多对象特征提取和优化神经网络的玉米种子品种识别解析
基于图像处理的玉米种子特征参数提取系统
基于图像处理的玉米种子特征参数提取系统
史中辉;赵秀艳;于广洋;刘贤喜
【期刊名称】《农机化研究》
【年(卷),期】2011(33)10
【摘要】随着计算机技术的发展,利用机器视觉代替人的视觉对玉米种子进行品种识别和质量检测是必然趋势.在检测中最关键的一步是对玉米种子图像进行有效特征提取,特征参数的有效性或者精度直接关系到种子品种识别的成败.为此,优化了基于机器视觉的玉米种子图像处理策略,提出了比较全面有效的玉米种子特征参数和一种适应玉米种子识别的多对象轮廓提取算法,采用VC++编制了玉米种子特征参数提取系统.经实验验证,本系统能够准确快速地提取玉米种子特征参数,为玉米种子品种识别和质量检测的后期工作奠定了基础.
【总页数】5页(P166-170)
【作者】史中辉;赵秀艳;于广洋;刘贤喜
【作者单位】山东农业大学机械与电子工程学院,山东泰安 271018;山东农业大学信息学院,山东泰安 271018;山东农业大学机械与电子工程学院,山东泰安271018;山东农业大学机械与电子工程学院,山东泰安 271018
【正文语种】中文
【中图分类】S333;TP317.4
【相关文献】
1.基于数字图像处理的油菜种子形状特征参数提取及模糊聚类分析 [J], 李锦卫;廖桂平
2.基于图像处理的针织物特征参数提取 [J], 张娟;耿兆丰
3.基于图像处理的针织物特征参数提取 [J], 张娟;耿兆丰
4.基于图像处理技术的坭兴陶图像特征参数提取 [J], 阳建中
5.基于彩色图像处理的生丝截面特征参数提取 [J], 郭恒勇;陈庆官;徐帅;盛井龙因版权原因，仅展示原文概要，查看原文内容请购买。
玉米品种识别的集成极端学习机方法
玉米品种识别的集成极端学习机方法戴敏;魏英姿;赵祉淇【摘要】不同品种的玉米种子外观上存在细小差异,利用计算机视觉进行快速、客观、准确的品种检测和识别,是实现农业生产自动化的必要手段.利用玉米品种之间存在的差异性,提取玉米种子的几何、纹理、颜色等特征参数,采用差异演化算法优化极端学习机的初始参数,构建集成极端学习机,学习不同玉米的特征数据,以识别玉米品种,进行分类精度判断.对京粘一号、绿色超人、雪糯88等3个玉米品种进行分类测试,实验结果表明,集成极端学习机可有效提高玉米品种识别的准确率.【期刊名称】《沈阳理工大学学报》【年(卷),期】2017(036)001【总页数】5页(P51-55)【关键词】差异演化算法;极端学习机;集成极端学习机【作者】戴敏;魏英姿;赵祉淇【作者单位】沈阳理工大学信息科学与工程学院,沈阳110159;沈阳理工大学信息科学与工程学院,沈阳110159;盘锦市高级中学,辽宁盘锦124010【正文语种】中文【中图分类】TN911玉米种子品种分类问题是近年来研究热点之一。
分类细小的玉米种子品种存在工作量大，准确率低等问题。
随着计算机视觉技术的发展，利用计算机视觉对玉米种子品种进行无损检测分类，不仅可以保持玉米种子的品质，避免人工分类的弊端，而且可以提高分类效率和准确率。
单隐层前馈神经网络(SLFNs)的学习能力很强，被应用于模式识别、自动控制及数据挖掘等众多领域[1]。
玉米种子品种识别问题可以归入模式识别问题的范畴，将玉米种子品种识别问题建立于神经网络模型之上,可提高识别的效率以及准确率。
以BP为代表的一般的前馈神经网络已经应用于模式识别中[2]。
而一般的前馈神经网络存在学习速度过慢，参数需多次调整，泛化性能较差，极端学习机(Extreme Learning Machine，ELM)[3]克服了学习过程效率低下、参数反复调整以及容易陷入局部最优等问题。
极端学习机在学习的过程中，其隐藏层模块的参数随机产生，虽然学习效率大大提高，但是随机选择输入权向量和隐层节点的偏置值，极有可能产生较大的输出层权向量，进而影响神经网络的泛化性能。
基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究[J
米品种鉴别上的应用研究还未见报道本研究将近红外光谱 技术结合人工神经网络应用到单粒玉米种子的鉴别中实现 了玉米品种快速无损的鉴别
修订日期 ! . . , . C ! * ! . . , . " ! " !收稿日期 和高校博士学科点专项科研基金项目 资助 = . > , ) . ) ) ! . . C . . ) + . . C !基金项目国家自然科学基金项目 作者简介 陈 建 年生 中国农业大学工学院硕士研究生 ) + " ) 0 E 6 : % ` C 1 6 ; Y 0 8 ; Y 1 7 <5 ! ! ! !! !!"通讯联系人
) " . "
光谱学与光谱分析!!!!!!!!!!!!!!!!!!! 第! "卷 ; . A / ) < * ) 6 " = " 5 ,* ) 0 1 / 8 5 * 1 , F , 5 T , 0 . + / ) 0 A R ^ :+ 5 6 ) / !: ( 7E
预测样本 ) ! = > C * , " + ) .
引!言
!!当前应用于玉米品种鉴定的方法主要有籽粒形态鉴定 幼苗鉴别田 间 小 区 种 植蛋 白 质 电 泳 和 _ ' 9 分子标记
) ! 籽粒形态鉴定使用范围窄人为影响大识别率低 等
) !材料与方法
% $ % !实验材料与设备 实验用样品高油) 农大 ) ) C = * " . " > + * , 等四种玉米 种子由中国农业大学农学院提供产地甘肃 ! . . C 年采 集自然晾晒干从每个品种中选取 > . 粒正常籽粒共计 ) * .个样本用于实验Байду номын сангаас实验所用仪器为美国 A F 0 3 E $' : 1 $ % 0 2公司 9 ' A 9 K T /傅 里叶变换近红外光谱仪仪器采用T 7 Q 6 9 4检测器光谱范 围" = = !* = !7 E最小分辨率 !1 EW)分析软件为仪器自 " 带A i9 7 6 % 4 2# * & ! 5 % $ < !单粒玉米光谱采集 在室温下采集单粒完整玉米籽粒漫反射光谱把单粒 玉米盛于直径C .E E 的旋转样品池胚面向下在样品池内 部放置一个直径 ) .E E 的套杯以保证单籽粒样品置于样 品池的光学中心采样光斑直径为 ) .E E使用漫反射大体 积积分球作为光谱采集方式在 =" 波长 . .") .. . .1 EW) 范围内采集间隔!1 ). . . !* = !7 E EW)扫描* >次取平 " 均 % $ I R ^ : 网络模型 !E 人工神经网络是由人工建立的以有向图为拓扑结构的动 态系统通过对连续或断续的输入作状态响应而进行信息处
基于卷积神经网络的玉米品种识别
江苏农业学报(ＪｉａｎｇｓｕＪ.ｏｆＡｇｒ.Ｓｃｉ.)ꎬ２０２０ꎬ３６(１):１８~２３ｈｔｔｐ://ｗｗｗ.ｊｓｎｙｘｂ.ｃｏｍ徐㊀岩ꎬ刘㊀林ꎬ李中远ꎬ等.基于卷积神经网络的玉米品种识别[Ｊ].江苏农业学报ꎬ２０２０ꎬ３６(１):１８￣２３.ｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１０００￣４４４０.２０２０.０１.００３基于卷积神经网络的玉米品种识别徐㊀岩ꎬ㊀刘㊀林ꎬ㊀李中远ꎬ㊀高㊀照ꎬ㊀李晓振(山东科技大学电子信息工程学院ꎬ山东青岛２６６５９０)收稿日期:２０１９￣０６￣１１基金项目:国家自然科学基金项目(１１５４７０３７㊁１１６０４１８１)ꎻ山东省研究生教育创新计划项目(０１０４０１０５３０５)ꎻ海信山东冰箱有限公司研发中心资助项目作者简介:徐㊀岩(１９７０￣)ꎬ男ꎬ山东汶上人ꎬ博士ꎬ教授ꎬ博士生导师ꎬ主要从事计算机视觉㊁图像识别与信号处理等方面的研究工作ꎮ(Ｅ￣ｍａｉｌ)ｘｕｙａｎ＠ｓｄｕｓｔ.ｅｄｕ.ｃｎ㊀㊀摘要:㊀为了解决传统算法中人工提取特征的缺陷ꎬ提出了基于卷积神经网络的玉米品种识别算法ꎮ以登海５１８㊁浚单２０和郑单９５８３个玉米品种为研究对象ꎬ制作数据集并进行分类标签ꎬ分别标记为０㊁１㊁２ꎮ使用Ｋｅｒａｓ学习框架搭建网络模型ꎬ包括１个输入层㊁５个连续的卷积池化结构㊁３个全连接层和１个输出层ꎮ卷积层提取有效的特征信息ꎬ结合ＬｅａｋｙＲｅＬＵ激活函数传递至下一层ꎬ输出层采用Ｓｏｆｔｍａｘ函数实现玉米品种的识别ꎮ使用完成训练的模型对预测集进行预测ꎮ结果表明:登海５１８㊁浚单２０㊁郑单９５８的识别率分别达到１００ ００％㊁９３ ９９％㊁９２ ４９％ꎬ平均识别率达到９５ ４９％ꎮ关键词:玉米ꎻ品种识别ꎻ卷积神经网络ꎻＫｅｒａｓ学习框架中图分类号:㊀ＴＰ３９１㊀㊀㊀文献标识码:㊀Ａ㊀㊀㊀文章编号:㊀１０００￣４４４０(２０２０)０１￣００１８￣０６ＲｅｃｏｇｎｉｔｉｏｎｏｆｍａｉｚｅｖａｒｉｅｔｉｅｓｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋＸＵＹａｎꎬ㊀ＬＩＵＬｉｎꎬ㊀ＬＩＺｈｏｎｇ￣ｙｕａｎꎬ㊀ＧＡＯＺｈａｏꎬ㊀ＬＩＸｉａｏ￣ｚｈｅｎ(ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇꎬＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬＱｉｎｇｄａｏ２６６５９０ꎬＣｈｉｎａ)㊀㊀Ａｂｓｔｒａｃｔ:㊀Ｉｎｏｒｄｅｒｔｏｏｖｅｒｃｏｍｅｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆａｒｔｉｆｉｃｉａｌｆｅａｔｕｒｅｘｔｒａｃｔｉｏｎｉｎｔｒａｄｉｔｉｏｎａｌａｌｇｏｒｉｔｈｍꎬａｍａｉｚｅｖａｒｉｅ￣ｔｙｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓｐｒｏｐｏｓｅｄｉｎｔｈｉｓｓｔｕｄｙ.ＴａｋｉｎｇｍａｉｚｅｖａｒｉｅｔｙＤｅｎｇｈａｉ５１８ꎬＪｕｎｄａｎ２０ａｎｄＺｈｅｎｇｄａｎ９５８ａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔｓꎬｔｈｅｄａｔａｓｅｔｓｗｅｒｅｃｒｅａｔｅｄａｎｄｃｌａｓｓｉｆｉｅｄｗｉｔｈｌａｂｅｌｓｏｆ０ꎬ１ꎬａｎｄ２.Ｋｅｒａｓｌｅａｒｎｉｎｇｆｒａｍｅｗｏｒｋｗａｓｓｅｌｅｃｔｅｄｔｏｂｕｉｌｄｔｈｅｎｅｔｗｏｒｋｍｏｄｅｌꎬｗｈｉｃｈｉｎｃｌｕｄｅｄｏｎｅｉｎｐｕｔｌａｙｅｒꎬｆｉｖｅｃｏｎｔｉｎｕｏｕｓｃｏｎｖｏｌｕｔｉｏｎｐｏｏｌｉｎｇｓｔｒｕｃｔｕｒｅｓꎬｔｈｒｅｅｆｕｌｌｃｏｎｎｅｃｔｉｏｎｌａｙｅｒｓａｎｄｏｎｅｏｕｔｐｕｔｌａｙｅｒ.ＴｈｅｃｏｎｖｏｌｕｔｉｏｎｌａｙｅｒｅｘｔｒａｃｔｅｄｅｆｆｅｃｔｉｖｅｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎａｎｄｔｒａｎｓｍｉｔｔｅｄｉｔｔｏｔｈｅｎｅｘｔｌａｙｅｒｗｉｔｈＬｅａｋｙＲｅＬＵａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎ.ＴｈｅｏｕｔｐｕｔｌａｙｅｒｕｓｅｄＳｏｆｔｍａｘｆｕｎｃｔｉｏｎｔｏｒｅａｌｉｚｅｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｍａｉｚｅｖａｒｉｅｔｉｅｓ.Ｔｈｅｐｒｅｄｉｃｔｉｏｎｓｅｔｗａｓｐｒｅｄｉｃｔｅｄｂｙｔｈｅｃｏｍｐｌｅｔｅｄｔｒａｉｎｉｎｇｍｏｄｅｌ.ＴｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｓｏｆＤｅｎｇｈａｉ５１８ꎬＪｕｎｄａｎ２０ａｎｄＺｈｅｎｇｄａｎ９５８ｗｅｒｅ１００ ００％ꎬ９３ ９９％ａｎｄ９２.４９％ｒｅｓｐｅｃｔｉｖｅｌｙꎬｗｉｔｈａｎａｖｅｒａｇｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆ９５.４９％.Ｋｅｙｗｏｒｄｓ:㊀ｍａｉｚｅꎻｖａｒｉｅｔｙｒｅｃｏｇｎｉｔｉｏｎꎻｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋꎻＫｅｒａｓｌｅａｒｎｉｎｇｆｒａｍｅｗｏｒｋ㊀㊀中国是世界上主要的玉米生产国和消费国ꎬ玉米作为中国主要的农作物ꎬ在食品㊁饲料㊁医疗和工业原料等行业中备受关注[１]ꎮ玉米种子的质量直接关系到玉米的产量及品质ꎬ但假种子事件频发给农业造成了巨大的损失ꎮ随着科学技术的发展ꎬ计算机视觉技术和机器学习技术已广泛应用于棉花㊁小麦㊁玉米㊁花生等种子的破损识别以及水稻㊁棉花㊁８１大豆㊁番茄等种子的品种识别ꎮ在玉米品种识别中ꎬ学者们主要通过提取玉米种子的多个有效特征ꎬ如形态特征㊁颜色特征㊁纹理特征㊁胚部特征㊁光谱特征等ꎬ结合人工神经网络或支持向量机实现玉米品种的有效识别[２￣９]ꎮ传统的机器学习方法需要人工总结规律并设计特征量ꎬ在图像预处理及评估提取特征的有效性上耗费大量时间ꎬ而深度学习可以有效解决这一问题ꎮ卷积神经网络是深度学习中非常典型且重要的网络模型ꎬ能够实现局部连接和权值共享ꎬ从而减少大量参数ꎬ有效降低计算难度和减少运算时间[１０]ꎮ１９８９年ꎬＹａｎｎ构建了应用于图像分类的卷积神经网络ꎬ即ＬｅＮｅｔ的最初版本ꎬ并于１９９８年构建了更加完备的卷积神经网络模型 ＬｅＮｅｔ￣５ꎮＬｅＮｅｔ￣５加入了池化层对输入特征进行筛选ꎬ但由于数据集规模及软硬件基础设施的限制ꎬ使得在大规模数据集分类任务中并未取得良好的效果ꎮ２００６年以来ꎬ卷积神经网络得到迅速发展ꎬ２０１２年Ｋｒｉｚｈｅｖｓｋｙ等提出了一种与ＬｅＮｅｔ￣５类似但具有更深结构的卷积神经网络模型 ＡｌｅｘＮｅｔꎬ该模型夺得２０１２ＩｍａｇｅＮｅｔ大规模视觉识别竞赛的冠军[１１]ꎮ随着ＡｌｅｘＮｅｔ的成功构建ꎬ卷积神经网络成为研究的热点ꎬ学者们通过对其进行改进ꎬ不断提出新的卷积神经网络模型ꎬ如:ＶＧＧ模型㊁ＧｏｏｇＬｅＮｅｔ模型㊁ＲｅｓＮｅｔ模型等[１２￣１４]ꎻ同时ꎬ卷积神经网络的应用快速增长ꎬ但多用于各领域的识别分类问题ꎮ２０１６年ꎬ魏英姿[１５]等将卷积神经网络应用于玉米种子的完整性识别ꎬ但卷积神经网络在玉米种子品种识别中的应用还比较少ꎮ本研究将使用Ｋｅｒａｓ深度学习框架搭建卷积神经网络模型ꎬ对登海５１８㊁浚单２０和郑单９５８３个玉米品种进行识别ꎮ１㊀材料与方法１.１㊀试验材料以登海５１８㊁浚单２０和郑单９５８三个玉米品种为研究对象ꎬ均为华北地区高产玉米品种ꎮ从每个品种中选取１５０粒正常种子ꎬ共计４５０粒ꎮ按固定顺序与方向将种子摆放于ＥＣＯＳＹＳＭ６５３０ｃｄｎ多功能一体机的玻璃平台上ꎬ为了使扫描背景为黑色ꎬ种子上方覆盖黑色吸光布ꎮ具体参数设置如下:分辨率为６００ＤＰＩꎬ色彩模式为彩色ꎬ图像格式为ｐｎｇꎮ扫描获取的试验样本的数字化图像ꎮ基于Ｐｈｏｔｏ￣Ｓｈｏｐ软件获取像素为１００ˑ１００单粒种子数据ꎮ由于神经网络模型需要大量的数据进行训练ꎬ以降低模型对某些属性的依赖ꎬ提高神经网络模型的泛化能力ꎬ本研究主要通过２种方式的翻转处理(镜像翻转㊁垂直翻转)和不同角度的旋转处理(９０ʎ㊁１８０ʎ㊁２７０ʎ)进行数据增强ꎬ经过处理的数据有效信息会发生改变ꎬ从而对试验结果有所影响ꎮ数据增强后每个玉米品种的数据量为１２００个ꎬ总数据量达到３６００个ꎮ１.２㊀试验方法１.２.１㊀卷积神经网络㊀常见的卷积神经网络通常由输入层㊁卷积层㊁池化层㊁全连接层和输出层构成(图１)ꎮ其中ꎬ连续的卷积㊁池化结构和全连接层构成了卷积神经网络的隐含层[１６]ꎮ图１㊀卷积神经网络结构模型Ｆｉｇ.１㊀Ｓｔｒｕｃｔｕｒｅｍｏｄｅｌｏｆｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ㊀㊀卷积层是卷积神经网络的核心ꎬ通过卷积运算提取图像的不同特征ꎮ卷积层由多个特征图构成ꎬ同一特征图的所有神经元共享同一个卷积核参数ꎬ而每一个神经元通过卷积核与上一层特征图的部分神经元连接ꎬ用来学习局部特征[１７]ꎮ将卷积核的每个元素作为一个权值参数与输入特征图进行卷积运９１徐㊀岩等:基于卷积神经网络的玉米品种识别算ꎬ每项卷积求和并加上偏置作为激活函数的输入特征图ꎬ通过激活函数的非线性映射得到卷积层的输出特征图[１８]ꎮ池化层紧跟在卷积层之后ꎬ主要是通过对输入的特征图进行压缩ꎬ简化网络计算的复杂度ꎬ同时进行特征压缩ꎬ提取有效的特征信息ꎮ在经过多个连续的卷积池化结构之后ꎬ连接着一个或多个全连接层ꎮ全连接层中的每个神经元与其前一层的所有神经元全部连接ꎬ用于获取卷积池化结构中具有类别区分性的局部信息ꎮ１.２.２㊀卷积神经网络的构建㊀Ｋｅｒａｓ是一个高度模块化的深度学习程序库ꎬ由神经网络模块㊁损失函数模块㊁激活函数模块等１８个模块组成ꎬ只要将所需模块自由组合在一起就可以设计神经网络ꎮＫｅｒａｓ同时支持卷积神经网络和循环神经网络ꎬ从ＣＰＵ切换到ＧＰＵ加速计算不需要对代码作任何更改ꎮ以ＴｅｎｓｏｒＦｌｏｗ为后端ꎬ使得Ｋｅｒａｓ训练模型的性能相比于ＴｅｎｓｏｒＦｌｏｗ基本上没有任何损耗ꎬ只是极大程度地简化了编程的复杂度ꎮ近年来ꎬＫｅｒａｓ在工业界和学术界得到广泛应用ꎬ其应用率高于除ＴｅｎｓｏｒＦｌｏｗ之外的任何深度学习框架ꎮ㊀㊀使用Ｐｙｔｈｏｎ在Ｋｅｒａｓ中搭建深度学习神经网络虽然非常简单ꎬ但需要严格遵循模型的生命周期ꎬ其生命周期由选择模型㊁构建网络层㊁编译㊁训练和测试５个步骤组成(图２)ꎮ㊀㊀Ｋｅｒａｓ的核心数据结构是模型ꎬ它是一种组织网络层的方式ꎮ使用Ｋｅｒａｓ搭建网络模型的方法有２种:一种是单输入单输出ꎬ多个神经网络层线性堆叠ꎬ层与层之间只存在相邻关系的序贯模型(Ｓｅ￣ｑｕｅｎｔｉａｌ)ꎻ另一种是多输入多输出ꎬ层与层之间可以任意连接ꎬ编译速度较慢ꎬ是模型复杂度较高的函数式模型(Ｍｏｄｅｌ)ꎮ序贯模型可以看作是函数式模型的一种特殊情况ꎮ在选用序贯模型后ꎬ序贯模型的第一层需要接受一个关于输入数据状态的参数ꎬ后面各层可以自动推导出数据状态ꎬ因此不需要为每个层都指定这个参数ꎮ网络层的构建只需要使用ａｄｄ函数加入需要的每一层ꎮ本研究搭建的模型由输入层㊁５个连续的卷积池化结构㊁平坦层㊁３个全连接层和输出层组成ꎮ图２㊀Ｋｅｒａｓ搭建神经网络的步骤Ｆｉｇ.２㊀ＳｔｅｐｓｏｆｂｕｉｌｄｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｂｙＫｅｒａｓ㊀㊀模型搭建完成之后需要对模型进行编译和训练ꎮ通过调用ｃｏｍｐｉｌｅ方法编译学习过程ꎬ编译需要接收３个重要参数:优化函数㊁损失函数和性能评估ꎮ优化函数用来计算和更新影响模型训练和输出的网络参数ꎬ使其逼近或达到最优值ꎻ损失函数用来度量神经网络输出的预测值与真实值之间的误差ꎬ通过误差的反向传播指导网络参数学习ꎻ性能评估用于监控网络训练ꎬ对于分类问题ꎬ一般将性能评估指标设置为ａｃｃｕｒａｃｙꎮ调用ｆｉｔ函数对模型进行训练ꎬ模型训练不仅需要输入数据及标签ꎬ还需要指定ｂａｔｃｈ＿ｓｉｚｅ㊁ｅｐｏｃｈｓ及ｖａｌｉｄａｔｉｏｎ＿ｓｐｌｉｔꎮｂａｔｃｈ＿ｓｉｚｅ是指进行梯度下降时每一批次数据包含的样本数量ꎬ在训练过程中ꎬ１个ｂａｔｃｈ样本会被计算１次梯度下降ꎬ使目标函数优化一步ꎻｅｐ￣ｏｃｈｓ是训练的轮数ꎬ每个ｅｐｏｃｈ是对整个输入数据的一次迭代ꎻｖａｌｉｄａｔｉｏｎ＿ｓｐｌｉｔ用来指定训练集中一定比例的数据作为验证集ꎬ验证集不参与训练ꎬ在每轮迭代结束后用来测试模型的损失函数㊁精确度等指标ꎮ最后ꎬ使用测试数据集评估模型的准确率ꎬ当模型准确率达到所需要的水平时ꎬ使用该模型进行预测ꎮ１.２.３㊀网络模型参数㊀输入图像均为１００ˑ１００像素０２江苏农业学报㊀２０２０年第３６卷第１期的３通道图片ꎬ网络共２５层ꎬ具体网络结构及其参数如图３所示ꎮ图３㊀网络结构及其参数Ｆｉｇ.３㊀Ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅａｎｄｉｔｓｐａｒａｍｅｔｅｒｓ㊀㊀本研究选用ＬｅａｋａｇｅＲｅＬＵ激活函数和ＳＧＤＭ优化函数ꎮＬｅａｋａｇｅＲｅＬＵ激活函数是在ＲｅＬＵ激活函数的负半区间引入一个泄露(Ｌｅａｋｙ)值ꎮ其函数形式为:ｆ(ｘ)]ｘꎬｘȡ０ｘａꎬｘ<０ìîíïïï式中ꎬａ为１到正无穷的一个固定参数ꎬ本研究取ａ为０ ００１ꎮＬｅａｋｙＲｅＬＵ函数具有ＲｅＬＵ激活函数的所有优点ꎬ并且ＬｅａｋｙＲｅＬＵ函数在ｘ<０时有一个很小的斜率ꎬ解决Ｒｅｌｕ函数进入硬饱和区导致神经元不学习的问题[１９]ꎮ为了抑制ＳＧＤ震荡ꎬＳＧＤＭ是在ＳＧＤ的基础上引入一阶动量ꎬ也就是常说的 惯性 ꎬ使得下降方向由当前时刻的梯度方向和累积的动量方向共同决定ꎮ下降初期ꎬ梯度方向与动量方向一致ꎬ可以起到加速的作用ꎻ下降中后期ꎬ在局部最小值震荡ꎬ累积的动量能使权重更新幅度加大ꎬ容易跳过局部最优值ꎮＳＧＤＭ的相关参数设置如下:学习速率初始化为０.０００５ꎬ动量参数设置为０ ９６ꎬ并且每次更新后的学习率衰减值为学习率与迭代次数的比值ꎮ１.２.４㊀对比试验㊀在２０世纪８０年代ꎬＭＬＰ(多层感知器ꎬＭｕｌｔｉｌａｙｅｒＰｅｒｃｅｐｔｒｏｎ)是一种受欢迎的机器学习模型ꎬ尤其在图像识别㊁语音识别等多个领域[２０]ꎮ２０世纪９０年代ꎬＭＬＰ受到来自更简单的模型(例如支持向量机)强烈竞争ꎮ近年来ꎬ随着深度学习的发展ꎬＭＬＰ又重新受到业界的重视ꎮ将ＭＬＰ应用于玉米品种识别ꎬ输入层的输入数据是１００ˑ１００的数字图像ꎬ以ｒｅｓｈａｐｅ转换为一维的向量ꎬ也就是１００００个浮点数ꎬ作为１００００个神经元的输入ꎻ隐含层共有３层ꎬ各层包含的神经元数分别为４０９６㊁４０９６㊁１０００ꎻ输出层含有３个神经元ꎬ对应预测的３个品种ꎮ输入层和隐含层的激活函数均选用ＬｅａｋｙＲｅＬＵ函数ꎬ输出层选用Ｓｏｆｔｍａｘ函数ꎬ可以实现对预测数据的分类ꎮ２㊀结果与分析在进行模型训练之前ꎬ随机选取数据集中８５％的数据作为训练集ꎬ剩下的１５％的数据作为测试集ꎬ训练集共有３０６０个数据样本ꎬ测试集共有５４０个数据样本ꎮ取训练集的２０％作为验证集供模型训练使用ꎮ当模型训练完成后ꎬ使用该模型对测试集进行测试ꎬ测试结果如表１所示:表１㊀卷积神经网络(ＣＮＮ)对３个玉米品种的识别结果Ｔａｂｌｅ１㊀Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｒｅｅｍａｉｚｅｖａｒｉｅｔｉｅｓｂｙｃｏｎｖｏｌｕ￣ｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ(ＣＮＮ)玉米品种模型识别率(％)多层感知器(ＭＬＰ)卷积神经网络(ＣＮＮ)登海５１８７５.３６１００.００浚单２０８１.２３９３.９９郑单９５８６６.１９９２.４９平均值７４.２６９５.４９㊀㊀利用ＭＬＰ和卷积神经网络模型对相同数量的样本进行训练㊁测试ꎬ多层感知器模型的平均识别率１２徐㊀岩等:基于卷积神经网络的玉米品种识别仅为７４ ２６％ꎬ卷积神经网络模型是在多层感知器的基础上加入连续的卷积㊁池化结构ꎬ将平均识别率提高到９５ ４９％(表１)ꎮ两个网络对郑单９５８的识别率都最低ꎬ但在表现较好的卷积神经网络模型中ꎬ识别率达到９２ ４９％ꎮ在对卷积神经网络模型进行训练时ꎬ将训练过程中的数据保存并上传至Ｔｅｎｓｏｒ￣ｆｌｏｗ的可视化工具Ｔｅｎｓｏｒｂｏａｒｄꎬ得到准确率和损失率的变化曲线(图４㊁图５)ꎮ图４㊀卷积神经网络(ＣＮＮ)训练时准确率变化曲线Ｆｉｇ.４㊀Ｃｈａｎｇｅｃｕｒｖｅｏｆａｃｃｕｒａｃｙｉｎｔｈｅｔｒａｉｎｉｎｇｏｆｃｏｎｖｏｌｕｔｉｏｎ￣ａｌｎｅｕｒａｌｎｅｔｗｏｒｋ图５㊀卷积神经网络(ＣＮＮ)训练时损失值变化曲线Ｆｉｇ.５㊀Ｃｈａｎｇｅｃｕｒｖｅｏｆｌｏｓｓｖａｌｕｅｉｎｔｈｅｔｒａｉｎｉｎｇｏｆｃｏｎｖｏｌｕ￣ｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ㊀㊀由图４可知ꎬ训练在前５０次迭代时ꎬ识别准确率上升较快ꎬ经过８０次迭代后达到一个稳定状态ꎬ识别准确率可以达到１００％ꎮ由图５可知ꎬ训练过程中前１００次迭代使得误差以较快的速率下降ꎬ随后的６００次迭代是一个平稳收敛的过程ꎬ当迭代次数为７００次时ꎬ总误差趋近于０ꎮ因此ꎬ本研究设计的卷积神经网络模型能够完成对玉米品种的识别工作ꎮ将本研究结果与前人的研究结果进行对比(表２)ꎬ由表２可知ꎬ本研究获得的识别率最高ꎬ且解决了传统算法中需要人工提取特征的缺陷ꎮ表２㊀本研究方法与传统算法的识别率对比Ｔａｂｌｅ２㊀Ｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｏｆｔｈｉｓｒｅｓｅａｒｃｈｍｅｔｈｏｄａｎｄｔｒａｄｉｔｉｏｎａｌａｌｇｏｒｉｔｈｍ方㊀法㊀㊀㊀㊀㊀㊀㊀㊀识别率(％)特征提取＋人工神经网络[１４]９３近红外光谱＋人工神经网络[１５]９５特征提取＋ＢＰ神经网络[１６]９３特征提取＋支持向量机[１７]９２.３卷积神经网络(本研究)９５.４９３㊀结论玉米品种识别是机器视觉技术在农业领域的一个重要研究方向ꎮ传统玉米品种识别方法需要人工提取特征ꎬ存在操作复杂㊁识别率低等缺陷ꎮ本研究提出了一种基于卷积神经网络的玉米品种识别方法ꎬ该方法能自动提取图像特征ꎬ克服了人工提取特征的缺陷ꎬ试验结果表明其平均识别率高达９５ ４９％ꎬ高于传统玉米品种识别算法ꎮ说明该方法在玉米品种识别上准确可靠ꎬ对今后研究种子识别具有重要指导性意义ꎮ参考文献:[１]㊀傅兆翔.中国粮食消费现状分析及展望[Ｊ].农业展望ꎬ２０１７ꎬ１３(５):９１￣９４.[２]㊀王玉亮ꎬ刘贤喜ꎬ苏庆堂ꎬ等.多对象特征提取和优化神经网络的玉米种子品种识别[Ｊ].农业工程学报ꎬ２０１０ꎬ２６(６):１９９￣２０４.[３]㊀张云丽ꎬ韩宪忠ꎬ王克俭.基于深度颜色特征的灰度直方图玉米品种识别研究[Ｊ].作物杂志ꎬ２０１５(１):１５６￣１５９.[４]㊀程㊀洪ꎬ史智兴ꎬ冯㊀娟ꎬ等.基于玉米胚部特征参数优化的玉米品种识别研究[Ｊ].中国粮油学报ꎬ２０１４ꎬ２９(６):２２￣２６.[５]㊀ＤＥＮＧＬＭꎬＬＵＡＮＴꎬＭＡＷＪ.Ｒｅｓｅａｒｃｈｏｎｍａｉｚｅｖａｒｉｅｔｉｅｓｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ[Ｊ].ＡｐｐｌｉｅｄＭｅ￣ｃｈａｎｉｃｓａｎｄＭａｔｅｒｉａｌｓꎬ２０１３ꎬ３９７￣４００:２３３５￣２３３９.[６]㊀宁纪锋.玉米品种的计算机视觉识别研究[Ｄ].咸阳:西北农林科技大学ꎬ２００２:２５￣４０.[７]㊀陈㊀建ꎬ陈㊀晓ꎬ李㊀伟ꎬ等.基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究[Ｊ].光谱学与光谱分析ꎬ２００８(８):１８０６￣１８０９.[８]㊀杨蜀秦ꎬ宁纪锋ꎬ何东健.ＢＰ人工神经网络识别玉米品种的研究[Ｊ].西北农林科技大学学报(自然科学版)ꎬ２００４ꎬ３２(Ｓ１):１６２￣１６４.[９]㊀程㊀洪ꎬ史智兴ꎬ么㊀炜ꎬ等.基于支持向量机的玉米品种识别[Ｊ].农业机械学报ꎬ２００９ꎬ４０(３):１８０￣１８３.２２江苏农业学报㊀２０２０年第３６卷第１期[１０]ＢＥＮＧＩＯＹ.ＬｅａｒｎｉｎｇｄｅｅｐａｒｃｈｉｔｅｃｔｕｒｅｓｆｏｒＡＩ[Ｊ].ＦｏｕｎｄａｔｉｏｎｓａｎｄＴｒｅｎｄｓＭａｃｈｉｎｅＬｅａｒｎｉｎｇꎬ２００９ꎬ２(１):１￣１２７.[１１]ＫＲＩＺＨＥＶＳＫＹＡꎬＳＵＴＳＫＥＶＥＲＩꎬＨＩＮＴＯＮＧ.Ｉｍａｇｅｎｅｔｃｌａｓｓｉ￣ｆｉｃａｔｉｏｎｗｉｔｈｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ[Ｃ]//ＰＥＲＥＩＲＡＦꎬＢＵＴＧＥＳＣＪＣꎬＢＯＴＴＯＵＬꎬｅｔａｌ.Ａｄｖａｎｃｅｓｉｎｎｅｕｒａｌｉｎｆｏｒ￣ｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇｓｙｓｔｅｍｓ２５.ＬａｋｅＴａｈｏｅꎬＮｅｖａｄａꎬＵＳＡ:ＣｕｒｒａｎＡｓｓｏｃｉａｔｅｓＩｎｃꎬ２０１２:１０９７￣１１０５.[１２]ＳＩＭＯＮＹＡＮＫꎬＺＩＳＳＥＲＭＡＮＡ.Ｖｅｒｙｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｌａｒｇｅ￣ｓｃａｌｅｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ[Ｊ].ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅꎬ２０１４ꎬ１４(９):１４０９￣１５５６.[１３]ＳＺＥＧＥＤＹＣꎬＬＩＵＷꎬＪＩＡＹꎬｅｔａｌ.Ｇｏｉｎｇｄｅｅｐｅｒｗｉｔｈｃｏｎｖｏｌｕ￣ｔｉｏｎｓ[Ｃ]//ＣＯＨＥＮＮꎬＳＨＡＲＩＲＯꎬＳＨＡＳＨＵＡＡ.２０１５ＩＥＥＥｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ(ＣＶＰＲ).Ｂｏｓｔｏｎ:ＩＥＥＥꎬ２０１５:１￣９.[１４]ＨＥＫꎬＺＨＡＮＧＸꎬＲＥＮＳꎬｅｔａｌ.Ｄｅｅｐｒｅｓｉｄｕａｌｌｅａｒｎｉｎｇｆｏｒｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ[Ｃ]//ＣＯＨＥＮＮꎬＳＨＡＲＩＲＯꎬＳＨＡＳＨＵＡＡ.２０１６ＩＥＥＥｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ(ＣＶＰＲ).ＬａｓＶｅｇａｓ:ＩＥＥＥꎬ２０１６:７７０￣７７８.[１５]魏英姿ꎬ谭龙田ꎬ欧阳海飞ꎬ等.玉米籽粒完整性识别的深度学习方法[Ｊ].沈阳理工大学学报ꎬ２０１６ꎬ３５(４):１￣６. [１６]许伟栋ꎬ赵忠盖.基于卷积神经网络和支持向量机算法的马铃薯表面缺陷检测[Ｊ].江苏农业学报ꎬ２０１８ꎬ３４(６):１３７８￣１３８５. [１７]龚丁禧ꎬ曹长荣.基于卷积神经网络的植物叶片分类[Ｊ].计算机与现代化ꎬ２０１４(４):１２￣１５.[１８]张善文ꎬ谢泽奇ꎬ张晴晴.卷积神经网络在黄瓜叶部病害识别中的应用[Ｊ].江苏农业学报ꎬ２０１８ꎬ３４(１):５６￣６１.[１９]张㊀顺ꎬ龚怡宏ꎬ王进军.深度卷积神经网络的发展及其在计算机视觉领域的应用[Ｊ].计算机学报ꎬ２０１９ꎬ４２(３):４５３￣４８２. [２０]林大贵.ＴｅｎｓｏｒＦｌｏｗｏ＋Ｋｅｒａｓ深度学习人工智能实践应用[Ｍ].北京:清华大学出版社ꎬ２０１８:６７￣１０７.(责任编辑:张震林)３２徐㊀岩等:基于卷积神经网络的玉米品种识别。
基于卷积神经网络提取多尺度分层特征识别玉米杂草
第34卷第5期农业工程学报V ol.34 No.5144 2018年3月Transactions of the Chinese Society of Agricultural Engineering Mar. 2018 基于卷积神经网络提取多尺度分层特征识别玉米杂草王璨，武新慧，李志伟※（山西农业大学工学院，太谷 030801）摘要：为提高作物与杂草识别的准确率、稳定性和实时性，该文以幼苗期玉米及杂草为研究对象，提出了基于卷积神经网络提取多尺度分层特征的玉米杂草识别方法。
首先建立卷积神经网络模型，以从图像的高斯金字塔中提取多尺度分层特征作为识别依据，再与多层感知器相连接实现图像中各像素的识别；为了避免目标交叠所带来的问题，对图像进行超像素分割，通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别，再将相同类别的相邻超像素合并，最终实现图像中各目标的识别。
试验结果表明：该方法的平均目标识别准确率达98.92%，标准差为0.55%，识别单幅图像的平均耗时为1.68 s，采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.72 s。
该方法实现了精确、稳定和高效的玉米与杂草识别，研究可为精确除草的发展提供参考。
关键词：作物；图像识别；图像分割；杂草识别；深度学习；卷积神经网络；超像素doi：10.11975/j.issn.1002-6819.2018.05.019中图分类号：TP274; TP391. 41 文献标志码：A 文章编号：1002-6819(2018)-05-0144-08王璨，武新慧，李志伟. 基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 农业工程学报，2018，34(5)：144－151. doi：10.11975/j.issn.1002-6819.2018.05.019 Wang Can, Wu Xinhui, Li Zhiwei. Recognition of maize and weed based on multi-scale hierarchical features extracted by convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 144－151. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.05.019 0 引 言除草是作物处于幼苗阶段所必须及时进行的工作，是保证农作物高产的必要条件[1]。
219527815_基于ＹＯＬＯ_的玉米植株识别研究
随着对植物表型信息需求的不断增加ꎬ 迫切需要高精
度、 高通量、 低成本的技术来取代传统的人工获取相
玉米叶片气孔识别上ꎬ 表现效果优于改进前的算法ꎮ
张宏鸣等 [７] 使用改进后的 ＹＯＬＯ ｖ３ 模型识别玉米幼苗
植株数目ꎬ 提升处理速度的同时提高了召回率ꎮ ２０２０
检测性能越好ꎬ ｍＡＰ ０ ５ 值表示 ＩｏＵ 为 ０ ５ 时的 ｍＡＰ 值ꎮ
交并比 ( ＩｏＵꎬ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ) 、 精度 ( Ｐｒｅｃｉ￣
面积的比值:
使用平均精度 ( ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎꎬ在目标检测算法中ꎬ ｍＡＰ
型超参数设置中ꎬ 学习率动量为 ０ ９３７ꎬ 权重衰减为
０ ０００５ꎬ ＧＩｏＵ 损失函数为 ０ ０５ꎮ
２ １ 不同学习率对模型训练的影响
在不同数据集上研究不同学习率时 ＹＯＬＯ ｖ５ｓ 模
被正确地划分为负例的个数ꎬ 即实际为负例且被分为
型的表现ꎬ 以获取不同数据集所适应的最优学习率ꎮ
正例的实例数ꎻ ＦＰ ( Ｆａｌｓｅ Ｐｏｓｉｔｉｖｅｓ) 为假的正样本ꎬ
Ｔｗｏ － ｓｔａｇｅ 算法先生成目标候选框 ( 目标位置) ꎬ 对候
选框做分类或回归ꎬ 这类算法包括 Ｒ － ＣＮＮ ( Ｒｅｇｉｏｎｓ
ｗｉｔｈ ＣＮＮ ｆｅａｔｕｒｅｓ) 系列算法 ( 如 Ｒ － ＣＮＮ
ＣＮＮ
[４]
、 Ｆａｓｔｅｒ Ｒ － ＣＮＮ
[５]
[３]
、 Ｆａｓｔ Ｒ －
等) ꎮ Ｏｎｅ － ｓｔａｇｅ 算法发展始
Ｄ３Ｆ
１９４
旋转
图像
Ｄ３Ｒ
１９４
基于机器视觉的多个玉米籽粒胚部特征检测
0引言
玉米种子品种鉴别在农业生产、作物育种和种 质判别等领域有着重要意义[1-3]。为了能对种子品种 进行自动、快速识别，利用玉米籽粒的图像特征进 行玉米品种自动识别的研究十分活跃。除了大量针 对玉米种子整体图像特征的研究外[4-16]，为了提高分 类识别的准确率，许多学者也进行玉米籽粒胚部特 征的研究。Liu J 等[17]以白色和黄色玉米籽粒为对象， 为去除玉米籽粒胚部对颜色计算造成的影响，算法 采取将玉米籽粒胚部去掉，然后进行颜色计算的结 果能够定量和可靠地反映玉米籽粒颜色的差异；宁 纪锋等[18]提出了识别玉米胚部所在面的算法，识别 率为 89.58%；史智兴等[19-20]验证了玉米籽粒黄白面 积比在分类识别中的有效性；韩仲志等[21]提出了基 于玉米籽粒 RGB 图像独立分量的胚部区域检测方
的常用方法，其特点是计算简单，不受图像亮度和
注：图 b 中方框表示目标区仍存在比较突出的分割不足与分割过度的问题。 Note: Boxes of figure b represent the target areas remain segmented inadequate and over-segmented problems.
图 6 改进的闭运算处理过程 Fig.6 Procedure with improved Close
3 结果数值化分析与讨论
3.1 胚部区域自动测量值与手工测量值的分析比较 为了证明采用本文方法检测到的胚部区域
有效，把自动测量的胚部面积及周长与手工测量 值进行分析比较。自动测量面积：胚部区域像素 的个数；周长：胚部区域的边缘像素个数。手工 测量面积使用网格测量法，即在画满网格的白纸 上描出玉米籽粒的轮廓，对网格计数，每个网格 面积 1 mm2；测量周长使用的是细线拟合法，将 细线沿胚部边缘一周，然后测量细线的长度。由 于篇幅有限，只给出有关农大 4967 的分析图， 如图 7 所示。
基于遗传组合网络的玉米品种识别方法
基于遗传组合网络的玉米品种识别方法孙钟雷;万鹏;龙长江【摘要】为了提高计算机视觉技术对玉米品种的识别率,研究基于遗传组合神经网络的玉米品种识别方法.利用自制的动态计算机视觉系统,获取了4种具有代表性的西南地区杂交玉米种子图像,提取了8个形态特征参数和6个颜色特征参数.针对玉米品种识别特点,设计了由4个子网络组成的遗传算法优化的径向基函数组合网络,并优选了特征参数组合,优化了网络参数.经验证对比试验表明,本方法识别率可达95％,优于其它识别方法,切实提高了玉米品种识别率.【期刊名称】《农机化研究》【年(卷),期】2012(034)008【总页数】5页(P102-106)【关键词】玉米;品种识别;遗传算法;组合神经网络【作者】孙钟雷;万鹏;龙长江【作者单位】长江师范学院生命科学与技术学院,重庆408100;华中农业大学工学院,武汉430070;华中农业大学工学院,武汉430070【正文语种】中文【中图分类】S126;TP391.410 引言玉米品种识别对于玉米的种植、育种和加工等领域具有重要意义。
对玉米品种的识别一般通过测定体积、密度、容重、粒重、长与宽等特征参数来判断[1]。
近年来，计算机视觉技术已经应用在玉米品种识别上，并取得了较高的识别率[2-6]。
在计算机视觉技术中，主要有图像处理和模式识别方法两大关键技术，其中合适的识别方法是提高识别率的关键。
目前，应用于玉米品种识别的方法主要有主成分分析、聚类分析、神经网络和支持向量机等。
熊凯等[7]采用主成分分析和神经网络对玉米籽粒的8个形态特征、12个颜色特征、13个纹理特征进行识别。
王玉亮等[8]提出基于多对象有效特征提取和主成分分析优化神经网络的识别方法，对4种玉米品种进行识别。
Chen X等[9]将距离判别模型和BP神经网络结合组成二阶分类器，对玉米粒的17个几何特征和28个颜色特征进行分类判别。
韩仲志等[10]建立特征参数与玉米品种间的支持向量机识别模型，并对11个玉米品种进行识别。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第26卷第6期农业工程学报V ol.26No.62010年6月Transactions of the CSAE Jun. 2010199多对象特征提取和优化神经网络的玉米种子品种识别王玉亮1，刘贤喜2※，苏庆堂3，王朝娜2（1．南京航空航天大学机电学院，南京210016；2．山东农业大学机械与电子工程学院，泰安271018；3．鲁东大学现代教育技术教学部，烟台264025）摘要：为了实现机器视觉代替人的视觉，对玉米种子品种进行实时、客观、准确和无损伤识别，研制了玉米品种识别硬件系统和软件系统。
针对玉米种子及种子图像的特点，对玉米种子品种识别技术与算法进行了深入地研究和探索，提出了一种基于多对象有效特征提取和主成分分析优化神经网络的玉米种子品种识别方法，提取了玉米种子的几何特征和颜色特征参数，优化了基于机器视觉的玉米种子图像处理策略和品种识别算法，提高了玉米品种识别的速度和准确率。
对农大108、鲁单981、郑单958、五岳18共4个品种玉米种子进行了品种识别试验，每粒种子识别的平均耗时为0.127s ，综合识别率达到97%以上。
研究表明，基于机器视觉的玉米种子品种识别与检测方法是可行的，该方法可提高玉米种子品种识别效率和正确率。
关键词：特征提取，主成分分析，神经网络，玉米种子，品种识别doi ：10.3969/j.issn.1002-6819.2010.06.035中图分类号：TP391，S513文献标识码：A 文章编号：1002-6819(2010-06-0199-06王玉亮，刘贤喜，苏庆堂，等.多对象特征提取和优化神经网络的玉米种子品种识别[J].农业工程学报，2010，26(6：199－204.Wang Yuliang, Liu Xianxi, Su Qingtang, et al. Maize seeds varieties identification based on multi-object feature extraction and optimized neural network[J]. Transactions of the CSAE, 2010, 26(6:199－204. (inChinese with English abstract0引言玉米作为中国主要的农作物之一，在食品、饲料等行业中备受关注。
玉米种子直接关系到玉米的产量与质量，机器视觉具有实时、高效、客观、准确和无损伤等优点[1]，为此，应用机器视觉代替人的视觉进行玉米等谷物种子品种及质量检验有着重要意义。
玉米的检测识别一直是研究的热点，1994年以来，Liao K 等[2]应用人工神经网络分类器对玉米籽粒的完好与破损进行在线实时检测，宋韬等[3]应用多层前馈网络（BP ，back propagation ）识别玉米粒完整与破损，Ni B. 等[4]根据玉米籽粒大小进行分级，H. ENg 等[5]对玉米进行损伤粒和霉变粒的识别。
2004年以后，宁纪锋等[6]应用机器视觉对玉米籽粒的尖端和胚部的进行识别，杨蜀秦等[7]研究了基于BP 人工神经网络的玉米品种识别，陈永艳[8]等研究了玉米种子品种模糊模式识别模型，赵新子等[9]研究了玉米种子活力图像识别与处理技术，司秀丽等[10]研究了玉米种子纯度的计算机图像识别，杨锦忠等[11]研究了基于种子图像处理的大数目玉米品种形态识别，史智兴等[12]研究了图像处理识别玉米品种的特征参数，王收稿日期：2009-09-29修订日期：2010-05-12基金项目：山东省科技计划资助项目（J05G16）作者简介：王玉亮（1979－），男，山东泰安人，博士生，主要从事机器视觉、图像处理等研究。
南京南京航空航天大学机电学院，210016。
Email:wangyuliangcn@※通信作者：刘贤喜（1963－），男，山东日照人，教授，博士，主要从事计算机视觉、图像处理和模式识别等研究。
泰安山东农业大学机械与电子工程学院，271018。
Email:bullish@宏勇等[13]研究了基于遗传算法和支持向量机的玉米品种识别，程洪等[14]研究了基于支持向量机的玉米品种识别，苏谦等[15]研究了基于近红外光谱和仿生模式识别的玉米品种快速鉴别方法。
综上所述，玉米种子品种识别与检测中主要有种子有效特征提取和种子模式识别分类方法等两大关键技术，其中特征提取是品种识别的关键环节。
在特征提取方面，一般都是采用对单粒种子进行特征提取的方法，效率比较低。
针对玉米种子品种识别与检测的特点，搭建了基于机器视觉的玉米种子图像采集系统，提出了一种基于多对象有效特征提取和主成分分析优化神经网络的玉米种子品种识别方法，该方法可以在保证种子特征提取精度和效率的前提下，把其他文献中90%左右品种识别率，提高到97%以上。
1玉米识别系统与玉米品种1.1玉米识别系统玉米种子品种识别系统主要由硬件系统和软件系统组成。
如图1所示的硬件系统由图像采集系统、计算机信息处理设备、图像信息存储设备、图像信息及结果输出设备等组成。
其中，图像采集系统如下：计算机CPU Intel Core23.0G ，2G 内存；相机选用Sony H5，照片分辨率为1632×1224像素；光源采用三基色22W 荧光环形管，光源外径190mm ，色温4500K ，为系统提供均匀照明；遮光罩内侧涂有无闪烁白漆；载物台表面为黑色，采用煮黑加工工艺处理，以使背景反射接近漫反射。
玉米种子样品随机的彼此互不接触地置于载物台上，用相机获取玉米种子图像。
软件系统采用VC++6.0开发。
200农业工程学报2010年1. 打印机2. 计算机3. 显示器4. 采集台架5. 相机6. 环形光源7. 遮光罩8. 样品9. 载物台图1硬件系统组成示意图Fig.1Schematic of hardware system composition1.2玉米品种选取了由泰安市五岳泰山种业有限公司提供的农大108、郑单958、鲁单981和五岳18，4个品种的试验样品，并剔除了玉米穗两端的种子，挑选形态特征相对标准的种子进行研究。
图2是系统采集到的农大108和郑单958玉米种子图像。
图2玉米种子图像Fig.2Maize seeds images 2玉米种子特征提取2.1图像预处理在进行玉米种子特征提取之前，首先将采集的玉米种子图像转化为BMP 格式，然后再对图像进行灰度化、中值滤波、图像分割、形态学处理等预处理，最后得到所需图像。
选取了模板尺寸为3×3的中值滤波方法对图像进行增强，中值滤波作为非线性滤波，可在保持图像细节的基础上有效消除噪声。
分别选用整体阈值分割法和联合阈值分割法对图像进行阈值分割。
文中选用的联合阈值分割法是将输入图像的Canny 算子检测结果与输入图像加权融合，采用输入图像的大津法优化阈值对融合图像进行分割。
通过对分割结果进行对比发现，联合分割法的分割结果优于整体阈值分割法，可以提高玉米种子特征提取的精度。
采用基于误分像素点的测度对联合分割法提取种子轮廓进行了检测，误分像素点的测度平均值小于0.05。
2.2玉米种子轮廓提取由于1幅图像上有多个目标，传统的轮廓提取需要每次从图像中分割出1粒种子进行标记和提取，效率比较低。
为了提高轮廓跟踪与提取的效率，采用了多对象轮廓提取算法，克服了必须将图像中的单粒种子图像分割取出后才能进行轮廓提取的问题，通过一次扫描就可以完成所有连通区域的标记和多个对象的轮廓提取。
设经过阈值分割的二值图像的背景点的像素灰度值为BP ，目标点的像素灰度值为TP ，轮廓序号初值为N (N ≠BP ，N ≠TP ，CP 代表当前扫描点（坐标为（i ，j ））的像素点灰度值，扫描图像的方向为从左到右，从上到下。
则基于轮廓标记和轮廓填充的二值图像多对象轮廓提取描述如下：1）从二值图像的左上角开始对像素点逐行扫描，当扫描到像素点的灰度值为TP 的点，即CP=TP时，停止扫描并记下当前像素点的坐标值（x N ，y N ），并将当前像素点的灰度值赋为N 。
2）从当前像素点开始，定义初始搜索方向为沿左上方；如果左上方的像素点的灰度值为TP ，则该点为轮廓上的点，否则搜索方向顺时针旋转45°。
这样一直搜索下去直到找到第1个灰度值为TP 的像素点为止，并将该像素点的灰度值赋为N 。
然后将新找到的点作为当前轮廓点，在当前搜索方向的基础上逆时针旋转90°。
将当前轮廓像素点的序号n 、坐标值、链码值、N 值等数据存入种子数据结构中供后续特征提取时调用。
3）重复步骤（2），直到返回到起始点（x N ，y N ）为止。
4）填充轮廓内的区域。
即将该轮廓区域的所有像素点的灰度值都赋为BP 或者N 。
5）N ++；从点（x N ，y N ）开始重复以上步骤，直到扫描图像完成。
该算法的流程图如图3所示。
注：N ——图像中对象轮廓的序号，N ++——将序号增1图3多对象轮廓提取算法流程图Fig.3Flow chart of multi-object profile feature extraction第6期王玉亮等：多对象特征提取和优化神经网络的玉米种子品种识别201为了进一步提高算法的执行效率，采用多线程的方法进行多对象轮廓提取。
实际应用中，采用2个线程分别从图像的左上角和右下角同时开始对图像进行遍历，提取图像中的种子对象轮廓。
利用多对象轮廓提取的玉米种子轮廓如图4所示。
试验证明，基于轮廓标记和轮廓填充的二值图像多对象轮廓提取算法，对玉米种子轮廓提取有很好的适应性，而且该算法一次扫描完成即可提取所有连通区域的轮廓信息，其执行效率和提取精度较高。
图4多对象轮廓提取的玉米种子轮廓Fig.4Contours of maize seeds2.3特征提取玉米种子的几何特征和颜色特征都是反映玉米种子发育和品种信息的重要指标，在多对象轮廓提取算法的基础上，先定位玉米种子的尖端，然后对玉米种子的几何特征和颜色特征参数进行了多对象特征提取，并且采用多线程的方法来提高特征提取的效率。
实际提取的玉米种子的主要几何特征如图5所示，系统应用的25个特征参数如表1所示。
其中，当量直径为4倍面积与π比值的平方根，形状参数为周长的平方与4π倍面积的比值，伸长度为长轴长度与短轴长度的比值，紧凑度为当量直径与长轴长度的比值，圆度为种子轮廓的最小外接圆半径与最大内切圆半径的比值。
系统采用RGB 、HSI 等模型来描述玉米种子的颜色信息，提取了种子上颜色最稳定部分（即过形心和大端以形心和大端之间的距离为直径且圆心在长轴上的圆形区域）的颜色特征。
图5玉米种子主要几何参数示意图Fig.5Schematic diagram of geometry parameters of maize seeds表1提取的玉米种子的主要特征参数Table 1Feature parameters of maize seeds几何特征颜色特征(1轮廓点数(8当量直径(14R 均值(20H 均值(2面积(9最大跨度(15G 均值(21S 均值(3周长(10形状参数(16B 均值(22I 均值(4最大内切圆半径(11伸长度(17R 标准差(23H 标准差(5最小外接圆半径(12紧凑度(18G 标准差(24S 标准差(6长轴长度(13圆度(19B 标准差(25I 标准差(7短轴长度注：R 均值为红色分量平均值，G 均值为绿色分量平均值，B 均值为蓝色分量平均值，R 标准差为红色分量标准差，G 标准差为绿色分量标准差，B 标准差为蓝色分量标准差，H 均值为色度分量均值，S 均值为饱和度分量均值，I 均值为亮度分量平均值，H 标准差为色度分量标准差，S 标准差为饱和度分量标准差，I 标准差为亮度分量标准差。