基于計(jì)算機(jī)視覺的小麥葉面積測(cè)量

郝雅潔 張吳平 史維杰 趙明霞 呂致 李富忠

摘要：運(yùn)用計(jì)算機(jī)視覺技術(shù)對(duì)目標(biāo)作物小麥的側(cè)拍、俯拍圖像進(jìn)行識(shí)別處理，計(jì)算出相應(yīng)葉片所占面積大小，從多變量因素對(duì)其測(cè)量分析，與葉真實(shí)面積大小進(jìn)行比較，分析建立關(guān)系模型。結(jié)果表明，小麥植株的側(cè)拍、俯拍面積與葉真實(shí)面積之間存在回歸關(guān)系，且相關(guān)性較高，R2值達(dá)到0.91。且經(jīng)過驗(yàn)證，測(cè)量結(jié)果較準(zhǔn)確，說明此回歸模型可行。

關(guān)鍵詞：計(jì)算機(jī)視覺;小麥;葉面積;像素?cái)?shù)

中圖分類號(hào)：TP391;S512.1? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2019）16-0129-04

DOI：10.14088/j.cnki.issn0439-8114.2019.16.030? ? ? ? ? ?開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Abstract： The computer vision technology was used to identify the lateral and overhead images of the target crop wheat， and the corresponding leaf area was calculated. The multi-variable factors were used to measure and analyze it. Finally， the real area of the leaf was compared and analyzed to establish a relationship model. The results showed that there was a regression relationship between the lateral beat， the overshoot area and the true leaf area of the wheat plants， the correlation was high， and the R2 value reached 0.91. After verification， the measurement results are more accurate， indicating that this regression model is feasible.

Key words： computer vision; wheat; leaf area; number of pixels

小麥（Triticum aestivum L.）是主要用作食用的谷類作物。中國(guó)是種植小麥最早的國(guó)家之一，山西省以多元的面食文化而出名，將小麥磨成面粉來制作各種面食，且種類繁多復(fù)雜，還可以將小麥發(fā)酵用于釀酒。

隨著高新技術(shù)的發(fā)展，計(jì)算機(jī)技術(shù)不斷更新，應(yīng)用領(lǐng)域也日益擴(kuò)大，尤其是在農(nóng)業(yè)方面的應(yīng)用，智慧農(nóng)業(yè)的推廣實(shí)施也是政府所大力支持的。為了促進(jìn)中國(guó)農(nóng)業(yè)的進(jìn)一步發(fā)展，轉(zhuǎn)變生產(chǎn)模式，提高生產(chǎn)效率，中國(guó)政府出臺(tái)了許多高科技與農(nóng)業(yè)結(jié)合的相關(guān)政策[1]。智能化計(jì)算機(jī)圖像識(shí)別技術(shù)在農(nóng)業(yè)方面的應(yīng)用，包括實(shí)時(shí)監(jiān)測(cè)植物生長(zhǎng)狀況[2]、識(shí)別遭受病蟲害侵襲的植物葉片、對(duì)農(nóng)產(chǎn)品進(jìn)行質(zhì)檢以及對(duì)植物表型進(jìn)行測(cè)量研究等。作物表型是作物基因和其生長(zhǎng)環(huán)境等因素共同作用下在生長(zhǎng)發(fā)育階段所表現(xiàn)出的性狀，可反映出作物的生長(zhǎng)發(fā)育狀況以及對(duì)環(huán)境影響的響應(yīng)等。以智能化的方法對(duì)作物的表型進(jìn)行測(cè)量分析，對(duì)加速作物育種方面有很大作用。葉片是作物光合呼吸的重要器官，其面積也是反映作物生長(zhǎng)狀況的重要指標(biāo)，對(duì)其進(jìn)行測(cè)量可有利于對(duì)作物的光合作用和生理功能做進(jìn)一步研究[3]，還可根據(jù)葉面積計(jì)算出葉面積指數(shù)（LAI）[4]。

本研究運(yùn)用計(jì)算機(jī)視覺技術(shù)代替?zhèn)鹘y(tǒng)的繁瑣人工操作對(duì)葉面積進(jìn)行測(cè)量，通過計(jì)算圖像中小麥植株葉面積所占的像素總個(gè)數(shù)而計(jì)算出其面積與真實(shí)展開葉面積的大小，并對(duì)這二者關(guān)系進(jìn)行統(tǒng)計(jì)分析，進(jìn)而可以直接通過小麥植株的圖像就能計(jì)算出葉面積，為農(nóng)業(yè)生產(chǎn)提供一定的理論依據(jù)。

1? 材料與方法

1.1? 試驗(yàn)材料

從山西農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院的試驗(yàn)田選取10～20棵小麥植株作為試驗(yàn)材料。將植株進(jìn)行不同株數(shù)的組合，單株、兩株、多株進(jìn)行對(duì)比試驗(yàn)，并利用實(shí)驗(yàn)室植物表型旋轉(zhuǎn)平臺(tái)分別對(duì)植株組合進(jìn)行俯拍和側(cè)拍，利用2D圖像進(jìn)行測(cè)量分析。

1.2? 試驗(yàn)方法

通過計(jì)算機(jī)圖像識(shí)別處理對(duì)小麥植株表型葉面積測(cè)量的試驗(yàn)流程如圖1所示。

1.2.1? 相機(jī)標(biāo)定與圖片校正? 對(duì)圖像進(jìn)行測(cè)量、識(shí)別或處理操作時(shí)，涉及4個(gè)坐標(biāo)系之間的轉(zhuǎn)變，包括像素坐標(biāo)系、圖像坐標(biāo)系、相機(jī)坐標(biāo)系以及世界坐標(biāo)系。對(duì)圖像進(jìn)行視覺處理，最終要實(shí)現(xiàn)像素坐標(biāo)系與世界坐標(biāo)系之間的轉(zhuǎn)換[5]。在使用相機(jī)對(duì)物體進(jìn)行拍照時(shí)，最終的圖像會(huì)由于鏡頭拍攝角度等原因產(chǎn)生各種畸變，影響最終試驗(yàn)結(jié)果的精確性，所以需要對(duì)這些圖像進(jìn)行畸變校正。在對(duì)圖像進(jìn)行校正前，需要得知相機(jī)的內(nèi)參、外參和畸變參數(shù)，這些參數(shù)可以通過對(duì)相機(jī)的標(biāo)定而得到[6]。做好標(biāo)定工作是后期校正圖像、降低圖像畸變程度、提高處理精確度的重要前提[7]。世界坐標(biāo)系到像素坐標(biāo)系的轉(zhuǎn)換公式，如下所示：

使用MATLAB軟件對(duì)拍攝小麥植株圖片使用的相機(jī)進(jìn)行了標(biāo)定，得到了相機(jī)相關(guān)參數(shù)等信息，以便對(duì)拍攝的小麥圖片進(jìn)行校正及后續(xù)的操作工作[8，9]。

1.2.2? 圖片二值化處理? 將校正后的圖片進(jìn)行二值化處理，圖像呈現(xiàn)出的色彩效果僅黑白兩種顏色，能夠被直觀地觀察，且易于處理，方便得到葉片面積所占的像素個(gè)數(shù)。

實(shí)際拍攝的圖像中不僅包含目標(biāo)物體，還會(huì)有各種各樣的噪聲存在，影響圖像效果質(zhì)量，為后期的操作帶來干擾。首先需要對(duì)其進(jìn)行去噪處理[10]，使用高斯濾波函數(shù)進(jìn)行模糊去噪，去除圖像中一些不必要的信息。然后對(duì)去噪后的圖像進(jìn)行二值化操作，通過將圖片由RGB轉(zhuǎn)為HSV模式后進(jìn)行閾值化操作。二值化實(shí)質(zhì)是對(duì)圖像進(jìn)行分割[11]，即將目標(biāo)物體與其他背景區(qū)分開[12]。

1.2.3? 計(jì)算像素個(gè)數(shù)? 對(duì)圖像進(jìn)行二值化后，圖片僅有黑白兩種顏色，且圖片是單通道的，所有像素點(diǎn)的值只有0和255這兩個(gè)數(shù)值，0代表黑色，255指白色。需創(chuàng)建一個(gè)迭代器來遍歷圖像中所有像素點(diǎn)的值，二值化后目標(biāo)植株是呈現(xiàn)白色效果的，所以需要統(tǒng)計(jì)白色像素的個(gè)數(shù)，凡訪問到值為255，就將代表白色像素點(diǎn)個(gè)數(shù)的變量加1，最后累計(jì)輸出最終個(gè)數(shù)，從而計(jì)算出對(duì)應(yīng)的俯拍、側(cè)拍植株所占面積[13]。

1.2.4? 計(jì)算葉片真實(shí)面積? 計(jì)算真實(shí)葉面積需要進(jìn)行破壞性試驗(yàn)，將植株個(gè)體的葉片拆分開，粘貼到白紙上，并附已知面積的參照物（30 cm2的矩形標(biāo)定物）。

對(duì)參照物和葉片進(jìn)行二值化時(shí)，根據(jù)黑色和綠色相對(duì)應(yīng)的不同HSV閾值范圍進(jìn)行設(shè)定，分別實(shí)現(xiàn)對(duì)二者的二值化。

2? 結(jié)果與分析

2.1? 葉片面積數(shù)據(jù)的分析

將計(jì)算出的葉片真實(shí)面積數(shù)據(jù)與植株圖像的側(cè)拍、俯拍面積進(jìn)行數(shù)據(jù)間的統(tǒng)計(jì)分析處理，找到它們之間存在的關(guān)系，測(cè)量得到的數(shù)據(jù)如表1所示。對(duì)于測(cè)量得到的植株葉面積，單株的準(zhǔn)確性會(huì)相對(duì)較高，因?yàn)闆]有遮擋，其形態(tài)完全可以拍到，而多株群體植株的葉面積會(huì)存在遮擋問題，影響最終測(cè)量結(jié)果。

2.2? 回歸方程的建立

通過對(duì)數(shù)據(jù)進(jìn)行回歸分析，減少誤差影響。將側(cè)拍面積、俯拍面積兩因素作為兩個(gè)自變量，葉片真實(shí)面積作為因變量，回歸結(jié)果如表2所示。側(cè)拍面積、俯拍面積和真實(shí)面積三者之間的關(guān)系還是比較緊密的，且相關(guān)性較高，相關(guān)系數(shù)R均達(dá)到了0.95以上，決定系數(shù)（相關(guān)系數(shù)R2）為0.910 08。顯著性統(tǒng)計(jì)量F值來判定模型的回歸效果，用0.05作為顯著水平標(biāo)準(zhǔn)值，試驗(yàn)中此值分別為0.000 019 6，小于0.05，說明此回歸方程通過了F檢驗(yàn)，顯著有效。P值也以0.05為參考標(biāo)準(zhǔn)，側(cè)拍、俯拍面積兩變量的斜率均小于0.05，說明其可靠性較高，與葉片真實(shí)面積的值相關(guān)性較大，回歸模型可靠顯著[14]。表明該回歸模型結(jié)果可靠，回歸分析是有意義的。

2.3? 回歸方程的驗(yàn)證

根據(jù)驗(yàn)證數(shù)據(jù)的俯拍、側(cè)拍得出的面積，直接運(yùn)用回歸公式算出真實(shí)面積1，再將其運(yùn)用破壞性試驗(yàn)方法計(jì)算出真實(shí)面積2，將這兩個(gè)數(shù)據(jù)結(jié)果進(jìn)行對(duì)比，結(jié)果如表3所示。葉片真實(shí)面積1與葉片真實(shí)面積2相對(duì)比，誤差較小的，可以運(yùn)用該方法進(jìn)行小麥植株葉面積的測(cè)量，也說明上述回歸方程可行有效的。

3? 小結(jié)與討論

測(cè)量目標(biāo)物體進(jìn)行多角度的拍照、標(biāo)定、校正，實(shí)現(xiàn)對(duì)圖像進(jìn)行各種預(yù)處理及像素點(diǎn)的計(jì)算，最后將各種數(shù)據(jù)信息進(jìn)行匯總進(jìn)行統(tǒng)計(jì)回歸分析并驗(yàn)證其結(jié)果的可靠性、有效性。試驗(yàn)得到含3個(gè)變量的線性回歸模型，為計(jì)算小麥葉面積提供方便快速的理論依據(jù)，減少傳統(tǒng)方式的繁瑣步驟。

本試驗(yàn)工作僅針對(duì)小麥植株的葉面積進(jìn)行了測(cè)量分析，并沒有在其他植株上進(jìn)行試驗(yàn)驗(yàn)證，所以本次試驗(yàn)的回歸模型結(jié)果是否適用于其他植株葉面積的測(cè)量，還有待進(jìn)一步的試驗(yàn)分析。葉面積作為作物表型的一個(gè)重要測(cè)量指標(biāo)，很大程度上關(guān)系著作物的生物量、干重等，根據(jù)葉面積大小與土壤面積可測(cè)算出相應(yīng)的葉面積指數(shù)。葉面積指數(shù)是一個(gè)具有重要意義的參數(shù)，還需要進(jìn)一步對(duì)多種作物的葉面積進(jìn)行測(cè)量分析，找到相應(yīng)更精確的回歸模型，并試試能否找到一個(gè)適用于多種作物的統(tǒng)一回歸模型，為現(xiàn)代農(nóng)業(yè)生產(chǎn)提供更加精準(zhǔn)便利、智能化的服務(wù)。

參考文獻(xiàn)：

[1] 張? 恒，劉? 強(qiáng).基于無人機(jī)的新型農(nóng)業(yè)應(yīng)用研究[J].現(xiàn)代農(nóng)機(jī)，2018（5）：17-19.

[2] JIANG? Z W，REN J Q，CHEN Z X，et al. Inversion of winter wheat leaf area index based on canopy reflectance model and HJ CCD image[A].2013 2nd International Conference on Agro-Geoinformatics：Information for Sustainable Agriculture，Agro-Geoinformatics[C].2013，264-269.

[3] 郭孝玉，孫玉軍，王軼夫，等.基于改進(jìn)人工神經(jīng)網(wǎng)絡(luò)的植物葉面積測(cè)定[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（2）：200-204，199.

[4] 李長(zhǎng)春，牛慶林，楊貴軍，等.基于無人機(jī)數(shù)碼影像的大豆育種材料葉面積指數(shù)估測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（8）：147-158.

[5] 緱文彤.基于極簡(jiǎn)標(biāo)靶的相機(jī)參數(shù)標(biāo)定方法[D].陜西楊凌：西北農(nóng)林科技大學(xué)，2018.

[6] STEFFEN U，SVEN W，JENS L，et al. MultiCol bundle adjustment：A generic method for pose estimation，simultaneous self-calibration and reconstruction for arbitrary multi-camera systems[J].International journal of computer vision，2017，121（2）：234-252.

[7] 尹梁波，鄧興升.基于BP神經(jīng)網(wǎng)絡(luò)的物鏡畸變改正模型精度探討[J].測(cè)繪科學(xué)技術(shù)，2018，6（2）：79-84.

[8] 江士雄. 面向位姿估計(jì)的相機(jī)系統(tǒng)標(biāo)定方法研究[D].武漢：華中科技大學(xué)，2016.

[9] 高? 林，楊貴軍，王寶山，等.基于無人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2015，23（7）：868-876.

[10] GUPTA S，MEENAKSHI. A review and comprehensive comparison of image denoising techniques[A].International Conference on Computing for Sustainable Global Development（INDIACom）[C].2014.

[11] TAN H Q，JIANG H Y，DONG A S，et al. C-V level set based cell image segmentation using color filter and morphology[P].Information Science，Electronics and Electrical Engineering（ISEEE），2014 International Conference[C].2014.

[12] 褚洪亮，肖? 青，柏軍華，等.基于無人機(jī)遙感的葉面積指數(shù)反演[J].遙感技術(shù)與應(yīng)用，2017，32（1）：140-148.

[13] 吳千華，孟祥麗，劉一鳴.植物葉面積測(cè)定方法探討[J].熱帶林業(yè)，2018，46（2）：37-39.

[14] 劉秀英.玉米生理參數(shù)及農(nóng)田土壤信息高光譜監(jiān)測(cè)模型研究[D].陜西楊凌：西北農(nóng)林科技大學(xué)，2016.