CN111931700A - 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 - Google Patents
一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 Download PDFInfo
- Publication number
- CN111931700A CN111931700A CN202010947320.3A CN202010947320A CN111931700A CN 111931700 A CN111931700 A CN 111931700A CN 202010947320 A CN202010947320 A CN 202010947320A CN 111931700 A CN111931700 A CN 111931700A
- Authority
- CN
- China
- Prior art keywords
- corn
- image
- moment
- classifier
- value
- 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.)
- Pending
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 97
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 97
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 96
- 235000005822 corn Nutrition 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001917 fluorescence detection Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统,通过采集目标玉米籽粒的二维彩色图像;对彩色图像进行一系列预处理,包括灰度化,去噪,二值化等操作;提取玉米籽粒的表型特征参数,表型参数包括周长,面积;将参数作为自变量输入到该品种已经训练好的三个分类器中(KNN、神经网络、支持向量机),根据输出结果投票决定是否属于该品种。本发明的方法实现了玉米品种真伪鉴别的自动化、智能化以及信息化,具有快速、无损、低成本、准确性高等优点。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统。
背景技术
玉米是人类生存、畜牧业及工业发展的重要粮源。不仅如此,在能源日趋紧张的今天,以玉米等为原料的可再生能源开发已成为许多国家能源发展战略的重点。玉米的“使命”正发生着巨大变革,也使得玉米成为软黄金将出现短缺。由于种子在农业生产中的特殊地位和作用,加上种子生产、经营具有较高利润,进入市场的种子企业良莠不齐,在利益的驱动下,制售假劣种子,害农坑农事件时有发生。因此加强种子质量检测工作,杜绝假冒伪劣种子进入市场,保护农民利益,增强种子生产者、经营者的质量意识,调动种子生产者的积极性,自觉规范种子生产、经营行为,切实有效地搞好质量控制,严格把好种子质量关,提高商品种子的质量,具有十分重要的意义。
现代玉米种子纯度检验技术包括植物形态技术、生化电泳技术、分子生物学技术、叶色标记检验技术、荧光检验技术等。但这些技术具有检验周期长、具有操作技术要求高、检验成本较高等特点,限制了其应用,目前仅停留在实验探索阶段,因而在生产实践中一直没有得到推广应用。
发明内容
本发明要解决的技术问题是:提供一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统,实现通过不同品种玉米籽粒的表型特征鉴别品种的功能。
本发明为解决上述技术问题所采取的技术方案为:一种基于多分类器的玉米品种真伪鉴别方法,包括以下步骤:
S1:采集目标玉米籽粒的彩色图像;
S2:对彩色图像进行包括灰度化、去噪、二值化的预处理;
S3:从步骤S1和步骤S2得到的图像中分别提取玉米籽粒的包括颜色特征、形状特征和纹理特征的表型特征参数;
S4:将表型特征参数作为自变量,输入到预设品种的已经训练好的包括KNN分类器、神经网络分类器和支持向量机分类器的分类器中,根据输出结果投票决定目标玉米籽粒是否属于预设品种。
按上述方案,所述的步骤S2中,具体步骤为:
S21:利用灰度化公式将彩色图像转化为灰度图像;
S22:自定义加权均值滤波模板对灰度图像滤波,对灰度图像去噪;
S23:使用最大类间方差法进行基于直方图的自动的非参数非监督的阈值选择,并根据阈值对灰度图进行二值化操作得到二值图像。
进一步的,所述的步骤S23中,二值化阈值为105。
进一步的,所述的步骤S3中,玉米籽粒的纹理特征包括:
基于灰度图像获取45度方向上的灰度共生矩阵;
基于灰度共生矩阵计算灰度共生矩阵元素值的平方和获取能量参数值;
基于灰度共生矩阵计算图像灰度级集合的比特平均数获取熵的值;
基于灰度共生矩阵计算惯性矩;
基于灰度共生矩阵计算相关性。
进一步的,所述的步骤S3中,玉米籽粒的形状特征包括:
基于二值图像获取玉米籽粒区域内包含的所有像素个数,用于确定目标玉米籽粒的面积;
基于二值图像获取玉米籽粒区域面积相等的圆的直径,用于确定目标玉米籽粒的直径;
基于二值图像获取玉米籽粒区域外轮廓线的长度,用于确定目标玉米籽粒的周长;
根据面积和直径计算玉米籽粒形状接近圆的程度,用于确定目标玉米籽粒的圆形度;
基于二值图像获取玉米籽粒区域的长和宽,用于确定目标玉米籽粒的椭圆度和延伸度。
按上述方案,所述的步骤S3中,玉米籽粒的颜色特征包括:基于彩色图像获取RGB各分量和HSV各分量;
RGB各分量中,根据彩色图像的R分量值确定R分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的G分量值确定G分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的B分量值确定B分量的一阶矩、二阶矩、偏度、峰值;
HSV各分量中,根据彩色图像的H分量值确定H分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的S分量值确定S分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的V分量值确定V分量的一阶矩、二阶矩、偏度、峰值。
按上述方案,所述的步骤S4中,KNN分类器分类的具体步骤为:根据已经审定的玉米品种的样本采集的图像获取的特征参数,构建预设品种的相应的标准特征参数数据库;通过交叉验证确定K的值为10;计算目标玉米籽粒的表型特征参数与标准特征参数数据库中每个样本的欧氏距离,若最近的K个样本类型都是预设品种则输出1,若最近的K个样本类型不都是预设品种则输出0。
按上述方案,所述的步骤S4中,神经网络分类器分类的具体步骤为:根据已经审定的玉米品种的样本采集的图像获取的特征参数,构建预设品种的相应的标准特征参数数据库;建立神经网络模型,构建的神经网络分类器的层数为3层,分别为输入层、隐藏层、输出层;输入层的节点数为37,隐藏层的节点数为100,输出层的节点数为1;输出层输出的结果为0或1;训练神经网络模型,保存模型参数。
按上述方案,所述的步骤S4中,支持向量机分类器分类的具体步骤为:根据已经审定的玉米品种的样本采集的图像获取的特征参数,构建预设品种的相应的标准特征参数数据库;选用的核函数为径向基函数;径向基核函数的参数γ的值取16,用于限定核函数的宽度。
一种基于多分类器的玉米品种真伪鉴别系统,其特征在于:
包括按信号流向依次连接的彩色图像采集模块、灰度化处理模块、去噪模块和二值化处理模块;
还包括颜色特征提取模块、纹理特征提取模块和形状特征提取模块;
颜色特征提取模块的信号输入端与彩色图像采集模块的信号输出端连接;
纹理特征提取模块的信号输入端与灰度化处理模块的信号输出端连接;
形状特征提取模块的信号输入端与二值化处理模块的信号输出端连接;
颜色特征提取模块、纹理特征提取模块和形状特征提取模块的信号输出端分别与分类器的信号输入端连接;
分类器包括KNN分类器、神经网络分类器和支持向量机分类器。
本发明的有益效果为:
1.本发明的一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统,通过采集大量不同品种的玉米籽粒图像以及建模实验发现不同品种的玉米籽粒的表型特征差异,实现了通过不同品种玉米籽粒的表型特征鉴别品种的功能,缩短了检验周期、降低了操作技术要求、降低了检验成本的要求。
2.本发明实现了玉米品种真伪鉴别的自动化、智能化以及信息化。
3.本发明具有快速、无损、低成本、准确性高等优点。
附图说明
图1是本发明实施例的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1,本发明的实施例的一种基于多分类器的玉米品种真伪鉴别方法,包括以下步骤:
S1:随机选取某品种玉米籽粒20粒,在自行设计的图像采集装置中分别采集这些籽粒的二维彩色图像;
S2:图像在形成、传输、接收和处理的过程中,不可避免地存在着各种干扰,如光电转换过程中敏感组件灵敏度的不均匀性、数字化过程的量化噪声、传输过程中的误差以及人为因素等,均会使图像的质量下降;同时,为了表型特征参数的提取,需要对彩色图像进行一系列预处理工作,包括灰度化,去噪,二值化等操作,最终每一粒玉米对应三种图像:彩色图像、灰度图像和二值图像;
S21:在玉米籽粒的彩色图像基础上提取每个像素点的RGB分量值,并根据灰度化公式计算每个像素点对应的灰度值,将彩色图像转化为灰度图像;
S22:根据灰度图像的特点,自定义加权均值滤波模板与灰度图进行卷积运算,对灰度图像滤波,完成灰度图像的去噪工作;
S23:使用一个灰度阈值将一幅灰度图像中的像素点划分为前景和背景两类,设定不同的阈值得到不同的类别分离性能,类别方差反映了类别划分的性能;类别方差自动阈值法利用类别方差作为判别依据,选取使类间方差最大和类内方差最小的阈值作为最佳阈值;使用最大类间方差法(Otsu法)进行基于直方图的自动的非参数非监督的阈值选择,求得二值化阈值为105,并根据此阈值对灰度图进行二值化操作得到二值图像;
S3:提取玉米籽粒的包括颜色特征、形状特征和纹理特征的表型特征参数:
彩色图像有多种颜色模型,常用的颜色模型有两类,一类RGB颜色模型是面向彩色监视器和彩色摄像机等硬设备的,基于红、绿、蓝(R、G、B)三基色的颜色表示;另一类HSV颜色模型是面向彩色处理的常用模型,以人眼对颜色的感知机理为基础;在以上两种颜色模型下,获取各分量的统计量作为颜色特征参数;则玉米籽粒的颜色特征包括基于玉米籽粒的彩色图像提取RGB各分量和HSV各分量共24个颜色表型特征参数:
读取玉米籽粒彩色图像数据,分别获取每个像素点的R通道、G通道、B通道的数值并对应计算每个通道数据的一阶矩、二阶矩、偏度、峰值;即在RGB各分量中,根据彩色图像的R分量值确定R分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的G分量值确定G分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的B分量值确定B分量的一阶矩、二阶矩、偏度、峰值;
读取玉米籽粒彩色图像数据,分别获取每个像素点的H通道、S通道、V通道的数值并对应计算每个通道数据的一阶矩、二阶矩、偏度、峰值;即在HSV各分量中,根据彩色图像的H分量值确定H分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的S分量值确定S分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的V分量值确定V分量的一阶矩、二阶矩、偏度、峰值;
玉米籽粒具有丰富的与品种相关的形状信息,以玉米籽粒二值图为基础,提取玉米籽粒的8个形状表型特征参数:
基于二值图获取玉米籽粒区域内包含的所有像素个数,即读取二值图像,按8连通区域标记玉米籽粒区域,则玉米籽粒区域内包含的所有像素个数就是该玉米籽粒的面积;
基于二值图,根据面积获取玉米籽粒区域面积相等的圆的直径,用于确定该玉米籽粒的直径;
基于二值图,用物体边界像素点的距离表示玉米籽粒区域外轮廓线的长度,用于确定该玉米籽粒的周长;
根据面积和直径计算玉米籽粒的边界形状接近圆的程度,用于确定该玉米籽粒的圆形度;圆形度是描述玉米籽粒形状的复杂程度的一个重要特征量;
基于二值图计算玉米籽粒区域在水平方向和垂直方向上最大像素的个数,作为玉米籽粒的长和宽;根据玉米籽粒区域的长、宽和面积,确定该玉米籽粒的椭圆度和延伸度;
基于玉米籽粒的灰度图像提取4个纹理表型特征参数:
基于灰度图获取45度方向上的灰度共生矩阵;灰度直方图是对图像上单个像素具有某个灰度进行统计的结果,灰度共生矩阵是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的,具体过程如下:
取图像(N×N)中任意一点(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(g1,g2);令点(x,y)在整个画面上移动,则会得到各种(g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k的平方种;对整个画面,统计每一种(g1,g2)值出现的次数,排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),得到的方阵称为灰度共生矩阵;距离差分值(a,b)取不同的数值组合,得到不同情况下的联合概率矩阵;当a=1,b=1时,像素对是右对角线的,即45度扫描;则两个象素灰度级同时发生的概率,将(x,y)的空间坐标转化为“灰度对”(g1,g2)的描述,形成了灰度共生矩阵。
计算灰度共生矩阵元素值的平方和获取能量参数值,用于反映图像灰度分布均匀程度和纹理粗细度;
统计图像灰度级集合的比特平均数获取熵的值,用于表示图像中纹理的非均匀程度或复杂程度;
基于灰度共生矩阵计算惯性矩,用于反映图像纹理的同质性,度量图像纹理局部变化的多少;其值大则说明图像纹理的不同区域间缺少变化,局部非常均匀;
基于灰度共生矩阵计算相关性,用于度量空间灰度共生矩阵元素在行或列方向上的相似程度;
S4:将步骤S3得到的36个表型特征参数作为自变量,输入到预设品种已经训练好的KNN分类器、神经网络分类器和支持向量机分类器中,根据输出结果投票决定目标玉米籽粒是否属于预设品种:
KNN算法通过给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例(也就是上面所说的K个邻居),这K个实例的多数属于某个类,就把该输入实例分类到这个类中;采用该算法的KNN分类器用于根据已经审定的玉米品种的样本采集的图像获取的特征参数,构建已审定品种的相应的标准特征参数数据库;通过交叉验证确定K的值为10;距离定义为欧氏距离,具体过程为:计算待鉴别品种的玉米籽粒表型特征参数与特征参数数据库中每个样本的欧氏距离,如果最近的K个样本类型都是该实施例标注的品种则输出1,否则输出0。
神经网络是通过对人脑的基本单元即神经元的建模和联接,探索模拟人脑神经系统功能的模型,并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统;神经网络的一个重要特性是能够从环境中学习,并把学习的结果分布存储于网络的突触连接中;神经网络的学习是一个过程,在其所处环境的激励下,相继给神经网络输入一些样本模式,并按照一定的规则(学习算法)调整神经网络各层的权值矩阵,待神经网络各层权值都收敛到一定值,学习过程结束;然后我们就可以用生成的神经网络来对真实数据做分类;神经网络分类器用于根据已经审定的玉米品种的样本采集的图像获取特征参数,建立已审定品种的相应的标准特征参数数据库;建立神经网络模型,构建的神经网络分类器的层数为3层,分别为输入层、隐藏层、输出层;输入层每层的节点数为37,隐藏层的节点数为100,输出层的节点数为1;输出层输出的结果为0或1;训练神经网络模型,保存模型参数。
支持向量机是在统计学习理论的VC维理论和结构风险最小化原则基础上发展出来的一种机器学习方法,它主要是针对二类模式识别问题提出的,对于非线性情况,引入核映像将输入空间中的训练集样本通过函数映射到高维特征空间,然后再在高维空间中构造最优超平面,并得到分类器的决策函数;支持向量机分类器用于根据已经审定的玉米品种的样本采集的图像获取特征参数,建立已审定品种的相应的标准特征参数数据库;选用的核函数为径向基函数;径向基核函数的参数γ的值取16,用于限定核函数的宽度。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (10)
1.一种基于多分类器的玉米品种真伪鉴别方法,其特征在于:包括以下步骤:
S1:采集目标玉米籽粒的彩色图像;
S2:对彩色图像进行包括灰度化、去噪、二值化的预处理;
S3:从步骤S1和步骤S2得到的图像中分别提取玉米籽粒的包括颜色特征、形状特征和纹理特征的表型特征参数;
S4:将表型特征参数作为自变量,输入到预设品种的已经训练好的包括KNN分类器、神经网络分类器和支持向量机分类器的分类器中,根据输出结果投票决定目标玉米籽粒是否属于预设品种。
2.根据权利要求1所述的鉴别方法,其特征在于:所述的步骤S2中,具体步骤为:
S21:利用灰度化公式将彩色图像转化为灰度图像;
S22:自定义加权均值滤波模板对灰度图像滤波,对灰度图像去噪;
S23:使用最大类间方差法进行基于直方图的自动的非参数非监督的阈值选择,并根据阈值对灰度图进行二值化操作得到二值图像。
3.根据权利要求2所述的鉴别方法,其特征在于:所述的步骤S23中,二值化阈值为105。
4.根据权利要求2所述的鉴别方法,其特征在于:所述的步骤S3中,玉米籽粒的纹理特征包括:
基于灰度图像获取45度方向上的灰度共生矩阵;
基于灰度共生矩阵计算灰度共生矩阵元素值的平方和获取能量参数值;
基于灰度共生矩阵计算图像灰度级集合的比特平均数获取熵的值;
基于灰度共生矩阵计算惯性矩;
基于灰度共生矩阵计算相关性。
5.根据权利要求2所述的鉴别方法,其特征在于:所述的步骤S3中,玉米籽粒的形状特征包括:
基于二值图像获取玉米籽粒区域内包含的所有像素个数,用于确定目标玉米籽粒的面积;
基于二值图像获取玉米籽粒区域面积相等的圆的直径,用于确定目标玉米籽粒的直径;
基于二值图像获取玉米籽粒区域外轮廓线的长度,用于确定目标玉米籽粒的周长;
根据面积和直径计算玉米籽粒形状接近圆的程度,用于确定目标玉米籽粒的圆形度;
基于二值图像获取玉米籽粒区域的长和宽,用于确定目标玉米籽粒的椭圆度和延伸度。
6.根据权利要求1所述的鉴别方法,其特征在于:所述的步骤S3中,玉米籽粒的颜色特征包括:基于彩色图像获取RGB各分量和HSV各分量;
RGB各分量中,根据彩色图像的R分量值确定R分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的G分量值确定G分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的B分量值确定B分量的一阶矩、二阶矩、偏度、峰值;
HSV各分量中,根据彩色图像的H分量值确定H分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的S分量值确定S分量的一阶矩、二阶矩、偏度、峰值;根据彩色图像的V分量值确定V分量的一阶矩、二阶矩、偏度、峰值。
7.根据权利要求1所述的鉴别方法,其特征在于:所述的步骤S4中,KNN分类器分类的具体步骤为:根据已经审定的玉米品种的样本采集的图像获取的特征参数,构建预设品种的相应的标准特征参数数据库;通过交叉验证确定K的值为10;计算目标玉米籽粒的表型特征参数与标准特征参数数据库中每个样本的欧氏距离,若最近的K个样本类型都是预设品种则输出1,若最近的K个样本类型不都是预设品种则输出0。
8.根据权利要求1所述的鉴别方法,其特征在于:所述的步骤S4中,神经网络分类器分类的具体步骤为:根据已经审定的玉米品种的样本采集的图像获取的特征参数,构建预设品种的相应的标准特征参数数据库;建立神经网络模型,构建的神经网络分类器的层数为3层,分别为输入层、隐藏层、输出层;输入层的节点数为37,隐藏层的节点数为100,输出层的节点数为1;输出层输出的结果为0或1;训练神经网络模型,保存模型参数。
9.根据权利要求1所述的鉴别方法,其特征在于:所述的步骤S4中,支持向量机分类器分类的具体步骤为:根据已经审定的玉米品种的样本采集的图像获取的特征参数,构建预设品种的相应的标准特征参数数据库;选用的核函数为径向基函数;径向基核函数的参数γ的值取16,用于限定核函数的宽度。
10.用于权利要求1至9的任意一项所述的一种基于多分类器的玉米品种真伪鉴别方法的鉴别系统,其特征在于:
包括按信号流向依次连接的彩色图像采集模块、灰度化处理模块、去噪模块和二值化处理模块;
还包括颜色特征提取模块、纹理特征提取模块和形状特征提取模块;
颜色特征提取模块的信号输入端与彩色图像采集模块的信号输出端连接;
纹理特征提取模块的信号输入端与灰度化处理模块的信号输出端连接;
形状特征提取模块的信号输入端与二值化处理模块的信号输出端连接;
颜色特征提取模块、纹理特征提取模块和形状特征提取模块的信号输出端分别与分类器的信号输入端连接;
分类器包括KNN分类器、神经网络分类器和支持向量机分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010947320.3A CN111931700A (zh) | 2020-09-10 | 2020-09-10 | 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010947320.3A CN111931700A (zh) | 2020-09-10 | 2020-09-10 | 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931700A true CN111931700A (zh) | 2020-11-13 |
Family
ID=73309656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010947320.3A Pending CN111931700A (zh) | 2020-09-10 | 2020-09-10 | 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931700A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837267A (zh) * | 2021-01-11 | 2021-05-25 | 浙江大学 | 一种预测转基因玉米抗药性的数字检测方法及系统 |
CN113011296A (zh) * | 2021-03-08 | 2021-06-22 | 中国农业科学院农产品加工研究所 | 快速鉴别小麦品种纯度的方法和系统 |
CN113109240A (zh) * | 2021-04-08 | 2021-07-13 | 国家粮食和物资储备局标准质量中心 | 一种计算机实施的粮食不完善粒测定方法和系统 |
CN114445659A (zh) * | 2022-01-20 | 2022-05-06 | 南京中医药大学 | 一种基于图像颜色及纹理特征的真伪酸枣仁鉴别方法 |
CN114724027A (zh) * | 2022-03-25 | 2022-07-08 | 清华大学 | 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 |
-
2020
- 2020-09-10 CN CN202010947320.3A patent/CN111931700A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837267A (zh) * | 2021-01-11 | 2021-05-25 | 浙江大学 | 一种预测转基因玉米抗药性的数字检测方法及系统 |
CN112837267B (zh) * | 2021-01-11 | 2023-12-26 | 浙江大学 | 一种预测转基因玉米抗药性的数字检测方法及系统 |
CN113011296A (zh) * | 2021-03-08 | 2021-06-22 | 中国农业科学院农产品加工研究所 | 快速鉴别小麦品种纯度的方法和系统 |
CN113109240A (zh) * | 2021-04-08 | 2021-07-13 | 国家粮食和物资储备局标准质量中心 | 一种计算机实施的粮食不完善粒测定方法和系统 |
CN114445659A (zh) * | 2022-01-20 | 2022-05-06 | 南京中医药大学 | 一种基于图像颜色及纹理特征的真伪酸枣仁鉴别方法 |
CN114724027A (zh) * | 2022-03-25 | 2022-07-08 | 清华大学 | 基于机器视觉的固态酿造颗粒状原料掺杂鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chouhan et al. | Applications of computer vision in plant pathology: a survey | |
CN111931700A (zh) | 一种基于多分类器的玉米品种真伪鉴别方法和鉴别系统 | |
Panchal et al. | Plant diseases detection and classification using machine learning models | |
CN105930815B (zh) | 一种水下生物检测方法和系统 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
Aruraj et al. | Detection and classification of diseases of banana plant using local binary pattern and support vector machine | |
Dey et al. | Automatic detection of whitefly pest using statistical feature extraction and image classification methods | |
CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN111611972B (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
CN108596195B (zh) | 一种基于稀疏编码特征提取的场景识别方法 | |
CN107886095A (zh) | 一种基于机器视觉和嗅觉特征融合的分类识别方法 | |
CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
Sabri et al. | Nutrient deficiency detection in maize (Zea mays L.) leaves using image processing | |
Lin et al. | Determination of the varieties of rice kernels based on machine vision and deep learning technology | |
Singh et al. | Classification of wheat seeds using image processing and fuzzy clustered random forest | |
Gajula Ramesh et al. | Detection of Plant Diseases by analyzing the Texture of Leaf using ANN Classifier | |
Concepcion II et al. | Variety classification of Lactuca sativa seeds using single-kernel RGB images and spectro-textural-morphological feature-based machine learning | |
Palanisamy et al. | Neural network–based leaf classification using machine learning | |
Balasubramaniyan et al. | Color contour texture based peanut classification using deep spread spectral features classification model for assortment identification | |
CN111275137B (zh) | 基于专属孪生网络模型的茶叶验真方法 | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
Bandara et al. | Detection and classification of rice plant diseases using image processing techniques | |
Sun et al. | Research on classification method of eggplant seeds based on machine learning and multispectral imaging classification eggplant seeds | |
Ventsov et al. | Localization of barcodes using artificial neural network | |
Sharmila et al. | Weighted Mask Recurrent-Convolutional Neural Network based Plant Disease Detection using Leaf Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |