基于特征數(shù)據(jù)的水稻種子分類識(shí)別方法

黃瓊　楊紅云　萬(wàn)穎

摘要： 針對(duì)水稻種子相似度高、識(shí)別困難等問(wèn)題，提出一種線性判別分析（Linear discriminant analysis，LDA）和貝葉斯分類（Bayes）相結(jié)合的分類識(shí)別方法，以提高水稻種子分類識(shí)別速度和識(shí)別準(zhǔn)確率。通過(guò)對(duì)4類水稻種子（楚粳7號(hào)、馬壩油粘、玉楊糯、玉針香）的圖像進(jìn)行裁剪和分割等預(yù)處理操作，提取出水稻種子圖像的顏色特征、幾何特征和紋理特征。利用線性判別分析、主成分分析、因子分析和局部線性嵌入對(duì)特征數(shù)據(jù)進(jìn)行分析降維，并分別選擇Bayes、K-鄰近、支持向量機(jī)、多層感知機(jī)分類器對(duì)原始特征數(shù)據(jù)和降維數(shù)據(jù)進(jìn)行分類識(shí)別研究。為提高模型泛化能力，通過(guò)圖像增強(qiáng)技術(shù)對(duì)稻種原始數(shù)據(jù)集進(jìn)行樣本擴(kuò)充，利用圖像增強(qiáng)技術(shù)模擬多種環(huán)境對(duì)水稻種子圖片數(shù)據(jù)集進(jìn)行增強(qiáng)處理，結(jié)果顯示，基于數(shù)據(jù)增強(qiáng)后的LDA_Bayes模型運(yùn)行時(shí)間為0.019 s，識(shí)別準(zhǔn)確率為99.4%。與其他模型比較，該模型具有更強(qiáng)的魯棒性和適用性，能高效地分類識(shí)別不同環(huán)境下的水稻種子，可為水稻種子分類識(shí)別提供一種新方法。

關(guān)鍵詞： 水稻種子;線性判別;Bayes;分類識(shí)別

中圖分類號(hào)： S126;S511 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000-4440（2021）01-0008-08

Classification and recognition method of rice seeds based on feature data

HUANG Qiong1， YANG Hong-yun2， WAN Ying1

（1.College of Computer and Information Engineering， Jiangxi Agricultural University， Nanchang 330045， China;2.College of Software， Jiangxi Agricultural University， Nanchang 330045， China）

Abstract： Aiming at the problems of high similarity and difficult identification of rice seeds， a classification and identification method which combined linear discriminant analysis （LDA） and Bayesian classification （Bayes） was proposed to improve the identification speed and accuracy of rice seed classification. By performing pre-processing operations such as cropping and segmentation on the images of four types of rice seeds （Chujing No.7， Maba Younian， Yuyangnuo and Yuzhenxiang）， the color characteristics， geometric and texture features of rice seed images were extracted. Linear discriminant analysis， principal component analysis， factor analysis and locally linear embedding were used to analyze and reduce the dimensionality of the feature data， and Bayes， K-nearest neighbors， support vector machine， multilayer perceptron classifiers were selected respectively to conduct classification and identification research on the original feature data and dimensionality reduced data. To improve the generalization ability of the model， image enhancement technology was used to extend the original data set of rice seed image samples and to simulate multiple environments to enhance the image data set of rice seeds. The results showed that the running time of LDA_Bayes model based on data enhancement was 0.019 s and the recognition accuracy rate was 99.4%. Compared with other models， LDA_Bayes model shows stronger robustness and applicability， it can classify and recognize rice seeds in different environments efficiently and provide a new method for rice seed classification and identification.

Key words： rice seeds;linear discrimination;Bayes;classification and recognition

水稻種子是農(nóng)業(yè)生產(chǎn)的基本生產(chǎn)資料，不同品種的水稻在抗病性、生長(zhǎng)環(huán)境及產(chǎn)量收益方面存在差異性，種子純度是衡量水稻種子質(zhì)量的主要指標(biāo)，而水稻種子的正確分類識(shí)別可以有效保證水稻種子的純度。目前，水稻種子分類方法如形態(tài)鑒定法、苯酚染色法等都是靠人工識(shí)別，這些方法存在耗時(shí)長(zhǎng)、精度低、易受人的主觀影響等弊端，識(shí)別速度無(wú)法滿足實(shí)際要求。人工識(shí)別水稻品種比較困難，每年會(huì)因品種識(shí)別錯(cuò)誤和純度差造成巨大的經(jīng)濟(jì)損失。為了保證水稻種子純度、減少其他種子混雜、提高選種育種的質(zhì)量、保證農(nóng)業(yè)正常生產(chǎn)，需要解決如何快速準(zhǔn)確地分類識(shí)別日益增長(zhǎng)的水稻品種的問(wèn)題。機(jī)器視覺(jué)具有效率高、耗時(shí)短、客觀性強(qiáng)等優(yōu)點(diǎn)，利用機(jī)器視覺(jué)對(duì)水稻種子進(jìn)行識(shí)別可以彌補(bǔ)人工識(shí)別的不足，是水稻種子品種識(shí)別的可行方法。

目前，國(guó)內(nèi)外對(duì)水稻種子品種的識(shí)別研究主要通過(guò)仿生鼻、光譜儀、圖像[1-2]來(lái)獲取水稻種子的特征參數(shù)。徐賽等[3]利用PEN電子鼻采集水稻種子樣品氣味數(shù)據(jù)結(jié)合BP（反向傳播）神經(jīng)網(wǎng)絡(luò)對(duì)不同水稻種子進(jìn)行分類識(shí)別，分類準(zhǔn)確率為90%。李輝等[4]利用激光誘導(dǎo)擊穿光譜數(shù)據(jù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)對(duì)水稻品種進(jìn)行識(shí)別，識(shí)別率可達(dá)92.4%。Hai[5]提取水稻種子的高光譜特征并與幾何特征結(jié)合，利用支持向量機(jī)（SVM）和隨機(jī)森林（RF）對(duì)數(shù)據(jù)進(jìn)行分類，分類精度為84%。Fabiyi等[6]從高分辨率RGB（紅-綠-藍(lán)）圖像和高光譜圖像中提取水稻種子的圖像特征，利用RF分類器對(duì)特征數(shù)據(jù)進(jìn)行分類，可以有效提高種子純度。鄧小琴等[7]融合水稻種子的光譜特征、紋理特征和幾何特征，建立PLSDA分類模型，訓(xùn)練精度為99.33%。以上方法通過(guò)PEN電子鼻、高光譜和圖像提取的特征數(shù)據(jù)相結(jié)合，利用分類器對(duì)水稻種子進(jìn)行識(shí)別，分類模型識(shí)別率較高，但PEN電子鼻和光譜儀的成本過(guò)高，不利于推廣。利用圖像獲取水稻種子參數(shù)的方法容易實(shí)現(xiàn)，便于推廣，李冬[8]通過(guò)對(duì)水稻種子的幾何特征進(jìn)行主成分分析（PCA），采用余弦相似度對(duì)種子進(jìn)行鑒別，準(zhǔn)確率為88%。鄭宇[9]采用檢測(cè)算法自動(dòng)提取水稻種子的13個(gè)幾何特征，利用Bayes判別法建立水稻種子分類模型，識(shí)別正確率可達(dá)90%。上述方法只單一地提取了水稻種子圖像的幾何特征，忽略了如顏色、紋理等其他特征參數(shù)對(duì)分類帶來(lái)的影響。李秀昊等[10]將提取的水稻種子顏色和形狀特征融合，利用SVM對(duì)水稻種子進(jìn)行分類，準(zhǔn)確率可達(dá)99.5%，運(yùn)行時(shí)間為0.165 s。黃星奕等[11]提出把水稻種子圖像的形狀特征和顏色特征結(jié)合，通過(guò)貝葉斯分類器，識(shí)別正確率可達(dá)88.3%。Hong等[12]通過(guò)提取水稻種子圖像的全局特征和局部特征，采用隨機(jī)森林分類器對(duì)水稻種子圖像進(jìn)行分類，準(zhǔn)確率為90.54%，以上方法忽略了多類型特征帶來(lái)的冗余性會(huì)造成識(shí)別準(zhǔn)確率下降的問(wèn)題。Liu等[13]采用水稻的顏色和幾何特征，利用神經(jīng)網(wǎng)絡(luò)對(duì)PCA后的特征向量進(jìn)行識(shí)別，平均識(shí)別率為84.83%。

為了降低水稻種子的識(shí)別成本，選擇從圖像上來(lái)獲取水稻種子的特征參數(shù)。針對(duì)單一特征的水稻識(shí)別方法帶來(lái)的信息丟失問(wèn)題，采用水稻種子圖像的顏色、幾何及紋理特征，多種特征使原始數(shù)據(jù)包含了更多有效信息。針對(duì)相似水稻種子品種識(shí)別效率低的問(wèn)題，利用運(yùn)行速度快、識(shí)別準(zhǔn)確率高的Bayes模型對(duì)數(shù)據(jù)進(jìn)行分類識(shí)別。采用LDA（線性判別分析）算法對(duì)特征分析降維，去除原始數(shù)據(jù)中的無(wú)用信息和融合多特征數(shù)據(jù)的顯著信息，解決了多特征帶來(lái)的數(shù)據(jù)冗余問(wèn)題，提高了識(shí)別模型性能。作為對(duì)比，試驗(yàn)將原始數(shù)據(jù)和PCA、因子分析（FA）、LDA、局部線性嵌入（LLE）降維數(shù)據(jù)用于Bayes、K-鄰近（KNN）、SVM、多層感知機(jī)（MLP）分類模型中進(jìn)行研究，通過(guò)圖片增強(qiáng)技術(shù)豐富數(shù)據(jù)集的多樣性來(lái)提高LDA_Bayes模型的適應(yīng)能力，最后證明基于圖像增強(qiáng)的LDA_Bayes模型能夠優(yōu)化傳統(tǒng)的Bayes模型，提高水稻種子品種的識(shí)別效率，為水稻品種識(shí)別提供新方法。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)選取4類水稻種子（圖1）樣本進(jìn)行研究，品種為楚粳7號(hào)、馬壩油粘、玉楊糯、玉針香，每類水稻種子選取成熟且顆粒飽滿的樣本500粒。選用佳能EOS 60D型數(shù)碼相機(jī)（分辨率為5 184像素×3 456像素）在水稻種子正上方進(jìn)行垂直拍攝。圖像處理和分析在中央處理器（CPU）為Intel（R） Core（TM） i5-6200U、內(nèi)存為8 G的計(jì)算機(jī)上進(jìn)行。將水稻種子原始圖像裁剪為分辨率為1 616像素×720像素，進(jìn)行圖像分割處理，使用高斯模糊對(duì)圖像進(jìn)行降噪。

1.2 數(shù)據(jù)增強(qiáng)

為提高模型泛化能力，采用多種算法模擬不同測(cè)試環(huán)境對(duì)圖像數(shù)據(jù)集進(jìn)行增強(qiáng)，使訓(xùn)練模型能夠?qū)W習(xí)到更多圖片的像素信息。試驗(yàn)通過(guò)隨機(jī)調(diào)節(jié)水稻種子圖像的亮度、對(duì)比度、色度和增強(qiáng)圖像的銳化程度將水稻種子樣本數(shù)量擴(kuò)充到原來(lái)的4倍。增強(qiáng)樣例如圖2所示。

1.3 提取圖像特征

為了使試驗(yàn)具有全面性，提取水稻種子圖像的顏色通道（R、G、B）、正交投影面積、正交投影周長(zhǎng)、長(zhǎng)軸長(zhǎng)、短軸長(zhǎng)、二階矩、熵、對(duì)比度、反分差矩陣共11個(gè)特征向量作為水稻種子品種識(shí)別的特征數(shù)據(jù)。

1.3.1 顏色特征 顏色特征具有良好的魯棒性，是能體現(xiàn)水稻種子類別的重要特征參數(shù)。RGB顏色空間是生活中常用的一種顏色空間模型，本研究通過(guò)計(jì)算水稻種子圖像的R、G、B 3個(gè)分量的平均值作為顏色特征數(shù)據(jù)。

1.3.2 幾何特征 本研究通過(guò)閾值算法對(duì)水稻種子圖像進(jìn)行分割，利用水稻種子圖像的區(qū)域和邊緣特性提取幾何特征。

正交投影面積：計(jì)算分割后的水稻種子圖像區(qū)域所包含的像素點(diǎn)的總和。

正交投影周長(zhǎng)：通過(guò)Sobel算子計(jì)算圖像梯度，與Canny算法相結(jié)合，提取水稻種子圖像的邊緣，計(jì)算邊緣像素點(diǎn)的和。

長(zhǎng)軸長(zhǎng)、短軸長(zhǎng)：通過(guò)外接矩陣框計(jì)算水稻種子2個(gè)端點(diǎn)的最長(zhǎng)距離為長(zhǎng)軸長(zhǎng)，垂直于長(zhǎng)軸的直線距離為短軸長(zhǎng)。

1.3.3 紋理特征 紋理特征是一種用來(lái)描述圖像表面性質(zhì)的全局特征。試驗(yàn)通過(guò)提取水稻種子灰度共生矩陣紋理（GLCM）[14-15]的4個(gè)經(jīng)典統(tǒng)計(jì)量：二階矩（ASM）、熵（ENT）、對(duì)比度（CON）、反差分矩陣（IDM），將其作為紋理特征向量，計(jì)算方法分別如公式（1）、公式（2）、公式（3）和公式（4）所示。二階矩反映圖像的均勻性，值越大，說(shuō)明圖像灰度分布越均勻;熵是描述圖像的信息量，值越大，說(shuō)明圖像的元素分布越分散;對(duì)比度用于衡量圖像局部灰度變化程度，值越大，說(shuō)明圖像的邊緣越銳利;反差分矩陣用于測(cè)量紋理的清晰程度，值越大，說(shuō)明圖像紋理越清晰和易于描述。

式中，P（i，j）表示灰度圖像中坐標(biāo)為（i，j）的像素點(diǎn)的灰度值。

1.4 方法描述

1.4.1 LDA算法 LDA算法[16]是一種有監(jiān)督的機(jī)器學(xué)習(xí)，它的主要思想是把數(shù)據(jù)投影到低維空間，讓屬于一類的數(shù)據(jù)分布得更加緊密，使不同類的數(shù)據(jù)點(diǎn)更加分散，具有計(jì)算速度快的優(yōu)點(diǎn)。該算法的流程如下：

Step1：設(shè)數(shù)據(jù)集有M個(gè)類別：D1，D2，...，Di。計(jì)算每類樣本的類內(nèi)散度矩陣Sw：

式中，Siw表示第i類樣本的類內(nèi)散度矩陣，N表示第i類樣本的樣本數(shù)，mi表示第i類樣本的總體均值，Xk表示第i類樣本的第k個(gè)特征向量。

Step2：計(jì)算各類樣本之間的類間散度矩陣Sb：

式中，Sijb表示第i類樣本與第j類樣本之間的類間散度矩陣，mj表示第j類樣本的總體均值。

Step3：計(jì)算每個(gè)類別LDA轉(zhuǎn)化矩陣WL的矩陣值。提取矩陣值中最大的d個(gè)特征值和與其對(duì)應(yīng)的特征向量，得到投影矩陣：

式中，WL是LDA的轉(zhuǎn)換矩陣，S-1w表示該樣本類內(nèi)散度矩陣的逆矩陣，Sb表示該樣本的類間散度矩陣。

Step4：每個(gè)樣本可通過(guò)公式（8）轉(zhuǎn)化為新的樣本集，則為降維后的數(shù)據(jù)集：

式中，y表示新的數(shù)據(jù)集，x表示每個(gè)樣本的特征值。

1.4.2 Bayes分類器 Bayes分類器[17-18]的原理是已知各個(gè)類別在樣本空間中出現(xiàn)的先驗(yàn)概率和某個(gè)類別中特征向量X出現(xiàn)的條件概率密度，計(jì)算該類別在X出現(xiàn)的條件下，每個(gè)樣本屬于各個(gè)類別的概率，最后將樣本分配到概率最大的那類數(shù)據(jù)集中。其計(jì)算流程如圖3所示。

1.4.3 方法步驟 本研究提出基于LDA和Bayes相結(jié)合的模型（LDA_Bayes）對(duì)水稻種子的特征數(shù)據(jù)進(jìn)行分類識(shí)別，步驟如下：

Step1：對(duì)水稻種子原始圖像進(jìn)行裁剪、分割、增強(qiáng)等預(yù)處理;Step2：提取水稻種子圖像的顏色特征、幾何特征、紋理特征共11個(gè)特征向量;Step3：采用LDA降維算法將水稻種子的11維特征向量降維到2維;Step4：采用Bayes分類器對(duì)降維后80%的數(shù)據(jù)進(jìn)行分類訓(xùn)練，20%的數(shù)據(jù)用于測(cè)試識(shí)別;Step5：將試驗(yàn)?zāi)Ｐ团c原始數(shù)據(jù)、增強(qiáng)數(shù)據(jù)和15類組合模型進(jìn)行對(duì)比研究，采用精確率、召回率、準(zhǔn)確率、F1作為評(píng)價(jià)指標(biāo)。

2 結(jié)果與分析

2.1 原始數(shù)據(jù)集分類結(jié)果

表1為11個(gè)特征向量在KNN、SVM、Bayes、MLP[19-20]分類器上的分類結(jié)果，可以看出Bayes模型運(yùn)行時(shí)間最短，為0.016 s，測(cè)試準(zhǔn)確率高達(dá)97.3%，說(shuō)明Bayes分類器相較于其他3種分類器更適合試驗(yàn)數(shù)據(jù)分類。

2.2 降維數(shù)據(jù)分析與分類結(jié)果

2.2.1 數(shù)據(jù)降維分析可視化 為了驗(yàn)證LDA特征降維的有效性，試驗(yàn)還利用PCA、FA、LLE[21-24]降維方法對(duì)水稻種子圖像的顏色、幾何、紋理等11個(gè)特征向量進(jìn)行分析降維，將水稻種子的11維特征融合降到2維，經(jīng)PCA降維后數(shù)據(jù)的第1主成分貢獻(xiàn)率為98.41%，第2主成分貢獻(xiàn)率為1.45%，累積貢獻(xiàn)率為99.86%，從圖4a可以看出，各樣本之間重疊部分較大。經(jīng)LDA降維后的數(shù)據(jù)第1判別因子的貢獻(xiàn)為69.86%，第2判別因子的貢獻(xiàn)率為26.73%，累積貢獻(xiàn)率為96.59%，從圖4c可以看出，樣本之間分布的距離較大，重疊部分少。從圖4b、4d可以看出，用FA、LLE對(duì)數(shù)據(jù)降維后，樣本分布較為密集，樣本之間的間距小。

2.2.2 降維數(shù)據(jù)分類結(jié)果比較 為了驗(yàn)證LDA_Bayes模型的高效性，試驗(yàn)利用降維數(shù)據(jù)進(jìn)行KNN、SVM、MLP模型分類識(shí)別。

表2為原始水稻種子特征數(shù)據(jù)經(jīng)過(guò)PCA降維后結(jié)合KNN、SVM、Bayes、MLP分類器處理的試驗(yàn)結(jié)果，可以看出，PCA降維是從特征的協(xié)方差角度進(jìn)行考慮的，適合保持樣本內(nèi)在信息的數(shù)據(jù)降維，試驗(yàn)數(shù)據(jù)經(jīng)過(guò)PCA降維后縮短了各模型的運(yùn)行時(shí)間，但測(cè)試準(zhǔn)確率并沒(méi)有提高，說(shuō)明PCA降維不適合處理本研究數(shù)據(jù)。

表3為原始水稻種子特征數(shù)據(jù)經(jīng)過(guò)FA降維后結(jié)合KNN、SVM、Bayes、MLP分類器處理的試驗(yàn)結(jié)果，可以看出，與原始數(shù)據(jù)的運(yùn)行時(shí)間和測(cè)試準(zhǔn)確率相比，分類效率不僅沒(méi)有提高，反而降低，所以該降維方法不適用于本研究數(shù)據(jù)降維。

表4為原始水稻種子特征數(shù)據(jù)經(jīng)過(guò)LDA降維后結(jié)合KNN、SVM、Bayes、MLP分類器處理的試驗(yàn)結(jié)果，可以看出，與原始數(shù)據(jù)（表1）相比，LDA_KNN的測(cè)試準(zhǔn)確率提高了10.4百分點(diǎn)，LDA_SVM的測(cè)試準(zhǔn)確率提高了21.5百分點(diǎn)，LDA_Bayes的測(cè)試準(zhǔn)確率提高了2.3百分點(diǎn)，LDA_MLP的測(cè)試準(zhǔn)確率提高了16.6百分點(diǎn)，說(shuō)明LDA對(duì)試驗(yàn)數(shù)據(jù)降維時(shí)能夠最大限度地區(qū)分不同類樣本，在從高維空間降維到低維空間時(shí)可以最大限度地減少重要特征信息的丟失，提高歸類能力。

表5為原始水稻種子特征數(shù)據(jù)經(jīng)過(guò)LLE降維后結(jié)合KNN、SVM、Bayes、MLP分類器處理的試驗(yàn)結(jié)果，可以看出，LLE適合分布均勻且密集的數(shù)據(jù)，適合流形數(shù)據(jù)的降維，試驗(yàn)數(shù)據(jù)經(jīng)過(guò)LLE降維后測(cè)試準(zhǔn)確率并沒(méi)有提高，說(shuō)明LLE降維方法不適合處理本研究數(shù)據(jù)。

綜上所述，PCA、FA、LLE 3種降維方法沒(méi)有實(shí)現(xiàn)水稻種子有效信息的綜合提取。利用LDA算法對(duì)水稻種子特征數(shù)據(jù)降維后結(jié)合4種分類器處理的試驗(yàn)結(jié)果表明，該算法能夠集中提取特征數(shù)據(jù)中的有效信息，摒棄無(wú)用信息，所以LDA算法降維比其他降維方法更適用于本研究中水稻種子的特征數(shù)據(jù)。試驗(yàn)數(shù)據(jù)經(jīng)過(guò)KNN、SVM、MLP、Bayes分類器進(jìn)行分類訓(xùn)練的識(shí)別結(jié)果表明，Bayes能快速準(zhǔn)確地對(duì)本研究中的4類水稻種子進(jìn)行分類識(shí)別。在原始數(shù)據(jù)和經(jīng)降維處理的16種分類模型中，LDA_Bayes模型在水稻種子分類識(shí)別中的運(yùn)行時(shí)間為0.013 s，測(cè)試準(zhǔn)確率為99.6%，相較于原始數(shù)據(jù)，縮短了運(yùn)行時(shí)間，提高了測(cè)試準(zhǔn)確率、精確率、召回率和F1等評(píng)價(jià)指標(biāo)，說(shuō)明該模型具有高效性和可行性。

2.3 進(jìn)行數(shù)據(jù)增強(qiáng)后的試驗(yàn)

表6為水稻種子特征數(shù)據(jù)增強(qiáng)前后結(jié)合LDA_Bayes模型的試驗(yàn)結(jié)果，可看出增強(qiáng)后數(shù)據(jù)集的運(yùn)行時(shí)間為0.019 s，訓(xùn)練準(zhǔn)確率為99.4%，相較于原始數(shù)據(jù)集的訓(xùn)練準(zhǔn)確率有所提高，測(cè)試準(zhǔn)確率為99.4%，相較于原始數(shù)據(jù)集的測(cè)試準(zhǔn)確率輕微下降，其原因?yàn)橛駰钆春陀襻樝?類樣本特征過(guò)于相似，通過(guò)對(duì)數(shù)據(jù)的擴(kuò)充使數(shù)據(jù)量已經(jīng)使模型的數(shù)據(jù)信息達(dá)到飽和，因此通過(guò)增加訓(xùn)練數(shù)據(jù)集的方法難以提高識(shí)別準(zhǔn)確率。

3 討論

圖像特征提取是圖像分類識(shí)別的重要步驟，只進(jìn)行單一的圖像特征提取會(huì)丟失部分有效特征，如熊利榮等[25]只將水稻種子圖像的幾何特征結(jié)合Bayes分類器進(jìn)行識(shí)別，平均識(shí)別準(zhǔn)確率為81.4%，而本研究采取了易于反映圖像顯著信息的顏色特征、幾何特征以及紋理特征，通過(guò)Bayes對(duì)11個(gè)特征向量進(jìn)行分類識(shí)別，測(cè)試識(shí)別準(zhǔn)確率為97.3%。

特征數(shù)據(jù)過(guò)多會(huì)造成數(shù)據(jù)的冗余性，產(chǎn)生干擾信息，降低分類準(zhǔn)確率。如黃星奕等[11]提取水稻種子的顏色特征和形狀特征等13個(gè)特征參數(shù)，利用貝葉斯分類器對(duì)原始數(shù)據(jù)進(jìn)行分類，識(shí)別正確率為88.3%。通過(guò)降維可以解決數(shù)據(jù)冗余性問(wèn)題、去除干擾信息和提高識(shí)別準(zhǔn)確率，因此降維方法的選擇是提高分類模型性能的關(guān)鍵。相較于無(wú)監(jiān)督學(xué)習(xí)的PCA算法，LDA屬于監(jiān)督學(xué)習(xí)，在降維過(guò)程中可以使用類別的先驗(yàn)知識(shí)經(jīng)驗(yàn)選擇分類性能最好的投影方向;FA利用相關(guān)性對(duì)特征進(jìn)行降維，能夠保存原始數(shù)據(jù)所存在的重要信息，但是不能像LDA一樣摒棄一些對(duì)分類具有干擾的信息;相較于LLE只能適用于流形數(shù)據(jù)的局限性，采用基于線性數(shù)據(jù)處理的LDA算法更適用于本研究數(shù)據(jù)。因此本試驗(yàn)選取LDA算法對(duì)數(shù)據(jù)進(jìn)行分析，將數(shù)據(jù)從高維空間最大區(qū)分化地降到低維空間，有效融合了原始數(shù)據(jù)中的顯著特征，提高了識(shí)別效率。

分類模型的選擇是提高識(shí)別效率的關(guān)鍵，常用的分類模型有KNN、SVM、MLP。KNN是通過(guò)計(jì)算數(shù)據(jù)間的距離進(jìn)行分類，對(duì)類別分類狀況敏感，分類識(shí)別結(jié)果易受K值影響;SVM更適用于二分類算法，對(duì)大規(guī)模的數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)計(jì)算復(fù)雜度高，效率不高;MLP需要多次迭代，耗時(shí)長(zhǎng)，會(huì)降低識(shí)別效率。因此Bayes運(yùn)行時(shí)間短和識(shí)別效率高的優(yōu)點(diǎn)更適合本研究數(shù)據(jù)分類。 在特定場(chǎng)景和實(shí)際應(yīng)用中，往往很難收集滿足各種條件的數(shù)據(jù)用于訓(xùn)練和測(cè)試，因此本研究通過(guò)調(diào)節(jié)亮度、對(duì)比度、色度和銳化程度來(lái)豐富數(shù)據(jù)庫(kù)種類以解決測(cè)試環(huán)境過(guò)于單一的問(wèn)題，提高實(shí)際測(cè)試的魯棒性。試驗(yàn)結(jié)果表明，基于圖像增強(qiáng)的LDA_Bayes模型具有更強(qiáng)的泛化能力和適應(yīng)性，能進(jìn)一步提高水稻種子識(shí)別率和運(yùn)行效率，可以為后期的在線實(shí)時(shí)識(shí)別水稻種子系統(tǒng)提供基礎(chǔ)。

本研究的對(duì)象是楚粳7號(hào)、馬壩油粘、玉楊糯和玉針香4類水稻種子，為提高試驗(yàn)?zāi)Ｐ偷目煽啃裕瑢⒃诤笃诘难芯恐屑尤肫渌贩N的水稻種子。本研究下一步將對(duì)水稻種子的其他特征參數(shù)和特征降維方法作進(jìn)一步研究，實(shí)現(xiàn)易于推廣且效率高的在線實(shí)時(shí)識(shí)別水稻種子的系統(tǒng)。

4 結(jié)論

試驗(yàn)提取水稻種子圖像的顏色特征、幾何特征、紋理特征等共11個(gè)特征向量并采用PCA、FA、LDA、LLE 4種算法進(jìn)行特征數(shù)據(jù)的分析降維，選擇KNN、MLP、SVM、Bayes分類器進(jìn)行數(shù)據(jù)增強(qiáng)前后分類識(shí)別的對(duì)比驗(yàn)證，結(jié)果表明：

（1）LDA降維算法可以有效地對(duì)水稻種子圖像所提取的11個(gè)特征參數(shù)進(jìn)行降維，降維后的結(jié)果能夠從多種特征中去除不同水稻種子之間相似的無(wú)用特征，準(zhǔn)確提取和融合顯著特征。相較于傳統(tǒng)的Bayes模型，LDA_Bayes模型在測(cè)試準(zhǔn)確率和運(yùn)行速度上都有所提升。

（2）通過(guò)圖像增強(qiáng)技術(shù)模擬了實(shí)際生活中的多種檢測(cè)環(huán)境，增強(qiáng)了圖像樣本的魯棒性，結(jié)果表明，基于圖像增強(qiáng)的LDA_Bayes模型的訓(xùn)練準(zhǔn)確率為99.4%，測(cè)試準(zhǔn)確率為99.4%，運(yùn)行時(shí)間為0.019 s，說(shuō)明數(shù)據(jù)增強(qiáng)能夠有效增強(qiáng)模型的泛化能力和適應(yīng)性，使該模型能在實(shí)際應(yīng)用中高效識(shí)別種子，滿足普遍推廣和在線識(shí)別的要求。

參考文獻(xiàn)：

[1] MEBATSION H K，PALIWAL J，JAYAS D S. Automatic classification of non-touching cereal grains in digital images using limited morphological and color features[J]. Computer&Electronics in Agriculture，2013，90（90）：99-105.

[2] CHOUDHARY R，PALIWAL J. Classification of cereal grains using wavelet， morphological， colour， and textural features of non-touching kernel images[J]. Biosystems Engineering， 2008，99（3）：330-337.

[3]徐 賽，周志艷，羅錫文. 常規(guī)稻與雜交稻谷的仿生電子鼻分類識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（9）：133-139.

[4] 李 輝，王陽(yáng)恩，劉 慶，等. 分段激光誘導(dǎo)擊穿光譜的水稻種子識(shí)別[J].激光雜志，2017，38（2）：8-12.

[5] HAI V. Spatial and spectral features utilization on a hyperspectral imaging system for rice seed varietal purity inspection[C]//MACIEJ P，AGNIESZKA T.2016 IEEE RIVF International Conference on Computing & Communication Technologies.Hanoi：IEEE，2016（10）：169-174.

[6] FABIYI S，HAI V，TACHTATZIS C，et al. Varietal classification of rice seeds using RGB and hyperspectral images[J]. IEEE Access，2020，8：22493-22505.

[7] 鄧小琴，朱啟兵，黃 敏. 融合光譜、紋理及形態(tài)特征的水稻種子品種高光譜圖像單粒鑒別[J].激光與光電子學(xué)進(jìn)展，2015，52（2）：128-134.

[8] 李冬. 基于圖像的稻花香水稻種子鑒別方法的研究[D].大慶：黑龍江八一農(nóng)墾大學(xué)，2018.

[9] 鄭 宇. 基于機(jī)器視覺(jué)的稻谷種子特征提取與品種識(shí)別方法研究[D].武漢：華中農(nóng)業(yè)大學(xué)，2009.

[10]李秀昊，馬 旭，李澤華，等. 基于特征融合和SVM的稻谷品種識(shí)別[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2019，40（7）：97-102.

[11]黃星奕，李 劍，姜 松. 基于計(jì)算機(jī)視覺(jué)的稻谷品種識(shí)別技術(shù)的研究[J].江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2004，25（2）：102-104.

[12]HONG P， HAI T，LAN L. Comparative study on vision based Rice seed varieties identification[C]//NGUYEN L M，NGUYEN T T.2015 Seventh International Conference on Knowledge and Systems Engineering. Ho Chi Minh City：IEEE， 2015，11（7）：377-382.

[13]LIU Z Y，CHENG F，YING Y B，et al. Identification of rice seed varieties using neural network[J].Journal of Zhejiang University Science B， 2005，6（11）：53-58.

[14]BARALDI A，PARMIGGIANI F. An investigation of the textural characteristics associated with GLCM matrix statistical parameters[J]. IEEE Transactions on Geoscience and Remote Sensing， 1995， 33（2）： 293-304.

[15]HARALICK R M， SHANMNGAM K， DINSTEIN I. Texture feature forimage classification[J].IEEE Transactions on Systems， Manand Cybernetics， 1973， 3 （6） ：768-780.

[16]章萬(wàn)鋒. 基于PCA與LDA的說(shuō)話人識(shí)別研究[D].杭州：浙江大學(xué)，2004.

[17]周志華. 機(jī)器學(xué)習(xí)[M]. 北京：清華大學(xué)出版社， 2016.

[18]NIKITA E，NIKITAS P. Sex estimation： a comparison of techniques based on binary logistic， probit and cumulative probit regression， linear and quadratic discriminant analysis， neural networks， and nave Bayes classification using ordinal variables[J]. International Journal of Legal Medicine，2020，134（3）：1213-1225.

[19]FAYYAZI S，ABBASPOURFARD M H，ROHANI A，et al. Identification and classification of three Iranian rice varieties in mixed bulks using image processing and MLP neural network[J]. International Journal of Food Engineering，2017，13（5）.

[20]ZANATY E A. Support vector machines （SVMs） versus Multilayer perception （MLP） in data classification[J]. Egyptian Informatics Journal，2012，13（3）：177-183.

[21]彭彥昆，趙 芳，李 龍，等. 利用近紅外光譜與PCA-SVM識(shí)別熱損傷番茄種子[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（5）：159-165.

[22]梁曉瑩，田光杰. 基于混合特征LLE融合與SVM的質(zhì)量異常模式識(shí)別[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2020（3）：55-59，64.

[23]劉開南，馮新?lián)P，邵 超. 一種面向圖像分類的流形學(xué)習(xí)降維算法[J].計(jì)算機(jī)應(yīng)用與軟件，2019，36（8）：210-213，229.

[24]高惠璇. 應(yīng)用多元統(tǒng)計(jì)分析[M]. 北京：北京大學(xué)出版社， 2005.

[25]熊利榮，鄭 宇. 基于形態(tài)學(xué)的稻谷種子品種識(shí)別[J].糧油加工，2010（6）：45-48.

（責(zé)任編輯：陳海霞）

收稿日期：2020-06-29

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（61562039）

作者簡(jiǎn)介：黃 瓊（1997-），女，江西贛州人，碩士研究生，主要從事圖形圖像處理研究。（E-mail）406274397@qq.com

通訊作者：楊紅云，（E-mail）nc_yhy@163.com