發(fā)布時間：所屬分類：計算機職稱論文瀏覽：1次
摘 要： 摘 要：玉米果穗的穗長、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量方式，或通過截取果穗橫斷面圖像自動計算穗行數(shù)等參數(shù)，操作復雜、測量效率低、主觀誤差大，且無法保留完整的原始考種材料。針對上述問題，該文基于機器視覺技術
摘 要：玉米果穗的穗長、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量方式，或通過截取果穗橫斷面圖像自動計算穗行數(shù)等參數(shù)，操作復雜、測量效率低、主觀誤差大，且無法保留完整的原始考種材料。針對上述問題，該文基于機器視覺技術，通過可見光二維成像獲取果穗三維表型性狀參數(shù)，結合果穗顏色特征及果穗的生物學規(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)計算模型等，精確計算穗長、穗粗、穗行數(shù)以及行粒數(shù)等性狀參數(shù)。試驗結果表明，該方法適用于粘連果穗處理，禿尖的識別率高，且對光照環(huán)境要求低，穗行數(shù)及行粒數(shù)的零誤差率在 93%以上，測量速度可達 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現(xiàn)無損測量，對于實現(xiàn)高通量考種及精細化育種有重要的參考價值。
關鍵詞：機器視覺;圖像處理;無損檢測;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程中一個重要的環(huán)節(jié)，考種的項目、種類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、分析、存儲[1]。如何快速準確地測量玉米考種性狀數(shù)據(jù)，對于提高科學選種和育種效率極為重要。
目前國內(nèi)研究玉米果穗整穗無損測量方法的較少，王傳宇等[2]利用全景技術將采集的旋轉玉米果穗圖像序列無縫拼接，對果穗全景圖像進行考種指標檢測，但單穗檢測時間約 30 s。北京農(nóng)業(yè)智能裝備技術研究中心的畢昆等[4]研究了基于機器視覺的玉米考種裝置，通過圖像采集裝置以及載物臺測重裝置提取玉米果穗多個考種參數(shù)，改善了目前人工考種的眾多弊端;但在實現(xiàn)大數(shù)量樣本考種測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量方法，操作簡單且易于批量測量，但是其算法沒有考慮到相機成像的特點造成的圖像放大及像素距離分布的非線性特性，其穗長穗粗測量測度在 96.01%左右(本文在 97%以上)，且可測量的性狀較少。
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 個試驗點，每個試驗點需考察 5 000 多個品種(自交系和雜交系)，考種過程均由人工完成，存在如下問題：人力成本消耗大、工作效率低、精度不高、主觀觀測誤差大、信息共享率低等問題，因此研究玉米果穗的自動無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)量因素的構成也有很大差異。因此，通過室內(nèi)考種，分析研究在不同條件下的合理產(chǎn)量結構，爭取穗大粒多粒重的品種可實現(xiàn)進一步促進高產(chǎn)。
綜上所述，本文研究了一種基于機器視覺的玉米果穗產(chǎn)量組分性狀快速無損測量方法，在保證測量精度的同時，降低了硬件設備成本，且測量速度可達每分鐘 30 穗以上，完全能夠滿足考種的需求，對于實現(xiàn)高通量考種及精細化育種有重要意義。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性，模擬玉米考種的實際工作環(huán)境，設置圖像采集的試驗環(huán)境如下：非廣角 CMOS 針孔相機(便攜、低成本)，光線柔和的明亮場所下采集(無需特殊光源設置)。相機為 500 萬像素，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。本算法測試使用的 PC 機配置為雙核 1.9 GHz，2 G 內(nèi)存。圖像采集區(qū)為藍色的背景板，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)三維表型性狀的計算，是關鍵的環(huán)節(jié)。結合玉米考種的實際硬件和光照環(huán)境情況，輪廓提取需要解決陰影的干擾、相機自動白平衡和自動曝光色差等問題。
基于果穗圖像的上述問題，傳統(tǒng)的色彩通道分離算法存在局限性，無法準確提取果穗輪廓;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)，計算果穗和背景之間的類間方差，并以此作為果穗輪廓分割的依據(jù)，如圖 2 所示，在陰影和色差嚴重情況下，果穗輪廓可以準確提取出來。
2.2 粘連果穗輪廓分割
為了提高玉米果穗測量通量和速度，擺放果穗到拍攝平臺時允許任意擺放、存在粘連情況。關于粘連目標分離問題有很多經(jīng)典算法，本文進行了對比分析，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：該算法要求目標輪廓具有凸性。玉米果穗輪廓不滿足。
分水嶺算法：易造成過分割。
霍夫圓估計法：只能分割類圓形目標，玉米果穗不滿足。
鑒于上述情況，本文提出了一種改進的玉米果穗粘連(豎排擺放且串聯(lián)粘連情況)分割算法，具體算法如下：
S1：選取最左側果穗輪廓線的中點作為起始點，利用 freeman 鏈碼跟蹤輪廓梯度變化，并標記關鍵點。梯度計算采用差分法以提高速度;
S2：輪廓跟蹤會產(chǎn)生上坡點和下坡點兩類，由于分割點屬于下坡點，因此只標記下坡點;
S3：針對出現(xiàn)的部分過分割現(xiàn)象，需要根據(jù)分割點和過分割點之間的鄰域差異去除過分割點，采用最大似然估計法得到最小二乘意義上的分割點位置;
S4：果穗的底部分割和頂部分割方法類似，只需要交換上坡點和下坡點，并以此重新進行最大似然估計以除去過分割點;
S5：依照對應點關系(下坡點對應上坡點)，切開粘連輪廓。多個粘連果穗的分割效果如圖 3 所示。
3 投影修正模型
由于玉米果穗是類旋轉體，依據(jù)相機成像原理，構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 點為相機位置，C 點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際穗粗。DB 和 DA 表示投影光線，AB 所代表的長度就是采集到圖像上的穗粗(說明：圖像上測得長度為經(jīng)過標定當量變換的實際長度值)。因此，玉米果穗的實際穗粗為 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)具有以下生物學特征：玉米小穗分化期小穗裂片會分裂為 2 個小穗進而分化為 2 個小花突起，使果穗長成雙行，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)的生物學特征，本文通過單面采集果穗圖像來構建穗行數(shù)快速估算模型。
在人工考種測定中，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)一般是通過計算果穗主三行籽粒的疏密程度來判別的;因此本文算法通過果穗圖像中主三行的籽粒疏密程度來計算穗行數(shù)。通過對比分析 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，定義以下術語：
中心籽粒(center grain point)：就是處在無禿尖果穗?yún)^(qū)域最中心位置的籽粒。
左位點(left location point)：主行左一行和左二行的分割點。左位點和右位點確定了主三行的位置。
右位點(right location point)：主行右一行和右二行的分割點。左位點和右位點確定了主三行的位置。
左截點(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(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，左位點和右位點代表了主三行的位置，這 2 點之間所包括的行數(shù)為 3。
4.2 位點和位截點計算
利用三線掃描法在掃描果穗主行左二行時即可獲取這兩行的縫隙寬度，取寬度的中心坐標即為籽粒主三行的左位點;同理可以計算得到主三行的右位點。
左截點計算方法如下：
S1：獲取模板圖像的旋轉圖像;
S2：從中心籽粒的中心點開始在旋轉后的模板圖像上向左掃描，直到遇到灰度值為 0 的點(黑色像素點)為止;
S3：該點的前一個點即為左截點。
右截點算法與之類似，在此不再贅述。在獲取所有需要的點坐標后，需要進行逆旋轉變換，將旋轉后計算得到的點旋轉回原圖的坐標系當中。最終，對果穗籽粒的主三行識別效果如圖 6 所示。
從圖 6 中 2 個果穗分割結果可以看出，對于排布緊密的果穗籽粒和排布松散的籽粒，該算法均能識別出主三行的位置信息。
確定了左位點、右位點、左截點和右截點這 4 個關鍵點信息后，即可計算出穗行數(shù)。
4.3 位截點穗行數(shù)計算模型
穗行數(shù)計算模型采用平行投影進行計算(如圖 7 所示 2 條垂直豎線)，由于拍攝高度遠大于穗粗，因此投影線傾斜造成的誤差可忽略不計。
在圖 7 中，整個圓代表果穗的橫截面，其中 GH 為果穗的測量基準平面，GH 的長度表示穗粗長度;MN 表示主三行的投影長度，GM 和 NH 分別表示主三行兩側可見籽粒的投影長度，基于“果穗籽粒在整個圓周上均勻排布”的假設，可得出 3 段弧長的比即為這 3 個區(qū)域內(nèi)籽粒數(shù)量的比。
相關知識推薦：計算機視覺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度為 b(MN)，主三行左側半面籽粒投影長度為 a(GM)，右側為 c(NH)，半徑長 r=(a+b+c)/2。主三行、左側和右側的弧長分別記作 lb，la，lc，其對應的弦長分別記作 Sb，Sa，Sc。由圓內(nèi)接直角三角形的性質可得
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，沿 y 軸負方向進行三線掃描(左端點、右端點和中心點)，直到掃描到下一個籽粒為止;
S3：通過輪廓跟蹤算法(如蟲隨法)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繼續(xù)沿著 y 軸負方向進行三線掃描，直至掃描超過玉米果穗輪廓邊界為止，得到 y 軸負方向籽粒數(shù);
S4：重新以中心籽粒為起點，沿 y 軸正方向進行三線掃描，不斷重復步驟 S2～S4，直至掃描超過果穗輪廓邊界為止，得到 y 軸正方向籽粒數(shù);
S5：根據(jù) y 軸負方向籽粒數(shù)和 y 軸正方向籽粒數(shù)計算得到玉米果穗主行上的行粒數(shù)。將上述算法應用于左一行籽粒、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)的識別效果。
6 試驗與分析
6.1 穗長、穗粗測量算法精度測試
以玉米果穗的穗長和穗粗為測試對象，驗證從系統(tǒng)標定到投影變換及任意擺放等測量方案的測量精度。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量對象;每次同時測量 5 穗玉米果穗，將果穗任意擺放在載物臺上;測量完數(shù)據(jù)之后，用游標卡尺(量程 300 mm，精度 0.02 mm)分別測量這 5 穗果穗的實際穗長穗粗;另換一組(5 個)玉米果穗，重復上述步驟，直至所有果穗都測量完成為止。每穗計算誤差均取絕對值，測量結果如表 1 所示。
從表 1 中可以分析得到，經(jīng)過投影修正算法后穗長、穗粗的測量精度在 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)算法精度測試
由于玉米果穗的穗行數(shù)為偶數(shù)這個生物學特征，所以測量誤差行數(shù)也為 2 的倍數(shù)。由于穗行數(shù)真值是明確的，因此測量精度不能用誤差率衡量，而應該使用零誤差率來衡量，即指測量準確的穗行數(shù)的樣本數(shù)量占總樣本數(shù)量的百分比。測試穗行數(shù)以及行粒數(shù)的測量精度試驗方案如下：
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，進行圖像采集并測量，人工計數(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)境下進行同樣的圖像測量與真值人工計數(shù);將測量值與真值進行對比統(tǒng)計與誤差分析，分析結果如表 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)測量零誤差率在 93%以上，行粒數(shù)的測量絕對誤差在 2 粒左右，能夠滿足測量要求。
6.3 算法速度測試
算法速度測試采用計算機為雙核 1.9 GHz，2 G 內(nèi)存，集成顯卡，運行平臺 Windows 7，速度測試方案如下：
分別取 30 穗雜交系果穗，運用第 1 節(jié)所描述的試驗系統(tǒng)進行測量;測量計時開始后，以 5 穗為單位進行逐 次測量，擺放無粘連，共計測量 6 次;同樣取 30 穗果穗，再測試擺放粘連情況下測量用時;再取 30 穗雜交系果穗，進行上述用時測量，并最終統(tǒng)計分析結果，速度測試結果如表 3 所示。
分析上表 3 中數(shù)據(jù)可知，本文采用的試驗系統(tǒng)的平均測量速度為 32.30 穗/min。而王傳宇等提出的采用全景技術的玉米果穗考種指標測量方法中，測量單穗果穗的考種指標所需要消耗的時間大約為 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，有著較快的測量速度，對于實現(xiàn)大批量考種有著重要的參考價值。
7 結 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象，針對目前手工測量方法效率低、主觀誤差大，且無法保留完整的原始考種材料等問題，基于可見光二維成像獲取果穗三維表型性狀參數(shù)，并結合果穗顏色特征及果穗的生物學規(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)計算模型，精確計算穗長、穗粗、穗行數(shù)以及行粒數(shù)等性狀參數(shù)。試驗結果表明，該方法適用于粘連果穗處理，且對光照環(huán)境要求低，穗行數(shù)及行粒數(shù)的零誤差率在 93%以上，測量速度可達 30 穗/min 以上，對于實現(xiàn)高通量考種及精細化育種有重要的參考價值。
基于本文計算數(shù)據(jù)，進一步分析計算果穗的籽粒類型(馬齒、硬粒型)、籽粒分布規(guī)律等精細化性狀指標將是后續(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