稻种质量的机器视觉无损检测研究

农作物种子质量检验对有效控制种子质量以提高产品产量和质量、贯彻优质优价政策、保证种子贮藏运输的安全及种子产业化进程的作用举足轻重。我国目前每年的检验样品量非常有限，且停留在靠人工感官进行识别判断的简单统计获得，效率低，准确性差，难以适应批量商用稻种的质量控制。用机器视觉代替人的视觉进行质量检测有不言而喻的优越性，种子质量检验领域的最新研究动态多数与基于计算机图像分析的机器视觉有关。 结合我国农业生产情况，本文选择在粮食生产中占有重要地位的稻种为研究对象，针对杂交稻种生产、收购、加工、贮藏、流通过程中存在的实际质量问题，系统研究基于图像分析技术的稻种质量视觉检验原理和方法，以期为最终实现稻种质量的机器视觉自动化检验打下基础。本文针对静态、单粒稻种的可见光彩色图像进行分析，构建适用于稻种质量检验的机器视觉硬件系统，致力于批量商用稻种普遍存在的芽谷、霉变和裂颖缺陷问题的机器视觉无损检测研究，并探索基于图像分析的稻种品种识别，取得了较好效果。 论文的主要内容包括： 1．首次使用电镜显微观察稻种表面缺陷，籍此了解研究对象的微观视觉特征，指导其宏观的机器视觉检测中关键特征的提取和系统精度要求的确定；通过不同表面质量稻种样品的高光谱反射特性测定分析(350-2500nm)，与彩色CCD传感器的光谱响应相结合以充分发挥视觉硬件性能，研究表明本研究稻种图像采集的最佳光照条件是在可见光波段450nm到650nm之间具有足够辐射强度的较高色温全色光；通过标准发芽试验研究不同程度的表面缺陷对发芽率的影响规律，提示稻种质量机器视觉检验策略；根据上述基础试验研究与分析的结果，构建稻种质量检验用机器视觉硬件系统，并进行参数优化。 2．结合传统方法，研究针对稻种质量检验的专用图像预处理方法，以实现稻种尺寸、形状和颜色共23个基本特征参数的提取，并根据检验目标形成一套由先进统计分析理论支持的特征分析与选择方法，即用K-W检测进行单特征分析，图形考察特征值分布，直接选择特征或经主成分分析选择最优特征组合，该方法简单而有效，适用面 摘要 .曰巴..目留翻....吕吕日. 广。在此基础上初步建立了五个品种杂交稻种不同类别图像信息库。 3.对比不同算法，分别研究适用于芽谷、霉变和裂颖缺陷检测的稻种图像特征， 并相应开发高精度识别算法。利用紧密度特征和平均色调特征的线性判别100%正确 地分类正常稻种与芽谷;在霉变检测时，提出了一个基于稻种区域色调直方图形状的 特征K，其稳定性较之平均色调特征要好，使用该特征的Parzen窗函数法的分类精度 高于基于欧几里德距离尺度的分类器;利用哈夫变换找到了与稻种裂颖缺陷紧密相关 的图像特征，该特征形象直观，对正常稻种的平均识别准确率为%%，微裂稻种的平 均识别准确率为92%，裂颖稻种的平均识别准确率为87%。 4.归纳稻种品种识别问题中具有代表性的不同情况，主要采用人工神经网络方法 对选择的四种典型实例进行品种识别研究，将由简到繁四种算法用于复杂的水稻品种 识别问题。对金优402与汕优10两品种的识别采用一个简单的长宽比闽值分类，检测 正确率可达100%;对金优402与H优3207两品种的识别采用一个通过感知器设计的 超平面进行分类，检测正确率可达100%;对金优402与中优207两品种的识别采用一 个经结构优化和充分训练的人工神经网络进行分类，检测正确率可达98%;对金优402、 汕优10、中优207、加优99、H优3207五个品种的识别采用一个共扼梯度法训练的 人工神经网络进行分类，检测正确率分别可达91.2%，93.1%，75.3%，62.6%，93%。 5.在本研究基础上对相关算法成果进行归纳整理，开发了基于Mat lab平台的稻种 图像分析系统，为实现稻种质量机器视觉检验提供了基础。该系统可对静态单粒稻种 图像进行各种预处理操作，计算出稻种尺寸、形状和颜色等23个特征参数，自动识别 金优402、汕优10、中优207、加优99、11优3207五个品种并检测稻种的穗萌芽、 霉变和裂颖缺陷。