摘要
水稻是我国主要粮食作物之一。稻谷识别是成熟期水稻表型性状检测（主要为考种）的基本内容，其中，快速准确识别实粒与空秕粒以及不同的稻谷品种是稻谷识别问题的两个主要内容，也是水稻研究工作中的难点。目前，在稻谷识别过程中，主要采用人工测量方法获取信息，传统人工检测严重阻碍了水稻育种和栽培等相关研究的发展。因此，亟需发展一种快速有效的稻谷识别方法，这对水稻育种和栽培研究的发展，尤其是高通量作物表型检测技术的推广具有重要的理论意义和实际应用价值。 针对稻谷实粒与空秕粒识别和品种识别问题，本文提出一种基于机器视觉的稻谷识别算法，以提高识别的准确率和效率，为实现水稻智能化考种提供基础支撑。根据稻谷实粒与空秕粒的差异以及不同品种间的差别，研究谷粒参数特征提取方法，基于单因素方差分析和多重比较法分析稻谷的特征差异；构建特征模型及分类器模型，分析不同特征和分类器对识别效果的影响，选择有效的特征模型和分类器模型。基于机器视觉的稻谷识别方法进行识别性能检验，验证系统的稳定性及鲁棒性。主要研究内容和结论如下： （1）基于机器视觉的稻谷实粒与空秕粒识别研究 根据稻谷实粒与空秕粒在形状、颜色和纹理结构上的差异，本文提取了稻谷的7个形状特征、15个颜色特征和16个纹理特征，建立单特征模型和融合特征模型，构建SVM分类器，进行稻谷实粒与空秕粒识别试验，并进行了模型选择和讨论以及识别性能检验。结果表明，基于特征融合和SVM的稻谷实粒与空秕粒识别获得了较高的准确率98.90%和较短的识别时间0.056s，其中，形状特征和颜色特征具有较好的识别能力；针对3种不同分类器（BP神经网络、AdaBoost和SVM）模型中，SVM识别模型准确率最高98.90%且时间最短0.053s；不同含水率的识别效果较好，不同粒型的稻谷识别率达98%以上且时间在0.1s以内，系统鲁棒性较好。 （2）基于机器视觉的稻谷品种识别研究 根据不同品种稻谷图像特点，提取稻谷的形状特征和颜色特征，建立单特征模型和融合特征模型，构建SVM分类器，进行稻谷品种识别试验，并进行了模型选择和讨论以及识别性能检验。结果表明，两两品种差异性显著的6个形状特征参数为：面积、长轴长、短轴长、离心率、周长和圆形度；形状特征模型对于不规则的形状和大小的谷粒品种具备较好的识别能力；与BP神经网络识别模型相比，SVM模型的识别率更高、时间更短；基于特征融合和SVM的稻谷品种识别获得了较高的准确率99.50%和较短的识别时间0.165s；同一粒型的稻谷品种识别效果较理想，系统鲁棒性较好。
NETL