下载文档原格式
计算机视觉在果蔬分类中的应用计算机视觉是一项研究如何让计算机像人类一样“看”和“理解”图像和视频的技术。
现在，随着人们对食品质量要求的不断提高，果蔬的分类、质量检测和分级也成为了重要的研究方向。
计算机视觉技术在果蔬分类中的应用可以帮助我们更好地了解和掌握该领域的知识和业务。
一、果蔬分类方法要把果蔬分类，首先需要进行图像采集和处理，提取出图像中的信息。
然后，需要指定特定的算法对图像进行分类。
在实际应用中，可以使用以下几种方法进行分类。
1. 基于颜色的分类基于颜色的分类是将图像中的物体根据颜色分成不同类别的一种方法。
这种方法基于限定了某种颜色的所在范围，因此不同的颜色可以代表不同的物体。
在水果颜色识别和分类场景中，对于红色或黄色为主体颜色的水果，可以根据颜色范围将其识别和分类。
2. 基于形状的分类基于形状的分类是指根据物体的形状进行分类。
对于不同种类的水果，它们的形状是不同的。
例如，苹果和梨的形状就有所不同。
在进行基于形状的分类时，可以使用几何特征和轮廓特征来识别和分类水果。
3. 基于纹理的分类基于纹理的分类是指通过分析物体图像中的细节纹理差异，对不同的物体进行分类。
用于品种有多种不同纹理的水果，如草莓和木瓜。
二、应用场景1. 水果和蔬菜分类通过计算机视觉技术，可以对水果和蔬菜进行分类。
在实际应用中，通过摄像机拍摄果蔬图像并分析像素大小、颜色、纹理等属性，将其自动分类。
这种技术可为果蔬生产、采摘和销售提供便利，同时也可以帮助消费者根据不同的营养成分、口感和价格等因素选择合适的水果和蔬菜。
2. 品质检测计算机视觉技术可以帮助判断果蔬品质。
自动检测技术可检测水果表面的缺陷、变质或腐烂，这对果蔬质量的维护和管理至关重要。
此外，计算机视觉技术还可以检测水果的熟度，帮助我们掌握果蔬的质量。
3. 基于机器学习的分类使用机器学习算法，如支持向量机、卷积神经网络、随机森林等，将大量的果蔬图片进行训练，训练模型可以自动识别和分类果蔬。
计算机视觉技术在农产品品质检测中的应用计算机视觉技术是一种利用摄像机和计算机对图像进行采集、处理、分析识别的技术。
在农产品品质检测中，计算机视觉技术主要包括图像采集、预处理、特征提取、分类识别等步骤。
首先是图像采集，该步骤通过摄像机对农产品进行图像的采集，获取农产品的外观特征。
接着是图像的预处理，主要包括图像去噪、增强、边缘检测、分割等处理，以提高图像质量，为后续的特征提取和分类识别做好准备。
然后是特征提取，通过对农产品图像的分析和处理，提取出与农产品品质相关的特征信息，比如颜色、形状、大小、纹理等。
最后是分类识别，利用机器学习算法对提取出的特征进行分析和识别，判断农产品的品质是否符合要求。
1. 水果品质检测水果的品质主要包括外观、大小、形状、颜色、瑕疵等多个方面。
传统的水果品质检测需要人工逐个进行，效率低下且容易出现主观偏差。
而利用计算机视觉技术，可以对水果进行自动化检测，通过摄像头采集水果的图像，利用图像处理技术提取水果的特征信息，并利用机器学习算法对水果的品质进行自动分类，从而实现水果自动化品质检测。
3. 农产品质量分析除了单一的水果和蔬菜品质检测外，计算机视觉技术还可以应用于农产品的质量分析。
比如通过对农产品的表面图像进行采集和处理，可以分析农产品的成熟度、均匀度、瑕疵度等多个方面的质量，为农产品的分类、分级、包装等提供有效的数据支持。
1. 高效性利用计算机视觉技术进行农产品品质检测可以实现自动化和高效化，大大提高了检测的效率，节约了人力成本。
2. 准确性计算机视觉技术可以对农产品的图片进行精细化处理，提取出丰富的特征信息，并且利用机器学习算法进行分析和识别，实现了对农产品品质的准确判断，避免了传统人工检测的主观性偏差问题。
3. 灵活性计算机视觉技术可以根据不同的农产品、不同的质量要求进行定制化的应用，具有很好的灵活性和适应性。
4. 数据化利用计算机视觉技术进行农产品品质检测可以得到大量的数字化数据，为农产品生产和质量管理提供了丰富的数据支持。
计算机视觉技术在农产品品质检测中的应用随着科技的发展和人们对生活品质要求的提高，农产品品质安全成为了人们越来越关注的问题。
传统的农产品品质检测依靠人工目测，操作繁琐，且易受主观因素影响，导致检测结果的准确性和一致性无法得到保障。
而计算机视觉技术的应用，为农产品品质检测带来了新的机遇，可以实现更为精确、高效和自动化的检测方式。
本文将就计算机视觉技术在农产品品质检测中的应用进行详细阐述。
计算机视觉技术是利用摄像机、图像处理器和计算机等设备对图像信息进行采集、处理和分析，通过对图像进行特征提取和比对，实现物体识别、分类、计数及定位等功能。
在农产品品质检测中，计算机视觉技术主要借助摄像机获取农产品的图像信息，通过图像识别和特征提取，对农产品的大小、形状、颜色、纹理等特征进行分析，从而实现对农产品品质的评估和检测。
2. 农产品内部质量检测对于一些农产品，其内部质量也是品质的重要指标之一，例如果肉的软硬程度、籽粒的完整性等。
通过计算机视觉技术，可以利用X射线、红外线等成像技术对农产品的内部结构进行非破坏性检测，实现对农产品内部质量的评估。
在果蔬类产品中，可以利用X射线成像技术对果实内部的籽粒结构、果肉软硬程度进行分析，从而实现对农产品内部质量的自动化检测。
3. 农产品瑕疵检测农产品在生长和采摘过程中，易受到病虫害的侵害，导致出现瑕疵和腐烂现象。
传统的瑕疵检测主要依靠人工目测，操作繁琐，易漏检漏判。
通过计算机视觉技术，可以实现对农产品表面的瑕疵和腐烂进行自动化的检测和识别。
在水果的表面瑕疵检测中，可以利用计算机视觉技术对果实表面的色斑、烂斑等瑕疵进行自动化的识别和分类，从而实现对农产品瑕疵的精确检测。
1. 高效性通过计算机视觉技术，可以实现对农产品品质的自动化检测和分析，大大提高了检测的效率和速度，减少了人工操作的繁琐性。
2. 准确性计算机视觉技术可以对农产品的外观、内部结构、瑕疵等进行精确的识别和分析，提高了检测结果的准确性和一致性。
２０１８年４月第３６卷第２期西北工业大学学报ＪｏｕｒｎａｌｏｆＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙＡｐｒ．Ｖｏｌ．３６２０１８Ｎｏ．２收稿日期：２０１７⁃０４⁃０１㊀㊀㊀㊀基金项目：陕西省教育厅自然科学资助项目（１７ＪＫ０４４５）㊁广东省引进创新创业团队专项（２０１４ＺＴ０５Ｇ１３２）㊁深圳市海外高层次人才资金（ＫＱＴＤ２０１５０３３１１７３５４１５４）及长安大学道路施工技术与装备教育部重点实验室开放基金（３１０８２５１６１１０７）资助作者简介：康智强（１９７７ ），西北工业大学博士后，主要从事数字图形处理㊁模式识别和人工智能及自动控制技术研究㊂基于改进的Ｆｉｓｈｅｒ准则玉米种子果穗检测方法康智强１，２，袁朝辉１，程瑞锋３１．西北工业大学自动化学院，陕西西安㊀７１００７２；２．西安建筑科技大学机电工程学院，陕西西安㊀７１００５５；３．西北工业大学航海学院，陕西西安㊀７１００７２æèçöø÷摘㊀要：采用机器视觉检测玉米种子果穗的大小㊁形状㊁纹理和颜色等特征，传统方法检测非常有限而且不能满足检测效率㊂采用了ｌｏｇｉｓｔｉｃ回归线性判别分析方法㊁感知机准则㊁最小二乘法和Ｆｉｓｈｅｒ方法对比，利用变化的Ｆｉｓｈｅｒ准则根据类间离散度误差矩阵与类内离散度重建误差矩阵之比的最大值确定投影方向，对果穗进行分类㊂通过融合Ｆｉｓｈｅｒ判别分析方法进行检测中进行检测，通过大量实验和其他方法对比，实验证明Ｆｉｓｈｅｒ能够高效率高精度的对玉米种子果穗进行分类检测㊂关㊀键㊀词：机器视觉；检测效率；判别分析法；投影方向；Ｆｉｓｈｅｒ判别中图分类号：ＴＰ３９１．４㊀㊀㊀文献标志码：Ａ㊀㊀㊀文章编号：１０００⁃２７５８（２０１８）０２⁃０３３２⁃０７㊀㊀玉米是粮食㊁饲料㊁工业原料兼用型作物㊂据统计，２０１３ ２０１４年全国玉米总产量约２０亿吨㊂全国玉米种植面积２０１４年为３５０００万公顷，２０１６年我国的玉米播种面积３６７６万公顷，产量超过２１９５５万吨；国储２．４亿吨㊂据ＵＳＤＡ统计，近几年世界玉米使用量超过７亿吨，并有逐年递增的趋势㊂我国玉米面积和总产都居世界第二位［１］㊂玉米生产在国家粮食生产和粮食安全中占有极重要战略地位，玉米种子更重要，研究证明［２］玉米优良种的推广使我国玉米增产４０％，种子质量直接关系到玉米产量高低及玉米质量和品质的优劣［３］，而推广优良的杂交种需要大量优质种子㊂因此，中国玉米产业的发展史同时也是玉米种子的优化史㊂据有关部门的研究推算，玉米新品种的推广利用在玉米增产总额中发挥４０％的作用㊂在未来玉米种植面积增速将总体趋缓的背景下，玉米产量持续增长将主要依赖于良种开发带来的单产提高㊂玉米种子企业的核心竞争力取决于企业拥有的产品品种优势㊂纵观玉米种业发展历史，耐密植㊁综合抗性好㊁籽粒品质优良㊁早熟以及抗倒性强逐渐为品种推广潜力的重要条件㊂近年来，玉米品种的申报和审核数在各类品种中占绝对优势，但从增长速度来看，国审玉米品种的增速明显低于其他大田作物，下降趋势明显，这也预示现阶段玉米种子 真正 的匮乏㊂我国玉米种子种植地每年采摘的玉米果穗都需要先除玉米穗子皮，才烘干脱粒㊂这些工作主要是依靠人工筛选，人工检测玉米果穗依靠人眼分辨，效率低㊁准确性差，易疲劳等缺点，如果将有玉米穗子皮的玉米进入烘干机很难快速烘干颗粒，或者会将不合格的玉米穗子进入烘干机等，这些都将会导致大量损失㊂１㊀玉米种子果穗检测要求植物新品种测试是对申请保护的植物新品种进行特异性㊁一致性和稳定性的栽培鉴定试验或室内分析测试的过程（简称ＤＵＳ测试），根据特异性㊁一致性和稳定性的试验结果，判定测试品种是否属于新品种，为植物新品种保护提供可靠的判定依据㊂根据参考文献［４］对玉米种子品种鉴别方面的研究结果，不同类型的籽粒特征在识别中作用不同，其识别效果次序为：大小类㊁形状类㊁纹理类㊁颜色类第２期康智强，等：基于改进的Ｆｉｓｈｅｒ准则玉米种子果穗检测方法特征㊂种子颜色在玉米品种识别中的作用非常明显㊂大小类㊁形状类㊁纹理类㊁颜色类㊁后３类组合㊁全部４类组合等模型的品种检出率分别为２５％㊁３３％㊁３９％㊁９５％㊁９５％和９５％，平均籽粒拒真率分别为９０％㊁９０％㊁８６％㊁４５％㊁４７％和４２％，认伪率为９２％㊁９２％㊁８８％㊁４６％㊁４８％和４３％，且后２个误判率高度正相关（ｒ＝０．８３ ０．９１）㊂机器视觉检测具有成本和速度上的优势，能够用于大数目玉米品种的真伪鉴定，形状＋纹理＋颜色组合模型最佳，经改进技术识别率可以进一步提高㊂本文主要通过图１系统的机器视觉分析处理㊂图１㊀玉米种子果穗检测图实验样本共测定４６个形态特征指标，其中，反映种子大小的有长度㊁宽度㊁长轴长㊁短轴长㊁周长㊁等面圆直径㊁侧投影面积等７个指标；反映种子形状的有矩形度㊁椭圆度㊁凹凸比㊁圆形度㊁短／长轴长比㊁紧凑度㊁相对质心的纵坐标与横坐标等８个指标；反映种子纹理的为７个统计不变矩，种子纹理变量反映种子图像灰度值的次数分布特点㊂反映种子颜色的有２４个特征指标，分别由ＲＧＢ与ＨＳＶ色彩空间的Ｒ㊁Ｇ㊁Ｂ㊁Ｈ㊁Ｓ和Ｖ分量的均值㊁方差㊁偏度和峰度组成㊂根据参考文献［５］在ＤＵＳ测试中，对寻找新的果穗性状并评价它们单独鉴别品种能力的研究结果，采用４大类形态特征共计１４５个性状，逐一性状对品种进行判别分析（以性状的品种识别率表示性状鉴别品种的能力大小），单一性状的品种识别率变化在０．２４４ ０．６３４之间，在前１７个高鉴别力性状中，果穗长宽比等具有与指南性状同等的甚至更高的品种区分能力㊂４大属性的鉴别力从大到小依次为形状类㊁纹理类㊁颜色类㊁大小类㊂表１㊀玉米种子果穗图像特征汇总数目图像特征颜色９９穗整体颜色㊁粒顶主要颜色㊁次要颜色和行间颜色等３个子类颜色，ＲＧＢ与ＨＩＳ等２个颜色空间，Ｒ㊁Ｇ㊁Ｂ㊁Ｈ㊁Ｉ㊁Ｓ等６个分量的均值㊁标准差㊁偏度和峰度，以及各类颜色的比例㊂形状１１穗缘角㊁长宽比㊁凹凸比㊁相对质心纵横坐标㊁紧凑度㊁矩形度㊁圆形度㊁离心率㊁球面度㊁球体度等㊂大小１４穗长与有效长㊁穗粗与众数粗㊁椭圆长与短轴长㊁周长与面积及凸形面积㊁表面积与体积㊁等面圆与等面球及等体球的直径㊂纹理２１７个统计不变矩㊁穗行数与穗行角㊁亮度均值与标准差及偏度㊁均匀度与粗糙度及熵㊁傅里叶变换的峰值位置与均值及方差㊂图２和图３是根据表１要求给出的合格和不合格样本㊂图２㊀合格玉米种子果穗图３㊀不合格的玉米种子果穗２㊀Ｆｉｓｈｅｒ准则原理和分析判别分析法是根据所研究个体的观测值来构建一个综合标准用来推断个体属于己知种类中的哪一类的方法［６］，这种统计方法在自然科学和社会科学的研究中会经常用到㊂因为所采用的标准有很多种，所以判别分析也有多种方法，ｌｏｇｉｓｔｉｃ回归线性判别分析，感知机准则，最小二乘（最小均方误差）㊃３３３㊃西㊀北㊀工㊀业㊀大㊀学㊀学㊀报第３６卷准则㊂本文将玉米果穗检测分类器的设计，通过对比线性分类器中的权值向量发现：１）感知机准则的优点是简单㊁便于实现，缺点是结果不唯一，在线性不可分情况下不收敛㊂２）最小二乘准则是基于最小二乘法求线性组合的权值，优点是回归结果与坐标选择无关，缺点是对于异常值非常敏感㊂Ｆｉｓｈｅｒ判别法的数学思想方法是将多维空间中的点投影到一维直线Ｙ上，使得由总体θ１和θ２产生的ｙ尽可能分开，然后再利用距离判别法建立判别准则，进而达到判别个体所属群体的一种统计方法［７］㊂采用Ｆｉｓｈｅｒ线性判别根据阈值选择投影方向可以达到很好的预期分类效果㊂Ｆｉｓｈｅｒ线性判别是把线性分类器的设计分为２步，一是确定最优方向，二是在这个方向上确定分类阈值；感知机则是通过不断迭代直接得到完整的线性判别函数㊂假设θ１和θ２为二维总体，如图４所示 ㊃ 为θ１的点， 为θ２的点，按原来的横坐标ｘ１和纵坐标ｙ１，难以将这２个总体的点分开，但是如果将这些点朝直线ｙ上投影，形成一维空间集合的点，则能较容易分开㊂图４㊀θ１和θ２在Ｙ方向的投影图显然，直线ｙ是ｘ１和ｙ１的线性组合，即ｙ＝ｃ１ｘ１＋ｃ２ｙ１㊂一般地，设在ｐ维空间里，ｘ的线性组合为ｙ＝αＴｘ㊂其中：α为ｐ维实向量，设θ１和θ２的均值分别为μ１和μ２，它们有共同的协方差阵Σ，那对应线性组合ｙ＝αＴｘ的均值为：μ１ｙ＝Ｅ（ｙ｜ｘ，ｙɪθ１）＝αＴμ１（１）μ２ｙ＝Ｅ（ｙ｜ｘ，ｙɪθ２）＝αＴμ２（２）㊀㊀对应的方差为：ｖａｒ（ｙ）＝ｖａｒ（αＴ（ｘ，ｙ））＝αＴＳα（３）㊀㊀由图４可知，使得μ１ｙ和μ２ｙ的距离越大，线性组合越好，考察以下比值：（μ１ｙ－μ２ｙ）２ｖａｒ（ｙ）＝［αＴ（μ１－μ２）］２αＴΣα（４）确定参数α，设ｘ为ｐ维随机向量，当α＝ｃΣ－１（μ１－μ２）（ｃ为非零常数）时，（４）式取值最大㊂当ｃ＝１时函数ｙ＝αＴｘ＝（μ１－μ２）ＴΣ－１ｘ（５）则（５）式为Ｆｉｓｈｅｒ线性判别函数㊂将图像投影到玉米种子果穗上，矩阵Ｗ包含来自Ｎ个对象的所有特征向量，即Ｗ＝［Ｗ１， ，Ｗｉ， ，ＷＮ］（６）㊀㊀对于第ｉ个类的ｐｉ个训练图像ｉ＝１，２ ，Ｎ，将图像投影到玉米果穗空间上，即：Ｗｉ＝［ｗｉ，１， ｗｉ，ｊ， ｗｉ，ｐｉ］ɪＲＬˑｐｉ（７）式中，每个向量是一个大小为Ｌˑ１的列向量，在训练阶段第ｉ类由向量空间ｗｉ表示，称为每个对象的预测器㊂根据Ｆｉｓｈｅｒ准则，本文求类间重建误差（ＢＣＲＥ）与类间重建误差（ＷＣＲＥ）比值来寻找最优投影㊂优化后找ＦＣ⁃ＬＤＲＣ算法要最大化给定的目标函数，表示为：ｍａｘＵＪ（Ｕ）＝ｍａｘＵＥＢＣＥＷＣæèçöø÷（８）式中，Ｕ是想要估计的最优投影矩阵，ＥＢＣ和ＥＷＣ分别代表由ＬＲＣ引起的类间重建误差和类内重建误差［８⁃９］㊂使用特征向量来估计每个类ｉ的特定类投影矩阵Ｈｙｉ㊂目标函数可以表示为：Ｊ（Ｕ）＝ＥＢＣ／ＥＷＣ＝１Ｍ（ｃ－１）ðＭｉ＝１，ｊ＝１ðｃｊʂｌ（ｘｉ）ｙｉ－＾ｙｉｎｔｅｒｉｊ２１ＭðＭｉ＝１ｙｉ－＾ｙｉｎｔｅｒｉｊ２（９）式中，＾ｙｉｎｔｅｒｉｊ＝Ｈｙｊｙｉ表示ｙｉ的类内投影㊂化简（９）式为：Ｊ（Ｕ）＝１Ｍ（ｃ－１）ðＭｉ＝１，ｊ＝１ðｃｊʂｌ（ｘｉ）ｔｒ［ＵＴ（ｘｉ－ｘｉｎｔｅｒｉｊ）（ｘｉ－ｘｉｎｔｅｒｉｊ）ＴＵ］１ＭðＭｉ＝１ｔｒ［ＵＴ（ｘｉ－ｘｉｎｔｅｒｉｊ）（ｘｉ－ｘｉｎｔｅｒｉｊ）ＴＵ］＝ｔｒ（ＵＴＥｂＵ）ｔｒ（ＵＴＥωＵ）（１０）式中，Ｅｂ和Ｅω分别表示为ＬＲＣ得到的类间重建误㊃４３３㊃第２期康智强，等：基于改进的Ｆｉｓｈｅｒ准则玉米种子果穗检测方法差矩阵和类内重建误差矩阵：Ｅｂ＝１Ｍ（ｃ－１）ðＭｉ＝１，ｊ＝ｌðｃｊʂｌ（ｘｉ）［（ｘｉ－ｘｉｎｔｅｒｉｊ）（ｘｉ－ｘｉｎｔｅｒｉｊ）ＴＵ］Ｔ（１１）Ｅω＝１ＭðＭｉ＝１ＵＴ（ｘｉ－ｘｉｎｔｅｒｉｊ）（ｘｉ－ｘｉｎｔｅｒｉｊ）Ｔ（１２）㊀㊀由ＬＲＣ引起的内部类重建误差的每个类的样本数通常小于样本空间的维度，（８）式中定义的目标函数变换为：ａｒｇｍａｘＪＵ（Ｕ）＝ａｒｇｍａｘＵＵＴＥｂＵＵＴＥωＵ（１３）㊀㊀令υ＝Ｅ１／２ＷＵ，Ｕ＝Ｅ－１／２Ｗυ，可得：ａｒｇｍａｘＪＵ（Ｕ）＝ａｒｇｍａｘＵＵＴＥｂＵＵＴＥωＵ＝υＴ（ＵＴＷ）－１／２Ｅｂ（ＵＷ）－１／２υυＴυ（１４）等价可求最大特征值对应的特征向量：λｍａｘ［υＴ（ＵＴＷ）－１／２Ｅｂ（ＵＷ）－１／２υ］＝λｍａｘ［（ＵＷ）－１Ｅｂ］（１５）式中，λｍａｘ为标量，最佳投影方向Ｕ为（ＵＷ）－１（ＥＢＣ－ＥＷＣ）㊂３ 实验与检测结果本文采用机器视觉自动检测玉米种子果穗，在计算测量实验中发现，仅仅依靠图像简单的衡量玉米果穗种子的合格是非常有限而且不能满足检测的效率㊂在数字图像处理的基础上结合Ｆｉｓｈｅｒ准则能够快速有效的区分合格和不合格种子㊂根据玉米种子果穗检测要求，创建如图５所示的一个包含简单玉米果穗种子数据集㊂采用ｂａｓｌｅｒ工业相机ａｃＡ１３００⁃６０工业相机，分辨率１２８０ˑ１０２４㊂镜头采用３５ｍｍ广角光学镜头，分别应用Ｆｉｓｈｅｒ准则㊁感知机准则和最小二乘法准则对检测结果的以下几个方面进行对比区分：１）颜色检测学习颜色是成品检测的第一关，通过玉米果穗的整体颜色㊁玉米果穗上的杂色㊁异色所占比率和玉米果穗两头穗轴色可初步完成成品检测㊂颜色检测主要包括区分穗整体颜色㊁粒顶主㊁次颜色㊁和行间颜色３个子类颜色，ＲＧＢ与ＨＩＳ等２个颜色空间，Ｒ㊁Ｇ㊁Ｂ㊁Ｈ㊁Ｉ㊁Ｓ等６个分量的均值㊁标准差㊁偏度和峰度以图５㊀玉米种子果穗样品及各类颜色的比例，检测方法为：根据玉米果穗上的杂色㊁异色所占比率，找出杂色异色区域进行分析，结果如图６所示㊂图６㊀玉米种子果穗颜色取值２）形状检测学习通过图７所示的玉米种子果穗形状提取，分析比较穗缘角㊁长宽比㊁凹凸比㊁相对质心纵横坐标㊁紧凑度㊁矩形度㊁圆形度㊁离心率㊁球面度㊁球体度等特征㊂３）大小检测学习通过图８所示的玉米种子果穗大小取值的提取，进行穗长与有效长㊁穗粗与众数粗㊁椭圆长与短轴长㊁周长与面积及凸形面积㊁表面积与体积㊁等面圆与等面球及等体球的直径的比较分析㊂㊀图７㊀玉米种子果图８㊀玉米种子果穗形状取值穗大小取值㊃５３３㊃西㊀北㊀工㊀业㊀大㊀学㊀学㊀报第３６卷４）纹理检测学习纹理是客观世界存在的，是图像分析中常用的概念，也是图像的基本特征㊂从广义上说，纹理反映了图像灰度模式的空间分布，包含了表面信息以其与周围环境的关系，兼顾了图像的宏观结构与微观结构㊂目前关于纹理具有代表性定义主要有：①纹理构成了一个宏观的区域㊂它的结构可归结为某种重复模式，其元素或者基元按照某种放置规则排列㊂②图像纹理是抽象的和细胞化的㊂一个图像纹理可以用它的所有基元的类型和数目以及基元的空间组织构架来描述㊂对于许多平滑的灰度表面，存在某一尺度，在此尺度下，表面不具有纹理，而当分辨率增加时，它的精细纹理就会显现，反之就是粗纹理㊂③如果函数的局部统计性质或其他局部性的属性集是恒定的，缓慢变化的，或者具有近似的周期性，则图像的某一区域就具有某种不变纹理㊂７个统计不变矩㊁穗行数与穗行角㊁亮度均值与标准差及偏度㊁均匀度与粗糙度及熵㊁傅里叶变换的峰值位置与均值及方差㊂结合纹理特征，根据图９所示的玉米种子图像纹理的提取进行纹理检测㊂图９㊀图像纹理的提取通过图６ 图９所示的对玉米种子果穗图像的预处理和分析，选取其中２０种处理结果，如表２所示㊂从这些特征数值中可以简单分析出玉米种子果穗的优劣，但是单从一种特征很难区分，例如能量和熵，因此本文采用Ｆｉｓｈｅｒ方法［９］对数据进行二次分析㊂表２ 实验数据集数据集颜色（ＲＧＢ）穗缘角形状长宽比周长（像素）能量熵１（１４２，１４６，１４３）６８１．６３８６５０．３１２６９１．４２（１３８，１３６，１４５）１１２１．２３４０４１０．２９２４５８．７９３（１５１，１３６，１４７）１３０１．５６５３４００．２４２４４７．０４４（１４９，１５１，１６２）１１５１．４２３７７２０．２４２３４６．６２５（１３２，１５６，１３９）１６３１．７２３８２１０．２２２２８３．０４６（１４１，１３６，１４２）１２５１．８１３９６４０．２４２３４１．７３７（１４６，１５６，１４３）１２２１．４９４２１３０．４２９０６．９５８（１６４，１４２，１３９）１０１１．５２３９６１０．３６２７８４．１２９（１３７，１３６，１３１）８４１．６４３８２４０．３０２５０５．４５１０（１１２，１２８，１４７）９４１．７２３８６５０．２５２３４１．３７１１（１５２，１１６，１３３）８９１．３６３８１６０．２３２２６９．２１２（１２５，１４２，１２７）９１１．３８３９６３０．６８２４０６．０８１３（１４２，１４６，１４３）１０４１．２９３９６００．２４２３６７．９７１４（１５２，１４４，１４１）１２３１．４７３７８９０．２５２３５７．０６１５（１３６，１４７，１２４）１２６１．３８４２４３０．２５２３２０．９２１６（１３７，１４３，１３５）１３２１．４２４５３７０．２５２３２０．９２１７（１３７，１４２，１３５）１１５１．６３４３７１０．２５２３４１．５２１８（１５２，１２６，１４３）１１３１．７２３８９３０．２９２５２０．６２１９（１１９，１２６，１３５）１２３１．５７３８２５０．２７２４１６．０４２０（１３７，１２６，１３８）１５３１．５３３４７５０．６８２３㊀㊀由于在分类问题上，有些方法不像支持向量机等方法［１０］可以通过核函数映射到高维空间再用超平面进行分类，而只能将多维特征投影到一维直线上，把分类问题转化成寻找分界点问题进行处理［１１］㊂但在高维空间里，采用这种方法把它们投影到任意一条直线上，有可能使不同类别的样本混淆在一起，无法有效区分样本［１２］㊂为此，采用Ｆｉｓｈｅｒ算法在方向选取方面的优势，根据类间离散度矩阵与总类间离散度矩阵之比的最大值来确定投影方向，选取对样本投影最好的直线方向；并通过对样本㊃６３３㊃第２期康智强，等：基于改进的Ｆｉｓｈｅｒ准则玉米种子果穗检测方法间离散度的选取，实现最好方向投影的变换㊂将样本映射到最好方向向量的变换原则为：在该向量上，不同样本间离散度矩阵尽量大，而同种样本间离散度尽量小㊂为此，本实验通过重排像素值，将ＰＣＡ降维作为玉米种子果穗的特征向量，通过Ｆｉｓｈｅｒ学习分类来训练样本集㊂实验首先将所有玉米种子果穗转化为灰度，对于每个条件，为了减少识别结果的变化，计算了平均识别精度作为最后的识别精度㊂在此基础上，对抽取的２０种玉米果穗采用Ｆｉｓｈｅｒ算法和线性判别分析㊁感知机准则和最小二乘法的识别率对比，结果如表２所示㊂表３为Ｆｉｓｈｅｒ方法和其他的一些方法线性分析对比㊂表３㊀几种线性分类方法结果对比参数ｌｏｇｉｓｔｉｃ回归线性判别分析感知机准则最小二乘法Ｆｉｓｈｅｒ方法最优识别率％９１．２３９１．１６９３．３４９５．６９标准差２．９６２．３５２．１３２．０３对应维数３８３７３６３６４㊀结㊀论本文采用机器视觉自动检测玉米种子果穗，根据检测要求主要检测玉米种子果穗的大小类㊁形状类㊁纹理类㊁颜色类，本文对其中的２３种处理结果，从这些特征数值中可以简单分析出玉米种子果穗的优劣，但是单从一种特征区分度不是很高㊂而且这些检测玉米果穗种子方法非常有限而且不能满足检测的效率㊂本文在检测中参考很多文献，每一种检测方法都有自己的优点和缺点，本文检测的玉米种子果穗要求很高，单纯的一种方法不能满足检测要求，但是几种方法融合可以很好地满足检测要求㊂本文通过自己编写的算法结合Ｆｉｓｈｅｒ准则根据类间离散度矩阵与总类间离散度矩阵之比的最大值确定投影方向，通过大量实验数据证明能够高效率高精度的分拣玉米果穗种子㊂参考文献：［１］㊀王玉亮．基于机器视觉的玉米种子品种识别与检测研究［Ｄ］．泰安：山东农业大学，２００８：１⁃５ＷａｎｇＹｕｌｉａｎｇ．ＲｅｓｅａｒｃｈｏｎＩｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄＤｅｔｅｃｔｉｏｎｏｆＭａｉｚｅＳｅｅｄＶａｒｉｅｔｉｅｓＢａｓｅｄｏｎＭａｃｈｉｎｅＶｉｓｉｏｎ［Ｄ］．Ｔａｉａｎ，ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，２００８（ｉｎＣｈｉｎｅｓｅ）［２］㊀张超良，王斌．玉米种子纯度检验的方法及其评价［Ｊ］．作物杂志，１９９８（１）：１２⁃１６ＺｈａｎｇＣｈａｏｌｉａｎｇ，ＷａｎｇＢｉｎ．ＭｅｔｈｏｄａｎｄＥｖａｌｕａｔｉｏｎｏｆＰｕｒｉｔｙＴｅｓｔｏｆＭａｉｚｅＳｅｅｄ［Ｊ］．ＣｒｏｐＳｃｉｅｎｃｅ，１９９８（１）：１２⁃１６（ｉｎＣｈｉ⁃ｎｅｓｅ）［３］㊀高荣岐，张春庆．作物种子学［Ｍ］．北京：中国农业科技出版社，２０１０ＧａｏＲｏｎｇｑｉ，ＺｈａｎｇＣｈｕｎｑｉｎｇ．ＰｌａｎｔｔｈｅＳｅｅｄｓ［Ｍ］．Ｂｅｉｊｉｎｇ，ＣｈｉｎａＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＰｒｅｓｓ，２０１０（ｉｎＣｈｉ⁃ｎｅｓｅ）［４］㊀史中辉．玉米种子品种智能识别系统研究［Ｄ］．泰安：山东农业大学，２０１１，６：２７⁃４８ＳｈｉＺｈｏｎｇｈｕｉ．ＲｅｓｅａｒｃｈｏｎＣｏｒｎＳｅｅｄＶａｒｉｅｔｉｅｓＩｎｔｅｌｌｉｇｅｎｔＩｄｅｎｔｉｆｉｃａｔｉｏｎＳｙｓｔｅｍ［Ｄ］．Ｔａｉａｎ，ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，２０１１，６：２７⁃４８（ｉｎＣｈｉｎｅｓｅ）［５］㊀杨锦忠，张洪生，郝建平，等．玉米果穗图像单一特征的品种鉴别力评价［Ｊ］．农业工程学报，２０１１，２７（１）：１９６⁃２００ＹａｎｇＪｉｎｚｈｏｎｇ，ＺｈａｎｇＨｏｎｇｓｈｅｎｇ，ＨａｏＪｉａｎｐｉｎｇ，ｅｔａｌ．ＤｉｓｃｒｉｍｉｎａｔｉｏｎＥｖａｌｕａｔｉｏｎｏｆＳｉｎｇｌｅＦｅａｔｕｒｅｏｆＭａｉｚｅＥａｒＩｍａｇｅ［Ｊ］．ＴｒａｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１１，２７（１）：１９６⁃２００（ｉｎＣｈｉｎｅｓｅ）［６］㊀黄利文．改进的Ｆｉｓｈｅｒ判别方法［Ｊ］．福州大学学报：自然科学版，２００６，３４（４）：４７３⁃４７４ＨｕａｎｇＬｉｗｅｎ．ＩｍｐｒｏｖｅｍｅｎｔＦｉｓｈｅｒＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓＭｅｔｈｏｄ［Ｊ］．ＪｏｕｒｎａｌｏｆＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，ＮａｔｕｒａｌＳｃｉｅｎｃｅ，２００６，３４（４）：４７３⁃４７４（ｉｎＣｈｉｎｅｓｅ）［７］㊀李建军，丁正生，张海燕．常用判别分类方法分析［Ｊ］．西安科技大学学报，２００７，２７（１）：１３８⁃１３９ＬｉＪｉａｎｊｕｎ，ＤｉｎｇＺｈｅｎｇｓｈｅｎｇ，ＺｈａｎｇＨａｉｙａｎ．ＴｈｅＡｎａｌｙｓｉｓｏｆａＦｅｗＤｉｓｃｒｉｍｉｎａｎｃｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉᶄａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２００７，２７（１）：１３８⁃１３９（ｉｎＣｈｉｎｅｓｅ）㊃７３３㊃西㊀北㊀工㊀业㊀大㊀学㊀学㊀报第３６卷［８］㊀曾贤灏，李向伟．基于Ｆｉｓｈｅｒ准则改进线性判别回归分类的人脸识别［Ｊ］．计算机应用与软件，２０１４，３１（９）：１８４⁃１８６ＺｅｎｇＸｉａｎｈａｏ，ＬｉＸｉａｎｇｗｅｉ．ＩｍｐｒｏｖｉｎｇＦａｃｅＲｅｃｏｇｎｉｔｉｏｎｗｉｔｈＬｉｎｅａｒＤｉｓｃｒｉｍｉｎａｎｔＲｅｇｒｅｓｓｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄｏｎＦｉｓｈｅｒＣｒｉ⁃ｔｅｒｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ，２０１４，３１（９）：１８４⁃１８６（ｉｎＣｈｉｎｅｓｅ）［９］㊀王明合，张二华，唐振民，等．基于Ｆｉｓｈｅｒ线性判别分析的语音信号端点检测方法［Ｊ］．电子与信息学报，２０１５，３７（６）：１３４３⁃１３４９ＷａｎｇＭｉｎｇｈｅ，ＺｈａｎｇＥｒｈｕａ，ＴａｎｇＺｈｅｎｍｉｎ，ｅｔａｌ．ＶｏｉｃｅＡｃｔｉｖｉｔｙＤｅｔｅｃｔｉｏｎＢａｓｅｄｏｎＦｉｓｈｅｒＬｉｎｅａｒＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｏｎｉｃｓ＆ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１５，３７（６）：１３４３⁃１３４９（ｉｎＣｈｉｎｅｓｅ）［１０］ＣｉｖｉｃｉｏｇｌｕＰ，ＥｒｋａｎＢ．ＡＣｏｎｃｅｐｔｕａｌＣｏｍｐａｒｉｓｏｎｏｆｔｈｅＣｕｃｋｏｏ⁃Ｓｅａｒｃｈ，ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＤｉｆｆｅｒｅｎｔｉａｌＥｖｏｌｕｔｉｏｎａｎｄＡｒｔｉｆｉｃｉａｌＢｅｅＣｏｌｏｎｙＡｌｇｏｒｉｔｈｍｓ［Ｊ］．ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅＲｅｖｉｅｗ，２０１３，３９（４）：３１５⁃３４６［１１］ＷａｎｇＨＺ，ＺｈａｎｇＨＣ，ＷａｎｇＺＹ，ｅｔａｌ．ＥｘｔｅｎｄｅｄＭｕｌｔｉｖａｒｉａｔｅＰｕｂｌｉｃＫｅｙＣｒｙｐｔｏｓｙｓｔｅｍｓｗｉｔｈＳｅｃｕｒｅＥｎｃｒｙｐｔｒｏｎＦｕｎｃｔｉｏｎ［Ｊ］．ＳｃｉｅｎｃｅＣｈｉｎａ⁃ＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｓ，２０１１，５４（６）：１１６１⁃１１７１［１２］ＮｉｕＹＱ．ＤｅｔｅｃｔｉｎｇｔｈｅＣｏｍｍｕｎｉｔｙＳｔｒｕｃｔｕｒｅｉｎＣｏｍｐｌｅｘＮｅｔ⁃ＷｏｒｋｓＢａｓｅｄｏｎＱｕａｎｔｕｍＭｅｃｈａｎｉｃｓ［Ｊ］．ＰｈｙｓｉｃａＡ：ＳｔａｔｉｓｔｉｃａｌＭｅ⁃ｃｈａｎｉｃｓａｎｄＩｔｓＡｐｐｌｉｃａｔｉｏｎｓ，２００８，３８７：６２１５⁃６２２４ＭｅｔｈｏｄｏｆＥａｒＤｅｔｅｃｔｉｏｎｆｏｒＭａｉｚｅＳｅｅｄＢａｓｅｄｏｎＦｉｓｈｅｒＣｒｉｔｅｒｉｏｎＫａｎｇＺｈｉｑｉａｎｇ１，２，ＹｕａｎＣｈａｏｈｕｉ１，ＣｈｅｎｇＲｕｉｆｅｎｇ３１．ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉᶄａｎ７１００７２，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＸｉᶄａｎＵｎｉｖｅｒｓｉｔｙｏｆＡｒｃｈｉｔｅｃｔｕｒｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｉᶄａｎ７１００５５，Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＭａｒｉｎｅＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉᶄａｎ７１００７２，Ｃｈｉｎａæèççöø÷÷Ａｂｓｔｒａｃｔ：Ｔｈｅｐｕｒｐｏｓｅｏｆｔｈｉｓｐａｐｅｒｉｓｔｏｕｓｅｍａｃｈｉｎｅｖｉｓｉｏｎｔｏｄｅｔｅｃｔｔｈｅｓｉｚｅ，ｓｈａｐｅ，ｔｅｘｔｕｒｅａｎｄｃｏｌｏｒｏｆｍａｉｚｅｓｅｅｄｅａｒ．Ｔｈｅｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｉｓｖｅｒｙｌｉｍｉｔｅｄａｎｄｃａｎｎｏｔｍｅｅｔｔｈｅｄｅｔｅｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙ．Ｔｈｉｓｐａｐｅｒｕｓｅｄｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｌｉｎｅａｒｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓｍｅｔｈｏｄ，ｔｈｅｒｕｌｅｏｆｐｅｒｃｅｐｔｒｏｎ，Ｆｉｓｈｅｒｍｅｔｈｏｄａｎｄｔｈｅｌｅａｓｔ⁃ｓｑｕａｒｅｍｅｔｈｏｄ，ｔｈｉｓｐａｐｅｒｕｓｅｃｈａｎｇｅｂｅｔｗｅｅｎｔｈｅＦｉｓｈｅｒｃｒｉｔｅｒｉｏｎａｃｃｏｒｄｉｎｇｔｏｔｈｅｔｈｅｃｌａｓｓｏｆｄｉｓｃｒｅｔｅｄｅｇｒｅｅｅｒｒｏｒｍａｔｒｉｘａｎｄｍａ⁃ｔｒｉｘｏｆｔｈｅｄｉｓｃｒｅｔｅｄｅｇｒｅｅｏｆｒｅｃｏｎｓｔｒｕｃｔｉｏｎｅｒｒｏｒｉｎｃｌａｓｓｔｈａｎｔｈｅｍａｘｉｍｕｍｐｒｏｊｅｃｔｉｏｎｄｉｒｅｃｔｉｏｎ，ｃｌａｓｓｉｆｙｉｎｇｃｌｕｓｔｅｒｓ．ＢｙｆｕｓｉｏｎＦｉｓｈｅｒｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓｍｅｔｈｏｄｆｏｒｔｅｓｔｉｎｇｉｎｔｈｅｔｅｓｔ，ｔｈｒｏｕｇｈａｌａｒｇｅｎｕｍｂｅｒｏｆｅｘｐｅｒｉｍｅｎｔｓａｎｄｃｏｍｐａｒｉｓｏｎｍｅｔｈｏｄ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｐｒｏｖｅｄｔｈａｔＦｉｓｈｅｒｃａｎｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｈｉｇｈｐｒｅｃｉｓｉｏｎｏｆｃｌａｓｓｉｆｙｉｎｇｓｅｅｄｃｏｒｎｅａｒｄｅｔｅｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｍａｃｈｉｎｅｖｉｓｉｏｎ；ｄｅｔｅｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙ；ｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓｍｅｔｈｏｄ；ｐｒｏｊｅｃｔｉｏｎｄｉｒｅｃｔｉｏｎ；Ｆｉｓｈｅｒｄｉｓ⁃ｃｒｉｍｉｎａｎｔ㊃８３３㊃。
湖南农业大学学报(自然科学版) 2017, 43(1):112–116. DOI:10.13331/ki.jhau.2017.01.020 Journal of Hunan Agricultural University (Natural Sciences)投稿网址：基于HSV 空间的玉米果穗性状的检测李伟1，胡艳侠1，吕岑2(1.长安大学信息工程学院，陕西 西安 710064；2.陕西科技大学信息工程学院，陕西 西安 710021)摘 要：为高效检测玉米果穗性状，建立了基于HSV(色调、饱和度、明度值)空间的玉米果穗性状的检测方法：使用机器视觉技术采集绿色背景玉米果穗图像，用HSV 直方图阈值算法去除绿色背景，用FFT 滤波器去除尖锐边缘和噪声，运用粒子滤波分离单一图像中的多个玉米果穗图像，并采用形态学腐蚀方法，经过4次迭代腐蚀，得到玉米果穗中间3行；检测玉米果穗的大小、形状、纹理和颜色4个特征的性状。
随机检测67张玉米果穗样本图像的结果表明，果穗大小和形状特征检测的准确率为100%，果穗颜色和纹理特征检测的准确率分别为98.55%和96.25%，平均每果穗检测时间为0.1 s 。
关 键 词：玉米果穗；图像处理；HSV 颜色空间；二阶矩；最小外接矩形中图分类号：TP274+.3 文献标志码：A 文章编号：1007-1032(2017)01-0112-05Traits detection of corn ear based on HSV color spaceLI Wei 1，HU Yanxia 1，LÜ Cen 2(rmation Engineering College, Chang’an University, Xi’an 710064, China; rmation Engineering College, Shaanxi University of Science and Technology, Xi’an 710021, China)Abstract : In order to meet the high efficient detection of the corn ear quality, a detection method of traits for corn ear were presented based on hue, saturation, value (HSV) color space. Firstly, the corn ear images with green background were acquired by using the machine vision technology, and then remove the green background using HSV histogram threshold algorithm, as well as filtrate sharp edges and noise using FFT filter. The particle filter was used to separate corns in an image. After four iteration corrosion by the corrosion morphology method, the 3 row between the ear of corn was obtained . The size, shape, texture and color characteristics were detected for corn ear. Using this method tested the 67 images of corn ear, the test results show that the testing accuracy of corn ear size and shape feature was 100%, while the ear color and the texture feature detection accuracy rate was 98.55% and 96.25%, respectively. The average detection time of one corn was 0.1 s.Keywords : image processing; corn ear; HSV color space; second moment; the minimum circumscribed rectangle收稿日期：2016–03–16 修回日期：2016–11–05基金项目：国家自然科学基金项目(211024140375) 作者简介：李伟(1981— )，男，陕西咸阳人，博士研究生，副教授，主要从事光电检测、基于图像处理的道路检测研究，235240274@基于计算机视觉技术的玉米果穗性状的检测，可以去除过小、霉变、畸形、破损果穗，大幅度提高玉米果穗的精选效率[1]。
关键词：果实表面颜色；计算机；视觉分级技术；研究1对计算机视觉分级技术研究中材料的选取及检测系统的验证1.1试验选取的材料为了进一步的对保证在对计算机视觉分级技术进行分析和验证，本文所选取的实验材料是某一地区所生产出的红星苹果，而且在选择中苹果的果径限制在50mm到80mm左右。
其中，还要将一些存在瑕疵和畸形的苹果进行去除，保证在实验验证的过程中，不会因为苹果自身的原因而造成对是实验结果的影响。
其中，在检测中，是注重对红星苹果颜色的研究，借助计算机视觉检测系统来对一批红星苹果的颜色进行分级挑选。
1.2检测系统在计算机视觉分级技术中，主要的检测系统包括了计算机、CCD摄像机、图像采集卡和照明室等。
在检测系统中，主要的系统是IBM兼容机,其中在该主机中包含了一些内插的大恒图像公司VIDEO2PCI2C真彩色图像采集卡，也就是指可以通过对图片中对比来进行收集图片。
在收集图片之后，借助松下CP410彩色CCD摄像机搭配DH1212型C式安装镜头来进一步的获取研究对象自身表面的图像。
在检测的过程中，为了保证检测对表面光照度的统一性和标准，并且不会产生一些镜面的反射，本文选择了圆筒形照明室来进行照明，其中圆筒形照明室的直径尺寸是580mm。
并且为了减少周边环境的影响，将照明室的内部壁涂成白色,放置6个60W的灯泡并且分两排对称的安装在照明室的底部区域中,而在照明室内部的载样台面上，是用细砂布打磨过的黑色橡胶板之后将选择的样品放置于橡胶板上进行对应的观察与分析，重点是要考察样品的颜色度。
2对样品果实颜色特性的分析以及具体颜色的分级方法介绍2.1样品颜色模型的选择为了确保研究方法的科学性，和对样品颜色研究的合理性，对相应苹果颜色已经建立起多种颜色的具体模型，其中在对样品颜色图像的处理过程中,一般经常会应用到的模型是RGB、HLS和YIQ的颜色模型。
其中，对于RGB颜色模型来说，该种颜色模型是应用于一些硬件设备的，也就是需要由一些摄像机来获得对应样品的彩色图像并表示为对应的R、G、B 成份。
基于计算机视觉的玉米籽粒形态测量与研究李宗桧【期刊名称】《农机化研究》【年(卷),期】2017(039)007【摘要】Computer vision technology is refers to the use of computers and related equipment , and a simulation of bio-logical vision .Computer vision analysis , mainly is to through the image acquisition to be dealt with to obtain image corre-sponding to the three-dimensional scene of biological information .Vision technology has been widely used in various fields of production , including manufacturing industry , document analysis , medical diagnosis , agricultural quality testing and so on .This paper based on the computer vision measurement of maize kernel shape and research topics , design to ex-plore a maize quality method of automatic detection and analysis , namely , maize grain real-time analysis system , in the non-destructive testing of link , with objective , efficient , accurate advantages , greatly improved to solve the defects of the traditional manual detection mode subjective , inefficient and error .Finally, a corn seed test device based on computer line scan technology and automatic control technology was designed .%视觉技术目前被广泛应用于社会各生产领域，包括制造行业、文档分析、医疗诊断及农业品质检测等。
第20卷第3期2004年5月农业工程学报Tr ansactions of the CSAE Vol.20 No.3M ay 2004玉米籽粒的尖端和胚部的计算机视觉识别宁纪锋1,何东健1,杨蜀秦2(1.西北农林科技大学信息工程学院,杨凌712100; 2.西北农林科技大学机械与电子工程学院,杨凌712100)摘 要:对影响计算机视觉检测玉米籽粒品质的尖端和胚部的识别两个问题进行了研究。
利用玉米籽粒尖端的形态特征和胚部图像的亮度特征,分别提出了相应的识别算法。
算法对4个品种xhg 、xn 12、wn 14、wc 玉米籽粒尖端、表面特征的综合识别率分别为92.50%和89.58%,为特征参数计算奠定了基础。
关键词:玉米籽粒;尖端;胚部;识别;计算机视觉中图分类号:T P 391.41 文献标识码:A 文章编号:1002-6819(2004)02-0117-03收稿日期:2003-06-27 修订日期:2004-01-05作者简介:宁纪锋(1975-),男,硕士,主要从事农业智能化检测与监控系统方面的研究。
杨凌 西北农林科技大学信息工程学院,7121000 引 言利用计算机视觉技术检测农作物籽粒品质,具有客观、准确、快速的优点。
玉米是中国的主要农作物之一,在食品、饲料等行业中的应用广泛,因此研究玉米籽粒的计算机视觉检测技术代替手工检测意义重大。
国内外对农作物籽粒品质的检测的研究较多[1-6]。
J .Liu M .R .Paulsen 等[2](2000)以白色和黄色玉米籽粒为对象,采用YCrCb 颜色模型来表示玉米籽粒的颜色,为去除玉米籽粒胚部对颜色计算造成的影响,算法采取将玉米籽粒胚部去掉,然后再进行计算。
颜色计算结果能够定量和可靠地反映玉米籽粒颜色的差异。
宋韬,曾德超(1996)[7]提取了11个玉米籽粒形态参数,用人工神经网络的方法对完整的玉米籽粒和破损的玉米籽粒进行了识别研究,正确率达93%。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术是一种利用计算机系统来模拟和复制人类视觉处理过程的技术。
它在
农产品品质检测中的应用可以大大提高检测的精度、效率和自动化程度。
以下是计算机视
觉技术在农产品品质检测中的几个应用案例。
计算机视觉技术可以应用于果蔬的外观质量检测。
传统的果蔬质量检测通常需要依靠
人工的主观判断，而计算机视觉技术可以通过摄像头获取果蔬的外观图像，并通过图像处
理算法来判断果蔬的颜色、形状、大小等特征是否符合标准。
这种方式不仅可以提高检测
的准确性，还可以大大提高检测的速度。
计算机视觉技术还可以用于农产品的贮存和运输过程中的品质检测。
利用计算机视觉
技术，可以实时监测农产品在贮存和运输过程中的外观和变化，及时发现问题并采取措施，从而提高农产品的保鲜和品质。
计算机视觉技术在农产品品质检测中具有广阔的应用前景。
它可以帮助农民和企业实
现自动化、高效率和准确度的农产品品质检测，从而提高农产品的质量和竞争力。
计算机视觉技术在玉米种子自动检测中的应用潘㊀霞１ꎬ谭会君２(１.河南经贸职业学院ꎬ郑州㊀４５００００ꎻ２.漯河职业技术学院ꎬ河南漯河㊀４６２００２)摘㊀要:玉米种子的品质关系到后期玉米种植收获的好坏ꎬ也是玉米收获后的重要加工环节ꎬ一般在收获的玉米中挑选出品质优良的作为种子ꎮ利用计算机视觉对玉米种子品质进行挑选ꎬ具有效率高㊁准确度高的优势ꎬ可代替传统的人工作业ꎬ节省了大量劳动力ꎮ计算机视觉技术是通过对玉米种子采集的图像进行格式转换㊁图像变换㊁图像直方图信息统计㊁图像增强㊁图像分割及形态学处理等一系列图像预处理技术ꎬ并提取有效图像进行分析验算ꎮ计算机视觉技术对玉米种子品质的研究主要表现在玉米种子的品种㊁纯度㊁活力㊁裂纹等方面的检测ꎬ本文对玉米种子的检测智能化进行了阐述ꎬ为后期研究提供参考ꎮ关键词:计算机视觉技术ꎻ玉米种子ꎻ图像处理ꎻ品质检测ꎻ品质分级中图分类号:Ｓ１２６㊀㊀㊀㊀㊀㊀㊀文献标识码:Ａ文章编号:１００３－１８８Ｘ(２０１９)０３－０２２８－０４０㊀引言计算机视觉技术涉及诸多领域ꎬ由机器来代替肉眼完成工作ꎬ机器视觉在各类生产中的应用逐渐开始普及ꎮ机器视觉在农业种植中主要用于作物品种检测㊁病害检测㊁采摘㊁品质检测及品质分级等方面[１－６]ꎮ根据数据统计ꎬ２００７年我国玉米总产量约为１.４５亿ｔꎬ到２０１６我国玉米总产量约为２.１９亿ｔꎮ随着种子市场的放开ꎬ种子的质量比较难以把控ꎬ对玉米种子的检测显得尤为重要ꎮ将计算机视觉技术应用于种子自动检测的研究已有许多ꎬ如中国农业大学的宁纪峰等[７]通过对采集的单颗玉米粒图像处理后ꎬ提取特征参数图像ꎬ通过提取的图像形态分析玉米的品种ꎮ成芳等[８－９]研究水稻品种识别中采用了计算机视觉技术ꎮ闸建文等[１０]利用计算机建立玉米品种识别标准ꎬ识别率可达到８８％ꎮ在玉米种植中ꎬ玉米的产量很大程度取决于种子的质量ꎮ为此ꎬ本文综述这方面的研究信息ꎬ为后期研究提供参考ꎮ１㊀检测图像的采集用于图像采集的设备主要包括取像设备和采集卡ꎬ目前用于取像的设备多为ＣＣＤ(ＣＭＯＳ)摄像机及数字扫描仪ꎬＣＣＤ摄像机对静态摄像来说是比较经济收稿日期:２０１７－１１－０６基金项目:河南省科技计划项目(１７２１０２２１０１１７)作者简介:潘㊀霞(１９８２－)ꎬ女ꎬ郑州人ꎬ讲师ꎬ硕士ꎬ(Ｅ－ｍａｉｌ)ｐｉｎｇ８４７６３１７３ｋａｏｓｈｉ＠１６３.ｃｏｍꎮ通讯作者:谭会君(１９８２－)ꎬ女ꎬ河南漯河人ꎬ讲师ꎬ硕士ꎮ合理的选择ꎮ采集图像要显示清晰ꎬ背景的选择尤为重要ꎬ需要采集的图像实物是玉米种子ꎬ玉米种子多为黄白色ꎬ因有比较大的对比度会显示更清楚ꎬ故选择黑色为背景ꎮ由于采集图像时光照可能会不好ꎬ需要对光照强度进行补偿ꎬ有光线照到玉米种子上就会形成阴影ꎬ阴影过多过大会对图像的采集造成很严重的影响ꎬ对后期图像的处理和识别都会构成很大的障碍ꎮ所以ꎬ光源的性状选择为造成阴影少的环形光源ꎬ并添加光罩ꎬ减少外界杂乱光线的影响ꎮ采集成像设备如图１所示ꎮ图１㊀采集成像设备Ｆｉｇ.１㊀Ｃｏｌｌｅｃｔｉｍａｇｉｎｇｅｑｕｉｐｍｅｎｔ２㊀图像处理分析检测程序(见图２)中ꎬ重要的是图像处理和特征提取ꎬ图像处理(见图３)是为了提取需要的特征图像做的准备工作ꎬ包括灰度分布㊁图像增强㊁分割取样及２０１９年３月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３期图像滤波等[１０－１３]ꎮ在图像处理前还应当考虑到采集图像时的背景颜色是否控制ꎬ在允许的条件下ꎬ应选择单一颜色的背景ꎬ且背景颜色与玉米的对比度要大ꎻ在进行玉米种子检测时还应考虑颜色特征对识别结果的影响ꎮ玉米种子在检测时ꎬ由于玉米中的性状不规则ꎬ且容易发生移动ꎬ图像处理时需要考虑到空间位置的移动和玉米轮廓的变化ꎮ图２㊀玉米自动检测程序Ｆｉｇ.２㊀Ｃｏｒｎａｕｔｏｍａｔｉｃｔｅｓｔｉｎｇｐｒｏｇｒａｍ图３㊀图像处理基本程序Ｆｉｇ.３㊀Ｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｂａｓｉｃｐｒｏｃｅｄｕｒｅｓ图像处理的后期工作就是提取图像中的特征参数ꎬ通过标记需要的图像轮廓ꎬ沿着标记轮廓将特征图像分割出来ꎬ并采用多对象算法提取ꎬ对提取形态特征参数和颜色特征参数进行识别ꎮ提取特征参数流程如图４所示ꎮ图４㊀图像特征提取基本程序Ｆｉｇ.４㊀Ｉｍａｇｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｂａｓｉｃｐｒｏｃｅｄｕｒｅｓ３㊀玉米种子品种检测在玉米育种㊁种子的销售等环节中ꎬ品种的检测是必要程序ꎮ国内外许多学者进行了基于机器视觉技术的种子品种研究ꎮＳＨＥＮ等[１４]通过扫描仪扫描５种玉米种子ꎬ通过距离判断式并结合神经网络ꎬ形成分类器系统软件进行品种的检测识别ꎮＰＥＡＲＳＯＮ[１５]采用彩色摄像机采集玉米粒图像ꎬ并提取图像特征参数识别玉米粒品种ꎮ郑敏江等[１６]通过数码相机采集图像ꎬ将图像增强滤波后ꎬ使用ＢＰ神经网络系统识别区分玉米品种ꎮ徐静玉等[１７]使用传感器进行对玉米种子的颜色识别ꎮ曹长虎等[１８]将采集的图像处理后ꎬ摒弃传统的算法ꎬ以多对象标记算法分析玉米粒参数ꎬ通过对玉米粒的面积㊁周长㊁中心线位置和长度㊁密实度等多个参数进行分析ꎬ识别算数模块采用ＢＰ神经网络系统的遗传网络算法ꎬ将提取的特征参数与参数数据库中的参数相比较分析ꎬ正确识别玉米品种ꎮ张俊雄等[１９]研究利用ＣＣＤ摄像机采集图像ꎬ采用分析尖端区域ꎬ用识别检测玉米种子内部是否有裂纹ꎬ玉米种子品种识别度达到９０％ꎮ史中辉等[２０]采用摄像机采集玉米种子的图像ꎬ处理后提取形态和颜色两种特征参数ꎬ来识别玉米种子的品种ꎮ司秀丽等[２１]采用彩色摄像机采集图谱ꎬ对图像进行灰度分别㊁图像分割等处理ꎬ与标准图谱相比较ꎬ经试验检测到玉米种子的识别度达到９９.５％ꎮ闫小梅等[２２]采用ＣＣＤ摄像机获取图像ꎬ图像处理后提取颜色特征参数ꎬ玉米种子品种的识别度达到９３.７％以上ꎮ刘双喜等[２３]采用ＣＣＤ摄像机采集玉米种子尖端图像ꎬ分割尖端区域的颜色特征图像ꎬ采用ＤＢＳＣＡＮ算法进行玉米识别ꎬ识别率达９３.３％ꎮ利用计算机视觉技术来自动识别玉米品种ꎬ通过采用多对象轮廓提取算法ꎬ分析玉米粒的性状特征和颜色特征ꎬ定义玉米粒的各项参数特征ꎬ并分析提取的特征图像ꎬ提高玉米种子品种的识别度ꎮ４㊀玉米种子纯度检测种子的纯度是玉米种子质量控制的指标之一ꎬ种子市场的混乱ꎬ以次充好的种子进入市场会严重损害农户的利益ꎬ因此玉米种子的纯度检测非常重要ꎮ目前ꎬ检测纯度的方法有籽粒形态法㊁幼苗形态法及蛋白质电泳法ꎮ籽粒形态法适用于亲本自交系近的杂交种子ꎬ幼苗形态法适用品种少ꎻ但周期长ꎬ不利于生产种植ꎮ蛋白质电泳法分析快速ꎬ结果可靠ꎻ但该方法检测种子纯度的速度慢ꎬ无法满足大规模的种植要２０１９年３月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３期求ꎮ计算机视觉检测玉米纯度可以快速准确地达到要求ꎮ朱晓[２４]利用高频反射图像ꎬ提取多个特征图像参数ꎬ通过改进的遗传算法分析图像ꎬ建设了分级数据库ꎬ该数据库检测玉米种子纯度的准确率达到９７％以上ꎬ检测效果稳定ꎮ司秀丽等[２２]采用彩色摄像机采集图像ꎬ将采集的图像灰度分布㊁增强且均衡化ꎬ得到的图像与电泳比较判断纯度ꎮ周红等[２５]在玉米种子纯度检测中ꎬ利用计算机视觉技术对不同品种玉米种子进行区别精度高ꎮ５㊀玉米种子活力检测玉米种子的活力是指在实际种植的情况下ꎬ决定玉米种子出苗和生长为健康幼苗的潜在能力ꎮ活力好的种子有发芽率高㊁出苗整齐的优点ꎬ也有很好的抗逆性ꎬ种子活力的检测方法有常规的电导率测定㊁四唑染色法及发芽实验法ꎮ四唑染色法是玉米种子活力检测方法中国际上公认的一种可靠的检测方法ꎬ该方法通过染色玉米的种胚ꎬ观察种胚染色的深浅和面积来判断玉米种子的活力ꎮ由于颜色的深浅以肉眼来判断很难达到要求ꎬ染色的面积也是不规则的ꎬ常规方法无法计算出来ꎬ因此可以结合计算机视觉技术来检测ꎬ将染色的种胚为目标采集图像ꎬ提取图像中的颜色特征参数ꎬ便可检测活力的水平ꎬ提高了检测效率和精度ꎮ赵新子等[２６]采用四唑染色法与计算机视觉技术相结合的方法ꎬ对染色后种胚采集图像ꎬ提取颜色特征参数ꎬ并计算染色面积ꎬ判断种子的活力水平ꎬ经试验验证该方法的识别率为９４％ꎮ６㊀玉米种子裂纹检测玉米种子产生裂纹后会影响到种子的发芽率ꎬ易引起发热和遭受害虫及霉菌的侵袭ꎬ必须严格检测玉米是否有裂纹ꎮ朱文学等[２７]用显微镜检测玉米种子的裂纹ꎬ观察裂纹的变化情况ꎮＧｕｎａｓｅｋａｒａｎＳ[２８]利用商用的计算机视觉程序采集玉米种子的图像ꎬ可以快速识别玉米种子内部的裂纹ꎮ其利用去除尖端区域的方法[２９－３０]可以减少干扰检测的无裂纹区域对识别的影响ꎬ对两个品种进行了是否有裂纹识别ꎬ准确度可达到９０％以上ꎮ张俊雄等[１９]表面裂纹检测:采集玉米种子的单颗图像后通过分割阈值㊁膨胀等处理ꎬ判定玉米种子的尖端区域ꎬ识别率过９０％ꎮ研究证明:该方法对于玉米种子内部裂纹的测定具有很好的实用性ꎮ７㊀结论１)将计算机视觉技术用于玉米种子的自动检测ꎬ在图像处理㊁特征提取与识别等方面还存在一些问题ꎬ后面的深入研究将向智能化方向延伸ꎮ随着计算机技术的发展ꎬ在农业种植生产中会有更多环节被智能化机器代替ꎮ２)计算机视觉技术在玉米种子检测的自动化对于我国玉米种植业的发展有着积极的作用ꎬ为种植户提供更高的保障ꎮ由于在玉米种子自动化检测方面ꎬ还存在许多问题ꎬ如玉米种子内部霉变是否存在ꎬ动态情况下如何准确的检测玉米种子等ꎬ因此研究出更精确和多功能的玉米种子自动检测设备ꎬ实现精准农业具有重要意义ꎮ参考文献:[１]㊀王玉亮.基于机器视觉的玉米种子品种识别与检测研究[Ｄ].泰安:山东农业大学ꎬ２００８.[２]㊀ＹｏｎｅｋａｗａＳꎬＳａｋａｉＮꎬＫｉｔａｎｉＯ.Ｔｈｒｅｅｄｉｍｅｎｓｉｏｎａｌｍｅａｓｕｒｅ￣ｍｅｎｔｏｆｌｏａｍｃｌｏｄｓｕｓｉｎｇｍａｃｈｉｎｅｖｉｓｉｏｎ[Ｊ].ＴｒａｎｓｏｆｔｈｅＡＳＡＥꎬ１９９４ꎬ３７(３):１００３－１００９.[３]㊀屈赘ꎬ吴玉洁ꎬ刘盼.计算机视觉技术在农作物病虫草害防治中的研究进展[Ｊ].安徽农业科学ꎬ２０１１ꎬ３９(９):５５７０－５５７１.[４]㊀鲍官军ꎬ荀一ꎬ威利勇ꎬ等.机器视觉在黄瓜采摘机器人中的应用研究[Ｊ].浙江工业大学学报ꎬ２０１０ꎬ３８(１):１１４－１１８.[５]㊀应义斌ꎬ蒋亦元.机器视觉技术在农产品品质自动识别中的应用研究进展[Ｊ].农业工程学报ꎬ２０００ꎬ１６(３):４－７. [６]㊀毛璐ꎬ赵春江ꎬ王开义ꎬ等.机器视觉在农产品物流分级检测中的应用[Ｊ].农机化研究ꎬ２０１１ꎬ３３(７):７－１３. [７]㊀宁纪峰.玉米品种的计算机视觉识别研究[Ｄ].杨凌:西北农林科技大学ꎬ２００２.[８]㊀成芳.应义斌.机器视觉技术在农作物种子质量检验中的应用研究进展[Ｊ].农业工程学报ꎬ２００１ꎬ１７(６):１７５－１７９.[９]㊀成芳.稻种质量的机器视觉无损检测研究[Ｄ].杭州:浙江大学ꎬ２００４.[１０]㊀阮秋琦.数字图像处理学[Ｍ].北京:电子工业出版社ꎬ２００１:１９２ꎬ１９９.[１１]㊀何斌ꎬ马天予ꎬ王运坚ꎬ等.ＶｉｓｕａｌＣ＋＋数字图像处理[Ｍ].２版.北京:人民邮电出版社ꎬ２００２.[１２]㊀ＲａｆａｃｌＣ.ＧｏｎｚａｌｅｚꎬＲｉｃｈａｒｄＥ.Ｗｏｏｄｓ.数字图像处理[Ｍ].２版.北京:电子工业出版社ꎬ２００５.[１３]㊀ＷｉｌｌｉａｍＫＰｒａｔｔ.数字图像处理[Ｍ].北京:机械工业出版社ꎬ２００５.[１４]㊀ＳＨＥＮＸ.Ｃｏｍｂｉｎｉｎｇｄｉｎｓｃｅｉｍｉｎａｎｔａｎａｌｙｓｉｓａｎｄｎｅｕｒａｌｎｅｔ￣ｗｏｒｋｓｆｏｒｃｏｒｎｖａｒｉｅｔｙｉｄｅｎｔｉｆｉｃａｔｉｏｎ[Ｊ].ＣｏｍｐｕｔｅｒｓａｎｄＥ￣２０１９年３月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３期ｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅꎬ２０１０ꎬ７１(Ｓ１):４８－５３. [１５]㊀ＰＥＡＲＳＯＮＴ.Ｈａｒｄｗａｒｅ－ｂａｓｅｄｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｆｏｒｈｉｇｈ－ｓｐｅｅｄｉｎｓｐｅｃｔｉｏｎｏｆｇｒａｉｎｓ[Ｊ].ＣｏｍｐｕｔｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅꎬ２００９ꎬ６９ꎻ１２－１８.[１６]㊀郑敏江.基于数字图像处理的玉米种子质量分级方法研究[Ｄ].武汉:武汉理工大学ꎬ２００５.[１７]㊀徐静玉.米种子光电分选技术及装置的研究[Ｄ].长春:吉林大学ꎬ２００９.[１８]㊀曹长虎.李亚非一种二值图像连通区域标记快速算法[Ｊ].科学技术与工程ꎬ２０１０ꎬ３３(１０):８１６７－８１７０. [１９]㊀张俊雄ꎬ荀一ꎬ李伟.基于形态特征的玉米种子表面裂纹检测方法[Ｊ].光学精密工程ꎬ２００７ꎬ１５(６):９５１－９５６. [２０]㊀史中辉ꎬ赵秀艳ꎬ于广洋ꎬ等.基于图像处理的玉米种子特征参数提取系统[Ｊ].农机化研究ꎬ２０１１ꎬ３３(１０):１６６－１７０.[２１]㊀司秀丽ꎬ吴巍ꎬ赵新子ꎬ等.玉米种子纯度的计算机图像识别[Ｊ].吉林农业大学学报ꎬ２００５ꎬ２７(６):６９４－６９７. [２２]㊀闰小梅ꎬ刘双喜ꎬ张春庆ꎬ等.基于颜色特征的玉米种子纯度识别[Ｊ].农业工程学报ꎬ２０１０ꎬ２６(Ｓ１):４６－５０. [２３]㊀刘双喜ꎬ王盼ꎬ张春庆ꎬ等.基于优化ＤＢＳＣＡＮ算法的玉米种子纯度识别[Ｊ].农业机械学报ꎬ２０１２ꎬ４３(４):１８８－１９２.[２４]㊀朱晓.玉米高光谱图像的特征提取与分类研究[Ｄ].无锡:江南大学ꎬ２０１３.[２５]㊀周红ꎬ刘光蓉ꎬ管庶安.数字图像处理技术在玉米种子轮廓检测中的应用[Ｊ].种子ꎬ２００４ꎬ２３(９):９０－９２. [２６]㊀赵新子ꎬ吴巍ꎬ司秀丽.玉米种子活力图像识别与处理技术研究[Ｊ].吉林农业大学学报ꎬ２００４ꎬ２６(５):５７２－５７６. [２７]㊀朱文学ꎬ曹崇文.玉米应力裂纹的显微分析[Ｊ].农业工程学报ꎬ１９９８ꎬ１４(２):９８－２０２.[２８]㊀ＧＵＮＡＳＥＫＡＲＡＮＳꎬＣＯＯＰＥＲＴＭꎬＢＥＲＬＡＧＥＡＧꎬｅｔａｌ.ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇｆｏｒＳｔｒｅｓｓＣｒａｃｋｓｉｎＣｏｒｎＫｅｒｎｅｉｓ[Ｊ].ＴｒａｎｓｏｆｔｈｅＡＳＡＥꎬ１９８７ꎬ２８(１):２６６－２７１.[２９]㊀ＧＩＡＫＯＵＭＩＳＩꎬＮＩＫＯＬＡＩＤＩＳＮꎬＰＩＴＡＳＩ.Ｄｉｇｉｔａｉｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｔｅｃｈｎｉｇｕｅｓｆｏｒｔｈｅｄｅｔｅｃｔｉｏｎａｎｄｒｅｍｏｖａｉｏｆｃｒａｃｋｓｉｎｄｉｇｉｔｉｚｅｄｐａｉｎｔｉｎｇｓ[Ｊ].ＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇꎬ２００６ꎬ１５(１):１７８－１８８.[３０]㊀宁纪峰ꎬ何东健ꎬ杨蜀秦.玉米籽粒的尖端和胚部的计算机视觉识别[Ｊ].农业工程学报ꎬ２００４ꎬ２０(３):１１７－１１９.ＡｐｐｌｉｃａｔｉｏｎｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎＴｅｃｈｎｏｌｏｇｙｉｎＭａｉｚｅＳｅｅｄＡｕｔｏｍａｔｉｃＤｅｔｅｃｔｉｏｎＰａｎＸｉａ１ꎬＴａｎＨｕｉｊｕｎ２(１.ＨｅｎａｎＥｃｏｎｏｍｙａｎｄＴｒａｄｅＶｏｃａｔｉｏｎａｌＣｏｌｌｅｇｅꎬＺｈｅｎｇｚｈｏｕ４５００００ꎬＣｈｉｎａꎻ２.ＬｕｏｈｅＶｏｃａｔｉｏｎａｌＴｅｃｈｎｏｌｏｇｙＣｏｌｌｅｇｅꎬＬｕｏｈｅ４６２００２ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｃｏｒｎｑｕａｌｉｔｙｉｓｒｅｌａｔｅｄｔｏｔｈｅｑｕａｌｉｔｙｏｆｌａｔｅｃｏｒｎｈａｒｖｅｓｔｅｄｈａｒｖｅｓｔｉｓｇｏｏｄꎬｂｕｔａｌｓｏａｎｉｍｐｏｒｔａｎｔｐｏｓｔ－ｈａｒｖｅｓｔｐｒｏｃｅｓｓｉｎｇｏｆｃｏｒｎꎬｈａｒｖｅｓｔｅｄｃｏｒｎｐｉｃｋｅｄｏｕｔｏｆｇｏｏｄｑｕａｌｉｔｙａｓａｓｅｅｄ.Ｔｈｅｕｓｅｏｆｃｏｍｐｕｔｅｒｖｉｓｉｏｎｔｏｓｅｌｅｃｔｔｈｅｑｕａｌｉｔｙｏｆｃｏｒｎｓｅｅｄｓｈａｓｔｈｅａｄｖａｎｔａｇｅｓｏｆｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｈｉｇｈａｃｃｕｒａｃｙꎬｗｈｉｃｈｃａｎｒｅｐｌａｃｅｔｈｅｔｒａｄｉｔｉｏｎａｌａｒｔｉｆｉｃｉａｌｄｉｖｉｓｉｏｎａｎｄｓａｖｅａｌｏｔｏｆｌａｂｏｒ.Ｃｏｍｐｕｔｅｒｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙｉｓａｓｅｒｉｅｓｏｆｉｍａｇｅｐｒｅｐｒｏｃｅｓｓｉｎｇｔｅｃｈｎｏｌｏｇｉｅｓꎬｓｕｃｈａｓｆｏｒｍａｔｃｏｎｖｅｒ￣ｓｉｏｎꎬｉｍａｇｅｔｒａｎｓｆｏｒｍａｔｉｏｎꎬｉｍａｇｅｈｉｓｔｏｇｒａｍｓｔａｔｉｓｔｉｃｓꎬｉｍａｇｅｅｎｈａｎｃｅｍｅｎｔꎬｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎꎬｍｏｒｐｈｏｌｏｇｉｃａｌｐｒｏｃｅｓｓ￣ｉｎｇａｎｄｓｏｏｎꎬｗｈｉｃｈａｒｅｃｏｌｌｅｃｔｅｄｂｙｔｈｅｃｏｒｎｓｅｅｄ.Ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｖａｌｉｄｉｍａｇｅｓａｒｅａｎａｌｙｚｅｄａｎｄｃｈｅｃｋｅｄ.Ｔｈｅｒｅ￣ｓｅａｒｃｈｅｓｏｎｔｈｅｃｏｒｎｓｅｅｄｑｕａｌｉｔｙｂｙｃｏｍｐｕｔｅｒｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙｍａｉｎｌｙｓｔｕｄｙｔｈｅｄｅｔｅｃｔｉｏｎｏｆｃｏｒｎｓｅｅｄｖａｒｉｅｔｙꎬｐｕｒｉｔｙꎬｖｉｔａｌｉｔｙꎬｃｒａｃｋａｎｄｓｏｏｎꎬａｎｄｓｕｍｍａｒｉｚｅｔｈｅｄｅｔｅｃｔｉｏｎｉｎｔｅｌｌｉｇｅｎｃｅｏｆｃｏｒｎｓｅｅｄꎬａｎｄｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｓｆｏｒｔｈｅｌａｔｅｒｒｅ￣ｓｅａｒｃｈ.Ｋｅｙｗｏｒｄｓ:ｃｏｍｐｕｔｅｒｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙꎻｃｏｒｎｓｅｅｄꎻｉｍａｇｅｐｒｏｃｅｓｓｉｎｇꎻｑｕａｌｉｔｙｔｅｓｔｉｎｇꎻｑｕａｌｉｔｙｇｒａｄｉｎｇ２０１９年３月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农机化研究㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３期。
计算机视觉技术在农产品品质检测中的应用
近年来，随着计算机视觉技术的发展，其在农产品品质检测中的应用得到了广泛关注
和应用。
计算机视觉技术以其高精度、高效率的特点，为农产品品质检测提供了新的解决
方案。
一、农产品外观品质检测
农产品外观品质是决定其市场价值的重要因素之一。
传统的农产品外观品质检测依靠
人工视觉进行，存在着人工成本高、病变程度较小的缺陷。
而计算机视觉技术的应用可以
提高外观品质检测的效率和精度。
计算机视觉技术可以通过图像处理和特征提取等方法，对农产品的外观特征进行分析
和识别。
对于水果的外观品质检测，可以通过计算机视觉技术自动检测果实的色泽、大小、形状等特征，并与标准值进行比较，从而确定水果的外观品质；对于蔬菜的外观品质检测，可以通过计算机视觉技术自动检测蔬菜的颜色、纹理等特征，并与标准值进行比较，从而
确定蔬菜的外观品质。
二、农产品成熟度检测
计算机视觉技术在农产品品质检测中的应用具有重要的意义。
通过计算机视觉技术，
可以提高品质检测的效率和准确性，降低人工成本，提高农产品的市场竞争力。
随着计算
机视觉技术的不断发展，相信在未来，其在农产品品质检测中的应用将会更加广泛。
计算机视觉技术在农产品品质检测中的应用农产品品质检测是农产品生产流程中非常重要的一环，其目的是为了确保农产品的安全和质量。
传统的农产品品质检测往往耗时、效率低下，而且容易出现人为偏差。
而计算机视觉技术的发展给农产品品质检测带来了新的突破和可能性。
本文将介绍计算机视觉技术在农产品品质检测中的应用。
农产品的外观是消费者购买时的首要考虑因素之一。
而一些不合格的农产品外观往往是由于病虫害、机械损伤等原因造成的。
传统的外观检测主要依靠人工目视，这种方式不仅效率低下，而且易受主观因素的影响。
而计算机视觉技术在外观检测中的应用可以实现自动化、高效率的检测。
计算机视觉技术可以通过图像识别算法来检测农产品外观的各种缺陷和瑕疵。
对于水果的品质检测，可以通过计算机视觉技术来检测水果的颜色、大小、形状等特征。
对于蔬菜的检测，可以通过计算机视觉技术来检测蔬菜的色泽、均匀度等特征。
通过这种方式，可以大大减少人工检测的工作量，提高检测的准确性和效率。
除了外观检测，农产品的质量检测也是非常重要的一环。
传统的农产品质量检测主要依靠化学分析，这种方式不仅耗时，而且需要专业的技术人员进行操作。
而计算机视觉技术的应用可以有效缩短检测时间，降低成本。
计算机视觉技术可以通过图像处理和机器学习算法来检测农产品的质量指标。
对于农产品的营养成分分析，可以通过图像处理来提取农产品图像中的色素信息，进而推断其营养成分含量。
对于农产品的病原菌检测，可以通过图像处理和机器学习算法来检测农产品表面的细菌数量和种类。
通过这种方式，可以大大提高质量检测的速度和准确性。
总结：计算机视觉技术在农产品品质检测中的应用可以大大提高检测的准确性和效率。
不仅可以实现农产品的自动化、高效化检测，还可以降低人力成本。
对于未来的农产品品质检测来说，计算机视觉技术将扮演越来越重要的角色。
加大对计算机视觉技术在农产品品质检测中的研究和应用，将会对农业生产的可持续发展产生积极影响。
