基于机器视觉的小麦籽粒品种识别系统
小麦是我国重要的粮食作物，我国约有40%的人口以小麦为主食。极端天气和病虫害等都会造成小麦的减产，培育优良品种对提高小麦产量有重要作用。籽粒品质的好坏是育种的基础，传统的籽粒识别方法已不能满足现代化育种的需求，提高籽粒识别准确率对培育优良小麦品种具有重要意义。本文提出一种基于机器视觉的特征选择与建模技术的小麦籽粒品种识别方法对8个品种小麦进行识别，主要工作如下： （1）小麦籽粒图像数据集构建。采集到百农207、百农307、百农419、新麦26、徐农14084和豫源916等市面上推广种植面积比较广的22个品种的小麦籽粒图像，通过研究对比选取展示小麦主要特征的三个角度（腹沟向上、腹沟朝前45°和腹沟向下）进行图像采集，每个品种采集1000粒小麦籽粒。为区分不同品种、不同颗粒以及不同角度，对小麦籽粒图像进行重命名。同时对小麦图像进行去背景，构建小麦籽粒图像数据集。 （2）小麦籽粒图像特征的提取与分析。本文首先对去除背景的图像进行灰度化、滤波降噪和二值化等预处理。提取到小麦籽粒图像的颜色特征（R、G、B、H、S、V以及HSV的均值、标准差和斜度），形态特征（面积、周长、长轴轴长、短轴轴长、离心率、外接矩形面积、惯性矩、圆形度和矩形度）和纹理特征（逆方差、能量、熵和对比度）三方面共计28个特征参数，并对提取的特征分别进行相关性分析。 （3）基于特征的小麦籽粒图像分类，采用贝叶斯优化BP神经网络结合不同特征处理方法对8个品种小麦籽粒进行分类。分别构建了单角度及角度融合识别模型；形态、纹理、颜色、形态+纹理、形态+颜色、纹理+颜色和形态+纹理+颜色共7个特征融合模型；主成分分析法、线性判别分析法和sklearn-SelectKBest函数重要特征选择等数据降维模型；同时构建了小麦籽粒图像亮度、色度、锐度和对比度的数据增强模型。对比KNN和BP神经网络识别模型，并结合不同的特征处理方法，对8个品种的小麦籽粒图像进行识别分析。经过贝叶斯优化BP神经网络后识别准确率均有了较大提升，基于贝叶斯优化BP神经网络+数据增强模型，准确率最高达95.58%，提高小麦籽粒品种识别准确率，同时提升了模型泛化能力。 （4）小麦籽粒品种识别系统设计与实现。将本文所做工作整合，实现了基于特征的小麦籽粒品种识别系统，用户登录系统后，可以上传小麦图像，通过图像预处理、数据增强、图像特征自动提取与处理和品种识别，实现了小麦籽粒品种的自动识别。
小麦籽粒识别;机器视觉;特征选择;图像分类;BP神经网络
河南科技学院
硕士
农业工程与信息技术
李艳翠;陈永光;王德永
2022
中文
TP391.41
2022-10-26（万方平台首次上网日期，不代表论文的发表时间）