王躍亭 王敏娟 孫 石 楊 斯 鄭立華

(1.中國(guó)農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100083；2.中國(guó)農(nóng)業(yè)科學(xué)院作物科學(xué)研究所, 北京 100081)

0 引言

為了熟悉新培育出來(lái)的大豆品種，研究人員需要對(duì)大豆植株性狀進(jìn)行詳細(xì)的觀察和記錄(即考種)[1-2]。傳統(tǒng)的人工考種存在操作誤差大、效率低下、成本過(guò)高等問(wèn)題。為了優(yōu)化作物考種流程，研究者進(jìn)行了大量研究：機(jī)器視覺(jué)、深度學(xué)習(xí)等技術(shù)應(yīng)用于作物籽粒性狀檢測(cè)，提升了檢測(cè)速率與準(zhǔn)確性[3-5]；三維視覺(jué)技術(shù)的引入為獲取作物莖稈信息，以及作物產(chǎn)量、抗倒伏等性狀分析提供了支持[6-8]；高光譜技術(shù)與圖像分析技術(shù)的結(jié)合為作物葉片性狀的采集與監(jiān)測(cè)提供了新的方式[9-11]。

豆莢多生長(zhǎng)于主莖上的莖節(jié)點(diǎn)處，主莖節(jié)數(shù)關(guān)系到大豆的產(chǎn)量，故主莖節(jié)數(shù)是大豆考種過(guò)程的重要指標(biāo)之一。文獻(xiàn)檢索發(fā)現(xiàn)，目前利用機(jī)器學(xué)習(xí)和圖像處理方法進(jìn)行大豆主莖節(jié)點(diǎn)和主莖節(jié)數(shù)統(tǒng)計(jì)的研究鮮有報(bào)道，但其他作物有關(guān)莖節(jié)點(diǎn)和莖節(jié)的研究均基于圖像處理展開(kāi)。文獻(xiàn)[12-13]通過(guò)對(duì)甘蔗圖像進(jìn)行圖像分割、局部像素點(diǎn)統(tǒng)計(jì)等對(duì)甘蔗莖節(jié)點(diǎn)進(jìn)行識(shí)別；MOSHASHAI等[14]根據(jù)莖節(jié)處粗大的形態(tài)特點(diǎn)，通過(guò)檢測(cè)甘蔗邊緣信息，將局部最大值確定為莖節(jié)。上述方法雖然在甘蔗莖節(jié)點(diǎn)識(shí)別中獲得不錯(cuò)的效果，但因大豆植株存在豆莢、分枝等因素的干擾，局部像素點(diǎn)較多處和邊緣粗大處等不一定為大豆莖節(jié)點(diǎn)。葡萄、荔枝等果實(shí)采摘點(diǎn)與大豆豆莢生長(zhǎng)習(xí)性類似，果實(shí)串采摘點(diǎn)的確定對(duì)大豆主莖節(jié)點(diǎn)的識(shí)別有一定借鑒意義。熊俊濤等[15-16]在識(shí)別、分割葡萄、荔枝等作物果實(shí)串的基礎(chǔ)上，確定果梗感興趣區(qū)域，并輔以角點(diǎn)檢測(cè)等算法確定采摘點(diǎn)，為農(nóng)業(yè)采摘機(jī)器人的實(shí)際應(yīng)用提供了技術(shù)支持。上述方法應(yīng)用于大豆莖節(jié)點(diǎn)識(shí)別時(shí)，需要解決大豆因色彩相近、遮擋嚴(yán)重等原因而造成的豆莢識(shí)別困難，以及豆莢與主莖連接處較短、不易識(shí)別等問(wèn)題。

綜合分析相關(guān)研究可知，對(duì)于大豆植株存在的豆莢、分枝干擾問(wèn)題，可利用骨架提取等技術(shù)進(jìn)行圖像細(xì)化，配合角點(diǎn)檢測(cè)可進(jìn)一步實(shí)現(xiàn)對(duì)主莖節(jié)點(diǎn)的確定。針對(duì)因拍攝角度造成大豆莖節(jié)點(diǎn)無(wú)法有效識(shí)別的問(wèn)題，可利用聚類算法[17]對(duì)多角度下的圖像信息進(jìn)行統(tǒng)計(jì)和分析，以實(shí)現(xiàn)大豆植株莖節(jié)點(diǎn)的識(shí)別、統(tǒng)計(jì)和分析。其中，HDBSCAN (Hierarchical density-based spatial clustering of applications with noise)[18-21]結(jié)合了密度聚類、層次聚類算法的優(yōu)點(diǎn)，無(wú)需設(shè)定初始聚類簇大小、領(lǐng)域閾值等參數(shù)，能對(duì)噪聲點(diǎn)進(jìn)行有效識(shí)別和剔除，適用于未知節(jié)數(shù)情形下的大豆主莖節(jié)數(shù)統(tǒng)計(jì)研究。

本文在上述研究基礎(chǔ)上，提出一種基于圖像處理和聚類算法的待考種大豆主莖節(jié)數(shù)統(tǒng)計(jì)方法。以不同拍攝角度下的大豆圖像作為輸入，引入圖像處理與聚類算法對(duì)大豆主莖節(jié)數(shù)進(jìn)行逐級(jí)篩選、提純，最終實(shí)現(xiàn)大豆主莖節(jié)數(shù)的統(tǒng)計(jì)。

1 材料與方法

1.1 圖像采集和處理

實(shí)驗(yàn)對(duì)象為已脫葉、處于考種階段的高產(chǎn)大豆品種“中黃30”，由中國(guó)農(nóng)業(yè)科學(xué)院作物科學(xué)研究所提供。采集圖像時(shí)，將種植于花盆內(nèi)的待測(cè)植株放置于轉(zhuǎn)盤上，背景采用黑色幕布，使用三腳架將相機(jī)架設(shè)到適宜高度，數(shù)據(jù)采集場(chǎng)景設(shè)計(jì)如圖1a所示。拍攝時(shí)，轉(zhuǎn)動(dòng)轉(zhuǎn)盤實(shí)現(xiàn)不同角度的大豆植株圖像獲取，圖像采集實(shí)驗(yàn)場(chǎng)景如圖1b所示。

圖1 數(shù)據(jù)采集實(shí)驗(yàn)場(chǎng)景Fig.1 Scene of data acquisition

相機(jī)分辨率為1 920像素×1 080像素，可獲得彩色圖像。為了避免單一拍攝角度下處于視覺(jué)盲區(qū)的莖節(jié)點(diǎn)丟失，實(shí)驗(yàn)時(shí)設(shè)定旋轉(zhuǎn)基礎(chǔ)步長(zhǎng)為15°，轉(zhuǎn)盤旋轉(zhuǎn)一周可獲得24幅不同角度的單株大豆植株圖像。本文在Windows 10操作系統(tǒng)下，利用PyCharm集成開(kāi)發(fā)平臺(tái)，采用Python語(yǔ)言，實(shí)現(xiàn)大豆植株圖像的植株分割、骨架提取、角點(diǎn)識(shí)別、主莖節(jié)點(diǎn)篩選、數(shù)據(jù)轉(zhuǎn)換以及密度聚類統(tǒng)計(jì)等操作，進(jìn)而完成大豆植株主莖的莖節(jié)統(tǒng)計(jì)。

1.2 大豆植株主莖節(jié)數(shù)統(tǒng)計(jì)算法

圖2 大豆植株主莖節(jié)數(shù)統(tǒng)計(jì)算法流程圖Fig.2 Flow chart of statistical algorithm for number of main stem nodes of soybean plants

為了有效統(tǒng)計(jì)大豆植株主莖節(jié)數(shù)，本文設(shè)計(jì)了如圖2所示的基于圖像處理和聚類算法的待考種大豆植株主莖節(jié)數(shù)統(tǒng)計(jì)算法。算法將采集到的大豆植株圖像隨機(jī)分為訓(xùn)練集和驗(yàn)證集，并進(jìn)行對(duì)應(yīng)的訓(xùn)練、驗(yàn)證操作。其中，訓(xùn)練的目的是獲得主莖節(jié)數(shù)識(shí)別準(zhǔn)確率最大值所對(duì)應(yīng)的圖像采集間隔以及聚類參數(shù)，據(jù)此表明對(duì)同一品種大豆，只需訓(xùn)練少量樣本即可獲得穩(wěn)定、收斂的結(jié)果。驗(yàn)證集則可進(jìn)一步驗(yàn)證上述算法的效果。

在訓(xùn)練階段(圖2a)，首先通過(guò)人工輸入初始圖像采集間隔和抽樣步長(zhǎng)，初始化算法參數(shù)。其次，根據(jù)上述參數(shù)抽取訓(xùn)練集樣本，并經(jīng)過(guò)圖像分割、骨架提取、角點(diǎn)識(shí)別、主莖節(jié)點(diǎn)篩選等操作，獲取待檢測(cè)莖節(jié)點(diǎn)數(shù)據(jù)集。再次，對(duì)分布離散、距離較難計(jì)算的二維數(shù)據(jù)點(diǎn)進(jìn)行數(shù)據(jù)降維，轉(zhuǎn)化為更易聚類的一維空間數(shù)據(jù)。然后，利用HDBSCAN算法對(duì)不同采集間隔下的待檢測(cè)大豆主莖節(jié)點(diǎn)進(jìn)行聚類分析，完成當(dāng)前大豆植株的主莖節(jié)數(shù)的識(shí)別、統(tǒng)計(jì)，并計(jì)算對(duì)應(yīng)的大豆植株識(shí)別準(zhǔn)確率。最后，依據(jù)抽樣步長(zhǎng)減小圖像采集間隔，重復(fù)上述步驟直至訓(xùn)練集數(shù)據(jù)運(yùn)算完畢，根據(jù)主莖節(jié)數(shù)識(shí)別準(zhǔn)確率篩選出最優(yōu)采集間隔與聚類參數(shù)。

在驗(yàn)證階段(圖2b)，根據(jù)訓(xùn)練階段所獲得的最優(yōu)采集間隔與聚類參數(shù)，對(duì)驗(yàn)證集圖像進(jìn)行對(duì)應(yīng)圖像的處理、聚類操作，并對(duì)獲得的大豆識(shí)別準(zhǔn)確率進(jìn)行統(tǒng)計(jì)，進(jìn)一步驗(yàn)證算法的準(zhǔn)確性、有效性。

1.2.1植株分割

在本文設(shè)計(jì)實(shí)驗(yàn)場(chǎng)景下采集的大豆植株圖像包含花盆、轉(zhuǎn)盤、幕布等其他背景信息以及干擾噪聲。為了獲得準(zhǔn)確、有效的大豆植株圖像，需要對(duì)圖像進(jìn)行分割以獲得僅含有目標(biāo)的圖像。對(duì)此，本文利用HSV色彩模型制作掩模，并以此實(shí)現(xiàn)對(duì)大豆植株的圖像分割，獲取只含大豆植株的圖像。其中，HSV色彩模型是一種面向視覺(jué)感知的顏色模型，相較于RGB色彩空間更加符合人的視覺(jué)特征。HSV色彩模型由3個(gè)要素組成，即色調(diào)(H)、飽和度(S)以及亮度(V)。

1.2.2骨架提取

植株莖節(jié)點(diǎn)是大豆主莖節(jié)數(shù)計(jì)數(shù)的標(biāo)志點(diǎn)，通過(guò)識(shí)別、標(biāo)識(shí)、統(tǒng)計(jì)植株莖節(jié)點(diǎn)即可確定主莖節(jié)數(shù)，進(jìn)而實(shí)現(xiàn)大豆產(chǎn)量的評(píng)估。若直接進(jìn)行莖節(jié)點(diǎn)識(shí)別，因存在豆莢遮擋、主莖分枝等干擾，將引起莖節(jié)點(diǎn)遺漏、重復(fù)識(shí)別、錯(cuò)誤識(shí)別等問(wèn)題(圖3)。故本文利用骨架提取算法進(jìn)行大豆植株圖像細(xì)化，以保證主莖節(jié)點(diǎn)的準(zhǔn)確、有效提取。

圖3 大豆植株圖像噪聲分布示意圖Fig.3 Noise distribution schematic of soybean plant

在圖3中，編號(hào)1處的莖節(jié)點(diǎn)存在豆莢遮擋問(wèn)題；編號(hào)2、3處因豆莢與主莖的交叉而引入2個(gè)噪聲點(diǎn)；編號(hào)4、5處則因分枝與主莖相交而引入2個(gè)噪聲點(diǎn)；編號(hào)6處的噪聲點(diǎn)由豆莢末端引入；編號(hào)7處則為大豆主莖與成像邊界相交而引入的噪聲點(diǎn)。

本文首先利用大津法(Otsu)[22]對(duì)圖像分割后的大豆植株圖像進(jìn)行二值化，然后選擇由LEE[23]提出的骨架提取算法進(jìn)行大豆植株的骨架提取。

1.2.3大豆主莖節(jié)點(diǎn)檢測(cè)

大豆主莖節(jié)點(diǎn)是植株主莖上兩節(jié)莖稈的連接部分，而相鄰兩節(jié)莖稈的直徑、方向不同等使得其在該點(diǎn)存在屬性差異(即角點(diǎn))。為了獲取大豆植株主莖上待檢測(cè)的莖節(jié)點(diǎn)，本文選擇Shi-Tomasi特征點(diǎn)檢測(cè)算法[24]對(duì)大豆植株骨架進(jìn)行角點(diǎn)檢測(cè)。

經(jīng)過(guò)角點(diǎn)檢測(cè)后，骨架端點(diǎn)處仍存在因豆莢、分枝以及成像限制等產(chǎn)生的噪聲點(diǎn)。為了剔除噪聲點(diǎn)，本文首先設(shè)定端點(diǎn)識(shí)別閾值，選定卷積模板；然后，根據(jù)設(shè)定的卷積模板尺寸構(gòu)建卷積模板，對(duì)骨架提取后的大豆植株圖像各像素點(diǎn)進(jìn)行卷積操作；最后，將各卷積結(jié)果與端點(diǎn)識(shí)別閾值進(jìn)行比較，小于閾值的點(diǎn)即為所尋找的端點(diǎn)。通過(guò)對(duì)20組不同植株在任意角度下拍攝的圖像進(jìn)行主莖節(jié)點(diǎn)提取試驗(yàn)，觀察發(fā)現(xiàn)當(dāng)卷積模板尺寸設(shè)置為3×3、端點(diǎn)閾值設(shè)置為4像素時(shí)，端點(diǎn)識(shí)別效果較好，能夠識(shí)別出所有非遮擋的骨架節(jié)點(diǎn)，平均準(zhǔn)確率達(dá)90.39%。

1.2.4基于空間距離的數(shù)據(jù)轉(zhuǎn)換

大豆植株生長(zhǎng)過(guò)程中的彎曲、地面不平整等，使得不同拍攝角度的大豆主莖節(jié)點(diǎn)分布無(wú)序，從而使得后續(xù)的聚類算法缺乏合理的聚類依據(jù)。故需將空間分布無(wú)序的大豆莖節(jié)點(diǎn)進(jìn)行數(shù)據(jù)轉(zhuǎn)換，得出便于數(shù)據(jù)空間聚類的數(shù)據(jù)集。

本文選擇MDS降維算法[25]將不同分布的待檢測(cè)二維空間點(diǎn)映射至一維空間內(nèi)，簡(jiǎn)化后續(xù)的聚類操作。MDS算法是一種基于空間距離的數(shù)據(jù)降維算法，其要求在低維空間內(nèi)樣本距離能夠保持原始空間中的各樣本之間的距離[26]。

算法假定m個(gè)樣本在原始空間(其維度為d)的距離矩陣為D∈Rm×m，其第i行、第j列的元素dij為樣本xi到xj的距離。樣本在d′維空間的標(biāo)識(shí)形式為Z∈Rd′×m,d′?d，且任意兩個(gè)樣本zi、zj在d′維空間中的歐氏距離等于原始空間中的距離，即‖zi-zj‖=dij。

令B=ZTZ∈Rm×m，其中B為降維后樣本的內(nèi)積矩陣。對(duì)矩陣B做特征值分解，B=VΛVT，其中V為特征向量矩陣；Λ=diag(λ1,λ2,…,λd)為特征值構(gòu)成的對(duì)角矩陣，λ1≥λ2≥…≥λd。假定其中有d*個(gè)非零特征值，它們構(gòu)成對(duì)角矩陣Λ*=diag(λ1,λ2,…,λd*)，令V*表示相應(yīng)的特征向量矩陣，則Z可表達(dá)為

(1)

1.2.5HDBSCAN聚類算法

HDBSCAN算法是一種密度聚類與層次聚類相結(jié)合的聚類算法。其只需確定每個(gè)簇中樣本數(shù)的最小值(即最小簇大小)即可實(shí)現(xiàn)樣本集的可視化聚類。其在未知大豆主莖節(jié)點(diǎn)的情況下，只需考慮待檢測(cè)莖節(jié)點(diǎn)在總的抽樣樣本集中出現(xiàn)的頻次即可，更加適合大豆主莖莖節(jié)點(diǎn)的聚類統(tǒng)計(jì)。算法具體步驟如下：

(1)根據(jù)數(shù)據(jù)點(diǎn)分布密度進(jìn)行空間變換。為確定不同簇的聚類依據(jù)，算法引入了核心距離與互達(dá)距離的概念。核心距離ck(x)=d(x,Nk(x))指樣本與第k個(gè)最鄰近樣本點(diǎn)的距離。a、b兩點(diǎn)的互達(dá)距離dmreach-k(a,b)計(jì)算公式為

dmreach-k(a,b)=max{ck(a),ck(b),d(a,b)}

(2)

式中d(a,b)——a、b兩點(diǎn)的直線距離

對(duì)于空間中存在的點(diǎn)A、B、C，當(dāng)k=5時(shí)，A、B兩點(diǎn)和A、C兩點(diǎn)的互達(dá)距離分別為c5(x)、d(A,C)?；ミ_(dá)距離示意圖如圖4所示。

圖4 互達(dá)距離示意圖Fig.4 Diagram of reaching distance

(2)依據(jù)互達(dá)距離，建立最小生成樹(shù)。為了能夠獲取數(shù)據(jù)集內(nèi)所有數(shù)據(jù)點(diǎn)的信息，HDBSCAN算法利用Prim算法，以數(shù)據(jù)點(diǎn)為頂點(diǎn)、任意兩點(diǎn)間互達(dá)距離為權(quán)重，構(gòu)建最小生成樹(shù)。

(3)最小生成樹(shù)轉(zhuǎn)換為簇層次結(jié)構(gòu)。簇狀結(jié)構(gòu)能夠?qū)Σ煌瑢哟蔚臄?shù)據(jù)集進(jìn)行劃分，故需將最小生成樹(shù)轉(zhuǎn)化為簇層次結(jié)構(gòu)。算法以互達(dá)距離為權(quán)重，對(duì)樹(shù)的邊按升序進(jìn)行排序、遍歷，為每條邊創(chuàng)建一個(gè)新的合并簇。

(4)壓縮簇層次結(jié)構(gòu)。為了剔除數(shù)據(jù)集中的噪聲點(diǎn)、壓縮簇層次結(jié)構(gòu)，需要人工設(shè)定最小簇的值。在每次簇層次結(jié)構(gòu)分割時(shí)，比較新分割出的簇點(diǎn)數(shù)與最小簇大?。寒?dāng)新簇不少于最小簇時(shí)，新分割的簇保留，否則該簇被剔除且保留較大的父簇；最終獲得一個(gè)擁有較少分枝的層級(jí)樹(shù)結(jié)構(gòu)。

(3)

式中cluster——聚類簇集合

將所有子簇均聲明為選定簇，通過(guò)反向拓?fù)渑判虮闅v比較子簇穩(wěn)定度與父簇穩(wěn)定度：當(dāng)子簇穩(wěn)定度之和大于父簇穩(wěn)定度時(shí)，則將簇穩(wěn)定度設(shè)置為子簇穩(wěn)定度之和；否則，將父簇聲明為選定簇，并取消選定其子簇；當(dāng)?shù)竭_(dá)根節(jié)點(diǎn)時(shí)，當(dāng)前選定簇集合即為最終提取的穩(wěn)定簇集合。

1.2.6識(shí)別準(zhǔn)確率計(jì)算及尋優(yōu)

為了衡量訓(xùn)練集大豆主莖節(jié)數(shù)的識(shí)別效果，需要設(shè)計(jì)、制定合理的評(píng)價(jià)標(biāo)準(zhǔn)。因單個(gè)植株主莖節(jié)數(shù)較小(“中黃30”大豆多為12～18節(jié))，即使較小的誤差(1～3節(jié))也將影響每一樣本的精度統(tǒng)計(jì)結(jié)果。故針對(duì)不同采集間隔下的識(shí)別準(zhǔn)確率P，其計(jì)算公式為

(4)

式中NI——全部訓(xùn)練集識(shí)別的主莖總節(jié)數(shù)

NT——實(shí)際主莖總節(jié)數(shù)

在不同采集條件下對(duì)不同植株的識(shí)別準(zhǔn)確率進(jìn)行記錄，將最高識(shí)別準(zhǔn)確率的采集條件作為最優(yōu)采集間隔，以供剩余植株的主莖節(jié)數(shù)識(shí)別、統(tǒng)計(jì)。

2 結(jié)果與分析

2.1 大豆植株圖像分割

為了方便大豆植株的分割，在植株后方布置灰色幕布，因此HSV色彩模型選定灰色色彩空間(Hmin=0，Hmax=180；Smin=0，Smax=30；Vmin=46，Vmax=220)進(jìn)行背景色彩描述；然后，通過(guò)取反操作制作掩模與拍攝圖像進(jìn)行與操作完成大豆植株的圖像分割。圖5為4株已脫葉的待考種“中黃30”大豆在轉(zhuǎn)角0°時(shí)的原始圖像及目標(biāo)分割后的圖像。

圖5 大豆植株原始圖像及分割后圖像Fig.5 Images of original and image segmentation

2.2 大豆植株骨架提取與角點(diǎn)檢測(cè)

2.2.1大豆植株骨架提取

在獲取到只含有大豆植株的圖像后，首先利用大津法對(duì)圖像進(jìn)行二值化處理，將大豆植株所在區(qū)域灰度設(shè)置為255(即白色)，背景區(qū)域灰度設(shè)置為0(即黑色)；然后，利用骨架提取算法進(jìn)行二值圖像的骨架提取，對(duì)圖5進(jìn)行處理的結(jié)果如圖6所示。

圖6 大豆植株二值化圖像與骨架提取效果Fig.6 Images of binarization and skeleton extraction

通過(guò)骨架提取將大豆植株細(xì)化為寬度為1像素的二值化圖像，減少同一豆莢、分枝因其空間不同而引入的噪聲點(diǎn)數(shù)量。此外，在寬度為1像素的植株圖像中更容易確定莖節(jié)點(diǎn)的位置。

2.2.2大豆植株角點(diǎn)檢測(cè)

為保證獲得所有可能莖節(jié)，針對(duì)考種階段的大豆植株，通過(guò)前期試驗(yàn)設(shè)定最大識(shí)別角點(diǎn)數(shù)為100、識(shí)別等級(jí)為0.01、最小間隔為30像素進(jìn)行大豆植株骨架的角點(diǎn)檢測(cè)，圖7為圖6的處理結(jié)果，并將對(duì)應(yīng)的圖像坐標(biāo)信息存入Excel表格內(nèi)備用。

圖7 不同視角圖像的待檢測(cè)莖節(jié)點(diǎn)識(shí)別結(jié)果Fig.7 Recognition results of nodes from different perspectives

圖8 大豆植株骨架端點(diǎn)識(shí)別及篩選效果Fig.8 Recognition and filtering of skeleton endpoint and screening

由圖7可知，通過(guò)角點(diǎn)檢測(cè)獲得的待檢測(cè)莖節(jié)點(diǎn)中存在由豆莢骨架末端以及莖稈與圖像邊界相交所引入的噪聲點(diǎn)，需要進(jìn)行大豆植株主莖節(jié)點(diǎn)的篩選和提純。

2.3 大豆植株主莖節(jié)點(diǎn)篩選

為了將骨架端點(diǎn)處的噪聲點(diǎn)剔除，本文對(duì)骨架圖像端點(diǎn)進(jìn)行了識(shí)別、記錄，并將其從待檢測(cè)莖節(jié)點(diǎn)數(shù)據(jù)集中剔除，圖7中各目標(biāo)的處理結(jié)果如圖8所示。

觀察發(fā)現(xiàn)，通過(guò)圖像的卷積操作能夠保留植株主莖上的莖節(jié)點(diǎn)，并濾除植株、分枝、豆莢等部位的末端噪聲點(diǎn)干擾。因已經(jīng)濾除主莖末端噪聲干擾，現(xiàn)存的莖節(jié)點(diǎn)個(gè)數(shù)即可應(yīng)用于后續(xù)聚類分析。

2.4 基于空間距離的數(shù)據(jù)轉(zhuǎn)換

完成單幅圖像的主莖節(jié)點(diǎn)篩選后，需要將不同視角下的主莖節(jié)點(diǎn)進(jìn)行匯總，并將數(shù)據(jù)轉(zhuǎn)換為更適宜聚類的一維空間數(shù)據(jù)。因不同角度下采集的圖像尺寸(1 920像素×1 080像素)相同，且每幅圖像具有相同的像素坐標(biāo)系，故不同視角下的主莖節(jié)點(diǎn)可放于同一文件內(nèi)直接進(jìn)行比較。

圖9為從同一株大豆植株的3組圖像中提取的主莖節(jié)點(diǎn)組合以及經(jīng)過(guò)MDS數(shù)據(jù)轉(zhuǎn)換的莖節(jié)點(diǎn)空間分布效果圖。這3組圖像分別為拍攝角度相隔180°的2幅圖像(圖9a)、相隔120°的3幅圖像(圖9b)、相隔90°的4幅圖像(圖9c)。其中，左圖為莖節(jié)點(diǎn)圖像組合，右圖為降維轉(zhuǎn)換后的數(shù)據(jù)(為了便于數(shù)據(jù)點(diǎn)描述，X坐標(biāo)統(tǒng)一置零，Y坐標(biāo)為轉(zhuǎn)換后的數(shù)值)。

通過(guò)對(duì)數(shù)據(jù)轉(zhuǎn)換后的圖像進(jìn)行分析可知，當(dāng)采集間隔較大、輸入圖像較少時(shí)，轉(zhuǎn)換后的各待檢測(cè)莖節(jié)點(diǎn)分布較為疏散，但數(shù)據(jù)量較少；隨著采集間隔減小、輸入圖像增多，數(shù)據(jù)點(diǎn)分布逐漸稠密，在多幅圖像中出現(xiàn)的莖節(jié)點(diǎn)重疊使得圖像中該點(diǎn)顏色加深。

圖9 大豆植株主莖節(jié)點(diǎn)數(shù)據(jù)降維效果Fig.9 Effect diagrams of dimensionality reduction of node data

2.5 莖節(jié)點(diǎn)聚類

在HDBSCAN算法聚類過(guò)程中將最小簇設(shè)置為2(在2幅圖像中均穩(wěn)定出現(xiàn)的莖節(jié)點(diǎn)即認(rèn)定為主莖節(jié)點(diǎn))，部分聚類效果如圖10所示，其中被圈出的是穩(wěn)定的聚類簇，即被認(rèn)定為大豆植株主莖上的莖節(jié)點(diǎn)。

由圖10可知，當(dāng)圖像采集間隔較大時(shí)，輸入的待檢測(cè)莖節(jié)點(diǎn)較少，樣本量不足以及部分樣本點(diǎn)相距較遠(yuǎn)，導(dǎo)致識(shí)別的莖節(jié)點(diǎn)數(shù)少于真實(shí)值。隨著圖像采集間隔的不斷減小，輸入的待檢測(cè)莖節(jié)點(diǎn)總數(shù)不斷增加，更多的待檢測(cè)莖節(jié)點(diǎn)被判定為莖節(jié)點(diǎn)，但也更容易受到噪聲點(diǎn)的影響。

2.6 最優(yōu)采集間隔選取與識(shí)別效果分析

為了確定最優(yōu)的圖像采集間隔，本文選擇21株待考種的“中黃30”大豆植株作為訓(xùn)練集，以180°采集間隔為初始采集間隔，設(shè)定抽樣步長(zhǎng)為30°，分別

對(duì)采集間隔為180°、150°、120°、90°、60°、30°時(shí)獲得的主莖節(jié)數(shù)識(shí)別準(zhǔn)確率進(jìn)行記錄、統(tǒng)計(jì)和對(duì)比分析，結(jié)果如表1所示。

由表1可知，當(dāng)圖像采集間隔為90°時(shí)，其識(shí)別準(zhǔn)確率為91.11%，識(shí)別效果最優(yōu)，因此將其作為剩余樣本的最優(yōu)圖像采集間隔。本文對(duì)7種不同主莖節(jié)數(shù)的42株驗(yàn)證集大豆植株(即每種主莖節(jié)數(shù)包括6株樣本)進(jìn)行主莖節(jié)數(shù)識(shí)別、統(tǒng)計(jì)，并計(jì)算其識(shí)別準(zhǔn)確率，結(jié)果如表2所示。

由表2可知，在圖像采集間隔為90°的條件下，不同主莖節(jié)數(shù)的大豆植株的平均識(shí)別準(zhǔn)確率可達(dá)98.25%，單株考種大豆主莖節(jié)數(shù)識(shí)別準(zhǔn)確率大于88%，能夠滿足大豆實(shí)際考種需求。

3 結(jié)論

(1)根據(jù)大豆植株的生長(zhǎng)期及其骨架角點(diǎn)分布情況，通過(guò)實(shí)驗(yàn)設(shè)定卷積模板尺寸，并進(jìn)行卷積計(jì)算，實(shí)現(xiàn)大豆植株主莖骨架上的待檢測(cè)數(shù)據(jù)點(diǎn)提取。

圖10 大豆植株主莖節(jié)點(diǎn)聚類效果Fig.10 Clustering of main stem nodes of soybean plants

表1 訓(xùn)練集不同采集間隔下的主莖節(jié)數(shù)識(shí)別結(jié)果Tab.1 Results of soybean main stem nodes from different collection intervals

表2 采集間隔為90°下的主莖節(jié)數(shù)識(shí)別結(jié)果Tab.2 Results of soybean main stem nodes at 90°

(2)基于空間距離的數(shù)據(jù)轉(zhuǎn)換算法解決了因大豆植株自然生長(zhǎng)、地勢(shì)起伏等原因而引起數(shù)據(jù)點(diǎn)分布離散的問(wèn)題，為聚類算法提供較好的樣本數(shù)據(jù)集。

(3)在未知莖節(jié)點(diǎn)個(gè)數(shù)的情況下，本文方法能夠統(tǒng)計(jì)出大豆植株主莖節(jié)數(shù)，并可剔除分枝中莖節(jié)點(diǎn)的干擾。實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)于42株待考種“中黃30”大豆植株,利用90°采集間隔獲得的圖像的主莖節(jié)數(shù)平均識(shí)別準(zhǔn)確率達(dá)98.25%。