种子破损率快速检测方法研究

doi:10.13733/j.jcam.issn.2095-5553.2024.09.016

摘要/Abstract

摘要：

旋耕播种机推广鉴定时，需要人工检测种子的破损率。为提高检测效率，以小麦种子为例，对种子破损率快速检测方法进行研究。设计种子破损率自动检测平台，可一次性采集 50 g小麦种子图像，基于图像处理技术和机器学习方法，提取小麦种子图像 13个形状特征和 8个纹理特征，建立基于特征的种子破损识别模型；识别的破损种子图像与种子质量的关系，建立基于图像的破损种子质量预测模型，按照鉴定大纲要求实现小麦种子破损率的快速检测。对江苏省 “A888”“丹阳 001”“泰州 014” 4个品种的小麦种子破损率进行试验测试， 4个品种小麦种子破损“无锡 004”每个品种 3次取样测定。结果表明：率自动检测的平均相对误差分别为 0. 08%、0. 07%、0. 06%、0. 08%，检测的相对均方根误差为 0. 08%，检测平均时长为 5. 216 s。该研究实现小麦种子破损率自动、快速检测，节省农机鉴定时间，推动农机鉴定过程的标准化和智能化。

关键词: 小麦种子, 旋耕播种机, 图像处理, 破损率, 机器学习

Abstract:

When the rotary tillage seeder is popularized and appraised，it is necessary to measure the damage rate of seeds manually. In order to improve the detection efficiency，this paper takes wheat seeds as an example to study the rapid detection method of seed breakage rate. The automatic detection platform of seed breakage rate was designed，which could collect 50 g wheat seed images at one time. Based on image processing technology and machine learning methods，13 shape features and 8 texture features of wheat seed images were extracted，and a feature.based seed damage recognition model was established. The relationship between the identified damaged seed images and seed quality was studied，and an image.based broken seed quality prediction model was established，and the rapid detection of wheat seed damage rate was realized according to the requirements of the identification outline. In this study，the seed breakage rate of four wheat varieties as “Danyang 001”“A888”“Taizhou 014”and“Wuxi 004”in Jiangsu Province was experimentally tested，and each variety was sampled and measured for three times. The experimental results showed that the average relative errors of the automatic detection of seed breakage rate of the four wheat varieties were 0. 08%，0. 07%，0. 06% and 0. 08%，respectively，and the relative root mean square error of the detection was 0. 08%，and the average detection time was 5. 216 s. In this study，the automatic and rapid detection of wheat seed damage rate was realized，which saved the time of agricultural machinery identification and promoted the standardization and intelligence of agricultural machinery identification process.

Key words: wheat seed, rotary tillage seeder, image processing, breakage rate, machine learning

中图分类号:

S126
S512

杨浩勇 , 王超柱 , 刘浩义 , 关心桐 , 刘璎瑛 , 丁永前 . 种子破损率快速检测方法研究[J]. 中国农机化学报, 2024, 45(9): 104-110.

Yang Haoyong, Wang Chaozhu, Liu Haoyi, Guan Xintong, Liu Yingying, Ding Yongqian. Research on a rapid detection method for seed breakage rate[J]. Journal of Chinese Agricultural Mechanization, 2024, 45(9): 104-110.

参考文献

［ 1］DG/T 027—2019，旋耕播种机［ S］.

［ 2］张玉荣，卢冠镪，吴琼，等 .基于高光谱成像技术的发芽小麦分类研究［ J］.河南工业大学学报（自然科学版）， 2022，43（5）：108-115，136.

Zhang Yurong，Lu Guanqiang，Wu Qiong，et al. Research on classification of sprouted wheat based on hyperspectral imaging technology［J］. Journal of Henan University of Technology（Natural Science Edition）， 2022， 43（5）： 108-115，136.

［ 3］李志伟，袁婧，丁为民，等 .基于高光谱成像技术识别水稻纹枯病［ J］.华南农业大学学报， 2018，39（6）：97-103.

Li Zhiwei，Yuan Jing，Ding Weimin，et al. Identification of rice sheath blight based on hyperspectral imaging technique［J］. Journal of South China Agricultural University，2018，39（6）：97-103.

［ 4］沈广辉，曹瑶瑶，刘馨，等 .近红外高光谱成像结合特征波长筛选识别小麦赤霉病瘪粒［ J］.江苏农业学报， 2021， 37（2）：509-516.

Shen Guanghui，Cao Yaoyao，Liu Xin，et al. Identification of Fusarium damaged kernels using near infrared hyperspectral imaging and characteristic bands selection［J］. Jiangsu Journal of Agricultural Sciences， 2021，37（2）：509-516.

［ 5］戴雨舒，仲晓春，孙成明，等 .基于图像处理和 Deeplabv3+模型的小麦赤霉病识别［ J］.中国农机化学报， 2021，42（9）：209-215.

Dai Yushu， Zhong Xiaochun， Sun Chengming， et al. Identification of fusarium head blight in wheat.based on image processing and Deeplabv3+ model［J］. Journal of Chinese Agricultural Mechanization，2021，42（9）：209-215.

［ 6］Ramirez.Paredes J P，Hernandez.Belmonte U H. Visual quality assessment of malting barley using color，shape and texture descriptors［J］. Computers and Electronics in Agriculture，2020，168：105110.

［ 7］宋怀波，王云飞，段援朝，等 .基于 YOLO v5-MDC的重度粘连小麦籽粒检测方法［ J］.农业机械学报， 2022，53（4）：245-253.

Song Huaibo， Wang Yunfei， Duan Yuanchao， et al. Detection method of severe adhesive wheat grain based on YOLO v5-MDC model［J］. Transactions of the Chinese Society of Agricultural Machinery，2022，53（4）：245-253.

［ 8］琚新刚 .基于机器学习的稻米品种及掺假检测方法研究［D］.郑州：河南农业大学， 2021.

Ju Xingang. Study on detection method of rice varieties and adulteration based on machine learning［D］. Zhengzhou： Henan Agricultural University，2021.

［ 9］李宝芸，范玉刚，高阳 .基于 OTSU和 Canny算子的红外图像特征提取［ J］.陕西理工大学学报（自然科学版）， 2019，35（6）：33-40.

Li Baoyun， Fan Yugang， Gao Yang. Infrared image feature extraction based on OTSU and Canny operator［J］. Journal of Shaanxi University of Technology（Natural Science Edition），2019，35（6）：33-40.

［10］刘东，曹光乔，李亦白，等 .基于颜色特征的小麦抽穗扬花期麦穗识别计数［ J］.中国农机化学报， 2021，42（11）： 97-102.

Liu Dong，Cao Guangqiao，Li Yibai，et al. Recognition and counting of wheat ears at flowering stage of heading poplar based on color features［J］. Journal of Chinese Agricultural Mechanization，2021，42（11）：97-102.

［11］刘光宇，黄懿，曹禹，等 .基于灰度共生矩阵的图像纹理特征提取研究［ J］.科技风， 2021，452（12）：61-64.

Liu Guangyu，Huang Yi，Cao Yu，et al. Research on extraction of Image texture Feature based on Gray co.occurrence matrix［J］. Science and Technology Wind， 2021，452（12）：61-64.

［12］徐峥港 .基于贝叶斯网络的水稻病害识别方法研究［ D］.长沙：湖南农业大学， 2021.

Xu Zhenggang. Identification method of rice disease based on Bayesian network［D］. Changsha：Hunan Agricultural University，2021.

［13］郑如新，孙青云，肖国栋 .基于机器视觉的金银花图像识别处理算法研究［J］.中国农机化学报， 2022，43（4）：153-159.

Zheng Ruxin，Sun Qingyun，Xiao Guodong. Research on farmland route navigation based on an improved convolutional neural network algorithm［J］. Journal of Chinese Agricultural Mechanization，2022，43（4）：153-159.

[1]	韩鹏飞, 宋其江, 贾梦实. 基于改进轻量化 EfficientNet-V2模型的小麦种子分类[J]. 中国农机化学报, 2024, 45(9): 111-117.
[2]	陈雨欣, 刘章鑫, 刘欣谊, 刘涛, 孙成明, . 基于机器学习算法的扬州市冬小麦遥感分类提取[J]. 中国农机化学报, 2024, 45(8): 154-161.
[3]	潘健, 祁雁楠, 陈鲁威, 夏烨, 吕晓兰, . 基于可见/近红外高光谱成像技术的梨树叶部病害识别研究[J]. 中国农机化学报, 2024, 45(8): 162-169.
[4]	张倩, 王明, 于峰, 陶震宇, 张辉, 李刚. 基于CNN的作物分类识别图像获取平台研究进展[J]. 中国农机化学报, 2024, 45(8): 170-179.
[5]	唐可记, 孙文磊, 杨炀, 孔德龙. 玉米收获机发动机服役状态趋势分析与预警[J]. 中国农机化学报, 2024, 45(7): 160-165.
[6]	张延军, 赵建鑫, . 基于多路神经网络的黄花菜关节点检测算法研究[J]. 中国农机化学报, 2024, 45(7): 228-234.
[7]	郎秀丹, 史宇亮, 李天华, 陈明东. 基于阈值识别的温室黄瓜整体自动落蔓装置研究[J]. 中国农机化学报, 2024, 45(6): 106-112.
[8]	杨昊霖, 王其欢, 李华彪, 耿端阳, 武继达, 姚艳春. 基于改进YOLOv5的田间复杂环境障碍物检测[J]. 中国农机化学报, 2024, 45(6): 216-222.
[9]	马志艳, , 李辉, 杨光友, . 基于YOLOv3算法的智能采茶机关键技术研究[J]. 中国农机化学报, 2024, 45(4): 199-204.
[10]	缪亚伦, 石美琦, 孟海涛, 梁旭升, 黄才贵, 李岩舟. 基于Stereo CameraYOLOv5自然环境下百香果检测与定位模型[J]. 中国农机化学报, 2024, 45(3): 233-241.
[11]	陈鲁威, , 曾锦, , 袁全春, , 潘健, , 姚凤腾, , 吕晓兰, . 无人机遥感监测果树氮素含量研究进展[J]. 中国农机化学报, 2024, 45(2): 235-243.
[12]	张伟进, 王福顺, , 孙小华, 王军皓, 刘宏权, 王鑫鑫, . 传统图像分割算法在农作物籽粒考种应用中的研究进展[J]. 中国农机化学报, 2024, 45(2): 280-287.
[13]	黄家才, 汪涛, 张铎, 唐安, 高芳征. 基于改进YOLOv4的草莓果柄叶识别与定位[J]. 中国农机化学报, 2023, 44(9): 205-213.
[14]	李航, 廖映华, 黄波. 基于改进DQN算法的茶叶采摘机械手路径规划[J]. 中国农机化学报, 2023, 44(8): 198-205.
[15]	王春桃, , , , 梁炜健, 郭庆文, 钟浩, 甘雨, 肖德琴, , . 农业害虫智能视觉检测研究综述[J]. 中国农机化学报, 2023, 44(7): 207-213.