基于机器视觉的小桐子种子识别算法研究

祝保林，张彦波，张欣羽，邢若男，赵明月

(河南大学物理与电子学院，河南 开封 475000)

小桐子又名麻疯树，它不但人工造林容易，天然更新能力强，还耐火烧，改良土壤能力强[1]。目前，针对小桐子种子筛选采用人工筛选识别效率较低、主观性强、错误率高。若应用机器视觉技术对小桐子种子的品质进行判断，能够快速准确地完成识别分类。

农作物数字化选种是农业数字化的重要步骤。利用机器视觉技术对种子进行识别是其中的常用手段之一。王宏勇等[2]研究了基于遗传算法和支持向量机的玉米品种识别，温芝元等[3]利用娅柑病虫害作为病害图像，建立BP神经网络模型来对病虫害进行识别，周鸿达等[4]使用主成分分析法确定主因子个数，使用BP神经网络建立判别模型，许良凤等[5]提取玉米病害区域颜色特征，构造相应地单分类器，通过线性加权的形式融合判决，最终获得分类结果。综上所述，种子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，其中特征提取是种子识别的关键环节。

针对小桐子种子识别技术与算法进行了深入的研究和探索，提出了一种通过主成分分析有效特征提取和支持向量机的粒子群优化算法的小桐子种子识别方法。赵秀红[6]、贺心皓等[7]研究表明，基于机器视觉的小桐子种子识别与检测方法是可行的，该方法可提高小桐子种子识别的准确率。

1 识别系统

小桐子种子识别系统如图1所示。摄像机垂直固定在暗箱顶部中心位置，调节物距为30 cm，以保证拍摄图像的质量，补光照明系统主要由条形光源实现，识别系统在一个封闭的暗箱内进行。其中，图像采集系统如下：计算机CPU Intel Core 3.6 G，8 G内存；相机选用CCD SONY TD-2073等。

注：1为CCD相机；2为遮光箱；3为条形光源；4为载物流水线； 5为被检测种子；6为计算机。 图1 系统组成

2 小桐子种子图像处理与特征提取

2.1 图像处理

试验选取的小桐子种子来源于云南省元谋干热河谷区种植的小桐子树，经采摘、去壳和晒干等处理后，该小桐子种子的外观特征主要表现为整体颜色近于黑色，但表面具有白色的小斑点。通过摄像头采集的小桐子种子图像如图2所示。在进行特征提取之前，首先对采集的图像进行灰度化处理，然后对灰度化图像进行阈值分割，紧接着进行形态学处理等预处理，最后进行边缘提取得到所需图像[8]。

注：a是原始图像，b是处理后图像。 图2 种子图像处理结果

2.2 特征提取

对分割出的图像分别从形状、颜色、纹理等3个方面进行特征提取。实际提取小桐子种子性状的19个特征参数如表1所示。

表1 小桐子种子的主要特征参数

3 识别分类

3.1 主成分分析法

主成分分析是将多个指标进行组合，转化为少数几个综合指标的统计分析方法，从而达到简化的目的[9]，再依据各变量的特征值贡献率作为权重结合特征向量构建评价模型[10]。

主成分的特征值和贡献率是选择主成分的依据，该试验选择特征值大于1作为主成分的抽取条件[11]。由表2可知，前5个主成分的特征值大于1，累计贡献率达88.779%，所以选前5个主成分可表示原来19个性状所包含的绝大部分信息。其中表3中的特征的排列顺序与表1中的特征排列顺序一致。

表2 种子主成分分析

由表3可知，对主成分1影响最大的因子是长轴长度，与长轴长度显著相关的面积、周长、当量直径等指标均对主成分1影响较大，所以主成分1是长轴长度；在主成分2中，影响较大的因子为紧凑度和圆形度，且与长轴长度呈极显著负相关，所以主成分2是紧凑度；对主成分3影响较大的有B分量，所以主成分3是B分量；对主成分4影响较大的是H分量，因此主成分4是H分量；对主成分5影响较大有mean和con，且mean和con呈正相关，所以主成分5是mean。

3.2 支持向量机(SVM)分类模型

采用粒子群优化算法的支持向量机对小桐子种子进行分类识别。使用通过主成分分析选取的5个参数为输入特征参数值做为样本学习数值，采用粒子群优

化的SVM算法，随机的输入样本数据可以得到很高的正确识别率[12](图3)。

通过对表4分析可知，将长轴长、紧凑度、B分量、H分量和mean等这5个特征参数值输入支持向量机的粒子群优化算法进行试验，训练样本为120个，对25个进行测试，其正确识别率达到96%左右。

表4 粒子群优化SVM分类结果

4 总 结

为实现利用机器视觉代替人工视觉，对小桐子种子进行识别分类，提出了一种通过主成分分析有效特征提取和支持向量机的粒子群优化算法的小桐子种子识别方法。对小桐子种子优劣品质进行识别分类，准确率达到96%左右，提高了准确率。研究表明，基于机器视觉的小桐子种子识别与检测方法是可行的，该方法可提高小桐子种子识别的正确率。