李頎 王康 強(qiáng)華 馬琳

摘要：針對(duì)玉米選種過(guò)程中異常種穗的外觀缺陷難以準(zhǔn)確識(shí)別的問(wèn)題，以玉米種穗為研究對(duì)象，通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)快速識(shí)別雜色、缺粒、蟲(chóng)蛀、籽粒雜亂4種異常種穗。選擇單目視覺(jué)采集裝置，采集任意姿態(tài)玉米種穗圖像，利用凹點(diǎn)匹配算法分割粘連玉米種穗;采用HSV和CLBP（完全局部二值模式）方法提取玉米種穗的顏色和紋理特征，利用匹配得分融合算法融合玉米種穗的顏色和紋理特征，建立玉米種穗分類模型，利用SVM實(shí)現(xiàn)4種異常玉米種穗的快速分類。試驗(yàn)結(jié)果表明，該方法相對(duì)于傳統(tǒng)玉米種穗檢測(cè)技術(shù)能快速有效識(shí)別出4種異常玉米種穗，對(duì)雜色、缺粒、蟲(chóng)蛀、籽粒雜亂玉米種穗的識(shí)別正確率分別達(dá)到了96.0%、94.7%、93.6%和95.3%，玉米種穗在有粘連和無(wú)粘連情況下平均識(shí)別速度分別為每穗1.180 s和0.985 s，能夠滿足異常種穗分類識(shí)別的需求。

關(guān)鍵詞：玉米種穗;計(jì)算機(jī)視覺(jué);顏色特征;紋理特征;分類識(shí)別

中圖分類號(hào)：S126;TP391.41文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2020）01-0024-08

Abstract：This study aims at the problem that it is difficult to accurately identify the appearance defects of abnormal corn ears during corn selection. Taking the whole corn ear as the research object， the four kinds of abnormal corn ears（variegated corn ear， missing corn ear， worm-eaten corn ears and untidy corn ears） were quickly identified by computer vision technology. The monocular visual image acquisition device was selected to collect the image of the corn ear in arbitrary posture， and the pit matching algorithm was used to complete the rapid segmentation of the cohesive corn ear. The HSV color model and complete local binary pattern（CLBP） method were used to extract color and texture features of corn ear， and the matching score fusion algorithm was used to fuse the color and texture features of corn ear. At the same time， an abnormal corn ears classification model was established. Finally， the rapid classification of four abnormal corn ears was achieved by support vector machine（SVM）. The experimental results showed that this method could quickly and effectively identify four abnormal corn ears compared with traditional corn ear measurement technology. The correct recognition rate of this method was 96.0%， 94.7%， 93.6% and 95.3% for the variegated corn ears， missing corn ears， worm-eaten corn ears and untidy corn ears. The average recognition speed of maize seed ear in the presence of adhesion and non-adhesion was 1.180 seconds per ear and 0.985 seconds per ear. This method can provide a basis for the identification of abnormal ears during the intelligent corn ear sorting process.

Key words：corn ears;computer vision;color features;texture features;classification and recognition

異常玉米種穗是制約玉米產(chǎn)量和質(zhì)量的重要因素，目前玉米種穗的檢測(cè)主要由人工完成?；跈C(jī)器視覺(jué)技術(shù)的異常玉米種穗分類識(shí)別能夠有效解決傳統(tǒng)人工檢測(cè)速度慢、精度低、主觀誤差大、容易疲勞出錯(cuò)等問(wèn)題，并且能夠?yàn)橛衩追N穗的自動(dòng)化分揀奠定基礎(chǔ)。近年來(lái)，國(guó)內(nèi)外采用機(jī)器視覺(jué)技術(shù)對(duì)玉米的研究主要集中于玉米籽粒的分析和處理[1-4]，對(duì)于玉米種穗整穗外觀缺陷檢測(cè)的研究方法較少[5]。在玉米種穗識(shí)別方面，李偉等利用HSV顏色空間方法檢測(cè)玉米種穗的外觀性狀，單一用明度V的標(biāo)準(zhǔn)差和均值表征玉米種穗顏色和紋理的特征，未對(duì)異常玉米種穗進(jìn)行識(shí)別[6]。張帆等對(duì)玉米種穗的霉變、蟲(chóng)蛀、機(jī)械損傷3種情況進(jìn)行了識(shí)別和分析，沒(méi)有識(shí)別雜色、籽粒雜亂等其他異常玉米種穗[7]。王慧慧等通過(guò)HSI模型研究了鮮食玉米種穗的外觀品質(zhì)，利用玉米種穗的H值進(jìn)行雙向一次微分運(yùn)算，根據(jù)H的單位變化量實(shí)現(xiàn)玉米種穗缺陷識(shí)別，但不能識(shí)別出缺陷玉米種穗的具體類別[8]。崔欣等[9]以玉米種穗籽粒為研究對(duì)象，根據(jù)玉米籽粒的形態(tài)特征提取籽粒矩形度、圓形度、緊湊度等16個(gè)特征參數(shù)，最終實(shí)現(xiàn)了損傷籽粒的識(shí)別，雖然沒(méi)有研究玉米種穗的整體特性，但對(duì)本研究的蟲(chóng)蛀和缺粒玉米種穗識(shí)別提供了參考方法。玉米種穗的外觀缺陷類型不僅與種穗的顏色特征相關(guān)，而且也與種穗的紋理特征相關(guān)。若僅采用顏色特征判別種穗的缺陷類型，容易造成顏色相近的玉米種穗被誤識(shí)別成同一類;若僅采用紋理特征識(shí)別玉米種穗，易造成紋理特征相似的玉米種穗被分為同一類。本研究以玉米種穗整體為研究對(duì)象，將玉米種穗HSV模型中3個(gè)通道的均值和標(biāo)準(zhǔn)差作為玉米種穗的顏色特征向量以及利用CLBP方法得到的紋理特征，全面表征玉米種穗的外觀特征信息，用于解決雜色、缺粒、蟲(chóng)蛀、籽粒雜亂玉米種穗難以識(shí)別的問(wèn)題，為實(shí)現(xiàn)智能化玉米種穗的分類識(shí)別提供理論依據(jù)。

1材料與方法

1.1試驗(yàn)材料

試驗(yàn)時(shí)間為2019年3-7月，試驗(yàn)地點(diǎn)為西安品誠(chéng)電子科技有限公司。以西北地區(qū)廣為種植的先玉335玉米品種中的雜色、缺粒、蟲(chóng)蛀以及籽粒雜亂成熟玉米種穗為研究對(duì)象。試驗(yàn)玉米穗長(zhǎng)在165 mm至245 mm之間，種穗最大直徑在43 mm至65 mm之間。常見(jiàn)4種異常玉米種穗如圖1所示。

1.2玉米種穗圖像采集

玉米種穗圖像采集裝置（圖2）包括傳送帶、黑色暗箱、LED補(bǔ)光燈、邁視威CCD彩色工業(yè)相機(jī)以及PC機(jī)。傳送帶長(zhǎng)寬尺寸為150 cm×40 cm;暗箱為一個(gè)立方體，尺寸大小為40 cm×40 cm×40 cm;2個(gè)長(zhǎng)度為35 cm的LED補(bǔ)光燈置于暗箱頂部側(cè)面;CCD工業(yè)相機(jī)垂直懸掛于暗箱頂部中央位置，攝像頭最大分辨率為3.00×106像素，即2 048 px×1 536 px，相機(jī)視場(chǎng)大小為40 cm×40 cm。為了保證相機(jī)采集到清晰且亮度一致的玉米種穗圖像，暗箱內(nèi)采用光照度為110 cd的2個(gè)LED補(bǔ)光燈使暗箱內(nèi)不受外界環(huán)境的影響，始終保持光線均勻的弱光條件。玉米種穗通過(guò)傳送帶被傳送至暗箱后，照相機(jī)采集玉米種穗圖像，圖像通過(guò)USB接口發(fā)送給PC機(jī)，在PC機(jī)上對(duì)玉米種穗圖像進(jìn)行分析和處理。玉米種穗圖像采集裝置實(shí)物圖見(jiàn)圖3。

1.3玉米種穗顏色和紋理特征提取

玉米種穗的缺粒區(qū)域呈灰白色，蟲(chóng)蛀區(qū)域呈乳白色，兩者的顏色比較接近。缺粒區(qū)域在HSV模型中的H（2～5）、S（60～79）、V（229～253）和蟲(chóng)蛀區(qū)域在HSV模型中的H（2～8）、S（33～68）、V（232～255）中均有交叉部分，因此通過(guò)顏色特征來(lái)區(qū)分缺粒和蟲(chóng)蛀玉米種穗時(shí)容易錯(cuò)分。籽粒雜亂玉米和正常玉米的HSV顏色值基本在（11，102，241）附近波動(dòng)，用顏色難以區(qū)分，需要通過(guò)玉米種穗的紋理特征才能將兩者區(qū)分開(kāi)。而雜色玉米種穗的HSV顏色模型中S（137～197）、V（95～125）顏色值與其他3種玉米種穗的S、V顏色值沒(méi)有交集，能夠明顯區(qū)分開(kāi)，因此用顏色比較容易區(qū)分。

單獨(dú)利用玉米種穗的顏色或紋理特征難以將異常玉米種穗?yún)^(qū)分開(kāi)，因此本研究采用將玉米種穗顏色和紋理特征相結(jié)合的方法來(lái)識(shí)別異常玉米種穗。對(duì)異常玉米種穗的識(shí)別主要是識(shí)別單個(gè)玉米種穗或玉米種穗的異常區(qū)域（雜色籽粒、缺粒、蟲(chóng)蛀籽粒、排列雜亂籽粒），因此本研究主要提取單個(gè)玉米種穗的顏色特征和異常區(qū)域的紋理特征，從而識(shí)別異常玉米種穗的類型。

1.3.1顏色特征提取HSV顏色模型支持大量的圖像分析算法，與BGR相比，HSV顏色模型更接近人類視覺(jué)感知特點(diǎn)，更利于圖像的分析和處理。針對(duì)玉米種穗的顏色特征，采用HSV顏色模型提取異常玉米種穗顏色特征向量，而顏色矩中的低階矩存儲(chǔ)著異常玉米種穗的大部分顏色信息，因此主要提取玉米種穗HSV空間的H、S和V通道的一階矩μ（均值）以及二階矩δ（標(biāo)準(zhǔn)方差）6個(gè)參數(shù)作為玉米種穗的顏色特征向量。

為了排除剪切出的單個(gè)玉米種穗圖像黑色背景部分對(duì)計(jì)算結(jié)果的影響，利用H、S、V通道計(jì)算H、S和V的均值和標(biāo)準(zhǔn)差時(shí)，不能計(jì)算玉米種穗輪廓外的背景區(qū)域。因此H、S和V通道的玉米種穗輪廓區(qū)域A對(duì)象的均值和方差計(jì)算為公式（1）和（2）。

M、N分別表示剪切出的單個(gè)玉米種穗圖像的像素長(zhǎng)和寬，A表示單個(gè)玉米種穗輪廓區(qū)域的像素面積，P（x，y）表示H、S和V通道玉米種穗圖像在（x，y）點(diǎn)的像素值。

通過(guò)玉米種穗的HSV顏色空間模型分析，將H、S和V通道的均值（μ）、標(biāo)準(zhǔn)方差（δ）這6個(gè)值作為玉米種穗的顏色特征值，表征玉米種穗的顏色特征，并記顏色特征向量為hsv，則其可表示為：hsv=[μH，δH，μS，δS，μV，δV]。

1.3.2紋理特征提取由于局部二值模式（LBP）在紋理識(shí)別方面具有計(jì)算復(fù)雜度低、數(shù)據(jù)量小以及效果較好等優(yōu)勢(shì)，可用于表征局部圖像的紋理空間結(jié)構(gòu)，而被廣泛應(yīng)用于紋理特征識(shí)別[10]。但傳統(tǒng)的LBP描述僅僅利用了單一差分符號(hào)信息，簡(jiǎn)化了局部紋理結(jié)構(gòu)，損失了其他紋理信息，導(dǎo)致兩種不同的紋理可能被誤識(shí)別，歸為同一類。CLBP特征信息比原始LBP特征信息更全面，并且CLBP方法對(duì)紋理的表征能力優(yōu)于傳統(tǒng)的LBP方法[11-12]。由于CLBP能夠反映玉米種穗的局部紋理特征，并且相對(duì)于LBP能夠更全面地表征局部紋理結(jié)構(gòu)，因此本研究采用基于CLBP的紋理特征提取算法提取玉米種穗紋理特征參數(shù)。

CLBP從局部差異符號(hào)與大小轉(zhuǎn)換的角度分析了LBP方法，由3種不同的描述子組成：灰度描述子CLBP_C、符號(hào)描述子CLBP_S和幅度描述子CLBP_M。為了保證CLBP算子能夠處理玉米種穗紋理區(qū)域的每一個(gè)像素點(diǎn)，采用半徑為1 px的8鄰域旋轉(zhuǎn)不變二值模式對(duì)紋理特征進(jìn)行描述。CLBP的3個(gè)描述子如式（3）、（4）、（5）所示，將CLBP_S8，1、CLBP_M8，1和CLBP_C8，1結(jié)合在一起組成CLBP8，1描述子。

式中，gc代表窗口中心位置像素值;gp代表以gc為中心，半徑為1 px的環(huán)形領(lǐng)域像素值;mp表示中心像素和鄰域像素差值的絕對(duì)值;τ表示玉米種穗紋理局部區(qū)域圖像幅度值mp的均值，p=0，1…，7;cl是一個(gè)自適應(yīng)閾值，我們將其設(shè)置為玉米種穗局部區(qū)域圖像的灰度均值。

由于玉米種穗的H通道圖接近于黑色，難以從中提取到紋理特征，因此選擇求取BGR以及S、V通道的CLBP8，1直方圖作為玉米種穗的紋理特征，分別記為QBGR、QS和QV，則玉米種穗紋理區(qū)域圖像的特征向量為Q=[QBGR，QS，QV]。

1.4玉米種穗特征向量匹配得分特征融合及分類識(shí)別

由于要對(duì)提取的異常玉米種穗顏色和紋理特征進(jìn)行融合，計(jì)算出玉米種穗的融合得分值，從而判斷出玉米種穗最相似的類型作為玉米種穗可能所屬類別，因此選擇SVM學(xué)習(xí)方法，再利用SVM算法實(shí)現(xiàn)異常玉米種穗的分類。因?yàn)镾VM是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)化最小的學(xué)習(xí)方法，SVM求得的是全局唯一最優(yōu)解。要解決異常玉米種穗線性不可分問(wèn)題，核函數(shù)的選擇在SVM分類算法中至關(guān)重要。由于異常玉米種穗的特征數(shù)量不多，樣本數(shù)量不是特別大，因此采用SVM+高斯（RBF）核函數(shù)對(duì)異常玉米種穗進(jìn)行分類。

2結(jié)果與分析

2.1圖像預(yù)處理及粘連玉米種穗的分割

本研究所用的方法均在Python 3.5.4 和Opencv-python 4.0.0.21環(huán)境下進(jìn)行試驗(yàn)測(cè)試。為了保證采集到清晰的玉米種穗圖像以及系統(tǒng)具有較高的圖像處理速度，將CCD工業(yè)攝像機(jī)的分辨率設(shè)置為640 dpi×480 dpi。利用泛洪填充算法對(duì)采集到的BGR圖像進(jìn)行去背景處理，將墨綠色傳送帶背景填充為黑色，并對(duì)圖像進(jìn)行灰度化處理，最后利用Otsu（大津法）自適應(yīng)閾值分割算法對(duì)玉米種穗圖像進(jìn)行二值化處理[13]，得到二值化玉米種穗圖像。

為了提取單個(gè)玉米種穗圖像的顏色和紋理特征，需要分割粘連的玉米種穗。經(jīng)過(guò)分析，采集的單個(gè)玉米種穗圖像最大像素面積不超過(guò)7 000 dpi。采用凹點(diǎn)匹配算法分割粘連玉米種穗圖像[14]，首先篩選出面積大于7 000 dpi的粘連玉米種穗輪廓區(qū)域進(jìn)行最小凸閉包檢測(cè)，獲取二值化后的粘連玉米種穗圖像輪廓最小凸閉包，得到粘連玉米種穗輪廓最小凸閉包的匹配凹區(qū)以及對(duì)應(yīng)的分割凹點(diǎn)對(duì)，最后根據(jù)得到的分割凹點(diǎn)對(duì)完成粘連玉米種穗的分割。

采用改進(jìn)的最小外接矩形法 （MER）獲取玉米種穗的最小外接矩形區(qū)域，根據(jù)單個(gè)玉米種穗最小外接矩形的4個(gè)頂點(diǎn)對(duì)玉米種穗進(jìn)行旋轉(zhuǎn)剪切，獲得單個(gè)玉米種穗圖像。玉米種穗圖像粘連分割處理過(guò)程見(jiàn)圖4。

2.2異常種穗的顏色和紋理特征提取結(jié)果

將BGR玉米種穗圖像轉(zhuǎn)換為HSV圖像后，進(jìn)行HSV通道分離，得到玉米種穗的H、S、V通道圖。4種異常玉米種穗的H、S、V通道圖如圖5所示。

通過(guò)玉米種穗顏色特征計(jì)算公式（1）、（2）計(jì)算旋轉(zhuǎn)剪切出的單個(gè)玉米種穗圖像的H、S和V通道的均值μH、μS、μV，標(biāo)準(zhǔn)方差δH、δS、δV，共6個(gè)顏色特征值。異常玉米種穗的6個(gè)顏色特征值見(jiàn)表1。4種異常玉米種穗的40×40像素的局部紋理圖如圖6所示。

由圖5可知，從異常玉米種穗的H通道中難以獲得其紋理特征，因此選擇提取異常玉米種穗的BGR以及S、V通道的紋理特征值，作為玉米種穗的特征值。設(shè)置與訓(xùn)練樣本40×40像素大小相等的窗口，旋轉(zhuǎn)剪切出單個(gè)玉米種穗圖像，圖像移動(dòng)一次得到一幅玉米種穗圖像區(qū)域，用于玉米種穗的紋理特征識(shí)別。通過(guò)玉米種穗紋理特征提取的公式（3）、（4）和（5）得到玉米種穗BGR以及S、V通道的直方圖（圖7～圖10）。

2.3基于顏色和紋理特征的異常玉米種穗分類與試驗(yàn)結(jié)果

2.3.1樣本選擇以及分類識(shí)別從采集的玉米種穗庫(kù)中，選取4種已知異常玉米種穗以及正常玉米種穗圖像，每類各100幅共500幅作為訓(xùn)練集。再分割出4種已知異常玉米種穗的局部異常區(qū)域圖像各100幅，并統(tǒng)計(jì)每塊異常玉米種穗?yún)^(qū)域圖像的尺寸大小。為了確保圖像處理過(guò)程中不錯(cuò)過(guò)面積較小的異常部位，并且系統(tǒng)具有較高的識(shí)別精度以及處理速度，通過(guò)試驗(yàn)分析選取40×40像素大小的矩形區(qū)域圖像作為提取紋理特征的訓(xùn)練樣本。另外分別選取100個(gè)正常、125個(gè)雜色、132個(gè)缺粒、110個(gè)蟲(chóng)蛀、108個(gè)籽粒雜亂的玉米種穗圖像作為測(cè)試樣本。

用選取的玉米種穗樣本參數(shù)對(duì)SVM進(jìn)行訓(xùn)練，得到SVM分類模型，利用分類模型實(shí)現(xiàn)異常玉米種穗的快速分類。在Python中分2個(gè)線程提取玉米種穗的特征能夠提高玉米種穗的處理速度。系統(tǒng)的第一個(gè)線程提取待測(cè)玉米種穗的顏色特征，第二個(gè)線程提取玉米種穗的紋理特征，在主線程中將顏色和紋理特征進(jìn)行融合，利用SVM分類器對(duì)待側(cè)玉米種穗進(jìn)行分類。系統(tǒng)分類識(shí)別流程如圖11所示。

本系統(tǒng)對(duì)測(cè)試樣本的分類識(shí)別結(jié)果見(jiàn)表2。從表2可以看出本方法對(duì)異常玉米種穗的識(shí)別準(zhǔn)確率較高，達(dá)到了93%以上。由于缺粒和蟲(chóng)蛀玉米種穗在顏色上比較接近，大塊蟲(chóng)蛀區(qū)域和缺粒區(qū)域紋理特征比較相似，因此對(duì)于缺粒和蟲(chóng)蛀玉米種穗容易出現(xiàn)互相識(shí)別錯(cuò)誤的情況。籽粒雜亂和正常玉米種穗在顏色特征上比較接近，因此也容易出現(xiàn)相互識(shí)別錯(cuò)誤的情況。

2.3.2種穗識(shí)別速度識(shí)別速度測(cè)試計(jì)算機(jī)配置為六核2.2 GHz CPU、8 G內(nèi)存、4 GB獨(dú)立顯卡，運(yùn)行平臺(tái)Windows10。速度測(cè)試方案：分別選取20穗正常、雜色、缺粒、蟲(chóng)蛀、籽粒雜亂玉米種穗共100穗進(jìn)行有粘連和無(wú)粘連測(cè)量。速度測(cè)試結(jié)果表明，本系統(tǒng)在有粘連和無(wú)粘連情況下，每穗平均識(shí)別速度分別為1.180 s和0.985 s。周金輝等[5]通過(guò)可見(jiàn)光二維成像獲取種穗三維表型性狀參數(shù)，計(jì)算穗長(zhǎng)、穗粗、穗行數(shù)以及粒數(shù)，每穗測(cè)量時(shí)間約1.8 s。相比而言，本方法在滿足異常種穗識(shí)別精度的前提下，有較快的測(cè)量速度，能夠?qū)崿F(xiàn)玉米種穗的在線識(shí)別與處理，可用于大批量玉米種穗自動(dòng)化分揀。

2.3.3玉米種穗用戶管理平臺(tái)利用PyQt5為本系統(tǒng)開(kāi)發(fā)了玉米種穗用戶管理平臺(tái)，平臺(tái)能夠?qū)崟r(shí)顯示當(dāng)前生產(chǎn)狀況以及處理結(jié)果（圖12）。利用本方法，系統(tǒng)可準(zhǔn)確識(shí)別出4種異常玉米種穗，并將識(shí)別結(jié)果顯示在上位機(jī)用戶機(jī)界面，便于用戶查看和分析。

3討論

本研究通過(guò)對(duì)玉米種穗外觀特征進(jìn)行分析，所建立的方法能夠有效地識(shí)別4種異常玉米種穗類型，提高了異常玉米種穗的篩選效率。

對(duì)于玉米種穗外觀缺陷的研究，李偉等[6]在用HSV空間模型檢測(cè)玉米種穗性狀時(shí)，利用V通道的均值和標(biāo)準(zhǔn)差表征玉米種穗的紋理和顏色特征存在不合理性，V通道的均值和標(biāo)準(zhǔn)差難以表征玉米種穗的紋理特征。張帆等[7]在RGB和HIS模型中利用玉米種穗的顏色和紋理特征識(shí)別異常玉米種穗，其中利用玉米種穗各個(gè)顏色通道的均值作為玉米種穗的顏色特征向量表征玉米種穗的顏色特征，但是各個(gè)顏色通道的均值只能反映玉米種穗的整體顏色特征，不能反映玉米種穗的局部顏色分布情況，對(duì)玉米種穗的顏色特征表征存在較大的誤差，對(duì)機(jī)械損傷玉米種穗的識(shí)別正確率只達(dá)到90.0%。王慧慧等[8]通過(guò)HSI模型對(duì)鮮食玉米種穗的外觀缺陷進(jìn)行識(shí)別與分析，根據(jù)玉米種穗的缺陷面積與整個(gè)玉米種穗面積計(jì)算出玉米種穗的缺陷比，以此判別玉米種穗是否屬于等外品，但不能識(shí)別出玉米種穗的具體缺陷類別。

本研究將廣泛用于人臉識(shí)別的CLBP方法引入到玉米種穗的紋理特征提取上，為玉米種穗的識(shí)別提供了一種新的紋理提取方法。識(shí)別結(jié)果表明，該方法對(duì)玉米種穗的紋理識(shí)別具有很好的適應(yīng)性，并且能夠準(zhǔn)確地識(shí)別出異常玉米種穗。

本研究以雜色、缺粒、蟲(chóng)蛀、籽粒雜亂4種異常玉米種穗為研究對(duì)象，針對(duì)目前玉米種穗外觀缺陷檢測(cè)處于人工階段的問(wèn)題，提出了一種基于HSV顏色和CLBP紋理特征的異常玉米種穗分類識(shí)別方法，結(jié)合玉米種穗的整體顏色特征和局部紋理特征，并利用匹配得分特征融合算法融合玉米種穗的6個(gè)顏色特征和3個(gè)紋理特征，利用SVM分類器實(shí)現(xiàn)了對(duì)異常玉米種穗的自動(dòng)分類。試驗(yàn)結(jié)果表明，該方法對(duì)雜色、缺粒、蟲(chóng)蛀、籽粒雜亂玉米種穗的分類識(shí)別準(zhǔn)確率分別達(dá)到了96.0%、94.7%、93.6%和95.3%，在有粘連和無(wú)粘連情況下每穗識(shí)別速度分別為1.180 s和0.985 s，有效解決了雜色、缺粒、籽粒雜亂玉米種穗難以識(shí)別的問(wèn)題，并彌補(bǔ)了傳統(tǒng)人工識(shí)別效率低、主觀性強(qiáng)的缺點(diǎn)，因此在異常玉米種穗的識(shí)別方面該方法有著廣闊的應(yīng)用前景。

參考文獻(xiàn)：

[1]劉長(zhǎng)青，陳兵旗. 基于機(jī)器視覺(jué)的玉米果穗?yún)?shù)的圖像測(cè)量方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（6）：131-138.

[2]杜建軍，郭新宇，王傳宇，等. 基于分級(jí)閾值和多級(jí)篩分的玉米果穗穗粒分割方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（15）：140-146.

[3]SUN X H， GUO M， MA M， et al. Identification and classification of damaged corn kernels with impact acoustics multi-domain patterns[J]. Computers and Electronics in Agriculture，2018，150：152-161.

[4]張玉榮，王偉宇，周顯青，等. 基于外觀特征識(shí)別玉米不完善粒檢測(cè)方法[J].河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，36（2）：1-7.

[5]周金輝，馬欽，朱德海，等. 基于機(jī)器視覺(jué)的玉米果穗產(chǎn)量組分性狀測(cè)量方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（3）：221-227.

[6]李偉，胡艷俠，呂岑. 基于HSV空間的玉米果穗性狀的檢測(cè)[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，43（1）：112-116.

[7]張帆，李紹明，劉哲，等. 基于機(jī)器視覺(jué)的玉米異常果穗篩分方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（S1）：45-49.

[8]王慧慧，孫永海，張婷婷，等. 鮮食玉米果穗外觀品質(zhì)分級(jí)的計(jì)算機(jī)視覺(jué)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41（8）：156-159.

[9]崔欣，張鵬，趙靜，等. 基于機(jī)器視覺(jué)的玉米種粒破損識(shí)別方法研究[J].農(nóng)機(jī)化研究，2019，41（2）：28-33.

[10]ZINEB Y， LARBI B， ABDELHANI B. Human ear recognition based on local multi-scale LBP features withcity-block distance[J]. Multimedia Tools and Applications，2019，78（11）： 14425-14441.

[11]周宇旋，吳秦，梁久禎，等. 判別性完全局部二值模式人臉表情識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（4）：163-169.

[12]WANG X L， ZHU Q， CUI J R， et al. Sparse representation method based on Gabor and CLBP[J]. Optik-International Journal for Light and Electron Optics，2013，124（22）： 5843-5850.

[13]范朝冬，歐陽(yáng)紅林，肖樂(lè)意. 基于空間截面投影的Otsu圖像分割算法[J].通信學(xué)報(bào)，2014，35（5）：70-78.

[14]王小鵬，姚麗娟，文昊天，等. 形態(tài)學(xué)多尺度重建結(jié)合凹點(diǎn)匹配分割枸杞圖像[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（2）：212-218.

（責(zé)任編輯：張震林）