高光譜成像技術檢測玉米種子成熟度

楊小玲、由昭紅、成 芳

浙江大學生物系統工程與食品科學學院、浙江 杭州 310058

高光譜成像技術檢測玉米種子成熟度

楊小玲、由昭紅、成 芳*

浙江大學生物系統工程與食品科學學院、浙江 杭州 310058

成熟度是影響種子活力的重要因素之一、是種子質量的重要指標。種子分級時將成熟種子和未成熟種子區分開來可提高種子批活力、使種子批活力具有一致性。采用400～1 000 nm波段范圍的高光譜成像技術研究成熟和未成熟玉米種子、找出二者區分度最高的特征波段圖像、通過圖像處理方法進行種子分類。選用主成分分析(PCA)法分析高光譜圖像、分析差異最明顯的PC2主成分圖像的各波段權重系數并提取出特征波段(501 nm)。從70粒成熟度較低玉米種子樣本高光譜圖像上選取成熟和未成熟兩類感興趣區域、采用偏最小二乘回歸(PLSR)法分析兩類感興趣區域的平均光譜、選取與成熟度相關的敏感波段(518 nm)。采用波段比運算并結合KW檢驗、分析兩類感興趣區域的平均光譜、找出差異最大的最優波段比(640 nm/525 nm)。以864粒玉米種子為研究對象、提取特征波段對應的單波段圖像和最優波段比對應的波段比圖像、采用圖像處理技術分析圖像并判別。結果表明：采用單波段灰度圖像分割容易將玉米種子冠部的淺色部分誤識別為種子成熟度較低的區域、識別準確率低； 而采用640 nm/525 nm的波段比圖像可以減輕這種不利影響、平均正確識別率為93.9%。該方法可以有效識別未成熟的玉米種子、為進一步開發在線分級裝備提供了依據。

玉米種子； 單粒播種； 高光譜成像； 成熟度； 波段比； KW檢驗

引 言

玉米單粒播種技術省時、省工、省種、有利于推進玉米種植的機械化進程、是國內玉米生產的發展趨勢。單粒播種對種子的質量要求更高、不僅要求種子具有高發芽率同時要求高活力[1]。種子活力影響到種子在田間出苗和幼苗生長的速度和整齊度、種子在不適宜的環境條件下的出苗能力、種子耐貯藏性等[2]。因此、研究基于活力的玉米種子分級技術對提高單播種子質量有重要意義。玉米種子成熟度是種子的重要質量指標、對種子千粒重、田間出苗率、幼苗形狀和種子活力等方面都存在一定的影響[3-4]。Knittle等[5]的研究發現: 玉米種子的活力與收獲時間密切相關、雖然不同收獲時間下玉米種子的發芽率相差不大、但幼苗和根的干重隨著種子成熟度的增加而增大。TeKrony等[6-7]研究了自交種、單交種和雜交種玉米種子的成熟度與活力之間的關系、發現玉米種子在乳線接近種子基部或消失之后達到生理成熟、此發育階段與基因型和種植環境無關、且此時收獲的種子活力最大。石海春等[8]研究了不同成熟度玉米種子之間活力的差異性、樣品品種在授粉后第35～50天采收、雖然不同成熟度的種子發芽率差異不大、但對種子活力有顯著影響。

玉米種子的成熟需要經歷乳熟期、蠟熟期以及完熟期3個階段。在成熟過程中、玉米種子的外觀及形態也會發生變化。在玉米授粉后、隨著籽粒不斷發育成熟、籽粒內的淀粉含量逐漸增加、并在籽粒冠部逐漸沉積硬化成為固體淀粉層、在固、乳交界處形成“乳線”。隨著籽粒的成熟、乳線從籽粒冠部向籽?；坎粩嘁苿?、籽粒成熟后乳線消失、籽?；康暮谏珜有纬?、因此玉米種子的乳線和黑色層是種子成熟的重要標志[6,9-10]。

楊錦忠等利用ImageJ軟件分析了玉米種子由掃描儀獲得的圖像、初步確定了用圖像分析玉米籽粒成熟度的可行性[11]。但該方法需人工選擇測量部位、不能自動獲得成熟度數據。高光譜圖像技術可以同時獲得樣本的圖像信息和光譜信息、在種子分級和質量檢測方面得到了廣泛研究[12-13]。我們基于高光譜圖像對成熟度不同的玉米種子進行識別研究。并用主成分分析(principal component analysis,PCA)法分析、選擇種子成熟區域和未成熟區域差異最明顯主成分圖像、分析各波段權重系數并提取出特征波段。選取玉米種子感興趣區域(region of interest,ROI)計算平均光譜并用偏最小二乘回歸法(partial least square regression,PLSR)選取特征波段、計算各波段波段比并用KW(kruskal and wallis)檢驗選取最優波段比。提取樣本在特征波段下的單波段灰度圖像及最優波段比圖像、結合圖像處理和分析方法、選擇最適合的圖像實現玉米種子成熟度的檢測。

1 實驗部分

1.1 玉米種子樣本

玉米種子樣本品種為安玉13、選取成熟度高(乳線位置靠近種子基部、共432粒)和成熟度低(共502粒、乳線位置位于種子中部到冠部之間)玉米種子作為2類樣本、如圖1所示。

圖1 成熟度高(左側兩粒)和成熟度低(右側兩粒)玉米種子RGB圖

Fig.1 RGB picture of mature (the two on the left side) and immature corn seeds (the two on the right side)

1.2 玉米種子高光譜圖像采集及預處理

利用如圖2所示的高光譜圖像采集系統采集玉米種子的原始高光譜數據。該系統由成像光譜儀(Imspector V10E-QE,Spectral Imaging Ltd.,Oulu,Finland)CCD相機(C8484-05G,Hamamatsu Photonics,Japan)、鏡頭(V23-f/2.4 030603,Specim Ltd,Oulu,Finland)、線光源(P/N 9130,Illumination Technologies,Inc.,USA)及其控制器(2900ER,Illumination Technologies,Inc.,USA)、可升降樣品臺(GZ02DS20,Guangzheng Instruments Co.,Ltd.,Bejing,China)和電控位移臺(PSA200-11-X,Zolix Instruments Co.,Ltd.,Beijing,China)構成。成像光譜儀的波長范圍為400～1 000 nm、采用 2×2 binning的壓縮方式。為了獲得清晰的樣品圖像、在鏡頭和相機之間加入長度為2 mm的近攝接圈。采集時、玉米種子胚面朝下置于黑色樣品臺上、物距13.5 cm、曝光時間3 ms、位移臺移動速度為1.62 mm·s-1。采集的高光譜圖像共477個波段、由于光譜儀在光譜區間邊緣的響應低、噪聲大、剔除了1～20和457～477波段、選取第21～457波段光譜進行分析。

為了克服光源強度在各波段下的不均勻性和采集傳感器暗電流的影響、采集到的高光譜圖像須按照式(1)進行黑白校正。高光譜圖像采集和黑白校正均由高光譜采集軟件Spectracube 2.75b (Spectral Imaging Ltd.,Oulu,Finland)完成。

(1)

式中：I0為校正前高光譜圖像；W為標準白板(Spectralon,Labsphere Inc.、USA)的全白標定圖像；B為蓋上鏡頭蓋并關閉光源之后獲取的全黑標定圖像。高光譜圖像采集和黑白校正均由高光譜采集軟件Spectracube 2.75b (Spectral Imaging Ltd.,Oulu,Finland)完成。

圖2 高光譜成像系統

Fig.2 The hyperspectral imaging system

1：CCD相機； 2：成像光譜儀； 3：鏡頭； 4：暗室； 5：光源； 6：樣品臺； 7：電動位移平臺； 8：位移平臺控制器； 9：電腦

1：CCD camera; 2：Imaging spectrograph; 3：Lens; 4：Dark room; 5：Light source; 6：Sample stage; 7：Electrical moving stage; 8：Moving stage controller; 9：Computer

1.3 特征波段選擇方法

為了正確識別成熟度低的玉米種子、隨機選取70粒成熟度較低的種子、采用如下方法確定特征波段圖像：(1)高光譜圖像做主成分分析、取玉米種子成熟部分和不成熟部分對比最明顯的主成分圖分析權重系數、并按局部最大或最小值的原則選出特征波段； (2)對選出ROI區域的平均光譜進行偏最小二乘回歸分析、取局部最大權重系數所在波段作為特征波段； (3)對選出的ROI區域的光譜進行波段比運算并用KW檢驗求出最優波段比、用選出的最優波段比圖像做后續的圖像分割和識別處理。KW檢驗由Kruskal和Wallis于1952年提出[14]、是一種常用的非參數檢驗法。其變量選擇原理如下[15]

(1) 設N個樣品共分為M類、第k類樣品數量為Nk、特征為Xj。

(2) 對所有樣本的第j個特征值按從小到大排序編號、如果有幾個樣本的某個特征值相同、這幾個樣本則可按順序隨機排號； 如果所有樣本在某個特征下的值全部相等、則KWj直接置為0。

(4) 按如下公式計算第j個特征的統計量KWj

(2)

KWj越大、說明該特征下的類間離差越大、該特征的分類能力越強。

數據處理過程中ROI區域選取和平均光譜計算由ENVI4.6 (Research System Inc.,Boulder、Colo．、USA.)完成,特征波段選取和圖像處理采用Matlab (Version R2012a,The Mathworks Inc.,MA,USA)軟件。

2 結果與討論

2.1 玉米種子不同成熟度區域的光譜分析

如圖3所示、在成熟度較低的玉米種子上選取感興趣區域(10×10像素)并計算平均光譜。每粒種子上取兩個感興趣區域、如圖3左圖所示。虛線所示區域為在種子成熟度較低部分選擇的ROI、實線所示為在種子成熟度較高區域選擇的ROI。在成熟度較低的玉米種子樣本中隨機選取了70粒樣本、右圖中實線為所有樣本中同類型區域光譜平均值、虛線為在平均值的基礎上加或減標準偏差值。從圖中可以看出、成熟度低區域的光譜平均值在所有波段皆高于成熟度較高區域。結合標準偏差分析、在550 nm以前波段、玉米種子成熟度不同的兩類區域的光譜重疊較少、區分度較好。

圖3 種子成熟度高和成熟度低感興趣區域提取及平均光譜

2.2 基于PLSR的特征波段選擇

高光譜圖像數據波段數目較多、在線檢測時獲取的波段數目越多、實時性越低、因此、通過數學方法選擇適于玉米種子成熟度區分的最優波段來進行進一步分析。PLSR能夠解決變量之間的多重相關性和樣本容量過小等問題、是化學領域數據處理的經典算法、在高光譜特征波段選取方面得到了一定的應用[15]。對預先選擇出來的2類ROI平均光譜做PLSR分析、根據回歸系數局部最大或最小的原則選取特征波段。各波段回歸系數如圖4所示、回歸系數最大值位于518 nm、說明該波段在區分種子成熟度高區域和成熟度低區域時貢獻最大、因此、將518 nm灰度圖像(如圖8所示)作為特征波段圖像進行后續的圖像分析。

圖4 各波段PLSR權重系數

2.3 基于主成分分析的特征波段選擇

對第21～457波段(波長為432～981 nm)的高光譜圖像進行主成分分析、選擇玉米種子圖像中成熟度高部分和成熟度低部分的圖像對比最大的主成分圖像進行分析。為了降低背景的影響、首先對玉米種子的高光譜圖進行背景掩模處理。如圖5所示為成熟度較低的玉米種子的前5個主成分圖像、前5個主成分的累積貢獻率為99.9%。比較前5個主成分圖像、PC1和PC2主成分圖像中成熟部分和不成熟部分區分明顯、但在PC2中兩者差異更大。因此選用PC2的權重系數(如圖6所示)進一步分析、采用權重系數局部極大、極小值的方法選取特征波段。如圖8所示、最終選擇波長為501 nm的灰度圖像作為特征波段圖像。

圖5 前五個主成分灰度圖

2.4 最優波段比選擇

波段比圖像分析法是高光譜圖像分析中的常用技術之一、有利于消除由于目標物體表面不平整帶來的光線反射不均勻的影響[16]。從光譜上來看、波段比圖像與光譜斜率有關、其原理為計算圖像中每個像素在2個波段下的強度比。一般來說、成熟度較低的玉米種子靠近種子尖端的部分形態上有一定褶皺從而使光線反射不均勻、波段比圖像分析法可以消除由褶皺帶來的不利影響。分析圖3中成熟度高部分和成熟度低部分的平均光譜、選取兩者平均光譜的斜率差異較大的波段范圍進行波段比分析。在此選取第51～200波段(波長為468～653 nm)、共選取150波段、兩兩組合計算波段比、組合數目共有11 175種。為了尋找最優波段比、對70粒種子ROI區域的平均光譜做KW檢驗、取KW值最大的波段比做為最優波段比。如圖7所示為不同波段比組合下KW值的分布圖、圖中對角線以下部分有多種組合KW值為0、表示當波段比的值只取整數部分時、在這些波段比組合方式下、成熟度高部分和成熟度較低部分的特征值沒有差異。所有波段比數據的最大KW為135.11、該值下波段組合共有11種。分析這11種波段比圖像中成熟度高部分和成熟度較低部分的類間均值差異、取類間均值差異最大的波段比作為最優波段比。最終選擇結果為Band190/Band97(640 nm/525 nm)、其灰度圖像如圖8所示(本研究的波段比值在分析中只取整數部分)。

圖6 第二主成分圖的各波段權重系數

圖7 各波段比光譜數據組合下的KW值分布圖

圖8 501 nm、518 nm和 640 nm/525 nm的單波段灰度圖

2.5 不同成熟度玉米種子圖像處理和識別結果

根據上述特征波段分析結果、選取波長為501和518 nm單波段灰度圖、波段比為640 nm/525 nm的圖像進一步分析。采用閾值分割方法分割波長為501和518 nm的圖像、閾值由最大類間方差法(OTSU法 )確定。波段比圖像采用區域生長法分割、種子點為灰度為0的像素點、圖像處理過程如圖9所示。如 圖10所示為部分種子的分割結果、選取成熟度高和成熟度較低種子各3粒、將分割后的成熟度較低區域與原圖對比發現、單波段灰度圖容易受到來自玉米種子冠部區域的干擾、而波段比圖像可以克服這一缺點。518 nm圖像在采用最大類間方差法確定閾值分割時、分割效果與501 nm相比較差、可能是因為當采用PLSR方法優選光譜時、ROI區域是人工選定、而對圖像做主成分分析時考慮的是整個籽粒的高光譜圖像、種子冠部對結果有一定的干擾。采用波段比方法可以較好地克服來自種子冠部的干擾、分割后的成熟度較低區域與原圖對比、面積比較接近。

圖9 成熟度較低區域檢測流程圖

圖10 不同灰度圖像下分割出來的成熟度較低區域

圖11 各類灰度圖像分割后區域和整個種子區域面積比值

為了驗證成熟度識別方法的可靠性、采用上述方法對864粒玉米種子樣本高光譜圖像進行處理(成熟度高和成熟度低樣本各432粒)、并計算分割后成熟度低區域面積和種子面積的比值。三種圖像分割后面積比值的結果如圖11所示。從圖中可以看出、采用單波段方法分割后成熟度高種子與成熟度低種子的區分度不明顯、而采用波段比方法分割后、以0.3為判別閾值、成熟度較高種子的面積比值絕大部分小于0.3(90.3%)、而成熟度較低種子面積比值大多大于0.3(97.5%)、平均正確識別率為93.9%。采用波段比方法可以較好地區分成熟度不同的種子。

3 結 論

高光譜圖像數據量大、波段之間相關性高、無法直接用于快速在線檢測。本文采用400～1 000 nm波段的高光譜成像技術結合波段比方法檢測玉米種子成熟度。利用選出的波段比圖像對成熟度高和成熟度低的玉米種子樣本進行分類識別、平均正確識別率為93.9%。

PLSR和主成分分析法選出的單波段灰度圖像、在后續分割成熟度較低區域時、容易將種子冠部識別為成熟度低區域、導致樣品的誤識別。而波段比圖像可以較好的克服來自種子冠部的干擾。波段比結合圖像分析方法可以有效識別成熟度較低的玉米種子、為進一步開發在線分級裝備提供了理論方法和依據。

[1] ZHAO Xia,WANG Xiao-xing,HUANG Rui-dong,et al(趙 霞、王小星、黃瑞冬、等). Journal of Maize Sciences(玉米科學),2012,20(4): 95.

[2] SUN Qun,WANG Jian-hua,SUN Bao-qi(孫 群、王建華、孫寶啟). Scientia Agricultura Sinica,2007,40(1): 48.

[3] WANG Hong-wei,DONG Jia-li(王宏偉、董家利). Seed Science & Technology(種子科技)、2007,3: 42.

[4] Tekrony D,Egli D. Basic and Applied Aspects of Seed Biology,1997、30: 369.

[5] Knittle K,Burris J. Crop Science,1976,16(6): 851.

[6] Hunter J,TeKrony D,Miles D,et al. Crop Science,1991,31(5): 1309.

[7] TeKrony D,Hunter J. Crop Science,1995,35: 857.

[8] SHI Hai-chun,KE Yong-pei,FU Ti-hua、et al(石海春、柯永培、傅體華、等). Journal of Sichuan Agricultural University(四川農業大學學報),2006,24(3): 269.

[9] WANG Zhong-xiao,DU Cheng-gui,WANG Qing-cheng(王忠孝、杜成貴、王慶成). Shandong Agricultural Sciences(山東農業科學)1986,4: 36.

[10] Santos C,Dalpasquale V,Scapim C et al. Brazilian Archives of Biology and Technology,2005,48(2): 161.

[11] YANG Jin-zhong,ZHANG Hong-sheng,SONG Xi-yun、et al(楊錦忠、張洪生、宋希云、等). Journal of Maize Sciences(玉米科學),2011,19(2): 148.

[12] Ma Y,Huang M,Yang B et al. Computers and Electronics in Agriculture,2014,106: 102.

[13] Fox G,Manley M. Journal of the Science of Food and Agriculture,2014,94(2): 174.

[14] Kruskal W,Wallis W. Journal of the American Statistical Association、1952,47(260): 583.

[15] SHENG Li-dong(盛立東). Introduction to Pattern Recognition(模式識別導論). Beijing: Beijing University of Posts and Telecommunications Press(北京：北京郵電大學出版社),2010. 239.

[16] Liu D,Sun D,Zeng X. Food and Bioprocess Technology,2014,7(2): 307.

[17] CAI Jian-rong,WANG Jian-hei,CHEN Quan-sheng、et al(蔡健榮、王建黑、陳全勝、等). Transactions of the Chinese Society of Agricultural Engineering(農業工程學報),2009,25(1): 127.

*Corresponding author

Study on Identification of Immature Corn Seed Using Hyperspectral Imaging

YANG Xiao-ling,YOU Zhao-hong,CHENG Fang*

College of Biosystems Engineering and Food Science,Zhejiang University,Hangzhou 310058,China

The seed maturity,which is one of the important factors that affect seed vigor,is an important quality index. During seed sorting,separating mature seeds from immature seeds can improve the vigor of seed lot and keep vigor consistency. Hyperspectral imaging that covered the range of 400～1 000 nm was used to find out the sensitive bands reflecting corn seed maturity,and corresponding images were employed to classify the immature corn seeds. Principal component analysis (PCA) algorithm was adopted to analyze the hyperspectral image. PC2 of PCA had the greatest difference between immature and mature areas on the seeds,therefore,the weighted coefficients of PC2 was selected to extract sensitive wavebands (501 nm). Regions of interest (ROI) from mature and immature area of 70 immature kernels was selected for mean spectra calculation. Partial least square regression (PLSR) algorithm was employed to analyze the spectra of ROI and extract wavelength related to maturity (518 nm). Band ratio algorithm and Kruskal-Wallis test were used to select the best band ratio that had the biggest difference between mature and immature areas (640 nm/525 nm). 864 kernels of corn seed were analyzed by gray images of the selected wavelengths as well as band ratio images. Results showed that the light color regions of the seed crown were misidentified as immature region when the images of selected single band wavelengths were used,while the band ratio image of 640 nm/525 nm could be identified correctly. The immature seeds can be separated from the mature seeds according to the area ratio of segmented immature region to the whole kernel. The correct recognition rate was 93.9%. Using the grey images of selected band ratio can differentiate immature corn seeds from mature seeds effectively,which provide a theoretical reference for the development of seed sorting device in further work.

Corn seed; Precision planting; Hyperspectral imaging; Maturity; Band ratio; Kruskal-Wallis test

Aug. 18,2015; accepted Dec. 9,2015)

2015-08-18、

2015-12-09

國家自然科學基金項目(61573309)資助

楊小玲、1980年生、浙江大學生物系統工程與食品科學學院博士研究生 e-mail: feeling998@126.com *通訊聯系人 e-mail: fcheng@zju.edu.cn

S123; TP391.4

A

10.3964/j.issn.1000-0593(2016)12-4028-06