張玉榮 陳賽賽 姜忠麗 周顯青

（河南工業(yè)大學糧油食品學院，鄭州 450001）

基于圖像處理的小麥容重檢測方法研究

張玉榮 陳賽賽 姜忠麗 周顯青

（河南工業(yè)大學糧油食品學院，鄭州 450001）

為了實現(xiàn)圖像處理技術對小麥容重影響因素的分析和容重的準確識別，研究了一種基于小麥圖像特征和模式識別的小麥容重檢測方法。采集不同容重小麥完整籽粒和籽粒橫切面圖像，對圖像進行中值濾波、形態(tài)學運算、圖像分割等處理，提取原圖像與處理后圖像的形態(tài)、顏色和紋理共3大類44個特征參數(shù)。最后采用逐步判別分析對提取的特征參數(shù)進行篩選，建立線性參數(shù)統(tǒng)計分類器和BP神經(jīng)網(wǎng)絡模型實現(xiàn)小麥不同容重的檢測。結果表明，與小麥橫切面圖像特征相比，小麥完整籽粒圖像的特征參數(shù)能更好的反映不同容重的差異；2種分類器對基于完整籽粒圖像的小麥容重整體識別率均在95%以上。研究結果證明將圖像處理技術應用于小麥容重檢測識別是可行的。

圖像處理 小麥 容重 逐步判別分析 神經(jīng)網(wǎng)絡 識別

《小麥》國家標準（GB 1351—2008）采用容重作為小麥定等的指標，該標準是小麥流通過程中判定其質(zhì)量等級的重要依據(jù)［1］。一般來說，籽粒成熟飽滿、結構緊密、顆粒小、含水量低的樣品，容重較大；反之，容重較小。目前，關于水分［2－3］、雜質(zhì)［4］等因素對小麥容重影響的研究已有大量的報道。關于小麥自身結構如形狀、大小、整齊度、胚乳質(zhì)地等綜合因素對容重的影響程度如何，目前鮮見報道，主要原因在于以人工檢測為主的常規(guī)檢測難以實現(xiàn)此類指標的描述和統(tǒng)計分析。

隨著信息技術的迅速發(fā)展，糧油及其他農(nóng)產(chǎn)品檢驗已經(jīng)逐漸向無損檢測、在線檢測的方向發(fā)展，計算機圖像處理技術作為一種新的檢測方法，受到國內(nèi)外學者的普遍關注。圖像處理技術在農(nóng)產(chǎn)品質(zhì)量與品質(zhì)的檢測過程中，通常從樣品的形態(tài)、顏色和紋理等方面提取特征參數(shù)，用于農(nóng)產(chǎn)品特征描述并對其進行評價。因此，可以使用圖像處理技術對小麥籽粒的形狀、大小、光滑度、胚乳質(zhì)地等因素進行描述。目前，利用圖像處理技術進行大米［5－7］、玉米［8］、馬鈴薯［9－10］、花生［11－12］等農(nóng)產(chǎn)品質(zhì)量與品質(zhì)檢測已經(jīng)取得了一定進展。在小麥質(zhì)量與品質(zhì)檢測方面，也有諸多研究成果，主要涉及小麥品種與種類識別［13－17］、質(zhì)量分級［18］、角質(zhì)和硬度檢測［19－21］等方面。本研究以不同容重小麥作為研究對象，采用圖像處理技術獲取小麥籽粒的形態(tài)、顏色和紋理特征，研究小麥形態(tài)、內(nèi)部結構等因素對容重的影響程度，以期客觀的認識和評價小麥容重的影響因素。此外，根據(jù)不同容重小麥的特征差異，使用相應的模式識別方法建立檢測模型，為圖像處理技術在小麥容重檢測中的應用提供參考。

1 材料與方法

1.1 試驗材料

本試驗所用的4個等級小麥樣品（2012年產(chǎn)）均采自黃淮麥區(qū)，由河南省糧油飼料質(zhì)檢中心提供，除去樣品中的雜質(zhì)和不完善粒后將樣品儲存于4℃左右的恒溫冰箱。

1.2 主要儀器設備與軟硬件平臺

HGT－1000A型容重器：上海東方衡器有限公司生產(chǎn)；LDS－1G谷物水分測定儀：上海青浦綠洲檢測儀器有限公司生產(chǎn)；紛騰h9型平板式掃描儀（光學分辨率（dpi）：2400×4800；掃描元件：CCD）：上海中晶科技有限公司生產(chǎn)；計算機（處理器：Intel Core；內(nèi)存：2.00 GB）：聯(lián)想有限公司生產(chǎn)；MATLAB R2010a、SPSS17.0、SAS9.1軟件。

1.3 試驗方法

1.3.1 小麥水分測定與調(diào)節(jié)

小麥水分用谷物水分測定儀測定，水分測定后將所有樣品水分調(diào)至（12.5±0.5）%。

1.3.2 小麥容重的測定

小麥樣品調(diào)節(jié)水分并至水分平衡后測定容重，容重測定方法參見GB 5498—1985《糧食、油料檢驗容重測定法》。

1.3.3 小麥圖像采集與預處理

從一等到四等4個等級的小麥樣品中分別選取若干份容重相近的小麥樣品，分別對每種等級的小麥進行完整籽粒圖像和籽粒橫切面圖像采集。對小麥籽粒橫切面圖像進行采集時，使用單面刀片將小麥籽粒從中部橫向切斷，保留帶胚芽的部分用于圖像采集。對于每個等級的樣品，將小麥籽粒以互不粘連的方式置于掃描儀上，以黑色環(huán)氧樹脂板為背景，將掃描儀亮度調(diào)為－30，對比度調(diào)至30，分辨率600 dpi掃描小麥籽粒數(shù)字化圖片，圖片以BMP格式儲存。圖像采集完成后，對圖像進行中值濾波、形態(tài)學運算等預處理，以達到圖像增強的目的。

1.3.4 圖像特征參數(shù)提取

不同容重的小麥籽粒在外觀、顏色、光滑度等方面均存在一定差異，故選擇形態(tài)、紋理和顏色特征參數(shù)表征小麥容重的不同。對于采集到的原始圖像和預處理后的圖像，使用MATLAB R2010a軟件編程實現(xiàn)特征參數(shù)提取，本試驗選取以下圖像特征參數(shù)參與小麥籽粒特征參數(shù)的提取。

顏色特征參數(shù)：提取RGB（紅色、綠色、藍色）顏色模型和HSI（色調(diào)、飽和度、亮度）顏色模型中的各顏色分量均值和方差等參數(shù)用于小麥容重的識別。

形態(tài)特征參數(shù)：小麥籽粒形態(tài)可以通過二值圖像標號將每一個小麥籽粒從整體圖像中提取出來，圖像經(jīng)形態(tài)學運算處理后，可有效去除噪聲干擾，之后利用籽粒區(qū)域和邊界特性可提取籽粒形態(tài)特征。本研究使用的小麥形態(tài)特征參數(shù)包括籽粒長軸長、短軸長、長寬比、周長、面積、伸展度、等效圓直徑、離心率、緊密度等參數(shù)。小麥籽粒形態(tài)特征中的周長、面積、長軸長等參數(shù)可以通過區(qū)域內(nèi)像素點個數(shù)統(tǒng)計得到，離心率、緊密度等特征參數(shù)可以通過相關參數(shù)之間的比率得到。

紋理特征參數(shù)：紋理是對局部區(qū)域像素之間關系的一種度量，可用于定量描述圖像中的信息。本試驗選取基于區(qū)域的亮度直方圖的一些紋理描繪子用于小麥籽粒的紋理分析，選取的紋理特征參數(shù)包括圖像的平均亮度、平滑度、平均對比度、一致性、三階矩、熵等參數(shù)。圖像的平均亮度表示為：m＝其中zi是表示亮度的隨機變量，p（z）是一個區(qū)域中灰度級的直方圖，L是灰度級數(shù)。其他紋理描繪子表示為：

由于相同容重的小麥在籽粒顏色、形態(tài)和紋理特征之間也會存在較大的差異，因此單個籽粒的圖像特征難以準確的反映該容重下的小麥整體特征。本次試驗中，提取出每個籽粒的特征參數(shù)后，進一步對整張圖像的籽粒特征參數(shù)取均值，將每張圖像的特征參數(shù)均值用于不同容重小麥的特征差異描述。

1.3.5 數(shù)據(jù)處理與模型建立

為了減少數(shù)據(jù)冗余并縮短數(shù)據(jù)處理時間，使用逐步判別分析進一步選取對分類識別貢獻率較大的參數(shù)，該過程使用SAS數(shù)據(jù)處理軟件完成。

模式識別過程分別使用線性參數(shù)統(tǒng)計分類器和BP神經(jīng)網(wǎng)絡模型完成，線性參數(shù)統(tǒng)計分類器使用SAS 9.1軟件建立，BP神經(jīng)網(wǎng)絡模型使用MATLAB編程完成。

本試驗中BP神經(jīng)網(wǎng)絡選用單隱層結構，其神經(jīng)元傳遞函數(shù)選用S型正切傳遞函數(shù)tansig，輸出層采用S型對數(shù)傳遞函數(shù)logsig，網(wǎng)絡訓練函數(shù)采用trainlm。輸入層神經(jīng)元個數(shù)由通過逐步判別分析篩選的參數(shù)數(shù)量確定，中間層節(jié)點數(shù)通過訓練來確定。網(wǎng)絡輸出為4種容重等級，因此輸出層的神經(jīng)元應該有4個，目標輸出模式為（1000）、（0100）、（0010）和（0001）。對于每種等級的小麥樣品，分別采集小麥完整籽粒和籽粒橫切面圖像各100張，隨機選取其中的60張作為訓練樣本，剩余的40張作為測試樣本，用于模型的學習和測試。

2 結果與分析

2.1 圖像采集與預處理

采集到的小麥完整籽粒與橫切面圖像如圖1所示，本研究選取的小麥樣品來源于同一收獲年限且水分含量相同，避免了因小麥水分含量、收獲年限等因素的不同對圖像特征參數(shù)造成影響。

圖1 小麥籽粒原始圖像

由圖2可以看出，圖像經(jīng)濾波處理后，噪聲明顯減少，圖像變得清晰，圖像邊緣及細節(jié)部分信息也得到較完整的保存。圖像的二值化處理有助于提取籽粒的形態(tài)特征信息，但是二值化處理后的圖像容易使小麥籽粒形成斷裂、孔洞等現(xiàn)象，影響籽粒區(qū)域和邊界的描述。形態(tài)學圖像處理可以平滑籽粒的輪廓、消除細小的突出物或孔洞，依次使用形態(tài)學處理中的開運算、閉運算對圖像進行處理后，小麥籽粒圖像中的孔洞和裂縫基本被清除。

圖2 圖像預處理效果

2.2 圖像特征參數(shù)提取與分析

小麥圖像完成采集或預處理后，首先采用MATLAB軟件編程提取小麥籽粒原始圖像與預處理后圖像的44個特征參數(shù)，然后使用SAS軟件中的逐步判別分析對提取的特征參數(shù)進行篩選，參數(shù)類型及數(shù)量如表1所示。

表1 逐步判別分析前后圖像特征參數(shù)數(shù)量

通過逐步判別分析對所有特征參數(shù)進行篩選后，可有效減少數(shù)據(jù)冗余，并篩選出對識別影響較大的前10個貢獻最大的特征參數(shù)。由表2可知，對于完整籽粒圖像，顏色特征能較好的反映不同容重小麥的籽粒差異，其次是形態(tài)特征和紋理特征。對于籽粒的橫切面圖像，顏色和紋理特征能較好的反映不同容重小麥的籽粒差異，形態(tài)特征影響很小。

表2 利用逐步判別分析選取的前10個貢獻較大的特征參數(shù)

2.3 不同容重小麥的分類識別

2.3.1 基于線性參數(shù)分類器的分類識別

之前的逐步判別分析已經(jīng)完成了特征參數(shù)的篩選，利用篩選出的對識別貢獻較大的變量，繼續(xù)使用SAS軟件中的DISCRIM過程，完成線性參數(shù)分類器的建立。以完整小麥籽粒圖像為例，將通過逐步判別分析得到的形態(tài)、顏色和紋理特征參數(shù)用于小麥容重的識別，利用SAS判別分析建立各容重等級相應的線性判別模型，4種等級容重對應的判別函數(shù)分別為：

Y1（X）＝－4 5 0 2＋1 6．2 1X1－8 7．5 1X2＋0．6 9X3－1 9 0．7 9X4－2 8．4 6X5＋4 3 5 1 3X6＋2 4 5．9 8X7＋1．2 1X8＋2 3 0．7 3X9＋3 8．6 1X10

Y2（X）＝－4 2 3 0＋1 3．6 9X1－9 8．9 4X2＋1．1 9X3－1 6 4．9 9X4－2 7．2 8X5＋4 0 6 7 8X6＋2 1 9．1 1X7＋1．0 9X8＋2 0 9．8 7X9＋3 8．7 7X10

Y3（X）＝－4 6 0 7＋1 8．6 3X1－7 0．3 6X2＋1．2 8X3－1 9 8．1 8X4－3 0．9 1X5＋4 6 3 4 7X6＋2 5 4．6 2X7＋1．1 8X8＋2 3 4．3 8X9＋3 7．7 5X10

Y4（X）＝－4 7 4 7＋1 8．1 1X1－9 7．2 1X2＋0．9 5X3－2 1 0．0 4X4－2 9．5 4X5＋4 5 7 8 6X6＋2 6 4．9 5X7＋1．2 9X8＋ 257．14X9＋39．09X10

使用上述線性判別分析模型對小麥容重進行識別，對樣本訓練集的正確回判率達到96.67%～100%，可以較好的反映小麥容重的差異，對測試集的識別結果如表3所示。

表3 完整籽粒圖像測試集樣本容重識別結果

使用相同的方法，將通過逐步判別分析篩選出的形態(tài)、顏色和紋理特征參數(shù)用于不同容重小麥橫切面圖像的描述分析，可以建立基于橫切面信息的不同容重小麥的識別模型，4種等級容重對應的判別函數(shù)分別為：

Y1（X）＝－21 104＋26 078X1＋1 665X2－108X3＋25．26X4－60．78X5－50 379X6＋416X7＋109X8＋5 786X9＋28．31X10

Y2（X）＝－20 848＋25 969X1＋1 594X2－107X3＋25．15X4－60．04X5－50 101X6＋382X7＋108X8＋5 761X9＋27．51X10

Y3（X）＝－20 677＋25 907X1＋1 573X2－103X3＋24．53X4－59．51X5－51 546X6＋376X7＋103X8＋5 721X9＋27．62X10

Y4（X）＝－20 723＋25 869X1＋1 547X2－102X3＋23．77X4－58．71X5－51 512X6＋360X7＋104X8＋5 710X9＋27．36X10

該模型對訓練集的正確回判率為86.67%～95.00%，對測試集的識別結果如表4所示。

表4 籽粒橫切面圖像測試集樣本容重識別結果

由表3和表4可知，使用統(tǒng)計分類器對小麥容重進行識別時，分類器對基于完整籽粒圖像的小麥容重識別正確率高于基于橫切面圖像的小麥容重識別。由篩選出的特征參數(shù)可知，基于小麥橫切面的圖像特征參數(shù)主要為顏色和紋理特征，缺乏小麥籽粒大小等形態(tài)特征。由于小麥籽粒結構的緊密程度、胚乳質(zhì)地等因素可以通過顏色和紋理參數(shù)表現(xiàn)出來，因此可以肯定小麥胚乳質(zhì)地等內(nèi)部結構因素對容重影響較大，同時小麥籽粒大小、粗糙度等因素對小麥也有一定影響。

2.3.2 基于BP神經(jīng)網(wǎng)絡模型的分類

將相同的樣本使用BP神經(jīng)網(wǎng)絡模型進行分類識別，由篩選出的特征參數(shù)個數(shù)可知網(wǎng)絡的輸入神經(jīng)元個數(shù)為10，根據(jù)Kolmogorov定理，隱含層可以取21個節(jié)點。由于中間層的神經(jīng)元個數(shù)直接影響網(wǎng)絡的非線性預測性能，因此隱含層節(jié)點數(shù)分別選取17、19、21、23、25，采用試湊法檢驗不同節(jié)點個數(shù)下的網(wǎng)絡性能，即BP神經(jīng)網(wǎng)絡的結構為10－（17、19、21、23、25）－4，當網(wǎng)絡的預測誤差最小時，網(wǎng)絡中間層的神經(jīng)元個數(shù)就是最佳值。

使用不同隱含層節(jié)點數(shù)構建神經(jīng)網(wǎng)絡，學習速率定為0.05，網(wǎng)絡訓練結果表明，當中間層節(jié)點數(shù)為19時，經(jīng)過73次訓練后，網(wǎng)絡輸出的均方誤差已經(jīng)降低到0.007 25，達到了目標誤差要求，并且網(wǎng)絡訓練時間與其它結構網(wǎng)絡相比也較短。因此，研究中將中間層節(jié)點數(shù)選為19，神經(jīng)網(wǎng)絡結構為10－19－4。

用160個測試集樣本對神經(jīng)網(wǎng)絡模型的識別正確率進行檢驗，其結果如表5所示，該模型對小麥不同容重等級的識別正確率為95.00%～97.50%，總體識別正確率為95.63%。

表5 BP神經(jīng)網(wǎng)絡模型對基于完整籽粒圖像的容重等級識別結果

使用相同的方法對基于橫切面信息的小麥容重進行識別，經(jīng)過比較，將網(wǎng)絡結構設計為10－21－4時，網(wǎng)絡性能最好。使用該模型對小麥容重進行識別，其結果如表6所示。

表6 BP神經(jīng)網(wǎng)絡模型對基于橫切面圖像的容重等級識別結果

由表5和表6可以看出，使用BP神經(jīng)網(wǎng)絡模型對小麥容重進行識別時，模型對基于完整籽粒圖像的小麥容重識別正確率同樣高于基于橫切面信息的小麥容重識別。

由表3～表6可知：從2種分類器對小麥容重識別的正確率可以看出，BP神經(jīng)網(wǎng)絡分類器的性能與線性參數(shù)統(tǒng)計分類器相當。此外，從完整籽粒的圖像提取特征參數(shù)用于小麥容重的識別，統(tǒng)計分類器和神經(jīng)網(wǎng)絡分類器均能得到較高的識別正確率；采集小麥橫切面圖像用于小麥容重的識別時，兩種分類器對其識別率均略低于基于完整籽粒圖像的小麥容重識別。由于小麥橫切面圖像缺少了小麥籽粒的表皮褶皺情況、小麥籽粒的大小、飽滿程度等信息，但卻可以更直接的反映小麥籽粒內(nèi)部的胚乳質(zhì)地等情況，因此可以證明，小麥容重大小主要取決于小麥籽粒結構的緊密程度等內(nèi)在品質(zhì)，但小麥籽粒的飽滿程度、腹溝深淺、籽粒光滑度等因素對容重也有明顯影響。

3 結論

3.1 對采集到的真彩色圖像進行中值濾波、形態(tài)學運算等預處理，可以較好的實現(xiàn)圖像增強和消除噪聲的目的，能夠滿足圖像特征信息提取的要求。通過對形態(tài)學運算處理后的二值圖像進行像素點統(tǒng)計等相關運算，可以得到小麥籽粒的形態(tài)特征信息，對原始圖像及其子圖像處理后進行顏色和紋理特征參數(shù)提取，可以獲取小麥籽粒圖像的顏色和紋理特征信息。使用這些特征參數(shù)反映小麥籽粒的大小、長寬比、飽滿程度、光滑度等與容重相關的因素是可行的。

3.2 利用圖像處理技術分別提取了小麥完整籽粒和小麥橫切面圖像的形態(tài)、顏色和紋理共44個特征參數(shù)，提取出每個籽粒的特征參數(shù)后，對整張圖像的籽粒特征參數(shù)取均值，將此均值用于不同容重小麥的特征差異描述，比使用單籽粒圖像特征參數(shù)更具代表性。使用逐步判別分析對特征參數(shù)進行處理，比較篩選出的特征參數(shù)可知：對于完整籽粒圖像，顏色和形態(tài)特征能較好的反映容重的差異；對于小麥橫切面圖像，顏色和紋理特征能較好的反映容重的差異。

3.3 分別建立線性參數(shù)統(tǒng)計分類器和BP神經(jīng)網(wǎng)絡分類器，用于不同容重小麥的檢測識別。結果表明，2種分類器對基于完整籽粒圖像的小麥容重識別率均高于基于小麥橫切面圖像的小麥容重識別，由此可見小麥容重主要取決于籽粒結構的緊密程度、胚乳質(zhì)地等因素，但小麥籽粒的飽滿程度、腹溝深淺、籽粒光滑度等因素對容重也有明顯影響。此外，2種分類器對基于完整籽粒圖像的小麥容重的整體識別率均在95%以上，證明將圖像處理技術應用于小麥容重檢測是可行的。

［1］GB 1351－2008，小麥［S］

［2］邵慧，李榮鋒，張景花，等.小麥水分含量對容重影響的研究［J］.糧油食品科技，2009，17（3）：1－3

［3］司建中.小麥水分含量對容重及硬度的影響［J］.糧食儲藏，2011，40（5）：47－49

［4］張玉榮，王君利，周顯青，等.雜質(zhì)類型及含量對小麥容重的影響［J］.河南工業(yè)大學學報，2008，29（1）：7－11

［5］Wan Y N，Lin CM，Chiou JF.Rice quality classification using an automatic grain quality inspection system［J］.Transactions of the ASAE，2002，45（2）：379－387

［6］尚艷芬，侯彩云，常國華.基于圖像識別的黃粒米自動檢測研究［J］.農(nóng)業(yè)工程學報，2004，20（4）：146－148

［7］Courtois F，F(xiàn)aessel M，Bonazzi C.Assessing breakage and cracks of parboiled rice kernels by image analysis techniques［J］.Food Control，2010，21（4）：567－572

［8］郝建平，楊錦忠，杜天慶，等.基于圖像處理的玉米品種的種子形態(tài)分析及其分類研究［J］.中國農(nóng)業(yè)科學，2008，41（4）：994－1002

［9］Tao Y，Heinemann PH，Varghese Z，et al.Machine vision for color inspection of potatoes and apples［J］.Transactions of the ASAE，1995，38（5）：1555－1561

［10］周竹，李小昱，陶海龍，等.基于高光譜成像技術的馬鈴薯外部缺陷檢測［J］.農(nóng)業(yè)工程學報，2007，28（21）：221－228

［11］陳紅，熊利榮，胡筱波，等.基于神經(jīng)網(wǎng)絡與圖像處理的花生仁霉變識別方法［J］.農(nóng)業(yè)工程學報，2007，23（4）：158－161

［12］韓仲志，趙友剛.基于計算機視覺的花生品質(zhì)分級檢測研究［J］.中國農(nóng)業(yè)科學，2010，43（18）：3882－3891

［13］Manickavasagan A，Sathya G，Jayas D S.Comparison of illuminations to identify wheat classes usingmonochrome images［J］.Computers and Electronics in Agriculture，2008，63（2）：237－244

［14］Paliwal J，Shashidhar N S，Jayas D S.Grain kernel identification using kernel signature［J］.Transactions of the ASAE，1999，42（6）：1921－1924

［15］LuoX，Jayas D S，Symons S J.Comparison of statistical and neural network methods for classifying cereal grains usingmachine vision［J］.Transactions of the ASAE，1999，42（2）：413－419

［16］Zhang G，Jayas D S，Jiang D Y，et al.Grain classification with combined texture model［J］.Transactions of the ASAE，2001，17（1）：149－153

［17］Choudhary R，Paliwal J，Jayas D S.Classification of cereal grains using wavelet，morphological，colour，and textural features of non－touching kernel images［J］.Biosystems Engineering，2008，99（3）：330－337

［18］王志軍，叢培盛，周佳璐，等.基于圖像處理與人工神經(jīng)網(wǎng)絡的小麥顆粒外觀品質(zhì)評價方法［J］.農(nóng)業(yè)工程學報，2007，23（1）：158－161

［19］Xie F，Pearson T，Dowell F E，et al.Detecting vitreous wheat kernels using reflectance and transmittance image analysis［J］.Cereal Chemistry，2004，81（5）：594－597

［20］Wang N，Zhang N，Dowell FE，etal.Determining vitreousness of durum wheat using transmitted and reflected images［J］.Transactions of the ASAE，2005，48（1）：219－222

［21］范璐，周展明，湯堅，等.圖像分析測定紅麥硬度方法的研究［J］.中國糧油學報，2002，17（6）：28－31.

Detection Method of Volume－Weight of Wheat by Image Processing

Zhang Yurong Chen Saisai Jiang Zhongli ZhouXianqing
（College of Food Science and Technology，Henan University of Technology，Zhengzhou 450001）

In order to analyze the factors that affect the volume－weight and realize accurate identification of volume－weight ofwheatby image processing technology，a novel detectionmethod has been researched based on image features ofwheat and pattern recognition method.Different volume－weights ofwheat have been utilized and full grain imageswere taken aswell as grain cross－section images.Then some image processing likemedian filtering，morphological operations and image segmentation were performed to extract44 parameters from the three characteristic categories（shape，color and texture）.STEPDISC was used to select image features and linear－function parametric statistical classifier.Back propagation neural network model was established to detect different volume－weights of wheat.The results showed that the features of full grain images expressed amore significant difference between different volume－weight than the features of grain cross－section images.The overall recognition rate of over 95%was achieved for full grain images using the statistical classifier and BPNNmodel.The results indicated that itwas feasible to identify the volume－weight ofwheat by image processing.

image processing，wheat，volume－weight，stepwise discriminant analysis，neural network，identification

S126；TS210

A

1003－0174（2015）03－0116－06

國家自然科學基金（31371852），河南工業(yè)大學?？茖W研究基金研究生教育創(chuàng)新計劃（2012YJCX29）

2013－11－29

張玉榮，女，1967年出生，教授，農(nóng)產(chǎn)品儲藏與品質(zhì)分析

姜忠麗，女，1968年出生，副教授，食品質(zhì)量控制及糧油儲藏