机器视觉在玉米籽粒品质检测中的应用研究

郑小东 王 杰

(郑州航空工业管理学院计算机科学与应用系，郑州 450015)

机器视觉也称计算机视觉，是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科，主要研究用各种成像系统代替人的视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释，实现对人类视觉行为的计算机模拟或再现［1］。机器视觉在人类生产和生活中的应用能够提高人类相关活动的自动化和智能化程度。目前，机器视觉在农业中的应用研究涉及作物种子品质检测［2］、作物病害检测［3］、农产品采摘［4］、农产品品质检测［5］、农产品分级［6］等领域。

玉米是我国主要的农作物之一，是食品、饲料、药品和工农业产品重要的原材料，玉米生产在国家粮食生产和粮食安全中占有重要的战略地位［7－8］。在玉米种植、玉米产品加工、玉米产品销售等环节，都需要对玉米籽粒进行品质检测。

一些研究者开展了基于机器视觉的玉米籽粒品质检测应用研究。本文对近十年内的研究状况进行了综述，以供后续相关研究参考，加快相关研究深入开展并尽快转化为应用。

1 概述

机器视觉在玉米籽粒品质检测中的应用包括图像采集、图像处理与分析两个模块。工作流程为:图像采集模块获取相关图像并传送至图像处理与分析模块，图像处理与分析模块对图像进行预处理、特征提取、判别分析，输出结果。结果可以是玉米种类信息、品质信息等，在生产中可根据结果进行下一步的操作，如分拣操作。

在实际的应用系统中，机器视觉系统只是其中的一个组成模块。以玉米种子精选系统［9］为例:机器视觉模块是整个系统的核心模块;机器视觉模块之后连接一个机电控制模块，该模块根据机器视觉模块的输出对玉米籽粒作出分拣处理，实现精选;机器视觉模块与机电控制模块通过物料输送模块连接在一起。

目前相关研究主要以玉米种子品质鉴定、玉米种类自动识别、玉米籽粒精选与分级为应用方向。以下从图像预处理、籽粒品质鉴定、种类识别、精选与分级4个方面对研究现状进行概述，包括研究中使用的图像采集设备、图像处理与分析方法、试验结果等。

2 研究现状

2.1 图像预处理

图像预处理是为特征提取做准备。各机器视觉系统对图像进行特征提取前都进行了一些预处理，通常包括背景分割、图像滤波、单个籽粒提取、籽粒轮廓提取等操作［10－32］。除了这些常规操作，有些系统还考虑了其他方面的问题［10－15］。

某些研究在进行特征提取时，需考虑籽粒在图像中的方位。权龙哲等［10］研究了玉米籽粒正形技术:利用CCD(Charge－coupled Device，电荷耦合元件)相机获取玉米籽粒图像，图像预处理后获得单粒图像，计算籽粒形心到边缘各点的距离构成边缘曲线向量，利用coif5小波对向量进行多重分解，识别籽粒尖端位置，根据籽粒形心和尖端位置实现籽粒正形。

相关研究在进行图像采集时，玉米籽粒之间都有一定间距，在实际生产中，籽粒之间可能没有间距，会出现图像中籽粒粘连情况。如果将研究成果应用于生产，必须解决籽粒粘连问题。荀一等［11］研究了粘连玉米籽粒图像自动分割方法:使用扫描仪获取粘连玉米籽粒图像，在常规粘连对象分割方法的基础上，通过设置公共区域，实现对粘连玉米籽粒的分割，分割正确率为96%。张亚秋等［12］提出了基于逐步改变阈值的分水岭变换方法分割粘连玉米，分割正确率为97.7%。

玉米籽粒的特征包括整体特征和局部特征，如整体的形状、颜色、纹理特征，胚部的形状、颜色、纹理特征等。提取局部特征前，需要通过图像分割将玉米籽粒分割为不同部分。宁纪锋等［13］研究了玉米籽粒尖端和胚部识别方法:利用CCD相机获取玉米籽粒图像，图像预处理后获取单粒种子图像，根据玉米籽粒尖端比其他部分尖锐的特点确定玉米籽粒尖端位置，根据图像中玉米籽粒胚部的亮度特征识别胚部所在面，对4个品种玉米的籽粒尖端、表面特征的综合识别率分别为92.50%和89.58%。韩仲志等［14］利用扫描仪获取玉米籽粒胚面彩色 RGB图像，通过对图像进行ICA分析实现玉米胚部的准确分割，提取胚部的形态、颜色和纹理特征各3个，与手工检测结果相比较，验证了ICA方法的可靠性。张俊雄等［15］使用摄像头进行图像采集，通过图像预处理获取单个籽粒，选择7个颜色特征，采用BP神经网络将籽粒分成紫色、黄色和白色3个区域，准确识别率分别为 97.61%，93.34%和 94.09%，紫色区域可作为识别单倍体和杂合体的依据。

2.2 品质鉴定

玉米籽粒品质鉴定包括对普通籽粒和种子的鉴定两种。前者通常在玉米储藏、玉米产品加工等环节进行，检测内容包括籽粒表面是否有裂纹、籽粒是否完整等。后者通常在育种、种子收购和销售等环节进行，检测内容除了前者的检测内容，还包括种子的活力、纯度等指标。

张俊雄等［16］研究了玉米种子表面裂纹检测方法:利用CCD相机获取单粒玉米籽粒图像;在R通道采用Sobel算子进行边缘检测;在B通道进行阈值分割、腐蚀和膨胀处理，取剩余像素中距离种子形心点距离最大的点为种子尖端点，根据轮廓上各点到尖端点距离和尖端点到形心的距离去除尖端部分;对R通道的结果进行膨胀运算，对B通道的结果进行细线化处理，对二者进行减运算，最后根据连通性获取特征数据，判别是否存在裂纹，对两个品种的玉米识别准确率分别为94%和90%。

万鹏等［17］研究了玉米籽粒完整性检测方法:利用CCD摄像头采集籽粒图像，提取8个形状特征，构建BP神经网络进行，试验结果对整粒玉米检测的准确率为97.50%，对破碎玉米检测的平均准确率为91.83%。

王传宇等［18］利用摄像机获取玉米籽粒图像，图像预处理后，采用流域分割算法分割粘连籽粒，提取籽粒投影面积、周长和长短轴作为籽粒形状的衡量指标。

史中辉等［19］利用相机获取玉米籽粒图像，图像预处理后提取籽粒13个几何特征、12个颜色特征，以作为玉米种子品种识别和质量检测的依据。

赵新子等［20］研究了玉米种子活力识别技术:利用CCD相机获取玉米种胚染色后的彩色图像，图像预处理后，根据染色部分与整个种胚的面积比判断种子是否具有活力，对3个品种玉米的识别准确度达93.7%以上。

司秀丽等［21］研究了玉米种子纯度识别方法:利用彩色相机获取蛋白质凝胶电泳图谱，对图像进行灰度变换、图像均衡化处理和基于阈值的二值化处理，通过与电泳图谱标准模板相匹配，识别玉米种子纯度，对2个品种玉米的平均识别准确度达99.5%。闫小梅等［22］采用CCD相机分别获取玉米种子冠部和无胚芽面图像，通过图像预处理分割出单个籽粒，通过图像分割提取冠部核心区域和侧面黄色区域，提取两个区域的6个颜色特征，采用Fisher判别理论将特征投影到一维空间，利用K－均值聚类进行纯度识别，对4个品种玉米的识别率达到93.75%以上。刘双喜等［23］使用CCD相机获取玉米籽粒冠部彩色图像，提取冠部核心区域9个颜色特征，采用基于最远优先遍历优化DBSCAN算法进行玉米纯度识别，对三个玉米品种的识别率为93.3%。

2.3 种类识别

基于机器视觉的玉米种类自动识别研究思路大都相似:使用CCD相机、扫描仪等获取玉米籽粒图像，提取图像中玉米籽粒的形状、颜色等特征参数，采用主成分分析等方法进行特征优化，利用神经网络等进行种类识别。

闸建文等［24］利用扫描仪采集图像，提取玉米的11个形态特征，利用数理统计和模糊数学构建识别系统，对5个玉米品种的正确识别率达88%。

史智兴等［25］首先提取玉米籽粒4个几何特征、6个颜色特征，然后将玉米籽粒分为黄、白两部分，提取两部分的面积比例、黄色部分的6个颜色特征，最后对17个特征采用基于支持向量机的遗传算法进行优化选择。通过对3个玉米品种试验，认为面积比例、黄色部分的蓝色分量与饱和度在玉米品种识别方面具有显著价值。程洪等［26］以3个玉米品种为研究对象，提取玉米籽粒的6个颜色特征、5个几何特征以及黄白部分的2个面积特征、黄色部分的6个颜色特征，利用基于支持向量机和遗传算法相结合的特征选择算法进行优化选择，得出与史智兴等［25］相似的结论。

王宏勇等［27］提取玉米籽粒图像6个一阶灰度值统计量特征、16个灰度值游程矩阵纹理特征、3个形态特征，利用遗传算法获得16个优化特征，利用基于决策二叉树支持向量机进行种类识别，对4个品种玉米的识别准确率为95.9%。

程洪等［28］使用数码相机获取玉米籽粒图像，图像预处理后获得单个籽粒，提取玉米籽粒的4个形状特征和2各颜色特征，利用支持向量机进行识别，对3个品种玉米的识别率为92.3%。

熊凯等［29］利用扫描仪进行图像采集，图像预处理后，提取玉米籽粒几何特征8个、颜色特征12个、纹理特征13个，采用主成分分析方法提取特征主分量，利用BP神经网络进行玉米种类识别，对11个品种玉米的检出率为92%以上。

权龙哲等［30］通过图像预处理获得经过正形的单粒籽粒图像，应用K－L变换提取籽粒图像特征数据，设计二叉树型多类LS－SvM分类器进行种类识别。对4个品种的玉米进行了试验，状态空间维数为3时识别率可达95.3%。

王玉亮等［31］使用相机进行图像采集，图像预处理后提取玉米籽粒的13个几何特征、12个颜色特征，利用主成分分析的方法对特征降维，然后利用BP神经网络进行品种识别，对4个品种玉米的识别率可达到97%以上。

韩仲志等［32］利用扫描仪进行图像采集，图像预处理后，提取玉米籽粒8个几何特征、12个颜色特征、13个纹理特征，通过主成分分析进行特征优化，利用支持向量机进行种类识别，对11个品种的检出率为100%。

宋鹏等［9］使用扫描仪采集图像，利用基于贝叶斯准则的分类器和基于支持向量机的模式识别方法识别玉米种类，对5个玉米品种的平均识别准确率为92%。

2.4 精选与分级

玉米籽粒精选与分级可看做品质鉴定的进一步应用，在品质鉴定的基础上增加机电控制模块实现精选与分级。

宋鹏等［9］设计玉米籽粒分级与单倍体籽粒分拣系统。

玉米籽粒分级系统工作流程如下:当玉米籽粒进入图像采集区域时，PLC触发摄像机进行图像采集，计算机对图像数据进行处理后发回信息至PLC，PLC通过控制电磁阀的开闭来控制高压气流的通断，将籽粒按其级别信息吹入相应的容器内，完成籽粒检测和分级。该系统根据玉米籽粒的4个形状特征将种子分为4级，利用2个颜色特征将种子分为3级，分级合格率分别为81.8%和93.04%。

玉米单倍体籽粒分拣系统使用摄像头进行图像采集，系统控制单元根据颜色特征识别玉米单倍体，使用二自由度并联机器人机构采用气吸方式进行分拣，识别准确率达90%，分拣正确率可达80%。

3 讨论

3.1 应用方向

目前相关研究主要以玉米种子品质鉴定、玉米种类自动识别、玉米籽粒精选与分级为应用方向，成果可用于开发相关生产线、专用检测设备或软件。

当前手机等移动成像设备、扫描仪等办公设备应用普及，今后可研发基于这些设备的专用检测软件，为农民和相关工作人员提供便利，也可以提高资源利用率。

3.2 图像采集

在相关研究中，图像采集设备主要为CCD相机、扫描仪或数码相机。如果研究以开发相关生产线为目标，研究中使用CCD相机是最佳的选择;如果以开发静态检测设备为目标，推荐使用面阵相机，如CCD面阵相机;如果以开发用于现有设备的软件为目标，推荐直接使用相关设备，如数码相机、手机等。

图像采集通常是在封闭的环境下进行的，这样可以确保光照稳定，图像中噪声较少，也不需要标定，便于后续处理。如果开发用于移动设备的相关软件，则需要考虑如下四个方面的情况并予以解决:

(1)目前研究中图像采集时玉米的背景均为单一颜色，如黑色或蓝色，实际应用中用户可能会采用不同颜色的背景采集图像。

(2)实际应用中光照条件不确定，光照变化对图像质量有影响，特别是颜色特征会变化。

(3)玉米籽粒尺寸较小，图像采集设备相对籽粒的空间位置发生变化时，图像中籽粒的特征、特别是几何特征会变化。

(4)玉米籽粒并非平面物体，图像采集时如果采集的角度发生偏移，图像中籽粒的形态也会发生变化。

3.3 特征提取与模式识别

在相关研究中，普遍对玉米籽粒采用多个特征向量进行描述，采用基于支持向量机或神经网络的方法进行判别，主要存在以下问题:

(1)对玉米籽粒的描述主要为几何特征和颜色特征统计量，对形状的描述不够全面，对颜色的空间分布特征缺少描述，对纹理特征重视不够。

(2)建立应用系统时，为了达到精确的效果，需要广泛采样，工作量大，系统易局限于少数玉米品种，不利于推广应用，系统更新也困难。

(3)特征提取主要针对静态图像，如果研究的应用目标是生产线，还需研究动态图像处理技术，特别是图像预处理技术。

3.4 其他

在玉米籽粒品质检测研究中，图像采集设备均为可见光设备，图像处理过程仅分析了玉米籽粒的外部品质。如果将红外、近红外等非可见光成像设备应用于相关研究，有望检测玉米籽粒的内部品质。将多波段成像技术应用于玉米籽粒品质检测可作为今后研究的重要方向，信息融合是其中的关键技术。

［1］王玉亮.基于机器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

［2］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

［3］屈赟，吴玉洁，刘盼.计算机视觉技术在农作物病虫草害防治中的研究进展［J］.安徽农业科学，2011，39(9):5570－5571

［4］鲍官军，荀一，戚利勇，等.机器视觉在黄瓜采摘机器人中的应用研究［J］.浙江工业大学学报，2010，38(1):114－118

［5］应义斌，蒋亦元.机器视觉技术在农产品品质自动识别中的应用研究进展［J］.农业工程学报，2000，16(3):4－7

［6］毛璐，赵春江，王开义，等.机器视觉在农产品物流分级检测中的应用［J］.农机化研究，2011，(7):7 －13

［7］国务院.国务院关于加快推进现代农作物种业发展的意见(国发〔2011〕8号)［EB/OL］.［2011－01－18］.http://www.gov.cn/zwgk/2011 －04/18/content_1846364.htm

［8］韩长赋.要加快制定我国玉米产业发展战略规划［EB/OL］.［2012 － 05 － 30］.http://finance.people.com.cn/GB/70392/18022689.html

［9］宋鹏，张俊雄，荀一，等.玉米种子自动精选系统开发［J］.农业工程学报，2010，26(9):124 －127

［10］权龙哲，马小愚.基于小波分析的玉米籽粒图像正形研究［J］.农机化研究，2006(2):154－156

［11］荀一，鲍官军，杨庆华，等.粘连玉米籽粒图像的自动分割方法［J］.农业机械学报，2010，41(4):163－167

［12］张亚秋，吴文福，王刚.基于逐步改变阈值方法的玉米种子图像分割［J］.农业工程学报，2011，27(7):200 －204

［13］宁纪锋，何东健，杨蜀秦.玉米籽粒的尖端和胚部的计算机视觉识别［J］.农业工程学报，2004，20(3):117 －119

［14］韩仲志，赵友刚，杨锦忠.基于籽粒RGB图像独立分量的玉米胚部特征检测［J］.农业工程学报，2010，26(3):222－226

［15］张俊雄，吴科斌，宋鹏，等.基于BP神经网络的玉米单倍体种子图像分割［J］.江苏大学学报:自然科学版，2011，32(6):621－625

［16］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

［17］万鹏，孙钟雷，宗力.基于计算机视觉的玉米粒形检测方法［J］.中国粮油学报，2011，26(5):107－110

［18］王传宇，郭新宇，温维亮，等.基于计算机视觉的玉米籽粒形态测量［J］.农机化研究，2011(6):141－144

［19］史中辉，赵秀艳，于广洋，等.基于图像处理的玉米种子特征参数提取系统［J］.农机化研究，2011，(10):166－170

［20］赵新子，吴巍，司秀丽.玉米种子活力图像识别与处理技术研究［J］.吉林农业大学学报，2004，26(5):572 －576

［21］司秀丽，吴巍，赵新子，等.玉米种子纯度的计算机图像识别［J］.吉林农业大学学报，2005，27(6):694 －697

［22］闫小梅，刘双喜，张春庆，等.基于颜色特征的玉米种子纯度识别［J］.农业工程学报，2010，26(s1):46 －50

［23］刘双喜，王盼，张春庆，等.基于优化DBSCAN算法的玉米种子纯度识别［J］.农业机械学报，2012，43(4):188－192

［24］闸建文，陈永艳.基于外部特征的玉米品种计算机识别系统［J］.农业机械学报，2004，35(6):115 －118

［25］史智兴，程洪，李江涛，等.图像处理识别玉米品种的特征参数研究［J］.农业工程学报，2008，24(6):193 －195

［26］程洪，李江涛，史智兴，等.玉米籽粒的特征选择算法—基于支持向量机与遗传算法［J］.农机化研究，2009，(2):30－33

［27］王宏勇，侯惠芳，刘素华.基于遗传算法和支持向量机的玉米品种识别［J］.计算机工程与应用，2008，44(18):221－223

［28］程洪，史智兴，么炜，等.基于支持向量机的玉米品种识别［J］.农业机械学报，2009，40(3):180－183

［29］熊凯，李向红，李言照，等.基于ANN和PCA的玉米品种特征分析与识别研究［J］.粮油食品科技，2010，18(4):1－5

［30］权龙哲，祝荣欣，雷溥，等.基于K－L变换与LS－SVM的玉米品种识别方法［J］.农业机械学报，2010，41(4):168－172

［31］王玉亮，刘贤喜，苏庆堂.多对象特征提取和优化神经网络的玉米种子品种识别［J］.农业工程学报，2010，26(6):199－204

［32］韩仲志，杨锦忠.多类支持向量机在玉米品种识别中的应用［J］.农机化研究，2010(11):159－163.