引用本文
刘双喜, 张宏建, 王金星, 王震, 张春庆, 李岩. 基于可见光波段的色彩概率聚类模型的玉米杂交种子识别. 光谱学与光谱分析, 2018,38(8): 2516-2523
LIU Shuang-xi, ZHANG Hong-jian, WANG Jin-xing, WANG Zhen, ZHANG Chun-qing, LI Yan. Hybrid Seed Recognition of Maize Based on Probability Clustering Model Using Visible Light Color Features. Spectroscopy and Spectral Analysis, 2018,38(8): 2516-2523.  
Doi: 10.3964/j.issn.1000-0593(2018)08-2516-08
Permissions
Copyright©2018, 光谱学与光谱分析
光谱学与光谱分析 所有
基于可见光波段的色彩概率聚类模型的玉米杂交种子识别
刘双喜1, 张宏建1, 王金星2,*, 王震1, 张春庆3, 李岩3
1. 山东农业大学机械与电子工程学院, 山东 泰安 271018
2. 山东省园艺机械与装备重点实验室, 山东 泰安 271018
3. 山东农业大学农学院, 山东 泰安 271018
*通讯联系人 e-mail: jinxingw@163.com

作者简介: 刘双喜, 1978年生, 山东农业大学机械与电子工程学院副教授 e-mail: shuangxiliu168@163.com

收稿日期: 2017-08-10 接受日期: 2017-12-26
基金项目: 国家公益性行业专项计划(201303005), 山东省高等学校科技计划(J15LF08), “双一流”奖补资金项目(SYL2017XTTD14)资助
摘要

由于同一种玉米杂交种子籽粒的粒型多样、 色彩随贮藏时间不同而不同, 仅靠其形状和单一区域色彩的机器视觉方法识别种类较为困难, 且现有识别算法多以高光谱特征作为分类基础, 对于不同时期、 不同种类的玉米杂交种子要分别训练分类识别器, 识别前需要大量的训练工作。 为提高玉米种子品种识别方法的适用性, 根据花粉直感色彩遗传现象, 提出以可见光波段玉米种子的多区域小波色彩特征作为识别参数, 建立多模型的概率聚类模型进行玉米杂交种子种类识别。 该方法首先采用专有设备采集单粒玉米种子的无胚芽侧和顶端两部分色彩信息, 包括RGB, HIS和Lab色彩信息, 对该色彩信息进行增强和特征优化选择, 通过小波包分解提取优化出21维细节识别向量; 其次采用不同聚类模型对优化后色彩特征进行聚类识别, 建立基于SOM、 K-means、 两步法三种聚类识别模型; 最后以多种聚类模型结果为基础, 建立基于概率模型的玉米种子品种识别。 通过对郑单958、 先玉335、 郑58(郑单958母本)、 昌7-2(郑单958父本)、 PH6WC(先玉335母本)、 PH4CV(先玉335父本)的试验, 发现该方法可有效识别非亲缘关系和父本亲缘关系的玉米种子, 识别率可达到98%以上; 而对于亲缘关系母本识别率可达到75%。 采用可见光波段玉米种子多区域色彩特征, 结合概率聚类模型的方法可为玉米杂交种子纯度在线检验识别提供科学依据。

关键词: 可见光; 玉米杂交种子; 识别; 聚类; 概率; 多区域色彩
中图分类号:O439 文献标识码:A
Hybrid Seed Recognition of Maize Based on Probability Clustering Model Using Visible Light Color Features
LIU Shuang-xi1, ZHANG Hong-jian1, WANG Jin-xing2,*, WANG Zhen1, ZHANG Chun-qing3, LI Yan3
1. College of Mechanical and Electronic Engineering, Shandong Agricultural University, Tai’an 271018, China;
2. Shandong Provincial Key Laboratory of Horticultural Machineries and Equipment, Tai’an 271018, China;
3. College of Agronomy, Shandong Agricultural University, Tai’an 271018, China;
Abstract

Because the grain size of the same kind of hybrid maize seed is different and the maize color changes as the storage time varies, it is difficult to identify the species only by the machine vision method with its shape and color in a single region. Besides, the existing recognition algorithm mostly uses the hyper-spectral feature as the basis for classification, so for different periods, different types of hybrid maize seeds need to be trained by the classification equipment, and a lot of training is required before the identification. In order to improve the applicability of identification method for maize seed variety, a multi-model probabilistic clustering method was established based on the multi-regional wavelet color characteristics of maize seed in the visible light band as the recognition parameter. This method used a special equipment to extract the non-germinal and the topside color information of the single-grain maize seed, including the color information of RGB, HIS and Lab. Then the color information was enhanced, the feature selection was optimized and the 21-dimensional detail recognition vector was perfected by wavelet packet decomposition. Secondly, the clustering recognition of the optimized color feature was carried out by different clustering models. Three clustering models based on SOM, K-means and two-step method were thus established. Finally, based on the results of multiple clustering models, the maize seed variety identification via probability model was set up. Through the experiments on Zheng Dan 958, Xian Yu 335, Zheng 58 (Zheng Dan 958 female), Chang 7-2 (Zheng Dan 958 male), PH6WC (Xian Yu 335 female), PH4CV (Xian Yu 335 male), it was shown that the method was able to effectively identify maize seeds with non-genetic relationship and parental relationship, with the recognition rate reaching over 98%; While the recognition rate of female parent was 75%. This can provide scientific basis for on-line identification of hybrid seed purity. The method of probability clustering model can provide scientific basis for the identification of maize hybrid seed purity by using visible light multi-regional color characteristics.

Key words: Visible light; Hybrid seed of maize; Recognition; Clustering; Probability; Multi-region color
引言

玉米作为世界主要粮食作物之一, 其种子的质量尤为关键。 玉米种子的纯度是种子质量的关键参数, 纯度识别实质为玉米品种的识别, 尤其是具有遗传关系的杂交玉米种子识别。 现有玉米种子纯度鉴定技术为根据国际谷物科学技术协会(ICC)和国际种子检验协会(ISTA)推荐使用的酸性聚丙烯酰胺凝胶电泳法(A-PAGE)。 该方法是利用电泳的电荷效应、 凝胶的分子筛效应和不连续系统的浓缩效应, 将蛋白质进行分离[1], 作物品种基因型由于所含有蛋白质的分子结构和大小差异就会形成不同数目和迁移率的谱带, 通过对比谱带就可以有效地鉴别不同玉米的品种[2]。 由于该方法操作复杂, 对专业知识要求高, 鉴定周期长, 不适合玉米杂交种子品种的在线识别。

随着计算机及机器视觉技术的发展, 图像处理技术已经应用到种子品质检验当中, 为进行玉米种子纯度鉴定提供科学依据[3]。 近年来, 国内外科研院所对玉米种子品种识别进行了研究。 Mirolyub等[4]以玉米籽粒彩色图像和高光谱图像作为研究对象, 从彩色图像中提取玉米的颜色、 形状和尺寸等可见特征, 从高光谱特性图像中提取颜色和纹理特征。 采用三种数据融合思想, 第一种方法将颜色和形状特征融合, 使用图像分析裂解。 第二种方法融合形状数据, 得到形状特征。 第三种方法融合颜色和表面纹理数据, 得到光谱分析特征。 三种数据融合方法在玉米分类中的误差分别是: 15.3%, 8.6%, 5.3%。 Israt Jahan等[5]采用机器视觉技术在可见光波段, 提取扁豆、 鹰嘴豆、 花生和豌豆的色彩和形状, 以色彩阈值和形状相似性来鉴定研究对象的纯度, 正确识别率分别可以达到84.61%, 77.96%, 82.19%和82.69%, 证明该方法是可行的。 朱启兵等[6]采用高光谱图像, 以信息熵为对象, 结合自主学习分类模型, 对玉米种子纯度和品种进行鉴定, 试验结果表明: 利用高光谱图像技术鉴定玉米杂交种品种是可行的。 刘双喜等[7, 8]采用玉米种子可见光波段的色彩特征, 提取玉米种子冠部核心区域的RGB, HIS和Lab种颜色模型特征参数, 选取H, S和B作为识别向量, 提出一种基于最远优先遍历DBSCAN的玉米种子纯度识别聚类算法。 试验结果表明: 该方法对农大108玉米种子纯度识别正确率达93.3%。

综上所述, 国内外专家学者在利用机器视觉进行种子纯度鉴定方面进行了深入研究, 以多光谱图像采集系统为基础, 采用色彩、 纹理、 形状等特征, 结合神经网络、 回归分析、 贝叶斯分类器、 线性分类器等理论进行分类研究, 为种子快速检测提供依据。 然而, 大多数研究是基于特定实验和样本条件下完成, 需要训练生成分类器, 不利于推广。 为了解决种子品质检测周期长、 专业知识要求高、 操作复杂、 鉴定场合要求高等缺点, 提出一种以玉米种子顶端图像和无胚芽侧图像标准白光的多区域多色彩信息为识别特征, 采用小波包对色彩特征进行优化选择的多步聚类概率模型, 可实现快速准确识别玉米杂交种子品种。

1 实验部分
1.1 样本采集

通过前期研究的发明专利产品玉米种子纯度识别仪[9]在标准白光6 500 K照明条件下, 采集由山东农业大学甘肃育种站提供的高纯度玉米种子郑单958、 郑58(郑单958母本)、 昌7-2(郑单958父本)、 先玉335、 PH6WC(先玉335母本)、 PH4CV(先玉335父本)六种同时期玉米种子各450粒的图像, 共计2700粒, 得到2 700张顶端玉米种子图像和2 700张无胚芽侧玉米种子图像。 以此样本作为研究对象, 900粒作为特征提取和建模方法研究, 900粒作为两体系内测试试验, 900粒作为两个体系六个种类间测试试验。

1.2 色彩增强

由于光照稳定、 图像采集环境封闭, 为提高数据可区分度, 对采集到的图像进行增强处理, G(i, j)=α F(i, j)+β 。 其中α (α > 0)和β 是增益参数和偏置参数, F(i, j)为源图像像素, G(i, j)为输出图像像素, i和j表示像素点坐标。

分别控制对比度和亮度, 通过试验确定侧面图像以α =1.2和β =30为增益参数和偏置参数, 顶端图像以α =1.5和β =35为增益参数和偏置参数。

1.3 特征提取

首先, 采用单阈值分割, 得到剔除背景后的玉米种子顶端图像和无胚芽侧图像; 其次, 为提高品种识别系统的适用性, 采用单阈值将顶端图像和无胚芽侧图像划分为2个区域, 分别是顶端区域1(记为D-1)、 顶端区域2(记为D-2)、 侧面区域1(记为C-1)和侧面区域2(记为C-2)。 最后, 以数字显示色彩模型RGB、 人眼视觉色彩模型HSI和色彩运算理论模型Lab来提取玉米种子图像不同区域色彩信息[10]。

图1 杂交玉米种子侧面图像处理效果图
(a): 原始图像; (b): 增强图像; (c): 区域1图像; (d): 区域2图像Fig.1 Effect graph of hybrid maize seed’ s side image
(a): Original image; (b): Enhanced image; (c): Area 1 image; (d): Area 2 image

图2 杂交玉米种子顶端图像处理效果图
(a): 原始图像; (b): 增强图像; (c): 区域1图像; (d): 区域2图像Fig.2 Effect graph of hybrid maize seed’ s topside image
(a): Original image; (b): Enhanced image; (c): Area 1 image; (d): Area 2 image

每一粒玉米种子图像信息包括顶端2个区域R, G, B, H, S, I, L, a, b和侧面2个区域R, G, B, H, S, I, L, a, b共计36维色彩特征。 考虑到不同级别量纲会对聚类过程中的距离产生不同影响, 需要将所有色彩信息进行归一化处理, 最后构成多区域色彩特征。 具体图像分割、 区域分割过程如图1、 图2所示, 归一化前后郑单958顶端区域1色彩分布如图3、 图4所示。 从图中可以看出: 由于玉米杂交种子外部色彩相近, 造成色彩原始信息和归一化后信息重叠区域多, 不能采用简单的线性分类完成识别。

图3 郑单958及其父本、 母本顶端区域1原始色彩分布图Fig.3 Original color distribution graph of top area1of the Zheng Dan 958 and its male and female

图4 郑单958及其父本、 母本区域1余弦归一化后色彩分布图Fig.4 Cosine normalized color distribution graph of top area1 of the Zheng Dan 958 and its male and female

1.4 色彩特征优化选择

1.4.1 原始色彩信息优化

为提高识别效率, 对提取的36维归一化色彩特征进行优化选择, 剔除无关特征和冗余特征, 减少数据维数[11, 12]。 首先, 通过对色彩变量本身进行变异系数统计, 剔除无关色彩特征。 其次, 以输入和输出的Pearson相关系数及其显著性分析对色彩变量之间进行评价, 对色彩特征完成冗余剔除, 具体步骤如下:

(1)给定色彩特征集合C={Ci, i=1, 2, …, 36};

(2)求出Ci的标准偏差S和均值 u˙, 按照Cicv=S/ u˙求出色彩变量自身的变异系数, 保留Cicv> 0.2的色彩特征;

(3)计算Ci与输出样本编号M的Pearson相关系数及其显著性参数矩阵, 合并删除矩阵中相关性大于0.95且显著性小于0.000 1的特征。

具体分析结果如表1所示, 表中“ 真” 代表该色彩特征与种子品种分类之间满足相关性大于0.95, 否则为“ 假” 。

表1 多区域色彩相关性和变异系数 Table 1 Multi regional color correlation and coefficient of variation

最后, 考虑变异系数大于0.2, 删除不相关特征C-H-1, D-H-1, D-b-1和C-R-1; 通过相关性及显著性分析, 剔除冗余特征D-H-1, D-R-1, D-B-1, C-b-2, D-a-1, C-G-1, D-L-1, D-G-1, C-L-1, D-H-2, C-R-2, D-I-1, C-H-1, D-S-2。 删除共计16个色彩特征, 保留20维色彩特征作为纯度识别特征。

1.4.2 小波包变换提取最优特征

由于玉米杂交种子具有一定遗传关系, 杂交种和父本、 母本之间色彩差异较小。 为提高色彩信息区分度, 增加识别聚类器的识别精度, 对20维的色彩特征进行多尺度离散小波包分析, 提取高频、 低频色彩信息特征。 建立3层离散小波包, 小波基函数为db3, 尺度为8, 对输入的20维大的色彩特征进行分解, 得到48维低频、 高频色彩特征, 对应小波分解塔形结构的(3, 0), (3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)和(3, 7)。 其中, (3, 0)是色彩低频6维信号, (3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)和(3, 7)是色彩高频42维信号。 先玉335和郑单958的小波低频(3, 0)分布如图6, 先玉335和郑单958的小波高频(3, 7)如图7所示。 以48维的小波色彩特征作为输入, 以种类结果作为输出, 采用Pearson相关系数及其显著性参数对色彩特征COLi (i=1, 2, 3, …, 48)进行优化选择, 优化选择结果如表2所示, 表中“ 真” 代表该小波色彩特征与种子品种分类之间满足相关性大于0.99, 否则为“ 假” 。 从表中可以看出: 小波色彩特征中有21维的色彩特征的相关性大于0.99, 其中包括低频均值分量COL4、 高频细节分量COLj(j=9, 11, 12, 17, 18, 19, 23, 24, 25, 26, 30, 33, 34, 35, 37, 39, 40, 43, 47, 48)。

图5 多区域色彩特征小波分解过程Fig.5 Multi-region color characteristic wavelet decomposition

图6 先玉335多区域色彩特征小波分解低频(3, 0)分布图Fig.6 Multi-region color characteristic wavelet decomposition LF(3, 0)distribution graph of the Xian Yu 335

图7 郑单958多区域色彩特征小波分解高频(3, 7)分布Fig.7 Multi-region color characteristic wavelet decomposition HF(3, 7)distribution graph of the Zheng Dan 958

表2 小波分解特征的相关性(> 0.99) Table 2 Wavelet decomposition characteristic correlation (> 0.99)
2 结果与讨论

色彩特征数据的维数不同会影响聚类结果, 不同聚类模型输出结果有所差异, 差异主要体现在类别临界位置数据的分类上[13]。 为提高识别效果, 采用基于SOM聚类模型、 K-Means聚类模型和两步聚类模型为基础, 建立基于概率的聚类评价模型, 从而提高识别精度。

2.1 建立SOM聚类模型

SOM聚类方法是由芬兰神经网络专家Kohonen教授提出的, 该算法假设在输入对象中存在一些拓扑结构或顺序, 可实现从输入多维空间到输出2维平面的映射, 其映射具有拓扑特征保持性质, 与实际大脑对信息的处理类似[14]。

SOM聚类模型包含输入层和输出层。 输入层由21维多区域小波色彩输入向量构成, 输出层由聚类可能数目的2维网格构成, 其中(0, 1)代表一种杂交种子, (1, 0)代表另外一种玉米种子, 色彩特征向量与聚类输出网格之间通过权重向量连接。 聚类过程中, 遍历所有特征向量与输出层网格之间的最短距离, 该输出层对应节点就是获胜单元, 将邻近区域的权值更新, 使聚类数目保持与输入向量之间的拓扑特征。

聚类流程:

(1)网络初始化, 计算出输入小波色彩特征的中心向量, 在该中心向量基础上迭加小随机数作为每个节点权向量初始值, 初始学习率0.9, 训练迭代次数1 000;

(2)将输入色彩特征向量随机选取作为输入向量, 找到与输入色彩向量距离最小的权重向量;

(3)定义获胜单元r(t), 在获胜色彩特征单元的邻近区域调整权重使其向输入向量靠拢;

(4)收缩邻域半径h(t)、 减小学习率、 重复(2)和(3), 直到小于允许距离值, 输出聚类结果。

其中r(t)=4e-(3t/1 000), h(t)=4 1-t1000。

2.2 建立K-means聚类模型

K-means聚类属于划分聚类算法, 该算法以聚类输出数目K为参数, 玉米种子种类识别类数K为已知, 把21维的小波色彩特征对象分成K类, 类内相似度较高, 类间相似度较低。 聚类过程如下:

(1)随机从n个色彩特征中选择2个聚类对象, 每个对象代表了一个簇的初始中心;

(2)对剩余的每个对象, 根据其与各类中心的距离, 将该对象赋给最近的类;

(3)重新计算每个类的平均值;

(4)不断重复(2)和(3)步, 直到误差准则函数E收敛。

其中 E=∑i=1k∑P⊂Ci|P-mi|2。

这里E是数据库中所有对象的平方误差的总和, P是空间中的点, mi是类Ci的平均值。 该目标函数使生成的簇尽可能紧凑独立, 距离度量使用欧几里德距离。

2.3 建立两步聚类模型

两步聚类算法属于层次聚类算法, 根据层次分解的顺序是自下向上的还是自上向下, 层次聚类算法分为凝聚层次聚类算法和分裂层次聚类算法。 玉米杂交种子品种识别是通过多维小波色彩特征凝聚为几类进行识别, 属于凝聚层次聚类算法。 凝聚层次聚类算法先将每个输入色彩向量作为一个类, 然后按照距离度量合并原子类为更大的类, 直至所有色彩向量都在几个类中。 玉米杂交种子识别选取最小距离凝聚法进行聚类。 类间距离公式如式(1)所示。

dmin(Ci, Cj)=minP⊂Ci, P'⊂Cj|P-P'(1)

其中|P-P'|是玉米杂交种子之间的色彩距离, Ci和Cj代表类i和j, dmin(Ci, Cj)是类间种子色彩特征距离最小值。

最小距离的凝聚层次聚类算法流程:

(1)将每个对象看作一类, 计算两两之间的最小距离;

(2)将距离最小的两个类合并成一个新类;

(3)重新计算新类与所有类之间的距离;

(4)重复(2)和(3), 直到所有类合并成一类。

2.4 概率聚类模型

基于以上三种不同聚类模型对玉米杂交种子进行色彩聚类, 可以得出三组结果, 每一粒玉米种子会被三种聚类模型自动分为某一类。 为提高聚类准确度, 提出对聚类结果进行基于概率大小的最终聚类评价, 以某一粒玉米种子属于某一类的概率大小作为分类标准。 如某一粒玉米种子的三种聚类结果为(1, 1, 1), 该玉米杂交种子属于1类的概率为100%, 则该玉米杂交种子最终聚类结果属于1类; 某一粒玉米杂交种子的三种聚类结果为(1, 2, 2), 该玉米种子属于1类的概率为33.3%, 属于2类的概率为66.7%, 则该玉米杂交种子最终聚类结果属于2类。

2.5 聚类试验及效果

聚类方法试验采用三种不同类型的聚类模型对郑单958、 先玉335、 郑58(郑单958母本)、 昌7-2(郑单958父本)、 PH6WC(先玉335母本)、 PH4CV(先玉335父本)六种玉米杂交种子进行种内和种间识别, 每种杂交种子150粒。 聚类方法试验以郑单958与父本昌7-2为样本, 三种聚类模型和概率聚类模型的识别结果如图8(a), (b), (c)和(d)所示, 红色椭圆内是误识别玉米杂交种子。

图8 郑单958与昌7-2聚类识别结果
(a): K-Means模型聚类结果; (b): 两步模型聚类结果; (c): SOM模型聚类结果; (d): 概率模型聚类结果Fig.8 Clustering recognition result of the Zheng Dan 958 and Chang 7-2
(a): K-Means model clustering recognition; (b): Two-step model clustering recognition; (c): SOM model clustering recognition; (d): Probability model clustering recognition

通过对具有遗传关系的杂交种子郑单958与父本昌7-2的聚类方法试验可以看出: K-Means聚类方法中, 昌7-2误识别为郑单958的有5粒, 郑单958误识别为昌7-2的有18粒; 两步聚类法中, 昌7-2误识别为郑单958的有21粒, 郑单958误识别为昌7-2的有4粒; SOM聚类方法中, 昌7-2误识别为郑单958的有12粒, 郑单958误识别为昌7-21的有16粒; 概率聚类方法中, 昌7-2误识别为郑单958的减少到3粒, 识别准确率提高了40%, 郑单958误识别为昌7-21的减少到14粒, 识别准确率提高了22.2%。 可见该方法可有效降低玉米杂交种子之间的误识别率, 提高识别精度。

概率聚类效果试验以每种杂交种子150粒进行15次聚类试验, 分为三组进行, 先玉335, PH6WC(先玉335母本)和PH4CV(先玉335父本)有遗传关系一组, 概率聚类统计结果如表3所示; 郑单958, 郑58(郑单958母本)和昌7-2(郑单958父本)有遗传关系一组, 概率聚类统计结果如表4所示; 先玉335体系与郑单958体系之间6种玉米种子无遗传关系一组, 概率聚类统计结果如表5-1、 表5-2和表5-3所示。

表3 先玉335杂交种子与父本、 母本识别效果 Table 3 Identification effect of the Xian Yu 335 and its male and female
表4 郑单958杂交种子与父本、 母本识别效果 Table 4 Identification effect of the Zheng Dan 958 and its male and female
表5-1 无遗传关系的两类玉米种子之间的识别效果(先玉335体系与郑单958体系之间) Table 5-1 Identification effect of the two classes of corn seeds without inheritance (between Xian Yu 335 system and Zheng Dan 958 system)
表5-2 无遗传关系的两类玉米种子之间的识别效果(先玉335体系与郑单958体系之间) Table 5-2 Identification effect of the two classes of corn seeds without inheritance (between Xian Yu 335 system and Zheng Dan 958 system)
表5-3 无遗传关系的两类玉米种子之间的识别效果(先玉335体系与郑单958体系之间) Table 5-3 Identification effect of the two classes of corn seeds without inheritance (between Xian Yu 335 system and Zheng Dan 958 system)

通过两种体系玉米杂交种子种内聚类效果试验表3、 表4和种间聚类效果试验表5-1、 表5-2和表5-3可以看出: 先玉335和PH4CV(先玉335父本)聚类识别准确度为98.7%, 先玉335和PH6WC(先玉335母本)聚类识别准确率为54.7%, PH4CV(先玉335父本)和PH6WC(先玉335母本)聚类识别准确度为100%; 郑单958和郑58(郑单958母本)聚类识别准确度为75.3%, 郑单958和昌7-2(郑单958父本)聚类识别准确度为98%, 郑58(郑单958母本)和昌7-2(郑单958父本)聚类识别准确度为99.3%; 先玉335和郑单958种间识别效果可以达到93.3%以上。 采用基于多区域色彩小波特征对玉米杂交种子进行识别, 可以有效识别出无遗传关系的杂交玉米种子, 但是对于具有遗传关系的玉米杂交种子识别, 杂交种子与父本之间的识别可以达到95%以上, 对于杂交种子与母本之间的识别较低, 准确识别率可达到75%, 说明从色彩上分析, 玉米杂交种子的色彩与母本接近, 杂交种子的色彩多数遗传自母本, 与花粉直感现象结果一致。

3 结 论

(1)根据玉米杂交种子的花粉直感现象, 结合色彩遗传特点, 提出采用可见光条件下玉米种子多区域色彩作为品种识别特征, 利用多尺度小波分解提取色彩多频段信息并对色彩信息进行优化选择, 提取出21维的色彩识别向量作为聚类识别器输入。

(2)为提高系统聚类识别率和识别器的适用性, 提出多聚类模型的概率聚类模型作为识别器, 以多聚类模型输出结果为基础, 通过概率大小评定聚类结果, 最终完成聚类识别。

(3)多区域色彩的概率聚类模型对于无遗传关系的玉米杂交种子可以准确识别, 但对于具有遗传关系的玉米杂交种子识别率偏低, 有待于在特征提取上深入研究。

The authors have declared that no competing interests exist.

参考文献
[1] NY/T 449—2001, Identification Purity of Maize Variety Using Salting in Protein Electrophoresis Appraisal Method(玉米种子纯度盐溶蛋白电泳鉴定方法). [本文引用:1]
[2] HOU Yin-juan, MU Pu-wen, YANG Wei, et al(侯银娟, 木卜文, 杨薇, 等). Chinese Journal of Seed Science & Technology(种子科技), 2012, 30(4): 36. [本文引用:1]
[3] Alireza Bagheri, Yaser Nikparast. Journal of Biological Environmental and Agricultural Sciences, 2016, (1): 29. [本文引用:1]
[4] Mirolyub I, Mladenov Martin P, Dejanov, et al. Journal of Food Measurement and Characterization, 2014, 8(3): 180. [本文引用:1]
[5] Israt Jahan, Md Golam Moazzam, Akkas Ali K M, et al. Canadian Journal of Pure and Applied Sciences, 2015, 9(3): 3423. [本文引用:1]
[6] ZHU Qi-bing, FENG Chao-li, HUANG Min, et al(朱启兵, 冯朝丽, 黄敏, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(23): 271. [本文引用:1]
[7] LIU Shuang-xi, WANG Pan, ZHANG Chun-qing, et al(刘双喜, 王盼, 张春庆, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2012, 43(3): 188. [本文引用:1]
[8] YAN Xiao-mei, LIU Shuang-xi, ZHANG Chun-qing, et al(闫小梅, 刘双喜, 张春庆, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2010, 26(10): 46. [本文引用:1]
[9] WANG Jin-xing, MENG Fan-rong, ZHANG Chun-qing, et al(王金星, 孟凡荣, 张春庆, 等) Chinese Patent, CN201410637402. 2[P]. 2014 -11-13. [本文引用:1]
[10] SONG Peng, WU Ke-bin, ZHANG Jun-xiong, et al(宋鹏, 吴科斌, 张俊雄, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2010, 41(S1): 249. [本文引用:1]
[11] WANG Yu-liang, LIU Xian-xi, SU Qing-tang, et al(王玉亮, 刘贤喜, 苏庆堂, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2010, 26(6): 199. [本文引用:1]
[12] Mladenov M I, Penchev S M, Dejanov M P, et al. Journal of Food Measurement and Characterization, 2011, 5(3): 111. [本文引用:1]
[13] YANG Li-li, WU Chun-hui, ZHANG Da-wei, et al(杨丽丽, 吴春辉, 张大卫, 等). Transactionsof the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(S1): 293. [本文引用:1]
[14] Balasubramaniam P, Ananthi V P. Nonlinear Dynamics, 2016, 83(1): 849. [本文引用:1]