基于圖譜特征的番茄種子活力檢測(cè)與分級(jí)

彭彥昆 趙 芳 白 京 鄭曉春 王文秀 孫 群

(1.中國農(nóng)業(yè)大學(xué)工學(xué)院， 北京 100083； 2.中國農(nóng)業(yè)大學(xué)農(nóng)學(xué)院， 北京 100094)

0 引言

番茄種植的精準(zhǔn)定量播種，對(duì)其種子的質(zhì)量要求較高[1]。以往評(píng)價(jià)種子的指標(biāo)主要有發(fā)芽率、凈度、純度與質(zhì)量等。近年來，種子活力得到了農(nóng)業(yè)生產(chǎn)工作者的重視，種子活力是種子發(fā)芽率、出苗率、幼苗生長的潛勢(shì)、植株抗逆能力和生產(chǎn)潛力的總和，是全面衡量種子質(zhì)量狀況的一個(gè)指標(biāo)[2]。目前檢測(cè)種子活力的方法主要有發(fā)芽試驗(yàn)、生物化學(xué)法、組織化學(xué)法、軟X射線法以及熒光分析法[3]。很多研究表明[4-6]，發(fā)芽指數(shù)和活力指數(shù)等幼苗生長指標(biāo)比較可信，尤其是活力指數(shù)，能夠反映發(fā)芽速率、發(fā)芽總數(shù)、植物幼苗的生長勢(shì)，可以在多方面研究上應(yīng)用。但這些方法所需測(cè)定時(shí)間較長，且都需要破壞種子結(jié)構(gòu)品質(zhì)，不能滿足農(nóng)業(yè)生產(chǎn)對(duì)種子活力檢測(cè)快速、準(zhǔn)確、無損的要求。

近年來，應(yīng)用圖像處理技術(shù)對(duì)種子品質(zhì)進(jìn)行分級(jí)受到了很多研究者的關(guān)注，但主要集中在利用圖像中的物理特征值直接對(duì)種子外部品質(zhì)進(jìn)行評(píng)定分級(jí)[7-11]。陳兵旗等[8]利用稻種圖像的面積和寬長比作為特征參數(shù)，將等價(jià)矩形長、寬的最小差值作為標(biāo)準(zhǔn)，識(shí)別發(fā)霉和破損種子，正確率為76.8%～100%。彭江南等[9]利用圖像中棉籽的R(red)、G(green)、B(blue)、H(hue)、S(saturation)、B(brightness)和灰度以及物理指標(biāo)對(duì)種子進(jìn)行快速分選，棉籽發(fā)芽率可以由89%提高至95%。利用近紅外光譜技術(shù)對(duì)種子內(nèi)部品質(zhì)檢測(cè)的研究也逐漸增多[12-13]。耿立格等[13]采集不同年限的大豆種子的近紅外光譜信息，建立了其生活力的無損測(cè)定模型，校正集的判定系數(shù)為0.937，驗(yàn)證集判定系數(shù)為0.902。光譜成像技術(shù)能同時(shí)獲取研究對(duì)象的空間信息和光譜信息，開始逐步應(yīng)用于種子的品種分類及品質(zhì)分析[14-15]，許思等[15]利用高光譜圖像技術(shù)對(duì)不同老化程度的水稻種子進(jìn)行判別分析，采用連續(xù)投影算法挑選的特征波長建立的定性分析模型，其預(yù)測(cè)集的判別正確率能達(dá)到98.75%。

上述研究為利用圖像處理技術(shù)和光譜檢測(cè)技術(shù)檢測(cè)種子質(zhì)量提供了理論基礎(chǔ)和方法依據(jù)，但研究對(duì)象主要集中在大豆、水稻等大顆粒種子的活力研究上。目前對(duì)番茄種子活力檢測(cè)及分級(jí)的研究鮮有報(bào)道。本研究意在獲取番茄種子的圖像信息和光學(xué)信息，綜合分析番茄種子不同波長下的圖像，確定與種子活力相關(guān)的最佳波長并提取番茄種子圖像及其特征值，解析其特征值與種子活力的關(guān)系，求取與種子活力相關(guān)的種子圖像特征值的最佳閾值，進(jìn)一步對(duì)種子進(jìn)行分級(jí)驗(yàn)證。

1 材料與方法

1.1 試驗(yàn)材料與設(shè)備

本試驗(yàn)共隨機(jī)選用170粒番茄種子，每粒種子單獨(dú)為一份樣本，品種為“奇奇”櫻桃番茄，購自北京市博收種子有限公司。將樣本按照一定比例隨機(jī)劃分為校正集和驗(yàn)證集，校正集為128粒樣本，驗(yàn)證集為42粒樣本。所選種子粒型有扁橢圓形、圓形、橢圓形等。將樣品放置在(24±2)℃恒溫環(huán)境下，并保持環(huán)境濕度恒定，用于后續(xù)圖像采集以及種子活力的測(cè)定。

本研究使用實(shí)驗(yàn)室自主研發(fā)的高光譜試驗(yàn)系統(tǒng)[16]采集樣本的高光譜反射圖像。系統(tǒng)主要由高性能背照明CCD相機(jī)、行掃描光譜攝制儀、鹵鎢燈直流線光源(Oriel instruments)、圖像采集卡和控制計(jì)算機(jī)組成。相機(jī)分辨率為1 376像素×1 040像素，光譜儀的光譜范圍是400～1 100 nm。為排除外界光的干擾，試驗(yàn)時(shí)將系統(tǒng)放置在體積為450 mm×600 mm×750 mm鋁合金支架組成的暗箱中。

1.2 試驗(yàn)方法

將所有樣本標(biāo)號(hào)并均勻平鋪在黑色背景板上，利用高光譜圖像采集系統(tǒng)獲取番茄種子的高光譜圖像，該圖像包含了種子表面的圖像信息和光譜反射信息[17]。由于不確定樣本種子的活力，故按照標(biāo)準(zhǔn)發(fā)芽試驗(yàn)對(duì)采集過高光譜圖像之后的種子進(jìn)行發(fā)芽試驗(yàn)，測(cè)定種子活力。根據(jù)最終試驗(yàn)觀察結(jié)果，將可以發(fā)芽的種子歸為合格種子，將不能發(fā)芽的種子歸為不合格種子。

本研究是基于圖像處理技術(shù)提取種子區(qū)域的大小、形狀、顏色特征值，與標(biāo)準(zhǔn)方法得到的樣本活力分級(jí)相結(jié)合，利用校正集尋求相關(guān)閾值，然后利用驗(yàn)證集對(duì)該閾值進(jìn)行校對(duì)判斷分級(jí)。具體試驗(yàn)方法思路如圖1所示。

圖1 分級(jí)方法的建立過程Fig.1 Establishment process of classification method

1.3 數(shù)據(jù)處理

1.3.1特征波長圖像選取

為了提取與種子活力相關(guān)的圖像信息，需在獲取的大量光譜信息中提取特征波長。光譜信息之間存在大量的冗余和共線性信息特征，對(duì)光譜有效信息的提取產(chǎn)生了較大的干擾，且大量光譜數(shù)據(jù)造成模型復(fù)雜、計(jì)算量大的問題[18]。連續(xù)投影算法(Successive projections algorithm, SPA)是一種特征變量前向選擇算法，在光譜特征波長中取得了廣泛的應(yīng)用[19]。本文采用SPA提取特征波長，從光譜變量矩陣中找出冗余信息最少的變量，從而提取該特征波長下的圖像信息。

1.3.2圖像預(yù)處理及種子輪廓提取

利用ENVI軟件提取上述特征波長下的圖像信息圖。為了提取番茄種子的圖像特征值，本文首先對(duì)原始圖像進(jìn)行雙邊濾波，二值化和形態(tài)學(xué)變換等預(yù)處理。雙邊濾波法作為一種非線性的濾波方式，可以達(dá)到保留邊緣信息去除噪聲的目的[20-21]。本文采用大津法對(duì)平滑后的圖像進(jìn)行二值化處理。大津法能根據(jù)圖像灰度分布情況，自動(dòng)計(jì)算出分割閾值，提高算法的適應(yīng)性[22]。由于采集到的圖像中均有多個(gè)種子，且種子的灰度各不相同，故為保證每個(gè)種子圖像經(jīng)過二值化處理后得到較為準(zhǔn)確結(jié)果，采用掩膜方法，定位種子位置，并通過計(jì)算得到窗口大小后通過窗口移動(dòng)的方式，單獨(dú)對(duì)種子進(jìn)行大津法處理圖像。形態(tài)學(xué)變換通過對(duì)圖像進(jìn)行腐蝕、膨脹處理，可以有效去除細(xì)小雜質(zhì)輪廓，提取到種子圖像輪廓[23]。本文利用輪廓算法[24]對(duì)經(jīng)過預(yù)處理后的圖像中每粒種子的大小、形狀特征值進(jìn)行提取。

1.3.3特征參數(shù)計(jì)算

對(duì)采集到的圖像進(jìn)行特征提取，主要提取種子的面積、圓形度、灰度，提取之前，需要對(duì)每幅圖像中每粒種子進(jìn)行區(qū)域標(biāo)記，將各個(gè)種子區(qū)分開來，從而提取各個(gè)連接成分的特征參數(shù)[25]。提取面積特征值時(shí)，統(tǒng)計(jì)標(biāo)記輪廓內(nèi)像素點(diǎn)的個(gè)數(shù)作為每粒種子面積特征值。番茄種子區(qū)域的圓形度刻畫的是其與圓形的偏離程度,通過面積和周長確定，其中種子周長為提取的種子輪廓長度。計(jì)算公式為

C=4πA/p2

(1)

式中C——種子圓形度

A——種子區(qū)域面積，像素

p——種子區(qū)域周長，像素

提取灰度平均值時(shí)，為去除邊緣灰度不準(zhǔn)確的影響，選擇每粒種子特征區(qū)域?yàn)榉N子內(nèi)部最大內(nèi)切圓的區(qū)域，提取其灰度平均值。

1.3.4閾值的確定

以種子發(fā)芽試驗(yàn)的活力分級(jí)結(jié)果為基礎(chǔ)，具體尋求閾值步驟如下：

(1)按照發(fā)芽試驗(yàn)種子將合格種子與不合格種子各個(gè)特征值區(qū)分開，并分別求取平均值。

(2)單獨(dú)取閾值，對(duì)灰度來說，選取不合格種子灰度平均值為閾值，計(jì)算校正集判別正確率，依次提高或減小閾值，依據(jù)統(tǒng)計(jì)學(xué)規(guī)律，得到閾值在某一個(gè)值情況下，合格種子與不合格種子判別正確率均最高。面積閾值依此求取。

(3)番茄種子圓形度基本都接近于1，不合格種子與合格種子未有明顯特征，故選擇圓形度最小值作為閾值，以期去除其他雜質(zhì)影響。

(4)將3個(gè)特征參數(shù)結(jié)合，驗(yàn)證集中種子圓形度小于閾值的為不合格種子，其他2個(gè)特征值均需小于其閾值才被判斷為不合格種子。

綜合閾值分級(jí)算法如圖2所示。

圖2 綜合閾值分級(jí)算法Fig.2 Classification algorithm of integrated thresholds

2 結(jié)果與討論

2.1 活力測(cè)定結(jié)果

根據(jù)種子本身發(fā)芽結(jié)果特性，得到樣本中有無活力種子的分布結(jié)果。其中校正集128粒種子中有97粒為有活力種子，所占比例為75.78%；而驗(yàn)證集42粒種子中有31粒為有活力種子，所占比例為73.81%。由此得出兩類集合中不同級(jí)別的種子分布比較均勻。

2.2 特征波長下的圖像

圖3為番茄種子的反射光譜圖。由圖中光譜曲線可知，在采集光譜波段范圍內(nèi)，種子的光譜曲線趨勢(shì)相同，但不同種子同一波長下反射強(qiáng)度不同，不能確定代表種子活力信息的波長，因此需要確定與種子活力相關(guān)的特征波長。

圖3 光譜反射強(qiáng)度曲線Fig.3 Reflectance intensity curves of spectra

本研究中將合格種子理化值賦值為2，不合格種子理化值賦值為1。由于波段較多，因此進(jìn)行SPA計(jì)算時(shí)，以建模集樣本的光譜數(shù)據(jù)和類別賦值為輸入，將光譜數(shù)據(jù)分成幾個(gè)波段分別計(jì)算。變量數(shù)為運(yùn)用SPA算法選擇的與預(yù)測(cè)結(jié)果相關(guān)性最大的特征波長選擇數(shù)量。圖4為其中某一個(gè)波段計(jì)算結(jié)果。圖4a為該波段下選擇的特征波長具體位置，即在該波段范圍內(nèi)選擇的特征波長為4個(gè)，分別為577、595、654、684 nm。圖4b為變量個(gè)數(shù)與均方根誤差的關(guān)系，可以看到變量數(shù)在1～4范圍內(nèi)，均方根誤差隨著變量數(shù)的增加其下降趨勢(shì)很大，表明種子反射光譜變量應(yīng)該至少選擇4個(gè)以免產(chǎn)生過擬合問題；且第4個(gè)變量之后保持平緩，均方根誤差為0.164 1，故在這個(gè)波段選擇4個(gè)特征波長。SPA算法優(yōu)先選擇了10個(gè)波長，分別為：535、577、595、654、684、713、744、768、809、840 nm。

圖4 555～700 nm下的波長選擇Fig.4 Wavelength selection under 555～700 nm

利用ENVI軟件提取特征波長下的圖像信息，如圖5所示為部分試驗(yàn)種子分別在上述10個(gè)特征波長下的原始圖像。

圖5 各個(gè)特征波長下的原始圖像Fig.5 Original images under different characteristic wavelengths

2.3 圖像預(yù)處理及輪廓提取結(jié)果

由圖5可以看出不同特征波長下原始圖像并不相同，但不能確定最優(yōu)波長下的圖像。采用1.3.2節(jié)所述的預(yù)處理方法對(duì)原始圖像進(jìn)行去噪處理，其結(jié)果如圖6所示。圖6a為采集得到的712.58 nm特征波長下的60粒種子的原始圖像，為去除其中的噪聲，利用雙邊濾波法對(duì)圖像進(jìn)行平滑預(yù)處理，其效果如圖6b所示。采用大津法對(duì)平滑后的圖像中的單粒種子進(jìn)行二值化處理，其效果如圖6c所示。由圖6c可以看出，經(jīng)過預(yù)處理后的圖像，可以較優(yōu)質(zhì)地保存圖像的邊緣信息，并且能夠去除其中一些噪聲，但是種子區(qū)域外一些其他雜質(zhì)輪廓并未去除，種子區(qū)域內(nèi)的孔洞也沒有填充。所以再采用形態(tài)學(xué)變換中的開運(yùn)算對(duì)種子輪廓內(nèi)部填充[26]，去除孔洞，圖6d為形態(tài)學(xué)變換后種子區(qū)域提取效果圖。

圖6 圖像預(yù)處理結(jié)果Fig.6 Results of image processing

由提取輪廓圖像(圖6d)可以看出經(jīng)過預(yù)處理后的圖像，若雜質(zhì)面積像素?cái)?shù)與種子面積像素?cái)?shù)相近，則易被誤判做種子區(qū)域，造成種子輪廓提取不準(zhǔn)確。且種子區(qū)域提取過程中若種子顏色過暗，面積過小，也會(huì)造成提取該種子輪廓不準(zhǔn)確。在獲取的圖像中提取得到每個(gè)種子區(qū)域(圖6d)后，利用輪廓算法[24]準(zhǔn)確、快速提取其輪廓線，如圖7所示。

圖7 種子區(qū)域輪廓圖像Fig.7 Contour plot of seed section

2.4 特征參數(shù)計(jì)算結(jié)果

依據(jù)前面所述算法處理各個(gè)特征波長下圖像的過程中，各個(gè)圖像灰度不相同，運(yùn)用大津法二值化處理圖像時(shí)，得到每粒種子的二值化圖像不盡相同。隨之進(jìn)行的形態(tài)學(xué)變換處理不能彌補(bǔ)二值化圖像區(qū)別，故不同特征波長下圖像特征值提取也不相同。對(duì)校正集中128粒種子，按照標(biāo)準(zhǔn)發(fā)芽試驗(yàn)得到的結(jié)果，對(duì)不同特征波長下的圖像，分別提取合格種子和不合格種子的各個(gè)特征值的平均值，其結(jié)果如表1所示。由表1可知，對(duì)各個(gè)波長下圖像提取種子特征值，2類種子的面積平均值和灰度平均值均有較大差別，在閾值分類時(shí)灰度平均值所占比例較大，而2類種子的圓形度平均值差別不大，故圓形度參數(shù)在閾值分類時(shí)所占比例較小。

表1 不同特征波長下的圖像特征值提取結(jié)果Tab.1 Results of image features extraction under different characteristic wavelengths

2.5 特征值閾值選取

按照表1中2類種子的圖像特征值提取結(jié)果平均值，基于統(tǒng)計(jì)學(xué)規(guī)律，按照閾值尋求方法，遵循驗(yàn)證集中2類種子判斷正確率最高的原則，分別確定各個(gè)特征值的閾值，其中圓形度閾值選擇時(shí)，因種子圓形度基本接近，故選擇樣本中種子圓形度最小值，以去除其他不規(guī)則雜質(zhì)影響。以713 nm特征波長下選取最佳灰度閾值為例，其變化引起樣本校正集、驗(yàn)證集識(shí)別正確率的規(guī)律如圖8所示，最終依據(jù)閾值選取方法選取的不同特征波長下各個(gè)特征值閾值結(jié)果如表2所示。

圖8 713 nm特征值下灰度的最佳閾值選擇Fig.8 Selection of accurate grey value thresholds in 713 nm wavelength

特征波長/nm面積閾值/像素圓形度閾值灰度閾值53544.500.9660.0057748.400.9661.0059546.500.9672.0065448.600.9687.0068449.600.9693.0071351.600.9692.0074453.600.9676.0076852.600.9672.0080951.500.9668.0084051.500.9667.00

2.6 閾值判斷分級(jí)結(jié)果

利用本研究算法計(jì)算的3個(gè)特征值的閾值將種子進(jìn)行綜合判別分類，分級(jí)完成后，不同活力種子的圖像主要區(qū)別為：合格種子圖像灰度平均值要高于不合格種子，亮度較高，且合格種子面積要大于不合格種子。將本研究算法計(jì)算的不同特征波長下圖像的分級(jí)結(jié)果與標(biāo)準(zhǔn)發(fā)芽試驗(yàn)檢測(cè)番茄種子活力分級(jí)結(jié)果相比對(duì)，獲得檢測(cè)分級(jí)正確率如表3所示。其中，在特征波長713 nm下，校正集和驗(yàn)證集檢測(cè)分級(jí)正確率綜合最高，分別為93.75%和90.48%。

表3 不同波長下閾值分級(jí)統(tǒng)計(jì)結(jié)果Tab.3 Classification results of threshold under different wavelengths

2.7 討論

灰度是用黑色調(diào)表示顏色的濃烈程度，也可稱之為顏色的飽和度。種子中蛋白質(zhì)、水分、酶等物質(zhì)的含量與種子能否發(fā)芽具有較大關(guān)系，種子中該物質(zhì)的含量影響特定波長下光的吸收，從而影響反射的灰度。采用高光譜技術(shù)檢測(cè)種子質(zhì)量的研究中主要是利用了高光譜圖像中的光譜信息[14-15]，而本研究主要利用了特征波長下圖像信息，確定各個(gè)特征波長下圖像特征值的閾值，在713 nm特征波長下，其分類正確率能夠達(dá)到90.48%，且有利于簡易、低成本的基于圖譜特征的種子活力分級(jí)設(shè)備的研發(fā)。本研究的對(duì)象為小顆粒的番茄種子，以上結(jié)果表明可以利用高光譜成像技術(shù)快速準(zhǔn)確地鑒別番茄種子的活力，為小顆粒種子活力的無損快速識(shí)別提供一種方法。為了滿足實(shí)際生產(chǎn)需要，未來還需對(duì)在線狀態(tài)下的種子圖像的動(dòng)態(tài)采集和活力判別進(jìn)行分析研究與驗(yàn)證。

3 結(jié)束語

利用高光譜技術(shù)對(duì)單粒番茄種子活力的檢測(cè)及分級(jí)進(jìn)行了研究。采用SPA特征波長提取方法提取得到與種子活力相關(guān)的10個(gè)特征波長，并利用該波長下的圖像特征值對(duì)種子活力進(jìn)行預(yù)判，有8個(gè)特征波長下判斷的正確率達(dá)到85%以上，表明用SPA的方法提取番茄種子活力特征波長是可行的?；诮y(tǒng)計(jì)學(xué)選取特征波長圖像特征值的閾值，試驗(yàn)結(jié)果表明，當(dāng)713 nm特征波長下的圖像中番茄種子的面積平均值、圓形度平均值及灰度平均值的閾值分別選取為51.6像素、0.96和92時(shí)，活力分級(jí)結(jié)果最高，其校正集和驗(yàn)證集的識(shí)別正確率分別為93.75%和90.48%，表明利用該波長下圖像的特征值可以有效地區(qū)分有活力種子與無活力種子。本研究結(jié)果為基于圖譜特征的番茄種子活力快速無損分級(jí)設(shè)備的開發(fā)奠定了理論基礎(chǔ)。

1 李會(huì)合.蔬菜品質(zhì)的研究進(jìn)展[J].北方園藝，2006(4)：55-56.

LI Huihe. Research progress of tomato quality [J]. Northern Horticulture, 2006(4): 55-56. (in Chinese)

2 劉毓俠，王鐵固.種子活力研究進(jìn)展[J].玉米科學(xué)，2012，20(4)：90-94.

LIU Yuxia, WANG Tiegu. Research progress of seed vigor [J]. Journal of Maize Sciences, 2012, 20(4): 90-94. (in Chinese)

3 HAMPTON J G, TeKRONY D M. Handbook of vigour test methods[M]. Zurich. Switzerland:International Seed Testing Association, 1995: 70-80.

4 陳蕾太，孫愛清，楊敏，等.基于小麥種子發(fā)芽逆境抗逆指數(shù)的種子活力評(píng)價(jià)[J].應(yīng)用生態(tài)學(xué)報(bào)，2016，27(9)：2968-2974.

CHEN Leitai, SUN Aiqing, YANG Min, et al. Seed vigor evaluation based on adversity resistance index of wheat seed germination under stress conditions[J]. Chinese Journal of Applied Ecology, 2016, 27(9): 2968-2974. (in Chinese)

5 鄭文寅，姚大年，張文明.大豆種子活力評(píng)定指標(biāo)的研究[J]. 種子，2007，26(12)：70-73.

ZHENG Wenyin, YAO Danian, ZHANG Wenming. Study on seed vigor indexes of soybean [J]. Seed, 2007, 26(12): 70-73. (in Chinese)

6 智慧，陳洪斌，凌莉.加速老化法測(cè)定谷子種子活力的研究[J].中國農(nóng)業(yè)科學(xué)，1999,32(3)：68-73.

ZHI Hui, CHEN Hongbin, LING Li. Studies on accelerated aging seed vigor test for foxtail millet [J]. Scientia Agricultura Sinica, 1999,32(3): 68-73. (in Chinese)

7 ZHANG Wenchang, MEI Jiangping, DING Yabin. Design and development of a high speed sorting system based on machine vision guiding [J]. Physics Procedia, 2012, 335(3): 1955-1965.

8 陳兵旗，孫旭東，韓旭，等.基于機(jī)器視覺的水稻種子精選技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(7)：168-173.

CHEN Bingqi, SUN Xudong, HAN Xu, et al. Rice seeds selection based on machine vision [J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(7): 168-173. (in Chinese)

9 彭江南，謝宗銘，楊麗明，等.基于Seed Identification軟件的棉籽機(jī)器視覺快速精選[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(23)： 147-152.

PENG Jiangnan, XIE Zongming, YANG Liming, et al. Quickly selection for cotton seed based on Seed Identification software [J]. Transactions of the CSAE, 2013, 29(23): 147-152. (in Chinese)

10 DELL’ A A. Red-green-blue (RGB) color density as a non-destructive marker in sorting deteriorated lentil seeds [J]. Seed Science and Technology, 2006, 34(3): 609-619.

11 PEIRIS K H S, PUMOHREY M O, DONG Y H, et al. Near-infrared spectroscopic method for identification of fusarium head blight damage and prediction of deoxynivalenol in single wheat kernels [J]. Cereal Chemistry, 2010, 87(6): 511-517.

12 呂程序，姜訓(xùn)鵬，張銀橋，等.基于變量選擇的小麥粗蛋白含量近紅外光譜檢測(cè)[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(增刊)：340-346. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=2016s052&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.S0.052.

Lü Chengxu, JIANG Xunpeng, ZHANG Yinqiao, et al. Variable selection based near infrared spectroscopic quantitative analysis on wheat crude protein content [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(Supp.): 340-346. (in Chinese)

13 耿立格，宋春風(fēng)，王麗娜，等.近紅外光譜無損測(cè)定大豆種子生活力方法研究[J].植物遺傳資源學(xué)報(bào)，2013，14(6)：1208-1212.

GENG Lige, SONG Chunfeng, WANG Lina, et al. Non-destructive determination of soybean seed viability by near-Infrared spectroscopy [J]. Journal of Plant Genetic Resources, 2013, 14(6): 1208-1212. (in Chinese)

14 孫俊，路心資，張曉東，等.基于高光譜圖像的紅豆品種GA-PNN神經(jīng)網(wǎng)絡(luò)鑒別[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016， 47(6)：215-221.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160628&flag=1.DOI:10.6041/j.issn.1000-1298.2016.06. 028.

SUN Jun, LU Xinzi, ZHANG Xiaodong, et al. Identification of red bean varity with prohahilistic GA-PNN based on hyperspectral imaging [J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(6): 215-221. (in Chinese)

15 許思，趙光武，鄧飛，等.基于高光譜的水稻種子活力無損分級(jí)檢測(cè)[J].種子，2016，35(4)：34-40.

XU Si, ZHAO Guangwu, DENG Fei, et al. Research on detection technology of rice seed vigour based on hyperspectral [J]. Seed, 2016, 35(4): 34-40. (in Chinese)

16 PENG Y K, WU J H. Hyperspectral scattering profiles for prediction of beef tenderness [C]. ASABE Annual International Meeting, 2008: 080004.

17 吳建虎，彭彥昆，高曉東，等.基于VIS/NIR高光譜散射特征預(yù)測(cè)牛肉的嫩度[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2009, 1(1)：20-26.

WU Jianhu, PENG Yankun, GAO Xiaodong, et al. Prediction of beef tenderness using VIS/NIR hyperspectral scattering characteristics [J]. Food Safety and Quality Detection Technology, 2009, 1(1): 20-26. (in Chinese)

18 劉天玲，蘇琪雅，孫群，等.基于NIR分析和模式識(shí)別技術(shù)的玉米種子識(shí)別系統(tǒng)[J].光譜學(xué)與光譜分析，2012, 32(6)：33-36.

LIU Tianling, SU Qiya, SUN Qun, et al. Recognition of corn ceeds based on pattern recognition and near infrared spectroscopy technology [J]. Spectroscopy and Spectral Analysis, 2016, 32(6): 33-36. (in Chinese)

19 洪添勝，喬軍，趙祚喜, 等.基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23(2)：151-155.

HONG Tiansheng, QIAO Jun, ZHAO Zuoxi, et al. Non-destructive inspection of Chinese pear quality based on hyperspectral imaging technique [J]. Transactions of the CSAE, 2007, 23(2): 151-155. (in Chinese)

20 姜泳水，唐金輝，陳學(xué)佺.二值圖像中物體幾何主軸的提取方法[J].計(jì)算機(jī)工程，2005，31(18)：56-58.

JIANG Yongshui, TANG Jinhui, CHEN Xuequan. Extracting method of geometrical principal axis for object from bi-tone image [J]. Computer Engineering, 2005, 31(18): 56-58. (in Chinese)

21 李俊峰.雙邊濾波算法的快速實(shí)現(xiàn)及其在圖像處理的應(yīng)用[D].廣州：南方醫(yī)科大學(xué)，2013.

LI Junfeng. Fast implementation of bilateral filter with application in image processing [D]. Guangzhou: Southern Medical University, 2013. (in Chinese)

22 陳兵旗.機(jī)器視覺技術(shù)及應(yīng)用實(shí)例詳解[M].北京: 化學(xué)工業(yè)出版社，2014：16-17.

23 王耀革，王玉海，朱長青，等.基于灰度形態(tài)學(xué)的高分辨率遙感影像預(yù)處理[J].測(cè)繪學(xué)院學(xué)報(bào)，2004, 21(2): 108-110.

WANG Yaoge, WANG Yuhai, ZHU Changqing, et al. The preprocessing of high-resolution remote sensing image on grey morphology [J]. Journal of Institute of Surveying and Mapping, 2004, 21(2): 108-110. (in Chinese)

24 BRADSKI G, KAEHLER A.學(xué)習(xí)OpenCV(中文版)[M]. 北京：清華大學(xué)出版社，2009：259-263.

25 陳兵旗，孫明.實(shí)用數(shù)字圖像處理與分析[M].北京：清華大學(xué)出版社，2008：197-198.

26 李青，彭彥昆.基于機(jī)器視覺的豬胴體背膘厚度在線檢測(cè)技術(shù)[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31(18)：256-261.

LI Qing, PENG Yankun. Pork backfat thickness on-line detection methods using machine vision [J]. Transactions of the CSAE, 2015, 31(18): 256-261. (in Chinese)