張 晗，董宏圖，栗彬彬，閆 寧,4，吳旭東,4，羅 斌

(1.北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100094；2.農(nóng)芯(南京)智慧農(nóng)業(yè)研究院，南京 211800；3.北京農(nóng)業(yè)智能裝備技術(shù)研究中心，北京 100094；4.中北大學(xué)機(jī)械工程學(xué)院，山西 太原 030051)

種子是農(nóng)業(yè)生產(chǎn)中重要的生產(chǎn)資料，人多地少是我國(guó)農(nóng)業(yè)面臨的一大難題[1]。而種子的質(zhì)量對(duì)農(nóng)作物的發(fā)展至關(guān)重要，良好的種子是作物的產(chǎn)量保證。因此，在有限的土地傳播高質(zhì)量的種子是我國(guó)農(nóng)業(yè)生產(chǎn)活動(dòng)中的一大難點(diǎn)。種子發(fā)芽率是種子質(zhì)量檢驗(yàn)中非常重要的一個(gè)指標(biāo)。每年我國(guó)因作物種子不適造成的農(nóng)業(yè)減產(chǎn)達(dá)10%～20%。

種子檢測(cè)是為了在播種前對(duì)種子質(zhì)量進(jìn)行評(píng)定[2]，挑選生命力強(qiáng)的種子，提高田間成苗率，從而實(shí)現(xiàn)產(chǎn)量增加和播種量減少的目的。目前有很多種子活力的檢測(cè)方法，傳統(tǒng)的方法包括發(fā)芽速率測(cè)定、電導(dǎo)率測(cè)定、四唑染色法和人工加速老化測(cè)定[2-4]等，但這些方法均會(huì)對(duì)種子本身造成傷害，并且試驗(yàn)周期長(zhǎng)、受自然條件限制等[5]。因此，隨著對(duì)種子活力的重視程度越來(lái)越高，這些傳統(tǒng)的檢測(cè)方法已經(jīng)不能滿足需求，迫切需要研究出一套快速且不會(huì)對(duì)種子造成破壞的檢測(cè)方法。

近年來(lái)，隨著機(jī)器視覺(jué)技術(shù)在農(nóng)業(yè)領(lǐng)域的不斷應(yīng)用[6-10]，國(guó)內(nèi)外學(xué)者嘗試通過(guò)機(jī)器視覺(jué)技術(shù)研究種子大小、顏色等物理性狀與種子活力之間的相關(guān)關(guān)系。與傳統(tǒng)的檢測(cè)方法相比，該技術(shù)更加精細(xì)化。Pearson T等[11]研制了一種高速、低成本、基于圖像的顆粒檢測(cè)分離分選裝置。該系統(tǒng)在去除損傷玉米時(shí)達(dá)74%的精度，對(duì)無(wú)損傷的玉米時(shí)達(dá)到了91%的精度。B.P.Dubey等[12]基于計(jì)算機(jī)圖像進(jìn)行視覺(jué)識(shí)別，通過(guò)谷物的形狀、大小和顏色來(lái)鑒別小麥的品種，再結(jié)合人工神經(jīng)網(wǎng)絡(luò)(ANN)進(jìn)行分類，準(zhǔn)確率達(dá)到88%左右，表明圖像分析結(jié)合人工神經(jīng)網(wǎng)絡(luò)對(duì)小麥的品種有很好的鑒別能力。劉敏潔等[13]以甜玉米種子為研究對(duì)象，利用掃描儀獲取種子圖像并提取13個(gè)圖像特征參數(shù)，并通過(guò)發(fā)芽試驗(yàn)得到每粒種子的活力參數(shù)，結(jié)合人工神經(jīng)網(wǎng)絡(luò)和二元邏輯回歸進(jìn)行建模，其中人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)種子發(fā)芽的準(zhǔn)確率為74.2%，二元邏輯回歸模型準(zhǔn)確率為74.5%。

通過(guò)對(duì)圖像特征的預(yù)處理分析以及特征提取，獲取與單粒玉米種子發(fā)芽相關(guān)的特征參數(shù)，結(jié)合傳統(tǒng)單粒種子標(biāo)準(zhǔn)發(fā)芽試驗(yàn)方法測(cè)得玉米種子實(shí)際發(fā)芽情況,利用數(shù)據(jù)分析建模建立圖像特征與單粒種子發(fā)芽之間的定性關(guān)系,構(gòu)建單粒種子發(fā)芽潛力檢測(cè)及評(píng)價(jià)模型。

1 材料及方法

1.1 材 料

試驗(yàn)種子為2017年購(gòu)自甘肅張掖的鄭單958玉米種子，發(fā)芽率為78%左右。隨機(jī)選擇500粒無(wú)損傷種子作為實(shí)驗(yàn)的樣本。

1.2 圖像采集

采集環(huán)境如圖1所示，采集環(huán)境主要由采集箱、背景板、相機(jī)、光源組成。采集箱尺寸35 cm×35 cm×60 cm；背景板為啞光黑橡膠材質(zhì)；相機(jī)使用大恒圖像自主研發(fā)的MER-502-79 U 3M/C相機(jī)，配備computar 8 mm鏡頭，相機(jī)與背景板距離為42 cm；光源使用4個(gè)18 W條形光源，均勻布置在采集箱頂部。將500粒玉米種子依次編號(hào)，放置在背景板上，每組25粒，種子之間互不接觸，種子胚面朝上，進(jìn)行采集，獲取圖像。

注：1為光源；2為玉米籽粒；3為采集箱；4為相機(jī)；5為背景板。圖1 圖像采集環(huán)境Fig.1 Image acquisition environment

1.3 發(fā)芽試驗(yàn)

將種子放入濃度為1%的次氯酸鈉溶液消毒10 min，然后使用蒸餾水沖洗3次。使用發(fā)芽紙進(jìn)行發(fā)芽，將滅菌后的發(fā)芽紙平鋪在已消毒的試驗(yàn)臺(tái)上，每張發(fā)芽紙放置25粒玉米種子，發(fā)芽紙卷成筒狀放在盛有蒸餾水的試驗(yàn)盒中保持水分，并在將發(fā)芽紙上方套上透明袋以防止水分流失，如圖2所示，將盛有發(fā)芽紙的試驗(yàn)盒放在25 ℃的光照培養(yǎng)箱中。每天定時(shí)查看培養(yǎng)箱內(nèi)的情況，以確保培養(yǎng)箱正常運(yùn)轉(zhuǎn)，期間適當(dāng)補(bǔ)充少量蒸餾水，使卷紙始終處于濕潤(rùn)狀態(tài)，保證種子的正常發(fā)育。

圖2 玉米種子發(fā)芽實(shí)驗(yàn)Fig.2 Germination experiment of maize seed

1.4 試驗(yàn)結(jié)果

以樣本發(fā)芽且生根為發(fā)芽標(biāo)準(zhǔn)，第7天記錄種子的發(fā)芽情況[14]。結(jié)果顯示，發(fā)芽率為78%，與大樣本的結(jié)果基本一致。因此本試驗(yàn)的500粒樣本具有一定代表意義。

2 數(shù)據(jù)分析處理

2.1 圖像預(yù)處理

通過(guò)圖像采集設(shè)備獲取到的圖片含有一些噪聲，這主要是攝像機(jī)等圖像采集設(shè)備的感光元件受到干擾產(chǎn)生的，主要表現(xiàn)為黑白雜點(diǎn)等。為了消除這些噪聲對(duì)圖像數(shù)據(jù)的影響，選用3×3模板下的中值濾波進(jìn)行處理。

2.2 顏色及形狀特征提取

通過(guò)圖像分割把圖像中具有不同灰度的區(qū)域分離，從而將玉米種子區(qū)域識(shí)別出來(lái)，須進(jìn)一步將特征提取出來(lái)。使用HALCON圖像處理軟件對(duì)種子圖像進(jìn)行特征信息的提取，分別統(tǒng)計(jì)RGB、HSV、HSI、Lab各分量的均值、標(biāo)準(zhǔn)差等共計(jì)24個(gè)顏色特征，提取玉米種子的長(zhǎng)度、寬度、投影面積、周長(zhǎng)、圓形度(種子區(qū)域接近圓形的程度)、緊實(shí)度(區(qū)域形狀的緊致程度)、凹凸性(種子區(qū)域面積與最小外接凸形之間的比值)、矩形度(種子區(qū)域接近最小外包矩形的程度)、最小外接圓半徑、最大內(nèi)切圓半徑、圓周到中心的平均距離、圓周到中心的距離偏差、輪廓區(qū)域點(diǎn)之間的最大距離等13個(gè)形狀特征。

2.3 主成分特征提取

主成分分析(PCA)通過(guò)降維的思路，在原始變量損失最小化的前提下，用幾個(gè)毫不相關(guān)的綜合指標(biāo)代替原始指標(biāo)，即原始變量通過(guò)線性組合的方式組合出新的主成分，而且新生成的各個(gè)主成分之間互不相關(guān)，消除原始變量中相互關(guān)聯(lián)的信息，從而抓住問(wèn)題實(shí)質(zhì)達(dá)到簡(jiǎn)化的目的，提高分析效率，是一種壓縮數(shù)據(jù)的常用方法[15]。為進(jìn)一步分析利用種子圖像特征對(duì)種子發(fā)芽潛力預(yù)測(cè)的可行性，對(duì)玉米種子的圖像特征進(jìn)行主成分分析。

2.4 ELM模型建立

極限學(xué)習(xí)機(jī)(ELM)在近些年受到了很多學(xué)者的關(guān)注，在分類問(wèn)題上應(yīng)用廣泛；相比于其他神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，它不僅有極快的學(xué)習(xí)速度，還能避免模型過(guò)擬合，具有良好的泛化性能[16]。該算法隨機(jī)產(chǎn)生輸入層與隱含層的鏈接權(quán)值與隱含層神經(jīng)元的閾值，并且在訓(xùn)練過(guò)程中無(wú)需調(diào)整，只要設(shè)置隱含層的神經(jīng)元個(gè)數(shù)就可以得到最優(yōu)解。

算法的步驟可以分為：

1) 確定隱含層的神經(jīng)元個(gè)數(shù)，隨機(jī)設(shè)定輸入層與隱含層的鏈接權(quán)值和隱含層的神經(jīng)元的偏置值；

2) 選擇一個(gè)激活函數(shù)，利用激活函數(shù)計(jì)算隱含層的輸出矩陣；

3) 計(jì)算輸出層權(quán)值，建立模型。

2.5 評(píng)價(jià)指標(biāo)

建立的玉米種子發(fā)芽潛力預(yù)測(cè)模型為分類模型，發(fā)芽的種子對(duì)應(yīng)高發(fā)芽潛力的種子，不發(fā)芽的種子對(duì)應(yīng)低發(fā)芽潛力種子，因此采用預(yù)測(cè)的準(zhǔn)確率、查準(zhǔn)率、查全率參數(shù)來(lái)評(píng)價(jià)模型的效果。準(zhǔn)確率代表所有預(yù)測(cè)正確的樣本數(shù)量占樣本總數(shù)的比例，即整體預(yù)測(cè)準(zhǔn)確率；查準(zhǔn)率代表所有預(yù)測(cè)發(fā)芽的樣本數(shù)量中實(shí)際發(fā)芽的比例，即分類后高活性樣本的發(fā)芽率；查全率代表實(shí)際發(fā)芽種子預(yù)測(cè)為高活性的比例，即高活性種子的檢出率。

TP表示發(fā)芽樣本預(yù)測(cè)正確的數(shù)量；FN表示發(fā)芽樣本預(yù)測(cè)錯(cuò)誤的數(shù)量；FP表示不發(fā)芽樣本預(yù)測(cè)錯(cuò)誤的數(shù)量；TN表示不發(fā)芽樣本預(yù)測(cè)正確的數(shù)量。

3 結(jié)果與分析

3.1 主成分分析

對(duì)種子圖像特征進(jìn)行主成分分析后，前3個(gè)主成分的貢獻(xiàn)率分別為43.92%、14.84%、11.08%。前8個(gè)主成分貢獻(xiàn)率為93.20%，而其余的主成分不足7%。按照累計(jì)貢獻(xiàn)率大于90%的原則選擇前8個(gè)主成分[18]，代表37個(gè)原始的特征，輸入ELM極限學(xué)習(xí)機(jī)中進(jìn)行訓(xùn)練，建立模型。

3.2 隱含層的神經(jīng)元個(gè)數(shù)選取

在ELM中，隱含層的神經(jīng)元個(gè)數(shù)的確定尚無(wú)理論依據(jù)。通常，隱含層的神經(jīng)元個(gè)數(shù)過(guò)少，則無(wú)法在輸入層和輸出層之間獲得足夠的連接權(quán)值，這樣將導(dǎo)致網(wǎng)絡(luò)模型的學(xué)習(xí)能力較差，對(duì)于復(fù)雜問(wèn)題的處理可能出現(xiàn)較多的錯(cuò)誤；隱含層的神經(jīng)元個(gè)數(shù)過(guò)多，則網(wǎng)絡(luò)容易出現(xiàn)過(guò)擬合現(xiàn)象，而且泛化能力得不到保證。

將玉米圖像數(shù)據(jù)按照3∶1比例隨機(jī)分配，將500個(gè)樣本數(shù)據(jù)劃分為建模集和預(yù)測(cè)集，即建模集375個(gè)樣本，預(yù)測(cè)集125個(gè)樣本。建立不同隱含層的神經(jīng)元個(gè)數(shù)的ELM預(yù)測(cè)模型，建模集識(shí)別準(zhǔn)確率隨著隱含層的神經(jīng)元數(shù)的增大不斷提高，隱含層的神經(jīng)元數(shù)目越大識(shí)別準(zhǔn)確率越高，當(dāng)使用sigmod函數(shù)時(shí)，節(jié)點(diǎn)數(shù)量大于375時(shí)，識(shí)別準(zhǔn)確率達(dá)到100%，如圖3-A所示。預(yù)測(cè)集的準(zhǔn)確率先隨著隱含層的神經(jīng)元個(gè)數(shù)的增多不斷提高，當(dāng)數(shù)量大于140時(shí)，識(shí)別準(zhǔn)確率隨著隱含層的神經(jīng)元個(gè)數(shù)增多而降低，如圖3-B所示。通過(guò)建立隱含層的神經(jīng)元個(gè)數(shù)與預(yù)測(cè)集的準(zhǔn)確率的關(guān)系，確定ELM預(yù)測(cè)最優(yōu)神經(jīng)元個(gè)數(shù)。

圖3 隱含層神經(jīng)元個(gè)數(shù)對(duì)ELM性能的影響Fig.3 Effects of the number of hidden layer neurons on ELM performance

3.3 激活函數(shù)

在ELM中，激活函數(shù)有sigmoid函數(shù)[17]、hardlim函數(shù)[18]、gaussian函數(shù)[19]、agaussian[20]函數(shù)等。當(dāng)數(shù)據(jù)的分布滿足上述4種激活函數(shù)的分布時(shí)，ELM運(yùn)用對(duì)應(yīng)的激活函數(shù)才能得到較好的識(shí)別效果，反之，當(dāng)數(shù)據(jù)的分布不滿足上述4種激活函數(shù)的分布時(shí)，將導(dǎo)致ELM算法隱層節(jié)點(diǎn)輸出矩陣含有較多的零元素，造成求解的輸出權(quán)值出現(xiàn)過(guò)擬合的現(xiàn)象。種子發(fā)芽力潛力建模是對(duì)種子是否發(fā)芽分類判別，使用gaussian函數(shù)、agaussian函數(shù)將影響ELM算法的泛化性能[21]，因此選擇sigmoid函數(shù)、hardlim函數(shù)分別展開(kāi)建模。

hardlim函數(shù)結(jié)果是幾個(gè)固定值，如1,0等，滿足某個(gè)條件輸出1，不滿足則為0，計(jì)算公式為：

sigmoid型函數(shù)的輸入值可取任意值，輸出值在0和1之間，不僅可以預(yù)測(cè)出類別，還能夠得到近似概率預(yù)測(cè)，計(jì)算公式為：

3.4 建立PCA-EML預(yù)測(cè)模型

利用Matlab 12.0軟件編寫(xiě)程序，選擇sigmoid函數(shù)、hardlim函數(shù)這兩種激活函數(shù)，在分別使用最佳隱含層神經(jīng)元個(gè)數(shù)時(shí)，進(jìn)行分類效果對(duì)比。利用500粒玉米種子數(shù)據(jù)建立ELMs、ELMh兩種ELM模型進(jìn)行訓(xùn)練識(shí)別，確定ELMs、ELMh模型最優(yōu)隱含層的神經(jīng)元個(gè)數(shù)，分別為140、190，對(duì)預(yù)測(cè)集玉米種子進(jìn)行識(shí)別，識(shí)別結(jié)果如表1所示。

表1 玉米種子活力分類模型Table 1 Classification model of maize seed vigor

從表1可以看出，使用ELMs算法建模后，準(zhǔn)確率達(dá)63.33%，查準(zhǔn)率達(dá)88.51%，查全率為63.11%；使用ELMh算法建模后，準(zhǔn)確率達(dá)58.33%，查準(zhǔn)率達(dá)82.04%，查全率為57.39%。從試驗(yàn)結(jié)果可以得出，ELMs模型相對(duì)于ELMh模型檢測(cè)效果更優(yōu)。說(shuō)明利用主成分分析后的8個(gè)主成分建立的極限學(xué)習(xí)機(jī)分類模型對(duì)種子發(fā)芽情況具有一定檢測(cè)能力，為玉米種子發(fā)芽潛力預(yù)測(cè)提供了一條新途徑。

4 討 論

玉米作為我國(guó)重要的糧食作物，其發(fā)芽潛力直接影響其產(chǎn)量。在當(dāng)前精播、穴播技術(shù)不斷推廣的背景下，通過(guò)精選剔除低發(fā)芽潛力的種子，對(duì)提高種子發(fā)芽率具有重要意義。本研究通過(guò)機(jī)器視覺(jué)技術(shù)獲取玉米種子的顏色特征信息，實(shí)現(xiàn)玉米種子的形態(tài)和顏色參數(shù)快速無(wú)損獲取。并進(jìn)行主成分分析提取8個(gè)可以代表上述指標(biāo)的主成分，采用極限學(xué)習(xí)機(jī)算法(ELMs)建立單粒玉米種子發(fā)芽潛力檢測(cè)模型，該模型的準(zhǔn)確率達(dá)63.33%，查準(zhǔn)率為88.51%，查全率為63.11%。經(jīng)過(guò)玉米種子分揀系統(tǒng)分選后的玉米種子發(fā)芽率約87.7%，發(fā)芽率提升10%左右。

結(jié)果表明，使用機(jī)器視覺(jué)技術(shù)獲取種子的顏色和形態(tài)特征，結(jié)合極限學(xué)習(xí)機(jī)算法建立模型，預(yù)測(cè)玉米種子發(fā)芽潛力具有一定的可行性。通過(guò)ELM模型下激活sigmoid函數(shù)、hardlim函數(shù)識(shí)別對(duì)比試驗(yàn)，總體上基于激活sigmoid函數(shù)和對(duì)玉米種子的識(shí)別準(zhǔn)確率優(yōu)于hardlim函數(shù)。采用極限學(xué)習(xí)機(jī)算法(ELMs)建立單粒玉米種子活力檢測(cè)模型，查全率僅為63.11%，表明36.89%的發(fā)芽種子被判別為發(fā)芽潛力低被剔除，準(zhǔn)確率為63.33%，總體準(zhǔn)確率和樣本獲選率仍需進(jìn)一步提高。

研究表明，應(yīng)用機(jī)器視覺(jué)和ELMs神經(jīng)網(wǎng)絡(luò)建立的玉米種子發(fā)芽潛力判別模型具有鑒別速度快、而且不會(huì)破壞樣品的特點(diǎn)。說(shuō)明利用該方法可以實(shí)現(xiàn)快速、無(wú)損地判別玉米種子發(fā)芽潛力，對(duì)基于機(jī)器視覺(jué)的其他農(nóng)產(chǎn)品發(fā)芽潛力檢測(cè)具有一定的指導(dǎo)意義。通過(guò)機(jī)器視覺(jué)提取玉米種子特征時(shí)，只提取了顏色特征和形狀特征，在之后的研究中，可添加種子的紋理特征，探究進(jìn)一步提高模型效果的可能。