【摘要】：種子作為種植業(yè)最基本的生產(chǎn)資料,其品質(zhì)優(yōu)劣很大程度上決定了種植業(yè)的成敗,直接關(guān)系到農(nóng)民的增產(chǎn)、增收,影響到農(nóng)村經(jīng)濟(jì)的穩(wěn)健發(fā)展。種子質(zhì)量檢驗(yàn)評(píng)價(jià)是確保種子質(zhì)量和種子資源管理的重要環(huán)節(jié),對(duì)有效控制種子質(zhì)量以提高產(chǎn)品產(chǎn)量和質(zhì)量、貫徹優(yōu)質(zhì)優(yōu)價(jià)政策、保證種子貯藏運(yùn)輸?shù)陌踩胺N子產(chǎn)業(yè)化進(jìn)程的作用舉足輕重。本研究以玉米種子為研究對(duì)象分別對(duì)其內(nèi)部、外部品質(zhì)進(jìn)行檢測(cè),針對(duì)種子品質(zhì)檢測(cè)的難點(diǎn)和關(guān)鍵點(diǎn),基于光譜成像技術(shù)、機(jī)器視覺(jué)技術(shù),并結(jié)合圖像處理技術(shù)、機(jī)器學(xué)習(xí)算法和光譜分析技術(shù)研究了玉米種子內(nèi)外部品質(zhì)(含水率、霉變、破損)的檢測(cè)方法。基于上述研究的基礎(chǔ)上開(kāi)發(fā)的檢測(cè)系統(tǒng)與算法為使用機(jī)器視覺(jué)與多光譜成像技術(shù)實(shí)現(xiàn)玉米種子品質(zhì)快速檢測(cè)奠定基礎(chǔ)。本文主要研究?jī)?nèi)容和結(jié)論為:(1)研究了使用400-1000 nm高光譜圖像進(jìn)行玉米種子含水率的快速無(wú)損檢測(cè)方法。首先,分別采集種子正、反兩面400-1000 nm高光譜圖像進(jìn)行處理分析,提取質(zhì)心區(qū)域光譜數(shù)據(jù),采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)變量選擇算法(Competitive Adaptive Reweighted Sampling,CARS)篩選特征波段,建立對(duì)應(yīng)的PLS含水率預(yù)測(cè)模型。其次,對(duì)比圖像不同部位光譜曲線變化趨勢(shì),挑選2個(gè)特征波段(520 nm、560 nm)進(jìn)行波段運(yùn)算獲取種子正、反面信息及質(zhì)心位置。最后,依據(jù)正反面檢測(cè)結(jié)果,自主選擇對(duì)應(yīng)的含水率預(yù)測(cè)模型對(duì)45個(gè)驗(yàn)證集樣本進(jìn)行含水率檢測(cè)。結(jié)果表明:使用波段運(yùn)算正、反面識(shí)別率分別為為97.8%、100%;正、反兩面混合位置驗(yàn)證集相關(guān)系數(shù)分別為0.896、0.948、0.885,均方根誤差RMSEV分別為0.823%、0.593%、0.858%;使用單面光譜信息建立含水率預(yù)測(cè)模型效果優(yōu)于使用混合光譜信息建立的模型;使用反面胚乳區(qū)域光譜曲線建立含水率預(yù)測(cè)模型檢測(cè)效果優(yōu)于使用正面胚部位建立的含水率預(yù)測(cè)模型。(2)研究了使用1000-2500 nm高光譜圖像進(jìn)行玉米種子含水率的快速無(wú)損檢測(cè)方法。分別采集種子正、反兩面1000-2500 nm高光譜圖像進(jìn)行處理分析,建立正反面PLS含水率預(yù)測(cè)模型。使用4個(gè)特征波段(1104 nm、1304 nm、1454 nm、1751 nm)進(jìn)行波段運(yùn)算獲取種子正、反面信息。結(jié)果表明:使用波段運(yùn)算正、反面識(shí)別率分別為為97.8%、100%;正面、反面、混合位置驗(yàn)證集相關(guān)系數(shù)分別為0.969、0.946、0.947,均方根誤差RMSEV分別為0.464%、0.616%、0.667%;使用單面光譜信息建立含水率預(yù)測(cè)模型效果優(yōu)于使用混合光譜信息建立的模型;使用正面胚部區(qū)域光譜曲線建立含水率預(yù)測(cè)模型檢測(cè)效果優(yōu)于使用反面胚乳部位建立的含水率預(yù)測(cè)模型。(3)研究了使用機(jī)器視覺(jué)和圖像處理技術(shù)進(jìn)行玉米種子霉變及破損的快速檢測(cè)與自動(dòng)分選。使用經(jīng)I-Relief算法篩選的有效特征參數(shù)訓(xùn)練分類(lèi)器進(jìn)行種子識(shí)別及檢測(cè),結(jié)果表明:提取全表面顏色特征參數(shù)訓(xùn)練分類(lèi)器進(jìn)行霉變玉米種子檢測(cè),使用樸素貝葉斯分類(lèi)器進(jìn)行霉變種子識(shí)別準(zhǔn)確率達(dá)到98%;提取種子尖端顏色特征參數(shù)訓(xùn)練分類(lèi)器進(jìn)行霉變玉米種子檢測(cè),使用樸素貝葉斯分類(lèi)器檢測(cè)準(zhǔn)確率達(dá)到99.3%;提取形狀特征參數(shù)進(jìn)行破損玉米種子檢測(cè),使用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類(lèi)器準(zhǔn)確率達(dá)到97.3%。
[Abstract]:As the most basic means of production in farming, the quality of the seeds determines the success or failure of the planting, directly affects the farmer's production increase, increases the income, and affects the steady development of the rural economy. Quality inspection and evaluation of seed is an important link to ensure seed quality and seed resource management. It is very important to control seed quality effectively to improve product yield and quality, implement high-quality and good-price policy, and ensure the safety of seed storage and transportation and the process of seed industrialization. Aiming at the difficulties and key points of seed quality detection, based on spectral imaging technology, machine vision technology and combined image processing technology, The detection methods of internal and external quality (moisture content, moldy and damage) of corn seeds were studied by machine learning algorithm and spectral analysis technology. The detection system and algorithm developed on the basis of the above-mentioned research laid the foundation for the rapid detection of maize seed quality using machine vision and multi-spectral imaging technology. The main contents and conclusions of this paper are as follows: (1) The rapid non-destructive testing method of corn seed moisture content using 400-1000 nm high-spectrum image is studied. First, processing and analyzing the high-spectrum images of 400-1000 nm on the positive and reverse sides of the seeds respectively, extracting the spectral data of the centroid region, screening the characteristic bands by using a Competitive Adaptive Weight-weighted Variable Selection Algorithm (CARS), and establishing a corresponding PLS water content prediction model. Secondly, two characteristic bands (520 nm, 560 nm) were selected for band operation to obtain seed positive, negative and centroid positions. and finally, selecting the corresponding water content prediction model to carry out water content detection on the 45 verification set samples according to the test result. The results show that the positive and negative recognition rates are 97. 8% and 100%, respectively. The correlation coefficients of the two-sided hybrid position verification set are 0. 896,0. 948, 0. 885, respectively. The root mean square error RMSEV is 0. 823%, 0. 593%, 0. 858%, respectively. The prediction model of moisture content is better than that of using mixed spectral information by using single-sided spectrum information, and the prediction model of moisture content is established by using the spectral curve of the reverse endosperm region. (2) The rapid non-destructive testing method of corn seed moisture content using 1000-2500 nm high-spectrum image was studied. and collecting the high-spectrum images of the seed positive and the reverse surfaces of 1000-2500nm respectively, and establishing a VPLS water content prediction model. Seed positive and reverse information was obtained using four characteristic bands (1104 nm, 1304 nm, 1454 nm, 1751 nm). The results showed that the positive and negative recognition rates were 97. 8% and 100%, respectively. The correlation coefficients of the positive and negative were 0. 969, 0. 946, 0. 947, and the root mean square error RMSEV was 0. 464%, 0. 616%, 0. 667%, respectively. The prediction model of moisture content is better than that of using mixed spectral information by using single-side spectrum information, and the model of moisture content prediction is established by using the regional spectral curve of frontal embryo section. (3) The rapid detection and automatic sorting of corn seed moldy and damage using machine vision and image processing technology were studied. Using the effective characteristic parameter training classifier screened by the I-Relieve algorithm for seed recognition and detection, the results show that the whole surface color characteristic parameter training classifier is used to detect the moldy corn seeds, and the accuracy of the moldy seed identification using the Naive Bayes classifier is 98%. The seed tip color characteristic parameter training classifier was extracted to detect the moldy corn seeds, and the accuracy of using Naive Bayes classifier was 99.3%, and the extraction shape characteristic parameters were used to detect the damage corn seeds. The accuracy of the classifier was 97.3% using the BP neural network training classifier.
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：S513;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳平宇;玉米新品種資源孿生玉米[J];中國(guó)種業(yè);2000年03期

2 楊引福;嫩玉米早上市玉米芯育苗好[J];北京農(nóng)業(yè);2000年04期

3 唐勁馳,曹敏建,佟占昌;不同品種玉米與小麥間套作的比較試驗(yàn)[J];雜糧作物;2000年04期

4 朱浩軍;對(duì)平?jīng)龅貐^(qū)玉米品種更新?lián)Q代及布局的建議[J];甘肅農(nóng)業(yè)科技;2000年10期

5 袁伯英;鄭單14是個(gè)好玉米品種[J];河北農(nóng)業(yè);2000年03期

6 劉忠海,張忠軍,姜玉國(guó);選購(gòu)玉米品種應(yīng)遵循的原則[J];吉林農(nóng)業(yè);2000年02期

7 ;甜脆玉米品種簡(jiǎn)介[J];農(nóng)村實(shí)用技術(shù);2000年03期

8 胡遠(yuǎn)富,李世貴,馮存貴;玉米不同品種子粒脫水速度測(cè)定[J];現(xiàn)代化農(nóng)業(yè);2000年02期

9 郭自偉;墨西哥青割玉米的栽培[J];現(xiàn)代農(nóng)業(yè);2000年03期

10 ;水玉米問(wèn)題有望解決[J];現(xiàn)代農(nóng)業(yè);2000年04期

相關(guān)會(huì)議論文 前10條

1 宋鵬飛;王甜甜;毛培;羅梅浩;;不同玉米品種丁布含量及其與抗螟性的關(guān)系[A];華中昆蟲(chóng)研究（第八卷）[C];2012年

2 劉祖蔭;;發(fā)展玉米的加工利用技術(shù)提高玉米的綜合經(jīng)濟(jì)效益[A];食品論文匯編[C];1985年

3 王春虎;陳士林;董娜;蔣愛(ài)鳳;;豫北平原不同施氮量對(duì)玉米產(chǎn)量和品質(zhì)的影響研究[A];中國(guó)農(nóng)作制度研究進(jìn)展2008[C];2008年

4 王宇翔;;玉米后期倒伏的易損性分析[A];天氣、氣候與可持續(xù)發(fā)展——河南省氣象學(xué)會(huì)2010年年會(huì)論文集[C];2010年

5 唐紅艷;;玉米品種精細(xì)化布局氣象服務(wù)技術(shù)[A];第28屆中國(guó)氣象學(xué)會(huì)年會(huì)——S11氣象與現(xiàn)代農(nóng)業(yè)[C];2011年

6 劉治先;;我國(guó)優(yōu)質(zhì)專(zhuān)用玉米的發(fā)展策略[A];2003年全國(guó)作物遺傳育種學(xué)術(shù)研討會(huì)論文集[C];2003年

7 劉治先;;優(yōu)質(zhì)專(zhuān)用玉米的發(fā)展策略[A];’2003中國(guó)作物學(xué)會(huì)學(xué)術(shù)年會(huì)文集[C];2003年

8 孫世賢;;種植業(yè)結(jié)構(gòu)調(diào)整中的玉米生產(chǎn)問(wèn)題[A];全面建設(shè)小康社會(huì)——中國(guó)科協(xié)二○○三年學(xué)術(shù)年會(huì)農(nóng)林水論文精選[C];2003年

9 劉翔;許志剛;;玉米品種對(duì)玉米細(xì)菌性枯萎病的抗性研究[A];外來(lái)有害生物檢疫及防除技術(shù)學(xué)術(shù)研討會(huì)論文匯編[C];2005年

10 李魯華;柳延濤;呂新;朱江;;綠洲玉米生態(tài)適應(yīng)性的研究[A];中國(guó)科協(xié)2005年學(xué)術(shù)年會(huì)“新疆現(xiàn)代農(nóng)業(yè)論壇”論文專(zhuān)集[C];2005年

相關(guān)重要報(bào)紙文章 前10條

1 吉林食品行業(yè)管理辦公室調(diào)研組;吉林玉米大省做大玉米文章[N];中國(guó)鄉(xiāng)鎮(zhèn)企業(yè)報(bào);2001年

2 記者 孔非;中國(guó)國(guó)際玉米產(chǎn)業(yè)博覽會(huì)九月在長(zhǎng)舉行[N];長(zhǎng)春日?qǐng)?bào);2007年

3 本報(bào)記者　　秦洪湖　　通訊員　　趙中文　　肖　松;為了金色玉米香飄世界[N];中國(guó)國(guó)門(mén)時(shí)報(bào);2006年

4 本報(bào)記者 石巖;玉米品種多 購(gòu)買(mǎi)早籌劃[N];河南科技報(bào);2006年

5 楊婷;國(guó)家3億補(bǔ)貼玉米良種玉米價(jià)格將上揚(yáng)[N];中國(guó)經(jīng)濟(jì)時(shí)報(bào);2007年

6 孟寶林;玉米行情看好 今年莊稼咋種[N];牡丹江日?qǐng)?bào);2006年

7 吳守祥;玉米行情火爆的背后[N];期貨日?qǐng)?bào);2006年

8 吉林糧食集團(tuán)副總經(jīng)理 姜建華;玉米價(jià)格穩(wěn)中走高[N];期貨日?qǐng)?bào);2006年

9 李茜;玉米投資正當(dāng)紅[N];上海金融報(bào);2008年

10 才春林;筍玉米因?qū)Ｓ枚碣F[N];農(nóng)民日?qǐng)?bào);2003年

相關(guān)博士學(xué)位論文 前10條

1 石紅良;我國(guó)不同年代玉米品種及其親本自交系產(chǎn)量和氮效率的變化趨勢(shì)[D];中國(guó)農(nóng)業(yè)科學(xué)院;2014年

2 張紅偉;玉米耐低磷的種質(zhì)資源評(píng)價(jià)及耐低磷的遺傳基礎(chǔ)研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2014年

3 劉永花;不同熟期玉米品種積溫需求定量研究[D];山西農(nóng)業(yè)大學(xué);2014年

4 岳輝;玉米自交系低磷耐性遺傳分析[D];沈陽(yáng)農(nóng)業(yè)大學(xué);2015年

5 李春輝;玉米高密度重組圖譜構(gòu)建及耐旱相關(guān)性狀的遺傳解析[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

6 高慶華;玉米低植酸基因的初步定位和轉(zhuǎn)育應(yīng)用研究[D];河北農(nóng)業(yè)大學(xué);2013年

7 李圣彥;玉米萜類(lèi)合成酶基因TPS10表達(dá)調(diào)控的研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

8 翟立超;玉米品種競(jìng)爭(zhēng)能力的評(píng)價(jià)與分析[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

9 曹?chē)?guó)鑫;小農(nóng)戶糧食作物高產(chǎn)高效技術(shù)應(yīng)用限制因素及對(duì)策研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

10 毛欣;玉米芽種缽盤(pán)精量播種機(jī)理與裝置參數(shù)研究[D];黑龍江八一農(nóng)墾大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 李曉瑞;黃芪綠肥的品質(zhì)評(píng)價(jià)及效應(yīng)分析[D];山西農(nóng)業(yè)大學(xué);2015年

2 江帆;復(fù)合Bt cry1Ac和cry1Ie抗蟲(chóng)玉米抗螟性及其在IRM中的作用[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

3 李秀秀;玉米耐低氮雜種優(yōu)勢(shì)分析[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

4 高杰;不同玉米品種的適應(yīng)性分析[D];西北農(nóng)林科技大學(xué);2015年

5 劉歡;陜西及山西不同地區(qū)玉米營(yíng)養(yǎng)價(jià)值檢測(cè)與霉菌毒素污染情況分析[D];西北農(nóng)林科技大學(xué);2015年

6 李瑞敏;高地隙玉米噴霧機(jī)施藥裝置的設(shè)計(jì)研究[D];石河子大學(xué);2015年

7 白翠瑩;玉米ZmPROPep1基因轉(zhuǎn)化及轉(zhuǎn)基因抗病聚合育種[D];華中農(nóng)業(yè)大學(xué);2015年

8 吳文麗;施用三種肥料對(duì)不同復(fù)墾年限土壤Hedley磷形態(tài)及玉米產(chǎn)量的影響[D];山西農(nóng)業(yè)大學(xué);2015年

9 葉慧香;轉(zhuǎn)cry1Ie基因抗蟲(chóng)玉米對(duì)土壤微生物群落結(jié)構(gòu)和土壤肥力的影響研究[D];華中農(nóng)業(yè)大學(xué);2015年

10 殷鵬程;玉米株高和穗位高的QTL定位[D];華中農(nóng)業(yè)大學(xué);2015年

，

本文編號(hào)：2292188