基于計(jì)算機(jī)視覺的水稻雜株識(shí)別研究

袁南星,魏文武,劉明潔

(眉山職業(yè)技術(shù)學(xué)院,四川 眉山 620010)

0 引言

水稻是我國的重要糧食作物,一半以上的人口以水稻為主食。水稻在我國的大部分省份都可以種植,面積位居世界第二,總產(chǎn)量為世界第一。水稻的分布地域較廣,具有多種生態(tài)類型,但對(duì)所有的地域和類型來說,優(yōu)良品種都是水稻高產(chǎn)的基礎(chǔ)。

水稻品種的形成要經(jīng)過選育、大面積制種和區(qū)域試驗(yàn)等環(huán)節(jié),這些環(huán)節(jié)面臨的一個(gè)共同問題就是水稻雜株。水稻雜株的類型多樣,來源也十分復(fù)雜,有自然變異或遺傳分離產(chǎn)生的雜株,也有操作過程中混雜的植株。親本中的雜株包括不育系親本中的保持系和遲不育株,保持系親本中的不育系和常規(guī)稻,恢復(fù)系親本中的常規(guī)稻和變異株。子代中的雜株種類較多,包括親本植株和遠(yuǎn)源雜交后代[1-2]。雜株的性狀表現(xiàn)也有多種類型,如當(dāng)代表現(xiàn)、隔代表現(xiàn)和多代表現(xiàn),甚至存在變異的表現(xiàn)型[3]。

雜株對(duì)水稻產(chǎn)業(yè)具有較大的危害,在選育階段會(huì)干擾對(duì)正常植株農(nóng)藝性狀的觀察和評(píng)判,延緩性狀改良的進(jìn)程。制種階段的雜株顯著降低收獲種子的純度,甚至造成制種的失敗。區(qū)域試驗(yàn)中的雜株會(huì)影響候選品種的展示效果,并降低產(chǎn)量,可能導(dǎo)致優(yōu)良的候選品種被錯(cuò)誤地淘汰。雜交水稻推廣種植后,植株的混雜隨著年代的增加日益明顯,已經(jīng)開始削弱水稻的雜種優(yōu)勢(shì),嚴(yán)重影響了雜交水稻的增產(chǎn)效果[4]。尹大杰等研究表明,生產(chǎn)田中的雜株率每增加1%,則水稻畝產(chǎn)減少7.8kg[5]。

因此,在水稻的品種選育、大面積制種和區(qū)域試驗(yàn)等環(huán)節(jié)中要加強(qiáng)對(duì)水稻雜株的防范清除,以達(dá)到增產(chǎn)增效的目的。針對(duì)復(fù)雜的雜株類型和性狀表現(xiàn),人們?cè)O(shè)計(jì)了多種雜株防除措施,包括選育階段重視親本的繁殖保純,制種階段進(jìn)行嚴(yán)格的田間隔離,區(qū)域試驗(yàn)階段做好播種和移栽工作,避免品種之間及與外界的混雜[6]。水稻雜株的防除以識(shí)別為前提,特別是在制種環(huán)節(jié)中,雜株的識(shí)別是決定種子純度的關(guān)鍵。當(dāng)前雜株識(shí)別主要依靠經(jīng)驗(yàn)進(jìn)行肉眼觀察,根據(jù)不同生長發(fā)育時(shí)期的各個(gè)性狀表現(xiàn)差異來判斷[7]。在秧苗期,一般根據(jù)葉片大小、顏色的深淺和秧苗的高矮來識(shí)別雜株。抽穗揚(yáng)花期是水稻由營養(yǎng)生長向生殖生長轉(zhuǎn)變的時(shí)期,用于識(shí)別雜株的性狀較多,如抽穗時(shí)間、包頸程度和穗部形態(tài)等;在成熟期則通過結(jié)實(shí)率、谷粒大小形狀及穗層的整齊程度來識(shí)別雜株[8]?？傮w上來說,目前的水稻雜株識(shí)別須要消耗大量的人力,識(shí)別的效果也不理想,影響了品種形成的速度。

隨著科學(xué)技術(shù)的發(fā)展,許多新型技術(shù)如無人機(jī)、物聯(lián)網(wǎng)和計(jì)算機(jī)視覺等在農(nóng)業(yè)領(lǐng)域得到了廣泛的應(yīng)用,提升了農(nóng)業(yè)現(xiàn)代化的水平。水稻雜株識(shí)別大都是基于外觀性狀的差異,因此可以通過圖像處理來實(shí)現(xiàn),為計(jì)算機(jī)視覺的應(yīng)用提供了空間。計(jì)算機(jī)視覺技術(shù)是拍攝圖像并分析視覺參數(shù),然后根據(jù)目標(biāo)特征將需要識(shí)別的對(duì)象從圖像中提取出來。計(jì)算機(jī)視覺在農(nóng)業(yè)中主要用于瓜果的收獲和分級(jí)檢測(cè),以及田間雜草和機(jī)械行駛路徑的識(shí)別[9-12]。在水稻上,計(jì)算機(jī)視覺還可以用于對(duì)裂穎種子、葉部病害的識(shí)別,都能取得良好的效果[13-14]。龔紅菊等基于分形理論分析設(shè)計(jì)了計(jì)算機(jī)視覺系統(tǒng),根據(jù)與圖像特征參數(shù)的線性相關(guān)性準(zhǔn)確預(yù)測(cè)出單位面積的水稻產(chǎn)量[15]。陳誠等通過計(jì)算機(jī)視覺對(duì)水稻葉片多種顏色指標(biāo)的分析,建立相關(guān)模型,能夠準(zhǔn)確預(yù)測(cè)葉綠素的相對(duì)含量[16]。

為了拓展計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用范圍,本文提出了基于計(jì)算機(jī)視覺的水稻雜株識(shí)別方法。水稻田間圖像依次進(jìn)行預(yù)處理、灰度化和二值化,然后根據(jù)雜株的外觀特征選擇合適的參數(shù)進(jìn)行閾值分割,將雜株從背景中識(shí)別并提取出來。最后,在水稻各個(gè)生長發(fā)育時(shí)期測(cè)試該方法的識(shí)別效果,為水稻的品種選育、大面積制種和區(qū)域試驗(yàn)提供技術(shù)支撐。

1 設(shè)備和軟件

視覺分析的設(shè)備是數(shù)碼相機(jī)和計(jì)算機(jī),數(shù)碼相機(jī)為Nikon D700型,采集的圖像為2 080萬像素的JEPG格式,模擬信號(hào)由2400型A/D轉(zhuǎn)換器轉(zhuǎn)變成BMP格式后導(dǎo)入計(jì)算機(jī)。計(jì)算機(jī)是聯(lián)想T6900C型臺(tái)式電腦,配置包括Intel 酷睿i76700型CPU,8GB的DDR4型內(nèi)存,在Windows10操作系統(tǒng)中運(yùn)行。視覺分析軟件為MatLab工具箱,運(yùn)行速度快,可以用于對(duì)圖像的快速處理。

2 視覺分析

2.1 圖像預(yù)處理

在無風(fēng)的陰天采集水稻田間圖像,拍攝時(shí)相機(jī)離地高度3m,俯視角45°。由于受到環(huán)境因素的影響,且拍攝時(shí)相機(jī)可能出現(xiàn)抖動(dòng),導(dǎo)致圖像中含有各種噪音,會(huì)對(duì)后續(xù)的視覺分析造成影響。這里利用5×5的中值濾波對(duì)圖像做平滑處理,消除噪音后得到便于分析的原始圖像,如圖1所示。相機(jī)俯視拍攝導(dǎo)致不同距離上的相同大小物體所對(duì)應(yīng)的像素?cái)?shù)量有差異,獲得的圖像存在畸變。本文采用立體幾何算法,在像平面上任選一點(diǎn),得到垂直于相機(jī)光軸且與該點(diǎn)相交于拍攝范圍中心點(diǎn)的物平面坐標(biāo),隨機(jī)產(chǎn)生對(duì)應(yīng)圖像平面的坐標(biāo),從而完成對(duì)圖像畸變的校正。

2.2 圖像灰度化

原始圖像中的背景是正常水稻植株,葉片形態(tài)和顏色表現(xiàn)一致。水稻雜株也是以綠色為主,但是在植株高度、生長發(fā)育時(shí)期或顏色深淺上與正常植株之間存在差異。對(duì)于植株高度存在差異的雜株,若其株較矮,原有的位置會(huì)被后方的植株替代,形成較暗的區(qū)域;若其株較高,則會(huì)遮擋后方的植株形成較亮的區(qū)域。水稻抽穗開花期的葉片為綠色,稻穗為黃色,生長發(fā)育時(shí)期存在差異的雜株可以通過顏色進(jìn)行識(shí)別。因此,可以利用亮度和顏色的差異將各種類型的雜株從背景中分離出來。為提高彩色圖像的分割效果,關(guān)鍵在于選擇合適的顏色空間。

圖1 田間水稻的原始圖像Fig.1 Original image of rice in the field

本文根據(jù)田間水稻圖像的光照強(qiáng)度特征,以HSI模型建立顏色空間,分別采用色調(diào)H,飽和度S和亮度I作為分量分析圖像,在I分量下對(duì)圖像進(jìn)行灰度化處理。處理得到的灰度化圖像顏色差異明顯增強(qiáng),雜株圖像區(qū)域與背景的區(qū)分更加容易,如圖2所示。

2.3 閾值分割

圖像分割是利用顏色和亮度特征識(shí)別雜株的必要步驟,圖像分割有多種方法,一般根據(jù)目標(biāo)特征和分析目的來選擇。閾值分割法具有模型簡單、運(yùn)行速度較快的優(yōu)點(diǎn),適合用于水稻雜株的快速識(shí)別。本文通過分析灰度化圖像的直方圖,獲得合適的閾值作為分割雜株和背景的依據(jù)。雜株的亮度和顏色特征受光照影響不大,因此將原始圖像的I分量和灰度化圖像分別做最大類間方差分析和二值化處理,得到灰度化的直方圖,從直方圖上選取分割特征的閾值上限T1和下限T2,如圖3所示。

圖2 田間水稻的灰度化圖像Fig.2 Gray image of rice in the field

圖3 田間水稻的直方圖Fig.3 Histogram of rice in the field

2.4 雜株識(shí)別

將田間水稻圖像劃分為基本的區(qū)域單元,分析每個(gè)單元中的亮度特征值,當(dāng)特征值小于T2或大于T1時(shí),即判定為目標(biāo)單元。最后將所有相鄰的目標(biāo)單元拼接成為一個(gè)整體,即雜株的圖像區(qū)域,用黑色表示出來,如圖4所示。同理,將特征值介于T2和T1之間的單元拼接成為背景區(qū)域,用白色表示出來。

3 試驗(yàn)結(jié)果分析

在本單位的試驗(yàn)基地內(nèi)選取一塊水稻雜株較多區(qū)域,對(duì)計(jì)算機(jī)視覺的雜株識(shí)別效果進(jìn)行測(cè)試。種植區(qū)域的面積約為200m2,在水稻的秧苗期、分蘗期、抽穗期和成熟期人工調(diào)查記載雜株的數(shù)量和分布位置,隨后通過計(jì)算機(jī)視覺拍攝并分析圖像;以人工調(diào)查記載的數(shù)據(jù)為標(biāo)準(zhǔn),評(píng)價(jià)計(jì)算機(jī)視覺的雜株識(shí)別效果。

圖4 田間水稻的雜株識(shí)別Fig.4 Off-type recognition of rice in the field

試驗(yàn)結(jié)果如表1所示。水稻雜株的性狀特征涉及多個(gè)方面,是隨著生長發(fā)育的進(jìn)程而逐漸顯現(xiàn)的。因此,人工調(diào)查也無法在早期識(shí)別出所有的雜株,導(dǎo)致秧苗期的漏檢數(shù)量較多。秧苗期水稻雜株的性狀特征最少,計(jì)算機(jī)視覺的識(shí)別率較低,僅為89.1%,誤識(shí)率也較高。在后面的3個(gè)時(shí)期計(jì)算機(jī)視覺識(shí)別率都超過94%,在抽穗期的識(shí)別率最高,誤識(shí)率最低,具有最好的識(shí)別效果。

表1 計(jì)算機(jī)視覺的雜株識(shí)別準(zhǔn)確性Table 1 Accuracy of computer vision on off-type recognition

4 結(jié)論

設(shè)計(jì)了基于計(jì)算機(jī)視覺的水稻雜株識(shí)別方法,首先拍攝水稻圖像,通過平滑處理消除噪音,然后利用坐標(biāo)變換校正圖像的畸變。在HSI顏色空間以I分量對(duì)圖像進(jìn)行灰度化,再做最大類間方差分析和二值化處理,從直方圖上獲得特征的分割閾值,將雜株從背景圖像中提取出來。試驗(yàn)結(jié)果表明：秧苗期水稻雜株的性狀特征最少,導(dǎo)致計(jì)算機(jī)視覺的識(shí)別效果較差;在分蘗期、抽穗期和成熟期計(jì)算機(jī)視覺識(shí)別率都超過94%,且在抽穗期具有最好的識(shí)別效果。因此,計(jì)算機(jī)視覺的水稻雜株識(shí)別方法最適合在抽穗期使用,可以為水稻的品種選育、大面積制種和區(qū)域試驗(yàn)提供技術(shù)支撐。