張小斌 謝寶良 朱怡航 鄭可鋒 顧 清

(浙江省農(nóng)業(yè)科學院數(shù)字農(nóng)業(yè)研究所，浙江 杭州 310021)

菜用大豆[Glycinemax(L)Merr.]是以幼嫩莢果和籽粒作為蔬菜食用的一種專用型大豆品種[1]，俗稱毛豆。菜用大豆味道鮮美、營養(yǎng)豐富、食用方便，深受我國以及東南亞國家人民的喜愛[2]。菜用大豆作為國內(nèi)栽培歷史悠久、分布范圍廣、產(chǎn)銷量巨大的大豆種類之一，育種工作卻因表型信息采集效率低下而受到限制。表型指植物在基因型和環(huán)境共同作用下表現(xiàn)出來的形態(tài)、結(jié)構(gòu)和生理生化等特性[3-4]。對植物表型進行精確鑒定與度量是開展遺傳分析、基因發(fā)掘、分子標記開發(fā)等后續(xù)工作的基礎(chǔ)[5-6]。精確評估菜用大豆的重要表型性狀對新品種培育、菜用大豆種質(zhì)資源庫建設(shè)具有重要意義[7-8]。

傳統(tǒng)的菜用大豆表型獲取方式主要依靠人工手段，對植株、果實或種子進行逐個觀測并手動記錄、管理數(shù)據(jù)。人工測量不僅費時費力，還存在測量精度低、可重復(fù)性差的問題，而且由于實驗人員的主觀性，易導致視覺評估出現(xiàn)偏差。依靠目前高通量、低成本的基因測序技術(shù)，已經(jīng)積累了海量的基因型數(shù)據(jù)[9-10]，但獲取高通量表型數(shù)據(jù)的能力仍是植物基因組學研究和育種工作的瓶頸[3]。高通量表型技術(shù)是指利用成像傳感、圖像處理和機器學習等技術(shù)，快速獲取大批量植株表型信息的一種技術(shù)方法[11]，對提高植物表型采集的效率和準確性、加速新品種選育都有顯著的促進作用[12]。

多樣的植物表型性狀信息可以通過各類成像設(shè)備，如數(shù)碼相機、多光譜/高光譜相機、激光雷達設(shè)備等，以影像為載體獲取[13]。通過自動化高通量的表型分析技術(shù)，獲得植株或器官的形態(tài)結(jié)構(gòu)特征，如形狀、面積、顏色、紋理、數(shù)量、空間分布和大小等[3,12]。目前，國外已經(jīng)研發(fā)了一些比較成熟的植物表型高通量分析平臺，例如比利時CropDesign公司研制的高通量技術(shù)平臺——TraitMill[14]，德國Lemna Tec公司搭建的“全自動高通量植物3D成像系統(tǒng)”(Scanalyzer 3D)[15]，澳大利亞的PlantScanTM系統(tǒng)等[16]。我國在最近幾年也研發(fā)了一些先進的表型測量平臺，例如郭慶華等[17]研發(fā)的高通量作物測量平臺Crop3D和華中農(nóng)業(yè)大學研發(fā)的高通量CT-RGB成像系統(tǒng)[18]。這些大型自動化表型數(shù)據(jù)采集平臺一般都集成了光譜成像儀、熱成像儀、RGB相機、熒光成像儀、激光雷達等多種傳感器，雖然采集的性狀多樣，但是造價高昂、便捷性差、操作難度高，且每種解決方案都存在一定的局限性，因此在國內(nèi)科研單位以及小型農(nóng)業(yè)公司預(yù)算有限的情況下，這些設(shè)備難以被推廣應(yīng)用。此外，現(xiàn)有的表型平臺大多側(cè)重于植物葉片和植株表型的分析，缺少針對作物果實和種質(zhì)資源表型采集方案的開發(fā)應(yīng)用[8]。目前針對菜用大豆豆莢和種質(zhì)資源的表型性狀自動化采集尚無標準化的解決方案。因此，研發(fā)輕量化、定制化、低成本的表型測量平臺，實現(xiàn)菜用大豆表型性狀標準化、高通量獲取，推動自動化輔助育種技術(shù)的普及應(yīng)用，可以促進種質(zhì)資源的有效鑒定和利用，加速菜用大豆育種技術(shù)、表型組學及基因組學研究的發(fā)展。

在植物高通量表型獲取技術(shù)和平臺中，可見光成像仍是實現(xiàn)表型分析與采集的主要途徑[3]。利用圖像處理技術(shù)可從圖像中識別出目標區(qū)域，提取數(shù)量、分布、長度、面積和顏色等特征，從而實現(xiàn)高通量的表型信息采集[19]。目前，可見光圖像處理技術(shù)已被應(yīng)用于多種作物的多樣表型信息采集，例如甜瓜果實顏色[20]、馬鈴薯大小和外形[21]、葡萄果實果序尺寸[22]、梨果實尺寸大小[5]、大棗外觀形狀參數(shù)[23]等?？梢姽獬上竦闹饕獌?yōu)點是成像率高、成本低、操作簡單[24]，符合本研究構(gòu)建一個輕量化、低成本表型采集系統(tǒng)的目標，且可以滿足實現(xiàn)菜用大豆重要表型性狀的分析提取。

菜用大豆一般帶莢銷售、食用，因此其豆莢的商品外觀品質(zhì)性狀尤為重要[25-26]。本研究將利用計算機視覺技術(shù)中的圖像處理分析方法，結(jié)合菜用大豆育種工作中高通量、標準化表型信息采集的需求，從可見光圖像中深入挖掘豆莢外觀表型性狀數(shù)據(jù)，提出一套菜用大豆豆莢圖像采集與表型分析方法。并通過試驗確定最優(yōu)參數(shù)，利用實物豆莢和標準物體驗證分析結(jié)果的準確性，實現(xiàn)菜用大豆豆莢長度、弧長、寬度、面積、每莢豆粒數(shù)、彎曲夾角、標準色距等表型性狀的自動化提取。在此基礎(chǔ)上，應(yīng)用圖形用戶界面開發(fā)一套相應(yīng)的分析軟件，用于菜用大豆豆莢表型數(shù)據(jù)的標準化、高通量、低成本獲取，以期為菜用大豆育種提供輔助，提高育種工作的效率。

1 材料與方法

1.1 試驗材料及圖像獲取

選擇黃淮海地區(qū)生產(chǎn)的夏季菜用大豆作為試驗材料用于表型圖像分析。為確保分析結(jié)果的準確性，將采集的毛豆放置于保鮮盒中，并迅速帶回實驗室進行圖像獲取。

將毛豆豎直并排排列于A4白紙上，采用高拍儀(遜鐳NTEUMM，SD-1000)進行拍攝獲取原始圖像。拍攝時將毛豆放置于高拍儀正下方，選擇光線較好的位置，使用閃光燈模式拍攝。將尺寸參考卡(圖1右下角黑白卡)放在高拍儀下一起拍攝，其中黑色方塊為已知的1 cm × 1 cm的標準正方形，用于校準圖像的分辨率。由于高拍儀的拍攝高度恒定不變，分辨率校準后再次拍攝無需放置參考卡。 豆莢擺放的方位不影響最小包圍盒的計算，因此擺放角度無需嚴格一致，但為了其他指標描述和計算的統(tǒng)一性，豆莢的朝向需一致，本研究獲取的圖像中所有豆莢的擺放朝向均為短弧(凹邊)朝左。

1.2 圖像分析與表型提取算法

1.2.1 目標檢測 采用紅綠藍RGB多通道灰度處理和二值圖可視分析算法提取圖像中的物體輪廓，以多邊形坐標組的形式保存。為區(qū)分豆莢與參考卡中的黑色方塊，設(shè)置長寬比閾值為1.2。

1.2.2 莢長計算 利用最小包圍盒算法確定單個豆莢的外切矩形(圖2-a)，以外切矩形長邊長度作為豆莢的長度(L)；豆莢擺放的方位不影響最小包圍盒的計算。

圖2 毛豆豆莢表型圖像分析算法示意圖Fig.2 Schematic diagram of image algorithm for Edamame phenotype analysis

1.2.3 弦長和弧長計算 搜索豆莢頂端和末端拐點，確定端點位置(圖2-c中A和B點)。拐點根據(jù)輪廓多邊形坐標來確定，計算豆莢輪廓上每個點與鄰近兩點連接的線段所形成的夾角，從任意點開始搜索，角度為銳角的兩個點即為上下端點。極個別的豆莢端點會出現(xiàn)大于90°的情況，可將角度的閾值設(shè)置為100°。連接A和B兩點的線段長度即為弦長(c)。在豆莢圖形邊緣尋找最近似輪廓點，將所有鄰近兩點之間的直線距離累加作為弧長。以上下端點為分隔點確定左、右弧長(a和b)。

弦弧長比目前為部分育種人員用來描述豆莢彎曲程度的一個指標，計算方法為弦長(c)與凸邊弧長(b)的比值(c/b)。c/b比值越大，莢形越直；比值越小，莢形越彎。

1.2.4 圖像切割和每莢豆粒數(shù)計算 用垂直于外切矩形長邊的線段，將豆莢圖形平均分割為若干段(圖2-b)，計算每條分割線與豆莢輪廓交點間的線段長度，若存在某條線段長度小于其上下兩條鄰近線段的長度，則認定此處為兩顆豆粒之間的凹槽，將凹槽數(shù)目加1得到豆粒的數(shù)目。以三粒莢為例，豆莢被分割之后，計算機將搜索是否存在某條線段長度小于其上下兩條線段的長度，理想情況下可以找出兩條這樣的線段，由此可計算出豆粒數(shù)目為3。若為一粒莢，便不存在符合上述情況的線段，即凹槽數(shù)量為0，根據(jù)算法可得出豆粒數(shù)目為1。

準確識別豆粒數(shù)的前提是確定豆莢圖像的最優(yōu)分割數(shù)量。根據(jù)前期初步測試分析可知，分割數(shù)量過多或過少都會出現(xiàn)錯誤的結(jié)果，而在某個連續(xù)的尺度范圍內(nèi)均可獲得正確的粒數(shù)。因此，本研究采用試錯法確定最優(yōu)分割數(shù)量，即用多個分割尺度進行大量樣品的測試，根據(jù)計算準確率確定最終的分割數(shù)。本文采用11至25之間的奇數(shù)作為分割尺度梯度，選擇正確率為100%的連續(xù)尺度范圍的中間值作為最優(yōu)分割尺度。

1.2.5 莢寬計算 由于不同豆粒數(shù)的豆莢測量莢寬的位置不同，莢寬分析在完成豆粒數(shù)計算的基礎(chǔ)上進行。對不同粒數(shù)的豆莢采用不同的計算方法。若每莢豆粒數(shù)為奇數(shù)(1粒和3粒)，計算中間豆粒的寬度作為莢寬，即豆莢圖形平均分割成2段，取中間分割線與豆莢輪廓的兩個交點間的線段計算長度為莢寬。若每莢豆粒數(shù)為偶數(shù)(2粒和4粒)，取中間兩豆粒的平均寬度作為莢寬，即二粒莢分割成4段，取從上至下第2條和第4條線段的平均長度，四粒莢分割成8段，計算從上至下第4和第6條線段的平均長度作為莢寬。

1.2.6 豆莢面積計算 對于毛豆的豆莢圖形，利用區(qū)域面積函數(shù)，結(jié)合圖像分辨率和圖像大小，通過計算其覆蓋的面積得到。

1.2.7 彎曲夾角計算 由于豆莢左弧和右弧的彎曲程度不一致，僅用弦弧長比無法描述豆莢的整體彎曲程度。因此，使用彎曲夾角來描述豆莢彎曲度，即尋找豆莢的中心點并連接上下端點形成的夾角。將豆莢平均分成偶數(shù)段，以中間線段的中點作為豆莢的中心點(圖2中的點O)，并以其為頂點，分別連接豆莢上下端點(點A和B)形成夾角(角AOB)，作為衡量豆莢彎曲程度的指標(圖2-c)。由形狀分析可以判斷，夾角越大，豆莢的形狀越直，角度越小，豆莢越彎。

1.2.8 顏色參數(shù)與標準色距 顏色參數(shù)以常用的RGB顏色空間為參照，分別提取豆莢范圍內(nèi)的R、G、B的平均值，代表整個豆莢的顏色水平，用以計算與參考育種目標之間的標準色距。參考育種目標的確定方法為育種人員從整批毛豆中挑選出10個色澤最佳的豆莢作為標準豆莢，提取每個豆莢的R、G、B顏色通道平均值，并計算10個豆莢的總體平均值作為標準參考值。標準色距的計算方法為豆莢顏色參數(shù)與標準參考值之間的歐式距離，即：

(1)

式中，D表示標準色距，r、g、b分別表示待測圖形的顏色RGB均值，rs、gs、bs分別表示標準參考豆莢的顏色通道平均值。每個通道均值都是一個8位二進制數(shù)(0至255)。

拍攝高度和圖像分辨率的不同會對分析結(jié)果造成影響，帶來計算誤差，因此需要在分析之前利用已知尺寸的標準方格對圖像的分辨率進行識別校正。

1.3 測量結(jié)果驗證

1.3.1 豆莢測量驗證 采集生長飽滿的新鮮毛豆豆莢樣本50個，進行圖像采集，并對部分指標進行人工測量。使用游標卡尺(得力DL91150)測量豆莢長度、弦長、寬度，每個指標測量3次，取平均值。對于弧長的測量，利用一根無彈性的細繩，沿豆莢的弧緊密完整貼合，確定端點在繩上的位置，再將細繩拉直后使用游標卡尺測量長度，即為毛豆單邊的弧長。每一條弧長均測量3次，取平均值。對每個豆莢的豆粒數(shù)進行人工計數(shù)。

1.3.2 標定物測量驗證 對于面積等手工難以測量驗證的指標，采用標定物進行驗證。標定物即尺寸、形狀整齊且已知，并與目標物體具有一定相似性的物體，可用于檢驗圖像識別技術(shù)提取指標的精確性。采用3種已知尺寸的圓形硬幣(1角人民幣：直徑19 mm，5角人民幣：直徑20.5 mm，1元人民幣：直徑25 mm)和3種不同顏色、已知尺寸(19 mm ×76 mm)的矩形便簽紙作為標定物。通過圖像識別計算長度、面積等指標，并用游標卡尺對實際長度進行測量。通過硬幣直徑和矩形邊長分別對兩種標定物計算面積，最后對圖像分析結(jié)果與實際測量結(jié)果進行比較驗證。

1.3.3 精度評價 圖像測量結(jié)果與人工測量結(jié)果使用IBM SPSS 23.0軟件做方差分析與Pearson相關(guān)性分析，并利用均方根百分比誤差(root mean square percentage error, RMSPE)和平均絕對百分比誤差(mean absolute percentage error, MAPE)指數(shù)對圖像測量結(jié)果進行評價，計算公式如下：

(2)

(3)

式中，n表示驗證樣本數(shù)量，Mi表示圖像測得結(jié)果，Ai表示實際測量結(jié)果。

對于豆粒數(shù)計算的準確度，利用下式來進行評價：

(4)

式中，n表示驗證樣本數(shù)量，Mi表示圖像分析計算每莢豆粒數(shù)，Ai表示實際每莢豆粒數(shù)。

誤差與精度評價指數(shù)均在Excel 2016軟件中進行計算。

1.4 毛豆圖像采集分析系統(tǒng)

基于上述圖像識別技術(shù)，采用圖形用戶界面(graphical user interface, GUI)方式，利用NET Framework 4.0框架和EmguCV 2.4.10圖像庫開發(fā)“毛豆圖像采集分析系統(tǒng)”軟件。軟件包含圖像采集、圖像校準、圖像分析、結(jié)果輸出等基本功能，可自動分析提取單個豆莢長度、寬度、弧長、彎曲度、面積、顏色參數(shù)RGB均值等表型性狀。軟件與圖像高拍儀設(shè)備配套連接，可以通過軟件操作直接獲取毛豆豆莢批量個體圖像，并通過自帶的數(shù)據(jù)管理功能對圖像進行管理，可有效節(jié)省數(shù)據(jù)拷貝傳輸?shù)臅r間。所有結(jié)果可按表格形式查看，獲取均值、極值等基本統(tǒng)計特征，并可導出數(shù)據(jù)為Excel文件。軟件界面簡潔，功能清晰，可免安裝直接使用，操作方便快捷。主要操作流程和界面如下：

1、圖像的采集與校準(圖3-a)。直接連接高拍儀對毛豆連同尺寸參考卡進行拍攝，自動識別毛豆輪廓和參考卡上的黑色方塊，并進行編號。利用參照卡中的任一黑色方塊(1 cm2)作為參考標準計算圖像的分辨率。

2、表型計算(圖3-b)。根據(jù)基本參數(shù)設(shè)置自動分析表型參數(shù)，并對計算結(jié)果進行顯示。

3、可視化示意圖(圖3-c)。顯示單個豆莢圖形分割情況，端點、中心點識別位點。

4、數(shù)據(jù)管理(圖3-d)。按編號將分析結(jié)果表格化顯示，可對數(shù)據(jù)進行批量管理，查看均值、標準差等基本統(tǒng)計情況，也可導出為Excel文件。

2 結(jié)果與分析

2.1 豆粒計數(shù)中的圖像分割數(shù)量

每莢豆粒數(shù)是毛豆重要的表型性狀。為了確保圖像分析結(jié)果的精確性，需要確定豆莢圖像的最優(yōu)分割數(shù)量。將毛豆圖像的分割數(shù)量設(shè)置為11、13、15、17、19、21、23、25的梯度(圖4)，對每個毛豆樣品的圖像進行測試分析，比較在不同分割尺度下的豆粒數(shù)計算精度與誤差。不同分割尺度下50個豆莢豆粒計算的總粒數(shù)及正確率如圖5所示。分割數(shù)量小于21的結(jié)果中，計算正確率均為100%。從數(shù)量21開始出現(xiàn)計算錯誤，并且隨著分割數(shù)量的增加，準確率不斷下降。在分割數(shù)量過大的情況下，由于豆莢邊緣并不均勻，鄰近的截面長度(豆莢寬度)會有細微的差別，容易出現(xiàn)符合算法中的某條截面長度小于前后兩條的情況，造成誤算，使分析結(jié)果大于實際粒數(shù)。而在合理的分割數(shù)量下，符合算法的截面位于兩個豆粒之間的凹槽。為了兼顧準確率與計算速度，將豆粒數(shù)計算的最優(yōu)分割尺度定為11至19之間5個奇數(shù)的中間值15，經(jīng)過后期反復(fù)驗證亦未見出現(xiàn)錯誤。圖5中的分析結(jié)果是基于所有供試材料計算得出的，其中包含了一粒莢、二粒莢、三粒莢和四粒莢。因此，最佳分割數(shù)量適用于任何粒數(shù)的豆莢。另外，極個別一粒莢也會出現(xiàn)凹槽，導致計算機誤判，對此需要依靠人工輔助識別糾正，但總體來說并不影響目前實際育種工作中的使用。

2.2 彎曲度

本研究提出利用豆莢中心點作為頂點，分別連接豆莢上下兩個端點，將形成的夾角作為衡量豆莢彎曲度的指標。為了證明該彎曲夾角用于表示豆莢彎曲度的可行性，本研究將此夾角與弦弧長比進行了對比及相關(guān)性分析。由圖6可知，形狀越直的豆莢，彎曲夾角越大，弦弧長比越接近于1；形狀越彎的豆莢，彎曲夾角越小，弦弧長比值也越小。因此，兩者皆在一定程度上反映了豆莢的彎曲情況。為了考察彎曲夾角與弦弧長比之間的關(guān)系，對50個豆莢樣本的彎曲夾角和弦弧長比進行了相關(guān)性分析。由圖7可知，彎曲夾角與弦弧長比之間存在顯著的正相關(guān)性，R2值為0.761 9(P< 0.01)。因此，本研究提出的彎曲夾角指標，可以用于衡量毛豆豆莢的彎曲度。

2.3 標準色距

從整批毛豆中依靠育種人員的經(jīng)驗挑選出10個色澤最佳的豆莢作為育種目標豆莢，計算這10個豆莢的總體R、G、B顏色通道平均值作為標準參考值。另外根據(jù)肉眼觀察挑選7個呈不同顏色梯度的豆莢(圖8)，其中4#至7#豆莢為存放多日并開始變色的豆莢，編號越大的豆莢與標準豆莢間的顏色差異越大。通過圖像分析獲得各個豆莢的R、G、B顏色通道平均值，計算每個圖形與標準顏色參考值之間的標準色距，值越小表示與參考豆莢的顏色均值越接近。若結(jié)果符合肉眼觀察的梯度，則該方法便可以定量評估毛豆豆莢的顏色性狀與育種目標之間的差距。圖9所示為標準色距的分析結(jié)果。結(jié)果表明，1#～7#豆莢顏色與標準顏色參考值之間的標準色距逐個增大，符合肉眼判斷的顏色差異變化。表明圖像分析能夠?qū)崿F(xiàn)不同豆莢間顏色差異的量化分析，為定量評估毛豆顏色性狀與育種目標之間的差距提供技術(shù)手段。

注：a：主界面；b：表型指標計算與顯示；c：單個豆莢分割示意；d：數(shù)據(jù)管理界面。Note: a: Main interface. b: Pod phenotypic index diagram. c: Pod segmentation diagram. d: Data management interface.圖3 毛豆圖像采集分析系統(tǒng)基本功能與軟件界面Fig.3 Interfaces of the edamame image acquisition and analysis system

注：分割數(shù)量分別為11、13、15、17、19、21、23、25。Note: The numbers of segments were 11, 13, 15, 17, 19, 21, 23 and 25.圖4 每莢豆粒數(shù)計算中的豆莢圖形分割示意圖Fig.4 Pod segmentation diagram in the calculation of seed number per pod

圖5 不同分割尺度下豆粒計算的總粒數(shù)及正確率Fig.5 The total number of soybean seeds and calculative accuracy under different segmentation scales

2.4 測量結(jié)果驗證

通過人工測量對圖像分析結(jié)果進行驗證，對指標分別進行人工測量和圖像分析計算并進行對比。標定物的驗證方法為：3種不同的硬幣用于直徑與面積的驗證；3種不同顏色的長方形便簽紙用于長度和寬度的檢驗。前述挑選的50個毛豆豆莢用于實物驗證。每種標定物的測量數(shù)目均為50。

結(jié)果表明，對于所有硬幣和便簽紙，通過圖像分析計算得到的直徑、面積、便簽紙長度和寬度與實際測量值均無顯著差異(P>0.05)，決定系數(shù)R2大于0.96，其中硬幣直徑、便簽長度和寬度的測量誤差值均小于0.03，硬幣面積的測量誤差值小于0.06(表1)，這表明標定物圖像分析結(jié)果與人工測量值的準確度相當。不同顏色便簽的長度和寬度實測值和圖像分析值均無顯著差異(P>0.05)，說明顏色差異不會影響圖像分析的結(jié)果。另外，圖像中計算得出的指標平均值均小于實際測量平均值，這是由于成像幾何誤差使圖像中遠端圖形比真實范圍小，導致計算結(jié)果偏小，但是誤差較小，后期可通過運算進行校正。

毛豆豆莢實物分析結(jié)果表明，圖像分析方法可以準確識別出圖像中的所有豆莢，輪廓清晰，排序無誤，多次測試結(jié)果穩(wěn)定無變化(參看圖3-a)。圖像分析得出的左右弧長、莢長、莢寬、弦長、彎曲夾角與人工實際測量值無顯著差異(P>0.05)，測量誤差值均小于0.07，R2大于0.95(表2)，這表明豆莢圖像分析結(jié)果與實際測量值的準確度相當。另外，弧長、莢長、莢寬和弦長等指標的圖像分析結(jié)果也均小于實測平均值，原因和標定物相同，誤差在可接受范圍之內(nèi)。

3 討論

菜用大豆的表型采集工作涉及大量人工重復(fù)測量，有必要應(yīng)用高通量自動化手段以提高工作效率。本研究基于圖像處理技術(shù)開發(fā)了一套自動測量系統(tǒng)

圖7 彎曲夾角與弦弧長比之間的相關(guān)關(guān)系Fig.7 The correlation between bending angle and chord arc ratio

圖8 標準豆莢(1#)及不同顏色梯度的豆莢Fig.8 Standard pod (1#) and pods with a color gradient

表1 標定物圖像測量與實際測量結(jié)果比較Table 1 Comparison between image recognition and calipers measuring of calibration objects

表2 毛豆豆莢圖像測量與實際測量結(jié)果比較Table 2 Comparison between image recognition and calipers measuring of pods

圖9 不同顏色豆莢與標準豆莢之間的標準色距Fig.9 Standard color distances between different pods and standard pod

，實現(xiàn)了毛豆豆莢多種表型性狀的自動化分析，提高了毛豆表型信息的采集速度和精確度。與人工測量相比，該系統(tǒng)在效率上有明顯提升，可以大幅縮減人工的工作量，并減少因疲勞、誤操作等人為因素導致的測量錯誤。同時，該方法還可以降低部分性狀的測量誤差，如弧長的測量，由于豆莢具有一定厚度并且側(cè)面不規(guī)則，導致人工測量容易產(chǎn)生較大的誤差，而圖像處理方法在同一平面上進行識別計算，能夠獲得較為精確、統(tǒng)一的數(shù)據(jù)。另外，利用計算機技術(shù)可以實現(xiàn)部分人工無法測量或較難測量的性狀的標準化采集，例如顏色和面積。利用圖像顏色通道值計算的標準色距可以按照統(tǒng)一標準量化評價豆莢的顏色性狀，且利用圖像分割方法可以快速準確地獲取豆莢的截面面積。

豆莢的彎曲度是菜用大豆重要的表觀性狀，但在當前的育種工作中，對于豆莢彎曲度的衡量尚無統(tǒng)一的標準。部分育種工作者利用弦長與弧長的比值來評估彎曲度，雖然在一定程度上可以反映豆莢的彎曲程度，但由于左右兩弧的彎曲程度并不相同，因此用弦長與其中一條弧長的比值并不能精確地描述豆莢整體的彎曲度。例如圖10中的兩個豆莢，用肉眼判斷右邊的豆莢比左邊的更彎，且利用本方法計算的彎曲夾角分別為153.8°和152.7°，表示右側(cè)的豆莢彎曲度更大，符合肉眼的觀察結(jié)果。但是如果用弦弧長比來表示，左側(cè)的豆莢(0.73)小于右側(cè)(0.77)，表示左側(cè)豆莢的彎曲度更大，并不符合真實情況。分析兩個豆莢的形狀可以發(fā)現(xiàn)，左側(cè)豆莢的左弧比較直，右弧比較彎，因此基于右弧長計算的弦弧長比無法準確描述豆莢的整體彎曲程度。鑒于此，本研究提出的算法，即利用豆莢上下端點分別連接豆莢中心點的兩條線段形成的夾角，作為衡量豆莢彎曲度的指標，從豆莢整體的彎曲程度來考慮，兼顧左右兩弧，取中間位置進行角度計算，對豆莢彎曲度的計算更為準確與合理。

圖10 彎曲夾角與弦弧長比不一致情況示例Fig.10 An example of the inconsistency between the bending angle and the chord arc ratio

顏色作為重要的育種性狀，一直以來都靠人眼觀察憑經(jīng)驗進行評價，難以實現(xiàn)量化和標準化[19-20]。本研究借助圖像處理技術(shù)，利用常用的RGB顏色空間提取毛豆豆莢的顏色參數(shù)，并和作為參考的標準豆莢進行對比計算標準色距，結(jié)果符合肉眼判斷的顏色差異變化。因此此方法可以定量評估豆莢顏色性狀及其與參考目標之間的差距，為育種工作提供準確可量化的顏色信息。由于圖像的采集對環(huán)境光線十分敏感，不同光線環(huán)境中獲取的圖像會存在一定的差異[27]。若對在不同時間或區(qū)域獲取的圖像進行對比分析，可能會存在一定的誤差。因此，圖像采集環(huán)境需要盡量保持一致，通過固定拍攝區(qū)域、照明設(shè)備和拍攝參數(shù)等措施可以提高多期數(shù)據(jù)的可靠性和穩(wěn)定性。另外，在計算色差(色距)的時候，使用不同的顏色空間也會對結(jié)果帶來影響[28]。本研究僅對利用顏色通道值進行豆莢顏色性狀量化評價的可行性進行探討，下一步需要對多期圖像進行對比試驗，并嘗試使用更多的顏色空間(如LAB空間)，在顏色和色差量化的精確性和穩(wěn)定性等方面作更深入的研究與探討。

4 結(jié)論

本研究利用計算機圖像處理技術(shù)提出了一套菜用大豆豆莢表型信息采集分析方法，并開發(fā)了相應(yīng)的分析系統(tǒng)軟件，實現(xiàn)了菜用大豆豆莢莢長、莢寬、弦長、弧長、面積、每莢豆粒數(shù)、彎曲度、標準色距等表型信息的自動化、標準化采集和批量化快速獲取。測量驗證結(jié)果表明，圖像分析結(jié)果可以達到與實際測量值相當?shù)木_度。在確定最優(yōu)分割數(shù)量的基礎(chǔ)上，用水平分割比較橫截線段長度的方法可以準確獲取每莢豆粒數(shù)。本研究提出利用豆莢中心點連接上下端點形成的夾角作為衡量豆莢彎曲度的指標，對豆莢整體彎曲度的描述更為準確與合理。利用標準顏色參考值計算豆莢標準色距能夠?qū)Χ骨v顏色性狀與育種目標之間的差距進行定量化評價。