CN104990892A - 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 - Google Patents
种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 Download PDFInfo
- Publication number
- CN104990892A CN104990892A CN201510355690.7A CN201510355690A CN104990892A CN 104990892 A CN104990892 A CN 104990892A CN 201510355690 A CN201510355690 A CN 201510355690A CN 104990892 A CN104990892 A CN 104990892A
- Authority
- CN
- China
- Prior art keywords
- image
- seed
- group
- classification
- seed kernel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种种子的光谱图像无损鉴别模型建立方法及种子鉴别方法,该种子鉴别方法包括:采用不同波长的近红外光得到各类别的种子籽粒的透射光谱图像,通过对多波段图像做差运算等预处理后,用多种图像特征提取方法提取图像特征,对每一种图像特征进行降维,获得多组特征数据,计算每一组特征数据的可分性,得出最佳的特征数据和相应的最佳图像特征提取方法,利用最佳特征数据建立种子的光谱图像无损鉴别模型,然后采集待鉴别种子图像,利用所得模型进行鉴别。本发明采用短波近红外透射成像建立种子的光谱图像无损鉴别模型,实现对种子的无损鉴别,可采集到样本深度信息,提高检测精度,并且图像样本采集速度快,大大提高检测效率。
Description
技术领域
本发明涉及作物品质检测技术领域,尤其涉及一种种子的光谱图像无损鉴别模型建立方法及种子鉴别方法。
背景技术
在农业领域经常需要对种子品质进行鉴别和检测。农作物产量与种子纯度成显著正相关关系,为了提升玉米、水稻、小麦、大豆等农作物种子的质量,需要筛选出种子中的杂质和异种种子,现有的基于生物化学的种子检测方法检验过程繁琐且周期长,成本高,需要专业人员操作,并且会对样品造成损伤。
近年来,近红外光谱分析技术快速发展,它是一种无污无害的绿色分析手段,能快速无损地检测样品化学组分含量,已成功运用于玉米水稻小麦等农产品品质的快速低成本分析。但是光谱的采集需要高精度光谱仪,仪器成本和采集速度仍然是限制其发展的一个因素,并且得到的光谱信息单一,不能更快更精确地服务于作物品质的快速鉴别。另一方面,计算机视觉技术作为一种无损检测技术在农业领域也有着广泛的应用前景。但是现有技术大多只利用籽粒表面或有限深度的信息,得不到籽粒内部更深的信息,因此容易受种子正反面的影响。对于某些种子来说,如果仅仅依赖这些信息,会降低识别精度。
目前,国内对种子籽粒进行鉴别,检测和分选的方法和系统还普遍存在一些问题。专利CN201789739,涉及一种对玉米种子单倍体进行检测及分拣的系统,该系统单单利用图像处理方法区分单倍体,需要预先摆正玉米籽粒胚面,局限性大。专利CN103521465A,涉及一种固体籽粒的自动检测与分选系统及方法,实现了种子籽粒的表面图像信号采集,但是这种方法不能采集种子单粒的内部信息,无法实现种子颗粒的内部成分分析。专利CN103706574A,涉及一种固体籽粒自动分拣系统,该系统无法克服籽粒的姿态对采集的图像的影响,降低了系统分选的正确率。
发明内容
鉴于上述问题,本发明提供了一种种子的光谱图像无损鉴别模型建立方法及种子鉴别方法,实现无污无害、高速度、高精度,稳定性强的种子品质鉴别。
根据本发明的一个方面,提供了一种种子的光谱图像无损鉴别模型建立方法,该方法包括:
采集各类别的种子籽粒的建模数据,每个类别的种子籽粒的建模数据为该类别的种子籽粒分别处于N个不同波长的近红外光时的透射光谱图像;
根据各类别的种子籽粒的化学特征和近红外区域分子吸收的化学特征从每个类别的种子籽粒的建模数据中选取一个波长对应的光谱图像作为该类别的减数图像,所述减数图像用于表征干扰信息;
将每个类别的种子籽粒的建模数据中的其他N-1个波长对应的光谱图像分别对该类别的减数图像做差运算,得到该类别的N-1组图像;
提取每个类别的N-1组图像中的种子籽粒图像,得到各个类别的N-1组种子籽粒图像;
计算所述每个类别的N-1组种子籽粒的图像的最佳特征数据作为该类别的建模训练数据;
根据各个类别的建模训练数据利用支持向量机方法建立种子的光谱图像无损鉴别模型。
可选的,所述减数图像的选取方法为:
选取每个类别的种子籽粒的建模数据中表征种子的信息含量最少的光谱图像,将该光谱图像作为该类别的减数图像。
可选的,所述提取每个类别的N-1组图像中的种子籽粒图像,包括:
采用阈值分割算法对所述每个类别的N-1组图像分别进行图像分割,提取每组图像中种子籽粒所在最小矩形区域;
采用最近邻插值算法将所述种子籽粒所在最小矩形区域进行放大,得到各个类别的N-1组种子籽粒图像。
可选的,所述计算所述每个类别的N-1组种子籽粒的图像的最佳特征数据作为该类别的建模训练数据,包括:
分别采用灰度直方图图像特征提取方法、灰度分布统计和灰度共生矩阵图像特征提取方法以及局部二值模式图像特征提取方法,提取每个类别的N-1组种子籽粒图像中的每一组种子籽粒图像的3个图像特征;
分别对每一组种子籽粒图像的3个图像特征进行特征降维,得到各个类别的N-1组种子籽粒图像中的每一组种子籽粒图像的3个特征数据;
计算每个类别的N-1组种子籽粒图像中每一组种子籽粒图像的3个特征数据的可分性,比较每一组组内特征数据的可分性指标,得到每一组组内的最佳特征数据及对应的最佳图像特征提取方法;
比较每个类别的N-1组组间的最佳特征数据的可分性指标,得到每个类别的N-1组种子籽粒图像的最终最佳特征数据以及对应的用于采集透射光谱数据的最佳近红外光波长,并将所述最终最佳特征数据作为该类别的建模训练数据。
可选的,所述对每一组种子籽粒图像的3个图像特征进行特征降维,包括:
采用主成分分析法和正交线性判别分析法分别对所述每一组种子籽粒图像的3个图像特征进行降维,得到每一组种子籽粒图像的3个特征数据。
可选的,采用交叉验证法确定所述主成分分析法所降至的最优维数,具体包括:
将每一组样本数目为K的图像特征随机分配成L等份,依次取出其中的1份作为测试集,剩余的L-1份作为训练集建立测试模型,依次增加主成分分析法预设的要降至的维度,选取所述测试集正确率最高时的维度作为所述主成分分析法所降至的最优维数。
可选的,所述可分性指标为类间类内相对距离,所述类间类内相对距离的计算公式如下:
其中,Rij为第i类和第j类之间的类间类内相对距离,Dij表示第i类与第j类重心的平方欧氏距离,Wi表示第i类内部的平均离差平方和,Wj表示第j类内部的平均离差平方和。
根据本发明的一个方面,提供了一种采用如上述任一实施例所述的方法建立的种子的光谱图像无损鉴别模型进行种子鉴别的方法,该方法包括:
根据待检测种子的类别选取该类别的减数图像对应的近红外光波长,采集该波长处的透射光谱图像,得到所述待检测种子的减数图像;
根据待检测种子的类别选取该类别的用于采集透射光谱数据的最佳近红外光波长,采集该波长处的透射光谱图像,得到所述待检测种子的最优波长处的光谱图像;
将所述待检测种子的最优波长处的光谱图像对待检测种子的减数图像做差运算,得到一组新图像;
提取差运算后的新图像中的待检测种子图像;
计算所述待检测种子图像的最佳特征数据;
将所述最佳特征数据根据所述种子的光谱图像无损鉴别模型进行种子品质鉴别。
可选的,所述计算所述待检测种子图像的最佳特征数据,包括:
根据建模时确定的最佳图像特征提取方法对所述待检测种子图像进行特征提取,得到图像特征;
将所述图像特征映射到建模时确定的主成分分析法的特征空间中,得到图像特征在PCA空间的表达,并将经主成分分析法处理后的图像特征映射到建模时确定的正交线性判别分析法的特征空间中,得到最佳特征数据。
可选的,在对待检测种子进行鉴别之前,所述方法还包括:
根据预设距离阈值DT确定是否对所述待检测种子进行鉴别,当待检测种子与所述种子的光谱图像无损鉴别模型的距离D大于DT时,不对所述待检测种子进行鉴别。
本发明提供的种子的光谱图像无损鉴别模型建立方法及种子鉴别方法的有益效果为:
1、基于近红外光谱图像的分析,是间接分析法,属于绿色分析方法,无污无害,操作方便。
2、采用的是少量几个波长处的光谱图像,数据采集速度快,图像处理速度快,分析周期短,大大提高检测效率。可应用于对检测分选速度要求较高的场合。
3、采用透射成像方式,可以采集到种子籽粒完整的内部信息,克服了种子籽粒位置效应的影响,可以准确对种子籽粒的性质进行分析,提高检测精度。
4、充分考虑了不同类别种子之间的差异,为种子籽粒的正确分选提供了保证。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提出的一种种子的光谱图像无损鉴别模型建立方法的流程图;
图2为本发明实施例提出的一种采用种子的光谱图像无损鉴别模型进行种子鉴别的方法流程图;
图3是本发明中局部二值模式作为图像特征提取方法对农华101玉米品种测试集错误鉴别数目随主成分分析维数变化示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
图1示出了本发明实施例的一种种子的光谱图像无损鉴别模型建立方法的流程图。
参照图1,本发明实施例提出的种子的光谱图像无损鉴别模型建立方法包括:
S11、采集各类别的种子籽粒的建模数据,每个类别的种子籽粒的建模数据为该类别的种子籽粒分别处于N个不同波长的近红外光时的透射光谱图像;
本发明实施例通过对不同类别种子籽粒采集N个波长处的短波近红外透射光谱图像,得到各类别的种子籽粒的建模数据。
需要说明的是,本步骤中,为了使光穿透整个种子籽粒,采用外置高强高效近红外光源。波长在700-1100nm处的近红外为短波近红外,透过样品性能较好,光程为厘米级,适于用透射方法分析较厚的样品。本发明实施例中可采用中心波长为800nm,900nm,1000nm,1100nm的4个带通滤光片对近红外光源的发射光进行滤波,采集某一波段的透射光谱图像,以获取对应波长处的近红外透射光谱图像。
S12、根据各类别的种子籽粒的化学特征和近红外区域分子吸收的化学特征从每个类别的种子籽粒的建模数据中选取一个波长对应的光谱图像作为该类别的减数图像,所述减数图像用于表征干扰信息;
其中,减数图像的选取方法为:选取每个类别的种子籽粒的建模数据中表征种子的信息含量最少的光谱图像,将该光谱图像作为该类别的减数图像。
具体的,减数图像的选取是根据种子所具有的化学特征,各营养物质的含量比,各含氢基团的比例等结合近红外区域分子吸收的化学特征来确定。当种子某一波长处的信息含量少时,则种子反映在这一波长处的信息含量主要是光强信息,可选这一波长作为干扰信息波长,用其他波长处图像减去它,即可以部分去除光强信息的干扰。
本发明在执行步骤S12之前该方法还包括,对所得光谱图像进行预处理,采用中值滤波法去除透射光谱图像中的噪声。
需要说明的是,选取减数图像是为了消除光强等干扰信息的影响,充分利用种子的有用信息。由于原始图像会受到仪器内部状态、外界环境的影响,含有噪声信息,需要用预处理方法对数据进行预处理。本步骤中,运用中值滤波来去除噪声。
S13、将每个类别的种子籽粒的建模数据中的其他N-1个波长对应的光谱图像分别对该类别的减数图像做差运算,得到该类别的N-1组图像;
S14、提取每个类别的N-1组图像中的种子籽粒图像,得到各个类别的N-1组种子籽粒图像;
S15、计算所述每个类别的N-1组种子籽粒的图像的最佳特征数据作为该类别的建模训练数据;
S16、根据各个类别的建模训练数据利用支持向量机方法建立种子的光谱图像无损鉴别模型。
本发明实施例提供的种子的光谱图像无损鉴别模型建立方法,本发明采用短波近红外透射成像建立种子的光谱图像无损鉴别模型,实现对种子的无损鉴别,可采集到样本深度信息,提高检测精度,并且图像样本采集速度快,大大提高检测效率。
在本发明实施例中,步骤S14中的提取每个类别的N-1组图像中的种子籽粒图像,进一步包括:
采用阈值分割算法对所述每个类别的N-1组图像分别进行图像分割,提取每组图像中种子籽粒所在最小矩形区域;
采用最近邻插值算法将所述种子籽粒所在最小矩形区域进行放大,得到各个类别的N-1组种子籽粒图像。
需要说明的是,由于采集的光谱图像含有背景信息,运用图像自适应阈值分割算法来分割出种子所代表的最小矩形区域,由于后续部分图像特征提取方法对图像大小有要求,并且为了减少运算量,运用最近邻插值算法将所有图像缩放成一样的大小。
在本发明实施例中,步骤S15中的计算所述每个类别的N-1组种子籽粒的图像的最佳特征数据作为该类别的建模训练数据,进一步包括图中未示出的如下步骤:
S151、分别采用灰度直方图图像特征提取方法、灰度分布统计和灰度共生矩阵图像特征提取方法以及局部二值模式图像特征提取方法,提取每个类别的N-1组种子籽粒图像中的每一组种子籽粒图像的3个图像特征;
S152、分别对每一组种子籽粒图像的3个图像特征进行特征降维,得到各个类别的N-1组种子籽粒图像中的每一组种子籽粒图像的3个特征数据;
S153、计算每个类别的N-1组种子籽粒图像中每一组种子籽粒图像的3个特征数据的可分性,比较每一组组内特征数据的可分性指标,得到每一组组内的最佳特征数据及对应的最佳图像特征提取方法;
其中,本实施例中的可分性指标可采用类间类内相对距离,所述类间类内相对距离的计算公式如下:
其中,Rij为第i类和第j类之间的类间类内相对距离,Dij表示第i类与第j类重心的平方欧氏距离,Wi表示第i类内部的平均离差平方和,Wj表示第j类内部的平均离差平方和。
本发明提出类间类内相对距离作为可分性指标来量化特征提取对于模型鉴别性能的高低,用来得出最佳特征数据并筛选出最佳图像特征提取方法和最优作为被减数的近红外波段。
S154、比较每个类别的N-1组组间的最佳特征数据的可分性指标,得到每个类别的N-1组种子籽粒图像的最终最佳特征数据以及对应的用于采集透射光谱数据的最佳近红外光波长,并将所述最终最佳特征数据作为该类别的建模训练数据。
进一步地,本发明的步骤S152中的对每一组种子籽粒图像的3个图像特征进行特征降维,包括:
采用主成分分析法和正交线性判别分析法分别对所述每一组种子籽粒图像的3个图像特征进行降维,得到每一组种子籽粒图像的3个特征数据。
其中,正交线性判别分析法OLDA所降至的维数设置为品种类别数目,运用交叉验证的方法自动确定成分分析法PCA所降至的最优维数;设置PCA维数范围a到b,计算出主成分维数从a到b时,模型对于测试集错误鉴别的个数,选取第一次出现错误数目最少的维数作为PCA所降至的维数。
具体的,采用交叉验证法确定所述主成分分析法所降至的最优维数,具体包括:
将每一组样本数目为K的图像特征随机分配成L等份,依次取出其中的1份作为测试集,剩余的L-1份作为训练集建立测试模型,依次增加主成分分析法预设的要降至的维度,选取所述测试集正确率最高时的维度作为所述主成分分析法所降至的最优维数。
图2示出了本发明实施例提出的一种采用种子的光谱图像无损鉴别模型进行种子鉴别的方法流程图。
参照图2,本发明实施例提出的采用上述实施例所述的方法建立的种子的光谱图像无损鉴别模型进行种子鉴别的方法,该方法包括:
S21、根据待检测种子的类别选取该类别的减数图像对应的近红外光波长,采集该波长处的透射光谱图像,得到所述待检测种子的减数图像;
S22、根据待检测种子的类别选取该类别的用于采集透射光谱数据的最佳近红外光波长,采集该波长处的透射光谱图像,得到所述待检测种子的最优波长处的光谱图像;
在执行步骤S23之前,还包括对所得光谱图像进行预处理,先采用中值滤波去除图像噪声。
由于原始图像会受到仪器内部状态、外界环境的影响,含有噪声信息,需要用预处理方法对数据进行预处理。本步骤中,运用中值滤波来去除噪声。
S23、将所述待检测种子的最优波长处的光谱图像对待检测种子的减数图像做差运算,得到一组新图像;
S24、提取差运算后的新图像中的待检测种子图像;
本发明实施例,通过对做差后的图像依次运用自适应阈值分割算法分割出种子所在最小矩形区域,并运用最近邻插值算法对分割后的图像缩放至同样大小,进而得到待检测种子图像。
S25、计算所述待检测种子图像的最佳特征数据;
S26、将所述最佳特征数据根据所述种子的光谱图像无损鉴别模型进行种子品质鉴别。
本发明实施例提供的种子鉴别的方法,采用短波近红外透射成像建立种子的光谱图像无损鉴别模型,实现对种子的无损鉴别,可采集到样本深度信息,提高检测精度,并且图像样本采集速度快,大大提高检测效率。
本实施例中,步骤S25中的计算所述待检测种子图像的最佳特征数据,进一步包括:
根据建模时确定的最佳图像特征提取方法对所述待检测种子图像进行特征提取,得到图像特征;
将所述图像特征映射到建模时确定的主成分分析法的特征空间中,得到图像特征在PCA空间的表达,并将经主成分分析法处理后的图像特征映射到建模时确定的正交线性判别分析法的特征空间中,得到最佳特征数据。
本发明实施例中,在对待检测种子进行鉴别之前,所述方法还包括:
根据预设距离阈值DT确定是否对所述待检测种子进行鉴别,当待检测种子与所述种子的光谱图像无损鉴别模型的距离D大于DT时,不对所述待检测种子进行鉴别。
需要说明的是,本发明根据最佳特征数据利用改进后的支持向量机(SVM)建立种子的光谱图像无损鉴别模型。改进的支持向量机改进点在于能够拒识不属于样本范围内的品种。传统的支持向量机算法会将没有建立过模型的未知类别样本错误地识别为某一已知类别,发生误判。改进的支持向量机算法添加了距离阈值DT,当未知类别的样本与模型的距离D大于DT时,将该样本拒识,提高了模型的正确率。
下面以一个具体的实施例来说明本发明,该具体实施例仅用于解释本发明,但不限定本发明的保护范围。
本实施例选用玉米种子作为对象,对玉米种子的单籽粒进行短波近红外透射成像无损检测,以鉴别玉米杂交种纯度,分选出混有母本种的杂交种。
纯度是玉米杂交种质量的重要指标,制种过程中母本种子容易混入到杂交种中,导致杂交种纯度不合格。现有的纯度鉴定方法操作复杂,成本高,而且破坏种子。本实施例应用4个波长处的短波近红外透射图像对玉米种子杂交纯度进行无损鉴别。
本实施例的玉米种子杂交纯度无损鉴别步骤如下:
A1:通过近红外透射图像采集装置对玉米种的杂交种和母本种被近红外光源发出的通过由4个带通滤光片组成滤光片转盘滤光后的近红外光照射时在近红外相机成的光谱图像进行采集;
可将中心波长在910nm,970nm,1000nm,1030nm的4个带通滤光片等间隔镶嵌在一个圆形转盘上,安装在近红外光源发光口。转动转盘,当第一个滤光片中心与发光口中心同轴,采集种子图像,继续转动转盘,直到采集完4个波长处的透射光谱图像。
由于种子的胚面和非胚面差异较大,为了对种子的摆放方式和位置对图像的影响进行验证,对每一类均用一半数量的种子采用胚面图像,另一半数量的种子采集非胚面图像,每张图片灰度级为256。
其中,所述近红外相机为比利时Xenics公司Bobcat-1.7-320近红外相机,谱曲范围900~1700nm,每波段成像图像像素大小为256×320。
A2:对所得光谱图像进行预处理:先运用中值滤波(邻域大小3×3)去除噪声,然后选取1000nm波长处的透射光谱图像作为代表干扰信息的减数图像,用其他3个波长处的图像分别对减数图像做差运算得到3组图像,对这3组图像依次运用自使用阈值分割算法分割出种子所在最小矩形区域,并运用最近邻插值算法对分割后的图像缩放至同样大小(100×100像素);
A3:对预处理后的3组光谱图像的每一组均运用灰度直方图(HIST),灰度分布统计和灰度共生矩阵(HS&GLCM),局部二值模式(LBP)3种图像特征提取方法提取3个图像特征,其中灰度直方图256维,灰度分布统计和灰度共生矩阵11维,局部二值模式采用均匀局部二值模式,特征提取后为59维;
A4:对每一组的图像特征均运用主成分分析(PCA)和正交线性判别分析(OLDA)进行降维,得到3组特征数据。其中OLDA所降至的维数设置为品种类别数目,即为2。运用交叉验证的方法自动确定PCA所降至的最优维数:设置PCA维数从2到50,计算出主成分维数从2到50时,模型对于测试集错误鉴别的个数,选取第一次出现错误数目最少的维数作为PCA所降至的维数;
A5:计算3组中每一组的3个特征数据的可分性,比较每一组组内特征数据的可分性指标大小,得到每一组组内的最佳特征数据及对应的最佳图像特征提取方法,然后比较3组组间的最佳特征数据的可分性指标,得到3组中最佳的一组特征数据作为建模的训练数据。
A6:根据最佳特征数据利用改进后的支持向量机(SVM)建立玉米杂交模型。支持向量机采用线性映射函数。
A7:对待检测的种子在1000nm波长处和在步骤S5所筛选出的最优波长处的透射光谱图像进行采集;
A8:对所得光谱图像进行预处理:先运用中值滤波(邻域大小3×3)去除噪声,然后用步骤A7所得最优波长处的光谱图像对1000nm处的减数图像做差运算,得到一组新图像,对做差后的图像依次运用自适应阈值分割算法分割出种子所在最小矩形区域,并运用最近邻插值算法对分割后的图像缩放至同样大小(100×100像素);
A9:按照步骤A5所筛选出图像特征提取方法对步骤A8预处理后的图像进行特征提取获得图像特征。
A10:将步骤A9所得的图像特征映射到步骤A4所确定的PCA空间,得到图像特征在PCA空间的表达,再映射到步骤A4所确定的OLDA空间中,得到最终特征数据。
A11:将A10所得的特征数据根据A6建立的纯度模型进行种子品质鉴别。
应用以上步骤对农华101,京玉16,洛单248,农华101海南2009,农华032这5个玉米品种做了纯度鉴别测试,结果如下:
一、最优维数,最佳波段,最佳图像特征提取方法
按照A1采集图像数据作为建模集,每个品种每波长处均采集40张图像,母本20张,杂交20张。以农华101玉米品种和局部二值模式特征提取方法作为参考,来说明最优维数的选择。如图3所示,当PCA维数为41时,测试集错误鉴别数目最少,即自动确定出PCA最优维数为41。计算出每一组每一个特征数据可分性指标(表1),比较每一对品种9个指标里数值最大的指标,可以得出最优的作为被减数的波段和最优的图像特征提取方法,由表1得农华101最优被减数波段为970nm,最优图像特征提取方法为灰度直方图;京玉16为910nm,灰度分布统计和灰度共生矩阵;农华101海南2009为1030nm,局部二值模式;农华032为970nm,灰度分布统计和灰度共生矩阵;洛单248为1030nm,灰度直方图。上面结果表明,不同玉米品种母本和杂交种区别表现在不同的近红外波段和不同的特征上。因此本方法能同时鉴别多类存在于样本中类别的种子。
二、鉴别准确率
根据上面步骤已得到的每个品种得最佳特征数据对每个品种的玉米种子分别建立纯度鉴别模型。按A8采集图像作为测试集,每个品种40粒种子,母本、杂交各20粒,使用建立的纯度分选模型进行玉米纯度鉴别测试。其正确识别率如表2所示。农华101和京玉16组合的测试集平均正确率较高,在90%以上。农华101海南2009,洛单248,农华032的测试集平均正确率达到80%以上,说明利用透射成像采集种子光谱图像的方法所建立的纯度鉴定模型鉴定正确率满足实际分选的性能要求:
表1特征数据的可分性指标
表2分选结果统计
综上所述,本发明提供的种子品质的光谱图像无损鉴别方法,具有以下益效果:
1、基于近红外光谱图像的分析,是间接分析法,属于绿色分析方法,无污无害,操作方便。
2、采用的是少量几个波长处的光谱图像,数据采集速度快,图像处理速度快,分析周期短,大大提高检测效率。可应用于对检测分选速度要求较高的场合。
3、采用透射成像方式,可以采集到种子籽粒完整的内部信息,克服了种子籽粒位置效应的影响,可以准确对种子籽粒的性质进行分析,提高检测精度。
4、充分考虑了不同类别种子之间的差异,为种子籽粒的正确分选提供了保证。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种种子的光谱图像无损鉴别模型建立方法,其特征在于,所述方法包括:
采集各类别的种子籽粒的建模数据,每个类别的种子籽粒的建模数据为该类别的种子籽粒分别处于N个不同波长的近红外光时的透射光谱图像;
根据各类别的种子籽粒的化学特征和近红外区域分子吸收的化学特征从每个类别的种子籽粒的建模数据中选取一个波长对应的光谱图像作为该类别的减数图像,所述减数图像用于表征干扰信息;
将每个类别的种子籽粒的建模数据中的其他N-1个波长对应的光谱图像分别对该类别的减数图像做差运算,得到该类别的N-1组图像;
提取每个类别的N-1组图像中的种子籽粒图像,得到各个类别的N-1组种子籽粒图像;
计算所述每个类别的N-1组种子籽粒的图像的最佳特征数据作为该类别的建模训练数据;
根据各个类别的建模训练数据利用支持向量机方法建立种子的光谱图像无损鉴别模型。
2.根据权利要求1所述的方法,其特征在于,所述减数图像的选取方法为:
选取每个类别的种子籽粒的建模数据中表征种子的信息含量最少的光谱图像,将该光谱图像作为该类别的减数图像。
3.根据权利要求1所述的方法,其特征在于,所述提取每个类别的N-1组图像中的种子籽粒图像,包括:
采用阈值分割算法对所述每个类别的N-1组图像分别进行图像分割,提取每组图像中种子籽粒所在最小矩形区域;
采用最近邻插值算法将所述种子籽粒所在最小矩形区域进行放大,得到各个类别的N-1组种子籽粒图像。
4.根据权利要求1所述的方法,其特征在于,所述计算所述每个类别的N-1组种子籽粒的图像的最佳特征数据作为该类别的建模训练数据,包括:
分别采用灰度直方图图像特征提取方法、灰度分布统计和灰度共生矩阵图像特征提取方法以及局部二值模式图像特征提取方法,提取每个类别的N-1组种子籽粒图像中的每一组种子籽粒图像的3个图像特征;
分别对每一组种子籽粒图像的3个图像特征进行特征降维,得到各个类别的N-1组种子籽粒图像中的每一组种子籽粒图像的3个特征数据;
计算每个类别的N-1组种子籽粒图像中每一组种子籽粒图像的3个特征数据的可分性,比较每一组组内特征数据的可分性指标,得到每一组组内的最佳特征数据及对应的最佳图像特征提取方法;
比较每个类别的N-1组组间的最佳特征数据的可分性指标,得到每个类别的N-1组种子籽粒图像的最终最佳特征数据以及对应的用于采集透射光谱数据的最佳近红外光波长,并将所述最终最佳特征数据作为该类别的建模训练数据。
5.根据权利要求4所述的方法,其特征在于,所述对每一组种子籽粒图像的3个图像特征进行特征降维,包括:
采用主成分分析法和正交线性判别分析法分别对所述每一组种子籽粒图像的3个图像特征进行降维,得到每一组种子籽粒图像的3个特征数据。
6.根据权利要求5所述的方法,其特征在于,采用交叉验证法确定所述主成分分析法所降至的最优维数,具体包括:
将每一组样本数目为K的图像特征随机分配成L等份,依次取出其中的1份作为测试集,剩余的L-1份作为训练集建立测试模型,依次增加主成分分析法预设的要降至的维度,选取所述测试集正确率最高时的维度作为所述主成分分析法所降至的最优维数。
7.根据权利要求4所述的方法,其特征在于,所述可分性指标为类间类内相对距离,所述类间类内相对距离的计算公式如下:
其中,Rij为第i类和第j类之间的类间类内相对距离,Dij表示第i类与第j类重心的平方欧氏距离,Wi表示第i类内部的平均离差平方和,Wj表示第j类内部的平均离差平方和。
8.一种采用如权利要求1-7任一项所述的方法建立的种子的光谱图像无损鉴别模型进行种子鉴别的方法,其特征在于,所述方法包括:
根据待检测种子的类别选取该类别的减数图像对应的近红外光波长,采集该波长处的透射光谱图像,得到所述待检测种子的减数图像;
根据待检测种子的类别选取该类别的用于采集透射光谱数据的最佳近红外光波长,采集该波长处的透射光谱图像,得到所述待检测种子的最优波长处的光谱图像;
将所述待检测种子的最优波长处的光谱图像对待检测种子的减数图像做差运算,得到一组新图像;
提取差运算后的新图像中的待检测种子图像;
计算所述待检测种子图像的最佳特征数据;
将所述最佳特征数据根据所述种子的光谱图像无损鉴别模型进行种子品质鉴别。
9.根据权利要求8所述的方法,其特征在于,所述计算所述待检测种子图像的最佳特征数据,包括:
根据建模时确定的最佳图像特征提取方法对所述待检测种子图像进行特征提取,得到图像特征;
将所述图像特征映射到建模时确定的主成分分析法的特征空间中,得到图像特征在PCA空间的表达,并将经主成分分析法处理后的图像特征映射到建模时确定的正交线性判别分析法的特征空间中,得到最佳特征数据。
10.根据权利要求8所述的方法,其特征在于,在对待检测种子进行鉴别之前,所述方法还包括:
根据预设距离阈值DT确定是否对所述待检测种子进行鉴别,当待检测种子与所述种子的光谱图像无损鉴别模型的距离D大于DT时,不对所述待检测种子进行鉴别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510355690.7A CN104990892B (zh) | 2015-06-24 | 2015-06-24 | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510355690.7A CN104990892B (zh) | 2015-06-24 | 2015-06-24 | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104990892A true CN104990892A (zh) | 2015-10-21 |
CN104990892B CN104990892B (zh) | 2017-09-29 |
Family
ID=54302732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510355690.7A Expired - Fee Related CN104990892B (zh) | 2015-06-24 | 2015-06-24 | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104990892B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224960A (zh) * | 2015-11-04 | 2016-01-06 | 江南大学 | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 |
CN106383088A (zh) * | 2016-08-19 | 2017-02-08 | 合肥工业大学 | 一种基于多光谱成像技术的种子纯度快速无损检测方法 |
CN108426855A (zh) * | 2017-02-15 | 2018-08-21 | 天津农学院 | 基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 |
CN108444928A (zh) * | 2018-03-12 | 2018-08-24 | 浙江大学 | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 |
CN109063773A (zh) * | 2018-08-03 | 2018-12-21 | 华中科技大学 | 一种利用图像特征提高激光探针分类精度的方法 |
CN110090809A (zh) * | 2018-01-31 | 2019-08-06 | 西派特(北京)科技有限公司 | 一种在线高速无损自动分拣单倍体玉米籽粒的装置 |
CN115205319A (zh) * | 2022-09-19 | 2022-10-18 | 山东省金春雨种业科技有限公司 | 用于选种过程中的种子特征提取及分类方法 |
CN115855869A (zh) * | 2022-11-18 | 2023-03-28 | 临沂海关综合技术服务中心 | 一种树种用气相质谱仪的检测装置及方法 |
CN117054354A (zh) * | 2023-10-12 | 2023-11-14 | 云南省林业和草原科学院 | 一种便携式种子成熟度光谱检测系统及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231274A (zh) * | 2008-01-28 | 2008-07-30 | 河南中医学院 | 近红外光谱快速测定山药中尿囊素含量的方法 |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
-
2015
- 2015-06-24 CN CN201510355690.7A patent/CN104990892B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231274A (zh) * | 2008-01-28 | 2008-07-30 | 河南中医学院 | 近红外光谱快速测定山药中尿囊素含量的方法 |
CN103954570A (zh) * | 2014-04-21 | 2014-07-30 | 江苏大学 | 一种基于光谱成像技术的粮食虫害程度判别方法 |
Non-Patent Citations (3)
Title |
---|
SILVIA SERRANTI等: "Classification of oat and groat kernels using NIR hyperspectral imaging", 《TALANTA》 * |
XIAOLEI ZHANG等: "Application of Hyperspectral Imaging and Chemometric Calibration for Variety Discrimination of Maize Seeds", 《SENSORS》 * |
肖昕等: "应用近红外透射光谱法测定水稻种子支链淀粉含量的初步研究", 《中国农业科学》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224960A (zh) * | 2015-11-04 | 2016-01-06 | 江南大学 | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 |
CN105224960B (zh) * | 2015-11-04 | 2018-07-20 | 江南大学 | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 |
CN106383088A (zh) * | 2016-08-19 | 2017-02-08 | 合肥工业大学 | 一种基于多光谱成像技术的种子纯度快速无损检测方法 |
CN108426855A (zh) * | 2017-02-15 | 2018-08-21 | 天津农学院 | 基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 |
CN110090809A (zh) * | 2018-01-31 | 2019-08-06 | 西派特(北京)科技有限公司 | 一种在线高速无损自动分拣单倍体玉米籽粒的装置 |
CN108444928A (zh) * | 2018-03-12 | 2018-08-24 | 浙江大学 | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 |
CN108444928B (zh) * | 2018-03-12 | 2020-10-09 | 浙江大学 | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 |
CN109063773A (zh) * | 2018-08-03 | 2018-12-21 | 华中科技大学 | 一种利用图像特征提高激光探针分类精度的方法 |
CN115205319A (zh) * | 2022-09-19 | 2022-10-18 | 山东省金春雨种业科技有限公司 | 用于选种过程中的种子特征提取及分类方法 |
CN115855869A (zh) * | 2022-11-18 | 2023-03-28 | 临沂海关综合技术服务中心 | 一种树种用气相质谱仪的检测装置及方法 |
CN117054354A (zh) * | 2023-10-12 | 2023-11-14 | 云南省林业和草原科学院 | 一种便携式种子成熟度光谱检测系统及装置 |
CN117054354B (zh) * | 2023-10-12 | 2024-03-05 | 云南省林业和草原科学院 | 一种便携式种子成熟度光谱检测系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104990892B (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104990892A (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
CN109870421B (zh) | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 | |
Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
CN110596280B (zh) | 基于高光谱图像和光谱信息融合的小麦呕吐毒素污染水平快速检测方法 | |
CN109858477A (zh) | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 | |
CN103048273A (zh) | 基于模糊聚类的水果近红外光谱分类方法 | |
CN105043998B (zh) | 一种鉴别玉米单倍体的方法 | |
CN102706813B (zh) | 基于高光谱图像的草地早熟禾品种识别方法 | |
CN105548066A (zh) | 一种胶体种类区分方法及系统 | |
Zhou et al. | Identification of the variety of maize seeds based on hyperspectral images coupled with convolutional neural networks and subregional voting | |
Liu et al. | Rapid identification of chrysanthemum teas by computer vision and deep learning | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
CN105139022A (zh) | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 | |
Deng et al. | Image features and DUS testing traits for peanut pod variety identification and pedigree analysis | |
Mohammadpoor et al. | An intelligent technique for grape fanleaf virus detection | |
Al‐Tahhan et al. | Accurate automatic detection of acute lymphatic leukemia using a refined simple classification | |
CN110866547B (zh) | 基于多特征和随机森林的中药饮片自动分类系统及方法 | |
Concepcion II et al. | Variety classification of Lactuca sativa seeds using single-kernel RGB images and spectro-textural-morphological feature-based machine learning | |
Wu et al. | Automatic kernel counting on maize ear using RGB images | |
CN104990891B (zh) | 一种种子近红外光谱和光谱图像定性分析模型建立方法 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN110991469B (zh) | 一种水果可溶性固形物在线检测方法及系统 | |
CN110619370A (zh) | 一种高光谱图像超像素局部线性嵌入降维方法 | |
CN102809635A (zh) | 一种适宜溶解型蛋白质加工的花生品质测定及其评价方法 | |
CN113469084B (zh) | 基于对比生成对抗网络的高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170929 Termination date: 20200624 |
|
CF01 | Termination of patent right due to non-payment of annual fee |