陈晓明
(吉林农业大学工程技术学院,吉林 长春130018)
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。2017年我国的玉米产量为4318亿斤,占全国粮食总产量的34.9%,是产量最多的粮食作物。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。玉米良种的选择和优良种子的培育是玉米能否高产的首要因素和关键,玉米种子的精选分级也是我国玉米高产稳产的重要保证[1-2]。因此,对玉米种子的品质进行精选对提高玉米生产的自动化水平、提高玉米单产量具有重要意义。要提高玉米种子的一致性,则必须识别并清除霉变、畸形和发生裂变的种子,需要通过对种子的精选和分级来完成。传统的玉米种子挑选通过人工完成,该方式操作简单,但是费工、费力、工人易疲劳,且疲劳后容易发生误选的情况。得益于快速的图像信息处理速度和精准的识别能力,机器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。为此,本文结合种粒挑选技术国际研究动态,综述了基于机器视觉的玉米种粒挑选技术的最新研究进展。
与国外相比,我国基于计算机视觉的玉米种粒挑选装置研究较晚。从2000年开始,国内才陆续有学者对基于计算机视觉的玉米种粒挑选装置进行研究,且对种粒算法的研究较多,对种粒挑选装置的研究则较少。
在算法方面,主要分为玉米种粒品质鉴定和玉米品种自动识别的算法研究。在品质鉴定方面,2004年,周红等介绍了利用图像增强、灰度变换、轮廓提取与跟踪、基于直方图的阈值分割的数字图像处理技术快速提取玉米种子外形轮廓的方法,从而实现了对玉米种粒尺寸、式样、匹配度等的识别[3];2007年,张俊雄等提出了基于形态特征的玉米种粒表面裂纹检测方法,该方法采用垂直和水平边缘检测算子处理得到裂纹、种子边界和噪声等边缘信息、然后通过玉米籽粒的形态特征寻找其尖端位置,并使用图像代数运算的方法去除大部分非裂纹信息、最后根据裂纹的长度和位置特征提取得到裂纹,计算出裂纹的相对长度和绝对长度,识别准确率可达到94%[4];2012年,赵敏等提出了利用BP神经网络进行玉米种粒面积与千粒重计算关系的方法,杨蜀秦等则对玉米籽粒的图像处理和识别方法进行了研究[5-6];2016年,周鸿达等对4个不同等级玉米种子对应的图像进行处理分析,提取形状、颜色、纹理等参数,并使用主成分分析法确定主因子个数,使用BP神经网络建立判别模型[7]。在品种自动识别方面,2002年宁纪峰提出了反映玉米品种形态结构的3组特征参数:形状、颜色、大小,并基计算机视觉技术对单粒玉米种子图像进行了处理和分析,用人工神经网络方法对玉米品种进行了识别,识别率达93%[8];2004年杨蜀秦等基于BP神经网络,通过对玉米种粒的形态特征进行分析,选取种粒的形状、尺寸、颜色等6个外观描述参数,实现了玉米品种的识别[9];2010年,王玉亮等提出了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,提取了玉米种子的颜色特征参数和几何特征,优化了基于机器视觉的玉米种子图像处理策略和品种识别算法,提高了玉米品种识别的速度和准确率[10]。2012年,高旭利用遗传算法对玉米种子的原始特征进行优化选择,并在最后用神经网络对提取的玉米种子的特征参数,对特征参数进行降维处理则利用了主成分分析方法,从而实现了对玉米种子品种的识别[11]。2016年魏利峰提出了利用CONTOURLET变换和阔值函数的高光谱图像去噪模型方法及基于直方图斜率差的自适应阔值的通用图像分割方法识别玉米品种的方法[12]。
在种粒挑选装置方面,2005年蔡卫国等研究了一种玉米种子精选分级装置[13],该装置通过外触发摄像头拍摄种子图像并传送给摄像机,计算机对种子图像进行处理后把处理结果发送给控制器,最后通过气动喷头将种子吹入到相应的分级收料口,分选装置示意图如图1所示;2015年,汪珂等设计了一种基于线扫描技术和自动化控制技术相结合的玉米籽粒考种装置。该系统通过振动给料机实现玉米籽粒快速喂料,应用伺服驱动技术实现输送带运行速度和线阵扫描速度无偏差匹配,实现玉米籽粒图像无畸变获取,通过图像处理技术实现玉米籽粒表型性状参数的测量[14];2017年,王侨等研制了基于机器视觉的定向播种用玉米种粒精选装置[15],该装置分为图像采集处理装置、输送装置、喂料装置、以及吹除装置。图像采集处理装置采集种粒动态图像的RGB颜色特征,结合种粒形态建立了面积、周长等20个检测指标,从而判断种子的品质,不合格的种粒会被吹除装置吹落,合格种粒则落入种粒箱中。装置样机如图2所示。王康等则提出了利用输送带和线阵相机的无偏差匹配,准确获取玉米籽粒图像,对籽粒图像进行二值化、除杂、筛选、粘连籽粒分割等处理,测量玉米籽粒的粒长、粒宽和籽粒总粒数的方法[16]。
图1 种子精选分级装置示意图
图2 粒精选装置样机
国外对基于计算机视觉的玉米种粒挑选技术研究较早,早在20世纪70年代,日本、美国等发达国家就开始采用计算机视觉开展对谷粒品质检验方面的研究,大范围应用到玉米种粒的监测时,已经取得了一些研究成果。在算法方面,1985至1998年Zayas.l等研究了基于机器视觉技术的玉米种粒识别方法,该方法只能判断完整和破损的种粒。该算法采用了玉米种粒的12个参数来玉米种粒的大小和形状,如面积、长度、周长、宽度等,并结合统计模式判断,识别准确率能达到98%[17]。1990年,Zayas借助于一系列形态学将完整的玉米种粒从破损的玉米种粒中挑选出来[18]。2007年,Ruiz-Altisenta等研究了一种借助于图像处理技术处理玉米的色泽和质构的变化来检测玉米物理特性的无损检测方法[19]。2010年,Neethirajan通过研究玉米生虫后营养物质和部位的损失情况,来判断玉米的品质、DelFiore则利用光谱成像技术快速准确的检测出被真菌毒素污染过的玉米颗粒,从而区分完好玉米颗粒与病变颗粒[20-23]。2012年,Paulus Potter利用主成分分析法和图像处理技术对劣质玉米籽粒进行在线检测,准确率可达89%;2014 年,Valiente-González等结合机器视觉技术和主成分分析(PCA)算法对破损玉米粒进行分选,损伤玉米籽粒检测率达92%[24].
在种粒挑选装置方面,1996年Winter等开发了谷物品种识别与品质分析系统,2006年Wan等研制了一套谷物动态识别与分类系统,通过摄像机拍摄谷物图像,并通过计算机处理图像分析结果,将处理结果发送给PLC,由PLC控制相应电磁阀的开闭,实现谷物籽粒的吹离[25-27]。
本文对基于计算机视觉玉米种粒挑选装置的最新研究进展进行了综述。从目前的研究进展来看,在算法方面的研究成果丰硕,计算机识别从单纯的外观识别向物料的组成、形状和成分等品质内部特性方向发展。但是,算法的研究多集中于计算机图像识别的理论算法,对算法的实用性研究较少;在挑选装置方面,国内外的研究成果都很少,尚未出现商业化的玉米种粒挑选装置。研究适合我国国情的玉米种粒视觉自动识别和分级系统,是今后的发展趋势。