直導軌柱和1根橫向導軌梁，橫向導軌梁可沿豎直導軌上下移動。光源箱固定于橫向導軌梁上，底部開口，以下方黑色輸送帶為圖像采集背景。相機位于光源箱上部中央，鏡頭光軸與輸送帶垂直，兩組光源對稱分布于相機兩側。吹除裝置安裝于圖像采集系統之后，由氣吹嘴、擋向曲滑槽、回收箱等組成，吹除和回收不合格種粒。集種箱位于輸送帶另一端，收集合格種粒。

圖1 玉米種粒精選裝置結構簡圖Fig.1 Schematic diagram of corn seed selection machine1.儲種箱 2.輸種管 3.排種器 4.排種電動機 5.滾輪 6.導向定位管 7.橫向導軌梁 8.豎直導軌柱 9.光源箱 10.擋向曲滑槽 11.氣吹嘴 12.回收箱 13.輸送帶 14.輸送步進電動機 15.集種箱 16.鴨嘴定嘴板 17.鴨嘴動嘴板 18.動嘴單側翼板 19.齒輪 20.梯形導引斜槽 21.扇形罩 22.定位圓管 23.U型導向板 24.安裝架 25.緩沖定位舌片 26.定位管前側壁 27.定位管后側壁

1.2 工作原理

裝置啟動后，儲種箱內的玉米種粒由重力源源不斷地填充到排種器內部的種子室，排種器勻速旋轉，滾輪順次打開各個鴨嘴，種粒先后滑出，落入導向定位管，導向定位之后，喂至輸送帶的同一輸送起點。輸送裝置勻速運行，喂入輸送帶的種粒，每經過一次排種周期，便隨同輸送帶前行固定距離，由此等間隔地均勻分布于輸送帶上，并進入后續工作區。當種粒經過固定個排種周期輸送至圖像采集區域時，相機定時采集并傳送種粒圖像，計算機處理并判斷圖中種粒的合格性。若判斷為不合格種粒，則當其抵達吹除工位時，啟動吹除裝置，吹除并回收。若判斷為合格種粒，則繼續隨同輸送帶前行，直至落入末端的集種箱中。

另外，排種器單次喂種實際會出現多粒情況，設喂出種粒經過導向定位管喂入輸送帶的位置范圍為Lx×Ly，其中Ly為沿輸送方向范圍，Lx為垂直輸送方向范圍，排種試驗測得Lx為44 mm，Ly為54 mm。

2 吹除裝置設計

2.1 結構設計

圖3 吹除過程示意圖Fig.3 Schematic diagram of blowing process

吹除裝置主要由氣吹嘴、擋向曲滑槽、回收箱、固定座等組成。氣吹嘴和擋向曲滑槽相對固定于輸送裝置的兩側，回收箱位于擋向曲滑槽的正下方，如圖2a所示。氣吹嘴選用F型鋁制噴嘴，即多孔并排直線形吹風噴嘴，氣路的通斷通過控制電磁閥的啟停來實現。擋向曲滑槽由擋向曲面板和固定板組成，且兩者圍成一落槽，如圖2b所示。工作時，開啟電磁閥，壓縮空氣通過，從氣吹嘴中噴出，將不合格種粒從輸送帶上側向吹出，經過對側擋向曲面板的遮擋，折向后通過落槽滑落至下方的回收箱中。

圖2 吹除裝置結構簡圖Fig.2 Schematic diagram of blowing device1.固定座 2.氣吹嘴 3.擋向曲滑槽 4.輸送帶 5.回收箱 6.擋向曲面板 7.固定板 8.落槽

2.2 吹除方案

如圖3所示，種粒喂入輸送帶的位置范圍為Lx×Ly，vs為輸送速度，圖像采集區域尺寸為Lcx×Lcy，設其中心為Oc，單次圖像采集獲得單次喂出的所有種粒的單幀圖像，吹除工位有效吹除長度為L1，Oc與吹除工位距離為L2，圖中種粒分別用淺色和深色代表合格與不合格。若種粒間僅沿輸送方向的距離為零，則認為種粒重疊，若所有種粒間均重疊，則認為全重疊，否則為部分重疊，若重疊種粒垂直輸送方向的距離也為零，則認為種粒粘連。根據排種器單次喂種情況，設置如下吹除方案：

(1)單次喂出單粒或單次喂出全重疊種粒，且至少有1粒不合格時，如圖3中喂出區域①所示，設種粒區間長度為L3，O1為種粒區間垂直中線上一點，O1與Oc沿輸送方向距離為L4(若O1位于Oc右側，則L4取正，否則取負，下同)，圖像采集時刻為T1，若L3≤L1，則在T3=T1+(L2-L4+L1/2)/vs時刻，啟動電磁閥，吹除裝置吹除單粒或全重疊種粒，若L3>L1(多粒時)，則將L3分割為小于L1的幾個區間，逐個區間進行吹除。另外，若喂出種粒部分重疊，則可分割為單粒、全重疊的組合形式，再按照上述方式依次處理；若喂出粘連種粒，則視為不合格，全部吹除。

(2)單次喂出多粒不重疊種粒，且全部不合格時，如圖3中喂出區域②所示，設O2為種粒區間垂直中線上一點，O2與Oc沿輸送方向距離為L5，圖像采集時刻為T2，則當L3≤L1時，在T5=T2+(L2-L5+L1/2)/vs時刻，吹除全部種粒，當L3>L1時，則按照方案(1)中方式分割后逐步吹除。

(3)單次喂出多粒不重疊種粒，且相鄰兩粒合格性不一致時，如圖3中喂出區域③所示，設O3為相鄰種粒(前粒不合格，后粒合格)之間垂直中線上一點，O4為另一相鄰種粒(前粒合格，后粒不合格)之間垂直中線上一點，O3、O4與Oc沿輸送方向的距離分別為L6、L7，圖像采集時刻為T4，則在T6=T4+(L2-L6)/vs時刻，吹除前粒不合格種子，在T7=T4+(L2-L7+L1)/vs時刻，吹除后粒不合格種子。

(4)單粒合格或重疊全合格種粒，則保留，圖3中T8時刻，區域①、②、③均完成了吹除工作。

3 種粒合格性動態檢測方法

3.1 硬件設備

本系統所用計算機配置為Intel(R)Core(TM)i3-3240 CPU，主頻3.40 GHz，內存8 GB。相機選用Basler A602fc型高速彩色工業數字攝像機，鏡頭型號為Computer ComputarM1214-MP，焦距為12 mm，光圈為F1.4，安裝時鏡頭光軸距輸送帶高度為93 mm，定時進行圖像采集，圖像尺寸為640像素×480像素，設實際范圍為Lcx×Lcy，測得Lcx為83 mm，Lcy為62 mm。光源選用2個1 W的組合光源，每組光源由3個白光LED均勻排成一行，2組光源對稱分布于相機兩側。利用Microsoft Visual Studio 2010軟件開發工具，基于北京現代富博科技有限公司的ImageSys平臺完成種粒合格性圖像檢測算法的開發。

3.2 動態檢測方案

如圖4所示，vs為輸送速度，種粒喂入輸送帶的位置范圍為Lx×Ly，設其中心為Of，圖像采集區域尺寸為Lcx×Lcy，設其中心為Oc，設排種器喂種速率為n次/s，輸送帶勻速運行，Of與Oc沿輸送方向的距離為Lfc，圖像定時采集時間間隔為tc，圖像處理時間為t0，若設置vs/n>Ly，tc=1/n>t0，Lfc=m(vs/n)，(m為正整數)，則單次圖像采集可獲得單次喂入輸送帶的所有種粒的單幀圖像，且可保證下一幀采集前上一幀已處理完畢。由此排種器勻速轉動，逐次喂出種粒，輸送帶勻速前行，等間距地接收各次喂入的種粒，并依次輸送至圖像采集區域，最后通過定時圖像采集和處理，實現各次喂入種粒的動態圖像檢測。

圖4 圖像動態檢測方案Fig.4 Image dynamic detection scheme

圖5 種粒樣本圖Fig.5 Color images of samples of corn seed

3.3 種粒樣本外觀特征

觀察金博士鄭單958種粒樣本，如圖5所示，主要包括常見型、尖端附著深色紅衣的合格種粒以及小型、圓形、尖端輕度蟲蝕、破損或嚴重蟲蝕、輕度暗黃色霉變、中度紅色霉變和深度灰黑色霉變的不合格種粒，且視尖端露黑色胚部種粒為不合格種粒。此外還包括粘連種粒，一旦判斷發生粘連，不進行后續檢測，對粘連種粒全部吹除。

如圖6所示，分析種粒形態特征，Pa為尖端頂點，Po為形心，PaPb為長軸，PcPd為短軸，PaPcPbPd為輪廓曲線，RaRbRcRd為長軸方向外接矩形(記其面積為ST)，長短軸及其延長線將種粒區域和矩形RaRbRcRd均劃分為4個子區域，種粒子區域分別為尖端左側和右側以及寬端左側和右側，如圖中水平、垂直、右斜、左斜虛線覆蓋區域，記其面積依次為S1、S2、S3、S4，矩形子區域分別為RaPaPoP′c、PaRbP′dPo、P′cPoP′bRd、PoP′dRcP′b，記其面積依次為ST1、ST2、ST3、ST4。此外，矩形P′cP′dRcRd內除去種粒區域之外部分稱為底部間隙區，如圖中陰影部分，則其面積為

Sg=ST3+ST4-S3-S4

(1)

式中Sg——底部間隙區域面積

分析常見型種粒顏色特征，可將種粒分為黃色和白色胚區域，記其面積和形心分別為Sy和Sw以及Poy和Pow，長軸又將其劃分為4個區域：黃色區域左、右側和白色胚區域左、右側，記其面積依次為Sy1、Sy2、Sw1、Sw2，|PaPGL|為長軸上白色胚像素數，若種粒發生霉變、蟲蝕等，導致外觀顏色發生改變，則還存在變色區域。

圖6 正常種粒外觀特征示意圖Fig.6 Schematic diagrams of corn seed appearance characteristics1.長軸方向外接矩形 2.長軸 3.輪廓 4.短軸 5.白色胚區域 6.黃色區域

3.4 圖像檢測算法

3.4.1 基于RGB特征的種粒各顏色區域分割

在ImageSys平臺上分析不同種粒圖像的顏色特征，如圖7a～7h所示，左側為種粒彩色圖像，各圖像上均標有一段通過不同顏色特征區域的剖線軌跡，右側為原彩色圖像在剖線位置處的RGB像素分布情況，縱坐標表示像素值，橫坐標表示剖線上的坐標位置，其中剖線上部端點為起點。

圖7 不同種粒顏色特征區域在剖線上的RGB像素分布圖Fig.7 RGB pixel distributions of different color areas of corn seed on hatching line

觀察圖7a、7c和圖7e～7h可知，背景區域的R、G、B分量分布較平坦，取值均較小，種粒區域相對背景區域，R值變化最明顯，故選取R幀灰度圖像獲取種粒區域，另外，相對種粒其他區域，深色紅衣區域、霉變區域R值偏小，但略大于背景區域，而輕度蟲蝕破孔區域的R值雖也偏小，但由于位于種粒內部，并不影響種粒區域的邊緣提取。由此，若設背景區域的R幀像素最大值為Ram，則以閾值Ram分割種粒R幀灰度圖像，補洞填充蟲蝕破孔區域后，再進行腐蝕膨脹、200像素去噪等處理，可獲得種粒區域二值圖像(記為Ma)。對于Ram的取值，采集若干幀背景樣本圖像，針對R幀灰度圖像，利用ImageSys平臺分析并計算背景區域的R幀像素最大值，測得Ram=30。

觀察圖7b～7h可知，種粒黃色區域和尖端深色紅衣區域的R值大于B、G值，且黃色區域G值遠大于50，而深色紅衣區域G值趨近50；種粒其他區域的R值、B值較接近，略大于G值，而背景區域的R值、G值較接近，均小于B值。由此，針對原彩色圖像的每個像素點，進行如下計算：若R>B且G>50，則計算2R-G-B值，若R>B且G≤50或R≤B，則計算R+G-2B值。若計算值大于255，則令其為255，若計算值小于0，則令其為0，得到黃色區域加強后的灰度圖像，進行大津法二值化，100像素去噪、膨脹腐蝕、補洞等處理后，獲得黃色區域的二值圖像(記為My)。此外，分別針對R、G、B幀灰度圖像，分析并計算黃色區域的像素平均值(依次記為Rym、Gym、Bym)和標準差(記為Ryd、Gyd、Byd)。

觀察圖7b和圖7e～7h可知，種粒白色區域相對黃色區域，B值和G值偏大，B值尤為明顯，R值變化不明顯，相對變色區域，R、G、B值均偏大，且白色區域的R、G、B均值大于或接近100，而變色區域小于100。此外，將尖端深色紅衣區域列入白色區域，觀察圖7c、7e～7h可知，深色紅衣區域R>B，G≤50且2R-G-B差值較明顯，而其他變色區域2R-G-B值較小，接近0。將圖像Ma補洞后，與My差分，100像素去噪、補洞等處理后，獲得種粒非黃色區域(稱為準白色區域)的二值圖像(記為Mq)。設Tm=(R+G+B)/3，Td=2Rym-Gym-Bym，基于上述分析，若原彩色圖像上準白色區域中像素點滿足R≥Rym，G>Gym+Gyd且B>Bym+Byd，或者Tm≥100，或者滿足R>B，G≤50且2R-G-B>Td/2，則保持圖像Mq中對應像素點處的值不變，否則將其值置為背景像素值，由此找到種粒正常白色區域，腐蝕膨脹、50像素去噪后獲得其二值圖像(記為Mw)。將圖像Mq與Mw差分，獲得種粒變色區域的二值圖像(記為Mm)。

3.4.2 檢測指標及不合格種粒判斷

(1)主要檢測指標

基于本課題組前期研究方法[27]以及上述處理所獲得的種粒各顏色區域的二值圖像Ma、My、Mw、Mm，針對單個種粒區域，結合前述3.3節所述種粒外觀特征，按序檢測如表1所示指標參數。

表1 主要檢測指標Tab.1 Main test indicators

(2)不合格種粒的判斷

針對尖端露黑色胚部、小型、圓形、蟲蝕、破損、霉變以上不合格種粒，分析其特征，獲得判斷各自合格性所依據的檢測指標數如表2所示。

(3)粘連種粒的判斷

圖9中輪廓線1為圖5k中粘連種粒的輪廓，如圖9a所示，Pi、Pj為輪廓線上任意兩點，Pa、Pb分別為粘連處附近的兩分界點，設Pi、Pj間直線距離為Li-j，順時針和逆時針沿輪廓線的距離分別為Lijc、Lijac，且設Lij=min(Lijc，Lijac)，Rij=Lij/Li-j，記Rij為粘連性判斷參數，設其編號為21。觀察可知，若為粘連種粒，則在粘連處附近Rab值較大，若為單個種粒，則輪廓線上任意兩點的Rij值均較小。由此，先確定輪廓形心Po，再找到離Po最近的點Pm1(若為粘連種粒，則該點為粘連處附近的點)，然后以點Pm1為基準點，尋找輪廓線上滿足Rm1m2>R0(R0為判斷閾值)的另一點Pm2，若存在滿足條件的點，則可判斷為粘連種粒，否則為單個種粒，如圖9b所示。

表2 不合格種粒特征分析及其判斷指標Tab.2 Characteristics analysis and judging indicators of unqualified corn seed

圖8 種粒形態特征偏移示意圖Fig.8 Schematic diagrams of offset morphological characteristics of corn seed

4 試驗與結果分析

4.1 種粒顏色區域分割及形態特征檢測結果

圖9 粘連種粒判斷示意圖Fig.9 Schematic diagrams of adhesive seed judgment

圖10 圖5中各右側種粒Ma圖像Fig.10 Processing result images of Ma for each seed on the right of images in Fig.5

針對圖像5a～5j中右側各種粒，獲得各自對應的Ma、My、Mw圖像，如圖10～12所示，并將尖端點、長短軸、長軸方向外接矩形等關鍵形態特征檢測結果標識于各自原彩色圖像中，如圖13所示，其中小圈圓心表示檢測到的尖端點。結果顯示，種粒區域、種粒黃色區域、種粒正常白色區域被很好地提取出來，同時圖12c顯示尖端深色紅衣區域也被有效地提取并列入正常白色區域之內，圖13a、13b、13d、13f、13h～13j中尖端點、長短軸、長軸方向外界矩形均檢測準確，圖13c、13g中檢測結果顯示尖端露黑色胚部和尖端破損種粒的形態特征發生了偏移，圖13e中檢測到圓形種粒的尖端點等形態特征隨機無規律。

圖11 圖5中各右側種粒My圖像Fig.11 Processing result images of My for each seed on the right of images in Fig.5

圖12 圖5中各右側種粒Mw圖像Fig.12 Processing result images of Mw for each seed on the right of images in Fig.5

圖13 圖5中各右側種粒形態特征檢測結果Fig.13 Detecting result diagrams of seed morphological characteristics on the right of images in Fig.5

4.2 指標參數合格范圍確定

觀察金博士鄭單958合格種粒樣本，據其形態尺寸，可分為較長較寬種粒、中等尺寸種粒、較短較寬種粒和較窄種粒4類，從中選取合格種粒200粒，各類50粒，測量各種粒的各指標參數，確定最大、最小值，初步統計其范圍，再隨機選取大量合格種粒，反復測試和微調該統計范圍，最終獲得表3中指標1～20的合格范圍。

確定粘連性判斷參數Rij時，先單獨測量上述200粒，獲得其中最大Rij值，記為R1max，測得R1max為2.62，然后4類種粒各取20粒，各類內部隨機組合為10對粘連籽粒，隨后將每類剩余30粒隨機平分為3組，共計12組，并以組為單位，類間兩兩組合，合成6組，然后每組類間隨機組合為10對粘連種粒，測量以上共10組100對粘連種粒，并獲得其中最小Rij值，記為R2min，測得R2min為3.58，由此設置

R0=(R2min+R1max)/2=3.10

(2)

式中R0——粘連性判斷閾值

隨機選取若干合格種粒進行驗證，結果表明設置合理。

測得圖5a、5b中右側種粒的各指標參數值依次為：290、5 372、0.054、0.80、0.45、0.74、101、63、1.60、1.14、0.92、1.14、1.01、0.76、0.77、0.67、0.81、0.88、335、0.73、2.31和308、5784、0.053、0.77、0.72、0.53、109、64、1.70、1.24、0.93、1.13、0.92、0.75、0.76、0.65、0.83、0.89、387、0.32、2.44，均在表3范圍內。

4.3 不合格種粒檢測結果

(1)尖端露黑色胚部種粒檢測

測得圖5c中右側種粒的各指標參數值依次如下：251、4 092、0.061、0.82、0.89、0.35、81、67、1.21、1.43、0.88、0、0.99、0.68、0.77、0.57、0.67、0.83、585、0、2.03。結合表3可知，由于該種粒尖端點等形態特征發生偏移，檢測到其長軸偏短，尖端不對稱，長軸兩側白色胚區域面積不對稱，總矩形度偏低以及底部間隙區域偏大，不滿足表3所示范圍。

(2)小型、圓形種粒檢測

測得圖5d～5e中右側種粒的各指標參數值依次如下：233、3 476、0.067、0.80、0.49、0.84、79、55、1.44、1.03、0.98、0.99、1.17、0.74、0.72、0.65、0.84、0.86、316、0.77、2.11和247、4176、0.059、0.86、0.86、0、75、68、1.10、1.08、0.94、0、1.01、0.74、0.76、0.70、0.79、0.84、567、0、1.84。結合表3可知，檢測到小種粒的周長、面積、長軸長偏小，且其周長面積比偏大，檢測到圓形種粒的圓形度偏大，伸長度偏小，準白色區域正常白色占比和長軸兩側白色胚區域面積對稱度均不正常，且其周長、面積、長軸長均偏小。均不滿足表3所示范圍。

表3 合格種粒指標參數范圍Tab.3 Acceptable range of indicator parameters of qualified corn seed

注：編號1、2、7、8、19的指標單位為像素數。

(3)蟲蝕、破損種粒檢測

測得圖5f～5g中右側種粒的各指標參數值依次如下：282、5 088、0.056、0.80、0.50、0.44、93、67、1.39、1.21、0.97、1.48、0.83、0.77、0.80、0.66、0.84、0.86、226、0.67、2.14和289、5472、0.053、0.82、0.49、0.70、95、73、1.30、1.00、1.06、0.55、2.02、0.71、0.66、0.66、0.82、0.78、572、0.72、1.95。結合表3可知，檢測到尖端輕度蟲蝕破孔種粒的正常白色占比偏小，而尖端輕度破損種粒，其形態特征發生偏移，雖未造成面積、周長面積比、對稱度、矩形度、黃色區域占比等參數的不正常化，但是其底部間隙區域增大，不滿足表3所示范圍。

(4)霉變種粒檢測

測得圖5h～5j中右側種粒的各指標參數值依次如下：276、4 824、0.057、0.80、0.50、0.31、89、69、1.29、0.94、1.08、1.11、0.96、0.76、0.71、0.75、0.88、0.82、93、0.74、1.88；233、3 404、0.068、0.79、0.59、0.13、77、55、1.40、1.10、1.03、0.71、1.26、0.74、0.73、0.67、0.86、0.83、145、0.39、2.14；254、3 844、0.066、0.75、0.34、0.15、85、55、1.55、1.02、1.06、1.54、0.59、0.71、0.63、0.61、0.87、0.82、76、0.85、2.34。結合表3可知，3粒霉變種粒的黃色區域占比和正常白色占比均偏小，均不滿足表3所示范圍。此外，該中度紅色霉變種粒為小種粒，其周長、面積、周長面積比和長軸長均偏小，該深度灰黑色霉變種粒也為小種粒，其面積、周長面積比偏小。

(5)粘連種粒檢測

針對圖5k中粘連種粒，測得Rij=6.55，結合表3可判斷為粘連種粒，符合實際情況。

4.4 試驗結果分析

所研制的裝置樣機如圖14所示。使用臺州市奧突斯工貿有限公司的OTS-750型無油空氣壓縮系統，壓力可手動調節，試驗中設置氣吹壓力為105Pa，氣流量為10 m3/h。試驗中使用足量無包衣的金博士鄭單958成品種子。

圖14 裝置樣機Fig.14 Device prototype

測得單次圖像處理時間滿足t0≤250 ms，結合3.2節，設置如下系統運行參數：設置排種器喂種速率為1次/s，輸送速度為70 mm/s，種粒喂入中心與圖像采集中心間距為280 mm，圖像采集中心與吹除工位間距為140 mm，圖像采集間隔時間為1 s。

啟動系統運行1 800個周期，即排種器排種1 800次，其中1 513次喂出單粒，204次喂出多粒不重疊或重疊合格種粒，15次喂出重疊不合格種粒，68次喂出粘連種粒。其中重疊不合格和粘連種粒直接吹除，剩余喂入輸送帶共計1 982粒種子(符合定向播種1 385粒)。測試得：1 982粒種子合格性檢測準確率為96%、68次粘連性檢測準確率為99%、裝置吹除有效率為98%。裝置運行產生誤差的主要原因及后期改進方法：

(1)合格性檢測誤差。主要原因：本算法只檢測種粒單面，通常小型、圓形、霉變、破損和重度蟲蝕種粒兩面情況一致，但是少數尖端輕度蟲蝕種粒，僅在胚芽正面尖端存在微小孔洞，且少數露黑色胚部種粒，僅在胚芽反面能觀察到黑色胚部，由此當其正常面朝上時，造成檢測誤差。該裝置適用于與金博士鄭單958具有相似形態尺寸和顏色特征的種粒精選，且僅適用于單面不合格較少的情況，若單面不合格較多，可增設翻面裝置，進行雙面檢測。

(2)粘連性判斷誤差。主要原因：部分種粒破損嚴重，僅殘留一小塊，或者種粒本身異常微小，貼附于其他種粒周圍，粘連性判斷參數值偏小，導致誤判為單個種粒。后期可考慮優化喂料裝置，保證單次只喂出單粒，則種粒粘連性、重疊性檢測可省去，吹除方案也將大大簡化。

(3)吹除有效率誤差。主要原因：少數圓形種粒從圖像采集區域輸送至吹除工位過程中，相對輸送帶產生了滯后滾動位移，導致吹除時刻到來時種粒未到位，造成吹除失敗。可考慮將吹除裝置前移，使吹除工位位于圖像采集區域，圖像檢測為不合格種粒后，立馬啟動吹除裝置吹除。

5 結論

(1)設計了玉米種粒動態圖像精選裝置，主要包括喂料裝置、輸送裝置、圖像采集處理裝置、吹除裝置，能在線實時精選出適于定向播種的合格種粒，為后續定向播種提供條件。

(2)設計了不合格種粒吹除裝置及吹除方案，基于種粒合格性、重疊性和粘連性以及吹除工位有效吹除長度，確定單次待吹除種粒區間，根據是否單次全吹除、待吹除區間中心或待吹除與非吹除之間中心與吹除工位的距離以及輸送速度確定吹除時刻，試驗表明，該吹除方案吹除有效率為98%。

(3)設計了種粒動態檢測方案及圖像精選算法，基于圖像處理技術分析種粒圖像R、G、B顏色特征，據此分割種粒區域、種粒黃色區域、正常白色區域以及變色區域，依據周長、面積等20個檢測指標判斷尖端露黑色胚部、小型、圓形、蟲蝕破損、霉變等不符合定向播種種粒的合格性，依據種粒粘連處附近兩分界點沿輪廓線較近一側的距離與兩分界點間直線距離之比，大于單一種粒輪廓線上任意兩點的對應值，由此判斷種粒粘連性。試驗表明種粒合格性檢測準確率為96%，粘連性判斷準確率為99%。

1 凌云.基于機器視覺的谷物外觀品質檢測技術研究[D].北京:中國農業大學,2004. LING Yun. Research on detection technology of grain appearance quality based on machine vision[D]. Beijing: China Agricultural University, 2004. (in Chinese)

2 張新偉.玉米種子內部機械裂紋特征與識別研究[D].沈陽:沈陽農業大學,2012. ZHANG Xinwei. Research on characteristics and recognition of internal mechanical crack in corn seeds[D]. Shenyang: Shenyang Agricultural University, 2012. (in Chinese)

3 孫群,王慶,薛衛青,等.無損檢測技術在種子質量檢驗上的應用研究進展[J].中國農業大學學報,2012,17(3):1-6. SUN Qun, WANG Qing, XUE Weiqing, et al. Advances in nondestructive detection of seed quality[J]. Journal of China Agricultural University, 2012, 17(3): 1-6. (in Chinese)

4 鄭小東,王杰.機器視覺在玉米籽粒品質檢測中的應用研究[J].中國糧油學報,2013,28(4):124-128. ZHENG Xiaodong, WANG Jie. Application of computer vision in corn grain quality detection[J]. Journal of the Chinese Cereals and Oils Association, 2013, 28(4): 124-128. (in Chinese)

5 曹維時.基于小波變換和人工神經網絡的玉米種子純度識別[D].泰安:山東農業大學,2014. CAO Weishi. Maize purity identification based on wavelet transform and artificial neural network[D]. Taian: Shandong Agricultural University, 2014. (in Chinese)

6 ZAYAS I, CONVERSE H, STEELE J. Discrimination of whole from broken corn kernels with image analysis[J]. Transactions of the ASAE,1990,33(5):1642-1646.

7 LIAO K, PAULSEN M R, REID J F, et al. Corn kernel breakage classification by machine vision using a neural network classifier[J]. Transactions of the ASAE,1994,36(6):1949-1953.

8 STEENHOEK L, MISRA M, BATCHELOR W, et al. Probabilistic neural networks for segmentation of features in corn kernel images[C]∥1999 ASAE Annual International Meeting, ASAE Paper 993198,1999.

9 STEENHOEK L , MISRA M, HURBURGH C R, et al. Implementing a computer vision system for corn kernel damage evaluation[C]∥1999 ASAE Annual International Meeting, ASAE Paper 993199,1999.

10 LIAO K, REIDJ J, NI B, et al. Corn kernel shape identification by machine vision using a neural network classifier[C]∥ASAE Paper 92-7017,1992.

11 NI B, PAULSEN M R, REID J F. Corn kernel crown shape identification using image processing[J]. Transactions of the ASAE,1997,40(3):833-838.

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

13 FLOYD C D, ROONEY L W, BOCKHOLT A J. Measuring desirable and undesirable color in white and yellow food corn [J]. Cereal Chemistry, 1995, 72(5): 488-490.

14 趙敏.基于機器視覺的玉米品質檢測[D].長春:吉林大學,2012. ZHAO Min. Detection of the maize qualities based on machine vision technology[D]. Changchun: Jilin University,2012. (in Chinese)

15 楊蜀秦.農作物籽粒的圖像處理和識別方法研究[D].楊凌:西北農林科技大學,2012. YANG Shuqin. The research of image processing and identification method for crop’s kernels[D]. Yangling: Northwest A&F University, 2012. (in Chinese)

16 張俊雄，荀一，李偉. 基于形態特征的玉米種子表面裂紋檢測方法[J].光學精密工程, 2007,15(6)：951-956. ZHANG Junxiong, XUN Yi, LI Wei. Detection of surface cracks of corn kernel based on morphology[J]. Optics and Precision Engineering, 2007,15(6)：951-956. (in Chinese)

17 王盼.基于機器視覺和優化DBSCAN的玉米種子純度識別[D].泰安:山東農業大學,2012. WANG Pan. Maize purity identification based on machine vision and improved DBSCAN algorithm[D]. Taian: Shandong Agricultural University, 2012.(in Chinese)

18 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. YANG Jinzhong, HAO Jianping, DU Tianqing, et al. Discrimination of numerous maize cultivars based on seed image process[J]. Acta Agronomica Sinica, 2008, 34(6): 1069-1073. (in Chinese)

19 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. ZHA Jianwen, CHEN Yongyan. Recognition system for corn species by exterior parameters[J]. Transactions of the Chinese Society for Agricultural Machinery, 2004,35(6):115-118. (in Chinese)

20 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分析及其分類研究[J].中國農業科學,2008,41(4):994-1002. HAO Jianping, YANG Jinzhong, DU Tianqing, et al. A study on basic morphologic information and classification of maize cultivars based on seed Image process[J]. Scientia Agricultura Sinica, 2008, 41(4):994-1002. (in Chinese)

21 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. WANG Yuliang. Study on varieties identification and detection of maize seeds based on machine vision[D]. Taian: Shandong Agricultural University, 2008. (in Chinese)

22 鄭敏江.基于數字圖像處理的玉米種子質量分級方法研究[D].武漢:武漢理工大學,2009. ZHENG Minjiang. Research about quality grading of corn seeds based on digital image processing[D]. Wuhan: Wuhan University of Technology, 2009. (in Chinese)

23 王玉亮,劉賢喜,舒慶堂,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 Yuliang, LIU Xianxi, SHU Qingtang, et al. Maize seeds varieties identification based on multi-object feature extraction and optimized neural network[J].Transactions of the CSAE, 2010,26(6):199-204. (in Chinese)

24 李奔,吉海彥.基于圖像顏色特征的玉米種子神經網絡分類研究[J].儀器儀表學報,2011,32(增刊): 301-304. LI Ben, JI Haiyan. Study on the neural network classification of corn seed images based on color characteristics[J]. Chinese Journal of Scientific Instrument, 2011,32(Supp.):301-304. (in Chinese)

25 宋鵬,張俊雄,荀一,等.玉米種子自動精選系統開發[J].農業工程學報,2010,26(9):124-127. SONG Peng, ZHANG Junxiong, XUN Yi, et al. Development of automatic inspection system of corn seeds[J].Transactions of the CSAE,2010,26(9):124-127. (in Chinese)

26 付威,李樹峰,孫嘉憶,等.強制夾持式玉米精量排種器的設計[J].農業工程學報,2011,27(12):38-42. FU Wei, LI Shufeng, SUN Jiayi, et al. Design of compulsory clamp-type precision seed-metering device for corn[J]. Transactions of the CSAE, 2011, 27(12): 38-42. (in Chinese)

27 劉長青,陳兵旗,張新會,等.玉米定向精播種粒形態與品質動態檢測方法[J/OL].農業機械學報,2015,46(9):47-54.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150907&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2015.09.007. LIU Changqing, CHEN Bingqi, ZHANG Xinhui, et al. Dynamic detection of corn seeds for directional precision seeding[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 47-54.(in Chinese)

Machine Vision-based Selection Machine of Corn Seed Used for Directional Seeding

WANG Qiao1CHEN Bingqi1ZHU Deli1,2LIANGXI Huizi1,3DAI He1CHEN Hongmi1

(1.CollegeofEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.CollegeofComputerandInformation,ChongqingNormalUniversity,Chongqing400047,China3.CollegeofMechanicalandElectricalEngineering,ShiheziUniversity,Shihezi832003,China)

In order to meet the requirements for corn seed from directional seeding, a kind of corn seed dynamic selection machine was developed based on image processing technology. Firstly, the composition and working principle of this machine were introduced, and the device of blowing unqualified corn seed as well as its method of completing the blowing was designed. Also the dynamic detection method of corn seed images was developed. And then through the analysis of RGB color feature of these images, the extracting solution of the whole seed area and different color areas of seed in a corn seed image was obtained successively. Meanwhile, combined with the analysis of corn seed morphological characteristics, totally 20 detection indicators were set up to describe the eligibility of corn seed, such as perimeter, area, long axis, short axis. And the acceptable range of above indicators was determined through test statistics. In view of the above, the eligibility judgment methods of the following types of seed were analyzed respectively and executed successfully: seed with black embryo exposed in the tip, small seed, round seed, worm-eaten and damaged seed, moldy seed and other seed which did not conform to directional seeding. Furthermore, two points on contour line near two joints of adhesive seed were obtained, and it can be found that the ratio of the shorter distance of them along the contour line to the linear distance of them was larger than the corresponding value of any two points on the contour line of a single seed, which according to the adhesive seed can be detected. In the experiment, the results showed that the eligibility detection accuracy of corn seed was 96%, the judgment accuracy of adhesive seed was 99%, and the efficiency of blowing unqualified corn seed was 98%.

corn seed; selection; image processing; directional seeding

10.6041/j.issn.1000-1298.2017.02.004

2016-10-20

2016-12-10

國家高技術研究發展計劃(863計劃)項目(2012AA10A501-5)、重慶青年人才計劃項目(cstc2013kjrc-qnrc40001)、重慶市前沿與應用基礎研究計劃項目(cstc2013jcyjA80013)和重慶市教委科技計劃項目(KJ1500321)

王僑(1986—)，女，博士生，主要從事玉米圖像精選與定向播種技術研究，E-mail： tianlan12222@126.com

陳兵旗(1964—)，男，教授，博士生導師，主要從事圖像處理與機器視覺研究，E-mail： fbcbq@163.com

TP391

A

1000-1298(2017)02-0027-11