CN103324959A - 播种质量检测方法和装置 - Google Patents

Abstract

本发明公开了一种播种质量检测方法和装置，所述方法包括：通过对已标定类别的秧盘图像样本进行学习，确定分类器模型；输入自动播种后的秧盘图像；利用所述分类器模型对所述秧盘图像进行识别和分类。应用本发明技术方案，通过对已标定类别的秧盘图像样本进行学习，确定分类器模型，再输入自动播种后的秧盘图像，利用分类器模型对秧盘图像进行识别和分类，相比于现有技术，不需要人工参与，节约了人工成本，且无人为干扰，提高了检测效率，并且学习的秧盘图像样本越多，检测的精度越高。

Description

播种质量检测方法和装置

技术领域

本发明涉及图像识别技术领域，特别是涉及一种播种质量检测方法和装置。

背景技术

自动播种是农业自动化的一个重要环节。目前，自动播种已经处于实际应用阶段。国内外已有科研机构、企业研制了自动化的播种机，例如水稻播种机，极大地提高了农作物生产效率。

秧盘育秧质量是影响机械插秧质量的关键因素，在水稻自动播种之后，需要对秧盘里的播种效果进行检测，主要是判断种子撒播的均匀性。目前，对播种质量进行检测还处在人工处理阶段，人工成本高、效率低、费时多，误差大。

发明内容

基于此，有必要针对上述技术问题，提供一种播种质量检测方法和装置，能够自动对播种质量进行检测，节约成本，减少干扰提高检测效率，以及提高检测精度。

一种播种质量检测方法，包括：

通过对已标定类别的秧盘图像样本进行学习，确定分类器模型；

输入自动播种后的秧盘图像；

利用所述分类器模型对所述秧盘图像进行识别和分类。

在其中一个实施例中，所述通过对已标定类别的秧盘图像样本进行学习，确定分类器模型的步骤，包括：

输入已标定类别的秧盘图像样本，所述类别分为种子分布均匀和种子分布不均匀；

提取各秧盘图像样本对应的N维特征向量x_i，N>1，为整数；

根据秧盘图像样本集(x_i,y_i)，采用循环迭代，利用顺序最小优化算法获得支持向量机分类器模型y=sgn(w^Tx+b)中的参数w和b，其中x_i为N维特征向量，y_i为类别标识，y_i=1表示秧盘图像样本属于种子分布均匀类别，y_i=-1表示秧盘图像样本属于种子分布不均匀类别，w为N×1参数矩阵，sgn函数为符号函数。

在其中一个实施例中，所述提取各秧盘图像样本对应的N维特征向量x_i的步骤，包括：

将输入的各秧盘图像样本转为对应的各样本灰度图，所述灰度图中像素点(m,n)的像素值为I(m,n)，其中m为水平方向坐标，n为垂直方向坐标，所述灰度图的灰度值的级数为Q；

由下列公式确定所述灰度图中多个不同θ角度值对应的特征矩阵c(i,j)，c(i,j)为Q×Q阶矩阵：

c(i,j)=p(I(m₁,n₁)=i,I(m₂,n₂)=j)，其中像素点(m₁,n₁)和像素点(m₂,n₂)为循环遍历灰度图中所有像素点沿着θ方向，且差距为d的两像素点，p(I(m₁,n₁)=i,I(m₂,n₂)=j)表示像素值I(m₁,n₁)为i且像素值I(m₂,n₂)为j的概率；

确定各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S：

$E=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c{(i,j)}^2,$

$\mathrm{\λ}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\mathrm{ijc}(i,j)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{{\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2},$ 其中 ${\mathrm{\μ}}_1=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}c(i,j),$ ${\mathrm{\μ}}_2=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σj}}c(i,j),$

${\mathrm{\σ}}_1^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_1)}^2\underset{j}{\mathrm{\Σ}}c(i,j),{\mathrm{\σ}}_2^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_2)}^2\underset{j}{\mathrm{\Σ}}c(i,j),$

$S=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c(i,j)\log c(i,j);$

将各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S组合为N维特征向量。

在其中一个实施例中，N=12；θ取值为0度、45度、90度和135度；差距d=1。

在其中一个实施例中，所述利用所述分类器模型对所述秧盘图像进行识别和分类的步骤包括：

提取所述秧盘图像对应的N维特征向量x；

用支持向量机分类器模型y=sgn(w^Tx+b)获得所述秧盘图像对应的分类，若y=1则秧盘图像为种子分布均匀类别，否则秧盘图像为种子分布不均匀类别。

一种播种质量检测装置，包括：

学习模块，用于通过对已标定类别的秧盘图像样本进行学习，确定分类器模型；

输入模块，用于输入自动播种后的秧盘图像；

分类模块，用于利用所述分类器模型对所述秧盘图像进行识别和分类。

在一个实施例中，所述学习模块用于输入已标定类别的秧盘图像样本，所述类别分为种子分布均匀和种子分布不均匀；以及用于提取各秧盘图像样本对应的N维特征向量x_i，N>1，为整数；以及用于根据秧盘图像样本集(x_i,y_i)，采用循环迭代，利用顺序最小优化算法获得支持向量机分类器模型y=sgn(w^Tx+b)中的参数w和b，其中x_i为N维特征向量，y_i为类别标识，y_i=1表示秧盘图像样本属于种子分布均匀类别，y_i=-1表示秧盘图像样本属于种子分布不均匀类别，w为N×1参数矩阵，sgn函数为符号函数。

在一个实施例中，所述学习模块用于将输入的各秧盘图像样本转为对应的各样本灰度图，所述灰度图中像素点(m,n)的像素值为I(m,n)，其中m为水平方向坐标，n为垂直方向坐标，所述灰度图的灰度值的级数为Q；

所述学习模块还用于由下列公式确定所述灰度图中多个不同θ角度值对应的特征矩阵c(i,j)，c(i,j)为Q×Q阶矩阵：

c(i,j)=p(I(m₁,n₁)=i,I(m₂,n₂)=j)，其中像素点(m₁,n₁)和像素点(m₂,n₂)为循环遍历灰度图中所有像素点沿着θ方向，且差距为d的两像素点，p(I(m₁,n₁)=i,I(m₂,n₂)=j)表示像素值I(m₁,n₁)为i且像素值I(m₂,n₂)为j的概率；

所述学习模块还用于确定各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S：

$E=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c{(i,j)}^2,$

$\mathrm{\λ}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\mathrm{ijc}(i,j)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{{\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2},$ 其中 ${\mathrm{\μ}}_1=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}c(i,j),$ ${\mathrm{\μ}}_2=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σj}}c(i,j),$

${\mathrm{\σ}}_1^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_1)}^2\underset{j}{\mathrm{\Σ}}c(i,j),{\mathrm{\σ}}_2^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_2)}^2\underset{j}{\mathrm{\Σ}}c(i,j),$

$S=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c(i,j)\log c(i,j);$

所述学习模块还用于将各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S组合为N维特征向量。

在一个实施例中，N=12；θ取值为0度、45度、90度和135度；差距d=1。

在一个实施例中，所述分类模块用于提取所述秧盘图像对应的N维特征向量x；并用支持向量机分类器模型y=sgn(w^Tx+b)获得所述秧盘图像对应的分类，若y=1则秧盘图像为种子分布均匀类别，否则秧盘图像为种子分布不均匀类别。

上述播种质量检测方法和装置，通过对已标定类别的秧盘图像样本进行学习，确定分类器模型，再输入自动播种后的秧盘图像，利用分类器模型对秧盘图像进行识别和分类，相比于现有技术，不需要人工参与，节约了人工成本，且无人为干扰，提高了检测效率，并且学习的秧盘图像样本越多，检测的精度越高。

附图说明

图1为一个实施例中的播种质量检测方法的流程示意图；

图2为一个实施例中确定分类器模型的流程示意图；

图3为一个实施例中的播种质量检测装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参见图1，一种播种质量检测方法，其流程包括：

步骤102，通过对已标定类别的秧盘图像样本进行学习，确定分类器模型。

秧盘图像样本可以由单摄像头获取。秧盘图像样本的类别可以由人工标定，其类别可以但不限于包括种子分布均匀和种子分布不均匀。种子分布均匀或种子分布不均匀可以由人为来判定。通过对已标定类别的秧盘图像样本进行学习，确定分类器模型，分类器可以是Adaboost分类器、支持向量机（SVM，SupportVector Machine）等。学习的样本越多，后续检测时，分类的正确率越高。

步骤104，输入自动播种后的秧盘图像。

步骤106，利用分类器模型对秧盘图像进行识别和分类。

利用在步骤102中确定的分类器模型，对输入的秧盘图像进行识别和分类，获得播种质量检测的结果。

上述播种质量检测方法，通过对已标定类别的秧盘图像样本进行学习，确定分类器模型，再输入自动播种后的秧盘图像，利用分类器模型对秧盘图像进行识别和分类，相比于现有技术，不需要人工参与，节约了人工成本，且无人为干扰，提高了检测效率，并且学习的秧盘图像样本越多，检测的精度越高。

参见图2，在一个实施例中，确定分类器模型的流程包括：

步骤202，输入已标定类别的秧盘图像样本，所述类别分为种子分布均匀和种子分布不均匀。

秧盘图像样本预先由人工采集，其类别为人工标定。

步骤204，提取各秧盘图像样本对应的N维特征向量x_i，N>1，为整数。

在本实施例中，N=12，由下列步骤获取各秧盘图像样本对应的12维特征向量：

（1）将输入的各秧盘图像样本转为对应的各样本灰度图，所述灰度图中像素点(m,n)的像素值为I(m,n)，其中m为水平方向坐标，n为垂直方向坐标，所述灰度图的灰度值的级数为Q。

（2）确定所述灰度图中多个不同θ角度值对应的特征矩阵c(i,j)，c(i,j)为Q×Q阶矩阵：

c(i,j)=p(I(m₁,n₁)=i,I(m₂,n₂)=j)，其中像素点(m₁,n₁)和像素点(m₂,n₂)为循环遍历灰度图中所有像素点沿着θ方向，且差距为d的两像素点，p(I(m₁,n₁)=i,I(m₂,n₂)=j)表示像素值I(m₁,n₁)为i且像素值I(m₂,n₂)为j的概率

在本实施例中，θ取值为0度、45度、90度和135度；差距d=1。这里以θ取值为0度，计算对应的特征矩阵为例：

a．将特征矩阵c(i,j)初始化，每个元素值为0。

b．计算特征矩阵中任一元素c(i,j)时，循环遍历灰度图中每一个像素，取在0度方向上差距d=1的两像素点(m₁,n₁)和(m₂,n₂)，m₂-m₁=1，判断I(m₁,n₁)是否为i以及I(m₂,n₂)是否为j，若是，则c(i,j)的值自增1，否则保持不变。

c．将执行完b步骤后特征矩阵进行归一化，其所有元素除以特征矩阵所有元素值的和。

θ取值为45度、90度和135度时，与取值为0度的过程类似，这里不再赘述。

（3）确定各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S：

$E=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c{(i,j)}^2,$

$\mathrm{\λ}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\mathrm{ijc}(i,j)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{{\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2},$ 其中 ${\mathrm{\μ}}_1=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}c(i,j),$ ${\mathrm{\μ}}_2=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σj}}c(i,j),$

${\mathrm{\σ}}_1^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_1)}^2\underset{j}{\mathrm{\Σ}}c(i,j),{\mathrm{\σ}}_2^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_2)}^2\underset{j}{\mathrm{\Σ}}c(i,j),$

$S=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c(i,j)\log c(i,j);$

（4）将各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S组合为N维特征向量。

θ取值为45度、90度和135度时，将对应的特征矩阵的能量E、相关系数λ和熵S组合，得到12维特征向量。

在一个实施例中，利用分类器模型对秧盘图像进行识别和分类的流程包括：

提取所述秧盘图像对应的N维特征向量x。提取N维特征向量的过程与提取秧盘图像样本的N维特征向量的过程相同，这里不再赘述。

用支持向量机分类器模型y=sgn(w^Tx+b)获得所述秧盘图像对应的分类，若y=1则秧盘图像为种子分布均匀类别，否则秧盘图像为种子分布不均匀类别。

参见图3，一种播种质量检测装置，包括：

学习模块302，用于通过对已标定类别的秧盘图像样本进行学习，确定分类器模型；

输入模块304，用于输入自动播种后的秧盘图像；

分类模块306，用于利用分类器模型对秧盘图像进行识别和分类。

在一个实施例中，学习模块302用于输入已标定类别的秧盘图像样本，类别分为种子分布均匀和种子分布不均匀；以及用于提取各秧盘图像样本对应的N维特征向量x_i，N>1，为整数；以及用于根据秧盘图像样本集(x_i,y_i)，采用循环迭代，利用顺序最小优化算法获得支持向量机分类器模型y=sgn(w^Tx+b)中的参数w和b，其中x_i为N维特征向量，y_i为类别标识，y_i=1表示秧盘图像样本属于种子分布均匀类别，y_i=-1表示秧盘图像样本属于种子分布不均匀类别，w为N×1参数矩阵，sgn函数为符号函数。

在一个实施例中，学习模块302用于将输入的各秧盘图像样本转为对应的各样本灰度图，灰度图中像素点(m,n)的像素值为I(m,n)，其中m为水平方向坐标，n为垂直方向坐标，灰度图的灰度值的级数为Q；

学习模块302还用于由下列公式确定灰度图中多个不同θ角度值对应的特征矩阵c(i,j)，c(i,j)为Q×Q阶矩阵：

c(i,j)=p(I(m₁,n₁)=i,I(m₂,n₂)=j)，其中像素点(m₁,n₁)和像素点(m₂,n₂)为循环遍历灰度图中所有像素点沿着θ方向，且差距为d的两像素点，p(I(m₁,n₁)=i,I(m₂,n₂)=j)表示像素值I(m₁,n₁)为i且像素值I(m₂,n₂)为j的概率；

学习模块302还用于确定各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S：

$E=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c{(i,j)}^2,$

$\mathrm{\λ}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\mathrm{ijc}(i,j)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{{\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2},$ 其中 ${\mathrm{\μ}}_1=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}c(i,j),$ ${\mathrm{\μ}}_2=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σj}}c(i,j),$

${\mathrm{\σ}}_1^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_1)}^2\underset{j}{\mathrm{\Σ}}c(i,j),{\mathrm{\σ}}_2^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_2)}^2\underset{j}{\mathrm{\Σ}}c(i,j),$

$S=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c(i,j)\log c(i,j);$

学习模块302还用于将各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S组合为N维特征向量。

在一个实施例中，N=12；θ取值为0度、45度、90度和135度；差距d=1。

在一个实施例中，分类模块306用于提取秧盘图像对应的N维特征向量x；并用支持向量机分类器模型y=sgn(w^Tx+b)获得秧盘图像对应的分类，若y=1则秧盘图像为种子分布均匀类别，否则秧盘图像为种子分布不均匀类别。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种播种质量检测方法，所述方法包括：

通过对已标定类别的秧盘图像样本进行学习，确定分类器模型；

输入自动播种后的秧盘图像；

利用所述分类器模型对所述秧盘图像进行识别和分类。

2.根据权利要求1所述的方法，其特征在于，所述通过对已标定类别的秧盘图像样本进行学习，确定分类器模型的步骤，包括：

输入已标定类别的秧盘图像样本，所述类别分为种子分布均匀和种子分布不均匀；

提取各秧盘图像样本对应的N维特征向量x_i，N>1，为整数；

根据秧盘图像样本集(x_i,y_i)，采用循环迭代，利用顺序最小优化算法获得支持向量机分类器模型y=sgn(w^Tx+b)中的参数w和b，其中x_i为N维特征向量，y_i为类别标识，y_i=1表示秧盘图像样本属于种子分布均匀类别，y_i=-1表示秧盘图像样本属于种子分布不均匀类别，w为N×1参数矩阵，sgn函数为符号函数。

3.根据权利要求2所述的方法，其特征在于，所述提取各秧盘图像样本对应的N维特征向量x_i的步骤，包括：

将输入的各秧盘图像样本转为对应的各样本灰度图，所述灰度图中像素点(m,n)的像素值为I(m,n)，其中m为水平方向坐标，n为垂直方向坐标，所述灰度图的灰度值的级数为Q；

由下列公式确定所述灰度图中多个不同θ角度值对应的特征矩阵c(i,j)，c(i,j)为Q×Q阶矩阵：

c(i,j)=p(I(m₁,n₁)=i,I(m₂,n₂)=j)，其中像素点(m₁,n₁)和像素点(m₂,n₂)为循环遍历灰度图中所有像素点沿着θ方向，且差距为d的两像素点，p(I(m₁,n₁)=i,I(m₂,n₂)=j)表示像素值I(m₁,n₁)为i且像素值I(m₂,n₂)为j的概率；

确定各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S：

$E=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c{(i,j)}^2,$

$\mathrm{\λ}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\mathrm{ijc}(i,j)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{{\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2},$ 其中 ${\mathrm{\μ}}_1=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}c(i,j),$ ${\mathrm{\μ}}_2=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σj}}c(i,j),$

${\mathrm{\σ}}_1^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_1)}^2\underset{j}{\mathrm{\Σ}}c(i,j),{\mathrm{\σ}}_2^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_2)}^2\underset{j}{\mathrm{\Σ}}c(i,j),$

$S=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c(i,j)\log c(i,j);$

将各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S组合为N维特征向量。

4.根据权利要求3所述的方法，其特征在于，N=12；θ取值为0度、45度、90度和135度；差距d=1。

5.根据权利要求2至4任一项所述的方法，其特征在于，所述利用所述分类器模型对所述秧盘图像进行识别和分类的步骤包括：

提取所述秧盘图像对应的N维特征向量x；

用支持向量机分类器模型y=sgn(w^Tx+b)获得所述秧盘图像对应的分类，若y=1则秧盘图像为种子分布均匀类别，否则秧盘图像为种子分布不均匀类别。

6.一种播种质量检测装置，其特征在于，所述装置包括：

学习模块，用于通过对已标定类别的秧盘图像样本进行学习，确定分类器模型；

输入模块，用于输入自动播种后的秧盘图像；

分类模块，用于利用所述分类器模型对所述秧盘图像进行识别和分类。

7.根据权利要求6所述的装置，其特征在于，所述学习模块用于输入已标定类别的秧盘图像样本，所述类别分为种子分布均匀和种子分布不均匀；以及用于提取各秧盘图像样本对应的N维特征向量x_i，N>1，为整数；以及用于根据秧盘图像样本集(x_i,y_i)，采用循环迭代，利用顺序最小优化算法获得支持向量机分类器模型y=sgn(w^Tx+b)中的参数w和b，其中x_i为N维特征向量，y_i为类别标识，y_i=1表示秧盘图像样本属于种子分布均匀类别，y_i=-1表示秧盘图像样本属于种子分布不均匀类别，w为N×1参数矩阵，sgn函数为符号函数。

8.根据权利要求7所述的方法，其特征在于，所述学习模块用于将输入的各秧盘图像样本转为对应的各样本灰度图，所述灰度图中像素点(m,n)的像素值为I(m,n)，其中m为水平方向坐标，n为垂直方向坐标，所述灰度图的灰度值的级数为Q；

所述学习模块还用于由下列公式确定所述灰度图中多个不同θ角度值对应的特征矩阵c(i,j)，c(i,j)为Q×Q阶矩阵：

c(i,j)=p(I(m₁,n₁)=i,I(m₂,n₂)=j)，其中像素点(m₁,n₁)和像素点(m₂,n₂)为循环遍历灰度图中所有像素点沿着θ方向，且差距为d的两像素点，p(I(m₁,n₁)=i,I(m₂,n₂)=j)表示像素值I(m₁,n₁)为i且像素值I(m₂,n₂)为j的概率；

所述学习模块还用于确定各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S：

$E=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c{(i,j)}^2,$

$\mathrm{\λ}=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\mathrm{ijc}(i,j)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{{\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2},$ 其中 ${\mathrm{\μ}}_1=\underset{i}{\mathrm{\Σ}}i\underset{j}{\mathrm{\Σ}}c(i,j),$ ${\mathrm{\μ}}_2=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σj}}c(i,j),$

${\mathrm{\σ}}_1^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_1)}^2\underset{j}{\mathrm{\Σ}}c(i,j),{\mathrm{\σ}}_2^2=\underset{i}{\mathrm{\Σ}}{(i-{\mathrm{\μ}}_2)}^2\underset{j}{\mathrm{\Σ}}c(i,j),$

$S=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}c(i,j)\log c(i,j);$

所述学习模块还用于将各θ角度值对应的特征矩阵的能量E、相关系数λ和熵S组合为N维特征向量。

9.根据权利要求8所述的装置，其特征在于，N=12；θ取值为0度、45度、90度和135度；差距d=1。

10.根据权利要求7至9任一项所述的装置，其特征在于，所述分类模块用于提取所述秧盘图像对应的N维特征向量x；并用支持向量机分类器模型y=sgn(w^Tx+b)获得所述秧盘图像对应的分类，若y=1则秧盘图像为种子分布均匀类别，否则秧盘图像为种子分布不均匀类别。

Images