玉米穗考種行籽粒計(jì)數(shù)算法設(shè)計(jì)研究

嚴(yán)正紅

(安徽國防科技職業(yè)學(xué)院，安徽 六安 237011)

玉米作為我國第1大高產(chǎn)糧食農(nóng)作物，是發(fā)展畜牧業(yè)和養(yǎng)殖產(chǎn)業(yè)的重要飼料來源，同時(shí)也是食品業(yè)、輕工業(yè)、醫(yī)療業(yè)等產(chǎn)業(yè)中不可缺少的原材料。在我國，玉米種植區(qū)域廣泛，產(chǎn)量穩(wěn)定、高效，在農(nóng)業(yè)生產(chǎn)總值中占有重要地位[1]。在玉米育種、考種、播種、新種培育、產(chǎn)量預(yù)測(cè)等生產(chǎn)和研究中，玉米穗籽粒數(shù)都是一項(xiàng)重要指標(biāo)。目前，玉米穗籽粒數(shù)主要依靠人工通過肉眼統(tǒng)計(jì)完成的，其工作效率低、勞動(dòng)強(qiáng)度大，容易使人產(chǎn)生視覺疲勞而影響穗籽粒數(shù)統(tǒng)計(jì)準(zhǔn)確率。因此，如何快速、精準(zhǔn)地統(tǒng)計(jì)玉米穗籽粒數(shù)成為玉米自動(dòng)化考種的研究熱點(diǎn)。

近年來，智能化與信息化技術(shù)不斷在農(nóng)業(yè)生產(chǎn)中應(yīng)用，農(nóng)業(yè)生產(chǎn)領(lǐng)域正逐漸向智慧農(nóng)業(yè)領(lǐng)域轉(zhuǎn)變。玉米穗行粒數(shù)是玉米考種的重要參數(shù)。針對(duì)玉米穗籽粒數(shù)的計(jì)算，運(yùn)用機(jī)器視覺技術(shù)和圖像處理技術(shù)對(duì)玉米穗圖像的研究一直是自動(dòng)化玉米考種方面的一大研究熱點(diǎn)。

因此，本文利用工業(yè)照相機(jī)搭建圖像采集裝置，并運(yùn)用MATLAB數(shù)字圖像處理技術(shù)對(duì)玉米穗圖像進(jìn)行處理。將玉米穗完整圖像分割出果穗中的某一行，然后快速統(tǒng)計(jì)出玉米穗行籽粒的數(shù)量，該方法能夠?yàn)橛衩鬃詣?dòng)考種技術(shù)提供參考。

1 圖像數(shù)據(jù)采集

玉米穗圖像數(shù)據(jù)采集常用的方法有掃描儀對(duì)樣本進(jìn)行掃描、攝像機(jī)對(duì)樣本攝像，以及利用照相機(jī)對(duì)樣本拍攝等3種采集方法。其中，在運(yùn)用掃描儀掃描樣本法采集時(shí)，玉米整穗體積大，一般掃描儀掃描出來的圖像會(huì)因?yàn)檎谏w不嚴(yán)而產(chǎn)生漏光現(xiàn)象，所采集的圖像因模糊而影響處理結(jié)果。在利用攝像機(jī)采集圖像的方法中，由于清晰度取決于感光芯片的性能，對(duì)于設(shè)備要求較高。照相機(jī)拍攝取樣法操作簡(jiǎn)單、方便實(shí)用，但是在采集中容易受環(huán)境、樣本自身雜質(zhì)、光照不均、拍攝角度和距離等因素影響，產(chǎn)生一定的噪聲，從而影響處理效果。為盡可能地降低環(huán)境、設(shè)備等因素影響，研究中采用工業(yè)照相機(jī)來采集樣本圖像，統(tǒng)一圖像采集方式，對(duì)采集系統(tǒng)中的照相機(jī)和玉米穗垂直放置，兩者間垂直距離保持穩(wěn)定不變。

以產(chǎn)自安徽“京豐8號(hào)”玉米穗完整果穗作為實(shí)驗(yàn)樣本。將采收、曬干后的整果穗玉米平整放置在實(shí)驗(yàn)臺(tái)上，使用北京維視數(shù)字圖像技術(shù)有限公司生產(chǎn)的MV-VD030型號(hào)工業(yè)照相機(jī)，在玉米穗正上方垂直拍攝，進(jìn)行實(shí)驗(yàn)樣本的圖像采集工作。工業(yè)相機(jī)與玉米穗的垂直距離保持在300mm。如圖1所示，為玉米穗圖像采集裝置示意圖。工業(yè)相機(jī)完成圖像采集后，將采集到的信息傳輸給計(jì)算機(jī)，供后續(xù)MATLAB圖像處理使用。

圖1 圖像采集裝置示意圖

2 玉米穗圖像處理

2.1 圖像預(yù)處理

如圖2所示，工業(yè)相機(jī)采集到的玉米穗原始圖像以.bmp格式照片形式保存。為檢測(cè)玉米穗行籽粒數(shù)，需要對(duì)圖像進(jìn)行預(yù)處理。用工業(yè)相機(jī)采集的圖像彩色圖像，其圖像顏色模式由R、G、B 3個(gè)模式所構(gòu)成。為了消除玉米穗圖像自身帶有的噪聲信息，增強(qiáng)圖像輪廓有關(guān)信息，必須對(duì)原圖像進(jìn)行預(yù)處理。預(yù)處理理想結(jié)果為成功圖像分割到目標(biāo)為玉米籽粒行輪廓圖像，圖像預(yù)處理是基于MATLAB R2014a對(duì)圖像進(jìn)行灰度化處理、二值化處理、去除小面積、空洞填充等。

圖2 玉米穗原始圖像

2.1.1 圖像灰度化處理

為降低后續(xù)圖像處理的計(jì)算量，采集到的彩色圖像需要進(jìn)行灰度化處理?；叶确秶话阍?～255范圍內(nèi)變化，灰度值為0時(shí)為黑色，灰度值為255時(shí)為白色，灰度值較大的像素較亮，反之較暗。目前，圖像灰度化處理常用方法有3種，即最大值法、平均值法和加權(quán)平均值法[2]。本文選用加權(quán)平均法進(jìn)行玉米穗原始圖像灰度化處理，加權(quán)平均法指按照一定的權(quán)值，將R′、G′、B′各分量值的加權(quán)平均值作為灰度值，公式：

R′=G′=B′=ωRR+ωGG+ωBB

(1)

式中，ωR、ωG、ωB分別表示R′、G′、B′的權(quán)值。

2.1.2 二值化處理

雖然灰度化后的玉米穗圖像已經(jīng)由彩色圖像轉(zhuǎn)化成單通道的灰度圖像，但圖像中每個(gè)像素點(diǎn)的像素值還有256個(gè)，其數(shù)據(jù)量依然龐大。為了進(jìn)一步簡(jiǎn)化圖像需要對(duì)其進(jìn)行二值化處理。二值化的目的就是將圖像轉(zhuǎn)化成二值圖像，圖像的像素點(diǎn)灰度值非1即0，即將目標(biāo)像素點(diǎn)灰度值置1，背景像素點(diǎn)灰度值置0，這樣就可以將原來的玉米穗圖像的色彩信息簡(jiǎn)化到極致，并且保留了原有圖像的結(jié)構(gòu)特征。

灰度圖像二值化的方法通常采用閾值來實(shí)現(xiàn)，閾值有人工閾值和自動(dòng)閾值2種。人工閾值是一個(gè)不斷嘗試的過程，通過設(shè)定不同大小的值來觀察圖像二值化后的效果，以挑選出最佳的閾值。該方法操作簡(jiǎn)單，但適用性不強(qiáng)，每幅樣本圖像都要重新尋找與之對(duì)應(yīng)的閾值，且費(fèi)時(shí)費(fèi)力。自動(dòng)閾值是依據(jù)圖像自身灰度值的分布特征自動(dòng)生成閾值的方法，一般有經(jīng)驗(yàn)法、直方圖谷底法、最大類間方差法、迭代法等[3]。

在進(jìn)行閾值法操作中，閾值大小是影響二值化處理效果的最重要因素，其參數(shù)值的設(shè)定非常關(guān)鍵。在研究中，圖像二值化處理運(yùn)用經(jīng)驗(yàn)法來設(shè)定閾值參數(shù)，然后掃描圖像中所有像素，對(duì)于圖像中像素值比閾值參數(shù)大的全部置成1，比閾值參數(shù)小的全部置成0。由于實(shí)驗(yàn)樣本采集系統(tǒng)對(duì)于玉米穗圖像采集是采用統(tǒng)一標(biāo)準(zhǔn)進(jìn)行采樣的，其樣本圖像背景比較純凈，所以采用自動(dòng)閾值便可以滿足圖像識(shí)別的要求。如圖3所示，為經(jīng)灰度化及二值化處理后的圖像。

圖3 灰度化及二值化處理后的圖像

2.2 圖像分割

在經(jīng)過二值化處理后的玉米穗圖像中，白色玉米為主體，黑色為背景，灰度差別大，經(jīng)實(shí)際圖像分割操作效果的比對(duì)，利用閾值法分割要比邊緣提取方法保留玉米穗的輪廓信息更多，所以對(duì)玉米穗圖像的處理選用閾值分割。閾值分割的實(shí)質(zhì)是從灰度圖像的灰度直方圖信息中獲取分割閾值。

由于分離出來的玉米穗是個(gè)完整的連通域，所以在圖像中擁有最大的面積，而其他噪點(diǎn)、雜質(zhì)的面積均遠(yuǎn)遠(yuǎn)小于玉米穗的面積，通過閾值的方式可以去除面積小于該閾值的連通域，即可去除圖像中背景物的噪點(diǎn)和其他雜質(zhì)。為獲得更加完整的玉米穗圖像，針對(duì)空洞問題繼續(xù)利用去除小面積的方法來實(shí)現(xiàn)，其具體步驟：將圖像進(jìn)行反色，利用函數(shù)去除空洞連通域，再將圖像取反，即可得到去除空洞后的玉米穗圖像。重復(fù)以上操作，分割結(jié)果顯示區(qū)域去除處理后的圖像，如圖4所示。MATLAB程序設(shè)計(jì)代碼如下：

圖4 去除面積后圖像

corn_level=graythresh(corn);%自動(dòng)設(shè)置一個(gè)閾值

corn_BW=im2bw(corn,corn_level);%圖像二值化

figure(5)

imshow(corn_BW) %顯示轉(zhuǎn)化后的圖像

corn_BW_point=bwareaopen(corn_BW,50000); %去除面積低于50000的圖像

figure(6)

imshow(corn_BW_point) %顯示圖像

corn_BW_point_not=～corn_BW_point; %將圖像反色處理

corn_BW_point_not=uint8(corn_BW_point_not); %轉(zhuǎn)換數(shù)據(jù)類型為logical到uint8

corn_BW_point_roll(:,:,1)=corn_BW_point_not.*corn(:,:,1);%點(diǎn)乘運(yùn)算

corn_BW_point_roll(:,:,2)=corn_BW_point_not.*corn(:,:,2);

corn_BW_point_roll(:,:,3)=corn_BW_point_not.*corn(:,:,3);

figure(7)

imshow(corn_BW_point_roll) %顯示運(yùn)算后的圖像

corn_level_roll=graythresh(corn_BW_point_roll); %設(shè)置一個(gè)閾值

corn_BW_roll=im2bw(corn_BW_point_roll,corn_level_roll);%圖像二值化

figure(8)

imshow(corn_BW_roll) %顯示轉(zhuǎn)化后的圖像

corn_BW_point_roll_1=bwareaopen(corn_BW_roll,100); %去除面積低于100的對(duì)象

figure(9)

imshow(corn_BW_point_roll_1) %顯示圖像

圖像分割后，圖像中還存在一些雜點(diǎn)，目標(biāo)物體的邊界凹凸不平。為了只保留玉米穗的一行，去除圖像中的雜點(diǎn)以及使玉米穗輪廓邊界變得平滑，需要對(duì)分割后的圖像進(jìn)行一系列形態(tài)學(xué)處理。在MATLAB 2014a中，圖像的形態(tài)學(xué)處理技術(shù)主要包括膨脹、腐蝕、開運(yùn)算和閉運(yùn)算[4]。膨脹處理是將圖像的邊緣進(jìn)行一定的延長(zhǎng)和拓寬，增強(qiáng)實(shí)際邊界的像素點(diǎn)。腐蝕處理是一種消除邊界點(diǎn)，使邊界點(diǎn)內(nèi)宿的過程?？蛇\(yùn)用于消除小且無意義的目標(biāo)對(duì)象，強(qiáng)化邊界有效性。由于前期進(jìn)行過腐蝕操作，圖像像素點(diǎn)減弱，存在失真現(xiàn)象，所以需要再進(jìn)行一次膨脹處理以彌補(bǔ)失真情況。因在圖像處理時(shí)數(shù)據(jù)類型的不同，需要首先將數(shù)據(jù)類型轉(zhuǎn)化成logical到uint8，再進(jìn)行點(diǎn)乘運(yùn)算和圖像濾波，這樣就可以分割出原始玉米穗圖像中的某一行。其圖像顯示結(jié)果如圖5所示。

圖5 分割出一行圖像

3 玉米穗行粒數(shù)計(jì)算

經(jīng)過對(duì)玉米整穗原始圖像的預(yù)處理與圖像分割處理后，可以得到玉米穗圖像中的一行圖像。針對(duì)分割出玉米穗的一行，需要再進(jìn)行一次分割，才能進(jìn)行玉米穗行籽粒數(shù)的估算。經(jīng)二值化處理、點(diǎn)乘運(yùn)算等操作后，玉米穗行的籽粒處于分開狀態(tài)，然后在MATLAB中調(diào)用函數(shù)計(jì)算出玉米穗行籽粒的數(shù)目。

利用數(shù)字圖像處理技術(shù)對(duì)玉米穗行籽粒數(shù)估計(jì)算法設(shè)計(jì)，其MATLAB程序設(shè)計(jì)代碼實(shí)現(xiàn)：

count_BW=im2bw(I,0.32); %圖像二值化

count_BW_double=double(count_BW); %轉(zhuǎn)換數(shù)據(jù)類型為logical到double

count_BW_roll=double(bw_end).*count_BW_double;%點(diǎn)乘運(yùn)算

count_BW_point=bwareaopen(count_BW_roll,50); %去除圖像中面積低于50的對(duì)象[L,num]=bwlabel(count_BW_point,8); %籽粒計(jì)數(shù)

顯示計(jì)數(shù)后的圖像及籽粒數(shù)如圖6所示。

圖6 玉米穗行籽粒數(shù)估計(jì)

4 結(jié)果與分析

為了驗(yàn)證所建立的玉米穗籽粒計(jì)數(shù)模型的可應(yīng)用性和準(zhǔn)確性，將實(shí)驗(yàn)室中30穗玉米的圖像經(jīng)所計(jì)數(shù)算法模型的估算，并分別統(tǒng)計(jì)出模型計(jì)數(shù)出的玉米穗行籽粒數(shù)和經(jīng)人工實(shí)際數(shù)出來的玉米穗行籽粒數(shù)。

如圖7所示，玉米穗行粒數(shù)模型估計(jì)與人工實(shí)際計(jì)數(shù)進(jìn)行比較，行粒數(shù)相差不超過2粒，其計(jì)算出的相對(duì)誤差低于5.4%。利用MATLAB數(shù)字圖像處理技術(shù)可以實(shí)現(xiàn)玉米穗考種行籽粒的計(jì)數(shù)功能，其高效、準(zhǔn)確的估計(jì)性能彌補(bǔ)了人工視覺疲勞的缺陷，大大提高了考種效率，為自動(dòng)化考種提供便利。

圖7 玉米穗行粒數(shù)統(tǒng)計(jì)圖

5 結(jié)論

通過實(shí)驗(yàn)與統(tǒng)計(jì)結(jié)果分析可得出，在使用工業(yè)照相機(jī)采集玉米穗整果圖像信息的基礎(chǔ)上，利用數(shù)字圖像處理技術(shù)對(duì)玉米穗行籽粒數(shù)的估計(jì)設(shè)計(jì)，可以大大提高玉米穗行粒計(jì)數(shù)準(zhǔn)確率。所設(shè)計(jì)方法操作性強(qiáng)、花費(fèi)低、效率高，將明顯降低人為勞動(dòng)強(qiáng)度，對(duì)玉米自動(dòng)化考種技術(shù)的發(fā)展具有重要意義。