基于葉片下苗莖側視圖像的白掌穴盤苗品質檢測

楊 意，范開鈞，韓江楓，楊艷麗，初 麒，周卓敏，辜 松,5

基于葉片下苗莖側視圖像的白掌穴盤苗品質檢測

楊 意1，范開鈞2，韓江楓3，楊艷麗4，初 麒4，周卓敏3，辜 松3,5※

（1. 華南農業大學電子工程學院，廣州 510642；2. 中國石油大學（華東）機電工程學院，青島 266580；3. 華南農業大學工程學院，廣州 510642；4. 廣州實凱機電科技有限公司，廣州 510642；5. 華南農業大學南方農業機械與裝備關鍵技術教育部重點實驗室，廣州 510642）

針對穴盤苗葉片之間相互覆蓋難以利用俯視圖像判斷種苗品質的問題，該研究以白掌苗為研究對象，提出一種葉片下觀測苗莖局部區域的方法，通過提取穴盤苗葉片下苗莖參數，結合種苗級別判斷標準，實現葉片相互覆蓋穴盤苗的自動化品質檢測。該方法首先確定白掌苗苗莖品質分級臨界值，并構建由微型相機和導光纖維組成的苗莖圖像采集單元，在檢測室暗室環境中捕獲白掌苗葉片下光纖光斑區域苗莖圖像，利用視覺算法提取苗莖圖像和苗莖投影面積，通過提取的待測白掌苗苗莖投影面積與白掌苗苗莖品質分級臨界值對比分析，確定不合格苗，并返回不合格苗穴孔位置信息。試驗結果表明，穴盤苗品質檢測準確度主要受種苗在穴中位置和輸送速度影響，當苗偏離穴中心10 mm以上時，種苗品質檢測準確度最低降至85%以下。當種苗品質接近分級臨界值時，種苗品質檢測準確度略微下降，但不顯著（>0.05）。針對72孔待售白掌穴盤苗進行品質檢測試驗，試驗結果表明，當輸送帶速度為0.045 m/s，苗莖偏離距離在10 mm內，系統的識別準確率可達97.92%，對應生產率為150盤/h（10 800株/h）。該研究可為存在相鄰葉片覆蓋時穴盤苗分級、品質檢測的自動化評估提供理論指導和參考。

機器視覺；品質檢測；設施園藝；穴盤苗；葉片遮擋

0 引 言

穴盤苗生產技術已廣泛用于蔬菜和花卉育苗生產中[1-3]。為獲得較高的經濟收益，種苗生產企業需要保證穴盤苗品質。因部分穴孔的苗受種子品質、播種精度等因素影響，存在缺苗或者生長狀態不佳的現象[4]，導致整盤穴盤苗售價下降。穴盤苗品質不均還會影響后續機械移植作業。為保證穴盤苗品質一致，通常需要識別、剔除穴盤中不合格苗，并替換為合格苗。

目前，種苗生產企業主要利用人工剔除穴盤中不合格苗后補苗。人工作業方式效率低、勞動成本高、分級判斷標準不穩定。采用基于機器視覺技術的種苗分選機可自動識別缺苗穴孔和不合格苗，并剔除不合格苗，分級準確且作業效率高。機器視覺穴盤苗分級通常使用穴盤苗俯視圖像確定苗品質[5-8]。Jiang等在研究補苗機械手路徑優化問題時，利用俯視圖像判斷穴盤中不合格苗和缺苗穴孔位置[9]。王永維等利用俯視圖像檢測擬南芥穴盤苗缺苗情況，為自動補苗機提供缺苗穴孔位置信息[10]。利用俯視圖像判斷苗品質的研究均針對葉片無相互遮擋的穴盤小苗[11-13]。但絕大多數花卉與蔬菜穴盤苗在成苗出售時，存在相鄰苗葉片相互遮擋覆蓋的情況，利用俯視圖像難以評估個體苗的生長狀況。為解決葉片相互覆蓋穴盤苗品質判定問題，荷蘭Visser公司的Select-O-Mat高速分級機[14]、Flier公司的分級生產線[15]和TTA公司的Max Sorter分級機[16]均將所有苗從穴盤中取出，利用機器視覺逐個檢測苗品質。根據筆者對國內多家大型種苗生產企業的調查，一般種苗生產中不合格苗的占比低于20%，取出穴盤中所有苗判斷，需結構復雜、造價昂貴的分級機，且分級作業效率不高。

穴盤苗俯視圖像中相鄰苗葉片相互覆蓋，但穴盤苗側視圖像中苗莖之間分界明顯，個體苗苗莖生長狀態易于觀測。根據國家盆花分級標準，苗莖是花卉苗定級的重要因素之一[17]。在花卉苗、蔬菜苗和大田作物表型參數提取方面，已有通過植物苗莖參數判斷植物生長狀態的相關研究[18-23]。Yamamoto等利用機器學習方法檢測番茄苗莖節間長度，評價番茄苗品質[24]。Tian等利用機器視覺技術檢測接穗和砧木苗莖，對接穗和砧木苗分級[25]。Shi等利用多視角圖像和深度學習算法，自動識別植物葉片、苗莖和葉片生長點，提取莖高等植物表型參數[26]。上述利用側視圖像提取苗表型參數的研究均針對獨立的個體苗，不適應狹小空間穴盤苗的表型參數提取。

綜上所述，本文針對葉片相互覆蓋的穴盤苗品質判斷問題，以白掌穴盤成品苗為對象，提出一種葉片下觀測苗莖局部區域，根據側視圖像提取苗莖參數，進行種苗品質判斷的方法。研究內容包括：（1）提出基于苗莖參數判斷苗品質的檢測方法并構建適用與穴盤苗的圖像采集單元；（2）建立利用穴盤苗側視圖像提取苗莖參數的圖像處理算法；（3）進行穴盤苗品質檢測系統性能試驗，考察影響穴盤苗品質檢測準確度的因素。

1 材料與方法

1.1 穴盤苗品質檢測原理

本研究以市場占有率高、存在典型葉片覆蓋的觀葉花卉白掌穴盤成苗為檢測對象。根據國家盆栽花卉等級標準，種苗主要根據株高及地徑進行分級[17]。人工區分合格苗與不合格苗的標準為：當苗莖小于平均苗莖60%或苗高低于平均株高60% 時為不合格苗。種苗生產企業生產的穴盤苗地徑和株高的相關性較高，人工快速評價合格苗與不合格苗時主要依據為株高。作者在研究白掌穴盤苗生長過程中外形參數變化規律時發現，其側視總投影面積與其株高、冠幅、地莖之間均近似呈現線性關系[18]，進一步推導出苗莖在25 mm高度內投影面積（苗莖投影面積）與株高之間存在公式（1）所示關系[27]。圖1為白掌穴盤苗視圖及穴株參數。

1= 0.3421+ 30.699 （1）

據此，可通過苗莖投影面積推算株高，評判穴盤苗品質（基于苗莖投影面積是地徑的直接反映，同時也基于種苗生產企業穴盤苗地徑和苗高的相關性較高）。根據廣州花卉研究中心評判出售前合格白掌苗株高的臨界值80 mm，依據公式（1），求得苗莖投影面積1的值為144.15 mm2，本研究白掌苗苗莖分級臨界值（the Critical Value of the projection Area of stem，CVA）確定為145 mm2，即苗莖投影面積大于等于145 mm2為合格苗，反之為不合格苗。

1.2 穴盤苗品質檢測系統

1.2.1 系統構成

為從葉下角度提取白掌苗苗莖參數，設計如圖2所示穴盤苗品質檢測系統，具體包括：苗莖圖像采集單元、PC機、PLC控制器、輸送帶、檢測室、檢測室（出口、入口、中部）位置的到位檢測傳感器等。

1.穴盤苗（已檢） 2.輸送帶 3.檢測室出口 4.出口傳感器 5.檢測室 6.檢測室內位置傳感器 7.苗莖圖像采集單元 8.穴盤苗（檢測中） 9.檢測室入口 10.入口傳感器 11.穴盤苗（待檢） 12.可編程控制器 13.筆記本電腦

穴盤苗品質檢測系統工作流程如下：系統啟動后，PLC控制輸送帶將待測穴盤苗送入檢測室內部；當穴盤到達檢測室檢測位置，使用苗莖圖像采集單元對穴盤苗逐行拍攝，并將獲取的穴盤苗苗莖圖像傳送至PC機；PC機圖像處理算法實現苗莖參數提取、苗品質判斷、不合格苗位置信息確定，并將不合格種苗位置信息返回至PLC；整盤穴盤苗品質檢測完成后，檢測室出口門打開，穴盤輸送出檢測室。

苗莖圖像采集單元結構如圖3所示，主要由分葉引導片、微型相機和導光纖維組成。分葉引導片用于分離相鄰兩列穴盤苗交叉的葉片；導光纖維將外部LED光源引導至檢測室待測苗穴孔區域。針對白掌苗72孔（6 列×12行）苗盤，每兩列之間設置1組苗莖圖像采集單元，總計3組。

在檢測室內苗莖圖像采集單元前方的輸送帶兩側安裝有對射式光電傳感器，穴盤隨輸送帶每移動一個穴孔距離，穴盤穴孔、穴孔間隙（圖3c）觸發光電傳感器使之產生開關信號，PLC捕獲此信號后通過串口發送拍照命令至PC機，PC機控制相機拍攝苗莖圖像。72孔穴盤隨輸送帶移動過程中，共產生12次（12行）觸發信號，3臺相機各拍攝12幅圖像，每幅圖像包含2株苗。

1.2.2 苗莖圖像采集系統

由于穴盤苗苗莖拍攝區域空間狹小，本文選擇CXD209G微型相機，焦距2.8 mm，廣角150°，感光區域1/4 in，相機鏡頭直徑和長度分別為10和40 mm。根據對白掌穴盤苗葉片下苗莖高度部分的統計以及圖像采集預試驗結果，設定相機安裝高度為2 cm。利用天創恒達TC-800sd AV圖像處理卡進行模擬圖像信息轉換。采用Matlab2018b圖像處理軟件讀取轉換的數字圖像信息并進行圖像處理。

本研究在檢測室暗室環境下拍攝白掌苗苗莖，利用導光纖維將LED光源引導至待測苗的苗莖拍攝區域。如圖4所示，選用直徑為4 mm的導光纖維，形成的光斑僅覆蓋單個穴孔區域，圖像中只顯示光斑區域苗莖。

1.3 種苗品質判斷及定位

對圖4所拍攝白掌苗苗莖原始圖像，為提高圖像處理速度，將圖像底部720×320（像素）部分作為感興趣區域（Region of Interest ROI，圖5a）。分析圖像的顏色特征，根據圖像紅綠藍（RGB）成分灰度處理[28]結果（圖5），綠色（G）分量直方圖在接近灰度值255（最明亮）的區域內仍存在較多像素點，對應處理得到的圖像更加明亮（直方圖中綠色像素峰值代表白掌苗苗莖總投影面積），因此通過綠色峰值的像素值來計算苗莖投影面積，處理過程和結果如圖6所示。采用Otsu閾值分割法進行二值化，閾值由式（2）確定。

圖6b仍存在穴盤中基質顆粒的反射噪聲，通過對圖像使用先腐蝕（圖6c)后膨脹的開運算算法，消除部分圖像噪聲，結果如圖6d所示。

根據1.1節白掌苗品質檢測方法，確定白掌苗品質時，應首先提取苗莖投影面積，分析其與CVA（the Critical Value of the projection Area of stem）值的大小關系，確定待測白掌苗是否合格。求取圖6d去噪結果圖像中苗莖投影面積，首先利用輪廓提取算法提取苗莖圖像輪廓（圖 7a），再遍歷輪廓點坐標找到圖像坐標系中的輪廓最低點（輪廓像素中軸坐標為最大值的點，圖7b），該輪廓最低點即為苗莖與基質的交界。之后求取基于輪廓最低點上25 mm高度矩形區域內的苗莖像素面積（圖 7c），即為苗莖投影面積（像素）。最后結合圖像標定確定的像素當量，得到苗莖投影面積的實際值（mm2）。對圖7c確定的采集區域，計算對應白色斑點的面積，若其數值小于CVA（145 mm2）則為不合格苗。

將不合格苗位置信息反饋至PLC，供后續剔苗、補苗機使用。如圖8所示72孔穴盤，共6列12行，苗莖識別單元上安裝1、2、3號相機，分別檢測穴盤1和2列、3和4列、5和6列的苗。當穴盤隨輸送帶運行至檢測區域時，穴盤底部穴孔遮擋光電傳感器，使之輸出開關信號。統計穴盤通過苗莖檢測單元時光電傳感器輸出的開關信號個數即可計算苗所在穴盤行數，結合相機編號與苗在圖像的左右區域分析可得苗所在列數，根據行號和列號，即可確定苗位置（圖8）。

2 白掌穴盤苗品質檢測試驗

為考察上述苗莖圖像采集單元和識別方法檢測白掌穴盤苗品質的作業性能，搭建如圖9所示穴盤苗品質檢測平臺。檢測試驗白掌穴盤苗由廣州花卉研究中心提供，為培育期3個月的成品苗。圖像采集單元的導光纖維直徑為4 mm，光源光強設置為20 lux。相機測量精度受標定精度影響[29]，試驗前利用高精度標定板從不同角度采集20幅標定圖像對相機進行標定，以確保相機測量精度[30-32]。

試驗通過測定視覺檢測系統的檢測準確度及識別生產率對其作業性能進行考察。輸送帶速度會影響分葉引導片的分葉效果，對苗葉片產生較大距離的拉動，造成苗莖隨葉片拉動偏離拍攝視窗位置。苗莖中心在穴中位置有可能會影響圖像識別時像素當量大小，導致苗莖投影面積測量出現偏差。苗莖投影面積值與分級臨界值靠近程度也影響穴盤苗品質等級判斷結果。因此選取輸送帶速度、苗莖中心與穴孔中心在拍攝方向上的偏離距離（偏離距離）、穴盤苗苗莖投影面積與分級臨界值的靠近程度（苗莖投影面積與分級臨界值差值的絕對值與分級臨界值的比值，簡稱偏離率）為影響因素。考慮到機器視覺檢測耗時，輸送速度3個水平值設定為0.03、0.045和0.06 m/s。根據72 孔穴盤的穴孔尺寸（41 mm×41 mm），偏離距離3個水平值設定為<5 mm、5 ～10 mm、10 ～15 mm。穴盤苗苗莖投影面積偏離率3個水平設定為<10%，10%～20%和>20%三個級別。識別準確度定義為穴盤中品質等級識別正確的苗數（包括合格苗數量與不合格苗數量）與苗盤中苗總數量之比。各影響因素水平如表1所示。試驗設計為三因素三水平全因素試驗，每組試驗測試72株苗，重復3次。

表1 白掌穴盤苗品質檢測試驗因素水平

3 結果與分析

表2為試驗方案與試驗結果。由表2可知，識別準確度隨輸送速度的提高有下降趨勢，當輸送速度為0.03 m/s和0.045 m/s時，識別準確度的平均值分別為96.09%和96.35%，當速度提升至0.06 m/s時，識別準確度平均值下降至91.10%。識別準確度受偏離距離影響趨勢明顯，隨著偏離距離的增大，識別準確度不斷下降。

表2 白掌穴盤苗品質檢測試驗結果

輸送速度為0.06 m/s，偏離距離在10～15 mm時，識別準確度最小值為83.33%。當輸送速度和偏離距離保持不變時，偏離率從小于10%到大于20%，識別準確率變化均在2個百分點以內。

利用SPSS 20.0.0軟件對表2試驗結果進行方差分析，結果如表3所示。方差分析結果表明，3個試驗因素對苗品質識別度的影響顯著性從大到小的順序為偏離距離、輸送速度和偏離率，其中偏離距離、輸送速度對苗品質識別準確率具有極顯著的影響（<0.01），偏離率對識別準確度的影響不顯著。

表3 白掌穴盤苗品質檢測識別準確度方差分析

注：**表示極顯著（<0.01）。

Note: ** shows that variance have extremely significant on results (<0.01).

當穴盤隨輸送帶移動時，分葉引導片在分離相鄰植株的葉片時，會對苗株形成與穴盤運動方向相反的作用力，導致苗莖傾斜。輸送帶的速度越高，苗莖傾斜的情況越嚴重，苗莖測量結果的誤差越大。輸送帶速度過高，受相機幀速影響，圖像會有拖影現象。輸送帶速度過高也會導致葉片損傷、苗倒伏、甚至個別苗被從穴孔中拉出。

苗株在穴孔中位置影響品質檢測時視覺系統物距，從而導致像素當量發生變化[29]，使得苗莖測量產生誤差。當偏離距離較小時，通過檢測苗莖輪廓最低點在圖像中的位置，對像素當量值進行調整，可減少苗莖偏離穴孔中心所產生的誤差。但當偏離距離大于10 mm時，物距減少10 mm以上會導致苗莖輪廓最低點和最低點附近區域苗莖圖像缺失（圖10a），物距增大10 mm以上時，苗株在整體圖像中的位置上移，導致苗莖待測區域中的部分圖像區域缺失（圖10b）。這兩種情況所導致的苗莖區域圖像缺失均會使苗莖投影面積測量結果產生偏差，從而使苗株品質判斷出錯。

將表2中的27組數據按偏離距離分為3組，計算每組的識別準確度平均值。當偏離距離小于5 mm時，識別準確度平均值為97.43%。當偏離距離在5 mm到10 mm范圍內時，識別準確度平均值為95.94%，識別準確度僅下降了1.49%。當偏離距離大于10 mm時，識別準確度平均值大幅下降至90.17%，不能滿足種苗生產企業的實際生產需求。因此為保證種苗品質檢測的精度，精量播種時，種子與穴孔中心的偏離距離應在10 mm以內，說明本檢測系統對于穴盤苗生產時，播種機的播種定位精度有要求。

偏離率對識別準確度的影響不顯著，去除偏離率因素，圖11顯示了偏離距離和輸送速度對識別準確度的影響（偏離率Dr<10%）。穴盤中偏離率Dr<10%的苗僅為待測苗中的一小部分，因此實際苗品質檢測準確度優于圖 11中的結果。

綜上所述，72孔白掌穴盤苗品質檢測試驗結果表明，輸送帶速度在0.03 ～0.045 m/s范圍，苗品質檢測的準確度能均能達到95%以上。結合生產率要求，適宜的輸送帶速度定為0.045 m/s，此速度下偏離距離在10 mm內，系統的識別準確度均值可達97.92%，對應生產率為150盤/h（10 800株/h）。作為對比，作者采用俯視圖像判斷種苗品質，相鄰苗葉片的覆蓋程度會嚴重影響種苗品質檢測準確性，不合格苗的檢出率約在60%左右。而采用本文方法可避免葉片覆蓋嚴重時帶來的判斷誤差，種苗品質識別準確度提升至97%以上。通過加長檢測室，增加檢測室中苗莖圖像采集單元的數目可以顯著提升種苗品質檢測生產率。

利用俯視圖像難以檢測相互遮擋穴盤苗的品質，目前針對遮擋穴盤苗品質檢驗均采用將苗移出穴盤進行分級的方法。國外已有將苗移出穴盤檢驗苗品質的分級機的作業生產率為6 000～8 000 株/h[33]，本研究檢測方法作業生產率相比將苗移出穴盤的分級方法高出約25%。

4 結 論

1）針對葉片相互覆蓋的穴盤苗，提出一種葉片下觀測苗莖局部區域的方法，利用微型相機和導光纖維獲取暗室環境下穴盤苗莖局部圖像，結合種苗級別判斷標準，實現了葉片相互覆蓋穴盤苗的自動化品質檢測。

2）試驗結果表明，穴盤苗品質檢測的準確度主要受苗在穴中位置和輸送速度影響，當苗偏離穴中心10 mm以上時，種苗品質檢測準確度降至85%以下。當種苗品質接近分級臨界值時，種苗品質檢測準確度略微下降，但影響并不顯著。

3）針對72孔白掌穴盤苗的品質檢測，當輸送帶為0.045 m/s，苗莖偏離距離在10 mm內時，系統的識別準確率可達97.92%，對應生產率為150盤/h（10 800株/h）。

[1] Gaikwad B B, Sirohi N P S. Design of a low-cost pneumatic seeder for nursery plug trays[J]. Biosystems Engineering, 2008, 99(3): 322-329.

[2] Kostopoulou P, Radoglou K, Dini-Papanastasi O, et al. Enhancing planting stock quality of Italian cypress (L.) by pre-cultivation in mini-plugs[J]. Ecological Engineering, 2010, 36(7): 912-919.

[3] 孔德棟. 鐵皮石斛穴盤育苗關鍵技術研究及推廣應用[D].杭州：浙江大學，2010.

Kong Dedong. Research and Extension of Key Techniques ofPlug Seedlings[D]. Hangzhou: Zhejiang University, 2010. (in Chinese with English abstract)

[4] 文永雙，張宇，田金元，等. 蔬菜移栽缽苗檢測與缺苗補償系統設計與試驗[J]. 農業機械學報，2020，51(S1)：130-136.

Wen Yongshuang, Zhang Yu, Tian Jinyuan, et al. Design and experiment of detection and supply system of vegetable plug seedlings for transplanting[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(S1): 130-136. (in Chinese with English abstract)

[5] Feng Q C, Zhao C J, Jiang K, et al. Design and test of tray-seedling sorting transplanter[J]. International Journal of Agricultural & Biological Engineering, 2015, 8(2): 14-20.

[6] Tong J H, Li J B, Jiang H Y. Machine vision techniques for the evaluation of seedling quality based on leaf area[J]. Biosystems Engineering, 2013, 115(3): 369–379.

[7] Ure?a R, Rodr??guez F, Berenguel M. A machine vision system for seeds quality evaluation using fuzzy logic[J]. Computers & Electronics in Agriculture, 2001, 32(1): 1-20.

[8] 方超. 穴盤苗自動化移缽體系的結構設計與仿真分析[D]. 杭州：浙江大學，2012.

Fang Chao. Design and Simulation of Automatic Seediling Transplanter[D]. Hangzhou: Zhejiang University, 2012. (in Chinese with English abstract)

[9] Jiang Z H, Zhou M C, Tong J H, et al. Comparing an ant colony algorithm with a genetic algorithm for replugging tour planning of seedling transplanter[J]. Computers and Electronics in Agriculture, 2015, 113: 225-233.

[10] 王永維，肖璽澤，梁喜鳳，等. 蔬菜穴盤苗自動補苗試驗臺穴孔定位與缺苗檢測系統[J]. 農業工程學報，2018，34(12)：35-41.

Wang Yongwei, Xiao Xize, Liang Xifeng, et al. Plug hole positioning and seedling shortage detecting system on automatic seedling supplementing test-bed for vegetable plug seedlings[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12)：35-41. (in Chinese with English abstract)

[11] 馮青春，王秀，姜凱，等. 花卉幼苗自動移栽機關鍵部件設計與試驗[J]. 農業工程學報，2013，29(6)：21-27.

Feng Qingchun, Wang Xiu, Jiang Kai, et al. design and test of key parts on automatic transplanter for flower seedling[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(6): 21-27. (in Chinese with English abstract)

[12] 胡飛，尹文慶，陳彩蓉，等. 基于機器視覺的穴盤幼苗識別與定位研究[J]. 西北農林科技大學學報：自然科學版，2013，41(5)：183-188.

Hu fei, Yin Wenqing, Chen Cairong, et al. Recognition and localization of plug seedling based on machine vision[J]. Journal of Northwest A&F University: Natural Science Edition, 2013, 41(5): 183-188. (in Chinese with English abstract)

[13] 張國棟，范開鈞，王海，等. 基于機器視覺的穴盤苗檢測試驗研究[J]. 農機化研究，2020，42(4)：175-179.

Zhang Guodong, Fan Kaijun, Wang Hai, et al. Experimental study on detection of plug tray seedlings based on machine vision[J]. Journal of Agricultural Mechanization Research, 2020, 42(4): 175-179. (in Chinese with English abstract)

[14] Select-O-Mat High Speed[EB/OL]. 2016-07-12[2020-12-11]. https: //www. visser. eu/vision-grading-machines/select-o- mat-high-speed.

[15] Germination vision system[EB/OL]. 2017-05-20[2020-12-11]. https: //fliersystems. com/en/products/germination-vision- system.

[16] The maxsorter[EB/OL]. 2016-09-03[2020-12-11]. https: //www. tta. eu/equipment/selecting/maxsorter.

[17] 國家質量技術監督局. GB/T 18247. 5-2000，國家盆花產品等級標準[S]. 北京: 中國標準出版社，2001.

[18] 楊意，初麒，楊艷麗，等. 基于機器視覺的白掌組培苗在線分級方法[J]. 農業工程學報，2016，32(8)：33-40.

Yang Yi, Chu Qi, Yang Yanli, et al. Online grading method for tissue culture seedlings offloribundum based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(8): 33-40. (in Chinese with English abstract)

[19] Ashraf M A, Kondo N, Shiigi T. Use of machine vision to sort tomato seedlings for grafting robot[J]. Engineering in Agriculture, Environment & Food, 2011, 4(4): 119-125.

[20] Huang Y J, Lee F F. An automatic machine vision-guided grasping system for Phalaenopsis tissue culture plantlets[J]. Computers and Electronics in Agriculture, 2010, 70(1): 42-51.

[21] Vazquez-Arellano M, Reiser D, Paraforos S D, et al. 3-D reconstruction of maize plants using a time-of-flight camera[J]. Computers and Electronics in Agriculture, 2018, 145: 235-247.

[22] Hang L, Tang L, Steven W, et al. A robotic platform for corn seedling morphological traits characterization[J]. Sensors, 2017, 17(9): 2082.

[23] Golbach F, Kootstra G, Damjanovic S, et al. Validation of plant part measurements using a 3D reconstruction method suitable for high-throughput seedling phenotyping[J]. Machine Vision & Applications, 2016, 27(5):663-680.

[24] Yamamoto K, Guo W, Ninomiya. S. Node detection and internode length estimation of tomato seedlings based on image analysis and machine learning[J]. Sensors, 2016, 16: 1044.

[25] Tian S B, Wang Z F, Yang J F, et al. Development of an automatic visual grading system for grafting seedlings[J]. Advances in Mechanical Engineering 2017, 9(1): 1-12.

[26] Shi W N, Zedde R, Jiang H Y, et al. Plant-part segmentation using deep learning and multi-view vision[J]. Biosystems Engineering, 2019, 187: 81-95.

[27] 楊意. 基于機器視覺的白掌組培苗分級關鍵技術研究[D]. 廣州：華南農業大學，2018.

Yang Yi. Key Technologies of Grading Method forTissue Culture Seedlings Based on Machine Vision[D]. Guangzhou: South China Agricultural University, 2018. (in Chinese with English abstract)

[28] Dong W, Ma X, Li H, et al. Detection of performance of hybrid rice pot-tray sowing utilizing machine vision and machine learning approach[J]. Sensors, 2019, 19(23): 5332.

[29] 郝永平，王永杰，張嘉易，等. 面向視覺測量的像素當量標定方法[J]. 納米技術與精密工程，2014，12(5)：373-380.

Hao Yongping, Wang Yongjie, Zhang Jiayi, et al. Pixel equivalent calibration method for vision measurement[J]. Nanotechnology & Precision Engineering, 2014, 12(5): 373-380. (in Chinese with English abstract)

[30] 尹洪濤，劉成，李一兵，等. 相機標定誤差因素分析[J]. 信息通信，2012，117(2)：28-32.

Yin Hongtao, Liu Cheng, Li Yibing, et al. Analysis of factors on the error of the camera calibration[J]. Information & Communications, 2012, 117(2): 28-32. (in Chinese with English abstract)

[31] 胡楠，魯光泉，荔濤，等. 基于分布標定法的交通事故現場攝影測量精度實驗分析[J]. 汽車工程，2008，30(7)：557-559.

Hu Nan, Lu Guangquan, Li Tao, et al. Calibration precision experiments analysis of photogrammetry in traffic accident scene based on separately-calibrate method[J]. Automotive Engineering, 2008, 30(7): 557-559. (in Chinese with English abstract)

[32] Zhang Z Y. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intellgence, 2000, 22(11): 1330-1334.

[33] 辜松. 設施園藝現代生產裝備與技術[M]. 北京：中國農業出版社，2015.

Quality inspection ofplug seedlings based on the side view images of the seedling stem under the leaves

Yang Yi1, Fan Kaijun2, Han Jiangfeng3, Yang Yanli4, Chu Qi4, Zhou Zhuomin3, Gu Song3,5※

(1.,,510642,; 2.,,266580,; 3.,,510642,; 4..,.,510642,; 5.,,,510642,)

Plug seedlings have been widely used in the production of vegetable and flower planting. The consistent quality of plug seedlings depends mainly on economic benefits. It is usually necessary to identify and remove unqualified seedlings from the plugs, and then replace them with qualified seedlings. The manual operation of substandard seedlings is mainly used from the plugs to the supplement seedling at present, indicating low efficiency, high labor costs, and unstable classification. The seedling sorting machine using machine vision can automatically identify the lack of seedling holes and unqualified seedlings, and then remove the unqualified seedlings from the plug trays. The accurate classification can be achieved with higher operation efficiency. The top view images are selected to judge the quality of plug seedlings with no crossed leaves and no mutual obscuration. However, the leaves of adjacent seedlings cross each other or are blocked and covered, when most plug seedlings of flower and vegetable are sold. It cannot be evaluated on the growth status and quality of individual seedlings using the top view image. Taking theseedlings as the research object, this study aims to observe the local area of seedling stem under the leaves using perspective images under the leaves. An automatic quality inspection of plug seedlings was realized to combine with the judging standard of seedling level, particularly on the stem image covering each other with leaves. Firstly, the critical value of the projection area of the stem ofseedlings was proposed, according to the production standards. Secondly, an image acquisition unit of the seedling stem was constructed, consisting of a leaf guide piece, a miniature camera, and two light guide fibers. Subsequently, the stem images were captured under the leaf ofseedlings in the darkroom. Then, the PC vision was utilized to analyze the images and projection area of the seedling stem. The seedlings were determined to be qualified or not, according to the quality evaluation on the projection area and the critical value of theseedling stem. The hole positions of unqualified seedlings were returned to PLC at last. A three-factor three-level test was carried out to select the conveyor speed, where the deviation of the center distance between seedling stem and hole in the shooting direction, the deviation rate-How closed the projection area of the stem to the Critical Value of the Projection Area of Stem(CVA) as the test factors. The quality test results show that the accuracy of quality detection of plug seedlings depended mainly on the deviation distance and conveyor speed. Specifically, the accuracy of quality detection dropped bellow 85%, when the seedling deviated from the hole center greater than 10 mm and the conveyor speed increased to 0.06m/s. But there was no significant impact when the projection area of the stem was close to CVA. In addition, the quality inspection test was carried out on 72 holes ofplug seedlings. It was found that the recognition accuracy of the system reached 97.92%, and the productivity was 150 tray/h, and 10 800 plant/h, when the conveyor speed was 0.045 m/s and the deviation distance of seedling stem was within 10mm. This finding can provide a strong theoretical reference for the automatic evaluation of plug seedlings grading and quality inspection, particularly when adjacent leaves were covered.

machine vision; quality inspection; protected horticulture; plug seedlings; leaf covering

楊意，范開鈞，韓江楓，等. 基于葉片下苗莖側視圖像的白掌穴盤苗品質檢測[J]. 農業工程學報，2021，37(20)：194-201.doi：10.11975/j.issn.1002-6819.2021.20.022 http://www.tcsae.org

Yang Yi, Fan Kaijun, Han Jiangfeng, et al. Quality inspection ofplug seedlings based on the side view images of the seedling stem under the leaves[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 194-201. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.20.022 http://www.tcsae.org

2021-07-28

2021-09-26

廣東省重點領域研發計劃資助（2019B020214005）；廣東省現代農業產業共性關鍵技術研發創新團隊建設項目（2021KJ131）

楊意，博士，講師，研究方向為現代園藝生產智能裝備。Email：yangyihn2007@163.com

辜松，博士，教授，研究方向為現代園藝生產裝備。Email：sgu666@sina.com

10.11975/j.issn.1002-6819.2021.20.022

S233.74；S609.9

A

1002-6819(2021)-20-0194-08