[發明專利]一種基于多分類器的玉米品種真偽鑒別方法和鑒別系統

在審

• 申請號: 202010947320.3
• 申請日: 2020-09-10
• 公開（公告）號: CN111931700A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 石禮娟;謝新港;彭明霞
• 申請（專利權）人: 華中農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06T5/00;G06T7/41;G06T7/62;G06N20/00
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 崔友明

1.一種基于多分類器的玉米品種真偽鑒別方法，其特征在于：包括以下步驟：

S1：采集目標玉米籽粒的彩色圖像；

S2：對彩色圖像進行包括灰度化、去噪、二值化的預處理；

S3：從步驟S1和步驟S2得到的圖像中分別提取玉米籽粒的包括顏色特征、形狀特征和紋理特征的表型特征參數；

S4：將表型特征參數作為自變量，輸入到預設品種的已經訓練好的包括KNN分類器、神經網絡分類器和支持向量機分類器的分類器中，根據輸出結果投票決定目標玉米籽粒是否屬于預設品種。

2.根據權利要求1所述的鑒別方法，其特征在于：所述的步驟S2中，具體步驟為：

S21：利用灰度化公式將彩色圖像轉化為灰度圖像；

S22：自定義加權均值濾波模板對灰度圖像濾波，對灰度圖像去噪；

S23：使用最大類間方差法進行基于直方圖的自動的非參數非監督的閾值選擇，并根據閾值對灰度圖進行二值化操作得到二值圖像。

3.根據權利要求2所述的鑒別方法，其特征在于：所述的步驟S23中，二值化閾值為105。

4.根據權利要求2所述的鑒別方法，其特征在于：所述的步驟S3中，玉米籽粒的紋理特征包括：

基于灰度圖像獲取45度方向上的灰度共生矩陣；

基于灰度共生矩陣計算灰度共生矩陣元素值的平方和獲取能量參數值；

基于灰度共生矩陣計算圖像灰度級集合的比特平均數獲取熵的值；

基于灰度共生矩陣計算慣性矩；

基于灰度共生矩陣計算相關性。

5.根據權利要求2所述的鑒別方法，其特征在于：所述的步驟S3中，玉米籽粒的形狀特征包括：

基于二值圖像獲取玉米籽粒區域內包含的所有像素個數，用于確定目標玉米籽粒的面積；

基于二值圖像獲取玉米籽粒區域面積相等的圓的直徑，用于確定目標玉米籽粒的直徑；

基于二值圖像獲取玉米籽粒區域外輪廓線的長度，用于確定目標玉米籽粒的周長；

根據面積和直徑計算玉米籽粒形狀接近圓的程度，用于確定目標玉米籽粒的圓形度；

基于二值圖像獲取玉米籽粒區域的長和寬，用于確定目標玉米籽粒的橢圓度和延伸度。

6.根據權利要求1所述的鑒別方法，其特征在于：所述的步驟S3中，玉米籽粒的顏色特征包括：基于彩色圖像獲取RGB各分量和HSV各分量；

RGB各分量中，根據彩色圖像的R分量值確定R分量的一階矩、二階矩、偏度、峰值；根據彩色圖像的G分量值確定G分量的一階矩、二階矩、偏度、峰值；根據彩色圖像的B分量值確定B分量的一階矩、二階矩、偏度、峰值；

HSV各分量中，根據彩色圖像的H分量值確定H分量的一階矩、二階矩、偏度、峰值；根據彩色圖像的S分量值確定S分量的一階矩、二階矩、偏度、峰值；根據彩色圖像的V分量值確定V分量的一階矩、二階矩、偏度、峰值。

7.根據權利要求1所述的鑒別方法，其特征在于：所述的步驟S4中，KNN分類器分類的具體步驟為：根據已經審定的玉米品種的樣本采集的圖像獲取的特征參數，構建預設品種的相應的標準特征參數數據庫；通過交叉驗證確定K的值為10；計算目標玉米籽粒的表型特征參數與標準特征參數數據庫中每個樣本的歐氏距離，若最近的K個樣本類型都是預設品種則輸出1，若最近的K個樣本類型不都是預設品種則輸出0。

8.根據權利要求1所述的鑒別方法，其特征在于：所述的步驟S4中，神經網絡分類器分類的具體步驟為：根據已經審定的玉米品種的樣本采集的圖像獲取的特征參數，構建預設品種的相應的標準特征參數數據庫；建立神經網絡模型，構建的神經網絡分類器的層數為3層，分別為輸入層、隱藏層、輸出層；輸入層的節點數為37，隱藏層的節點數為100，輸出層的節點數為1；輸出層輸出的結果為0或1；訓練神經網絡模型，保存模型參數。