摘要：

為實(shí)現(xiàn)十二烷基硫酸鈉（Sodium Dodecyl Sulfate，SDS）沉淀值讀取的自動(dòng)化、智能化，在SDS沉淀值自動(dòng)化測(cè)定搖床上，設(shè)計(jì)一種圖像自動(dòng)識(shí)別沉淀值系統(tǒng)。通過(guò)對(duì)3種圖像處理方法的可行性分析后，選定一種基于標(biāo)簽比對(duì)的圖像識(shí)別方法。該方法包含圖像前處理和體積值轉(zhuǎn)換兩大模塊，主要步驟包括RGB轉(zhuǎn)換成HSV、多通道二值化、提取標(biāo)簽和沉淀值前景，找標(biāo)簽和沉淀值輪廓等。該方法可以同時(shí)處理多個(gè)試管，并給出每個(gè)試管的體積。試驗(yàn)結(jié)果表明，平均識(shí)別準(zhǔn)確率為98.945%。因圖像處理光源固定，相對(duì)于人工讀取示值，不僅提高試驗(yàn)效率，也降低每次讀取示值時(shí)，因視線不同而造成的主觀人為干擾，有效提高準(zhǔn)確性，實(shí)現(xiàn)沉淀值讀取的自動(dòng)化與智能化。

關(guān)鍵詞：小麥；十二烷基硫酸鈉沉淀值；圖像識(shí)別；體積值轉(zhuǎn)換；標(biāo)簽

中圖分類號(hào)：S512.1； TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553 （2024） 04-0149-06

收稿日期：2022年10月22日" 修回日期：2022年12月18日

基金項(xiàng)目：河南省科技攻關(guān)項(xiàng)目（232102110284，232102321022）；河南省高等學(xué)校青年骨干教師培養(yǎng)計(jì)劃（2020GGJS046）

第一作者：王玲，女，1980年生，河南周口人，博士，副教授；研究方向?yàn)闄C(jī)電一體化。E-mail： wangling0351@126.com

通訊作者：田輝，女，1980年生，河南駐馬店人，碩士，教授；研究方向?yàn)楝F(xiàn)代農(nóng)業(yè)裝備。E-mail： th407@126.com

Automatic reading of wheat microprecipitation values based on image processing

Wang Ling1， Zhang Jinxiong2， Tian Hui1， Zhang Zhujun1， Zhao Shuhan1

（1. College of Mechanical and Electrical Engineering， Henan Agricultural University， Zhengzhou， 450053， China;

（2. School of Electrical and Information Engineering， Zhengzhou University， Zhengzhou， 450066， China）

Abstract：

In order to realize the automatic and intelligent reading" of the precipitation value of Sodium Dodecyl Sulfate （SDS）， an automatic image recognition system was designed in a shaking machine for SDS precipitate value automatic determination. After the feasibility analysis of three image processing methods， an image recognition method based on label comparison was selected. This method included two modules such as" image preprocessing and volume value conversion. The main steps included converting RGB to HSV， multi-channel binarization， extracting label and precipitate value foreground， finding label and precipitate value contour， etc. It could process multiple test tubes at the same time and give the volume of each tube. The experimental results showed that the average recognition accuracy was 98.945%. Since the image processing light source was fixed， compared with manual reading of indicator values， it not only improved the experimental efficiency， but also reduced the subjective human interference caused by different lines of sight each time reading indicator values， effectively improved the accuracy and realized the automation and intelligence of reading precipitation values.

Keywords：

wheat; Sodium Dodecyl Sulfate precipitation value; image recognition; volume value conversion; label

0 引言

沉淀值是評(píng)價(jià)和判斷小麥品質(zhì)的一個(gè)重要標(biāo)準(zhǔn)，沉淀值與小麥品質(zhì)的好壞程度密切相關(guān)，是評(píng)價(jià)小麥品質(zhì)的一個(gè)重要指標(biāo)［1］；沉淀值的研究是小麥優(yōu)質(zhì)品種選育的理論基礎(chǔ)。沉淀值的測(cè)定方法有很多種，最常見的測(cè)定品質(zhì)方法為十二烷基硫酸鈉法，又分為常量測(cè)定法和微量測(cè)定法［2］。常量測(cè)定法需要的樣本量大，操作復(fù)雜，不適合大批量的單株檢測(cè)。微量SDS測(cè)定方法具有實(shí)際用量小、測(cè)定速度快、分析時(shí)間短、分析成本低等優(yōu)點(diǎn)，更加適合小麥育種品質(zhì)的分析［3］。

小麥微量SDS沉淀值的讀取，即測(cè)定它的沉淀值體積［4］?？蒲腥藛T測(cè)量微量SDS沉淀值，是在實(shí)驗(yàn)室的條件下，按照相應(yīng)的試驗(yàn)步驟進(jìn)行科學(xué)精準(zhǔn)的實(shí)驗(yàn)操作，然后會(huì)在試管中得到具有明顯分層的2層不同顏色的溶液試劑，溶液試劑主要依靠人的肉眼讀取試管的刻度值，然后記錄數(shù)據(jù)［5］。由于樣本的制作需要等待比較長(zhǎng)的時(shí)間，且需要搖晃，在此之后需要靜置一定的時(shí)間才能進(jìn)行讀數(shù)操作。由于測(cè)試樣本量大，試驗(yàn)步驟繁瑣，占用科研人員大量的時(shí)間、精力。因此研發(fā)SDS沉淀值試驗(yàn)設(shè)備，能夠自動(dòng)讀取SDS沉淀值，幫助提高試驗(yàn)效率，降低科研人員的勞動(dòng)強(qiáng)度。

河南農(nóng)業(yè)大學(xué)唐建衛(wèi)等［6］制作了SDS沉淀值測(cè)定用搖床，用這個(gè)裝置代替人工搖勻，提高了試驗(yàn)效率，實(shí)現(xiàn)了快速、低成本測(cè)定大批量育種世代單株材料。新疆農(nóng)墾科學(xué)院姬勇等［7］也研發(fā)了沉淀值測(cè)定裝置及沉淀值測(cè)定方法，但均沒有實(shí)現(xiàn)沉淀值的自動(dòng)讀取。

為實(shí)現(xiàn)SDS沉淀值的自動(dòng)讀取和記錄數(shù)值，本文通過(guò)數(shù)字圖像處理技術(shù)的應(yīng)用，克服傳統(tǒng)人工檢測(cè)讀取的低效性，提高微量SDS沉淀值檢測(cè)讀取效率和智能化水平，提高識(shí)別的準(zhǔn)確度。配合搖床可以一次性處理多個(gè)試管試劑，提高SDS沉淀值的制取和檢測(cè)效率。

1 圖像采集方案的選擇和系統(tǒng)搭建

1.1 圖像處理方案選擇

方案一：找試管上刻度線的方法。通過(guò)找到試管上面的刻度線，單獨(dú)提取出來(lái)線條，然后對(duì)試管的刻度線進(jìn)行擬合。下一步，同樣的進(jìn)行前景提取，單獨(dú)識(shí)別試管中的沉淀，得到沉淀最上方的坐標(biāo)，然后和擬定好的刻度線進(jìn)行對(duì)比，從而得到最后沉淀值的體積［8］。這就需要事先卡好攝像頭到試管的距離，將每一根線條的距離精確到像素點(diǎn)級(jí)別，此方法需要使用高精度，功能比較強(qiáng)大的攝像頭。對(duì)于相機(jī)的畸變，需使用黑白象棋格子紙張進(jìn)行矯正。由于試管上的刻度線有斷續(xù)粗細(xì)不平，導(dǎo)致它給人的直觀感覺不是很清楚透亮。同時(shí)由于長(zhǎng)期使用的原因，試管刻度線均有一定程度的磨損，這些原因均導(dǎo)致使用肉眼觀察時(shí)存在著一定困難。綜上所言，摒棄方案一。

方案二：找試管上數(shù)字的方法。首先得到數(shù)字的模板，然后對(duì)圖像中的數(shù)字進(jìn)行模板匹配，找到相應(yīng)的數(shù)字，數(shù)字之間等畫10份，之后前景提取出來(lái)沉淀，將沉淀的坐標(biāo)和刻度線進(jìn)行比對(duì)。現(xiàn)實(shí)生活中，試管是立體的，數(shù)字是在一個(gè)弧面上，并不是在一個(gè)水平面中，所以人從不同的角度看試管上面的數(shù)字都是不一樣的，所以說(shuō)只有一套模板是不行的。如果使用一套模板，匹配不到數(shù)字的概率會(huì)很大，導(dǎo)致后面的處理沒有任何意義和價(jià)值。因此需要大量的模板，算法也比較復(fù)雜，同樣的摒棄了方案二。

方案三：通過(guò)貼一個(gè)矩形標(biāo)簽，讓這個(gè)矩形標(biāo)簽占刻度線的固定的幾個(gè)格子，比如固定的占2 mL。接著通過(guò)圖像處理的手段和方法，將事先粘貼的矩形標(biāo)簽及試驗(yàn)過(guò)后的沉淀提取出來(lái)，在圖像中計(jì)算矩形標(biāo)簽上面的直線距離、沉淀的距離，還有標(biāo)簽占到圖像的距離。根據(jù)數(shù)學(xué)函數(shù)表達(dá)式，最終轉(zhuǎn)化成現(xiàn)實(shí)世界當(dāng)中的尺度，計(jì)算出來(lái)刻度值。由于標(biāo)簽比較容易批量制作，定制起來(lái)成本不高，所以本文采用方案三進(jìn)行圖像處理。

1.2 帶標(biāo)簽試管的準(zhǔn)備

帶標(biāo)簽試管是指將10 mL試管的8～10 mL刻度值區(qū)域用淺藍(lán)色的標(biāo)簽覆蓋。如圖1所示。

1.3 簡(jiǎn)單視覺系統(tǒng)搭建

攝像頭根據(jù)芯片的類型可以分為CMOS相機(jī)和CCD相機(jī)。由于該方案對(duì)攝像頭要求不高，因此本方法采用普通的CMOS攝像頭，焦距是6 mm，無(wú)畸變，免驅(qū)動(dòng)［9］。將攝像頭用螺絲固定在一側(cè)，讓其位于中間位置，固定支架位于板子另一側(cè)正中間偏上的位置。攝像頭的垂直視場(chǎng)角大約為57°，由式（1）可確定能觀察到的最大高度差。

q=2×arctanh2f

（1）

式中：

q——垂直視場(chǎng)角；

f——焦距，mm；

h——能觀察到的最大高度差，cm。

當(dāng)試管的一部分占到畫面一半高度或者占的更小時(shí)，假設(shè)這一部分為10 cm，那么此時(shí)攝像頭距離試管的距離大于18.50 cm。焦距逐漸變長(zhǎng)，視場(chǎng)角就會(huì)逐漸變小，那么當(dāng)被檢測(cè)的物體移動(dòng)很小的范圍時(shí)，對(duì)于檢測(cè)的效果影響都不會(huì)很大。相對(duì)距離為25 cm，可見這個(gè)距離能夠滿足所預(yù)期的要求。

攝像頭鏡頭的正中央對(duì)準(zhǔn)沉淀部分和標(biāo)簽的中間，同時(shí)在攝像頭下方補(bǔ)充光源，選用LED光條作為光源。示意圖如圖2所示。

2 圖像處理識(shí)別

圖像處理識(shí)別分為兩部分，第一部分是圖像前處理，第二部分是函數(shù)關(guān)系推導(dǎo)轉(zhuǎn)換［10］。圖像處理識(shí)別流程如圖3所示。

2.1 圖像前處理

首先使用RGB圖像濾波，進(jìn)而轉(zhuǎn)化成HSV圖像，使用HSV閾值分割，按照事先調(diào)整好的閾值進(jìn)行多通道區(qū)域二值化，按位與提取出來(lái)前景圖片（此時(shí)的前景圖片是彩色圖像，也就是RGB格式的圖像，其余部分為全黑）［11］。由于不確定試管在圖像中的位置，并不可能每次都是相同的位置，所以這部分的操作就是對(duì)ROI的提取。其次將提取后的前景圖像轉(zhuǎn)化成灰度圖，得到灰度圖后再進(jìn)行二值化，便得到了二值化后的圖像。隨后進(jìn)行下一步找輪廓操作，通過(guò)面積，長(zhǎng)寬比等篩選方法濾除不需要的輪廓。最后計(jì)算最小外接矩形，得到矩形的四個(gè)頂點(diǎn)的坐標(biāo)［12］。兩次進(jìn)行上述操作，可以得到標(biāo)簽、最下方沉淀的最小外接矩形以及4個(gè)頂點(diǎn)的坐標(biāo)。

2.2 識(shí)別算法實(shí)現(xiàn)

最開始設(shè)定標(biāo)簽的位置位于卡住試管的8～10 mL處，標(biāo)簽的顏色介于藍(lán)色和青色之間。

定義標(biāo)簽上邊緣的高度為Y1，下邊緣高度為Y2，標(biāo)簽在圖像豎直方向的高度差定義為H1。沉淀值的體積為V，沉淀的最頂端的高度為Y3，那么Y1減去Y3就是在計(jì)算機(jī)的數(shù)字圖像中液面到標(biāo)簽的上邊緣的差值。則可計(jì)算出標(biāo)簽上邊緣到液面最上方（沉淀值的最頂端部分）占的毫升值。沉淀體積計(jì)算公式如式（2）、式（3）所示。

V=10-Y3-Y1H1×2

（2）

V=8-Y3-Y2H1×2

（3）

3 試驗(yàn)結(jié)果與分析

3.1 圖像處理結(jié)果

攝像頭截取的試管的RGB圖像如圖4（a）所示，將攝像頭獲取的最原始的RGB圖像進(jìn)行高斯濾波［13］。采取的高斯核大小是5×5，即高斯矩陣的長(zhǎng)和寬都是5，標(biāo)準(zhǔn)差為0，濾波后的圖像如圖4（b）所示。然后將濾波后的圖像轉(zhuǎn)化成HSV格式的圖像，HSV格式的圖像如圖4（c）所示。

為了得到標(biāo)簽，設(shè)定雙閾值對(duì)HSV圖像進(jìn)行處理，也就是有高低的界限［14］。接下來(lái)進(jìn)行按位與操作，通過(guò)與原圖的按位與操作后得到的效果如圖5所示，圖5（a）除了沉淀區(qū)域?yàn)椴噬珗D，其余部分均為黑色，也就是這部分的RGB值都是0。圖5（b）除了標(biāo)簽區(qū)域保持了原來(lái)的色彩，其余部分均為黑。

此時(shí)再對(duì)按位與后的標(biāo)簽前景圖進(jìn)行灰度圖轉(zhuǎn)化，將標(biāo)簽的灰度圖進(jìn)行二值化操作［15］。處理過(guò)后，觀察到經(jīng)過(guò)二值化操作后的標(biāo)簽周圍幾乎沒有雜質(zhì)，但是會(huì)有噪聲點(diǎn)出現(xiàn)，接下來(lái)使用形態(tài)學(xué)操作處理。首先使用開運(yùn)算進(jìn)行處理操作，這樣會(huì)消除或者減小殘?jiān)挠绊懀颂幉捎镁匦谓Y(jié)構(gòu)的1×1的卷積核進(jìn)行開運(yùn)算處理。選取如此微弱的處理，是為了簡(jiǎn)單濾除雜質(zhì)，消除可能粘連的部分。通過(guò)觀察簡(jiǎn)單開運(yùn)算處理后的標(biāo)簽，發(fā)現(xiàn)它并不是那么規(guī)整，接下來(lái)使用閉運(yùn)算對(duì)開運(yùn)算后的標(biāo)簽處理，使其更加平滑。此處使用3×3矩形結(jié)構(gòu)的核進(jìn)行閉運(yùn)算處理，圖6為經(jīng)過(guò)4次閉運(yùn)算處理后的標(biāo)簽。

遍歷所有的輪廓通過(guò)面積篩選，處理掉可能還會(huì)存在的干擾輪廓，最終得到標(biāo)簽的輪廓［16］。通過(guò)得到標(biāo)簽的最小外接矩形，可以得到標(biāo)簽的最小外接矩形的4個(gè)頂點(diǎn)，就可以通過(guò)頂點(diǎn)的坐標(biāo)，畫出標(biāo)簽的上下部分。如圖7所示，使用紅色線條畫出來(lái)標(biāo)簽的上部分和下部分。

為了得到沉淀，同樣地設(shè)定雙閾值對(duì)HSV圖像進(jìn)行處理，進(jìn)而進(jìn)行按位與操作。目標(biāo)區(qū)域?yàn)椴噬珗D，其余部分均為黑，也就是這部分的RGB值均為0［17］。此時(shí)再進(jìn)行灰度圖轉(zhuǎn)化，將按位與操作后得到的沉淀圖轉(zhuǎn)化為灰度圖，圖8為經(jīng)過(guò)灰度處理的效果。

將灰度圖進(jìn)行二值化操作，接下來(lái)進(jìn)行2次開運(yùn)算操作，這樣就能夠?yàn)V去無(wú)用的小點(diǎn)。由于沉淀和沉淀上方的液體之間的分界面并不光滑，會(huì)有一些雜碎的顆粒在兩者之間，這部分如果不處理，會(huì)導(dǎo)致識(shí)別出來(lái)的分層線位置有比較大的偏差，而開運(yùn)算操作就很好地解決了這個(gè)問題。然而開運(yùn)算過(guò)后的圖像并不規(guī)整。為了讓圖像更精確，使用閉運(yùn)算填補(bǔ)可能出現(xiàn)的空洞，最后再次使用開運(yùn)算去除噪點(diǎn)和尖銳的刺狀圖像部分。根據(jù)實(shí)際情況，第一次開運(yùn)算采用1×1的矩形結(jié)構(gòu)卷積核，接下來(lái)的閉運(yùn)算和開運(yùn)算采用矩形結(jié)構(gòu)的3×3卷積核進(jìn)行形態(tài)學(xué)處理［18］。經(jīng)過(guò)處理的結(jié)果如圖9所示。

對(duì)提取出來(lái)的輪廓進(jìn)行處理，得到它的最小外接矩形，通過(guò)矩形的長(zhǎng)和寬可以確定4個(gè)頂點(diǎn)的坐標(biāo)。通過(guò)這些點(diǎn)在沉淀的上部分畫線，就得到沉淀和上方液體的分層，如圖10所示。

上述操作已經(jīng)對(duì)標(biāo)簽的上下部分和分層線進(jìn)行了精準(zhǔn)的定位。圖11為標(biāo)簽和分層在圖像中的分布，本次試驗(yàn)使用了條框選住它們。

3.2 試驗(yàn)分析

通過(guò)代入計(jì)算公式，可以得到兩部分的體積。本次試驗(yàn)分別用標(biāo)簽上下部分進(jìn)行計(jì)算，為了減少誤差，最后取平均值。

通過(guò)運(yùn)行程序并且四舍五入，得到沉淀的體積為4.0 mL，通過(guò)觀察原圖，實(shí)際的沉淀體積為3.9～4.0 mL之間，誤差小于3%。

3.3 多個(gè)試管處理

選擇其中部分試管，經(jīng)過(guò)圖像處理后的沉淀與溶液的分層線定位效果如圖12所示。

通過(guò)觀察上述結(jié)果，發(fā)現(xiàn)不論是一個(gè)還是多個(gè)試管沉淀值和溶液的分層，定位效果幾乎和實(shí)際相吻合。圖12采用的是USB網(wǎng)絡(luò)攝像頭在寫字燈光源下截取的圖像，接下來(lái)探索，在實(shí)驗(yàn)室的冷光源照射情況下，使用紅米K40的主攝鏡頭所拍攝的圖片，并且調(diào)節(jié)圖像為640像素×480像素。通過(guò)調(diào)整HSV的值，調(diào)整H在0～54，S在40～135，V在45～162。原圖和得到的分層對(duì)比情況如圖13所示。

標(biāo)簽部分經(jīng)過(guò)圖像處理后穩(wěn)定，周圍不會(huì)出現(xiàn)太多的雜質(zhì)，它非常適合作為識(shí)別試管的個(gè)數(shù)。通過(guò)計(jì)算有多少標(biāo)簽，就能夠計(jì)算出來(lái)有多少個(gè)試管。通過(guò)識(shí)別試管的個(gè)數(shù)，然后再對(duì)試管的沉淀值進(jìn)行計(jì)算，計(jì)算的結(jié)果在試管的下方進(jìn)行顯示。圖14為計(jì)算的沉淀值的體積及識(shí)別到的試管的個(gè)數(shù)。

將圖像識(shí)別的沉淀值體積和人工識(shí)別真實(shí)數(shù)值進(jìn)行比較，見表1，其中人工識(shí)別液面體積，采用凹液面相切讀數(shù)，最后一位為估讀，讀三次求平均，作為真實(shí)值。

識(shí)別準(zhǔn)確率=1-圖像識(shí)別值-真實(shí)值真實(shí)值

從表1可以看出，試管個(gè)數(shù)識(shí)別準(zhǔn)確率為100%，體積識(shí)別準(zhǔn)確率平均為98.945%，主要原因是凹液面在自然光源下定位有誤差，后續(xù)將考慮如何動(dòng)態(tài)調(diào)整光源位置。

4 結(jié)論

沉淀值是評(píng)價(jià)和判斷小麥品質(zhì)的一個(gè)重要標(biāo)準(zhǔn)，而沉淀值的測(cè)定與研究是小麥優(yōu)質(zhì)品種選育的理論基礎(chǔ)，本文對(duì)基于圖像處理的小麥微量沉淀值自動(dòng)讀取示值的方法進(jìn)行探討與研究。

1）" 本文提出一種自主識(shí)別SDS沉淀值的方法。首先通過(guò)比較三種沉淀值識(shí)別方法的可行性，選定一種適合現(xiàn)場(chǎng)應(yīng)用，對(duì)環(huán)境要求不嚴(yán)格，且識(shí)別準(zhǔn)確率高的方法。通過(guò)對(duì)圖片進(jìn)行預(yù)處理，先提取出標(biāo)簽和沉淀目標(biāo)輪廓，即找出最小外接矩形頂點(diǎn)，進(jìn)而轉(zhuǎn)化為SDS沉淀值的體積。

2）" 本方法可以同時(shí)識(shí)別試管個(gè)數(shù)及每個(gè)試管的沉淀值體積，并驗(yàn)證在自然背景下的識(shí)別效果，通過(guò)實(shí)驗(yàn)證明識(shí)別準(zhǔn)確率平均為98.945%。

3）" 鑒于SDS沉淀值搖床裝置是在不穩(wěn)定光照的條件下進(jìn)行，所以不能在搖晃裝置上讀取，只有當(dāng)搖床穩(wěn)定后才能進(jìn)行讀取操作，且可以直接進(jìn)行記錄。通過(guò)搖床和示值讀取裝置的配合，可以實(shí)現(xiàn)數(shù)據(jù)讀取的自動(dòng)化與智能化。

參 考 文 獻(xiàn)

［1］ 周濟(jì)銘， 杜璨， 馮帆， 等. 沉淀值在小麥品質(zhì)育種上的應(yīng)用研究［J］. 西北農(nóng)業(yè)學(xué)報(bào)， 2019， 28（8）： 1211-1218.

Zhou Jiming， Du Can， FengFan， et al. Application of sedimentation value in wheat quality breeding ［J］. Acta Agriculturae Boreali-occidentalis Sinica， 2019， 28（8）： 1211-1218.

［2］ 馬斯霜， 白海波， 惠建， 等. 小麥主要品質(zhì)性狀研究進(jìn)展［J］.中國(guó)農(nóng)學(xué)通報(bào)， 2021， 37（24）： 1-5.

Ma Sishuang， Bai Haibo， Hui Jian， et al. Main quality characters of wheat： A review ［J］. Chinese Agricultural Science Bulletin， 2021， 37（24）： 1-5.

［3］ Fei J， Chen X， Peng X， et al. Study on extraction of anthocyanin from pericarp waste by SDS precipitation ［C］. IOP Conference Series： Earth and Environmental Science. IOP Publishing， 2020， 615（1）： 012103.

［4］ 劉愛峰， 程敦公， 李豪勝， 等. 全粉SDS沉淀值評(píng)價(jià)小麥育種高代材料品質(zhì)的研究［J］. 山東農(nóng)業(yè)科學(xué)， 2014， 46（12）： 14-17.

Liu Aifeng， Cheng Dungong， Li Haosheng， et al. Study on quality evaluation of advanced wheat lines using SDS sedimentation value of whole meal ［J］. Shandong Agricultural Sciences， 2014， 46（12）： 14-17.

［5］ 李曼， 張曉， 劉大同， 等. 弱筋小麥品質(zhì)評(píng)價(jià)指標(biāo)研究［J］. 核農(nóng)學(xué)報(bào)， 2021， 35（9）： 1979-1986.

Li Man， Zhang Xiao， Liu Datong， et al. Research on quality evaluation indices of weak gluten wheat ［J］. Journal of Nuclear Agricultural Sciences， 2021， 35（9）： 1979-1986.

［6］ 唐建衛(wèi)， 高艷， 殷貴鴻. 一種小麥微量SDS沉淀值測(cè)定用搖床［P］. 中國(guó)專利： CN210690199U， 2020-06-05.

［7］ 姬勇， 羅瑞峰， 桑偉， 等. 沉淀值測(cè)定裝置及沉淀值測(cè)定方法［P］. 中國(guó)專利： CN111157411A， 2020-05-15.

［8］ Raju Y D S， Reddy D K. Interactive natural image segmentation and foreground extraction ［J］. International Journal of Engineering amp; Technology， 2018， 7（3）： 70-72.

［9］ 侯雨石， 何玉青. 數(shù)碼相機(jī)CMOS圖像傳感器的特性參數(shù)與選擇［J］. 光學(xué)技術(shù)， 2003（2）： 174-176.

Hou Yushi， He Yuqing. Specific parameters and selection of CMOS image sensor for DSC designing ［J］. Optical Technique， 2003（2）： 174-176.

［10］ Klblin P， Bartler A， Füller M. Image preprocessing for outdoor luminescence inspection of large photovoltaic parks ［J］. Energies， 2021， 14（9）： 2508.

［11］ 汪杰， 陳曼龍， 李奎， 等. 基于HSV與形狀特征融合的花椒圖像識(shí)別［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（10）： 180-185.

Wang Jie， Chen Manlong， Li Kui， et al. Prickly ash image recognition based on HSV and shape feature fusion ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（10）： 180-185.

［12］ 黃超， 茅健， 徐斌， 等. 基于最小外接矩形和Hough變換的定位算法［J］. 組合機(jī)床與自動(dòng)化加工技術(shù)， 2021（8）： 66-71.

Huang Chao， Mao Jian， Xu Bin， et al. Location algorithm based on minimum enclosing rectangle and Hough transform ［J］. Modular Machine Tool amp; Automatic Manufacturing Technique， 2021（8）： 66-71.

［13］ 覃德波， 陳天宇， 余正偉， 等. 基于圖像增強(qiáng)的生球粒度識(shí)別方法研究［J］. 燒結(jié)球團(tuán)， 2021， 46（6）： 82-88.

Qin Debo， Chen Tianyu， Yu Zhengwei， et al. Research on recognition method of fresh pellets particle size based on image enhancement ［J］. Sintering and Pelletizing， 2021， 46（6）： 82-88.

［14］ Rahimi W N S， Ali M S A M. Ananas comosus crown image thresholding and crop counting using a colour space transformation scheme ［J］. Telkomnika （Telecommunication Computing Electronics and Control）， 2020， 18（5）： 2472-2479.

［15］ Lei H， Cheng J， Xu Q. Cement pavement surface crack detection based on image processing ［J］. Mechanical Engineering Science， 2019， 1（1）.

［16］ 王崔. 圖像對(duì)象輪廓提取的算法研究與實(shí)現(xiàn)［D］. 北京： 北京印刷學(xué)院， 2015.

Wang Cui. Research and implementation on algorithm of image object contour extraction ［D］. Beijing： Beijing Institute of Graphic Communication， 2015.

［17］ Gong J， Chen T， Zhang Y. Complex lane detection based on dynamic constraint of the double threshold ［J］. Multimedia Tools and Applications， 2021， 80（18）： 27095-27113.

［18］ 秦志新. 計(jì)算機(jī)技術(shù)在圖像形態(tài)學(xué)處理中的應(yīng)用探討［J］. 普洱學(xué)院學(xué)報(bào)， 2019， 35（6）： 24-26.

Qin Zhixin. A Probe into the application of computer technology in processing image morphology ［J］. Journal of Pu’er University， 2019， 35（6）： 24-26.