基于圖像處理和聚類算法的待考種大豆主莖節(jié)數(shù)統(tǒng)計

王躍亭 王敏娟 孫 石 楊 斯 鄭立華

(1.中國農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成研究教育部重點實驗室， 北京 100083；2.中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所, 北京 100081)

0 引言

為了熟悉新培育出來的大豆品種，研究人員需要對大豆植株性狀進(jìn)行詳細(xì)的觀察和記錄(即考種)[1-2]。傳統(tǒng)的人工考種存在操作誤差大、效率低下、成本過高等問題。為了優(yōu)化作物考種流程，研究者進(jìn)行了大量研究：機(jī)器視覺、深度學(xué)習(xí)等技術(shù)應(yīng)用于作物籽粒性狀檢測，提升了檢測速率與準(zhǔn)確性[3-5]；三維視覺技術(shù)的引入為獲取作物莖稈信息，以及作物產(chǎn)量、抗倒伏等性狀分析提供了支持[6-8]；高光譜技術(shù)與圖像分析技術(shù)的結(jié)合為作物葉片性狀的采集與監(jiān)測提供了新的方式[9-11]。

豆莢多生長于主莖上的莖節(jié)點處，主莖節(jié)數(shù)關(guān)系到大豆的產(chǎn)量，故主莖節(jié)數(shù)是大豆考種過程的重要指標(biāo)之一。文獻(xiàn)檢索發(fā)現(xiàn)，目前利用機(jī)器學(xué)習(xí)和圖像處理方法進(jìn)行大豆主莖節(jié)點和主莖節(jié)數(shù)統(tǒng)計的研究鮮有報道，但其他作物有關(guān)莖節(jié)點和莖節(jié)的研究均基于圖像處理展開。文獻(xiàn)[12-13]通過對甘蔗圖像進(jìn)行圖像分割、局部像素點統(tǒng)計等對甘蔗莖節(jié)點進(jìn)行識別；MOSHASHAI等[14]根據(jù)莖節(jié)處粗大的形態(tài)特點，通過檢測甘蔗邊緣信息，將局部最大值確定為莖節(jié)。上述方法雖然在甘蔗莖節(jié)點識別中獲得不錯的效果，但因大豆植株存在豆莢、分枝等因素的干擾，局部像素點較多處和邊緣粗大處等不一定為大豆莖節(jié)點。葡萄、荔枝等果實采摘點與大豆豆莢生長習(xí)性類似，果實串采摘點的確定對大豆主莖節(jié)點的識別有一定借鑒意義。熊俊濤等[15-16]在識別、分割葡萄、荔枝等作物果實串的基礎(chǔ)上，確定果梗感興趣區(qū)域，并輔以角點檢測等算法確定采摘點，為農(nóng)業(yè)采摘機(jī)器人的實際應(yīng)用提供了技術(shù)支持。上述方法應(yīng)用于大豆莖節(jié)點識別時，需要解決大豆因色彩相近、遮擋嚴(yán)重等原因而造成的豆莢識別困難，以及豆莢與主莖連接處較短、不易識別等問題。

綜合分析相關(guān)研究可知，對于大豆植株存在的豆莢、分枝干擾問題，可利用骨架提取等技術(shù)進(jìn)行圖像細(xì)化，配合角點檢測可進(jìn)一步實現(xiàn)對主莖節(jié)點的確定。針對因拍攝角度造成大豆莖節(jié)點無法有效識別的問題，可利用聚類算法[17]對多角度下的圖像信息進(jìn)行統(tǒng)計和分析，以實現(xiàn)大豆植株莖節(jié)點的識別、統(tǒng)計和分析。其中，HDBSCAN (Hierarchical density-based spatial clustering of applications with noise)[18-21]結(jié)合了密度聚類、層次聚類算法的優(yōu)點，無需設(shè)定初始聚類簇大小、領(lǐng)域閾值等參數(shù)，能對噪聲點進(jìn)行有效識別和剔除，適用于未知節(jié)數(shù)情形下的大豆主莖節(jié)數(shù)統(tǒng)計研究。

本文在上述研究基礎(chǔ)上，提出一種基于圖像處理和聚類算法的待考種大豆主莖節(jié)數(shù)統(tǒng)計方法。以不同拍攝角度下的大豆圖像作為輸入，引入圖像處理與聚類算法對大豆主莖節(jié)數(shù)進(jìn)行逐級篩選、提純，最終實現(xiàn)大豆主莖節(jié)數(shù)的統(tǒng)計。

1 材料與方法

1.1 圖像采集和處理

實驗對象為已脫葉、處于考種階段的高產(chǎn)大豆品種“中黃30”，由中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所提供。采集圖像時，將種植于花盆內(nèi)的待測植株放置于轉(zhuǎn)盤上，背景采用黑色幕布，使用三腳架將相機(jī)架設(shè)到適宜高度，數(shù)據(jù)采集場景設(shè)計如圖1a所示。拍攝時，轉(zhuǎn)動轉(zhuǎn)盤實現(xiàn)不同角度的大豆植株圖像獲取，圖像采集實驗場景如圖1b所示。

圖1 數(shù)據(jù)采集實驗場景Fig.1 Scene of data acquisition

相機(jī)分辨率為1 920像素×1 080像素，可獲得彩色圖像。為了避免單一拍攝角度下處于視覺盲區(qū)的莖節(jié)點丟失，實驗時設(shè)定旋轉(zhuǎn)基礎(chǔ)步長為15°，轉(zhuǎn)盤旋轉(zhuǎn)一周可獲得24幅不同角度的單株大豆植株圖像。本文在Windows 10操作系統(tǒng)下，利用PyCharm集成開發(fā)平臺，采用Python語言，實現(xiàn)大豆植株圖像的植株分割、骨架提取、角點識別、主莖節(jié)點篩選、數(shù)據(jù)轉(zhuǎn)換以及密度聚類統(tǒng)計等操作，進(jìn)而完成大豆植株主莖的莖節(jié)統(tǒng)計。

1.2 大豆植株主莖節(jié)數(shù)統(tǒng)計算法

圖2 大豆植株主莖節(jié)數(shù)統(tǒng)計算法流程圖Fig.2 Flow chart of statistical algorithm for number of main stem nodes of soybean plants

為了有效統(tǒng)計大豆植株主莖節(jié)數(shù)，本文設(shè)計了如圖2所示的基于圖像處理和聚類算法的待考種大豆植株主莖節(jié)數(shù)統(tǒng)計算法。算法將采集到的大豆植株圖像隨機(jī)分為訓(xùn)練集和驗證集，并進(jìn)行對應(yīng)的訓(xùn)練、驗證操作。其中，訓(xùn)練的目的是獲得主莖節(jié)數(shù)識別準(zhǔn)確率最大值所對應(yīng)的圖像采集間隔以及聚類參數(shù)，據(jù)此表明對同一品種大豆，只需訓(xùn)練少量樣本即可獲得穩(wěn)定、收斂的結(jié)果。驗證集則可進(jìn)一步驗證上述算法的效果。

在訓(xùn)練階段(圖2a)，首先通過人工輸入初始圖像采集間隔和抽樣步長，初始化算法參數(shù)。其次，根據(jù)上述參數(shù)抽取訓(xùn)練集樣本，并經(jīng)過圖像分割、骨架提取、角點識別、主莖節(jié)點篩選等操作，獲取待檢測莖節(jié)點數(shù)據(jù)集。再次，對分布離散、距離較難計算的二維數(shù)據(jù)點進(jìn)行數(shù)據(jù)降維，轉(zhuǎn)化為更易聚類的一維空間數(shù)據(jù)。然后，利用HDBSCAN算法對不同采集間隔下的待檢測大豆主莖節(jié)點進(jìn)行聚類分析，完成當(dāng)前大豆植株的主莖節(jié)數(shù)的識別、統(tǒng)計，并計算對應(yīng)的大豆植株識別準(zhǔn)確率。最后，依據(jù)抽樣步長減小圖像采集間隔，重復(fù)上述步驟直至訓(xùn)練集數(shù)據(jù)運算完畢，根據(jù)主莖節(jié)數(shù)識別準(zhǔn)確率篩選出最優(yōu)采集間隔與聚類參數(shù)。

在驗證階段(圖2b)，根據(jù)訓(xùn)練階段所獲得的最優(yōu)采集間隔與聚類參數(shù)，對驗證集圖像進(jìn)行對應(yīng)圖像的處理、聚類操作，并對獲得的大豆識別準(zhǔn)確率進(jìn)行統(tǒng)計，進(jìn)一步驗證算法的準(zhǔn)確性、有效性。

1.2.1植株分割

在本文設(shè)計實驗場景下采集的大豆植株圖像包含花盆、轉(zhuǎn)盤、幕布等其他背景信息以及干擾噪聲。為了獲得準(zhǔn)確、有效的大豆植株圖像，需要對圖像進(jìn)行分割以獲得僅含有目標(biāo)的圖像。對此，本文利用HSV色彩模型制作掩模，并以此實現(xiàn)對大豆植株的圖像分割，獲取只含大豆植株的圖像。其中，HSV色彩模型是一種面向視覺感知的顏色模型，相較于RGB色彩空間更加符合人的視覺特征。HSV色彩模型由3個要素組成，即色調(diào)(H)、飽和度(S)以及亮度(V)。

1.2.2骨架提取

植株莖節(jié)點是大豆主莖節(jié)數(shù)計數(shù)的標(biāo)志點，通過識別、標(biāo)識、統(tǒng)計植株莖節(jié)點即可確定主莖節(jié)數(shù)，進(jìn)而實現(xiàn)大豆產(chǎn)量的評估。若直接進(jìn)行莖節(jié)點識別，因存在豆莢遮擋、主莖分枝等干擾，將引起莖節(jié)點遺漏、重復(fù)識別、錯誤識別等問題(圖3)。故本文利用骨架提取算法進(jìn)行大豆植株圖像細(xì)化，以保證主莖節(jié)點的準(zhǔn)確、有效提取。

圖3 大豆植株圖像噪聲分布示意圖Fig.3 Noise distribution schematic of soybean plant

在圖3中，編號1處的莖節(jié)點存在豆莢遮擋問題；編號2、3處因豆莢與主莖的交叉而引入2個噪聲點；編號4、5處則因分枝與主莖相交而引入2個噪聲點；編號6處的噪聲點由豆莢末端引入；編號7處則為大豆主莖與成像邊界相交而引入的噪聲點。

本文首先利用大津法(Otsu)[22]對圖像分割后的大豆植株圖像進(jìn)行二值化，然后選擇由LEE[23]提出的骨架提取算法進(jìn)行大豆植株的骨架提取。

1.2.3大豆主莖節(jié)點檢測

大豆主莖節(jié)點是植株主莖上兩節(jié)莖稈的連接部分，而相鄰兩節(jié)莖稈的直徑、方向不同等使得其在該點存在屬性差異(即角點)。為了獲取大豆植株主莖上待檢測的莖節(jié)點，本文選擇Shi-Tomasi特征點檢測算法[24]對大豆植株骨架進(jìn)行角點檢測。

經(jīng)過角點檢測后，骨架端點處仍存在因豆莢、分枝以及成像限制等產(chǎn)生的噪聲點。為了剔除噪聲點，本文首先設(shè)定端點識別閾值，選定卷積模板；然后，根據(jù)設(shè)定的卷積模板尺寸構(gòu)建卷積模板，對骨架提取后的大豆植株圖像各像素點進(jìn)行卷積操作；最后，將各卷積結(jié)果與端點識別閾值進(jìn)行比較，小于閾值的點即為所尋找的端點。通過對20組不同植株在任意角度下拍攝的圖像進(jìn)行主莖節(jié)點提取試驗，觀察發(fā)現(xiàn)當(dāng)卷積模板尺寸設(shè)置為3×3、端點閾值設(shè)置為4像素時，端點識別效果較好，能夠識別出所有非遮擋的骨架節(jié)點，平均準(zhǔn)確率達(dá)90.39%。

1.2.4基于空間距離的數(shù)據(jù)轉(zhuǎn)換

大豆植株生長過程中的彎曲、地面不平整等，使得不同拍攝角度的大豆主莖節(jié)點分布無序，從而使得后續(xù)的聚類算法缺乏合理的聚類依據(jù)。故需將空間分布無序的大豆莖節(jié)點進(jìn)行數(shù)據(jù)轉(zhuǎn)換，得出便于數(shù)據(jù)空間聚類的數(shù)據(jù)集。

本文選擇MDS降維算法[25]將不同分布的待檢測二維空間點映射至一維空間內(nèi)，簡化后續(xù)的聚類操作。MDS算法是一種基于空間距離的數(shù)據(jù)降維算法，其要求在低維空間內(nèi)樣本距離能夠保持原始空間中的各樣本之間的距離[26]。

算法假定m個樣本在原始空間(其維度為d)的距離矩陣為D∈Rm×m，其第i行、第j列的元素dij為樣本xi到xj的距離。樣本在d′維空間的標(biāo)識形式為Z∈Rd′×m,d′?d，且任意兩個樣本zi、zj在d′維空間中的歐氏距離等于原始空間中的距離，即‖zi-zj‖=dij。

令B=ZTZ∈Rm×m，其中B為降維后樣本的內(nèi)積矩陣。對矩陣B做特征值分解，B=VΛVT，其中V為特征向量矩陣；Λ=diag(λ1,λ2,…,λd)為特征值構(gòu)成的對角矩陣，λ1≥λ2≥…≥λd。假定其中有d*個非零特征值，它們構(gòu)成對角矩陣Λ*=diag(λ1,λ2,…,λd*)，令V*表示相應(yīng)的特征向量矩陣，則Z可表達(dá)為

(1)

1.2.5HDBSCAN聚類算法

HDBSCAN算法是一種密度聚類與層次聚類相結(jié)合的聚類算法。其只需確定每個簇中樣本數(shù)的最小值(即最小簇大小)即可實現(xiàn)樣本集的可視化聚類。其在未知大豆主莖節(jié)點的情況下，只需考慮待檢測莖節(jié)點在總的抽樣樣本集中出現(xiàn)的頻次即可，更加適合大豆主莖莖節(jié)點的聚類統(tǒng)計。算法具體步驟如下：

(1)根據(jù)數(shù)據(jù)點分布密度進(jìn)行空間變換。為確定不同簇的聚類依據(jù)，算法引入了核心距離與互達(dá)距離的概念。核心距離ck(x)=d(x,Nk(x))指樣本與第k個最鄰近樣本點的距離。a、b兩點的互達(dá)距離dmreach-k(a,b)計算公式為

dmreach-k(a,b)=max{ck(a),ck(b),d(a,b)}

(2)

式中d(a,b)——a、b兩點的直線距離

對于空間中存在的點A、B、C，當(dāng)k=5時，A、B兩點和A、C兩點的互達(dá)距離分別為c5(x)、d(A,C)?；ミ_(dá)距離示意圖如圖4所示。

圖4 互達(dá)距離示意圖Fig.4 Diagram of reaching distance

(2)依據(jù)互達(dá)距離，建立最小生成樹。為了能夠獲取數(shù)據(jù)集內(nèi)所有數(shù)據(jù)點的信息，HDBSCAN算法利用Prim算法，以數(shù)據(jù)點為頂點、任意兩點間互達(dá)距離為權(quán)重，構(gòu)建最小生成樹。

(3)最小生成樹轉(zhuǎn)換為簇層次結(jié)構(gòu)。簇狀結(jié)構(gòu)能夠?qū)Σ煌瑢哟蔚臄?shù)據(jù)集進(jìn)行劃分，故需將最小生成樹轉(zhuǎn)化為簇層次結(jié)構(gòu)。算法以互達(dá)距離為權(quán)重，對樹的邊按升序進(jìn)行排序、遍歷，為每條邊創(chuàng)建一個新的合并簇。

(4)壓縮簇層次結(jié)構(gòu)。為了剔除數(shù)據(jù)集中的噪聲點、壓縮簇層次結(jié)構(gòu)，需要人工設(shè)定最小簇的值。在每次簇層次結(jié)構(gòu)分割時，比較新分割出的簇點數(shù)與最小簇大小：當(dāng)新簇不少于最小簇時，新分割的簇保留，否則該簇被剔除且保留較大的父簇；最終獲得一個擁有較少分枝的層級樹結(jié)構(gòu)。

(3)

式中cluster——聚類簇集合

將所有子簇均聲明為選定簇，通過反向拓?fù)渑判虮闅v比較子簇穩(wěn)定度與父簇穩(wěn)定度：當(dāng)子簇穩(wěn)定度之和大于父簇穩(wěn)定度時，則將簇穩(wěn)定度設(shè)置為子簇穩(wěn)定度之和；否則，將父簇聲明為選定簇，并取消選定其子簇；當(dāng)?shù)竭_(dá)根節(jié)點時，當(dāng)前選定簇集合即為最終提取的穩(wěn)定簇集合。

1.2.6識別準(zhǔn)確率計算及尋優(yōu)

為了衡量訓(xùn)練集大豆主莖節(jié)數(shù)的識別效果，需要設(shè)計、制定合理的評價標(biāo)準(zhǔn)。因單個植株主莖節(jié)數(shù)較小(“中黃30”大豆多為12～18節(jié))，即使較小的誤差(1～3節(jié))也將影響每一樣本的精度統(tǒng)計結(jié)果。故針對不同采集間隔下的識別準(zhǔn)確率P，其計算公式為

(4)

式中NI——全部訓(xùn)練集識別的主莖總節(jié)數(shù)

NT——實際主莖總節(jié)數(shù)

在不同采集條件下對不同植株的識別準(zhǔn)確率進(jìn)行記錄，將最高識別準(zhǔn)確率的采集條件作為最優(yōu)采集間隔，以供剩余植株的主莖節(jié)數(shù)識別、統(tǒng)計。

2 結(jié)果與分析

2.1 大豆植株圖像分割

為了方便大豆植株的分割，在植株后方布置灰色幕布，因此HSV色彩模型選定灰色色彩空間(Hmin=0，Hmax=180；Smin=0，Smax=30；Vmin=46，Vmax=220)進(jìn)行背景色彩描述；然后，通過取反操作制作掩模與拍攝圖像進(jìn)行與操作完成大豆植株的圖像分割。圖5為4株已脫葉的待考種“中黃30”大豆在轉(zhuǎn)角0°時的原始圖像及目標(biāo)分割后的圖像。

圖5 大豆植株原始圖像及分割后圖像Fig.5 Images of original and image segmentation

2.2 大豆植株骨架提取與角點檢測

2.2.1大豆植株骨架提取

在獲取到只含有大豆植株的圖像后，首先利用大津法對圖像進(jìn)行二值化處理，將大豆植株所在區(qū)域灰度設(shè)置為255(即白色)，背景區(qū)域灰度設(shè)置為0(即黑色)；然后，利用骨架提取算法進(jìn)行二值圖像的骨架提取，對圖5進(jìn)行處理的結(jié)果如圖6所示。

圖6 大豆植株二值化圖像與骨架提取效果Fig.6 Images of binarization and skeleton extraction

通過骨架提取將大豆植株細(xì)化為寬度為1像素的二值化圖像，減少同一豆莢、分枝因其空間不同而引入的噪聲點數(shù)量。此外，在寬度為1像素的植株圖像中更容易確定莖節(jié)點的位置。

2.2.2大豆植株角點檢測

為保證獲得所有可能莖節(jié)，針對考種階段的大豆植株，通過前期試驗設(shè)定最大識別角點數(shù)為100、識別等級為0.01、最小間隔為30像素進(jìn)行大豆植株骨架的角點檢測，圖7為圖6的處理結(jié)果，并將對應(yīng)的圖像坐標(biāo)信息存入Excel表格內(nèi)備用。

圖7 不同視角圖像的待檢測莖節(jié)點識別結(jié)果Fig.7 Recognition results of nodes from different perspectives

圖8 大豆植株骨架端點識別及篩選效果Fig.8 Recognition and filtering of skeleton endpoint and screening

由圖7可知，通過角點檢測獲得的待檢測莖節(jié)點中存在由豆莢骨架末端以及莖稈與圖像邊界相交所引入的噪聲點，需要進(jìn)行大豆植株主莖節(jié)點的篩選和提純。

2.3 大豆植株主莖節(jié)點篩選

為了將骨架端點處的噪聲點剔除，本文對骨架圖像端點進(jìn)行了識別、記錄，并將其從待檢測莖節(jié)點數(shù)據(jù)集中剔除，圖7中各目標(biāo)的處理結(jié)果如圖8所示。

觀察發(fā)現(xiàn)，通過圖像的卷積操作能夠保留植株主莖上的莖節(jié)點，并濾除植株、分枝、豆莢等部位的末端噪聲點干擾。因已經(jīng)濾除主莖末端噪聲干擾，現(xiàn)存的莖節(jié)點個數(shù)即可應(yīng)用于后續(xù)聚類分析。

2.4 基于空間距離的數(shù)據(jù)轉(zhuǎn)換

完成單幅圖像的主莖節(jié)點篩選后，需要將不同視角下的主莖節(jié)點進(jìn)行匯總，并將數(shù)據(jù)轉(zhuǎn)換為更適宜聚類的一維空間數(shù)據(jù)。因不同角度下采集的圖像尺寸(1 920像素×1 080像素)相同，且每幅圖像具有相同的像素坐標(biāo)系，故不同視角下的主莖節(jié)點可放于同一文件內(nèi)直接進(jìn)行比較。

圖9為從同一株大豆植株的3組圖像中提取的主莖節(jié)點組合以及經(jīng)過MDS數(shù)據(jù)轉(zhuǎn)換的莖節(jié)點空間分布效果圖。這3組圖像分別為拍攝角度相隔180°的2幅圖像(圖9a)、相隔120°的3幅圖像(圖9b)、相隔90°的4幅圖像(圖9c)。其中，左圖為莖節(jié)點圖像組合，右圖為降維轉(zhuǎn)換后的數(shù)據(jù)(為了便于數(shù)據(jù)點描述，X坐標(biāo)統(tǒng)一置零，Y坐標(biāo)為轉(zhuǎn)換后的數(shù)值)。

通過對數(shù)據(jù)轉(zhuǎn)換后的圖像進(jìn)行分析可知，當(dāng)采集間隔較大、輸入圖像較少時，轉(zhuǎn)換后的各待檢測莖節(jié)點分布較為疏散，但數(shù)據(jù)量較少；隨著采集間隔減小、輸入圖像增多，數(shù)據(jù)點分布逐漸稠密，在多幅圖像中出現(xiàn)的莖節(jié)點重疊使得圖像中該點顏色加深。

圖9 大豆植株主莖節(jié)點數(shù)據(jù)降維效果Fig.9 Effect diagrams of dimensionality reduction of node data

2.5 莖節(jié)點聚類

在HDBSCAN算法聚類過程中將最小簇設(shè)置為2(在2幅圖像中均穩(wěn)定出現(xiàn)的莖節(jié)點即認(rèn)定為主莖節(jié)點)，部分聚類效果如圖10所示，其中被圈出的是穩(wěn)定的聚類簇，即被認(rèn)定為大豆植株主莖上的莖節(jié)點。

由圖10可知，當(dāng)圖像采集間隔較大時，輸入的待檢測莖節(jié)點較少，樣本量不足以及部分樣本點相距較遠(yuǎn)，導(dǎo)致識別的莖節(jié)點數(shù)少于真實值。隨著圖像采集間隔的不斷減小，輸入的待檢測莖節(jié)點總數(shù)不斷增加，更多的待檢測莖節(jié)點被判定為莖節(jié)點，但也更容易受到噪聲點的影響。

2.6 最優(yōu)采集間隔選取與識別效果分析

為了確定最優(yōu)的圖像采集間隔，本文選擇21株待考種的“中黃30”大豆植株作為訓(xùn)練集，以180°采集間隔為初始采集間隔，設(shè)定抽樣步長為30°，分別

對采集間隔為180°、150°、120°、90°、60°、30°時獲得的主莖節(jié)數(shù)識別準(zhǔn)確率進(jìn)行記錄、統(tǒng)計和對比分析，結(jié)果如表1所示。

由表1可知，當(dāng)圖像采集間隔為90°時，其識別準(zhǔn)確率為91.11%，識別效果最優(yōu)，因此將其作為剩余樣本的最優(yōu)圖像采集間隔。本文對7種不同主莖節(jié)數(shù)的42株驗證集大豆植株(即每種主莖節(jié)數(shù)包括6株樣本)進(jìn)行主莖節(jié)數(shù)識別、統(tǒng)計，并計算其識別準(zhǔn)確率，結(jié)果如表2所示。

由表2可知，在圖像采集間隔為90°的條件下，不同主莖節(jié)數(shù)的大豆植株的平均識別準(zhǔn)確率可達(dá)98.25%，單株考種大豆主莖節(jié)數(shù)識別準(zhǔn)確率大于88%，能夠滿足大豆實際考種需求。

3 結(jié)論

(1)根據(jù)大豆植株的生長期及其骨架角點分布情況，通過實驗設(shè)定卷積模板尺寸，并進(jìn)行卷積計算，實現(xiàn)大豆植株主莖骨架上的待檢測數(shù)據(jù)點提取。

圖10 大豆植株主莖節(jié)點聚類效果Fig.10 Clustering of main stem nodes of soybean plants

表1 訓(xùn)練集不同采集間隔下的主莖節(jié)數(shù)識別結(jié)果Tab.1 Results of soybean main stem nodes from different collection intervals

表2 采集間隔為90°下的主莖節(jié)數(shù)識別結(jié)果Tab.2 Results of soybean main stem nodes at 90°

(2)基于空間距離的數(shù)據(jù)轉(zhuǎn)換算法解決了因大豆植株自然生長、地勢起伏等原因而引起數(shù)據(jù)點分布離散的問題，為聚類算法提供較好的樣本數(shù)據(jù)集。

(3)在未知莖節(jié)點個數(shù)的情況下，本文方法能夠統(tǒng)計出大豆植株主莖節(jié)數(shù)，并可剔除分枝中莖節(jié)點的干擾。實驗發(fā)現(xiàn)，對于42株待考種“中黃30”大豆植株,利用90°采集間隔獲得的圖像的主莖節(jié)數(shù)平均識別準(zhǔn)確率達(dá)98.25%。