CN101957313B - 鲜玉米果穗质量的计算机视觉检测分级方法及装置 - Google Patents

Abstract

本发明公开了鲜玉米果穗质量的计算机视觉检测分级方法及装置，旨在克服人工分级方法使分级的准确性和重现性均呈现不良效果的问题。该方法的步骤：1.在一定的光照条件下，图像采集设备对经过摄像头正下方的鲜玉米果穗采集图像并将其传送到主控计算机。2.主控计算机根据所获取的鲜玉米果穗图像通过智能分析软件进行图像分析，其步骤为：采用迭代-替换法分割鲜玉米果穗图像背景；在鲜玉米果穗图像经背景分割后所得到的图像的基础上提取特征作为鲜玉米果穗品质指标。3.在图像分析所获得的鲜玉米果穗品质指标的基础上，按照鲜玉米果穗分为3个等级的评级标准，利用模糊神经网络对鲜玉米果穗进行等级评定。本发明还提供了实施该方法的检测装置。

Description

鲜玉米果穗质量的计算机视觉检测分级方法及装置

技术领域

本发明涉及一种农产品质量的检测方法及实施该检测方法所采用的检测装置，更具体地说，本发明涉及一种鲜玉米果穗质量的计算机视觉检测分级方法及装置。

背景技术

外观品质和成熟度等指标是鲜玉米果穗等级评定的重要依据，国内外利用计算机视觉技术检测玉米籽粒粒形、品种、品质等的研究相对较多，针对整穗玉米特别是鲜玉米果穗质量检验方面的研究少有报道。如Panigrahi S，MisraMK，Willson S.发表在《农业计算机和电子》(Computers and Electronics inAgriculture)20卷1期(1998年1月)的文章“用于玉米果穗形状分级的不规则形和不变矩评价”(Evaluations of fractal geometry and invariantmoments for shape classification of corn germplasm)对玉米图像背景的分割进行研究，改进分割方法并测量玉米尺寸，在此基础上提出了对玉米果穗形状(圆形、圆柱、圆锥)的判别算法并进行了对比分析。宁纪锋，何东健，杨蜀秦，发表在《农业工程学报》20卷3期(2004.5)的文章“玉米籽粒的尖端和胚部的计算机视觉识别”和荀一，鲍官军，杨庆华，高峰，李伟发表在《农业机械学报》41卷4期(2010年4月)的文章“粘连玉米籽粒图像的自动分割方法”分别对影响计算机视觉检测玉米籽粒品质的尖端和胚部的识别两个问题和一种基于公共区域和籽粒轮廓寻找分割点的方法进行了研究

目前玉米果穗生产上多采用评价员人工分级。分级时评价员依据鲜玉米果穗分级标准和评价员自己的经验对鲜玉米果穗进行分级。人工分级方法具有较大的主观性和随意性，使分级结果的准确性和重现性均呈现不良效果，本发明可以克服这些缺点。

发明内容

本发明所要解决的技术问题是克服了人工分级方法具有较大的主观性和随意性，使分级结果的准确性和重现性均呈现不良效果的问题，提供了一种鲜玉米果穗质量的计算机视觉检测分级方法，同时也提供一种实现该方法的所采用的检测装置。

为解决上述技术问题，本发明是采用如下技术方案实现的：所述的鲜玉米果穗质量的计算机视觉检测分级方法包括如下步骤：

1.在一定的光照条件下，图像采集设备对经过摄像头正下方的鲜玉米果穗采集图像并将获得的图像传送到主控计算机。

2.主控计算机根据所获取的鲜玉米果穗原始图像通过智能分析软件进行图像分析，包括如下步骤：

1)采用迭代-替换法分割鲜玉米果穗图像背景；

2)在鲜玉米果穗图像经背景分割后所得到的图像的基础上提取特征作为鲜玉米果穗品质的指标，包括如下方法步骤：

a.采用二步旋转法提取鲜玉米果穗外形尺寸即穗长与直径指标；

b.采用阈值-面积法确定鲜玉米果穗秃尖指标；

c.采用梯度阈值法确定鲜玉米果穗缺粒、异常粒的存在状态指标；

d.采用颜色值法提取鲜玉米果穗色泽指标；

e.采用小波纹理分析法和排列识别神经网络提取小波分解子图的纹理特征作为反映鲜玉米果穗籽粒排列状态指标；

g.采用傅里叶能量环法和饱满度识别网络提取单环能量与总能量比值作为反映鲜玉米果穗籽粒饱满度指标；

h.利用傅里叶能量环法和颜色值分析法提取饱满度特征和色泽特征，构建成熟度识别神经网络作为反映鲜玉米果穗籽粒成熟度指标；

3.在图像分析所获得的鲜玉米果穗品质指标的基础上，按照鲜玉米果穗分为3个等级的评级标准，利用模糊神经网络对鲜玉米果穗等级进行评定。

技术方案中所述的采用迭代-替换法分割鲜玉米果穗图像背景是指：为鲜玉米果穗图像分配两块内存，一块为存储彩色图像，另一块为存储经灰度化后的图像，求出鲜玉米果穗图像灰度的最大值G_max与最小值G_min的平均值

$\stackrel{\‾}{G}=\frac{G_{\max }+G_{\min }}{2}$

则背景与鲜玉米果穗的分割阈值T的计算公式为

$T=\frac{1}{2}\&times;(\frac{\underset{0\&le;G(i,j)<\stackrel{\&OverBar;}{G}}{\mathrm{\&Sigma;}}G(i,j)\&times;Q(i,j)}{\underset{0\&le;G(i,j)<\stackrel{\&OverBar;}{G}}{\mathrm{\&Sigma;}}Q(i,j)}+\frac{\underset{G(i,j)>\stackrel{\&OverBar;}{G}}{\mathrm{\&Sigma;}}G(i,j)\&times;Q(i,j)}{\underset{G(i,j)>\stackrel{\&OverBar;}{G}}{\mathrm{\&Sigma;}}Q(i,j)})$

式中G(i，j)-果穗图像(i，j)点灰度值；

Q(i，j)-(i，j)点的权重系数，取值0-1；

利用阈值T将背景分割后，根据灰度图像背景所在位置去除相同位置下彩色图像背景。

技术方案中所述的采用二步旋转法提取鲜玉米果穗外形尺寸即穗长与直径指标是指：对去除背景后的鲜玉米果穗图像进行横向、纵向扫描，确定鲜玉米果穗上、下、左、右点的坐标分别为(x_t，y_t)、(x_b，y_b)、(x_l，y_l)、(x_r，y_r)，计算得鲜玉米果穗形心点0(x_o，y_o)的公式为

$x_o=\frac{x_r-x_l}{2}$

$y_o=\frac{y_b-y_t}{2}$

根据鲜玉米果穗的特殊形状，鲜玉米果穗长轴的边界点一定包含在过渡弧内，因此，计算过渡弧上的点到形心点距离L_l和L_r的公式为

$L_l=\sqrt{{|x_j-x_o|}^2+{|y_j-y_o|}^2}$

$\mathrm{Lr}=\sqrt{{|x_w-x_o|}^2+{|y_w-y_o|}^2}$

式中：(x_j，y_j)和(x_w，y_w)表示过渡弧上的点，

当L_l和L_r取最大值时得到过渡弧上的点D(x_lmax，y_lmax)和E(x_rmax，y_rmax)，分别计算D0和E0与过形心点的横轴所成角度θ_l和θ_r，按此角度依次对鲜玉米果穗图像进行旋转，使D0和E0分别呈水平状态，再分别求出鲜玉米果穗图像的外接矩形，所得两个外接矩形长、宽的最大值即可定为鲜玉米果穗的穗长L_D和直径B_D。

技术方案中所述的采用阈值-面积法确定鲜玉米果穗秃尖指标是指：采用Otsu法将图像中的鲜玉米果穗正常部分和秃尖分成两类像素，方差越大则鲜玉米果穗正常部分和秃尖两类像素之间的灰度差别也越大。当方差最大时，基于类间距离最大准则误分率最小，分割阈值公式为

$D\left(t\right)=\underset{i=0}{\overset{t}{\mathrm{\&Sigma;}}}{p}_i$

${\mathrm{\&mu;}}_D\left(t\right)=\frac{\underset{i=0}{\overset{t}{\mathrm{\&Sigma;}}}i{p}_i}{D\left(t\right)}$

$G\left(t\right)=\underset{i=t+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}_i=1-D\left(t\right)$

${\mathrm{\&mu;}}_G\left(t\right)=\frac{\underset{i=t+1}{\overset{L-1}{\mathrm{\&Sigma;}}}i{p}_i}{G\left(t\right)}$

μ＝D(t)μ_D(t)+G(t)μ_G(t)

σ²＝D(t)(μ_D(t)-μ)²+G(t)(μ_G(t)-μ)²

式中：图像包含L个灰度级，t为分割时的阈值，p_i为图像中鲜玉米果穗正常部分和秃尖混合概率密度函数，D(t)为鲜玉米果穗正常部分所占比例，μ_D(t)为鲜玉米果穗正常部分的均值，G(t)为秃尖所占比例，μ_G(t)为秃尖的均值，μ为整体图像的统计均值，σ²为整体图像的方差；

获得阈值后将图像进行二值化处理，鲜玉米果穗正常部分和背景颜色置黑，秃尖颜色置白，对分割后的二值图进行数学形态学变换，对图像做全方向的腐蚀变换，去掉一些较小的噪声点，然后对图像做全方向的膨胀变换，使秃尖部分连通，计算各连通区域面积S_i，S_max为最大连通区域。

技术方案中所述的采用梯度阈值法确定鲜玉米果穗缺粒、异常粒的存在状态指标是指：在RGB颜色模型下，缺粒和异常粒的R值与正常粒有明显差异，因此计算两个像素点R值差值G_R[f(i，j)]的公式为

G_R[f(i，j)]＝|f(i，j)-f(i-1，j)|+|f(i，j)-f(i，j-1)|

式中：f(i，j)表示鲜玉米果穗的R值单值图像。

通过试验确定正常粒间的梯度范围[0，T]，当G_R[f(i，j)]大于梯度阈值T时，将此点标记为缺粒、异常粒，计算缺粒、异常粒的总面积S′，去除秃尖后鲜玉米果穗的总面积S，由此得缺粒、异常粒占鲜玉米果穗总面积S的比值K为

$K=\frac{S^{\&prime;}}{S}\&times;100\%$

根据分级标准，当K大于等于3％时，鲜玉米果穗存在缺粒或异常粒。

技术方案中所述的采用颜色值法提取鲜玉米果穗色泽指标是指：在不同颜色模型下，提取不同颜色值并进行变换，以表征鲜玉米果穗色泽特征信息，在RGB颜色模型下，提取三刺激值R、G、B，分别计算其均值

并计算b值：

在HIS颜色模型下，提取H单值的均值

并统计特定范围内的H值出现的频率P_H，以

b、

和P_H做为色泽指标。

技术方案中所述的采用小波纹理分析法和排列识别神经网络提取小波分解子图的纹理特征作为反映鲜玉米果穗籽粒排列状态指标是指：在HIS颜色模型下，对鲜玉米果穗图像进行二维离散小波分解，基函数选取应用比较广泛的哈尔小波，提取一层分解后的水平和垂直方向高频子带HH₁进行纹理的分析，提取二层分解后的水平方向高频子带HL₂和垂直方向高频子带LH₂进行纹理分析，利用灰度梯度共生矩阵，比较灰度分布不均匀性、相关性、能量、灰度熵、逆差分矩、大梯度优势、梯度均方差、梯度均值、梯度分布不均匀性、梯度熵、灰度均值、混合熵、灰度均方差、惯性、小梯度优势共15个纹理特征参数与籽粒排列状态的相关性，选取HH₁子带的能量值En，HL₂子带的梯度均方差Gds、灰度均方差Gys和惯性值Mi，LH₂子带的梯度均方差Gds、灰度均方差Gys和惯性值Mi，共7个特征值反映玉米籽粒排列状态，其中：

$\mathrm{En}=\underset{y=0}{\overset{N_g-1}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{N_f-1}{\mathrm{\&Sigma;}}}\hat{M}{(x,y)}^2$

$\mathrm{Gds}={\left\{\underset{y=0}{\overset{N_g-1}{\mathrm{\&Sigma;}}}{(x-\mathrm{Gdm})}^2\right[\underset{x=0}{\overset{N_f-1}{\mathrm{\&Sigma;}}}\hat{M}(x,y)\left]\right\}}^{\frac{1}{2}}$

$\mathrm{Gys}={\left\{\underset{y=0}{\overset{N_g-1}{\mathrm{\&Sigma;}}}{(x-\mathrm{Gym})}^2\right[\underset{x=0}{\overset{N_f-1}{\mathrm{\&Sigma;}}}\hat{M}(x,y)\left]\right\}}^{\frac{1}{2}}$

$\mathrm{Mi}=\underset{y=0}{\overset{N_g-1}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{N_f-1}{\mathrm{\&Sigma;}}}{(x-y)}^2\hat{M}(x,y)$

式中：M(x，y)为图像灰度梯度共生矩阵，表示鲜玉米果穗图像灰度为x、梯度为y时总像素点数，

为灰度梯度共生矩阵M(x，y)经归一化处理后的矩阵；N_f为规定的灰度级，N_f取16，N_g为规定的梯度级，N_g取16；Gdm为梯度均值，

Gym为灰度均值，

排列状态由排列识别神经网络进行识别，排列识别神经网络由反映排列特征的7个特征参数为输入，隐层神经元数由网络根据训练样本数自适应确定，根据评定标准规定的评定等级确定输出层神经元数为1，其值在1-10之间。

技术方案中所述的采用傅里叶能量环法和饱满度识别网络提取单环能量与总能量比值作为反映鲜玉米果穗籽粒饱满度指标是指：由于256色位图下鲜玉米果穗籽粒饱满程度不同造成图像的差异较大，因此将原图从24色位图转换成256色位图，并对图像进行傅里叶变换，设图像f(m，n)大小为M×N，则二维离散傅里叶变换公式为

$F(u,v)=\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}f(m,n)\exp [-j2\mathrm{\&pi;}(\frac{\mathrm{um}}{M}+\frac{\mathrm{vn}}{N})]$

式中：m、n为空间域变量，u、v为其对应于频域的变量，m＝0，1，…，M-1，n＝0，1，…，N-1。

设图像傅里叶变换的能量谱Q(u，v)为

Q(u，v)＝|F(u，v)|²

鲜玉米果穗图像能量谱形状成近似的圆环状向外扩散，因此以图像形心即能量谱中心为圆心绘制等面积的同心能量环，根据能量环内能量的分布进行能量谱的分析，取能量环个数为5，面积为1018pixel²，此时能够较均匀、全面的反映果穗能量谱特征，取每个能量环内能量与总能量比值q_i作为反映玉米籽粒饱满度特征值，其中

$q_i=\frac{E_i}{{\mathrm{\&Sigma;}}_{u=0}^M{\mathrm{\&Sigma;}}_{v=0}^{N}Q(u,v)},i=\mathrm{1,2},...,5$

式中：E_i为每个圆环内的能量总和；

饱满度由饱满度识别神经网络进行识别，饱满度识别神经网络由反映饱满度特征的5个能量环的q_i为输入，隐层神经元数由网络根据训练样本数自适应确定，根据评定标准规定的评定等级确定输出层神经元数为1，其值在1-10之间。

技术方案中所述的利用傅里叶能量环法和颜色值分析法提取饱满度特征和色泽特征，构建成熟度识别神经网络作为反映鲜玉米果穗籽粒成熟度指标是指：成熟度由成熟度识别神经网络进行识别，成熟度识别神经网络由反映饱满度和色泽特征的以q_i、

b、

和P_H等5个特征参数为输入，隐层神经元数由网络根据训练样本数自适应确定，根据评定标准规定的评定等级确定输出层神经元数为1，其值在1-10之间。

一种实施鲜玉米果穗质量的计算机视觉检测分级方法的检测装置，由获取鲜玉米果穗图像的硬件部分和图像识别分析的软件部分组成。所述的获取鲜玉米果穗图像的硬件部分包括支架、输送辊电机、1号出料斗、输送辊主动轮、主动输送辊、2号出料斗、步进电机、拨轮、检测箱、摄像头、控制箱、主控计算机、光源、光电传感器、输送辊轴承座、送料斗、主动输送辊右端齿轮、传动链条、输送辊中间齿轮、从动输送辊与3号出料斗。

主动输送辊与从动输送辊通过两端的轴承与输送辊轴承座安装在支架的上端面上，主动输送辊的左端固定安装有输送辊主动轮，主动输送辊的右端固定安装有主动输送辊右端齿轮，主动输送辊右端齿轮与安装在支架上的输送辊中间齿轮啮合连接，输送辊中间齿轮与固定安装在从动输送辊右端的齿轮啮合连接；检测箱安装在支架中部的上端面上，摄像头安装在检测箱的顶盖上，摄像头的对称轴线垂直地处于支架的纵向对称面内，摄像头的另一端和主控计算机电线连接，光源安装在摄像头的外圈；步进电机固定装在检测箱左侧箱壁的外侧面上，步进电机的输出轴上固定安装有拨轮，步进电机与控制箱电线连接，控制箱又与主控计算机电线连接；安装在主动输送辊左端的输送辊主动轮通过传动链条与安装在输送辊电机输出轴上的链轮连接，输送辊电机与控制箱电线连接；检测箱内即在鲜玉米果穗的入口处安装有光电传感器，光电传感器的接线端和控制箱电线连接；主动输送辊与从动输送辊的右上方固定安装有送料斗，主动输送辊与从动输送辊的左下方固定安装有1号出料斗，主动输送辊)与从动输送辊的前方与后方分别安装有2号出料斗与3号出料斗。

与现有技术相比本发明的有益效果是：

目前鲜玉米果穗主要依靠质检员根据经验进行人工分级，劳动强度大且易受主观因素的影响。在鲜玉米果穗加工生产线上，进行人工分级会浪费大量人力和时间，限制整个加工过程生产自动化的实现。利用计算机视觉技术可降低人为因素的影响，分级结果具有客观一致性，在提高分级正确率的同时，为实现生产自动化奠定了基础。本发明主要利用计算机视觉技术，结合模式识别算法，实现对鲜玉米果穗准确、快速、客观的等级评定。

附图说明

下面结合附图对本发明作进一步的说明：

图1是本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法所采用的检测装置的结构示意图；

图2是本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法的功能流程框图；

图3是本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法中图像分析步骤的分析流程框图；

图4是采用本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法分析获得玉米果穗形状的示意图；

图5-a是表示图像分析步骤中采用迭代-替换法分割鲜玉米果穗原始图像即去除鲜玉米果穗原始图像背景后所得到的鲜玉米果穗图像；

图5-b是表示图像分析步骤中采用阈值-面积法确定秃尖位置和大小的图像；

图5-c是表示图像分析步骤中对分割后的二值图进行数学形态学变换，首先对图像做全方向的腐蚀变换后所得到的图像；

图5-d是表示图像分析步骤中去掉一些较小的噪声点，然后对图像做全方向的膨胀变换，使秃尖部分连通，计算各连通区域面积S_i，S_max为最大连通区域，即为秃尖区域的图像；

图6-a是表示图像分析步骤中采用傅里叶能量环法得到鲜玉米果穗图像能量谱形状成近似的圆环状向外扩散的图像；

图6-b是表示图像分析步骤中采用傅里叶能量环法即根据能量环内能量的分布进行能量谱的分析的图像；

图7是表示本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法所采用的检测装置中输送辊电机2、主动输送辊5与从动输送辊22之间传动关系的左视图；

图中：1.支架，2.输送辊电机，3.1号出料斗，4.输送辊主动轮，5.主动输送辊，6.2号出料斗，7.步进电机，8.拨轮，9.检测箱，10.摄像头，11.控制箱，12.主控计算机，13.光源，14.镜头，15.光电传感器，16.鲜玉米果穗，17.输送辊从动轮，18.送料斗，19.主动输送辊右端齿轮，20.传动链条，21.输送辊中间齿轮，22.从动输送辊。

具体实施方式

下面结合附图对本发明作详细的描述：

参阅图1，本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法是在一定的光照条件下，图像采集设备采集鲜玉米果穗图像后传送到计算机，计算机根据所获取的鲜玉米果穗图像提取反映鲜玉米果穗品质的特征信息，计算机中的智能分析软件融合获取的全部信息，完成对鲜玉米果穗的品质分级。

以鲜玉米果穗的穗长、直径、秃尖、缺粒、异常粒、色泽、排列状态、饱满度、成熟度等方面的图像特征作为鲜玉米果穗品质的特征参数进行鲜玉米果穗等级的评定。

一.更具体地说，本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法包括如下步骤：

1.启动实施鲜玉米果穗质量的计算机视觉检测分级方法的所采用的检测装置，鲜玉米果穗质量的计算机视觉检测分级方法开始正常运行，如果检测装置的送料斗19中的鲜玉米果穗进入主动输送辊5与从动输送辊之间从右向左运行，将进入下一步骤；

2.当有鲜玉米果穗触发光电传感器15时，则进入下一步骤，如没有，则返回第1步骤等待；

3.在一定的光照条件下，图像采集设备对经过摄像头10正下方的鲜玉米果穗采集图像并将获得的(原始)图像传送到主控计算机12；

4.主控计算机12根据所获取的鲜玉米果穗(原始)图像通过智能分析软件进行图像分析：

1)采用迭代-替换法分割鲜玉米果穗

参阅图5a，采用迭代-替换法分割鲜玉米果穗图像背景。为鲜玉米果穗图像分配两块内存，一块为存储彩色图像，另一块为存储经灰度化后的图像，求出鲜玉米果穗图像灰度的最大值G_max与最小值G_min的平均值

$\stackrel{\&OverBar;}{G}=\frac{G_{\max }+G_{\min }}{2}$

则背景与鲜玉米果穗的分割阈值T的计算公式为

$T=\frac{1}{2}\&times;(\frac{\underset{0\&le;G(i,j)<\stackrel{\&OverBar;}{G}}{\mathrm{\&Sigma;}}G(i,j)\&times;Q(i,j)}{\underset{0\&le;G(i,j)<\stackrel{\&OverBar;}{G}}{\mathrm{\&Sigma;}}Q(i,j)}+\frac{\underset{G(i,j)>\stackrel{\&OverBar;}{G}}{\mathrm{\&Sigma;}}G(i,j)\&times;Q(i,j)}{\underset{G(i,j)>\stackrel{\&OverBar;}{G}}{\mathrm{\&Sigma;}}Q(i,j)})$

式中G(i，j)-果穗图像(i，j)点灰度值；

Q(i，j)-(i，j)点的权重系数，可取0-1的值；

利用阈值T将背景分割后，根据灰度图像背景所在位置去除相同位置下彩色图像背景，鲜玉米果穗图像(原始)经背景分割后得到如图5a中所述的图像。

2)在鲜玉米果穗图像(原始)经背景分割后所得到的图像的基础上提取特征作为鲜玉米果穗品质的特征信息(指标)，包括如下方法步骤：

(1)采用二步旋转法提取鲜玉米果穗外形(穗长、直径)尺寸指标

参阅图4，对去除背景后的鲜玉米果穗图像进行横向、纵向扫描，确定鲜玉米果穗上、下、左、右点的坐标分别为(x_t，y_t)、(x_b，y_b)、(x_l，y_l)、(x_r，y_r)，计算得鲜玉米果穗形心点0(x_o，y_o)的公式为

$x_o=\frac{x_r-x_l}{2}$

$y_o=\frac{y_b-y_t}{2}$

如图中所示，根据鲜玉米果穗的特殊形状，鲜玉米果穗长轴的边界点一定包含在过渡弧内，因此，计算过渡弧上的点到形心点距离L_l和l_r的公式为

$L_l=\sqrt{{|x_j-x_o|}^2+{|y_j-y_o|}^2}$

$\mathrm{Lr}=\sqrt{{|x_w-x_o|}^2+{|y_w-y_o|}^2}$

式中：(x_j，y_j)和(x_w，y_w)表示过渡弧上的点。

当L_l和L_r取最大值时得到过渡弧上的点D(x_lmax，y_lmax)和E(x_rmax，y_rmax)，分别计算D0和E0与过形心点的横轴所成角度θ_l和θ_r，按此角度依次对鲜玉米果穗图像进行旋转，使D0和E0分别呈水平状态，再分别求出鲜玉米果穗图像的外接矩形，所得两个外接矩形长、宽的最大值即可定为鲜玉米果穗的穗长L_D和直径B_D。

(2)采用阈值-面积法确定鲜玉米果穗秃尖指标

参阅图5b至5d，由于鲜玉米果穗正常部分与秃尖的灰度值差异较大，采用Otsu(最大类间方差法)法仅对鲜玉米果穗进行分割。Otsu法是将图像中的鲜玉米果穗正常部分和秃尖分成两类像素。其中方差是判断灰度分布是否均匀的一种度量，如果方差越大则鲜玉米果穗正常部分和秃尖两类像素之间的灰度差别也越大。当方差最大时，基于类间距离最大准则误分率最小，分割阈值公式为

$D\left(t\right)=\underset{i=0}{\overset{t}{\mathrm{\&Sigma;}}}{p}_i$

${\mathrm{\&mu;}}_D\left(t\right)=\frac{\underset{i=0}{\overset{t}{\mathrm{\&Sigma;}}}i{p}_i}{D\left(t\right)}$

$G\left(t\right)=\underset{i=t+1}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}_i=1-D\left(t\right)$

${\mathrm{\&mu;}}_G\left(t\right)=\frac{\underset{i=t+1}{\overset{L-1}{\mathrm{\&Sigma;}}}i{p}_i}{G\left(t\right)}$

μ＝D(t)μ_D(t)+G(t)μ_G(t)

σ²＝D(t)(μ_D(t)-μ)²+G(t)(μ_G(t)-μ)²

式中：图像包含L个灰度级，t为分割时的阈值，p_i为图像中鲜玉米果穗正常部分和秃尖混合概率密度函数，D(t)为鲜玉米果穗正常部分所占比例，μ_D(t)为鲜玉米果穗正常部分的均值，G(t)为秃尖所占比例，μ_G(t)为秃尖的均值，μ为整体图像的统计均值，σ²为整体图像的方差。

鲜玉米果穗图像经背景分割后得到如图5a中所述的图像，获得阈值后将图像进行二值化处理，鲜玉米果穗正常部分和背景颜色值置黑，秃尖颜色值置白，如图5b所示。对分割后的二值图进行数学形态学变换，首先对图像做全方向的腐蚀变换如图5c中所示，去掉一些较小的噪声点，然后对图像做全方向的膨胀变换，使秃尖部分连通，计算各连通区域面积S_i，S_max为最大连通区域，即为秃尖区域如图5d中所示。

(3)采用梯度阈值法确定鲜玉米果穗缺粒、异常粒的存在状态指标

在RGB颜色模型下，缺粒和异常粒的R值与正常粒有明显差异，因此计算两个像素点R值差值G_R[f(i，j)]的公式为

G_R[f(i，j)]＝|f(i，j)-f(i-1，j)|+|f(i，j)-f(i，j-1)|

式中：f(i，j)表示鲜玉米果穗的R值单值图像。

通过试验确定正常粒间的梯度范围[0，T]，当G_R[f(i，j)]大于梯度阈值T时，将此点标记为缺粒、异常粒。计算缺粒、异常粒的总面积S′，去除秃尖后鲜玉米果穗的总面积S，由此得缺粒、异常粒占鲜玉米果穗总面积S的比值K为

$K=\frac{S^{\&prime;}}{S}\&times;100\%$

根据分级标准，当K大于等于3％时，鲜玉米果穗存在缺粒或异常粒。

(4)采用颜色值法提取鲜玉米果穗色泽特征信息(指标)

在不同颜色模型下，提取不同颜色值并进行变换，以表征鲜玉米果穗色泽特征信息。在RGB颜色模型下，提取三刺激值R、G、B，分别计算其均值

并计算b值：

在HIS颜色模型下，提取H单值的均值

开统计特定范围内的H值出现的频率P_H。以

b、

和P_H做为色泽特征信息(指标)。

(5)采用小波纹理分析法和排列识别神经网络提取小波分解子图的纹理特征作为反映鲜玉米果穗籽粒排列状态特征值(指标)

在HIS颜色模型下，对鲜玉米果穗图像进行二维离散小波分解，基函数选取应用比较广泛的哈尔小波。提取一层分解后的水平和垂直方向高频子带HH₁进行纹理的分析，提取二层分解后的水平方向高频子带HL₂和垂直方向高频子带LH₂进行纹理分析。利用灰度梯度共生矩阵，比较灰度分布不均匀性、相关性、能量、灰度熵、逆差分矩、大梯度优势、梯度均方差、梯度均值、梯度分布不均匀性、梯度熵、灰度均值、混合熵、灰度均方差、惯性、小梯度优势共15个纹理特征参数与籽粒排列状态的相关性，选取HH₁子带的能量值En，HL₂子带的梯度均方差Gds、灰度均方差Gys和惯性值Mi，LH₂子带的梯度均方差Gds、灰度均方差Gys和惯性值Mi，共7个特征值反映玉米籽粒排列状态，其中：

$\mathrm{En}=\underset{y=0}{\overset{N_g-1}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{N_f-1}{\mathrm{\&Sigma;}}}\hat{M}{(x,y)}^2$

$\mathrm{Gds}={\left\{\underset{y=0}{\overset{N_g-1}{\mathrm{\&Sigma;}}}{(x-\mathrm{Gdm})}^2\right[\underset{x=0}{\overset{N_f-1}{\mathrm{\&Sigma;}}}\hat{M}(x,y)\left]\right\}}^{\frac{1}{2}}$

$\mathrm{Gys}={\left\{\underset{y=0}{\overset{N_g-1}{\mathrm{\&Sigma;}}}{(x-\mathrm{Gym})}^2\right[\underset{x=0}{\overset{N_f-1}{\mathrm{\&Sigma;}}}\hat{M}(x,y)\left]\right\}}^{\frac{1}{2}}$

$\mathrm{Mi}=\underset{y=0}{\overset{N_g-1}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{N_f-1}{\mathrm{\&Sigma;}}}{(x-y)}^2\hat{M}(x,y)$

式中：M(x，y)为图像灰度梯度共生矩阵，表示鲜玉米果穗图像灰度为x、梯度为y时总像素点数，

为灰度梯度共生矩阵M(x，y)经归一化处理后的矩阵；N_f为规定的灰度级，N_f取16，N_g为规定的梯度级，N_g取16；Gdm为梯度均值，

Gym为灰度均值，

排列状态由排列识别神经网络进行识别，排列识别神经网络由反映排列特征的7个特征参数为输入，隐层神经元数由网络根据训练样本数自适应确定，根据评定标准规定的评定等级确定输出层神经元数为1，其值在1-10之间。

(6)采用傅里叶能量环法和饱满度识别网络提取单环能量与总能量比值作为反映鲜玉米果穗籽粒饱满度特征值(指标)

参阅图6a至6b，由于256色位图下鲜玉米果穗籽粒饱满程度不同造成图像的差异较大，因此将原图从24色位图转换成256色位图，并对图像进行傅里叶变换，设图像f(m，n)大小为M×N，则二维离散傅里叶变换公式为

$F(u,v)=\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}\underset{n=0}{\overset{N-1}{\mathrm{\&Sigma;}}}f(m,n)\exp [-j2\mathrm{\&pi;}(\frac{\mathrm{um}}{M}+\frac{\mathrm{vn}}{N})]$

式中：m、n为空间域变量，u、v为其对应于频域的变量，m＝0，1，…，M-1，n＝0，1，…，N-1，即M、N的取自然数。

设图像傅里叶变换的能量谱为Q(u，v)：

Q(u，v)＝|F(u，v)|²

鲜玉米果穗图像能量谱形状成近似的圆环状向外扩散如图6a所示，因此以图像形心即能量谱中心为圆心绘制等面积的同心圆环，即为能量环，根据能量环内能量的分布进行能量谱的分析。取能量环个数为5，面积为1018pixel²，如图6b所示，此时能够较均匀、全面的反映果穗能量谱特征。取每个能量环内能量与总能量比值q_i作为反映玉米籽粒饱满度特征值，其中

$q_i=\frac{E_i}{{\mathrm{\&Sigma;}}_{u=0}^M{\mathrm{\&Sigma;}}_{v=0}^{N}Q(u,v)},i=\mathrm{1,2},...5$

式中：E_i为每个圆环内的能量总和。

饱满度由饱满度识别神经网络进行识别，饱满度识别神经网络由反映排列特征的5个能量环的q_i为输入，隐层神经元数由网络根据训练样本数自适应确定，根据评定标准规定的评定等级确定输出层神经元数为1，其值在1-10之间。

(7)利用傅里叶能量环法和颜色值分析法提取饱满度特征和色泽特征，构建成熟度识别神经网络作为反映鲜玉米果穗籽粒成熟度特征值(指标)

成熟度由成熟度识别神经网络进行识别，成熟度识别神经网络由反映饱满度和色泽特征的以q_i、

b、

和P_H等5个特征参数为输入，隐层神经元数由网络根据训练样本数自适应确定，根据评定标准规定的评定等级确定输出层神经元数为1，其值在1-10之间。

5.按照鲜玉米果穗分为3个等级的评级标准，利用模糊神经网络对鲜玉米果穗等级进行评定。

在鲜玉米果穗的穗长、直径、秃尖、缺粒、异常粒、色泽、排列状态、饱满度与成熟度的图像特征分析所获得的鲜玉米果穗品质指标的基础上，按照鲜玉米果穗分为3个等级的评级标准，利用模糊神经网络对鲜玉米果穗等级进行评定。

本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法经与人工分级作比较，计算机视觉检测分级正确率可达90％以上。

二.实施本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法的检测装置

参阅图1与图7，实施本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法的检测装置由获取鲜玉米果穗图像的硬件部分和图像识别分析的软件部分组成。

获取鲜玉米果穗图像的硬件部分包括支架1、输送辊电机2、1号出料斗3、输送辊主动轮4、主动输送辊5、2号出料斗6、步进电机7、拨轮8、检测箱9、摄像头10、控制箱11、主控计算机12、光源13、镜头14、光电传感器15、输送辊轴承座17、送料斗18、主动输送辊右端齿轮19、传动链条20、输送辊中间齿轮21、从动输送辊22与3号出料斗。

所述的支架1是一长方形的由型钢焊接而成的框架式结构件。主动输送辊5与从动输送辊是成对地使用，它们的辊面上加工有大螺距的T形螺旋。主动输送辊5与从动输送辊22通过两端的轴承与输送辊轴承座17沿支架1长边方向安装在支架1的上端面上，更确切地说，主动输送辊5与从动输送辊22以支架1纵向对称面为对称地安装在支架1的上端面上。主动输送辊5的左端固定安装有输送辊主动轮4(链轮)，主动输送辊5的右端固定安装有主动输送辊右端齿轮19，主动输送辊右端齿轮19与安装在支架1上的输送辊中间齿轮21啮合连接，输送辊中间齿轮21再与固定安装在从动输送辊22右端上的(和主动输送辊右端齿轮19结构相同的)齿轮啮合连接。这种连接关系实现了主动输送辊5与从动输送辊22的转速和转向相同，即实现了鲜玉米果穗16在同向转动的主动输送辊5与从动输送辊22之间从右至左既移动又转动。检测箱9安装在支架1中部的上端面上，在主动输送辊5与从动输送辊22推动下的鲜玉米果穗16在检测箱9下端由右至左地通过检测箱9，在鲜玉米果穗16通过检测箱9的过程中完成获取鲜玉米果穗16图像的任务。摄像头10安装在检测箱9的顶盖上，摄像头10的对称轴线和主动输送辊5与从动输送辊的对称轴线垂直交叉，即摄像头10的对称轴线处于支架1的纵向对称面内，根据需要选用镜头14安装在摄像头10的下端，摄像头10的另一端和主控计算机12电线连接。光源13安装在摄像头10的外圈，光源13采用LED图像处理专用光源，根据照度要求可调。步进电机7固定装在检测箱9左侧箱壁的左端面上，步进电机7的输出轴上固定安装有拨轮8，步进电机7与控制箱11电线连接，控制箱11又与主控计算机12电线连接，主控计算机12发出指令通过控制箱11控制步进电机7既可顺时针转动又可逆时针转动，所以步进电机7带动拨轮8向不同方向转动实现把不同等级的鲜玉米果穗16送进2号出料斗6或3号出料斗中。安装在主动输送辊5左端的输送辊主动轮4(链轮)通过传动链条20与安装在输送辊电机2输出轴上的链轮连接，输送辊电机2转动带动输送辊主动轮4转动，主动输送辊5与主动输送辊右端齿轮19一起转动，主动输送辊右端齿轮19和安装在支架1右端的输送辊中间齿轮21啮合连接，安装在从动输送辊22右端的齿轮和输送辊中间齿轮21啮合连接，安装在从动输送辊22右端的齿轮在输送辊中间齿轮21的带动下也随主动输送辊5作同向转动并带动从动输送辊22做相同转动，从动输送辊22和主动输送辊5一起推动鲜玉米果穗16由右至左的运行(既移动又转动)。安装在从动输送辊22和主动输送辊5下方的支架1上的输送辊电机2与控制箱11电线连接。检测箱9内即在鲜玉米果穗16的入口处安装有光电传感器15，光电传感器15的接线端和控制箱11电线连接，光电传感器15为触发传感器，鲜玉米果穗16在通过光电传感器15时产生触发信号，主控计算机12通过数据采集卡获取触发信号，使摄像头10启动摄取图像进行分析。主动输送辊5与从动输送辊22的右上方固定安装有送料斗18，主动输送辊5与从动输送辊22的左下方固定安装有1号出料斗3，主动输送辊5与从动输送辊22的前方与后方分别安装有2号出料斗6与3号出料斗，2号出料斗6与3号出料斗的对称面与拨轮8的对称面共面。控制箱11与主控计算机12可放置在电脑桌上，控制箱11也可通过单独的支架放置在地基上。

所述的控制箱11包括步进电机电源、步进电机驱动器、光电传感器电源、输送辊电机驱动器、输送辊电机电源与箱体等。

步进电机电源与步进电机驱动器连接，步进电机驱动器与主控计算机12内的电机控制卡连接控制电机动作；光电传感器电源与光电传感器15连接，为摄像头10的动作提供触发信号；输送辊电机电源与输送辊电机驱动器连接控制输送辊动作。

实施本发明所述的鲜玉米果穗质量的计算机视觉检测分级方法的检测装置的工作原理：

检测时鲜玉米果穗16由主动输送辊5与从动输送辊22送入检测箱9内。在检测箱9内一定光照的条件下，用摄像头10采集鲜玉米果穗图像数据，通过图像采集卡传送到主控计算机12，主控计算机12根据所获取的鲜玉米图像提取品质特征信息，通过智能分析软件融合获取的全部信息，对鲜玉米果穗完成品质等级判断。由主控计算机12根据判断结果发出指令，控制步进电机7带动拨轮8，把鲜玉米果穗16拨入适合等级的出料口并进入1号出料斗、2号出料斗或3号出料斗，从而完成鲜玉米果穗16的自动分级。

Claims (9)

1.一种鲜玉米果穗质量的计算机视觉检测分级方法，其特征在于，所述的鲜玉米果穗质量的计算机视觉检测分级方法包括如下步骤：

1)在一定的光照条件下，图像采集设备对经过摄像头(10)正下方的鲜玉米果穗采集图像并将获得的图像传送到主控计算机(12)；

2)主控计算机(12)根据所获取的鲜玉米果穗原始图像通过智能分析软件进行图像分析，包括如下步骤：

(1)采用迭代-替换法分割鲜玉米果穗图像背景；

(2)在鲜玉米果穗图像经背景分割后所得到的图像的基础上提取特征作为鲜玉米果穗品质的指标，包括如下方法步骤：

a.采用二步旋转法提取鲜玉米果穗外形尺寸即穗长与直径指标；

b.采用阈值-面积法确定鲜玉米果穗秃尖指标；

c.采用梯度阈值法确定鲜玉米果穗缺粒、异常粒的存在状态指标；

d.采用颜色值法提取鲜玉米果穗色泽指标；

e.采用小波纹理分析法和排列识别神经网络提取小波分解子图的纹理特征作为反映鲜玉米果穗籽粒排列状态指标；

g.采用傅里叶能量环法和饱满度识别网络提取单环能量与总能量比值作为反映鲜玉米果穗籽粒饱满度指标；

h.利用傅里叶能量环法和颜色值分析法提取饱满度特征和色泽特征，构建成熟度识别神经网络作为反映鲜玉米果穗籽粒成熟度指标；

3)在图像分析所获得的鲜玉米果穗品质指标的基础上，按照鲜玉米果穗分为3个等级的评级标准，利用模糊神经网络对鲜玉米果穗等级进行评定。

2.按照权利要求1所述的鲜玉米果穗质量的计算机视觉检测分级方法，其特征在于，所述的采用迭代-替换法分割鲜玉米果穗图像背景是指：为鲜玉米果穗图像分配两块内存，一块为存储彩色图像，另一块为存储经灰度化后的图像，求出鲜玉米果穗图像灰度的最大值G_max与最小值G_min的平均值 

则背景与鲜玉米果穗的分割阈值T的计算公式为

式中G(i，j)-果穗图像(i，j)点灰度值；

Q(i，j)-(i，j)点的权重系数，取值0-1；

利用阈值T将背景分割后，根据灰度图像背景所在位置去除相同位置下彩 色图像背景。

3.按照权利要求1所述的鲜玉米果穗质量的计算机视觉检测分级方法，其特征在于，所述的采用二步旋转法提取鲜玉米果穗外形尺寸即穗长与直径指标是指：对去除背景后的鲜玉米果穗图像进行横向、纵向扫描，确定鲜玉米果穗上、下、左、右点的坐标分别为(x_t，y_t)、(x_b，y_b)、(x₁，y₁)、(x_r，y_r)，计算得鲜玉米果穗形心点O(x_o，y_o)的公式为

根据鲜玉米果穗的特殊形状，鲜玉米果穗长轴的边界点一定包含在过渡弧内，因此，计算过渡弧上的点到形心点距离L_l和L_r的公式为

式中：(x_j，y_j)和(x_w，y_w)表示过渡弧上的点，

当L_l和L_r取最大值时得到过渡弧上的点D(x_lmax，y_lmax)和E(x_rmax，y_rmax)，分别计算DO和EO与过形心点的横轴所成角度θ_l和θ_r，按此角度依次对鲜玉米果穗图像进行旋转，使DO和EO分别呈水平状态，再分别求出鲜玉米果穗图像的外接矩形，所得两个外接矩形长、宽的最大值即可定为鲜玉米果穗的穗长L_D和直径B_D。

4.按照权利要求1所述的鲜玉米果穗质量的计算机视觉检测分级方法，其特征在于，所述的采用阈值-面积法确定鲜玉米果穗秃尖指标是指：采用Otsu法将图像中的鲜玉米果穗正常部分和秃尖分成两类像素，方差越大则鲜玉米果穗正常部分和秃尖两类像素之间的灰度差别也越大；当方差最大时，基于类间距离最大准则误分率最小，分割阈值公式为

μ＝D(t)μ_D(t)+G(t)μ_G(t)

σ²＝D(t)(μ_D(t)-μ)²+G(t)(μ_G(t)-μ)²

式中：图像包含L个灰度级，t为分割时的阈值，p_i为图像中鲜玉米果穗正常部分和秃尖混合概率密度函数，D(t)为鲜玉米果穗正常部分所占比例，μ_D(t)为鲜玉米果穗正常部分的均值，G(t)为秃尖所占比例，μ_G(t)为秃尖的均值，μ为整体图像的统计均值，σ²为整体图像的方差；

获得阈值后将图像进行二值化处理，鲜玉米果穗正常部分和背景颜色置黑，秃尖颜色置白，对分割后的二值图进行数学形态学变换，对图像做全方向的腐蚀变换，去掉一些较小的噪声点，然后对图像做全方向的膨胀变换，使秃尖部分连通，计算各连通区域面积S_i，S_max为最大连通区域。

5.按照权利要求1所述的鲜玉米果穗质量的计算机视觉检测分级方法，其特征在于，所述的采用梯度阈值法确定鲜玉米果穗缺粒、异常粒的存在状态指标是指：在RGB颜色模型下，缺粒和异常粒的R值与正常粒有明显差异，因此计算两个像素点R值差值G_R[f(i，j)]的公式为

G_R[f(i，j)]＝|f(i，j)-f(i-1，j)|+|f(i，j)-f(i，j-1)|

式中：f(i，j)表示鲜玉米果穗的R值单值图像，

通过试验确定正常粒间的梯度范围[0，T]，当G_R[f(i，j)]大于梯度阈值T时，将此点标记为缺粒、异常粒，计算缺粒、异常粒的总面积S′，去除秃尖后鲜玉米果穗的总面积S，由此得缺粒、异常粒占鲜玉米果穗总面积S的比值K为

根据分级标准，当K大于等于3％时，鲜玉米果穗存在缺粒或异常粒。

6.按照权利要求1所述的鲜玉米果穗质量的计算机视觉检测分级方法，其特征在于，所述的采用颜色值法提取鲜玉米果穗色泽指标是指：在不同颜色模型下，提取不同颜色值并进行变换，以表征鲜玉米果穗色泽特征信息，在RGB颜色模型下，提取三刺激值R、G、B，分别计算其均值 

并计算b值： 

在HIS颜色模型下，提取H单值的均值 

并统计特定范围内的H值出现的频率P_H，以 

b、 

和P_H做为色泽指标。

7.按照权利要求1所述的鲜玉米果穗质量的计算机视觉检测分级方法，其特征在于，所述的采用小波纹理分析法和排列识别神经网络提取小波分解子图的纹理特征作为反映鲜玉米果穗籽粒排列状态指标是指：在HIS颜色模型下，对鲜玉米果穗图像进行二维离散小波分解，基函数选取应用比较广泛的哈尔小波，提取一层分解后的水平和垂直方向高频子带HH₁进行纹理的分析，提取二层分解后的水平方向高频子带HL₂和垂直方向高频子带LH₂进行纹理分析，利用灰 度梯度共生矩阵，比较灰度分布不均匀性、相关性、能量、灰度熵、逆差分矩、大梯度优势、梯度均方差、梯度均值、梯度分布不均匀性、梯度熵、灰度均值、混合熵、灰度均方差、惯性、小梯度优势共15个纹理特征参数与籽粒排列状态的相关性，选取HH₁子带的能量值En，HL₂子带的梯度均方差Gds、灰度均方差Gys和惯性值Mi，LH₂子带的梯度均方差Gds、灰度均方差Gys和惯性值Mi，共7个特征值反映玉米籽粒排列状态，其中：

式中：M(x，y)为图像灰度梯度共生矩阵，表示鲜玉米果穗图像灰度为x、梯度为y时总像素点数， 为灰度梯度共生矩阵M(x，y)经归一化处理后的矩阵；N_f为规定的灰度级，N_f取16，N_g为规定的梯度级，N_g取16；Gdm为梯度均值， 

Gym为灰度均值， 

排列状态由排列识别神经网络进行识别，排列识别神经网络由反映排列特征的7个特征参数为输入，隐层神经元数由网络根据训练样本数自适应确定，根据评定标准规定的评定等级确定输出层神经元数为1，其值在1-10之间。

8.按照权利要求1所述的鲜玉米果穗质量的计算机视觉检测分级方法，其特征在于，所述的采用傅里叶能量环法和饱满度识别网络提取单环能量与总能量比值作为反映鲜玉米果穗籽粒饱满度指标是指：由于256色位图下鲜玉米果穗籽粒饱满程度不同造成图像的差异较大，因此将原图从24色位图转换成256色位图，并对图像进行傅里叶变换，设图像f(m，n)大小为M×N，则二维离散傅里叶变换公式为

式中：m、n为空间域变量，u、v为其对应于频域的变量，m＝0，1，L，M-1，n＝0，1，L，N-1；

设图像傅里叶变换的能量谱为Q(u，v)：

Q(u，v)＝|F(u，v)|²

鲜玉米果穗图像能量谱形状成近似的圆环状向外扩散，因此以图像形心即能量谱中心为圆心绘制等面积的同心能量环，根据能量环内能量的分布进行能量谱的分析，取能量环个数为5，面积为1018pixel²，此时能够较均匀、全面的反映果穗能量谱特征，取每个能量环内能量与总能量比值q_i作为反映玉米籽粒饱满度特征值，其中

i＝1，2，...，5

式中：E_i为每个圆环内的能量总和；

饱满度由饱满度识别神经网络进行识别，饱满度识别神经网络由反映饱满度特征的5个能量环的q_i为输入，隐层神经元数由网络根据训练样本数自适应确定，根据评定标准规定的评定等级确定输出层神经元数为1，其值在1-10之间。

9.按照权利要求1所述的鲜玉米果穗质量的计算机视觉检测分级方法，其特征在于，所述的利用傅里叶能量环法和颜色值分析法提取饱满度特征和色泽特征，构建成熟度识别神经网络作为反映鲜玉米果穗籽粒成熟度指标是指：成熟度由成熟度识别神经网络进行识别，成熟度识别神经网络由反映饱满度和色泽特征的以q_i、 

b、 和P_H等5个特征参数为输入，隐层神经元数由网络根据训练样本数自适应确定，根据评定标准规定的评定等级确定输出层神经元数为1，其值在1-10之间，其中：q_i是每个能量环内能量与总能量比值作为反映玉米籽粒饱满度特征值； 

是RGB颜色模型下刺激值B的均值； 

是HIS颜色模型下H单值的均值；P_H是H值出现的频率。 

Images