基于图像识别的小麦品种分类研究.pdf

《基于图像识别的小麦品种分类研究.pdf》由会员分享，可在线阅读，更多相关《基于图像识别的小麦品种分类研究.pdf（7页珍藏版）》请在三一文库上搜索。

1、中国 农业科学 2 0 0 5 , 3 8 ( 9 ) : 1 8 6 9 - 1 8 7 5 S c i e n t i a A g r i c u l t u r a S i n i c a 基于图像识别的小麦品种分类研究 何胜美， ，李仲来 ，何中 虎 ， ( ， 中 国 农 业 科 学院 作 物 科学 研究 所 1 国 家 小 麦 改良 中 心， 北 京1 0 0 0 8 1 ; 2 北 京 师 范 大 学 数 学 科 学 学 院 ， 北 京 1 0 0 8 7 5 ; 3 C II MI 4 Y T中国办事处， 北京 1 0 0 0 8 1 ) 摘要: 基于数字图 像分析， 利用小麦

2、籽粒的2 0 个形态特征和1 2 个颇色特征对来自中国4 个地点7 个春小麦 品 种共2 8 个样本进行分类和识别。 对于不同品 种和地区 的样本， 分别利用逐步判 别分析， 选取显著性较大的 特征 参量， 建立各地区和品 种的贝叶斯分类器模型。结果表明，对各地区品 种识别的正确回判率和测试集的正确识别 率均达到1 0 0 % 。将各样本按品 种合并，再对合并后的样本进行品 种识别，除了 新克旱 9 号的回判率为9 8 . 3 0% 外， 其它品 种的回判率均为1 0 0 % 。 测试集中， 龙麦2 6 和青春5 “正确识别率分别为9 7 . 5 % 和9 5 . 0 % ， 其它品 种均为1

3、 0 0 % 品 种 来 源 地 识 别 也 能 达 到 较 高 的 水 平， 甘 肃 、 宁 夏 、 新 疆 和 黑 龙 江 的 正 确 识 A 率 分 别 为8 8 . 6 % , 9 2 . 9 % , 7 2 . 9 % 和 9 5 . 7 0% 。说明利用籽粒图 像对小麦品 种进行识别高效可行。 关键词:普通小麦;品种;图 像处理;模式识别 C la s s if ic a t io n o f Wh e a t C u lt iv a r b y D ig it a l I m a g e A n a ly s is H E S h e n g - m e i 1 ,2 ， L I

4、 Z h o n g - l a i2 , H E Z h o n g - h u l ,3 ( ， C r o p S c i e n c e I n s t i t u t e / N a t io n a l W h e a t I m p r o v e m e n t C e n t e r , C h i n e s e A c a d e m y 可A g r i c u l t u r a l S c i e n c e s ,y i n 91 0 0 0 8 1 ; 2 S c h o o l o f M a t h e m a t i c a l S c i e n c e

5、 s , B e ij in g N o r m a l U n i v e r s i ty , B e ij i n g 1 0 0 8 7 5 ; 3 C I M M Y T - C h in a O ff i c e , C h in e s e A c a d e m y o f A g r ic u l t u r a l S c i e n c e s , B e ij i n g 1 0 0 0 8 1 ) A b s t r a c t : D i g i t a l i m a g e a n a l y s i s w a s u s e d t o d e v e l

6、o p a p a tt e rn r e c o g n i t i o n a l g o r i t h m t o c l a s s i f y i n d i v i d u a l k e rn e l s o f s e v e n C h i n e s e s p r i n g w h e a t c u l t i v a r s g r o w n a t 4 l o c a ti o n s . T o t a ll y , 2 0 m o r p h o l o g i c a l p a r a m e t e r s a n d 1 2 c o l o r p

7、 a r a m e t e r s w e r e e x t r a c t e d . T h r e e h u n d r e d k e rn e l s p e r s a m p l e w e r e u s e d a s t h e t r a i n i n g d a t a s e t t o d e v e l o p i d e n ti f i c a ti o n m o d e l , a n d a n o t h e r 2 0 0 k e rn e l s w e r e u s e d a s t h e t e s t s e t . F o r

8、 t h e t e s t s e t , t h e c l a s s i fi c a t i o n a c c u r a c y o f w h e a t c u l ti v a r s w a s 1 0 0 % i n e a c h g r o w i n g l o c a ti o n . E x c e p t f o r X i n k e h a n 9 w i t h 9 8 .3 % , t h e c o r r e c t d i s c r i m i n a ti o n o f t h e t r a i n i n g s e t o f c

9、o l l e c ti v e s a m p l e s i s 1 0 0 % f o r w h e a t c u l ti v a r . F o r t h e t e s t s e t , t h e c o r r e c t d i s c r i m i n a ti o n o f L o n g m a i 2 6 a n d Q i n g c h u n 5 6 6 w e r e 9 7 . 5 % a n d 9 5 . 0 %, t h e o t h e r s i s 1 0 0 %. F o r t h e o r i g i n o f w h e

10、 a t g r a i n s , t h e c l a s s i f i c a ti o n o f G a n s u , N i n g x i a , X i n j i a n g a n d H e i l o n g j i a n g w e r e 8 8 . 6 % , 9 2 .9 % , 7 2 .9 % a n d 9 5 . 7 % , r e s p e c t i v e l y . T h e r e s u l t s s h o w t h a t i t i s f e a s i b l e t o i d e n ti f y a n d c

11、 l a s s i f y w h e a t c u l ti v a r ( g r a i n s ) u s i n g d i g i t a l i m a g e a n a l y s i s . K e y w o r d s : C o m m o n w h e a t ; V a r i e ty ; I m a g e p r o c e s s ; P a t t e rn r e c o g n i t i o n 计算机图像处理是一项综合性技术，在遥感图像 处理和生物医学图像分析方面已取得了卓越成效。近 十多年来，随着硬件成本下降和计算速度的提高，计 算机图像

12、处理广泛介入农产品品质检测和分级，成功 地用于玉米、大麦、小麦、大豆、燕麦、黑麦草和水 稻等种子检验 1 。国 外在小麦种子检测和识别方面开 展了广泛的研究， 一方面成功地识别小麦品种和类别， 如对大麦、 小麦、 燕麦和黑麦草的正确识别率均在9 0 % 以 上2 - 6 1 ; 另一方面有效识别不同 类别的小 麦种子， 对 不同冬春性、质地和粒色的小麦类别判断效果良 好7 , 8 1 ，但对同一类型不同品种的识别效果并不理 想9 。 在研究技术上， 提取了 多种种子特征， 如形状 特征 2 ,3 ,6 - 1 1 、颜色特征4 ,6 , ” 一 3 和纹理特征5 等。 S a p i r s

13、t e i n等系统研究了图 像分析中 抽样对分类精度 收稿日 期:2 0 0 4 - 1 1 - 1 8 基金项目: “ 9 4 8 ” 重大农业国际合作项目 ( 2 0 0 3 Q 0 1 ) 作者简介:何胜美 ( 1 9 7 9 - ) ，男， 湖南新邵人，硕士研究生，主要从事生物数学和图像识别研究。何中虎为通讯作者， T e l : 0 1 0 - 6 8 9 1 8 5 4 7 ; E - m a i l : z h h e p u b l i c 3 .b t a . n e t .c n 1 8 7 0中国农业科学3 8 卷 的 影响， 表明 试验样本大小最好在3 0 0 至5

14、0 0 粒14 1 但国内 只有对麦苗图像识别的 研究1 5 ,16 1而对小麦种 子图像识别的相关研究还未见报道。过去籽粒图像识 别以单个小麦籽粒为单位，对籽粒选取的一致性要求 较高， 对实际品种的代表性偏低， 而且操作比较麻烦。 本研究应用数字图像处理技术，以整幅图像为单位识 别来自中国4 个地区7 个春小麦品种共2 8 个样本， 同 时进一步分析环境对小麦籽粒形态的影响。 1 材料与方法 材料 样本说明所用样本包括7 个小麦品种， 分别 是宁春4 号、宁春 1 6 号、陇春 1 5 号、青春 5 6 6 、新 春6 号、 新克旱9 号和龙麦2 6 号。 将上述7 个品种按 产量比较试验种

15、植于黑龙江哈尔滨、宁夏永宁、新疆 乌鲁木齐和甘肃武威4 个地点。籽粒样品中除去过小 和干扁籽粒，每份样品为5 0 0 粒，其中3 0 0 粒用于建 立判别分类模型， 2 0 0粒用于检验模型的效率。图像 采样过程中， 每幅图片共2 0 个小麦籽粒， 这样每个样 品可测5 0 0 个籽粒， 得到容量为2 5 的样本，其中1 5 幅作为训练集，1 0 幅作为测试集。 1 . 1 . 2 图 像获取和分析系统图 像采用C C D ( c h a r g e c o u p l e d d e v i c e ) 彩色数码相机( 型号: D S C F 7 1 7 , S O N Y ) 获取， 相机

16、装备一个l o x 光学变焦( 5 倍精确数码变焦) 镜头 ( 型号: C a r l Z e i s s V a r i o - S o n n a r l o x )。 制作一 个底为边长为4 0 c m正方形、高 1 8 c m的侧面一面开 口的玻璃盒子。 在玻璃盒子上底面中心凿一直径为6 . 5 c m的圆形小孔 ( 刚好伸过镜头前部) ， 相机固定在玻 璃盒上，镜头通过小孔深入箱子中。通过玻璃盒侧面 开口处在盒下底面置一可以自由抽动的木制载物台， 作为籽粒背景平台，平台表面背景颜色为黑色。拍摄 过程中，使用手动调节、延迟拍摄模式，以得到稳定 的拍摄环境。将一根三基色环形荧光灯管 (

17、型号:松 下 F L 4 0 s s .E x - N / 3 6 , 3 6 W，色温 5 0 0 0 K )平放在样品 平台周围， 稍低于平台， 用半径为0 .3 6 m的半球形的 灯罩扣在平台上方充当光源扩散体，目的是提供一致 的扩散光照条件。 将每2 0 粒小麦籽粒背面朝上构成一 5x4的矩阵排列于长5 0 m m，宽4 0 m r 。 的黑色背景 上， 用相机在6 4 0 x 4 8 0 的分辨率下摄取背面图像， 每 像素点为 0 . 0 7 8 m m x 0 . 8 3 3 m m 的矩形区域，面积为 0 .0 0 6 5 m m 2 0 图像处理和分析在台式计算机 ( D e

18、ll , P e n t i u m 4 ) 上完成。操作系统为 Wi n d o w s 2 k ，工程计算软件 M A T L A B 6 .5 的图像处理工具箱作为图像处理和分析 主要平台。 数据统计分析采用常用统计软件S A S ( S A S I n s t i t u t e I n c U. S .A. 1 9 7 6 ) 0 1 . 2 图像分析方法 利用上述图 像获取系统得到的图 像通过 U S B接 口 转入计算机处理。为了减少图像拍摄和传输过程中 随机干扰带来的图像噪声的影响，本研究采取中值滤 波平滑技术，在消除噪声的同时，较好地保持图像边 缘 3 ,1 7 1 。经 过

19、 平滑处 理的 图 像， 利 用闽 值分 割 技术 将 小麦籽粒图像从背景中分割出来，灰度阀值选取基于 全局闭值 1 7 1 。首先选取一个初始估计闭值 T = ( co a x + m i n ) 1 2 ,， 其中m a x 和m i n 分别为图 像灰度级的 最大值和最小值。用 T分割图像生成两组像素:G 1 由所有灰度值大于 T的像素组成，而G 2由所有灰度 值小于或等于T的像素组成。 对区域G 1 和G 2中所有 像素分别计算平均灰度阂 值N 1 和 N 2 ， 然后计算新的闺 值: T = ( ,u 1 + ,u 2 ) / 2 ，比 较计算出 来的T 值与T值， 如果它们之差的绝

20、对值小于给定的参数 t o 则停止迭 代，T 值作为最终图像分割闭值。否则，令 T - T ，重 复计算尹 。通过图像分割，将小麦籽粒图像单个从背 景中分离出来，以便特征提取。 1 . 2 . 1 形状特征提取通过二值图像标号将单个小 麦籽粒图像提取出来，利用籽粒区域和边界特性，提 取籽粒形状特征。 面积:以小麦籽粒图像所包含的所有像素总数计 算。 周长:小麦籽粒图像边界像素总和。 圆 形 度= ( 周长) 2 / ( 4 二 x 面积) 。 长轴长:小麦籽粒图像上距离最长的两个端点之 间的欧氏距离。 短轴长:小麦籽粒图像上过长轴中点且垂直于长 轴的直线间距离。 最小半径: 籽粒边界上的像素到

21、质心的最小距离。 最大半径: 籽粒边界上的像素到质心的最大距离。 基于区域的不变矩: H u 提出了对于评议旋转和大小尺度变化不变矩， 常用于形状识别， 刻画事物的形状特征 1 7 1 。首先定义 一个规格化中 心矩、， 表达式为: 1.t 其中 9期何胜美等:基于图像识别的小麦品种分类研究 1 8 71 n乙2. M= p 9 i ( i 一 i _ ) P ( J 一 j _ ) 9 f ( i , .i ) ， G G P , 9 = 1 , 2 . . . ， 结果与分析 mzj=l nZ=l k , ( iG , 九) 是 籽 粒的 质 心， f ( i , 力是 像 素 ( i ,

22、 .1 ) 的 灰 度 值。 利用二阶和三阶中心矩可以导出以下不变矩: M 1 = ?12 0 + ?7 o 2 M 2 = ( ?12 0 - ?70 2 ) 2 + 4 ?72 1 1 M 3 = 0 7 3 0 - 3 1 2 ) 2 + ( 3 )1 2 1 - ?7 0 3 ) 2 M 4 = 0 1 3 0 + ?7 1 2 ) 2 + 0 1 2 1 + ?7 0 3 ) 2 傅立叶描绘子 设d k = ( ik - i G ) 2 + ( l k - i G ) 2 1 1/2 是 籽 粒 边 界 像 素 到 质 心的 距离， 其中 V k j k ) 是边界上第k 个像素，

23、O c ,1 G ) 是籽粒的 质心。傅立叶描绘子用以下公式计算: F D u = R 2 u + I 2 J n u = 0 , 1 ,2 , . . . , N - 1 其中 N-1 R u =Y_ d x c o s ( 2 p k u / N ) ， k = 0 N-1 I =艺 d x s i n ( 2 p k u / N) ， u k = 0 N为籽粒边界像素总数。 1 . 2 . 2 颜色特征提取小麦籽粒颜色是一个重要特 征，通常采用R G B颜色系统，本文将R G B颜色信息 和H I S 颜色配合使用识别小麦籽粒。 由光度学知， H I S 系统直接用亮度 ( i n t

24、e n s i ty )、色调 ( h u e ) 和饱和度 ( s a t u r a t i o n ) 来描述颜色， 更符合人类视觉特征。 在 籽粒颜色特征提取中， 利用图像分割确定籽粒的位置， 然后综合原来的R G B图像对每颗籽粒分别求出红色、 绿色、蓝色、色调、亮度和饱和度均值和方差，作为 ;mss 颜 色 特 征 。 1 特征提取 总共选取了3 2 个小麦籽粒特征参数，其中2 0 个 形态特征分别为籽粒面积、 周长、 圆形度、 长/ 短轴长、 最大/ 最小半径、半径比、半径均值、离心率、等价半 径、一到四阶不变矩和零到五阶边界傅立叶描绘子， 其中离心率是采用椭圆来拟合籽粒边界所对

25、应的椭圆 的离心率，和圆形度一起，作为小麦籽粒圆和扁程度 的描述，当籽粒为圆形时，圆形度最大为 1 ，籽粒形 状越扁，圆形度越小，离心率越大。一到四阶不变矩 对平移、旋转和大小尺度变化不变，主要反映了区域 中灰度相对于灰度中心是如何分布的度量。边界特征 中， 一些低阶傅立叶描绘子能够反映物体的大体形状， 而高阶傅立叶描绘子是精确定义形状特征 ( 比如拐角 和直线)所需的。1 2 个颜色特征主要是红色、绿色、 蓝色、色调、 饱和度和亮度的均值和方差。本研究首 次采用离心率和等价半径来描述小麦籽粒特征，对各 品种和来源地的方差分析表明，离心率和等价半径在 地区间和品种间存在显著差异，同时识别结果表

26、明这 两个特征具有很好的区分度。 2 . 2 品种识别 对宁夏永宁、新疆乌鲁木齐、黑龙江哈尔滨以及 甘肃武威四个地区的样本分别建立分类器模型，进行 品种识别，效果非常显著。对宁夏永宁的样本，采用 S A S 逐步判别分析选出前7 个特征如表t o 利用 S A S判别分析建立各品种相应的线性判别 模型， 陇春 1 5 、 龙麦2 6 、 宁春1 6 、 宁春4 、 青春5 6 6 , 新春6 和新克早9 对应的判别函数分别为: 表1 利用用逐步判别分析选取前7 个贡献较大的特征 T a b l e 1 S e l e c t i o n o f s e v e n f e a t u r e

27、s o f i n d i v i d u a l wh e a t k e rne l u s i n gS T E P D I S C a n a l y s i s 变量 Va ria b l e 籽粒特征 Ke rne l f e a t u r e 平均典型相关系数 A v e r a g e d s q u a re d c a n o n i c a l c o r re l a t i o n 偏 R P a r t i a l R %8884 000 一阶不变矩 Ml f ir s t i n v a r i a n t m o m e n t . Ml 最大半径 M a x

28、 i m u m r a d i u s 红色分量 R e d 绿色分量 G re e n 亮度I n t e n s i t y 离心率E c c e n t ri c i t y 籽粒面积A re a 0 . 1 6 1 0 . 3 0 4 0 . 4 3 7 0. 7 9 2 0 . 5 9 00 . 8 2 0 0 71 40 . 4 8 5 XI瓜凡石凡瓜筋 1 8 7 2中国农业科学3 8 卷 g l ( X ) = - 5 9 7 7 4 + 9 8 0 1 5 3 7 X 1 - 1 3 6 5 X 2 + 1 3 1 .4 0 X 3 + 1 3 0 . 8 0 X 4 -

29、1 2 8 .4 1 X 5 + 1 2 2 8 7 5 X 6 + 1 3 . 9 1 X 7 9 2 ( X ) = - 5 9 2 8 7 + 9 7 6 3 0 1 6 X 1 - 1 3 7 5 X 2 + 1 4 5 . 9 9 X 3 + 7 5 . 0 1 X 4 - 8 5 .6 3 X 5 + 1 2 2 9 9 5 X 6 + 1 3 .9 5 X 7 9 3 ( X ) = - 5 7 6 4 3 + 9 5 3 2 0 4 6 X 1 一 1 3 8 8 X 2 + 1 2 2 . 6 3 X 3 + 1 5 6 . 8 2 X 4 - 1 4 5 . 8 4 X 5

30、 + 1 2 1 4 7 0 X 6 + 1 3 . 9 5 X 7 9 4 ( X ) = - 5 7 6 3 8 + 9 5 3 2 0 4 6 X 1 - 1 3 8 6 X 2 + 1 3 5 . 2 1 X 3 + 9 3 . 8 5 X 4 - 9 6 . 3 3 X 5 + 1 2 2 2 2 9 X 6 + 1 3 .9 5 X 7 g 5 ( X ) = - 5 7 3 7 4 + 9 8 4 2 2 7 4 X 1 - 1 3 7 1 X 2 + 1 3 8 . 3 6 X 3 + 1 1 9 .4 9 X 4 - 1 1 8 . 6 1 X 5 + 1 1 9 7 0 7

31、 X 6 + 1 3 . 8 2 X 7 9 6 M 二 一 5 9 3 1 6 + 9 2 6 2 7 1 2 X i 一 1 3 5 5 X 2 + 1 4 3 . 9 8 X 3 + 1 3 1 . 3 8 X 4 - 1 4 3 . 7 9 X 5 + 1 2 3 3 0 5 X 6 + 1 3 . 8 3 X 7 g 7 ( X ) = - 6 0 1 4 4 + 9 9 1 7 8 1 8 X 1 - 1 3 8 5 X 2 + 1 4 7 .0 8 X 3 + 6 2 . 0 9 X 4 - 7 0 . 8 4 X 5 + 1 2 3 5 8 4 X 6 + 1 4 . I O

32、X 7 应用上述线性判别模型识别宁夏样本 练集的正确回判率和测试集的识别率均为 为宁夏 7个样本品种识别判别分析结果。 ，对样本训 1 0 0 %， 表2 对于其它 3 个地点， 也均为 样本品种回判正确率和测试集的正确识别率 1 0 0 % ( 结果和模型略)。 表2 宁夏 7 个样本品种判别分析结果 T a b l e 2 品种 V a ri e t y 陇春 巧 L o n g c h u n T h e d i s c r i m a n t a n a l y s i s r e s u l t s o f w h e a t g r a i n s a m p l e s f r

33、o m N i n g x i a 陇春 巧 1 n c h u n1 5 龙麦 2 6 Lo n g ma i 2 6 宁春 1 6 N i n g c h u n 1 6 0 宁春4 Ni n g c h u n 4 青春 5 6 6 Q i n g c h u n 5 6 6 0 新春 6 Xi n c h u n 6 新克早 9 Xi n k e h a n 9 4 0 ( 1 0 0 %) 1 5 龙麦2 6 L o n g m a i 2 6 宁春 1 6 N i n g c h u n 1 6 宁春 4 N i n g c h u n 4 青春 5 6 6 Q i n g c h

34、 u n 5 6 6 新春6 Xi n c h u n 6 新克早9 Xi n k e h a n 9 4 0 ( 1 0 0 % ) 4 0 ( 1 0 0 %) 4 0 ( 1 0 0 %) 4 0 ( 1 0 0 %) 4 0 ( 1 0 0 %) 4 0 ( 1 0 0 %) 将样本按品种合并，对合并后的样本重新建立模 型识别小麦品种，识别结果如表3 。其中陇春巧、龙 麦2 6 、宁春 1 6 、宁春4 、青春5 6 6 、新春6 的正确回 判率都为 1 0 0 %， 新克旱9 的正确回判率为9 8 . 3 %。 在 对测试集的识别中，陇春 1 5 、宁春 1 6 、宁春4 、新春 6

35、 、新克旱 9的正确识别率均为 1 0 0 %，青春 5 6 6为 9 5 .0 %，龙麦2 6 为9 7 . 5 % ( 表4 )。 表3 总体样本训练集品种回判结果 T h e d i s c r i m i n a t i o n r e s u l t s o f t h e t r a i n i n g s e t o f c o l l e c t i v i t y s a m p l e s o n w h e a t v a r i e ty T a b l e 3 品种 V a ri e t y 陇春 1 5 L o n g c h u n 龙麦 2 6 陇春 巧 L o

36、 n g c h u n 6 0 ( 1 0 0 %) 龙麦2 6 1 5 Lo n g ma i 2 6 宁春 1 6 N i n g c h u n 1 6 0 宁春4 Ni n e c h u n 4 青春 5 6 6 Q i n g c h u n 5 6 6 新春6 Xi n c h u n 6 新克早9 Xi n k e h a n 9 1 5 6 0 ( 1 0 0 %) L o n g m a i 2 6 宁春 1 6 N i n g c h u n 1 6 宁春 4 N i n g c h u n 4 青春 5 6 6 Q i n g c h u n 5 6 6 新春 6 X

37、i n c h u n 6 新克早 9 Xi n k e h a n 9 6 0 ( 1 0 0 % ) 6 0 ( 1 0 0 %) 6 0 ( 1 0 0 %) 6 0 ( 1 0 0 %) 5 9 ( 9 8 . 3 %) 9期何胜美等:基于图像识别的小麦品种分类研究 1 8 7 3 表4 总体样本测试集品种判别分析结果 T a b l e 4 T h e d i s c r i m i n a n t r e s u l t s o f t h e t e s t s e t o f c o l l e c t i v i ty s a m p l e s o n w h e a t

38、v a ri e ty p1 TT V cn 仁 陇春 巧 L o n g c h u n 1 5 4 0 ( 1 0 0 %) 龙麦 2 6 L o n g m a i 2 6 0 宁春 1 6 N i n g c h u n 1 6 宁春 4 N i n g c h u n 4 青春 5 6 6 Q i n g c h u n 5 6 6 新春 6 Xi n c h u n 6 陇春 巧 L o n g c h u n 1 5 龙麦2 6 L o n g m a i 2 6 宁春 1 6 N i n g c h u n 1 6 宁春4 N i n g c h u n 4 青春 5 6 6

39、Q i n g c h u n 5 6 6 新春6 Xi n c h u n 6 新克早9 Xi n k e h a n 9 新克早9 Xi n k e h a n 9 0 3 9 ( 9 7 . 5 %) 4 0 ( 1 0 0 %) 4 0 ( 1 0 0 %) 3 8 ( 9 5 . 0 %) 4 0 ( 1 0 0 %) 0 4 0 ( 1 0 0 %) 上述结果表明，图像识别能对小麦品种进行很好 识别，同时也表明不同品种小麦籽粒的上述形状特征 和颜色特征存在显著差异。 2 . 3 来源地识别 对于所用 7 个品种，分别建立分类模型，以识别 每个样本的来源地，对训练集的正确回判率和测试

40、集 的正确识别率分别列于表5 和表6 0 从判别结果来看，除新克旱9 号之外，其它6 个 样本都取得了很好的识别效果。新克旱9 号在回判过 程中，1 5 个来自 甘肃的样本中有5 个 ( 3 3 . 3 %)被判 为新疆， 而1 5 个来自 新疆的 样本中 有3 个 ( 2 0 .0 % ) 判为甘肃;在测试集的识别中，有 9个 ( 9 0 . 0 %) 来 自 甘肃的样本误判成为新疆， 7个 ( 7 0 .0 % ) 新疆样本 错判为甘肃。出现这种情况的可能原因是新克旱9 号 为光敏感型品种，在不同地区之间表现差异较大，而 新疆和甘肃的纬度和生态环境较为接近，二者表现较 为相似。依地区把各样

41、本合并，对得到的合并样本来 源地识别结果如表 7 。总体识别效果理想，但在甘肃 样本和新疆样本之间的误判率较高， 有1 3 粒( 1 8 .7 %) 的新疆样本误判为甘肃样本。因此，对甘肃和新疆两 个点的样本提取新的特征进行单独判别分析是必要 的。 表 5 T a b l 各品种来源地识别模型训练集正确回判率 e 5 T h e d i s c ri m i n a t i o n r e s u l t s o f t h e t r a i n i n g s e t a b o u t g r o w i n g l o c a t i o n s o f e a c h c u l t

42、 i v a r 来源 L o c a t i o n 甘肃 G a n s u 宁 夏 N i n g x i a 新疆X i n j i a n g 黑龙江H e il o n g ji a n g 陇春 巧 L o n g c h u n 1 5 宁春 1 6 N i n g c h u n 1 6 宁春4 N i n g c h u n 4 青春5 6 6 Q i n g c h u n 5 6 6 新春 6 Xi n c h u n 6 新克旱9 Xi n k e h a n 9 66.008000 0八月nUO 00八UO 山且，.1勺. 00加0000 00000000 0000

43、0000 龙麦2 6 L o n g m a i 2 6 1 0 0 1 0 0 1 0 0 1 oo nCIJ八曰八甘 0000 .1，1山es确. 表 6 各品种来源地识别模型测试集正确识别率 T a b l e 6 来源 Lo c a t i o n T h e d i s c ri m i n a t i o n r e s u l t s o f t h e t e s t s e t o n g r o w i n g l o c a t i o n s f o r e a c h c u l t i v a r 陇春 巧龙麦2 6 L o n g m a i 2 6 1 0 0

44、1 0 0 9 0 1 0 0 宁春 1 6宁春4 g c h u 甘肃 G a n s u 宁夏 N i n g x i a 新疆X i n j i a n g 黑龙江H e il o n g ji a n g N i n g c h u n l 6 1 0 0 1 0 0 8 0 N i n g c h u n 4 9 0 1 0 0 1 0 0 8 0 青春 5 6 6 Q i n g c h u n 5 6 6 新春 6 Xi n c h u n 6 1 0 0 1 0 0 9 0 7 0 新克早9 Xi n k e h a n 9 0 1 0 0 2 0 9 0 00000000 0

45、0000000 1 8 7 4中国农业科学3 8 卷 表7 总体测试集来源地的判别分析结果 T a b l e 7 来源 T h e d i s c r i m i n a t i o n r e s u l t s o f g r o w i n g l o c a t i o n s f o r e a c h c u l t i v a r w i t h a ll s a m p l e s 甘肃 Ga n s u 宁夏 N i n g x i a 新疆 X i n j i a n g 总计 To t a l 70707070 甘肃G a n s u 宁 夏N i n g x i a

46、新疆X i n j i a n g 黑龙江H e i l o n g j i a n g 6 2 ( 8 8 .6 %) 2 1 3 3 6 5 ( 9 2 . 9 %) 5 1 ( 7 2 . 9 %) 黑龙江 H e i l o n g j i a n g 4 0 5 6 7 ( 9 5 . 7 %) 3 讨论 本研究表明，应用籽粒的形状特征和颜色特征能 对小麦的品种和来源地进行有效识别，品种正确识别 率均在9 5 %以上， 来源地的正确识别率平均为8 7 .5 %, 说明应用计算机视觉进行小麦识别是可行的。本研究 中将每幅图片 2 0粒小麦各特征的平均值作为一个观 测值， 更能真实反映小

47、麦籽粒的特征和方便实际操作， 进一步提高了识别效果。 例如对陇春 巧，以单个籽粒 特征为单位来识别来源，甘肃、宁夏、新疆和黑龙江 的正确识别率分别为8 7 . 5 % , 9 5 .0 % , 9 3 . 5 % 和9 2 .0 % ( 表 8 )，但以图片为单位的正确识别率均能达到 1 0 0 % ( 表6 )，其它品种除新克旱9 号以 外，正确识 别率都有一定的提高。本文中提出用离心率和等价半 径两个新的特征来刻画小麦籽粒形态，丰富了小麦籽 粒图像识别的研究。对同一品种不同栽培地点的识别 结果表明，籽粒外观形态和颜色对外部生长环境非常 敏感，进一步肯定和补充了国外的研究工作，计算机 图像识

48、别具有客观性和可重复性，为小麦品种识别提 供了客观可行的方法。同时，研究中主要采用了比较 具有代表性的中国主要麦区春小麦品种，但其方法也 可以应用到粒状农产品识别领域， 比如冬小麦， 大米， 玉米等，国内 外己 经涌现了 不少应用的实际例子 1 , 1 8 1 表8 以单个籽粒为单位对陇春 1 5 号测试集来源地识别结果 T a b l e 8 来源 T h e d i s c r i m i n a t i o n r e s u l t s o f g r o w i n g l o c a t i o n o n L o n g c h u n 1 5 w i t h t r a d i

49、 t i o n a l m e t h o d 总计 腼一200200200200 甘肃G a n s u 宁夏N i n g x i a 新疆X i n j i a n g 黑龙江H e i lo n g j i a n g 甘肃 Ga n s u 1 7 5 ( 8 7 . 5 % ) 2 宁夏 N i n g x i a 1 5 1 9 0 ( 9 5 .0 %) 1 2 0 新疆 X i n j i a n g 0 7 1 8 7 ( 9 3 . 5 %) 0 黑龙江 H e i l o n g j i a n g 1 0 1 0 1 8 4 ( 9 2 . 0 %) 4 结论 小麦籽粒的形状和颜色是小麦的重要特征，应用 小麦籽粒的形状特征和颜色特征能对小麦的品种和来 源地能进行有效识别，为小麦种质纯度检验提供了客 观方法。 相比肉眼识别而言， 计算机识别结果更客观、 准确和一致。 R e f e r e n c e s 1 刘燕德， 应义斌， 成 芳. 计算机视觉技术在种子纯度检验中的 应 用， 农 业 机械学 报， 2 0 0 3 , 3 4 ( 5 ) : 1 6 1 - 1 6 3 . L i u Y D , Y i