南京农业大学学报  2018, Vol. 41 Issue (4): 742-751   PDF    
http://dx.doi.org/10.7685/jnau.201709043
0

文章信息

杜世伟, 李毅念, 姚敏, 李玲, 丁启朔, 何瑞银
DU Shiwei, LI Yinian, YAO Min, LI Ling, DING Qishuo, HE Ruiyin
基于小麦穗部小穗图像分割的籽粒计数方法
Counting method of grain number based on wheatear spikelet image segmentation
南京农业大学学报, 2018, 41(4): 742-751
Journal of Nanjing Agricultural University, 2018, 41(4): 742-751.
http://dx.doi.org/10.7685/jnau.201709043

文章历史

收稿日期: 2017-09-26
基于小麦穗部小穗图像分割的籽粒计数方法
杜世伟 , 李毅念 , 姚敏 , 李玲 , 丁启朔 , 何瑞银     
南京农业大学工学院, 江苏 南京 210031
摘要[目的]小麦穗部小穗数及籽粒数能够直接反映小麦产量,也是小麦穗表型研究中2个非常重要的参数。[方法]为了快速测量这2个参数,针对小麦穗部正视图像,提出了一种基于图像处理技术的小麦小穗抛物线分割方法,并实现了小穗数及籽粒数的同步识别计数。首先采用图像预处理算法获得麦穗二值图像,然后将二值图像沿穗轴方向的像素按行求和,根据行像素求和曲线图中波峰波谷确定所需要的小穗3个位置点,由小穗3个位置点在二值图像上确定三点拟合抛物线,最后运用抛物线位置分割出各小穗,同时通过阈值法确定各小穗面积值与其籽粒数之间的关系。[结果]使用3个品种小麦穗图像对小穗数及籽粒数识别方法进行验证,结果表明:采用该方法3个品种小麦穗部小穗数识别的平均零误差率为68.16%,平均绝对误差为0.46,平均相对误差为2.99%,对比已有文献识别小穗数方法,识别精度显著提高;3个品种小麦穗部籽粒数识别的平均绝对误差为2.11,平均相对误差为5.62%;3个品种单株麦穗平均测量时间为7.99 s。[结论]运用本方法可以快速高精度地对小麦穗部小穗数及籽粒数进行自动计数。
关键词小麦穗   小穗数   籽粒数   图像处理   抛物线分割   
Counting method of grain number based on wheatear spikelet image segmentation
DU Shiwei, LI Yinian , YAO Min, LI Ling, DING Qishuo, HE Ruiyin    
College of Engineering, Nanjing Agricultural University, Nanjing 210031, China
Abstract: [Objectives] Wheatear spikelet number and grain number directly reflect the yield of wheat, which are two very important parameters in the research of wheat phenotype. This measuring accuracy about the number of spikelet is very low at present, which can not meet the actual needs of breeding and estimating yield. The literature on measuring grain number has not yet appeared. [Methods] In order to measure these two parameters quickly, a parabolic segmentation method based on image processing technique for wheatear spikelet was presented in this paper, and the synchronously counting spikelet number and grain number were realized by using the wheatear front view image. Firstly, image preprocessing algorithm was used in order to obtain adjusted binary image of wheatear. Then the pixels were summed according to rows of binary image, and the curve of the row pixels sum was plotted. Then the smoothing curve was obtained by using smoothing filtering algorithm and the peaks and troughs of the smoothing curve were obtained by using extracting extremum. The stalk of the wheat was separated by setting a pixels threshold depending on the width difference between the stalk and the ear head. The number of peaks at the ear head in the smoothing curve indicated the number of spikelet. Then the abscissa values of the peaks and troughs were obtained, which represented the ordinal number Y of rows in binary image. A set of intersection points between the rows ordinal number Y and the boundary of the wheatear in binary image could be obtained. Then the midpoint coordinate of the wheatear boundary was obtained at the trough. And the maximum and minimum point coordinates of the wheatear boundary were obtained at the peak. Then three position points of fitting the parabolic curve for spikelet were ascertained according to the coordinate of peaks and troughs of the smoothing curve at the binary image. Finally, each spikelet in wheatear was segmented using the fitted parabolic curve. The area of each spikelet was extracted. Meanwhile, the grain number of each spikelet was counted manually. So then the relation between the area of each spikelet and the grain number was obtained by using threshold method. [Results] The wheatear images of three wheat varieties were identified to validate the spikelet number and grain number of each wheatear. The experiment results manifested that the average zero error rate of the spikelet number for three wheat varieties was 68.16%, the average absolute error of three wheat varieties of the spikelet number was 0.46, and the average relative error of the spikelet number for three wheat varieties was 2.99% by using aforementioned method to identify the spikelet number at wheatear. The recognition accuracy and the average zero error rate of the spikelet number were greatly improved by compared with the existing literature. And using aforementioned method to identify the grain number at wheatear, the average absolute error of grain number for three wheat varieties was 2.11, and the average relative error of grain number for three wheat varieties was 5.62%.The average measurable time for three wheat varieties was 7.99 s for a wheatear. [Conclusions] The automatically image counting wheat grain number and spikelet number for a wheatear with faster and higher precision can be realized.
Key words: wheatear    spikelet number    grain number    image processing    parabolic segmentation   

小麦穗部形态参数直接反映了小麦的生长状况和产量信息[1]。单株小麦穗部正面小穗数及各小穗籽粒数作为小麦穗部表型形态考察的2个重要参数[2], 直接体现了小麦的品质好坏与产量高低。

目前, 小麦穗部小穗数及籽粒数统计主要通过人工计数来完成, 不仅工作量巨大, 且效率低下, 费时费力[3]。近年来, 随着农业信息化程度的提高, 图像处理技术已经在农业领域获得了广泛的应用。在玉米果穗研究方面[4-6], 运用图像处理算法, 已经实现了穗行数、行粒数、总粒数等重要果穗表型参数信息的提取。在水稻穗研究方面[7-8], 同样实现了较高精度的稻穗结构特征及籽粒数相关表型信息的提取。在小麦育种及考种过程中, 图像处理技术的应用主要体现为病害诊断[9-11]、品种分类[12-14]、不完善籽粒检测[15-17]、产量预测[18-21]、小麦籽粒形态测量[22-24]等方面。而在单株小麦穗部性状识别研究方面国内外文献较少。毕昆等[23]和姜盼等[24]利用形态学图像处理的方法实现了穗长、芒长、芒个数、穗型等参数的自动提取。路文超等[3]提出一种基于图像处理技术的穗长和小穗数同步测量方法, 仅仅利用图像处理技术提取出小麦穗侧视图像小穗数及穗长参数信息, 其小穗数识别零误差率仅为16.00%, 平均绝对误差为1.60, 相对误差为7.89%。目前, 识别单株小麦穗籽粒数信息的研究鲜有文献报道。

本文基于图像处理技术, 以小麦穗正视图像为研究对象, 对小穗数及各小穗所表示籽粒数进行识别计数, 提出了利用拟合抛物线方法来分割小麦穗部正面各小穗, 实现小麦小穗数及籽粒数的识别计数。

1 试验设备及材料 1.1 试验设备

图像采集系统见图 1, 包括CMOS工业相机(MV-EM1400C, 分辨率3 288×4 608像素)、LED条形光源(AFT-WL21244-22W, 白光)、载物台(MV-BR601)、光源控制器(AFT-ALP2406-02), 上述设备为陕西维视数字图像技术有限公司生产。数据处理平台包括PC机(HP Win7 PC 64位)和MATLAB R2014a软件。

图 1 图像采集系统 Figure 1 Device of image collection 1.相机Camera; 2.光源Light sources; 3.载物台Stage; 4.计算机Computer; 5.光源控制器Light controller.
1.2 试验材料

供试3个小麦品种为‘苏科麦1号’‘扬麦22号’‘苏麦188号’, 其麦穗正视图见图 2。于2017年5月下旬在南京市江浦农场大田, 采集收获前1~2周饱满成型麦穗, 样本数量分别为150、134、153株。对每株麦穗穗部小穗数及籽粒数人工计数, 再进行图像采集。图像采集时, 将小麦穗正面放置于相机正下方载物台上, 并使其穗轴长度方向垂直于条形光源, 调整相机垂直高度来改变物距, 直到麦穗完全出现在相机镜头视野中, 然后调整麦穗, 使得相机视野中为麦穗正视图像。打开麦穗茎秆一侧LED条形光源调整到合适角度及亮度, 最后调节摄像头焦距, 直到显示出清晰的穗部正视图像。

图 2 小麦穗正视图像 Figure 2 Front view of wheatear
2 图像处理算法流程

图像处理算法流程如图 3所示。

图 3 小麦穗小穗数和籽粒数算法流程图 Figure 3 Algorithm flowchart of spikelet number and grain number of wheatear
2.1 图像预处理

以‘苏科麦1号’为例, 小麦穗部原图像和二值图像见图 4。图像采集系统获得的小麦穗部正视图像如图 4-a所示。图像中定义左上角为坐标原点O, 水平向右为X轴正方向, 竖直向下为Y轴正方向。图像获取之后首先经过灰度化、Otsu自动阈值法二值化操作得到麦穗二值图像(图 4-b), 为了去掉麦芒, 二值图像需先经过形态学开运算得到去掉芒的麦穗二值图像(图 4-c), 最后再将二值图像绕几何中心O1逆时针旋转至平行于Y轴方向, 茎秆在上, 穗头朝下。通过对二值图像中麦穗区域拟合具有相同二阶矩的椭圆, 获得所拟合椭圆的长轴与坐标横轴的夹角度数β(锐角, 正、负分别表示茎秆向右、向左倾斜), 这一过程可由MATLAB中Regionprops函数来实现, 该函数是用来描述图像属性的函数, 可求得与麦穗区域相同二阶矩椭圆的长轴与坐标横轴的夹角。若β为正, 则二值图像绕几何中心O1逆时针旋转角度为90-β, 若β为负, 则二值图像绕几何中心O1逆时针旋转角度为270+|β|。二值图像旋转后如图 4-d所示。

图 4 原图像和二值图像 Figure 4 Original image and binary image 图d中, A0B0表示旋转前麦穗轴线位置; A1B1表示旋转后麦穗轴线位置。 In figure(d), A0B0 represents the position of wheatear axis before rotation; A1B1 represents the position of wheatear axis after rotation.
2.2 小穗数计数 2.2.1 二值图像像素按行求和

通过观察麦穗二值图像(图 4)可知, 单株麦穗上各小穗之间存在一定间隙, 但是各小穗之间中间部位仍存在相互粘连情况。为了更加精确地区分开各小穗, 通过对麦穗二值图沿穗轴Y方向像素按行求和得到1组包含麦穗信息的列向量, 记为Sum。因为1幅二值图像是1个取值只有0和1的逻辑数组, 白色区域各像素点处像素值为1, 黑色区域各像素点处像素值为0, 所以在列向量Sum中的各元素值分别对应二值图像各行的像素值为1的白色像素点数。然后以该列向量Sum中所有数据元素为y值, 各数据元素在列向量Sum中对应的行标为x值, 画出像素行和曲线如图 5-a所示。

图 5 二值图像像素按行求和 Figure 5 Summed pixels by rows for binary image

由于麦穗茎秆与穗头的宽度差异较大, 表现为茎秆末端与穗连接处白像素数大幅度增加(图 5-a)。比较同一品种多幅图像中茎秆每行所占白色像素数数据, 发现茎秆沿Y方向各行白色像素数最大不超过100, 而同一品种小麦穗茎秆宽度变化不大。故以y0=100作为阈值, 列向量Sum中元素值等于y0时对应的x0值左侧表示麦穗茎秆, 右侧表示穗头。穗头对应各小穗会出现较明显的波峰, 并在相邻小穗间出现较明显的波谷, 但是还存在一些多余微小波峰波谷。为了突出较大波峰与波谷的位置, 采用五点三次平滑滤波算法对图 5-a中曲线进行平滑滤波。五点三次平滑滤波是针对离散数据的一种平滑处理算法, 是利用最小二乘法原理对离散数据各点自动进行三次最小二乘多项式拟合平滑的方法。该算法对于频域数据的作用是能使谱曲线变得光滑, 可有效去除曲线上各微小波峰与波谷而不改变较大波峰和波谷处的横坐标。经平滑滤波后的曲线如图 5-b所示。五点三次平滑滤波计算公式为:

(1)

式中: i=3,…,N-2。

2.2.2 获取极值点

根据函数f(x)在其定义域x上取得极值的第二充分条件, 设F(x)为曲线经过平滑后得到的新函数, 由于在实际问题中F(x)是一组对应于定义域x的离散向量, 因此针对离散数据, 利用差分函数对F(x)在其定义域x上求差分。差分函数是将离散数据从第1个数据起, 使后一个数据减去前一个数据之差组成新的离散向量。为简化后续求二次差分时的计算, 当一次差分函数F′(x) < 0时, 使F′(x)=-1;当F′(x)>0时, 使F′(x)=1。再利用差分函数对F′(x)在其定义域x上求差分, 得二次差分F″(x)。当F″(xi)≠0时, 则F(x)在xi处取得极值; 当F″(xi) < 0时, 则F(x)在xi处取得极大值; 当F″(xi)>0时, 则F(x)在xi处取得极小值。通过设定阈值y0, 得到小麦二值图像穗头部分的极值点(即波峰点和波谷点)的x坐标集合D={x1, x2, …, x2np-1}, np为波峰点数量。利用差分函数对离散数据的具体操作原理示意图见图 6

图 6 离散数据差分原理示意图 Figure 6 Diagrammatic sketch of discrete data difference principle
2.2.3 小穗数计算

由于小麦穗部除顶端小穗外, 其他小穗一般于麦穗穗轴两侧成对存在, 且顶端小穗在麦穗正视图像上呈侧视分布, 其在正视图上与一侧最下端小穗紧密连在一起, 呈倒三角形分布, 上宽下尖, 在二值图像像素按行求和曲线中顶端小穗和一侧最下端小穗识别为1个小穗。于是图像识别一侧小穗数(Np)即为实际一侧小穗数, 数量上并未包括顶端1个小穗。如图 5-b所示, 小麦穗头部分波峰的数量(Np=7)即为单株麦穗穗部一侧小穗数量。因此, 在计算过程中只需要识别出一侧的小穗数, 然后乘以2再加1, 即为估算的小穗数。故采用式(2)计算小穗数。

(2)

式中:N为总小穗数; Np为图像识别一侧小穗数。

2.3 籽粒数计数 2.3.1 抛物线分割

对于单株麦穗穗部各小穗的分割, 运用抛物线分割方法, 该方法可根据各小穗穗部自然生长状态进行分割。首先利用麦穗茎秆与穗头宽度差异, 如前所述通过设定阈值y0找到茎秆末端对应坐标x0(即对应二值图像中坐标设为Y1), 然后在二值图像中, 将茎秆部分(Y < Y1)白色像素点置0, 使茎秆部分变为黑色, 以去除茎秆。集合D={x1, x2, …, x2np-1}中各元素(即在二值图像中取得波峰波谷点的行标)对应于二值图像中的坐标为Yn(n=2, 3, 4, …), 则有集合Y={Y1, Y2, …, Y2np}, 如图 7-a所示。然后对应于集合Y中每一个元素在二值图像麦穗边界(图 7-b)上找出所有交点处的X坐标, 组成集合Ht={X1, X2, …, Xnk}, k=1, 2, …, 2np, nk为第k集合所含元素数。再在各波谷处分别计算对应X坐标最大值与最小值之和的平均值, 即在波谷处取穗边界中点, 记作An(n=1, 2, 3, …); 在波峰处分别计算对应X坐标的最大值与最小值, 即在波峰处取穗边界最大值点和最小值点, 分别记作Maxn和Minn(n=1, 2, 3, …)。为了不使各小穗边缘过度分割, 在画抛物线时, 先将波峰处穗身上最大值点向右平移K个像素得到坐标(Maxn+K, Y2n), 最小值点向左平移K个像素得到坐标(Minn-K, Y2n)。其中, K为对应波峰处穗部小穗宽度的1/4, 即K=1/4(Maxn-Minn)。由于茎秆部分已去除, 所以最后在麦穗二值图上以第2个波谷处穗身中点坐标(A2, Y3)及第2个波峰处2点坐标(Max2+K, Y4)、(Min2-K, Y4)拟合第1个抛物线, 依次类推, 再拟合下一个抛物线。上述方法所拟合抛物线如图 7-c所示。通过上述过程, 可以得到每个抛物线的拟合方程系数ABC, 根据y=Ax2+Bx+C可写出每个抛物线的方程。然后在二值图像中每条抛物线位置处各白色像素点置0, 即在二值图像中抛物线位置处置黑使之与背景同色, 以分离各小穗。最后分别标记各小穗, 从上到下依次提取出各小穗所占像素数即各小穗面积值, 最终各小穗分离效果图如图 7-d所示。

图 7 小穗的抛物线分割 Figure 7 Parabolic segmentation of spikelet
2.3.2 小穗面积像素数与籽粒数关系阈值确定

每个品种小麦选取40株麦穗图像, 统计各小穗面积像素数分别代表的籽粒数量。3个品种分别通过Excel表格画出小穗面积像素数与籽粒数关系散点图, 得出每一品种1~5个籽粒小穗所占面积像素数范围。以‘苏科麦1号’为例, 不同籽粒小穗所占面积关系如图 8所示。由图 8可见:籽粒数不同所表示的面积差异明显, 因此可以依据分离开后的各小穗面积像素数来判定其代表的籽粒数。由图 8可以得到3条阈值线, 分别是1个与2个籽粒小穗、2个与3个籽粒小穗、3个与4个籽粒小穗面积像素点数分割线。通过前述方法可以较好地实现小麦穗部一侧各小穗分离并分别提取面积像素数, 再通过每一品种划定的面积像素数阈值, 从而可以判定分离后各小穗所代表的籽粒数。

图 8 小穗面积像素点数对应籽粒数统计 Figure 8 Statistics of spikelet area pixel number corresponding to grain number
2.3.3 籽粒数计算

由于小麦穗部除顶端小穗外, 其他小穗一般于麦穗两侧成对存在, 且顶端小穗在麦穗正视图像上呈侧视分布, 其在正视图上的面积值约为1个籽粒面积像素数, 故在计算总籽粒数时图像识别一侧各小穗籽粒数之和S应先减1, 然后我们假定麦穗两侧籽粒数相同, 故再乘以2, 又因为顶端小穗籽粒数通常为1粒, 最后再加1。故在计算过程中采用式(3)计算穗部籽粒数。

(3)

式中:S为总籽粒数; S为图像识别一侧各小穗籽粒数之和。

2.4 试验设计及数据处理方法

由于单株小麦穗部正视图像各小穗间排列较为紧密, 故采用单侧条形光源垂直于麦穗穗轴长度方向照射, 以使各相邻小穗间差异更为突出。又因各小穗沿穗轴两侧从穗颈到穗顶端方向依次排列, 并且各小穗外侧边缘近似抛物线形状, 故利用抛物线方法来分割各小穗。各小穗分离开后分别提取面积像素数, 对每个品种先取40株统计各小穗面积所代表籽粒数, 确定出每一品种1~5个籽粒小穗所占面积范围, 即找到对应阈值, 再对3个品种整体样本图像进行小穗数及籽粒数识别验证。

通过人工计数每个样本穗部小穗数及籽粒数作为真实值, 图像处理算法所识别样本穗部小穗数及籽粒数作为测量值。使用式(4)计算单个样本小穗数或籽粒数相对误差, 使用式(5)计算每个品种小穗数或籽粒数平均绝对误差, 使用式(6)计算每个品种小穗数或籽粒数平均相对误差, 使用式(7)计算每个品种小穗数零误差率[5]。使用式(8)计算每个品种单株麦穗测量时间。

(4)
(5)
(6)
(7)
(8)

式中:pi为单个样本相对误差; E为平均绝对误差; Q为平均相对误差; I为零误差率; xi为穗部小穗数或籽粒数测量值; i为穗部小穗数或籽粒数真实值; m为每个品种样本数; kpi=0为每个品种样本相对误差pi=0的数量; t为每个品种单株麦穗测量时间(s); Tj为每个品种整体样本第j次重复测量总时间(s); n为测量试验重复次数(n=3)。

3 结果与分析 3.1 小麦穗部特征参数分布规律

通过人工计数所获得的3个品种小麦整体样本的实际总籽粒数与单侧实际籽粒数及实际总小穗数与单侧实际小穗数的线性相关关系如图 9所示。由图 9-a可见:对穗部籽粒数而言, 3个品种整体样本的实际总籽粒数与图像单侧实际籽粒数线性相关关系式为y=1.953 2x+1.776 6, 确定系数(R2)为0.971 4, 说明具有十分显著的线性相关关系。同时, 根据小麦穗两侧及顶端小穗籽粒的实际情况, 可在图 9-a中作出2条直线, 直线方程分别为y=2x+1、y=2x+2。由图可见, 直线y=2x+1更为接近所拟合线性关系式y=1.953 2x+1.776 6。为验证这一结果, 分别用以上3个计算式对每个品种实际籽粒数数据进行预测, 再与实际籽粒数据比较分析, 得到的每个品种平均相对误差和平均绝对误差试验结果(表 1)显示:由y=2x+1计算出来的各品种平均相对误差和平均绝对误差均小于y=2x+2计算出来的误差, 并且更接近于拟合关系式所计算的误差, 所以选择y=2x+1公式计算穗部籽粒数。由图 9-b可见:对小穗数而言, 3个品种整体样本的实际总小穗数与图像单侧实际小穗数的线性相关关系式为y=1.897 0x+1.327 7, R2为0.952 6, 也说明具有十分显著的线性相关性。同理, 使用y=2x+1、y=2xy=1.897 0x+1.327 7这3个计算式对每个品种实际小穗数数据进行预测, 由表 1可见:由y=2x+1计算出来的各品种平均相对误差和平均绝对误差均小于y=2x计算出来的误差, 并且更接近于拟合关系式所计算的误差, 所以选择y=2x+1公式计算穗部小穗数。

图 9 3个品种整体样本实际总籽粒数与单侧实际籽粒数(A)及实际总小穗数与单侧实际小穗数(B)的相关关系 Figure 9 Relationship between actual total grain number and the single actual grain number(A), and total spikelet number and single actual spikelet number(B)using the whole samples of 3 wheat varieties
表 1 拟合线性关系式与实际计算公式的误差分析 Table 1 Error analysis of the fitting linear relation and the actual calculation formulas
特征参数Characteristicparameter 方程式Equation 苏麦188号Sumai 188 扬麦22号Yangmai 22 苏科麦1号Sukemai 1
平均相对误差/%Averagerelative error 平均绝对误差Averageabsolute error 平均相对误差/%Averagerelative error 平均绝对误差Averageabsolute error 平均相对误差/%Averagerelative error 平均绝对误差Averageabsolute error
籽粒数Grainnumber y=1.953 2x+1.776 6 2.82 0.99 2.65 1.08 2.85 1.04
y=2x+1 2.83 0.99 2.71 1.12 2.84 1.03
y=2x+2 3.99 1.38 4.05 1.66 3.37 1.14
小穗数Spikeletnumber y=1.897 0x+1.327 7 3.28 0.48 2.43 0.42 2.80 0.39
y=2x 3.87 0.57 2.97 0.51 4.28 0.59
y=2x+1 3.29 0.48 2.83 0.49 2.99 0.42
3.2 小穗数计数结果分析

通过图像处理算法对3个品种整体样本图像进行小穗数识别验证, 并与人工计数实际小穗数对比, 可得小麦穗部小穗数识别结果(表 2)。由表 2可计算:3个品种小麦识别穗部小穗数平均零误差率为68.16%, 平均绝对误差为0.46, 平均相对误差为2.99%。而路文超等[3]在识别小穗数方面, 通过小麦穗部侧视图识别的零误差率为16.00%, 远远低于本文小穗数识别零误差率, 平均绝对误差为1.60, 相对误差为7.89%, 也均高于本文方法对小穗数的识别误差。因此, 运用本方法对不同品种小麦穗进行处理, 可以大大提高小穗数的识别精度。

表 2 小穗数识别结果 Table 2 Identification results of spikelet number
品种
Varieties
样本总量
Sample size
绝对误差Absolute error 零误差率/%
Zero error rate
平均绝对误差
Average absolute error
平均相对误差/%
Average relative error
0 1 2
苏科麦1号Sukemai 1 150 98 31 21 65.33 0.49 3.40
扬麦22号Yangmai 22 134 98 24 12 73.13 0.37 2.07
苏麦188号Sumai 188 153 101 26 26 66.01 0.52 3.50
3.3 穗部籽粒数计数结果分析

表 3可计算, 3个品种籽粒数识别平均绝对误差为2.11, 平均相对误差为5.62%。因此, 运用本文方法对不同品种小麦穗进行处理, 可以实现单株麦穗籽粒较高精度图像自动计数。

表 3 籽粒数识别结果 Table 3 Counting results of grain number
品种
Varieties
样本总量
Sample size
平均绝对误差
Average absolute error
平均相对误差/%
Average relative error
苏科麦1号Sukemai 1 150 2.06 5.55
扬麦22号Yangmai 22 134 2.34 5.73
苏麦188号Sumai 188 153 1.93 5.58

通过本文图像处理算法对3个品种小麦整体样本图像进行籽粒数识别验证, 并与人工计数实际籽粒数对比, 可得3个品种麦穗穗部籽粒数相对误差频数分布(图 10)。由图 10可以看出:‘苏科麦1号’‘扬麦22号’‘苏麦188号’3个品种单株小麦穗穗部籽粒数识别相对误差小于等于10%的分别占84.7%、85.8%、83.7%。通过对误差大于10%的小麦穗图像进行分析, 发现图像中对应麦穗籽粒数真实值偏少, 导致相对误差偏大; 对应小麦穗识别一侧和未识别一侧实际籽粒数相差较大, 从而在计算总籽粒数时使误差增大。

图 10 3个品种小麦籽粒数相对误差频数分布 Figure 10 Relative error frequency distribution of grain number for 3 wheat varieties
3.4 测量时间

表 4可知:3个品种单株麦穗平均测量时间为7.99 s, 而通过人工实际计数50株麦穗的平均单株麦穗计数时间为45.66 s。所以传统人工计数测量时间是本文计数方法的5.71倍。因此, 运用本方法可以快速高效地对小麦穗部小穗数及籽粒数进行计数。

表 4 测量时间 Table 4 Measurable time
品种
Varieties
样本总量
Sample size
测量时间/s
Measurable time
平均测量时间/s
Average measurable time
苏科麦1号Sukemai 1 150 7.75
扬麦22号Yangmai 22 134 7.89 7.99
苏麦188号Sumai 188 153 8.34
4 讨论

试验中3个品种小麦穗均取自大田自然生长环境, 由于气候多变、土壤肥力不均、降水量多少等多种自然因素交互影响, 同一品种麦穗生长存在多样性, 表面形态具有不均一性[25-27]。本文研究了小麦穗部小穗数及籽粒数2个表型特征, 在人工对小穗数及籽粒数统计计数过程中发现每个品种的这2个表型参数在一株麦穗上并不都是于麦穗两侧成对存在的。3个品种中‘扬麦22号’两侧小穗数同一性最好, 超过70%的麦穗样本两侧小穗成对存在, 而其他2个品种穗轴两侧小穗数同一性较差, 这将会在利用本方法计算小穗数时产生较大误差, 直接影响到最后的小穗数识别精度。由表 2小穗数识别结果就可以看出, ‘扬麦22号’识别小穗数零误差率为73.13%, 平均绝对误差为0.37, 平均相对误差为2.07%, 识别精度明显高于其他2个品种。同样由于麦穗两侧籽粒数存在差异, 也会影响试验最终的籽粒数识别精度。此外, 麦穗小穗在穗部排列的疏密程度[28]也会在一定程度上影响到籽粒数的识别精度。本研究中算法的测量时间为7.99 s, 虽然在保证识别精度的前提下, 测量时间大大节省, 但是相对于实际应用要求, 还有待提高。因此, 在今后的研究中可通过改进麦穗图像的获取方式或完善图像特征提取的算法等来进一步提高识别精度。

参考文献(References)
[1] 杨进文, 李亚丽, 王曙光, 等. 春小麦主要农艺性状与单株产量的相关及通径分析[J]. 山西农业科学, 2013, 41(5): 407-411.
Yang J W, Li Y L, Wang S G, et al. The correlation and path analysis between the main agronomic characteristics and single plant yield of spring wheat[J]. Journal of Shanxi Agricultural Sciences, 2013, 41(5): 407-411. (in Chinese with English abstract)
[2] 海燕, 何宁, 康明辉, 等. 小麦主要农艺性状的遗传分析[J]. 中国农学通报, 2008, 24(6): 168-171.
Hai Y, He N, Kang M H, et al. Genetic analysis of agronomic araits in wheat[J]. Chinese Agricultural Science Bulletin, 2008, 24(6): 168-171. (in Chinese with English abstract)
[3] 路文超, 罗斌, 潘大宇, 等. 基于图像处理的小麦穗长和小穗数同步测量[J]. 中国农机化学报, 2016, 37(6): 210-215.
Lu W C, Luo B, Pan D Y, et al. Synchronous measurement of wheat ear length and spikelets number based on image processing[J]. Journal of Chinese Agricultural Mechanization, 2016, 37(6): 210-215. (in Chinese with English abstract)
[4] Hruska Z, Yao H B, Kincaid R, et al. Fluorescence imaging spectroscopy(FIS)for comparing spectra from corn ears naturally and artificially infected with aflatoxin producing fungus[J]. Journal of Food Science, 2013, 78(8): T1313-T1320. DOI: 10.1111/1750-3841.12202
[5] 杜建军, 郭新宇, 王传宇, 等. 基于穗粒分布图的玉米果穗表型性状参数计算方法[J]. 农业工程学报, 2016, 32(13): 168-176.
Du J J, Guo X Y, Wang C Y, et al. Computation method of phenotypic parameters based on distribution map of kernels for corn ears[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(13): 168-176. DOI: 10.11975/j.issn.1002-6819.2016.13.024 (in Chinese with English abstract)
[6] 周金辉, 马钦, 朱德海, 等. 基于机器视觉的玉米果穗产量组分性状测量方法[J]. 农业工程学报, 2015, 31(3): 221-227.
Zhou J H, Ma Q, Zhu D H, et al. Measurement method for yield component traits of maize based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(3): 221-227. (in Chinese with English abstract)
[7] Guo W, Fukatsu T, Ninomiya S. Automated characterization of flowering dynamics in rice using field-acquired time-series RGB images[J]. Plant Methods, 2015, 11(1): 1-14. DOI: 10.1186/s13007-015-0043-0
[8] 赵三琴, 李毅念, 丁为民, 等. 稻穗结构图像特征与籽粒数相关关系分析[J]. 农业机械学报, 2014, 45(12): 323-328.
Zhao S Q, Li Y N, Ding W M, et al. Relative analysis between image characteristics of panicle structure and spikelet number[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 323-328. DOI: 10.6041/j.issn.1000-1298.2014.12.046 (in Chinese with English abstract)
[9] 陈兵旗, 郭学梅, 李晓华. 基于图像处理的小麦病害诊断算法[J]. 农业机械学报, 2009, 40(12): 190-195.
Chen B Q, Guo X M, Li X H. Image diagnosis algorithm of diseased wheat[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(12): 190-195. (in Chinese with English abstract)
[10] Crowell S, Falcão A X, Shah A, et al. High-resolution inflorescence phenoltyping using a novel image-analysis pipeline, PANorama[J]. Plant Physiology, 2014, 165(2): 479-495. DOI: 10.1104/pp.114.238626
[11] 刘连忠, 张武, 朱诚. 基于改进颜色特征的小麦病害图像识别技术研究[J]. 安徽农业科学, 2012, 40(26): 12877-12879.
Liu L Z, Zhang W, Zhu C. Image recognition of wheat diseases based on improved color feature[J]. Journal of Anhui Agricultural Science, 2012, 40(26): 12877-12879. DOI: 10.3969/j.issn.0517-6611.2012.26.054 (in Chinese with English abstract)
[12] 樊超, 夏旭, 石小凤, 等. 基于图像处理的小麦品种分类研究[J]. 河南工业大学学报(自然科学版), 2011, 32(5): 74-78.
Fan C, Xia X, Shi X F, et al. Wheat variety classification based on image processing[J]. Journal of Henan University of Technology(Natural Science Edition), 2011, 32(5): 74-78. (in Chinese with English abstract)
[13] Manickavasagan A, Sathya G, Jayas D S. Comparison of illuminations to identify wheat classes using monochrome images[J]. Computers and Electronics in Agriculture, 2008, 63(2): 237-244. DOI: 10.1016/j.compag.2008.03.002
[14] Li Q Y, Cai J H, Berger B, et al. Detecting spikes of wheat plants using neural networks with laws texture energy[J]. Plant Methods, 2017, 13(83): 1-13.
[15] Neethirajan S, Jayas D S, White N D G. Detection of sprouted wheat kernels using soft X-ray image analysis[J]. Journal of Food Engineering, 2007, 81(3): 509-513. DOI: 10.1016/j.jfoodeng.2006.11.020
[16] 李明, 张长利, 王晓楠. 基于图像处理技术的小麦形态检测方法研究[J]. 东北农业大学学报, 2009, 40(4): 111-115.
Li M, Zhang C L, Wang X N. Study on the detection system of wheat morphous based on image procession[J]. Journal of Northeast Agricultural University, 2009, 40(4): 111-115. (in Chinese with English abstract)
[17] 张玉荣, 陈赛赛, 周显青, 等. 基于图像处理和神经网络的小麦不完善粒识别方法研究[J]. 粮油食品科技, 2014, 22(3): 59-63.
Zhang Y R, Chen S S, Zhou X Q, et al. Identification of unsound kernels in wheat based on image processing and neural network[J]. Science and Technology of Cereals, Oils and Foods, 2014, 22(3): 59-63. (in Chinese with English abstract)
[18] Zhu Y J, Cao Z G, Lu H, et al. In-field automatic observation of wheat heading stage using computer vision[J]. Biosystems Engineering, 2016, 143: 28-41. DOI: 10.1016/j.biosystemseng.2015.12.015
[19] 刘涛, 孙成明, 王力坚, 等. 基于图像处理技术的大田麦穗计数[J]. 农业机械学报, 2014, 45(2): 282-290.
Liu T, Sun C M, Wang L J, et al. In-field wheatear counting based on image processing technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 282-290. DOI: 10.6041/j.issn.1000-1298.2014.02.047 (in Chinese with English abstract)
[20] 范梦扬, 马钦, 刘峻明, 等. 基于机器视觉的大田环境小麦麦穗计数方法[J]. 农业机械学报, 2015, 46(Suppl): 234-239.
Fan M Y, Ma Q, Liu J M, et al. Counting method of wheatear in field based on machine vision technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Suppl): 234-239. (in Chinese with English abstract)
[21] Cointault F, Guerin D, Guillemin J-P, et al. In-field Triticum aestivum ear counting using colour-texture image analysis[J]. New Zealand Journal of Crop and Horticultural Science, 2008, 36(2): 117-130. DOI: 10.1080/01140670809510227
[22] Hughes N, Askew K, Scotson C P, et al. Non-destructive, high-content analysis of wheat grain traits using X-ray micro computed tomography[J]. Plant Methods, 2017, 13(1): 76. DOI: 10.1186/s13007-017-0229-8
[23] 毕昆, 姜盼, 李磊, 等. 基于形态学图像处理的麦穗形态特征无损测量[J]. 农业工程学报, 2010, 26(12): 212-216.
Bi K, Jiang P, Li L, et al. Non-destructive measurement of wheat spike characteristics based on morphological image processing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(12): 212-216. DOI: 10.3969/j.issn.1002-6819.2010.12.036 (in Chinese with English abstract)
[24] 姜盼, 张彬, 毕昆. 基于图像处理的小麦穗长测量[J]. 中国传媒大学学报(自然科学版), 2010, 17(4): 69-73.
Jiang P, Zhang B, Bi K. Wheat ear-length measurements based on image processing[J]. Journal of Communication University of China(Science and Technology), 2010, 17(4): 69-73. (in Chinese with English abstract)
[25] 刘璇, 王瑞丽, 周伟, 等. 春季低温对冬小麦穗部发育和粒重的影响[J]. 河南农业大学学报, 2013, 47(4): 373-380.
Liu X, Wang R L, Zhou W, et al. Effect of spring low temperature on ear development and grain weight of winter wheat[J]. Journal of Henan Agricultural University, 2013, 47(4): 373-380. (in Chinese with English abstract)
[26] 屈会娟, 李金才, 沈学善, 等. 秸秆全量还田对冬小麦不同小穗位和粒位结实粒数和粒重的影响[J]. 中国农业科学, 2011, 44(10): 2176-2183.
Qu H J, Li J C, Shen X S, et al. Effects of all straw returned to the field on grain number and grain weight at different spikelets and grain positions in winter wheat[J]. Scientia Agricultura Sinica, 2011, 44(10): 2176-2183. (in Chinese with English abstract)
[27] 程洁, 周荣全, 吴玉川, 等. 不同水分条件下小麦穗部性状的遗传分析[J]. 华北农学报, 2015, 30(Suppl): 146-151.
Cheng J, Zhou R Q, Wu Y C, et al. Genetic analysis of spike traits in wheat cultivated in contrasted water conditions in wheat[J]. Acta Agriculturae Boreali-Sinica, 2015, 30(Suppl): 146-151. (in Chinese with English abstract)
[28] Hu Y S, Ren T H, Li Z, et al. Molecular mapping and genetic analysis of a QTL controlling spike formation rate and tiller number in wheat[J]. Gene, 2017, 634: 15-21. DOI: 10.1016/j.gene.2017.08.039