基于图像处理的谷物检测与识别方法研究进展

郭敏;秦昕;马苗

【摘 要】Grain detection and recognition method based on image process is efficient, accurate and low labor intensity, so it has wide application prospect. In order to utilize foreign and native new research findings and improve the research in this field in China, the research progress of grain detection and recognition method based on image process is summarized. The methods include near infrared reflectance image process, soft X -ray image process and visible light image process. The methods are used in grain insect detection and recognition, grain ingredient detection , grain variety recognition and classification, grain quality detection and grading. The superiority and inferiority of each method are analyzed, and it is expected to present further key research work through the latest research results both at home and abroad.%基于图像处理的谷物检测与识别方法不仅效率和准确率高而且劳动强度小,具有广阔的应用前景.从谷物虫害检测与识别、谷物成分检测、谷物品种识别与分类以及谷物品质检测与分级等方面综述了基于近红外图像、软X射线图像、可见光图像的谷物检测与识别方法的研究进展,分析了各种方法的优缺点,提出了未来基于图像处理的谷物检测与识别方法的研究方向以及发展趋势,以期能充分利用国内外的最新研究成果,推进国内在该领域的研究步伐. 【期刊名称】《中国粮油学报》 【年(卷),期】2012(027)004 【总页数】6页(P123-128)

【关键词】谷物检测与识别;图像处理;近红外;软X射线;可见光 【作 者】郭敏;秦昕;马苗

【作者单位】陕西师范大学计算机科学学院,西安710062;陕西师范大学计算机科学学院,西安710062;陕西师范大学计算机科学学院,西安710062 【正文语种】中 文 【中图分类】S126

在人口众多的中国，粮食问题关系国计民生，每年，国内市场上流转的商品粮有上亿吨，国际市场上流通的进出口粮食有几千万吨，粮食的质量问题尤为重要。谷物中的杂质、霉变以及虫害等都会严重影响谷物品质，为了减少损失，保证粮食质量，需要对这些影响谷物品质的参数进行准确、高效的检测。近10年来，图像检测法一直是谷物检测与识别领域的研究热点，并且随着计算机软硬件、图像处理技术的迅速发展，图像检测法在谷物检测与识别领域的研究与应用已有了很大发展，它不仅效率和准确率高而且劳动强度小，应用前景十分广阔。基于国内外近年的研究成果，综述了基于近红外图像、软X光图像和可见光图像的谷物检测与识别方法研究进展以及未来研究所面临的问题和研究方向，以期能充分利用国内外的最新研究成果，推进国内在该领域的研究步伐。 1.1 基于近红外图像的谷物检测与识别

近红外光(NIR)是波长在700～2 500 nm之间的电磁波，某些有机化学物质会在该谱区显示特定的光学特性。近红外图像检测法能对众多形态的物质直接进行测量，其谱图稳定，且比较容易获取，在试样准备和检测识别过程中都能节省大量时间。目前，在谷物检测与识别方面，近红外图像检测法主要被用来进行虫害检测与识别、霉变检测以及成分检测等。

1.1.1 虫害检测与识别

虫害是降低谷物质量的主要因素，从20世纪90年代初起，基于近红外图像的储粮害虫检测成为研究热点［1－2］。国外相关研究起步较早，研究的重点主要集中在近红外光成像波段的选择上。

1996 年，Ridgway等［3－4］开始使用近红外反射光自动识别麦粒钻蛀害虫。它的原理是:麦粒内部化学成分和物理结构的改变导致虫蛀麦粒与正常麦粒之间的图像有较大区别。使用1 202 nm近红外光成像时，虫蛀麦粒和正常麦粒的图像区别明显，前者图像有一块很大的亮斑，而后者图像则一律为暗色。随后，Ridgway等［5］又使用700～1 100 nm 的近红外反射光检测麦粒内部的谷象幼虫和蛹，设计出的982～1 014 nm和972～1 032 nm波长分类模型对侵染麦粒的识别率都在96%以上。研究结果表明，在成像系统中使用982 nm和1 014 nm结合的滤光片，可在降低成像设备成本的同时极大地提高检测麦粒钻蛀害虫的效率。

在实际应用方面，Ridgway 等［6－7］结合已有研究成果建立了检测麦粒钻蛀害虫的机器视觉系统，提高图像质量的同时降低了成像设备成本。试验发现，用模版消除对虫害检测的干扰，就可定位麦粒内部最重要的亮斑，然后运用阈值来确定亮斑是否和幼虫的侵染有关。该方法识别率为85%，超过了人眼78%的识别率，且比人眼发现侵染的时间提前7周左右，为虫害的处理争取到大量时间。为使图像的效果更明显，更具识别性，2003年，他们经过试验得出:增强亮斑的最好方法是自归一运算，通过加权平均算法定位亮斑，并使用开发出的最优化程序，使得对虫蛀麦粒的识别率超过了95%。

此外，利用近红外图像还能检测出钻蛀害虫的虫龄。2003年，Maghirang等［8］利用近红外图像检测储存期超过2个月、具有各种虫态的麦粒，将麦粒内的米象(包括死虫和活虫)按形态和幼虫大小分为活蛹、大型幼虫、中型幼虫和小型幼虫，

结果发现检测的准确率分别是94%、93%、84%和63%。 1.1.2 霉变检测

谷物霉变会产生各种毒素，导致人和家畜中毒甚至死亡，因此霉变检测也是谷物检测的一个重点。

Dowell等［9］使用可见和近红外反射及透射光谱来检测单粒玉米中的伏马菌素，因为只有玉米的不良霉素率大于10－4和小于10－5时才能被正确区分是否受到侵染，所以试验检测效果具有一定的局限性，但此结果为后续的相关研究提供了可行性参考。

2003 年，Pettersson 等［10］研究了近红外透射设备检测麦粒脱氧雪腐镰刀菌烯醇(DON)的性能。主成分分析(PCA)和偏最小二乘回归(PLSR)计算结果表明影响DON检测的因素有11至13个，具体数量由所用的波长范围决定，最好的回归模型波长范围是670 ～1 100 nm，斜率是0.949，相关系数是0.984，标准误差是38 μg脱氧雪腐镰刀菌烯醇/kg。

2009年，Fernández－Iba珘nez等［11］评估了用近红外图像检测法快速检测黄曲霉素B1(AFB1)的效果，试验对152个试样感染AFB1的情况进行了分析，结果不仅证明了使用此法快速检测谷物AFB1效果的优良性，而且得到了检测玉米和大麦中AFB1的最优预测模型。 1.1.3 谷物成分检测

在谷物成分检测方面，常规化学分析具有较高的准确度和可靠性，而且还是许多近代仪器分析技术的基础。但是，无论是化学分析还是仪器分析，其试样的预处理、试验本身的耗时以及对物料的破坏又是许多场合所不允许的。近红外图像检测法则能以它的快速、准确和实时性，及时反馈有关信息，弥补这一缺陷。

Dowell［12］用近红外图像区分单粒硬质小麦的玻璃质，同人工识别的效果基本一致，证明了使用近红外方法进行谷物成分检测的可行性。Maghirang等［13］

用近红外光谱和可见光谱测量麦粒的硬度，通过使用PLSR分析光谱发现，在预测麦粒硬度时，对预测模型贡献最大的波长与蛋白质、淀粉以及色差有关，而且550～1 690 nm比950～1 690 nm的波长预测效果好。

在实际应用方面，2009年，Tallada等［14］发明了一种检测玉米品质的单籽粒近红外设备，能使育种者快速选出有用的种子。同时检测设备与PLSR结合使用，可不同程度的检测出玉米中天然蛋白质、色氨酸、赖氨酸、油以及可溶性糖等成分的含量。

综上所述，近红外图像检测法已迅速从一种实验室方法演化为进行各种定性和定量分析的主要工具，因为它能直接测量各种形态的物质，所以试样的准备工作较容易，从而节省出大量时间。但它的实时应用却受到光谱自身条件的并且需要复杂的校正过程，从上面所述的近红外图像谷物检测法研究成果可明显看出:光谱范围、预处理以及回归方法都须谨慎选择，对微成分的低敏感度、冗长的校正过程都会此法的应用，但值得一提的是像小波变换和人工神经网络之类的分析技术在建立正确的校正模型方面具有巨大潜力。 1.2 基于软X射线图像的谷物检测与识别

软X射线波长大约为1～100 nm，它能量小、穿透力弱，适用于扫描低密度材料，在谷物虫害检测方面有广泛的应用。非破坏性软X射线图像检测法能够直接、快速地检测谷物的许多内在缺陷，所以，从1961年起，软X射线图像检测法就成为美国化学分析学会的官方方法，用于检测谷物或种子中的钻蛀害虫［15］。 软X射线图像检测法检测谷物虫害的主要原理是当谷粒受到害虫侵染后，谷粒密度下降使成像有所变化。近年来，在谷物检测领域软X射线图像检测法的研究主要集中于改进X射线检测设备，使其产生高清、低噪图像，以便区分密度差小的区域。

为提高检测的自动化程度，Haff等［16］设计了检测小麦谷象侵染的高分辨率X

射线实时成像系统。试验把实时成像系统所成数字图像与X射线所成胶片图像进行比较，结果发现，使用胶片图像识别虫蛀麦粒的平均识别率为90.2%，使用数字图像的平均识别率为84.4%，仅考虑3龄幼虫以上的虫害时，两组图像的错误率都降到2%以下。实际上，数字图像实时处理系统能否代替胶片图像进行谷物虫害检测取决于很多因素，诸如粮食储存时间、设备造价等，所以它的应用性还有待研究。

算法和硬件设备的结合成为软X射线谷物虫害检测法的一大进步，Karunakaran等［17］设计了应用自动分类算法的数字化X光系统，识别被不同虫龄米象侵染的麦粒。基于直方图特征模型、纹理特征模型等的统计分类器和BP神经网络对受不同虫龄米象侵染的麦粒的识别率均在95%以上，同直方图特征相比，纹理特征的使用使分类器对麦粒侵染的识别度有所提高。基于组合特征模型的线性函数参数分类器和BP神经网络对上述麦粒的识别率在98%以上。

2007年，Fornal等［18］另辟蹊径，将 50 颗麦粒按6行8列再加2粒的形式排列，粘在一张7 cm×6.5 cm ×0.1 mm 的纸上，在谷像产卵后的第 3、5、7、10、20、30天分别用X射线照射后成像，研究发现，谷粒中谷象卵产后5 d即可用软X射线检测出来，同时试验得出了麦粒受侵染程度和受侵染时间之间的关系式，这一结果对预测麦粒的受侵染时间意义重大。

目前，软X射线设备的价格较高且运行速度较慢，导致软X射线图像检测法在谷物检测方面的应用受到了很大，所以未来研究的主要任务是采用平价设备及提高设备运行速度。

1.3 基于可见光图像的谷物检测与识别

可见光图像检测法出现较早，较前述两种方法发展成熟。它通常使用CCD摄像机将所要识别的目标和背景以图像形式记录下来，对图像进行处理和分析后实现粮虫检测与识别、谷物品种识别与分类。

1.3.1 粮虫检测与识别

粮虫的可见光图像检测一直都是国内外研究的重点。2002年，Ridgway等［19］提出一种用于检测麦粒中甲虫成虫及麦角病的机器视觉方法。此方法对人工准备的试样中麦角病检测率为87%，锯谷盗成虫检测率为100%，对两个包括多种害虫的商用试样的检测率分别为%和96%。

国内在粮虫识别及分类方面的成果比较突出。邱道尹等［20］实现了基于机器视觉的储粮害虫智能检测系统，实现了储粮害虫在线检测中图像信息的实时采集与传输，与已开发的图像处理、分析和识别软件包配合，能以95%以上的识别率检测出粮仓中常见的9种害虫。该系统主要由取样传送机构、均匀光照室和视觉系统3部分组成，取样机构利用负压将检测点的谷物吸入取样器，传送机构控制谷物试样单层传送给视觉系统;光照室可为CCD摄像机的视区提供均匀、恒定的无影光照;视觉系统可实时采集谷物试样的序列图像信息，并由计算机进行处理与识别，此系统的可行性已由现场试验验证。

同时，邱道尹等［21］设计了基于机器视觉的储粮害虫智能检测系统软件部分。该软件通过计算机视觉、图像处理与模式识别技术相结合，对粮仓中常见的粮虫进行快速检测与准确分类，并能实时给出任意检测点的粮虫种类、密度等信息。 2008年，张红涛等［22－23］应用物元可拓集合方法实现储粮害虫的自动分类。提出用聚类数评价函数自适应确定聚类数目，用模糊C均值(FCM)进行聚类分析。引入粗集理论中属性重要度的概念，自动确定粮虫特征的客观权重，对粮仓中危害严重的9类粮虫进行了可拓分类，识别率达到93%。 1.3.2 谷物品种识别与分类

可见光图像检测法主要是根据谷粒的各种特征，结合模式识别和神经网络等技术来实现谷物的识别与分类。2002年，Yun等［24］提出区分大米外观特征的算法和机器视觉系统，所提出的算法能够对大米外观特征进行正确分类。机器视觉系统的

整个过程包括供料、图像获取、图像分析以及卸料4个步骤，分类200粒大米仅需2 s时间。

2005年，何胜美等［25］利用小麦籽粒的20个形态特征和12个颜色特征对来自中国4个地区7个春小麦品种共28个试样进行识别与分类。研究表明，应用籽粒的形状特征和颜色特征能对小麦的品种和来源地进行有效识别，品种正确识别率在95%以上，来源地的正确识别率平均为87.5%，试验中将每幅图片20粒小麦各特征的平均值作为一个观测值，能更真实反映小麦籽粒的特征并方便实际操作，从而提高识别效果。研究中首次提出用离心率和等价半径两个新的特征来刻画小麦籽粒形态，丰富了小麦籽粒图像识别的研究。对同一品种不同栽培地的识别结果表明，籽粒外观形态和颜色对外部生长环境非常敏感，进一步肯定和补充了国外的研究工作。

2008年，Manickavasagan等［26］运用单色相机机器视觉系统识别了8种加拿大西部小麦，这8种小麦处于4个不同的湿度水平，系统根据不同品种小麦灰度图像的灰度值差异对小麦品种进行识别，所有小麦湿度不同时，二次判别函数的识别准确率在92%以上，线性判别函数的识别准确率在95%以上;不考虑试样的湿度差异时，二次判别函数和线性判别函数的识别准确率分别为.8%和85.4%。 Chen等［27］根据外部特征鉴别5种玉米品种，从所得的玉米彩色图像提取17个几何特征、13个形状特征及28个颜色特征，使用逐步判别分析得到2个最优特征集，作为分类器的输入，建立BP神经网络分类器。试验对5种玉米的平均分类准确率达到90%。与此同时，权龙哲等［28］为实现外观相似的不同玉米品种的有效鉴别，提出了K－L变换与最小二乘支持向量机相结合的玉米品种鉴别方法，并且确定了较为合理的状态空间维数(L=3)，使正确识别率达到95.3%。以上2种鉴别玉米品种的方法都运用图像特征进行分类，但因两者获取特征数据的方法和所用分类器不同，故分类效果存在差异。

1.3.3 谷物品质检测与分级

在谷物品质检测及识别方面，国内外学者应用可见光图像处理技术对谷物胚芽、色泽、粒型、不完善粒、霉变等特征识别进行了深入研究。

2000年，黄星奕等［29］提出了用机器视觉系统代替人眼对大米胚芽进行自动识别的方法。通过对大米胚芽颜色特征的分析研究，提出以饱和度S作为特征参数进行胚芽和胚乳的识别，从而实现了对大米留胚率的自动检测。

2007年，吴彦红等［30］研制了一套大米外观品质检测装置，并设计了对大米裂纹、垩白、破碎等外观品质的检测算法。检测系统对裂纹米粒的识别准确率为96.41%，对垩白米粒的识别准确率为94.79%，而对整精米的识别准确率为96.20%。

王志军等［31］综合利用图像处理以及人工神经网络技术，实现小麦品质评价自动化。应用分水岭算法开发图像分割处理软件，分割小麦图像以提取出完整小麦颗粒，利用所提取的每颗小麦的24个图像特征参数(12个形态学特征参数、12个色泽参数)，采用人工神经网络BP算法建立起小麦粒径外观品质评价模型。多次建模运算证明，该方法对小麦粒径外观品质评价的平均准确率可达93%，且稳定性较高。

2009年，刘璎瑛等［32］根据稻米形态特点设计稻米动态图像采集系统时，选用背景差分法对米粒动态图像进行目标分割，实现了运动状态下稻米图像特征提取，对提取的特征进行多结构神经网络训练，完成了透明整米、垩白米、黄米和碎米的区分。

在国外，Pearson［33］发明了高速、价廉的基于图像的谷物分选装置，此装置将CMOS彩色图像传感器同可编程门阵列(FPGA)结合，能检测并分离有轻微颜色差异或者微小缺陷的谷物，系统的吞吐率较高，装置部件的价格也较低廉，所以装置的适用性很强。

硬件环境的优化有助于提高谷物图像检测法的精度，成芳等［34］探讨了光源波长、放大率、背景对谷物检测效果的影响。通过测定和分析发现:在黑白图像识别系统中采用815 nm的滤光片有助于充分发挥CCD的响应性能，并为检测时区分正常与霉变谷物提供最大的对比;而彩色图像识别系统应采用在可见光波段具有足够辐射强度的全色光源。在采用20～25 mm的镜头延长管时，放大率最优。检测霉变和芽谷时，采用白背景比黑背景的识别精度高。 1.3.4 其他方面

目前，国内对可见光谷物图像检测法的研究重点还包括图像预处理、特征提取以及特征优化分析等方面，谷物品种信息集的建立以及硬件方面的探索也有所涉及。 在图像处理方法方面，2003年，张红梅等［35］利用数字图像处理方法，根据储粮害虫图像的灰值游程矩阵自动提取图像的纹理特征。该方法为外部形态相近或近缘种储粮害虫的分类提供了比较稳定的特征值，有利于机器进行自动快速分类。 2006年，廉飞宇等［36］使用小波变换对储粮害虫的高维图像矢量进行压缩，图像的高频部分对应图像边缘和轮廓，较好地压缩和表征了害虫图像的特征，再利用支持向量机对储粮害虫进行分类，具有良好的分类性能和鲁棒性，克服了传统模式识别技术在储粮害虫图像识别上的局限性，提高了识别率。

郝建平等［37］在建立谷物品种种子信息集方面的工作比较突出，建立了中国当代玉米品种的种子重要形态性状基础信息集。这个含有9 650个玉米粒的19 300幅彩色图像的数据库，明确了籽粒各个形态性状的变化规律，为玉米粒的形态研究与应用提供了比较系统全面的数据。

不同的图像检测法各有优缺点。表1对其优缺点进行了总结。

国外在谷粒内部虫害检测、谷粒成分检测、谷物霉变检测等方面做了大量研究，国内的研究主要集中在可见光谷物检测法方面，在自动取样装置、图像预处理、特征优化分析和分类识别方面取得了大量研究成果。目前，国内外基于图像的谷物检测

法已有不少极具实用性的研究成果，有的已应用到实际操作中，使工作效率成倍提高［38］，但仍有许多技术问题有待解决，未来的研究仍然面临很多问题:谷物大多是低值消费品，所以要降低检测设备的成本;使用图像检测法对谷物的多个品质指标进行检测时，目前多采用串行算法，处理速度较慢，所以迫切需要研究谷物品质自动识别中多种图像处理算法的并行实时处理方法，以提高效率，增强实用性;基于图像的谷物虫害自动检测法在识别准确率和效率方面还有待提高，且目前所进行的研究几乎都是在特定条件下进行的，运动状态及自然条件下自动检测方法不够成熟;当害虫种类增加后，在线谷物害虫检测系统的检测速度、害虫的特征系数等参数也会相应的提高，从而增加系统的复杂程度，影响识别率，因此需要对各类害虫建立完备的特征数据库。

在逐步解决上述问题的过程中，可以预见，未来基于图像的谷物检测与识别方法的发展趋势是采用多种技术相结合的组合式方法，从多个角度获取的相关信息相互进行实证检验，以提高精度和效率，这将使农业技术水平进一步提高;同时随着谷物检测与识别技术的完善与成熟，谷物检测与识别设备将真正在日常农业生产中得到应用，从而满足人们对粮食质量提出的越来越高的要求。

【相关文献】

［1］Paliwal J，Wang W，Symons S J，et al.Insect species and infestation level determination in stored wheat using near－infrared spectroscopy［J］.Canadian Biosystems engineering，2004，46:7.17 －7.24

［2］Singh C B，Paliwal J，Jayas D.S，et al.Near－ infrared spectroscopy:applications in the grain industry［C］.ASABE Annual Meeting，Edmonton，Canada，Paper number 061，2006

［3］Ridgway C，Chambers J.Detection of external and internal insect infestation in wheat by near－infrared reflectance spectroscopy［J］.Journal of the Science of Food and Agriculture，1996，71(2):251 －2

［4］Ridgway C，Chambers J.Detection of insects inside wheat kernels by NIR imaging

［J］.Journal of Near Infrared Spectroscopy，1998，6(1):115 －119

［5］Ridgway C，Chambers J，Cowe I A.Detection of grain weevils inside single wheat kernels by a very near infrared twowavelength model［J］.Journal of Near Infrared Spectroscopy，1999，7(4):213 －221

［6］Ridgway C，Davies R，Chambers J.Imaging for the high －speed detection of pest insects and other contaminants in cereal grain in transit［C］.ASABE Annual Meeting，Sacramento，California，USA，Paper number 013056，2001

［7］Davies E R，Ridgway C，Chambers J.NIR detection of grain weevils inside wheat kernels［C］.International Conference on Visual Information Engineering，2003:173 －176

［8］Maghirang E B，Dowell F E，Baker J E，et al.Automated detection of single wheat kernels containing live or dead insects using near－ infrared reflectance spectroscopy［J］.Transactions of the ASAE，2003，46(4):1277 －1282

［9］Dowell F E，Pearson T C，Maghirang E B，et al.Reflectance and transmittance spectroscopy applied to detecting fumonisin in single corn kernels infected with fusarium verticillioides［J］.Cereal Chemistry，2002，79(2):222 －226

［10］Pettersson H，Aberg L.Near infrared spectroscopy for determination of mycotoxins in cereals［J］.Food Control，2003，14(4):229－232

［11］Fernández－Iba珘nez V，Soldado A，Mart?nez－Fernández A，et al.Application of near infrared spectroscopy for rapid detection of aflatoxin B1 in maize and barley as analytical quality assessment［J］.Food Chemistry，2009，113(2):629 － 634

［12］Dowell F E.Differentiating vitreous and nonvitreous durum wheat kernels by using near－ infrared spectroscopy［J］.Cereal Chemistry，2000，77(2):155 － 158

［13］Maghirang E B，Dowell F E.Hardness measurement of bulk wheat by single－kernel visible and near－infrared reflectance spectroscopy［J］.Cereal Chemistry，2003，80(3):316 －322

［14］Tallada J G，Palacios－ Rojas N，Armstrong P R.Prediction of maize seed attributes using a rapid single kernel near infrared instrument［J］.Journal of Cereal Science，2009，50(3):381－387

［15］Haff R P，Pearson T C.An automatic algorithm for detection of infestations in X－ray images of agricultural products［J］.Sensing and Instrumentation for Food Quality and Safety，2007，1(3):143 －150

［16］Haff R P，Slaughter D C.Real－time X － ray inspection of wheat for infestation by the granary weevil，sitophilus granarius(l.)［J］.Transactions of the ASAE，2004，47(2):531 －537

［17］Karunakaran C，Jayas D S，White N D G.Soft X － ray inspection of wheat kernels infested by sitophilus oryzae［J］.Transactions of the ASAE，2003，46(3):739 －745

［18］Fornal J，Jelinski T，Sadowska J，et al.Detection of granary weevil Sitophilus granarius(L.)eggs and internal stages in wheat grain using soft x － ray and image analysis［J］.Jour-nal of Stored Products Research，2007，43(2):142 －148

［19］Ridgway C，Davies E R，Chambers J，et al.Rapid machine vision method for the detection of insects and other particulate bio － contaminants of bulk grain in transit［J］.Biosystems Engineering，2002，83(1):21 －30

［20］邱道尹，张红涛，陈铁军，等.基于机器视觉的储粮害虫智能检测系统硬件设计［J］.农业机械学报，2003，34(1):86－87

［21］邱道尹，张红涛，陈铁军，等.基于机器视觉的储粮害虫智能检测系统软件设计［J］.农业机械学报，2003，34(2):83－85

［22］张红涛，朱齐亮，毛罕平，等.基于可拓理论的储粮害虫分类方法研究［J］.计算机应用研究，2008，25(6):1710－1712

［23］张红涛，毛罕平.基于FCM离散化的粗集权重在粮虫可拓分类中的应用［J］.农业机械学报，2008，39(7):124－128

［24］Yun H S，Lee W O，Chung H，et al.A computer vision system for rice kernel quality evaluation［C］.ASABE Annual Meeting，Chicago，Illinois，USA，Paper number 023130，2002

［25］何胜美，李仲来，何中虎.基于图像识别的小麦品种分类研究［J］.中国农业科学，2005，38(9):1869－1875

［26］Manickavasagan A，Sathya G，Jayas D S，et al.Wheat class identification using monochrome images［J］.Journal of Cereal Science，2008，47(3):518 －527

［27］Chen X，Xun Y，Li W，et al.Combining discriminant analysis and neural networks for corn variety identification［J］.Computers and Electronics in Agriculture，2010，71(S):S48 － S53

［28］权龙哲，祝荣欣，雷溥，等.基于K－L变换与LS－SVM的玉米品种识别方法［J］.农业机械学报，2010，41(4):168－172

［29］黄星奕，吴守一，方如明，等.计算机视觉在大米胚芽识别中的应用［J］.农业机械学报，2000，31(1):62 －65

［30］吴彦红，刘木华，杨君，等.基于计算机视觉的大米外观品质检测［J］.农业机械学报，2007，38(7):107－111

［31］王志军，丛培盛，周佳璐，等.基于图像处理与人工神经网络的小麦颗粒外观品质评价方法［J］.农业工程学报，2007，23(1):158 －161

［32］刘璎瑛，丁为民，沈明霞.基于背景差分法的稻米动态图像检测识别［J］.浙江农业学报，2009，21(4):403 －406

［33］Pearson T.Hardware－ based image processing for high －speed inspection of grains［J］.Computers and Electronics in Agriculture，2009，69:12 －18

［34］成芳，刘兆艳，应义斌.谷物视觉检测系统的硬件环境［J］.中国食品学报，2005，5(3):80

－85

［35］张红梅，韩萍.仓储物害虫分类识别中纹理特征的提取［J］.计算机工程与应用，2003，39(1):218 －219

［36］廉飞宇，张元.基于小波变换压缩和支持向量机组的储粮害虫图像识别［J］.河南工业大学学报(自然科学版)，2006，27(1):21 －24

［37］郝建平，杨锦忠，杜天庆，等.基于图像处理的玉米品种的种子形态分析及其分类研究［J］.中国农业科学，2008，41(4):994 －1002

［38］胡桂仙，王建军，王小骊，等.粮油品质检测评价新技术的研究进展及展望［J］.中国粮油学报，2011，26(3):110－113.