發(fā)布時(shí)間：所屬分類(lèi)：計(jì)算機(jī)職稱(chēng)論文瀏覽：1次
摘 要： 摘 要：玉米果穗的穗長(zhǎng)、穗粗、穗行數(shù)、行粒數(shù)等性狀是制約玉米產(chǎn)量的重要組分性狀，目前主要采用人工測(cè)量方式，或通過(guò)截取果穗橫斷面圖像自動(dòng)計(jì)算穗行數(shù)等參數(shù)，操作復(fù)雜、測(cè)量效率低、主觀誤差大，且無(wú)法保留完整的原始考種材料。針對(duì)上述問(wèn)題，該文基于機(jī)器視覺(jué)技術(shù)
摘 要：玉米果穗的穗長(zhǎng)、穗粗、穗行數(shù)、行粒數(shù)等性狀是制約玉米產(chǎn)量的重要組分性狀，目前主要采用人工測(cè)量方式，或通過(guò)截取果穗橫斷面圖像自動(dòng)計(jì)算穗行數(shù)等參數(shù)，操作復(fù)雜、測(cè)量效率低、主觀誤差大，且無(wú)法保留完整的原始考種材料。針對(duì)上述問(wèn)題，該文基于機(jī)器視覺(jué)技術(shù)，通過(guò)可見(jiàn)光二維成像獲取果穗三維表型性狀參數(shù)，結(jié)合果穗顏色特征及果穗的生物學(xué)規(guī)律，分別建立投影修正模型、穗行數(shù)快速估算模型、行粒數(shù)計(jì)算模型等，精確計(jì)算穗長(zhǎng)、穗粗、穗行數(shù)以及行粒數(shù)等性狀參數(shù)。試驗(yàn)結(jié)果表明，該方法適用于粘連果穗處理，禿尖的識(shí)別率高，且對(duì)光照環(huán)境要求低，穗行數(shù)及行粒數(shù)的零誤差率在 93%以上，測(cè)量速度可達(dá) 30 穗/min 以上，能夠滿足高通量考種的需求，特別是保留了原始果穗考種材料實(shí)現(xiàn)無(wú)損測(cè)量，對(duì)于實(shí)現(xiàn)高通量考種及精細(xì)化育種有重要的參考價(jià)值。
關(guān)鍵詞：機(jī)器視覺(jué);圖像處理;無(wú)損檢測(cè);玉米;種子;穗行數(shù);行粒數(shù)
0 引 言
考種是玉米作物遺傳育種過(guò)程中一個(gè)重要的環(huán)節(jié)，考種的項(xiàng)目、種類(lèi)繁多且涉及不同的品種，產(chǎn)生大量的玉米性狀數(shù)據(jù)，這些性狀數(shù)據(jù)需要收集、整理、記錄、統(tǒng)計(jì)、分析、存儲(chǔ)[1]。如何快速準(zhǔn)確地測(cè)量玉米考種性狀數(shù)據(jù)，對(duì)于提高科學(xué)選種和育種效率極為重要。
目前國(guó)內(nèi)研究玉米果穗整穗無(wú)損測(cè)量方法的較少，王傳宇等[2]利用全景技術(shù)將采集的旋轉(zhuǎn)玉米果穗圖像序列無(wú)縫拼接，對(duì)果穗全景圖像進(jìn)行考種指標(biāo)檢測(cè)，但單穗檢測(cè)時(shí)間約 30 s。北京農(nóng)業(yè)智能裝備技術(shù)研究中心的畢昆等[4]研究了基于機(jī)器視覺(jué)的玉米考種裝置，通過(guò)圖像采集裝置以及載物臺(tái)測(cè)重裝置提取玉米果穗多個(gè)考種參數(shù)，改善了目前人工考種的眾多弊端;但在實(shí)現(xiàn)大數(shù)量樣本考種測(cè)量上有著一定的局限性。呂永春等[5]則提出了一種基于背景板比例尺的玉米果穗圖像特征測(cè)量方法，操作簡(jiǎn)單且易于批量測(cè)量，但是其算法沒(méi)有考慮到相機(jī)成像的特點(diǎn)造成的圖像放大及像素距離分布的非線性特性，其穗長(zhǎng)穗粗測(cè)量測(cè)度在 96.01%左右(本文在 97%以上)，且可測(cè)量的性狀較少。
以北京上莊、順義等作物育種基地為例，春播和夏播玉米每批共有 15 個(gè)試驗(yàn)點(diǎn)，每個(gè)試驗(yàn)點(diǎn)需考察 5 000 多個(gè)品種(自交系和雜交系)，考種過(guò)程均由人工完成，存在如下問(wèn)題：人力成本消耗大、工作效率低、精度不高、主觀觀測(cè)誤差大、信息共享率低等問(wèn)題，因此研究玉米果穗的自動(dòng)無(wú)損考種方法具有重要意義。
現(xiàn)階段玉米考種主要分為玉米田間測(cè)產(chǎn)和室內(nèi)考種 2 部分，玉米的產(chǎn)量由于品種、栽培條件、產(chǎn)量水平和自然氣候不同，產(chǎn)量因素的構(gòu)成也有很大差異。因此，通過(guò)室內(nèi)考種，分析研究在不同條件下的合理產(chǎn)量結(jié)構(gòu)，爭(zhēng)取穗大粒多粒重的品種可實(shí)現(xiàn)進(jìn)一步促進(jìn)高產(chǎn)。
綜上所述，本文研究了一種基于機(jī)器視覺(jué)的玉米果穗產(chǎn)量組分性狀快速無(wú)損測(cè)量方法，在保證測(cè)量精度的同時(shí)，降低了硬件設(shè)備成本，且測(cè)量速度可達(dá)每分鐘 30 穗以上，完全能夠滿足考種的需求，對(duì)于實(shí)現(xiàn)高通量考種及精細(xì)化育種有重要意義。本方法包括玉米果穗圖像采集、粘連果穗輪廓提取、投影修正模型、穗行數(shù)快速估算模型、行粒數(shù)快速估算模型等環(huán)節(jié)。
1 玉米果穗圖像采集
為保證算法具有良好的適應(yīng)性，模擬玉米考種的實(shí)際工作環(huán)境，設(shè)置圖像采集的試驗(yàn)環(huán)境如下：非廣角 CMOS 針孔相機(jī)(便攜、低成本)，光線柔和的明亮場(chǎng)所下采集(無(wú)需特殊光源設(shè)置)。相機(jī)為 500 萬(wàn)像素，圖像分辨率為 2942 像素(pixel)×1944 像素(pixel)，拍攝高度為 55 cm，拍攝幅面為 A3 幅面。本算法測(cè)試使用的 PC 機(jī)配置為雙核 1.9 GHz，2 G 內(nèi)存。圖像采集區(qū)為藍(lán)色的背景板，果穗樣品可任意擺放置圖像采集區(qū)，算法可處理果穗粘連擺放特情況。算法流程及整體硬件裝置如圖 1 所示。
2 粘連果穗輪廓提取
2.1 果穗輪廓提取
玉米果穗輪廓提取的精度和速度直接影響后續(xù)三維表型性狀的計(jì)算，是關(guān)鍵的環(huán)節(jié)。結(jié)合玉米考種的實(shí)際硬件和光照環(huán)境情況，輪廓提取需要解決陰影的干擾、相機(jī)自動(dòng)白平衡和自動(dòng)曝光色差等問(wèn)題。
基于果穗圖像的上述問(wèn)題，傳統(tǒng)的色彩通道分離算法存在局限性，無(wú)法準(zhǔn)確提取果穗輪廓;本文采集了室內(nèi)昏暗條件下、室內(nèi)明亮條件下、室外陰影條件下、室外強(qiáng)光條件下等環(huán)境下的多幅果穗圖像，以此為樣本數(shù)據(jù)，計(jì)算果穗和背景之間的類(lèi)間方差，并以此作為果穗輪廓分割的依據(jù)，如圖 2 所示，在陰影和色差嚴(yán)重情況下，果穗輪廓可以準(zhǔn)確提取出來(lái)。
2.2 粘連果穗輪廓分割
為了提高玉米果穗測(cè)量通量和速度，擺放果穗到拍攝平臺(tái)時(shí)允許任意擺放、存在粘連情況。關(guān)于粘連目標(biāo)分離問(wèn)題有很多經(jīng)典算法，本文進(jìn)行了對(duì)比分析，如下：
極限腐蝕法：分割果穗速度慢，且破壞了輪廓。
閉包差集法：該算法要求目標(biāo)輪廓具有凸性。玉米果穗輪廓不滿足。
分水嶺算法：易造成過(guò)分割。
霍夫圓估計(jì)法：只能分割類(lèi)圓形目標(biāo)，玉米果穗不滿足。
鑒于上述情況，本文提出了一種改進(jìn)的玉米果穗粘連(豎排擺放且串聯(lián)粘連情況)分割算法，具體算法如下：
S1：選取最左側(cè)果穗輪廓線的中點(diǎn)作為起始點(diǎn)，利用 freeman 鏈碼跟蹤輪廓梯度變化，并標(biāo)記關(guān)鍵點(diǎn)。梯度計(jì)算采用差分法以提高速度;
S2：輪廓跟蹤會(huì)產(chǎn)生上坡點(diǎn)和下坡點(diǎn)兩類(lèi)，由于分割點(diǎn)屬于下坡點(diǎn)，因此只標(biāo)記下坡點(diǎn);
S3：針對(duì)出現(xiàn)的部分過(guò)分割現(xiàn)象，需要根據(jù)分割點(diǎn)和過(guò)分割點(diǎn)之間的鄰域差異去除過(guò)分割點(diǎn)，采用最大似然估計(jì)法得到最小二乘意義上的分割點(diǎn)位置;
S4：果穗的底部分割和頂部分割方法類(lèi)似，只需要交換上坡點(diǎn)和下坡點(diǎn)，并以此重新進(jìn)行最大似然估計(jì)以除去過(guò)分割點(diǎn);
S5：依照對(duì)應(yīng)點(diǎn)關(guān)系(下坡點(diǎn)對(duì)應(yīng)上坡點(diǎn))，切開(kāi)粘連輪廓。多個(gè)粘連果穗的分割效果如圖 3 所示。
3 投影修正模型
由于玉米果穗是類(lèi)旋轉(zhuǎn)體，依據(jù)相機(jī)成像原理，構(gòu)建果穗的穗粗等參數(shù)的投影校正模型，如圖 4 所示。
圖 4 中 D 點(diǎn)為相機(jī)位置，C 點(diǎn)為采集圖像中心位置，圓形代表果穗輪廓中間位置的截面(考種調(diào)查中穗粗被定義為果穗 1/2 位置的粗度)，截面直徑表示玉米果穗的實(shí)際穗粗。DB 和 DA 表示投影光線，AB 所代表的長(zhǎng)度就是采集到圖像上的穗粗(說(shuō)明：圖像上測(cè)得長(zhǎng)度為經(jīng)過(guò)標(biāo)定當(dāng)量變換的實(shí)際長(zhǎng)度值)。因此，玉米果穗的實(shí)際穗粗為 ΔADB 的內(nèi)切圓直徑。
4 穗行數(shù)快速估算模型
4.1 基本思想
玉米果穗的穗行數(shù)具有以下生物學(xué)特征：玉米小穗分化期小穗裂片會(huì)分裂為 2 個(gè)小穗進(jìn)而分化為 2 個(gè)小花突起，使果穗長(zhǎng)成雙行，因此玉米果穗的穗行數(shù)為偶數(shù)，且絕大多數(shù)品種的玉米穗行數(shù)的范圍在 10 行到 22 行之間，果穗單面至少 5 行，具有一定的規(guī)律性。基于上述穗行數(shù)的生物學(xué)特征，本文通過(guò)單面采集果穗圖像來(lái)構(gòu)建穗行數(shù)快速估算模型。
在人工考種測(cè)定中，由于果穗邊緣籽粒輪廓不清晰完整，且果穗單面最少 5 行，穗行數(shù)一般是通過(guò)計(jì)算果穗主三行籽粒的疏密程度來(lái)判別的;因此本文算法通過(guò)果穗圖像中主三行的籽粒疏密程度來(lái)計(jì)算穗行數(shù)。通過(guò)對(duì)比分析 G 色彩通道分離、B 色彩通道分離、H 通道分離、S 通道分離、超紅色彩特征提取(2R-G-B 五種方法，算法采用 G 通道分離，以果穗輪廓作為 ROI 執(zhí)行 OTSU 算法，從而實(shí)現(xiàn)籽粒的分割，突出籽粒與縫隙間灰度值。
為了便于描述穗行數(shù)快速估算模型，如圖 5 所示，定義以下術(shù)語(yǔ)：
中心籽粒(center grain point)：就是處在無(wú)禿尖果穗?yún)^(qū)域最中心位置的籽粒。
左位點(diǎn)(left location point)：主行左一行和左二行的分割點(diǎn)。左位點(diǎn)和右位點(diǎn)確定了主三行的位置。
右位點(diǎn)(right location point)：主行右一行和右二行的分割點(diǎn)。左位點(diǎn)和右位點(diǎn)確定了主三行的位置。
左截點(diǎn)(left end point)：主行左邊籽粒行的邊界，一般在果穗提取框內(nèi)部。
右截點(diǎn)(right end point)：主行右邊籽粒行的邊界，一般在果穗提取框內(nèi)部。
其中，左位點(diǎn)和右位點(diǎn)代表了主三行的位置，這 2 點(diǎn)之間所包括的行數(shù)為 3。
4.2 位點(diǎn)和位截點(diǎn)計(jì)算
利用三線掃描法在掃描果穗主行左二行時(shí)即可獲取這兩行的縫隙寬度，取寬度的中心坐標(biāo)即為籽粒主三行的左位點(diǎn);同理可以計(jì)算得到主三行的右位點(diǎn)。
左截點(diǎn)計(jì)算方法如下：
S1：獲取模板圖像的旋轉(zhuǎn)圖像;
S2：從中心籽粒的中心點(diǎn)開(kāi)始在旋轉(zhuǎn)后的模板圖像上向左掃描，直到遇到灰度值為 0 的點(diǎn)(黑色像素點(diǎn))為止;
S3：該點(diǎn)的前一個(gè)點(diǎn)即為左截點(diǎn)。
右截點(diǎn)算法與之類(lèi)似，在此不再贅述。在獲取所有需要的點(diǎn)坐標(biāo)后，需要進(jìn)行逆旋轉(zhuǎn)變換，將旋轉(zhuǎn)后計(jì)算得到的點(diǎn)旋轉(zhuǎn)回原圖的坐標(biāo)系當(dāng)中。最終，對(duì)果穗籽粒的主三行識(shí)別效果如圖 6 所示。
從圖 6 中 2 個(gè)果穗分割結(jié)果可以看出，對(duì)于排布緊密的果穗籽粒和排布松散的籽粒，該算法均能識(shí)別出主三行的位置信息。
確定了左位點(diǎn)、右位點(diǎn)、左截點(diǎn)和右截點(diǎn)這 4 個(gè)關(guān)鍵點(diǎn)信息后，即可計(jì)算出穗行數(shù)。
4.3 位截點(diǎn)穗行數(shù)計(jì)算模型
穗行數(shù)計(jì)算模型采用平行投影進(jìn)行計(jì)算(如圖 7 所示 2 條垂直豎線)，由于拍攝高度遠(yuǎn)大于穗粗，因此投影線傾斜造成的誤差可忽略不計(jì)。
在圖 7 中，整個(gè)圓代表果穗的橫截面，其中 GH 為果穗的測(cè)量基準(zhǔn)平面，GH 的長(zhǎng)度表示穗粗長(zhǎng)度;MN 表示主三行的投影長(zhǎng)度，GM 和 NH 分別表示主三行兩側(cè)可見(jiàn)籽粒的投影長(zhǎng)度，基于“果穗籽粒在整個(gè)圓周上均勻排布”的假設(shè)，可得出 3 段弧長(zhǎng)的比即為這 3 個(gè)區(qū)域內(nèi)籽粒數(shù)量的比。
相關(guān)知識(shí)推薦：計(jì)算機(jī)視覺(jué)圖像處理論文怎么發(fā)表ei期刊
現(xiàn)在，已知 EF 代表主三行籽粒，且已知主三行的圖像投影長(zhǎng)度為 b(MN)，主三行左側(cè)半面籽粒投影長(zhǎng)度為 a(GM)，右側(cè)為 c(NH)，半徑長(zhǎng) r=(a+b+c)/2。主三行、左側(cè)和右側(cè)的弧長(zhǎng)分別記作 lb，la，lc，其對(duì)應(yīng)的弦長(zhǎng)分別記作 Sb，Sa，Sc。由圓內(nèi)接直角三角形的性質(zhì)可得
5 行粒數(shù)快速估算方法
行粒數(shù)快速估算的基本思想同穗行數(shù)，但掃描方向不同，具體的步驟如下：
S1：利用前面描述方法旋轉(zhuǎn)果穗圖像并確定中心籽粒，并記行粒數(shù)為 1;
S2：以中心籽粒為起點(diǎn)，沿 y 軸負(fù)方向進(jìn)行三線掃描(左端點(diǎn)、右端點(diǎn)和中心點(diǎn))，直到掃描到下一個(gè)籽粒為止;
S3：通過(guò)輪廓跟蹤算法(如蟲(chóng)隨法)確定 S2 步驟中的籽粒輪廓信息，將行粒數(shù)自加 1，并以剛掃描到的籽粒輪廓為新的起點(diǎn)繼續(xù)沿著 y 軸負(fù)方向進(jìn)行三線掃描，直至掃描超過(guò)玉米果穗輪廓邊界為止，得到 y 軸負(fù)方向籽粒數(shù);
S4：重新以中心籽粒為起點(diǎn)，沿 y 軸正方向進(jìn)行三線掃描，不斷重復(fù)步驟 S2～S4，直至掃描超過(guò)果穗輪廓邊界為止，得到 y 軸正方向籽粒數(shù);
S5：根據(jù) y 軸負(fù)方向籽粒數(shù)和 y 軸正方向籽粒數(shù)計(jì)算得到玉米果穗主行上的行粒數(shù)。將上述算法應(yīng)用于左一行籽粒、右一行籽粒上，可得到主三行籽粒的行粒數(shù)，三者求平均即可計(jì)算得到該果穗的平均行粒數(shù)。
圖 8 顯示了果穗行粒數(shù)的識(shí)別效果。
6 試驗(yàn)與分析
6.1 穗長(zhǎng)、穗粗測(cè)量算法精度測(cè)試
以玉米果穗的穗長(zhǎng)和穗粗為測(cè)試對(duì)象，驗(yàn)證從系統(tǒng)標(biāo)定到投影變換及任意擺放等測(cè)量方案的測(cè)量精度。試方法如下：
取自交系和雜交系各 30 穗玉米果穗樣本作為測(cè)量對(duì)象;每次同時(shí)測(cè)量 5 穗玉米果穗，將果穗任意擺放在載物臺(tái)上;測(cè)量完數(shù)據(jù)之后，用游標(biāo)卡尺(量程 300 mm，精度 0.02 mm)分別測(cè)量這 5 穗果穗的實(shí)際穗長(zhǎng)穗粗;另?yè)Q一組(5 個(gè))玉米果穗，重復(fù)上述步驟，直至所有果穗都測(cè)量完成為止。每穗計(jì)算誤差均取絕對(duì)值，測(cè)量結(jié)果如表 1 所示。
從表 1 中可以分析得到，經(jīng)過(guò)投影修正算法后穗長(zhǎng)、穗粗的測(cè)量精度在 95%以上，平均誤差小于 3%，精度滿足要求。
6.2 穗行數(shù)與行粒數(shù)算法精度測(cè)試
由于玉米果穗的穗行數(shù)為偶數(shù)這個(gè)生物學(xué)特征，所以測(cè)量誤差行數(shù)也為 2 的倍數(shù)。由于穗行數(shù)真值是明確的，因此測(cè)量精度不能用誤差率衡量，而應(yīng)該使用零誤差率來(lái)衡量，即指測(cè)量準(zhǔn)確的穗行數(shù)的樣本數(shù)量占總樣本數(shù)量的百分比。測(cè)試穗行數(shù)以及行粒數(shù)的測(cè)量精度試驗(yàn)方案如下：
在室內(nèi)光照環(huán)境下，分別取 30 穗自交系果穗和 30 穗雜交系果穗，進(jìn)行圖像采集并測(cè)量，人工計(jì)數(shù)其穗行數(shù)和行粒數(shù)的真值;利用同樣的樣本，在換到室外光照環(huán)境下進(jìn)行同樣的圖像測(cè)量與真值人工計(jì)數(shù);將測(cè)量值與真值進(jìn)行對(duì)比統(tǒng)計(jì)與誤差分析，分析結(jié)果如表 2 所示。
分析表 2 中數(shù)據(jù)可以發(fā)現(xiàn)，雜交系和自交系的穗行數(shù)測(cè)量零誤差率在 93%以上，行粒數(shù)的測(cè)量絕對(duì)誤差在 2 粒左右，能夠滿足測(cè)量要求。
6.3 算法速度測(cè)試
算法速度測(cè)試采用計(jì)算機(jī)為雙核 1.9 GHz，2 G 內(nèi)存，集成顯卡，運(yùn)行平臺(tái) Windows 7，速度測(cè)試方案如下：
分別取 30 穗雜交系果穗，運(yùn)用第 1 節(jié)所描述的試驗(yàn)系統(tǒng)進(jìn)行測(cè)量;測(cè)量計(jì)時(shí)開(kāi)始后，以 5 穗為單位進(jìn)行逐 次測(cè)量，擺放無(wú)粘連，共計(jì)測(cè)量 6 次;同樣取 30 穗果穗，再測(cè)試擺放粘連情況下測(cè)量用時(shí);再取 30 穗雜交系果穗，進(jìn)行上述用時(shí)測(cè)量，并最終統(tǒng)計(jì)分析結(jié)果，速度測(cè)試結(jié)果如表 3 所示。
分析上表 3 中數(shù)據(jù)可知，本文采用的試驗(yàn)系統(tǒng)的平均測(cè)量速度為 32.30 穗/min。而王傳宇等提出的采用全景技術(shù)的玉米果穗考種指標(biāo)測(cè)量方法中，測(cè)量單穗果穗的考種指標(biāo)所需要消耗的時(shí)間大約為 30 s[2]。相比較而言，本文提出的方法在精度滿足要求的前提下，有著較快的測(cè)量速度，對(duì)于實(shí)現(xiàn)大批量考種有著重要的參考價(jià)值。
7 結(jié) 論
本文以玉米果穗的禿尖率、穗行數(shù)、行粒數(shù)等產(chǎn)量組分性狀為研究對(duì)象，針對(duì)目前手工測(cè)量方法效率低、主觀誤差大，且無(wú)法保留完整的原始考種材料等問(wèn)題，基于可見(jiàn)光二維成像獲取果穗三維表型性狀參數(shù)，并結(jié)合果穗顏色特征及果穗的生物學(xué)規(guī)律分別建立投影修正模型、穗行數(shù)快速估算模型、行粒數(shù)計(jì)算模型，精確計(jì)算穗長(zhǎng)、穗粗、穗行數(shù)以及行粒數(shù)等性狀參數(shù)。試驗(yàn)結(jié)果表明，該方法適用于粘連果穗處理，且對(duì)光照環(huán)境要求低，穗行數(shù)及行粒數(shù)的零誤差率在 93%以上，測(cè)量速度可達(dá) 30 穗/min 以上，對(duì)于實(shí)現(xiàn)高通量考種及精細(xì)化育種有重要的參考價(jià)值。
基于本文計(jì)算數(shù)據(jù)，進(jìn)一步分析計(jì)算果穗的籽粒類(lèi)型(馬齒、硬粒型)、籽粒分布規(guī)律等精細(xì)化性狀指標(biāo)將是后續(xù)的研究方向。——論文作者：周金輝，馬 欽※ ，朱德海，郭 浩，王 越，張曉東，李紹明，劉 哲
