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。     

图像处理识别玉米品种的特征参数研究

该文以中国普遍种植的黄玉米为研究对象,通过对不同品种玉米籽粒数字图像信息的分析对比,发现玉米籽粒白色部分(胚部)与黄色部分(冠部)的面积、颜色等信息可以作为识别玉米品种的特征.采用基于支持向量机的遗传算法结合SPSS统计软件进行试验验证,得出玉米籽粒白色部分与黄色部分的面积比例、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.     

基于深度学习的玉米籽粒破损在线检测技术

玉米籽粒破损是制约中国玉米籽粒直收技术推广应用的瓶颈问题,如何快速准确地获取玉米收获过程中籽粒损伤情况是玉米智能化收获的关键。为了解决这一问题,该研究提出一种基于深度学习的玉米籽粒破损检测装置及方法,该方法采用籽粒单层化装置不断获取高质量玉米籽粒集图像数据,并通过深度学习分割、分类两阶段模型实现破损玉米籽粒检测。图像分割阶段通过深度学习经典实例分割模型（Mask R-CNN）完成区域内玉米籽粒单体分割;而图像分类则由该研究基于残差模块提出的新型网络模型（BCK-CNN）实现。为了评价BCK-CNN分类模型的有效性,将其和其他典型深度学习分类模型进行对比测试,并利用可视化的技术评估了不同模型对玉米籽粒的分类性能。结果表明：BCK-CNN模型对完整、破损玉米籽粒的分类准确性分别达到96.5%、94.2%。另外,选取平均相对误差为评价指标,通过模拟试验对比验证了该检测方法对破损玉米籽粒的检测性能。结果表明：相较于人工计算籽粒破损率,该研究提出的破损玉米籽粒检测方法计算得到的平均相对误差仅4.02%;且将其部署在移动工控机上对单周期玉米籽粒集图像检测时间可以控制在1.2 s内,研究结果为玉米收获过程中破损籽粒高效精准检测提供参考。     

玉米籽粒的尖端和胚部的计算机视觉识别

对影响计算机视觉检测玉米籽粒品质的尖端和胚部的识别两个问题进行了研究。利用玉米籽粒尖端的形态特征和胚部图像的亮度特征，分别提出了相应的识别算法。算法对4个品种xhg、xn12、wn14、wc玉米籽粒尖端、表面特征的综合识别率分别为92.50%和89.58%，为特征参数计算奠定了基础。     

基于背景板比例尺的玉米果穗图像特征测量

玉米果穗图像特征的精确测量是实现玉米自动考种的关键技术,但玉米背景图像的复杂性,难以快速、准确测量出玉米的几何特征（玉米果穗的总长度、宽度、体积、秃尖等）。该文根据玉米灰度图像的分布特点,构造了三区域图像增强模型,采用形态学图像处理方法对增强后的图像进行分割,计算出背景板比例尺,以此为参考实现了精确计算玉米的几何参数。文中对计算结果进行了误差分析,表明该文提出的基于背景板比例尺的图像处理算法能够准确地测量出玉米图像中的几何特征值,准确率可达到96.01%,可实现玉米自动考种,替代传统的玉米手工考种,对于玉     

低湿玉米籽粒的射频加热模拟与试验

为了准确预测射频加热过程低湿(含水率13.0%～20.0%)玉米籽粒的温度分布变化,该研究结合玉米籽粒的多组分结构特征、热物理特性及介电特性的异质性,建立了玉米籽粒的三维二组分物理几何模型和射频加热数学模型,并利用验证后的模型研究不同姿态和含水率玉米籽粒的射频选择性加热。结果表明:射频加热过程中平放玉米籽粒温度的模拟值与试验值最大相对误差仅为3.47%,玉米籽粒中胚的温度高于胚乳,该模型能很好地预测籽粒内部的选择性加热现象。射频加热过程直立玉米籽粒的几何效应最强,显著提高了胚的电场强度和功率密度,导致其优先加热程度最大,其次是斜放和侧立玉米籽粒的,平放玉米籽粒中胚的优先加热程度最小。射频加热过程含水率为13.0%的玉米籽粒中胚与胚乳的温差逐渐增大,而含水率为16.5%和20.0%的玉米籽粒中胚与胚乳的温差先增大后减小;当玉米籽粒被加热至55℃时,含水率为16.5%的玉米籽粒中胚的优先加热程度最大,其次是含水率为13.0%玉米籽粒的,含水率为20.0%的玉米籽粒中胚的优先加热程度最小。研究结果揭示了玉米籽粒的姿态和含水率对其射频选择性加热的影响规律,可为射频加热技术应用于低湿玉米籽粒的热处理过程提供有益借鉴。     

基于图像处理的玉米果穗三维几何特征快速测量

摘要：目前,育种过程中玉米果穗的三维考种形态特征（如穗体积、穗形态等）通常都是采用手工测量的方法,需花费大量的人力和物力,而且手工测量方法常存在着主观误差、测量效率低等问题。该文基于HSV彩色空间图像处理算法实现了多个玉米果穗三维考种形态特征的快速测量。首先基于HSV直方图阈值分割算法实现了多个玉米果穗轮廓的准确提取,分割算法适用于任意摆放玉米果穗;其次基于果穗轮廓最小外接矩形和轮廓横截面累计求和的思想,实现了玉米果穗三维几何特征的快速、准确计算。以郑单958和农华101两品种为例进行算法测试验证,果穗体积等的测量准确率达94%;并对产生误差的原因进一步分析。该文实现了多个玉米果穗三维特征的快速测量方法,大大提高了作物考种的工作效率。     

基于图像分析的玉米籽粒损伤检测研究

为深入探索玉米籽粒机械损伤的自动、准确、快速识别技术,本试验首先采用灰度法、色度阈值法、色彩恢复的多尺度Retinex法、基于卷积的Sobel法分别对玉米籽粒进行区域分割和质量比较;其次提取玉米籽粒的二值化图像特征,建立玉米籽粒的机械损伤判别分析和逐步剔除模型;最后利用构建和验证集样本对2种模型进行验证。结果表明,基于卷积的Sobel法二值化图像质量最优,其均方误差、峰值信噪比、熵、平均梯度分别为1.813 5、45.545 5 dB、2.838 7 bit/pixel、7.358 4;利用置信区间法得到了正常与机械损伤样本形态特征的最优阈值,各形态指标对判别是否产生机械损伤的贡献程度由大到小依次为面积、周长、最短费特雷直径、最长费特雷直径,其权重系数分别为0.299 5、0.283 2、0.241 7、0.175 5;得到了玉米籽粒多元线性机械损伤判别模型,相关性为0.805,判别分析和逐步剔除模型的平均准确率分别为93.00%、85.67%,构建集与验证集准确率差值分别为2.00%和3.33%。本研究可为玉米籽粒品质视觉检测提供理论依据。     

基于小型无人机遥感的玉米倒伏面积提取

该文使用2012年小型无人机遥感试验获取的红、绿、蓝彩色图像研究灌浆期玉米倒伏的图像特征和面积提取方法。研究首先计算和统计正常、倒伏玉米的30项色彩、纹理特征,然后比较特征的变异系数和相对差异评选出适宜区分正常、倒伏玉米的特征;通过分析发现,与红、绿、蓝色灰度比较,多项色彩、纹理特征的变异系数更大或不同类别间的相对差异更小,不适用于准确区分正常、倒伏玉米,最适于区分正常和倒伏玉米的特征是3项基于灰度共生矩阵的红、绿、蓝色均值纹理特征。分别基于色彩特征和评选出的纹理特征提取倒伏玉米面积,对比2种方法的误差发现,基于红、绿、蓝色均值纹理特征提取倒伏玉米面积的误差最小为0.3%,最大为6.9%,显著低于基于色彩特征提取方法的。该研究结果为应用无人机彩色遥感图像准确提取倒伏玉米面积提供了依据和方法。     

基于核磁共振的玉米不同籽粒类型单粒质量和含油率分析

针对现有玉米单倍体核磁共振分选系统基于一个含油率阈值,无法对胚败育籽粒和单倍体籽粒正确分选的问题,分别对玉米生物诱导产生的二倍体、单倍体和胚败育3种不同籽粒类型的单粒质量和含油率进行分析,提出了利用籽粒含油率双阈值提高单倍体正确识别率的分选方法。该研究以2个普通玉米杂交种和3个自交系为母本,以高油型诱导系为父本,进行生物诱导产生的3种不同类型籽粒为研究对象,利用核磁共振分选系统分别对不同类型籽粒的单粒质量和含油率进行测定,结果表明：单粒质量整体表现为单倍体>二倍体>胚败育,除二倍体籽粒与胚败育籽粒间存在极显著差异外,其他籽粒类型间差异不显著;不同类型籽粒的单粒质量平均变异系数为16.62%,并且每个材料的3种籽粒类型间出现较大的重叠区域。而不同类型籽粒含油率整体表现为二倍体>单倍体>胚败育,变异性以二倍体最小,平均变异系数仅为12.52%,其次是单倍体,而胚败育籽粒最高（34.14%）,但其含油率最低且均≤2%;每个材料各自的3种类型籽粒间含油率呈现梯度分布,存在较明显的界限。由此可见,利用籽粒含油率能够区分玉米生物诱导的3种不同籽粒类型,而单粒质量则不能;通过设置二倍体籽粒的最小含油率为上限,胚败育籽粒的最大含油率为下限,利用含油率的双阈值可提高单倍体的正确识别率,为玉米生物诱导单倍体高效自动化分选提供依据。     

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。     

基于骨架和最优传输距离的玉米点云茎叶分割和表型提取

针对当前三维点云分割方法难以精确分割玉米植株顶部新叶的问题,该研究提出一种基于点云骨架和最优传输距离的玉米点云茎叶分割方法.首先利用拉普拉斯骨架提取算法获得植株骨架;其次根据玉米形态结构特征将植株骨架分解成器官子骨架,并实现器官粗分割;再以最优传输距离作为点云距离度量,采用从上到下的顺序对未分割点云进行精细分割;最后自...     

采用全景技术的机器视觉测量玉米果穗考种指标

为了在利用图像技术无损考察玉米果穗形态指标时,能够利用一幅图像显示整个玉米果穗的外形,从而减少多幅图像拼接产生的重叠和处理不便,该文提出一种新的基于机器视觉的玉米果穗考种方法与配套装置,首先拍摄旋转玉米果穗图像序列,应用SIFT（scale invariant feature transform）算法获取图像特征点,对特征点随机采样计算单应矩阵并进行一致性检测排除外点,将前后2帧图像注册到同一坐标系。然后采用动态规划法寻找前后2帧拼接图像的缝合线,按缝合线切割图像,以图像模板高斯滤波权值融合缝合线两侧图像消除曝光差异。依次拼接、融合图像序列生成果穗全景图。对果穗全景图进行考种指标检测,试验结果表明：基于机器视觉的测量值与人工测量方式不存在显著性差异（显著水平α=0.05）,该文所述方法可满足自动化考种的需求。     

基于差分的土壤墒情自动监测数据误差修正方法

土壤墒情自动监测设备能够快速、高效、连续地观测土壤墒情数据,但由于受安装调试水平、设备自身状态、以及田间环境变化的影响,在长期连续监测中输出数据的准确性和稳定性会逐渐降低,不利于墒情监测业务的开展。本文以北京市昌平区土壤墒情的人工和自动同步观测数据为基础,通过分析土壤墒情自动监测数据的误差特点,构建了一元一次、一元二次和一元三次差分方程对自动监测数据进行误差修正,并对修正后的误差特征进行分析。结果表明:经过差分修正后,20 cm深度的绝对误差均值减小了34%和24%,40 cm深度的绝对误差均值减小了67%和54%,自动监测数据误差显著下降;3种差分方程中线性差分方程表现最优;修正后的误差统计特性符合简单随机误差,可以通过求算数平均数的方法进一步降低误差。通过差分方法来修正自动监测数据简单易行,能有效的提高自动监测数据精度,充分能够发挥人工和自动监测的优势,提高监测体系整体性能。     

高光谱成像技术和主成分分析识别玉米籽粒的胚

摘要：为了分割玉米籽粒的胚部分,本研究搭建了一套高光谱成像系统用于获取波段范围为500～900 nm的高光谱反射图像。主成分分析（PCA）方法对样本高光谱数据进行降维以便选择少量有效波长构建多光谱成像系统。研究发现,采用可见光（VIS）区域的3个有效波长510、555和575 nm获得的主成分（PC）图像获得了较好的识别结果。100个独立样本用于评估算法性能,结果表明,样本中97.0%的胚可以从玉米籽粒中正确分离。     

基于机器视觉的玉米果穗产量组分性状测量方法

玉米果穗的穗长、穗粗、穗行数、行粒数等性状是制约玉米产量的重要组分性状,目前主要采用人工测量方式,或通过截取果穗横断面图像自动计算穗行数等参数,操作复杂、测量效率低、主观误差大,且无法保留完整的原始考种材料。针对上述问题,该文基于机器视觉技术,通过可见光二维成像获取果穗三维表型性状参数,结合果穗颜色特征及果穗的生物学规律,分别建立投影修正模型、穗行数快速估算模型、行粒数计算模型等,精确计算穗长、穗粗、穗行数以及行粒数等性状参数。试验结果表明,该方法适用于粘连果穗处理,秃尖的识别率高,且对光照环境要求低,穗行数及行粒数的零误差率在93%以上,测量速度可达30穗/min以上,能够满足高通量考种的需求,特别是保留了原始果穗考种材料实现无损测量,对于实现高通量考种及精细化育种有重要的参考价值。     

基于多相机成像的玉米果穗考种参数高通量自动提取方法

实现玉米果穗考种性状的准确、快速获取是提高玉米育种效率的关键环节。该文在前期设计的玉米高通量自动化考种装置基础上,提出了一种基于多相机的玉米果穗考种参数提取方法,通过4个等间隔均匀分布的摄像头同时获取果穗4个方向图像,针对每副图像分别经过背景去除、投影模型构建、籽粒跟踪、考种参数提取等处理,最后根据4副图像的处理结果,综合计算穗长、穗粗、平均粒厚、穗行数、行粒数、穗粒数等考种参数。在玉米高通量自动化考种装置的果穗考种模块上进行试验,结果表明,该文所提方法测得的穗长、穗粗、平均粒厚与人工方法测量值之间的决定系数R2分别为0.997 3、0.984和0.941 5,对穗行数、行粒数的测量精度分别为98.63%、95.35%,为玉米果穗考种参数提取提供了一种新思路,为高通量自动考种装置的实现奠定了基础。