基于形状特征的脱绒棉种品种识别研究.docVIP

基于形状特征的脱绒棉种品种识别研究 邵鲁浩，坎杂※，李景彬，田绪顺 （石河子大学机电学院，新疆石河子 832000） 摘 要：本文以中棉50、新陆早26、新陆早33棉花品种为研究对象，基于图像处理技术提取了脱绒棉种的面积周长类、最大径类、椭圆类和区域矩类共14个形状特征参数，并运用多元统计分析方法，利用统计学中的集中趋势指标与离散程度指标对数据进行分析，将综合特征指标作为品种判别的参数；利用SPSS软件，用逐步判别分析法建立了3个品种的识别模型，得出3个线性分类函数，经验证，综合判别率为99.2%，判别效果非常显著。 0 引 ? 言 (棉花种子是棉花生产最基本的生产资料[1]，种子真实性和品种纯度是反映种子质量的重要指标[2]。资料显示，2010年全国棉花播种品种（含没有审定的品系、组合、材料、代号和不知名等）569个，比2009年增加95个，增幅20%，棉种的“多乱杂”现象非常突出[3]。机器视觉具有实时、高效、客观、准确和无损伤等优点[4]，因此，应用机器视觉技术对棉种进行品种识别检测有着重要的现实意义。 随着机器视觉技术的迅速发展，利用图像处理技术进行农产品的品种识别检测已经得到普遍关注，研究较多的为玉米、水稻、小麦、花生等农作物。1998年，Zayas I Y等[5]利用籽粒形态特征识别法对小麦进行品种识别;2000年，Majiumdar S D等[6]利用谷物的23种形态特征区分不同品种的麦粒；2005年，何胜美等[7]用逐步判别分析法建立小麦品种的贝叶斯分类器模型。2009年，韩仲志等[8]基于主分量分析和人工神经网络的方法建立花生品种的识别模型。2004年，黄星奕等[9]通过贝叶斯决策方法建立稻谷品种的识别分类器；2010年，熊利荣等[10]利用Bayes判别法建立了稻谷品种的识别模型。2004年，闸建文等[11]利用数理统计和模糊数学知识建立了玉米品种的判别准则，杨蜀秦等[12]利用BP人工神经网络方法进行了玉米品种识别；2009年，程洪等[13]利用支持向量机（SVM）算法对玉米品种进行训练识别；2010年，权龙哲等[14]提出K-L变换与最小二乘支持向量机相结合的玉米籽粒品种鉴别方法，王玉亮等[15]提出一种基于多对象有效特征提取和主成分分析优化神经网络的玉米种子品种识别方法。综上所述，种子的特征参数与品种之间存在着极为密切的关系。 本文以新疆脱绒棉种为研究对象，运用多元统计分析的方法，研究了脱绒棉种的形状特征参数与品种识别之间的关系。 1 材料选取与形状特征参数提取 1.1 材料选取 1.1.1 样本来源 本研究中的试验样品由新疆西部种业有限公司提供。试验样品有中棉50、新陆早26和新陆早33三个品种。从每份样品中随机选取50粒用于试验，由于棉种每个面的形状不完全相同，因此选取每粒种子的三个面，拍得3幅图像以便更全面的进行数据分析，其中120幅图片用于建立判别分类模型，30幅用于验证模型的识别率。 1.1.2 图像采集与处理系统 1.摄像头 2.镜头 3.环形光源 4.脱绒棉种 5.载物台 6.图像采集卡 7.计算机 图1 图像采集系统 Fig.1 Image Acquisition System 图像采集系统由BASLER公司的A602f-2摄像头，焦距55mm的Computar镜头，视觉龙多功能视觉试验台架、Ose环形光源、DH-CG300图像采集卡和计算机等组成，如图1所示。载物台上用白色作为背景颜色，以达到很好的分离目标物的效果。试验台架用一个黑色遮光罩密封，以去除外界光线的影响。将分辨率设为640*480的条件下获取灰度图像。 图像处理和数据分析都在Windows XP操作系统中完成，图像处理选用通用图像处理系统ImageSysV7.1软件，数据分析选用SPSS13.0软件。 1.2 形状特征参数提取 1.2.1 图像预处理 图像预处理的主要过程包括图像增强、图像分割、图像去噪和图像补洞。其中图像增强采用的是中值滤波中的简单均值算法；根据对直方图的观察，将阈值设为30～254进行图像分割；利用数学形态学进行图像去噪；为了得到完整的种子图像面积等特征参数，对对象物进行补洞处理。图像处理的结果如图2所示： 图像预处理前 图像预处理后 图2 图像预处理前后对比图 Fig.2 Image Preprocessing Comparison Figure 1.2.2 特征参数的提取 本文利用图像处理软件提取了脱绒棉种图像的14个二值特征参数进行数据分析。 面积周长类的特征参数有面积、周长、周长面积比、NCI比、圆形度和圆的形状系数，其中NCI比为周长/（总面积）；圆形度D＝4×(总面积)÷（周长），D≦1，圆的圆形度最大时为1；