小麦不完善粒智能识别研究
王志鹏1，魏 维2，孔彩萍1
【摘 要】[摘要]随着计算机技术的快速发展，小麦在不完善粒智能识别方面取到了良好效果。本文从图像处理、机器学习、深度学习等方面综述了小麦不完善粒智能识别的研究现状及发展方向。 【期刊名称】《粮食科技与经济》 【年(卷),期】2019(044)011 【总页数】2
【关键词】[关键词]小麦不完善粒；智能识别；图像处理；机器学习；深度学习
小麦不完善粒是指受到损伤但还具有一定使用价值的小麦颗粒，共分为霉变粒、虫蚀粒、破碎粒、病斑粒、生芽粒5种[1]。其实质是小麦的胚或胚乳遭受损伤或侵害，使其种用和使用品质下降。小麦不完善粒是决定小麦质量的重要指标，正确精准地确认不完善粒有利于保障我国粮食安全以及市场流通。目前，由于小麦不完善粒的检测主要是依靠人工检测完成，然而人工检验检测误差大、效率低，易受人为、环境影响，已不能满足当前的小麦市场需求，因此小麦不完善粒智能识别将成为必然的发展趋势[2]。随着信息科学和人工智能的快速发展，小麦智能识别的研究越来越广泛，依据识别的原理，小麦不完善粒智能识别主要分为机器学习和深度学习2种识别类型。
1 图像获取
图像获取是小麦不完善粒识别的第一步，无论传统的机器学习识别还是深度学习识别，获取图像质量的优劣都决定着识别的准确度高低。为了获取高质量的
图像，需要对摄像机的分辨率、摆放位置、焦距等因素进行全面考虑。Chen F N等[3]在研究中通过选择高光谱成像系统中具有400～1 000nm的波长，相邻的波段相距2.73nm的最佳波段范围，以此来采集霉变粒、破碎粒、生芽粒图像。通过获得来自不同小麦品种的大量小麦样品的图像，结果证明了基于频段选择的方法是可行的。
2 基于机器学习的小麦不完善粒识别
基于机器学习的小麦不完善粒识别是目前研究较为广泛的智能识别技术。它的原理是将机器学习与图像处理技术相结合，采用图像处理技术对获取的小麦样本图像进行预处理、特征提取，然后运用机器学习对提取的特征进行分类识别。基于机器学习的小麦不完善粒识别系统主要包括图像获取、图像增强、特征提取、图像识别等。 2.1 图像增强
图像增强是根据特定的需要，对需要的样本信息进行突出，对多余的信息进行删减。依据作用域的划分，可将图像增强分为空间域增强和频率域增强[4]。其中灰度直方图均衡化是一种效果很强的空间域增强技术，这种技术是对图像的灰度直方图进行处理，使之变成均匀或者是基本均匀的图像。频率域增强中较为常用的是中值滤波增强，它是一种非线性平滑滤波技术，能够有效去除图像中的噪声，从而提升样本图像的质量。 2.2 图像分割
图像分割是把样本图像分成若干个特定的、具有独特性质的区域，从中找出感兴趣目标的技术和过程[5]。目前的图像分割方法主要分以下几类：阈值分割法、边缘分割法、区域分割法以及基于特定理论的分割方法等。董晶晶等[6]运用最
大方差阈值法，较好地提取了小麦种子的轮廓。Chen F N等[7]采用双阈值法从小麦背景和其他区域分割黑色胚芽，使小麦背景和其他区域得到了充分的区分。
2.3 特征提取
特征提取是小麦不完善粒识别前的最后一个预处理步骤，它是指使用计算机获取小麦样本图像中的目标信息，然后判断图像上的点是否属于某一个特征，进而对该特征进行分析和识别。目前常用的有颜色特征提取、纹理特征提取、形状特征提取等[8]。 2.4 目标识别
目标识别是指把一个特定目标从其他目标中区分开来的过程，在经过图像获取、图像预处理、特征提取等过程后，对特定目标进行识别。目前，常用的小麦不完善粒识别算法大部分是基于机器学习的分类器，包括支持向量机，BP神经网络以及逻辑回归等[9]。董晶晶等[6]运用四分类支持向量机使获得小麦的不完善粒识别率达到97.89%，其中小麦破损粒识别率达到94%，虫蚀粒识别率已达95.91%。张玉荣等[10]运用BP神经网络分类器获得的小麦不完善粒总识别率达到93%。Cheng F等[11]使用主成分分析法分析特征，运用人工神经网络进行小麦不完善粒识别，得到的最终误差率达到2.5%。
3 基于深度学习的小麦不完善粒识别
基于深度学习的小麦不完善粒识别是一种新型的本质上区别于机器学习的识别方法，其中卷积神经网络（CNN）是深度学习中一种最常用的分类识别神经网络。卷积神经网络是一种深层次神经网络模型，它直接将图像作为输入量，使原图像的空间结构信息得以完整保存，并且利用大量适合于图像特征的不同卷
小麦不完善粒智能识别研究
