种子的光谱图像无损鉴别模型建立方法及种子鉴别方法
【技术领域】
[0001] 本发明涉及作物品质检测技术领域，尤其涉及一种种子的光谱图像无损鉴别模型 建立方法及种子鉴别方法。
【背景技术】
[0002] 在农业领域经常需要对种子品质进行鉴别和检测。农作物产量与种子纯度成显著 正相关关系，为了提升玉米、水稻、小麦、大豆等农作物种子的质量，需要筛选出种子中的杂 质和异种种子，现有的基于生物化学的种子检测方法检验过程繁琐且周期长，成本高，需要 专业人员操作，并且会对样品造成损伤。
[0003] 近年来，近红外光谱分析技术快速发展，它是一种无污无害的绿色分析手段，能快 速无损地检测样品化学组分含量，已成功运用于玉米水稻小麦等农产品品质的快速低成本 分析。但是光谱的采集需要高精度光谱仪，仪器成本和采集速度仍然是限制其发展的一个 因素，并且得到的光谱信息单一，不能更快更精确地服务于作物品质的快速鉴别。另一方 面，计算机视觉技术作为一种无损检测技术在农业领域也有着广泛的应用前景。但是现有 技术大多只利用籽粒表面或有限深度的信息，得不到籽粒内部更深的信息，因此容易受种 子正反面的影响。对于某些种子来说，如果仅仅依赖这些信息，会降低识别精度。
[0004] 目前，国内对种子籽粒进行鉴别，检测和分选的方法和系统还普遍存在一些问题。 专利CN201789739,涉及一种对玉米种子单倍体进行检测及分拣的系统，该系统单单利用 图像处理方法区分单倍体，需要预先摆正玉米籽粒胚面，局限性大。专利CN103521465A， 涉及一种固体籽粒的自动检测与分选系统及方法，实现了种子籽粒的表面图像信号采集， 但是这种方法不能采集种子单粒的内部信息，无法实现种子颗粒的内部成分分析。专利 CN103706574A，涉及一种固体籽粒自动分拣系统，该系统无法克服籽粒的姿态对采集的图 像的影响，降低了系统分选的正确率。
【发明内容】
[0005] 鉴于上述问题，本发明提供了一种种子的光谱图像无损鉴别模型建立方法及种子 鉴别方法，实现无污无害、高速度、高精度，稳定性强的种子品质鉴别。
[0006] 根据本发明的一个方面，提供了一种种子的光谱图像无损鉴别模型建立方法，该 方法包括：
[0007] 采集各类别的种子籽粒的建模数据，每个类别的种子籽粒的建模数据为该类别的 种子籽粒分别处于N个不同波长的近红外光时的透射光谱图像；
[0008] 根据各类别的种子籽粒的化学特征和近红外区域分子吸收的化学特征从每个类 别的种子籽粒的建模数据中选取一个波长对应的光谱图像作为该类别的减数图像，所述减 数图像用于表征干扰信息；
[0009] 将每个类别的种子籽粒的建模数据中的其他N-1个波长对应的光谱图像分别对 该类别的减数图像做差运算，得到该类别的N-1组图像；
[0010] 提取每个类别的N-1组图像中的种子籽粒图像，得到各个类别的N-1组种子籽粒 图像；
[0011] 计算所述每个类别的N-1组种子籽粒的图像的最佳特征数据作为该类别的建模 训练数据；
[0012] 根据各个类别的建模训练数据利用支持向量机方法建立种子的光谱图像无损鉴 别模型。
[0013] 可选的，所述减数图像的选取方法为：
[0014] 选取每个类别的种子籽粒的建模数据中表征种子的信息含量最少的光谱图像，将 该光谱图像作为该类别的减数图像。
[0015] 可选的，所述提取每个类别的N-1组图像中的种子籽粒图像，包括：
[0016] 采用阈值分割算法对所述每个类别的N-1组图像分别进行图像分割，提取每组图 像中种子籽粒所在最小矩形区域；
[0017] 采用最近邻插值算法将所述种子籽粒所在最小矩形区域进行放大，得到各个类别 的N-1组种子籽粒图像。
[0018] 可选的，所述计算所述每个类别的N-1组种子籽粒的图像的最佳特征数据作为该 类别的建模训练数据，包括：
[0019] 分别采用灰度直方图图像特征提取方法、灰度分布统计和灰度共生矩阵图像特征 提取方法以及局部二值模式图像特征提取方法，提取每个类别的N-1组种子籽粒图像中的 每一组种子籽粒图像的3个图像特征；
[0020] 分别对每一组种子籽粒图像的3个图像特征进行特征降维，得到各个类别的N-1 组种子籽粒图像中的每一组种子籽粒图像的3个特征数据；
[0021] 计算每个类别的N-1组种子籽粒图像中每一组种子籽粒图像的3个特征数据的可 分性，比较每一组组内特征数据的可分性指标，得到每一组组内的最佳特征数据及对应的 最佳图像特征提取方法；
[0022] 比较每个类别的N-1组组间的最佳特征数据的可分性指标，得到每个类别的N-1 组种子籽粒图像的最终最佳特征数据以及对应的用于采集透射光谱数据的最佳近红外光 波长，并将所述最终最佳特征数据作为该类别的建模训练数据。
[0023] 可选的，所述对每一组种子籽粒图像的3个图像特征进行特征降维，包括：
[0024] 采用主成分分析法和正交线性判别分析法分别对所述每一组种子籽粒图像的3 个图像特征进行降维，得到每一组种子籽粒图像的3个特征数据。
[0025] 可选的，采用交叉验证法确定所述主成分分析法所降至的最优维数，具体包括：
[0026] 将每一组样本数目为K的图像特征随机分配成L等份，依次取出其中的1份作为 测试集，剩余的L-1份作为训练集建立测试模型，依次增加主成分分析法预设的要降至的 维度，选取所述测试集正确率最高时的维度作为所述主成分分析法所降至的最优维数。
[0027]可选的，所述可分性指标为类间类内相对距离，所述类间类内相对距离的计算公 式如下：
[0028]
[0029] 其中，氏』为第i类和第j类之间的类间类内相对距离，Du表示第i类与第j类重 心的平方欧氏距离，Wi表示第i类内部的平均离差平方和，Wj表示第j类内部的平均离差 平方和。
[0030] 根据本发明的一个方面，提供了一种采用如上述任一实施例所述的方法建立的种 子的光谱图像无损鉴别模型进行种子鉴别的方法，该方法包括：
[0031] 根据待检测种子的类别选取该类别的减数图像对应的近红外光波长，采集该波长 处的透射光谱图像，得到所述待检测种子的减数图像；
[0032] 根据待检测种子的类别选取该类别的用于采集透射光谱数据的最佳近红外光波 长，采集该波长处的透射光谱图像，得到所述待检测种子的最优波长处的光谱图像；
[0033] 将所述待检测种子的最优波长处的光谱图像对待检测种子的减数图像做差运算， 得到一组新图像；
[0034] 提取差运算后的新图像中的待检测种子图像；
[0035] 计算所述待检测种子图像的最佳特征数据；
[0036] 将所述最佳特征数据根据所述种子的光谱图像无损鉴别模型进行种子品质鉴别。
[0037] 可选的，所述计算所述待检测种子图像的最佳特征数据，包括：
[0038] 根据建模时确定的最佳图像特征提取方法对所述待检测种子图像进行特征提取， 得到图像特征；
[0039] 将所述图像特征映射到建模时确定的主成分分析法的特征空间中，得到图像特征 在PCA空间的表达，并将经主成分分析法处理后的图像特征映射到建模时确定的正交线性 判别分析法的特征空间中，得到最佳特征数据。
[0040] 可选的，在对待检测种子进行鉴别之前，所述方法还包括：
[0041] 根据预设距离阈值化确定是否对所述待检测种子进行鉴别，当待检测种子与所述 种子的光谱图像无损鉴别模型的距离D大于化时，不对所述待检测种子进行鉴别。
[0042] 本发明提供的种子的光谱图像无损鉴别模型建立方法及种子鉴别方法的有益效 果为：
[0043] 1、基于近红外光谱图像的分析，是间接分析法，属于绿色分析方法，无污无害，操 作方便。
[0044] 2、采用的是少量几个波长处的光谱图像，数据采集速度快，图像处理速度快，分析 周期短，大大提高检测效率。可应用于对检测分选速度要求较高的场合。
[0045] 3、采用透射成像方式，可以采集到种子籽粒完整的内部信息，克服了种子籽粒位 置效应的影响，可以准确对种子籽粒的性质进行分析，提高检测精度。
[0046] 4、充分考虑了不同类别种子之间的差异，为种子籽粒的正