摘 要：【目的/意義】胡麻種子的周長、面積、長短軸和千粒重是胡麻考種過程中常用的參數(shù)，對于胡麻的育種、栽培，以及種子品質(zhì)和性狀的評估都具有重要的意義。【方法】針對胡麻種子自動化考種時出現(xiàn)的數(shù)據(jù)統(tǒng)計(jì)錯誤率高、效率低等問題，基于機(jī)器視覺研究胡麻種子的輪廓特點(diǎn)、探索形態(tài)特征的測量方法，針對籽粒重疊現(xiàn)象提出基于融合角點(diǎn)特征的輪廓擬合圖像分割方法，設(shè)計(jì)胡麻種子自動化考種數(shù)據(jù)實(shí)時分析系統(tǒng)，最終實(shí)現(xiàn)胡麻種子自動化考種的研究。本研究在工業(yè)相機(jī)獲取的胡麻種子圖像上進(jìn)行試驗(yàn)。【結(jié)果和討論】提出的自動化考種方法對不同品種胡麻種子的統(tǒng)計(jì)識別準(zhǔn)確率達(dá)97.28%，百粒種子平均處理時長69.58ms，相較于極限腐蝕算法、基于距離變換的分水嶺算法，平均計(jì)算準(zhǔn)確率比極限腐蝕算法提升19.6%，平均運(yùn)算時間低于直接使用分水嶺算法所需時間。【結(jié)論】相較其他方法而言，自動化考種方法具有更好的計(jì)算準(zhǔn)確率和處理速度，能夠更準(zhǔn)確地批量獲取胡麻種子的形態(tài)學(xué)特征參數(shù)，使測量誤差能夠保持在10%以內(nèi)，可為今后胡麻考種相關(guān)工作提供技術(shù)支撐，助力相關(guān)產(chǎn)業(yè)發(fā)展。
關(guān)鍵詞：胡麻種子；機(jī)器視覺；自動化考種；圖像分割；軟件系統(tǒng)
1引言
胡麻具有生長周期短、適應(yīng)性強(qiáng)的特點(diǎn)［1］，是中國北方地區(qū)主要的經(jīng)濟(jì)作物之一，因其用途廣泛、品質(zhì)特殊，在中國油料作物和纖維作物中占有重要地位［2］。種子是作物的芯片，胡麻種子質(zhì)量的好壞直接關(guān)系到胡麻植株產(chǎn)量的高低。目前，胡麻植株抗倒伏差、籽粒產(chǎn)量低等問題制約著胡麻產(chǎn)業(yè)的發(fā)展［3］。為保證農(nóng)作物的優(yōu)質(zhì)生產(chǎn)，通過了解胡麻籽粒表型特征、根據(jù)育種目標(biāo)選用不同的資源做親本等方法，對于提高育種效率以及開展胡麻考種工作具有十分重要的指導(dǎo)意義［4］。
考種是胡麻育種過程中的重要環(huán)節(jié)。關(guān)于胡麻考種時形態(tài)方面的相關(guān)參數(shù)主要包括胡麻籽粒的周長、面積、長短軸、千粒重等［5,6］。胡麻種子的大小和輪廓特征各不相同，通過測量這些數(shù)據(jù)可以幫助人們區(qū)分不同品種、篩選飽滿健康的胡麻種子，并為后期考種分類工作提供重要依據(jù)。當(dāng)前，考種的數(shù)據(jù)統(tǒng)計(jì)方式主要分為人工統(tǒng)計(jì)與機(jī)器視覺統(tǒng)計(jì)兩種。傳統(tǒng)的人工統(tǒng)計(jì)方式是目前運(yùn)用最為廣泛的方式，但大量且繁瑣的統(tǒng)計(jì)工作不僅對統(tǒng)計(jì)人員專注力要求極高，而且由于胡麻種子相對其他農(nóng)作物籽粒而言顆粒更小、輪廓更奇異，使胡麻考種工作不僅耗時而且難以利用現(xiàn)有物理手段得到精確形態(tài)數(shù)據(jù)。機(jī)器視覺技術(shù)的出現(xiàn)則從根本上解決了胡麻考種過程中數(shù)據(jù)統(tǒng)計(jì)不精準(zhǔn)、測量主觀性強(qiáng)等問題，實(shí)現(xiàn)了農(nóng)業(yè)產(chǎn)業(yè)的智能化、現(xiàn)代化與自動化。
針對農(nóng)作物考種，吳迪［7］提出基于機(jī)器視覺與深度學(xué)習(xí)算法的大豆籽?？挤N與選種研究，并設(shè)計(jì)出一套基于計(jì)算機(jī)視覺技術(shù)的玉米考種系統(tǒng)，從多個方面優(yōu)化了現(xiàn)有算法，實(shí)現(xiàn)了自動化、高通量地獲取玉米表型性狀參數(shù)。該系統(tǒng)具有精度高、效率高、全自動等特點(diǎn)。周洪壘［8］完成了基于圖像處理的水稻考種系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)，結(jié)合QtDe-signer軟件設(shè)計(jì)了水稻考種系統(tǒng)，實(shí)現(xiàn)了對水稻種子的自動計(jì)數(shù)，較適合對類圓錐形的農(nóng)作物種子進(jìn)行計(jì)數(shù)及形態(tài)學(xué)分析。周成全等［9］利用機(jī)器視覺與深度學(xué)習(xí)技術(shù)，對西蘭花表型快速提取方法進(jìn)行了研究，可以為作物田間長勢監(jiān)測研究提供重要參考。李錦明［10］針對玉米籽粒提出基于機(jī)器視覺的玉米考種技術(shù)研究，通過機(jī)器視覺、數(shù)字圖像處理，以及深度學(xué)習(xí)等技術(shù)，對玉米籽粒的多種外形參數(shù)和品種的分類進(jìn)行了研究。
針對圖像粘連分割問題，馬正華等［11］提出基于極限腐蝕的重疊蘋果果實(shí)分割方法，對果實(shí)的正確分割率達(dá)到96.5%。王鑫等［12］提出基于迭代腐蝕的粘連細(xì)胞圖像分割方法，對于不同粘連程度的細(xì)胞總體準(zhǔn)確率超過95%。吳叔珍等［13］提出基于凹點(diǎn)尋找標(biāo)記的分水嶺算法來分割粘連谷粒，對5種谷物的粘連谷粒圖像進(jìn)行了分割測試，結(jié)果獲得了96.4%的谷粒計(jì)數(shù)準(zhǔn)確率。柳冠伊等［14］綜合分水嶺算法的形態(tài)學(xué)概念與區(qū)域生長算法迭代生長的思想，對玉米果穗進(jìn)行了分割，粘連籽粒的分割準(zhǔn)確率為94.9%。從以上研究方法中可以看出，這些基于形態(tài)學(xué)進(jìn)行圖像分割計(jì)數(shù)的方法，大多都是對圖像本身進(jìn)行處理，通過對圖像的不斷變換，使得圖像種子原始像素比例發(fā)生了明顯的改變，最終得到了籽粒與籽粒之間明顯的區(qū)分界線。這些分割方法雖然統(tǒng)計(jì)準(zhǔn)確率較高，但只能適用于籽粒計(jì)數(shù)工作，而不能更好地在已有圖像分割基礎(chǔ)上對籽粒其他形態(tài)數(shù)據(jù)進(jìn)行精確的計(jì)算與統(tǒng)計(jì)。
綜上所述，不同品種的農(nóng)作物需要根據(jù)實(shí)驗(yàn)對象找尋適合的方法。本研究針對胡麻考種實(shí)際需求，設(shè)計(jì)出胡麻種子自動化考種數(shù)據(jù)實(shí)時分析系統(tǒng)，并且針對籽?？赡艹霈F(xiàn)的重疊現(xiàn)象提出基于融合角點(diǎn)特征的輪廓擬合圖像分割方法，在盡可能分割胡麻種子輪廓的基礎(chǔ)上，最大限度保留胡麻籽粒原始圖像特征，獲取胡麻種子的形態(tài)數(shù)據(jù)以及考種信息。
2圖像采集與處理
2.1圖像采集
試驗(yàn)胡麻種子分別為XB1、NM-21-10、ZC-62、ZZ-173、1009-1、08006-375、張亞2號、壩亞21號和同白亞3號，共計(jì)9個品種，由甘肅省農(nóng)業(yè)科學(xué)院提供。
圖像采集系統(tǒng)由工業(yè)相機(jī)（維視智造MV-HP505GM（500萬像素））、環(huán)形光源、LED燈板、鏡頭固定槽、支架、微型計(jì)算機(jī)（Intel（R）Core（TM）i7-7700HQCPU@2.80GHz、NVIDIAGe-ForceGTX1060withMax-QDesign、16G內(nèi)存）等組成，試驗(yàn)采用的系統(tǒng)環(huán)境為Windows10、編譯環(huán)境為Python3.10。該系統(tǒng)可以快速、批量獲取胡麻種子圖像并進(jìn)行數(shù)據(jù)處理分析。胡麻種子圖像采集設(shè)備如圖1所示。
圖1 胡麻種子圖像采集設(shè)備
2.2圖像處理流程
首先對胡麻種子圖像進(jìn)行預(yù)處理，將采集的彩色圖像轉(zhuǎn)換為灰度圖像，并對圖像進(jìn)行濾波平滑處理，得到二值化圖像［15］。針對粘連種子圖像，基于融合角點(diǎn)特征的輪廓擬合圖像分割方法，通過自適應(yīng)閾值篩選對種子粘連區(qū)域進(jìn)行輪廓逼近、角點(diǎn)提取、輪廓擬合等處理，實(shí)現(xiàn)胡麻種子圖像的分割計(jì)數(shù)，最終通過像素點(diǎn)轉(zhuǎn)化，實(shí)現(xiàn)胡麻種子數(shù)據(jù)的匯總。圖像處理流程圖如圖2所示。
圖2 胡麻籽粒自動化考種圖像處理流程
3基于融合角點(diǎn)特征的輪廓擬合圖像分割方法
3.1胡麻種子輪廓特點(diǎn)及空間排布規(guī)律
胡麻種子大致輪廓呈扁卵形［16］，表面光滑且有光澤，通常呈褐色或淡黃色，面積較小且長度大于寬度，整體長約4~7mm，寬約2~4mm，厚約1.5mm，種子一端較為鈍圓，另一端則略尖，尖端會向一側(cè)傾斜，存在輕微變形或者局部凹陷等情況。胡麻種子相較于其他農(nóng)作物籽粒顆粒較小，該特點(diǎn)可能會造成人工統(tǒng)計(jì)籽粒誤差大、測量形態(tài)數(shù)據(jù)不準(zhǔn)確的問題，而且由于胡麻種子尖端傾斜、局部凹陷的特點(diǎn)，可能會影響現(xiàn)有凹點(diǎn)匹配算法對于胡麻種子分割的精確程度［17］。胡麻種子示意圖如圖3所示。
圖3胡麻種子示意圖
胡麻種子的空間排布結(jié)構(gòu)根據(jù)有無角點(diǎn)及孔洞的情況大致可以分為3種：①單籽粒結(jié)構(gòu)；②多籽粒粘連有孔洞結(jié)構(gòu)；③多籽粒粘連無孔洞結(jié)構(gòu)。單籽粒胡麻種子沒有角點(diǎn)和孔洞，易于區(qū)分，而多籽粒粘連胡麻種子會對輪廓邊緣區(qū)域造成干擾，影響數(shù)據(jù)的統(tǒng)計(jì)。胡麻種子空間排布結(jié)構(gòu)示意圖如圖4所示。
圖4 胡麻種子空間排布結(jié)構(gòu)示意圖
3.2自適應(yīng)閾值篩選
采集胡麻種子圖像時會出現(xiàn)圖4所示的3種空間排布結(jié)構(gòu)。圖像中既會存在粘連種子也會存在非粘連種子，若對圖像中每一粒胡麻種子進(jìn)行復(fù)雜的輪廓分割操作，必然會徒增算法計(jì)算量，甚至?xí)档妥R別的準(zhǔn)確率，也不能滿足實(shí)時自動化考種的需求。因此，當(dāng)進(jìn)行圖像輪廓邊緣檢測時，引入自適應(yīng)閾值篩選，需要首先根據(jù)標(biāo)準(zhǔn)差因子對圖像中的胡麻種子進(jìn)行整體篩選，只有滿足條件的多籽粒目標(biāo)區(qū)域才會被執(zhí)行圖像分割處理操作，而單籽粒區(qū)域則會跳過圖像分割步驟直接進(jìn)行考種數(shù)據(jù)的匯總。
圖像中的像素灰度值服從正態(tài)分布，位于該分布平均值減去η倍標(biāo)準(zhǔn)差之間的像素就會在整體數(shù)據(jù)中占據(jù)相應(yīng)大小的比例范圍。因此，只需得到合適的標(biāo)準(zhǔn)差因子，就可以根據(jù)閾值將該范圍以內(nèi)的目標(biāo)像素認(rèn)作粘連種子區(qū)域，而該范圍以外的目標(biāo)像素就是非粘連種子區(qū)域，從而可以進(jìn)行排除。同時，由于每幅圖像胡麻種子周長的平均值以及標(biāo)準(zhǔn)差是不一致的，所以采用該方法就可以達(dá)到自適應(yīng)閾值篩選的效果，從而得到一個相對可靠的閾值。自適應(yīng)閾值F反映物體形態(tài)特征在整體數(shù)據(jù)中的包容度，其計(jì)算見公式（1）。
F=A-ηS （1）
其中，A為胡麻種子輪廓像素周長的平均值；η為標(biāo)準(zhǔn)差因子；S為胡麻種子輪廓像素周長的標(biāo)準(zhǔn)差。
每個品種胡麻種子周長大小、粘連情況各不相同。從9種胡麻種子樣本中隨機(jī)挑選5個品種（1009-1、XB1、ZC-26、ZZ-173和張亞2號），每個品種選擇50、100、150和200粒時圖像，將提取輪廓后得到的胡麻種子區(qū)域數(shù)與實(shí)際顆粒數(shù)進(jìn)行對比，二者對比結(jié)果之差的絕對值小于10的圖像判定為正確劃分的圖像，統(tǒng)計(jì)各個標(biāo)準(zhǔn)差因子下正確劃分的圖像數(shù)，從而進(jìn)行最佳標(biāo)準(zhǔn)差因子的計(jì)算。胡麻種子標(biāo)準(zhǔn)差因子分布如圖5所示。
圖5 胡麻種子輪廓像素標(biāo)準(zhǔn)差因子分布
為獲得更加直觀的圖像數(shù)據(jù)，將上文隨機(jī)挑選的品種數(shù)據(jù)擴(kuò)大10倍，并將正確劃分圖像數(shù)為0的數(shù)據(jù)設(shè)置為1。由圖5可知，當(dāng)標(biāo)準(zhǔn)差因子數(shù)值取4時，圖中橫坐標(biāo)數(shù)值最高，意味著該標(biāo)準(zhǔn)差因子可以在最大程度上對粘連種子區(qū)域進(jìn)行劃分，因此，本研究將4作為標(biāo)準(zhǔn)差因子，以其自適應(yīng)閾值作為判斷輪廓是否粘連的標(biāo)準(zhǔn)。
3.3輪廓逼近
圖像的輪廓由若干個像素點(diǎn)組成。這些像素點(diǎn)中可能存在多余、重復(fù)或不必要的信息。輪廓逼近就是通過一定的近似算法在給定圖像輪廓信息的基礎(chǔ)上，將圖像輪廓形狀近似為另一種含有少量頂點(diǎn)的輪廓形狀，并將原始的輪廓曲線簡化為更加規(guī)則、緊湊的線段或多邊形的算法。一個理想的輪廓逼近算法應(yīng)當(dāng)盡可能小地降低計(jì)算的復(fù)雜度，將圖像中所有線條形狀特點(diǎn)盡可能地標(biāo)記出來［18］。在實(shí)際應(yīng)用中，出于計(jì)算速度與計(jì)算精度的考慮，該算法常用于簡化輪廓、減少噪聲干擾和提高程序運(yùn)行效率，具體算法過程如下：
假設(shè)采集的胡麻種子圖像輪廓信息中有n個像素點(diǎn)，每個像素點(diǎn)用P=｛P0，P1，P2，…，Pn｝表示。在圖像輪廓曲線上選擇起點(diǎn)P0和終點(diǎn)Pn，將這兩點(diǎn)之間的連線定義為一條線段，計(jì)算任意一條P0到Pn之間的輪廓曲線子線段與曲線的距離，并且找到線段距離的最遠(yuǎn)點(diǎn)Pk與其所對應(yīng)的距離，將距離最遠(yuǎn)點(diǎn)Pk與預(yù)設(shè)閾值進(jìn)行比較，如果該距離小于預(yù)設(shè)閾值，則線段上所有的點(diǎn)都可以用直線連接P0和Pn來代替；如果該距離大于或等于預(yù)設(shè)閾值，則需要將曲線分為P0到Pk和Pk到Pn兩段，隨后分別對這兩段執(zhí)行上述遞歸過程。這樣就可以得到一個盡可能接近原始曲線的輪廓逼近結(jié)果，其中預(yù)設(shè)閾值則代表輪廓的逼近程度，而越小的閾值會使得逼近結(jié)果更加精確，但可能會導(dǎo)致出現(xiàn)過多的頂點(diǎn)；相反，越大的閾值會使得結(jié)果中的頂點(diǎn)數(shù)量減少，但可能會丟失一些曲線的細(xì)節(jié)信息。經(jīng)過這樣多次反復(fù)遞歸迭代，最終可以得到一個由少量頂點(diǎn)組成的輪廓曲線，從而實(shí)現(xiàn)輪廓的逼近處理。胡麻種子輪廓逼近示意圖如圖6所示。
圖6 胡麻種子輪廓逼近示意圖
3.4角點(diǎn)檢測
在圖像處理領(lǐng)域中，角點(diǎn)通常指圖像中出現(xiàn)兩個或多個輪廓且邊緣相交的像素點(diǎn)。角點(diǎn)檢測則是機(jī)器視覺領(lǐng)域中常用于檢測圖像角點(diǎn)信息的算法，其基本思想在于圖像角點(diǎn)在不同方向上的像素強(qiáng)度變化差異較大，所以基于像素灰度值的二階導(dǎo)數(shù)矩陣可以實(shí)現(xiàn)角點(diǎn)的檢測。在上述圖像輪廓逼近算法的基礎(chǔ)上，進(jìn)行輪廓角點(diǎn)檢測，可以得到每個角點(diǎn)的坐標(biāo)，將得到的輪廓點(diǎn)及角點(diǎn)作為輸出，則能夠進(jìn)一步提高后續(xù)輪廓擬合方法的精度和準(zhǔn)確率，具體算法如下。
首先，需要對灰度圖像中的每個像素點(diǎn)進(jìn)行操作，計(jì)算出該像素點(diǎn)所在位置圖像局部區(qū)域的二階導(dǎo)數(shù)矩陣M（結(jié)構(gòu)矩陣）；其次，通過結(jié)構(gòu)矩陣M計(jì)算出響應(yīng)函數(shù)R的值；最后，根據(jù)其響應(yīng)函數(shù)R值來判斷其是否為角點(diǎn)。具體地，對于坐標(biāo)(x，y)處的像素，其二階導(dǎo)數(shù)矩陣M的定義如公式（2）。
M={Σ[w(x，y)×Ix2]，Σ[w(x，y)IxIy]}{Σ[w(x，y)IxIy]，Σ[w(x，y)×Iy2]} （2）
其中，Ix和Iy是指像素點(diǎn)周圍x、y方向上的梯度；w(x，y)是不同位置像素值加權(quán)的高斯窗口函數(shù)；Σ[w(x，y)×Ix2]表示x方向上梯度加權(quán)和的平方；Σ[w(x，y)IxIy]表示x、y方向上梯度乘積的加權(quán)和；Σ[w(x，y)×Iy2]表示y方向上梯度加權(quán)和的平方。通過以上對每個像素點(diǎn)的計(jì)算，就可以得到該像素點(diǎn)周圍的結(jié)構(gòu)矩陣，計(jì)算出相應(yīng)的響應(yīng)函數(shù)R。響應(yīng)函數(shù)R的定義如公式（3）。
R=det(M)-k×trace(M)² （3）
其中，det(M)為M的行列式；trace(M)為M的跡。圖像中的每個像素點(diǎn)響應(yīng)函數(shù)越大，則越有可能是角點(diǎn)，同時根據(jù)初始預(yù)設(shè)的閾值，只有當(dāng)像素的響應(yīng)函數(shù)R大于該閾值時，才會被視為角點(diǎn)。胡麻種子角點(diǎn)檢測示意圖如圖7所示。
圖7胡麻種子角點(diǎn)檢測示意圖
3.5輪廓擬合
輪廓擬合是通過對檢測到的圖像曲線輪廓進(jìn)行擬合，得出其形狀及相關(guān)參數(shù)的過程，可以更加精細(xì)地描述物體的形狀，同時去除輪廓離散點(diǎn)帶來的噪聲。在機(jī)器視覺領(lǐng)域中，常用的輪廓擬合方法包括最小二乘法擬合、多項(xiàng)式擬合等。對比多項(xiàng)式擬合，最小二乘法擬合穩(wěn)定性高、計(jì)算過程簡單、對異常值有一定的魯棒性，可以減少干擾點(diǎn)對擬合結(jié)果的影響。根據(jù)上文對胡麻種子輪廓特點(diǎn)的分析，本研究采用最小二乘法對胡麻種子輪廓進(jìn)行橢圓擬合，具體算法過程如下。
首先，為提高輪廓擬合的精度，本研究采用自適應(yīng)閾值篩選、輪廓逼近、角點(diǎn)檢測等方法獲取了圖像輪廓二維離散點(diǎn)數(shù)據(jù)集，假設(shè)該數(shù)據(jù)集有n個二維離散數(shù)據(jù)點(diǎn)（x1，y1），（x2，y2），…，（xn，yn），利用這些數(shù)據(jù)點(diǎn)就可以計(jì)算出相應(yīng)的協(xié)方差矩陣，通過該矩陣的特征向量和特征值則能夠得到橢圓的長軸、短軸、旋轉(zhuǎn)角度等幾何參數(shù)。具體地，橢圓可以用公式（4）表示。
(x-cx)²/a²+(y-cy)²/b²=1（4）
其中，(cx，cy)代表橢圓的中心坐標(biāo)；a和b分別代表橢圓的長軸和短軸。
其次，在擬合橢圓輪廓時，將橢圓與數(shù)據(jù)點(diǎn)之間的距離平方和最小化，利用最小二乘法找到一組最優(yōu)的橢圓參數(shù)（中心坐標(biāo)、長軸、短軸、旋轉(zhuǎn)角度），使得該橢圓到所有點(diǎn)的距離平方和最小，以盡可能減小實(shí)際觀測值與理論值之間的距離差。
最后，將輪廓點(diǎn)數(shù)據(jù)集作為輸入，計(jì)算得到圖
像輪廓的幾何矩，基于最小二乘法及橢圓形狀的幾何特征，通過數(shù)值優(yōu)化方法求出橢圓參數(shù)的最優(yōu)解，擬合出給定圖像的最佳輪廓。胡麻種子輪廓擬合圖像如圖8所示。
圖8胡麻種子輪廓擬合圖像
4試驗(yàn)結(jié)果與分析
為驗(yàn)證本研究方法針對胡麻種子圖像分割的優(yōu)勢，隨機(jī)選取一幅胡麻種子粘連圖像，分別利用極限腐蝕算法［19］、基于距離變換的分水嶺算法［20］，以及本研究方法進(jìn)行圖像分割測試，各方法對比如圖9所示。
圖9胡麻種子圖像分割方法對比圖
試驗(yàn)中，二值化圖像共有186顆胡麻籽粒，極限腐蝕算法分割識別到180顆胡麻籽粒；基于距離變換的分水嶺算法分割識別到176顆胡麻籽粒；本研究方法分割識別到了所有胡麻籽粒。可見，本研究方法在胡麻籽粒的分割中較為準(zhǔn)確。由圖9（b）可知，極限腐蝕算法有著較強(qiáng)的圖像分割能力，但也可以看出該算法并沒有如圖9中橙色箭頭所示，將粘連嚴(yán)重的胡麻種子區(qū)域全部分開，同時，該算法很大程度上取決于用戶預(yù)設(shè)的初
始腐蝕程度。當(dāng)腐蝕程度過小時，會出現(xiàn)粘連種子區(qū)域沒有被分開的情況；而當(dāng)腐蝕程度過大時，則會出現(xiàn)某些較小種子區(qū)域消失的情況。并且由于該算法主要依賴于對圖像輪廓的腐蝕，導(dǎo)致使用該算法處理后的胡麻種子圖像區(qū)域會比實(shí)際二值化種子圖像區(qū)域小很多，造成原輪廓變形，不能滿足本研究后期自動化考種的需求。
相較于極限腐蝕算法，基于距離變換的分水嶺算法最大不同在于該算法保留了胡麻種子圖像區(qū)域的完整輪廓，該算法對于輕微粘連的胡麻種子圖像區(qū)域分割效果很好，但是如圖9（c）中橙色箭頭所示，該算法對于嚴(yán)重粘連的胡麻種子圖像區(qū)域分割能力較差，同時，如圖9（c）中黃色箭頭所示，該算法也出現(xiàn)了丟失種子輪廓信息的情況。除此之外，該算法的計(jì)算量龐大，在處理大規(guī)模圖像時，需要消耗大量時間和計(jì)算資源，同樣，也不能滿足本研究后期自動化考種的需求。
同時，本研究所采用的基于融合角點(diǎn)特征的輪廓擬合圖像分割方法，相較于以上兩種算法而言，不僅對于胡麻種子粘連圖像區(qū)域分割效果較好，并且能夠在保證分割準(zhǔn)確率的同時，最大程度上繪制出胡麻種子的完整輪廓特征，如圖9（d）中橙色、黃色箭頭所示，本研究基于融合角點(diǎn)特征的輪廓擬合圖像分割方法并沒有出現(xiàn)上述兩種方法中，粘連嚴(yán)重區(qū)域未分割或丟失種子輪廓信息等情況，同時該方法數(shù)據(jù)計(jì)算量小、運(yùn)算速度快，能夠滿足系統(tǒng)自動化考種的需求。
為進(jìn)一步驗(yàn)證本研究方法針對胡麻種子圖像檢測具有的優(yōu)勢及識別準(zhǔn)確率，選取剩余4個不同品種的胡麻種子（同白亞3號、壩亞21號、NM-21-10和08006-375）并采集圖像樣本，每種樣本采集3組，種子數(shù)依次為100、150和200粒，分別利用極限腐蝕算法、分水嶺算法，以及本研究方法進(jìn)行準(zhǔn)確率和運(yùn)算時間的測試。準(zhǔn)確率計(jì)算如公式（5）。
P(%)=(1-|T-R|/T)×100 （5）
其中，P為計(jì)算準(zhǔn)確率；T為胡麻種子實(shí)際粒數(shù)；R為胡麻種子統(tǒng)計(jì)粒數(shù)。從表1可以看出，針對不同品種的胡麻種子，使用3種方法對相同圖像進(jìn)行處理時，本研究方法在胡麻種子計(jì)算準(zhǔn)確率方面，結(jié)果優(yōu)于極限腐蝕算法，略高于基于距離變換的分水嶺算法，同時在運(yùn)算時間方面，基本與極限腐蝕算法相當(dāng)，但遠(yuǎn)快于基于距離變換的分水嶺算法。通過表1中壩亞21號樣本的數(shù)據(jù)可以看到，極限腐蝕算法準(zhǔn)確率下降到41.94%，由此可以看出極限腐蝕算法十分依賴預(yù)設(shè)腐蝕程度，說明該方法魯棒性差，易產(chǎn)生嚴(yán)重誤差；同時，觀察4組樣本整體試驗(yàn)數(shù)據(jù)可知，基于距離變換的分水嶺算法平均運(yùn)算時間都在3400ms，該方法圖像處理所需時間遠(yuǎn)遠(yuǎn)超出其他兩種方法，由此也可以看出，該算法龐大的數(shù)據(jù)計(jì)算量。同時，本研究方法在同白亞3號和08006-375樣本中也出現(xiàn)了統(tǒng)計(jì)籽粒個數(shù)超出實(shí)際個數(shù)、統(tǒng)計(jì)時出現(xiàn)正偏差的問題。該問題是由于算法在嚴(yán)重粘連種子區(qū)域中出現(xiàn)輪廓過擬合，使兩個或多個重疊種子相交區(qū)域出現(xiàn)多余輪廓信息，導(dǎo)致分割輪廓過多，亟待改進(jìn)。
總體而言，相較于極限腐蝕算法和基于距離變換的分水嶺算法，本研究算法在保證較快運(yùn)算時間的情況下，依然能夠獲得最高的計(jì)算準(zhǔn)確率。經(jīng)過4組試驗(yàn)測試，本研究算法平均準(zhǔn)確率達(dá)到97.28%，平均運(yùn)算時間為69.58ms，平均準(zhǔn)確率比極限腐蝕算法高19.6%，平均運(yùn)算時間比分水嶺算法快3361ms（約49倍），能夠滿足當(dāng)前胡麻種子自動化考種時圖像處理的需求。
表1胡麻種子圖像分割方法對比表
注：（+）表示出現(xiàn)正偏差；（-）表示出現(xiàn)負(fù)偏差；-表示無正負(fù)偏差。5自動化考種與系統(tǒng)運(yùn)行
5.1胡麻種子形態(tài)學(xué)特征參數(shù)測定
上文提出的基于融合角點(diǎn)特征的輪廓擬合圖像分割方法在最大程度上保留了原始圖像的特征信息，可以很好地針對胡麻種子輪廓特征信息進(jìn)行圖像分割，也為實(shí)現(xiàn)胡麻自動化考種的數(shù)據(jù)獲取提供了強(qiáng)力的技術(shù)支撐。
數(shù)字圖像中的每個像素點(diǎn)都是大小、形狀均勻的小方塊，所以胡麻種子的周長、面積、長短軸可以利用籽粒在圖像中所占的像素點(diǎn)個數(shù)總和來表示［21］，而胡麻種子的千粒重則可以通過籽?？傊亓颗c輪廓檢測得到的籽粒總個數(shù)作比值運(yùn)算，得出單個籽粒的重量，從而換算獲得［22］。針對胡麻自動化考種過程中需要將籽粒的圖像像素點(diǎn)轉(zhuǎn)換為實(shí)際形態(tài)大小的問題，本研究使用中國人民銀行發(fā)行的2019版第五套人民幣中的1元和1角硬幣，作為像素點(diǎn)轉(zhuǎn)換的參考對象。硬幣是日常生活中常見的物品，十分容易獲取，并且大小、厚度適中，便于采集圖像信息，同時，硬幣的材質(zhì)質(zhì)地堅(jiān)硬，不易發(fā)生變形及磨損的情況。此外，由于硬幣是國家統(tǒng)一發(fā)行的貨幣，對于其尺寸都有著嚴(yán)格的標(biāo)準(zhǔn)，所以使用硬幣進(jìn)行像素點(diǎn)信息的轉(zhuǎn)化更加精確。
根據(jù)中國人民銀行發(fā)布的相關(guān)數(shù)據(jù)可知［23］，2019版第五套人民幣1元硬幣的直徑為22.25mm，周長約為69.90mm，面積約為388.82mm2，1角硬幣的直徑為19mm，周長約為59.69mm，面積約為283.53mm2。2019版硬幣展示圖如圖10所示。
圖10 2019版硬幣展示
假設(shè)采集的硬幣實(shí)際周長為C1，實(shí)際面積為S1，實(shí)際直徑為D1，硬幣周長像素點(diǎn)個數(shù)為C2，面積像素點(diǎn)個數(shù)為S2，直徑像素點(diǎn)個數(shù)為D2，那么在一定高度下，C=C1/C2代表單個周長像素點(diǎn)實(shí)際大小，同理S=S1/S2、D=D1/D2代表單個像素點(diǎn)面積、直徑的實(shí)際大小，最終只需要將像素點(diǎn)個數(shù)乘以對應(yīng)像素點(diǎn)大小，即可得到實(shí)際胡麻種子的周長、面積、長短軸數(shù)據(jù)。為驗(yàn)證該方法的可行性，選用中國人民銀行發(fā)行的全新沒有磨損及使用痕跡的2019版第五套人民幣中的1元和1角硬幣，并同時將1元硬幣和1角硬幣垂直置于距離相機(jī)物距29.5cm（白板完全置于相機(jī)視野內(nèi)）正對上方位置進(jìn)行圖像采集。
通過輪廓檢測計(jì)算得到1元硬幣周長、面積、直徑像素點(diǎn)實(shí)際大小分別為0.069962、0.005464和0.074167；1角硬幣周長、面積、直徑像素點(diǎn)實(shí)際大小分別為0.074293、0.006192和0.078603。對硬幣像素點(diǎn)數(shù)據(jù)進(jìn)行對比分析，可得圖像像素點(diǎn)轉(zhuǎn)化正確率為95%左右。
如表2所示，通過像素點(diǎn)轉(zhuǎn)化率測得不同品種的胡麻種子平均短軸長度為3.19mm、平均長軸長度為6.17mm、平均周長長度為14.24mm、平均面積大小為16.07mm²。
表2胡麻種子形態(tài)數(shù)據(jù)
同時，為驗(yàn)證本研究方法獲取到的胡麻種子形態(tài)數(shù)據(jù)的準(zhǔn)確性，試驗(yàn)對上述同白亞3號、壩亞21號、NM-21-10、08006-375這4個品種，分別取編號為1圖像識別后的第1、2、3粒胡麻種子，使用螺旋測微儀進(jìn)行測量，結(jié)果如表3所示。
從表3可以看出，由考種系統(tǒng)處理得到的胡麻籽粒平均短軸長度為3.19mm，而通過實(shí)際測量獲取到的胡麻籽粒平均短軸長度為3.14mm，同時，由考種系統(tǒng)處理得到的胡麻籽粒平均長軸長度為6.17mm，而通過實(shí)際測量獲取到的胡麻籽粒平均長軸長度為6.04mm。由此可以得出，本研究所提出的針對胡麻種子形態(tài)學(xué)特征參數(shù)的測定方法，短軸和長軸的平均誤差在為5%，整體測量誤差為10%，能夠滿足胡麻種子自動化考種的實(shí)際需求。
5.2胡麻種子自動化考種數(shù)據(jù)實(shí)時分析系統(tǒng)
目前，研究人員已經(jīng)根據(jù)不同需求為各類農(nóng)作物設(shè)計(jì)開發(fā)了廣泛多樣的系統(tǒng)軟件［24-27］。本研究采用圖像處理技術(shù)及基于融合角點(diǎn)特征的輪廓擬合圖像分割方法，基于OpenCV（OpenSourceComput-erVisionLibrary）結(jié)合QtDesigner設(shè)計(jì)了胡麻種子自動化考種數(shù)據(jù)實(shí)時分析系統(tǒng)。系統(tǒng)運(yùn)行界面展示如圖11所示。
圖11 胡麻種子考種系統(tǒng)運(yùn)行界面展示圖
當(dāng)用戶通過選擇目錄功能，指定圖像路徑后，執(zhí)行圖像處理功能，即可在相同目錄下生成對應(yīng)的圖像處理文件夾，自動存放處理后的圖像數(shù)據(jù)。圖像處理功能展示圖如圖12所示，左圖為原始圖像，右圖為處理后圖像。當(dāng)用戶通過圖片處理功能獲取到處理的圖像數(shù)據(jù)以后，即可通過執(zhí)行數(shù)據(jù)匯總功能，自動生成對應(yīng)數(shù)據(jù)表格文件夾，存放相應(yīng)的圖像數(shù)據(jù)匯總表格（包括個數(shù)、面積、周長、長軸、短軸、千粒重等）。數(shù)據(jù)匯總展示圖如圖13所示。
圖12 胡麻種子考種系統(tǒng)圖像處理展示圖
圖13 胡麻種子考種系統(tǒng)數(shù)據(jù)匯總展示圖
6討論與結(jié)論
本研究針對胡麻種子重疊現(xiàn)象提出基于融合角點(diǎn)特征的輪廓擬合圖像分割方法，并根據(jù)該方法設(shè)計(jì)出胡麻種子自動化考種數(shù)據(jù)實(shí)時分析系統(tǒng)，能夠?qū)崟r處理、獲取胡麻種子圖像的周長、面積、長短軸、千粒重等數(shù)據(jù)信息。該方法通過自適應(yīng)閾值篩選得到粘連種子圖像區(qū)域信息，利用輪廓逼近、角點(diǎn)檢測獲得圖像實(shí)際標(biāo)注點(diǎn)，并對標(biāo)注點(diǎn)圖像區(qū)域進(jìn)行輪廓擬合，完成圖像的分割。該方法相較于極限腐蝕算法及基于距離變換的分水嶺算法，不僅具有較高的準(zhǔn)確率，而且也具有更快的處理速度，平均計(jì)算準(zhǔn)確率比極限腐蝕算法提高19.6%，平均運(yùn)算時間低于直接使用分水嶺算法所需時間，能夠在保證分割準(zhǔn)確率的同時，最大程度上繪制出胡麻種子的完整輪廓特征，從而獲取到精確的籽粒形態(tài)數(shù)據(jù)?？紤]到自動化考種的實(shí)際需求，該方法沒有使用膨脹、腐蝕等方法對圖像進(jìn)行形態(tài)學(xué)處理，所以在最大程度上保留了圖像的原始特征，該方法平均計(jì)算準(zhǔn)確率達(dá)97.28%，運(yùn)算時間短，具有較強(qiáng)的魯棒性、適用性，并且測量誤差能夠保持在10%的范圍以內(nèi)，能夠滿足胡麻種子自動化考種的實(shí)際需求。
課題組未來的研究方向致力于胡麻種子自動化考種數(shù)據(jù)實(shí)時分析系統(tǒng)的硬件與軟件集成一體化研究，使軟件系統(tǒng)的設(shè)計(jì)及使用更加人性化，使用戶不再因系統(tǒng)操作晦澀難懂而望而卻步。并且，針對本研究算法在嚴(yán)重粘連種子區(qū)域中出現(xiàn)輪廓過擬合，導(dǎo)致分割輪廓過多的問題，也需要進(jìn)一步改進(jìn)和優(yōu)化相關(guān)算法，提高胡麻籽粒分割及識別的準(zhǔn)確率，實(shí)現(xiàn)胡麻種子更加精確、快捷地自動化考種。
參考文獻(xiàn)
[1]LI HB, TANG R R, DAI J L, et al. Recent progress in flax fiber-based functional composites[J]. Advanced fiber materials, 2022, 4(2): 171- 184.
[2]馬立曉,王樹彥,王卓,等.國內(nèi)外胡麻品種農(nóng)藝性狀及 其品質(zhì)評價[J].北方農(nóng)業(yè)學(xué)報, 2017, 45(3): 19-22.
MA L X, WANGS Y, WANGZ,et al.The agronomic traits and quality evaluation of foreign and domestic varieties for oil flax[J]. Journal of northern agriculture, 2017, 45(3): 19-22.
[3]郭芳,?？×x,高珍妮 .品種密度互作對胡麻抗倒伏特性的影響[J].甘肅農(nóng)業(yè)大學(xué)學(xué)報, 2016, 51(3): 72-76.
GUO F, NIU J Y, GAO Z N. Effects of variety and density interaction on flax lodging resistance[J]. Journal of Gansu agricultural university, 2016, 51(3): 72-76.
[4]王煒,陳軍,葉春雷,等 .甘肅胡麻地方及育成品種農(nóng)藝性狀分析及評價[J]. 中國種業(yè), 2022( 12): 75-81.
WANG W, CHEN J, YE C L, et al. Analysis and evalua- tion of agronomic characters of local and bred linseed varieties in Gansu province[J].China seed industry,2022 ( 12): 75-81.
[5]IVA S, OSCAR G, MARIE B, et al. Phenotypic evaluation of flax seeds by image analysis[J].Industrial crops and products, 2013, 47: 232-238.
[6] DANAW,IVOW. Computer image analysis of seed shape and seed color for flax cultivar description[J]. Computers and electronics in agriculture, 2008, 61(2): 126- 135.
[7]吳迪 .基于計(jì)算機(jī)視覺的玉米考種參數(shù)獲取研究[D]. 杭州: 杭州電子科技大學(xué), 2020.
WUD.Research on parameters acquisition of maize seeds 'traits based on computer vision[D].Hangzhou: Hangzhou Dian zi University, 2020.
[8]周洪壘 . 基于圖像處理的水稻考種系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 成都: 電子科技大學(xué), 2019.
ZHOU H L. The design and implementation of rice seed counting system based on image processing[D]. Chengdu: University of Electronic Science and Technology of Chi- na, 2019.
[9]周成全,葉宏寶,俞國紅,等 .基于機(jī)器視覺與深度學(xué)習(xí)的西蘭花表型快速提取方法研究[J]. 智慧農(nóng)業(yè)(中英 文), 2020, 2( 1): 121- 132.
ZHOU C Q, YE H B, YU G H, et al. A fast extraction method of broccoli phenotype based on machine vision and deep learning[J]. Smart agriculture, 2020, 2(1): 121- 132.
[10]李錦明 . 基于機(jī)器視覺的玉米考種技術(shù)研究[D]. 杭州 : 杭州電子科技大學(xué), 2019.
LI J M. Research on corn seed testing technology based on machine vision[D]. Hangzhou: Hangzhou Dian zi University, 2019.
[11]馬正華, 申根榮, 呂繼東 . 基于極限腐蝕的重疊蘋果果實(shí)分割方法[J]. 江蘇農(nóng)業(yè)學(xué)報, 2017, 33(6): 1372- 1378.
MA Z H, SHEN G R, LYU J D. Study on the method of separating apple fruits based on limiting corrosiont[J]. Jiangsu journal of agricultural sciences, 2017, 33(6):1372- 1378.
[12]王鑫, 胡洋洋, 楊慧中 . 基于迭代腐蝕的粘連細(xì)胞圖像分割研究[J]. 南京理工大學(xué)學(xué)報, 2016, 40(3): 285-289.
WANG X, HU Y Y, YANG H Z. Segmentation of adherent cell image based on iterative erosion[J].Journal of Nan jing university of science and technology,2016,40 (3): 285-289.
[13]吳叔珍, 姚青 . 基于凹點(diǎn)尋找標(biāo)記的分水嶺算法分割粘連谷粒[J]. 浙江農(nóng)業(yè)科學(xué), 2017, 58(8): 1401- 1405.
WU S Z, YAO Q. Segmentation of sticky grains by water- shed algorithm based on pit finding markers[J]. Journal of Zhejiang agricultural sciences, 2017, 58(8): 1401- 1405.
[14]柳冠伊, 劉平義, 魏文軍, 等 . 玉米果穗粘連籽粒圖像分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2014, 45(9): 285-290.
LIU G Y, LIU P Y, WEI W J, et al. Method of image segmentation for touching maize kernels[J]. Transactions of the Chinese society for agricultural machinery, 2014, 45(9): 285-290.
[15]祝保林 . 基于機(jī)器視覺的小桐子種子識別分類研究[D].開封: 河南大學(xué), 2020.
ZHU B L. Research on seed recognition and classification of Jatropha curcas based on machine vision[D]. Kaifeng: Henan University, 2020.
[16] 李興華, 方子森, ?？×x . 胡麻種子形態(tài)結(jié)構(gòu)與萌發(fā)特性的研究[J]. 種子, 2012, 31( 11): 26-30.
LI X H, FANG Z S, NIU J Y. Study on configuration fab-ric and germination conditions of flax seed[J]. Seed, 2012,31( 11): 26-30.
[17]李毅念, 杜世偉, 姚敏, 等 . 基于小麥群體圖像的田間麥穗計(jì)數(shù)及產(chǎn)量預(yù)測方法[J]. 農(nóng)業(yè)工程學(xué)報 , 2018, 34(21): 185- 194.
LI Y N, DUS W, YAOM,et al. Method for wheat ear counting and yield predicting based on image of wheat ear population in field[J]. Transactions of the Chinese society of agricultural engineering, 2018, 34(21): 185- 194.
[18]段鵬, 程文播, 錢慶, 等 . 基于瓶頸檢測和分水嶺算法的重疊宮頸細(xì)胞圖像分割方法[J]. 中國醫(yī)療器械雜志 ,2020, 44( 1): 7- 12.
DUAN P, CHENG W B, QIAN Q, et al. Overlapping cervical cell image segmentation based on bottleneck detection and watershed algorithm[J]. Chinese journal of medical instrumentation, 2020, 44( 1): 7- 12.
[19]姚業(yè)浩, 李毅念, 鄒瑋, 等 . 油菜籽粒千粒重圖像測定方法[J]. 中國油料作物學(xué)報, 2022, 44( 1): 201-210.
YAO Y H, LI Y N, ZOU W, et al. Determination method on thousand-seed weight of rapeseed based on image processing[J]. Chinese journal of oil crops ciences, 2022, 44(1): 201-210.
[20]萬路瑤 . 基于圖像識別的作物種子自動計(jì)數(shù)方法研究[D]. 成都: 成都大學(xué), 2020.
WANLY.Research on automatic crop seed counting method based on image recognition[D]. Chengdu: Cheng- du University, 2020.
[21]熊利榮, 鄭宇 . 基于形態(tài)學(xué)的稻谷種子品種識別[J]. 糧油加工, 2010(6): 45-48.
XIONG L R, ZHENG Y. Identification of rice seed varieties based on morphology[J]. Cereals and oils processing, 2010(6): 45-48.
[22]王剛 . 基于機(jī)器視覺的玉米千粒重快速檢測儀的研制[D]. 長春: 吉林大學(xué), 2012.
WANG G. Development of 1000-kernel corn weight detector based on machine vision[D]. Changchun: Jilin University, 2012.
[23]人民幣防偽特征 . [2023-09-09]. http://www.pbc. gov. cn/ huobijinyinju/ 147948/ 147954/ 148021/index.html.
[24]LIU T, CHEN W, WANG Y F, et al. Rice and wheat grain counting method and software development based on An- droid system[J]. Computers and electronics in agriculture, 2017, 141: 302-309.
[25]ZHANG J, LIUS P, WU W, et al. Research on a rapid identification method for counting universal grain crops[J]. PLoS one, 2022, 17(9): ID e0273785.
[26]HU Y, ZHANG Z W. GridFree: A python package of im- ageanalysisforinteractivegraincountingandmeasur- ing[J]. Plant physiology, 2021, 186(4): 2239-2252.
[27]彭順正, 岳延濱, 馮恩英, 等 . 基于機(jī)器視覺的油菜籽計(jì)數(shù)系統(tǒng)開發(fā)與設(shè)計(jì)[J]. 計(jì)算機(jī)應(yīng)用 , 2020, 40(S2): 142- 146.
PENG S Z, YUE Y B, FENG E Y, et al. Development and design of rapeseed counting system based on machine vision[J].Journal of computer applications,2020,40(S2): 142- 146.
文章摘自：毛永文，韓俊英，劉成忠．基于機(jī)器視覺的胡麻種子自動化考種方法研究[J/OL] ．智慧農(nóng)業(yè)(中英文).https://link.cnki.net/urlid/10.1681.S.20240122.1043.002
