基于机器视觉的玉米单倍体自动分选系统

针对导入基因标记后杂交诱导产生的玉米籽粒,设计了一套基于计算机视觉的玉米单倍体高通量自动分选系统。系统主要由传动部件、斜面翻滚部件、信号采集与处理部件,以及籽粒分选部件4部分组成。斜面翻滚部件表面有凹凸纹理,可使玉米籽粒在下落翻滚过程中产生多种姿态,试验使用这一方法获得含胚面图片的成功率达90%。信号采集与处理部件通过提取玉米籽粒胚面的SIFT特征来判断籽粒属性,并将属性结果发送给籽粒分选部件,分选部件根据结果控制直线滑台的运动以实现籽粒筛选。试验结果表明:系统对单倍体的正确识别率为95%,可很好地实现玉米单倍体的自动分选。     

基于计算机视觉的玉米单倍体自动分选系统

研究了一种玉米单倍体籽粒分选方法，可自动分选具有Navajo标记的玉米单倍体籽粒。分选系统主要由种子输送单元、图像采集处理单元、分拣卸料单元及系统控制单元组成。图像采集处理单元根据玉米籽粒胚部及胚乳顶部的颜色特征进行单倍体籽粒判断，并将判断结果发送给系统控制单元。系统控制单元根据该结果协调种子输送单元及分拣卸料单元机械臂的运动，实现籽粒位置定位，同时开启与机械臂末端相应电磁阀，采用气吸方式分离杂合体籽粒，系统分拣速度可达     

玉米单倍体籽粒特征提取及识别

研究了玉米单倍体育种过程经导入基因标记后杂交诱导产生的单倍体与杂合体籽粒特征提取及识别方法,实现了单倍体籽粒的准确识别。以导入基因标记后杂交诱导产生的玉米籽粒为研究对象,根据颜色特征将玉米分为紫色标记、黄色胚乳及白色胚部3部分,通过分析此3部分像素在RGB及HSV颜色空间内的分布特点,提出了(G-B)R/B模型,实现了紫色标记区域的有效提取;根据玉米籽粒形态特点及紫色标记部分的分布特点,提出了一种简单快速的单倍体籽粒识别方法。在单倍体分拣试验台上的试验结果表明,所提出的方法对单倍体的识别准确率达98.07%,且能满足动态检测要求。     

基于K-L变换与LS-SVM的玉米品种识别方

为实现外观相似的不同玉米品种的有效识别，提出了K-L变换与最小二乘支持向量机相结合的籽粒品种鉴别方法。采用标记算法及多尺度小波分析方法获得玉米单籽粒图像，应用K-L变换技术提取籽粒图像的特征数据，设计了二叉树型多类LS-SVM分类器，实现了对特征数据的有效分类。通过试验分析，确定了较为合理的状态空间维数(L=3)，正确识别率可达     

基于K-L变换与LS-SVM的玉米品种识别方法

为实现外观相似的不同玉米品种的有效识别,提出了K-L变换与最小二乘支持向量机相结合的籽粒品种鉴别方法.采用标记算法及多尺度小波分析方法获得玉米单籽粒图像,应用K-L变换技术提取籽粒图像的特征数据,设计了二叉树型多类LS-SVM分类器,实现了对特征数据的有效分类.通过试验分析,确定了较为合理的状态空间维数(L=3),正确识别率可达95.3%.     

基于特征光谱的草莓品种快速鉴别

应用近红外光谱技术对草莓品种快速鉴别进行了研究。通过比较7种预处理方法,确定SNV+MAF+2D组合预处理方法最佳。采用相关系数阈值法提取了14个与草莓品种信息相关的特征光谱。建立了基于548～562nm范围内14个特征光谱的PLS—ANN、PLSR、PCR 3种校正模型。经预测集样品验证,主成分数为9时的PLS—ANN模型最优,其预测相关系数和预测均方根误差分别为0.9677和0.461。结果表明,通过提取少量特征光谱建立PLS—ANN校正模型能实现草莓品种的快速鉴别。     

玉米籽粒考种信息获取装置设计与试验

考种是制约育种效率的关键环节。玉米高通量考种过程,存在籽粒堆积和粘连现象,影响籽粒考种参数的提取。本文结合玉米高通量自动考种需求,设计了籽粒考种信息获取装置。通过分析堆积籽粒回旋运动过程的受力情况并根据试验情况确定振动平台回旋速度,实现籽粒的平铺摊种。在此基础上,针对粘连籽粒图像提出了一种先分割后融合的改进分水岭算法,该方法通过比较相邻分割区域极小值与最小分水岭的差值与设定的阈值T,进行邻域融合,对过分割区域进行合并,实现粘连籽粒的准确分割,分割完成后,统计籽粒个数,并基于Graham扫描法建立单个籽粒的最小外接矩形,获取籽粒长宽参数。在构建的玉米籽粒自动考种装置上进行动态试验,结果表明,本文所提出的方法可实现玉米粘连籽粒的准确分割,单穗玉米籽粒计数正确率不低于98.05%,籽粒平均长宽与人工测量结果的决定系数R~2在0.97以上,满足自动考种在线检测的需求。     

电子鼻漂移阈值构建及其在白酒鉴别中的应用

为了有效去除电子鼻漂移,提出了一种基于空载条件小波包分解的漂移去除方法。对电子鼻空载数据进行小波包分解,获得小波包分解的逼近系数集;在对其进行离散度分析之后,构建了空载条件下的一种阈值函数。在此阈值函数基础上,扩展成为样本(有载)条件下的去漂移阈值函数,进而发展成有载样本的漂移剔除方法。为了检验该方法的有效性及实用性,将其应用于4种白酒的鉴别中。对4种白酒电子鼻数据按测试时间顺序生成训练集和测试集,线性的Fisher判别分析结果表明,训练集、测试集数据处理后的鉴别正确率均得到了提高,最低提高值为23.65%。表明此方法能够提升电子鼻的检测能力。同时,为了进一步检验该漂移去除方法的性能,采用非线性的BP神经网络进行鉴别分析,结果显示:训练集的鉴别正确率从处理前的65.5%提高到处理后的100%,处理后的测试集鉴别正确率也达到了97.5%。这不仅说明了4种白酒的鉴别属较复杂的非线性分类问题,还充分说明了该漂移去除方法的有效性。     

玉米籽粒激光切片定位技术

玉米籽粒形态各异、尺寸不一,精确定向和定位玉米籽粒的激光切片是实现高通量全自动玉米分子育种基因型分析的关键。应用机器视觉技术从玉米籽粒图像中准确识别玉米籽粒的特征区,以期实现上述操作。为描述像素所在空间的相关信息,设计一种相关面积占比滤波器。定义圆形掩模模板,根据单玉米籽粒的面积,确定模板尺寸。利用圆形模板筛选像素点数据,得到待分类数据集合。通过指定初始聚类中心,对数据执行二分均值聚类,得到尖端类和两个大端外凸角类的聚类中心。通过贴标签运算精选连通域,校正聚类中心的位置,生成尖端和大端外角特征区的精确标记。依据大端外凸角附近的两组插值点对,得到激光切割线的位置,利用尖端类定位点和玉米籽粒形心定位点确定玉米籽粒的夹持位姿。与SUSAN检测方法对比,表明了本文方法的有效性。     

基于无人机可见光图像的夏季玉米植被覆盖度提取方法

为准确快速获取夏季玉米四叶期、拔节期、抽穗期和花粒期的植被覆盖度信息,利用无人机获取玉米田间可见光图像,对图像可见光波段提取的多种植被指数进行分析和比较,选择差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)和归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI),结合监督分类提取了玉米4个时期的植被覆盖度信息。通过对试验田4个阶段的单幅图像监督分类处理,将其目标物分为土壤和玉米植被两类;分别统计监督分类后图像中土壤和玉米的VDVI像元直方图,将两者的像元直方图交点作为植被覆盖度提取阈值,同理获得EXG和NGBDI对应的玉米植被覆盖度提取阈值;利用获取的玉米植被3种覆盖度提取阈值,对玉米4个时期的植被覆盖度进行提取,并对提取精度进行了验证。结果表明,VDVI对应4个生长时期的植被覆盖度提取误差分别为1. 21%、4. 88%、2. 31%和3. 61%; EXG对应的植被覆盖度提取误差分别为1. 38%、1. 25%、0. 89%和0. 33%; NGBDI提取误差为1. 61%、3. 31%、1. 99%和3. 25%,EXG在夏季玉米4个生长时期的植被覆盖度提取效果最好。将玉米4个生长时期单幅图像确定的阈值作为固定阈值,对剔除确定阈值的单幅图像的试验田全景图像进行植被覆盖度提取,并对提取效果进行验证。结果表明,采用监督分类与可见光植被指数统计直方图相结合确定阈值的方法提取玉米植被覆盖度效果较好。     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

基于低场二维核磁共振的油茶籽油鉴别与掺兑检测

低场二维核磁共振(LF-2D-NMR)图谱可以提供丰富的弛豫信息。在研究8种食用油处于新鲜及氧化状态下的低场T_1-T_2二维核磁图谱信息的基础上,结合化学计量学方法建立了鉴别油茶籽油与其他食用油、氧化食用油的定性模型及油茶籽油掺兑玉米油、大豆油、葵花籽油的定量模型。结果表明,不同种类食用油的LF-2D-NMR信息存在明显差异,氧化食用油与正常食用油的LF-2D-NMR信息有显著区别,LF-2D-NMR可提供更为丰富的特征信息。基于样品的低场T_1-T_2二维核磁图谱信息建立的油茶籽油与其他7种食用油或8种氧化食用油的偏最小二乘判别模型的分类效果优秀,模型判别正确率均为100%。此外,还建立了油茶籽油掺兑玉米油、大豆油、葵花籽油的定量预测模型,R~2分别为0.988、0.962、0.941。研究表明,低场T_1-T_2二维核磁共振技术可用于食用油种类判别及油茶籽油掺兑分析。     

基于DPLS和LS—SVM的梨品种近红外光谱识别

为了实现不同品种梨的快速光谱鉴别,采用主成分分析法(PCA)对光谱数据进行聚类分析,得到3种不同品种梨的特征差异,主成分分析表明,以所有建模样本主成分PC1和PC2做出的得分图,对不同种类梨具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于梨品种敏感的特征波段,用特征波段图谱作为输入建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。3个品种梨各70个共210个分别建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。对未知的24个样本进行预测,LS-SVM模型品种识别准确率达到100%,DPLS模型的校正及验证结果与实际分类变量的相关系数均大于0.980,交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于0.100,品种识别率为100%。表明提出的方法具有很好的分类和鉴别作用,提供了梨的品种快速鉴别分析方法。     

基于姿态描述的果园靶标害虫自动识别方法

针对自动诱捕果园靶标害虫的姿态形体存在不确定性,增加果园害虫图像自动识别与计数的难度等问题,提出一种基于姿态描述的算法用于果园靶标害虫姿态表征与识别。首先分析了方法对靶标害虫在8个旋转角度、6种常见姿态形状的描述能力及稳定性,通过计算靶标害虫不同姿态的平均归一化傅里叶描述子和离散度阈值,确定了基准姿态特征向量和相似度差异判据值。对200幅包含3种果园害虫的样本图像进行了测试,当离散度阈值为0.021 26时,靶标害虫桃蛀螟识别的正确率为86.7%,误判率为2.6%。试验结果表明该方法具有稳定的姿态形状描述能力和良好的识别性能。     

基于近红外光谱和机器学习的大豆种皮裂纹识别研究

针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法。采用FT-NIR光谱仪采集150粒大豆样品（裂纹大豆75粒,正常大豆75粒）的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate, SNV)、多元散射校正（Multiple scatter correction, MSC）、一阶导数结合SG平滑、二阶导数结合SG平滑等5种方法对获得的光谱进行预处理,分别采用偏最小二乘判别分析法（Partial least squares discriminant analysis, PLS-DA）、k-近邻法（k-nearest neighbor, KNN）、支持向量机法（Support vector machine, SVM）、随机森林法（Random forest,RF）、随机梯度提升法（Stochastic gradient boosting, SGB）、极端梯度提升法（Extreme gradient boosting,XGBoost）等6种机器学习方法建立了大豆种皮裂纹识别模型,研究了不同光谱预处理方法对6种机器学习方法分类效果的影响,对比分析了不同建模方法的分类效果。结果表明,光谱预处理方法对不同机器学习方法的分类效果差别较大。在合适的光谱预处理条件下,6种不同的机器学习算法的验证集准确率均不低于80.00%。PLS-DA的分类效果最好,验证集最优准确率达到90.00%;XGBoost的分类效果次之,验证集最优准确率达到86.67%,接下来依次是SVM、KNN、SGB和RF。利用近红外光谱技术和机器学习方法识别大豆种皮裂纹是可行的,在原始光谱条件下,PLS-DA是大豆种皮裂纹识别的最佳方法。     

基于SOM-K-means算法的番茄果实识别与定位方法

为解决多个番茄重叠黏连时难以识别与定位的问题,提出一种基于RGBD图像和K-means优化的自组织映射(Self-organizing map,SOM)神经网络相结合的番茄果实识别与定位方法。首先,利用RGBD相机拍摄番茄图像,对图像进行预处理,获取果实的轮廓信息;其次,提取果实轮廓点的平面和深度信息,筛选后进行处理;再次,将处理后的数据输入到采用K-means算法优化的SOM神经网络中,得到点云聚类结果;最后,根据聚类点,通过坐标转换得到世界坐标信息,拟合得到各个番茄的位置和轮廓形状。以果实识别的正确率和定位结果的均方根误差(RMSE)为指标对该算法进行验证和分析,采集80幅图像共366个番茄样本,正确识别率为87.2%,定位结果均方根误差(RMSE)为1.66 mm。与在二维图像上利用Hough变换进行果实识别的试验进行对比分析,进一步验证了本文方法具有较高的准确性和较强的鲁棒性。     

基于时序光谱和高分纹理分析的制种玉米田遥感识别

根据制种玉米与其他作物在中高分辨率遥感影像上的光谱和纹理差异,利用多源遥感数据,以提取制种玉米种植田为研究目标,提出了作物多时相光谱特征分析的植被指数体系,多维度反映了作物不同光谱差异;在纹理检测前加入图像旋转不变处理,解决了遥感影像中作物田纹理方向问题;最后构建了多时相光谱特征和高空间分辨率遥感影像LBP-GLCM纹理特征的制种玉米田识别方法体系。以新疆霍城县为研究区,利用上述方法体系结合随机森林分类器,通过实验得到分类总体精度为90.57%,Kappa系数为0.79,制种玉米田分类结果用户精度为99.20%,制图精度为86.68%,基本满足对制种玉米田的识别需求。     

基于叶片形态的田间植物检测方法

利用图像处理技术方法,以田间拍摄的水稻图像为研究对象,对田间植物进行检测研究。通过改进归一化绿蓝差值指数IDNBG 与色度模型,经过分类识别、图像阈值分割等步骤,对植物叶片进行提取。利用形态学正反向组合运算实现叶片内部完整性修复;利用边界4连通链码边缘检测实现叶片边缘平滑性修复。通过对可见光条件下田间拍摄的40幅图像进行植物提取实验,植物叶片提取正确率平均可达83.07%,误分率为3.57%。对其中90条边缘线进行边界平滑修复,部分叶片边缘被平滑但使叶片提取正确率降低0.63%。对植物检测主要影响因子进行分析得出,成像条件差异易影响亮度因子;通过形态学膨胀与正反向过滤运算,露珠与病斑得到一定程度的保留,提取叶片内部形状完整;链码运算可使叶片边缘得到平滑,同时也会去除部分正确的叶片,其运算量较大。