閆 寧，張 晗，董宏圖，康 凱，羅 斌

(1.中北大學(xué) 機(jī)械工程學(xué)院，山西 太原 030051；2.北京農(nóng)業(yè)智能裝備技術(shù)研究中心，北京 100094；3.北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100094)

小麥?zhǔn)侵袊?guó)主要糧食作物，是中國(guó)北方地區(qū)最重要的口糧作物。小麥生產(chǎn)產(chǎn)量的穩(wěn)定與持續(xù)發(fā)展對(duì)保障國(guó)內(nèi)糧食安全具有重要影響，而小麥種子品種純度直接關(guān)系到小麥質(zhì)量與產(chǎn)量。在種植、收獲、儲(chǔ)存、運(yùn)輸?shù)雀鱾€(gè)環(huán)節(jié)，每一道生產(chǎn)工序都可能導(dǎo)致品種混合、純度下降，加之供應(yīng)鏈的摻雜混淆造成小麥種子混雜現(xiàn)象日趨嚴(yán)重，品種區(qū)分越來(lái)越困難。因此，進(jìn)行小麥種子純度檢驗(yàn)以及提高純度檢測(cè)的準(zhǔn)確性和可靠性對(duì)保證種子質(zhì)量具有重要的研究意義。

目前，檢測(cè)種子純度的傳統(tǒng)鑒定方法主要包括作物形態(tài)鑒定、生化電泳技術(shù)、分子生物學(xué)鑒定、葉色標(biāo)記檢驗(yàn)等。隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，國(guó)內(nèi)外研究學(xué)者通過(guò)機(jī)器視覺(jué)技術(shù)在種子純度識(shí)別方面進(jìn)行了大量研究，Majiumdar等利用谷物的形態(tài)、顏色、紋理特征來(lái)區(qū)分不同品種的麥粒，分級(jí)準(zhǔn)確率分別為：小麥98.9%，大麥93.7%，燕麥96.8%，黑麥99.9%。劉雙喜等以玉米種子為例，在可見(jiàn)光波段的多區(qū)域小波顏色特征為識(shí)別參數(shù)構(gòu)建識(shí)別模型，該方法能夠有效地識(shí)別玉米種子與遺傳因素的關(guān)系和父母本的關(guān)系，父本識(shí)別率達(dá)到98%以上，母本的識(shí)別率為75%。

為了提高種子純度識(shí)別精度，一些學(xué)者對(duì)種子參數(shù)進(jìn)行了進(jìn)一步解析，通過(guò)提取種子局部特征提高種子的純度檢測(cè)精度。Liu等采取去除玉米種粒胚部顏色特征對(duì)種子顏色特征影響的方法，用YCrCb顏色模型模擬實(shí)驗(yàn)，結(jié)果定量反映了玉米籽粒顏色差異。史智興等探究了玉米籽粒黃白面積比在分類識(shí)別中的有效性；程洪等提出了一種針對(duì)多個(gè)玉米籽粒進(jìn)行胚部檢測(cè)的方法，對(duì)玉米品種的胚部特征參數(shù)進(jìn)行了優(yōu)化研究。

上述研究表明，種粒胚部等局部信息提取在作物種子品種自動(dòng)識(shí)別研究中越來(lái)越受重視，同時(shí)為利用機(jī)器視覺(jué)檢測(cè)種子胚部等局部信息提供了理論基礎(chǔ)和方法依據(jù)。但目前研究對(duì)象主要集中在玉米的種胚部研究上，針對(duì)小麥種子胚部、胚乳特征提取研究比較少。

本研究采用反射光與透射光圖像結(jié)合的方法對(duì)4個(gè)品種小麥種子進(jìn)行顏色特征提取，采用透射光和反射光同位圖像分割方法，進(jìn)一步獲取種子胚、胚乳色彩特征信息，研究透射光和種子胚、胚乳顏色特征對(duì)小麥種子品種識(shí)別的影響。

1 材料與裝置

1.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)以2019年小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)基地生產(chǎn)的京麥9、京麥11，以及從壽光市豐鴻種子經(jīng)營(yíng)中心購(gòu)買的濟(jì)麥22、濟(jì)麥44共4個(gè)品種小麥種子為研究對(duì)象。小麥選樣過(guò)程中人工去除一些破損、干癟的籽粒，每個(gè)樣本選取50粒，樣本總數(shù)為200粒。

1.2 采集裝置

為了獲取小麥種子的反射光和透射光相同位置的同位圖像，本文設(shè)計(jì)搭建的小麥種子圖像采集裝置如圖1所示。該裝置由工業(yè)相機(jī)(大恒水星MER-500-7UC)、高倍鏡頭、環(huán)形光源(8W)、背部光源板、載物臺(tái)、暗室、計(jì)算機(jī)等部分組成。

1，暗室；2，工業(yè)相機(jī)；3，顯微鏡；4，主動(dòng)環(huán)形光源；5，背部光源板；6，種子樣本；7，載物臺(tái)；8，小麥種子；9，計(jì)算機(jī)。1，Darkroom;2，Industrial camera;3，Microscope;4，Active ring light source;5，Back light source plate;6，Seed samples;7，Stage;8，Wheat seeds;9，Computer.圖1 純度檢測(cè)裝置Fig.1 Purity detection device

本文的所選高倍鏡頭為0.5×目鏡與0.7×～4.5×連續(xù)變倍物鏡結(jié)合的一體式鏡頭，該顯微鏡頭可以實(shí)現(xiàn)0.35×～2.25×光學(xué)放大倍率，通過(guò)高倍成像獲取高質(zhì)量的單粒種子圖像。選用與鏡頭搭配的環(huán)形燈作為獲取反射光圖像的激發(fā)光源，獲取透射光圖像選用的是一塊功率為12 W，20 cm×20 cm的面陣光源板，通過(guò)將樣本在同一位置反射光與透射光切換，實(shí)現(xiàn)種粒反射光和透射光同位圖像的采集，獲取的圖像如圖2所示。

2 種胚分割

從圖2可以觀察到種子胚部和胚乳明顯具有不同的透射率，通過(guò)種子透射光的差異實(shí)現(xiàn)單粒小麥籽粒胚與胚乳區(qū)域精準(zhǔn)分割，并作用于其同位反射光圖像上，實(shí)現(xiàn)種胚的分割。

2.1 背景分割

獲取小麥種子反射光與透射光圖像后，首先將原始反射光圖像與透射光圖像分別轉(zhuǎn)化為R，G，B三通道圖像。其中透射光圖像B通道圖像的種?；叶戎蹬c背景灰度值差異最大，種粒分割效果最好，選用透射光圖像B通道圖像通過(guò)固定閾值分割，獲取二值化圖像，通過(guò)二值化圖像區(qū)域分割種子的反射光圖像和透射光圖像。分割效果如圖3所示。

a，京麥9；b，京麥11；c，濟(jì)麥22；d，濟(jì)麥44。a，Jingmai 9;b，Jingmai 11;c，Jimai 22;d，Jimai 44.圖2 小麥種子反射光圖像和透射光圖像Fig.2 Active light and backlight images of wheat seeds

2.2 圖像增強(qiáng)

對(duì)小麥種粒圖像進(jìn)行種胚分割前，需要對(duì)背景分割后的圖像進(jìn)行圖像增強(qiáng)處理，以改善種胚的視覺(jué)效果，本文采用直方圖均衡化的方法進(jìn)行圖像增強(qiáng)處理，增強(qiáng)圖像胚部與胚乳區(qū)域?qū)Ρ榷刃Ч员愫罄m(xù)的種胚提取。

有關(guān)直方圖均衡的基本定義與步驟如下。

(1)列出原始圖像和變換后圖像灰度級(jí)，分別用、表示，則、=0，1，…，-1，統(tǒng)計(jì)原圖像各灰度級(jí)像素個(gè)數(shù)；

(2)計(jì)算原始圖像的歸一化灰度直方圖：

()=。

(1)

式(1)中：表示灰度級(jí)上統(tǒng)計(jì)像素的個(gè)數(shù)，表示輸入圖像的總像素。

(3)計(jì)算圖像各個(gè)灰度值累計(jì)分布概率：

(2)

(4)利用灰度變換函數(shù)計(jì)算變換后的灰度等級(jí)

=[(-1)+05]。

(3)

式(4)中[]表示四舍五入取整。

(5)統(tǒng)計(jì)變換后各灰度等級(jí)的像素個(gè)數(shù)，計(jì)算()=。

(4)

增強(qiáng)效果如圖4所示?？梢钥闯?，經(jīng)過(guò)處理后，籽粒圖像胚部與胚乳區(qū)域像素分布更加均勻，對(duì)比度更加清晰。

a，透射光B通道；b，二值化；c，透射光圖像；d，反射光圖像。a，Transmitted light channel B;b，Binarization;c，Transmitted light image;d，Reflected light image.圖3 背景分割Fig.3 Background segmentation

a，未增強(qiáng)圖像；b，增強(qiáng)后圖像。a，Unenhanced image;b，Enhanced image.圖4 透射光R分量圖像增強(qiáng)Fig.4 Image enhancement of R component of transmitted light

2.3 種胚提取

不同種粒透射光圖像胚部與胚乳部灰度差異變化不同，單一的閾值不能有效精準(zhǔn)的分割種胚區(qū)域。本文采用局部動(dòng)態(tài)閾值的方法對(duì)增強(qiáng)處理后的圖像進(jìn)行種胚區(qū)域自動(dòng)閾值分割，獲取胚部二值化圖像。

局部動(dòng)態(tài)閾值分割算法的基本思想是把圖像按照坐標(biāo)分成若干個(gè)小區(qū)域，在每個(gè)小區(qū)域利用閾值分割算法，得到一個(gè)自適應(yīng)閾值，再選取相鄰一定數(shù)量的小區(qū)域塊的閾值的平均值，用該平均值作為該塊的閾值，在該區(qū)域?qū)D像進(jìn)行二值化。分別對(duì)每個(gè)小區(qū)域塊進(jìn)行閾值分割，從而完成對(duì)種粒胚部區(qū)域的閾值分割。算法原理如式(5)所示。

(5)

式(5)中：，為某個(gè)小區(qū)域閾值，，為小區(qū)域塊閾值；

通過(guò)閾值將圖像胚部二值化，如圖5-a所示；將分割后的種胚區(qū)域進(jìn)行開(kāi)運(yùn)算，消除孤立噪點(diǎn)、在纖細(xì)點(diǎn)處分離區(qū)域；分割連通域、形態(tài)選擇，以確定胚部區(qū)域，如圖5-b、c所示；通過(guò)閉運(yùn)算，填充孔洞空隙、平滑胚部區(qū)域的邊界，使修正完的分割區(qū)域更精準(zhǔn)，如圖5-d所示。

a，胚部二值化；b，分割連通域；c，胚部輪廓選擇；d，區(qū)域閉運(yùn)算。a，Embryo binarization;b，Split connected domain;c，Embryo contour selection;d，Region closed operation.圖5 胚部區(qū)域形態(tài)學(xué)處理Fig.5 Morphological treatment of embryonic region

由上述胚部區(qū)域形態(tài)學(xué)處理后進(jìn)行區(qū)域分割得到透射光和反射光圖像同位分割的種胚圖像，將小麥種子區(qū)域與種胚區(qū)域做布爾運(yùn)算相減，得到胚乳區(qū)域，進(jìn)而分割得到種胚和胚乳的反射光與透射光圖像。分割效果如圖6所示。

3 顏色特征提取與分析

3.1 顏色特征提取

由上述圖像分割獲取了單粒小麥種子的胚部和胚乳部，本文通過(guò)HALCON機(jī)器視覺(jué)軟件中的特征算子提取小麥種子圖像的色彩特征信息。除采用人眼最為敏感的RGB 顏色模型外，加入了HSV顏色空間模型數(shù)據(jù)作為顏色信息的補(bǔ)充。使用R(紅)、G(綠)、B(藍(lán))、H(色調(diào))、S(飽和度)和 V(亮度)6個(gè)量的均值、偏差來(lái)表示反射光與透射光下小麥種子、胚部、胚乳部的顏色信息，透射光圖像RGB、HSV各分量的均值：R、G、B、H、S、V，偏差：R、G、B、H、S、V；反射光圖像RGB、HSV各分量的均值：R、G、B、H、S、V，偏差：R、G、B、H、S、V。

3.2 特征數(shù)據(jù)分析

3.2.1 數(shù)據(jù)歸一化

a，胚部反射光圖像；b，胚部透射光圖像；c，胚乳反射光圖像；d，胚乳透射光圖像。a，Reflected light image of embryo;b，Transmitted light image of embryo;c，Reflected light image of endosperm;d，Transmitted light image of endosperm.圖6 胚部、胚乳部分割圖像Fig.6 Images of embryo and endosperm sections

由于小麥種粒、種胚，胚乳部提取到的顏色特征均值和方差間存在較大差異，為了避免某些特征在分析中占較大權(quán)重，對(duì)4個(gè)小麥品種的圖像特征參數(shù)進(jìn)行最值歸一化，公式如下:

(6)

式(6)中：為第個(gè)樣本的特征歸一化前的值;max與min分別是提取樣本中特征的最大值與最小值；scale為第個(gè)樣本的特征歸一化處理后的值。

3.2.2 特征參數(shù)值分布圖

將歸一化處理后樣本的72組特征參數(shù)取均值與標(biāo)準(zhǔn)差，小麥每個(gè)品種特征參數(shù)值分布情況見(jiàn)圖7。

由圖7可以看出，兩種京麥間和兩種濟(jì)麥間特征均存在較多的重疊，依靠單個(gè)特征很難實(shí)現(xiàn)京麥9和京麥11或濟(jì)麥22和濟(jì)麥44的分類識(shí)別。但是京麥和濟(jì)麥部分特征如種粒顏色特征B、R、G、V，種胚特征的B，胚乳特征的B、R、V，均值誤差線分布不重合。說(shuō)明在這8個(gè)透射光特征下京麥種子與濟(jì)麥種子是存在差異的，即這8個(gè)特征可以較好地區(qū)分京麥種子和濟(jì)麥種子。

3.2.3 單特征分類檢驗(yàn)

通過(guò)種子的均值標(biāo)準(zhǔn)偏差分布圖，獲取到8個(gè)特征下京麥種子與濟(jì)麥種子存在差異特征。用存在差異特征的單個(gè)圖像特征對(duì)原始試驗(yàn)樣本種子進(jìn)行劃分，確定通過(guò)單個(gè)圖像特征是否能對(duì)京麥和濟(jì)麥的種子進(jìn)行判別。

由圖7取得選取的單特征的均值與標(biāo)準(zhǔn)偏差，分別求取選取的單特征參數(shù)閾值范圍，從而確定各分量的分割閾值，得到的4個(gè)品種小麥種子單個(gè)特征分類結(jié)果如表1所示：

表1 按單個(gè)特征劃分閾值區(qū)間識(shí)別結(jié)果Table 1 Identification results based on threshold interval according to a single feature

圖7 特征參數(shù)分布圖Fig.7 Distribution of characteristic parameters

結(jié)果可知，選取的8個(gè)透射光特征差異明顯，且標(biāo)準(zhǔn)偏差沒(méi)有重合的單個(gè)圖像特征，經(jīng)上述選取合適分割閾值后，京麥兩個(gè)品種種子與濟(jì)麥兩個(gè)品種種子的分布有明顯的差異，識(shí)別準(zhǔn)確率均在90%以上。驗(yàn)證了通過(guò)本文所選出的單個(gè)圖像特征可以實(shí)現(xiàn)對(duì)京麥、濟(jì)麥種子進(jìn)行品種識(shí)別。

3.3 基于偏最小二乘判別分析算法(PLS-DA)的小麥品種識(shí)別

3.3.1 建模方法

偏最小二乘判別分析算法(partial least squares discrimination analysis，PLS-DA)是一種穩(wěn)健的判別分析統(tǒng)計(jì)方法，該方法結(jié)合多元線性回歸和主成分分析的優(yōu)點(diǎn)，能夠在自變量數(shù)多、存在多重相關(guān)性且自變量本身相關(guān)性較差的條件下進(jìn)行回歸建模。小麥種子不同品種間特征差異較大，提取的顏色特征參數(shù)作為自變量時(shí)相關(guān)性程度不能保證，本研究提取的多參數(shù)復(fù)合特征信息較為豐富，因此，選用偏最小二乘法判別分析(PLS-DA)對(duì)小麥提取顏色特征建立純度識(shí)別模型。

偏最小二乘法判別分析(PLS-DA)將因變量定義為分類變量，利用訓(xùn)練樣本的自變量矩陣和分類變量建立回歸模型，根據(jù)待分類樣本的PLS預(yù)測(cè)值判斷樣本所屬類別。分類變量是一個(gè)向量，其中元素可以隨意定義，在本文中定義如下：若訓(xùn)練樣本屬于該類，定義=1；若訓(xùn)練樣本不屬于該類，定義=0。采用PLS算法，首先對(duì)與同時(shí)進(jìn)行分解，并使它們的主成分最大程度地線性相關(guān)，其模型可表示為

=+；

(7)

=+。

(8)

式(7)、(8)中：和分別為和的得分矩陣，和分別為和的載荷矩陣，和分別是和的擬合殘差矩陣。

對(duì)和做線性回歸：

=。

(9)

求解回歸因子：

=()。

(10)

分類時(shí)待測(cè)樣本的得分向量可根據(jù)求出，根據(jù)式(11)可求得預(yù)測(cè)值：

=。

(11)

分別用兩個(gè)小麥品種種子各50粒建立PLS-DA模型，建模時(shí)樣本被分為訓(xùn)練集和預(yù)測(cè)集，訓(xùn)練集和預(yù)測(cè)集按照2∶1的比例從兩個(gè)小麥品種中隨機(jī)抽取，將建模集小麥種子圖像數(shù)據(jù)帶入算法中建立模型，并對(duì)預(yù)測(cè)集進(jìn)行識(shí)別，采用正確識(shí)別率評(píng)價(jià)不同種粒品種分類效果。

3.3.2 小麥品種分類識(shí)別

將不同小麥品種的圖像特征參數(shù)結(jié)合PLS-DA進(jìn)行建模分類。將提取特征數(shù)據(jù)集分為透射光特征、反射光特征和整粒特征、包含胚、胚乳特征的分割特征分別建模，進(jìn)行分類識(shí)別。分類結(jié)果如表2所示。

3.3.3 結(jié)果分析

從表2中可以看出，使用PLS-DA融合多種圖像特征建立模型進(jìn)行二分類小麥品種識(shí)別，對(duì)京麥種子和濟(jì)麥種子混雜識(shí)別精度高，通過(guò)融合全部顏色特征信息，其識(shí)別精度較單特征分類方式識(shí)別分類進(jìn)一步獲得提升，識(shí)別正確率均99%以上?？赡苁沁x取樣本兩個(gè)品種種子遺傳系譜不同，產(chǎn)地也不同，在表型性狀上存在較大差異，所以識(shí)別精度高。濟(jì)麥22和濟(jì)麥44、京麥9和京麥11混雜識(shí)別最終正確率分別為84.60%和83.73%?？赡苁沁x取樣兩個(gè)品種種子產(chǎn)地相同，在表型性狀上差異較小，所以識(shí)別精度較低。

表2 PLS-DA種粒分類正確率Table 2 Classification accuracy of PLS-DA seeds analysis %

對(duì)提取特征數(shù)據(jù)集分類對(duì)比可以看出：(1)融合透射光和反射光的全光特征識(shí)別正確率高于透射光特征或反射光特征的識(shí)別正確率。以下對(duì)識(shí)別精度較低的濟(jì)麥22、濟(jì)麥44與京麥9、京麥11做分析，整粒反射光特征識(shí)別正確率為73.28%、74.15%，加入透射光特征即整粒全光特征可提高小麥種子的識(shí)別正確率到83.00%、75.28%；(2)利用分割之后獲取的胚和胚乳特征進(jìn)行分類識(shí)別，其分類正確率高于整粒特征的分類正確率。整粒全光識(shí)別正確率為83.00%、75.28%，分割全光識(shí)別正確率能達(dá)到83.75%、81.83%。通過(guò)同位分割獲取種子的胚和胚乳特征，進(jìn)行分類建模，可有效提高小麥種子的識(shí)別正確率。

同時(shí)對(duì)4種小麥，融合包含胚、胚乳分割全光與整粒全光的全部特征，較整粒全光特征或分割全光特征，其分類正確率進(jìn)一步提高到84.60%、83.73%。通過(guò)加入透射光特征與分割特征進(jìn)行融合分析，可提高小麥品種識(shí)別準(zhǔn)確率。

4 結(jié)論

本文基于機(jī)器視覺(jué)提出了加入種子透射光圖像與反射光圖像相結(jié)合的方法進(jìn)行小麥純度檢測(cè)，利用透射光圖像較為精準(zhǔn)的分割種胚以及胚乳，進(jìn)而提取更為豐富的特征參數(shù)信息，并分析了每種特征對(duì)種粒純度識(shí)別的影響。本文以4個(gè)品種小麥為研究對(duì)象，進(jìn)行了小麥種子透射光圖像、種胚以及胚乳對(duì)種子純度精確度影響的研究，主要結(jié)論如下：

(1)通過(guò)透射光和主動(dòng)光圖像同位分割種胚與胚乳，獲取小麥種子、種胚、胚乳顏色特征信息，可以有效地提高小麥種子純度識(shí)別精度，特別是針對(duì)小麥種粒外型相似度高、識(shí)別正確率低的品種有重要意義。

(2)對(duì)京麥兩個(gè)品種種子與濟(jì)麥兩個(gè)品種種子進(jìn)行分類識(shí)別，京麥組、濟(jì)麥組整粒反射光識(shí)別正確率為95.78%，整粒反射光識(shí)別正確率能達(dá)到99.38%，透射光分類表現(xiàn)優(yōu)于反射光。整粒全光識(shí)別正確率能提高到99.69%，種子透射光特征信息的加入，可以提高小麥種子純度檢測(cè)精度。

本文利用透射光圖像分割小麥胚和胚乳，并同位獲取小麥反射光圖像的胚和胚乳的方法，分別提取種粒胚部、胚乳部局部顏色特征，為種子純度鑒定的提供了一種新的思路。