彭順正，尤 佳 ，李景彬，

(石河子大學(xué) a.信息科學(xué)與技術(shù)學(xué)院；b.機(jī)械電氣工程學(xué)院，新疆 石河子 832000)

?

脫絨棉種活力檢測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

彭順正a，尤 佳b，李景彬a，b

(石河子大學(xué) a.信息科學(xué)與技術(shù)學(xué)院；b.機(jī)械電氣工程學(xué)院，新疆 石河子 832000)

為了實(shí)現(xiàn)脫絨棉種活力的快速無損檢測，利用VS2010和OpenCV混合編程方式開發(fā)一套脫絨棉種活力在線檢測系統(tǒng)分析軟件，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)原理構(gòu)建活力預(yù)測模型。軟件系統(tǒng)主要包括圖像采集模塊、參數(shù)記錄模塊、圖像處理分析及活力檢測模塊，主要實(shí)現(xiàn)了圖像采集、圖像特征提取與分析、脫絨棉種活力預(yù)測及參數(shù)記錄等功能。選取新陸早50、鼎豐10號(hào)、神農(nóng)11號(hào)3個(gè)品種進(jìn)行活力預(yù)測試驗(yàn)，準(zhǔn)確率分別達(dá)到90.29%、84.27%、86.80%。軟件系統(tǒng)的開發(fā)為脫絨棉種活力實(shí)現(xiàn)快速無損檢測分級(jí)奠定了基礎(chǔ)。

脫絨棉種；活力預(yù)測；品質(zhì)分級(jí)；BP神經(jīng)網(wǎng)絡(luò)

0 引言

種子是農(nóng)業(yè)生產(chǎn)的基礎(chǔ)，如何實(shí)現(xiàn)種子品質(zhì)的快速準(zhǔn)確檢測與分級(jí)是目前一個(gè)熱點(diǎn)研究問題。基于機(jī)器視覺技術(shù)進(jìn)行種子的檢測分級(jí)，與傳統(tǒng)的種子分選方法[1-2]相比，具有成本低、精度高等特點(diǎn)。近年來，機(jī)器視覺方法檢測農(nóng)產(chǎn)品在國內(nèi)外已經(jīng)得到廣泛使用[3-11]。

程洪等[12]利用機(jī)器視覺技術(shù)對(duì) 4個(gè)品種玉米籽粒胚部特征進(jìn)行檢測，結(jié)果表明：4個(gè)品種最低識(shí)別率為97.8%。這為基于機(jī)器視覺技術(shù)實(shí)現(xiàn)玉米準(zhǔn)確分類提供了參考。

陳兵旗等[13]應(yīng)用機(jī)器視覺技術(shù)的方法對(duì)水稻種子進(jìn)行了分選，將水稻的面積和長寬比作為特征參數(shù)，檢測水稻是否發(fā)生霉變。實(shí)驗(yàn)對(duì) 10種水稻進(jìn)行了檢測，檢測精度最低為 76.8%。

成芳等[14]基于機(jī)器視覺檢測雜交水稻種子質(zhì)量的要求,對(duì)單粒、靜態(tài)稻種圖像進(jìn)行霉變分析識(shí)別，比較了提取顏色特征的3種方法, 研究了基于顏色特征的稻種霉變檢測算法。經(jīng)試驗(yàn)驗(yàn)證,該算法對(duì)正常稻種、輕度霉變稻種、嚴(yán)重霉變稻種的檢測準(zhǔn)確率分別為92%、95%、83% 。

上述研究成果都是根據(jù)外觀顏色對(duì)種子進(jìn)行分類識(shí)別和分級(jí)，并未考慮種子內(nèi)部品質(zhì)與外觀顏色的關(guān)系進(jìn)行分類。探討內(nèi)部活力品質(zhì)與外觀顏色模型實(shí)現(xiàn)棉種分級(jí)是本研究的亮點(diǎn)。

本文基于VS2010和OpenCV混合編程方式搭建一套脫絨棉種活力檢測軟件系統(tǒng)，為準(zhǔn)確、快速檢測脫絨棉種活力奠定了基礎(chǔ)。

1 系統(tǒng)硬件組成

脫絨棉種圖像采集平臺(tái)主要用于獲取脫絨棉種樣本彩色圖像，通過調(diào)節(jié)相機(jī)相關(guān)參數(shù)，以得到高清圖像，利用圖像處理分析可以提取相關(guān)特征參數(shù)，最終實(shí)現(xiàn)脫絨棉種活力檢測。采集平臺(tái)主要由MV-VDF040SC型號(hào)工業(yè)相機(jī)、M0814-MP2-8mm工業(yè)鏡頭、計(jì)算機(jī)、圖像采集卡、光照箱和環(huán)形光源等組成。計(jì)算機(jī)配置為AMD型CPU，頻率為2.8GHz，內(nèi)存2GB和500GB硬盤。操作系統(tǒng)：旗艦版Win7。照明裝置為直流供電、無閃頻、光照均勻的LED環(huán)形光源。圖像采集平臺(tái)如圖1所示。

1.MV-VDF040SC數(shù)字工業(yè)相機(jī) 2.環(huán)形光源 3.光照箱 4.脫絨棉種 5.可伸縮載物臺(tái) 6.計(jì)算機(jī)

2 軟件功能模塊及主界面設(shè)計(jì)

脫絨棉種活力檢測系統(tǒng)的總架構(gòu)設(shè)計(jì)如圖2所示。系統(tǒng)分為3個(gè)大模塊，即電導(dǎo)率測定參數(shù)記錄模塊、圖像采集模塊、圖像處理及活力預(yù)測模塊。

圖2 軟件總體架構(gòu)設(shè)計(jì)

2.1 測定參數(shù)記錄模塊

測定參數(shù)記錄模塊主要用于記錄和管理脫絨棉種電導(dǎo)率測定實(shí)驗(yàn)的相關(guān)指標(biāo)，為后續(xù)的活力預(yù)測模型的準(zhǔn)確性驗(yàn)證提供參考數(shù)據(jù)。數(shù)據(jù)庫搭建采用MYSQL5.0開發(fā)，運(yùn)用ODBC訪問接口與UI(用戶界面)進(jìn)行通信，實(shí)現(xiàn)對(duì)數(shù)據(jù)庫的訪問操作。根據(jù)實(shí)驗(yàn)需求，針對(duì)數(shù)據(jù)庫記錄集操作，添加必需的增、刪、改、查功能。

2.2 圖像采集模塊

VFW視頻圖像采集方法提供視頻撲捉、影音壓縮和圖像播放功能，優(yōu)點(diǎn)是隨從Windows系統(tǒng)一起安裝，可執(zhí)行文件無需附加額外庫文件，完全滿足開發(fā)本系統(tǒng)圖像采集模塊需求。為此，本軟件選擇基于VFW的圖像采集方案。

本模塊通過分析軟件設(shè)置相機(jī)儀器參數(shù)，實(shí)時(shí)控制系統(tǒng)采集圖像、幀數(shù)目、幀間隔、曝光時(shí)間及相機(jī)啟動(dòng)方式等。

3 圖像處理模塊

本模塊實(shí)現(xiàn)圖像顏色空間轉(zhuǎn)化、灰度化、去噪聲、目標(biāo)輪廓提取、ROI設(shè)置，以及其區(qū)域內(nèi)R、G、B、H、S、V、I1、I2、I3 等12個(gè)特征參數(shù)提取，為后續(xù)構(gòu)建BP網(wǎng)絡(luò)訓(xùn)練集和測試集提供可靠的、準(zhǔn)確的數(shù)據(jù)來源。處理思路簡述如下：

1)克隆一張讀入的樣本圖像，對(duì)克隆圖像進(jìn)行一系列處理，檢測并定位出ROI區(qū)域，計(jì)算并標(biāo)定出ROI區(qū)域的4個(gè)頂點(diǎn)坐標(biāo)。

2)在原圖像濾波后找到相應(yīng)的4個(gè)坐標(biāo)點(diǎn)位置，繪制出ROI區(qū)域。

3)剪切出濾波圖像ROI區(qū)域，提取該區(qū)域R、G、B、H、S、V、I1、I2、I3 等12個(gè)特征參數(shù)。

4)對(duì)提取特征參數(shù)進(jìn)行相關(guān)處理，構(gòu)建訓(xùn)練樣本輸入特征向量。

詳細(xì)處理流程如圖3所示。

圖3 圖像處理流程

為了驗(yàn)證ROI定位和設(shè)置是否符合要求，隨機(jī)選取一粒神農(nóng)11號(hào)數(shù)字圖像進(jìn)行試驗(yàn)，如圖4所示。結(jié)果表明：ROI區(qū)域定位和設(shè)置完全符合要求的。

圖4 ROI區(qū)域準(zhǔn)確性檢驗(yàn)

4 預(yù)測模型搭建

BP網(wǎng)絡(luò)[15](BackPropagation Nueral Network)是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，能夠?qū)W習(xí)和存儲(chǔ)大量的輸入-輸出模式映射關(guān)系，可以用來描述揭示輸入量和輸出量的數(shù)學(xué)模型的映射關(guān)系。

模型只針對(duì)單粒棉種圖像進(jìn)行訓(xùn)練和預(yù)測。BP網(wǎng)絡(luò)構(gòu)建，輸入變量為RGB、HSV、I1I2I3、YUV這4個(gè)顏色模型的12個(gè)顏色特征分量值，故BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為12個(gè)，輸出變量為脫絨棉種活力檢測參數(shù)，故BP網(wǎng)絡(luò)的輸出節(jié)點(diǎn)為1個(gè)。網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的選擇采用了經(jīng)驗(yàn)法，經(jīng)過試驗(yàn)網(wǎng)絡(luò)結(jié)構(gòu)為12-12-1為最優(yōu)。網(wǎng)絡(luò)激活函數(shù)均選擇logistic函數(shù)。根據(jù)需求設(shè)計(jì)出的BP網(wǎng)絡(luò)如圖5所示。

圖5 預(yù)測模型

4.1 活力預(yù)測流程圖

根據(jù)BP神經(jīng)網(wǎng)絡(luò)原理，設(shè)計(jì)了活力預(yù)測方案。首先，通過軟件分析和提取出一定數(shù)量的目標(biāo)圖像的相關(guān)特征值并構(gòu)建成樣本集合，利用相關(guān)方法提出病態(tài)樣本后，利用BP網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練；訓(xùn)練穩(wěn)定后，獲取棉種活力與其外觀顏色特征的數(shù)學(xué)模型；將待測圖像輸入分析軟件，分析和提取相關(guān)的顏色特征參數(shù)，利用構(gòu)建好的BP網(wǎng)絡(luò)輸出活力值，以達(dá)到棉種活力檢測的目的?；盍︻A(yù)測模型流程如圖6所示。

圖6 BP網(wǎng)絡(luò)活力預(yù)測模型流程

4.2 樣本向量的歸一化

考慮到輸入樣本向量各參變量的數(shù)量級(jí)懸殊過大，造成樣本訓(xùn)練困難，需要對(duì)訓(xùn)練集進(jìn)行歸一化處理，本文將輸入樣本向量歸一化在[0-1]之間。歸一化公式為

其中，normalVal表示歸一化后的值；elemi表示輸入向量第i個(gè)元素值；elemmin表示輸入向量的最小值；elemmax表示輸入向量中的最大值。

5 活力預(yù)測結(jié)果的驗(yàn)證

脫絨棉種樣品來自新疆石河子天佐種子有限責(zé)任公司，訓(xùn)練樣本包含新陸早50、神農(nóng)11號(hào)、鼎豐10號(hào)3個(gè)品種，剔除病態(tài)樣本后，訓(xùn)練集(為圖像ROI區(qū)域的12個(gè)顏色特征值)有900幅脫絨棉種圖像(每個(gè)品種各有300圖像)。3個(gè)品種各選取100張圖像進(jìn)行測試，得出預(yù)測值與觀察值比較結(jié)果、預(yù)測精度統(tǒng)計(jì)及計(jì)算結(jié)果如圖7、圖8所示。

個(gè)體樣本的活力預(yù)測準(zhǔn)確率等于其殘差比上觀察值(即電導(dǎo)率數(shù)據(jù))，總體樣本預(yù)測準(zhǔn)確率為所有個(gè)體預(yù)測準(zhǔn)確率的幾何平均值。具體公式為

Δti=|preVali-realVali|

(1)

(2)

(3)

其中，N=100、1≤i≤100、i∈n；Δti為第i個(gè)體樣本殘差值；preVali為第i個(gè)樣本的活力預(yù)測值；realVali是第i個(gè)樣本的觀察值；N為預(yù)測集樣本數(shù)目。

分析圖7中(a)、(b)、(c)比較結(jié)果以看出：3個(gè)品種的預(yù)測值與觀察值總體走勢比較同步。由圖8可以看出：新陸早50、神農(nóng)11號(hào)、鼎豐10號(hào)總體預(yù)測精度大致分別分布在[0.65,1]、 [0.55,1]、[0.48,1]之間。通過式(1)～式(3)可以計(jì)算出預(yù)測準(zhǔn)確率分別為90.29%、84.27%、86.80%。

實(shí)驗(yàn)過程中，經(jīng)過對(duì)3個(gè)樣本集數(shù)據(jù)進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)：新陸早50各個(gè)顏色特征參數(shù)的標(biāo)準(zhǔn)差范圍在[0.062,7.36]之間波動(dòng)，電導(dǎo)率值標(biāo)準(zhǔn)差為153.78μS/cm，電導(dǎo)率波動(dòng)能力在各顏色特征參數(shù)波動(dòng)能力的[26,2480]倍之間；神農(nóng)11號(hào)各顏色特征參數(shù)標(biāo)準(zhǔn)差在[0.042,9.80]之間波動(dòng)，電導(dǎo)率標(biāo)準(zhǔn)差為120.68μS/cm，電導(dǎo)率波動(dòng)能力將近各顏色特征參數(shù)波動(dòng)能力[12,2873]倍之間；鼎豐10號(hào)各顏色特征參數(shù)標(biāo)準(zhǔn)差在[0.044,9.65]之間波動(dòng)，電導(dǎo)率標(biāo)準(zhǔn)差為220.07μS/cm，電導(dǎo)率波動(dòng)能力在各顏色特征參數(shù)波動(dòng)能力的[23,5002]倍之間，這種波動(dòng)會(huì)增加樣本訓(xùn)練難度，影響預(yù)測模型精度。由此得出：在后續(xù)的研究中有必要將訓(xùn)練集樣本顏色特征參數(shù)乘上一個(gè)最優(yōu)放大倍率系數(shù)，擴(kuò)大訓(xùn)練集樣本之間各相應(yīng)顏色特征參數(shù)的區(qū)分度，減少訓(xùn)練難度，提高模型預(yù)測準(zhǔn)確率，同時(shí)減少電導(dǎo)率參數(shù)波動(dòng)帶來負(fù)面影響。

經(jīng)過對(duì)3個(gè)訓(xùn)練集各個(gè)輸入樣本數(shù)據(jù)進(jìn)行對(duì)比分析，有少量的樣本各個(gè)相應(yīng)顏色特征參數(shù)比較接近，但是其電導(dǎo)率參數(shù)卻相差很大，如圖9所示。例如，隨機(jī)從3個(gè)品種樣本集中選出各個(gè)相應(yīng)顏色特征參數(shù)值都比較相近的2粒棉種樣品作對(duì)比分析得出：新陸早50的1#和2#樣本對(duì)應(yīng)電導(dǎo)率分別為538μS/cm和636μS/cm。顏色特征參數(shù)值和比較曲線如圖9(a)所示。

圖7 預(yù)測值與電導(dǎo)率比較圖

圖8 預(yù)測值精度折線圖

圖9 個(gè)體樣本顏色特征比較

神農(nóng)11號(hào)3#和4#樣本對(duì)應(yīng)電導(dǎo)率分別為558μS/cm和305μS/cm，顏色特征參數(shù)值和比較曲線如圖9中(b)圖所示；鼎豐10號(hào)5#和6#樣本電導(dǎo)率分別為722μS/cm和1145μS/cm，顏色特征參數(shù)值和比較曲線如圖9中(c)圖所示。綜合以上3個(gè)品種對(duì)比結(jié)果分析，僅考慮顏色特征，對(duì)具有此類樣本個(gè)體特征的活力預(yù)測將失去意義，加之顏色特征樣本總體波動(dòng)性較弱，樣本間區(qū)分度窄，而活力品質(zhì)波動(dòng)離散性能高，使得預(yù)測模型難度增大，這是造成預(yù)測模型結(jié)果產(chǎn)生偏差內(nèi)在因素。為此，要提高預(yù)測模型的精度和實(shí)用性，更需要彈性地引入新的特征參數(shù)指標(biāo)。根據(jù)現(xiàn)有研究成果，從種子生物學(xué)角度來說，棉種營養(yǎng)物質(zhì)(蛋白質(zhì)、脂肪、衣分等)跟活力值具有密切聯(lián)系[16-17]，因此從脫絨棉種內(nèi)部特征入手是下一步的研究方向。

6 結(jié)論

1)本文提取RGB、HSV、I1I2I3、YUV這4個(gè)顏色模型12個(gè)分量作為BP網(wǎng)絡(luò)的輸入向量特征參數(shù)，相應(yīng)樣本的電導(dǎo)率作為輸出向量特征參數(shù)，運(yùn)用BP網(wǎng)絡(luò)回歸方法預(yù)測脫絨棉種的活力值。實(shí)驗(yàn)結(jié)果表明：新陸早50 預(yù)測準(zhǔn)率達(dá)90.29%，神農(nóng)11號(hào)預(yù)測準(zhǔn)確率達(dá)86.80%，鼎豐10號(hào)預(yù)測準(zhǔn)確率達(dá)84.27%。實(shí)驗(yàn)結(jié)果結(jié)論為后續(xù)基于外觀顏色特征進(jìn)行種子品質(zhì)分級(jí)提供了理依據(jù)。

2)在后續(xù)的研究中可以引入更多的特征指標(biāo)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，從而提高棉種活力預(yù)測的準(zhǔn)確性。

[1] 張正周,李娟,鄭旗,等.計(jì)算機(jī)視覺技術(shù)在農(nóng)產(chǎn)品加工業(yè)中的應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)與技術(shù),2014(1):34-36.

[2] 王吉亮,盧勇濤,楊懷君,等.脫絨棉種精選技術(shù)現(xiàn)狀[J]. 江蘇農(nóng)業(yè)科學(xué),2014(9):5-7.

[3] 展慧,李小昱,王為,等.基于機(jī)器視覺的板栗分級(jí)檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2010(4):327-331.

[4] 譚穗妍,馬旭,吳露露，等.基于機(jī)器視覺和BP神經(jīng)網(wǎng)絡(luò)的超級(jí)雜交稻穴播量檢測[J].農(nóng)業(yè)工程報(bào),2014(21):201-208.

[5] 饒秀勤.基于機(jī)器視覺的水果品質(zhì)實(shí)時(shí)檢測與分級(jí)生產(chǎn)線的關(guān)鍵技術(shù)研究[D].杭州：浙江大學(xué),2007.

[6] 楊飛.基于機(jī)器視覺的花椒外觀品質(zhì)檢測技術(shù)研究[D].重慶：西南大學(xué),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] 趙巍.機(jī)器視覺在西瓜無損檢測與分級(jí)中的應(yīng)用[D].武漢：華中農(nóng)業(yè)大學(xué),2013.

[9] 郭輝.基于機(jī)器視覺的蜜柚品質(zhì)檢測方法研究[D].北京：中國農(nóng)業(yè)大學(xué),2015.

[10] 凌云.基于機(jī)器視覺的谷物外觀品質(zhì)檢測技術(shù)研究[D].北京：中國農(nóng)業(yè)大學(xué),2004.

[11] 李小昱,陶海龍,高海龍,等.馬鈴薯缺陷透射和反射機(jī)器視覺檢測方法分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014(5):191-196.

[12] 程洪,史智興,尹輝娟,等.基于機(jī)器視覺的多個(gè)玉米籽粒胚部特征檢測[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(19):145-151.

[13] 陳兵旗,孫旭東,韓旭,等.基于機(jī)器視覺的水稻種子精選技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2010(7):168-173,180.

[14] 成芳,應(yīng)義斌. 基于顏色特征的稻種霉變檢測算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2004(4):102-105.

[15] 搜搜百科.BP神經(jīng)網(wǎng)絡(luò)[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] 劉軍,黃上志,傅家瑞,等.種子活力與蛋白c質(zhì)關(guān)系的研究進(jìn)展[J]. 植物學(xué)通報(bào),2001(1):46-51，45.

[17] 陳建華,楊繼良,楊偉華,等.棉花種子活力及其影響因素探討[J].棉花學(xué)報(bào),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

國家自然科學(xué)基金項(xiàng)目(31260290)；新疆生產(chǎn)建設(shè)兵團(tuán)博士資金項(xiàng)目(2014BB003)

彭順正(1989-),男,貴州興義人,碩士研究生,(E-mail)28448677@qq.com。

李景彬(1980-),男,新疆石河子人,副教授,碩士生導(dǎo)師，(E-mail)ljb8095@163.com。

S24；TP391.41

A

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