海 妍，張 君，張東方，李玉超，劉景艷，范曉飛，索雪松

（1.河北農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，河北 保定 071001；2.河北農(nóng)業(yè)大學(xué) 園藝學(xué)院，河北 保定 071001）

種子發(fā)芽力是種子檢測中1 項(xiàng)重要指標(biāo)。而種子發(fā)芽率屬于種子發(fā)芽力的1 種重要評判標(biāo)準(zhǔn)，因此種子發(fā)芽率檢測對農(nóng)業(yè)生產(chǎn)有著重要意義。茄子是我國很重要的蔬菜作物，種植區(qū)域廣，種子用量大［1］。目前，國內(nèi)外許多學(xué)者基于可見-近紅外光譜對種子質(zhì)量進(jìn)行了快速檢測和研究。Wang YL 等將熱損傷和人工老化的種子與正常種子進(jìn)行比較，并使用2 臺不同帶寬的光譜儀采集種子的光譜。通過競爭自適應(yīng)重加權(quán)采樣選擇有效變量，建立了種子的鑒別模型。實(shí)驗(yàn)結(jié)果證實(shí)了使用500～1 100 nm 或1 000～1 850 nm 的光譜范圍來區(qū)分種子活力的可行性［2］。Genze N 等使用轉(zhuǎn)移學(xué)習(xí)對不同具有區(qū)域建議的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNNs）進(jìn)行訓(xùn)練，以自動(dòng)識別培養(yǎng)皿中的種子，并預(yù)測種子是否發(fā)芽［3］。馬佳佳等提出了1 種基于機(jī)器視覺的花生種子外觀品質(zhì)檢測與分類方法，利用支持向量機(jī)（Support Vector Machine,SVM）實(shí)現(xiàn)了花生種子的12 個(gè)類別分類［4］。祝保林對小桐子種子圖像進(jìn)行圖像預(yù)處理與特征參數(shù)提取，利用結(jié)合粒子群算法的SVM 分類模型對小桐子種子實(shí)現(xiàn)了分類［5］。楊云紅等將CNN_SVM 模型與其他10 種混合模型進(jìn)行比較，證明CNN_SVM模型在提高水稻種子圖像識別的正確率和縮短識別時(shí)間上面都具有很強(qiáng)的優(yōu)勢［6］。

本文利用多光譜成像技術(shù)采集茄子種子表型特征參數(shù)，結(jié)合SVM、CNN 算法對茄子種子進(jìn)行發(fā)芽率預(yù)測。以期為茄子種子發(fā)芽率的檢測提供1 種高效、快速和無損的檢測方法。

1 材料與方法

1.1 試驗(yàn)材料

本文選用河北農(nóng)業(yè)大學(xué)蔬菜育種實(shí)驗(yàn)室的茄子種子進(jìn)行試驗(yàn)，用種子培養(yǎng)箱對種子進(jìn)行水培，以便后期觀察種子發(fā)芽狀態(tài)。將培養(yǎng)箱溫度設(shè)置為25 ℃，光照強(qiáng)度設(shè)置為800 lx，濕度設(shè)置為相對空氣濕度90%，培養(yǎng)環(huán)境符合茄子種子發(fā)芽的最適條件［7］。試驗(yàn)共分為7 組進(jìn)行，每組培養(yǎng)48 粒種子，每組種子如圖1 擺放以便進(jìn)行圖像采集。將每一組種子進(jìn)行編號記錄并采集原始種子圖像，然后將編號后的種子分別裝于培養(yǎng)袋中，放置培養(yǎng)箱中進(jìn)行水培。茄子種子一般發(fā)芽周期為7 d 到14 d［8］，分別在種子培養(yǎng)后第7 天至第14 天進(jìn)行圖像采集，記錄茄子種子出芽情況。

圖1 圖像Fig. 1 Image

1.2 試驗(yàn)設(shè)備

為了快速實(shí)現(xiàn)對茄子種子的外觀進(jìn)行圖像采集并實(shí)現(xiàn)經(jīng)濟(jì)性的要求，本試驗(yàn)搭建了如圖2 所示的多光譜成像系統(tǒng)。本系統(tǒng)的主體為五通道多光譜相機(jī)（FS3200T-10GE-NNC，JAI），其可以同時(shí)獲得RGB 圖像和2 個(gè)不同波段的近紅外圖像。此相機(jī)帶有3 個(gè)1/1.8 英寸CMOS 成像器，相機(jī)具有3.45 μm×3.45 μm 像素尺寸，支持近紅外通道。本相機(jī)的近紅外波段在700～1 000 nm 之間，該波段呈現(xiàn)的圖像可以很好地呈現(xiàn)種子的表型信息。本文利用此多光譜成像系統(tǒng)對336 個(gè)茄子種子樣品進(jìn)行圖像采集（如圖1a，b，c 所示）。

圖2 系統(tǒng)結(jié)構(gòu)Fig. 2 System structure

1.3 圖像預(yù)處理

多光譜相機(jī)采集的圖像是由多個(gè)單通道的灰度圖像組成，每張灰度圖像都具備自身的光譜響應(yīng)特性。首先對未經(jīng)處理的圖像（如3a 所示）進(jìn)行分割，將單例種子對應(yīng)編號分割開來。對單粒種子的RGB圖像進(jìn)行灰度化預(yù)處理（如圖3b 所示），為了圖像中種子和背景的差異更明顯，消除圖像中的陰影和一些噪音點(diǎn)，實(shí)現(xiàn)穩(wěn)定的特征識別效果，方便圖像的分割處理［9］。然后將灰度圖像進(jìn)行濾波處理，以蹭強(qiáng)圖像的質(zhì)量。圖像在經(jīng)過濾波處理后噪點(diǎn)減少，而且能夠較好地保留種子邊緣信息。最后為實(shí)現(xiàn)圖像二值化運(yùn)用Otsu 閾值分割算法，取1 個(gè)最優(yōu)閾值處理圖像，將圖像中種子與背景分為前景與背景，以此實(shí)現(xiàn)有效地分割圖像［10］。通過圖像形態(tài)學(xué)處理，采用面積閾值可剔除誤分割區(qū)域，再結(jié)合孔洞填充算法，完成茄子種子與背景的分割，形成的二值圖像如圖3c 所示。針對樣本小帶來的泛化能力不足問題，由于茄子種子樣本擺放位置的隨機(jī)性，本試驗(yàn)采用圖像旋轉(zhuǎn)（90°、180°、270°）對圖像進(jìn)行擴(kuò)增。

圖3 種子圖像Fig. 3 Seed image

1.4 數(shù)據(jù)處理

1.4.1 表型特征提取 利用圖像處理等相關(guān)方法對種子表型特征數(shù)據(jù)進(jìn)行提取，分別對茄子種子圖像的形狀以及顏色特征進(jìn)行了提取分析。分別提取了每一粒種子的面積、周長、長軸、短軸、當(dāng)量直徑等形狀特征參數(shù)，紅、綠、藍(lán)、色調(diào)、飽和度和明度等特征，取每一粒種子19 個(gè)變量的平均值作為表型信息特征值。

1.4.2 數(shù)據(jù)預(yù)處理 由于不同變量通常具有不同的單位，不同單位會(huì)使后續(xù)的實(shí)際分析處理發(fā)生困難，為了消除變量的量綱影響和變量本身的數(shù)值、差異大小的影響，故需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化［11］。本文利用The Unscramble X 10.4對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，選用的處理方法為最大-最小標(biāo)準(zhǔn)化（公式1）。

式中Y是標(biāo)準(zhǔn)化結(jié)果，X是各變量算術(shù)平均值，Xmin是變量最小值，Xmax是變量最大值。

1.4.3 數(shù)據(jù)降維 主成分分析和連續(xù)投影算法。首先將光譜數(shù)據(jù)預(yù)處理，然后進(jìn)行降維處理，使用主成分分析和連續(xù)投影算法處理光譜數(shù)據(jù)，提取其中特征波段，可以使用少量的新的變量代替預(yù)處理后的變量，從而達(dá)到數(shù)據(jù)降維的目的。

連續(xù)投影算法（Successive Projections Algorithm,SPA）是1 種使矢量空間共線性最小化的前向變量選擇算法，其原理就是依據(jù)波長的長度進(jìn)行變量篩選，即將波段信息通過數(shù)學(xué)變換在其他波長信息上進(jìn)行投影，篩選出投影最大的波段信息作為特征波段選取下來［12］。它通過提取全部數(shù)據(jù)的幾個(gè)特征，以消除原始數(shù)據(jù)中多余的重復(fù)信息，對于特征數(shù)據(jù)的篩選有很好的效果［13］。本試驗(yàn)利用SPA 提取了10 個(gè)特征變量，消除了原始數(shù)據(jù)中冗余信息，提取的變量能夠代替原始變量的大量信息。

主成分分析（Principal Component Analysis,PCA）是通過分析原始的所有變量，找到重復(fù)的變量將其刪去，建立更少的互不相關(guān)的新變量，這些新變量盡可能包括原有的信息，代替原始信息［14-15］。在很多時(shí)候，變量之間是有一定的相關(guān)關(guān)系的，當(dāng)2 個(gè)變量之間有一定關(guān)系時(shí)，可以解釋為這2 個(gè)變量反映的信息有一定的重疊。為了降低數(shù)據(jù)復(fù)雜性,本試驗(yàn)用SPSS對數(shù)據(jù)進(jìn)行了主成分分析。

1.5 機(jī)器學(xué)習(xí)模型 SVM 是1 種線性分類器，用于處理2 類分類問題，依據(jù)SRM 原則構(gòu)建最優(yōu)分類超平面作為該分類器的判別面。通過核函數(shù)將樣本集投影到高維線性空間中，在該空間中隨機(jī)產(chǎn)生1個(gè)超平面并不斷移動(dòng)對樣本集進(jìn)行分類，直至不同類別的樣本點(diǎn)正好位于該超平面的兩側(cè)，能對分類問題提供良好的泛化能力［16］。

CNN 模型一共有 24 層，其中分為輸入層、卷積層、批量歸一化層、激活層、池化層、全連接層和 Softmax 函數(shù)。其中卷積層是實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取功能的核心，相當(dāng)于特征提取器，池化層能夠壓縮數(shù)據(jù)和參數(shù)的量，提取出圖像中的重要特征，進(jìn)而壓縮圖片［17］。全連接層的輸入是將卷積層和池化層提取的特征進(jìn)行加權(quán)，將特征空間通過線性變換映射到樣本標(biāo)記空間［18］。

本試驗(yàn)中CNN 模型（如圖4 所示）的輸入層為像素大小是 50×50 的5 通道茄子種子圖像。

圖4 卷積神經(jīng)網(wǎng)絡(luò)模型Fig. 4 Convolutional neural network model

此網(wǎng)絡(luò)中一共有3 個(gè)卷積塊，每個(gè)卷積塊都有卷積層和激活層，卷積核大小統(tǒng)一設(shè)置為 3×3，卷積層采用零填充，激活層采用ReLU 激活函數(shù)［19］。最大池化層和 Softmax 函數(shù)都被應(yīng)用在網(wǎng)絡(luò)中，最大池化層的優(yōu)點(diǎn)是能最大程度減輕過擬合［20］。經(jīng)過模型的調(diào)優(yōu)，最大訓(xùn)練輪數(shù)設(shè)定為50 次，學(xué)習(xí)率設(shè)為 0.000 1。

2 結(jié)果與分析

2.1 基于SVM 預(yù)測結(jié)果

基于多光譜圖像的一維數(shù)據(jù)，本文采用2 種數(shù)據(jù)降維方法，建立了SVM 模型。采用sk_learn 將原始數(shù)據(jù)按7∶3 劃分為訓(xùn)練集和測試集。

2.1.1 基于PCA 預(yù)處理預(yù)測結(jié)果 利用PCA 方法，本文以原始數(shù)據(jù)50%的綜合變量代表原始變量。此試驗(yàn)選取10 個(gè)主成分，這10 個(gè)主成分能代表原始數(shù)據(jù)99%以上的信息，圖5 列出了經(jīng)PCA 提取的10 個(gè)主成分的貢獻(xiàn)率。表1 為此方法建立的SVM分類結(jié)果，訓(xùn)練集準(zhǔn)確率為76.79%，測試集準(zhǔn)確率為70.71%。

表1 PCA+SVM 模型準(zhǔn)確率Table 1 Accuracy of PCA+SVM model

圖5 主成分貢獻(xiàn)率Fig. 5 Principal component contribution rate

2.1.2 基于SPA 預(yù)處理預(yù)測結(jié)果 利用SPA 對原始數(shù)據(jù)進(jìn)行降維處理，為了獲得模型的最優(yōu)效果，將算法的最小特征數(shù)設(shè)置為0，最大特征數(shù)設(shè)置為20。最終經(jīng)過模型的自動(dòng)調(diào)優(yōu)，提取10 個(gè)特征變量。所選取的特征變量用來建立SVM 分類模型，其訓(xùn)練集準(zhǔn)確率為74.68%，測試集準(zhǔn)確率為71.71%。表2為經(jīng)SPA 降維后的SVM 模型結(jié)果。

表2 SPA+SVM 模型準(zhǔn)確率Table 2 SPA+SVM model accuracy

2.2 基于CNN 預(yù)測結(jié)果

本試驗(yàn)利用CNN 算法對茄子種子進(jìn)行發(fā)芽率預(yù)測，運(yùn)用CNN 模型訓(xùn)練五通道原始多光譜圖像，從而探索無損預(yù)測種子發(fā)芽力的可行性。利用sk_learn 將336 個(gè)樣本照片隨機(jī)劃分為80%的訓(xùn)練集和20%的驗(yàn)證集，得到266 個(gè)訓(xùn)練集，66 個(gè)驗(yàn)證集。為因數(shù)據(jù)量帶來的模型泛化能力不足的問題，本試驗(yàn)利用圖像旋轉(zhuǎn)將訓(xùn)練集圖像進(jìn)行擴(kuò)增，最終得到1 064 個(gè)訓(xùn)練樣本。此CNN 模型進(jìn)行了10 600 次迭代，每50 次進(jìn)行1 次驗(yàn)證。最終CNN 模型的訓(xùn)練集準(zhǔn)確率為91.6%，驗(yàn)證集準(zhǔn)確率為84.3%，訓(xùn)練過程中的準(zhǔn)確率和損失率如圖6 所示：

圖6 CNN 模型訓(xùn)練準(zhǔn)確率和損失率Fig. 6 Training accuracy and Loss ratio of CNN model

3 討論與結(jié)論

本試驗(yàn)利用多光譜圖像結(jié)合機(jī)器學(xué)習(xí)評估種子發(fā)芽率，實(shí)現(xiàn)了用機(jī)器代替人工對種子發(fā)芽與不發(fā)芽進(jìn)行準(zhǔn)確分類。本文對比了五通道多光譜圖像結(jié)合深度學(xué)習(xí)與種子的一維表型特征數(shù)據(jù)結(jié)合機(jī)器學(xué)習(xí)對種子發(fā)芽率的預(yù)測效果。首先提取種子5 個(gè)通道的平均灰度值、種子寬度、面積等19 個(gè)表型特征參數(shù)，經(jīng)過標(biāo)準(zhǔn)化預(yù)處理后結(jié)合PCA 與SPA 進(jìn)行降維分析，后采用SVM 建立發(fā)芽種子與不發(fā)芽種子的分類模型，2 種降維算法所建立的SVM 模型分類準(zhǔn)確率均達(dá)到70%以上。其次采用CNN 模型建立了基于未經(jīng)處理原始種子的多光譜圖像的種子深度學(xué)習(xí)分類模型，模型訓(xùn)練集準(zhǔn)確率為91.6%，驗(yàn)證集的準(zhǔn)確率為84.3%。證明在種子發(fā)芽率的預(yù)測中，五通道多光譜圖像與深度學(xué)習(xí)結(jié)合的有效性，深度學(xué)習(xí)結(jié)合五通道多光譜圖像可以更快速、更高效地實(shí)現(xiàn)種子發(fā)芽率的預(yù)測。CNN 通過對種子原始圖像的特征提取要比人為進(jìn)行種子表型特征的提取更加全面、更加具有代表性。本文通過機(jī)器學(xué)習(xí)結(jié)合多光譜成像技術(shù)實(shí)現(xiàn)了茄子種子發(fā)芽率的預(yù)測，可為茄子種子加工提供了1 種無損、高通量的研究方法。