脱绒棉种活力检测系统的设计与实现

彭顺正，尤 佳 ，李景彬，

(石河子大学 a.信息科学与技术学院；b.机械电气工程学院，新疆 石河子 832000)



脱绒棉种活力检测系统的设计与实现

彭顺正a，尤 佳b，李景彬a，b

(石河子大学 a.信息科学与技术学院；b.机械电气工程学院，新疆 石河子 832000)

为了实现脱绒棉种活力的快速无损检测，利用VS2010和OpenCV混合编程方式开发一套脱绒棉种活力在线检测系统分析软件，应用BP神经网络原理构建活力预测模型。软件系统主要包括图像采集模块、参数记录模块、图像处理分析及活力检测模块，主要实现了图像采集、图像特征提取与分析、脱绒棉种活力预测及参数记录等功能。选取新陆早50、鼎丰10号、神农11号3个品种进行活力预测试验，准确率分别达到90.29%、84.27%、86.80%。软件系统的开发为脱绒棉种活力实现快速无损检测分级奠定了基础。

脱绒棉种；活力预测；品质分级；BP神经网络

0 引言

种子是农业生产的基础，如何实现种子品质的快速准确检测与分级是目前一个热点研究问题。基于机器视觉技术进行种子的检测分级，与传统的种子分选方法[1-2]相比，具有成本低、精度高等特点。近年来，机器视觉方法检测农产品在国内外已经得到广泛使用[3-11]。

程洪等[12]利用机器视觉技术对 4个品种玉米籽粒胚部特征进行检测，结果表明：4个品种最低识别率为97.8%。这为基于机器视觉技术实现玉米准确分类提供了参考。

陈兵旗等[13]应用机器视觉技术的方法对水稻种子进行了分选，将水稻的面积和长宽比作为特征参数，检测水稻是否发生霉变。实验对 10种水稻进行了检测，检测精度最低为 76.8%。

成芳等[14]基于机器视觉检测杂交水稻种子质量的要求,对单粒、静态稻种图像进行霉变分析识别，比较了提取颜色特征的3种方法, 研究了基于颜色特征的稻种霉变检测算法。经试验验证,该算法对正常稻种、轻度霉变稻种、严重霉变稻种的检测准确率分别为92%、95%、83% 。

上述研究成果都是根据外观颜色对种子进行分类识别和分级，并未考虑种子内部品质与外观颜色的关系进行分类。探讨内部活力品质与外观颜色模型实现棉种分级是本研究的亮点。

本文基于VS2010和OpenCV混合编程方式搭建一套脱绒棉种活力检测软件系统，为准确、快速检测脱绒棉种活力奠定了基础。

1 系统硬件组成

脱绒棉种图像采集平台主要用于获取脱绒棉种样本彩色图像，通过调节相机相关参数，以得到高清图像，利用图像处理分析可以提取相关特征参数，最终实现脱绒棉种活力检测。采集平台主要由MV-VDF040SC型号工业相机、M0814-MP2-8mm工业镜头、计算机、图像采集卡、光照箱和环形光源等组成。计算机配置为AMD型CPU，频率为2.8GHz，内存2GB和500GB硬盘。操作系统：旗舰版Win7。照明装置为直流供电、无闪频、光照均匀的LED环形光源。图像采集平台如图1所示。

1.MV-VDF040SC数字工业相机 2.环形光源 3.光照箱 4.脱绒棉种 5.可伸缩载物台 6.计算机

2 软件功能模块及主界面设计

脱绒棉种活力检测系统的总架构设计如图2所示。系统分为3个大模块，即电导率测定参数记录模块、图像采集模块、图像处理及活力预测模块。

图2 软件总体架构设计

2.1 测定参数记录模块

测定参数记录模块主要用于记录和管理脱绒棉种电导率测定实验的相关指标，为后续的活力预测模型的准确性验证提供参考数据。数据库搭建采用MYSQL5.0开发，运用ODBC访问接口与UI(用户界面)进行通信，实现对数据库的访问操作。根据实验需求，针对数据库记录集操作，添加必需的增、删、改、查功能。

2.2 图像采集模块

VFW视频图像采集方法提供视频扑捉、影音压缩和图像播放功能，优点是随从Windows系统一起安装，可执行文件无需附加额外库文件，完全满足开发本系统图像采集模块需求。为此，本软件选择基于VFW的图像采集方案。

本模块通过分析软件设置相机仪器参数，实时控制系统采集图像、帧数目、帧间隔、曝光时间及相机启动方式等。

3 图像处理模块

本模块实现图像颜色空间转化、灰度化、去噪声、目标轮廓提取、ROI设置，以及其区域内R、G、B、H、S、V、I1、I2、I3 等12个特征参数提取，为后续构建BP网络训练集和测试集提供可靠的、准确的数据来源。处理思路简述如下：

1)克隆一张读入的样本图像，对克隆图像进行一系列处理，检测并定位出ROI区域，计算并标定出ROI区域的4个顶点坐标。

2)在原图像滤波后找到相应的4个坐标点位置，绘制出ROI区域。

3)剪切出滤波图像ROI区域，提取该区域R、G、B、H、S、V、I1、I2、I3 等12个特征参数。

4)对提取特征参数进行相关处理，构建训练样本输入特征向量。

详细处理流程如图3所示。

图3 图像处理流程

为了验证ROI定位和设置是否符合要求，随机选取一粒神农11号数字图像进行试验，如图4所示。结果表明：ROI区域定位和设置完全符合要求的。

图4 ROI区域准确性检验

4 预测模型搭建

BP网络[15](BackPropagation Nueral Network)是一种按误差逆向传播算法训练的多层前馈网络，能够学习和存储大量的输入-输出模式映射关系，可以用来描述揭示输入量和输出量的数学模型的映射关系。

模型只针对单粒棉种图像进行训练和预测。BP网络构建，输入变量为RGB、HSV、I1I2I3、YUV这4个颜色模型的12个颜色特征分量值，故BP神经网络的输入节点为12个，输出变量为脱绒棉种活力检测参数，故BP网络的输出节点为1个。网络隐含层节点的选择采用了经验法，经过试验网络结构为12-12-1为最优。网络激活函数均选择logistic函数。根据需求设计出的BP网络如图5所示。

图5 预测模型

4.1 活力预测流程图

根据BP神经网络原理，设计了活力预测方案。首先，通过软件分析和提取出一定数量的目标图像的相关特征值并构建成样本集合，利用相关方法提出病态样本后，利用BP网络对样本进行训练；训练稳定后，获取棉种活力与其外观颜色特征的数学模型；将待测图像输入分析软件，分析和提取相关的颜色特征参数，利用构建好的BP网络输出活力值，以达到棉种活力检测的目的。活力预测模型流程如图6所示。

图6 BP网络活力预测模型流程

4.2 样本向量的归一化

考虑到输入样本向量各参变量的数量级悬殊过大，造成样本训练困难，需要对训练集进行归一化处理，本文将输入样本向量归一化在[0-1]之间。归一化公式为

其中，normalVal表示归一化后的值；elemi表示输入向量第i个元素值；elemmin表示输入向量的最小值；elemmax表示输入向量中的最大值。

5 活力预测结果的验证

脱绒棉种样品来自新疆石河子天佐种子有限责任公司，训练样本包含新陆早50、神农11号、鼎丰10号3个品种，剔除病态样本后，训练集(为图像ROI区域的12个颜色特征值)有900幅脱绒棉种图像(每个品种各有300图像)。3个品种各选取100张图像进行测试，得出预测值与观察值比较结果、预测精度统计及计算结果如图7、图8所示。

个体样本的活力预测准确率等于其残差比上观察值(即电导率数据)，总体样本预测准确率为所有个体预测准确率的几何平均值。具体公式为

Δti=|preVali-realVali|

(1)

(2)

(3)

其中，N=100、1≤i≤100、i∈n；Δti为第i个体样本残差值；preVali为第i个样本的活力预测值；realVali是第i个样本的观察值；N为预测集样本数目。

分析图7中(a)、(b)、(c)比较结果以看出：3个品种的预测值与观察值总体走势比较同步。由图8可以看出：新陆早50、神农11号、鼎丰10号总体预测精度大致分别分布在[0.65,1]、 [0.55,1]、[0.48,1]之间。通过式(1)～式(3)可以计算出预测准确率分别为90.29%、84.27%、86.80%。

实验过程中，经过对3个样本集数据进行统计发现：新陆早50各个颜色特征参数的标准差范围在[0.062,7.36]之间波动，电导率值标准差为153.78μS/cm，电导率波动能力在各颜色特征参数波动能力的[26,2480]倍之间；神农11号各颜色特征参数标准差在[0.042,9.80]之间波动，电导率标准差为120.68μS/cm，电导率波动能力将近各颜色特征参数波动能力[12,2873]倍之间；鼎丰10号各颜色特征参数标准差在[0.044,9.65]之间波动，电导率标准差为220.07μS/cm，电导率波动能力在各颜色特征参数波动能力的[23,5002]倍之间，这种波动会增加样本训练难度，影响预测模型精度。由此得出：在后续的研究中有必要将训练集样本颜色特征参数乘上一个最优放大倍率系数，扩大训练集样本之间各相应颜色特征参数的区分度，减少训练难度，提高模型预测准确率，同时减少电导率参数波动带来负面影响。

经过对3个训练集各个输入样本数据进行对比分析，有少量的样本各个相应颜色特征参数比较接近，但是其电导率参数却相差很大，如图9所示。例如，随机从3个品种样本集中选出各个相应颜色特征参数值都比较相近的2粒棉种样品作对比分析得出：新陆早50的1#和2#样本对应电导率分别为538μS/cm和636μS/cm。颜色特征参数值和比较曲线如图9(a)所示。

图7 预测值与电导率比较图

图8 预测值精度折线图

图9 个体样本颜色特征比较

神农11号3#和4#样本对应电导率分别为558μS/cm和305μS/cm，颜色特征参数值和比较曲线如图9中(b)图所示；鼎丰10号5#和6#样本电导率分别为722μS/cm和1145μS/cm，颜色特征参数值和比较曲线如图9中(c)图所示。综合以上3个品种对比结果分析，仅考虑颜色特征，对具有此类样本个体特征的活力预测将失去意义，加之颜色特征样本总体波动性较弱，样本间区分度窄，而活力品质波动离散性能高，使得预测模型难度增大，这是造成预测模型结果产生偏差内在因素。为此，要提高预测模型的精度和实用性，更需要弹性地引入新的特征参数指标。根据现有研究成果，从种子生物学角度来说，棉种营养物质(蛋白质、脂肪、衣分等)跟活力值具有密切联系[16-17]，因此从脱绒棉种内部特征入手是下一步的研究方向。

6 结论

1)本文提取RGB、HSV、I1I2I3、YUV这4个颜色模型12个分量作为BP网络的输入向量特征参数，相应样本的电导率作为输出向量特征参数，运用BP网络回归方法预测脱绒棉种的活力值。实验结果表明：新陆早50 预测准率达90.29%，神农11号预测准确率达86.80%，鼎丰10号预测准确率达84.27%。实验结果结论为后续基于外观颜色特征进行种子品质分级提供了理依据。

2)在后续的研究中可以引入更多的特征指标进行网络训练，从而提高棉种活力预测的准确性。

[1] 张正周,李娟,郑旗,等.计算机视觉技术在农产品加工业中的应用研究进展[J]. 农业与技术,2014(1):34-36.

[2] 王吉亮,卢勇涛,杨怀君,等.脱绒棉种精选技术现状[J]. 江苏农业科学,2014(9):5-7.

[3] 展慧,李小昱,王为,等.基于机器视觉的板栗分级检测方法[J]. 农业工程学报,2010(4):327-331.

[4] 谭穗妍,马旭,吴露露，等.基于机器视觉和BP神经网络的超级杂交稻穴播量检测[J].农业工程报,2014(21):201-208.

[5] 饶秀勤.基于机器视觉的水果品质实时检测与分级生产线的关键技术研究[D].杭州：浙江大学,2007.

[6] 杨飞.基于机器视觉的花椒外观品质检测技术研究[D].重庆：西南大学,2008.

[7] PaulH.Heinemann,Niranjan P.Pathare,Charle st Morrow.An automated inspection station for Machine-vision grading of potatoes[J].Machine Vision and Applications,1996,9:14-19.

[8] 赵巍.机器视觉在西瓜无损检测与分级中的应用[D].武汉：华中农业大学,2013.

[9] 郭辉.基于机器视觉的蜜柚品质检测方法研究[D].北京：中国农业大学,2015.

[10] 凌云.基于机器视觉的谷物外观品质检测技术研究[D].北京：中国农业大学,2004.

[11] 李小昱,陶海龙,高海龙,等.马铃薯缺陷透射和反射机器视觉检测方法分析[J].农业机械学报,2014(5):191-196.

[12] 程洪,史智兴,尹辉娟,等.基于机器视觉的多个玉米籽粒胚部特征检测[J].农业工程学报,2013,29(19):145-151.

[13] 陈兵旗,孙旭东,韩旭,等.基于机器视觉的水稻种子精选技术[J]. 农业机械学报,2010(7):168-173,180.

[14] 成芳,应义斌. 基于颜色特征的稻种霉变检测算法[J]. 农业机械学报,2004(4):102-105.

[15] 搜搜百科.BP神经网络[EB/OL].[2016-05-30].http://baike.sogou.com/v11009683.htm?from title=bp%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C.

[16] 刘军,黄上志,傅家瑞,等.种子活力与蛋白c质关系的研究进展[J]. 植物学通报,2001(1):46-51，45.

[17] 陈建华,杨继良,杨伟华,等.棉花种子活力及其影响因素探讨[J].棉花学报,1995(3):134-140，133.

Software Design of the Testing System for the Dynamic Test of the Cotton Seed

Peng Shunzhenga， You Jiab， Li Jingbina,b

(a.College of Information Science and Technology; b.College of Mechanical and Electrical, Shihezi University,Shihezi 832000, China)

In order to realize the rapid nondestructive detecting cotton seed escaping the fabric dynamic, the on-line detection software is developed based on VS2010 and OpenCV, the dynamic detection module base on BP neural network. System includes image acquisition module, conductivity parameter recording module, image processing analysis and dynamic detection module, and realizes the functions of image acquisition, feature extraction and analysis, forecasting and recording the cotton seed dynamic. Select Xinluzao No.50, Dingfeng No.10, Shennong No. 11 three varieties to do dynamic prediction test, and accurate rate respectively reached 90.29%, 84.27%, 86.80%. Development of the system laid a solid foundation and helps cotton seed come true the rapid nondestructive detecting classification.

cotton wool; dynamic prediction; quality grading; BP neural network

2016-06-10

国家自然科学基金项目(31260290)；新疆生产建设兵团博士资金项目(2014BB003)

彭顺正(1989-),男,贵州兴义人,硕士研究生,(E-mail)28448677@qq.com。

李景彬(1980-),男,新疆石河子人,副教授,硕士生导师，(E-mail)ljb8095@163.com。

S24；TP391.41

A

1003-188X(2017)08-0066-06