《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 基于頻譜特性和自適應(yīng)蟲孔定位的小麥識(shí)別
基于頻譜特性和自適應(yīng)蟲孔定位的小麥識(shí)別
王周璞,何小海,,吳小強(qiáng),董德良,,李曉亮
(1.四川大學(xué) 電子信息學(xué)院,,四川 成都 610065;2.中儲(chǔ)糧成都儲(chǔ)藏研究院有限公司,,四川 成都 610091)
摘要: 為了實(shí)現(xiàn)對(duì)小麥不完善粒批量,、快速、準(zhǔn)確地識(shí)別,,提出了一種基于小麥圖像特征的小麥不完善粒識(shí)別方法,。采集不完善粒小麥圖像,對(duì)每粒小麥圖像提取其自適應(yīng)蟲孔特征,、頻譜特性,、周長(zhǎng)、最小外接圓面積等89維特征參數(shù),。研究結(jié)果表明,,對(duì)于常見(jiàn)小麥不完善粒類別,尤其是發(fā)芽粒和生蟲粒具有較高的識(shí)別率,。該識(shí)別方法對(duì)正常粒,、破碎粒、生蟲粒,、生病粒,、發(fā)芽粒的識(shí)別率分別為98.75%,、97.50%、93.02%,、99%,、96.25%,平均識(shí)別率為96.90%,,相較于傳統(tǒng)的圖像處理識(shí)別方法,,識(shí)別準(zhǔn)確率提高20%左右,表明提出的方法能有效運(yùn)用于小麥不完善粒檢測(cè)實(shí)際應(yīng)用場(chǎng)景中,。
中圖分類號(hào):TP181
文獻(xiàn)標(biāo)識(shí)碼:A
DOI: 10.19358/j.issn.2096-5133.2018.12.008
引用格式:王周璞,,何小海,吳小強(qiáng),,等.基于頻譜特性和自適應(yīng)蟲孔定位的小麥識(shí)別[J].信息技術(shù)與網(wǎng)絡(luò)安全,,2018,37(12):35-38,43.
Wheat recognition method based on spectrum properties and adaptive wormhole positioning
Wang Zhoupu1,,He Xiaohai1,,Wu Xiaoqiang1,Dong Deliang2,,Li Xiaoliang2
? (1.College of Electronics and Information Engineering,Sichuan University,Chengdu 610065,China; 2.Sinograin Chengdu Storage Research Institute Co.,Ltd.,Chengdu 610091,China)
Abstract: In order to recognize unsound kernels of wheat batchly,rapidly and precisely, an unsound kernels of wheat recognition method which is based on wheat image features is proposed in this paper. We collected the images of unsound kernels of wheat and extracted 89-dimensional feature parameters such as adaptive wormhole feature,spectral feature,perimeter,and minimum circumscribed circle area for each grain image.The results show that for common unsound kernels of wheat types,especially germinated grains and insect grains have a higher recognition rate. For this recognition method, the recognition rates of normal,crushed,insect,diseased,and germinated grains were 98.75%,97.50%,93.02%,99%,and 96.25%,the average recognition rate was 96.91%.Compared with the traditional image processing and recognition methods,the recognition accuracy is improved about 20%.It proved that the method which we proposed can be effectively applied to practical recognition application scenarios of unsound kernels.
Key words : adaptive wormhole feature;spectrum feature;unsound kernels of wheat;germinated grains;insect grains;recognition rate

0     引言

小麥?zhǔn)俏覈?guó)三大糧食作物之一,,面積和產(chǎn)量均占全國(guó)糧食作物的1/4左右,小麥產(chǎn)量和小麥的質(zhì)量對(duì)穩(wěn)定國(guó)內(nèi)糧食供給,,保障糧食安全具有至關(guān)重要的作用,。小麥不完善粒主要是指受到損傷的顆粒。按照國(guó)標(biāo)規(guī)定,,小麥的不完善粒種類主要包括破碎粒,、生蟲粒、生病粒(赤霉病粒和黑胚粒)和發(fā)芽粒,。

對(duì)于不完善粒的檢測(cè),,目前國(guó)家糧食管控部門在收糧時(shí)采取的仍然是傳統(tǒng)的人工檢測(cè)方法,這種方法具有工作強(qiáng)度大,、對(duì)技術(shù)人員專業(yè)技能要求高,、人工檢測(cè)速度緩慢等不可忽視的缺點(diǎn)。近些年來(lái)國(guó)內(nèi)外專家也都不斷聚焦于這個(gè)領(lǐng)域的研究,,以期能實(shí)現(xiàn)小麥不完善粒檢測(cè)的自動(dòng)化,,如利用聲音科學(xué)來(lái)檢測(cè)的方法[1]、基于高光譜技術(shù)的檢測(cè)方法[2],、基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)模型的檢測(cè)方法[3],。雖然這些方法都能實(shí)現(xiàn)自動(dòng)化檢測(cè)的功能,但還是存在很多缺點(diǎn),。例如,,利用聲音科學(xué)的方法使用麥克風(fēng)來(lái)采集聲音,,非常容易受到環(huán)境音和噪聲的干擾;基于高光譜技術(shù)[4]的檢測(cè)方法圖像采集設(shè)備價(jià)格昂貴且不能實(shí)現(xiàn)多種不完善粒品種混合檢測(cè),;基于CNN模型的深度學(xué)習(xí)檢測(cè)方法所需樣本量大,,且識(shí)別時(shí)間長(zhǎng)。

目前,,傳統(tǒng)機(jī)器學(xué)習(xí)的方法被廣泛應(yīng)用于物體識(shí)別,、圖像分割、風(fēng)險(xiǎn)預(yù)估等關(guān)系國(guó)計(jì)民生的實(shí)際應(yīng)用中[5],。為了解決上述方法中存在的不足,,本文提出利用支持向量機(jī)(Support Vector Machine,SVM)分類器以及利用小麥自適應(yīng)蟲孔定位和頻譜特性來(lái)提取特征的識(shí)別方法。該方法能實(shí)現(xiàn)快速,、準(zhǔn)確地對(duì)小麥不完善粒分類,,并顯著提升小麥不完善粒的識(shí)別率。


1   識(shí)別方法

1.1   原料和識(shí)別方法


本研究使用的所有訓(xùn)練,、測(cè)試及建庫(kù)小麥均是由中儲(chǔ)糧成都儲(chǔ)藏研究院有限公司提供,。所有樣本的原始分類標(biāo)簽均是由中儲(chǔ)糧成都儲(chǔ)藏研究院有限公司的質(zhì)檢人員檢測(cè)確認(rèn),確保標(biāo)簽準(zhǔn)確,。本研究選擇使用掃描儀掃描錄入小麥圖像,,分為上、下兩個(gè)方向,,各類型小麥以互不粘連的隨機(jī)朝向置于掃描儀的載物板上,,圖片以BMP格式保存。掃描完成后,,進(jìn)行小麥的定位,、麥粒分割,、麥粒精分割,、特征提取、識(shí)別等步驟完成小麥識(shí)別和分類過(guò)程[6],。


1.2    自適應(yīng)蟲孔特征提取


在不完善粒識(shí)別方法的研究中,,識(shí)別率較低的類別之一就是蟲孔類不完善粒,因其存在蟲孔位置難以確定,、蟲孔與背景難以區(qū)分等問(wèn)題,。通過(guò)研究發(fā)現(xiàn),在最大類間方差法(Otsu)獲取最佳分割閾值的基礎(chǔ)上,,能夠較好地針對(duì)每幅小麥圖像自適應(yīng)定位蟲孔位置并提取蟲孔特征參數(shù)[7],。其流程圖如圖1所示。


微信截圖_20190118161344.png

自適應(yīng)蟲孔特征提取方法利用最大類間方差法針對(duì)分割后的單粒小麥圖像自適應(yīng)尋找最佳分割閾值,。其原理為:設(shè)有小麥圖像G(x,y),,大小為w×h,,小麥和背景色的分割閾值記作t,小于閾值t的像素值為目標(biāo)色,,其個(gè)數(shù)記作G0,,其加權(quán)平均灰度值為c0;大于閾值t的像素值為背景色,,其個(gè)數(shù)記作G1,其加權(quán)平均灰度值為c1,。首先,對(duì)每幅小麥圖像自適應(yīng)尋找最佳分割閾值,,可得下式:


微信截圖_20190118161403.png

式中,,b0為小于閾值t的像素值與整幅圖像的比例;b1為大于閾值t的像素值與整幅圖像的比例,;c為整幅圖像的平均灰度值,;迭代后得到的最大t值即所求最佳分割閾值。再使用閾值分割的方法,,將大于閾值的像素值置為255,,其余部分置為0。

從圖2的閾值分割圖中可以看出,,小麥圖片邊緣存在很多細(xì)小的凸起,,且在部分區(qū)域存在明顯的纖細(xì)連接。消除小物體后,,計(jì)算蟲孔面積作為特征參數(shù)讀入,。結(jié)果表明,這種方法能夠極大提升小麥蟲蝕粒的識(shí)別率,。


微信截圖_20190118163544.png


1.3   基于頻譜特性的特征提取


在不完善粒識(shí)別方法的研究中,,識(shí)別率較低類別中還有一類是發(fā)芽類不完善粒。這類小麥對(duì)小麥品質(zhì)有較大影響,。研究發(fā)現(xiàn),,發(fā)芽粒因其在小麥胚部形狀和灰度值過(guò)渡上與正常粒和破碎粒有較明顯區(qū)別,在頻域上此種區(qū)別表現(xiàn)得更為明顯,。如圖3所示,,圖(a)為發(fā)芽粒原始圖和發(fā)芽粒頻域圖,圖(b)為正常粒原始圖和正常粒頻域圖,??梢悦黠@地看到發(fā)芽粒的亮點(diǎn)和暗點(diǎn)分布有明顯的角度分布特性。


微信截圖_20190118164130.png

發(fā)芽粒分割圖如圖4(a)所示,,正常粒分割圖如圖4(b)所示,。

微信截圖_20190118164139.png

提取頻譜圖分別在0°、45°、90°,、135°方向的熵,、能量、對(duì)比度和逆差矩[8]的特征參數(shù),。

熵是圖像中所蘊(yùn)含信息的隨機(jī)性度量,。如圖5(b)所示,這里描述的熵值表示圖像白點(diǎn)分布的復(fù)雜性和規(guī)律性,。研究發(fā)現(xiàn),,發(fā)芽粒的熵值在各個(gè)方向上的數(shù)值均小于正常粒,這表明發(fā)芽粒在頻譜圖上是一種較規(guī)則,、白點(diǎn)數(shù)較少,、圖像較簡(jiǎn)單的分布。引入式(5)來(lái)定義熵值:

微信截圖_20190118164711.png

能量也是矩特征中的一個(gè)重要維度,。能量能夠定量地反映圖像中紋理的細(xì)致與否,,應(yīng)用到頻譜圖上,反映的則是頻譜圖白點(diǎn)分布的密集程度,。研究發(fā)現(xiàn),,發(fā)芽粒在各個(gè)方向上能量的數(shù)值均大于正常粒,這表明發(fā)芽粒在頻譜圖上是一種較均勻和較規(guī)則的紋理變化,。引入式(6)來(lái)定義能量值:

微信截圖_20190118164718.png

對(duì)比度用于度量矩陣值的分布,。該維度可以反映圖像的清晰度和凹槽的紋理。引入式(7)來(lái)定義對(duì)比度:

微信截圖_20190118164929.png

其中,, f(i,j)表示圖像中某一點(diǎn)處的灰度逆差矩,,在頻譜圖上可以反映圖像局部變化的劇烈程度。圖5(a)為方向標(biāo)示圖,;圖(b)中1,、2、3,、4分別為發(fā)芽粒等分為4個(gè)局部的圖像,;圖(c)中5、6,、7,、8分別為正常粒等分為4個(gè)局部的圖像,。在0°,、90°、135°三個(gè)方向上發(fā)芽粒的圖像變化大于正常粒,。


微信截圖_20190130095727.png


基于頻譜特性的特征和其他維度特征共同作用,,能極大提高發(fā)芽粒的識(shí)別率。


1.4   SVM模型


SVM分類思想本質(zhì)上與線性回歸LR分類方法相似。先使用一組訓(xùn)練集數(shù)據(jù)來(lái)訓(xùn)練SVM中的權(quán)重系數(shù),,然后對(duì)測(cè)試集進(jìn)行驗(yàn)證和分類,。

通過(guò)訓(xùn)練,可以得到一個(gè)分割超平面,。在樣本空間中,,可以使用以下等式來(lái)描述超平面的劃分:

wT+b=0                                                                                   (8)

其中,w=(w1;w2;…;wd)為法向量,;b為位移項(xiàng),。樣本空間中任意點(diǎn)x到超平面(w,b)的距離可表示為:

     微信截圖_20190130095936.png                                                              (9)

兩個(gè)異類支持向量(support vector)到超平面的距離總和為:

      微信截圖_20190130095947.png                                                                    (10)

稱為“間隔”。

得到具有“最大間隔”的劃分超平面,,即:

    微信截圖_20190130095958.png                               (11)


2     結(jié)果與分析


由于沒(méi)有公共的小麥圖像數(shù)據(jù)庫(kù),,本文建立了自己的數(shù)據(jù)庫(kù)。分別選出3 000粒正常粒小麥,、1 000粒破碎粒小麥,、1 000粒蟲蝕粒小麥、1 000粒病斑粒小麥,、1 000粒發(fā)芽粒小麥作為訓(xùn)練樣本,。使用SVM分類器,提取自適應(yīng)蟲孔特征,、基于頻譜特性的特征,、面積、周長(zhǎng),、RGB三分量,、HSV三分量、最小外接圓面積等共計(jì)89維特征,。

使用本文敘述的識(shí)別方案對(duì)80粒正常粒,、80粒破碎粒、80粒生蟲粒,、80粒生病粒,、80粒發(fā)芽粒分上下圖進(jìn)行判別,結(jié)果如表1所示,,得出5種不完善粒的平均識(shí)別率為96.90%,。由于特征重疊的影響,5類小麥都出現(xiàn)了一定程度的誤判現(xiàn)象,,但仍保持了較為不錯(cuò)的識(shí)別正確率,。考慮在實(shí)際糧食收購(gòu)中,,人們對(duì)于正常粒和異常粒的區(qū)分最為關(guān)注,,因此表1著重展示正常粒和異常粒混合的識(shí)別率。

對(duì)比表1和表2,,將本文提出的基于自適應(yīng)蟲孔和頻譜特性的小麥不完善粒識(shí)別方法與未使用本文提出特征的識(shí)別結(jié)果相比較,。可以得出,,對(duì)于生蟲粒,,識(shí)別率由82.50%提升至93.02%;對(duì)于發(fā)芽粒,,識(shí)別率由87.50%提升至96.25%,。

將本研究所使用的測(cè)試數(shù)據(jù)使用ANN、Adaboost和Radom trees分類器進(jìn)行識(shí)別,。使用原始測(cè)試集來(lái)驗(yàn)證每個(gè)模型的準(zhǔn)確性,,可以得到表3所示的結(jié)果。



對(duì)比表3和表1可以看出,,本文所采用的基于SVM的小麥不完善粒識(shí)別方法比經(jīng)典的Adaboost等方法識(shí)別率平均提高了20%左右,。


3     結(jié)論


基于自適應(yīng)蟲孔和頻譜特性的小麥識(shí)別方法對(duì)小麥提取包括基于自適應(yīng)的蟲孔特征、基于頻譜特性的特征,、以及面積,、周長(zhǎng)、RGB三分量,、HSV三分量,、最小外接圓面積等共計(jì)89維特征。在各維度特征的綜合作用下,,小麥不完善粒識(shí)別率得到了顯著提高,。本研究在SVM分類器的基礎(chǔ)上提出了針對(duì)正常粒、破碎粒,、生蟲粒,、生病粒、發(fā)芽粒的有效特征,,尤其是針對(duì)大部分算法無(wú)法精確分類的發(fā)芽粒和生蟲粒提出了更有效的特征,。本文所描述的識(shí)別方法具有模型訓(xùn)練時(shí)間短、對(duì)前端采集設(shè)備采集圖片質(zhì)量依賴低,、能批量化識(shí)別以及識(shí)別速度快等優(yōu)點(diǎn),,有利于小麥不完善粒的實(shí)際應(yīng)用場(chǎng)景檢測(cè)識(shí)別。

目前,,由于沒(méi)有公共的小麥圖像數(shù)據(jù)庫(kù),,因此本文構(gòu)建了數(shù)據(jù)庫(kù)。本文實(shí)驗(yàn)用小麥均是單一品種的白麥,。因此,,研究能廣泛適用于實(shí)際小麥?zhǔn)占Z現(xiàn)場(chǎng)的更有效的適合多品種小麥識(shí)別[9]的算法是下一階段需要解決的問(wèn)題。其次,,圖片的采集方案仍然是基于掃描的靜態(tài)方法,,人工布樣時(shí)間長(zhǎng)。因此,,對(duì)動(dòng)態(tài)實(shí)時(shí)采集的識(shí)別方案的研究也是下一階段需要解決的問(wèn)題,。最后,本文提出的特征提取方法需要采集89維特征參數(shù),,繼續(xù)研究特征降維[10]問(wèn)題也是需要進(jìn)一步關(guān)注的重點(diǎn),。


參考文獻(xiàn)


 

[1] 魏琳,王愛(ài)民,,楊紅衛(wèi).基于聲學(xué)原理的小麥蟲蝕粒檢測(cè)方法研究[J].農(nóng)機(jī)化研究,,2013(6):33-36.

[2] 于重重,周蘭,,王鑫,,等.基于CNN神經(jīng)網(wǎng)絡(luò)的小麥不完善粒高光譜檢測(cè)[J].食品科學(xué),2017,,38(24):283-287.

[3] 余樂(lè),,吳超,吳靜珠,等.結(jié)合高光譜與CNN的小麥不完善粒識(shí)別方法[J].電子測(cè)量與儀器學(xué)報(bào),,2017,,31(8):1297-1303.

[4] 吳靜珠,劉倩,,陳巖,等.基于近紅外與高光譜技術(shù)的小麥種子多指標(biāo)檢測(cè)方法[J].傳感器與微系統(tǒng),,2016,35(7):42-44.

[5] 張玉榮,,陳賽賽,,周顯青,等.基于圖像處理和神經(jīng)網(wǎng)絡(luò)的小麥不完善粒識(shí)別方法研究[J].糧油食品科技,,2014,,22(3):59-63.

[6] 陳豐農(nóng).基于機(jī)器視覺(jué)的小麥并肩雜與不完善粒動(dòng)態(tài)實(shí)時(shí)監(jiān)測(cè)研究[D].杭州:浙江大學(xué),2012.

[7] 徐苗苗.彩色紋理圖像特征提取與分類研究[D].廣州:華南理工大學(xué),,2016.

[8] PAWAR V N,TALBAR S N. Machine learning approach for object recognition[J].International Journal of Modeling & Optimization,2012,,2(5):622-628.

[9] PINTO A M, MOREIRA A P.Object recognition using laser range finder and machine learning techniques[J].Robotics and Computer Integrated Manufacturing,2013,29(1):12-22.

[10] KHALID S,KHALIL T, NASREEEN S. A survey of feature selection and feature extraction techniques in machine learning[C].Science and Information Conference (SAI),2014:372-378.


(收稿日期:2018-09-03)



作者簡(jiǎn)介:



王周璞(1993-),男,,碩士研究生,,主要研究方向:圖像處理與網(wǎng)絡(luò)通信。


何小海(1964-),,通信作者,,男,,教授,主要研究方向:圖像處理與網(wǎng)絡(luò)通信,。E-mail:[email protected],。


吳小強(qiáng)(1969-),男,,高級(jí)工程師,,主要研究方向:計(jì)算機(jī)應(yīng)用與模式識(shí)別。


此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。