盧澤如，蔣舜堯，熊勤學(xué)，邱先進(jìn)，周子堯，楊 權(quán)

（長(zhǎng)江大學(xué)農(nóng)學(xué)院，湖北 荊州 434025）

目前國(guó)內(nèi)外對(duì)稻谷品種檢測(cè)方法主要包括苯酚染色法、幼苗鑒別法和分子標(biāo)記法等［1］，這些方法檢測(cè)成本高、鑒定周期長(zhǎng)、檢測(cè)效果差、檢測(cè)結(jié)果一致性不好。隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的迅速發(fā)展，特別是人工智能、大數(shù)據(jù)和云計(jì)算的出現(xiàn)為機(jī)器視覺技術(shù)對(duì)稻谷品種進(jìn)行快速、高效分類識(shí)別提供了技術(shù)條件。Macalalad 等［2］運(yùn)用圖像識(shí)別技術(shù)提取稻谷的面積、周長(zhǎng)、扁率等形態(tài)學(xué)差異特征值后，運(yùn)用最小距離法準(zhǔn)確從圖像中識(shí)別3 種稻谷品種；黃星奕等［3］介紹了一種把圖像的顏色特征和形狀特征結(jié)合起來(lái)進(jìn)行稻谷品種識(shí)別的新方法；熊利榮等［4］利用Bayes 判別法建立了秈稻、糯稻、粳稻3 大類的類別模型和9 個(gè)稻谷種子的品種模型，模型判別效果顯著；呂一波等［5］在對(duì)955 個(gè)玉米顆粒圖像研究的基礎(chǔ)上，探討了用自然光和白熾燈照射下獲取的彩色模型來(lái)識(shí)別、分割玉米圖像的可行性，提出用直徑和圓形度參數(shù)來(lái)表征玉米的幾何特征；宋韜等［6］以表示玉米子粒輪廓的個(gè)體特征參數(shù)作為輸入信號(hào)，用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行玉米形態(tài)識(shí)別研究，對(duì)粒完整及粒破損的玉米子粒識(shí)別試驗(yàn)顯示，正確率為93%。盡管相關(guān)研究對(duì)農(nóng)作物品種和方法進(jìn)行了探究，但面對(duì)全國(guó)5 萬(wàn)多個(gè)稻谷品種［7］，只有建立稻谷品種特征庫(kù)，才能運(yùn)用云技術(shù)和圖像識(shí)別技術(shù)開展稻谷品種快速區(qū)分工作，稻谷品種形態(tài)學(xué)差異特征值的確立是建立稻谷品種特征庫(kù)的前提［8］。本研究運(yùn)用圖像識(shí)別技術(shù)提取31 個(gè)水稻品種的41 種形態(tài)學(xué)特征值，再利用統(tǒng)計(jì)分析方法，尋找出能區(qū)分稻谷品種差異的形態(tài)學(xué)特征值，以期為稻谷品種形態(tài)學(xué)檢測(cè)打下基礎(chǔ)。

1 材料與方法

1.1 材料

供分析的稻谷品種有31 個(gè)，每個(gè)品種有稻粒20～50 粒，品種間的形狀與顏色有一定差異，其名稱及圖片見表1。

表1 供分析的稻谷品種及圖片

1.2 稻谷形態(tài)學(xué)特征值提取方法

1）掃描圖像。將稻谷連同調(diào)色板放在掃描儀上，設(shè)定掃描分辨率為180 dpi，掃描成jpg 格式的圖像。

2）圖像校正。將圖像在Image Pro Plus 軟件中打開，根據(jù)掃描分辨率和calibration-＞spatial 功能設(shè)置圖像空間分辨率；運(yùn)用calibration-＞intensity 結(jié)合調(diào)色板中RGB 值進(jìn)行色彩校正。

3）圖像識(shí)別。運(yùn)用measure-＞count/size 功能對(duì)圖像中稻谷進(jìn)行識(shí)別，識(shí)別方式選擇Automatic Dark Objects，如果稻谷有相連現(xiàn)象，用auot split 功能將它們分開。

4）稻谷特征量提取。在軟件中選取所有測(cè)定內(nèi)容，點(diǎn)擊measure 鍵，并選取提取41 種形態(tài)學(xué)特征值參數(shù)［9］（表2），其中31 個(gè)表征幾何特征參數(shù)，10 個(gè)表征顏色特征參數(shù)，沒有選取表征位置特征的參數(shù)。

表2 特征量及釋義

5）稻谷特征量導(dǎo)出。選擇軟件中的導(dǎo)出功能，將提取的41 種形態(tài)學(xué)特征值導(dǎo)至Excel 軟件中供統(tǒng)計(jì)分析。

1.3 稻谷形態(tài)學(xué)特征值篩選與分析統(tǒng)計(jì)方法

采用判別分析方法對(duì)稻谷形態(tài)學(xué)特征值進(jìn)行篩選。31 個(gè)品種按0～30 編號(hào)，然后在SPSS 軟件中打開，在判別分析方法中選取因子逐步引入剔除方法，總樣本數(shù)為1 290。

采用聚類方法對(duì)稻谷形態(tài)學(xué)特征值統(tǒng)計(jì)分析。將每個(gè)稻谷品種所有特征值進(jìn)行平均，然后在SPSS軟件中打開，選取系統(tǒng)聚類分析方法，引入因子為前面選定的特征值，輸出中要求輸出分類圖。

2 結(jié)果與分析

2.1 稻谷形態(tài)學(xué)特征值的篩選

設(shè)不同的引入最小偏F值和剔除最大偏F值，觀察分類結(jié)果的準(zhǔn)確率，隨著引入最小偏F值和剔除最大偏F值的增加（每次增加0.5），其入選的因子減少，回代準(zhǔn)確率開始為73.0%，逐步下降。當(dāng)引入最小偏F值為8 和剔除最大偏F值為6 時(shí)，入選因子為9 個(gè)，其回代準(zhǔn)確率為62.8%；以后再增加F值，入選因子為和回代準(zhǔn)確率不變，至引入最小偏F值為23 和剔除最大偏F值為21 時(shí)，入選因子為6 個(gè)，其回代準(zhǔn)確率為43.3%。綜合上述分析，以入選因子少、回代準(zhǔn)確率損失不大為原則，選取引入最小偏F值為8 和剔除最大偏F值為6 作為判別分析引入因子的原則，確定了9 個(gè)因子為表征稻谷品種差異的形態(tài)學(xué)特征值，分別是Aspect（最長(zhǎng)軸與最短軸比率）、Density（max）（最 大強(qiáng)度）、Area（面積）、Density（green）（綠光強(qiáng)度）、Axis（minor）（短軸長(zhǎng)度）、Density（mean）（強(qiáng)度均值）、Density（blue）（藍(lán)光強(qiáng)度）、Axis（major）（長(zhǎng)軸長(zhǎng)度）、Density（std.dev。）（強(qiáng)度標(biāo)準(zhǔn)差）。這9 個(gè)因子中表示幾何形狀的有4 個(gè)，分別為Aspect、Area、Axis（minor）和Axis（major）；表示顏色的有5 個(gè)，分別為Density（max）、Density（green）、Density（mean）、Density（blue）和Density（std.dev.）。說(shuō)明稻谷品種的差異主要表現(xiàn)在幾何形狀上，如稻谷有短圓、細(xì)長(zhǎng)、雙尖等特征，在顏色上有淡黃色、深黃色等。

2.2 基于稻谷形態(tài)學(xué)的聚類分析

分別用稻谷品種形態(tài)學(xué)41 個(gè)特征值和選取的9個(gè)差異特征值，采用SPSS 軟件的系統(tǒng)聚類分析方法，分別對(duì)31 個(gè)稻谷品種進(jìn)行分類，其分類結(jié)果一致（圖1），說(shuō)明這9 個(gè)差異特征值能代表41 個(gè)特征值，能反映稻谷品種之間的差異。由圖1 可知，把31種水稻品種分為5 類，分別是淡黃色短圓型、淡黃色長(zhǎng)扁型、深黃色長(zhǎng)扁型、深黃色短圓型和深黃色雙尖型，由于沒有這31 個(gè)品種的分類信息，不清楚分類結(jié)果與其品種屬性是否存在內(nèi)存聯(lián)系。

圖1 31 個(gè)稻谷品種的聚類分布

3 小結(jié)與討論

本研究成功提取了能反映稻谷品種差異的9 個(gè)特征值，分別為表示幾何形狀的Aspect、Area、Axis（minor）、Axis（major）4 個(gè)特征值和表示顏色的Density（max）、Density（green）、Density（mean）、Density（blue）、Density（std.dev）5 個(gè)特征值，對(duì)31 個(gè)稻谷品種進(jìn)行了聚類分析。

由于沒有稻谷品種的其他信息，沒有對(duì)特征值與稻谷生物學(xué)性狀進(jìn)行分析，作物表型是作物品種內(nèi)在特征的表現(xiàn)，這也是需要進(jìn)一步研究的方向。