论文部分内容阅读
小麦是我国的第二大粮食作物,也是极为重要的粮食储备资源。它的生产与我们的生活、乃至于社会的发展密不可分。小麦种子的品种检测直接关系到后续的小麦生长、产量、加工等诸多领域的发展。近些年来,随着机器视觉技术的快速发展,将其应用于小麦种子的品质检测以及品种分类当中,不仅具有快速、无损、准确率高等特点,还有助于劳动力的解放和工作效率的提高。本文针对小麦品种分类方法繁琐、主观性强、效率低等问题。本文选取安徽省合肥市庐江县郭河实验基地小麦品种:华丰6号、宁麦15号、生选6号、皖麦55号、西农979号、扬辐麦5号、扬麦23号、郑麦9023号共八种小麦作为研究对象。主要研究内容及成果如下:(1)研究了小麦种子图像的去噪声方法,通过将邻域平均法、中值滤波法、自适用中值滤波法三种图像增强方法进行对比试验,得出自适应中值滤波法不仅能够很好的减弱图像噪声,同时也能够很好的保护图像的边缘信息。能够增强图像中有用信息,减少干扰信息。(2)研究了灰度图像和彩色图像的分割方法,将阈值法、区域增长法等常用的图像分割方法进行实验对比,发现这些算法能够实现灰色小麦图像的分割,但不能直接对彩色图像进行分割。针对常用的分割方法不能直接对彩色图像进行分割,提出了基于SVM的彩色图像分割方法,能够直接对彩色小麦种子图像进行分割,运行速度较快但容易产生误分割现象。采用SLIC算法分割需要手动设置超像素个数,工序繁琐、浪费时间又浪费空间。于是提出了一种改进的SLIC和DBSCAN聚类算法相结合的分割算法,可根据图像的颜色信息确定超像素个数。通过改进的SLIC算法将图像分割为若干个大小均匀的像素块,有效的区分了图像的特征区域,再结合DBSCAN聚类,分割出小麦种子。有效的减少了过分割现象且分割结果更优。(3)提出了基于PSO-PNN神经网络的小麦种子品种识别方法。采用PSO算法优化概率神经网络的平滑因子,提高了识别效率。将提取出的小麦种子特征做作为输入构建分类模型。并使用PNN网络、BP网络、PSO-BP网络的分类结果同PSO-PNN网络的分类结果相比较。基于BP神经网络的分类模型识别准确率为80.21%,均方根误差(RMSE)为1.4562。通过使用粒子群算法优化后的BP网络分类模型品种分类精准率为87.26%,均方根误差为0.9521。基于PNN神经网络的分类模型的品种分类准确率为90.1%,均方根误差为0.6892。采用粒子群算法优化PNN网络的平滑因子构建的基于PSO-PNN网络分类模型品种分类准确率为96.32%,均方根误差为0.433。实验结果表明,使用粒子群算法对PNN神经网络的优化效果明显,分类结果良好。(4)基于MATLAB语言设计并开发了基于机器视觉的小麦种子品种分类系统。本系统主要实现:小麦种子图像去噪、图像分割、特征提取、品种识别等功能。