本文選題：識別 + 機器視覺　； 參考：《農(nóng)業(yè)工程學報》2017年S1期

【摘要】：玉米籽粒粒型是評估玉米產(chǎn)量和品質(zhì)的重要表型參數(shù)之一,為了提高籽粒粒型的識別率,同時滿足高通量以及無損測量的要求,該文以果穗整體為研究對象,基于稀疏表示的方法構(gòu)建了高通量玉米果穗籽粒粒型識別系統(tǒng)(果穗未脫粒)。以掉落抓拍法硬件采集平臺采集3種不同粒型(硬粒型、馬齒型、半馬齒型)的玉米穗圖像,首先使用幀差法獲取果穗輪廓,再通過G通道分離、OTSU算法(最大類間方差法)得到籽粒輪廓信息,提取籽粒部分顏色、形狀、紋理特征作為分類依據(jù),每種粒型取200粒作為訓練樣本構(gòu)成稀疏表示算法的判別字典,對每一個測試樣本計算稀疏表示系數(shù),根據(jù)最小重構(gòu)誤差判定籽粒粒型類別。結(jié)果表明,該方法不需要傳統(tǒng)的果穗脫粒再進行籽粒類型統(tǒng)計,識別正確率達到94.8%,測量速度達到28穗/min,大大提高了玉米粒型統(tǒng)計的效率。
[Abstract]:Grain type is one of the important phenotypic parameters to evaluate the yield and quality of maize. In order to improve the recognition rate of grain type and meet the requirement of high throughput and nondestructive measurement, the whole ear of corn was studied in this paper.Based on sparse representation, a kernel type recognition system for high throughput corn ears was constructed.Three kinds of corn ear images of different grain types (hard grain type, horse tooth type, half horse tooth type) were collected on the hardware acquisition platform of drop capture method. Firstly, the contour of ear was obtained by frame difference method.Then the kernel contour information is obtained by G channel separation algorithm (maximum inter-class variance method), and some color, shape and texture features of grain are extracted as the basis of classification.Each grain type takes 200 grains as the training sample to form the discriminant dictionary of sparse representation algorithm. The sparse representation coefficient is calculated for each test sample and the grain type category is determined according to the minimum reconstruction error.The results showed that the method did not need the traditional kernel threshing and grain type statistics, and the recognition accuracy was 94.8 and the measuring speed was 28 panicles / min, which greatly improved the efficiency of corn kernel type statistics.
【作者單位】： 中國農(nóng)業(yè)大學信息與電氣工程學院;農(nóng)業(yè)部農(nóng)業(yè)信息獲取技術重點實驗室;
【基金】：中國農(nóng)業(yè)大學基本科研業(yè)務費專項,公益性行業(yè)(農(nóng)業(yè))科研專項“作物育種材料農(nóng)藝性狀信息高通量獲取與輔助篩分技術”(No.201203026)
【分類號】：S513;TP391.41

【參考文獻】

相關期刊論文 前7條

1 周金輝;馬欽;朱德海;郭浩;王越;張曉東;李紹明;劉哲;;基于機器視覺的玉米果穗產(chǎn)量組分性狀測量方法[J];農(nóng)業(yè)工程學報;2015年03期

2 白蔚;楊撒博雅;劉家瑛;郭宗明;;基于顯著性稀疏表示的圖像超分辨率算法[J];中國科技論文;2014年01期

3 向金海;楊申;樊恒;章英;翟瑞芳;彭輝;;基于稀疏表示的烤煙煙葉品質(zhì)分級研究[J];農(nóng)業(yè)機械學報;2013年11期

4 田元榮;許悅雷;田松;馬時平;;基于稀疏表示模型的SAR圖像目標檢測算法[J];中國科技論文;2013年10期

5 楊蜀秦;寧紀鋒;何東健;;基于稀疏表示的大米品種識別[J];農(nóng)業(yè)工程學報;2011年03期

6 周子立;張瑜;何勇;李曉麗;邵詠妮;;基于近紅外光譜技術的大米品種快速鑒別方法[J];農(nóng)業(yè)工程學報;2009年08期

7 鐘昌松;徐利遠;余桂蓉;杜文平;蒲志剛;李琳;;硬粒馬齒爆裂型玉米遺傳關系的SSR標記研究[J];分子植物育種;2006年06期

相關博士學位論文 前3條

1 丁軍;基于稀疏理論的SAR圖像目標識別研究[D];西安電子科技大學;2015年

2 柳楊;面向圖像識別的稀疏模型研究[D];北京郵電大學;2015年

3 匡金駿;基于稀疏表示的圖像分類與目標跟蹤研究[D];重慶大學;2013年

相關碩士學位論文 前4條

1 丁然;基于隨機森林大豆籽粒外觀品質(zhì)識別系統(tǒng)的設計與實現(xiàn)[D];東北農(nóng)業(yè)大學;2015年

2 李慧艷;基于多尺度和多層稀疏表示的SAR地物分類[D];西安電子科技大學;2014年

3 劉穎;玉米籽粒粒型及產(chǎn)量相關性狀的QTL定位和遺傳分析[D];華中農(nóng)業(yè)大學;2013年

4 閆永帥;基于稀疏表示的高光譜遙感圖像分類[D];電子科技大學;2013年

【共引文獻】

相關期刊論文 前10條

1 呂少中;杜文亮;陳偉;劉廣碩;張麗杰;;基于PCA和神經(jīng)網(wǎng)絡的蕎麥剝殼混合物識別[J];農(nóng)機化研究;2018年01期

2 高宇;高軍萍;李寒;鄭文剛;張婉明;;植物表型監(jiān)測技術研究進展及發(fā)展對策[J];江蘇農(nóng)業(yè)科學;2017年11期

3 王康;梁秀英;曾優(yōu);楊萬能;;玉米籽粒大小特征檢測方法研究[J];湖南農(nóng)業(yè)大學學報(自然科學版);2017年03期

4 錢麗麗;冷候喜;張愛武;宋雪健;曹冬梅;湯華成;張東杰;;基于Fisher判別法對黑龍江大米產(chǎn)地溯源[J];食品與發(fā)酵工業(yè);2017年05期

5 賀付亮;郭永彩;高潮;陳靜;;基于視覺顯著性和脈沖耦合神經(jīng)網(wǎng)絡的成熟桑葚圖像分割[J];農(nóng)業(yè)工程學報;2017年06期

6 宋朝鵬;路曉崇;裴曉東;譚方利;李生棟;蔣博文;魏碩;宮長榮;;烘烤過程中烘烤環(huán)境對烤煙外觀特征的影響[J];西北農(nóng)林科技大學學報(自然科學版);2017年04期

7 馬欽;王越;郭浩;朱德海;劉哲;張曉東;李紹明;;基于稀疏表示算法的高通量玉米果穗粒型識別系統(tǒng)[J];農(nóng)業(yè)工程學報;2017年S1期

8 王洪稷;羅小林;宋鵬;王成;陳泉;張晗;;玉米自動考種流水線控制系統(tǒng)設計——基于MCGS嵌入式組態(tài)軟件[J];農(nóng)機化研究;2017年02期

9 石禮娟;盧軍;;基于隨機森林的玉米發(fā)育程度自動測量方法[J];農(nóng)業(yè)機械學報;2017年01期

10 袁杰;杜建軍;郭新宇;;基于可見光圖像的玉米植株表型檢測研究進展[J];中國農(nóng)業(yè)科技導報;2016年06期

相關博士學位論文 前3條

1 韓靜;基于仿生視覺模型和復雜信息學習的多光譜夜視目標識別技術[D];南京理工大學;2014年

2 穆治亞;紅外多目標實時跟蹤方法的研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2014年

3 張辰;井下環(huán)境中運動目標檢測與跟蹤研究[D];中國礦業(yè)大學;2014年

相關碩士學位論文 前5條

1 解冰謙;基于機載LiDAR數(shù)據(jù)的電力走廊信息提取技術研究[D];哈爾濱工業(yè)大學;2016年

2 王立偉;玉米粒長主效QTL qKL9的精細定位[D];華中農(nóng)業(yè)大學;2015年

3 尹增奇;玉米籽粒構(gòu)型和葉片鋅鐵銅錳含量的QTL定位及相關分析[D];河北農(nóng)業(yè)大學;2015年

4 孫傳龍;兩個粒型差異玉米自交系籽粒轉(zhuǎn)錄組研究[D];華中農(nóng)業(yè)大學;2014年

5 陳梁;字典學習算法及其在高光譜圖像分類中的應用研究[D];南京師范大學;2014年

【二級參考文獻】

相關期刊論文 前10條

1 李靜;申慶超;宋俊喬;賈海濤;;基于機器視覺的玉米穗行數(shù)自動檢測算法設計[J];電子產(chǎn)品世界;2014年06期

2 劉長青;陳兵旗;;基于機器視覺的玉米果穗?yún)?shù)的圖像測量方法[J];農(nóng)業(yè)工程學報;2014年06期

3 段熊春;周金輝;王思嘉;;面向玉米果穗考種測量的圖像標定方法[J];農(nóng)機化研究;2014年01期

4 王海燕;張瑜慧;;基于機器視覺的顆粒識別計數(shù)[J];長春工程學院學報(自然科學版);2013年04期

5 王傳宇;郭新宇;吳升;肖伯祥;杜建軍;;采用全景技術的機器視覺測量玉米果穗考種指標[J];農(nóng)業(yè)工程學報;2013年24期

6 柳冠伊;楊小紅;白明;魏文軍;張紹英;李海濤;;基于線陣掃描圖像的玉米果穗性狀檢測技術[J];農(nóng)業(yè)機械學報;2013年11期

7 吳建偉;郭新宇;王傳宇;吳升;李永祥;楊寶祝;;玉米育種自動考種儀[J];中國種業(yè);2013年09期

8 劉師多;�？�;師清翔;王升升;袁琦堡;張奎;;玉米果穗螺旋摩擦輸送裝置的輸送性能試驗[J];農(nóng)業(yè)工程學報;2013年12期

9 王燕霞;張弓;;一種改進的用于稀疏表示的正交匹配追蹤算法[J];信息與電子工程;2012年05期

10 馬欽;江景濤;朱德海;李紹明;梅樹立;呂永春;;基于圖像處理的玉米果穗三維幾何特征快速測量(英文)[J];農(nóng)業(yè)工程學報;2012年S2期

相關博士學位論文 前10條

1 李彥兵;基于微多普勒效應的運動車輛目標分類研究[D];西安電子科技大學;2013年

2 尹奎英;SAR圖像處理及地面目標識別技術研究[D];西安電子科技大學;2011年

3 胡利平;合成孔徑雷達圖像目標識別技術研究[D];西安電子科技大學;2009年

4 李強;單脈沖雷達目標三維成像與識別研究[D];西安電子科技大學;2007年

5 李海艷;極化SAR圖像海面船只監(jiān)測方法研究[D];中國科學院研究生院（海洋研究所）;2007年

6 杜蘭;雷達高分辨距離像目標識別方法研究[D];西安電子科技大學;2007年

7 高貴;SAR圖像目標ROI自動獲取技術研究[D];國防科學技術大學;2007年

8 黃玉琴;基于SAR圖像的城市形態(tài)時空變化的研究[D];中國科學院研究生院（遙感應用研究所）;2006年

9 賈承麗;SAR圖像道路和機場提取方法研究[D];國防科學技術大學;2006年

10 傅斌;SAR淺海水下地形探測[D];中國海洋大學;2005年

相關碩士學位論文 前10條

1 韓亮;基于隨機森林的行人檢測算法研究[D];北方工業(yè)大學;2014年

2 韓雨;溫室環(huán)境監(jiān)控系統(tǒng)上位機的設計與實現(xiàn)[D];東北農(nóng)業(yè)大學;2014年

3 文茜;大功率盤形激光焊金屬蒸汽和飛濺圖像特征識別[D];廣東工業(yè)大學;2013年

4 趙顯;基于隨機森林的手勢檢測與識別系統(tǒng)的研究[D];湘潭大學;2012年

5 陸明洋;玉米產(chǎn)量及產(chǎn)量相關性狀的功能染色體區(qū)段分析[D];河南農(nóng)業(yè)大學;2012年

6 范麗彥;基于隨機觀測向量與混合因子分析的SAR圖像目標識別[D];西安電子科技大學;2012年

7 孫書進;基于MRF模型和統(tǒng)計建模的SAR圖像地物分類方法研究[D];國防科學技術大學;2011年

8 湯彬;玉米苗期耐漬動態(tài)QTL定位及目標QTL近等基因系構(gòu)建[D];華中農(nóng)業(yè)大學;2011年

9 謝U，

本文編號：1769529