全 文 ：作物学报 ACTA AGRONOMICA SINICA 2012, 38(3): 535540 http://www.chinacrops.org/zwxb/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

本研究由国家农业科技成果转化资金项目(2010GB2C600255)，山东省自然科学基金(ZR2009DQ019, ZR2010CM039)，山东省科技攻关
项目(2009GG10009057)和青岛市科技发展计划项目(11-2-3-20-nsh)资助。
* 通讯作者(Corresponding author): 赵友刚, E-mail: zhaoyougang@qau.edu.cn, Tel: 0532-86080444
第一作者联系方式: E-mail: hanzhongzhi@qau.edu.cn
Received(收稿日期): 2011-05-30; Accepted(接受日期): 2011-10-13; Published online(网络出版日期): 2012-01-04.
URL: http://www.cnki.net/kcms/detail/11.1809.S.20120104.1651.017.html
DOI: 10.3724/SP.J.1006.2012.00535
利用花生荚果图像特征识别品种与检验种子
韩仲志 赵友刚*
青岛农业大学理学与信息科学学院, 山东青岛 266109
摘 要: 为了验证以花生荚果图像特征识别品种和检验种子的可行性, 选用代表北方大花生主推区的 20份花生品种,
从扫描图像获得花生荚果形态、颜色及纹理等 50个特征, 综合运用主分量分析(PCA)、神经网络(ANN)、支持向量机
(SVM)、聚类分析等手段, 探讨了品种识别、产地识别、DUS 性状的选取和品种聚类过程, 研究发现, 经 PCA 优化
特征的 SVM识别模型识别效果好且识别结果稳定, 20个品种的品种识别率达到 90%以上。模型对 3个不同产地的花
生荚果正确识别率达到 100%。另外从中筛选出一批对品种特异性、一致性和稳定性(DUS)测试有意义的备选特征, 并
建立了花生品种的谱系聚类树。研究结果对 DUS性状的优选、花生品种及产地的识别及对花生谱系研究有一定参考
价值。
关键词: 花生品种识别; 主分量分析; 人工神经网络; 支持向量机; K-均值聚类; DUS测试
Variety Identification and Seed Test by Peanut Pod Image Characteristics
HAN Zhong-Zhi and ZAO You-Gang*
College of Information Science & Engineering, Qingdao Agricultural University, Qingdao 266109, China
Abstract: To verify the feasibility of peanut variety recognition and seed testing by pod image characteristics, we screened 20
peanut varieties mainly released in North peanut regions and collected 50 traits based on pod morphology, colour and texture. We
used PCA data optimization, neural networks, support vector machine, and clustering analysis to discuss the varieties identifica-
tion, origin recognition, DUS characters selecting method and vvarieties clustering process. It has been discovered that the PCA
optimization SVM model is better and its identification effect is stable. By this model, the variety recognition rate was above 90%
for 20 vvarieties, and the correct origin recognition rate of three origins reached 100%. Additionally, we sorted out some useful
traits for seeds DUS test from the 50 features and established the dendrogram of 20 peanut varieties. The results of this study pro-
vided some references valuable to the selection of DUS traits, peanuts varieties, origin recognition, and peanut pedigree research.
Keywords: Peanuts variety recognition; Principal component analysis; Artificial neural network; Support vector machine;
K-means clustering; DUS test
我国是世界第一花生产业大国, 花生种子检验
是关系花生产业、贸易发展的重要内容, 品种特异
性、一致性和稳定性(DUS)是影响种子检验的效果的
重要因素[1]。前人对种质资源的研究一般着重于粒
重、容重、粒长宽与粒厚、体积与密度等数量性状(特
征)。这些特征的一般来自大田试验人工考察, 获取
速度慢、费工费时, 制约了种子检验的效率; 近年发
展起来的以计算机数字图像处理为核心的新型检测
方法, 具有检测速度快、鉴别能力强、重复性高、
可大批量检测等优势, 作为一种高度自动化的智能
采集技术, 与生物化学技术与分子技术一样, 是国
际植物新品种保护联盟(UPOV)认可的植物 DUS 测
试新技术[2], 受到普遍关注。
基于图像的外观表现型, 杨锦忠等[3-4]提取了玉
米种子的数十个特征, 借助软件, 证实了图像技术
在玉米种子检验过程的重要性, 韩仲志和赵友刚[5-7]
深入地探讨了该法在花生籽仁品种识别中的作用 ,
得出了较好的结论。图像处理的方法还用在了诸如
536 作 物 学 报 第 38卷

小麦[8]、水稻[9]等其他作物上, 在玉米品种识别方面
还有近红外光谱和仿生模式识别等[10]方法, 虽然均
达到了较高的识别率 , 但由于光谱设备造价较高 ,
其应用受到一定的限制。在产地识别方面研究较少,
仅有的研究也基于元素分析的方法 [11], 检测速度
慢、代价大。
在花生荚果种子检验过程中使用图像处理方法
较少, 然而花生荚果作为花生重要生殖器官具有重
要植物分类学和作物学地位, 是新品种 DUS测试的
重要对象。其中的一些遗传因素和环境因素必然反
映在外观表现上, 进而能够鉴别不同的品种。基于
这一设想 , 本文将考察不同品种在外观上的特异
性、一致性和稳定性, 进而识别品种; 研究花生品种
的产地鉴别方法; 基于 DUS 测试方法, 寻找影响花
生品种差异的关键特征; 基于聚类方法, 探讨不同
品种的亲缘关系。
1 材料与方法
1.1 试验材料
品种识别材料为 20份农民自留种, 分别来自河
北、山东日照、山东潍坊和山东莱阳主要花生产区,
主体代表北方大花生主推品种(表 1); 产地识别材料
花育 22, 分别产自山东省的烟台、莱阳和青岛(表
2)。从每个品种中选取正常无破损 100 粒带壳花生
种子。
用扫描仪采集图像 , 为了使扫描背景为黑色 ,
扫描仪盖板完全打开, 按固定次序与方向将 100 颗
花生果均匀摆放在扫描以上, 为获得更为全面的图
像, 分别获取了 2副侧面图像和 1副正面图像, 其中
两个品种(莱农 13 和青花 6 号)的一颗种子如图 1。
将采集的图像保存到硬盘上, 以备后续使用。
实验用的扫描仪型号为佳能 CanoScan 8800F, 平
板式 CCD扫描仪, 光学分辨为 4 800 dpi×9 600 dpi;
最大分辨率为 19 200 dpi, 扫描范围为 216 mm× 297
mm; 使用的计算机为联想 IdeaCentre Kx 8160。
1.2 试验方法
首先将采集的图像预处理, 包括图像的增强、
去噪、中值滤波、边缘检测、形态学操作和图像的
色彩空间转换等常规操作。然后提取特征, 外观特征
共分 3大类, 选 50个特征(表 3), 其中颜色特征、形
态特征和纹理特征分别从彩色图像、二值化图像和
纹理图像获取。对这些特征的定义参见相关文献[12-13]。
图像预处理和特征提取过程均基于 Matlab R2008a
软件编程实现。
基于提取的特征数据即可进行种子检验和品种
识别 , 过程中所涉及算法主要包括主分量分析 [14 ]
(PCA)、神经网络 BP (back propagation)算法[15]、支
持向量机[16]方法和K-均值聚类[17]等, 其详细定义可

表 1 品种识别试验材料
Table 1 Experimental materials for variety identification
编号
Code
品种
Variety
产地
Producing area
编号
Code
品种
Variety
产地
Producing area
1 冀花 2号 Yihua 2 河北 Hebei 11 矮 2 Ai 2 山东莱阳 Laiyang, Shandong
2 冀花 4号 Yihua 4 河北 Hebei 12 莱农 13 Lainong 13 山东莱阳 Laiyang, Shandong
3 冀花 5号 Yihua 5 河北 Hebei 13 鲁花 11 Luhua 11 山东青岛 Qingdao, Shandong
4 中农 108 Zhongnong 108 河北 Hebei 14 16-2 山东青岛 Qingdao, Shandong
5 天府 3号 Tianfu 3 河北 Hebei 15 小白沙 Xiaobaisha 山东日照 Rizhao, Shandong
6 潍花 8号 Weihua 8 河北 Hebei 16 鲁花 9号 Luhua 9 山东日照 Rizhao, Shandong
7 花育 22 Huayu 22 山东莱阳 Laiyang, Shandong 17 p12 山东潍坊Weifang, Shandong
8 花育 25 Huayu 25 山东莱阳 Laiyang, Shandong 18 U-1 山东潍坊Weifang, Shandong
9 青花 6号 Qinghua 6 山东莱阳 Laiyang, Shandong 19 U-2 山东潍坊Weifang, Shandong
10 101花生 101 Huasheng 山东莱阳 Laiyang, Shandong 20 U-3 山东潍坊Weifang, Shandong

表 2 产地识别材料来源
Fig. 2 Experiment materials for origin recognition
编号 Serial number 品种 Variety 来源说明 Source 采集时间 Collecting time
01 花育 22 Huayu 22 莱阳农民自留种 Farmers at Laiyang 2011
02 花育 22 Huayu 22 烟台种子站种子 Yantai seed station 2011
03 花育 22 Huayu 22 青岛育种家种子 Breeders at Qingdao 2010

第 3期 韩仲志等: 利用花生荚果图像特征检验种子与识别品种 537




图 1 鲁花 11和青花 6号 2个品种的扫描图像
Fig. 1 Scanning images of Luhua 11 and Qinghua 6

参考相关文献。由于本文所提取的特征数量较大 ,
且特征间往往存在着相关关系, 那么基于 PCA 方法
能从最小均方误差寻找最优正交映射, 进一步压缩
数据维数, 提高了运算效率。K-均值聚类、人工神
经网络、支持向量机是最典型的近代模式识别和分
类方法 , 均是寻找非线性情况下的一种最优映射 ,
由于所提取的特征与花生类别之间存在着非常复杂
的非线性映射关系, 所以特别适合采用此类方法进
行品种识别, 对样本的要求不很高, 一般在类别较
少、样本较少的情况下可进行小样本分析, 样本容
量没有硬性的规定, 一般要求大于 50即可。

表 3 统计特征
Table 3 Statistical characteristics
类别
Category
数量
Number
特征(编号)
Characteristics (code)
形态类
Shape
13 面积(1), 长轴长(2), 短轴长(3), 长度(4), 宽度(5), 周长(6), 等面圆直径(7), 凸形面积(8), 椭圆度(9), 矩形度
(10), 圆形度(11), 紧凑度(12), 凹凸比(13)
Area (1), major axis length (2), minor axis length (3), length (4), width (5), perimeter (6), diameter (7), convex area
(8), eccentricity (9), extent (10), shape factor (11), compactness (12), area/convex area (13)
颜色类
Color
24 RGB (red, green, blue)与 HSV (hue, saturation, value)颜色空间的 3个分量的均值(14~19), 方差(20~25), 偏度(26~
31), 峰度(32~37)
Mean of RGB (red, green, blue) and HSV (hue, saturation, value) (14–19), deviation (20–25), skewness (26–31),
kurtosis (32–37)
纹理类
Texture
13 灰度图像均值(38), 方差(39), 平滑度(40), 三阶矩(41), 一致性(42), 熵(43); 反映种子图像灰度值次数分布特
点的 7个统计不变矩(44~50)
Mean (38), variance (39), smoothness (40), three moments (41), consistency (42), entropy (43), statistical moment
invariants (44–50)

2 结果与分析
2.1 单特征识别与 DUS性状选取
在进行品种识别时, 每个特征都有一定的判决
能力, 如果用单个特征进行诊断, 则判决能力强的
特征可以作为 DUS 候选性状。从计算效率上来看,
用尽量少的特征来进行识别效率更高。测试表明 ,
特征间识别率差别较大。大的能够达到 80%以上, 小
的只有 10%左右。将每个特征识别率按照从高到低
的顺序进行排序, 可以从中选出对品种鉴别力强的
特征, 图 2 为不同特征识别率分布直方图。将识别
率R划分为 4个范围, 从分布图上不难看出, 被测试
的 50个特征中大多数的品种鉴别能力较差, 识别率
在 10%~30%之间的有 31个特征; 识别率高于 50%的
有 12个, 他们是颜色 V分量方差、H分量偏度、等
面园直径、颜色 B 分量峰度、长轴长、椭圆度、圆
形度、颜色 G分量均值、平滑度、4阶统计不变矩、
7 阶统计不变矩和三阶矩, 识别率高的特征具有较
高的品种鉴别能力可以作为新品种DUS测试的备选
特征, 特征编号的定义见表 3。
2.2 不同的品种识别模型研究
每个籽粒 50 个特征, 每个品种 100 粒花生, 共
20个品种, 每个籽粒 3个面的图像, 所以得到的统计
特征矩阵为 50×100×20×3, 数据量巨大。在使用模
式分类系统诊断时, 所用的特征越多, 理论上识别
的正确率越高 , 然而检测的特征越多 , 成本也越
大。统计特征较多时 , 往往需要必要的数据降维 ,
有效寻找特征或某种组合变得十分有意义。本文使
用 PCA 优化特征, 将优化后的特征, 作为 ANN 和
SVM的输入, 图 3是没有优化和优化后得到的识别
结果图。



图 2 单特征识别品种的正确率分布直方图
Fig. 2 Distribution histogram of variety recognition by single
characteristic
538 作 物 学 报 第 38卷


Characteristics code

图 3 不同特征下 2种识别模型的效果
Fig. 3 Effect of two recognition models under different
characteristics

由于特征的冗余, 进一步增加特征数量将不能
有效的提高品种的识别率。PCA 特征较原始的统计
特征在同一种识别模型上都表现出一定的优越性 ,
可见, 在提取到反映作物本身的特征后, 有必要对
这些特征进行 PCA 分析, 进一步去除数据冗余, 提
高识别效果。另外容易发现神经网络的识别能力较
SVM 的识别能力要差很多, 特别在特征数量较大的
情况下, 在高维特征空间, SVM 能充分发挥算法的
优越性。由于神经网络的初始权值只能由系统随机
给出, 所以带来识别结果的不稳定性, 采用多项式
拟合后效果较好。

表 3 前 5个主分量贡献率与累积贡献率
Table 3 Contribution and accumulative contribution of top
five principle components
主分量
Principal
components
贡献率
Contribution
累积贡献率
Accumulative
contribution (%)
1 PC 6.01642 0.42378
2 PC 2.84388 0.62409
3 PC 1.68569 0.74282
4 PC 1.17636 0.82568
5 PC 0.61368 0.86891

在使用 PCA特征时主分量的个数影响着识别结
果(图 3), 从表 4 可见当主分量个数达到 5 个时, 此
时测了累积贡献率大于 85%, 已经能够在很大程度
上代表原始统计特征的主要信息。
2.3 同一品种的产地识别
图 4是使用统计特征与 PCA优化后的特征进行
3 个不同产地识别时的识别率曲线 , 识别模型为
SVM模型, 从中可以看出经 PCA优化后的特征较原
始特征识别效果好, 随着特征维数的增加, 这种优
势变得不太明显。采用 4 个特征已经完全能够对 3
个不同来源的花生有效识别。



图 4 产地识别率曲线图
Fig. 4 Graph of recognition rate based on production areas

2.4 品种聚类
由于特征数据量较大, 直接采用这些样本特征
进行聚类 , 其结果较难以分析 , 所以实验中 , 只对
每一类的相应特征的均值进行聚类(图 5), 可大致将
结果分为 3类, 很明显, 编号为 9的青花 6号花生被
单独划分为一类, 这个品种系白沙 1016 与 99D1 杂
交后系统选育, 属珍珠豆型小花生品种, 以区别于
其他的大花生品种; 另外, 编号为 7、10、11、12、
8、14、13被聚集为第二大类, 其他的被划分为第 3
大类, 其中第二大类中花生主要来自莱阳青岛产区,



图 5 品种聚类树状图
Fig. 5 Clustering tree of varieties
横坐标数字同表 1中的品种编号。
Numbers on the abscissa corresponding with the numbers for
varieties in Table 1.
第 3期 韩仲志等: 利用花生荚果图像特征检验种子与识别品种 539


可能由于外部环境因素致使这一类别在表现型上表
现了共同的特性。第 3 类种子中 18 号和 20 号品种
与其他品种差别较大, 考察种质资源发现, 第 18 号
品种为典型的单果花生、而第 19号花生为典型的多
果类花生。而这类花生主产区主要分布于湖北。不
同的果型、不同的产地在很大程度上决定着聚类的
结果。另外聚类谱系还在一定程度上反映了品种的
遗传关系 , 比如 3 号与 4 号 , 2 号与 16 号 , 11 号与
12 号具有较近的亲缘关系。
3 讨论
正常花生荚果果型因品种和产地以及外部环境
的不同而表现出不同的差异, 遗传学上是遗传因子
与环境因子相互作用的结果[19]。表现在外观特征上,
如形态、颜色、纹理等不同。植物器官的大小取决
于细胞的分裂与生长 , 形状主要依赖于细胞分化 ,
颜色则与显色物质的代谢密切相关, 纹理则是细胞
分裂、生长、分化与代谢相互作用的最终体现。因
此, 可以大致认为这 4 种属性的性状之间是相互独
立的, 另外广义遗传力与识别率之间存在高度的正
相关关系[18]。本研究中花生荚果图像特征的确定和
识别就是基于上述认识。
采用图像处理方法测量植物形态, 不仅可以替
代部分人工测量, 获得更高精度的结果, 而且还能
够提供新的 DUS候选性状。本研究发现花生荚果图
像的特征提供了有价值的更多候选性状。一个性状
是否适合 DUS 测试, 除经济重要性以外, 主要取决
于品种鉴别力大小。识别率的高低在一定程度上表
示一个性状区分品种的能力[19]。一个性状的品种识
别率高, 自然具有高的品种鉴别力, 最小值 0 表示
品种间无差异, 该性状没有任何鉴别力, 最大值 1
表示全部差异均表现为品种间差异, 该性状有最大
鉴别力。
本研究发现花生荚果图像的特征提供了有价值
的品种性状, 采用合适的模型能够对种子的真伪进
行有效鉴别。PCA 优化特征总体上比原始统计特征
具有更好的识别性能, 3大类特征中, 颜色特征的识
别效果明显较形态和纹理特征好。原因是采集的颜
色特征数量较多, 有可能是种植在不同地区土壤条
件差别较大 , 以及品种本身遗传上的颜色差别所
致。另外形态特征在品种识别中并不是好的特征 ,
可能产地、土壤环境等影响着花生荚果的发育。采
集的花生品种均来自农民的自留种, 这些种子在多
年的种植过程中不可避免地会产生品种的混叠, 导
致品种不纯, 造成识别结果上的偏差, 更多采集育
种家种子进行进一步测试将会使检测结果更好, 更
有说服力。
应该指出, 本文只进行了一个品种不同来源的
花生荚果的产地识别研究, 不同品种对产地的反映
也不尽相同。产地识别是产地溯源技术的重要研究
内容, 所取的样本容量较小, 对于更广泛的产地识
别需要构建更广泛的样本来源。本文的实验样本较
小, 每类为 100粒带壳花生, 但从模式识别角度已经
满足小样分析的基本需求 , 在入选的特征较多时 ,
对 3 个不同产地的花生荚果正确识别率较高, 基本
达到了 100%, 这是因为, 首先样本类别数目较少,
只有 3 个; 其次备选的特征较多, 最多达到了 50 个
特征 , 如果进一步加大样本类别 , 减少特征数量 ,
识别率必然下降, 例如图 4, 选用 1、2 或 3 个特征
时, 识别率均在 80%以下。
对特征的聚类可为后续统计分析和研究带来很
大的便利。聚类的目的是找出描述并区分已知数据
类别或概念的模型, 以便能够用该模型预测类别未
知的对象所属的类[17]。系统聚类法便是解决这类问
题的一个有效方法, 它是将样品或变量按照其性质
上的亲疏分类的一种多元统计方法[17]。
应该说明本研究适用于 DUS 测试及遗传育种
和种质资源保护领域。本文只是初步结果, 在正式
用于 DUS测试之前, 有必要进一步扩大测试品种数
量, 考察候选性状的品种间多样性、品种内一致性、
地点年际间稳定性。另外, 贸易过程中的花生种子
不仅决定于种子的真实性, 同时的品质好坏也往往
决定着种子价格的高低[18], 进一步的研究需要充分
考虑国家标准[20-21], 已期获得更为理想的结果。
诚然, 不同收获时间和贮藏方式会对花生荚果
的颜色特征产生影响, 由于采集的样品主体是农民
自留种, 基本上已做到充分干燥, 荚果果壳的颜色
受到的影响较小, 但对花生籽仁的影响较大, 这有
待进一步的研究。另外, 本文所讨论的方法对实验
样本的依赖性较大, 且识别结果受到各种环境因素
的影响, 较化学元素分析法和光谱学方法检测效果
低, 但不难发现本文所采用的方法检测速度快, 代价
低, 可以预见是将来种子检验的有潜力的方法之一。
4 结论
考察了品种识别、产地识别、DUS性状的选取
540 作 物 学 报 第 38卷

和品种遗传过程及检验过程中特征数量、特征优化
算法、识别模型、以及样本容量、特征组合等对检
验效果的影响。筛选出了一批对 BUS测试有意义的
备选特征。采集的特征经 PCA优化后表现出更强的
识别性能, SVM 较神经网络识别效果总体上得到提
高, 并且识别效果稳定。
References
[1] Agriculture Department of China, New Varieties of Plants Test
Sub-centre (Guangzhou)[农业部植物新品种测试(广州)分中心],
Photos Standards of New Peanut Varieties DUS Test (花生新品
种 DUS 测试性状照片拍摄规范). Beijing: China Agriculture
Press, 2010 (in Chinese)
[2] UPOV. General Introduction to the Examination of Distinctness,
Uniformity and Stability and the Development of Harmonized
Descriptions of New Varieties of Plants (TG/1/3). Geneva (Swit-
zerland): The International Union for the Protection of New Va-
rieties of Plants, 2002. p 11
[3] Zhao C-M(赵春明), Han Z-Z(韩仲志), Yang J-Z(杨锦忠), Li
N-N(李娜娜), Liang G-M(梁改梅). Study on application of im-
age process in ear traits for DUS testing in maize. Sci Agric Sin
(中国农业科学), 2009, 42(11): 4100–4105 (in Chinese with
English abstract)
[4] Han Z-Z(韩仲志), Zhao Y-G(赵友刚), Yang J-Z(杨锦忠). Detec-
tion of embryo using independent components for kernel RGB
images in maize. Trans CSAE (农业工程学报), 2010, 26(3):
222–226 (in Chinese with English abstract)
[5] Han Z-Z(韩仲志), Zhao Y-G(赵友刚). Quality grade detection in
peanut using computer vision. Sci Agric Sin (中国农业科学),
2010, 43(18): 3882–3891 (in Chinese with English abstract)
[6] Han Z-Z(韩仲志), Zhao Y-G(赵友刚). A cultivar identification
and quality detection method of peanut based on appearance
characteristics. J Chin Cereals Oils Assoc (中国粮油学报), 2009,
24(5): 123–126 (in Chinese with English abstract)
[7] Han Z-Z(韩仲志), Zhao Y-G(赵友刚). Image analysis and system
simulation on quality and variety of peanut. J Chin Cereals Oils
Assoc (中国粮油学报), 2010, 25(11): 114–118 (in Chinese with
English abstract)
[8] Sakai N, Yonekawa S, Matsuzaki A. Two-dimensional image
analysis of the shape of rice and its application to separating va-
rieties. J Food Eng, 1996, 27: 397–407
[9] Dubey B P, Bhagwat S G, Shouche S P, Sainis J K. Potential of
artificial neural networks in varietal identification using mor-
phometry of wheat grains. Biosyst Eng, 2006, 95: 61–67
[10] Su Q(苏谦), Wu W-J(邬文锦), Wang H-W(王红武), Wang K(王
库), An D(安冬). Fast discrimination of varieties of corn based
on near infrared spectra and biomimetic pattern recognition.
Spectroscopy Spectral Anal (光谱学与光谱分析), 2009, 29(9):
2413–2416 (in Chinese with English abstract)
[11] Wang F(王方), Wang W(王伟), Zhang C-Y(张春娅), Yin J-T(尹
吉泰), Wang S-S(王树生), Lu F-P(路福平). Recognition of pro-
duction regions for Cabernet Sauvignon dry red wines. Sino
-Overseas Grapevine Wine (中外葡萄与葡萄酒), 2008, (1): 4–7
(in Chinese with English abstract)
[12] Hao J-P(郝建平), Yang J-Z(杨锦忠), Du T-Q(杜天庆), Cui
F-Z(崔福柱), Sang X-P(桑素平). A study on basic morphologic
information and classification of maize cultivars based on seed
image process. Acta Agron Sin (中国农业科学), 2008, 41(4):
994–1002. (in Chinese with English abstract)
[13] Yang J-Z(杨锦忠), Hao J-P(郝建平), Du T-Q(杜天庆), Cui
F-Z(崔福柱), Sang X-P(桑素平). Discrimination of numerous
maize cultivars based on seed image process. Acta Agron Sin (作
物学报), 2008, 34(6): 1069−1073 (in Chinese with English
abstract)
[14] Lindsay I Smith. A tutorial on Principal Components Analysis
[EB/OL]. http://www.cs.otago.ac.nz/cosc453/student_tutorials/pri-
ncipal_components.pdf, February 26, 2002
[15] Gardnera M W, Dorlinga S R. Artificial neural networks (the
multilayer perceptron)—a review of applications in the atmos-
pheric sciences. Atmospheric Environ, 1998, 32: 2627−2636
[16] Hsu C W, Chang C C, Lin C J. A practical guide to support vector
classi_cation [EB/OL]. http://www.csie.ntu.edu.tw/~cjlin, April
15, 2010
[17] Likas A, Vlassisb N, Verbeekb J J. The global k-means clustering
algorithm. Pattern Recogn, 2003, 36: 451−461
[18] Yang J-Z(杨锦忠), Zhang H-S(张洪生), Hao J-P(郝建平), Du
T-Q(杜天庆), Cui F-Z(崔福柱), Li N-N(李娜娜), Liang G-M(梁
改梅). Identifying maize cultivars by single characteristics of ears
using image analysis. Trans CSAE (农业工程学报), 2011, 27(1):
196−200 (in Chinese with English abstract)
[19] Yang J-Z(杨锦忠), Zhang H-S(张洪生), Zhao Y-M(赵延明),
Song X-Y(宋希云), Wang X-Q(王新勤). Quantitative study on
the relationships between grain yield and ear 3-D geometry in
maize. Sci Agric Sin (中国农业科学), 2010, 43(21): 4367−4374
(in Chinese with English abstract)
[20] GB/T 1532-2008. National Standards of the People’s Republic of
China: Peanut (中华人民共和国国家标准 : 花生). Beijing:
Standards Press of China, 2008 (in Chinese)
[21] DB 34 T 252.4-2003. National Standards of the People’s Repub-
lic of China: Pollution-free peanut IV: Peanut (Kernel)(中华人民
共和国国家标准: 无公害花生第 4 部分: 花生果/仁). Beijing:
Standards Press of China, 2003 (in Chinese)