吳旭東 張晗 羅斌 康凱 侯起嶺 董宏圖

摘要：種子發(fā)芽試驗(yàn)是種子檢測(cè)的重要環(huán)節(jié)。傳統(tǒng)的發(fā)芽檢測(cè)采用人工檢測(cè)方式，存在費(fèi)時(shí)費(fèi)力、且受人為主觀因素影響較大等問(wèn)題。以小麥種子為研究對(duì)象，設(shè)計(jì)一種小麥種子垂直發(fā)芽裝置，基于形態(tài)學(xué)分析設(shè)計(jì)了種子發(fā)芽點(diǎn)檢測(cè)方法，借助芽點(diǎn)位置對(duì)胚根、胚芽長(zhǎng)度進(jìn)行檢測(cè)，實(shí)現(xiàn)種子發(fā)芽快速判別。通過(guò)7 d的發(fā)芽試驗(yàn)計(jì)算小麥種子的發(fā)芽率、發(fā)芽指數(shù)、平均發(fā)芽指數(shù)，與人工檢測(cè)結(jié)果進(jìn)行對(duì)比，該方法測(cè)定的小麥種子發(fā)芽率的準(zhǔn)確率達(dá)100%，發(fā)芽指數(shù)、平均發(fā)芽指數(shù)誤差分別為1.68%、2.40%。該裝置和方法實(shí)現(xiàn)了種子活力參數(shù)的檢測(cè)分析，為農(nóng)作物種子快速檢測(cè)提供了研究基礎(chǔ)。

關(guān)鍵詞：種子活力檢測(cè);發(fā)芽率;機(jī)器視覺(jué);小麥;種子發(fā)芽試驗(yàn);發(fā)芽指數(shù)

中圖分類(lèi)號(hào)：S512.101;S126 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2021）24-0189-06

收稿日期：2021-07-27

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2017YFD0701205）;北京市農(nóng)林科學(xué)院青年基金（編號(hào)：QNJJ202104）;北京市農(nóng)林科學(xué)院科研創(chuàng)新平臺(tái)建設(shè)項(xiàng)目（編號(hào)：PT2021-04）。

作者簡(jiǎn)介：吳旭東（1995—），男，山西運(yùn)城人，碩士研究生，主要從事機(jī)器視覺(jué)技術(shù)研究。E-mail：731799493@qq.com。

通信作者：董宏圖，碩士，農(nóng)藝師，主要從事種子表型及生理檢測(cè)研究。E-mail：donght@nercita.org.cn

種子質(zhì)量的好壞主要由種子活力來(lái)體現(xiàn)。種子活力是指種子在各種環(huán)境條件下具有發(fā)芽與出苗的能力，以及幼苗形狀、貯藏性能和種子的抗逆性等特征的綜合表現(xiàn)，較標(biāo)準(zhǔn)發(fā)芽率更能說(shuō)明種子質(zhì)量的優(yōu)劣[1-2]。因此種子活力指數(shù)檢測(cè)一直以來(lái)都是研究的熱點(diǎn)。傳統(tǒng)的種子活力檢測(cè)方法通常分為直接法和間接法。直接法是在實(shí)驗(yàn)室內(nèi)通過(guò)測(cè)定出種子的發(fā)芽率或者苗長(zhǎng)等指標(biāo)，如磚礫法、低溫處理抗冷測(cè)定法等;間接法是使用實(shí)驗(yàn)室內(nèi)的儀器，測(cè)定與種子活力相關(guān)的物理特征和生理生化特征，如人工加速老化法、電導(dǎo)率測(cè)定法、四唑染色法等[3-4]。傳統(tǒng)種子活力檢測(cè)方法對(duì)種子活力情況的評(píng)定結(jié)果科學(xué)性強(qiáng)，是國(guó)家標(biāo)準(zhǔn)種子活力檢測(cè)方法，但也存在對(duì)實(shí)驗(yàn)工作人員的專(zhuān)業(yè)能力要求較高、主觀性強(qiáng)等缺點(diǎn)，不能滿(mǎn)足現(xiàn)代農(nóng)業(yè)生產(chǎn)對(duì)種子活力快速、準(zhǔn)確檢測(cè)的新要求。

圖像處理技術(shù)作為一種無(wú)損檢測(cè)技術(shù)，研究人員將圖像處理技術(shù)應(yīng)用于高通量作物表型，實(shí)現(xiàn)了作物生理生態(tài)信息的自主監(jiān)測(cè)、分析和應(yīng)用[5-8]。Howarth等利用圖像處理技術(shù)測(cè)量生菜和高粱種子發(fā)芽時(shí)期幼苗的生長(zhǎng)速率[9]。Deng等基于圖像處理技術(shù)開(kāi)發(fā)了幼苗長(zhǎng)度計(jì)算軟件，并根據(jù)計(jì)算結(jié)果來(lái)評(píng)估林木種子的活力[10]。李振基于圖像處理技術(shù)，開(kāi)發(fā)了辣椒種子活力指數(shù)檢測(cè)系統(tǒng)，活力指數(shù)檢測(cè)準(zhǔn)確率達(dá)92%以上[11]。王紀(jì)章等利用 Kinect相機(jī)對(duì)黃瓜穴盤(pán)苗的發(fā)芽率、株高、葉面積等參數(shù)進(jìn)行了無(wú)損監(jiān)測(cè)，其中發(fā)芽率誤差不大于1.57%[12]。金沙沙等提出了一種基于端點(diǎn)刪除的剪枝方法，實(shí)現(xiàn)了對(duì)小麥、水稻的芽長(zhǎng)和根長(zhǎng)的測(cè)量[13]?？傊?，目前國(guó)內(nèi)外利用圖像處理技術(shù)檢測(cè)種子發(fā)芽率的方法研究較少，還未有完善的針對(duì)種子萌芽階段的發(fā)芽率檢測(cè)方法，但圖像處理技術(shù)為自動(dòng)化檢測(cè)發(fā)芽率提供了研究思路，在技術(shù)上有很強(qiáng)的參考價(jià)值。

本研究通過(guò)設(shè)計(jì)適用于機(jī)器視覺(jué)技術(shù)檢測(cè)種子萌發(fā)過(guò)程的發(fā)芽裝置，用工業(yè)相機(jī)采集小麥種子發(fā)芽的RGB圖像，基于種子的幾何特征，運(yùn)用形態(tài)學(xué)處理方法尋找種子芽點(diǎn)，基于芽點(diǎn)位置，進(jìn)行種子胚根和胚芽的長(zhǎng)度檢測(cè)，實(shí)現(xiàn)種子發(fā)芽判別，通過(guò)連續(xù)7 d的檢測(cè)分析，實(shí)現(xiàn)種子活力檢測(cè)，并與人工測(cè)定的種子活力進(jìn)行對(duì)比，從而驗(yàn)證本研究算法的準(zhǔn)確率。

1 圖像采集系統(tǒng)

1.1 發(fā)芽裝置設(shè)計(jì)

本研究設(shè)計(jì)了一種適用于圖像技術(shù)檢測(cè)種子活力的發(fā)芽裝置，裝置結(jié)構(gòu)示意見(jiàn)圖1。該裝置包括水槽、透明亞克力板、發(fā)芽紙、黑絨布、海綿、定位孔、種槽等。在亞克力板上設(shè)有種槽的目的在于限制種子發(fā)芽的生長(zhǎng)空間，不僅可以實(shí)現(xiàn)種子在發(fā)芽平面內(nèi)生長(zhǎng)，同時(shí)也可避免不同種子之間根系的相互纏繞。發(fā)芽紙需要延伸到水槽底部，由于毛細(xì)現(xiàn)象，水沿著發(fā)芽紙上升到種子部位，為種子萌發(fā)提供水分。在發(fā)芽紙上方鋪1層黑絨布作為背景是為了使圖像的背景單一，減少噪聲因素，便于種子與背景的分割。為了給種子的萌發(fā)提供充足的水分，在發(fā)芽紙下面墊一層海綿來(lái)儲(chǔ)存水分，同時(shí)海綿也可以緩沖2個(gè)板之間的夾緊力，避免擠壓種子造成破壞。亞克力板上的四周設(shè)有定位孔，是為了便于對(duì)不同時(shí)期的圖像進(jìn)行種子的同位分割操作。

1.2 圖像采集平臺(tái)搭建

圖像采集平臺(tái)見(jiàn)圖2-a，采集環(huán)境主要由采集箱、工業(yè)相機(jī)、光源、發(fā)芽裝置和計(jì)算機(jī)組成。采集箱尺寸為50 cm×40 cm×50 cm;相機(jī)型號(hào)為大恒MER-500-79UC，圖像保存為BMP格式，分辨率為2 592像素×1 944像素，配備computar 8 mm鏡頭，相機(jī)平面至發(fā)芽裝置表面高度為28 cm;在采集過(guò)程中，為了獲取小麥種子的高品質(zhì)圖像，在采集箱內(nèi)部2側(cè)各設(shè)有1個(gè)傾斜的條形補(bǔ)光燈，用以提供均勻穩(wěn)定的光源[14]。在載物臺(tái)上四周設(shè)定4個(gè)定位點(diǎn)，用于發(fā)芽裝置在載物臺(tái)上的定位。為了獲得完整的胚芽和胚根區(qū)域，通過(guò)對(duì)不同的種子姿態(tài)進(jìn)行發(fā)芽試驗(yàn)，種子側(cè)放更加便于圖像分割處理，獲取的圖像見(jiàn)圖2-b。

2 結(jié)果與分析

2.1 圖像處理

2.1.1 獲取ROI區(qū)域 為了減少計(jì)算量，提高分割精度和效率，在處理圖像時(shí)選擇待檢測(cè)目標(biāo)周?chē)木植繀^(qū)域，即感興趣區(qū)域（region of interest，ROI）[15]。由于種子是在浸潤(rùn)環(huán)境下進(jìn)行發(fā)芽，黑絨布上的水分分布不均導(dǎo)致整個(gè)背景的顏色、亮度不均勻，同時(shí)非目標(biāo)區(qū)域的部分噪聲灰度值與目標(biāo)的灰度值出現(xiàn)了重疊，增加了對(duì)目標(biāo)分割提取的難度。為了盡可能減少這些因素對(duì)圖像分割的干擾，本研究在采集到原始圖像后，利用種槽位置劃分ROI區(qū)域進(jìn)行分塊處理。根據(jù)發(fā)芽裝置中的10個(gè)種槽寬度將原始RGB圖像分為10個(gè)ROI區(qū)域，每個(gè)區(qū)域?qū)?yīng)1粒種子。

2.1.2 預(yù)處理 為了提升背景與目標(biāo)的對(duì)比度，使目標(biāo)區(qū)域的特征更為明顯，利用線(xiàn)性灰度變換處理對(duì)分塊后的RGB圖像進(jìn)行對(duì)比度增強(qiáng)，灰度變換一般不改變像素點(diǎn)的坐標(biāo)信息，只改變像素點(diǎn)的灰度值[16]。

2.1.3 閾值分割 圖像的顏色信息，特別是通道信息，有助于從空間域上對(duì)圖像進(jìn)行分割操作。將增強(qiáng)后的圖像分成3個(gè)單通道圖像，經(jīng)過(guò)對(duì)比3個(gè)通道的圖像，發(fā)現(xiàn)選取R通道時(shí)，種子和幼苗的形狀特征可以在灰度圖中得到很好的反映，種子和幼苗區(qū)域與背景也可以很明顯區(qū)分開(kāi)，因此選用R通道圖像繼續(xù)處理。

利用灰度閾值變換的方法[17-18]在種子的R通道圖像中將種子分割出來(lái)?；叶乳撝底儞Q可以讓一幅圖像變成黑白二值化圖，能夠?qū)崿F(xiàn)背景和與前景目標(biāo)的分離，其表達(dá)式為

y=0 ， x<T

255， x≥T。（1）

其中，T為閾值，像素的灰度值大于閾值的為種子顏色，變換后該點(diǎn)灰度值為255;小于閾值的為背景，變換后該點(diǎn)的灰度值為0?；诓杉膱D像有穩(wěn)定的光源照明，采集環(huán)境穩(wěn)定，選擇固定閾值進(jìn)行圖像分割，閾值設(shè)為31。

2.1.4 消除雜點(diǎn) 閾值分割以后得到的區(qū)域集合中會(huì)有雜點(diǎn)，見(jiàn)圖3-a，通過(guò)觀察前景目標(biāo)與雜點(diǎn)最大的特征區(qū)別是面積特征，因此通過(guò)面積特征對(duì)區(qū)域集合進(jìn)行篩選，消除圖像中的雜點(diǎn)。種子面積的像素點(diǎn)個(gè)數(shù)一般大于500，因此，在篩選時(shí)將面積特征的最小值設(shè)為500。經(jīng)過(guò)面積特征的篩選，可以得到完整的種子圖像，消除雜點(diǎn)后的效果見(jiàn)圖3-b。

2.1.5 根芽提取 在種子的初始圖像上分割獲得種子的區(qū)域以后，利用同樣的方法在1～7 d后的發(fā)芽圖像中提取出整個(gè)幼苗的區(qū)域。然后對(duì)這2個(gè)區(qū)域進(jìn)行差運(yùn)算，分割提取種子胚芽和胚根部分，差運(yùn)算的結(jié)果見(jiàn)圖4，紅色區(qū)域?yàn)樗崛〉哪繕?biāo)區(qū)域。

2.2 種子活力測(cè)定方法

國(guó)標(biāo)GB/T 3543.4—1995中規(guī)定當(dāng)小麥種子胚根與種子的長(zhǎng)度相同，胚芽長(zhǎng)為種子長(zhǎng)度的50%時(shí)，則判定為種子發(fā)芽[19]。本研究基于種子的幾何特征尋找種子的芽點(diǎn)，以芽點(diǎn)為圓心，分別作胚根與胚芽的判定圓，通過(guò)判定圓與種子根芽的相交檢測(cè)，實(shí)現(xiàn)發(fā)芽判別。

2.2.1 芽點(diǎn)檢測(cè) 通過(guò)預(yù)處理和閾值分割獲得種子的區(qū)域后，利用種子的幾何特征尋找出每粒種子的芽點(diǎn)（胚根、胚芽突破種皮的位置點(diǎn)）。小麥種子是橢圓形，首先采用等效橢圓求角度的方法來(lái)計(jì)算種子區(qū)域與水平方向的正向夾角，用等效橢圓來(lái)表示種子區(qū)域的方向和范圍。然后通過(guò)二階中心矩計(jì)算出橢圓的長(zhǎng)半軸、短半軸和相對(duì)于水平正方向的夾角α[16]。作種子區(qū)域的最小外接圓，通過(guò)最小外接圓來(lái)求出種子的中心點(diǎn)坐標(biāo)及長(zhǎng)度。如圖5-a所示，O點(diǎn)為種子的中心，種子的長(zhǎng)度為2r。通過(guò)種子的中心坐標(biāo)分別加上X、Y方向的偏移量計(jì)算出種子的胚尖點(diǎn)A點(diǎn)，其中X方向的偏移量為r×cosα，Y方向的偏移量為r×sinα，具體表達(dá)式如下：

Bx=Ox+（1-g）×r×cosα;（2）

By=Oy-（1-g）×r×sinα。（3）

式中：g=h/r，g是修正系數(shù)。引入g是用來(lái)確定B點(diǎn)坐標(biāo)。當(dāng)g=0時(shí)，計(jì)算出來(lái)的是A點(diǎn)坐標(biāo)。通過(guò)大量試驗(yàn)結(jié)果表明g取0.2時(shí)，找到種子的芽點(diǎn)效果較好。

將已知參數(shù)代入公式（2）、公式（3）可以得到點(diǎn)B（Bx，By）后。在HALCON軟件中，以B點(diǎn)為垂足，作一條垂直于線(xiàn)段AB的垂線(xiàn)LBC后，在原始種子圖像中提取出種子的輪廓，與線(xiàn)段LBC取交集，交集的結(jié)果為C點(diǎn)，將其定義為出芽點(diǎn)。種子的芽點(diǎn)標(biāo)記效果見(jiàn)圖5-b，紅色點(diǎn)即所要尋找的芽點(diǎn)。

2.2.2 發(fā)芽判別 以芽點(diǎn)為圓心，分別作胚芽識(shí)別圓和胚根識(shí)別圓來(lái)檢測(cè)種子是否發(fā)芽。以點(diǎn)C為圓心，分別以r和2r為半徑作胚芽判定圓弧和胚根判定圓弧，其中r為種子長(zhǎng)度的50%。因此，當(dāng)種子的胚芽、胚根長(zhǎng)度達(dá)到發(fā)芽標(biāo)準(zhǔn)時(shí)，會(huì)與2個(gè)判別圓弧分別產(chǎn)生交集。發(fā)芽標(biāo)準(zhǔn)判定圓在圖像檢測(cè)中的效果見(jiàn)圖6。以種子的中心行坐標(biāo)為分界線(xiàn)，將圖像分為上下兩部分，利用芽和根的區(qū)域位置特征（行坐標(biāo)）來(lái)區(qū)分胚芽和胚根的區(qū)域，即上面為胚芽，下面為胚根。將提取到的胚芽、胚根區(qū)域分別與胚芽圓、胚根圓作差運(yùn)算，若結(jié)果均不為空，則代表胚芽、胚根長(zhǎng)度已經(jīng)達(dá)到種子發(fā)芽的標(biāo)準(zhǔn)長(zhǎng)度，判定該種子已發(fā)芽。

一般情況下，差運(yùn)算之后芽的區(qū)域個(gè)數(shù)為1，根的區(qū)域個(gè)數(shù)大于零，定義為該種子已發(fā)芽。未發(fā)芽的種子可以分為有根無(wú)芽、有芽無(wú)根和無(wú)根無(wú)芽3種情況，通過(guò)分別監(jiān)視芽和根集合區(qū)域個(gè)數(shù)的變量，實(shí)現(xiàn)對(duì)種子發(fā)芽情況的分類(lèi)并自動(dòng)記錄發(fā)芽天數(shù)。

2.2.3 活力參數(shù)測(cè)定 根據(jù)上文測(cè)量的發(fā)芽結(jié)果，統(tǒng)計(jì)發(fā)芽勢(shì)，即初次發(fā)芽率（第3天初次統(tǒng)計(jì)發(fā)芽率）;并計(jì)算發(fā)芽指數(shù)、平均發(fā)芽指數(shù)[20]。

GI=∑GtDt;（4）

MLIT=∑（Gt×Dt）G。（5）

式中：GI為發(fā)芽指數(shù)，Dt為發(fā)芽日數(shù);Gt為與Dt相對(duì)應(yīng)的每天發(fā)芽種子數(shù);MLIT為平均發(fā)芽日數(shù);G為發(fā)芽率。

2.3 算法流程設(shè)計(jì)

本研究基于HALCON開(kāi)發(fā)平臺(tái)設(shè)計(jì)小麥種子活力檢測(cè)算法，通過(guò)導(dǎo)入0～7 d種子發(fā)芽圖像進(jìn)行檢測(cè)分析，獲取種子活力相關(guān)參數(shù)。種子發(fā)芽的檢測(cè)過(guò)程包括劃分ROI區(qū)域、圖像預(yù)處理、種子的分割、確定種子的芽點(diǎn)、作發(fā)芽判定圓、根芽區(qū)域的提取，具體檢測(cè)流程見(jiàn)圖7。本研究首先對(duì)原始種子的圖像進(jìn)行ROI分塊處理，以減少非目標(biāo)區(qū)域的噪聲對(duì)種子分割的影響。然后對(duì)ROI區(qū)域進(jìn)行預(yù)處理，提升目標(biāo)與背景的對(duì)比度，便于獲得完整的種子和種苗二值化圖。通過(guò)0 d初始圖像分析種子的幾何特征來(lái)檢測(cè)芽點(diǎn)。將1～7 d后種苗的二值化圖與種子的二值化圖進(jìn)行差運(yùn)算，得到僅包含根和芽的區(qū)域，借助種子的芽點(diǎn)作發(fā)芽判別圓，來(lái)實(shí)現(xiàn)對(duì)種子發(fā)芽的檢測(cè)。

3 試驗(yàn)驗(yàn)證

3.1 試驗(yàn)

2021年6月，在北京農(nóng)業(yè)智能裝備技術(shù)研究中心農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室進(jìn)行種子發(fā)芽試驗(yàn)，試驗(yàn)種子品種為西農(nóng)529，隨機(jī)選取100粒種子作為試驗(yàn)的樣本。將種子放入濃度為1%的次氯酸鈉溶液中消毒10 min，然后使用蒸餾水沖洗3次。將消過(guò)毒的種子分為10組，每組10粒。將種子按照側(cè)放的姿態(tài)，固定到發(fā)芽裝置中，最后將發(fā)芽裝置插入培養(yǎng)箱內(nèi)的水槽中進(jìn)行發(fā)芽試驗(yàn)，發(fā)芽試驗(yàn)實(shí)物見(jiàn)圖8，人工氣候室的環(huán)境條件設(shè)置為白天 8 h，溫度25 ℃;黑夜16 h，溫度23 ℃。將1 d記為種子的一個(gè)生長(zhǎng)周期，因此將種子放入發(fā)芽裝置后，每天在固定的時(shí)間點(diǎn)進(jìn)行圖像采集，連續(xù)采集 7 d。

3.2 驗(yàn)證結(jié)果

采集到種子的發(fā)芽圖像后，根據(jù)上述的圖像檢測(cè)方法，對(duì)種子的發(fā)芽情況進(jìn)行統(tǒng)計(jì)。將人工統(tǒng)計(jì)的結(jié)果與圖像檢測(cè)的結(jié)果進(jìn)行對(duì)比，對(duì)比結(jié)果見(jiàn)圖9。從圖9可以看出，種子發(fā)芽的時(shí)間集中在3～4 d后， 從5d后開(kāi)始種子的發(fā)芽率趨于穩(wěn)定。 發(fā)芽試

驗(yàn)選取了100粒種子進(jìn)行發(fā)芽，經(jīng)過(guò)7 d的發(fā)芽試驗(yàn)后有91粒正常發(fā)芽，種子的發(fā)芽率為91%。

根據(jù)圖9每天發(fā)芽個(gè)數(shù)統(tǒng)計(jì)結(jié)果，由公式（4）和公式（5）可以計(jì)算出發(fā)芽率、發(fā)芽勢(shì)、發(fā)芽指數(shù)和平均發(fā)芽指數(shù)，統(tǒng)計(jì)結(jié)果見(jiàn)表1。試驗(yàn)結(jié)果表明，本研究設(shè)計(jì)的種子檢測(cè)方法檢測(cè)小麥種子的發(fā)芽率與人工檢測(cè)發(fā)芽率一致，發(fā)芽勢(shì)、發(fā)芽指數(shù)、平均發(fā)芽指數(shù)的誤差分別為4%、1.68%、2.40%。造成第3天發(fā)芽判別率誤差偏大的主要原因是種子的芽長(zhǎng)和根長(zhǎng)處于判定標(biāo)準(zhǔn)的臨界狀態(tài)，由于種子是固定在裝置中進(jìn)行發(fā)芽的，為了不影響其生長(zhǎng)環(huán)境，人工測(cè)量是通過(guò)目測(cè)法進(jìn)行判定，無(wú)法做到精確判定，而圖像測(cè)量是對(duì)其進(jìn)行精確測(cè)量，從而導(dǎo)致對(duì)處于臨界狀態(tài)下的種子的判定結(jié)果出現(xiàn)一定的偏差。在種子露白以后，每天種子的芽長(zhǎng)和根長(zhǎng)生長(zhǎng)變化較大，很快就可以達(dá)到種子發(fā)芽的標(biāo)準(zhǔn)，因此人工目測(cè)法與圖像統(tǒng)計(jì)的結(jié)果誤差不會(huì)超過(guò) 1 d。

4 結(jié)論

利用數(shù)字圖像處理技術(shù)檢測(cè)種子發(fā)芽的算法可以提高測(cè)定種子活力的效率，并且能夠統(tǒng)一評(píng)判標(biāo)準(zhǔn)從而避免主觀誤差。通過(guò)測(cè)定種子活力的試驗(yàn)，得到以下結(jié)論：（1）本研究搭建的基于工業(yè)相機(jī)的圖像采集平臺(tái)，采集方式簡(jiǎn)單、圖像清晰，可以滿(mǎn)足圖像檢測(cè)的要求。設(shè)計(jì)的小麥種子發(fā)芽裝置，可以輔助種子發(fā)芽檢測(cè)，提升了機(jī)器視覺(jué)檢測(cè)種子發(fā)芽的準(zhǔn)確性。（2）探討了針對(duì)種子特點(diǎn)的圖像閾值處理、形態(tài)學(xué)處理，設(shè)計(jì)了小麥種子芽點(diǎn)檢測(cè)方法，并提出了一種基于芽點(diǎn)位置來(lái)判定種子發(fā)芽的方法，實(shí)現(xiàn)了對(duì)種子發(fā)芽過(guò)程的快速、無(wú)損檢測(cè)。

本研究提出的方法對(duì)實(shí)現(xiàn)種子活力的自動(dòng)檢測(cè)具有可行性，可為實(shí)驗(yàn)室種子活力測(cè)定提供算法參考。圖像處理技術(shù)測(cè)定種子活力，是一種非接觸式的測(cè)定方式，且可以得到客觀、可重復(fù)的試驗(yàn)結(jié)果，這使得種子活力指數(shù)計(jì)算結(jié)果更為可靠。因此，本研究提出的方法在代替?zhèn)鹘y(tǒng)種子活力檢測(cè)方法方面具有較好的前景。

參考文獻(xiàn)：

[1]蔣敏明. 種子活力研究進(jìn)展及展望[J]. 中國(guó)種業(yè)，2018（6）：15-18.

[2]李孝凡，王 成，宋 鵬，等. 種子活力無(wú)損檢測(cè)方法研究進(jìn)展[J]. 種子，2019，38（6）：61-65.

[3]張本華，郝曉莉，李永奎，等. 種子活力及其測(cè)定方法研究[J]. 農(nóng)機(jī)化研究，2006，28（6）：86-87.

[4]鄭雅潞，薛小雁，仇永康，等. 小麥種子活力測(cè)定方法的比較[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（15）：61-64.

[5]Kuska M，Wahabzada M，Leucker M，et al. Hyperspectral phenotyping on the microscopic scale：towards automated characterization of plant-pathogen interactions[J]. Plant Methods，2015，11：28.

[6]Nasir A K，Taj M，Khan M F.Evaluation of microsoft kinect sensor for plant health monitoring[J]. IFAC-PapersOnLine，2016，49（16）：221-225.

[7]張慧春，王國(guó)蘇，邊黎明，等. 基于光學(xué)相機(jī)的植物表型測(cè)量系統(tǒng)與時(shí)序生長(zhǎng)模型研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（10）：197-207.

[8]張慧春，周宏平，鄭加強(qiáng)，等. 植物表型平臺(tái)與圖像分析技術(shù)研究進(jìn)展與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（3）：1-17.

[9]Howarth M S，Stanwood P C.Measurement of seedling growth rate by machine vision[C]//Proc SPIE 1836，Optics in Agriculture and Forestry，1993，1836：185-194.

[10]Deng F，Qi H N，Zhao G W.Seed vigor assessment for Cunninghamia lanceolata and Pinus massoniana using image processing[J]. Transactions of the Chinese Society of Agricultural Engineering，2012，28（S2）：274-279.

[11]李 振. 基于機(jī)器視覺(jué)技術(shù)的蔬菜種子質(zhì)量檢測(cè)方法研究及系統(tǒng)設(shè)計(jì)[D]. 合肥：安徽大學(xué)，2016.

[12]王紀(jì)章，顧容榕，孫 力，等. 基于Kinect相機(jī)的穴盤(pán)苗生長(zhǎng)過(guò)程無(wú)損監(jiān)測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（2）：227-235.

[13]金沙沙，賈良權(quán)，龍 偉，等. 基于特征選擇與骨架提取的種子萌發(fā)的芽長(zhǎng)、根長(zhǎng)檢測(cè)[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2021，37（3）：597-605.

[14]侯加林，房立發(fā)，吳彥強(qiáng)，等. 基于深度學(xué)習(xí)的生姜種芽快速識(shí)別及其朝向判定[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（1）：213-222.

[15]張 晗，王 成，董宏圖，等. 基于機(jī)器視覺(jué)的白菜種子精選方法研究[J]. 農(nóng)機(jī)化研究，2021，43（12）：31-36.

[16]劉國(guó)華. HALCON數(shù)字圖像處理[M]. 西安：西安電子科技大學(xué)出版社，2018：86-87.

[17]Wiegand T，Schwarz H.Video coding：part Ⅱ of fundamentals of source and video coding[M]. Hanover：Now Publishers，2016.

[18]楊 青. 機(jī)器視覺(jué)算法原理與編程實(shí)踐[M]. 北京：北京大學(xué)出版社，2019.

[19]全國(guó)農(nóng)作物種子標(biāo)準(zhǔn)化技術(shù)委員會(huì). 農(nóng)作物種子檢驗(yàn)規(guī)程 發(fā)芽試驗(yàn)：GB/T 3543.4—1995[S]. 北京：中國(guó)標(biāo)準(zhǔn)出版社，1996.

[20]付麗娜，王玉泉，張自陽(yáng)，等. 雜交小麥種子發(fā)芽不同時(shí)期內(nèi)源激素的變化與種子活力的關(guān)系[J]. 種子，2020，39（11）：26-30.