新工科背景下數(shù)字圖像處理課程的實驗案例設(shè)計
——以“小麥種子品種識別”為例

趙 鑫 朱啟兵 黃 敏

（江南大學,江蘇 無錫 214122）

數(shù)字圖像處理是一門利用計算機對圖像進行分析和信息提取的學科，具有很強的理論性和實踐性，也是物聯(lián)網(wǎng)工程本科專業(yè)的一門重要課程。實驗教學是數(shù)字圖像處理這門課程中很重要的環(huán)節(jié)，有利于學生將理論知識與代碼仿真結(jié)合起來，增進對基礎(chǔ)理論的理解[1-2]。然而之前的課程實驗教學大多采用驗證性實驗，通過編程仿真對圖像幾何變換、邊緣檢測、圖像增強等基礎(chǔ)原理進行驗證，缺少綜合性與創(chuàng)新性的案例項目[3-4]。

當前，國家推動創(chuàng)新驅(qū)動發(fā)展，以新技術(shù)、新業(yè)態(tài)、新模式、新產(chǎn)業(yè)為代表的新經(jīng)濟蓬勃發(fā)展?！靶鹿た啤备拍畹奶岢觯荚跒闈M足未來新興產(chǎn)業(yè)和新經(jīng)濟需要，培養(yǎng)和造就一批實踐能力強、創(chuàng)新能力強、具備國際競爭力的高素質(zhì)復合型工程技術(shù)人才[5-6]。數(shù)字圖像處理課程的綜合實驗案例能夠增強學生理論聯(lián)系實際的能力，幫助學生在理解算法等基本知識點的同時，對圖像分割、圖像去噪、圖像識別等實際問題的處理有更為深入的理解與掌握[7]。本文結(jié)合科研項目和農(nóng)業(yè)信息化的實際生產(chǎn)需要，以“小麥種子品種識別”為例，構(gòu)建一個綜合型實驗案例，以提高學生理論聯(lián)系實際的能力。

1 實驗案例設(shè)計的目標和任務(wù)

傳統(tǒng)實驗案例多是數(shù)字圖像算法的驗證，沒有結(jié)合實際圖像獲取考慮算法的實際用途。學生對圖像處理技術(shù)的實際作用以及如何全面應(yīng)用這些技術(shù)缺乏相應(yīng)的理論知識，因此在解決實際案例問題時不知道怎么操作[8]。由于數(shù)字圖像處理與人工智能技術(shù)關(guān)系密切，目前的人工智能技術(shù)特別是機器學習和深度學習正在迅速發(fā)展，因此更需要實時地教給學生最新的技術(shù)，以實現(xiàn)人才培養(yǎng)與時代步伐的緊密結(jié)合[9]。要將實際應(yīng)用案例融入實驗教學中，從而更清晰地向?qū)W生展示相關(guān)領(lǐng)域的最新研究成果，促使學生參與實驗的積極性得到明顯提高，從而激發(fā)創(chuàng)新意識。

“小麥種子品種識別”實驗案例的主要任務(wù)如下：

（1）結(jié)合課程教學目標設(shè)計實驗方案，使得整個實驗設(shè)計更貼近當前的工程實際應(yīng)用，同時也更符合新工科卓越工程人才的培養(yǎng)需求。

（2）通過為學生營造實踐情境，以實際案例分析引導學生去尋找和發(fā)現(xiàn)數(shù)字圖像處理技術(shù)的實際需求，主動地去探索、發(fā)現(xiàn)問題，從中培養(yǎng)實踐能力，獲得解決現(xiàn)實問題的經(jīng)驗。

（3）將數(shù)字圖像處理專業(yè)所涉及的多個學科（人工智能、模式識別等）有機結(jié)合在一起，融合多學科的理論與知識，使學生融會貫通地學習和應(yīng)用各領(lǐng)域?qū)I(yè)知識，從而提高創(chuàng)新能力。

（4）以團隊合作的形式完成整個實驗項目，引導學生在注重實驗結(jié)果的同時，也能夠注重對過程的計劃與控制；在注重專業(yè)知識學習的同時，也能不斷提升團隊協(xié)作能力、項目管理能力、溝通表達能力等軟技能，努力成為高素質(zhì)復合型的新工科人才。

（5）通過對小麥種子的圖像處理，運用圖像分割、特征提取等方法識別出不同品種的小麥種子。

2 實驗案例的內(nèi)容

種子品種純度是指種子在遺傳特性方面一致性的程度。在農(nóng)業(yè)生產(chǎn)中，純度較高的種子更容易獲得穩(wěn)定的遺傳性狀，從而更利于控制農(nóng)產(chǎn)品的品質(zhì)。開發(fā)快速高效的種子品種檢測方法對提高農(nóng)業(yè)生產(chǎn)效率具有重要意義[10]。高光譜利用成像光譜儀，在光譜覆蓋范圍內(nèi)的數(shù)十或數(shù)百條光譜波段連續(xù)成像，在獲得物理空間特征成像的同時，也獲得了被測物體的光譜信息[11-12]。單一波段下的圖像為灰度圖像，實驗基于圖像處理框架，完成圖像去噪、單粒種子分割，進而考慮波段之間的關(guān)聯(lián)特性，通過設(shè)計特征提取和分類模型，得到較高的識別精度。

實驗案例將小麥種子無損檢測任務(wù)簡化形成數(shù)字圖像處理課程的實驗任務(wù)目標，采用問題驅(qū)動的實驗教學內(nèi)容設(shè)計方案，依據(jù)理論課教學內(nèi)容對實際項目進行分解，將應(yīng)用的圖像去噪、圖像分割、圖像特征提取算法形成實驗?zāi)K。在所有實驗教學結(jié)束之后，將相關(guān)實驗課內(nèi)容進行連接、合并和擴展，構(gòu)成一個可以解決實際問題的基本框架。實驗項目提供的數(shù)據(jù)來源于實驗室，整個綜合實驗案例設(shè)計內(nèi)容分為圖像去噪、圖像分割、特征提取、識別模型。

2.1 圖像去噪

高光譜成像的基本原理為在一定波長范圍內(nèi)，根據(jù)光譜分辨率將一個個二維平面圖像連續(xù)地組成三維數(shù)據(jù)，其中的二維平面是圖像像素的x軸和y軸，第三維是波長信息λ，圖像中每一點都含有該物質(zhì)的光譜信息[13]。這個三維圖像實際上是一個包含光譜圖像數(shù)據(jù)的超立方體，結(jié)合了光譜信息與空間信息，如圖1所示。由于采集環(huán)境的變化以及儀器自身的不穩(wěn)定性，首先需要對高光譜圖像進行去噪，提高信噪比，從而改善整體圖像質(zhì)量。由于不同波段的噪聲強度往往是不同的，而且噪聲在圖像中通常是混合存在的，所以其噪聲的特性和分布特征也不盡相同。為了讓學生更直觀了解去噪效果，實驗案例中引入單一波段下的灰度圖濾波和整體的數(shù)據(jù)立方體小波變換去噪，通過比較不同方法的去噪效果，加深學生對濾波器使用效果的理解。

圖1 實驗采集的小麥種子高光譜圖像

2.2 圖像分割

小麥種子樣本分批次進行數(shù)據(jù)采集，每批次采集100粒小麥種子，為了后續(xù)的品種分類，需要對采集的高光譜圖像進行分割，將圖像上的單粒小麥區(qū)域從背景中分離出來。在單波段通道下的圖像中，小麥區(qū)域和背景區(qū)域的亮度有所不同，所以閾值分割法是最直接有效的分割方法。但是，由于不同小麥種子對光子的吸收反射不同，而且線掃描光源的亮度不均勻，將會導致同一圖像中的灰度分布不是均衡的。為了克服這一問題，可以采用自適應(yīng)閾值分割算法將小麥種子從背景中分離出來，分割效果如圖2所示。閾值分割的關(guān)鍵在于閾值選取，除了自適應(yīng)閾值分割外，還可對圖像進行處理，提高目標和背景的對比度，通過分析比較分割效果選用最優(yōu)的方法。

圖2 閾值分割后的小麥圖像

2.3 特征提取

特征或信息提取是數(shù)字圖像處理課程的主要教學目標之一。高光譜圖像特征提取包括圖像空間特征提取和光譜特征提取，是指對原始的光譜空間特征進行重新組合和優(yōu)化，提取出最適應(yīng)當前應(yīng)用需求的新特征。小麥種子品種不同，其外觀存在一定的差異，所以可以提取形狀特征，包括輪廓特征、區(qū)域特征、圖像的矩等。局部二值模式（Local Binary Pattern,LBP）是一種用來描述圖像局部特征的算子，具有灰度不變性和旋轉(zhuǎn)不變性等顯著優(yōu)點[14]，圖3給出了單粒小麥的LBP特征。同時由于不同的內(nèi)部組分，小麥種子的差異將極大表現(xiàn)在光譜分布上，因此提取有效的光譜信息能進一步提高分類模型精度。平均光譜是最為常見的光譜特征，如何對光譜特征進行重組和優(yōu)化是這部分的研究重點，圖4顯示了不同品種小麥的平均光譜曲線，可以發(fā)現(xiàn)不同品種小麥光譜吸收峰位置相同，強度不同。

圖3 單粒小麥的LBP特征

圖4 不同品種小麥的平均光譜曲線

2.4 種子識別模型

基于上述提取的特征，運用模式識別與機器學習算法建立分類模型可實現(xiàn)小麥種子品種的準確識別。人工神經(jīng)網(wǎng)絡(luò)和支持向量機是機器學習中常用的分類器[15]，建立分類模型需要利用大量已知標簽的樣本對模型進行訓練。因此，需要采集一定數(shù)量的不同品種小麥種子圖像，通過上述提取的特征組合，訓練不同分類器。卷積神經(jīng)網(wǎng)絡(luò)作為目前較為流行的深度學習模型之一，也可作為種子識別的分類器，鼓勵進行多種方案嘗試，并進行分析比較，掌握不同模型的原理方法。

3 實驗要求

根據(jù)上述的實驗內(nèi)容設(shè)置如下實驗要求：

（1）分組查閱資料，比較不同算法，制定實驗方案。

（2）了解種子分類識別的過程，熟練掌握圖像處理基本算法和原理。

（3）了解圖像和光譜特征提取方法以及分類模型建立方法。

（3）編寫調(diào)試程序?qū)崿F(xiàn)整個算法流程，圖像去噪能去除大部分噪聲，圖像分割能精確將單粒種子分離出來，達到分離率100%，提取有效特征能實現(xiàn)種子品種識別精度80%以上。

實驗環(huán)境和條件要求如下：

（1）硬件環(huán)境。實驗設(shè)備采用普通臺式計算機或筆記本電腦，如果涉及深度學習算法，建議采用GPU顯卡，由于數(shù)據(jù)量較大，建議機器內(nèi)存32 G以上。

（2）軟件環(huán)境。Window7以上操作系統(tǒng)，自行挑選編程語言，建議采用Python和MATLAB編程，可安裝Python 3.6或MATLAB 2018a以上版本。如果涉及深度學習算法，建議采用“Anaconda+Pytorch”環(huán)境。

4 實驗?zāi)康?/h2>

通過實驗進一步加深學生對圖像處理的方法、原理的理解，學生利用所學知識自行設(shè)計流程框架，完成小麥種子品種檢測和識別，鍛煉了學生的文獻查閱能力，使其了解不同類型（灰度、RGB、高光譜）圖像的特點，熟悉并且掌握不同類型圖片的圖像去噪、分割、特征提取算法；學習并熟練運用MATLAB、Python等軟件實現(xiàn)算法的編寫；提高編程和解決問題的能力，將所學知識學以致用，進一步了解算法的實際作用。同時，引導學生通過技術(shù)的創(chuàng)新解決生產(chǎn)、生活中的具體問題，關(guān)注社會經(jīng)濟發(fā)展的現(xiàn)實需求，能將所學知識和實際生活聯(lián)系起來，了解前沿技術(shù)與最新研究進展，拓寬學生的視野和提高學生解決問題的能力。

5 多元化考核模式

新工科建設(shè)要培養(yǎng)卓越工程人才，提高學生的工程意識和實踐能力，培養(yǎng)學生的創(chuàng)新精神和工匠精神。因此，在對傳統(tǒng)數(shù)字圖像處理課程實驗改革的同時，需要重新定義實驗?zāi)繕?，綜合實驗的目標不應(yīng)該只定位于知識體系，而應(yīng)該定位于能力體系，需要對目標的實現(xiàn)有明確支撐，同時要以目標達成評價為基礎(chǔ)開展考核，并進行反饋和持續(xù)改進。通過過程性與終結(jié)性考核相結(jié)合的多元化考核模式，可以實現(xiàn)對學生能力多維度、多層面的考查，引導學生在注重結(jié)果的同時，也能夠注重對過程的計劃與控制；在注重專業(yè)知識學習的同時，也能不斷提升團隊協(xié)作能力、項目管理能力、溝通表達能力等軟技能，努力成為高素質(zhì)復合型的新工科人才。

6 結(jié)語

數(shù)字圖像處理課程的傳統(tǒng)實驗教學模式難以支撐新工科背景下工程教育認證指標點的問題，本文以實際項目“小麥種子品種識別”為藍本設(shè)計實驗案例，并將整個實驗案例根據(jù)課程內(nèi)容分解成多個階段性實驗?zāi)K，以保證整體實驗的可行性和效果。通過數(shù)字圖像處理、模式識別、機器學習等多學科相關(guān)技術(shù)的應(yīng)用，學生不僅掌握了各交叉學科的專業(yè)理論知識，還鍛煉了實踐動手能力，能夠適應(yīng)新工科對于人才培養(yǎng)的新要求。