摘要:種子的質量對于增產豐收具有重要的意義。為了準確檢測玉米種子是否有機械損傷裂紋，基于機器視覺技術提出了一種能自動提取玉米種子，并自動識別裂紋種子的方法。首先，采用最大類間方差法、數學形態學處理和區域屬性度量函數提取單粒玉米種子圖像;進而，采用基于模糊集和浮雕算法的圖像增強方法與基于小波變換模極大值的邊緣檢測算法凸顯玉米種子的裂紋區域;最后，采用圖像相乘運算和數學形態學處理等方法去除種子的輪廓與種子區域的噪聲，并提取出玉米種子的裂紋區域。以“鄭單958”玉米種子為例，選取了160粒經機械脫粒后外部輪廓形態基本完整的裂紋和無裂紋種子，對320幅胚面和胚乳面圖像的識別結果表明:該方法對胚面和胚乳面裂紋檢測的準確率分別為94．4%和86．9%，平均準確率為90．6%。本研究為基于機器視覺技術檢測裂紋玉米種子，保證種子的質量，提高出苗率提供了技術支持。

　　關鍵詞:機器視覺;圖像處理;機械損傷裂紋;玉米種子;檢測

　　引言

　　種子是作物生產最基本的生產資料，是農業生產的關鍵。種子質量的高低直接影響農作物的產量和品質。玉米是我國最主要和重要的糧食作物之一，把控好玉米種子的品質檢測工作，對于保障后期玉米的種植收獲具有重要的意義［1］。隨著農業機械化程度的不斷提高，農業生產多采用機械化作業，但機械化作業通常會造成農產品的損傷［2－3］。玉米種子在收獲、干燥、機械脫粒等過程中，都難免受到機械損傷［4］，尤其對于田間收獲或采收后未充分干燥的含水率較高的玉米［5］，機械損傷的概率較大。以脫粒為例，在機械脫粒的過程中，種子會受到脫粒機的擠壓、撞擊、揉搓、沖擊和剪切等外力作用［6］，從而導致玉米種子發生機械損傷［7］。玉米種子的含水率越高，造成的損傷就越嚴重［8－9］。機械損傷的一種主要形式是種子出現裂紋。出現裂紋的種子在運輸過程中易發生破碎，在儲藏過程中易吸濕、霉變和產生病蟲害［10］，也不利于營養物質的儲存［11］，最終導致種子的發芽率降低［12－13］。在機械化玉米播種技術，尤其是單穴單粒播種技術下，損傷會影響種子的田間出苗率、玉米植株收稿日期:2018－11－23基金項目:陜西省重點研發計劃(農業領域)項目(2017ZDXM－NY－060);楊凌示范區協同創新項目(2016CXY－20)作者簡介:閆彬(1994－)，男，西安人，碩士研究生，(E－mail)yanbin@nwafu．edu．cn。通訊作者:郭文川(1969－)，女，陜西臨潼人，教授，博士，(E－mail)guowenchuan69@126．com。的整個生長發育過程及最終的產量［14］。

　　1材料與方法

　　1．1實驗材料

　　實驗對象為“鄭單958”玉米種子。在玉米穗收獲后的24h內對玉米苞葉進行人工剝除，并將玉米穗在陽光下進行適當晾曬后使用輸出功率為4．2kW的高效玉米脫粒機(萬豐商貿有限公司制造)對試驗樣品進行機械脫粒操作;在脫粒后的玉米籽粒堆中隨機選擇外部輪廓形態基本完整的機械損傷裂紋種子與無破損種子共160粒(含320個面)作為實驗的樣本。

　　1．2圖像采集設備

　　圖1是采集玉米種子圖像的系統示意圖。該系統由以下幾部分組成:圖像采集暗箱，表面為白色的載物臺，一個18W的環形節能燈，攝像頭分辨率為3456×4608的智能手機(MI5型，小米科技有限公司)。環形節能燈作為光源安裝于暗箱內頂部，攝像頭與白色載物臺的距離設置為22cm，攝像頭的曝光時間為1/250s。實驗用的玉米種子均勻平放于載物臺上。在MatLabＲ2010a(MathWorks公司，美國)下處理采集的圖像。

　　2檢測機械損傷裂紋種子的算法

　　2．1單粒玉米種子的自動提取

　　2．1．1顏色空間轉換與閾值分割采集玉米種子圖像時，將種子放置于載物臺上，種子之間互不接觸，且種子朝向攝像頭的一面隨機放置。圖2(a)為采集到的一幅包含有多粒玉米種子的ＲGB圖像。要對圖像中包含的每粒玉米種子進行機械損傷裂紋的檢測，首先需要確定每粒種子的位置并將種子分別提取出來。經過對采集到的ＲGB圖像的Ｒ、G、B分量和轉換為HSV圖像后的H、S、V分量，共2個顏色空間6個分量下的圖像進行分析，發現在H分量下玉米種子區域與背景區域的灰度值差異最大。H分量下的圖像如圖2(b)所示。因此，在H分量下使用最大類間方差法自動確定閾值，從而對玉米種子區域與背景區域進行分割處理。對分割后的二值圖像求反，結果如圖2(c)所示，即玉米種子區域的二值圖像。圖2包含多粒種子的ＲGB圖像、H分量圖像及二值圖像Fig．2TheＲGBimage，Hcomponentimageandbinaryimagecontainingseveralseeds

　　2．1．2數學形態學處理與種子自動提取為了確保完整地剪切出每粒玉米種子，使得在二值圖中每粒種子區域所占面積略大于實際種子占據的面積，對圖2(c)得到的種子二值圖像進行膨脹操作，然后利用區域屬性度量函數對二值圖中的各個連通域進行標記，并使用黑色矩形框在原始圖像中進行框選，結果如圖3(a)所示。基于所標記的各矩形框的位置信息，對單粒玉米種子分別自動進行裁剪，裁剪結果如圖3(b)(胚面裂紋種子)、圖3(c)(胚乳面裂紋種子)所示。

　　2．2圖像增強與邊緣檢測

　　2．2．1基于模糊集與浮雕算法的圖像增強要實現玉米種子機械損傷裂紋的提取，在檢測算法的前期處理中，應當對圖像進行增強處理以突出裂紋部分，本文采用基于模糊集的圖像增強方法對剪切后的單粒玉米種子的灰度圖像進行圖像增強。首先，將圖3(b)所示玉米種子的ＲGB圖像進行灰度化，結果如圖4(a)所示;再對圖4(a)所示的灰度圖像進行模糊集圖像增強，結果如圖4(b)所示。可以看出:經過基于模糊集的圖像增強處理后的圖像與原灰度圖像相比，其玉米種子中非裂紋區域的灰度值變化范圍縮小，裂紋部位得到一定的凸顯。

　　2．2．2基于小波變換模極大值的邊緣檢測現有的針對玉米種子裂紋檢測的研究中多采用傳統的邊緣檢測算法對裂紋進行提取，其邊緣檢測的結果往往存在較多的噪聲?；谛〔ㄗ儞Q的邊緣檢測算法是目前邊緣檢測領域中的研究熱點［20－21］。當圖像的信噪比比較低以至于傳統的邊緣檢測方法無法準確高效地檢測出有用信息時，小波變換邊緣檢測算法具有傳統邊緣檢測算法無可比擬的優勢，它能夠在有效抑制噪聲的基礎上較準確地檢測出圖像中的邊緣［22］。因此，采用基于小波變換模極大值的邊緣檢測算法［23］對浮雕化后的種子圖像進行邊緣檢測，檢測結果如圖5(b)所示。與圖5(a)相比，可以看到圖5(b)中的裂紋區域更加明顯，裂紋周圍的噪聲較少。

　　3結果與分析

　　利用上述檢測算法對圖2(a)中的多粒玉米種子分別自動進行機械損傷裂紋的檢測，并將最終檢測到的含有機械損傷裂紋的種子在原始圖像中使用黑色矩形框進行標記。檢測結果如圖8所示。

　　4結論

　　1)基于機器視覺與數字圖像處理技術，在H顏色分量下使用最大類間方差法從一幅包含多個玉米種子的圖像中分割出種子區域，并結合數學形態學處理與區域屬性度量函數分別對每粒種子進行自動裁剪。采用基于模糊集和浮雕算法的圖像增強方法，并使用基于小波變換模極大值的邊緣檢測方法凸顯了玉米種子的裂紋區域。通過構造種子的掩膜圖像并結合圖像的相乘運算去除了種子的輪廓。利用數學形態學處理結合對二值圖像中連通域的篩選，去除了種子區域的噪聲并較完整地提取出了種子的裂紋區域。對圖像中所有種子的機械損傷裂紋檢測結束后，自動綜合每粒種子的檢測結果并將檢測到的含有裂紋的玉米種子在原始圖像中框選標記。

　　2)對“鄭單958”品種的玉米種子進行了機械損傷裂紋的檢測，平均檢測準確率為90．6%。檢測結果表明:該算法對于玉米種子的機械損傷裂紋檢測效果明顯。本研究為裂紋玉米種子的自動化識別提供了一種方法，對于提高玉米種業的質量具有重要的意義。

　　參考文獻:

　?。?］潘霞，譚會君．計算機視覺技術在玉米種子自動檢測中的應用［J］．農機化研究，2019，41(3):228－231．

　　［2］劉洪偉．玉米種子的機械損傷對其發芽率的影響研究［J］．農民致富之友，2016(1):87．

　　［3］郝付平，陳志．國內外玉米收獲機械研究現狀及思考［J］．農機化研究，2007(10):206－208．

　?。?］牛海華，趙武云，史增錄．玉米籽粒力學特性的研究進展及應用［J］．中國農機化學報，2011(2):101－104．