CN103636315A - 一种基于高光谱的种子发芽率在线检测装置及方法 - Google Patents

Abstract

本发明公开了一种基于高光谱的种子发芽率在线检测方法，包括以下步骤：S1对种子训练样本进行高光谱图像采集，提取种子训练样本的高光谱图像在特征波段下的特征参数；S2利用传统方法对种子训练样本进行试验，得到种子训练样本的发芽结果；S3以种子训练样本的高光谱图像在特征波段下的特征参数和光谱反射值作为输入，种子发芽结果作为输出，建立基于高光谱的种子发芽率预测模型；S4对待检测的种子进行高光谱图像采集，利用种子发芽率预测模型进行检测，得出待检测的种子的发芽率。本发明还公开了基于高光谱的种子发芽率在线检测装置。本发明实现了简单、快速、无损、实时地检测种子的发芽率。

Description

一种基于高光谱的种子发芽率在线检测装置及方法

技术领域

本发明涉及于高光谱技术和农业育种领域，特别涉及一种基于高光谱的种子发芽率在线检测装置及方法。

背景技术

种子作为农业生产最基本的生产资料，是确保农业丰收的重要因素。目前中国每年需种量125亿kg，实际供种量45亿kg，种子商品率仅为36％，种业市场发展空间很大。种子检验是保证种子质量的关键，而种子发芽率又是种子检验中的最为重要的一个指标，每年因种子发芽率问题给生产造成的损失非常严重。因此，做好种子发芽率检测工作十分重要。

种子发芽率是指在规定的实验条件和时间内，正常发芽种子粒数占供试种子粒数的百分率。不能发芽的种子，包括硬实、处于生理休眠期的种子、死种子（通常变软、变色、发霉，并没有幼苗生长的迹象）和其他类型（如空的、无胚或虫蛀的种子）。

为了快速测定种子发芽率，研究人员发明了很多方法，目前主要有感观法、染色法、电导率法和吸胀状态法等。但这些方法测定过程复杂，花费时间较长，需借助相关的仪器设备、试剂等才能完成，并且需要对样品做破坏性处理，这些都无法实现种子的快速在线检测。近些年出现了相关的无损检测的方法，如中国专利CN201110203684.1公布了一种利用电子鼻预测蔬菜种子发芽率快速检测的方法，中国专利CN201010227418.8公布了利用高光谱构建农作物种子综合品质检测装置及方法，中国专利CN201010514132.8公布了基于高光谱图像技术的粮粒含水率检测方法，中国专利CN201210090171.9公布了高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法。但是上述专利涉及的方法存在如下问题：（1）电子鼻不直观显示种子品质，对种子缺陷的定性和定量较困难，虽然可以判定发芽率，但是不能筛分出不发芽的种子。（2）高光谱在农作物种子的综合品质检测、粮粒含水率检测和玉米种子纯度检测上的应用，虽然已经将高光谱应用于种子检验，但是都未能检测不发芽种子的缺陷并依据种子分级情况计算种子发芽率。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于高光谱的种子发芽率在线检测装置及方法，实现简单、快速、无损、实时地检测种子的发芽率，并能依据种子分级情况计算种子发芽率。

本发明的目的通过以下技术方案实现：

一种基于高光谱的种子发芽率在线检测方法，包括以下步骤：

S1对种子训练样本进行高光谱图像采集，提取种子训练样本的高光谱图像在特征波段下的特征参数；

S2利用中国国标GB/T3543.4-1995《农作物种子检验规程-发芽试验》所提供的方法，对种子训练样本进行试验，得到种子训练样本的发芽结果；

S3以种子训练样本的高光谱图像在特征波段下的特征参数和光谱反射值作为输入，种子发芽结果作为输出，采用径向基函数支持向量机方法建立基于高光谱的种子发芽率预测模型，如公式（1）所示：

$z\left(x\right)=\mathrm{sgn}({\mathrm{\Σ}}_{i=1}^n{y}_i(a_i^{*}/\mathrm{\ρ})k(x,x_i)+{\mathrm{\ω}}_0^{*})---\left(1\right)$

其中，z表示种子发芽结果：z=1，种子可发芽；z=-1，种子不可发芽；x_i为由种子训练样本的高光谱图像在特征波段下的特征参数和光谱反射值组成的训练向量；x为由待检测的种子的高光谱图像在特征波段下的特征参数和光谱反射值组成的向量；n为种子训练样本总数；y_i为步骤S2得到的种子训练样本的种子发芽结果；

为待定系数；ρ∈[0,1]，为训练误差系；为偏差项；k(x,x_i)为支持向量机的核函数；

所述径向基函数如公式（2）所示：

k(x,x_i)=exp(-||x-x_i||²/2σ²)    （2）

S4对待检测的种子进行高光谱图像采集，提取待检测的种子的高光谱图像在特征波段下的特征参数，利用步骤S3得到的种子发芽率预测模型进行检测，得出待检测的种子的发芽率。

步骤S1所述对种子训练样本进行高光谱图像采集，提取种子训练样本的高光谱图像在特征波段下的特征参数，具体为：

S11选取种子训练样本；

S12对种子训练样本进行高光谱图像采集；

S13对步骤S12采集到的种子训练样本的高光谱图像进行预处理：进行反色光谱校正、图像增强和图像分割，得到种子训练样本的子图像；

S14特征波段提取：利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集，并利用偏最小二乘法提取出3个特征波长；

S15图像特征提取：分别在3个特征波段下，利用图像分割方法对S14中所得种子训练样本的子图像进行轮廓提取，得到种子训练样本的轮廓图像；再从种子训练样本的轮廓图像提取种子训练样本在特征波段下的特征参数。

所述特征参数包括颜色、能量、熵、惯性矩和角度。

所述种子训练样本包括正常粒、发霉粒、休眠粒、硬实粒、变软粒、变色粒、空粒、无胚粒和虫蛀粒。

当种子为黄豆时，3个特征波段分别是：631～638nm，955～959nm，1715～1721nm。

实现上述种子发芽率在线检测方法的基于高光谱的种子发芽率在线检测装置，包括装料器、高光谱成像识别系统和种子自动分级部件；

所述种子自动分级部件包括输送链、多个分级料斗、一个分级执行器、一个种子滑道、位于输送链的输出端的两个种子收集箱；所述分级料斗通过料斗轴均匀地装在输送链上；所述种子滑道，位于输送链的输出端，通过一个轴承和一个汽缸支撑，所述汽缸与分级执行器相连接；

所述高光谱成像识别系统包括光源、成像光谱仪、计算机、分级控制模块、两个位置传感器；所述分级控制模块分别与计算机、分级执行器连接，用于根据计算机输出的结果控制分级执行器；两个位置传感器分别固定在输送链的中间和输出端的位置；所述位置传感器与分级控制模块连接，用于提供输送链上每个种子的位置信息；

所述装料器位于输送链一端的上方。

与现有技术相比，本发明具有以下优点和有益效果：本发明利用高光谱成像技术和发芽率试验首先获得种子发芽率预测模型，通过结合光谱特征和图像特征所建立的预测模型能准确获得种子的发芽结果，其可靠性和重复性都很强；利用在线检测装置可以提取生产线上快速运动的种子图像信息，并进行矫正和分析处理，能够快速有效地完成对种子的全部表面和近表面品质指标的检测，辨别出有缺陷的不可发芽种子，并通过自动分级部件实现分级，可依据种子分级情况计算种子发芽率。本发明实现简单、快速、无损、实时地检测种子的发芽率，提高了种子分级的自动化水平和种子的商品化水平。

附图说明

图1为本发明的实施例的基于高光谱的种子发芽率在线检测装置的结构示意图。

图2为本发明的实施例的基于高光谱的种子发芽率在线检测方法流程图。

具体实施方式

下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于高光谱的种子发芽率在线检测装置，包括装料器1、高光谱成像识别系统和种子自动分级部件；

所述种子自动分级部件包括输送链10、多个分级料斗9、一个分级执行器13、一个汽缸12、一个种子滑道11、位于输送链输出一端的可发芽种子收集箱14及不可发芽种子收集箱15；所述输送链10连接有链轮、料斗轴、齿轮和电机，所述分级料斗9通过料斗轴均匀地装在输送链10上，链轮转动，分级料斗9能随输送链10向前运动；所述种子滑道11，为圆槽，通过一个轴承和汽缸12支撑，位于输送链的输出端，当种子是可发芽时，则滑道11与输送链前进方向成45°角倾斜，种子沿种子滑道11滑入发芽种子收集箱14，当种子是不可发芽时，则分级执行器13控制汽缸12工作，将滑道11撑起至与输送链前进方向成80°角倾斜，种子不进入滑道11且因自由落体掉入不发芽种子收集箱15。

所述高光谱成像识别系统包括光源2、成像光谱仪（采集图像的波段范围是400-2500nm）、计算机6、分级控制模块7、两个位置传感器8；所述光源2为两个卤钨灯（发射光的波长范围为400-3000nm），分别位于成像光谱仪的两侧下方，呈40°角照射；光源2位于输送链10的上方，成像光谱仪位于光源2的上方；所述成像光谱仪用于采集种子的高光谱图像，包括透镜3、光谱仪4和CCD数字照相机5；所述计算机6与成像光谱仪连接，用于根据成像光谱仪采集到的种子的高光谱图像预测种子的发芽结果；所述分级控制模块7分别与计算机6、分级执行器13连接，用于根据计算机6输出的结果控制分级执行器13；所述两个位置传感器8分别固定在输送链10的中间和输出端的位置；所述位置传感器8与分级控制模块连接，用于提供输送链上每个种子的位置信息。

所述装料器1位于输送链一端的上方，与处于其正下方的分级料斗9垂直距离是12cm，其上部设置有装料口，下部设置有圆锥形的出料口，所述出料口下端是长半径和短半径大小可调节的椭圆形，通过与计算机相连控制出料口，以适合单粒种子通过；且出料口与处其正下方的分级料斗垂直距离是12cm，所述装料器下部还配有一个微型震荡盒，可防止种子颗粒在出料口堵塞。

所述分级控制模块包括华研主板PCM-9375E、电子盘、触摸屏和基于PC104的嵌入式主板PCM-3587，主要功能是接收种子的位置信息和等级信息，并对分级执行器发出控制信号。

如图2所示，本发明的种子发芽率在线检测方法，包括以下步骤：

（1）采用上述种子发芽率在线检测装置对种子训练样本进行高光谱图像采集，提取种子训练样本的高光谱图像在特征波段下的特征参数，具体为：

（1-1）选取种子训练样本；所述种子训练样本包括正常粒、发霉粒、休眠粒、硬实粒、变软粒、变色粒、空粒、无胚粒和虫蛀粒；

（1-2）装料器将种子训练样本逐一放到分级料斗，由输送链传送到成像光谱仪下方，进行高光谱图像采集；

（1-3）对步骤（1-2）采集到的种子训练样本的高光谱图像进行预处理：进行反色光谱校正、图像增强和图像分割，得到种子训练样本的子图像；

（1-4）特征波段提取：利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集，并利用偏最小二乘法提取出3个特征波长；当种子为黄豆时，3个特征波段分别是：631～638nm，955～959nm，1715～1721nm；

（1-5）图像特征提取：分别在3个特征波段下，利用图像分割方法对步骤（1-3）所得种子训练样本的子图像进行轮廓提取，得到种子训练样本的轮廓图像；再从种子训练样本的轮廓图像提取种子训练样本在特征波段下的特征参数；

（2）国标发芽率试验：选取种子验证样本；所述种子验证样本包括正常粒、发霉粒、休眠粒、硬实粒、变软粒、变色粒、空粒、无胚粒和虫蛀粒；利用中国国标GB/T3543.4-1995《农作物种子检验规程-发芽试验》所提供的方法，对种子训练样本和种子验证样本进行试验，得到种子验证样本的发芽结果和种子训练样本的发芽结果；

（3）以种子训练样本的高光谱图像在特征波段下的特征参数和光谱反射值作为输入，种子发芽结果作为输出，采用径向基函数支持向量机方法建立基于高光谱的种子发芽率预测模型，如公式（1）所示：

$z\left(x\right)=\mathrm{sgn}({\mathrm{\Σ}}_{i=1}^n{y}_i(a_i^{*}/\mathrm{\ρ})k(x,x_i)+{\mathrm{\ω}}_0^{*})---\left(1\right)$

其中，z表示种子发芽结果：z=1，种子可发芽；z=-1，种子不可发芽；x_i为由种子训练样本的高光谱图像在特征波段下的特征参数和光谱反射值组成的训练向量；x为由待检测的种子的高光谱图像在特征波段下的特征参数和光谱反射值组成的向量；n为种子训练样本总数；y_i为步骤S2得到的种子训练样本的种子发芽结果；

为待定系数；ρ∈[0,1]，为训练误差系；

为偏差项；k(x,x_i)为支持向量机的核函数；

所述径向基函数如公式（2）所示：

k(x,x_i)=exp(-||x-x_i||²/2σ²)    （2）

（3-1）种子发芽率预测模型验证：

（3-2）装料器将种子验证样本逐一放到分级料斗，由输送链传送到成像光谱仪下方，进行高光谱图像采集；

（3-3）提取步骤（3-2）采集的高光谱图像的感兴趣区域和3个特定波段下的图像，将提取到的种子验证样本的特征参数输入种子发芽率预测模型；

（3-4）若获得种子验证样本的发芽结果与步骤（2）中得到的种子验证样本的发芽结果相一致，则种子发芽率预测模型确定，将种子发芽率预测模型置入计算机；若两者不一致，则重新提取特征波长，再进行（1-4）～（3-4）的步骤，重建种子发芽率预测模型；

（4）装料器将待检测的种子逐一放到分级料斗，由输送链传送到成像光谱仪下方，进行高光谱图像采集；提取待测种子样品的感兴趣区域和3个特定波段下的图像，并将提取到的待测种子样品的特征参数输入种子发芽率预测模型，得出种子的发芽结果；

（5）计算机根据待检测的种子的发芽结果，结合两个位置传感器所确定输送链上具体种子的顺序及位置，输出指令到分级控制模块，分级控制模块发出信号控制相应的分级执行器控制相应的分级料斗绕料斗轴向下转动，当种子是可发芽时，则滑道与输送链前进方向成45°角倾斜且接收种子进入可发芽种子收集箱14，当种子是不可发芽时，则分级执行器13控制汽缸12工作，将滑道撑起至与输送链前进方向成80°角倾斜，种子不进入滑道且因自由落体掉入不可发芽种子收集箱15；

（6）所有待检测的种子检测完之后，通过计数法统计两个种子收集箱的结果，得出待检测的种子的发芽率。

本实施例的主要工作参数为：光谱仪采集到的图像的波段范围是400-2500nm，镜头焦距为95mm，分级料斗的间距为90mm，输送链传送速度为1.0725mm/s，原始高光谱图像大小为800×600像素，帧频为25fps。

本发明可检测的种子，包括黄豆、番茄种子、小麦、玉米、水稻等农作物种子，还可推广到大树、花草、菌类植物等的种子。对于不同的种子，要用不同的检测速度，需要对输送链的传送速度进行调整，装料器的出料速度、高光谱图像采集频率和自动分级系统都需进行同步调整。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于高光谱的种子发芽率在线检测方法，其特征在于，包括以下步骤：

S1对种子训练样本进行高光谱图像采集，提取种子训练样本的高光谱图像在特征波段下的特征参数；

S2利用中国国标GB/T3543.4-1995《农作物种子检验规程-发芽试验》所提供的方法，对种子训练样本进行试验，得到种子训练样本的发芽结果；

S3以种子训练样本的高光谱图像在特征波段下的特征参数和光谱反射值作为输入，种子发芽结果作为输出，采用径向基函数支持向量机方法建立基于高光谱的种子发芽率预测模型，如公式（1）所示：

$z\left(x\right)=\mathrm{sgn}({\mathrm{\Σ}}_{i=1}^n{y}_i(a_i^{*}/\mathrm{\ρ})k(x,x_i)+{\mathrm{\ω}}_0^{*})---\left(1\right)$

其中，z表示种子发芽结果：z=1，种子可发芽；z=-1，种子不可发芽；x_i为由种子训练样本的高光谱图像在特征波段下的特征参数和光谱反射值组成的训练向量；x为由待检测的种子的高光谱图像在特征波段下的特征参数和光谱反射值组成的向量；n为种子训练样本总数；y_i为步骤S2得到的种子训练样本的种子发芽结果；为待定系数；ρ∈[0,1]，为训练误差系；

为偏差项；k(x,x_i)为支持向量机的核函数；

所述径向基函数如公式（2）所示：

k(x,x_i)=exp(-||x-x_i||²/2σ²)    （2）

S4对待检测的种子进行高光谱图像采集，提取待检测的种子的高光谱图像在特征波段下的特征参数，利用步骤S3得到的种子发芽率预测模型进行检测，得出待检测的种子的发芽率。

2.根据权利要求1的种子发芽率在线检测方法，其特征在于，步骤S1所述对种子训练样本进行高光谱图像采集，提取种子训练样本的高光谱图像在特征波段下的特征参数，具体为：

S11选取种子训练样本；

S12对种子训练样本进行高光谱图像采集；

S13对步骤S12采集到的种子训练样本的高光谱图像进行预处理：进行反色光谱校正、图像增强和图像分割，得到种子训练样本的子图像；

S14特征波段提取：利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集，并利用偏最小二乘法提取出3个特征波长；

S15图像特征提取：分别在3个特征波段下，利用图像分割方法对S14中所得种子训练样本的子图像进行轮廓提取，得到种子训练样本的轮廓图像；再从种子训练样本的轮廓图像提取种子训练样本在特征波段下的特征参数。

3.根据权利要求1或2所述的种子发芽率在线检测方法，其特征在于，所述特征参数包括颜色、能量、熵、惯性矩和角度。

4.根据权利要求1的种子发芽率在线检测方法，其特征在于，所述种子训练样本包括正常粒、发霉粒、休眠粒、硬实粒、变软粒、变色粒、空粒、无胚粒和虫蛀粒。

5.根据权利要求2的种子发芽率在线检测方法，其特征在于，当种子为黄豆时，3个特征波段分别是：631～638nm，955～959nm，1715～1721nm。

6.实现权利要求1所述种子发芽率在线检测方法的基于高光谱的种子发芽率在线检测装置，其特征在于，包括装料器、高光谱成像识别系统和种子自动分级部件；

所述种子自动分级部件包括输送链、多个分级料斗、一个分级执行器、一个种子滑道、位于输送链的输出端的两个种子收集箱；所述分级料斗通过料斗轴均匀地装在输送链上；所述种子滑道，位于输送链的输出端，通过一个轴承和一个汽缸支撑，所述汽缸与分级执行器相连接；

所述高光谱成像识别系统包括光源、成像光谱仪、计算机、分级控制模块、两个位置传感器；所述分级控制模块分别与计算机、分级执行器连接，用于根据计算机输出的结果控制分级执行器；两个位置传感器分别固定在输送链的中间和输出端的位置；所述位置传感器与分级控制模块连接，用于提供输送链上每个种子的位置信息；

所述装料器位于输送链一端的上方。

Images