基于計(jì)算機(jī)視覺(jué)的大豆品種識(shí)別技術(shù)的研究.pdf

1、龍江大豆品種眾多，不同品種之間，其質(zhì)量差別較大。市場(chǎng)上龍江大豆品種繁多、難以區(qū)分，大豆的需求與供給在品種上難以達(dá)到一個(gè)良好的對(duì)接。傳統(tǒng)的人工識(shí)別方法存在工作量大，識(shí)別準(zhǔn)確率底的缺點(diǎn)，基于單一特征的種粒識(shí)別方法無(wú)法準(zhǔn)確的識(shí)別分類(lèi)大豆種粒，而基于高光譜圖像技術(shù)的大豆種粒識(shí)別方法，又因?yàn)榧夹g(shù)設(shè)備昂貴，操作復(fù)雜等問(wèn)題難以大面積推廣。為了改善這種現(xiàn)狀，本文提出一種基于計(jì)算機(jī)視覺(jué)多特征融合技術(shù)的大豆種粒圖像識(shí)別方法。
　　本文針對(duì)基于計(jì)算機(jī)視

2、覺(jué)多特征融合技術(shù)的大豆種粒圖像識(shí)別技術(shù)的研究，主要做了如下工作:
　　(1)構(gòu)建大豆種粒圖像數(shù)據(jù)集。采集東農(nóng)、黑河、北豐、綏農(nóng)、黑農(nóng)、嫩豐、合豐、墾豐、墾農(nóng)、中黃以及抗蟲(chóng)轉(zhuǎn)基因大豆等主要大豆品種，共計(jì)44種。每種大豆選取150粒左右，分單粒、多粒分散、多粒緊湊三種情況進(jìn)行拍攝，拍攝完成后對(duì)圖像進(jìn)行挑選、分類(lèi)。
　　(2)對(duì)大豆種粒圖像進(jìn)行分割。為了更好的達(dá)到預(yù)期分割效果，分割前對(duì)圖像進(jìn)行降噪處理，對(duì)預(yù)處理后的大豆種粒圖像進(jìn)行

3、圖像分割，通過(guò)對(duì)比多種分割算法，發(fā)現(xiàn)基于Lab顏色模型的閾值分割方法對(duì)大豆種粒圖像的分割效果最佳。
　　(3)提取大豆種粒圖像的形狀特征、HSI顏色特征以及紋理特征這三類(lèi)特征值。然后，對(duì)提取的特征值使用主成分分析方法，將可能存在相關(guān)性的變量轉(zhuǎn)變?yōu)橐唤M線性不相關(guān)的變量。通過(guò)特征相關(guān)性對(duì)比實(shí)驗(yàn)，保留相關(guān)值、矩形度、伸長(zhǎng)度、球狀性這四個(gè)相關(guān)度較小的特征值，然后采用PCA主成分分析方法再對(duì)其它的大豆種粒特征值進(jìn)行特征融合處理，組成大豆種粒

4、識(shí)別的特征空間。
　　(4)本文選用LWKNCN算法對(duì)6種大豆種粒圖像進(jìn)行識(shí)別分類(lèi)研究。在依據(jù)綜合特征對(duì)大豆種粒圖像進(jìn)行識(shí)別分類(lèi)過(guò)程中，實(shí)驗(yàn)在K值為2時(shí)取得最優(yōu)的識(shí)別分類(lèi)效果，識(shí)別分類(lèi)的準(zhǔn)確率為85.61％，實(shí)驗(yàn)結(jié)果表明基于多特征融合技術(shù)的大豆種粒圖像識(shí)別技術(shù)具有較高的準(zhǔn)確率以及較強(qiáng)的可應(yīng)用性。
　　本實(shí)驗(yàn)為基于計(jì)算機(jī)視覺(jué)的大豆種粒識(shí)別提供了一定的參考價(jià)值，彌補(bǔ)了普通的人工識(shí)別存在的勞動(dòng)量大、識(shí)別差異率大的缺點(diǎn)，基于多特征融