鲜食玉米果穗外观品质分级的计算机视觉方法
计算机视觉在果蔬分类中的应用
计算机视觉在果蔬分类中的应用计算机视觉是一项研究如何让计算机像人类一样“看”和“理解”图像和视频的技术。
现在，随着人们对食品质量要求的不断提高，果蔬的分类、质量检测和分级也成为了重要的研究方向。
计算机视觉技术在果蔬分类中的应用可以帮助我们更好地了解和掌握该领域的知识和业务。
一、果蔬分类方法要把果蔬分类，首先需要进行图像采集和处理，提取出图像中的信息。
然后，需要指定特定的算法对图像进行分类。
在实际应用中，可以使用以下几种方法进行分类。
1. 基于颜色的分类基于颜色的分类是将图像中的物体根据颜色分成不同类别的一种方法。
这种方法基于限定了某种颜色的所在范围，因此不同的颜色可以代表不同的物体。
在水果颜色识别和分类场景中，对于红色或黄色为主体颜色的水果，可以根据颜色范围将其识别和分类。
2. 基于形状的分类基于形状的分类是指根据物体的形状进行分类。
对于不同种类的水果，它们的形状是不同的。
例如，苹果和梨的形状就有所不同。
在进行基于形状的分类时，可以使用几何特征和轮廓特征来识别和分类水果。
3. 基于纹理的分类基于纹理的分类是指通过分析物体图像中的细节纹理差异，对不同的物体进行分类。
用于品种有多种不同纹理的水果，如草莓和木瓜。
二、应用场景1. 水果和蔬菜分类通过计算机视觉技术，可以对水果和蔬菜进行分类。
在实际应用中，通过摄像机拍摄果蔬图像并分析像素大小、颜色、纹理等属性，将其自动分类。
这种技术可为果蔬生产、采摘和销售提供便利，同时也可以帮助消费者根据不同的营养成分、口感和价格等因素选择合适的水果和蔬菜。
2. 品质检测计算机视觉技术可以帮助判断果蔬品质。
自动检测技术可检测水果表面的缺陷、变质或腐烂，这对果蔬质量的维护和管理至关重要。
此外，计算机视觉技术还可以检测水果的熟度，帮助我们掌握果蔬的质量。
3. 基于机器学习的分类使用机器学习算法，如支持向量机、卷积神经网络、随机森林等，将大量的果蔬图片进行训练，训练模型可以自动识别和分类果蔬。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用计算机视觉技术是一种利用摄像机和计算机对图像进行采集、处理、分析识别的技术。
在农产品品质检测中，计算机视觉技术主要包括图像采集、预处理、特征提取、分类识别等步骤。
首先是图像采集，该步骤通过摄像机对农产品进行图像的采集，获取农产品的外观特征。
接着是图像的预处理，主要包括图像去噪、增强、边缘检测、分割等处理，以提高图像质量，为后续的特征提取和分类识别做好准备。
然后是特征提取，通过对农产品图像的分析和处理，提取出与农产品品质相关的特征信息，比如颜色、形状、大小、纹理等。
最后是分类识别，利用机器学习算法对提取出的特征进行分析和识别，判断农产品的品质是否符合要求。
1. 水果品质检测水果的品质主要包括外观、大小、形状、颜色、瑕疵等多个方面。
传统的水果品质检测需要人工逐个进行，效率低下且容易出现主观偏差。
而利用计算机视觉技术，可以对水果进行自动化检测，通过摄像头采集水果的图像，利用图像处理技术提取水果的特征信息，并利用机器学习算法对水果的品质进行自动分类，从而实现水果自动化品质检测。
3. 农产品质量分析除了单一的水果和蔬菜品质检测外，计算机视觉技术还可以应用于农产品的质量分析。
比如通过对农产品的表面图像进行采集和处理，可以分析农产品的成熟度、均匀度、瑕疵度等多个方面的质量，为农产品的分类、分级、包装等提供有效的数据支持。
1. 高效性利用计算机视觉技术进行农产品品质检测可以实现自动化和高效化，大大提高了检测的效率，节约了人力成本。
2. 准确性计算机视觉技术可以对农产品的图片进行精细化处理，提取出丰富的特征信息，并且利用机器学习算法进行分析和识别，实现了对农产品品质的准确判断，避免了传统人工检测的主观性偏差问题。
3. 灵活性计算机视觉技术可以根据不同的农产品、不同的质量要求进行定制化的应用，具有很好的灵活性和适应性。
4. 数据化利用计算机视觉技术进行农产品品质检测可以得到大量的数字化数据，为农产品生产和质量管理提供了丰富的数据支持。
计算机视觉技术在农产品品质检测中的应用
计算机视觉技术在农产品品质检测中的应用随着科技的发展和人们对生活品质要求的提高，农产品品质安全成为了人们越来越关注的问题。
传统的农产品品质检测依靠人工目测，操作繁琐，且易受主观因素影响，导致检测结果的准确性和一致性无法得到保障。
而计算机视觉技术的应用，为农产品品质检测带来了新的机遇，可以实现更为精确、高效和自动化的检测方式。
本文将就计算机视觉技术在农产品品质检测中的应用进行详细阐述。
计算机视觉技术是利用摄像机、图像处理器和计算机等设备对图像信息进行采集、处理和分析，通过对图像进行特征提取和比对，实现物体识别、分类、计数及定位等功能。
在农产品品质检测中，计算机视觉技术主要借助摄像机获取农产品的图像信息，通过图像识别和特征提取，对农产品的大小、形状、颜色、纹理等特征进行分析，从而实现对农产品品质的评估和检测。
2. 农产品内部质量检测对于一些农产品，其内部质量也是品质的重要指标之一，例如果肉的软硬程度、籽粒的完整性等。
通过计算机视觉技术，可以利用X射线、红外线等成像技术对农产品的内部结构进行非破坏性检测，实现对农产品内部质量的评估。
在果蔬类产品中，可以利用X射线成像技术对果实内部的籽粒结构、果肉软硬程度进行分析，从而实现对农产品内部质量的自动化检测。
3. 农产品瑕疵检测农产品在生长和采摘过程中，易受到病虫害的侵害，导致出现瑕疵和腐烂现象。
传统的瑕疵检测主要依靠人工目测，操作繁琐，易漏检漏判。
通过计算机视觉技术，可以实现对农产品表面的瑕疵和腐烂进行自动化的检测和识别。
在水果的表面瑕疵检测中，可以利用计算机视觉技术对果实表面的色斑、烂斑等瑕疵进行自动化的识别和分类，从而实现对农产品瑕疵的精确检测。
1. 高效性通过计算机视觉技术，可以实现对农产品品质的自动化检测和分析，大大提高了检测的效率和速度，减少了人工操作的繁琐性。
2. 准确性计算机视觉技术可以对农产品的外观、内部结构、瑕疵等进行精确的识别和分析，提高了检测结果的准确性和一致性。
基于改进的Fisher准则玉米种子果穗检测方法
２０１８年４月第３６卷第２期西北工业大学学报ＪｏｕｒｎａｌｏｆＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙＡｐｒ．Ｖｏｌ．３６２０１８Ｎｏ．２收稿日期：２０１７⁃０４⁃０１㊀㊀㊀㊀基金项目：陕西省教育厅自然科学资助项目（１７ＪＫ０４４５）㊁广东省引进创新创业团队专项（２０１４ＺＴ０５Ｇ１３２）㊁深圳市海外高层次人才资金（ＫＱＴＤ２０１５０３３１１７３５４１５４）及长安大学道路施工技术与装备教育部重点实验室开放基金（３１０８２５１６１１０７）资助作者简介：康智强（１９７７ ），西北工业大学博士后，主要从事数字图形处理㊁模式识别和人工智能及自动控制技术研究㊂基于改进的Ｆｉｓｈｅｒ准则玉米种子果穗检测方法康智强１，２，袁朝辉１，程瑞锋３１．西北工业大学自动化学院，陕西西安㊀７１００７２；２．西安建筑科技大学机电工程学院，陕西西安㊀７１００５５；３．西北工业大学航海学院，陕西西安㊀７１００７２æèçöø÷摘㊀要：采用机器视觉检测玉米种子果穗的大小㊁形状㊁纹理和颜色等特征，传统方法检测非常有限而且不能满足检测效率㊂采用了ｌｏｇｉｓｔｉｃ回归线性判别分析方法㊁感知机准则㊁最小二乘法和Ｆｉｓｈｅｒ方法对比，利用变化的Ｆｉｓｈｅｒ准则根据类间离散度误差矩阵与类内离散度重建误差矩阵之比的最大值确定投影方向，对果穗进行分类㊂通过融合Ｆｉｓｈｅｒ判别分析方法进行检测中进行检测，通过大量实验和其他方法对比，实验证明Ｆｉｓｈｅｒ能够高效率高精度的对玉米种子果穗进行分类检测㊂关㊀键㊀词：机器视觉；检测效率；判别分析法；投影方向；Ｆｉｓｈｅｒ判别中图分类号：ＴＰ３９１．４㊀㊀㊀文献标志码：Ａ㊀㊀㊀文章编号：１０００⁃２７５８（２０１８）０２⁃０３３２⁃０７㊀㊀玉米是粮食㊁饲料㊁工业原料兼用型作物㊂据统计，２０１３ ２０１４年全国玉米总产量约２０亿吨㊂全国玉米种植面积２０１４年为３５０００万公顷，２０１６年我国的玉米播种面积３６７６万公顷，产量超过２１９５５万吨；国储２．４亿吨㊂据ＵＳＤＡ统计，近几年世界玉米使用量超过７亿吨，并有逐年递增的趋势㊂我国玉米面积和总产都居世界第二位［１］㊂玉米生产在国家粮食生产和粮食安全中占有极重要战略地位，玉米种子更重要，研究证明［２］玉米优良种的推广使我国玉米增产４０％，种子质量直接关系到玉米产量高低及玉米质量和品质的优劣［３］，而推广优良的杂交种需要大量优质种子㊂因此，中国玉米产业的发展史同时也是玉米种子的优化史㊂据有关部门的研究推算，玉米新品种的推广利用在玉米增产总额中发挥４０％的作用㊂在未来玉米种植面积增速将总体趋缓的背景下，玉米产量持续增长将主要依赖于良种开发带来的单产提高㊂玉米种子企业的核心竞争力取决于企业拥有的产品品种优势㊂纵观玉米种业发展历史，耐密植㊁综合抗性好㊁籽粒品质优良㊁早熟以及抗倒性强逐渐为品种推广潜力的重要条件㊂近年来，玉米品种的申报和审核数在各类品种中占绝对优势，但从增长速度来看，国审玉米品种的增速明显低于其他大田作物，下降趋势明显，这也预示现阶段玉米种子 真正 的匮乏㊂我国玉米种子种植地每年采摘的玉米果穗都需要先除玉米穗子皮，才烘干脱粒㊂这些工作主要是依靠人工筛选，人工检测玉米果穗依靠人眼分辨，效率低㊁准确性差，易疲劳等缺点，如果将有玉米穗子皮的玉米进入烘干机很难快速烘干颗粒，或者会将不合格的玉米穗子进入烘干机等，这些都将会导致大量损失㊂１㊀玉米种子果穗检测要求植物新品种测试是对申请保护的植物新品种进行特异性㊁一致性和稳定性的栽培鉴定试验或室内分析测试的过程（简称ＤＵＳ测试），根据特异性㊁一致性和稳定性的试验结果，判定测试品种是否属于新品种，为植物新品种保护提供可靠的判定依据㊂根据参考文献［４］对玉米种子品种鉴别方面的研究结果，不同类型的籽粒特征在识别中作用不同，其识别效果次序为：大小类㊁形状类㊁纹理类㊁颜色类第２期康智强，等：基于改进的Ｆｉｓｈｅｒ准则玉米种子果穗检测方法特征㊂种子颜色在玉米品种识别中的作用非常明显㊂大小类㊁形状类㊁纹理类㊁颜色类㊁后３类组合㊁全部４类组合等模型的品种检出率分别为２５％㊁３３％㊁３９％㊁９５％㊁９５％和９５％，平均籽粒拒真率分别为９０％㊁９０％㊁８６％㊁４５％㊁４７％和４２％，认伪率为９２％㊁９２％㊁８８％㊁４６％㊁４８％和４３％，且后２个误判率高度正相关（ｒ＝０．８３ ０．９１）㊂机器视觉检测具有成本和速度上的优势，能够用于大数目玉米品种的真伪鉴定，形状＋纹理＋颜色组合模型最佳，经改进技术识别率可以进一步提高㊂本文主要通过图１系统的机器视觉分析处理㊂图１㊀玉米种子果穗检测图实验样本共测定４６个形态特征指标，其中，反映种子大小的有长度㊁宽度㊁长轴长㊁短轴长㊁周长㊁等面圆直径㊁侧投影面积等７个指标；反映种子形状的有矩形度㊁椭圆度㊁凹凸比㊁圆形度㊁短／长轴长比㊁紧凑度㊁相对质心的纵坐标与横坐标等８个指标；反映种子纹理的为７个统计不变矩，种子纹理变量反映种子图像灰度值的次数分布特点㊂反映种子颜色的有２４个特征指标，分别由ＲＧＢ与ＨＳＶ色彩空间的Ｒ㊁Ｇ㊁Ｂ㊁Ｈ㊁Ｓ和Ｖ分量的均值㊁方差㊁偏度和峰度组成㊂根据参考文献［５］在ＤＵＳ测试中，对寻找新的果穗性状并评价它们单独鉴别品种能力的研究结果，采用４大类形态特征共计１４５个性状，逐一性状对品种进行判别分析（以性状的品种识别率表示性状鉴别品种的能力大小），单一性状的品种识别率变化在０．２４４ ０．６３４之间，在前１７个高鉴别力性状中，果穗长宽比等具有与指南性状同等的甚至更高的品种区分能力㊂４大属性的鉴别力从大到小依次为形状类㊁纹理类㊁颜色类㊁大小类㊂表１㊀玉米种子果穗图像特征汇总数目图像特征颜色９９穗整体颜色㊁粒顶主要颜色㊁次要颜色和行间颜色等３个子类颜色，ＲＧＢ与ＨＩＳ等２个颜色空间，Ｒ㊁Ｇ㊁Ｂ㊁Ｈ㊁Ｉ㊁Ｓ等６个分量的均值㊁标准差㊁偏度和峰度，以及各类颜色的比例㊂形状１１穗缘角㊁长宽比㊁凹凸比㊁相对质心纵横坐标㊁紧凑度㊁矩形度㊁圆形度㊁离心率㊁球面度㊁球体度等㊂大小１４穗长与有效长㊁穗粗与众数粗㊁椭圆长与短轴长㊁周长与面积及凸形面积㊁表面积与体积㊁等面圆与等面球及等体球的直径㊂纹理２１７个统计不变矩㊁穗行数与穗行角㊁亮度均值与标准差及偏度㊁均匀度与粗糙度及熵㊁傅里叶变换的峰值位置与均值及方差㊂图２和图３是根据表１要求给出的合格和不合格样本㊂图２㊀合格玉米种子果穗图３㊀不合格的玉米种子果穗２㊀Ｆｉｓｈｅｒ准则原理和分析判别分析法是根据所研究个体的观测值来构建一个综合标准用来推断个体属于己知种类中的哪一类的方法［６］，这种统计方法在自然科学和社会科学的研究中会经常用到㊂因为所采用的标准有很多种，所以判别分析也有多种方法，ｌｏｇｉｓｔｉｃ回归线性判别分析，感知机准则，最小二乘（最小均方误差）㊃３３３㊃西㊀北㊀工㊀业㊀大㊀学㊀学㊀报第３６卷准则㊂本文将玉米果穗检测分类器的设计，通过对比线性分类器中的权值向量发现：１）感知机准则的优点是简单㊁便于实现，缺点是结果不唯一，在线性不可分情况下不收敛㊂２）最小二乘准则是基于最小二乘法求线性组合的权值，优点是回归结果与坐标选择无关，缺点是对于异常值非常敏感㊂Ｆｉｓｈｅｒ判别法的数学思想方法是将多维空间中的点投影到一维直线Ｙ上，使得由总体θ１和θ２产生的ｙ尽可能分开，然后再利用距离判别法建立判别准则，进而达到判别个体所属群体的一种统计方法［７］㊂采用Ｆｉｓｈｅｒ线性判别根据阈值选择投影方向可以达到很好的预期分类效果㊂Ｆｉｓｈｅｒ线性判别是把线性分类器的设计分为２步，一是确定最优方向，二是在这个方向上确定分类阈值；感知机则是通过不断迭代直接得到完整的线性判别函数㊂假设θ１和θ２为二维总体，如图４所示 ㊃ 为θ１的点， 为θ２的点，按原来的横坐标ｘ１和纵坐标ｙ１，难以将这２个总体的点分开，但是如果将这些点朝直线ｙ上投影，形成一维空间集合的点，则能较容易分开㊂图４㊀θ１和θ２在Ｙ方向的投影图显然，直线ｙ是ｘ１和ｙ１的线性组合，即ｙ＝ｃ１ｘ１＋ｃ２ｙ１㊂一般地，设在ｐ维空间里，ｘ的线性组合为ｙ＝αＴｘ㊂其中：α为ｐ维实向量，设θ１和θ２的均值分别为μ１和μ２，它们有共同的协方差阵Σ，那对应线性组合ｙ＝αＴｘ的均值为：μ１ｙ＝Ｅ（ｙ｜ｘ，ｙɪθ１）＝αＴμ１（１）μ２ｙ＝Ｅ（ｙ｜ｘ，ｙɪθ２）＝αＴμ２（２）㊀㊀对应的方差为：ｖａｒ（ｙ）＝ｖａｒ（αＴ（ｘ，ｙ））＝αＴＳα（３）㊀㊀由图４可知，使得μ１ｙ和μ２ｙ的距离越大，线性组合越好，考察以下比值：（μ１ｙ－μ２ｙ）２ｖａｒ（ｙ）＝［αＴ（μ１－μ２）］２αＴΣα（４）确定参数α，设ｘ为ｐ维随机向量，当α＝ｃΣ－１（μ１－μ２）（ｃ为非零常数）时，（４）式取值最大㊂当ｃ＝１时函数ｙ＝αＴｘ＝（μ１－μ２）ＴΣ－１ｘ（５）则（５）式为Ｆｉｓｈｅｒ线性判别函数㊂将图像投影到玉米种子果穗上，矩阵Ｗ包含来自Ｎ个对象的所有特征向量，即Ｗ＝［Ｗ１， ，Ｗｉ， ，ＷＮ］（６）㊀㊀对于第ｉ个类的ｐｉ个训练图像ｉ＝１，２ ，Ｎ，将图像投影到玉米果穗空间上，即：Ｗｉ＝［ｗｉ，１， ｗｉ，ｊ， ｗｉ，ｐｉ］ɪＲＬˑｐｉ（７）式中，每个向量是一个大小为Ｌˑ１的列向量，在训练阶段第ｉ类由向量空间ｗｉ表示，称为每个对象的预测器㊂根据Ｆｉｓｈｅｒ准则，本文求类间重建误差（ＢＣＲＥ）与类间重建误差（ＷＣＲＥ）比值来寻找最优投影㊂优化后找ＦＣ⁃ＬＤＲＣ算法要最大化给定的目标函数，表示为：ｍａｘＵＪ（Ｕ）＝ｍａｘＵＥＢＣＥＷＣæèçöø÷（８）式中，Ｕ是想要估计的最优投影矩阵，ＥＢＣ和ＥＷＣ分别代表由ＬＲＣ引起的类间重建误差和类内重建误差［８⁃９］㊂使用特征向量来估计每个类ｉ的特定类投影矩阵Ｈｙｉ㊂目标函数可以表示为：Ｊ（Ｕ）＝ＥＢＣ／ＥＷＣ＝１Ｍ（ｃ－１）ðＭｉ＝１，ｊ＝１ðｃｊʂｌ（ｘｉ）ｙｉ－＾ｙｉｎｔｅｒｉｊ２１ＭðＭｉ＝１ｙｉ－＾ｙｉｎｔｅｒｉｊ２（９）式中，＾ｙｉｎｔｅｒｉｊ＝Ｈｙｊｙｉ表示ｙｉ的类内投影㊂化简（９）式为：Ｊ（Ｕ）＝１Ｍ（ｃ－１）ðＭｉ＝１，ｊ＝１ðｃｊʂｌ（ｘｉ）ｔｒ［ＵＴ（ｘｉ－ｘｉｎｔｅｒｉｊ）（ｘｉ－ｘｉｎｔｅｒｉｊ）ＴＵ］１ＭðＭｉ＝１ｔｒ［ＵＴ（ｘｉ－ｘｉｎｔｅｒｉｊ）（ｘｉ－ｘｉｎｔｅｒｉｊ）ＴＵ］＝ｔｒ（ＵＴＥｂＵ）ｔｒ（ＵＴＥωＵ）（１０）式中，Ｅｂ和Ｅω分别表示为ＬＲＣ得到的类间重建误㊃４３３㊃第２期康智强，等：基于改进的Ｆｉｓｈｅｒ准则玉米种子果穗检测方法差矩阵和类内重建误差矩阵：Ｅｂ＝１Ｍ（ｃ－１）ðＭｉ＝１，ｊ＝ｌðｃｊʂｌ（ｘｉ）［（ｘｉ－ｘｉｎｔｅｒｉｊ）（ｘｉ－ｘｉｎｔｅｒｉｊ）ＴＵ］Ｔ（１１）Ｅω＝１ＭðＭｉ＝１ＵＴ（ｘｉ－ｘｉｎｔｅｒｉｊ）（ｘｉ－ｘｉｎｔｅｒｉｊ）Ｔ（１２）㊀㊀由ＬＲＣ引起的内部类重建误差的每个类的样本数通常小于样本空间的维度，（８）式中定义的目标函数变换为：ａｒｇｍａｘＪＵ（Ｕ）＝ａｒｇｍａｘＵＵＴＥｂＵＵＴＥωＵ（１３）㊀㊀令υ＝Ｅ１／２ＷＵ，Ｕ＝Ｅ－１／２Ｗυ，可得：ａｒｇｍａｘＪＵ（Ｕ）＝ａｒｇｍａｘＵＵＴＥｂＵＵＴＥωＵ＝υＴ（ＵＴＷ）－１／２Ｅｂ（ＵＷ）－１／２υυＴυ（１４）等价可求最大特征值对应的特征向量：λｍａｘ［υＴ（ＵＴＷ）－１／２Ｅｂ（ＵＷ）－１／２υ］＝λｍａｘ［（ＵＷ）－１Ｅｂ］（１５）式中，λｍａｘ为标量，最佳投影方向Ｕ为（ＵＷ）－１（ＥＢＣ－ＥＷＣ）㊂３ 实验与检测结果本文采用机器视觉自动检测玉米种子果穗，在计算测量实验中发现，仅仅依靠图像简单的衡量玉米果穗种子的合格是非常有限而且不能满足检测的效率㊂在数字图像处理的基础上结合Ｆｉｓｈｅｒ准则能够快速有效的区分合格和不合格种子㊂根据玉米种子果穗检测要求，创建如图５所示的一个包含简单玉米果穗种子数据集㊂采用ｂａｓｌｅｒ工业相机ａｃＡ１３００⁃６０工业相机，分辨率１２８０ˑ１０２４㊂镜头采用３５ｍｍ广角光学镜头，分别应用Ｆｉｓｈｅｒ准则㊁感知机准则和最小二乘法准则对检测结果的以下几个方面进行对比区分：１）颜色检测学习颜色是成品检测的第一关，通过玉米果穗的整体颜色㊁玉米果穗上的杂色㊁异色所占比率和玉米果穗两头穗轴色可初步完成成品检测㊂颜色检测主要包括区分穗整体颜色㊁粒顶主㊁次颜色㊁和行间颜色３个子类颜色，ＲＧＢ与ＨＩＳ等２个颜色空间，Ｒ㊁Ｇ㊁Ｂ㊁Ｈ㊁Ｉ㊁Ｓ等６个分量的均值㊁标准差㊁偏度和峰度以图５㊀玉米种子果穗样品及各类颜色的比例，检测方法为：根据玉米果穗上的杂色㊁异色所占比率，找出杂色异色区域进行分析，结果如图６所示㊂图６㊀玉米种子果穗颜色取值２）形状检测学习通过图７所示的玉米种子果穗形状提取，分析比较穗缘角㊁长宽比㊁凹凸比㊁相对质心纵横坐标㊁紧凑度㊁矩形度㊁圆形度㊁离心率㊁球面度㊁球体度等特征㊂３）大小检测学习通过图８所示的玉米种子果穗大小取值的提取，进行穗长与有效长㊁穗粗与众数粗㊁椭圆长与短轴长㊁周长与面积及凸形面积㊁表面积与体积㊁等面圆与等面球及等体球的直径的比较分析㊂㊀图７㊀玉米种子果图８㊀玉米种子果穗形状取值穗大小取值㊃５３３㊃西㊀北㊀工㊀业㊀大㊀学㊀学㊀报第３６卷４）纹理检测学习纹理是客观世界存在的，是图像分析中常用的概念，也是图像的基本特征㊂从广义上说，纹理反映了图像灰度模式的空间分布，包含了表面信息以其与周围环境的关系，兼顾了图像的宏观结构与微观结构㊂目前关于纹理具有代表性定义主要有：①纹理构成了一个宏观的区域㊂它的结构可归结为某种重复模式，其元素或者基元按照某种放置规则排列㊂②图像纹理是抽象的和细胞化的㊂一个图像纹理可以用它的所有基元的类型和数目以及基元的空间组织构架来描述㊂对于许多平滑的灰度表面，存在某一尺度，在此尺度下，表面不具有纹理，而当分辨率增加时，它的精细纹理就会显现，反之就是粗纹理㊂③如果函数的局部统计性质或其他局部性的属性集是恒定的，缓慢变化的，或者具有近似的周期性，则图像的某一区域就具有某种不变纹理㊂７个统计不变矩㊁穗行数与穗行角㊁亮度均值与标准差及偏度㊁均匀度与粗糙度及熵㊁傅里叶变换的峰值位置与均值及方差㊂结合纹理特征，根据图９所示的玉米种子图像纹理的提取进行纹理检测㊂图９㊀图像纹理的提取通过图６ 图９所示的对玉米种子果穗图像的预处理和分析，选取其中２０种处理结果，如表２所示㊂从这些特征数值中可以简单分析出玉米种子果穗的优劣，但是单从一种特征很难区分，例如能量和熵，因此本文采用Ｆｉｓｈｅｒ方法［９］对数据进行二次分析㊂表２ 实验数据集数据集颜色（ＲＧＢ）穗缘角形状长宽比周长（像素）能量熵１（１４２，１４６，１４３）６８１．６３８６５０．３１２６９１．４２（１３８，１３６，１４５）１１２１．２３４０４１０．２９２４５８．７９３（１５１，１３６，１４７）１３０１．５６５３４００．２４２４４７．０４４（１４９，１５１，１６２）１１５１．４２３７７２０．２４２３４６．６２５（１３２，１５６，１３９）１６３１．７２３８２１０．２２２２８３．０４６（１４１，１３６，１４２）１２５１．８１３９６４０．２４２３４１．７３７（１４６，１５６，１４３）１２２１．４９４２１３０．４２９０６．９５８（１６４，１４２，１３９）１０１１．５２３９６１０．３６２７８４．１２９（１３７，１３６，１３１）８４１．６４３８２４０．３０２５０５．４５１０（１１２，１２８，１４７）９４１．７２３８６５０．２５２３４１．３７１１（１５２，１１６，１３３）８９１．３６３８１６０．２３２２６９．２１２（１２５，１４２，１２７）９１１．３８３９６３０．６８２４０６．０８１３（１４２，１４６，１４３）１０４１．２９３９６００．２４２３６７．９７１４（１５２，１４４，１４１）１２３１．４７３７８９０．２５２３５７．０６１５（１３６，１４７，１２４）１２６１．３８４２４３０．２５２３２０．９２１６（１３７，１４３，１３５）１３２１．４２４５３７０．２５２３２０．９２１７（１３７，１４２，１３５）１１５１．６３４３７１０．２５２３４１．５２１８（１５２，１２６，１４３）１１３１．７２３８９３０．２９２５２０．６２１９（１１９，１２６，１３５）１２３１．５７３８２５０．２７２４１６．０４２０（１３７，１２６，１３８）１５３１．５３３４７５０．６８２３㊀㊀由于在分类问题上，有些方法不像支持向量机等方法［１０］可以通过核函数映射到高维空间再用超平面进行分类，而只能将多维特征投影到一维直线上，把分类问题转化成寻找分界点问题进行处理［１１］㊂但在高维空间里，采用这种方法把它们投影到任意一条直线上，有可能使不同类别的样本混淆在一起，无法有效区分样本［１２］㊂为此，采用Ｆｉｓｈｅｒ算法在方向选取方面的优势，根据类间离散度矩阵与总类间离散度矩阵之比的最大值来确定投影方向，选取对样本投影最好的直线方向；并通过对样本㊃６３３㊃第２期康智强，等：基于改进的Ｆｉｓｈｅｒ准则玉米种子果穗检测方法间离散度的选取，实现最好方向投影的变换㊂将样本映射到最好方向向量的变换原则为：在该向量上，不同样本间离散度矩阵尽量大，而同种样本间离散度尽量小㊂为此，本实验通过重排像素值，将ＰＣＡ降维作为玉米种子果穗的特征向量，通过Ｆｉｓｈｅｒ学习分类来训练样本集㊂实验首先将所有玉米种子果穗转化为灰度，对于每个条件，为了减少识别结果的变化，计算了平均识别精度作为最后的识别精度㊂在此基础上，对抽取的２０种玉米果穗采用Ｆｉｓｈｅｒ算法和线性判别分析㊁感知机准则和最小二乘法的识别率对比，结果如表２所示㊂表３为Ｆｉｓｈｅｒ方法和其他的一些方法线性分析对比㊂表３㊀几种线性分类方法结果对比参数ｌｏｇｉｓｔｉｃ回归线性判别分析感知机准则最小二乘法Ｆｉｓｈｅｒ方法最优识别率％９１．２３９１．１６９３．３４９５．６９标准差２．９６２．３５２．１３２．０３对应维数３８３７３６３６４㊀结㊀论本文采用机器视觉自动检测玉米种子果穗，根据检测要求主要检测玉米种子果穗的大小类㊁形状类㊁纹理类㊁颜色类，本文对其中的２３种处理结果，从这些特征数值中可以简单分析出玉米种子果穗的优劣，但是单从一种特征区分度不是很高㊂而且这些检测玉米果穗种子方法非常有限而且不能满足检测的效率㊂本文在检测中参考很多文献，每一种检测方法都有自己的优点和缺点，本文检测的玉米种子果穗要求很高，单纯的一种方法不能满足检测要求，但是几种方法融合可以很好地满足检测要求㊂本文通过自己编写的算法结合Ｆｉｓｈｅｒ准则根据类间离散度矩阵与总类间离散度矩阵之比的最大值确定投影方向，通过大量实验数据证明能够高效率高精度的分拣玉米果穗种子㊂参考文献：［１］㊀王玉亮．基于机器视觉的玉米种子品种识别与检测研究［Ｄ］．泰安：山东农业大学，２００８：１⁃５ＷａｎｇＹｕｌｉａｎｇ．ＲｅｓｅａｒｃｈｏｎＩｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄＤｅｔｅｃｔｉｏｎｏｆＭａｉｚｅＳｅｅｄＶａｒｉｅｔｉｅｓＢａｓｅｄｏｎＭａｃｈｉｎｅＶｉｓｉｏｎ［Ｄ］．Ｔａｉａｎ，ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，２００８（ｉｎＣｈｉｎｅｓｅ）［２］㊀张超良，王斌．玉米种子纯度检验的方法及其评价［Ｊ］．作物杂志，１９９８（１）：１２⁃１６ＺｈａｎｇＣｈａｏｌｉａｎｇ，ＷａｎｇＢｉｎ．ＭｅｔｈｏｄａｎｄＥｖａｌｕａｔｉｏｎｏｆＰｕｒｉｔｙＴｅｓｔｏｆＭａｉｚｅＳｅｅｄ［Ｊ］．ＣｒｏｐＳｃｉｅｎｃｅ，１９９８（１）：１２⁃１６（ｉｎＣｈｉ⁃ｎｅｓｅ）［３］㊀高荣岐，张春庆．作物种子学［Ｍ］．北京：中国农业科技出版社，２０１０ＧａｏＲｏｎｇｑｉ，ＺｈａｎｇＣｈｕｎｑｉｎｇ．ＰｌａｎｔｔｈｅＳｅｅｄｓ［Ｍ］．Ｂｅｉｊｉｎｇ，ＣｈｉｎａＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＰｒｅｓｓ，２０１０（ｉｎＣｈｉ⁃ｎｅｓｅ）［４］㊀史中辉．玉米种子品种智能识别系统研究［Ｄ］．泰安：山东农业大学，２０１１，６：２７⁃４８ＳｈｉＺｈｏｎｇｈｕｉ．ＲｅｓｅａｒｃｈｏｎＣｏｒｎＳｅｅｄＶａｒｉｅｔｉｅｓＩｎｔｅｌｌｉｇｅｎｔＩｄｅｎｔｉｆｉｃａｔｉｏｎＳｙｓｔｅｍ［Ｄ］．Ｔａｉａｎ，ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，２０１１，６：２７⁃４８（ｉｎＣｈｉｎｅｓｅ）［５］㊀杨锦忠，张洪生，郝建平，等．玉米果穗图像单一特征的品种鉴别力评价［Ｊ］．农业工程学报，２０１１，２７（１）：１９６⁃２００ＹａｎｇＪｉｎｚｈｏｎｇ，ＺｈａｎｇＨｏｎｇｓｈｅｎｇ，ＨａｏＪｉａｎｐｉｎｇ，ｅｔａｌ．ＤｉｓｃｒｉｍｉｎａｔｉｏｎＥｖａｌｕａｔｉｏｎｏｆＳｉｎｇｌｅＦｅａｔｕｒｅｏｆＭａｉｚｅＥａｒＩｍａｇｅ［Ｊ］．ＴｒａｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１１，２７（１）：１９６⁃２００（ｉｎＣｈｉｎｅｓｅ）［６］㊀黄利文．改进的Ｆｉｓｈｅｒ判别方法［Ｊ］．福州大学学报：自然科学版，２００６，３４（４）：４７３⁃４７４ＨｕａｎｇＬｉｗｅｎ．ＩｍｐｒｏｖｅｍｅｎｔＦｉｓｈｅｒＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓＭｅｔｈｏｄ［Ｊ］．ＪｏｕｒｎａｌｏｆＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，ＮａｔｕｒａｌＳｃｉｅｎｃｅ，２００６，３４（４）：４７３⁃４７４（ｉｎＣｈｉｎｅｓｅ）［７］㊀李建军，丁正生，张海燕．常用判别分类方法分析［Ｊ］．西安科技大学学报，２００７，２７（１）：１３８⁃１３９ＬｉＪｉａｎｊｕｎ，ＤｉｎｇＺｈｅｎｇｓｈｅｎｇ，ＺｈａｎｇＨａｉｙａｎ．ＴｈｅＡｎａｌｙｓｉｓｏｆａＦｅｗＤｉｓｃｒｉｍｉｎａｎｃｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉᶄａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２００７，２７（１）：１３８⁃１３９（ｉｎＣｈｉｎｅｓｅ）㊃７３３㊃西㊀北㊀工㊀业㊀大㊀学㊀学㊀报第３６卷［８］㊀曾贤灏，李向伟．基于Ｆｉｓｈｅｒ准则改进线性判别回归分类的人脸识别［Ｊ］．计算机应用与软件，２０１４，３１（９）：１８４⁃１８６ＺｅｎｇＸｉａｎｈａｏ，ＬｉＸｉａｎｇｗｅｉ．ＩｍｐｒｏｖｉｎｇＦａｃｅＲｅｃｏｇｎｉｔｉｏｎｗｉｔｈＬｉｎｅａｒＤｉｓｃｒｉｍｉｎａｎｔＲｅｇｒｅｓｓｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄｏｎＦｉｓｈｅｒＣｒｉ⁃ｔｅｒｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ，２０１４，３１（９）：１８４⁃１８６（ｉｎＣｈｉｎｅｓｅ）［９］㊀王明合，张二华，唐振民，等．基于Ｆｉｓｈｅｒ线性判别分析的语音信号端点检测方法［Ｊ］．电子与信息学报，２０１５，３７（６）：１３４３⁃１３４９ＷａｎｇＭｉｎｇｈｅ，ＺｈａｎｇＥｒｈｕａ，ＴａｎｇＺｈｅｎｍｉｎ，ｅｔａｌ．ＶｏｉｃｅＡｃｔｉｖｉｔｙＤｅｔｅｃｔｉｏｎＢａｓｅｄｏｎＦｉｓｈｅｒＬｉｎｅａｒＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｏｎｉｃｓ＆ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，２０１５，３７（６）：１３４３⁃１３４９（ｉｎＣｈｉｎｅｓｅ）［１０］ＣｉｖｉｃｉｏｇｌｕＰ，ＥｒｋａｎＢ．ＡＣｏｎｃｅｐｔｕａｌＣｏｍｐａｒｉｓｏｎｏｆｔｈｅＣｕｃｋｏｏ⁃Ｓｅａｒｃｈ，ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＤｉｆｆｅｒｅｎｔｉａｌＥｖｏｌｕｔｉｏｎａｎｄＡｒｔｉｆｉｃｉａｌＢｅｅＣｏｌｏｎｙＡｌｇｏｒｉｔｈｍｓ［Ｊ］．ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅＲｅｖｉｅｗ，２０１３，３９（４）：３１５⁃３４６［１１］ＷａｎｇＨＺ，ＺｈａｎｇＨＣ，ＷａｎｇＺＹ，ｅｔａｌ．ＥｘｔｅｎｄｅｄＭｕｌｔｉｖａｒｉａｔｅＰｕｂｌｉｃＫｅｙＣｒｙｐｔｏｓｙｓｔｅｍｓｗｉｔｈＳｅｃｕｒｅＥｎｃｒｙｐｔｒｏｎＦｕｎｃｔｉｏｎ［Ｊ］．ＳｃｉｅｎｃｅＣｈｉｎａ⁃ＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｓ，２０１１，５４（６）：１１６１⁃１１７１［１２］ＮｉｕＹＱ．ＤｅｔｅｃｔｉｎｇｔｈｅＣｏｍｍｕｎｉｔｙＳｔｒｕｃｔｕｒｅｉｎＣｏｍｐｌｅｘＮｅｔ⁃ＷｏｒｋｓＢａｓｅｄｏｎＱｕａｎｔｕｍＭｅｃｈａｎｉｃｓ［Ｊ］．ＰｈｙｓｉｃａＡ：ＳｔａｔｉｓｔｉｃａｌＭｅ⁃ｃｈａｎｉｃｓａｎｄＩｔｓＡｐｐｌｉｃａｔｉｏｎｓ，２００８，３８７：６２１５⁃６２２４ＭｅｔｈｏｄｏｆＥａｒＤｅｔｅｃｔｉｏｎｆｏｒＭａｉｚｅＳｅｅｄＢａｓｅｄｏｎＦｉｓｈｅｒＣｒｉｔｅｒｉｏｎＫａｎｇＺｈｉｑｉａｎｇ１，２，ＹｕａｎＣｈａｏｈｕｉ１，ＣｈｅｎｇＲｕｉｆｅｎｇ３１．ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉᶄａｎ７１００７２，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＸｉᶄａｎＵｎｉｖｅｒｓｉｔｙｏｆＡｒｃｈｉｔｅｃｔｕｒｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｉᶄａｎ７１００５５，Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＭａｒｉｎｅＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉᶄａｎ７１００７２，Ｃｈｉｎａæèççöø÷÷Ａｂｓｔｒａｃｔ：Ｔｈｅｐｕｒｐｏｓｅｏｆｔｈｉｓｐａｐｅｒｉｓｔｏｕｓｅｍａｃｈｉｎｅｖｉｓｉｏｎｔｏｄｅｔｅｃｔｔｈｅｓｉｚｅ，ｓｈａｐｅ，ｔｅｘｔｕｒｅａｎｄｃｏｌｏｒｏｆｍａｉｚｅｓｅｅｄｅａｒ．Ｔｈｅｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｉｓｖｅｒｙｌｉｍｉｔｅｄａｎｄｃａｎｎｏｔｍｅｅｔｔｈｅｄｅｔｅｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙ．Ｔｈｉｓｐａｐｅｒｕｓｅｄｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｌｉｎｅａｒｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓｍｅｔｈｏｄ，ｔｈｅｒｕｌｅｏｆｐｅｒｃｅｐｔｒｏｎ，Ｆｉｓｈｅｒｍｅｔｈｏｄａｎｄｔｈｅｌｅａｓｔ⁃ｓｑｕａｒｅｍｅｔｈｏｄ，ｔｈｉｓｐａｐｅｒｕｓｅｃｈａｎｇｅｂｅｔｗｅｅｎｔｈｅＦｉｓｈｅｒｃｒｉｔｅｒｉｏｎａｃｃｏｒｄｉｎｇｔｏｔｈｅｔｈｅｃｌａｓｓｏｆｄｉｓｃｒｅｔｅｄｅｇｒｅｅｅｒｒｏｒｍａｔｒｉｘａｎｄｍａ⁃ｔｒｉｘｏｆｔｈｅｄｉｓｃｒｅｔｅｄｅｇｒｅｅｏｆｒｅｃｏｎｓｔｒｕｃｔｉｏｎｅｒｒｏｒｉｎｃｌａｓｓｔｈａｎｔｈｅｍａｘｉｍｕｍｐｒｏｊｅｃｔｉｏｎｄｉｒｅｃｔｉｏｎ，ｃｌａｓｓｉｆｙｉｎｇｃｌｕｓｔｅｒｓ．ＢｙｆｕｓｉｏｎＦｉｓｈｅｒｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓｍｅｔｈｏｄｆｏｒｔｅｓｔｉｎｇｉｎｔｈｅｔｅｓｔ，ｔｈｒｏｕｇｈａｌａｒｇｅｎｕｍｂｅｒｏｆｅｘｐｅｒｉｍｅｎｔｓａｎｄｃｏｍｐａｒｉｓｏｎｍｅｔｈｏｄ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｐｒｏｖｅｄｔｈａｔＦｉｓｈｅｒｃａｎｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｈｉｇｈｐｒｅｃｉｓｉｏｎｏｆｃｌａｓｓｉｆｙｉｎｇｓｅｅｄｃｏｒｎｅａｒｄｅｔｅｃｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｍａｃｈｉｎｅｖｉｓｉｏｎ；ｄｅｔｅｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙ；ｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓｍｅｔｈｏｄ；ｐｒｏｊｅｃｔｉｏｎｄｉｒｅｃｔｉｏｎ；Ｆｉｓｈｅｒｄｉｓ⁃ｃｒｉｍｉｎａｎｔ㊃８３３㊃。
济南市鲜食玉米品种筛选及品质鉴定
6/26
8/8
8/12
6/21
6/26
8/14
8/16
6/21
6/26
8/14
8/16
6/21
6/26
8/14
8/17
6/21
6/26
8/12
8/14
6/21
6/26
8/15
8/16
6/21
6/26
8/13
8/15
6/21
6/26
8/13
8/15
6/21
6/26
8/12
8/15
6/21
6/26
8/14
8/16
6/21
6/26
8/12
8/16
6/21
6/26
8/12
8/15
6/21
6/26
8/14
8/16
6/21
6/26
8/12
8/14
6/21
6/26
8/15
8/16
6/21
6/26
8/15
8/16
6/21
6/26ቤተ መጻሕፍቲ ባይዱ
8/11
8/13
6/21
6/26
8/14
8/16
6/21
6/26
8/11
8/14
鲜果穗采收期（月 / 日） 9/11 9/11 9/11 9/5 9/10 9/10 9/10 9/11 9/11 9/11 9/11 9/11 9/11 9/11 9/11 9/11 9/11 9/11 9/11 9/11 9/11 9/11 9/10 9/10 9/10
全生育期（d） 81 81 81 75 80 80 80 81 81 81 81 81 81 81 81 81 81 81 81 81 81 81 80 80 80
基于HSV空间的玉米果穗性状的检测
湖南农业大学学报(自然科学版) 2017, 43(1):112–116. DOI:10.13331/ki.jhau.2017.01.020 Journal of Hunan Agricultural University (Natural Sciences)投稿网址：基于HSV 空间的玉米果穗性状的检测李伟1，胡艳侠1，吕岑2(1.长安大学信息工程学院，陕西 西安 710064；2.陕西科技大学信息工程学院，陕西 西安 710021)摘 要：为高效检测玉米果穗性状，建立了基于HSV(色调、饱和度、明度值)空间的玉米果穗性状的检测方法：使用机器视觉技术采集绿色背景玉米果穗图像，用HSV 直方图阈值算法去除绿色背景，用FFT 滤波器去除尖锐边缘和噪声，运用粒子滤波分离单一图像中的多个玉米果穗图像，并采用形态学腐蚀方法，经过4次迭代腐蚀，得到玉米果穗中间3行；检测玉米果穗的大小、形状、纹理和颜色4个特征的性状。
随机检测67张玉米果穗样本图像的结果表明，果穗大小和形状特征检测的准确率为100%，果穗颜色和纹理特征检测的准确率分别为98.55%和96.25%，平均每果穗检测时间为0.1 s 。
关 键 词：玉米果穗；图像处理；HSV 颜色空间；二阶矩；最小外接矩形中图分类号：TP274+.3 文献标志码：A 文章编号：1007-1032(2017)01-0112-05Traits detection of corn ear based on HSV color spaceLI Wei 1，HU Yanxia 1，LÜ Cen 2(rmation Engineering College, Chang’an University, Xi’an 710064, China; rmation Engineering College, Shaanxi University of Science and Technology, Xi’an 710021, China)Abstract : In order to meet the high efficient detection of the corn ear quality, a detection method of traits for corn ear were presented based on hue, saturation, value (HSV) color space. Firstly, the corn ear images with green background were acquired by using the machine vision technology, and then remove the green background using HSV histogram threshold algorithm, as well as filtrate sharp edges and noise using FFT filter. The particle filter was used to separate corns in an image. After four iteration corrosion by the corrosion morphology method, the 3 row between the ear of corn was obtained . The size, shape, texture and color characteristics were detected for corn ear. Using this method tested the 67 images of corn ear, the test results show that the testing accuracy of corn ear size and shape feature was 100%, while the ear color and the texture feature detection accuracy rate was 98.55% and 96.25%, respectively. The average detection time of one corn was 0.1 s.Keywords : image processing; corn ear; HSV color space; second moment; the minimum circumscribed rectangle收稿日期：2016–03–16 修回日期：2016–11–05基金项目：国家自然科学基金项目(211024140375) 作者简介：李伟(1981— )，男，陕西咸阳人，博士研究生，副教授，主要从事光电检测、基于图像处理的道路检测研究，235240274@基于计算机视觉技术的玉米果穗性状的检测，可以去除过小、霉变、畸形、破损果穗，大幅度提高玉米果穗的精选效率[1]。
谈果实表面颜色计算机视觉分级技术
关键词：果实表面颜色；计算机；视觉分级技术；研究1对计算机视觉分级技术研究中材料的选取及检测系统的验证1.1试验选取的材料为了进一步的对保证在对计算机视觉分级技术进行分析和验证，本文所选取的实验材料是某一地区所生产出的红星苹果，而且在选择中苹果的果径限制在50mm到80mm左右。
其中，还要将一些存在瑕疵和畸形的苹果进行去除，保证在实验验证的过程中，不会因为苹果自身的原因而造成对是实验结果的影响。
其中，在检测中，是注重对红星苹果颜色的研究，借助计算机视觉检测系统来对一批红星苹果的颜色进行分级挑选。
1.2检测系统在计算机视觉分级技术中，主要的检测系统包括了计算机、CCD摄像机、图像采集卡和照明室等。
在检测系统中，主要的系统是IBM兼容机,其中在该主机中包含了一些内插的大恒图像公司VIDEO2PCI2C真彩色图像采集卡，也就是指可以通过对图片中对比来进行收集图片。
在收集图片之后，借助松下CP410彩色CCD摄像机搭配DH1212型C式安装镜头来进一步的获取研究对象自身表面的图像。
在检测的过程中，为了保证检测对表面光照度的统一性和标准，并且不会产生一些镜面的反射，本文选择了圆筒形照明室来进行照明，其中圆筒形照明室的直径尺寸是580mm。
并且为了减少周边环境的影响，将照明室的内部壁涂成白色,放置6个60W的灯泡并且分两排对称的安装在照明室的底部区域中,而在照明室内部的载样台面上，是用细砂布打磨过的黑色橡胶板之后将选择的样品放置于橡胶板上进行对应的观察与分析，重点是要考察样品的颜色度。
2对样品果实颜色特性的分析以及具体颜色的分级方法介绍2.1样品颜色模型的选择为了确保研究方法的科学性，和对样品颜色研究的合理性，对相应苹果颜色已经建立起多种颜色的具体模型，其中在对样品颜色图像的处理过程中,一般经常会应用到的模型是RGB、HLS和YIQ的颜色模型。
其中，对于RGB颜色模型来说，该种颜色模型是应用于一些硬件设备的，也就是需要由一些摄像机来获得对应样品的彩色图像并表示为对应的R、G、B 成份。
基于计算机视觉的玉米籽粒形态测量与研究
基于计算机视觉的玉米籽粒形态测量与研究李宗桧【期刊名称】《农机化研究》【年(卷),期】2017(039)007【摘要】Computer vision technology is refers to the use of computers and related equipment , and a simulation of bio-logical vision .Computer vision analysis , mainly is to through the image acquisition to be dealt with to obtain image corre-sponding to the three-dimensional scene of biological information .Vision technology has been widely used in various fields of production , including manufacturing industry , document analysis , medical diagnosis , agricultural quality testing and so on .This paper based on the computer vision measurement of maize kernel shape and research topics , design to ex-plore a maize quality method of automatic detection and analysis , namely , maize grain real-time analysis system , in the non-destructive testing of link , with objective , efficient , accurate advantages , greatly improved to solve the defects of the traditional manual detection mode subjective , inefficient and error .Finally, a corn seed test device based on computer line scan technology and automatic control technology was designed .%视觉技术目前被广泛应用于社会各生产领域，包括制造行业、文档分析、医疗诊断及农业品质检测等。