基于計算機視覺的玉米種子形態識別測量

劉　梅

(河南牧業經濟學院，鄭州　450011)

0　引言

種子是作物后期正常生長的前提，在農業生產中發揮著不可替代的作用。因此，種子質量和種子安全都是各國政府一直以來高度重視的問題，并針對種子的生產、檢驗和分選等過程制定了一系列的標準。國際種子檢測標準協會提出，種子的質量包括純度、凈度、健康度和一致性等。種子的一致性包括品質、形態和顏色特征方面，形態特征和顏色特征為外觀性狀，是品質這一內部性狀的外在表現。一般情況下，同一個果穗產生的種子一致性較差，而來自不同果穗的相同部位的種子一致性則較高。

采用具有高度一致性的種子播種，不僅可以取得節約用種量和出苗整齊的效果，還可以提高后期機械化作業的程度，從而降低生產成本[1]。因此，農作物種子的一致性對于提高農業生產的自動化水平、實現農業的可持續發展具有重要意義。要提高種子的一致性，則必須識別并清除發生裂變、霉變和畸形的種子，需要通過對種子的精選和分級來完成。傳統的清選方法只能保證種子的凈度和健康度，且效率太低，面對個體小和數量龐大的種子時不能適用。受技術條件的限制，對某些物種的種子曾經采用過人工進行識別。該方法雖然簡單，但是效率很低，同時識別結果受主觀因素影響較大，當種子體積很小時會極大地增加識別的難度。

科學的發展推動了技術進步，人們開發出了多種種子自動檢測分級的方法，使得種子的快速清選成為可能。例如，利用近紅外傳感器可以檢測種子的含水量和蛋白質含量，計算機視覺可以分析谷物類種子的外觀形狀和顏色特征。計算機視覺是隨著計算機和信息處理技術發展起來的，在20世紀60年代開始被作為一門學科進行研究；在80年代取得重要進展并開始廣泛應用，最初的用途是控制機器人采摘水果。計算機視覺是利用計算機和輔助設備模擬生物視覺，采集圖像進行處理分析后獲取目標信息。計算機視覺在國民生產和科學研究的各個領域都有著廣泛的用途，其在農業中的應用包括農產品的分級檢測和采摘、雜草的識別、農業機械路徑識別等[2-6]。

得益于快速的圖像信息處理速度和精準的識別能力，計算機視覺成為目前種子精選分級方面研究最多的技術，適用的作物種類也較為廣泛。荀一等人以計算機視覺的動態監測技術為基礎，設計了一種針對粒形種子的精選分級自動系統的樣機，試驗結果表明：在15粒/s的處理速度下，其對玉米種子的分級合格率達到90%[7]。王艷春等人研究了計算機視覺對黃頂菊種子的識別方法，通過驗證篩選出了作為種子大小指標的直徑和周長，以及反映種子形狀特征的圓形度和矩形度這4個指標，用以為種子的自動識別提供基礎[8]。

玉米是我國的三大糧食作物之一，在某些年份還是我國產量最高的糧食作物，2016年我國的玉米產量有所下降，但仍然接近2.2億t。玉米的用途廣泛，既可以加工成各種直接食用的食品，還能用于提取食用油及作為動物飼料，具有很高的營養價值和經濟價值。玉米育種的意義不言而喻，玉米種子的精選分級也是我國玉米高產穩產的重要保證。在對玉米種子進行精選方面，張俊雄等建立了一種針對表面裂紋的籽粒形態特征檢測方法，對兩個品種玉米種子的裂紋識別準確率都超過了90%[9]。李廣偉等人將計算機視覺技術應用在玉米種子的切片取樣裝置上，實現了對種子姿態的準確調整[10]。通過計算機視覺技術對玉米種子進行檢測，還可以追溯種子來源，鑒別品種的種類，為種子的質量提供保障[11-13]。

本文基于計算機視覺技術，建立了一種玉米種子的形態識別測量方法和系統。該系統利用掃描設備獲取種子圖像，傳入計算機中用軟件分析處理。在各種形態學參數中，首先分別選擇面積和圓形度作為識別玉米種子大小和形狀的參數；然后根據種子大小和形狀劃分級別，并通過試驗對該系統和方法的適用性進行驗證，為玉米種子實時準確的精選分級提供技術支持。

1　系統的組成

系統硬件由掃描儀和與其連接的計算機組成，如圖1所示。掃描儀為MICROTEK ScanMaker 800型，帶有白色冷陰極燈，光學分辨率800×1600dpi，48位色彩深度，掃描范圍305mm×432mm，單幅圖像的掃描時間為18s。其掃描速度連續一致，光照強度穩定，成像清晰。采用USB2.0高速接口與計算機連接，掃描獲得的圖像可以用各種軟件進行編輯。計算機為聯想T4900C型臺式電腦，安裝Intel i5型中央處理器，4G內存和集成顯卡。

圖1　系統的硬件組成

計算機裝載Windows10操作系統，處理圖像的視覺軟件為MatLab工具箱中的Computer Vision System Toolbox。該工具箱可以為視覺和視頻的處理提供算法，執行特征檢測、目標提取及匹配跟蹤，特別適用于物體識別和圖像檢索，且性能穩定，運算速度快。

2　圖像的處理

2.1圖像的預處理

掃描得到的圖像在計算機中用MatLab工具箱進行處理分析，為了提高種子輪廓的提取質量，首先對圖像做預處理，包括圖像灰度化和圖像平滑。掃描的玉米種子原始圖像中，目標為淺黃色和白色，背景完全為黑色，不存在能對目標識別造成干擾的其它顏色，因此對圖像的色彩處理沒有特殊要求。根據實際情況，采用RGB顏色空間對圖像進行分析，取R、G、B這3個分量的加權平均數作為灰度化值。掃描過程中種子處于靜止的狀態，且光照強度保持不變，圖像的噪音較小。對此，采用了較為簡單的3×3窗口中值濾波法對圖像完成平滑處理。選擇一幅代表性的圖片進行分析，預處理結果如圖2所示。

圖2　圖像的預處理

2.2圖像分割

對玉米種子圖像的分割是形態識別測量的關鍵步驟，分割質量對種子的識別及參數測量分級的準確率有著重要影響。首先建立灰度化的直方圖，表明目標種子區域與背景之間存在著明顯的差異；從直方圖中獲得分割閾值，并以此對灰度化的二值圖像進行閾值分割。以圖3為代表，通過雙峰法測試所得的最佳閾值為56.3，表現出很好的分割效果。

圖3　圖像的分割

2.3種子分級

經過圖像分割，每個空白的目標區域代表一粒種子，目標區域的形狀特征即每粒種子的形態特征。根據玉米種子的具體形態，本文選擇面積和圓形度分別作為識別玉米種子大小和形狀的參數。其中，面積為代表種子的目標區域覆蓋的像素點個數，圓形度為目標區域面積乘以4π再除以周長的平方。根據設定的參數閾值，將種子按照面積分為大粒和小粒，按照圓形度分為圓粒和扁粒。因此，最終將玉米種子劃分為大圓、大扁、小扁和小圓共4個等級，圖中分別用代號1、2、3、4表示。通過區域標記法，將每粒種子對應的識別區域提取出來，進行上述的特征參數計算，對每粒種子分級后輸出結果，如圖4所示。在掃描儀面板鋪滿種子的情況下，系統處理單幅圖像的整個過程耗時2s，遠遠少于單幅圖像的掃描時間18s，不會對這個系統的速度造成影響。

圖4　種子的分極

3　試驗結果與分析

3.1試驗設計

選擇農華101和登海605這兩個在華北地區廣泛種植的玉米品種種子用于試驗，每個品種取100粒種子，來自于用一個果穗。不同等級的種子一般都來自于果穗的不同部位，4個等級種子在果穗上從尾部到頭部的分布依次是大圓粒、大扁粒、小扁粒和小圓粒，如圖5所示。將果穗按照圖5所示分段脫粒，從每段的種子中各選擇25粒代表該段形態特征的種子分別標記，然后用該系統和方法分級，評價分級的準確率。之前對本果穗上所有種子的測量結果表明：種子的面積均值為11 683像素點，圓形度均值為0.64，以這兩個均值為閾值劃分大小粒和圓扁粒。

圖5　各級種子在玉米果穗上的分布

3.2試驗結果和分析

試驗結果如表1所示。由表1可以看出：使用該形態識別測量方法對大圓粒的識別準確率為96%，有1粒被誤判為大扁；對大扁粒的識別準確率為92%，有2粒被誤判為大圓；對小扁粒的識別準確率為88%，分別有1粒和2粒被誤判為大扁和小圓；對小圓粒的識別準確率為92%，分別有1粒被誤判為大圓和小扁。對種子大小的識別準確率為98%，對圓扁的識別準確率相對較低，為96%。從整體來看，該方法對玉米種子形態的識別測量具有很高的準確度，能夠滿足自動分級的要求。

表1　形態識別的準確率

4　結論

基于計算機視覺技術，建立了一種玉米種子的形態識別測量方法和系統。該系統通過掃描獲取種子圖像，傳入計算機中進行預處理和圖像分割，提取單粒種子的圖像；然后以面積和圓形度為參數，將種子劃分為4個等級并輸出結果。在掃描儀面板鋪滿種子的情況下，系統處理單幅圖像的整個過程僅耗時2s。在驗證試驗中，該系統對種子大小的識別準確率為98%，對圓扁的識別準確率為96%，表現出很高的精準度，能夠滿足自動分級的要求，可以應用到玉米種子的自動化精選裝置上。

目前已經報道的利用計算機視覺識別玉米種子形態的研究較多，與之前的研究相比，本系統的創新在于用掃描儀代替相機來獲取種子圖像。在面板鋪滿種子的情況下，掃描儀一次可以掃描上百粒種子，分析的通量大。同時，由于光照強度穩定，種子的位置較近，提高了成像的質量，便于后續的精確處理分析。另外，在參考相關研究的基礎上，本文僅選擇了兩個代表性的特征值作為分級參數，減少了分析過程中的計算量，有利于在實時分級裝置中的應用。

參考文獻：

[1]荀一，蔡衛國，李偉. 谷物種子精選自動化系統研究[J]. 高技術通訊，2006,16(3):267-270.

[2]李慶中，汪懋華. 基于計算機視覺的水果實時分級技術發展與展望[J].農業機械學報，1999,30(6):1-7.

[3]楊國彬，趙杰文，向忠平. 利用計算機視覺對自然背景下西紅柿進行判別[J].農機化研究，2003(1):60-62.

[4]王樹文，張長利，房俊龍.應用計算機視覺對番茄損傷分類的研究[J].東北農業大學學報，2006,37(2):215-218.

[5]毛文華，王一鳴，張小超，等.基于機器視覺的田間雜草識別技術研究進展[J].農業工程學報，2004,20(5):43-46.

[6]周俊，姬長英. 基于知識的視覺導航農業機器人行走路徑識別[J]. 農業工程學報，2003,19(6):101-105.

[7]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.

[8]王艷春，遲勝起，鄭長英. 黃頂菊種子的圖像分割及特征提取[J]. 青島農業大學學報：自然科學版，2010, 27(4):325-329.

[9]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.

[10]李廣偉，谷侃鋒，趙明揚. 育種用玉米種子切片取樣自動定向方法與試驗[J]. 農業工程學報，2016, 32(4):40-47.

[11]劉中合.基于計算機視覺的玉米種子特征提取及應用研究[D].泰安：山東農業大學，2007.

[12]王玉亮.基于及其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.

[13]高旭.基于圖像識別技術的玉米種子品種識別研究[D].保定：河北農業大學，2012.