基于圖像處理的水稻劍葉夾角測量

摘要：水稻劍葉夾角對于水稻理想株型的選育具有重要意義。為實(shí)時、準(zhǔn)確地實(shí)現(xiàn)水稻劍葉夾角在體測量，采用顏色空間轉(zhuǎn)換、骨架提取、Hough直線提取和K-means聚類等圖像處理技術(shù)，設(shè)計(jì)水稻劍葉夾角測量算法，并將算法置于服務(wù)器，結(jié)合背景板與手機(jī)端的應(yīng)用程序，實(shí)現(xiàn)水稻劍葉夾角的實(shí)時測量。利用該算法在田間對160株水稻樣本進(jìn)行劍葉夾角測量，將該算法得到的數(shù)據(jù)與人工測量的數(shù)據(jù)進(jìn)行對比。結(jié)果表明，該算法與人工測量結(jié)果一致性高，決定系數(shù)為0.999 6，平均絕對誤差為0.32°，能夠?qū)崿F(xiàn)水稻劍葉夾角田間在體精準(zhǔn)測量。

關(guān)鍵詞：水稻；劍葉夾角；圖像處理；在體測量

中圖分類號：S511； TP391.4" " " 文獻(xiàn)標(biāo)識碼：A" " " 文章編號：2095?5553 （2024） 10?0228?05

Measurement of blade angle in rice based on image processing

Li Jiachao1， 2， 3， Luo Bin1， 2， 3， Zhou Yanan2， 3， Huang Shuo2， 3， Hou Peichen2， 3

（1. College of Mechanical and Electrical Engineering， Xinjiang Agricultural University， Urumqi， 830052， China;

2. Information Technology Research Center， Beijing Academy of Agriculture and Forestry Sciences， Beijing， 100097， China;

3. Intelligent Equipment Research Center， Beijing Academy of Agriculture and Forestry Sciences， Beijing， 100097， China）

Abstract： Rice blade angle is of great significance for the breeding of ideal plant type of rice. In order to achieve real?time and accurate measurement of the angle between rice sword leaves in the field， image processing techniques such as color space conversion， skeleton extraction， Hough line extraction， and K-means clustering were used to design a rice sword leaf angle measurement algorithm. The algorithm was placed on a server and combined with a background board and a mobile application to achieve real?time measurement of the angle between rice sword leaves. By using this algorithm， 160 samples of rice with grains were measured in the field for the angle between the sword leaves， and the data obtained by the algorithm was compared with the manually measured data. The results show that the proposed algorithm is in high agreement with the manual measurement results， the coefficient of determination is 0.999 6， the average absolute error is 0.32°. It can achieve accurate measurement of blade angle of rice in the field.

Keywords： rice; flag leaf angle; image processing; in vivo measurement

0 引言

水稻是世界最主要的糧食作物之一，為世界一半以上的人口提供了糧食，選育高產(chǎn)的水稻品種對緩解糧食安全問題至關(guān)重要[1]。近代高產(chǎn)育種實(shí)踐證明，改良株型是提高品種產(chǎn)量的關(guān)鍵[2]。水稻劍葉角度是指水稻植株主莖與劍葉之間的夾角，是構(gòu)成水稻株型的主要因素之一[3]。水稻理想株型的選育主要集中于減小劍葉夾角，高產(chǎn)水稻的劍葉角度應(yīng)該在13°～17°，另兩片功能葉也均保持小角度，使植株呈塔形，有利于提高光和作用效率，實(shí)現(xiàn)水稻高產(chǎn)[4， 5]。因此，實(shí)現(xiàn)水稻劍葉夾角快速、準(zhǔn)確地在體測量，對水稻高產(chǎn)育種具有重要意義。

傳統(tǒng)的水稻劍葉夾角測量方式是人工使用量角器測量，這種方法效率低且容易對作物造成損傷。近年來，機(jī)器視覺技術(shù)已經(jīng)成功地應(yīng)用于農(nóng)業(yè)在內(nèi)的各個領(lǐng)域，為作物表型信息的獲取提供了有效的解決方案[6]。Tao等[7]通過顏色閾值分割實(shí)現(xiàn)了水稻葉片顏色的分級。Li等[8]通過骨架細(xì)化與最短路徑提取，實(shí)現(xiàn)了水稻幼苗株高和基莖寬度的測量。目前已有較多的學(xué)者開展了對水稻劍葉夾角測量的研究，路文超等[9]利用邊緣提取與聚類的方法實(shí)現(xiàn)了劍葉夾角的測量，平均絕對誤差為1.34°，相對誤差為2.7%，該方法精度較低，且對光照的魯棒性較差。汪韜等[10]利用節(jié)點(diǎn)搜索算法與自定義聚類的方法，實(shí)現(xiàn)了散岔稻穗的劍葉夾角測量，相對誤差為1.89%，但該算法較為復(fù)雜，處理時間較長，不適用于實(shí)際應(yīng)用。

為實(shí)現(xiàn)水稻劍葉夾角實(shí)時、準(zhǔn)確地在體測量，采用圖像處理技術(shù)設(shè)計(jì)水稻劍葉夾角測量算法，并將算法置于服務(wù)器，結(jié)合背景板與手機(jī)端的應(yīng)用程序，實(shí)現(xiàn)水稻劍葉夾角的實(shí)時在體測量。

1 圖像采集與處理

1.1 劍葉夾角測量流程

首先通過智能手機(jī)獲取水稻劍葉基部圖像，然后在HSV顏色空間上通過閾值分割去除背景，對處理后的圖像進(jìn)行骨架提取，最后通過Hough直線檢測與K-means聚類算法計(jì)算劍葉夾角，水稻劍葉夾角的算法測量流程如圖1所示。

1.2 圖像采集

使用智能手機(jī)與背景板獲取水稻劍葉基部圖像。其中，智能手機(jī)型號為Honor V30，硬件配置為HUAWEI Kirin 990 CPU，6 GB RAM；背景板為黑色泡沫板，在獲取劍葉基部圖像時可以減小光照圖像的影響。

田間測量時，將背景板平行地緊貼于水稻主莖與劍葉所在平面下方，并將其余葉片等干擾物移到手機(jī)攝像頭的視野外，最后手持智能手機(jī)，在平行于背景板上方15～20 cm的位置拍攝圖像，如圖2所示。

1.3 圖像預(yù)處理

圖像預(yù)處理操作主要是將水稻基部圖像與背景分割，由于圖像采集過程中使用黑色背景板采集并去除了干擾物的影響，圖像分割工作將進(jìn)一步簡化。將水稻基部圖像從RGB轉(zhuǎn)化到HSV顏色空間，HSV顏色空間的各通道分別表示色調(diào)（Hue）、飽和度（Saturation）和明度（Value），其中色調(diào)是指紅色、藍(lán)色、綠色等色彩，飽和度表示色彩的純度，數(shù)值越高色彩越純，數(shù)值越低色彩逐漸變灰，明度表示顏色的明亮程度，明度與發(fā)光體的亮暗程度有關(guān)[11， 12]。對HSV的三個參數(shù)做適當(dāng)?shù)男薷?，將H、S、V的范圍分別調(diào)整為0～180、0～80、20～255，可以提取到背景區(qū)域并生成遮罩，以此為遮罩就可以分割出水稻劍葉圖像，如圖3（a）所示。該方法可以減小光照、陰影等對圖像分割的影響，更好地保留水稻劍葉基部圖像的形狀及紋理。對分割后的圖像進(jìn)行灰度化處理和二值化處理，最終得到二值圖像如圖3（b）所示。

1.4 直線提取

二值化后的圖像背景中可能有白色噪點(diǎn)，可以通過開運(yùn)算消除白色噪點(diǎn)，開運(yùn)算就是先腐蝕后膨脹的過程，起主要作用就是去除噪點(diǎn)、平滑邊界，且圖像中物體的面積基本不變[13]。

形態(tài)骨架（morphological skeleton）是一種細(xì)化的結(jié)構(gòu)，指圖像的骨骼部分，用于描述物體的幾何形狀。圖像的細(xì)化是對二值圖像進(jìn)行骨架提取，刪除不需要的輪廓，只保留其骨架[14， 15]。構(gòu)造骨骼化算法的步驟：（1）對圖像進(jìn)行腐蝕，腐蝕后的物體變得更窄細(xì)；（2）對腐蝕后圖像做開運(yùn)算，開運(yùn)算處理時被刪除的像素就是骨骼的一部分，將其加入骨骼圖像；（3）重復(fù)以上過程，直到圖像不能再細(xì)化。最終得到骨架提取的圖像如圖4（a）所示。

水稻劍葉夾角是水稻主莖與劍葉所在直線構(gòu)成的夾角，因此需要在骨架圖像中進(jìn)一步提取出主莖與劍葉對應(yīng)的直線。在眾多直線檢測算法當(dāng)中，Hough直線檢測具有較強(qiáng)的魯棒性和抗干擾性[16]，本文采用Hough直線檢測提取主莖與劍葉的直線。

Hough直線檢測的基本原理是利用點(diǎn)與線的對偶性，即在原始圖像坐標(biāo)系下的一個點(diǎn)對應(yīng)了參數(shù)坐標(biāo)系中的一條直線，同樣參數(shù)坐標(biāo)系的一條直線對應(yīng)了原始坐標(biāo)系下的一個點(diǎn)[17]。采用Hough直線檢測算法對圖所示的骨架圖進(jìn)行直線檢測，得到直線距離圖像左上角原點(diǎn)的距離參數(shù)r，以及直線的弧度參數(shù)θ。通過直線與圖像上下邊界的交點(diǎn)，可以繪制出檢測的直線如圖4（b）所示。

通過Hough直線檢測得到了多條水稻主莖與劍葉方向上的直線，為計(jì)算水稻劍葉夾角，需要將從多條直線中提取出主莖與劍葉方向上的兩條直線，聚類可以按照某個特定標(biāo)準(zhǔn)把一個數(shù)據(jù)集分割成不同的類或簇，因此可以按照角度標(biāo)準(zhǔn)聚類成主莖和劍葉兩類，K-means是較為經(jīng)典的聚類算法之一，具有簡單、速度快的優(yōu)點(diǎn)，本文采用K-means算法進(jìn)行聚類。

k?means算法以k為參數(shù)，把n個對象分成k個類，使類內(nèi)具有較高的相似度，而類間的相似度較低[18， 19]。K-means算法的處理過程如下：首先，隨機(jī)地選擇k個對象，每個對象初始地代表了一個類的平均值或中心；對剩余的每個對象，根據(jù)其與各類中心的距離，將它賦給最近的類；然后重新計(jì)算每個類的平均值。這個過程不斷重復(fù)，直到準(zhǔn)則函數(shù)收斂。通常采用平方誤差準(zhǔn)則，其定義如下

[E=i=1kj=1Nixij-Ci2] （1）

式中： k——聚類數(shù)目；

Ci——第i類的聚類中心；

xij——第i類的第j個樣本；

Ni——第i類樣本的個數(shù)。

本文需要檢測水稻主莖與劍葉兩類直線的中心直線，因此，將參數(shù)k設(shè)置為2，通過K-means聚類算法，將圖中的直線按照角度聚成兩類。

1.5 角度計(jì)算

霍夫直線檢測所得角為直線與豎直方向所成夾角，且角的單位為弧度制，弧度范圍[0，π），如圖5所示。

為計(jì)算水稻主莖與劍葉中心直線之間的夾角，利用式（2）將弧度轉(zhuǎn)換為角度，由于水稻的主莖與劍葉通常在第一第二象限，因此將直線與豎直方向所成夾角通過式（3）映射到第一象限，通過式（4）映射到第二象限，最終通過計(jì)算水稻主莖與劍葉中心直線的差值，得到水稻的劍葉夾角，如圖6所示。

[degree=rad×180°/π] （2）

[theta1=π/2-degree] （3）

[theta2=3π/2-degree] （4）

式中： degree——水稻主莖或劍葉中心直線與豎直方向所成夾角的角度；

rad——水稻主莖或劍葉中心直線與豎直方向所成夾角的弧度；

theta1——水稻主莖或劍葉中心直線在第一象限的角度；

theta2——水稻主莖或劍葉中心直線在第二象限的角度。

2 軟件設(shè)計(jì)與實(shí)現(xiàn)

為了適應(yīng)不同操作系統(tǒng)、不同配置的手機(jī)，水稻劍葉夾角測量軟件采用客戶端—服務(wù)器模式進(jìn)行開發(fā)，由手機(jī)端的應(yīng)用程序和服務(wù)器組成。客戶端—服務(wù)器模式是軟件經(jīng)典的架構(gòu)模式之一，通過它可以充分利用兩端硬件環(huán)境的優(yōu)勢，將任務(wù)合理分配到客戶端與服務(wù)器端來實(shí)現(xiàn)，降低了系統(tǒng)的通訊開銷。本軟件通過Android SDK設(shè)計(jì)圖形用戶界面[20]，并編寫各個按鈕實(shí)現(xiàn)功能的代碼，劍葉夾角識別算法放置在服務(wù)器中。用戶可以通過手機(jī)端的應(yīng)用程序和背景板獲取水稻劍葉基部圖像，或從相冊中選取圖像，之后圖像會上傳到服務(wù)器，服務(wù)器調(diào)用水稻劍葉夾角識別算法，計(jì)算水稻劍葉夾角后，將結(jié)果反饋到手機(jī)上，如圖7所示。

本文軟件的操作步驟主要分為4個部分：（1）創(chuàng)建試驗(yàn)：可以填寫試驗(yàn)名稱、水稻品種和稻田編號等信息。（2）拍攝照片：將黑色背景板置于樣本后方，并將其他干擾物移到相機(jī)視野外。（3）圖像處理：利用水稻劍葉夾角測量算法計(jì)算劍葉夾角，得到夾角數(shù)據(jù)。（4）保存與返回：將結(jié)果保存后，可以選擇繼續(xù)進(jìn)行新的試驗(yàn)，也可以選擇返回退出當(dāng)前試驗(yàn)。

3 結(jié)果與分析

為驗(yàn)證水稻劍葉夾角算法的準(zhǔn)確性，在北京市海淀區(qū)北塢公園，從揚(yáng)花后期開始，每隔1周采集1次樣本，直到蠟熟期為止，共選取160株不同生長時期、不同光照條件下的水稻植株樣本，分別采用本測量系統(tǒng)和人工量角器測量的方法進(jìn)行對比，將算法得到的數(shù)據(jù)與人工測量的數(shù)據(jù)進(jìn)行相關(guān)性分析，如圖8所示，結(jié)果表明算法與人工測量的數(shù)值基本一致，直線擬合結(jié)果為

[y=0.996 3 x+0.212 6] （5）

式中： y——人工測量值；

x——算法測量值。

本文算法測量數(shù)值與人工測量數(shù)值的決定系數(shù)為0.999 6，平均絕對誤差為0.32°。

4 結(jié)論

1） 提出一種水稻劍葉夾角測量算法，通過顏色空間轉(zhuǎn)換、骨架提取、Hough直線提取、K-means聚類算法以及角度范圍轉(zhuǎn)換，實(shí)現(xiàn)了水稻劍葉夾角的計(jì)算。本算法對背景板進(jìn)行分割，降低了光照、陰影等對算法的影響，魯棒性強(qiáng)，適用于不同生長階段的水稻劍葉夾角的測量。

2） 采用客戶端—服務(wù)器模式設(shè)計(jì)了測量軟件。利用本文所提出的水稻劍葉夾角算法對160個樣本進(jìn)行測量，人工測量數(shù)值的決定系數(shù)為0.999 6，平均絕對誤差為0.32°。試驗(yàn)表明本文算法具有實(shí)時性高、準(zhǔn)確度高以及魯棒性強(qiáng)等優(yōu)點(diǎn)，能夠滿足水稻劍葉夾角實(shí)時在體測量的需求。

參 考 文 獻(xiàn)

[ 1 ] Wang W， Gao H， Liang Y， et al. Molecular basis underlying rice tiller angle： Current progress and future perspectives [J]. Molecular Plant， 2022， 15（1）： 125-137.

[ 2 ] 顧銘洪. 水稻高產(chǎn)育種中一些問題的討論[J]. 作物學(xué)報(bào)， 2010， 36（9）： 1431-1439.

[ 3 ] 羅贛豐， 馬雪梅， 程建峰. 水稻劍葉角度與氮營養(yǎng)效率的關(guān)系[J]. 中國農(nóng)學(xué)通報(bào)， 2014， 30（18）： 29-34.

Luo Ganfeng， Ma Xuemei， Cheng Jianfeng. The relationships between flag leaf angles of various rice germplasms and their nitrogen nutrition efficiencies [J]. Chinese Agricultural Science Bulletin， 2014， 30（18）： 29-34.

[ 4 ] 王朋， 孫杰， 趙青， 等. 水稻產(chǎn)量與株型演進(jìn)特點(diǎn)的研究[J]. 農(nóng)業(yè)科技通訊， 2018（5）： 36-37.

[ 5 ] 董海嬌. 基于全基因組關(guān)聯(lián)分析的水稻分蘗角度和劍葉夾角的遺傳基礎(chǔ)解析[D]. 武漢： 華中農(nóng)業(yè)大學(xué)， 2017.

[ 6 ] 嚴(yán)佳豪， 彭辰晨， 陳超凡， 等. 基于機(jī)器視覺的植物表型研究現(xiàn)狀[J]. 南方農(nóng)機(jī)， 2021， 52（8）： 195-196.

[ 7 ] Tao M， Ma X， Huang X， et al. Smartphone?based detection of leaf color levels in rice plants [J]. Computers and Electronics in Agriculture， 2020， 173： 105431.

[ 8 ] Li H， Dong W， Li Z， et al. Smartphone application?based measurements of stem?base width and plant height in rice seedling [J]. Computers and Electronics in Agriculture， 2022， 198： 107022.

[ 9 ] 路文超， 趙勇， 羅斌， 等. 基于Android手機(jī)的水稻劍葉角測量系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（11）： 296-301.

Lu Wenchao， Zhao Yong， Luo Bin， et al. Measurement system of rice flag leaf angle based on Android smart phone [J]. Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（11）： 296-301.

[10] 汪韜， 貢亮， 張經(jīng)緯， 等. 基于自定義聚類的水稻劍葉夾角測量[J]. 上海交通大學(xué)學(xué)報(bào)， 2018， 52（8）： 961-968.

Wang Tao， Gong Liang， Zhang Jingwei， et al. Measurement of rice flag leaf angle based on redefined clustering method [J]. Journal of Shanghai Jiaotong University， 2018， 52（8）： 961-968.

[11] 宋琴琴， 楊國平. 基于HSV顏色閾值分割的車道線檢測[J]. 計(jì)算機(jī)與數(shù)字工程， 2021， 49（9）： 1895-1898.

Song Qinqin， Yang Guoping. Lane line detection based on HSV color threshold segmentation [J]. Computer amp; Digital Engineering， 2021， 49（9）： 1895-1898.

[12] Kang H C， Han H N， Bae H C， et al. HSV color?space?based automated object localization for robot grasping without prior knowledge [J]. Applied Sciences， 2021， 11（16）： 7593.

[13] 楊剛， 畢宗杰， 崔子浩， 等. 形態(tài)學(xué)開運(yùn)算剔除激光雷達(dá)的太陽光干擾[J]. 光子學(xué)報(bào)， 2022， 51（11）： 273-281.

Yang Gang， Bi Zongjie， Cui Zihao， et al. Morphological opening operation to remove sunlight pollution from flash lidar [J]. Acta Photonica Sinica， 2022， 51（11）： 273-281.

[14] 袁良友， 周航， 韓丹， 等. 引入平滑迭代的骨架提取改進(jìn)算法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2020， 56（24）： 188-193.

Yuan Liangyou， Zhou Hang， Han Dan， et al. Improved skeleton extraction algorithm with smoothing iterations [J]. Computer Engineering and Applications， 2020， 56（24）： 188-193.

[15] Xiao Y， Cai Z， Yuan X. An improved skeleton extraction method via multi?task and variable coefficient loss function in natural images [J]. IEEE Access， 2019， 7： 171272-171284.

[16] Ren Dongfeng， Wang Qiubing， Sun Fujun. A fast and effective algorithm based on improved Hough transform [J]. Journal of the Indian Society of Remote Sensing， 2016， 44（3）： 465-469.

[17] 喻小龍， 肖永生， 聶江華， 等. 基于改進(jìn)Hough變換的紅外圖像直線檢測[J]. 空天防御， 2021， 4（1）： 47-51.

Yu Xiaolong， Xiao Yongsheng， Nie Jianghua， et al. Infrared image line detection based on improved Hough transform [J]. Air amp; Space Defense， 2021， 4（1）： 47-51.

[18] 王偉. Kmeans聚類與多波譜閾值相結(jié)合的煙檢測算法研究[J]. 工業(yè)加熱， 2022， 51（4）： 45-47， 57.

Wang Wei. Study on smoke detection using Kmeans clustering and multithreshold approaches [J]. Industrial Heating， 2022， 51（4）： 45-47， 57.

[19] Wang Y， Luo X， Zhang J， et al. An improved algorithm of K-means based on evolutionary computation [J]. Intelligent Automation amp; Soft Computing， 2020， 26（5）： 961-971.

[20] 劉紅， 鄭健. 基于Android SDK技術(shù)的Android智能手機(jī)取證系統(tǒng)[J]. 上海電機(jī)學(xué)院學(xué)報(bào)， 2015， 18（4）： 244-248.

Liu Hong， Zheng Jian. Forensic system of Android smart phones based on Android SDK [J]. Journal of Shanghai Dianji University， 2015， 18（4）： 244-248.