《基于机器视觉的蔬菜种子包衣品质鉴定》由会员分享，可在线阅读，更多相关《基于机器视觉的蔬菜种子包衣品质鉴定（15页珍藏版）》请在金锄头文库上搜索。
1、基于机器视觉的蔬菜种子包衣品质鉴定 喻志成 赵春宇 高璐 上海交通大学电子信息与电气工程学院 摘 要： 蔬菜种子包衣工作参数的智能调节, 能提高包衣加工效率和成品质量。为了研究包衣工作参数的智能调节, 提出了基于机器视觉的蔬菜种子包衣品质鉴定方法。针对蔬菜种子包衣过程中种子包衣完整性、包衣颜色深浅、包衣颜色均匀性 3 个重要指标, 提出依据单粒种子的种子包裹率、种子颜色及纹理特征将包衣种子分为合格与非合格两类。对于种子图像中粘连的问题, 采用分水岭算法将图像分割为单粒种子。通过对单粒种子的多阈值分割, 实现种子包衣完整率的计算。基于 HSI 颜色空间提取 H、S 分量的颜色矩特征与 I 分量的
2、灰度共生矩阵特征, 融合种子包衣完整率、颜色矩特征和灰度共生矩阵特征这 3 种特征为一个 11 维特征向量, 构建基于径向基核函数的支持向量机分类器对包衣结果进行品质鉴定。实验选用包衣后辣椒种子验证算法, 结果表明:包衣结果识别准确率为 90.93%。该研究可为后续研究包衣机工作参数的智能调节奠定理论基础。关键词： 蔬菜; 种子包衣; 品质鉴定; 机器视觉; 作者简介：喻志成 (1992-) , 男, 湖北黄冈人, 硕士研究生, (E-mail) 。作者简介：赵春宇 (1971-) , 男, 哈尔滨人, 副教授, 硕士生导师, (E-mail) 。基金：国家“863 计划”项目 (2012AA
3、10A505) Quality Recognition for Coated Vegetable Seed Based on Computer VisionYu Zhicheng Zhao Chunyu Gao Lu School of Electronic Information and Electrical Engineering, Shanghai Jiaotong University; Abstract： Intelligent regulation of vegetable seed coating parameters can improve the efficiency of
4、the coating process, and improve the quality of the seed products. In order to study the intelligent control of coating parameters, this paper proposed vegetable seed quality identification method based on computer vision. According to three important indicators including coating rate, coating color
5、 and texture features, a seed was classified as qualified-coated or non-qualified-coated. For adhesion of the seed image, watershed algorithm was used to segment the seeds into single. Seed coating rate was calculated based on multi-threshold segmentation method. The seed image was converted into HS
6、I color space in order to extract color moments features in H and S component and gray-level-co-occurrence matrix features in I component. Three kinds of features including coating rate, color moment features and gray-level-co-occurrence matrix features were fused into an eleven-dimensional feature
7、vector. Support vector machine classifier was trained based on radial basis function. Experiments were conducted using coated chill seed. And results showed that the quality recognition for coated vegetable seed accuracy is 90. 93%. This research laid a theoretical foundation of following-up study o
8、f intelligent regulation of vegetable seed coating parameters.Keyword： vegetable; seed coating; quality recognition; computer vision; 0 引言种子包衣技术已经在主要农作物种子和蔬菜种子生产过程中得到了广泛的应用1-2。传统的包衣机包衣工作中, 包衣结果由有经验的技术人员以肉眼观察来评估包衣结果是否合格。蔬菜种子包衣过程中种子单次批量小、种子类别多、需要频繁调节包衣机工作参数, 因而传统的种子包衣机已无法满足智能、快速调节包衣机参数的需求3。为此, 国家高技术发展
9、研究计划 (863 计划) 智能化农机技术与装备项目提出了农业机械智能化的要求。为提高包衣加工设备效率, 提高种子加工质量, 需研究包衣机工作参数的智能调节方法, 即包衣机的智能控制需要在人工经验的基础上自动识别每一批次包衣的种子是否合格。机器视觉与模式识别技术近几年在农业、工业方面得到了广泛应用4-5。为了实现种子包衣结果的自动评价, 本文提出使用机器视觉与模式识别的方法将包衣后种子分为合格与非合格两类, 以反馈机制调节包衣机工作参数, 为后续研究种子包衣机的智能自动控制打下基础6-7。为了使用机器视觉对包衣后种子进行分类识别, 需要对种子包衣图像进行颜色、纹理及形状等特征进行提取。陶华伟8
10、等提出了基于颜色及纹理特征的果蔬种类识别方法, 其利用 HSV 颜色直方图、外点、内点颜色直方图提取图像颜色特征, 采用匹配得分融合算法将颜色和纹理特征相融合, 采用最近邻分类器实现果蔬农产品分类。张成梁9等提出了一种基于颜色和形状特征的机采棉杂质识别分类方法, 采用基于彩色梯度图像的分水岭变换与改进模糊 C 均值聚类方法相结合的方法对大杂质和小杂质检测进行处理。唐钦10等提出了一种基于灰度-方向共生矩阵的叶片纹理特征提取算法和一种改进的叶片颜色特征提取算法, 即 SVM 的分类器模型;最后, 将纹理和颜色特征提取算法与基于 K-means 和 SVM的分类器模型一起构建了一种植物叶片的识别算
11、法。本文针对种子包衣图像的特点及种子包衣流程中的经验与标准, 提出基于双阈值分割法方法提取包衣种子的包裹率、基于颜色矩特征与灰度共生矩阵特征的包衣颜色与纹理特征, 最后采用基于径向基核函数的支持向量机分类器构建包衣种子分类模型, 从而达到包衣种子品质鉴定的目的。1 包衣种子识别系统基于种子包裹率、颜色和纹理特征的包衣种子识别模型包括种子图像采集、图像预处理与分割、特征提取与归一化及特征融合与分类几个部分11-12, 具体结构如图 1 所示。图 1 包衣种子识别模型 Fig.1 Model of seed coating classification 下载原图1) 图像预处理包括去噪、锐化、去背
12、景等步骤。2) 图像分割首先将图像二值化, 再使用形态学方法去除噪声并填补孔洞, 最后使用最大类间方差阈值分割法分割出单粒种子。3) 种子包裹率特征通过对单粒种子图像分别进行最大类间方差阈值分割和最大熵阈值分割, 使种子未包衣部分与种子整个部分区别开来, 计算两者的像素比。4) 包衣颜色特征通过提取 HSI 空间中 H、S 分量的颜色直方图特征表示, 包括H、S 分量的前 3 阶颜色矩特征。5) 包衣种子纹理特征通过 HIS 空间中 I 分量的灰度共生矩阵特征表示, 包括能量 (ASM) 、对比度 (CON) 、逆差矩 (IDM) 和熵 (ENT) 。6) 提取包裹率、颜色、纹理特征后组成 1
13、1 维特征向量, 使用专家标记的种子样本训练 SVM 分类器。2 图像预处理与分割图像分割过程中, 光线不均匀、有阴影、遮挡等会严重影响分割结果。为了图像分割效果更好, 需对图像进行预处理操作13:1) 对原始图像进行中值滤波。2) 将 RGB 图像转化为灰度图像, 并使用最大类间方差阈值分割法对图片进行预分割;若存在粘连情况, 使用分水岭算法再次分割。3) 对分割后的二值图像进行孔洞填充、去除小颗粒噪点并进行二值反转。4) 将预分割图像与 3) 得到的图像进行与运算, 得到去背景的种子图片。5) 对 3) 得到的二值图像进行连通域统计, 并分别对二值图像和去背景种子图像中对应连通域使用矩形窗
14、切分出二值单粒种子图像和去背景的 RGB 单粒种子。6) 去除二值单粒种子图像边缘不完整颗粒部分, 并与 RGB 单粒种子进行与操作得到。提取种子特征以单粒种子为单位, 所以种子分割过程需要将种子切割为单粒图像。由于实际生产中的种子采样可以将种子抖动得比较开, 所以大部分种子之间没有粘连;使用最大类方差预分割后可以分割大部分无粘连种子;对种子图像中少量的粘连现象, 使用分水岭算法再次分割, 直至分割成单粒种子14。3 包衣种子分类特征3.1 种子包裹率特征包衣后种子的包衣包裹率是包衣是否合格的一项基本指标, 对于包衣参数调节具有重要的指导意义。由于一次拍摄的种子图像中包含了足够多的种子, 所以
15、从统计平均的角度来看, 种子被拍摄到的范围内包衣率近似等于整个种子的包衣率。为了计算种子包衣的包裹率, 对每一粒种子进行包衣率的计算。种子包裹率为式中 种子包裹率;S1种子实际包衣覆盖面积;S0种子实际包衣覆盖面积。种子的面积可以通过统计图像中的像素个数来计算。由于包裹率是一个相对量, 所以不需要针对拍摄系统进行尺寸标定。式 (1) 可以写成式 (2) , 即式中 S1图像中包衣覆盖区像素数;S0图像中种子轮廓区像素数。种子本身的颜色与包衣剂的颜色一般区别较大, 所以可以通过进一步对单粒种子图像进行分割来计算种子包裹率。为了使用式 (2) 计算包衣覆盖率, 需要使用多阈值将种子未包衣部分分割出
16、来。种子轮廓部分已由图像分割部分得到, 种子未包衣部分由最大熵阈值分割得到15。最大熵阈值分割求取阈值 t, 使得以阈值 t 分割后的熵最大。对于数字图像, 定义图像灰度低于 t 的像素构成目标区域熵 H1 (t) ;图像灰度高于 t 的像素构成目标区域熵 H2 (t) , 那么 H1 (t) 和 H2 (t) 可由下式计算, 即对图像中每一个灰度级分别求取熵函数 H (t) =H1 (t) +H2 (t) , 将 H (t) 取得最大值时的 Hmax (t) 作为最大熵, 对应灰度值 t 则为最大熵分割的阈值。3.2 颜色与纹理特征对于包衣比较完整的种子, 其颜色和纹理特征也能对包衣结果进行区分, 因而在包衣结果识别过程中加入颜色和纹理特征。HSI 模型的 H 和 S 分量与人感受颜色的方式是紧密相联的, 用于提取颜色矩特征。I 分量与图像的彩色信息无关, 用于提取纹理特征。3.2.1 颜色矩特
