種子的光譜圖像無(wú)損鑒別模型建立方法及種子鑒別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及作物品質(zhì)檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種種子的光譜圖像無(wú)損鑒別模型 建立方法及種子鑒別方法。
【背景技術(shù)】
[0002] 在農(nóng)業(yè)領(lǐng)域經(jīng)常需要對(duì)種子品質(zhì)進(jìn)行鑒別和檢測(cè)。農(nóng)作物產(chǎn)量與種子純度成顯著 正相關(guān)關(guān)系，為了提升玉米、水稻、小麥、大豆等農(nóng)作物種子的質(zhì)量，需要篩選出種子中的雜 質(zhì)和異種種子，現(xiàn)有的基于生物化學(xué)的種子檢測(cè)方法檢驗(yàn)過程繁瑣且周期長(zhǎng)，成本高，需要 專業(yè)人員操作，并且會(huì)對(duì)樣品造成損傷。
[0003] 近年來(lái)，近紅外光譜分析技術(shù)快速發(fā)展，它是一種無(wú)污無(wú)害的綠色分析手段，能快 速無(wú)損地檢測(cè)樣品化學(xué)組分含量，已成功運(yùn)用于玉米水稻小麥等農(nóng)產(chǎn)品品質(zhì)的快速低成本 分析。但是光譜的采集需要高精度光譜儀，儀器成本和采集速度仍然是限制其發(fā)展的一個(gè) 因素，并且得到的光譜信息單一，不能更快更精確地服務(wù)于作物品質(zhì)的快速鑒別。另一方 面，計(jì)算機(jī)視覺技術(shù)作為一種無(wú)損檢測(cè)技術(shù)在農(nóng)業(yè)領(lǐng)域也有著廣泛的應(yīng)用前景。但是現(xiàn)有 技術(shù)大多只利用籽粒表面或有限深度的信息，得不到籽粒內(nèi)部更深的信息，因此容易受種 子正反面的影響。對(duì)于某些種子來(lái)說(shuō)，如果僅僅依賴這些信息，會(huì)降低識(shí)別精度。
[0004] 目前，國(guó)內(nèi)對(duì)種子籽粒進(jìn)行鑒別，檢測(cè)和分選的方法和系統(tǒng)還普遍存在一些問題。 專利CN201789739,涉及一種對(duì)玉米種子單倍體進(jìn)行檢測(cè)及分揀的系統(tǒng)，該系統(tǒng)單單利用 圖像處理方法區(qū)分單倍體，需要預(yù)先擺正玉米籽粒胚面，局限性大。專利CN103521465A， 涉及一種固體籽粒的自動(dòng)檢測(cè)與分選系統(tǒng)及方法，實(shí)現(xiàn)了種子籽粒的表面圖像信號(hào)采集， 但是這種方法不能采集種子單粒的內(nèi)部信息，無(wú)法實(shí)現(xiàn)種子顆粒的內(nèi)部成分分析。專利 CN103706574A，涉及一種固體籽粒自動(dòng)分揀系統(tǒng)，該系統(tǒng)無(wú)法克服籽粒的姿態(tài)對(duì)采集的圖 像的影響，降低了系統(tǒng)分選的正確率。

【發(fā)明內(nèi)容】

[0005] 鑒于上述問題，本發(fā)明提供了一種種子的光譜圖像無(wú)損鑒別模型建立方法及種子 鑒別方法，實(shí)現(xiàn)無(wú)污無(wú)害、高速度、高精度，穩(wěn)定性強(qiáng)的種子品質(zhì)鑒別。
[0006] 根據(jù)本發(fā)明的一個(gè)方面，提供了一種種子的光譜圖像無(wú)損鑒別模型建立方法，該 方法包括：
[0007] 采集各類別的種子籽粒的建模數(shù)據(jù)，每個(gè)類別的種子籽粒的建模數(shù)據(jù)為該類別的 種子籽粒分別處于N個(gè)不同波長(zhǎng)的近紅外光時(shí)的透射光譜圖像；
[0008] 根據(jù)各類別的種子籽粒的化學(xué)特征和近紅外區(qū)域分子吸收的化學(xué)特征從每個(gè)類 別的種子籽粒的建模數(shù)據(jù)中選取一個(gè)波長(zhǎng)對(duì)應(yīng)的光譜圖像作為該類別的減數(shù)圖像，所述減 數(shù)圖像用于表征干擾信息；
[0009] 將每個(gè)類別的種子籽粒的建模數(shù)據(jù)中的其他N-1個(gè)波長(zhǎng)對(duì)應(yīng)的光譜圖像分別對(duì) 該類別的減數(shù)圖像做差運(yùn)算，得到該類別的N-1組圖像；
[0010] 提取每個(gè)類別的N-1組圖像中的種子籽粒圖像，得到各個(gè)類別的N-1組種子籽粒 圖像；
[0011] 計(jì)算所述每個(gè)類別的N-1組種子籽粒的圖像的最佳特征數(shù)據(jù)作為該類別的建模 訓(xùn)練數(shù)據(jù)；
[0012] 根據(jù)各個(gè)類別的建模訓(xùn)練數(shù)據(jù)利用支持向量機(jī)方法建立種子的光譜圖像無(wú)損鑒 別模型。
[0013] 可選的，所述減數(shù)圖像的選取方法為：
[0014] 選取每個(gè)類別的種子籽粒的建模數(shù)據(jù)中表征種子的信息含量最少的光譜圖像，將 該光譜圖像作為該類別的減數(shù)圖像。
[0015] 可選的，所述提取每個(gè)類別的N-1組圖像中的種子籽粒圖像，包括：
[0016] 采用閾值分割算法對(duì)所述每個(gè)類別的N-1組圖像分別進(jìn)行圖像分割，提取每組圖 像中種子籽粒所在最小矩形區(qū)域；
[0017] 采用最近鄰插值算法將所述種子籽粒所在最小矩形區(qū)域進(jìn)行放大，得到各個(gè)類別 的N-1組種子籽粒圖像。
[0018] 可選的，所述計(jì)算所述每個(gè)類別的N-1組種子籽粒的圖像的最佳特征數(shù)據(jù)作為該 類別的建模訓(xùn)練數(shù)據(jù)，包括：
[0019] 分別采用灰度直方圖圖像特征提取方法、灰度分布統(tǒng)計(jì)和灰度共生矩陣圖像特征 提取方法以及局部二值模式圖像特征提取方法，提取每個(gè)類別的N-1組種子籽粒圖像中的 每一組種子籽粒圖像的3個(gè)圖像特征；
[0020] 分別對(duì)每一組種子籽粒圖像的3個(gè)圖像特征進(jìn)行特征降維，得到各個(gè)類別的N-1 組種子籽粒圖像中的每一組種子籽粒圖像的3個(gè)特征數(shù)據(jù)；
[0021] 計(jì)算每個(gè)類別的N-1組種子籽粒圖像中每一組種子籽粒圖像的3個(gè)特征數(shù)據(jù)的可 分性，比較每一組組內(nèi)特征數(shù)據(jù)的可分性指標(biāo)，得到每一組組內(nèi)的最佳特征數(shù)據(jù)及對(duì)應(yīng)的 最佳圖像特征提取方法；
[0022] 比較每個(gè)類別的N-1組組間的最佳特征數(shù)據(jù)的可分性指標(biāo)，得到每個(gè)類別的N-1 組種子籽粒圖像的最終最佳特征數(shù)據(jù)以及對(duì)應(yīng)的用于采集透射光譜數(shù)據(jù)的最佳近紅外光 波長(zhǎng)，并將所述最終最佳特征數(shù)據(jù)作為該類別的建模訓(xùn)練數(shù)據(jù)。
[0023] 可選的，所述對(duì)每一組種子籽粒圖像的3個(gè)圖像特征進(jìn)行特征降維，包括：
[0024] 采用主成分分析法和正交線性判別分析法分別對(duì)所述每一組種子籽粒圖像的3 個(gè)圖像特征進(jìn)行降維，得到每一組種子籽粒圖像的3個(gè)特征數(shù)據(jù)。
[0025] 可選的，采用交叉驗(yàn)證法確定所述主成分分析法所降至的最優(yōu)維數(shù)，具體包括：
[0026] 將每一組樣本數(shù)目為K的圖像特征隨機(jī)分配成L等份，依次取出其中的1份作為 測(cè)試集，剩余的L-1份作為訓(xùn)練集建立測(cè)試模型，依次增加主成分分析法預(yù)設(shè)的要降至的 維度，選取所述測(cè)試集正確率最高時(shí)的維度作為所述主成分分析法所降至的最優(yōu)維數(shù)。
[0027]可選的，所述可分性指標(biāo)為類間類內(nèi)相對(duì)距離，所述類間類內(nèi)相對(duì)距離的計(jì)算公 式如下：
[0028]
[0029] 其中，氏』為第i類和第j類之間的類間類內(nèi)相對(duì)距離，Du表示第i類與第j類重 心的平方歐氏距離，Wi表示第i類內(nèi)部的平均離差平方和，Wj表示第j類內(nèi)部的平均離差 平方和。
[0030] 根據(jù)本發(fā)明的一個(gè)方面，提供了一種采用如上述任一實(shí)施例所述的方法建立的種 子的光譜圖像無(wú)損鑒別模型進(jìn)行種子鑒別的方法，該方法包括：
[0031] 根據(jù)待檢測(cè)種子的類別選取該類別的減數(shù)圖像對(duì)應(yīng)的近紅外光波長(zhǎng)，采集該波長(zhǎng) 處的透射光譜圖像，得到所述待檢測(cè)種子的減數(shù)圖像；
[0032] 根據(jù)待檢測(cè)種子的類別選取該類別的用于采集透射光譜數(shù)據(jù)的最佳近紅外光波 長(zhǎng)，采集該波長(zhǎng)處的透射光譜圖像，得到所述待檢測(cè)種子的最優(yōu)波長(zhǎng)處的光譜圖像；
[0033] 將所述待檢測(cè)種子的最優(yōu)波長(zhǎng)處的光譜圖像對(duì)待檢測(cè)種子的減數(shù)圖像做差運(yùn)算， 得到一組新圖像；
[0034] 提取差運(yùn)算后的新圖像中的待檢測(cè)種子圖像；
[0035] 計(jì)算所述待檢測(cè)種子圖像的最佳特征數(shù)據(jù)；
[0036] 將所述最佳特征數(shù)據(jù)根據(jù)所述種子的光譜圖像無(wú)損鑒別模型進(jìn)行種子品質(zhì)鑒別。
[0037] 可選的，所述計(jì)算所述待檢測(cè)種子圖像的最佳特征數(shù)據(jù)，包括：
[0038] 根據(jù)建模時(shí)確定的最佳圖像特征提取方法對(duì)所述待檢測(cè)種子圖像進(jìn)行特征提取， 得到圖像特征；
[0039] 將所述圖像特征映射到建模時(shí)確定的主成分分析法的特征空間中，得到圖像特征 在PCA空間的表達(dá)，并將經(jīng)主成分分析法處理后的圖像特征映射到建模時(shí)確定的正交線性 判別分析法的特征空間中，得到最佳特征數(shù)據(jù)。
[0040] 可選的，在對(duì)待檢測(cè)種子進(jìn)行鑒別之前，所述方法還包括：
[0041] 根據(jù)預(yù)設(shè)距離閾值化確定是否對(duì)所述待檢測(cè)種子進(jìn)行鑒別，當(dāng)待檢測(cè)種子與所述 種子的光譜圖像無(wú)損鑒別模型的距離D大于化時(shí)，不對(duì)所述待檢測(cè)種子進(jìn)行鑒別。
[0042] 本發(fā)明提供的種子的光譜圖像無(wú)損鑒別模型建立方法及種子鑒別方法的有益效 果為：
[0043] 1、基于近紅外光譜圖像的分析，是間接分析法，屬于綠色分析方法，無(wú)污無(wú)害，操 作方便。
[0044] 2、采用的是少量幾個(gè)波長(zhǎng)處的光譜圖像，數(shù)據(jù)采集速度快，圖像處理速度快，分析 周期短，大大提高檢測(cè)效率?？蓱?yīng)用于對(duì)檢測(cè)分選速度要求較高的場(chǎng)合。
[0045] 3、采用透射成像方式，可以采集到種子籽粒完整的內(nèi)部信息，克服了種子籽粒位 置效應(yīng)的影響，可以準(zhǔn)確對(duì)種子籽粒的性質(zhì)進(jìn)行分析，提高檢測(cè)精度。
[0046] 4、充分考慮了不同類別種子之間的差異，為種子籽粒的正