馬志宏， 貢 亮， 林 可， 毛雨晗， 吳 偉， 劉成良

(上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院, 上海 200240)

隨著人口的增加，水稻產(chǎn)量的提高已成為農(nóng)業(yè)研究的重點(diǎn)問題.稻穗是水稻的結(jié)實(shí)器官，與水稻產(chǎn)量直接相關(guān)，其表型特征是水稻育種[1-2]研究中重要的量化指標(biāo)，主要包括每穗籽粒數(shù)、一次枝梗數(shù)量及長(zhǎng)度、一次枝梗籽粒數(shù)、結(jié)實(shí)率、稻穗骨架結(jié)構(gòu)[3]等.目前這些特征數(shù)據(jù)主要是通過傳統(tǒng)手工測(cè)量得到，這種方法不僅勞動(dòng)強(qiáng)度大，而且效率低下，受人為主觀性限制，重復(fù)性較差.隨著技術(shù)的發(fā)展，自動(dòng)化、高通量等技術(shù)運(yùn)用于作物表型特征的提取，逐漸取代了傳統(tǒng)手工測(cè)量，可以節(jié)省大量時(shí)間和人力成本.圖像處理技術(shù)可以從高分辨率圖像自動(dòng)測(cè)得各種表型參數(shù)[4-5].針對(duì)稻穗籽粒數(shù)的測(cè)量，國內(nèi)外科研人員已經(jīng)開發(fā)了一些基于圖像處理的自動(dòng)化設(shè)備[6-7]，這些設(shè)備均需要先對(duì)稻穗脫粒，再結(jié)合圖像處理方法對(duì)稻穗籽粒數(shù)和其他性狀參數(shù)進(jìn)行測(cè)量，會(huì)破壞稻穗形態(tài)結(jié)構(gòu)，不利于樣本保存.

基于圖像分割的方法是密集顆粒狀物體計(jì)數(shù)的常用方法，在細(xì)胞計(jì)數(shù)[8-9]上頗具效果.但是對(duì)于稻穗平面圖像，由于谷粒間互相遮擋和重疊較嚴(yán)重，谷粒之間邊緣不夠明顯，令計(jì)數(shù)難以進(jìn)行，國內(nèi)外相關(guān)研究也多采用稻穗面積等特征來預(yù)測(cè)谷粒個(gè)數(shù).P-TRAP[10]是一款用于水稻表型測(cè)量的開源軟件，它采用總面積除以單個(gè)谷粒平均面積，并乘以一個(gè)修正系數(shù)加以修正的結(jié)果，作為籽粒數(shù)的測(cè)量結(jié)果，這種方法需要提前測(cè)量非重疊谷粒的平均面積，而且修正系數(shù)由人為設(shè)定，主觀因素干擾大.文獻(xiàn)[11]中采用X射線成像技術(shù)對(duì)水稻穗部籽粒數(shù)無損檢測(cè)， X射線具有良好的透射特性，可以較好地解決遮擋問題，但這種方法具有放射性污染.文獻(xiàn)[12]中采用稻穗投影面積和一次枝?？傞L(zhǎng)度進(jìn)行回歸預(yù)測(cè)，籽粒數(shù)預(yù)測(cè)誤差為 7.9%，但只能預(yù)測(cè)整株稻穗籽粒數(shù)，不能預(yù)測(cè)每個(gè)一次枝梗所含籽粒數(shù).

除了圖像處理技術(shù)，機(jī)器學(xué)習(xí)技術(shù)也越來越多地應(yīng)用到植物表型提取和測(cè)量研究領(lǐng)域[13-14].但是，利用機(jī)器學(xué)習(xí)結(jié)合圖像形態(tài)學(xué)特征來預(yù)測(cè)稻穗谷粒數(shù)方面的相關(guān)研究尚處于空白階段.因此，本文提出采用圖像特征提取和機(jī)器學(xué)習(xí)方法，訓(xùn)練模型進(jìn)行稻穗谷粒數(shù)預(yù)測(cè).具體做法是，利用圖像處理方法提取稻穗一次枝梗，基于支持向量機(jī)(Support Vector Machine，SVM)訓(xùn)練一次枝梗谷粒數(shù)預(yù)測(cè)模型，預(yù)測(cè)結(jié)果求和作為整株稻穗的谷粒數(shù).本文認(rèn)為二次枝梗為一次枝梗的一部分，且二次枝梗通常較小，使用圖像處理算法提取二次枝梗難度較大，在預(yù)測(cè)籽粒數(shù)時(shí)不再區(qū)分一次枝梗和二次枝梗，這樣對(duì)總粒數(shù)測(cè)量并沒有影響.本文以3個(gè)品種的稻穗為研究對(duì)象，分別為粳稻日本晴、9522、秈稻9311，并通過實(shí)驗(yàn)驗(yàn)證了所提方法的有效性.

圖1 稻穗谷粒數(shù)預(yù)測(cè)方法流程圖Fig.1 Flow chart of rice grain number prediction method

1 研究方法

由于稻穗谷粒之間遮擋和粘連情況較嚴(yán)重，而且2個(gè)粘連谷粒之間沒有明顯的邊界特征，所以基于圖像分割方法的谷粒計(jì)數(shù)難以得到高精度的結(jié)果.如果采用機(jī)器學(xué)習(xí)的方法，直接使用圖像處理方法從稻穗圖像中提取特征，訓(xùn)練粒數(shù)預(yù)測(cè)模型來計(jì)算稻穗谷粒個(gè)數(shù)，則可以避免圖像分割，且隨著訓(xùn)練樣本的不斷擴(kuò)充，理論上模型預(yù)測(cè)精度和泛化能力可以提高.文獻(xiàn)[13]中采用稻穗投影面積和一次枝梗總長(zhǎng)度進(jìn)行回歸預(yù)測(cè)，因此可以使用稻穗投影面積和一次枝梗長(zhǎng)度作為訓(xùn)練特征的一部分.選擇訓(xùn)練對(duì)象時(shí)，如果將整株稻穗作為訓(xùn)練對(duì)象，則存在以下問題：如果將個(gè)數(shù)預(yù)測(cè)看作分類問題，其類別會(huì)超過200個(gè)，當(dāng)?shù)舅氲臉颖緮?shù)量較少時(shí)，模型容易出現(xiàn)過擬合.實(shí)際中，采集并標(biāo)注超過500個(gè)稻穗樣本需要耗費(fèi)很大的勞動(dòng)力.考慮到每株稻穗平均包含若干個(gè)一次枝梗，每個(gè)一次枝梗所包含的谷粒數(shù)大部分在40粒以內(nèi)，如果將一次枝梗作為訓(xùn)練對(duì)象，則可以增加訓(xùn)練樣本數(shù)量，減少類別數(shù)目，有利于對(duì)抗過擬合.因此，本文提出如圖1所示的稻穗谷粒數(shù)預(yù)測(cè)方法，首先進(jìn)行一次枝梗的提取，對(duì)每個(gè)一次枝梗分別提取特征并用SVM模型預(yù)測(cè)谷粒個(gè)數(shù)，隨后將所有預(yù)測(cè)值相加即可得到稻穗谷?？倲?shù).

2 水稻稻穗形態(tài)圖像特征提取

特征提取是機(jī)器學(xué)習(xí)的前提，也是決定模型預(yù)測(cè)精度的關(guān)鍵，如果特征選擇不妥當(dāng)，比如存在過多相關(guān)性差的冗余特征，訓(xùn)練結(jié)果可能出現(xiàn)過擬合等問題.觀察稻穗樣本可以看出，顏色特征跟谷粒個(gè)數(shù)幾乎沒有相關(guān)性，而形態(tài)特征則有顯著相關(guān)性.另外，顏色特征容易受到光照環(huán)境影響，而形態(tài)特征與光照環(huán)境無關(guān)，不容易受到外界環(huán)境的干擾.因此，本文只采用形態(tài)學(xué)特征訓(xùn)練模型.

2.1 圖像預(yù)處理

提取形態(tài)學(xué)特征前，需要將圖像轉(zhuǎn)換為二值圖，使一次枝梗的前景像素值為1，背景的像素值為0.由于光照情況下一次枝梗周圍會(huì)產(chǎn)生陰影，為了克服陰影帶來的影響，分割出完整的一次枝梗前景，這里采用在HSV(色度、飽和度和純度)顏色空間進(jìn)行二值化操作.H、S分量可以消除亮度信息的影響，考慮本研究中由于光照不均勻，一次枝梗周圍會(huì)產(chǎn)生陰影，影響一次枝梗前景二值化，故可采用S通道抑制陰影.利用OSTU自適應(yīng)閾值的方法對(duì)S通道圖像二值化，再通過開運(yùn)算進(jìn)行形態(tài)學(xué)濾波，去除二值圖中的噪點(diǎn)，同時(shí)消除一次支梗頭尾部多余的細(xì)枝，得到二值圖(見圖2(b)).隨后計(jì)算距離變換圖，距離變換是計(jì)算并標(biāo)識(shí)空間點(diǎn)(對(duì)目標(biāo)點(diǎn))距離的過程，它最終把二值圖像變換為灰度圖像(其中每個(gè)像素的灰度值等于它到最近目標(biāo)點(diǎn)的距離)，使用歐式距離變換方式，對(duì)二值圖進(jìn)行處理得到圖2(c)，圖中顏色越接近黑色，表示離最近點(diǎn)距離越大，越接近白色，表示離最近點(diǎn)距離越小.它能反映圖像的某些形態(tài)學(xué)特征，如果配合骨架信息，能得到一次枝梗沿軸線上不同部位谷粒的分布密度.為此，先提取二值圖的骨架，使用細(xì)化算法進(jìn)行骨架提取，得到骨架圖，骨架圖與距離變化圖相乘得到圖2(d)，記為骨架距離圖，由圖2(d)可以看出一次枝梗沿軸線上不同部位谷粒的分布密度.

圖2 一次枝梗形態(tài)學(xué)特征圖Fig.2 Morphological features of primary branches

具體實(shí)現(xiàn)過程使用基于Python 3.5語言編寫的程序.使用OpenCV(版本2.4.9)工具進(jìn)行HSV顏色空間轉(zhuǎn)換、二值化、開運(yùn)算、輪廓提取、細(xì)化、距離變換等操作.其中，二值化閾值采用函數(shù)Threshold計(jì)算，方式參數(shù)為OSTU，形態(tài)學(xué)操作的結(jié)構(gòu)元素設(shè)置半徑為3的圓盤結(jié)構(gòu)，距離變換方式為歐氏距離，細(xì)化操作使用Hilditch算法[15]實(shí)現(xiàn).

2.2 特征提取

對(duì)于一次枝梗形態(tài)學(xué)特征，最直觀的是投影面積和一次枝梗長(zhǎng)度特征[12]，在此基礎(chǔ)上，又提取了二值圖前景的輪廓和最小外接矩形，計(jì)算出周長(zhǎng)，最小外接矩形長(zhǎng)、寬、長(zhǎng)寬比，矩形度(區(qū)域面積與最小外接矩形面積之比)，骨架曲線長(zhǎng)度這些特征.另外，根據(jù)一次枝梗的形狀特點(diǎn)，設(shè)計(jì)了骨架距離平均值和骨架距離方差，前者計(jì)算沿骨架上每一點(diǎn)的距離值平均值，容易發(fā)現(xiàn)，這個(gè)平均值一定程度上反映了一次枝梗的平均半徑.設(shè)二值圖為B(x,y)，距離變換圖為D(x,y)，骨架圖為T(x,y)，骨架距離圖為H(x,y)，則H(i,j)=D(i,j)T(i,j)，i=1,2,…,w，j=1,2,…,h，其中w是圖像寬度，h是圖像高度.特征計(jì)算公式如下：

(1) 投影面積.投影面積可以直接從一次枝梗二值(圖2(b))反映，這里以一個(gè)像素點(diǎn)代表單位面積，投影面積則是對(duì)二值圖求和

(1)

(2) 周長(zhǎng).周長(zhǎng)即輪廓長(zhǎng)度，設(shè)一個(gè)閉合輪廓坐標(biāo)點(diǎn)序列為{(x1,y1),(x2,y2),…,(xn,yn)},記xn+1=x1,yn+1=y1，其中n為序列長(zhǎng)度，則周長(zhǎng)為

(2)

(3) 最小外接矩形長(zhǎng)寬比，主軸長(zhǎng)度.提取最小外接矩形，得到其最小外接矩形2個(gè)邊長(zhǎng)，記為l1，l2，則長(zhǎng)寬比為

f3=max{l1/l2,l2/l1}

(3)

使用最小外接矩形長(zhǎng)邊作為主軸長(zhǎng)度

f4=max{l1,l2}

(4)

(4) 矩形度.矩形度表示區(qū)域面積與其最小外接矩形面積的比值

f5=f1/(l1l2)

(5)

(6)

(6) 骨架距離均值.遍歷骨架上點(diǎn)，求骨架點(diǎn)所對(duì)應(yīng)的距離值的均值，公式為

(7)

以上所有特征都具有旋轉(zhuǎn)不變性，平移不變性，但是某些特征不具有縮放不變性.因此需要保證訓(xùn)練樣本的像素比和測(cè)試樣本的像素比相同，否則同一個(gè)一次枝梗在不同像素比的圖像中，提取的特征可能會(huì)有較大差異.本文實(shí)驗(yàn)均為同一平臺(tái)，所得到圖像的像素比均為 0.118 mm/像素.而實(shí)際應(yīng)用過程中，圖像可能來自其他成像平臺(tái)，對(duì)于這些圖像，提取特征前需要先將圖像等比例縮放到固定的像素比，使得像素比的值等于訓(xùn)練集圖像的像素比 0.118 mm/像素，才能用本文算法得到正確的結(jié)果.

3 籽粒數(shù)預(yù)測(cè)SVM模型

籽粒數(shù)預(yù)測(cè)的目標(biāo)是一個(gè)非負(fù)整數(shù)，在有限樣本下，這個(gè)非負(fù)整數(shù)有上界U，此時(shí)粒數(shù)預(yù)測(cè)可以看成一個(gè)分類問題，其類別數(shù)為U個(gè).本文算法的模式識(shí)別部分選擇作為分類器， SVM是建立在統(tǒng)計(jì)學(xué)習(xí)理論VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法.它在解決小樣本、高維和非線性模式識(shí)別問題中表現(xiàn)出許多獨(dú)特的優(yōu)勢(shì)，而且具有堅(jiān)實(shí)的理論基礎(chǔ)[16].

通常，一個(gè)SVM基本分類器只能完成二分類任務(wù)，對(duì)于對(duì)分類任務(wù)，一般采用多個(gè)SVM集成預(yù)測(cè)，通常采用的訓(xùn)練策略有一對(duì)余型SVM、一對(duì)一型SVM等，如果類別數(shù)為n，一對(duì)余型SVM需要訓(xùn)練n-1個(gè)SVM基本分類器，一對(duì)一型SVM需要訓(xùn)練n(n-1)/2個(gè)SVM基本分類器.考慮到粒數(shù)預(yù)測(cè)值為連續(xù)整數(shù)的特點(diǎn)，本研究設(shè)計(jì)了一種集成SVM預(yù)測(cè)模型訓(xùn)練策略.設(shè)訓(xùn)練集中一次枝梗粒數(shù)的最大值為k粒，最小值為1粒，則設(shè)計(jì)這樣一個(gè)分類器，它由(k-1)個(gè)二分類SVM組成，第i個(gè)SVM的輸出表示粒數(shù)是否超過i，其中i=1,2,…,k-1.訓(xùn)練第i個(gè)SVM分類器Fi時(shí)，正樣本對(duì)應(yīng)大于i粒的一次枝梗，負(fù)樣本對(duì)應(yīng)少于或等于i粒的一次枝梗，則一次枝梗谷粒數(shù)預(yù)測(cè)值為

(8)

相比于一對(duì)余型SVM的訓(xùn)練策略，上述方法需要的SVM個(gè)數(shù)同樣為n-1.不同的是，只有對(duì)位于兩頭的SVM訓(xùn)練時(shí)，訓(xùn)練集樣本不平衡問題才會(huì)比較顯著，所以這種策略相對(duì)一對(duì)余型SVM可以更好地解決樣本集不平衡問題，相對(duì)于一對(duì)一型SVM有預(yù)測(cè)速度的優(yōu)勢(shì).

訓(xùn)練對(duì)象是一次枝梗圖像(見圖2(a))，需要將每個(gè)一次枝梗摘下，分別拍照并手工計(jì)數(shù)標(biāo)記.以9個(gè)一次枝梗為一組，將其按3×3的九宮格位置均勻擺放在背景板上，背景板尺寸為300 mm×240 mm，每個(gè)小方格可容納的一次枝梗長(zhǎng)度為100 mm，可容納大多數(shù)長(zhǎng)度的一次枝梗.使用500萬像素的工業(yè)相機(jī)，調(diào)整相機(jī)高度和焦距，使相機(jī)的視野剛好完整包含背景板，隨后進(jìn)行一次拍照，采集圖像.然后，翻轉(zhuǎn)每個(gè)一次枝梗，再進(jìn)行一次拍照，這樣，總共得到2張照片，故一組一次枝?？梢缘玫?8個(gè)訓(xùn)練樣本，在擺放枝梗的同時(shí)，手工數(shù)出籽粒個(gè)數(shù)，按圖像名記錄在表格，隨后經(jīng)過圖像裁剪，得到所有一次枝梗圖像的訓(xùn)練樣本，根據(jù)表格標(biāo)記對(duì)應(yīng)的籽粒數(shù).實(shí)驗(yàn)所用稻穗為3個(gè)不同的品種混合而成，分別為粳稻日本晴、9522、秈稻9311.實(shí)驗(yàn)中總共采集了 2 688 幅稻穗一次枝梗圖像，裁剪后分辨率為800 pixel×600 pixel，每幅一次枝梗圖像僅包含1個(gè)一次枝梗.采集所用的相機(jī)為中國大恒公司生產(chǎn)的MER-500-7UM/UC-L型工業(yè)數(shù)字相機(jī)，實(shí)驗(yàn)軟件基于Python 3.5，計(jì)算機(jī)的配置為處理器 Intel(R) Core(TM)i7-6700@3.40 GHz，內(nèi)存8 GB.

訓(xùn)練時(shí)，采用徑向基核函數(shù)，將 2 688 個(gè)樣本分為訓(xùn)練集和測(cè)試集，大小分別為 2 190 幅，498幅，最大一次枝梗谷粒數(shù)為26粒，最小為1粒，故k=26.在訓(xùn)練時(shí)，使用交叉驗(yàn)證策略，將訓(xùn)練集分為5份，其中 1 752 幅用來訓(xùn)練，438幅用來驗(yàn)證，以交叉驗(yàn)證的平均預(yù)測(cè)誤差為優(yōu)化目標(biāo)，尋找最優(yōu)懲罰參數(shù)C和核函數(shù)參數(shù)σ.

圖3 稻穗形態(tài)特征圖和一次枝梗提取效果Fig.3 Extraction effect of morphological features of panicle and primary branches

為保留有效特征，減少不重要特征數(shù)量，避免過擬合，本文使用ReliefF算法[17]先對(duì)特征進(jìn)行重要性分析和排序，并根據(jù)特征權(quán)重，選擇若干組特征組合分別進(jìn)行訓(xùn)練，特征權(quán)重和不同特征組合的訓(xùn)練結(jié)果如表1所示.由表1可知，誤差最小的2組特征分別為組合4(f1,f2,f4,f5,f6)和組合5(f1,f2,f3,f4,f5,f6)，兩者誤差相等，但前者比后者少一個(gè)特征f3，可以減少一點(diǎn)計(jì)算量，故最終選擇前者作為訓(xùn)練特征.

表1 不同特征組合的預(yù)測(cè)結(jié)果Tab.1 Prediction results of different feature combinations

4 一次枝梗提取和測(cè)量

本文的訓(xùn)練對(duì)象是一次枝梗圖像，而實(shí)際中測(cè)量對(duì)象往往是整株稻穗.稻穗在自然狀態(tài)下具有收縮內(nèi)斂的趨勢(shì)，直接成像往往會(huì)導(dǎo)致大量谷粒被遮擋，因此實(shí)際中，通常需要將稻穗平展鋪開再進(jìn)行成像，如圖3(a)所示.為了提取稻穗上所有的一次枝梗，需要剔除莖稈和芒，文獻(xiàn)[10,12]中直接進(jìn)行形態(tài)學(xué)開操作的方式去除直徑較細(xì)的莖稈和芒，開操作首先對(duì)二值圖進(jìn)行腐蝕運(yùn)算，再進(jìn)行膨脹運(yùn)算，而腐蝕運(yùn)算會(huì)將所有半徑較小的區(qū)域剔除，半徑較大

的區(qū)域則保留，目的性較差.開操作結(jié)構(gòu)元素半徑過小，不能剔除較粗的莖稈，半徑過大容易過度腐蝕，導(dǎo)致一次枝梗斷裂，如圖3(c)所示.所以采用這種方法通常需要二次判別篩選，將非目標(biāo)區(qū)域剔除.本文根據(jù)稻穗形狀特點(diǎn)，提出基于局部距離方差的一次枝梗區(qū)域提取方法.這里，局部距離方差指以稻穗骨架上一點(diǎn)為中心，一定長(zhǎng)寬的圓形領(lǐng)域內(nèi)，所有骨架點(diǎn)在距離變換圖上的距離均方差，如圖4所示.

ω(i,j,r)=sgn(r2-i2-j2)

(9)

(10)

E(x,y,r)=

(11)

E(x,y,r)T(x,y)]2

(12)

式中：x,y為骨架點(diǎn)坐標(biāo)；r為鄰域半徑；H(x,y)為骨架距離圖(見圖3(e))；ω(i,j,r)表示圓形模板，當(dāng)i,j在以(0,0)為中心，半徑為r的圓內(nèi)時(shí)，輸出為1，其余為0；E(x,y,r)為骨架點(diǎn)半徑為r的領(lǐng)域內(nèi)距離均值；S(x,y,r)為骨架點(diǎn)半徑為r的領(lǐng)域內(nèi)距離方差.

圖4 局部距離方差示意圖Fig.4 Schematic of local distance variance

經(jīng)過實(shí)驗(yàn)，取閾值α，以r半徑的鄰域內(nèi)距離方差小于α，并且當(dāng)前點(diǎn)距離值小于β時(shí)，將這點(diǎn)周圍以1.5倍的距離值為鄰域的區(qū)域置為背景像素值，否則，不操作.如圖4所示，(x,y)表示當(dāng)前需要處理的像素點(diǎn)坐標(biāo)，點(diǎn)(x,y)的局部距離方差是指，在以此點(diǎn)為圓點(diǎn)，半徑為r的圓內(nèi)，計(jì)算所有骨架上的像素點(diǎn)對(duì)應(yīng)的距離值的方差，圖4中灰色區(qū)域?yàn)榈舅肭熬?，?xì)線條狀像素點(diǎn)表示骨架，其顏色代表像素點(diǎn)對(duì)應(yīng)在距離變換圖中的距離值，越接近黑色，表示距離值越小，越接近白色，表示距離值越大.當(dāng)遍歷完整個(gè)骨架像素點(diǎn)時(shí)，所有非目標(biāo)物都被剔除，如圖3(f)所示，后面采用連通域查找算法即可提取所有一次枝梗的二值圖.經(jīng)過實(shí)驗(yàn)，α取6.5，β取10，r取40時(shí)效果最佳.

算法基于局部距離方差的一次枝梗分離算法

Input: image,α,β,r#輸入稻穗圖像和參數(shù)

1:B=binarization(image) #圖像預(yù)處理和二值化

2:D=distanceTransform(B) #距離變換

3:T=thining(B) #細(xì)化

4:H=DT#矩陣D和矩陣T對(duì)應(yīng)元素相乘，得到矩陣H

5: Forxfrom 1 to width

6: Foryfrom 1 to height

7: IfH[x][y] > 0 andH[x][y]<βthen

8:s=S(x,y,r) #計(jì)算以(x,y)為中心的局部距離方差，見式(12)

9: Ifs<αthen

10: drawCircle(B,x,y,1.5×H[x][y])

#在圖B上以點(diǎn)(x,y)為中心,1.5×H[x][y]為半徑畫圓，填充灰度為0

11: End if

12: End if

13: End for

14: End for

Output:B

由于這一步已經(jīng)進(jìn)行了距離變換和細(xì)化操作，后面提取一次枝梗形態(tài)學(xué)特征時(shí)不必重復(fù)做這2個(gè)步驟，一定程度上節(jié)省了時(shí)間.所以，對(duì)于整株稻穗的谷粒計(jì)數(shù)算法偽代碼如上述算法所示，通過二值化，形態(tài)學(xué)預(yù)處理，基于局部距離方差的一次枝梗區(qū)域提取，對(duì)每個(gè)一次枝梗提取特征，并預(yù)測(cè)籽粒個(gè)數(shù)，最后對(duì)所有預(yù)測(cè)結(jié)果求和，得出整株稻穗的籽粒預(yù)測(cè)數(shù).從圖3(f)可以看出，本文算法可以有效去除支稈，完整保留一次枝梗，并且不會(huì)造成一次枝梗斷裂(見圖3(c))，可以保證一次枝梗形態(tài)學(xué)特征提取的準(zhǔn)確度，提高一次枝梗谷粒數(shù)的預(yù)測(cè)精度.

5 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)選取62株完整的稻穗來測(cè)試本文算法的預(yù)測(cè)效果，這些稻穗樣本品種來源與訓(xùn)練樣本相同，不同之處為訓(xùn)練樣本是將稻穗剪切成若干一次枝梗，而測(cè)試樣本則為完整稻穗.每株稻穗包含的一次枝梗數(shù)目為7～18個(gè)，總谷粒數(shù)在40～200粒.稻穗鋪開后在同一實(shí)驗(yàn)平臺(tái)(即采集訓(xùn)練樣本的平臺(tái))下進(jìn)行圖像采集，并手工數(shù)粒進(jìn)行標(biāo)記.

為了體現(xiàn)算法的預(yù)測(cè)穩(wěn)定性，將測(cè)試樣本隨機(jī)分成3組，每組約20個(gè)稻穗，記為樣本1， 2， 3.實(shí)驗(yàn)時(shí)，分別對(duì)3批樣本單獨(dú)測(cè)試1遍，然后對(duì)3批樣本合起來測(cè)試1遍.表2顯示了測(cè)試結(jié)果，可以看出最大平均誤差為 6.72%，優(yōu)于文獻(xiàn)[12]的測(cè)量誤差.為了體現(xiàn)本文算法的優(yōu)越性，同時(shí)使用一對(duì)余型SVM進(jìn)行訓(xùn)練和預(yù)測(cè).由表2可見，一對(duì)余型SVM所得到的誤差略高于本文算法，說明本文提出的SVM訓(xùn)練策略較好地解決了數(shù)據(jù)不平衡問題.

圖5所示為一組稻穗測(cè)試樣本的谷粒數(shù)預(yù)測(cè)結(jié)果和一次枝梗提取效果.結(jié)果顯示，大部分稻穗一次枝梗均能準(zhǔn)確提取，但是當(dāng)2個(gè)一次枝梗之間沒有充分分開，有粘連情況，則會(huì)將2個(gè)一次枝梗誤判為1個(gè)一次枝梗，因此稻穗擺放時(shí)需要保證每個(gè)一次枝?；ゲ徽尺B.

表2 稻穗谷粒數(shù)預(yù)測(cè)實(shí)驗(yàn)結(jié)果Tab.2 Experimental results of panicle grain number prediction

圖5 稻穗測(cè)試樣本的谷粒數(shù)預(yù)測(cè)結(jié)果和一次枝梗提取效果Fig.5 The prediction results and primary branch extraction effects of rice grain numbers of test samples

6 結(jié)語

本文提出的使用形態(tài)學(xué)特征進(jìn)行模型訓(xùn)練來預(yù)測(cè)谷粒數(shù)的方法，在實(shí)驗(yàn)中最大平均誤差為 6.72%，說明本文方法可以成功應(yīng)用在稻穗谷粒數(shù)預(yù)測(cè)上；而形態(tài)學(xué)特征對(duì)顏色和光照環(huán)境不敏感，魯棒性較高，若稻穗發(fā)生霉變或其他原因造成稻穗顏色變化，只要形狀不發(fā)生變化，依然能得到相同測(cè)量結(jié)果；此外，基于局部距離方差的一次枝梗提取方法能夠較好地避免一次枝梗斷裂的問題，保證了一次枝梗特征提取的準(zhǔn)確度和穩(wěn)定性.不足之處是必須人工將稻穗充分鋪開，否則會(huì)出現(xiàn)較大誤差.同時(shí)，人工鋪開稻穗耗費(fèi)時(shí)間和體力，因此本文方法只適合小批量樣本的測(cè)量.后續(xù)工作中，稻穗的鋪開方式還有進(jìn)一步優(yōu)化空間，采用自動(dòng)化或半自動(dòng)化方式鋪開稻穗，可以減少人力勞動(dòng)成本，提高本文方法的實(shí)用性.