文档介绍：该【小麦图像检测技术研究进展 】是由【碎碎念的折木】上传分享，文档一共【16】页，该文档可以免费在线阅读，需要了解更多关于【小麦图像检测技术研究进展 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。Vol〃29,No〃(,450001)河南工业大学粮油食品学院郑州、、,摘要图像检测技术具有检测结果客观分析速度快不破坏样品等优点在农产品检测等多种领域越。,来越受到人们的关注通过对图像检测技术在小麦质量与品质检测等方面的应用进行综述介绍了该检测技术、、、、在小麦品种分类小麦与类似谷物的识别小麦品质检测与分级小麦不完善粒的检测小麦角质和硬度的测定,,等方面的研究进展并展望了图像检测技术在小麦综合品质判定方面的发展前景以期为图像检测技术在小麦。品质与质量检测方面更广阔的应用提供参考关键词小麦图像检测品种品质识别角质:::S126;TS210〃7A1003,0174(2014)04,0118,06中图分类号文献标识码文章编号,〃11小麦作为一种世界性的粮食作物也是我国传小麦种类与品种识别的图像检测技术研究,在小麦品质等方面的图像检测技术中种类与,统主食的主要原料之一由于其具有良好的耐储存。品种识别是最早提出并且已经比较成熟的研究由,性而成为我国的三大储备粮食之一做好小麦品质,、于小麦品种繁多不同品种和地区的小麦在形态颜的检测工作对经济的平稳发展具有重要的现实意义,。,色等方面差异显著导致了不同国家和地区对小麦和战略意义随着信息技术的迅速发展利用图像。,检测技术对小麦进行外观及品质检测得到广大学者的分类方法也不尽相同目前一些小麦主产国通。、的普遍关注图像检测技术是将数字图像处理技术常都按照小麦的皮色粒质和播种季节对小麦进行、,和数字图像分析图像识别技术相结合开发出的一,描述和分类而我国也是将小麦按皮色分为白麦和,1,。,自然景物和环境的功能与传统检测方法相比,种能与人脑的部分功能相比拟的技术以实现理解,。红麦按硬度指数分为硬麦和软麦在我国小麦粒、、、图像检测技术具有速度快精度高信息量大重现,100,色鉴别的标准方法中随机取出粒小麦完整粒。性好等优点图像检测技术在小麦质量与品质的检GB1351—2008,按照中红麦和白麦的规定感官鉴,、测过程中通常从形态颜色和纹理等方面对其进行,、、,别小麦粒色但该方法繁琐费时费力主观性强而。,单一指标或者综合评价目前该检测技术在小麦,2,,颜色和形态是图像检测技术容易识别的特征因此以单个、、种类与品种识别小麦与类似谷物的分类质量分早期的种类与品种识别一般提取差异性比较明显的,小麦籽粒为研究对象使用图像检测技术分析小麦、、级不完善粒检测角质率测定等方面已经取得了一。Zayas形态和颜色特征参数进行识别等,2籽粒图像提取了种红色硬质冬小麦和红色软质。定的研究进展9,8冬小麦的个形态特征将它们从种其他品种小麦,3,1图像检测技术在小麦品种与类似谷。,Zayas中成功分离出来鉴于之前的相关研究等、、、6,物检测中的应用研究又采用长度宽度正切正弦等个形态特征参数图像检测技术应用于小麦品种识别和检测已有3对含有种红色硬质冬小麦和红色软质冬小麦的混,85%,230,对含有种红年的历史早期的应用主要集中在小麦种类与品,83%合样进行识别识别率为。种识别以及对小麦和类似谷物或杂质的识别这主色硬质春小麦和红色硬质冬小麦的混合样的识别率,4,要是由于待识别籽粒之间存在明显的形态或颜色差,78%。,提取小麦籽粒国内方面何胜美等77%为,。异有利于选取特征参数并进行模式识别2012,4的个形态特征和个颜色特征对来自中国个728地区的个春小麦品种共个试样进行了识别与分:基金项目河南工业大学校科学研究基金研究生教育创新计划(2012YJCX29)。,类其研究结果表明应用籽粒的形态特征和颜色:2013,06,30收稿日期:,,1967,,作者简介张玉荣女年出生教授农产品储藏与品质分析,特征能对小麦的品种和来源地进行有效识别品种119294第卷第期张玉荣等小麦图像检测技术研究进展,9,,95〃0%。Pali识别率均在以上来源地的识别率平均为wal化等使用图像分析算法研究了谷物籽粒87〃5%。,(将研究中还发现以图片籽粒特征为单位、,的长度形状和颜色特征建立了用以区分加拿大西20粒小麦各特征的平均值作为一个观每幅图片中、部红春麦和琥珀杜伦麦以及大麦燕麦和黑麦的数)的识别率要高于以单个籽粒特征为单位的识测值。,,学模型研究指出形状对籽粒识别影响最大其次。,别率在特征参数选取和算法优化方面部分学者,。是颜色长度影响最小运用该算法对上述谷物进,5,6,利用不同品。也做了一定的探索和研究樊超等,行分类加拿大西部红春麦和燕麦的识别率分别为99%;和由于加拿大西部琥珀杜伦麦中的一些、,种的小麦在形态颜色和纹理特征上的差异分别提100%、、、5(个形态特征周长面积矩形度,未熟粒和皱缩粒容易被错分为黑麦一些籽粒比较取了每种小麦的)、6(,、G、B、H、S、I个颜色特征分、圆形度伸长度,大的黑麦容易被错分为加拿大西部红春麦这两种94%95%;、、、、)5(和大麦由于籽和个纹理特征能量熵对比度局部平稳性量,谷物的识别率略低分别为,)16共个特征参数建立神经网络模型将这,,相关性粒表面有芒会影响长度和形状的识别但其识别率,10,93%。Luo等从谷物籽粒图像获取了其,些参数作为网络输入应用于小麦品种的分类识别也达到了,形态和颜色特征使用两种统计分类器和一种神经并研究了小麦品种的识别准确率与品种数量之间的5种谷物籽粒进行分类并对加拿大西网络分类器对。,关系研究结果表明增加纹理特征后的样本识别。部红春麦的不同破损粒进行了识别对于籽粒的分、率明显高于仅使用形态颜色两方面特征参数时的,K类以及加拿大西部红春麦完善粒和破损粒的识别。,,识别率此外随着小麦品种的增加分类的准确率MIV算法计算出各特征参数对近邻统计分类器和多层神经网络分类器得出了较好,会逐步下降而利用15个,分类结果影响的平均值进而使用遗传算法对网络。并且相似的结论该分类器通过分析提取的,13个颜色特征对加拿大西部红春麦和形态特征和,。结构进行优化可有效提高小麦品种分类的准确性、琥珀杜伦麦以及大麦黑麦和燕麦的平均识别率分,除此之外也有一些学者研究了环境条件等因素对,7,〃〃〃〃〃;982%,969%,990%,982%990%Manickavasagan3和通过等在种不同别为。识别效果的影响,424、、()个形态特征和个颜色特征参数对加拿白炽灯环形荧光灯室内荧光灯条件下根据提取的光照64种受损粒的平均识别率也种不同含大西部红春麦完善粒和小麦灰度图像的灰度值差异识别了处于,11,(11%、14%、17%、20%)8的种加拿大西部小96〃7%。Majumdar20等以加拿大西部个水量达到了。,。、、、麦研究发现在室内荧光灯环境下识别效果最好种植区域的红春麦加拿大西部琥珀杜伦麦大麦23个形态特征参数,,当所有小麦处于同一水分含量时该环境下的总体燕麦和黑麦作为分析对象采用96〃0%;将每种小麦所有水分含量的图像,对谷物识别作了深入细致的研究采用其中最重要识别率为85〃0%,,105但改进后可个形态特征对试验组进行识别对上述种谷,混合后识别时总体识别率只有的,8,98〃9%、93〃7%、96〃8%、90〃0%。Tahir为等认为谷物含水量会对籽粒物籽粒的识别率分别达到,12,〃9%81〃6%。Zhang30和等以加拿大西部个,外观和形态产生显著的影响因此以水分含量作为99、,种植区域的红春麦大麦和燕麦作为识别对象通过,可变参数研究了含水量对小麦和大麦数字图像检,研究籽粒的纹理特征建立了综合纹理识别模型该。,测的影响他们通过设定不同的水分含量使用神8个纹理特征并用多模型利用灰度共生矩阵提取了经网络分类器和统计分类器分别对单籽粒谷物和整,10PB个纹理特征然后结合神经分形模型提取了,批谷物样品的籽粒进行了识别结果显示谷物含水395%。种谷物的平均识别率达到大,网络使上述,量对单籽粒图像分析的影响不大其图像特征区别,部分研究在初期都已设定好要使用的特征参数而,13,,,,不明显不利于区分识别率相应较低但含水量对。Choudhary等研究了不同特征组合下的识别精度1〃2小麦与类似谷物分类的图像检测技术研究。、整批谷物样品的图像分析有较大的影响研究选取加拿大西部红春麦加拿大西部琥珀杜伦,在小麦购销过程中异种粮粒会作为有机杂质、、麦大麦燕麦和黑麦的单个籽粒彩***像中提取的。,处理因此能否对异种粮粒进行准确识别将影响、、,、形态颜色纹理和小波特征分析了在单特征模型。、、小麦的品质评定由于大麦黑麦燕麦等谷物与小、两特征组合模型三特征组合模型和四特征组合模,麦外观特征较为接近在分类识别中容易发生误判,型下的识别率并分别用线性分类器和二次分类器,,的现象导致对这一领域的研究较种类识别稍晚并且研究方向偏重识别精度的提高和算法的选取和优。,5比较了不同谷物的分类精度研究结果表明在单种谷物进行识别的,特征模型下采用纹理特征对12020144中国粮油学报年第期,,,92〃2%;平均识别率最高为在两特征组合模型中指受到损伤但尚有使用价值的小麦籽粒包括虫蚀,纹理这一组合模型时识别的平均识别率、、、,采用形态粒病斑粒破损粒生芽粒和生霉粒其实质就是小,96〃3%;,在三特征组合模型中采用形态,最高为麦的胚或胚乳受到机械损伤或生理变化和微生物的,5纹理小波组合模型时对种谷物的平均识别率最,侵害导致其种用品质和食用品质下降的一种变,16,,96〃9%;当综合采用这四种特征时总体平均。,,化此外在小麦流通过程中不完善粒含量是小,高为〃970%,对上述谷物籽粒的识别率分别可识别率达,麦增扣量的依据且不完善粒对小麦容重有显著影〃〃〃〃〃994%、993%、986%、985%894%。,和此外达,响因此对小麦不完善粒检测技术的研究对正确评,17,利用线性分类器的识别精度要高于二次分类器的识通过。Thomson定小麦等级也有着重大的意义等获取小麦的三维图像和小麦籽粒表面反射光强度的。别精度1〃3小麦与杂质识别的图像检测技术研究,图像对小麦的两个不同品种以及小麦正常粒和生小麦中的杂质是指除小麦籽粒以外的其他物。,芽粒进行了识别研究指出综合考虑从两种图像,、。,质包括筛下物无机杂质和有机杂质其中无机杂14,中提取出的个特征参数对小麦品种的识别率可、、、质包括砂石煤渣砖瓦块泥土等矿物质及其他无94%;4达采用逐步判别分析选择的个特征用于正,,机类物质有机杂质包括无使用价值的小麦异种粮,18,,89%,常粒和生芽粒的识别对生芽粒的识别率为正通过提取小麦籽粒。粒及其他有机类物质由于杂质与小麦的形态特征,14,用多元判别分244,83%。Luo的个颜色特征和个形态特征参数分别使用参常粒的识别率为等,。Zayas差异明显识别较为容易等,析等模式识别方法区别混合小麦和非小麦组分以()(K数分类器二次判别分类器和非参数分类器近。,及非小麦组分中的草籽和石头结果发现仅区分)36邻分类器在种特征模型下对小麦完善粒与种,;小麦与非小麦组分时识别效果较好而在非小麦组。,损伤粒进行了识别结果表明颜色特征可有效显,,分的识别中其中的四种草籽也能较好识别但石头,示完善粒与损伤粒之间的特征差异而形态特征有,。Pali-识别效果不佳在识别时需用物理方法剔除,15,55、wal提取了种谷物和种有机杂质的形状颜等,助于识别破损和皱缩的小麦籽粒综合考虑颜色和230,色和纹理共个特征参数并建立神经网络模型K形态特征并使用近邻分类器可以较好的对不同籽。,对谷物和有机杂质进行了分类识别结果表明不,6粒进行识别其对完善粒和种损伤粒的平均识别,仅是谷物有机杂质也可以通过图像分析得到很高90%。、率均在以上由于生芽粒虫蚀粒等不完善粒,为光源进行图像采集难以反映籽粒内部特征差异(、的识别率加拿大西部红春麦荞麦等谷物和一些有,的密度等特征与完善粒有明显差异而以可见光作X、。因此一些学者以射线光谱图像代替可见光图像,100%,机杂质由于特征参数容易提取识别率将近,19,根据小麦生芽粒与正常粒的密度不Neethirajan等、90%而谷壳麦穗等有机杂质的正确识别率也在左,XMatlab同分别获取其软射线图像并利用提取出)。,、右研究还指出综合利用形态纹理和颜色这三17,个主要图像特征然后分别用统计分类器和神经类特征建立的模型对样品的识别率要远远高于单独。网络分类器对生芽粒和正常粒进行识别结果表,使用某一类特征建立的模型但是要控制输入参数,X明软射线图像可以较好地显示出生芽粒和正常,的数量因为过多的特征参数会使分类器的识别能,粒的差异统计分类器对生芽粒和正常粒的识别率。力退化2图像检测技术在小麦质量检测中的87%92%,4分别为和而建立的层神经网络分类器,20,应用研究90%利用近红外高光谱成像系统和彩对生芽粒和正常粒的识别率分别可达到和、、小麦质量检测一般涉及容重千粒重不完善4色成像系统扫描了小麦正常粒和被种不同害虫蛀95%。Singh等、、、,粒硬度指数水分色泽和气味等指标在我国将容,蚀的虫蚀粒将降维后的高光谱数据和从彩***像,重作为小麦定等指标而不完善粒等指标一般也作、3中提取的颜色纹理和形态特征参数作为种统计。,为小麦质量限制指标与小麦品种识别相比利用,判别分类器和一种神经网络分类器的输入并比较图像检测技术进行小麦质量检测时需要提取的小麦不同分类器在不同输入参数下对正常粒和虫蚀粒的,。籽粒特征参数较多使用的检测方法也更多样化〃1小麦不完善粒的图像检测技术研究。,识别效果研究结果显示近红外高光谱图像特征2,不完善粒是衡量小麦质量优劣的限制指标是与彩***像特征相结合可以很好的对虫蚀粒进行识,别并且运用二次判别分类器对样品进行识别的效121294第卷第期张玉荣等小麦图像检测技术研究进展,,果最好其对正常粒和虫蚀粒的识别率分别为其色泽参数并研究了色泽参数值与角质率直线回96〃3%91〃0%,100〃0%。和。,,归的相关性结果表明在透射扫描方式中红麦图2〃2小麦角质率和硬度的图像检测技术研究YKCM,像的色泽特征参数与角质率显著相关并且,小麦籽粒硬度是其重要的品质指标它通过影,GB模式中的红色分量可以作模式中的青色分量和,28,、、、响润麦加水量润麦时间长短出粉率小麦粉颗粒在不区分红麦和白麦的。为最佳特征参数范璐等,度大小及破损淀粉粒数量最终决定小麦磨粉品质53种小麦的角质率和抗粉碎硬度指,情况下测定了。,和加工品质硬度关系到小麦籽粒品质的分级根。,,数同时使用扫描仪采集小麦剖面的反射图像分据硬度指数大小可将小麦分为硬质和软质两大,,别对每种小麦反射图像进行分析提取其色泽参数,21,。,类小麦角质率的测定一般采用目测法做法是将色泽参数与角质率和抗粉碎硬度指数进行线性回100,从小麦样品中随机取出约粒正常的小麦将每。,归结果显示小麦剖粒反射图像包含与小麦角质,(粒小麦用刀片从中部横向切断玻璃状透明体角质,率有关的信息色泽参数与角质率和硬度之间显著,GB)1/2模式中的蓝色分胚乳部分占本籽粒截面以上的小麦定义为角。,质粒角质粒的总粒数占所取样品粒数的百分数,。CMYK相关可选取相关系数最大的模式中的黄色分量作为最佳特征参数量或,22,。即为小麦角质率传统检测方法对角质率的测定〃3小麦品质检测与分级的图像检测技术研究2,,依赖于人的主观判断检测结果缺乏稳定性而图像,小麦的等级划分需要考虑多方面的指标国标。检测技术可以客观的反映籽粒的角质特性,、以容重作为定等指标而水分杂质和不完善粒含量,近年来不少国内外学者以可见光作为光源对。,对小麦的容重都有显著的影响因此运用图像检,23,等利用小麦籽粒。Xie角质粒的识别进行了研究,测技术对小麦进行检测分级的过程比较复杂现有,的反射和透射图像检测小麦的角质情况研究中使。的研究一般都在分级精度要求不高的情况下进行,29,,利用不同品质的小麦在形态特征和颜色用了角质和非角质两种杜伦麦运用逐步判别分析王志军等。,,和人工神经网络建立了分类器结果表明采用判特征上的差异运用图像处理和人工神经网络技术。别分析方法建立的分类器可对角质情况作出较好的对小麦品质进行了自动化评价在黑色毛面纸板背3个,24,,,、判定其对角质琥珀杜伦麦和非角质琥珀杜伦麦的景下使用数码像机获取包含优质次质和劣质92