《玉米籽粒形状特征检测技术研究_基于图像处理.pdf》由会员分享，可在线阅读，更多相关《玉米籽粒形状特征检测技术研究_基于图像处理.pdf（4页珍藏版）》请在三一文库上搜索。
1、玉 米 籽 粒 形 状 特 征 检 测 技 术 研 究 基于图像处理 王鑫1，潘贺1，赵莹2 ( 1 吉林农业大学 信息化教学与管理中心，长春130118;2 长白山科学研究院，吉林 延边133613) 摘要: 玉米籽粒形状特征是玉米品质和品种判定的重要依据， 利用机器视觉代替人的视觉对玉米籽粒品种 或品质的自动检测是发展的必然趋势。为此， 通过图像获取、 颜色空间转换、 图像分割、 形态学处理、 单籽粒图 像的定位和拾取、 特征参数提取等步骤实现了对玉米籽粒图像的特征提取。所采用的算法简洁、 有效， 对下一 步玉米籽粒的自动检测工作具有重要的实际意义。 关键词:玉米籽粒;形状特征;图像处理;
2、品种检测 中图分类号:TP7511; S513文献标识码:A 文章编号:1003 188X( 2015) 06 0046 03 0引言 近年来， 随着计算机技术的发展， 利用玉米籽粒 的图像特征进行玉米品种识别的研究十分活跃， 尤其 是利用玉米籽粒的形状特征进行检测， 能够有效、 准 确地判断其品种或品质， 成为当前研究的热点之一。 在检测中， 关键的一步是对包含大量数据信息的图像 进行有效特征的提取。特征参数的有效性和精度关 系到玉米品质检测的准确性和可行性1 ， 传统的玉米 籽粒质量检测的方法很多， 但都有其特定的条件限 制 2 。该文对由 CCD 摄像头采集到的玉米籽粒图像 进行一系列处
3、理及数据分析， 实现了对玉米籽粒性状 的特征提取。 1玉米籽粒图像处理 11玉米籽粒图像的获取 获取样本图像的设备主要由 CCD 摄像头和暗箱 组成， 如图 1 所示。该设备具有高分辨率、 高灵敏度、 宽光谱响应、 高速及非接触性等特点， 能够很好地满 足玉米籽粒图像获取的要求。 先将玉米籽粒样品均匀地放在白色底板上， 通过 其正上方的 CCD 镜头对玉米籽粒进行拍摄， 获取玉米 籽粒图片。采集到的图像如图 2 所示。 收稿日期:2014 06 24 基金项目:吉林省教育厅 “十二五” 规划项目( 201356) 作者简介:王鑫( 1982 ) ， 女， 长春人， 硕士， ( E mail)
4、jarryxin 126 com。 通讯作者:潘贺( 1977 ) ， 男， 长春人， 副教授， ( E mial) 30166933 qq com。 1 CCD 摄像2 沟源3 暗箱 4 载物台 图 1图像采集系统组成示意图 Fig1Schematic of Image Capture System 图 2原始捕获图片 Fig2Captured Image 12图像颜色空间转换 从图 2 中可以发现， 在多数采集到的图像中都有 玉米籽粒出现阴影的现象， 如果直接对图片做二值分 割， 阴影部分会对处理结果造成影响。这是由于获取 的玉米籽粒图像信息不是 GB 基色简单的混合， 而现 实存在的三维
5、物体还需用色调、 亮度和饱和度等参数 表示， HSI 模型包括了这几个方面。该文对原始图像 做颜色空间转换， 从 GB 转换到 HIS 颜色空间， 取其 64 2015 年 6 月 农 机 化 研 究第 6 期 DOI:10.13427/ki.njyi.2015.06.010 S 分量可以发现其阴影部分被消除了。饱和度 S 的转 换计算公式为 S = 1 3min( ， G， B) + G + B ， 其效果如图 3 所示。 图 3 S 分量 Fig3S component 13图像分割 本实验的目的是对玉米籽粒进行物理性状分析， 需要提取出玉米籽粒图像， 那么必然要先进行图像分 割 3 。本
6、系统采用最大类间方差方法( OSTU) 对图像 的 HSI 图像的 S 分量进行分割。其方法是从样本图 像中选定一个灰度阈值， 小于该阈值的构成一类， 大 于等于该阈值的组成另一类。这样， 就可以得到具有 最大的类间方差的两类， 从而达到区分背景和目标的 效果 4 。 设灰度范围为 1， m， 像素数量为 N ， 灰度级为 i 的像素数目为 ni， 总像素数是 N = m i =1 ni， 像素概率 为 Pi= ni/N; 用 k 将其分为两类，C 0 = 1， 2， ， k ， C1= k + 1， k + 2， ， m ， 则 C0产生的概率为 c ， 均 值为 u0 = K i =1iP
7、i /w0= u( k) w( k) ; C1的概率为 w1= m i = K +1Pi = 1 w( k) ， 均值是 u1= m i = K +1iPi /w1= u u( k) 1 1( k) 。u = m i =1 iPi是统计均值， 则 u = w0u0+ w1u，最后得到两类间方 差为 2( k)= w0( u u0) 2 + w1( u u1) 2。 14形态学处理 经过阈值分割后得到的二值图像通常还会存在 一些独立的噪声像素点， 为了消除这些噪声点， 还需 进行形态学滤波。通过闭运算消除图像中的颗粒噪 声， 再采用开运算使图像的轮廓更光滑。该文采用 10 10 尺寸的 disk
8、 结构元素做闭运算和开运算， 对图像 进行形态学处理， 得到的处理结果图如图 4 所示。 图 4形态学滤波图像 Fig 4Image of morphology operation 2单籽粒图像的拾取及定位 经过形态学滤波处理后的图像中包含多个白色 区域。检测各个像素点的连接情况， 将互相连接的像 素点用同一数值做标记， 从图像中拾取各个白色区 域 5 。采用区域生长法检测二值图像的连接性， 运行 结果见图 5 所示。 图 5二值图像连通体检测结果 Fig5Binary image connected component detection results 在图 5 所给出的结果图像基础之上做
9、进一步的 分析处理， 分割出的玉米籽粒轮廓如图 6 所示。在此 基础上， 可以获得玉米籽粒的一些形态特征， 如籽粒 图像的外接矩形的长与宽、 面积、 长轴与短轴长度、 周 长、 等面圆直径等稳定性好的特征。 形心对于形状不规则的玉米籽粒而言有着非常 重要的意义， 可以作为定位的一个参考点出现在后续 处理中。形心坐标公式为 X*= n i =1 pixi n i =1 pi ， Y*= n i =1 piyi n i =1 pi 其中， n 为单个籽粒像素点总数， pi为第 i 个像素 点的值， xi、 yi为第 i 个像素点的横纵坐标值。由于玉 米籽粒的摆放是随机的， 籽粒的摆放方向各不相同，
10、 因此要计算籽粒的长与宽， 则要对玉米籽粒进行正形 之后再做处理 6 。 74 2015 年 6 月 农 机 化 研 究第 6 期 图 6分割出的玉米籽粒轮廓 Fig 6Profile of single corn seed 3几何特征参数提取 31面积 面积 A 定义为玉米籽粒轮廓线内包含的所有像素 个数， 图像经过区域标记后， 设有 n 个标记区域， 即 i = 1， 2， 3， ， n ， 每颗玉米籽粒轮廓区域的面积是 Ai。 32直径 直径 D 是指与玉米籽粒在图像中的轮廓面积相等 的圆的直径表达式为 D = 2 A 槡 。 33周长 周长 P 指图像中玉米籽粒外轮廓线的长度。该长 度
11、用物体边界像素点的距离表示， 沿着上下左右 4 个 方向以一个像素点递增距离为 l 计算。 34圆形度 圆形度 描述玉米籽粒形状的复杂程度的一个重 要特征量， 是边界形状接近圆的程度， 其计算公式为 = 4 A P2 35延伸度 延伸度 E 表示玉米籽粒的长宽比， 其表达式为 E = P +P2 16 槡 A P P2 16 槡 A 4实验 为了测试本系统性能， 选取了农大 108 和掖单 20 两个品种， 两个品种各随机选取 100 粒作为样本图像 来源对象， 经上面的图像处理和参数提取方法得到外 部特征数据正态分布的均值和均方差， 具体参数值如 表 1 所示。 Table 1外部特征参数数
12、据表 Table 1External characteristic parameter table 品种参数 特征参数 直径 D/mm 圆形度 面积 A/mm2周长 P/mm 延伸度 E 农大 108 均值6110 722926401211 12 均方差1020 184312470 11 掖单 20 均值6860 7136954671 17 均方差1130 15698580 14 在两种玉米子粒混合的容器中随机选取 200 粒 作为待测样本， 对每一籽粒对象提出如表 1 参数， 将 表 1 中数据作为品种检测的依据， 分别计算出与农大 108 和掖单 20 的综合相似度。当与某一相似度大于 0
13、 95 且两相似度偏差大于 0 03 时，待测样本判定为 品种相似度最大的品种; 另一种情况是: 无论品种综 合相似度多大， 若相似度偏差小于 0 03 时， 系统判定 为无法识别。对于 200 粒玉米籽粒的检测实验中， 正 确识别的次数为192 次， 正确识别率96% ; 无法识别6 次， 占 3% ; 误判的次数是 2 次，误判率仅为 1% 。这 说明， 系统检测结论正确率较高。 5结束语 介绍了一个利用数字图像技术处理玉米籽粒提 取几何特征参数的过程， 所采用的算法简洁、 有效， 所 提取的籽粒外形轮廓良好， 为实现玉米品种的检测做 了很好的前期准备。利用建立的样本数据， 经过反复 判定
14、玉米品种的实验， 说明了构造基于玉米几何特征 的玉米品种机识别系统是可行的。 参考文献: 1 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， 2001， 17( 6) : 175 179 2陆玲， 陈国明， 戴扬 水下结构物表面缺陷的自动检测与 识别J 计算机测量与控制， 2004( 12) : 1125 1127， 1142 3 史中辉， 赵秀艳， 于广洋， 等 基于图像处理的玉米籽粒特 征参数提取系统J 农机化研究， 2011， 33( 10) : 166 170( 下转第 52 页) 84 2015 年 6 月 农 机 化 研 究第 6 期 Abs
15、tract:The thermal infrared image often has the drawbacks of inconspicuous distinction between target and back- ground，fuzzy effect The traditional edge detection methods，such as obert method，Sobel method，Canny method，are difficult to obtain satisfactory results In order to solve the problems，the cor
16、n plant as the test object，the ant colony op- timization algorithm is applied for the first time thermal infrared image edge detection The algorithm begins by initializing process，carried out N step iterative constructing pheromone matrix，and then performing the pheromone update process，finally，imag
17、e edge given by the decision making process The simulation and experimental results show that this method can accurately detect the target edge and it is better than the traditional edge detection Provided a new method for crop thermal infrared image processing Key words:ant colony optimization; cor
18、n plant; thermal infrared image; edge detection ( 上接第 45 页) Abstract ID: 1003 188X( 2015) 06 0041 EA Modal Analysis of Directional Belt Based on ADAMS/View Zhang Jie，Wang Chunyao，Jiang Weidong，Lu Fei，Zhen Xinshuai ( 1 School of Mechanical Engineering， Xinjiang University，U r u mqi 830047， China;2 La
19、nzhou LS Petroleum Equip- ment Engineering CO ， LTD，Lanzhou 730050， China) Abstract:After set up simplified directional mechinal models by Solidworks，import the model into Ansys and then gen- erate the MNF neutral file of the belt，then lead it in ADAMS/View and making the motion simulation after the
20、 substitute of the rigid belt When applying the model the drive， the restraint and the contact force，the front ten order modal shape will come out With the analysis of the belt model shape，because the vibration in both ends and the middle of the belt is the strangest，some rollers should be added at
21、the middle of the belt in order to weaken the vibration and make the belt move more stable Key words:belt; ADAMS/View;flexible body; modal analysis;apple ( 上接第 48 页) 4 魏伟一 基于小波域灰度拉伸的 OSTU 图像分割 J 西北 师范大学学报: 自然科学版， 2009， 46( 6) : 46 48 5 杨锦忠， 郝建平， 杜天庆， 等 基于种子图像处理的大数目 玉米品种形态识别J 作物学报， 2008， 34( 6) : 106
22、9 1073 6 应义斌， 饶秀勤 机器视觉技术在农产品品质自动识别中 的应用 J 农业工程学报， 2000， 16( 1) : 103 108 Abstract ID: 1003 188X( 2015) 06 0046 EA Study of Shape Feature of Maize Detection Technology Based on Image Processing Wang Xin1，Pan He1，ZhaoYing2 ( 1 Information Technology Teaching and Management Center，Jilin Agricultural Un
23、iversity，Changchun 130118， China; 2 Changbai Mountain Institute of Science， Yanbian 133613， China) Abstract:The shape feature of maize is one of the important aspects of the quality of corn Automatic detection using machine vision instead of human vision on maize seed quality is the inevitable trend
24、 of development In this paper，we did image feature extraction on maize seeds by the processes of image acquisition，image color space conversion，image segmentation， morphological processing and characteristic parameters extraction The algorithm we used is concise and effective It is significance to the next automatic detection work of maize seeds Key words:maize seeds;physical properties;image processing;quality inspection 25 2015 年 6 月 农 机 化 研 究第 6 期