玉米单倍体种子胚部特征提取及动态识别方法

为了实现基于机器视觉方法的玉米单倍体种子识别,该文研究了一种玉米单倍体种子胚部特征提取及动态识别方法。采用一种基于B通道平均像素值的胚部特征提取方法,提取了具有Navajo标记的玉米种子的胚部图像,基于此在RGB颜色空间内提取了样本的Navajo标记图像,从而得到一套玉米单倍体种子快速识别RGB组合算法。在玉米分选试验台上进行了动态分选试验。试验结果表明,该算法对LC09124-UH400品种玉米单倍体的识别正确率为98.04%,对杂合体的识别正确率为94.44%。该文提出的玉米单倍体种子RGB组合快速识别算法与玉米分选试验台结合形成的动态分选系统,有助于实现玉米单倍体种子的自动化分选。     

基于分裂Bregman算法的玉米种子品种识别

摘要：玉米品种的纯度和玉米产量密切相关,因此玉米品种的筛选对提高粮食产量具有非常重要的作用。基于机器视觉的自动品种筛选技术通常分为图像分割、特征获取和分类等三步。图像分割的精度直接决定了种子识别准确度。在众多的图像分割技术中,本研究尝试将图像分割变分模型及其对应的数值求解方法-分裂Bregman算法应用于玉米种子自动识别中。该方法具有精度高,分割边界封闭连续等有利于玉米特征提取的优点。此外,本文还将自适应小波配置法用于求解分裂Bregman算法中的最优条件,得到一种更为精确高效的分裂Bregman算法。进而结合改进分裂Bregman算法得到的不同玉米品种特征和支持向量机技术得到了一种新的玉米品种分类器。采用该方法对玉米品种农大108和鲁丹981进行实验,识别精度分别达到97.3%和98%,相对于由其他分割方法得到的分类结果精度（95%）要高。     

基于图像熵信息的玉米种子纯度高光谱图像识别

种子纯度是种子质量的一个重要标志,为寻求快速有效的种子纯度识别方法,该文利用高光谱图像技术研究了玉米种子的分类识别问题。首先对17类玉米品种共1632粒种子的高光谱图像提取400～1000nm波长范围内233个波段的熵信息作为分类特征;然后利用偏最小二乘(PLS)投影算法对玉米高光谱图像进行最优波段选择,共获得65个最优波段特征;最后结合偏最小二乘判别分析法(PLSDA)实现了玉米种子的准确识别分类。分类结果表明,在最优波段数仅为全波段27.90%的情况下,其训练精度可以达到99.19%、测试精度为98.90%,可实现多类别样本条件下的玉米种子纯度识别。     

机器视觉技术在玉米生产管理中的应用现状与展望

机器视觉技术具有实时性，高精度和对不利环境的适应性，可用于玉米生产各环节，提高生产管理效率。通过文献查阅与梳理分析，总结了机器视觉技术在玉米种子管理、品质管理、病虫害管理、田间管理等领域的研究现状，并指出玉米产业应用机器视觉技术的瓶颈在于机器视觉系统研发困难、种植业主应用积极性不高、技术推广人员严重不足等问题，提出了加强协作开发，降低成本；提高田间信息化管理水平，扩大生产规模；加大科普及技术服务力度等建议。     

计算机视觉技术在玉米生产管理中的应用

计算机视觉技术已经广泛应用于农业生产领域。对计算机视觉技术在玉米种子质量检验、玉米品种的识别、玉米粒形的检测、玉米田间杂草的识别等方面的应用做了介绍。     

离散小波变换和BP神经网络识别玉米种子纯度

摘要：为快速有效地识别玉米种子纯度,针对玉米种子图像特征,对其图像处理方法和分类算法进行研究,提出一种基于离散小波变换和BP神经网络玉米种子纯度识别算法。该方法首先提取玉米种子冠部核心区域的RGB颜色模型特征参数,然后对三个色彩分量分别进行二层离散小波变换,提取各频带区域均值作为BP神经网络的输入样本,玉米种子的纯度分类作为神经网络的输出样本。实验结果表明该方法可准确识别玉米纯度并分类,正确识别率达94.5%。     

用动态图层融合与纹理-灰度梯度能量模型的果树行识别

为解决果园机器视觉导航中果树行识别易受果园复杂环境干扰的问题,该研究提出一种采用动态选取融合因子对彩色图像与深度图像进行图层融合并采用纹理-灰度梯度能量模型进行图像分割的果树行视觉识别算法。首先,通过搭建立体视觉系统获取果园彩色图像与对应的深度图像,并基于饱和度（S）通道图像的灰度值选取动态融合因子,实现对果园彩色图像与深度图像的图层融合;然后,分别计算融合图像的纹理特征图像与灰度梯度特征图像,并建立纹理-灰度梯度结合的能量模型,基于模型能量最小原则进行树干与背景的分割;最后,以树干与地面交点为果树行特征点进果树行直线拟合,完成果树行角度的识别。并对上述算法分别进行果树行识别试验与移动作业平台视觉对行导航试验。果树行识别试验结果表明,该研究算法果树行角度识别平均偏差为2.81°,与基于纹理、灰度梯度特征的果树行识别算法相比识别平均偏差分别降低2.37°和1.25°。移动作业平台视觉导航试验结果表明,在作业平台速度为0.6 m/s时,对行行驶最大偏差为12.2 cm,平均偏差为5.94 cm。该研究提出的视觉导航算法可以满足果园移动作业平台视觉对行导航需求,研究成果将为基于机器视觉的果园自动导航系统的研究与优化奠定基础。     

育种用玉米种子切片取样自动定向方法与试验

为解决玉米育种激光切片取样机器人设计中玉米种子自动定向问题,该文提出了一种计算机视觉与姿态调整装置相结合的定向方法,并使用此方法做了验证试验。使用MATLAB神经网络模式识别工具箱,以种子的部分特征参数作为神经网络的输入,以预定义的种子形态和姿态为输出,建立模型并对模型进行训练,训练完成的模型用于种子姿态识别,姿态调整装置根据识别结果将种子调整到理想姿态。对497组样本进行训练,得到形态识别准确率97.8%,姿态识别准确率99.8%,识别速度1.3 s/幅,能满足设备的设计要求,验证了姿态识别方法的准确性和姿态调整装置设计的合理性。该方法可为玉米种子自动定向问题提供解决方案,为自动育苗机中自动定向装置的设计提供参考。     

基于机器视觉的多个玉米籽粒胚部特征检测

为了利用机器视觉进行多个玉米种子品种的自动识别,该文提出了一种针对多个玉米籽粒进行胚部检测的方法。该方法基于阈值分割和形态学,在RGB空间,采用自动屏蔽0值像素的大津法（Otsu法）,根据B分量值对多粒玉米籽粒扫描图像进行分割,并采用改进的开闭运算对分割后的图像进行修整,最终得到多个玉米籽粒胚部区域。以4个黄玉米品种各45个籽粒为实验对象,以此方法进行胚部检测,为了验证所得胚部区域有效,提取胚部区域面积、周长分别与手工测量的面积、周长进行线性回归分析,R2的均值分别达到0.9834、0.9578;进一步提取所得胚部区域的形状参数,进行聚类识别,不同品种间的差距值反映了不同品种胚部视觉效果上的差异大小,4个品种中1种识别率为97.8%,其余3种均为100%;多个玉米胚部检测较每个籽粒单独处理的效率提高了29.59%。试验结果表明本文提出的多个玉米籽粒胚部检测方法可行。此研究结果为进一步研究玉米籽粒的胚部特征提供了有利条件,也为实现玉米品种的快速准确分类提供了参考。     

机器视觉技术在农作物种子质量检验中的应用研究进展

我国农作物种子资源丰富，随着图像处理技术的专业化与计算机硬件成本的下降和速度的提高，利用机器视觉技术进行种子质量检验评价成为可能。该文概述了农作物种子的特性及其对质量检验技术的要求，介绍了机器视觉技术的基本理论和发展现状，从算法、硬件、研究进展几个方面综述了机器视觉技术在农作物种子质量检验中的应用，认为用机器视觉代替人的视觉进行农作物种子质量检验前景广阔。     

基于颜色特征的玉米种子纯度识别

为准确快速的识别出玉米种子中的杂粒,提高玉米种的纯度,该文提出一种以玉米种子冠部与侧面颜色作为特征向量进行纯度识别的新方法。该方法首先将玉米种子原始图像进行背景分割、单粒提取,然后进行冠部核心区域及侧面RGB、HSV颜色特征向量的提取,最后采用Fisher判别理论将多维特征向量投影到一维空间中,进行K-均值聚类分析。试验结果证明：利用Fisher判别理论在一维空间上进行K-均值聚类分析,玉米种子纯度的识别率高于93.75%。影响玉米种子正确识别率的主要因素是投影方向的选择及正确的冠部核心区域的提取。     

基于倾斜摄影的玉米种粒三维参数同步测量装置

为解决脱穗之后的玉米种粒三维特征的获取和分析这个重要而又困难的问题,该研究基于机器视觉技术开发了一种融合三维特征的玉米种粒考种装置。装置通过2块相互垂直的标定板来保留倾斜影像中的空间信息和标定数据,并据此计算三维数据。基于装置的标定数据,用图像处理的方法获取玉米种粒的长度、宽度和厚度数值。通过透视变换,从倾斜摄影图像分别得到水平正摄和垂直正摄的图像;玉米种粒轮廓的长轴和短轴以旋转盘的直径为参考进行计算;玉米种粒的厚度以垂直方向棋盘格标定数据为参考进行计算。按照10帧/s的帧率和1 280×720的图像分辨率启动图像记录系统。选取180粒不同品种的玉米种粒进行试验。种粒长轴、短轴和厚度测量的均方根误差分别为1.86、1.28和0.741 mm;决定系数分别是0.849 6、0.869 3和0.846 2。使用该装置并配合相应的方法能较为准确的一次性测量玉米种粒的三维参数,该研究可为玉米种粒的精细化考种提供参考。     

基于支持向量机的多光谱成像稻谷品种鉴别

为解决稻谷品种的快速无损鉴别问题,应用多光谱图像采集设备(VideometerLab)获取了5个品种稻谷共250个试验样本在405~970 nm波长范围内的多光谱图像,提取各品种稻谷在不同波长下的光谱反射率和图像特征(面积,宽长比,色差等)作为稻谷品种鉴别的特征变量,基于最小二乘支持向量机(least-square-support vector machine,LS-SVM)建立鉴别模型,通过粒子群寻优(particle swarm optimization,PSO)算法搜索支持向量机的最优参数。将250个稻谷分为建模集(200个样本)和测试集(50个样本)分别进行试验,结果表明,采用该文的建模方法结合稻谷光谱特征和图像特征对预测集稻谷品种鉴别的正确率均在90%以上,高于对比的其他方法,该研究成果为稻谷品种的快速无损鉴别提供了一种方法。