基于圖像分析的茶樹葉齒形態(tài)特征量化研究

摘要：茶樹葉齒的大小、形狀和排列方式是茶樹種質(zhì)資源鑒定評(píng)價(jià)的重要標(biāo)準(zhǔn)之一，但長(zhǎng)期以來，這一標(biāo)準(zhǔn)的判定主要依賴技術(shù)人員的經(jīng)驗(yàn)，存在較大的主觀性和不確定性。在現(xiàn)有的圖像識(shí)別算法基礎(chǔ)上，引入根據(jù)葉片幾何形態(tài)特征設(shè)計(jì)的自定義卷積算子進(jìn)行優(yōu)化，提出了一套基于葉片圖像分析的茶樹葉齒特征量化方法。試驗(yàn)驗(yàn)證結(jié)果表明，該方法能夠快速準(zhǔn)確地獲取葉片面積、周長(zhǎng)和葉齒數(shù)量等基本參數(shù)，并能通過自定義算子對(duì)葉齒銳度、葉齒深度和葉齒密度等描述性指標(biāo)進(jìn)行量化。量化結(jié)果的變異系數(shù)均小于1%，具有重復(fù)性強(qiáng)、穩(wěn)定性高的特點(diǎn)。相較于人工主觀辨識(shí)，該方法的測(cè)定時(shí)間不超過30 s，有效提高了茶樹葉片葉齒形態(tài)特征評(píng)價(jià)的準(zhǔn)確性和工作效率，為茶樹種質(zhì)資源的量化評(píng)價(jià)提供了新的方法和思路。

關(guān)鍵詞：茶樹葉片；形態(tài)特征量化；葉齒密度；葉齒深度；葉齒銳度

中圖分類號(hào)：S571.1；S126 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1000-369X（2023）06-835-09

茶葉是我國(guó)傳統(tǒng)的飲料，具有較高的經(jīng)濟(jì)和文化價(jià)值。茶樹種質(zhì)資源評(píng)價(jià)是茶樹新品種選育的重要環(huán)節(jié)。而茶樹葉齒的密度、銳度和深度是茶樹種質(zhì)資源評(píng)價(jià)的重要內(nèi)容之一，是新品種選育、表型分析、遺傳多樣性分析等工作的重要依據(jù)[1]，更是茶樹新品種登記、茶樹種權(quán)保護(hù)的必測(cè)指標(biāo)[2]。傳統(tǒng)的葉齒評(píng)價(jià)方法主要是通過人工觀察和計(jì)數(shù)，存在主觀性強(qiáng)、工作效率低以及判斷標(biāo)準(zhǔn)不一致等問題[3-6]。隨著計(jì)算機(jī)視覺技術(shù)的快速發(fā)展，利用圖片識(shí)別技術(shù)實(shí)現(xiàn)葉片性狀的快速獲取和量化評(píng)價(jià)逐漸成為了行業(yè)研究熱點(diǎn)。然而，目前基于圖像的各類植物識(shí)別軟件均以科普為目的，其精度只能準(zhǔn)確到科或?qū)俚膶用妫⒉荒軐?duì)于同一植物的種類差異進(jìn)行量化描述，難以在種質(zhì)資源評(píng)價(jià)鑒定工作中運(yùn)用。因此，本研究擬通過對(duì)現(xiàn)有圖像識(shí)別技術(shù)進(jìn)行優(yōu)化，并結(jié)合茶樹種質(zhì)資源評(píng)價(jià)相關(guān)要求，對(duì)茶樹葉齒形態(tài)特征進(jìn)行量化，以減少人工評(píng)價(jià)中存在的主觀性干擾，從而提高茶樹種質(zhì)資源評(píng)價(jià)的客觀性、準(zhǔn)確性和工作效率，推動(dòng)茶樹種質(zhì)資源評(píng)價(jià)工作由定性評(píng)價(jià)向定量評(píng)價(jià)發(fā)展。

1 材料與方法

1.1 試驗(yàn)材料

供試葉片均選用邊緣完整的當(dāng)年生成熟茶樹葉片。量化結(jié)果的準(zhǔn)確性檢驗(yàn)選用蜀永703（大葉種）、福鼎大白茶（中葉種）、青心1 號(hào)（小葉種）等3 個(gè)不同葉類的品種。樣品采集地位于重慶市永川區(qū)重慶市農(nóng)業(yè)科學(xué)院茶葉研究所生產(chǎn)試驗(yàn)場(chǎng)（29°75'N，105°71'E），海拔460 m，年均降雨量1 034.9 mm，屬亞熱帶季風(fēng)性濕潤(rùn)氣候。春季年平均溫度17 ℃，夏季年平均溫度28 ℃，秋季年平均溫度21 ℃，冬季少有降雪。

1.2 試驗(yàn)方法

1.2.1 圖像采集

采用自制的圖像采集裝置拍攝葉片圖像，裝置示意圖如圖1 所示。該裝置自帶穩(wěn)定光源，可同時(shí)從被拍攝葉片四周提供光強(qiáng)為1 000 lux的白色柔光，減少陰影。該裝置背景板的4角處設(shè)有4 個(gè)面積為1 cm2 的正方形黑色圖斑，用以校正圖像形變和計(jì)算葉片等比例投影面積。攝像頭分辨率為1 280×720 ppi，圖像儲(chǔ)存為jpg 格式。

1.2.2 圖像預(yù)處理

先提取圖像中各像素點(diǎn)的RGB 值矩陣。再用平均值法（Average method）對(duì)圖片RGB矩陣進(jìn)行灰度化運(yùn)算[6]，將其轉(zhuǎn)化為灰度值矩陣。再利用最大類間方差法（OTSU 算法）將灰度化圖片矩陣二值化[7-8]，并依次按照公式（1）～（3）對(duì)二值化矩陣各元素進(jìn)行標(biāo)記、特征值計(jì)算和重新賦值，從而對(duì)圖片主體的內(nèi)部噪點(diǎn)進(jìn)行填充和修補(bǔ)，同時(shí)將主體以外的噪點(diǎn)清除，以進(jìn)一步優(yōu)化二值化圖像，提高下一步葉片邊緣檢測(cè)和葉面積計(jì)算的準(zhǔn)確性。

1.2.5 準(zhǔn)確性驗(yàn)證

葉片面積和周長(zhǎng)測(cè)定的準(zhǔn)確性直接關(guān)系到葉齒密度、銳度和深度的量化精度。為進(jìn)一步驗(yàn)證面積和周長(zhǎng)計(jì)算方法的準(zhǔn)確性，選擇已知面積的正方形、三角形、圓形和正五邊形在同一背景下進(jìn)行測(cè)量（圖4），同一圖形重復(fù)測(cè)量5 次。

1.2.6 葉齒形態(tài)指標(biāo)的人工測(cè)定

葉齒密度、葉齒深度、葉齒銳度等形態(tài)人工測(cè)定方法參照《茶樹種質(zhì)資源數(shù)據(jù)質(zhì)量控制規(guī)范》和《茶樹種質(zhì)資源描述規(guī)范》進(jìn)行。分別采集蜀永703（大葉種）、福鼎大白茶（中葉種）和青心1 號(hào)（小葉種）當(dāng)年生成熟葉片，以傳統(tǒng)的人工鑒定和圖像分析鑒定兩種方式對(duì)葉齒形態(tài)進(jìn)行了測(cè)定。由5 位長(zhǎng)期從事茶樹種質(zhì)資源鑒定的技術(shù)人員完成，測(cè)定過程中不告知參試人員各葉片對(duì)應(yīng)品種，葉面積和葉片周長(zhǎng)采用網(wǎng)格法測(cè)定，其余指標(biāo)均通過觀察計(jì)數(shù)和經(jīng)驗(yàn)判斷獲得。

1.3 圖像與數(shù)據(jù)處理

本研究數(shù)據(jù)統(tǒng)計(jì)和公式擬合選用SPSS26.0，圖像反演、數(shù)據(jù)批量處理和計(jì)算流程編程選用Python 3.10.0。

2 結(jié)果與分析

2.1 圖像預(yù)處理效果檢驗(yàn)與反演

分別將當(dāng)前使用較為廣泛的Sobel 算子與自定義算子獲得的二值化矩陣和輪廓線矩陣反演成對(duì)應(yīng)的圖像。并對(duì)獲得的二值化圖像（圖5）和邊緣線（圖6）進(jìn)行對(duì)比。結(jié)果顯示，利用自定義算子獲得的二值化矩陣能更完整地填充圖像主體，去除圖像邊緣噪點(diǎn)，更有利于后期葉片面積的精確計(jì)算。提取到的葉片邊緣線條粗細(xì)均勻，由連續(xù)的單像素點(diǎn)組成，避免了之前邊緣提取算法獲得的邊緣線在轉(zhuǎn)角處出現(xiàn)粗線條或斷點(diǎn)的問題，更有利于后期葉片周長(zhǎng)的精確計(jì)算。

2.2 面積與周長(zhǎng)測(cè)量精度的檢驗(yàn)

采用本圖像分析方法對(duì)預(yù)設(shè)正方形、三角形、圓形和正五邊形面積和周長(zhǎng)進(jìn)行測(cè)量，并對(duì)比測(cè)量結(jié)果和預(yù)設(shè)值之間的差異，結(jié)果如表1 所示。驗(yàn)證結(jié)果表明，4 種規(guī)則圖形面積和周長(zhǎng)的測(cè)定值與預(yù)設(shè)值相比，誤差均小于3%，達(dá)到預(yù)期效果。

2.3 葉齒形態(tài)關(guān)鍵指標(biāo)測(cè)定結(jié)果

由5 位技術(shù)人員完成葉齒銳度、葉齒深度和葉齒密度3 類指標(biāo)感官評(píng)價(jià)的平均用時(shí)約為55 s，完成葉面積、葉周長(zhǎng)和葉齒數(shù)量等參數(shù)的測(cè)量和計(jì)數(shù)時(shí)間約為13 min。采用本圖像分析法進(jìn)行5 次重復(fù)測(cè)量，完成上述工作內(nèi)容的平均用時(shí)約為24 s（含圖像采集裝置中取放葉片的時(shí)間和計(jì)算機(jī)運(yùn)算時(shí)間）。其中，葉面積、葉周長(zhǎng)和葉齒數(shù)量的測(cè)定結(jié)果如表2 所示。

結(jié)果顯示，通過圖像分析獲得的葉面積、葉周長(zhǎng)和葉齒數(shù)量等參數(shù)與人工測(cè)定結(jié)果相近，方差分析結(jié)果P 值均大于0.05，說明人工測(cè)量和圖像分析結(jié)果未達(dá)到統(tǒng)計(jì)學(xué)意義上的顯著性差異，表明通過該圖像分析方法測(cè)定葉面積、葉周長(zhǎng)和葉齒數(shù)量等參數(shù)具有可行性。本研究圖像分析獲得的相關(guān)參數(shù)的標(biāo)準(zhǔn)差和變異系數(shù)遠(yuǎn)小于人工測(cè)定，說明該圖像分析方法相對(duì)人工測(cè)定獲得的數(shù)據(jù)更具穩(wěn)定性。

根據(jù)國(guó)家農(nóng)作物種質(zhì)資源平臺(tái)和國(guó)家作物科學(xué)數(shù)據(jù)中心發(fā)布的“茶樹種質(zhì)資源數(shù)據(jù)質(zhì)量控制規(guī)范”，茶樹葉齒密度一般分為?。坷迕卒忼X數(shù)＜2.5）、中（2.5≤每厘米鋸齒數(shù)＜4）和密（每厘米鋸齒數(shù)≥4）3 類。而葉齒銳度和葉齒深度全靠測(cè)試人員依據(jù)肉眼進(jìn)行感官判斷。通過對(duì)比人工測(cè)定和圖像量化分析的測(cè)定結(jié)果可知，人工鑒定結(jié)果因評(píng)測(cè)人員主觀認(rèn)知存在差異，鑒定結(jié)果波動(dòng)性較大，重復(fù)性差。而利用本研究的圖像分析方法獲得的量化結(jié)果，葉齒銳度、葉齒深度和葉齒密度3 類指標(biāo)各重復(fù)的變異系數(shù)均小于1%（表3），表現(xiàn)出很強(qiáng)的可重復(fù)性。

3 討論

隨著計(jì)算機(jī)視覺技術(shù)的快速發(fā)展，圖片識(shí)別技術(shù)在農(nóng)業(yè)領(lǐng)域中被廣泛用于作物病蟲害診斷[9-10]、植物種類辨識(shí)[11]、作物生長(zhǎng)預(yù)測(cè)[12]、農(nóng)田環(huán)境監(jiān)測(cè)[13]和智能農(nóng)業(yè)管理[14]等方面，并取得了顯著的成果。但在茶樹種質(zhì)資源鑒定評(píng)價(jià)等基礎(chǔ)研究工作中的應(yīng)用尚在起步階段。本研究在借鑒前人研究成果的基礎(chǔ)上，優(yōu)化了圖像預(yù)處理算法，配合自制圖像采集裝置，可精確提取葉片主體圖像和邊緣輪廓線，且提取到的邊緣輪廓線由連續(xù)的單像素點(diǎn)組成，與利用通用邊緣檢測(cè)算法獲得的圖像相比，有效降低了由圖像噪音和輪廓線斷點(diǎn)引起的葉片面積和周長(zhǎng)的計(jì)算誤差，測(cè)量準(zhǔn)確度超過97%。

在通過圖像分析獲得精確葉面積、葉周長(zhǎng)及其像素分布位置后，基于葉片幾何形態(tài)特征，設(shè)計(jì)了針對(duì)葉齒密度、葉齒深度和葉齒銳度等葉齒性狀指標(biāo)的量化算法，并利用Python語言對(duì)整個(gè)計(jì)算流程進(jìn)行了編程，實(shí)現(xiàn)了葉齒密度、葉齒深度和葉齒銳度特征指數(shù)的快速測(cè)定。檢驗(yàn)結(jié)果表明，本方法完成葉齒性狀測(cè)定所需時(shí)間不超過30 s，遠(yuǎn)快于人工測(cè)定的速度（13 min），且測(cè)定結(jié)果變異系數(shù)均小于1%，具有更強(qiáng)的穩(wěn)定性，可有效提高茶樹葉片葉齒形態(tài)特征評(píng)價(jià)的準(zhǔn)確性和工作效率，為茶樹種質(zhì)資源量化評(píng)價(jià)提供了一種新的方法和思路。

深入研究計(jì)算機(jī)視覺技術(shù)在農(nóng)業(yè)基礎(chǔ)研究工作中應(yīng)用，針對(duì)性設(shè)計(jì)開發(fā)相關(guān)算法和程序，開拓相關(guān)應(yīng)用場(chǎng)景，是賦能傳統(tǒng)農(nóng)業(yè)轉(zhuǎn)型升級(jí)，提高農(nóng)業(yè)科技創(chuàng)新效率和加速農(nóng)業(yè)科技成果快速落地，加快發(fā)展智慧農(nóng)業(yè)的重要途徑。雖然本研究設(shè)計(jì)開發(fā)的算法和程序能快速量化茶樹葉片的葉齒性狀指標(biāo)，但對(duì)于構(gòu)建完整的茶樹種質(zhì)資源量化評(píng)價(jià)體系仍遠(yuǎn)遠(yuǎn)不夠，還需要利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等先進(jìn)技術(shù)，進(jìn)一步挖掘和利用茶樹種質(zhì)資源數(shù)據(jù)，完善相關(guān)算法和模型，從而實(shí)現(xiàn)茶樹種質(zhì)資源鑒定方式由描述性的定性評(píng)價(jià)向智能自動(dòng)的定量評(píng)價(jià)轉(zhuǎn)變。

參考文獻(xiàn)

[1] 趙衛(wèi)國(guó)， 伍賢密， 齊玉崗， 等. 茶樹紫陽(yáng)群體種種質(zhì)葉片表型多樣性分析[J]. 江西農(nóng)業(yè)學(xué)報(bào)， 2023， 35（2）： 53-59.

Zhao W G， Wu X M， Qi Y G， et al. Diversity analysis of leafphenotypic characters of Ziyang tea population germplasmresources [J]. Acta Agriculturae Jiangxi， 2023， 35（2）： 53-59.

[2] 佚名. 茶樹新品種權(quán)簡(jiǎn)介[J]. 茶葉學(xué)報(bào)， 2022， 63（1）： 2， 57.Anon. Introduction to new tea plant variety rights [J]. TeaScience and Technology， 2022， 63（1）： 2， 57.

[3] 鄭衛(wèi)紅， 任云， 楊成忠. 基于數(shù)字圖像處理技術(shù)的葉面測(cè)量?jī)x研究[J]. 杭州電子工業(yè)學(xué)院學(xué)報(bào)， 2004， 24（3）： 31-34.

Zheng W H， Ren Y， Yang C Z. Research on leaf areameasurement instrument based on digital image processingtechnology [J]. Journal of Hangzhou Institute of ElectronicsEngineering， 2004， 24（3）： 31-34

[4] 董曉華， 趙喬， 蘇中波， 等. 基于漫水填充算法的葉面積儀研制[J]. 節(jié)水灌溉， 2016（9）： 169-172.

Dong X H， Zhao Q， Su Z B， et al. Development of leaf areameter based on flood-fill algorithm [J]. Water-SavingIrrigation， 2016（9）： 169-172.

[5] 宮志宏， 薛慶禹， 于紅， 等. 基于數(shù)字照片解析的黃瓜葉片面積測(cè)定及效果分析[J]. 中國(guó)農(nóng)學(xué)通報(bào)， 2015， 31（23）：230-234.

Gong Z H， Xue Q Y， Yu H， et al. Measurement ofcucumber’s leaf area based on digital photo interpreted [J].Chinese Agricultural Science Bullentin， 2015， 31（23）：230-234.

[6] 劉亞， 張團(tuán)善， 王恩芝. 基于高效邊緣檢測(cè)的彩色圖像灰度化算法[J]. 輕工機(jī)械， 2022， 40（6）： 52-58.

Liu Y， Zhang T S， Wang E Z. Grayscale algorithm for colorimage based on efficient edge detection [J]. Light IndustryMachinery， 2022， 40（6）： 52-58.

[7] Li S H， Ye L L. Multi-level thresholding imagesegmentation for rubber tree secant using improved Otsu'smethod and snake optimizer [J]. Mathematical Biosciencesand Engineering， 2023， 20（6）： 9645-9669.

[8] 李應(yīng)果， 楊潔， 董春雷. 木材表面缺陷特征輪廓提取算法研究[J]. 西北林學(xué)院學(xué)報(bào)， 2021， 36（4）： 204-208， 281.

Li Y G， Yang J， Dong C L. Research on algorithm forextracting feature contours of surface defects in wood [J].Journal of Northwest Forestry University， 2021， 36（4）：204-208， 281.

[9] 盧筱偉， 孟志青. 融合注意力機(jī)制和多尺度卷積的小麥病害識(shí)別模型[J]. 中國(guó)農(nóng)學(xué)通報(bào)， 2023， 39（25）： 147-154.

Lu X W， Meng Z Q. Wheat disease identification modelbased on fusion attention mechanism and multi-scaleconvolution [J]. Chinese Agricultural Science Bulletin，2023， 39（25）： 147-154.

[10] 蔣清健. 圖像模式識(shí)別在農(nóng)業(yè)病害監(jiān)測(cè)與預(yù)測(cè)中的應(yīng)用研究[J]. 農(nóng)業(yè)災(zāi)害研究， 2023， 13（8）： 74-76.

Jiang Q J. Research on the application of image pattern recognition in agricultural disease monitoring and prediction[J]. Agricultural Disaster Research， 2023， 13（8）： 74-76.

[11] 李海濤， 羅維平. 基于深度學(xué)習(xí)的棉花品種識(shí)別[J]. 武漢紡織大學(xué)學(xué)報(bào)， 2022， 35（4）： 22-26.

Li H T， Luo W P. Cotton variety identification based ondeep learning [J]. Journal of Wuhan Textile University，2022， 35（4）： 22-26.

[12] 肖強(qiáng)智， 徐維新， 代娜， 等. 高寒牧草葉面積的冬季衰減過程與估算[J]. 草地學(xué)報(bào)， 2023， 31（8）： 2436-2445.

Xiao Q Z， Xu W X， Dai N， et al. The temporal pattern of leafarea index in withered procedure and its estimation in winterin Qinghai-Tibet Plateau [J]. Acta Agrestia Sinica， 2023，31（8）： 2436-2445.

[13] 林甄， 李睿偉， 謝金冶， 等. 視覺神經(jīng)網(wǎng)絡(luò)林場(chǎng)巡檢機(jī)器人的設(shè)計(jì)與開發(fā)[J]. 東北林業(yè)大學(xué)學(xué)報(bào)， 2023， 51（8）：127-135， 139.

Lin Z， Li R W， Xie J Y， et al. Design and development offorest farm inspection robot using visual neural network [J].Journal of Northeast Foresrty University， 2023， 51（8）：127-135， 139.

[14] 張軍凱， 李欣， 韓俊先， 等. 深度學(xué)習(xí)算法下的采摘機(jī)器人系統(tǒng)優(yōu)化研究[J]. 農(nóng)機(jī)化研究， 2024， 46（4）： 58-62.

Zhang J K， Li X， Han J X， et al. Research on optimization ofpicking robot system under deep learning algorithm [J].Journal of Agricultural Mechanization Research， 2024，46（4）： 58-62.