基于小麥群體圖像的田間麥穗計數及產量預測方法

李毅念，杜世偉，姚 敏，易應武，楊建峰，丁啟朔，何瑞銀

?

基于小麥群體圖像的田間麥穗計數及產量預測方法

李毅念，杜世偉，姚 敏，易應武，楊建峰，丁啟朔，何瑞銀

（南京農業大學工學院，南京 210031）

在田間小麥測產時，需人工獲取田間單位面積內的麥穗數和穗粒數，耗時耗力。為了快速測量小麥田間單位面積內的產量，該文利用特定裝置以田間麥穗傾斜的方式獲取田間麥穗群體圖像，通過轉換圖像顏色空間RGB→HSI，提取飽和度S分量圖像，然后把飽和度S分量圖像轉換成二值圖像，再經細窄部位粘連去除算法進行初步分割，再由邊界和區域的特征參數判斷出粘連的麥穗圖像，并利用基于凹點檢測匹配連線的方法實現粘連麥穗的分割，進而識別出圖像中的麥穗數量；通過計算圖像中每個麥穗的面積像素點數并由預測公式得到每個麥穗的籽粒數，進而計算出每幅圖像上所有麥穗的預測籽粒數，然后計算出0.25 m2區域內對應的4幅圖像上的預測籽粒數；同時根據籽粒千粒質量數據，計算得到該區域內的產量信息。該文在識別3個品種田間麥穗單幅圖像中麥穗數量的平均識別精度為91.63%，籽粒數的平均預測精度為90.73%；對3個品種0.25 m2區域的小麥麥穗數量、總籽粒數及產量預測的平均精度為93.83%、93.43%、93.49%。運用該文方法可以實現小麥田間單位面積內的產量信息自動測量。

農作物；算法；圖像分割；小麥；麥穗群體圖像；單位面積麥穗數；籽粒數；產量預測

0 引 言

為保證國家糧食安全、制定合理的糧食價格及宏觀調控政策，需要及時、準確地預測、估算農作物的預期產量[1]。在田間小麥測產過程中，現有估產方法首先要獲得單位面積內的麥穗數和穗粒數信息，然后根據籽粒的千粒質量計算得到小麥的產量[2]。然而目前單位面積內的麥穗數和穗粒數信息的獲取往往通過人工計數來完成，耗時耗力。

近年來，隨著圖像處理技術在農業領域各方面研究的不斷深入和發展，涌現出了許多基于圖像處理技術來改善傳統農業操作方法的報道。在水稻測產方面，龔紅菊[3]利用自制計算機視覺系統，拍攝成熟期水稻群體圖像，應用分形理論分析水稻群體圖像的分形特征，最后建立水稻單位面積產量模型，模型精度為92.57%。Reza等[4]基于圖像處理方法利用所搭建的無人機平臺獲取田間水稻的秧苗圖像，通過圖像算法對圖像中的水稻植株進行計數，其識別精度在89%到93%之間。

目前對于小麥田間產量預測，主要是基于機器視覺的方法用于群體特性研究。Cointault等[5]設計了田間自動行走機器人來獲取小麥單位面積內圖像，然后通過提取圖像顏色和紋理特征的方法僅僅識別出小麥穗數量信息。Zhu等[6]為了實時獲取抽穗期田間小麥生長信息情況利用田間監控攝像頭獲取圖像識別出指定范圍內的麥穗數量。Fernandez-Gallego等[7]基于圖像處理技術，通過濾波和尋找最大值的方法來檢測計數所采集田間麥穗圖像中的麥穗數，其算法識別精度達到了90%，并未對田間小麥的產量信息做進一步研究。Li等[8]提出利用麥穗植株圖像中穗頭的顏色和紋理等特征參數并結合神經網絡來檢測小麥穗頭，其檢測正確率在80%左右，但是該研究是在基于實驗室環境下所培養的盆栽小麥上進行的，并未應用到實際田間測產中。杜世偉等[9]利用拋物線分割單株小麥穗部各小穗的方法獲取穗部小穗數及籽粒數，其精度分別為97.01%、94.38%，只是對單株麥穗穗部信息做了深入研究，并未涉及田間麥穗群體圖像的產量預測。劉濤等[10]提出了一種利用圖像分析技術實現田間麥穗快速計數的方法，通過對撒播和條播各35幅樣本圖像進行計數試驗，準確率分別為95.77%和96.89%；范夢揚等[11]在已有研究的基礎上采用支持向量機學習的方法，精確提取小麥麥穗輪廓，同時構建麥穗特征數據庫，來對麥穗進行計數，平均識別精度高于93%，均未對田間單位平方米內的小麥籽粒及產量信息進行研究。

綜上可知，對于小麥田間測產研究方面，只是通過圖像分析的方法對單位面積內麥穗進行計數，鮮有通過田間小麥群體圖像直接獲取小麥單位面積內籽粒及產量信息的相關研究報道。因此，本文基于圖像處理技術，以田間小麥群體圖像為研究對象，利用凹點檢測匹配分割算法及提取穗頭面積像素數的方法，對圖像中的麥穗數和籽粒數進行識別預測，根據籽粒千粒質量計算得到田間小麥單位面積內的產量信息，以期實現田間小麥單位面積內產量的自動測量。

1 材料與方法

1.1 圖像采集

田間圖像拍攝地點為南京市浦口區江浦農場大田正常條播小麥地塊，圖像采集時間為2017年5月22日— 5月29日15:00到傍晚時段，品種分別為“蘇科麥1號”、“蘇麥188號”、“揚麥22號”，所取圖像樣本數量分別為64、60、60幅。圖像采集時，如圖1a所示，將1個正四棱臺殼體（上底面邊長為0.5 m，下底面邊長為1 m）的上下2個正方形底面去除，倒扣在田間麥穗上（為增加裝置穩定性，分別在倒扣的正四棱臺殼體上底面4個角下方固定4個支腿，支腿高度為0.5 m）；然后正四棱臺中間用1個正四棱錐殼體（底面邊長為0.5 m，棱錐高為0.5 m）從麥穗上方垂直放下，其作用是將0.5 m×0.5 m區域內的麥穗分到正四棱臺的4個方向的4個內側面上；然后在正四棱錐殼體底面中央安裝旋轉底座，旋轉底座上安裝固定支架，用來固定相機；最后用照相機鏡頭以固定距離（本文以能夠看到所拍攝內側面上所有的麥穗時的距離=0.6 m）垂直于4個內側面分別采集圖像，相機型號為Canon EOS 80D，圖像分辨率為6 000×3 368像素，圖像格式為JPG。相機拍攝視場大小為0.75 m×0.42 m，圖像背景顏色為白色。試驗中采集到的圖像如圖1b所示。

1. 相機 2. 固定支架 3. 正四棱錐殼體 4. 正四棱臺下底 5. 正四棱臺內側面 6. 旋轉底座 7. 正四棱臺上底

1.2 圖像處理算法流程

麥穗圖像采集后，首先經過圖像顏色空間轉換提取飽和度分量圖像，然后進一步通過圖像預處理、去除細窄處粘連、凹點檢測匹配分割等算法處理，實現圖像中麥穗分割計數，以及籽粒數、產量預測。算法流程圖如圖2所示。

1.3 圖像預處理

為了降低原圖像受外界亮度不均的干擾[12]，本文首先將采集的圖像由RGB顏色空間向HSI顏色空間轉換；然后提取S分量（即飽和度分量）圖像，如圖3a所示。再對S分量圖像進行二值化、形態學開運算、去除小面積得到二值圖像，如圖3b所示。再對二值圖像進行線性平滑濾波[13-14]，如圖3c所示。

圖2 田間麥穗圖像處理算法流程圖

圖3 小麥群體圖像預處理

1.4 去除細窄處粘連

為便于麥穗分割，需去除圖3c中各連通域內細窄粘連部位，具體實施思路如下：

1）首先，對圖3c二值圖像進行連通區域標記，并依次讀取每個連通域。為減小運算量，提高計算效率，需對每個連通域按最小矩形剪切，如圖4a所示。

2）獲取目標區域邊界（包含外邊界和內邊界）坐標。為了簡化后續算法計算量，在不影響計算精度的情況下，本文將各邊界坐標長度簡化縮短5倍，即從第1個坐標點開始每隔4個點取1個坐標值，得到的目標區域邊界圖像如圖4b所示。

3）所有邊界各點坐標依次求相互距離。通過設定閾值1（根據細窄粘連部位一般寬度設定，1=45），篩選出距離小于閾值1的點對的坐標。其中，各點求相互距離利用的歐幾里得距離公式如下[15]

式中1與2分別為邊界上2點的橫坐標；1與2分別為邊界上2點的縱坐標。

4）判斷符合距離條件的點對是否在同1個邊界上，若否，則這2個點直接相連并使2點連線之間的坐標位置處置0，實現連線分割；若是，則進一步判斷該點對在該邊界上的序數距離是否大于1個指定閾值2（根據小麥穗頭端部寬度確定，2=55）：如果大于2，則2個點直接相連并使2點連線之間的坐標位置處置0，實現連線分割；如果小于2，則這個點對不是所需要連線分割的點對，應舍去。經過距離判斷后篩選出的需要連線分割的點對坐標分布如圖4c所示。

5）經過上述過程可實現同1個連通域內目標圖像的細窄部位連線分割，然后再通過去除小面積等算法得到初步分割圖，如圖4d所示。最后依次對每個連通域進行上述算法流程處理。

1.5 粘連麥穗識別判斷

1.5.1 邊界特性參數提取

1）邊界長度，即區域輪廓的周長[16]。本文選擇4連通域情況下，首先獲得單個連通域外邊界，然后統計輪廓邊界上像素點的個數，記作。

2）邊界點角度，即輪廓邊界上各點分別與其前后績點所組成向量之間的夾角。前績點和后績點分別表示邊界上一點沿邊界向前或向后取一定距離像素點處的點[17]。

1.5.2 區域特性參數提取

1）區域面積，即邊界所包圍的區域輪廓的大小[18]。本文計算區域面積就是對屬于區域的像素進行計數，記作1。

2）形狀因子，即區域周長的平方與面積1的比：1=2/1。形狀因子在一定程度上描述了區域的緊湊型，有時也稱為致密度或分散度[18]。

3）凸閉包面積占空比，即指1個連通域內的面積1與該連通域凸殼面積0的比值，即：=1/0。凸殼定義為對于任何1個子集（如1個連通域），有1個最小的包含的凸集，即所有包含的凸集的交集，稱其為的凸殼[19]。連通域的凹域定義為連通域的凸殼減去該連通域剩下的部分，其面積為：2=0–1。

圖4 去除細窄處粘連

1.5.3 多特征參數綜合識別

由圖5a可見，由于麥穗與麥穗粘連的形態多種多樣，所以只通過連通域的1個特征參數無法較準確地判斷該連通域是否粘連。因此，本文通過提取多個特征參數來綜合判斷圖像中每個連通域內的組成情況。對于麥穗的邊界，由圖5a可以觀察到，其邊界一般比較粗糙曲折，邊界點的角度就復雜多樣，但是其角度值一般要小，而對于連通域內的莖桿部分，其邊界比較光滑筆直，邊界點的角度也比較均勻集中，值主要分布在170°～180°之間。所以對于莖稈來說，其邊界點的角度值在170°～180°之間的點數量占邊界點總數的比率170o–180o要大于麥穗的邊界情況，本文根據每個品種小麥穗圖像中莖稈和穗的實際統計情況確定選擇170o–180o=0.35。對同1個品種相同處理條件下的小麥圖像中的各連通域，若是單個穗，其邊界長度要比粘連的情況小（本文通過統計比較單個穗和粘連穗的邊界長度選擇0=2 000）；同理，粘連穗的面積像素數要比單個穗的大（本文通過統計比較單個穗和粘連穗的面積像素數選擇0=70 000）。粘連穗形狀比單個穗要復雜，所以，粘連穗形狀因子要高于單個穗（本文通過統計比較單個穗和粘連穗的形狀因子，選擇0=40）。單個穗的凸閉包更接近麥穗的形狀，而粘連穗由于多個麥穗連接會增大凹域的面積，從而降低凸閉包面積占空比的值，使其低于單個麥穗的凸閉包面積占空比的值。本文通過統計比較單個穗和粘連穗的凸閉包面積占空比的值，選擇0=0.75。經過閾值法對各連通域進行識別判斷，得到分類結果圖像見圖5b～圖5d。

圖5 識別分類后圖像

1.6 凹點檢測匹配分割

基于凹點檢測的方法主要利用粘連目標邊界輪廓上的特征信息來尋找目標邊界上合適的凹點作為分割點，然后根據某種配對規則對分割點進行配對，最后連接分割點即可將粘連在一起的目標物體分離成單個不粘連的目標物體[20-22]。當有2個及以上的目標個體相互粘連在一起時，在粘連處會形成凹形區域（稱作凹域），凹曲程度最大的點則為要尋找的待分割點[23]。

1.6.1 粘連麥穗圖像邊緣平滑

由于得到的目標圖像中粘連麥穗輪廓邊界存在微小的凹凸不規則處，會對選擇準確的凹點產生干擾，所以，在凹點提取之前要對粘連麥穗圖像邊緣進行平滑。本文借鑒文獻[22]中求目標區域凹域的方法，采用多次平滑目標圖像的凹域，然后利用凸包圖像減去平滑后的凹域圖像，得到平滑后的粘連目標圖像見圖6。

1.6.2 凹點提取

本文在凹點提取時先利用夾角法初選出部分待選凹點，再利用面積法確定出最終的合適凹點，綜合2種方法的優勢，使凹點提取過程準確快速。具體算法過程如下：

圖6 粘連麥穗圖像邊緣平滑

2）由圖7c可知，已經初選出來的部分凹點中仍然存在少數多余的凹點，故本文又采用面積法來篩選出最佳的凹點。如圖7d所示，對已經初選出的凹點，在其位置處作指定半徑的圓，該圓被目標輪廓邊界劃分為兩部分，一部分在邊界內部而另一部分在邊界外部。通過統計每個待選凹點處落在邊界內部的部分圓的像素數，然后設定閾值，來優選出最終所需要的凹點。面積法的優點是凹點處凹角越小，落在邊界內部的圓的面積越大，反之，凹點處凹角越大，面積越小。篩選出的凹點如圖7e所示，圖中仍然存在多余的凹點，可以通過設定距離閾值剔除，最終篩選出的凹點如圖7f所示。

3）上述凹點提取的過程主要針對的是粘連目標只有外邊界的情況，但在實際圖像處理試驗過程中，還存在極少數的粘連目標圖像具有內邊界的情況。這就需要首先判斷粘連目標圖像是否存在內邊界，如果不存在內邊界，則按照上述過程只對外邊界提取凹點處理；如果存在內邊界，則采用對外邊界提取凹點，而內邊界提取凸點的方法進行處理。

注：圖7a.中V表示凹點處向量積的方向垂直紙面向里，?表示凸點處向量積的方向垂直紙面向外。

1.6.3 凹點匹配分割

目前，凹點匹配的方法主要是以距離最近原則進行匹配。針對不同的識別目標，距離最近原則方法分離的正確率有所差異，這種原則對形狀比較規則的目標分割的正確率要高一些，比如圓形的細胞[24]或礦石顆粒[25]等，而對于比較復雜的粘連麥穗圖像單純的利用這種方法往往會出現錯誤的分割結果。為此，本文通過觀察不同的粘連麥穗圖像的凹點分布特點，提出6條凹點匹配原則：

1）2個待匹配的凹點連線均應該在目標圖像內部，不應該穿過目標邊界外部的黑色背景區域。

2）2個待匹配的凹點連線應該穿過目標圖像的中軸線（即骨架線），如圖8a所示，也就是兩凹點連線肯定要和目標區域的中軸線存在交點。

3）優先選擇符合反向角區域雙向選擇的凹點。1個待匹配的凹點和其位置處邊界前后距點所組成的夾角的反向角區域內的凹點優先選擇，如果反向角區域內存在多個符合要求的凹點，則再判斷待匹配凹點是否也在這些凹點處的反向角區域內，如果是，則優先選擇，即優先選擇符合雙向選擇的兩凹點。如圖8b所示，凹點在凹點處前后距點的反向角區域內，故凹點、匹配；而、兩凹點符合反向角區域雙向選擇，故凹點、匹配。

4）距離最近原則。如果滿足以上條件的凹點處仍然存在多個凹點等待選擇，那么再考慮距離最近原則，優先選擇距離較近的凹點組成凹點對。

圖8 凹點匹配分割

5）凹點對連線應該避免交叉。當存在多條分割線時，應該在選出1個凹點對時，再判斷該凹點對連線是否和前面已經選出的凹點對連線是否存在交點，若不存在交點，則確定使用該凹點對；反之，若存在交點，則舍棄該凹點對，選擇另外的符合上述原則的凹點進行匹配。

6）當存在內邊界時，優先選擇內邊界上的凸點按照以上原則和外邊界上的凹點相匹配。

根據以上原則可篩選出需要匹配的凹點對，然后對凹點對進行連線分割。本文粘連麥穗圖像凹點連線分割的效果圖見圖8c。各粘連麥穗圖像分割完畢后，再與原本未粘連的單個麥穗圖像疊加，即可得到分割后的麥穗圖像見圖8d。

1.7 產量計算方法

1.7.1 麥穗計數

本文將每幅圖像識別測量的麥穗數作為預測值，實際人工計數得到的麥穗數作為實測值。通過比較每幅圖像上麥穗數預測值和實測值之間的相對誤差和絕對誤差來評價本文算法識別的精度及可靠性；同時對0.25 m2內對應的4幅圖像麥穗數預測值進行累加求和，得到0.25 m2內總麥穗數預測值，并與總麥穗數實測值作誤差分析。

1.7.2 籽粒計數

采集圖像時，事先在正四棱臺每個內側面上任意選擇3株麥穗，然后在其莖稈位置上做好標記，并記錄每幅圖像上所標記的3株麥穗的實測籽粒數；再通過圖像識別過程獲得該3株麥穗的面積像素數，最后建立起每個麥穗籽粒數與其面積像素數之間的線性相關關系，進而得到每個品種籽粒數的預測公式。利用該預測公式可以對每幅圖像上所識別出的每個麥穗進行籽粒數預測，然后將每個麥穗的預測結果記錄下來并進行求和得到該幅圖像上的預測總籽粒數。本文將每幅圖像上的麥穗在采集時用剪刀剪下穗頭進行烘干脫粒，然后通過人工計數獲取每幅圖像區域上的實測總籽粒數。同樣，通過比較每幅圖像的籽粒數預測值和實測值之間的相對誤差和絕對誤差來評價本文算法識別的精度及可靠性；同時對0.25 m2內對應的4幅圖像中總籽粒數預測值與實測值作誤差分析。

1.7.3 千粒質量測定

千粒質量是以克表示的1 000粒種子的質量，它是體現種子大小與飽滿程度的一項指標。千粒質量也是作物產量構成因素之一，是在作物測產時必須要使用的。本文對每個品種的麥穗籽粒隨機數出1 000粒，在電子天平（型號：FA2204B，Max=220 g，檢定標尺分度值為10 d，試劑標尺分度值為0.1 mg）上進行稱質量，并記錄數據，然后重復5次，取5次千粒質量的平均值作為對應品種的千粒質量。

1.7.4 產量計算

在計算產量時，首先將0.25 m2內對應的4幅圖像籽粒數識別預測值相加，然后乘以對應品種的千粒質量并除以1 000，得到該品種在0.25 m2內的產量，作為產量預測值；將同區域內的麥穗脫粒后進行稱質量，得到該區域的產量實測值，最后通過比較每個區域內的產量預測值和實測值之間的相對誤差和絕對誤差來評價本文算法的識別精度與可靠性。

1.8 試驗數據處理方法

使用式（2）計算單個樣本圖像中所提取參數算法預測值和人工實測值的相對誤差，使用式（3）計算每個品種總體樣本圖像的平均絕對誤差，使用式（4）計算每個品種總體樣本圖像的平均相對誤差。

2 結果與分析

2.1 麥穗計數結果分析

注：AE為平均絕對誤差，RE為平均相對誤差，%。

為了比較本文凹點檢測分割算法對圖像中粘連麥穗分割前后麥穗數識別精度的影響，本文分別對粘連麥穗分割前圖像中的麥穗連通域進行計數，并與圖像中的實測麥穗數做誤差分析，見表1。由表1可以計算出：3個試驗小麥品種所采集圖像的粘連麥穗分割前麥穗數的識別平均絕對誤差為8.84個，平均相對誤差為29.07%，和粘連麥穗分割后麥穗數的識別誤差相比，粘連麥穗未分割時的識別誤差明顯升高。所以，本文凹點檢測分割算法可有效地對圖像中粘連麥穗實現分割，從而提高圖像中麥穗數的識別精度。由上分析可知，本文算法在識別田間麥穗圖像中麥穗數量時單幅圖像的識別精度為91.63%。

表1 粘連麥穗分割前麥穗數識別誤差分析

2.2 籽粒數和產量預測結果分析

2.2.1 單個麥穗實測籽粒數與面積像素數相關關系建立

通過對3個品種每幅圖像中的麥穗進行識別，再提取圖像中事先標號的麥穗的面積像素數，最后將每個品種標號的麥穗的實測籽粒數與其圖像中得到的面積像素數建立線性關系見圖10。由圖10可知，事先標記的麥穗的實測籽粒數與其在圖像上所占的面積像素數具有極其顯著的線性相關性，決定系數2均達0.82以上（< 0.001）。說明可以利用籽粒數與面積像素數的線性相關關系來間接地預測圖像中已分割好的每個麥穗的籽粒數。

2.2.2 籽粒數預測結果分析

圖10 3個品種小麥圖像中已標記麥穗的籽粒數與面積像素數的線性相關關系

圖11 3個品種小麥圖像預測籽粒數與實測籽粒數的線性相關關系

2.2.3 產量預測結果分析

本文還將所選定的0.25 m2區域內對應的4幅圖像的總穗數、總籽粒數和產量的預測值和該區域內的總穗數、總籽粒數和產量的實測值進行了統計并做了誤差分析，見表2。由表2可進一步計算：

1）3個品種麥穗圖像的麥穗數識別平均絕對誤差為6.83個；平均相對誤差為6.17%。所以本文算法在識別田間0.25 m2面積區域內麥穗數時的精度為93.83%；

2）3個品種麥穗圖像的籽粒數預測平均絕對誤差為257.88粒；平均相對誤差為6.57%。所以本文算法在預測田間0.25 m2面積區域內籽粒數時的精度為93.43%；

3）3個品種麥穗圖像的產量預測平均絕對誤差為8.40 g；平均相對誤差為6.51%。所以本文算法在預測田間0.25 m2麥穗圖像的麥穗產量時的精度為93.49%；

表2 0.25 m2麥穗數、籽粒數和產量預測結果誤差分析

3 討論

本文在進行田間麥穗圖像測產試驗時，所采用的3個品種麥穗均取自江浦農場不同農戶田間地塊的小麥，從3個品種小麥的千粒質量數據可以看出：不同品種麥穗之間存在一定的差異性。

通過建立單個麥穗實測籽粒數與面積像素數相關關系，由圖10可以進一步觀察到，雖然單個麥穗實測籽粒數與面積像素數存在極其顯著（<0.001）的線性相關性，但是其散點分布相對來說還較分散，其2還未達到0.90以上。這也是造成本文籽粒數預測精度較低的直接原因。通過觀察原圖像可發現同一幅圖像上的麥穗并不是都以正視圖或側視圖呈現，而是兩者混合的情況，由于小麥穗的正視圖與側視圖面積上的差異，導致單個麥穗的實測籽粒數與面積像素數的線性相關性減弱。所以要想進一步提高籽粒數的預測精度可以通過改善算法以識別區分出圖像中麥穗的呈現形態。此外，在采集圖像時，應該注意嚴格控制所采集圖像都要在相同條件下。

通過對圖像中的麥穗數預測值的誤差分析，本文方法要優于范夢揚等[11]的基于支持向量機學習的識別方法。而和劉濤等[10]研究單位面積麥穗數量的方法識別精度相比，本文方法識別精度還有待提高。經過仔細觀察本文算法處理前后的圖像可知，誤差來源主要是采樣點處的麥穗在4個方向的分布不均勻導致部分圖像出現麥穗堆積現象，從而增大誤差。所以，圖像采集裝置還應該繼續改進完善，同時提高算法的識別精度。另外，已有文獻的小麥田間圖像測產方法并沒有實現圖像中麥穗的分割計數，僅僅是通過穗頭骨架拐點的個數進行麥穗數預測，更沒有進一步得到圖像中麥穗的籽粒數及產量的相關信息，而本文通過一系列分割算法實現了圖像中麥穗數、籽粒數、產量的識別預測。

通過對每個品種單幅圖像籽粒數預測值的誤差分析，發現試驗相對誤差在15%以上的頻數較大，尤其是“蘇科麥1號”品種，經過試驗觀察分析，發現這些相對誤差較大的圖像多分布于整體樣本序數的后面部分，這是由于這些圖像在采集時正值臨近傍晚時段，天色逐漸變暗，導致所采集圖像清晰度明顯下降，最終影響了算法的識別精度。

近年來在小麥田間產量預測方面，除了人工實地取樣測產外，還包括：利用基于高光譜遙感的預測模型方法來預測小麥產量，其模型平均識別精度在84%左右[26]；利用主動遙感儀器獲得小麥冠層歸一化植被指數以及比值植被指數的變化情況來建立回歸模型來預測小麥產量，其模型預測精度因小麥不同的生長期變化而變化，在返青期和灌漿期模型的識別精度最高在92%～93%之間[27]；利用氣象數據與遙感數據相結合的估產模型來預測小麥產量[28]，其精度要好于僅基于遙感或氣象模型，為91.50%。而本文算法在對0.25 m2區域小麥產量預測方面精度為93.49%，要優于基于高光譜遙感圖像的識別精度和利用氣象數據與遙感數據相結合的模型的預測精度，并且本文在小麥產量預測精度上還有可提高的空間。要進一步提高單位平方米內產量預測的精度，需要提高區域內每幅圖像上的麥穗數及籽粒數的識別精度，可通過進一步改善算法，優化籽粒數的預測公式以及改進圖像采集裝置來實現。

4 結 論

本文以田間0.25 m2區域小麥穗為研究對象，利用特定裝置使麥穗傾斜的方式獲取小麥穗部圖像，通過顏色空間轉換、去除細窄處粘連、粘連麥穗判斷、凹點檢測分割等算法過程，實現了圖像中粘連麥穗的有效分割，提高圖像中麥穗數的識別精度，在識別3個品種田間麥穗單幅圖像中麥穗數量的平均識別精度為91.63%；通過計算圖像中每個麥穗的面積像素點數以及像素點數與籽粒數之間的相關關系得到的預測公式得到每個麥穗的籽粒數，進而計算出每幅圖像上所有麥穗的預測籽粒數，籽粒數的平均預測精度為90.73%；進一步得到了單位面積內的小麥麥穗數量、總籽粒數及產量信息，3個品種0.25 m2區域的小麥麥穗數量、總籽粒數及產量預測的平均精度為93.83%、93.43%、93.49%。運用本文方法可以實現小麥田間單位面積內的產量信息自動測量。

[1] 歐文浩，蘇偉，薛文振，等. 基于HJ-1衛星影像的三大農作物估產最佳時相選擇[J]. 農業工程學報，2010，26(11)：176－182.Ou Wenhao, Su Wei, Xue Wenzhen, et al. Selection of optimum phase for yield estimation of three major crops based on HJ-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(11): 176－182. (in Chinese with English abstract)

[2] 李向東，呂風榮，張德奇，等. 小麥田間測產和實際產量轉換系數實證研究[J]. 麥類作物學報，2016，36(1)：69－76.Li Xiangdong, Lü Fengrong, Zhang Deqi, et al. Empirical study on conversion factors between yield monitoring and actual yield of winter wheat[J]. Journal of Triticeae Crops, 2016, 36(1): 69－76. (in Chinese with English abstract)

[3] 龔紅菊. 基于分形理論及圖像紋理分析的水稻產量預測方法研究[D]. 南京：南京農業大學，2008. Gong Hongju. Estimating Paddy Yield based on Fractal and Image Texture Analysis[D]. Nanjing: Nanjing Agricultural University, 2008. (in Chinese with English abstract)

[4] Reza M N, Na I S, Lee K H. Automatic counting of rice plant numbers after transplanting using low altitude UAV images[J]. International Journal of Contents, 2017, 13: 1－8.

[5] Cointault F, Journaux L, Gouton P. Statistical methods for texture analysis applied to agronomical images[C]//Electronic Imaging 2008. International Society for Optics and Photonics, 2008: 593－602.

[6] Zhu Y, Cao Z, Lu H, et al. In-field automatic observation of wheat heading stage using computer vision[J]. Biosystems Engineering, 2016, 143: 28－41.

[7] Fernandez-Gallego J A, Kefauver S C, Gutiérrez N A, et al. Wheat ear counting in-field conditions: High throughput and low-cost approach using RGB images[J]. Plant Methods, 2018, 14(1): 1－12.

[8] Li Q Y, Cai J, Berger B, et al. Detecting spikes of wheat plants using neural networks with laws texture energy[J]. Plant Methods, 2017, 13(1): 1－13.

[9] 杜世偉，李毅念，姚敏，等. 基于小麥穗部小穗圖像分割的籽粒計數方法[J]. 南京農業大學學報，2018，41(4)： 742－751. Du Shiwei, Li Yinian, Yao Min, et al. Counting method of grain number based on wheatear spikelet image segmentation[J]. Journal of Nanjing Agricultural University, 2018, 41(4): 742－751. (in Chinese with English abstract)

[10] 劉濤，孫成明，王力堅，等. 基于圖像處理技術的大田麥穗計數[J]. 農業機械學報，2014，45(2)：282－290.Liu Tao, Sun Chengming, Wang Lijian, et al. In-field wheatear counting based on image processing technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 282－290. (in Chinese with English abstract)

[11] 范夢揚，馬欽，劉峻明，等. 基于機器視覺的大田環境小麥麥穗計數方法[J]. 農業機械學報，2015，46(增刊1)：234－239.Fan Mengyang, Ma Qin, Liu Junming, et al. Counting method of wheatear in field based on machine vision technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46 (Supp.1): 234－239. (in Chinese with English abstract)

[12] 王建新. 基于HSI空間的單幅圖像去霧算法研究[D]. 石家莊：河北師范大學，2015. Wang Jianxin. Research Single Image Defogging Algorithm based on HSI Color Space[D]. Shijiazhuang: Hebei Normal University, 2015. (in Chinese with English abstract)

[13] 杜慧，鄧瀟瀟，李建，等. 智能的圖像濾波去噪算法[J]. 計算機工程與設計，2015(8)：2180－2184.Du Hui, Deng Xiaoxiao, Li Jian, et al. Smart algorithm for image filtering de-noising[J]. Computer Engineering and Design, 2015(8): 2180－2184. (in Chinese with English abstract)

[14] 余勝威，丁建明，吳婷，等. MATLAB圖像濾波去噪分析及其應用[M]. 北京: 北京航空航天大學出版社，2015：1－22.

[15] 趙榮椿，趙忠明，張艷寧，等. 數字圖像處理[M]. 西安：西北工業大學出版社，2016：369－376.

[16] 章毓晉. 圖像處理和分析技術[M]. 北京：高等教育出版社，2015：69－74.

[17] 李豐軍，吾守爾?斯拉木，劉宏杰，等. 一種基于角度的邊界點檢測算法[J]. 計算機工程，2008，34(11)：203－205. Li Fengjun, Wushour?Silamu, Liu Hongjie, et al. Boundary points detect algorithm based on angle[J]. Computer Engineering, 2008, 34(11): 203－205. (in Chinese with English abstract)

[18] 張徳豐. MATLAB數字圖像處理[M]. 北京：機械工業出版社，2009：285－305.

[19] 陶德威. 基于凹點匹配和分水嶺變換的車輛圖像分割算法研究[D]. 南昌：南昌大學，2016. Tao Dewei. Research on the Vehicle Image Segmentation Algorithm based on Concave Points Matching and Watershed Transformation[D]. Nanchang: Nanchang University, 2016. (in Chinese with English abstract)

[20] 童振，蒲立新，董方杰. 基于改進分水嶺算法和凹點搜索的乳腺癌粘連細胞分割[J]. 生物醫學工程學雜志，2013(4)：692－696.Tong Zhen, Pu Lixin, Dong Fangjie. Automatic segmentation of clustered breast cancer cells based on modified watershed algorithm and concavity points searching[J]. Journal of Biomedical Engineering, 2013(4): 692－696. (in Chinese with English abstract)

[21] 李宏輝，郝穎明，吳清瀟，等. 基于凹點方向線的粘連藥品圖像分割方法[J]. 計算機應用研究，2013，30(9)：2852－2854. Li Honghui, Hao Yingming, Wu Qingxiao, et al. Based on concave point direction line adhesion drug image segmentation method[J]. Application Research of Computers, 2013, 30(9): 2852－2854. (in Chinese with English abstract)

[22] 宋懷波，張傳棟，潘景朋，等. 基于凸殼的重疊蘋果目標分割與重建算法[J]. 農業工程學報，2013，29(3)：163－168. Song Huaibo, Zhang Chuandong, Pan Jingpeng, et al. Segmentation and reconstruction of overlapped apple images based on convex hull[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(3): 163－168. (in Chinese with English abstract)

[23] 高星. 基于標記分水嶺和凹點的粘連大米圖像分割技術研究[D]. 鄭州：河南工業大學，2015. Gao Xing. Study on Image Segmentation Technique of Touching Rice based on Watershed and Pits[D]. Zhengzhou: Henan University of Technology, 2015. (in Chinese with English abstract)

[24] 楊輝華，趙玲玲，潘細朋，等. 基于水平集和凹點區域檢測的粘連細胞分割方法[J]. 北京郵電大學學報，2016，39(6)：11－16. Yang Huihua, Zhao Lingling, Pan Xipeng, et al. Overlapping cell segmentation based on level set and concave area detection[J]. Journal of Beijing University of Posts and Telecommunications, 2016, 39(6): 11－16. (in Chinese with English abstract)

[25] 董珂. 基于機器視覺的礦石粒度檢測技術研究[D]. 北京：北京工業大學，2013. Dong Ke. Research on Ore Granularity Detection Technology based on Machine Vision[D]. Beijing: Beijing University of Technology, 2013. (in Chinese with English abstract)

[26] 馮偉，朱艷，田永超，等. 基于高光譜遙感的小麥籽粒產量預測模型研究[J]. 麥類作物學報，2007，27(6)：1076－1084. Feng Wei, Zhu Yan, Tian Yongchao, et al. Model for predicting grain yield with canopy hyperspectal remote sensing in wheat[J]. Journal of Triticeae Crops, 2007, 27(6): 1076－1084. (in Chinese with English abstract)

[27] 曹偉，張娜. 基于Green Seeker對小麥植被指數與產量形成模型的研究[J]. 華北農學報，2015, 30(增刊1)：383－389. Cao Wei, Zhang Na. A model research can be built by yield of wheat and green vegetation index of wheat based on the green seeker[J]. Acta Agriculturae Boreali-Sinica, 2015, 30(Supp.1): 383－389. (in Chinese with English abstract)

[28] 彭麗. 基于MODIS和氣象數據的陜西省小麥與玉米產量估算模型研究[D]. 杭州：浙江大學，2014. Peng Li. Wheat and Maize Yield Model Estimation based on MODIS and Meteorological Data in Shaanxi Province[D]. Hangzhou: Zhejiang University, 2014. (in Chinese with English abstract)

Method for wheatear counting and yield predicting based on image of wheatear population in field

Li Yinian, Du Shiwei, Yao Min, Yi Yingwu, Yang Jianfeng, Ding Qishuo, He Ruiyin

(210031,)

At present,the wheatear number and grain number for unit area wheat in field can be measured whenpredicting yield. Generally, phenotype parameters should be obtained by manual count technique. It is time-consuming and needs great effort. In order to quickly measure the yield of unit area wheat in field, the wheatear population image was obtained by tilting the wheatear with specific device in field. The contour information on wheatear image in field was collected. Firstly, the color space of wheatear population image was converted from RGB (red green blue) to HSI (hue saturation intensity) for the sake of improving the uniformity of image color. Then the saturation component of image was extracted from the HSI color space of wheatear population image. Binary image of the saturation component of image was obtained by using image binary algorithm,morphological opening operation and removing of small regions algorithm. Then binary image was smoothed by linear mean filtering algorithm. The adherent and narrow part was removed by setting distance threshold between boundary points. Then the adhesive wheatear in image was judged out by its boundary and region characteristic parameters from the binary image. The boundary characteristic parameters included the length of entire boundary and the angle of on boundary point. The region characteristic parameters included the region area and shape factor of region and duty cycle of convex closure. Then image edge of adhesive wheatear was smoothed by using concave domain smoothing method. Then concave points on the boundary of adhesive wheatear were extracted by using included angle method and area method. The concave point pairs were found by 6 matching principles of concave points. The adhesive wheatear in image was segmented by connecting concave point which was already detected and matched on the binary image boundary. The separated wheatears and non-adhesive wheatears were superimposed on a binary image. The connected regions on the binary image were marked by image labeling algorithm. The number of wheatears in one binary image was counted. And the total number of wheatears in 0.25 m2area was obtained by summing the number of wheatears in corresponding 4 wheatear images. Meanwhile, the area pixels number of each wheatear in binary image was extracted. The grain number prediction formula of wheatear in image was obtained by the linear relationship between actual grain number and area pixels number of pre-marked wheatear. Then the grain number of each wheatear in binary image was forecasted by using grain number prediction formula. The total grain number of wheatear in one image was obtained by summing the grain numbers of each wheatear in binary image. The total grain number of wheatear in 0.25 m2area was obtained by summing the grain numbers in corresponding four wheatear images. The 1 000-grain weight of 3 varieties of wheat which included Suke wheat 1, Yang wheat 22 and Su wheat 188 was measured respectively. Finally the yield of wheat in 0.25 m2area was calculated according to the 1 000-grain weight and the total grain number of wheatear. Compared with the actual wheatear number, grain number in a wheatear image and actual yield information of wheat in 0.25 m2area, the experiment results manifest that the average identification precision of the wheatear number in a wheatear image for 3 varieties of wheat is 91.63%, and the average prediction precision of the grain number in a wheatear image for 3 varieties of wheat is 90.73%. And the average prediction precision of the total wheatear number, total grain number and yield of wheat in 0.25 m2area for 3 varieties of wheat are 93.83%, 93.43% and 93.49%, respectively. The automaticallypredicting yield information of wheat in unit area can be realized by using wheatear image features method.

crops; algorithms; image segmentation; wheat; wheatear population image; wheatear number in unit area; grain number; yield prediction

10.11975/j.issn.1002-6819.2018.21.022

TP391.4

A

1002-6819(2018)-21-0185-10

2018-06-23

2018-09-13

國家重點研發計劃（2016YFD0300908）；江蘇省政策引導類計劃（產學研合作）前瞻性聯合研究項目（BY2016060-01）

李毅念，副教授，主要從事現代農業裝備研究。 Email：liyinian@163.com。

李毅念，杜世偉，姚 敏，易應武，楊建峰，丁啟朔，何瑞銀. 基于小麥群體圖像的田間麥穗計數及產量預測方法[J]. 農業工程學報，2018，34(21)：185－194. doi：10.11975/j.issn.1002-6819.2018.21.022 http://www.tcsae.org

Li Yinian, Du Shiwei, Yao Min, Yi Yingwu, Yang Jianfeng, Ding Qishuo, He Ruiyin. Method for wheatear counting and yield predicting based on image of wheatear population in field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 185－194. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.21.022 http://www.tcsae.org