基于计算机视觉的玉米种子形态识别测量

刘　梅

(河南牧业经济学院，郑州　450011)

0　引言

种子是作物后期正常生长的前提，在农业生产中发挥着不可替代的作用。因此，种子质量和种子安全都是各国政府一直以来高度重视的问题，并针对种子的生产、检验和分选等过程制定了一系列的标准。国际种子检测标准协会提出，种子的质量包括纯度、净度、健康度和一致性等。种子的一致性包括品质、形态和颜色特征方面，形态特征和颜色特征为外观性状，是品质这一内部性状的外在表现。一般情况下，同一个果穗产生的种子一致性较差，而来自不同果穗的相同部位的种子一致性则较高。

采用具有高度一致性的种子播种，不仅可以取得节约用种量和出苗整齐的效果，还可以提高后期机械化作业的程度，从而降低生产成本[1]。因此，农作物种子的一致性对于提高农业生产的自动化水平、实现农业的可持续发展具有重要意义。要提高种子的一致性，则必须识别并清除发生裂变、霉变和畸形的种子，需要通过对种子的精选和分级来完成。传统的清选方法只能保证种子的净度和健康度，且效率太低，面对个体小和数量庞大的种子时不能适用。受技术条件的限制，对某些物种的种子曾经采用过人工进行识别。该方法虽然简单，但是效率很低，同时识别结果受主观因素影响较大，当种子体积很小时会极大地增加识别的难度。

科学的发展推动了技术进步，人们开发出了多种种子自动检测分级的方法，使得种子的快速清选成为可能。例如，利用近红外传感器可以检测种子的含水量和蛋白质含量，计算机视觉可以分析谷物类种子的外观形状和颜色特征。计算机视觉是随着计算机和信息处理技术发展起来的，在20世纪60年代开始被作为一门学科进行研究；在80年代取得重要进展并开始广泛应用，最初的用途是控制机器人采摘水果。计算机视觉是利用计算机和辅助设备模拟生物视觉，采集图像进行处理分析后获取目标信息。计算机视觉在国民生产和科学研究的各个领域都有着广泛的用途，其在农业中的应用包括农产品的分级检测和采摘、杂草的识别、农业机械路径识别等[2-6]。

得益于快速的图像信息处理速度和精准的识别能力，计算机视觉成为目前种子精选分级方面研究最多的技术，适用的作物种类也较为广泛。荀一等人以计算机视觉的动态监测技术为基础，设计了一种针对粒形种子的精选分级自动系统的样机，试验结果表明：在15粒/s的处理速度下，其对玉米种子的分级合格率达到90%[7]。王艳春等人研究了计算机视觉对黄顶菊种子的识别方法，通过验证筛选出了作为种子大小指标的直径和周长，以及反映种子形状特征的圆形度和矩形度这4个指标，用以为种子的自动识别提供基础[8]。

玉米是我国的三大粮食作物之一，在某些年份还是我国产量最高的粮食作物，2016年我国的玉米产量有所下降，但仍然接近2.2亿t。玉米的用途广泛，既可以加工成各种直接食用的食品，还能用于提取食用油及作为动物饲料，具有很高的营养价值和经济价值。玉米育种的意义不言而喻，玉米种子的精选分级也是我国玉米高产稳产的重要保证。在对玉米种子进行精选方面，张俊雄等建立了一种针对表面裂纹的籽粒形态特征检测方法，对两个品种玉米种子的裂纹识别准确率都超过了90%[9]。李广伟等人将计算机视觉技术应用在玉米种子的切片取样装置上，实现了对种子姿态的准确调整[10]。通过计算机视觉技术对玉米种子进行检测，还可以追溯种子来源，鉴别品种的种类，为种子的质量提供保障[11-13]。

本文基于计算机视觉技术，建立了一种玉米种子的形态识别测量方法和系统。该系统利用扫描设备获取种子图像，传入计算机中用软件分析处理。在各种形态学参数中，首先分别选择面积和圆形度作为识别玉米种子大小和形状的参数；然后根据种子大小和形状划分级别，并通过试验对该系统和方法的适用性进行验证，为玉米种子实时准确的精选分级提供技术支持。

1　系统的组成

系统硬件由扫描仪和与其连接的计算机组成，如图1所示。扫描仪为MICROTEK ScanMaker 800型，带有白色冷阴极灯，光学分辨率800×1600dpi，48位色彩深度，扫描范围305mm×432mm，单幅图像的扫描时间为18s。其扫描速度连续一致，光照强度稳定，成像清晰。采用USB2.0高速接口与计算机连接，扫描获得的图像可以用各种软件进行编辑。计算机为联想T4900C型台式电脑，安装Intel i5型中央处理器，4G内存和集成显卡。

图1　系统的硬件组成

计算机装载Windows10操作系统，处理图像的视觉软件为MatLab工具箱中的Computer Vision System Toolbox。该工具箱可以为视觉和视频的处理提供算法，执行特征检测、目标提取及匹配跟踪，特别适用于物体识别和图像检索，且性能稳定，运算速度快。

2　图像的处理

2.1图像的预处理

扫描得到的图像在计算机中用MatLab工具箱进行处理分析，为了提高种子轮廓的提取质量，首先对图像做预处理，包括图像灰度化和图像平滑。扫描的玉米种子原始图像中，目标为浅黄色和白色，背景完全为黑色，不存在能对目标识别造成干扰的其它颜色，因此对图像的色彩处理没有特殊要求。根据实际情况，采用RGB颜色空间对图像进行分析，取R、G、B这3个分量的加权平均数作为灰度化值。扫描过程中种子处于静止的状态，且光照强度保持不变，图像的噪音较小。对此，采用了较为简单的3×3窗口中值滤波法对图像完成平滑处理。选择一幅代表性的图片进行分析，预处理结果如图2所示。

图2　图像的预处理

2.2图像分割

对玉米种子图像的分割是形态识别测量的关键步骤，分割质量对种子的识别及参数测量分级的准确率有着重要影响。首先建立灰度化的直方图，表明目标种子区域与背景之间存在着明显的差异；从直方图中获得分割阈值，并以此对灰度化的二值图像进行阈值分割。以图3为代表，通过双峰法测试所得的最佳阈值为56.3，表现出很好的分割效果。

图3　图像的分割

2.3种子分级

经过图像分割，每个空白的目标区域代表一粒种子，目标区域的形状特征即每粒种子的形态特征。根据玉米种子的具体形态，本文选择面积和圆形度分别作为识别玉米种子大小和形状的参数。其中，面积为代表种子的目标区域覆盖的像素点个数，圆形度为目标区域面积乘以4π再除以周长的平方。根据设定的参数阈值，将种子按照面积分为大粒和小粒，按照圆形度分为圆粒和扁粒。因此，最终将玉米种子划分为大圆、大扁、小扁和小圆共4个等级，图中分别用代号1、2、3、4表示。通过区域标记法，将每粒种子对应的识别区域提取出来，进行上述的特征参数计算，对每粒种子分级后输出结果，如图4所示。在扫描仪面板铺满种子的情况下，系统处理单幅图像的整个过程耗时2s，远远少于单幅图像的扫描时间18s，不会对这个系统的速度造成影响。

图4　种子的分极

3　试验结果与分析

3.1试验设计

选择农华101和登海605这两个在华北地区广泛种植的玉米品种种子用于试验，每个品种取100粒种子，来自于用一个果穗。不同等级的种子一般都来自于果穗的不同部位，4个等级种子在果穗上从尾部到头部的分布依次是大圆粒、大扁粒、小扁粒和小圆粒，如图5所示。将果穗按照图5所示分段脱粒，从每段的种子中各选择25粒代表该段形态特征的种子分别标记，然后用该系统和方法分级，评价分级的准确率。之前对本果穗上所有种子的测量结果表明：种子的面积均值为11 683像素点，圆形度均值为0.64，以这两个均值为阈值划分大小粒和圆扁粒。

图5　各级种子在玉米果穗上的分布

3.2试验结果和分析

试验结果如表1所示。由表1可以看出：使用该形态识别测量方法对大圆粒的识别准确率为96%，有1粒被误判为大扁；对大扁粒的识别准确率为92%，有2粒被误判为大圆；对小扁粒的识别准确率为88%，分别有1粒和2粒被误判为大扁和小圆；对小圆粒的识别准确率为92%，分别有1粒被误判为大圆和小扁。对种子大小的识别准确率为98%，对圆扁的识别准确率相对较低，为96%。从整体来看，该方法对玉米种子形态的识别测量具有很高的准确度，能够满足自动分级的要求。

表1　形态识别的准确率

4　结论

基于计算机视觉技术，建立了一种玉米种子的形态识别测量方法和系统。该系统通过扫描获取种子图像，传入计算机中进行预处理和图像分割，提取单粒种子的图像；然后以面积和圆形度为参数，将种子划分为4个等级并输出结果。在扫描仪面板铺满种子的情况下，系统处理单幅图像的整个过程仅耗时2s。在验证试验中，该系统对种子大小的识别准确率为98%，对圆扁的识别准确率为96%，表现出很高的精准度，能够满足自动分级的要求，可以应用到玉米种子的自动化精选装置上。

目前已经报道的利用计算机视觉识别玉米种子形态的研究较多，与之前的研究相比，本系统的创新在于用扫描仪代替相机来获取种子图像。在面板铺满种子的情况下，扫描仪一次可以扫描上百粒种子，分析的通量大。同时，由于光照强度稳定，种子的位置较近，提高了成像的质量，便于后续的精确处理分析。另外，在参考相关研究的基础上，本文仅选择了两个代表性的特征值作为分级参数，减少了分析过程中的计算量，有利于在实时分级装置中的应用。

参考文献：

[1]荀一，蔡卫国，李伟. 谷物种子精选自动化系统研究[J]. 高技术通讯，2006,16(3):267-270.

[2]李庆中，汪懋华. 基于计算机视觉的水果实时分级技术发展与展望[J].农业机械学报，1999,30(6):1-7.

[3]杨国彬，赵杰文，向忠平. 利用计算机视觉对自然背景下西红柿进行判别[J].农机化研究，2003(1):60-62.

[4]王树文，张长利，房俊龙.应用计算机视觉对番茄损伤分类的研究[J].东北农业大学学报，2006,37(2):215-218.

[5]毛文华，王一鸣，张小超，等.基于机器视觉的田间杂草识别技术研究进展[J].农业工程学报，2004,20(5):43-46.

[6]周俊，姬长英. 基于知识的视觉导航农业机器人行走路径识别[J]. 农业工程学报，2003,19(6):101-105.

[7]蔡卫国，李伟，荀一. 种子精选分级装置自动控制方法研究[J]. 农业机械学报，2005, 36(8):90-92.

[8]王艳春，迟胜起，郑长英. 黄顶菊种子的图像分割及特征提取[J]. 青岛农业大学学报：自然科学版，2010, 27(4):325-329.

[9]张俊雄，荀一，李伟. 基于形态特征的玉米种子表面裂纹检测方法[J]. 光学精密工程，2007, 15(6):951-956.

[10]李广伟，谷侃锋，赵明扬. 育种用玉米种子切片取样自动定向方法与试验[J]. 农业工程学报，2016, 32(4):40-47.

[11]刘中合.基于计算机视觉的玉米种子特征提取及应用研究[D].泰安：山东农业大学，2007.

[12]王玉亮.基于及其视觉的玉米种子品种识别与检测研究[D].泰安：山东农业大学，2008.

[13]高旭.基于图像识别技术的玉米种子品种识别研究[D].保定：河北农业大学，2012.