基于圖像處理的秧苗均勻度合格率檢測

馬立新　夏利利　劉瓔瑛　李芃萱　朱偉

摘要：插秧機試驗鑒定時要人工測定插秧前秧苗培育均勻度，為提高鑒定效率，本研究提出基于圖像分割和形態學操作的秧苗均勻度合格率自動檢測方法。首先將獲取的秧苗根莖部圖像在2G-R-B顏色空間進行灰度化處理，閾值分割后進行形態學操作，完成面積閾值和形狀閾值的二次分割，得到只含有水稻秧苗的二值化圖像;其次根據移距和秧苗深度確定取樣方格大小，按方格大小進行圖像劃分，選取圖像中間部分的20個小格，輸出每小格內的秧苗數量，與農藝要求進行比對，符合要求記作該小格合格;最后根據DG/T 008-2019《農業機械推廣鑒定大綱水稻插秧機》，計算3個不同苗盤圖像的合格方格數，得到插秧前秧苗均勻度的合格率。結果表明，采用圖像處理方法可以實現插秧前秧苗的均勻度合格率計算，秧苗統計的準確率可以達到97.95%，方格檢測的準確度可以達到96.67%。處理每幅圖像的平均耗時為2.461 s，大大提高了檢測效率。

關鍵詞：秧苗莖部圖像;圖像分割;形態學操作;均勻度檢測

中圖分類號：TP751;S511.01文獻標識碼：A文章編號：1000-4440（2022）02-0387-07

Seedling uniformity detection based on image processing

MA Li-xin XIA Li-li LIU Ying-ying LI Peng-xuan ZHU Wei

Abstract：The cultivation uniformity of seedlings before transplanting needs to be measured manually in the identification process of seedling transplanter. To improve the identification efficiency， an automatic detection method for the pass rate of seedling uniformity was proposed based on image segmentation and morphological operation. Firstly， images of the seedling roots and stems were processed using graying method in 2G-R-B color space， and were processed by morphological operations after threshold segmentation by Otsu method. Binary images containing rice seedlings only were obtained after secondary division of the area threshold and shape threshold. Secondly， sizes of the sampling squares were determined by shift distance and seedling depth， then the images were divided into squares by the size. After selecting 20 small grids in the middle part of the images， the number of seedlings in each small grid was output and compared with agricultural requirements， and the confirmed small grid was recorded as qualified. Lastly， based on DG/T 008-2019 <Outlines for agricultural machinery popularization identification： rice transplanter>， number of the qualified squares from images of three different seedling plates were counted， and the pass rate of seedling uniformity before transplanting was calculated. The results showed that， the pass rate of seedling uniformity could be calculated before transplanting by image processing methods， the statistic accuracy of seedlings could reach 97.95%， and the accuracy of the grid detection could reach 96.67%. The average time for processing each image took 2.461 s， which improved the detection efficiency greatly.

Key words：image of seedling stems;image segmentation;morphological operation;uniformity detection

江蘇農業學報2022年第38卷第2期

馬立新等：基于圖像處理的秧苗均勻度合格率檢測

隨著中國農業機械化自主生產能力的提升和農業機械化國產化進程的推進，農業機械的鑒定工作也從推廣鑒定發展到專項鑒定，進入了規范化管理階段[1-3]。根據國家標準水稻插秧機的鑒定大綱[4-5]，插秧機在性能鑒定中需要在插秧前進行秧苗均勻度合格率、空格率和秧苗密度測定。插前均勻度合格率是評價盤育秧苗能否用于插秧的重要指標，也是評價插秧機作業性能的重要指標。它考慮了秧苗對插秧作業質量的影響，反映出插秧機的設計性能和制造質量。國家標準規定，插秧機進行鑒定時插前秧苗均勻度合格率測試值要大于或等于85%。

作為插秧機鑒定考核的重要作業技術指標，插前秧苗均勻度合格率檢測是鑒定過程中需要開展的必要工作。目前的測定方法是目測統計，目測統計前需要人工制作取樣框，對取樣框里每個小格內的秧苗數量進行統計和記錄，最后手動計算均勻度合格率。人工目測方式檢測時間長，檢測結果易受主觀因素影響，不利于規范化、標準化管理。因此本研究采用基于圖像處理的秧苗識別計數方法，可自動計算出均勻度合格率，大大簡化檢測的步驟，提高檢測效率，消除檢測的主觀影響，便于鑒定工作的規范化管理。

1材料與方法

1.1秧苗培育

插秧前秧苗盤選用30 cm×60 cm大小的毯式苗盤，秧苗品種為淮粳5號，人工育秧，苗齡20 d。參照水稻插秧機的鑒定大綱，人工剪掉秧苗根部以上的莖葉。剪后剩余的莖部高度盡量保持一致，便于統計秧苗的數量。

1.2圖像獲取

圖片在鑒定現場實地拍攝，自然光照條件，用手機在固定高度（35 cm）拍攝，手機型號為iPhone XS，拍攝焦距為26 mm。圖像大小為3 024像素（寬）×4 032像素（高）?，F場共制備3盤秧苗盤（圖1），拍攝9幅圖片。

插秧機鑒定試驗地點在江蘇省鎮江市京口區章村。按照插秧農藝要求（每穴4株）進行插秧機移距和取秧深度的調整。經過調整，插秧機的移距為13.7 mm，取秧深度為16.0 mm，根據這2個參數確定取樣框大小。人工統計方法是按照農藝要求制備取樣框（圖2），將取樣框放置在制備好的秧苗上面，統計每個小格內的秧苗數量（圖3）。每個秧苗盤取樣后，人工統計出每個小格的秧苗數，記錄并拍攝取樣框選取的秧苗圖像。

2秧苗莖部圖像處理算法

2.1秧苗莖部圖像分割

水稻秧苗為綠色植物，對秧苗圖像的分割算法通常將顏色特征作為研究對象，大多采用紅（R）、綠（G）、藍（B） 3種顏色因子或者其組合因子進行灰度化轉換，然后進行目標分割[6-8]。目前灰度化的方法有ExG[9]、ExR[10]、CIVE[11]和ExG-ExR[12]。目標分割算法主要有閾值分割算法[13-15]、聚類分割算法[16-17]和邊緣分割算法[18]。典型的秧苗圖像處理算法有張志斌等[19]提出的RGB法和遲德霞等[20]提出的ExG 因子結合 Otsu 法。RGB法使用 IG>IR 且IG>IB（IG、IR 、IB分別為通道G、R、B的灰度值）作為綠色作物圖像的分割條件;采用ExG因子結合Otsu法將秧苗圖像在2G-R-B灰度通道進行Otsu自動閾值分割，可以得到較好的分割效果。王雪等[21]針對室外多變光照條件下的綠色作物圖像，采用G-R顏色因子，利用Otsu法和面積閾值進行分割，將其與RGB法和ExG+Otsu法進行比較，取得了較好的分割效果，算法有較強的魯棒性和穩定性。

本研究需要分割的圖像為秧苗莖部圖像，莖部中央顏色比較淡，綠色特征沒有秧苗葉片明顯，根據圖像分析設計算法：提取歸一化后的ExG因子，對秧苗莖部圖像進行灰度化，針對光照變化及不同的土壤背景均可獲得較好得莖部圖像信息。對秧苗莖部灰度圖像進行Otsu法閾值分割，得到二值圖像。對二值圖像進行腐蝕、膨脹，將粘連目標分割開;提取目標特征，通過選取面積閾值和形狀閾值將非目標物剔除，完成圖像的二次分割。

2.1.1圖像灰度化選用ExG因子進行圖像灰度化。首先進行R、G、B像素值歸一化，數值分別標記為r、g、b，范圍在[0，1]內，計算方法如公式（1）所示。灰度化計算方法如公式（2）所示，數值范圍為[0，1]。

式中，R：可見光紅色通道值;G：可見光綠色通道值;B：可見光藍色通道值;r：紅色通道歸一化值;g：綠色通道歸一化值;b：藍色通道歸一化值;Gray：灰度值。

2.1.2圖像二值化對秧苗莖部灰度圖像進行閾值分割，計算方法見公式（3）：

式中，BW：圖像中像素點的值;T：圖像最佳閾值。

T選取采用Otsu法[22]， Otsu法是一種全局閾值自動選取方法，基本原理是以目標和背景的最大類間方差選取閾值。計算步驟如下：

（1）將秧苗莖部灰度圖像的直方圖進行歸一化，相關公式：

式中，L：圖像灰度級數，pi：像素值為i的像素點的概率。

（2）選擇閾值t，0<t<L-1， 將圖像閾值化處理為兩類，C1和C2。C1由圖像中灰度值在[0，t]內的所有像素組成，則像素被分到C1中的概率記為P1（t），像素的平均灰度記為m1（t）;C2由圖像中灰度值在[t+1，L-1]內的所有像素組成，像素被分到C2 中的概率記為P2（t），像素的平均灰度記為m2（t）; mG記為整幅圖像的平均灰度;σ2B記為類間方差。類間方差計算公式如（5）所示。

（3）計算滿足公式（6）的t為最佳閾值T。以T為閾值用公式（3）對秧苗圖像進行分割，分割后圖像如圖4所示。

式中，σ2B：圖像類間方差;P1：像素被分到C1中的概率;P2：像素被分到C2中的概率;m1：C1中像素的平均灰度;m2：C2中像素的平均灰度;mG：原圖像的平均灰度。

2.1.3圖像二次分割秧苗莖部如果靠得太近，在圖像中會粘連在一起，導致后續個數統計中產生錯誤。另外分割后的圖像中可能含秧苗葉片等非莖部圖像，需要剔除。所以針對分割后的二值圖像要進行去噪和粘連圖像分割。本研究采用形態學開操作進行粘連圖像分割，見公式（7）。

式中，A表示秧苗二值圖像;B表示結構元;表示腐蝕操作;表示膨脹操作。

結構元形狀和尺寸的確定既要考慮到粘連部分能夠被腐蝕掉，又要考慮到保留較小的莖部目標，不被完全腐蝕，根據試驗驗證結果，本研究選取方形結構元，大小為15 pixel×15 pixel。

形態學操作后進行連通域標注，提取每個連通域的面積、外接矩形框的長軸和短軸，計算形狀參數（長軸與短軸的比值）。連通域分秧苗莖部圖像和非秧苗莖部圖像，統計分析這2種圖像的面積和形狀，采用面積閾值和形狀閾值進行非目標物的剔除。分析秧苗莖部圖像的面積和形狀，設置2個面積閾值，最小值為50 pixel2，最大值為4 000 pixel2;設置1個形狀閾值，數值為4.2。利用面積閾值和形狀閾值對形態學操作后的圖像進行二次分割，處理后的圖像如圖5所示。

2.2取樣方格劃分

根據GB/T 6243-2017《水稻插秧機試驗方法》[5]，方格大小為移距×取秧深度。移距記為DM（單位：mm），取秧深度記為DP（單位：mm），如果相機的像素距離為K（單位：mm/pixel），則圖像中方格寬（W）=DM/K（單位：pixel），方格高（H）=DP/K（單位：pixel）。

試驗測定時利用實際取樣框方格大小進行相機標定確定K值， 取樣框方格實際長度與圖像中方格像素長度的比值為K值，本研究的K=0.05（mm/pixel）。對秧苗莖部圖像按方格大小的整數倍剪裁后進行方格自動劃分，方格大小為W×H。

2.3秧苗均勻度合格率的計算

根據《農業機械推廣鑒定大綱水稻插秧機（DG/T 008-2019）》[23]，在鑒定過程中，秧苗插前均勻度合格率測定方法是從秧箱中取出3塊已栽插三分之一的秧塊進行測定，用取樣框隨機取60小格，測定每小格秧苗株數，按公式（8）計算插前均勻度合格率。

式中，Rjq：插前均勻度合格率;nkh：合格秧苗格數;Zk：測定總小格數。

利用圖像處理方法可以不用取樣框，3個秧苗盤每盤一幅圖像，直接對秧苗莖部圖像進行方格劃分，每幅圖像取20個方格，共計60個小格。統計每個小格內的秧苗數量，如果均勻度合格率范圍符合要求（本研究中2～7株即為合格），則該小格為合格[5]。根據合格率公式計算出插秧前秧苗均勻度合格率。

3結果與分析

3.1秧苗莖部圖像處理算法分析

為了對圖像處理算法綜合性能作一個較全面的評價，本研究從檢測誤差和檢測時間2個方面進行分析。圖像處理軟件使用的是 MATLAB2019a，圖像處理設備使用的是筆記本電腦。硬件參數： Intel（R） Core（TM） i5-10300H CPU，2.50 GHz，16 G 內存。誤差的計算方法如公式（9）所示。對3個秧苗盤圖像處理后，按方格大小在圖像中間選取20個方格大小的圖像進行秧苗個數識別計數，處理結果如表1所示。

式中，R：誤差;Numa：算法識別數，株;Numr：人工識別數，株。

由表1可知，算法的平均誤差為2.05%，檢測的準確度為97.95%。算法對單幅圖平均耗時2.461 s。由于拍攝的圖像分辨率比較大，算法要對圖像中的所有目標進行特征提取，根據面積閾值和形狀閾值進行二次分割，所以算法耗時比較長。但與人工統計相比還是大大提高了檢測效率。

3.2秧苗均勻度合格率算法檢測識別結果與人工檢測識別結果的比較

選取實地鑒定拍攝的取樣框圖像進行分割統計，與人工統計結果進行比較。實際取樣框方格數為36個，選取20個進行人工檢測，將人工檢測的方格圖拍照（圖6）。2種方法的檢測結果見表2、表3和表4。

由表2、表3、表4可知，3盤秧苗共統計60個方格，人工檢測合格方格數共計55格，合格率為91.67%，算法檢測合格數共計55格，合格率也為91.67%。雖然2種方法檢測的合格率相同，但均勻度合格率檢測中算法檢測和人工檢測不一致的地方有2組。每個方格均勻度合格率的檢測誤差為3.33%，準確度為96.67%。圖6B的20個方格分割結果如圖7所示。對照表3中的秧苗識別結果，檢測誤差主要源于2個方面。一是取樣框的白色線會將秧苗分割在3個方格內，人工統計的時候會撥動白線將其歸到一個方格內，圖像處理方法會在2個方格內都檢測到秧苗，統計上出現重復;二是在秧苗制備過程中，剪掉的秧苗莖和葉片會落在方格內，人工檢測時會撥動查看是否為散落的莖葉，圖像處理方法在二次分割的時候會通過面積閾值和形狀閾值加以剔除，但如果散落的莖、葉的大小、面積和形狀剛好跟根部圖像一致，系統則會將它們誤判為秧苗。

4結論

本研究對插秧前秧苗的均勻度合格率進行了圖像檢測，首先根據顏色因子將采集的圖像轉換到2G-R-B顏色通道實現灰度化，應用Otsu自動閾值分割方法得到二值圖像;對二值圖像進行形態學操作和面積閾值及形狀閾值二次分割，將粘連的秧苗分開，去掉非秧苗目標等噪聲。由取秧深度和移距確定取樣方格大小，按方格尺度對二值圖像進行自動劃分，對劃分后的圖像塊進行秧苗數量統計，代替人工采用取樣框法進行方格內秧苗數量的統計。試驗結果表明，秧苗莖部圖像分割統計算法的準確率為97.95%，單幅圖像平均耗時2.461 s，每個方格合格率的檢測準確度為96.67%，合格率的檢測完全可以用圖像處理代替人工檢測。在秧苗剪切過程中掉落的秧苗莖葉會對圖像處理結果造成影響，下一步將進行圖像處理檢測算法的改進，提高檢測精度，并將處理算法移植到手機，做成APP，使鑒定過程更方便。

參考文獻：

[1]崔志英. 水稻插秧機研究現狀及發展趨勢[J].農業工程，2015，5（4）：41-42.

[2]張樹閣，蘇春華，周磊，等. 促進水稻種植機械化水平提高[J].農機科技推廣，2017（10）：19-20.

[3]韓峰. 水稻機械化插秧技術分析與種植機械發展趨勢[J].農業開發與裝備， 2019（5）：208-212.

[4]李春元. 對水稻插秧機主要項目測定與數據處理的探討[J].農機論壇，2016（6）：15-16.

[5]中華人民共和國國家質量監督檢驗檢疫總局、中國國家標準化管理委員會.中華人民共和國國家標準水稻插秧機試驗方法：GB/T 6243-2017[S].北京：中國標準出版社.

[6]廖娟，陳民慧，汪鷂，等. 基于雙重 Gamma 校正的秧苗圖像增強算法[J].江蘇農業學報，2020，36（6）： 1411-1418.

[7]陳旭君，王承祥，朱德泉，等. 基于YOLO卷積神經網絡的水稻秧苗行線檢測[J].江蘇農業學報，2020，36（4）：930-935.

[8]陳信新. 基于機器視覺算法的水稻秧苗狀態識別[J].計算機應用研究，2019，36（5）：2-5.

[9]WOEBBECKE D M， MEYE G E， BARGEN K V， et al. Shape features of identifying yong weeds using image analysis[J].Transactions on American Society of Agricultural Engineering，1995，38（1）：271-281.

[10]MEYE G E， HINDMAN T W， LAKSMI K. Machine vision detection parameters for plants species identification[C]. Bellingham， WA：SPIE，1999.

[11]NETO J C， MAYER G E. Crop species identification using machine vison of compute extracted individual leaves[J]. Proc Spie，2005，5996（11）：64-74.

[12]KATAOKA T， KANEKO T， OKAMOTO H， et al. Crop growth estimation system using machine vision[C].? Piscataway，NJ：IEEE，2003.

[13]龔立雄. 基于ComVI和雙閾值OTSU算法的農作物圖像識別[J]. 排灌機械工程學報，2014，32（4）：364-368.

[14]ELAZIZ M A， OLIVAD， EWEES A A，et al. Multi-level thresholding based grey scale image segmentation using multi-objective multiverse optimizer[J]. Expert Systems with Applications，2019，125：1-37.

[15]袁加紅，朱德泉，孫丙宇，等.基于機器視覺的水稻秧苗圖像分割[J]. 浙江農業學報，2016，28（6）：1069-1075.

[16]周俊，王明軍，邵喬林. 農田圖像綠色植物自適應分割方法[J].? 農業工程學報， 2013，29（18）：163-169.

[17]白元明，孔令成，張志華，等.基于改進 OTSU 算法的快速作物圖像分割[J].江蘇農業科學，2019，47（24）：231-236.

[18]耿楠，于偉，寧紀鋒.基于水平集和先驗信息的農業圖像分割方法[J].農業機械學報，2011，42（9）：167-172.

[19]張志斌，羅錫文，臧英，等. 基于顏色特征的綠色作物圖像分割算法[J]. 農業工程學報， 2011， 27（7）：183-189.

[20]遲德霞，張偉，王洋. 基于EXG因子的水稻秧苗圖像分割[J]. 安徽農業科學， 2012， 40（36）：17902-17903.

[21]王雪，尹來武，郭鑫鑫. 室外多變光照條件下農田綠色作物的圖像分割方法[J]. 吉林大學學報（理學版），2018，56（5）：1213-1218.

[22]OTSU N .A Threshold selection method from gray-level histograms[J]. IEEE Transaction System，Man and Cybenetics，1979， 9（1）：62-66.

[23]中華人民共和國農業農村部：農業機械推廣鑒定大綱-水稻插秧機：DG/T 008-2019[S]. 北京：中國農業出版社.

（責任編輯：陳海霞）

收稿日期：2021-08-10

基金項目：江蘇省現代農機裝備與技術示范推廣項目（NJ2019-25）

作者簡介：馬立新（1966-），男，江蘇溧陽人，研究員，主要從事農業機械試驗鑒定工作。（E-mail）njmlxin@126.com

通訊作者：劉瓔瑛，（E-mail）lyy@njau.edu.cn