基于计算机视觉的玉米穗粒重无损测量方法

2015年12月农机化研究第12期

基于计算机视觉的玉米穗粒重无损测量方法

周金辉，马

钦，朱德海，王

越，张晓东，刘

哲，李绍明

（中国农业大学信息与电气工程学院，北京

摘

要：

100083）

目前，国内玉米穗部考种大多采用目测尺量等传统手段，并且进行穗粒重测试时必须要经过脱粒环节，

造成了对玉米果穗样本的破坏，无法保留考种原材料，不利于果穗精细化育种。为此，基于计算机视觉技术，利用可见光成像技术和X 光成像技术，通过测量与计算果穗的三维几何性状，根据果穗质量分布特征建立了3种穗粒重估算模型：基于单粒重的穗粒重计算模型、基于容重的穗粒重计算模型和基于轴重的穗粒重计算模型。实验结果表明：基于单粒重的穗粒重计算模型和基于容重的穗粒重计算模型对果穗品种依赖较强，计算误差较强；相比较之下，基于单粒重的穗粒重计算模型比基于容重的计算模型拟合效果要更加好一些；相比于单粒重模型和容重模型，通过轴重模型来计算穗粒重有着较高的精确度，平均误差精度能达到1．30%，而且数据波动小，测量结果较稳定。该方法能够满足玉米果穗考种的基本需求，为实现考种流水化、智能化和自动化提供了很有价值的借鉴。

关键词：穗粒重；无损测量；计算机视觉；可见光成像；X 光成像中图分类号：S126

文献标识码：A

文章编号：1003－188X（2015）12－0222－05

DOI:10.13427/j.cnki.njyi.2015.12.049

0引言

玉米是世界上最重要的粮食和饲料作物之一。

1硬件系统设计

本实验硬件装置由两部分组成：一是可见光图像

影响玉米产量的因素有很多，而玉米果穗的穗粒重是其中很重要的一个指标。测试穗粒重时一般采用先脱粒、再称量的人工测量方法，效率低且人力成本耗费严重，也破坏了原始样本，无法反复测量校验，整穗性状无法追溯。

目前，计算机视觉技术在农业生产与控制领域有着广泛的应用，但针对无损测量果穗穗粒重的研究较少。杨锦忠等

［1］

采集模块；二是X 光图像采集模块。其硬件装置主要A3幅面蓝色背景（摆放待测果穗样品）、包括载物台、

500万像素的CMOS 长焦摄像头、补光灯、白色LED 条形光源及支架等。实验设备如图1所示

。

利用图像处理技术分析了穗体积、穗

面积、穗长、穗粗、穗矩形度等果穗三维几何特征与穗粒重的定量关系，对于预测果穗穗粒重有着很好的参考价值，却没有给出无损测量果穗穗粒重的方法。虽然国内还公开了果穗性状测量设备的专利申请，但是都无法实现在不脱粒的情况下无损测量单果穗的穗粒重。因此，研究计算机视觉技术对玉米果穗无损提取穗粒重方法具有重要意义。

收稿日期：2014－12－04

基金项目：中央高校基本科研业务费专项（2014JD042）；公益行业（农

业）科研专项（201203026）；教育部博士点基金项目（[1**********]015）

（E －男，浙江丽水人，硕士研究生，作者简介：周金辉（1990－），

mail ）tecyle@163．com 。

通讯作者：马

（E －mail ）钦（1978－），女，河北唐山人，副教授，博士，sockline@163．com 。

Fig．1

图1

可见光采集装置

Visible light image acquisition device

本文的X 光图像是通过X 射线成像实验系统获取X 射线下的果穗的灰度图像，然后通过图像处理算法来获取需要的内部几何特征参数。

2．1

可见光图像处理

玉米果穗轮廓提取

但果穗的不同细节（秃考虑到果穗颜色为黄色，

尖，籽粒缝隙等）的颜色不同，且背景的颜色特征较单

2015年12月农机化研究

所在穗长位置的比例，就可以推算出来。2．4

果穗体积计算

第12期

一，所以提取果穗轮廓采用了差补法。将背景作为提取目标进行图像增强，待背景特征被提取出来之后再进行反相处理，就能够得到要分离的果穗轮廓了。果穗轮廓提取效果图如图2所示。

为保证精度，本文采用直接在倾斜果穗上进行积分扫描运算的方法进行体积运算。假设果穗轮廓的外接矩形的宽为a 、长为b ，且外接矩形的长与x 轴的夹角为α。取两条宽的中点连成一条直线l 1，则直线l 1的参数方程可以写为

x =t cos αy =t sin α

图2Fig．2

玉米果穗轮廓提取效果图

从起点位置开始，以宽为扫描线，从左向右扫描；0，b ］，则该交点可以设当前扫描线与轴线l 1的交点为［计算得到有，有

x i =t i cos αy i =t i sin α

则扫描线的参数方程为

x =t i cos α－t' sin αy =t i sin α+t' cos α

0，b ］，而扫显然，轴线l 1的参数t 的取值范围为［描线的t' 的取值范围为［－

αα

］，用扫描线从左向右22

Extraction effects of maize contours

2．2玉米果穗秃尖提取

玉米果穗的秃尖位置决定了穗部结实部位的长

度，但不同果穗秃尖形状差异很大，且秃尖的颜色变化也较大，准确提取相对比较困难。本文利用籽粒和秃尖部分颜色差异提取秃尖的准确位置。首先，将玉米果穗的结实部位作为目标进行反相处理，将黄色的结实部位转换成其补色；然后，利用超蓝色彩特征提取的方法，结合OTSU 自动阈值二值化方法，将果穗和秃尖分割开。秃尖的分割效果如图3所示。

扫描，每次扫描时统计扫描线上的像素点颜色为白色的个数，并依次作为圆的直径计算圆的面积，乘以单个像素作为高得到微分圆柱的体积，再将所有微分圆柱的体积加起来即为体积。记每一次扫描得到的圆直径对应的实际长度为d i ，单位像素的长度为l （其值等于最小外接矩形的实测长度除以像素长度），则该物体的体积可以表示为

V =l ∑

i =0

d 4i

图3Fig．3

秃尖识别效果

3．1

X 光图像处理

果穗轮廓识别

本文采用X 光图像来获取果穗的粒深和轴粗内

Ｒecognitioneffects of bald

2．3穗长、穗粗、秃尖长的计算

为了计算果穗的穗粒重模型，在获得果穗的二值图像之后，由于果穗是任意摆放的，旋转后的图像会对长度精度造成误差，所以通过提取果穗轮廓的最小外接矩形，结合相机投影的特点及果穗的三维形状特征，便可以精确地计算穗长和穗粗（穗粗是指整穗最粗部位的粗度）。假设测量得到的实际穗粗为w ，图像上测得的穗粗投影长为w' ，那么定义被投影放大了的长度比率为

w' －w

ˑ 100%ρ=

则变换到实际的穗假设测得穗长投影长度为h ' ，

长为h =h' －ρh' 。秃尖长度的计算只要根据秃尖位点

部性状特征。果穗的X 光图像大致呈现以下特征：

1）图像是单通道灰度图像，通道值用无符号8位整数值表示；

2）果穗上密度越大，图像灰度值就越接近于0；3）轴密度远小于籽粒密度，穗轴部分颜色偏淡。3．2

轴粗与粒深的识别与计算

利用果穗轮廓作为ＲOI，对果穗图像进行直方图均衡化，增强果穗的籽粒与轴部位的灰度差异；然后将均衡化后的图像进行自动阈值二值化，就可以获取分割后图像。从二值化图上可得出以下特征：

1）轴粗在二值图像上以离散的形式存在；

2015年12月农机化研究第12期

2）由于边缘籽粒厚度小，所以会被当作背景给提取掉，即二值后果穗的宽度会变小；

3）少数超出轴粗范围点当作轴粗范围提取。根据以上特征，本文提出一种适用于满足上述特征二值图像的轴粗提取算法。具体步骤如下：

1）开始行扫描像素，然后从左到右扫描，遇到灰度值为0像素标记有效扫描开始；

2）在有效扫描标记后遇到灰度值为255，将该像素与先保存的该行白像素最小X 坐标的变量进行比较，存储较小的那个值，并标记离开黑像素；

3）在离开黑像素的标记下再次遇到黑像素，则将上一个像素与现保存的该行白像素最大X 坐标的变量进行比较，存储最大的那个值，并将离开黑像素标记解除标记；

4）在扫描完1行的信息后，将最先出现的白色像素X 坐标值与最后出现的白色像素X 坐标值加入自己对应的列表中；

5）重复以上步骤，直至扫描完所有像素；

6）分析最先出现的白色像素X 坐标值，去除与平均距离相差过大的点坐标，选取出现频率较大坐标范围作为轴粗的左截坐标；

7）分析最后出现白色像素X 坐标值，去除与平均距离相差过大的点坐标，选取出现频率较大的坐标范围作为轴粗的右截坐标；

8）综合这两个坐标，根据标定系统计算轴粗。根据穗粗和轴粗，可以计算出粒深的信息。X 光下轴粗的提取效果如图4所示。

粒差异较小，而不同穗上的籽粒差异较大。因此，单粒重的相关性模型为

穗粒重=单粒重ˑ 粒数

利用相关性系数计算公式，则有

r XY =

（X i ∑i =1

－X ）（Y i －Y ）

计算籽粒各个性状参数与单粒重的相关性系数，可以得到各个参数的相关性系数，如表1所示。

表1

Table 1

各相关指标与单粒重相关系数分析Analysis of the related index and single grain weight 指标穗长穗粗结实长粒深粒宽粒长粒体积轴粗

单位体积（粒体积/穗粒数）

相关性系数

0．630．570．590．77

分析指标实际平均穗粒重测量平均穗粒重平均误差率平均极差

从表4可知：基于单粒重的穗粒重计算模型的平均精度好，但个体精度波动较大，适合于平均数据的测量。5．2

基于容重的穗粒重估算模型

设计验证实验步骤如5．1节中的1） 5），并利用穗粒体积和基于容重的穗粒重计算模型计算果穗的穗粒重。最终误差分析如表5所示。

从表5可知：基于容重的穗粒重计算模型的平均精度、误差波动性都比基于粒重的穗粒重计算模型要差；但其实现依赖的参数少，各项参数造成的级联测量误差比较小。

表5Table 5分析指标实际平均穗粒重测量平均穗粒重平均误差率平均极差

基于容重的穗粒重计算模型误差分析Error analysis fir model based on density

单位g g %g

分析数值144．1144．45．487．9

相分析上表数据可知：轴重指标和“穗长ˑ 轴粗”

“穗长ˑ 轴粗2”，关性最大；用Y 表示轴重，X 表示则通

过最小二乘法可以求解得到线性回归方程为

Y =7．6025+0．1192X

5．1

实验与分析

基于单粒重的穗粒重估算模型设计验证实验如下：

5．3基于轴重的穗粒重估算模型

设计验证实验步骤如5．1节中的1） 3），并对

可见光图像进行处理，获取果穗穗长；对X 光图像进行处理，获取轴粗信息；利用穗长、轴粗和轴重计算模

2015年12月农机化研究第12期

型计算果穗的轴重，利用“穗粒重=穗重－轴重”获取穗粒重。

通过上述实验，最终误差分析如表6所示。

表6Table 6分析指标实际平均穗粒重测量平均穗粒重平均误差率平均极差

基于轴重的穗粒重计算模型无法分析Error analysis fir model based on axis diameter

单位g g %g

分析数值144．1144．31．302．0

［8］Coleman S A ，Scotney B W．Multi －scale edge detection on

range and intensity images ［J ］．Pattern Ｒecognition，2011，44（4）：821－838．

［9］毕昆，等．一种基于机器视觉的玉米果穗考王成，朱大洲，

[1**********]5．7［P ］．2011－01－05．种装置：中国，

［10］王慧慧，孙永海，张婷婷，等．鲜食玉米果穗外观品质分

J ］．农业机械学报，2010，41（8）：级的计算机视觉方法［156－159．

［11］李波，贾冠清，等．强优势玉米杂交种雌穗发育张登峰，

J ］．作物学报，期间的基因表达谱动态及重要功能基因［2009，35（5）：768－777．

［12］王玉亮．基于机器视觉的玉米种子品种识别与检测研究

［D ］．泰安：山东农业大学，2008：1－91．

［13］赵德春，彭承琳，陈园园，等．用形态学改进医学图像边

J ］．重庆大学学报，2010（2）：123－126．缘检测算法［

．南［14］林宁．基于数字图像处理的棉花异纤检测研究［D ］

2010．京：南京理工大学，

［15］郑宇．基于机器视觉的稻谷种子特征提取与品种识别方

D ］．武汉：华中农业大学，2009．法研究［

［16］荀一，鲍官军，杨庆华，等．粘连玉米籽粒图像的自动分

J ］．农业机械学报，2010（4）：163－167．割方法［

［17］李冠林，黄冲，等．基于K_means硬聚类算法的马占鸿，

．农业工程学报，2010葡萄病害彩色图像分割方法［J ］（S2）：32－37．

［18］陈朝辉，王安乐，等．玉米雄穗耐热性的遗传特王守才，

．玉米科学，2010，点及其与产量性状的相关性研究［J ］18（4）：7－12．

［19］吕永春，李绍明，等．基于背景板比例尺的玉米果马钦，

J ］．农业工程学报，2010（S2）：43－47．穗图像特征测量［

［20］

Coleman S．A ，Scotney B．W ，Suganthan S．Multi －scale edge detection on range and intensity images ［J ］．Pattern Ｒecognition，2011，44（1）：821－838．

［21］李永生，戚大伟．基于FCM 的木材X 射线图像缺陷分割

［J ］．森林工程，2008（3）：51－52，75．

［22］胡涛．模式识别在大米品质检测中的应用［J ］．农业网络

2010（10）：44－46，50．信息，

［23］赵学华，杨文柱，等．基于改进蚁群算法的棉花李道亮，

．农业机械学报，2011异性纤维目标特征选择方法［J ］（4）：168－173．

［24］田锐，．郭艳玲．基于机器视觉的葡萄自动识别技术［J ］

2008（11）：95－97．东北林业大学学报，

［25］阚道宏，杨文柱，等．棉花异性纤维图像在线分李道亮，

J ］．农业工程学报，2010（S2）：11－15．割方法［

［26］宋鹏，荀一，等．玉米种子自动精选系统开发张俊雄，

［J ］．农业工程学报，2010（9）：124－127．

通过由表6可知：相比于单粒重模型和容重模型，轴重模型来计算穗粒重精确度较高，且数据波动小，测量结果较稳定。

6结论

1）籽粒表现型不同品种间差异较大，通过籽粒本

身特质来拟合穗粒重效果不理想；

2）穗轴的密度参数受品种影响很小，利用轴重来计算穗粒重可得到比较高的精度和稳定性；

3）本方法可直接对果穗进行整穗测量，而不需要破坏样本（如脱粒），从而保留了考种材料。

综上所述，本方法为实现玉米新品种的高通量和精细化考种提供了有意义的借鉴。参考文献：

［1］杨锦忠，赵延明，等．玉米穗粒重与果穗三维几何张洪生，

．中国农业科学，2010（21）：特征关系的定量研究［J ］4367－4374．

［2］印杨松．机器视觉技术在玉米并肩杂、不完善粒检测中的

D ］．杭州：浙江大学，2011：5－66．应用研究［

［3］杨蜀秦，宁纪锋，何东健．一种基于主动轮廓模型的连接

．农业工程学报，2010（2）：207－米粒图像分割算法［J ］211．

［4］韩仲志，杨锦忠．基于籽粒ＲGB图像独立分量的赵友刚，

．农业工程学报，2010（3）：222－玉米胚部特征检测［J ］226，389．

［5］林维诗．基于主动轮廓模型和水平集方法的图像分割

2010．［D ］．西安：西安电子科技大学，

［6］董世晓．基于Vese －Chan 多相水平集方法的医学图像分

D ］．青岛：青岛大学，2007．割［

［7］Hausmann Nel．J ，Abdaie Tabare ，Cooper Mark．Method and

system for digital image analysis of maize ：America ，US[***********]3［P ］．2010－02－19．

（下转第231页）

2015年12月农机化研究

1000－1298．

第12期

［8］王燕，杨庆华，鲍官军，等．关节型果蔬采摘机械臂优化

J ］．农业机械学报，2011，42（7）：191－195．设计与试验［

［9］崔永杰，王霞霞，等．基于机器视觉的自然环境中猕苏帅，

．农业机械学报2013，44（5）：猴桃识别与特征提取［J ］

［10］Denavit J ，Ｒ．S．Hartenberg．A Kinematic Notation for Lower

－Pair Mechanisms Based on Matrices ［J ］．ASME Journal of Applied Mechanics Ｒeview，1955（1）：215－221．

The Ｒesearchon Kinematics Simulation of the Kiwi Fruit

Picking Manipulator Based on MatLab

Li Zhen ，Wang Bin ，Chen Zixiao ，Cui Yongjie

（College of Mechanical and Electric Engineering ，Northwest Agricultural and Forestry University ，Yingling 712100，Chi-na ）

Abstract ：In this paper ，we analyzed the special growing environment ，according which we designed the kiwi fruit picking manipulator working in the environment of special cultivation pattern．We take the kiwi fruit picking manipulator as the research object and use the D －H method to build the coordinate of the connecting rods ，at last the kinematics e-quations is built by using homogeneous transfer matrix．The ＲoboticsToolbox in MATLAB is used to build the mathemati-cal model by which kinematics simulation and trajectory planning are carried out ．The experimental data indicate that the model we build can acquire the motion parameters and the movement．The research provides the theoretical foundation of the further research．

Key words ：kiwi fruit ；manipulator ；kinematics simulation ；MatLab （上接第226页）

Abstract ID ：1003－188X （2015）12－0222－EA

Methods of Nondestructive Measurement for Kernel Weight of Maize Based on Multi －source Image Fusion

Zhou Jinhui ，Ma Qin ，Zhu Dehai ，Wang Yue ，Zhang Xiaodong ，Liu Zhe ，Li Shaoming

（College of Information and Electrical Engineering ，China Agricultural University ，Beijing 100083，China ）Abstract ：At present ，traditional methods such as eye －measurement and dipstick metering are generally used in maize varieties test interiorly ，which is a waste of time and energy ，and always account to a large calculation error．Besides ，it has to be threshed before kernel weight testing ，which means the tested materials could not be traced back ，that is not suitable for extensive and meticulous breeding．This paper presents methods for extraction of 3D phenotypic characteris-tics （row number ，bald length ，grain plumpness and so on ）and internal structure features （ear diameter ，grain depth and so on ）of maize respectively based on visible light imaging technology and X optical transmission imaging technology．Furthermore ，according to the parameters measured by these methods ，three calculation models were built to calculate grain weight per ear ：model based on single kernel weight ，model based on volume －weight and model based on axis weight．The results show that error fluctuations of both models based on single kernel weight and based on volume －weight are relatively large and greater dependence on varieties ，while the former is better than the latter．By comparison ，the model based on single kernel weight is better．Nevertheless ，the model based on cob weight has a high degree of ac-curacy ，whose average error precision can reach 1．30%，which has little data fluctuation ，and the measurement results are stable ，which meets the needs of extensive maize testing ，and provides the basic data and model for the goal of high throughput and meticulous breeding．

Key words ：grain weight ；nondestructive measurement ；computer vision ；visible light imaging ；X －ray lig

基于计算机视觉的玉米穗粒重无损测量方法

相关文章