基于DHNN的玉米种子质量评级方法

杨 琳， 张 林， 王 博， 李 英， 温 阳

(1.商洛学院电子信息与电气工程学院，陕西商洛 726000； 2.上海交通大学电子信息与电气工程学院，上海 200240)

玉米是我国第二大产量的农作物。玉米种子质量是影响其产量的重要因素之一，对玉米种子质量进行鉴别，选用优质种子，将有利于提高玉米产量。种子质量鉴别的传统方法有人工检测、小区域种植及化学检测3种方法。人工检测主观性较强，准确性不理想，后2种方法的结果都比较准确，但是小区域种植方法耗时太长，化学检测成本太高，都不能满足大批量种子检测的需要。国内外学者针对农作物种子的质量鉴别做了大量研究工作，方法有机器视觉法、电子鼻检测法、光谱检测法、细胞检测法等，类型有病虫害检测、分级检测，完整性检测等。早在20世纪80年代，Zayas等就开始利用机器视觉来鉴别谷物种子，此后20多年，他们先后利用崩结构模板法、统计学分析法、RGB颜色参数建模法、正交变换法，分别实现了谷物种子杂质鉴别、多种谷物种类鉴别、降维、改进网络[1-2]。Paliwal等成功地实现了谷物杂质的混合鉴别，识别率达到了90%[3]。国内也有众多学者对该方向展开了研究。刘兆艳开发了稻种品种识别专用软件[4]；王志军等针对种子粘连问题研究了相对应的图像分割算法[5]；万鹏等利用大米的粒形特征值来识别大米品种[6]；韩仲志等对花生的品质检测展开研究[7]；王玉亮等在玉米种子检测中将多对象特征提取法应用于品种识别[8]；张俊雄等研究了单倍体玉米种子的图像提取[9]；曹维时等研究了自动直立等距摆放种子的装置，在此基础上完成种子纯度识别[10]；付立思等基于不变矩理论研究了玉米种子的病虫害识别[11]；吴江等利用光谱分析实现了大豆品种识别[12-13]；洪亮提出“组合平均差异系数”的概念，在此基础上研究了“多选一”的识别方法[14]；钱燕等利用三维重构技术来研究种子识别[15]。本方法在前人研究的基础上，引入DHNN网络，研究了一种神经网络算法，从玉米种子的几何尺寸、颜色等外观特性来快速判别种子的质量，减小了人工误差，降低了检测成本，加快了检测速度，为实现快速鉴别大批量种子质量提供科学依据和方法指导，为实现农业自动化奠定基础。

1 DHNN概述

Hopfield网络最初由美国物理学家Hopfield在1982年提出，它是一种全连接型的神经网络，利用不同于阶层型网络的结构特征和学习方法，为神经网络的发展提供了新的方法和方向。离散型Hopfield神经网络，即DHNN(discrete hopfield neural network)，其网络结构见图1，该网络采用二值神经元，是一种单层的反馈型神经网络[16]。

2 玉米种子质量评级体系的构建

2.1 指标确定

大小、粒形、颜色等参数都可以反映玉米种子的特征与质量，对玉米种子的正面图像进行预处理、分割，然后提取的种子大小、粒形、颜色等外观参数见图2。对影响玉米种子质量的因素进行分析，以文献[8]所讨论的25个评价指标为基础，进行大量的试验验证，去掉了这些指标中性质重复、独立性较差、相关度太高的10项；同时残损、裂纹、粒形与种子质量也有很高的关联度，但在文献[8]中并未体现，因此增加了表征残损裂纹特性的4个指标和表征种子粒形特性的尖角角度和尖角高度2个指标。最终选取种子尺寸、粒形、颜色、残损与霉变4个方面的21个影响因素作为评价指标，处理质量评价指标见表1。

评价玉米外观质量的评价指标分为2个层次。第1个层次，记为U=[u1，u2，u3，u4]=[RGB颜色，裂纹与残损，尺寸，粒形]，第2个层次是第1个层次的详细划分，其中u1=[x1，x2，x3，x4，x5，x6]=[胚R值，胚G值，胚B值，种子R值，种子G值，种子B值]，u2=[x7，x8，x9，x10]=[裂纹宽度，裂纹长度，霉变或杂点程度，残损程度]，u3=[x11，x12，x13，x14，x15]=[长轴，短轴，周长，面积，尖角高]，u4=[x16，x17，x18，x19，x20，x21]=[尖角角度，外接圆直径，内切圆直径，长宽比，胚长轴，胚短轴]。将评价指标的等级分为特差、差、一般、好、特好5个等级，即V=[v1，v2，v3，v4，v5]=[特差、差、一般、好、特好]。

2.2 确定模糊矩阵

对于以上21个评价指标，进行单因素评价形成1个综合了20个指标5个等级的模糊矩阵R=[R1，R2，R3，R4]，RGB颜色、裂纹与残损、尺寸、粒形4个指标特性所对应的模糊矩阵分别为R1、R2、R3、R4。

2.3 指标编码

4个方面共21个评价指标，每个指标又分为5个等级：特好(等级5，85～100分)、好(等级4，75～84分)、一般(等级3，60～74分)、差(等级2，30～59分)、特差(等级1，小于30分)。理想的5个等级评价指标编码模式见图3，神经元状态为1那么表示为实心菱形，而神经元状态为-1则表示为空心菱形。

2.4 网络设计

2.4.1 建立网络结构 DHNN中的每个神经元都有相类似的功能，其状态即为输出，用xj表示。所有状态构成的集合就是网络状态，即X=[x1,x2,…,xn]T。网络的初始状态就是输入，表示为X(0)=[x1(0),x2(0),…,xn(0)]T。将标准等级的评价指标的编码，作为DHNN网络的平衡点，即目标向量T，利用matlab工具箱函数newhop来创建网络。创建DHNN网络的语句为net=newhop(T)。

2.4.2 权系数矩阵的确定 通常来讲，反映玉米种子外观质量的评价指标对种子质量的影响并不是完全均等的，因此，根据指标对种子质量的影响程度对指标赋予1个权重。如果指标ui所对应的权重是wi，那么，整个指标体系U所对应的权重向量为W=[w1,w2,w3,w4]。

将AHP(Analytic Hierarchy Process，即层次分析法)[17-20]应用于权重向量的计算中。计算的结果为，第1层次的指标类型U=[u1，u2，u3，u4]=[RGB颜色，裂纹与残损，尺寸，粒形]所对应的权重系数矩阵是W=[0.45，0.41，0.06，0.08]。第2层次中RGB颜色特性u1=[胚R值，胚G值，胚B值，种子R值，种子G值，种子B值]所对应的权重为w1=[0.1，0.22，0.18，0.1，0.21，0.19]，裂纹与残损特性u2=[裂纹宽度，裂纹长度，霉变或杂点程度，残损程度]所对应的权重为w2=[0.36，0.21，0.23，0.20]，尺寸特性u3=[长轴，短轴，周长，面积，尖角高]所对应的权重为w3=[0.23，0.19，0.18，0.22，0.18]，粒形特性u4=[尖角角度，外切圆直径，内切圆直径，长宽比，胚长轴，胚短轴]所对应的权重为w4=[0.17，0.17，0.16，0.18，0.17，0.15]。

在外界输入的激发下，反馈网络从初始的状态逐渐进入动态演变的过程，其变化规律如下：

xj=f(nrtj)j=1,2,…,n。

(1)

对各层输入信息与权系数乘积进行累加，通过网络的状态函数产生输出信息(即1个简单的非线性阈值函数)，如公式(2)和公式(3)：

(2)

(3)

如果wij在i=j时等于0，DHNN无自反馈；反之，若wij在i=j时不等于0，那么该DHNN有自反馈。

2.4.3 网络训练 以陕西省商洛市种植的正大12号品种的5 000粒典型种子作为研究对象，根据表1的指标等级范围，确定这1 000粒种子的指标等级，并以这些指标数据作为网络训练样本，训练了网络模型。通过网络训练，评级系统的网络模型对各个指标有了特征记忆，便于后续的等级评价。

3 网络预测与结果分析

3.1 网络预测

以商洛本地种植的正大12号品种的玉米种子作为预测对象，首先对7粒典型特征的种子进行初步分级预测试验。7粒典型特征种子的外观见图4，对这些图像进行预处理与特征提取后，根据特征信息按照表1所示的指标规则进行编码，结果见图5。

在Matlab中编制离散Hopfield网络的相关代码，将未分类的玉米种子编码，送入DHNN网络进行仿真，所用到的核心Matlab语句是Y=sim(net，{35 30}，{}，A)。经过30次的迭代运算，每一组数据开始趋向某一种标准等级种子的指标编码数据，从而得到仿真结果(图6)。验证正确性后以1 000粒未分类的种子作为预测评价样本进行评价预测。

3.2 结果分析

(1)从仿真结果可以看出，DHNN网络模型可以有效地对待分级的玉米种子外观图像进行分类，避免了人为因素造成的误差，从而得到相对客观的分级结果。色泽和尺寸形状接近标准的种子被判定为好或者特好，出芽概率比较大；有少量杂点或尺寸过大或者过小的种子将被判定为一般，这类种子的出苗率会相对低一些，种植时需要特别呵护，以降低不出苗的风险；有霉变或者有裂纹的种子被判定为差或特差，几乎没有出芽的可能性，这类种子不适合种植。(2)以1 000粒未知等级的玉米种子作为评价的样本，对这些种子进行分级预测试验，准确率可达到96.3%。(3)应用DHNN方法对玉米种子的外观质量进行分级测评时，如果种子的指标数值趋近于某一等级，比较容易得到较好的分级结果，但如果指标数值部分高、部分低，即种子指标优劣势所占比重相差较小时，可能会导致一定的评级误差。

4 结语

本研究设计的Hopfield网络模型可以对玉米种子的外观进行快速、客观地评价，为农作物种子的质量分级提供了一种高效的评级方法；以商洛本地种植的玉米种子品种正大12号为例进行验证与分析，该算法的评级结果与人为判断分级结果基本一致，准确率达到96.3%。该方法能够有效避免人为评价的主观误差，同时能够很大程度提高种子分级的效率，对提高农作物产量有重要的理论指导意义。

参考文献：

[1]Zayas I Y，Pomeranz Y，Lai F S. Discrimination between Arthur and Arkan wheats by image analysis[J]. Cereal Chemistry，1985，62(6)：478-480.

[2]Zayas I Y，Steele J L，Dempster R E. Pattern recognition of com defects by color image analysis[J]. Cereal Foods World，1990，35(8)：848.

[3]Paliwal J，Visen N S，Jayas D S. Cereal grain and dockage identification using machine vision[J]. Biosystems Engineering，2003，85(1)：51-57.

[4]刘兆艳. 基于机器视觉的稻种品种识别研究[D]. 杭州：浙江大学，2006.

[5]王志军，丛培盛，周佳璐，等. 基于图像处理与人工神经网络的小麦颗粒外观品质评价方法[J]. 农业工程学报，2007，23(1)：158-161.

[6]万 鹏，孙 瑜，孙永海. 基于计算机视觉的大米粒形识别方法[J]. 吉林大学学报(工学版)，2008，38(2)：489-492.

[7]韩仲志，赵友刚. 基于外观特征识别的花生品种与品质检测方法[J]. 中国粮油学报，2009，24(5)：123-126.

[8]王玉亮，刘贤喜，苏庆堂，等. 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)：199-204，389.

[9]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.

[10]曹维时，张春庆，王金星，等. 离散小波变换和BP神经网络识别玉米种子纯度[J]. 农业工程学报，2012，28(增刊2)：253-258.

[11]付立思，何荣卜，刘朋维. 一种新的不变矩与神经网络玉米病害识别系统[J]. 计算机工程与应用，2012，48(4)：219-221.

[12]吴 江，黄富荣，黄才欢，等. 近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究[J]. 光谱学与光谱分析，2013，33(6)：1537-1541.

[13]谭克竹，柴玉华，宋伟先，等. 基于高光谱图像处理的大豆品种识别[J]. 农业工程学报，2014，30(9)：235-242.

[14]洪 亮. 基于组合平均差异系数的粮食种子识别[J]. 红外与激光工程，2014，43(4)：1344-1351.

[15]钱 燕，尹文庆，林相泽，等. 基于序列图像三维重建的稻种品种识别[J]. 农业工程学报，2014，30(7)：190-196.

[16]王小川. MATLAB神经网络43个案例分析[M]. 北京：北京航空航天大学出版社，2013.

[17]庄 倩. 基于AHP的江苏省高标准农田综合生产能力评价[J]. 江苏农业科学，2016，44(6)：511-515.

[18]耿荣娜，曹丽英. 基于AHP方法的农村电子商务发展制约因素[J]. 江苏农业科学，2016，44(9)：535-539.

[19]贾凤伶，李 瑾，陈丽娜. 基于AHP法的失地农民就业影响因素评价与对策[J]. 江苏农业科学，2016，44(7)：549-553.

[20]王立娟，张添钧，王 荣，等. 基于AHP法优化的模糊物元法在当归种子质量评价的应用[J]. 解放军医药杂志，2016，28(7)：105-109.