豆科类杂草种子图像识别系统研究

摘要

杂草是在田园中对目的植物的生境造成干扰的非目的植物,作为外来有害生物,杂草主要是以杂草种子的形式,通过混杂在农林作物种子和粮食等植物产品中传入我国,已经对国民经济和农林业安全构成了威胁,并带来了巨大的经济损失。为从源头上禁止和限制杂草,防除和减少草害,杂草种子快速准确检疫鉴定是保护农林业经济安全的有效手段。
　　 目前,口岸对杂草种子鉴定识别均为传统的人工检索方法,存在鉴定时间长、识别率低等缺点。本文根据口岸杂草检疫和种子鉴定识别的需求,针对国内尚未开展杂草种子图像识别研究的现状,通过对杂草种子的生物学特征分析和分类学的研究,建立杂草种子图像数据库和特征数据库,分析杂草种子的生物学特征与及机器识别特征之间内在联系,设计以计算机视觉为基础的豆科类杂草种子图像识别系统,并对豆科类杂草种子进行了机器识别和鉴定。实验证明该系统提高了杂草种子鉴定和识别的效率和准确率。本文主要工作体现在以下几个方面:
　　 1)确定杂草种子图像特征及提取形状特征方法的研究。通过机器识别系统,代替传统分类学的分类方法,对杂草种子稳定遗传形态特征进行分析和研究。在对豆科类杂草种子和种脐形状特征分析的基础上,总结和归纳了用于机器识别的9个区域特征和7个不变矩特征,实验证明这16个特征识别和分类是高效的。通过改进脉冲耦合神经网络(PCNN)对图像进行分割,用图像熵的最大值作为适应度函数,通过遗传算法,优化PCNN的参数,对豆科种子和种脐进行了图像分割和二值化图像输出,提取对应的形状特征,实验结果表明该方法是可行有效的。
　　 2)图像特征视觉不变性的研究。利用PCNN网络分割和输出的二值化图像,通过选取种子和种脐形态几何特征之间的比值,以及删氏矩,使之具有尺度、旋转和平移的视觉不变性。在杂草种子残缺遮挡情况进行识别时,采用特征点作为杂草种子的局部特征时,该特征具有与杂草种子的位置和取向无关,满足了尺度、旋转和平移不变性。从而保证了同类的杂草种子图像特征具有稳定性。
　　 3)图像特征有效性分析和对分类效果的研究。利用BP神经网络评估图像特征组合与识别率的关系。通过主成分分析和核主成分分析方法,找出了图像特征具有冗余度小,相关性不强的特点。针对杂草种子多类别和小样本的分类情况,通过支持向量机(SVM)方法得到的实验结果,分析了SVM方法分类效果。同时也采用了粒子群聚类分析算法,但实验证明杂草种子分类识别的有效性不强和适用范围有限。
　　 4)残缺和遮挡杂草种子图像识别方法的研究。利用边界分裂的多边形表示方法,作为近似杂草种子轮廓形状。将轮廓特征点作为局部特征,输入到自组织时滞神经网络中,利用特征点之间的空间邻接关系,进行比较、匹配和识别。实验证明该方法可以有效识别残缺遮挡杂草种子图像。
　　 5)设计并建立了杂草种子数据库和图像识别系统平台。收集了69科808种共5181幅图像,并存储了相应的杂草种子的名称、形状、颜色、纹理、生长环境、分布区域等信息及豆科类杂草种子的图像特征。图像识别系统平台具有图象采集、预处理、图象分割、二值化输出、滤波、特征提取和计算、图像特征分类和模式识别等功能。
　　 本课题来源山东检验检疫局科研项目“豆科类杂草种子图像识别系统研究”课题编号:SK07-2004。并获得山东检验检疫“科技兴检奖”一等奖,利用该研究成果,从多批美国进口大豆中检出种杂草种子,有效地提高了杂草种子检疫鉴定水平和执法把关的效率。

目录

文摘

英文文摘

1 引言

1.1 杂草种子分类方法简介

1.2 杂草种子鉴定识别的意义

1.3 杂草种子识别的国内外研究现状

1.4 杂草种子机器识别的难点

1.5 主要工作与内容安排

2 杂草种子图像特征选择和图像识别系统设计

2.1 图像采集

2.1.1 图像命名

2.1.2 体视显微镜

2.1.3 拍照

2.2 杂草种子生物学特征分析

2.2.1 豆科类杂草种子生物学特征分析

2.2.2 豆科类杂草种子生物学特征描述

2.3 杂草种子分类学研究

2.4 豆科类杂草种子机器识别特征选择依据

2.5 杂草种子形状特征视觉不变性的研究

2.6 杂草种子图像特征

2.7 杂草种子图像识别系统设计

2.8 杂草种子图像数据库设计

2.8 系统平台实验结果

2.9 本章小结

3 杂草种子图像预处理与形状特征提取

3.1 杂草种子图像分割

3.1.1 常用的图像分割方法在杂草种子图像分割中的应用

3.1.2 杂草种子图像特点与图像分割算法的对应关系分析

3.2 脉冲耦合神经网络模型

3.2.1 对PCNN对图像分割和二值图像输出工作机理

3.2.2 PCNN在杂草种子图像分割与二值图像输出的可行性分析

3.2.3 PCNN对图像分割效果实验分析

3.2.4 PCNN参数选择的主要方法

3.3 改进PCNN及图像分割

3.3.1 简化PCNN参数和模型结构

3.3.2 优化PCNN参数

3.4 实验结果分析

3.5 数学形态学处理

3.6 噪声处理

3.7 杂草种子的形状特征计算

3.7.1 几何参数计算

3.7.2 特征参数计算

3.7.3 不变矩特征

3.8 杂草种子形态特征实验结果与分析

3.9 使用BP神经网络评估特征维数与识别率的关系

3.9.1 BP网络拓扑结构设计

3.9.3 实验结果

3.9.4 实验结果分析

3.10 支持向量机(SVM)提高识别率

3.10.1 SVM核函数参数的选择和实验结果

3.10.2 SVM实验结果分析比较

3.11 主成分分析(PCA)和核主成分分析(KPCA)方法验证特征之间冗余度

3.11.1 主成分分析(PCA)方法

3.11.2 核主分量分析(KPCA)方法

3.11.3 实验结果与性能分析

3.12 粒子群算法聚类分析

3.12.1 粒子群算法对豆科杂草种子聚类分析算法

3.12.2 粒子群算法的聚类算法实验结果及分析

3.13 本章小结

4 基于自组织-时滞神经网络对残缺遮挡杂草种子的识别

4.1 基于轮廓的形状表示与描述

4.1.1 基于递归的边界分裂的多边形表示

4.1.2 杂草种子形状的局部多边形特征描述

4.2 基于局部特征的形状匹配方法

4.2.1 自组织-时滞单元混合网络的结构

4.2.2 自组织-时滞单元混合网络网络的学习算法

4.3 残缺杂草种子识别过程

4.4 实验结果与分析

4.5 本章小节

5 总结与展望

5.1 总结

5.2 展望

参考文献

附录

致谢

个人简历、在学期间发表的学术论文与研究成果