基于计算机视觉的小麦品种识别研究

论文摘要

小麦是我国的第二大粮食作物，其生产形势的好坏对促进我国社会经济发展、提高人民生活水平，保障社会稳定具有举足轻重的作用。将计算机视觉技术应用于小麦品质检测和分类工作中，具有无损，快速，准确度高的优点，解放了劳动力，提高了工作效率。本文选取L8998、内乡188、9023、优展1号、豫麦47、周麦12等6个品种作为研究对象，采用BENQ5000E扫描仪获得效果较为理想的小麦图像后，利用图像处理技术分别提取小麦籽粒的颜色（R、G、B、H、S、I）,形态（周长、面积、圆形度、矩形度、伸长度）和纹理（能量、熵、对比度、惯性矩和局部平稳性）三方面共16个特征。在小麦籽粒的分类阶段，针对传统小麦籽粒分类系统在待分类籽粒种类较多时分类效果不佳的问题，本文尝试将小麦籽粒的纹理特征引入分类系统。首先考查了仅使用颜色、形态特征作为判别依据时的分类效果，通过构建BP神经网络实现了籽粒的分类。然后将提取的纹理特征与颜色、形态特征相结合作为神经网络的输入，再次构建神经网络。最后，为避免网络因达到局部最优而停止训练，本文使用遗传算法对网络进行了优化，并利用MIV算法计算了各个输入特征的平均影响值，考查各特征对分类结果影响的大小。实验结果表明，仅使用颜色和形态特征作为神经网络输入，对3类小麦种子进行分类时，样本识别准确率达到92.5%，而加入纹理特征后，则提高至94.17%，从而证明了纹理特征可以作为籽粒分类的依据。当待识别种类增加到6类时，优化后的神经网络的样本识别准确率也从81.25%提高到84.58%，可以看出遗传算法对神经网络的优化效果是非常明显的。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 国内外研究现状
• 1.2.1 计算机视觉简介
• 1.2.2 计算机视觉在农产品检测中的应用
• 1.3 本文研究的内容和方法
• 第二章 小麦图像预处理与特征提取
• 2.1 小麦图像采集
• 2.2 小麦图像预处理
• 2.2.1 图像增强
• 2.2.2 图像分割
• 2.3 特征提取
• 2.3.1 颜色特征提取
• 2.3.2 形状特征提取
• 2.3.3 纹理特征提取
• 2.4 小结
• 第三章 神经网络
• 3.1 BP 神经网络原理
• 3.2 构建小麦籽粒分类网络
• 3.2.1 训练集、测试集构造
• 3.2.2 网络构建
• 3.2.3 实验结果
• 3.3 小结
• 第四章 神经网络优化
• 4.1 基于遗传算法的优化
• 4.2 基于 MIV 算法的特征选择
• 4.3 小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 个人简历