番茄辣椒微型根系形態原位采集系統設計與實現

魯 偉，汪小旵,2，王鳳杰

?

番茄辣椒微型根系形態原位采集系統設計與實現

魯 偉1，汪小旵1,2※，王鳳杰1

（1. 南京農業大學工學院，南京 210031； 2. 江蘇省現代設施農業技術與裝備工程實驗室，南京 210031）

為實時獲取淺根系作物的根系生長形態，設計了一種可用于多點測量的微型根系形態實時原位采集系統。系統主要由微型攝像頭和光學放大元件等組成（體積1.5 cm3），采集的圖像通過無線模塊發送至終端。采用基于區域生長的根系圖像分析方法，以腐蝕圖像為出發點，膨脹圖像為終止點，結合相似性準則進行區域生長、區域標記和區域保留，來濾除土壤孔隙和雜質等對圖像產生的干擾，從而提取根系輪廓，并通過圖像形態學計算得到根長密度、根系平均直徑等形態參數。以此系統采集櫻桃番茄、辣椒根系形態參數，試驗結果表明，根系長度測定值的絕對誤差不超過1.5 mm，相對誤差不超過5.3%；根系平均直徑絕對誤差不超過0.09 mm，相對誤差不超過6.7%。與土壤采樣法測定值相比，在0～10、>10～20、>20～30和>30～40 cm 4個土壤層內2種測定方法根系平均直徑決定系數2>0.87（<0.01），根長密度在30 cm深度以內的土壤層決定系數2>0.81（<0.01）。證明本文設計的微型根系形態實時原位采集系統具有較高的準確性，可用于淺根系作物形態的多點觀測。

形態；算法；測量；根系形態；微型根系形態采集系統；多點采集；實時獲?。粎^域生長算法

0 引 言

植物的根系具有吸收水分和養分，影響產量和品質的作用[1-3]。根系形態研究是植物營養學、植物生理生態學最重要的內容[4-7]。實現對根系形態的實時、準確獲取是農業生產中提高水肥利用效率、保證作物品質和產量的前提和關鍵[8-9]。由于作物根系生長過程中的不可見性，根系形態檢測與研究發展緩慢，傳統的方法包括挖掘法、剖面法、土柱法、水培法和霧培法等[10]。挖掘法、剖面法、土柱法等方法均屬于破壞性方法，不能用于長期對同一根系的生長和分布進行追蹤，且操作方法費時費力，誤差較大；水培法、霧培法不使用傳統的土壤或者基質進行作物培育，而采用水或者霧氣培養法，便于根系的直接觀察。但此種方法嚴重改變了作物原有的生長環境，其試驗結果不具有普適性。

隨著計算機技術、微電子技術等的發展，出現了X射線計算機層析成像[11-13]（X-ray computed tomography, X-CT）和微根窗[14-17]等方法。X-CT法是采用醫學影像技術獲取作物根系圖片，并使用計算機圖像處理技術進行三維重建。吳長高等采用西門子四排螺旋CT獲得了理想的原位根系CT序列圖像[18]。但此種方法成本很高，要求特定的培養基質，目前使用范圍十分狹小。微根窗根系觀測法是由Bates在1937年提出的，它是一種非破壞性、定點直接觀察和研究植物根系的方法[14]。該技術主要由一個插入土壤中的微根窗管、攝像頭、標定手柄和照明裝置等組成。Upchurch等使用微光單色攝像機通過透明的丙烯酸管進行原位根觀測，證明此方法與土壤取樣法存在線性關系[19]。廖榮偉等采用微根管觀測法，對試驗地上玉米主要生育期的根系生長動態進行定期直接跟蹤監測，結果表明微根管法與方形整段標本法有較好的一致性[20]。張志山等用微根窗觀測檸條根系生長動態，并與土鉆法進行比較，證明微根窗觀測根系具有一定的優勢[21]。

微根窗法在一定程度上解決了傳統方法的不足，能夠長期對同一點的根系進行觀察。然而，很多研究表明，微根窗的材質、光照以及安裝會對根系土壤產生擾動[22-23]。微根管與土壤間的緊實程度往往會影響根系原有的生長環境，如果土壤與微根管接觸不緊密，并不能獲得最真實的根系生長狀態，導致根系生長不具有代表性[22,24]；丙烯酸樹脂、丁酸鹽纖維素管對根系壽命產生影響[25]。玻璃管對根系的影響最小，但容易破碎，使用壽命較短；微根窗在地上部分留有手柄等控制部分，一般使用黑色不透明罩子防止光照影響根系生長[17,25-27]。同時，對于淺根系作物，微根管體積較大，會嚴重影響根系的生長，且不便于多點觀察。此外，此種設備價格十分昂貴，且不能多點觀察。

本文設計一種適用于淺根系作物的微型根系檢測系統。通過實時采集土壤內根系的形態圖片，利用圖像處理技術計算根系形態信息，并與土壤采樣法進行相關性驗證，以實時、準確、多點獲取根長密度、根系平均直徑和根體積等參數。以期從多個觀測點對根系進行實時觀測，提高根系形態檢測的準確性和時效性，減輕根系研究過程的勞動強度和提高效率。確保為植物營養學、植物生理生態學提供可靠的數據依據，為精準農業的實施提供技術支持。

1 微型根系形態采集系統設計與工作原理

微型根系形態采集和處理系統由微型攝像頭、光學放大元件、發光二極管（LED，light emitting diode）、供電電源和無線模塊以及圖像處理部分組成，如圖1所示。攝像頭像素為1 200萬CMOS（互補金屬氧化物半導體，complementary metal oxide semiconductor），分辨率1920×1080像素，視角120°，工作溫度-20～80 ℃，相對濕度15%～85%，能夠滿足土壤中的測量環境。放大器放大倍數為1～100倍可調。由于根系生長在不見光的土壤內部，在獲取根系圖像時需要外加光照。為了減小光照過強或者過弱對成像產生干擾，在頂部安裝4個多波段LED光源，采用脈沖寬度調制方式，實現LED光源強度與波段調節控制。為防止土壤導電導致短路，系統電路部分用熱熔膠密封。系統整體尺寸為1.1 cm×1.1 cm×1.2 cm，體積約1.5 cm3。采集到的根系圖像通過無線網卡控制模塊（型號：MEDIATEK MT7601）形成的Wi-Fi信號傳送至終端接收裝置（手機或個人電腦）。

1.微型攝像頭 2.電路板（包括電源和無線模塊） 3.光學放大元件及支柱 4.LED照明燈×4

2 根系圖像處理與形態計算

2.1 基于區域生長算法的根系復原

采集到的根系原圖如圖2a、b所示，土壤孔隙結構會對圖像產生嚴重的干擾，一些細小的根系不能被很好地保留。中值濾波和加權均值濾波（圖2c、d）很難將這些干擾去除，因此需要對圖像進一步進行根系的復原，以保證為根系形態計算提供完整和可靠的數據。

圖2 根系原圖像和低層處理圖像

區域生長算法是將空間上具有某些相似性質的臨近像素點合并起來連接成區域[28-30]。根系像素點在灰度值上比較相近，并且由根系連接成的區域一般比土壤孔隙和其它干擾要大，因此考慮采用區域生長的方法對經過簡單低層處理的圖像進行進一步處理。首先，將根系圖像分別用3×3像素的結構元素進行腐蝕和膨脹處理。區域生長算法的初始點選擇為腐蝕后的圖像的第一個像素點，終止點為膨脹后的圖像。相似性準則通過試驗確定為相鄰像素間的灰度差值不大于20（反復試驗獲得）。區域生長過程中會形成多塊連通區域，這些區域可能包含不同的根系、土壤孔隙、雜質以及其他的干擾因素，因此需要對不同的區域塊進行提取和標記，以便于后面進一步處理。其具體實現環境為Matlab R2013a，實現過程為：

1）將經過低層處理的根系圖像分別進行腐蝕和膨脹，以腐蝕的圖像里搜索第一個像素為生長點，以膨脹圖像為最大邊界開始生長，同時初始化一個與同樣大小的空集合，并將置于中，置為“已標記”狀態。

2）若的8鄰域像素在中處于“未標記”狀態，且滿足與中心像素之間的差值小于閾值，則將加入，置為“已標記”狀態，并將中對應位置的像素點置為0（避免重復生長或者陷入死循環）。

3）以為出發點繼續生長，重復2）的過程，直到該小區域無滿足要求的生長點為止，將該區域標記為第1連通區域。

4）重復1）、2）、3）過程，找到個連通區域

根系像素數目一般較大，而土壤孔隙、雜質以及其它的干擾因素相對較小，因此對于中像素數目小于50（試驗獲得）的予以刪除，保留剩下的像素點，從而得到去除土壤孔隙干擾的根系圖像。如圖3所示土壤中孔隙和雜質引起的噪聲基本上被濾除，側根保留量有所增加。

圖3 基于區域生長算法的根系輪廓圖像和根系細化圖像

2.2 根系長度測定

2.2.1 根系圖像細化

為了統計根系的長度需要將得到的根系圖像進行形態學細化，采用最大圓盤法[31-33]得到單像素連接根系圖像（圖3c、d）。由于圖像在細化過程中最終保留的骨架點為所有圓盤的圓心的連接點，因此根系的長度在起始點和終止點分別減少了半徑長度1和2，在長度計算過程中需要進行補償。

2.2.2 根系長度

細化后的根系圖像長度的自動測量，目前已有一些不同的算法，如鏈碼跟蹤法、一次掃描長度法和蠶食法[12]等,其性能各有優劣。本文對蠶食法進行改進，提出一種簡單、直觀的算法——有界蠶食法。該算法首先對根系的長軸進行提取，即獲取一條最長軸根的長度。然后模擬蠶吃桑葉的方式，對整幅圖像進行掃描，以搜索到某一條根的端點為初始點，以軸根為邊界，統計每條側根的長度，并予以刪除，直到非軸根全部被刪除掉，如圖3c，圖3d所示，細化后的根系保留了大部分側根。

式中表示根長，1表示對角方向連接的像素個數，2水平和豎直方向連接的像素個數，1和2為補償的長度，表示圖像上像素距離與實際像素距離的對應關系，為光學元件的放大倍數。

2.3 根系平均直徑

根系平均直徑按下式計算

S=·/（2）

式中S表示根系總面積，表示根系平均直徑，表示根系總像素個數。

2.4 根系體積

根體積V的計算可以近似把根看作柱體形狀，由總根長和根系平均直徑可得

V=π(/2)2×（4）

式中要根據試驗獲得根長密度來進行估算。

3 試驗與分析

3.1 微型根系形態采集與處理系統性能驗證

為了驗證根系形態采集系統及根系圖像處理方法的可行性和精確度，于2018年3月5日、3月13日、3月21日和4月1日各采集線椒根系片段20個和櫻桃番茄根系片段20個（長度從5到50 mm不等，總計辣椒根系樣=80，番茄樣品=80），根系類型包括僅含有1級側根、僅含有2級側根以及同時包含1級側根和2級側根的根系片段。將每個樣品混入原生長區域的土壤，于根系上表面放置微型根系形態采集器，并將微型采集器攝像頭面正對著根系樣品。然后，將每個試驗區土壤體積減掉1.5 cm3，再將土壤覆蓋到微型根系形態采集器上，并用橡膠錘輕輕鎮壓，以盡量保證土壤緊實度與原生長土壤環境一致和使根系樣品片段能夠在采集器的成像區厚度范圍內（3 mm）。這樣做的目的是避免實地采集過程中因挖掘導致根系移動或斷裂，進而獲取真實的數據以驗證該系統的性能。圖像采集后，將每個樣品用蒸餾水洗凈并用吸水紙巾擦拭干凈，用手工法測量根長和根粗，用排水法測量根系體積，作為真實值與圖像法對比。由于根系體積值是由根長密度和根系平均直徑來進行間接計算，因此僅繪制根長密度和根系平均直徑圖表。

由表1的結果可以看出，本文的根系形態采集系統及其圖像處理算法能較為準確的獲得采集系統視野范圍內的根系參數。對于不同的根系均能以較高的精確度獲得根長、平均直徑等參數，為進一步使用該系統進行原位監測提供了較為可靠的技術手段和方法。

表1 微型根系形態采集系統性能

3.2 微型根系形態采集與處理系統原位監測

為了驗證微型根系形態采集和處理系統的性能，進一步進行了原位監測試驗。試驗于2018年3月27日開始，于6月9日結束。種植于經過篩選（1 cm×1 cm）的通用型種植營養土。設置3個小區，每個小區面積為2×2 m2，株距20 cm，按如圖4所示的方式于定植期分別在距離地表5，15，25和35 cm的土層安裝根系采集器。為了減小隨機誤差和變異性，于每個土壤層中距離根系中心線（豎直方向實線）5 cm和10 cm處各安裝一個采集器，并用其平均值來代替這一層的根系形態參數。由于根系形態采集器個數的限制，一個周期試驗僅能采集6株作物樣本（每株作物安裝有8個微型根系采集器），為了充分利用有限的采集器獲取更多的樣本數據和獲得處于不同生長期的根系形態，連續進行6個周期試驗，分別于3月27日，4月2日，4月15日，5月17日，5月24日和5月30日2-3片真葉時定植，并同時埋入微型根系形態采集器。每個周期采樣挖掘后所有的采集器立即使用進入第2周期，整個采集周期共計獲得36個樣本。采集根系圖像的同時，用柱形取樣器，以植株根系中心點為圓心，10 cm為半徑，每10 cm深度為一層，挖掘4個土壤層的含有根系的土柱。用蒸餾水洗掉根系上附著的土壤，然后將根系用吸水紙巾擦拭干凈，最后手工測量每一層土壤中根系的根長密度和根系平均直徑。試驗期間，灌溉營養液配方采用山東農業大學番茄辣椒配方，灌溉方式為肥液灌溉每周一次（200 mL/株，Ec值為2.0 mS/cm，pH值為6.5），灌溉水每日一次（200 mL/株）。

圖4 微型根系形態采集器攝像頭布置示意圖

圖5為定植后第13天和第32天土壤采樣法和微型根系采集法獲得的根長密度和根系平均直徑對比圖。由圖可知，在辣椒定植后第13天，在淺層土壤中，距根系中10 cm處的根長密度為0.137 cm/cm3，遠小于平均值（0.199 cm/cm3）。而距根系中心線水平距離為5 cm處根長密度為0.273 cm/cm3，表明在作物生長初期淺層土壤中根系橫向伸展不明顯，主要集中在水平距離為5 cm范圍內；而在作物生長中后期，根系的橫向擴展程度逐漸增加。在大于25 cm的土壤中，在距根系中心線水平距離為10 cm處根長密度值略大于平均值，表明在深層土壤中根系有橫向伸展增大趨勢，這可能與水肥供應以及作物主動獲取適宜生長空間有關。

注：圖中1，2，3，4分別表示土壤采樣法測定值，微型根系采集法在每個土壤層測得的平均值，采集器與根系中心線水平距離為5 cm處的測定值，采集器與根系中心線水平距離為10 cm處的測定值。

從總體上來看，辣椒的根系主要集中在深度為20 cm以內的淺層土壤中，辣椒根系的根長密度隨著深度增加而減少。微型根系采集法獲得的根長密度略小于土壤采樣法。這種現象產生的原因主要有兩個，一方面是隨著深度的增加，根系數目減少，微型根系采集器布置個數較少，能捕獲到根系的概率相應減少；另一方面，由于采集器在不同深度的土壤層中的布置方式較為單一，其對根系的攔截可能不夠全面。微型根系采集法獲得的根系平均直徑與土壤采樣法在各個土壤層總體趨勢較為一致，能夠反應根系的真實平均直徑。

為了進一步分析微型根系采集法和土壤采樣法之間是否具有相關關系，將采集到的樣本（=36）進行回歸。定義微型根系采集法測定值為，土壤采樣法測定值為，計算其線性回歸關系，如表2所示。在深度0～10，>10～20，>20～30和>30～40 cm處，2種方法測得的根系平均直徑呈現較好的線性關系，2分別為0.902、0.899和0.813（<0.01）。在深度>30 cm的土壤層相關關系較低，這可能是因為辣椒是淺根系作物，其根系主要聚集在10～20 cm左右的土壤層，尤其是在作物生長的早期階段，>30 cm深度處的根系十分稀疏，微型根系形態采集系統很有可能無法捕獲稀疏的根系，導致采集到的根長密度值與實際測量值相關性較低。

表2 微型根系形態原位監測與土壤采樣法測定值回歸分析

注：**表示達到極顯著水平（<0.01），*表示達到顯著水平（<0.05）。

Note: **represents significant at 1% level, and *represents significant at 5% level.

微型根系形態采集系統獲得的根系平均直徑與土壤采樣法測定值在各個深度均達到極顯著相關關系，能夠反應根系的真實平均直徑。在>30~40 cm深度處，根系平均直徑表現出較高的相關性，而根長密度的相關性較低，其主要原因是根長密度是通過計算某一土壤層內多個采集器測量的平均值，如果采集器不能攔截到根系，其平均值會減小，從而影響最終測量結果。

4 結論與討論

設計了一種適用于淺根系作物的微型根系形態實時采集系統，結合圖像處理技術能夠實時監測根系形態信息。采用基于區域生長的方法對低層處理的根系圖像進行處理，濾除土壤孔隙結構和雜質等對圖像產生的干擾，提取基本的根系輪廓，并根據根系形態學原理計算根長密度、根系平均直徑等參數。用于檢測辣椒苗，與土壤采樣法測定值相比，在30 cm深度以內的土壤層根長密度相關系數2>0.81（<0.01），根長密度平均相對誤差不超過13.5%；根系平均直徑在0～10、>10～20、>20～30和>30～40 cm 4個土壤層內決定系數2>0.87（<0.01），平均相對誤差不超過10.4%。該微型根系形態采集器可用于定點觀測根系的形態變化，尤其適用于淺根系作物。

準確及時獲取作物根系原位圖像，對于作物生長檢測具有非常重要的意義。多點原位檢測是獲取整株作物根系構型和生長狀態的一種有效手段。由于微型根系形態采集器體積小巧，相對于其他觀測方法，具有對根系生長環境改變較小的優點，適合于長期多點觀測。尤其對于設施生產中的袋培等基質栽培方法，由于作物根系生長較淺，密度較高，采用微根觀測可以比較方便獲取整個生長周期的圖像，可為環境調控、作物肥水管理等提供直接的根系數據。但是對于其他的栽培方式，如果根系長度超過30 cm，并且橫向分布不均勻，如何通過合理的位置預埋，并考慮作物根系的避讓特性，獲得準確的根系圖像就變得非常關鍵，也是今后研究的重點。

[1] Chen X, Li Y, He R, et al. Phenotyping field-state wheat root system architecture for root foraging traits in response to environment×management interactions[J]. Scientific Reports, 2018, 8(1): 1－9.

[2] Rogers E D, Benfey P N. Regulation of plant root system architecture: implications for crop advancement[J]. Current Opinion in Biotechnology, 2015, 32(32C): 93－98.

[3] Mari C L, Kirchgessner N, Marschall D, et al. Rhizoslides: paper-based growth system for non-destructive, high throughput phenotyping of root development by means of image analysis [J]. Plant Methods, 2014, 10(1): 13.

[4] Morris E C, Griffiths M, Golebiowska A, et al. Shaping 3D root system architecture [J]. Current Biology, 2017, 27(17): R919.

[5] Amato M, Lupo F, Bitella G, et al. A high quality low-cost digital microscope minirhizotron system[J]. Computers & Electronics in Agriculture, 2012, 80(1): 50－53.

[6] Taylor B N, Beidler K V, Strand A E, et al. Improved scaling of minirhizotron data using an empirically-derived depth of field and correcting for the underestimation of root diameters[J]. Plant & Soil, 2014, 374(1/2): 941－948.

[7] Chen Y, Xie Y, Song C, et al. A comparison of lateral root patterning among dicot and monocot plants [J]. Plant Science, 2018, 274: 201－211.

[8] Padilla F M, Pena-Fleitas M T, Fernandez M D, et al. Responses of soil properties, crop yield and root growth to improved irrigation and N fertilization, soil tillage and compost addition in a pepper crop[J]. Scientia Horticulturae, 2017, 225: 422－430.

[9] 孔清華，李光永，王永紅，等. 不同施肥條件和滴灌方式對青椒生長的影響[J]. 農業工程學報，2010，26(7)：21－25.

Kong Qinghua, Li Guangyong, Wang Yonghong, et al. Influences of subsurface drip irrigation and surface drip irrigation on bell pepper growth under different fertilization conditions[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(7): 21－25. (in Chinese with English abstract)

[10] 溫維亮，郭新宇，趙春江，等. 作物根系構型三維探測與重建方法研究進展[J]. 中國農業科學，2015，48(3)：436－448.

Wen Weiliang, Guo Xinyu, Zhao Chunjiang, et al. Crop roots configuration and visualization: A Review[J]. Scientia Agricultura Sinica, 2015, 48(3): 436－448. (in Chinese with English abstract)

[11] Koenig C, Wey H, Binkley T. Precision of the XCT 3000 and comparison of densitometric measurements in distal radius scans between XCT 3000 and XCT 2000 peripheral quantitative computed tomography scanners[J]. Journal of Clinical Densitometry the Official Journal of the International Society for Clinical Densitometry, 2008, 11(4): 575－580.

[12] Yang Xiaofan, Varga Tamas, Liu Chongxuan, et al. What can we learn from in-soil imaging of a live plant: X-ray Computed tomography and 3D numerical simulation of root-soil system[J]. Rhizosphere, 2017, 3(2): 259－262.

[13] 周學成，羅錫文. 基于XCT技術的原位根系三維可視化研究[J]. 農業機械學報，2009，40(增刊1)：202－205. Zhou Xuecheng, Luo Xiwen. 3-D Visualization of root system in situ based on XCT technology[J].Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(Supp.1): 202－205. (in Chinese with English abstract)

[14] Bates G H. A device for the observation of root growth in the soil[J]. Nature, 1937, 139(3527): 966－967.

[15] Sanders J L, Brown D A. A new fiber optic technique for measuring root growth of soybeans under field conditions[J]. Agronomy Journal, 1978, 70(6): 1073－1076.

[16] Sumioitoh. In situ measurement of rooting density by micro-rhizotron[J]. Soil Science & Plant Nutrition, 1985, 31(4): 653－656.

[17] 白文明，程維信，李凌浩. 微根窗技術及其在植物根系研究中的應用[J]. 生態學報，2005，25(11)：3076－3081.

Bai Wenming, Cheng Xinxin, Li Linghao. Applications of minirhizotron techniques to root ecology research[J]. Acta Ecologica Sinica, 2005, 25(11): 3076－3081. (in Chinese with English abstract)

[18] 吳長高，羅錫文. 計算機視覺技術在根系形態和構型分析中的應用[J]. 農業機械學報，2000，31(3)：63－66.

Wu Changgao, Luo Xiwen. Appl ication of computer vision technology to analysis of root pattern and architecture[J]. Transactions of the Chinese Society for Agricultural Machinery, 2000, 31(3): 63－66. (in Chinese with English abstract)

[19] Upchurch D R, Ritchie J T. Root observations using a video recording system in mini-rhizotrons[J]. Agronomy Journal, 1983, 75(6): 1009－1015.

[20] 廖榮偉，劉晶淼，安順清，等. 基于微根管技術的玉米根系生長監測[J]. 農業工程學報，2010，26(10)：156－161.

Liao Rongwei, Liu Jingmiao, An Shunqing, et al. Monitor of corn root growth in soil based on minirhizotron technique[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(10): 156－161. (in Chinese with English abstract)

[21] 張志山，李新榮，張景光，等. 用Minirhizotrons觀測檸條根系生長動態[J]. 植物生態學報，2006，30(3)：457－464.

Zhang Zhishan, Li Xinrong, Zhang Jingguang, et al. Root growth dynamics ofusing minirhizotrons[J]. Journal of Plant Ecology (formerly Acta Phytoecologica Sinica), 2006, 30(3): 457－464. (in Chinese with English abstract)

[22] Joslin J D, Wolfe M H. Disturbances during minirhizotron installation can affect root observation data[J]. Soil Science

Society of America Journal, 1999, 63(1): 218－221.

[23] Phillips D L, Johnson M G, Tingey D T, et al. Minirhizotron installation in sandy, rocky soils with minimal soil disturbance[J]. Soil Science Society of America Journal, 2000, 64(2): 761－764.

[24] Majdi H. Root sampling methods-applications and limitations of the minirhizotron technique [J]. Plant & Soil, 1996, 185(2): 255－258.

[25] Withington J M, Elkin A D, Bulaj B, et al. The impact of material used for minirhizotron tubes for root research[J]. New Phytologist, 2003, 160(3): 533－544.

[26] Merrill S D, Upchurch D R. Converting root numbers observed at minirhizotrons to equivalent root length density[J]. Soil Science Society of America Journal, 1994, 58(4): 289－302.

[27] Taylor H M, Ruck M G, Klepper B, et al. Measurement of soil-grown roots in a rhizotron[J]. Agronomy Journal, 1970, 62(6): 807－809.

[28] 孫海英. 圖像高斯噪聲及椒鹽噪聲去噪算法研究[D]. 上海：復旦大學，2012.

Sun Haiying. Research on denoising algorithm of image gao si noise and salt and pepper noise[D]. Shanghai: Fudan University, 2012. (in Chinese with English abstract)

[29] Shih F Y, Cheng S. Automatic seeded region growing for color image segmentation[J]. Image & Vision Computing, 2005, 23(10): 877－886.

[30] 王博，蘇玉民，萬磊，等. 基于梯度顯著性的水面無人艇的海天線檢測方法[J]. 光學學報，2016(5)：58－67.

Wang Bo, Su Yumin, Wan Lei, et al. Sea sky line detection method of unmanned surface vehicle based on gradient saliency[J]. Acta Optica Sinica, 2016(5): 58－67. (in Chinese with English abstract)

[31] 周學成，羅錫文. 采用區域生長法分割根系CT圖像的改進算法[J]. 農業機械學報，2006，37(12)：122－125.

Zhou Xuecheng, Luo Xiwen. An improved region growing algorithm for the CT images segmentation of plant root[J]. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(12): 122－125. (in Chinese with English abstract)

[32] 刁智華，吳貝貝，魏玉泉，等. 利用最大圓盤提取作物行骨架的改進算法[J]. 中國農機化學報，2016，37(7)：141－144.

Diao Zhihua, Wu Beibei, Wei Yuquan, et al. Improved algorithm of crop rows skeleton extraction based on maximum disc[J]. Journal of Chinese Agricultural Mechanization, 2016, 37(7): 141－144. (in Chinese with English abstract)

[33] 周南，崔屹. 數學形態學骨架化及重建[J]. 中國圖象圖形學報，1997，2(10)：712－716.

Zhou Nan, Cui Yi. Skeletonization and reconstruction via mathematical morphology[J]. Journal of Image and Graphics, 1997, 2(10): 712－716. (in Chinese with English abstract)

Design and validation of in situ micro root observation system for tomato and pepper

Lu Wei1, Wang Xiaochan1,2※, Wang fengjie1

(1.,210031,; 2.,210031,)

Being the principle organ to absorb water and nutrition, root system plays a very important role in the growth of plants. Since roots usually grow in soil that is invisible to us, it is very difficult to detect root morphology in real time or to study on it over a long period of time, especially for shallow root plants. In order to acquire root morphological characteristics in real time, a kind of in situ micro root observation system was proposed and designed. The system was composed mainly of micro camera, optical amplifiers and adjustable lighting device, and its whole volume was only 1.5cm3. The captured images were sent to the terminal (mobile-phone or personal computer) via the wireless module for later image processing. Images of root were always with low quality affected by complicated soil environment (soil pores, obstacles, and moisture), which could not be eliminated by simple image processing method such as median filter and mean filter algorithm. In order to filter out these interferes to the image, method of regional growth was used to extract roots image. First, the image was corroded and expanded by 3×3 structural element to acquire the start point and the end point of the algorithm, where the corrosion image was determined as the start point, and the expansion image as the end point. Then the process of regional growth was carried out by similarity criteria(grayscale difference less than 20), and regions including soil pore structure, moisture and other obstacles were formed. These regions were marked and numbered, and distinguished by the threshold (the threshold 50 pixel was determined by trial and error). At last, root regions were kept, and soil pore structure, moisture and other obstacles were deleted by filtering. The kept root regions were further processed by skeleton extraction based on maximum circle to calculate root length, diameter and other parameters. Non-in-situ test was carried out to test the accuracy of the designed system. The result showed that the system was able to capture images with high accuracy (maximum absolute errors of root length and average diameter were less than 1.5 mm and 0.09 mm respectively , and maximum relative errors of root length and average diameter were less than5.3% and 6.7% respectively). In situ experiment was then carried out by arranging micro root observation systems in different positions and depths into soil around root system. Calibration of micro root observation system was made by comparing with soil samples. The results of in-situ monitoring showed that the micro root observation system can dynamically observe the growth of shallow root in multi points. The determination coefficient of average diameter was more than 0.87 in all soil depths (0-10, >10-20, >20-30 and >30-40 cm; relative error less than 10.4%); and the determination coefficient of root length density within 30 cm was over 0.81 (relative error less than 13.5%). This micro root observation system could dynamically acquire root morphology in multiple spots fast and accurate, which would provide reliable data for plant nutrition, plant physiology and ecology.

morphology; algorithm; measurements; root morphology; micro root observation system; multi-point acquisition; real-time acquisition; regional growth algorithm

魯 偉，汪小旵，王鳳杰. 番茄辣椒微型根系形態原位采集系統設計與實現[J]. 農業工程學報，2018，34(22)：12－18. doi：10.11975/j.issn.1002-6819.2018.22.002 http://www.tcsae.org

Lu Wei, Wang Xiaochan, Wang Fengjie. Design and validation of in situ micro root observation system for tomato and pepper[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(22): 12－18. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.22.002 http://www.tcsae.org

2018-06-16

2018-10-20

國家重點研發計劃項目（2016YFD0200602-4）；江蘇省農業科技自主創新資金項目（CX(16)1002）

魯 偉，博士生，主要從事農業智能檢測與控制技術研究。 Email：lwreed@126.com

汪小旵，教授，博士生導師，主要從事農業生物環境模擬與控制研究。Email：wangxiaochan@njau.edu.cn

10.11975/j.issn.1002-6819.2018.22.002

S237

A

1002-6819(2018)-22-0012-07