玉米穗考種行籽粒計數算法設計研究

嚴正紅

(安徽國防科技職業學院，安徽 六安 237011)

玉米作為我國第1大高產糧食農作物，是發展畜牧業和養殖產業的重要飼料來源，同時也是食品業、輕工業、醫療業等產業中不可缺少的原材料。在我國，玉米種植區域廣泛，產量穩定、高效，在農業生產總值中占有重要地位[1]。在玉米育種、考種、播種、新種培育、產量預測等生產和研究中，玉米穗籽粒數都是一項重要指標。目前，玉米穗籽粒數主要依靠人工通過肉眼統計完成的，其工作效率低、勞動強度大，容易使人產生視覺疲勞而影響穗籽粒數統計準確率。因此，如何快速、精準地統計玉米穗籽粒數成為玉米自動化考種的研究熱點。

近年來，智能化與信息化技術不斷在農業生產中應用，農業生產領域正逐漸向智慧農業領域轉變。玉米穗行粒數是玉米考種的重要參數。針對玉米穗籽粒數的計算，運用機器視覺技術和圖像處理技術對玉米穗圖像的研究一直是自動化玉米考種方面的一大研究熱點。

因此，本文利用工業照相機搭建圖像采集裝置，并運用MATLAB數字圖像處理技術對玉米穗圖像進行處理。將玉米穗完整圖像分割出果穗中的某一行，然后快速統計出玉米穗行籽粒的數量，該方法能夠為玉米自動考種技術提供參考。

1 圖像數據采集

玉米穗圖像數據采集常用的方法有掃描儀對樣本進行掃描、攝像機對樣本攝像，以及利用照相機對樣本拍攝等3種采集方法。其中，在運用掃描儀掃描樣本法采集時，玉米整穗體積大，一般掃描儀掃描出來的圖像會因為遮蓋不嚴而產生漏光現象，所采集的圖像因模糊而影響處理結果。在利用攝像機采集圖像的方法中，由于清晰度取決于感光芯片的性能，對于設備要求較高。照相機拍攝取樣法操作簡單、方便實用，但是在采集中容易受環境、樣本自身雜質、光照不均、拍攝角度和距離等因素影響，產生一定的噪聲，從而影響處理效果。為盡可能地降低環境、設備等因素影響，研究中采用工業照相機來采集樣本圖像，統一圖像采集方式，對采集系統中的照相機和玉米穗垂直放置，兩者間垂直距離保持穩定不變。

以產自安徽“京豐8號”玉米穗完整果穗作為實驗樣本。將采收、曬干后的整果穗玉米平整放置在實驗臺上，使用北京維視數字圖像技術有限公司生產的MV-VD030型號工業照相機，在玉米穗正上方垂直拍攝，進行實驗樣本的圖像采集工作。工業相機與玉米穗的垂直距離保持在300mm。如圖1所示，為玉米穗圖像采集裝置示意圖。工業相機完成圖像采集后，將采集到的信息傳輸給計算機，供后續MATLAB圖像處理使用。

圖1 圖像采集裝置示意圖

2 玉米穗圖像處理

2.1 圖像預處理

如圖2所示，工業相機采集到的玉米穗原始圖像以.bmp格式照片形式保存。為檢測玉米穗行籽粒數，需要對圖像進行預處理。用工業相機采集的圖像彩色圖像，其圖像顏色模式由R、G、B 3個模式所構成。為了消除玉米穗圖像自身帶有的噪聲信息，增強圖像輪廓有關信息，必須對原圖像進行預處理。預處理理想結果為成功圖像分割到目標為玉米籽粒行輪廓圖像，圖像預處理是基于MATLAB R2014a對圖像進行灰度化處理、二值化處理、去除小面積、空洞填充等。

圖2 玉米穗原始圖像

2.1.1 圖像灰度化處理

為降低后續圖像處理的計算量，采集到的彩色圖像需要進行灰度化處理。灰度范圍一般在0～255范圍內變化，灰度值為0時為黑色，灰度值為255時為白色，灰度值較大的像素較亮，反之較暗。目前，圖像灰度化處理常用方法有3種，即最大值法、平均值法和加權平均值法[2]。本文選用加權平均法進行玉米穗原始圖像灰度化處理，加權平均法指按照一定的權值，將R′、G′、B′各分量值的加權平均值作為灰度值，公式：

R′=G′=B′=ωRR+ωGG+ωBB

(1)

式中，ωR、ωG、ωB分別表示R′、G′、B′的權值。

2.1.2 二值化處理

雖然灰度化后的玉米穗圖像已經由彩色圖像轉化成單通道的灰度圖像，但圖像中每個像素點的像素值還有256個，其數據量依然龐大。為了進一步簡化圖像需要對其進行二值化處理。二值化的目的就是將圖像轉化成二值圖像，圖像的像素點灰度值非1即0，即將目標像素點灰度值置1，背景像素點灰度值置0，這樣就可以將原來的玉米穗圖像的色彩信息簡化到極致，并且保留了原有圖像的結構特征。

灰度圖像二值化的方法通常采用閾值來實現，閾值有人工閾值和自動閾值2種。人工閾值是一個不斷嘗試的過程，通過設定不同大小的值來觀察圖像二值化后的效果，以挑選出最佳的閾值。該方法操作簡單，但適用性不強，每幅樣本圖像都要重新尋找與之對應的閾值，且費時費力。自動閾值是依據圖像自身灰度值的分布特征自動生成閾值的方法，一般有經驗法、直方圖谷底法、最大類間方差法、迭代法等[3]。

在進行閾值法操作中，閾值大小是影響二值化處理效果的最重要因素，其參數值的設定非常關鍵。在研究中，圖像二值化處理運用經驗法來設定閾值參數，然后掃描圖像中所有像素，對于圖像中像素值比閾值參數大的全部置成1，比閾值參數小的全部置成0。由于實驗樣本采集系統對于玉米穗圖像采集是采用統一標準進行采樣的，其樣本圖像背景比較純凈，所以采用自動閾值便可以滿足圖像識別的要求。如圖3所示，為經灰度化及二值化處理后的圖像。

圖3 灰度化及二值化處理后的圖像

2.2 圖像分割

在經過二值化處理后的玉米穗圖像中，白色玉米為主體，黑色為背景，灰度差別大，經實際圖像分割操作效果的比對，利用閾值法分割要比邊緣提取方法保留玉米穗的輪廓信息更多，所以對玉米穗圖像的處理選用閾值分割。閾值分割的實質是從灰度圖像的灰度直方圖信息中獲取分割閾值。

由于分離出來的玉米穗是個完整的連通域，所以在圖像中擁有最大的面積，而其他噪點、雜質的面積均遠遠小于玉米穗的面積，通過閾值的方式可以去除面積小于該閾值的連通域，即可去除圖像中背景物的噪點和其他雜質。為獲得更加完整的玉米穗圖像，針對空洞問題繼續利用去除小面積的方法來實現，其具體步驟：將圖像進行反色，利用函數去除空洞連通域，再將圖像取反，即可得到去除空洞后的玉米穗圖像。重復以上操作，分割結果顯示區域去除處理后的圖像，如圖4所示。MATLAB程序設計代碼如下：

圖4 去除面積后圖像

corn_level=graythresh(corn);%自動設置一個閾值

corn_BW=im2bw(corn,corn_level);%圖像二值化

figure(5)

imshow(corn_BW) %顯示轉化后的圖像

corn_BW_point=bwareaopen(corn_BW,50000); %去除面積低于50000的圖像

figure(6)

imshow(corn_BW_point) %顯示圖像

corn_BW_point_not=～corn_BW_point; %將圖像反色處理

corn_BW_point_not=uint8(corn_BW_point_not); %轉換數據類型為logical到uint8

corn_BW_point_roll(:,:,1)=corn_BW_point_not.*corn(:,:,1);%點乘運算

corn_BW_point_roll(:,:,2)=corn_BW_point_not.*corn(:,:,2);

corn_BW_point_roll(:,:,3)=corn_BW_point_not.*corn(:,:,3);

figure(7)

imshow(corn_BW_point_roll) %顯示運算后的圖像

corn_level_roll=graythresh(corn_BW_point_roll); %設置一個閾值

corn_BW_roll=im2bw(corn_BW_point_roll,corn_level_roll);%圖像二值化

figure(8)

imshow(corn_BW_roll) %顯示轉化后的圖像

corn_BW_point_roll_1=bwareaopen(corn_BW_roll,100); %去除面積低于100的對象

figure(9)

imshow(corn_BW_point_roll_1) %顯示圖像

圖像分割后，圖像中還存在一些雜點，目標物體的邊界凹凸不平。為了只保留玉米穗的一行，去除圖像中的雜點以及使玉米穗輪廓邊界變得平滑，需要對分割后的圖像進行一系列形態學處理。在MATLAB 2014a中，圖像的形態學處理技術主要包括膨脹、腐蝕、開運算和閉運算[4]。膨脹處理是將圖像的邊緣進行一定的延長和拓寬，增強實際邊界的像素點。腐蝕處理是一種消除邊界點，使邊界點內宿的過程。可運用于消除小且無意義的目標對象，強化邊界有效性。由于前期進行過腐蝕操作，圖像像素點減弱，存在失真現象，所以需要再進行一次膨脹處理以彌補失真情況。因在圖像處理時數據類型的不同，需要首先將數據類型轉化成logical到uint8，再進行點乘運算和圖像濾波，這樣就可以分割出原始玉米穗圖像中的某一行。其圖像顯示結果如圖5所示。

圖5 分割出一行圖像

3 玉米穗行粒數計算

經過對玉米整穗原始圖像的預處理與圖像分割處理后，可以得到玉米穗圖像中的一行圖像。針對分割出玉米穗的一行，需要再進行一次分割，才能進行玉米穗行籽粒數的估算。經二值化處理、點乘運算等操作后，玉米穗行的籽粒處于分開狀態，然后在MATLAB中調用函數計算出玉米穗行籽粒的數目。

利用數字圖像處理技術對玉米穗行籽粒數估計算法設計，其MATLAB程序設計代碼實現：

count_BW=im2bw(I,0.32); %圖像二值化

count_BW_double=double(count_BW); %轉換數據類型為logical到double

count_BW_roll=double(bw_end).*count_BW_double;%點乘運算

count_BW_point=bwareaopen(count_BW_roll,50); %去除圖像中面積低于50的對象[L,num]=bwlabel(count_BW_point,8); %籽粒計數

顯示計數后的圖像及籽粒數如圖6所示。

圖6 玉米穗行籽粒數估計

4 結果與分析

為了驗證所建立的玉米穗籽粒計數模型的可應用性和準確性，將實驗室中30穗玉米的圖像經所計數算法模型的估算，并分別統計出模型計數出的玉米穗行籽粒數和經人工實際數出來的玉米穗行籽粒數。

如圖7所示，玉米穗行粒數模型估計與人工實際計數進行比較，行粒數相差不超過2粒，其計算出的相對誤差低于5.4%。利用MATLAB數字圖像處理技術可以實現玉米穗考種行籽粒的計數功能，其高效、準確的估計性能彌補了人工視覺疲勞的缺陷，大大提高了考種效率，為自動化考種提供便利。

圖7 玉米穗行粒數統計圖

5 結論

通過實驗與統計結果分析可得出，在使用工業照相機采集玉米穗整果圖像信息的基礎上，利用數字圖像處理技術對玉米穗行籽粒數的估計設計，可以大大提高玉米穗行粒計數準確率。所設計方法操作性強、花費低、效率高，將明顯降低人為勞動強度，對玉米自動化考種技術的發展具有重要意義。