基于机器视觉技术检测裂纹玉米种子

　　摘要:种子的质量对于增产丰收具有重要的意义。为了准确检测玉米种子是否有机械损伤裂纹，基于机器视觉技术提出了一种能自动提取玉米种子，并自动识别裂纹种子的方法。首先，采用最大类间方差法、数学形态学处理和区域属性度量函数提取单粒玉米种子图像;进而，采用基于模糊集和浮雕算法的图像增强方法与基于小波变换模极大值的边缘检测算法凸显玉米种子的裂纹区域;最后，采用图像相乘运算和数学形态学处理等方法去除种子的轮廓与种子区域的噪声，并提取出玉米种子的裂纹区域。以“郑单958”玉米种子为例，选取了160粒经机械脱粒后外部轮廓形态基本完整的裂纹和无裂纹种子，对320幅胚面和胚乳面图像的识别结果表明:该方法对胚面和胚乳面裂纹检测的准确率分别为94．4%和86．9%，平均准确率为90．6%。本研究为基于机器视觉技术检测裂纹玉米种子，保证种子的质量，提高出苗率提供了技术支持。

　　关键词:机器视觉;图像处理;机械损伤裂纹;玉米种子;检测

　　引言

　　种子是作物生产最基本的生产资料，是农业生产的关键。种子质量的高低直接影响农作物的产量和品质。玉米是我国最主要和重要的粮食作物之一，把控好玉米种子的品质检测工作，对于保障后期玉米的种植收获具有重要的意义［1］。随着农业机械化程度的不断提高，农业生产多采用机械化作业，但机械化作业通常会造成农产品的损伤［2－3］。玉米种子在收获、干燥、机械脱粒等过程中，都难免受到机械损伤［4］，尤其对于田间收获或采收后未充分干燥的含水率较高的玉米［5］，机械损伤的概率较大。以脱粒为例，在机械脱粒的过程中，种子会受到脱粒机的挤压、撞击、揉搓、冲击和剪切等外力作用［6］，从而导致玉米种子发生机械损伤［7］。玉米种子的含水率越高，造成的损伤就越严重［8－9］。机械损伤的一种主要形式是种子出现裂纹。出现裂纹的种子在运输过程中易发生破碎，在储藏过程中易吸湿、霉变和产生病虫害［10］，也不利于营养物质的储存［11］，最终导致种子的发芽率降低［12－13］。在机械化玉米播种技术，尤其是单穴单粒播种技术下，损伤会影响种子的田间出苗率、玉米植株收稿日期:2018－11－23基金项目:陕西省重点研发计划(农业领域)项目(2017ZDXM－NY－060);杨凌示范区协同创新项目(2016CXY－20)作者简介:闫彬(1994－)，男，西安人，硕士研究生，(E－mail)yanbin@nwafu．edu．cn。通讯作者:郭文川(1969－)，女，陕西临潼人，教授，博士，(E－mail)guowenchuan69@126．com。的整个生长发育过程及最终的产量［14］。

　　1材料与方法

　　1．1实验材料

　　实验对象为“郑单958”玉米种子。在玉米穗收获后的24h内对玉米苞叶进行人工剥除，并将玉米穗在阳光下进行适当晾晒后使用输出功率为4．2kW的高效玉米脱粒机(万丰商贸有限公司制造)对试验样品进行机械脱粒操作;在脱粒后的玉米籽粒堆中随机选择外部轮廓形态基本完整的机械损伤裂纹种子与无破损种子共160粒(含320个面)作为实验的样本。

　　1．2图像采集设备

　　图1是采集玉米种子图像的系统示意图。该系统由以下几部分组成:图像采集暗箱，表面为白色的载物台，一个18W的环形节能灯，摄像头分辨率为3456×4608的智能手机(MI5型，小米科技有限公司)。环形节能灯作为光源安装于暗箱内顶部，摄像头与白色载物台的距离设置为22cm，摄像头的曝光时间为1/250s。实验用的玉米种子均匀平放于载物台上。在MatLabＲ2010a(MathWorks公司，美国)下处理采集的图像。

　　2检测机械损伤裂纹种子的算法

　　2．1单粒玉米种子的自动提取

　　2．1．1颜色空间转换与阈值分割采集玉米种子图像时，将种子放置于载物台上，种子之间互不接触，且种子朝向摄像头的一面随机放置。图2(a)为采集到的一幅包含有多粒玉米种子的ＲGB图像。要对图像中包含的每粒玉米种子进行机械损伤裂纹的检测，首先需要确定每粒种子的位置并将种子分别提取出来。经过对采集到的ＲGB图像的Ｒ、G、B分量和转换为HSV图像后的H、S、V分量，共2个颜色空间6个分量下的图像进行分析，发现在H分量下玉米种子区域与背景区域的灰度值差异最大。H分量下的图像如图2(b)所示。因此，在H分量下使用最大类间方差法自动确定阈值，从而对玉米种子区域与背景区域进行分割处理。对分割后的二值图像求反，结果如图2(c)所示，即玉米种子区域的二值图像。图2包含多粒种子的ＲGB图像、H分量图像及二值图像Fig．2TheＲGBimage，Hcomponentimageandbinaryimagecontainingseveralseeds

　　2．1．2数学形态学处理与种子自动提取为了确保完整地剪切出每粒玉米种子，使得在二值图中每粒种子区域所占面积略大于实际种子占据的面积，对图2(c)得到的种子二值图像进行膨胀操作，然后利用区域属性度量函数对二值图中的各个连通域进行标记，并使用黑色矩形框在原始图像中进行框选，结果如图3(a)所示。基于所标记的各矩形框的位置信息，对单粒玉米种子分别自动进行裁剪，裁剪结果如图3(b)(胚面裂纹种子)、图3(c)(胚乳面裂纹种子)所示。

　　2．2图像增强与边缘检测

　　2．2．1基于模糊集与浮雕算法的图像增强要实现玉米种子机械损伤裂纹的提取，在检测算法的前期处理中，应当对图像进行增强处理以突出裂纹部分，本文采用基于模糊集的图像增强方法对剪切后的单粒玉米种子的灰度图像进行图像增强。首先，将图3(b)所示玉米种子的ＲGB图像进行灰度化，结果如图4(a)所示;再对图4(a)所示的灰度图像进行模糊集图像增强，结果如图4(b)所示。可以看出:经过基于模糊集的图像增强处理后的图像与原灰度图像相比，其玉米种子中非裂纹区域的灰度值变化范围缩小，裂纹部位得到一定的凸显。

　　2．2．2基于小波变换模极大值的边缘检测现有的针对玉米种子裂纹检测的研究中多采用传统的边缘检测算法对裂纹进行提取，其边缘检测的结果往往存在较多的噪声。基于小波变换的边缘检测算法是目前边缘检测领域中的研究热点［20－21］。当图像的信噪比比较低以至于传统的边缘检测方法无法准确高效地检测出有用信息时，小波变换边缘检测算法具有传统边缘检测算法无可比拟的优势，它能够在有效抑制噪声的基础上较准确地检测出图像中的边缘［22］。因此，采用基于小波变换模极大值的边缘检测算法［23］对浮雕化后的种子图像进行边缘检测，检测结果如图5(b)所示。与图5(a)相比，可以看到图5(b)中的裂纹区域更加明显，裂纹周围的噪声较少。

　　3结果与分析

　　利用上述检测算法对图2(a)中的多粒玉米种子分别自动进行机械损伤裂纹的检测，并将最终检测到的含有机械损伤裂纹的种子在原始图像中使用黑色矩形框进行标记。检测结果如图8所示。

　　4结论

　　1)基于机器视觉与数字图像处理技术，在H颜色分量下使用最大类间方差法从一幅包含多个玉米种子的图像中分割出种子区域，并结合数学形态学处理与区域属性度量函数分别对每粒种子进行自动裁剪。采用基于模糊集和浮雕算法的图像增强方法，并使用基于小波变换模极大值的边缘检测方法凸显了玉米种子的裂纹区域。通过构造种子的掩膜图像并结合图像的相乘运算去除了种子的轮廓。利用数学形态学处理结合对二值图像中连通域的筛选，去除了种子区域的噪声并较完整地提取出了种子的裂纹区域。对图像中所有种子的机械损伤裂纹检测结束后，自动综合每粒种子的检测结果并将检测到的含有裂纹的玉米种子在原始图像中框选标记。

　　2)对“郑单958”品种的玉米种子进行了机械损伤裂纹的检测，平均检测准确率为90．6%。检测结果表明:该算法对于玉米种子的机械损伤裂纹检测效果明显。本研究为裂纹玉米种子的自动化识别提供了一种方法，对于提高玉米种业的质量具有重要的意义。

　　参考文献:

　　［1］潘霞，谭会君．计算机视觉技术在玉米种子自动检测中的应用［J］．农机化研究，2019，41(3):228－231．

　　［2］刘洪伟．玉米种子的机械损伤对其发芽率的影响研究［J］．农民致富之友，2016(1):87．

　　［3］郝付平，陈志．国内外玉米收获机械研究现状及思考［J］．农机化研究，2007(10):206－208．

　　［4］牛海华，赵武云，史增录．玉米籽粒力学特性的研究进展及应用［J］．中国农机化学报，2011(2):101－104．

《基于机器视觉技术检测裂纹玉米种子》

上一篇：农产品贸易经济全球化论文

下一篇：基于机器视觉的穴盘苗检测试验研究