牧草種子品質(zhì)智能鑒定系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

文 / 李艷梅 尚應(yīng)文

（甘肅農(nóng)業(yè)大學(xué) 信息科學(xué)與技術(shù)學(xué)院，甘肅 蘭州 730070）（甘肅電力投資集團(tuán)有限責(zé)任公司，甘肅 蘭州 730070）

牧草種子品質(zhì)智能鑒定系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

文 / 李艷梅 尚應(yīng)文

（甘肅農(nóng)業(yè)大學(xué) 信息科學(xué)與技術(shù)學(xué)院，甘肅 蘭州 730070）（甘肅電力投資集團(tuán)有限責(zé)任公司，甘肅 蘭州 730070）

牧草種子品質(zhì)好壞很大程度上決定了牧草的產(chǎn)量。目前，種子純度鑒定采用人工鑒定的方法，存在工作效率低、主觀性強(qiáng)的問題。本文采用機(jī)器視覺系統(tǒng)獲取牧草種子數(shù)字圖像；再采用邊緣檢測(cè)、灰度直方圖等方法，對(duì)牧草種子圖像進(jìn)行處理分析，自動(dòng)檢測(cè)提取出能反映牧草種子品質(zhì)的特征參數(shù)，如種子的大小、質(zhì)量、形狀、顏色等數(shù)據(jù)信息；最后利用模糊綜合評(píng)判法，給出種子品質(zhì)好壞的打分結(jié)果。試驗(yàn)數(shù)據(jù)表明, 對(duì)某種特定的牧草種子，本系統(tǒng)可以實(shí)現(xiàn)對(duì)其品質(zhì)的智能鑒定。

牧草種子；邊緣檢測(cè)；雙目測(cè)量;模糊綜合評(píng)判

1 、引言

牧草生產(chǎn)是畜牧業(yè)的基礎(chǔ)，優(yōu)良品質(zhì)的牧草種子是牧草生產(chǎn)的前提，牧草種子品質(zhì)的檢驗(yàn)鑒定工作是保證牧草品質(zhì)的基本。傳統(tǒng)人工牧草種子品質(zhì)人工鑒定方法，費(fèi)時(shí)費(fèi)力，而且由于人工鑒定存在很大的主觀性。隨著計(jì)算機(jī)視覺的發(fā)展，使用數(shù)字圖像處理技術(shù)對(duì)牧草種子圖像進(jìn)行自動(dòng)檢測(cè)，根據(jù)所提取出的圖像邊緣點(diǎn)信息對(duì)影響牧草種子品質(zhì)的條件數(shù)字信息化，為實(shí)現(xiàn)牧草種子品質(zhì)智能鑒定打下基礎(chǔ)，提供定量分析的新思路和新方法。

邊緣是圖像最基本的特征之一，邊緣檢測(cè)已經(jīng)成為圖像處理領(lǐng)域中一個(gè)重要的環(huán)節(jié),有著廣泛的應(yīng)用[3]。圖像邊緣檢測(cè)的相關(guān)理論研究已趨于成熟,經(jīng)典的邊緣檢測(cè)算子有Canny,Sobel,Laplace, Roberts,SUSAN[4]等。本文結(jié)合所測(cè)目標(biāo)圖像邊緣點(diǎn)連續(xù)的性狀特征，采用基于sobel的種子點(diǎn)生長(zhǎng)邊緣檢測(cè)算法[6]，對(duì)牧草種子圖像進(jìn)行邊緣點(diǎn)特征提取，再根據(jù)左右圖像平面上牧草種子的投影平面圖像，利用雙目測(cè)量原理，計(jì)算能夠標(biāo)識(shí)牧草種子品質(zhì)的所有特征點(diǎn)的實(shí)際三維坐標(biāo)，得到影響牧草種子品質(zhì)的參數(shù)化信息，最后根據(jù)數(shù)字化的參數(shù)，利用模糊綜合評(píng)判法對(duì)牧草種子的品質(zhì)優(yōu)劣進(jìn)行判定，給出牧草種子品質(zhì)智能分級(jí)結(jié)果。

2 、影響牧草種子品質(zhì)的參數(shù)信息數(shù)字化

本系統(tǒng)先利用Sobel 邊緣檢測(cè)算子對(duì)采集到的圖像提取邊緣，利用邊緣信息，獲取牧草種子的大小、圓度、均勻度、顏色四個(gè)數(shù)據(jù)信息。對(duì)于不同的牧草種子其外觀形態(tài)差異很大，因此，在對(duì)牧草品質(zhì)智能鑒定系統(tǒng)設(shè)計(jì)初期，先以典型的牧草種子作為鑒定對(duì)象，本文以山黎豆和燕麥作為研究對(duì)象，設(shè)計(jì)程序和相應(yīng)算法，提取出牧草種子的大小、圓度、均勻度、顏色等信息。

（一）提取牧草種子大小、圓度信息

Sobel 邊緣檢測(cè)算子采用3×3大小的模板，在水平方向和垂直方向上的卷積算子表示如圖1所示。

圖1 Sobel卷積算子

對(duì)牧草種子圖像的特征參數(shù)提取時(shí)，均需要先對(duì)圖像進(jìn)行二值化處理，將彩色圖像處理成只包括黑色像素點(diǎn)和白色像素點(diǎn)的圖像。經(jīng)過二值化處理后的圖像，白色點(diǎn)表示種子內(nèi)部像素點(diǎn)，黑色點(diǎn)代表背景像素點(diǎn)。在采集圖像時(shí)考慮到圖像處理的速度和效果，將牧草種子的背景采用純藍(lán)色背景，圖像中僅含有藍(lán)色和非藍(lán)色兩種顏色區(qū)域，牧草種子面積區(qū)域是一塊連通區(qū)域，因此，采用種子點(diǎn)生長(zhǎng)算法，可以很好的提取出牧草種子。

牧草種子的圓度可以采用計(jì)算牧草種子長(zhǎng)軸的長(zhǎng)度和短軸的長(zhǎng)度，通過長(zhǎng)短軸的比值來衡量牧草種子的圓度。如圖所示，燕麥的長(zhǎng)短軸比值用來表示其圓度。

（二）提取牧草種子均勻度和顏色信息

對(duì)多粒牧草種子進(jìn)行檢測(cè)，若種子大小均勻，則種子品質(zhì)好，否則，種子品質(zhì)差。因此，鑒定牧草種子品質(zhì)不僅要看單粒種子，還要以多粒種子的大小圓度分布是否均勻作為品質(zhì)優(yōu)劣的判定條件。本文對(duì)牧草種子均勻度統(tǒng)計(jì)分析分為三個(gè)步驟進(jìn)行：

第一步，采用區(qū)域生長(zhǎng)法或者邊緣檢測(cè)算法對(duì)原圖像進(jìn)行圖像分割，將圖像分割成不同的很多連通區(qū)，每個(gè)連通區(qū)，表示一粒種子圖像；第二步，計(jì)算每個(gè)連通區(qū)的圓度和大??；第三步，統(tǒng)計(jì)圖像中連通區(qū)總數(shù)目和連通區(qū)大小和圓度在不同區(qū)間內(nèi)的連通區(qū)個(gè)數(shù)，若大小圓度差異小，則可判定牧草種子品質(zhì)好，否則品質(zhì)差。

統(tǒng)計(jì)連通區(qū)內(nèi)所有像素點(diǎn)的RED、GREEN、BLUE三個(gè)顏色分量，形成圖像的灰度直方圖，通過查找灰度直方圖的峰底，找到影響種子顏色的主色調(diào)，利用主色調(diào)顏色區(qū)分種子的好壞，如果種子上有發(fā)霉斑點(diǎn)，則被判定為品質(zhì)差，若顏色均勻單一，則被判定為品質(zhì)好。

3 、利用模糊綜合評(píng)判算法對(duì)牧草種子進(jìn)行智能分級(jí)

目前，模糊數(shù)學(xué)中的模糊綜合評(píng)判方法可以對(duì)模糊事物實(shí)現(xiàn)較合理的評(píng)價(jià)，并被廣泛應(yīng)用于社會(huì)、經(jīng)濟(jì)、科學(xué)和技術(shù)等領(lǐng)域[6]。牧草種子品質(zhì)的好壞主要受外觀形狀的大小、圓度、均勻度、顏色等多方面因素的影響，對(duì)圖像處理方法獲取的牧草種子數(shù)字化信息，利用模糊綜合評(píng)判法根據(jù)多個(gè)參數(shù)信息，得到接近人工分級(jí)的自動(dòng)智能分級(jí)結(jié)果。

結(jié)合牧草種子品質(zhì)人工鑒定的經(jīng)驗(yàn)和牧草種子不同種類形狀差異大的特點(diǎn)，對(duì)不同種類牧草種子，記影響種子品質(zhì)的四個(gè)信息量為因素集U。U={大小，圓度，均勻度，顏色}，U中各元素表示種子品質(zhì)好壞的某個(gè)判斷條件，該條件數(shù)據(jù)通過圖像處理系統(tǒng)提供數(shù)字化信息。

在牧草種子判斷條件中，由于每一條件在決定牧草種子品質(zhì)時(shí)的權(quán)重不同，因此，記模糊子集，元素ai表示第i個(gè)因素所占的權(quán)重值，本模型中所用權(quán)重值主要是根據(jù)植保專家提供的經(jīng)驗(yàn)和知識(shí)給出。

把牧草種子品質(zhì)劃分為四個(gè)等級(jí)：優(yōu)、良、一般和差。令評(píng)價(jià)集V={優(yōu)，良，一般，差}，其中Vi表示對(duì)牧草種子品質(zhì)鑒定的結(jié)果?？紤]四個(gè)因素對(duì)評(píng)價(jià)集V中的牧草種子品質(zhì)等級(jí)的隸屬度不同，記單因素評(píng)判矩陣為：

4 、結(jié)果及分析

本文以山黎豆和燕麥種子作為鑒定對(duì)象，人工挑選出100粒山黎豆種子和100粒燕麥種子，其中優(yōu)、良、一般和差不同品質(zhì)的種子各25粒。采用型號(hào)為MV-VEM200SC的小型GigE工業(yè)網(wǎng)絡(luò)數(shù)字?jǐn)z像機(jī)和AFT-0614MP百萬像素工業(yè)鏡采集牧草種子的圖像，圖像大小為：1600*1200，單位：像素。實(shí)驗(yàn)平臺(tái)選用Visual Basic6.0。

圖2和圖3是25粒品質(zhì)優(yōu)的山黎豆種子和25粒品質(zhì)差的山黎豆種子的邊緣點(diǎn)檢測(cè)圖像，從圖像可以看出，圖像的邊緣可以反映出種子的大小圓度等信息。圖4為一粒品質(zhì)優(yōu)的山黎豆種子的種子區(qū)域聯(lián)通圖，可以提取出該粒種子的大小和圓度信息，圖5為20粒品質(zhì)優(yōu)和20粒品質(zhì)差的種子聯(lián)通區(qū)圖像，由此圖像可分析得到多粒種子的均勻度。

圖2 品質(zhì)差的25粒種子

圖3 品質(zhì)好的25粒種子

圖4 一粒種子的連通區(qū)

圖5 40粒種子的連通區(qū)

通過本鑒定系統(tǒng)，可對(duì)山黎豆和燕麥兩類牧草種子進(jìn)行智能鑒定，通過圖像獲取，從而得到接近現(xiàn)實(shí)的正確分類。

5 、結(jié)束語

本文利用數(shù)字圖像處理方法和機(jī)器視覺雙目測(cè)量系統(tǒng)對(duì)牧草種子圖像進(jìn)行處理分析，提取出可用于牧草種子品質(zhì)分級(jí)的種子大小、種子圓度、種子分布均勻度、和種子的顏色四個(gè)數(shù)字化參數(shù)信息，最后利用模糊綜合評(píng)判方法，根據(jù)人工鑒定經(jīng)驗(yàn)，給出影響種子品質(zhì)鑒定的四個(gè)因素所占的權(quán)重，得到接近現(xiàn)實(shí)分級(jí)的智能鑒定結(jié)果。實(shí)驗(yàn)證明，本文設(shè)計(jì)的算法能夠?qū)ι嚼瓒购脱帑湻N子品質(zhì)進(jìn)行智能自動(dòng)分級(jí)，是一種有效的鑒定方法。

[1] 嵇鐘玉,龔麗農(nóng),黃挺堅(jiān)等.種子自動(dòng)篩選系統(tǒng)軟件設(shè)計(jì).農(nóng)機(jī)化研究, 2013, 11(11):56-60

[2] 魏光杏,吳錫生.新型邊緣檢測(cè)法[J].計(jì)算機(jī)工程與設(shè)計(jì),2007,28(4):882-883,887

[3] 章毓晉.圖像分割[M].北京:科學(xué)出版社,2001.

[4] 曾脈.基于數(shù)字圖像處理的羊毛測(cè)量與分類系統(tǒng)[D].西安:電子科技大學(xué)碩士學(xué)位論文,2008.

[5] 何斌,馬天宇.Visual C++數(shù)字圖像處理（第二版）[M].北京:人民郵電出版社.2003.

[6] 汪培莊,模糊集合論及其應(yīng)用[M].上海:上海科學(xué)技術(shù)出版社,1983.

甘肅農(nóng)業(yè)大學(xué)盛彤笙基金項(xiàng)目（GSAU-STS-1413）