基于計算機視覺的小麥葉面積測量

郝雅潔 張吳平 史維杰 趙明霞 呂致 李富忠

摘要：運用計算機視覺技術對目標作物小麥的側拍、俯拍圖像進行識別處理，計算出相應葉片所占面積大小，從多變量因素對其測量分析，與葉真實面積大小進行比較，分析建立關系模型。結果表明，小麥植株的側拍、俯拍面積與葉真實面積之間存在回歸關系，且相關性較高，R2值達到0.91。且經過驗證，測量結果較準確，說明此回歸模型可行。

關鍵詞：計算機視覺;小麥;葉面積;像素數

中圖分類號：TP391;S512.1? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2019）16-0129-04

DOI：10.14088/j.cnki.issn0439-8114.2019.16.030? ? ? ? ? ?開放科學（資源服務）標識碼（OSID）：

Abstract： The computer vision technology was used to identify the lateral and overhead images of the target crop wheat， and the corresponding leaf area was calculated. The multi-variable factors were used to measure and analyze it. Finally， the real area of the leaf was compared and analyzed to establish a relationship model. The results showed that there was a regression relationship between the lateral beat， the overshoot area and the true leaf area of the wheat plants， the correlation was high， and the R2 value reached 0.91. After verification， the measurement results are more accurate， indicating that this regression model is feasible.

Key words： computer vision; wheat; leaf area; number of pixels

小麥（Triticum aestivum L.）是主要用作食用的谷類作物。中國是種植小麥最早的國家之一，山西省以多元的面食文化而出名，將小麥磨成面粉來制作各種面食，且種類繁多復雜，還可以將小麥發酵用于釀酒。

隨著高新技術的發展，計算機技術不斷更新，應用領域也日益擴大，尤其是在農業方面的應用，智慧農業的推廣實施也是政府所大力支持的。為了促進中國農業的進一步發展，轉變生產模式，提高生產效率，中國政府出臺了許多高科技與農業結合的相關政策[1]。智能化計算機圖像識別技術在農業方面的應用，包括實時監測植物生長狀況[2]、識別遭受病蟲害侵襲的植物葉片、對農產品進行質檢以及對植物表型進行測量研究等。作物表型是作物基因和其生長環境等因素共同作用下在生長發育階段所表現出的性狀，可反映出作物的生長發育狀況以及對環境影響的響應等。以智能化的方法對作物的表型進行測量分析，對加速作物育種方面有很大作用。葉片是作物光合呼吸的重要器官，其面積也是反映作物生長狀況的重要指標，對其進行測量可有利于對作物的光合作用和生理功能做進一步研究[3]，還可根據葉面積計算出葉面積指數（LAI）[4]。

本研究運用計算機視覺技術代替傳統的繁瑣人工操作對葉面積進行測量，通過計算圖像中小麥植株葉面積所占的像素總個數而計算出其面積與真實展開葉面積的大小，并對這二者關系進行統計分析，進而可以直接通過小麥植株的圖像就能計算出葉面積，為農業生產提供一定的理論依據。

1? 材料與方法

1.1? 試驗材料

從山西農業大學資源環境學院的試驗田選取10～20棵小麥植株作為試驗材料。將植株進行不同株數的組合，單株、兩株、多株進行對比試驗，并利用實驗室植物表型旋轉平臺分別對植株組合進行俯拍和側拍，利用2D圖像進行測量分析。

1.2? 試驗方法

通過計算機圖像識別處理對小麥植株表型葉面積測量的試驗流程如圖1所示。

1.2.1? 相機標定與圖片校正? 對圖像進行測量、識別或處理操作時，涉及4個坐標系之間的轉變，包括像素坐標系、圖像坐標系、相機坐標系以及世界坐標系。對圖像進行視覺處理，最終要實現像素坐標系與世界坐標系之間的轉換[5]。在使用相機對物體進行拍照時，最終的圖像會由于鏡頭拍攝角度等原因產生各種畸變，影響最終試驗結果的精確性，所以需要對這些圖像進行畸變校正。在對圖像進行校正前，需要得知相機的內參、外參和畸變參數，這些參數可以通過對相機的標定而得到[6]。做好標定工作是后期校正圖像、降低圖像畸變程度、提高處理精確度的重要前提[7]。世界坐標系到像素坐標系的轉換公式，如下所示：

使用MATLAB軟件對拍攝小麥植株圖片使用的相機進行了標定，得到了相機相關參數等信息，以便對拍攝的小麥圖片進行校正及后續的操作工作[8，9]。

1.2.2? 圖片二值化處理? 將校正后的圖片進行二值化處理，圖像呈現出的色彩效果僅黑白兩種顏色，能夠被直觀地觀察，且易于處理，方便得到葉片面積所占的像素個數。

實際拍攝的圖像中不僅包含目標物體，還會有各種各樣的噪聲存在，影響圖像效果質量，為后期的操作帶來干擾。首先需要對其進行去噪處理[10]，使用高斯濾波函數進行模糊去噪，去除圖像中一些不必要的信息。然后對去噪后的圖像進行二值化操作，通過將圖片由RGB轉為HSV模式后進行閾值化操作。二值化實質是對圖像進行分割[11]，即將目標物體與其他背景區分開[12]。

1.2.3? 計算像素個數? 對圖像進行二值化后，圖片僅有黑白兩種顏色，且圖片是單通道的，所有像素點的值只有0和255這兩個數值，0代表黑色，255指白色。需創建一個迭代器來遍歷圖像中所有像素點的值，二值化后目標植株是呈現白色效果的，所以需要統計白色像素的個數，凡訪問到值為255，就將代表白色像素點個數的變量加1，最后累計輸出最終個數，從而計算出對應的俯拍、側拍植株所占面積[13]。

1.2.4? 計算葉片真實面積? 計算真實葉面積需要進行破壞性試驗，將植株個體的葉片拆分開，粘貼到白紙上，并附已知面積的參照物（30 cm2的矩形標定物）。

對參照物和葉片進行二值化時，根據黑色和綠色相對應的不同HSV閾值范圍進行設定，分別實現對二者的二值化。

2? 結果與分析

2.1? 葉片面積數據的分析

將計算出的葉片真實面積數據與植株圖像的側拍、俯拍面積進行數據間的統計分析處理，找到它們之間存在的關系，測量得到的數據如表1所示。對于測量得到的植株葉面積，單株的準確性會相對較高，因為沒有遮擋，其形態完全可以拍到，而多株群體植株的葉面積會存在遮擋問題，影響最終測量結果。

2.2? 回歸方程的建立

通過對數據進行回歸分析，減少誤差影響。將側拍面積、俯拍面積兩因素作為兩個自變量，葉片真實面積作為因變量，回歸結果如表2所示。側拍面積、俯拍面積和真實面積三者之間的關系還是比較緊密的，且相關性較高，相關系數R均達到了0.95以上，決定系數（相關系數R2）為0.910 08。顯著性統計量F值來判定模型的回歸效果，用0.05作為顯著水平標準值，試驗中此值分別為0.000 019 6，小于0.05，說明此回歸方程通過了F檢驗，顯著有效。P值也以0.05為參考標準，側拍、俯拍面積兩變量的斜率均小于0.05，說明其可靠性較高，與葉片真實面積的值相關性較大，回歸模型可靠顯著[14]。表明該回歸模型結果可靠，回歸分析是有意義的。

2.3? 回歸方程的驗證

根據驗證數據的俯拍、側拍得出的面積，直接運用回歸公式算出真實面積1，再將其運用破壞性試驗方法計算出真實面積2，將這兩個數據結果進行對比，結果如表3所示。葉片真實面積1與葉片真實面積2相對比，誤差較小的，可以運用該方法進行小麥植株葉面積的測量，也說明上述回歸方程可行有效的。

3? 小結與討論

測量目標物體進行多角度的拍照、標定、校正，實現對圖像進行各種預處理及像素點的計算，最后將各種數據信息進行匯總進行統計回歸分析并驗證其結果的可靠性、有效性。試驗得到含3個變量的線性回歸模型，為計算小麥葉面積提供方便快速的理論依據，減少傳統方式的繁瑣步驟。

本試驗工作僅針對小麥植株的葉面積進行了測量分析，并沒有在其他植株上進行試驗驗證，所以本次試驗的回歸模型結果是否適用于其他植株葉面積的測量，還有待進一步的試驗分析。葉面積作為作物表型的一個重要測量指標，很大程度上關系著作物的生物量、干重等，根據葉面積大小與土壤面積可測算出相應的葉面積指數。葉面積指數是一個具有重要意義的參數，還需要進一步對多種作物的葉面積進行測量分析，找到相應更精確的回歸模型，并試試能否找到一個適用于多種作物的統一回歸模型，為現代農業生產提供更加精準便利、智能化的服務。

參考文獻：

[1] 張? 恒，劉? 強.基于無人機的新型農業應用研究[J].現代農機，2018（5）：17-19.

[2] JIANG? Z W，REN J Q，CHEN Z X，et al. Inversion of winter wheat leaf area index based on canopy reflectance model and HJ CCD image[A].2013 2nd International Conference on Agro-Geoinformatics：Information for Sustainable Agriculture，Agro-Geoinformatics[C].2013，264-269.

[3] 郭孝玉，孫玉軍，王軼夫，等.基于改進人工神經網絡的植物葉面積測定[J].農業機械學報，2013，44（2）：200-204，199.

[4] 李長春，牛慶林，楊貴軍，等.基于無人機數碼影像的大豆育種材料葉面積指數估測[J].農業機械學報，2017，48（8）：147-158.

[5] 緱文彤.基于極簡標靶的相機參數標定方法[D].陜西楊凌：西北農林科技大學，2018.

[6] STEFFEN U，SVEN W，JENS L，et al. MultiCol bundle adjustment：A generic method for pose estimation，simultaneous self-calibration and reconstruction for arbitrary multi-camera systems[J].International journal of computer vision，2017，121（2）：234-252.

[7] 尹梁波，鄧興升.基于BP神經網絡的物鏡畸變改正模型精度探討[J].測繪科學技術，2018，6（2）：79-84.

[8] 江士雄. 面向位姿估計的相機系統標定方法研究[D].武漢：華中科技大學，2016.

[9] 高? 林，楊貴軍，王寶山，等.基于無人機遙感影像的大豆葉面積指數反演研究[J].中國生態農業學報，2015，23（7）：868-876.

[10] GUPTA S，MEENAKSHI. A review and comprehensive comparison of image denoising techniques[A].International Conference on Computing for Sustainable Global Development（INDIACom）[C].2014.

[11] TAN H Q，JIANG H Y，DONG A S，et al. C-V level set based cell image segmentation using color filter and morphology[P].Information Science，Electronics and Electrical Engineering（ISEEE），2014 International Conference[C].2014.

[12] 褚洪亮，肖? 青，柏軍華，等.基于無人機遙感的葉面積指數反演[J].遙感技術與應用，2017，32（1）：140-148.

[13] 吳千華，孟祥麗，劉一鳴.植物葉面積測定方法探討[J].熱帶林業，2018，46（2）：37-39.

[14] 劉秀英.玉米生理參數及農田土壤信息高光譜監測模型研究[D].陜西楊凌：西北農林科技大學，2016.