基于圖像分割的甘薯抗褐變種質資源的快速鑒定

高燕萍 何培文 呂尊富 崔 鵬 徐錫明 龐林江 陸國權*

(1.浙江農林大學 現代農學院/浙江省農產品品質改良重點實驗室,杭州 311300;2.浙江農林大學 薯類作物研究所,杭州 311300)

甘薯(Ipomoeabatatas(L.) Lam),旋花科甘薯屬植物,俗稱紅薯,是我國重要的糧食作物[1]。我國的甘薯年產量約4 900萬t,占世界甘薯總產量的54.97%,居世界首位[2]。甘薯的營養價值豐富,其加工產品紅薯干、紅薯淀粉、紅薯片和紅薯粉絲等也備受市場青睞。

但作為食品加工原料的甘薯,在運輸、貯藏和生產加工中,褐變的現象時常發生[3]。褐變包括酶促褐變和非酶褐變[3]。酶促褐變是指在有氧條件下,酚酶催化酚類物質形成醌及其聚合物的過程。已有研究表明,果蔬的褐變主要為酶促褐變,正常情況下,這些酚酶與酚類化合物被生物膜分離,但當有機體受損,導致細胞破裂時,酚酶與其底物酚類化合物接觸,就容易被氧化,產生醌類物質,醌類物質進一步與細胞中氨基酸和蛋白質等發生聚合反應,產生有色物質,這些物質沉積在組織表面,就導致了組織表面變色[4-5]。農產品遭受逆境脅迫或者收獲、運輸、加工過程中無法避免的損傷,從而導致受損組織發生酶促褐變,造成營養及整體品質下降[6]。甘薯塊根在加工過程中,切口處易發生褐變,顏色加深使其觀感變差,營養價值降低,制約了鮮切甘薯產業的發展[7]。酶促褐變對甘薯的生產和加工具有不可忽視的影響,因此,對甘薯種質進行鑒定和篩選具有重要意義。

近年來,已有很多應用圖像分割技術對農產品圖像提取、農業病害等定量分析的研究。通過顏色圖像進行分割,首先要選用合適的顏色空間,其次選擇合適的計算方法。常用的顏色空間有CMY、RGB、HSV、Lab和NTSC[8]。閾值分割的常用方法有直方圖凹面分析法[9]、最大類間方差法(OTSU)[10]、邊緣檢測[11]和熵方法[10]等。Zhang等[12]開發了一種基于圖像處理技術的自動方法,能夠準確地識別出小麥的葉銹病和棕褐斑病等病害。Vural等[13]使用半分割自動算法,開發了一種快速檢測薯片加工過程中丙烯酰胺含量的方法。在馬鈴薯上,已有基于計算機視覺進行病害識別[14]、芽眼分割[15]等方面的研究。目前,計算機算法在甘薯褐變鑒定方面的研究鮮見報道。本研究利用98份甘薯材料,擬采用計算機分割算法將甘薯按薯肉色分類,并計算不同類型甘薯褐變顏色區域面積,最后計算褐變面積占甘薯圖像整體的比重,結合方差分析探究品種間褐變差異顯著性,旨在快速判斷甘薯種質的抗褐變能力,以期為甘薯種質的抗褐變能力鑒定提供參考。

1 材料與方法

1.1 試驗材料

從全國引種的98份甘薯品種(系)(表1),各品種均在浙江農林大學板橋基地(119.80° E,30.18° N)種植。種植采用單行高壟方式[16],本研究于2021年6月16日種植,每個品種扦插10株,隨機排列,同年11月2日收獲甘薯塊根。

表1 供試甘薯98份品種(系)Table 1 98 tasted sweetpotato varieties (lines)

1.2 圖像獲取

挑選長勢均勻、無明顯損傷、大小相近的薯塊,洗凈后選取薯塊中部橫切出0.5 cm的薄片,重復3次。甘薯切片后放入光源固定的拍攝設備內,立即拍攝圖片,作為對照組A組。參照袁潔等[17]的方法,A組拍攝完成后立即將每個品種的切片分別用0.05 mol/L的FeCl3浸泡1 h,然后用蒸餾水沖去表面溶液,吸干水分后拍攝圖片,為B組,14 d內完成圖像獲取工作。

1.3 試驗流程

試驗流程如圖1所示。

圖1 試驗流程Fig.1 Test process

1.4 分割圖像方法

將甘薯的完整切片圖像的背景去除,按色澤分類,將褐變的甘薯圖像中褐變的部分分割出來,計算分割出來的褐變面積占甘薯完整切片的面積比。針對A組處理,以甘薯品種‘運薯655’為例,首先通過MATLAB R2018b中imread函數讀取圖片(圖2(a)),用rgb2 gray函數將圖像轉化為灰度函數圖像(圖2(b)),利用imnoise和medifilt2函數對圖像進行中值濾波平滑處理后(圖2(c)),再用im2bw函數對圖像二值化處理,就能得到甘薯切片部位為1,背景為0的二值矩陣(圖2(d)),最后使用imfill函數填充輪廓內區域,得到背景為0,切片部分數值不變的圖像矩陣(圖2(e))。

圖2 甘薯切片背景分割過程Fig.2 Segmentation process of background of sweetpotato slice image

1.4.1聚類分析分類品種

得到背景為0的圖像后,可以讀取圖像的各像素點的R(Red)、G(Green)、B(Blue)數據,并計算平均值,利用rgb2lab函數,同理可得Lab各分量平均值。

對比RGB顏色空間,利用Lab顏色通道對甘薯切片圖像(A組)進行k-means聚類分析[18]。

1.4.2歐氏距離分割褐變色

分別提取有代表性的甘薯褐變樣本,利用MATLAB中ROI函數選擇多邊形樣本,提取它們的R、G、B顏色特征值,通過提取樣本的平均顏色估計,就能完成對原圖像的目標分割。針對褐變后的甘薯圖像,以B組‘運薯655’為例(圖3),其中圖3 (a)為原始圖像,進行與A組相同的分割背景處理后,選取具有代表性褐變特征的多邊形樣本區域(圖3(b)),設置不同程度的閾值(圖3(c)～圖3(e)),利用歐氏距離分割圖像,多次嘗試后選擇合適閾值(6T)分割的圖像與原始圖像疊加(圖3(f)),可觀測分割的相似度與一致性,確定最合適的閾值。通過圖像分析程序,計算出甘薯褐色面積的顏色占比,即分割出來的棕黃色區域的面積占原始圖的面積比值,最終實現RGB向量空間分割甘薯切片圖像判斷褐變程度的定量分析。

圖3 歐氏距離分割甘薯圖像過程Fig.3 Sweetpotato images segmentation process by Euclidean distance

2 結果與分析

2.1 聚類分析結果

由圖4可知,聚類分析將98份品種(系)分為3類。第一類的薯肉色為白色系,有40個品種;第二類的薯肉色為黃色系,有35個品種;第三類的薯肉色為桔紅色系,有23個品種。Lab顏色空間中L是亮度分量,而a和b是顏色分量,當a或b的取值越高則表示紅色或黃色的占比率越高,取值越低則代表綠色或藍色的占比率更多[19]。3個類型的差異主要體現在b分量上。白色系甘薯薯肉的黃色占比率最低,b在1.83～19.65,黃色系b為20.17～37.90,桔紅色系b為24.99～38.88;L的3個類型間無明顯分布規律,總體范圍在60.99～48.03;由于桔紅色系甘薯薯肉紅色占比率高,其a在11.66～30.27,而另外2個類型范圍則為-6.27～10.79。

圖4 98份甘薯品種(系)的薯肉色統計結果聚類分析Fig.4 Cluster analysis of the statistical results of flesh color of 98 sweetpotato varieties (lines)

2.2 褐變級別排名

由表2和圖5可知,‘鄂菜薯2號’褐變面積占比顯著高于其他品種,對比圖像發現其含有少量的花青素而偏淺紫色,但薯肉主色依舊為白色系,紫色與提取褐變模板ROI的RGB色彩接近導致其褐變面積占比偏高,并發現‘澳洲紫白’與‘浙薯15’的情況相同,針對此類含有少量花青素的品種,不適用此方法對比褐變度。但‘浙薯15’在含有少量花青素的情況下其褐變面積占比仍較低,說明其是抗褐變能力強的品種。‘南薯99’是白肉系甘薯中褐變最為嚴重的品種,它的褐變面積占比為2.04%,與‘浙薯27’無顯著差異。‘紫云薯’、‘川薯231’、‘川薯218’、‘龍薯14’、‘遺字135’、‘漯徐薯9號’、‘龍薯10號’、‘紅東’是褐變面積占比最少的品種,分別為0.12%、0.14%、0.15%、0.22%、0.24%、0.34%、0.36%、0.39%,這8個品種間無顯著差異。

表2 白肉系甘薯品種(系)褐變面積占比Table 2 Percentage of browning area of white tone flesh sweetpotato varieties (lines) %

由表3和圖6可知,‘騰飛’的褐變面積占比顯著高于其他黃肉系品種,分割面積占比為1.63%,薯皮內一圈顏色加深,薯皮與薯肉都分布著大量的褐變點。褐變程度越大的品種,其薯皮與薯肉間隙的褐變程度越高。褐變程度最低的‘龍薯21’、‘齊寧31號’和‘冀菜薯7號’的褐變面積占比分別為0.03%、0.05%和0.06%,顯著低于其他品種,但這3個品種間差異不顯著。‘高系14’、‘贛薯8號’、‘心香’、‘浙薯259’和‘齊寧26號’的褐變程度較高,屬于易褐變的品種。‘蘇薯14’的薯肉部分幾乎沒有褐變,但薯皮部分的色澤卻很深。

圖6 黃肉系甘薯品種(系)的褐變前后的表型Fig.6 Before and after browning phenotype of yellow tone flesh sweetpotato varieties (lines)

表3 黃肉系甘薯品種(系)褐變面積占比Table 3 Percentage of browning area of yellow tone flesh sweetpotato varieties (lines) %

由表4和圖7可知,‘金薯69’的褐變面積占比僅為0.01%。‘泰薯14’、‘川薯20’和‘運薯655’也是褐變程度較低的品種,4個品種間差異不顯著。‘鄭薯20’、‘濟薯34’、‘煙薯25’和‘黔薯15號’的褐變程度顯著高于其他品種。‘鄭薯20’的褐變面積占比最高,為1.90%,與‘濟薯34’無顯著差異,但觀察對應圖像發現這2個品種的褐變特征在皮部表現更密集,可能是由于褐變部分顏色深導致分割面積比較高。并且桔紅色系甘薯中的部分品種如‘金薯69’、‘鄭紅163’、‘萬薯10號’、‘浙薯32’等薯皮色呈黃色,所以在對比品種抗褐變的能力時要注意不均勻的薯肉色帶來的試驗誤差。桔紅肉系甘薯品種中‘浙薯86’切面有一圈環狀區域呈現為紫色,針對此類受花青素影響褐變分割面積結果的品種,在本試驗中其褐變程度不具備參考價值。

圖7 桔紅肉系甘薯品種(系)的褐變前后的表型Fig.7 Before and after browning phenotype of orange tone flesh sweetpotato varieties (lines)

表4 桔紅肉系甘薯品種(系)褐變面積占比Table 4 Percentage of browning area of orange tone flesh sweetpotato varieties (lines) %

3 討 論

與傳統的人工判斷褐變級別[20]和利用色差儀[21]測定褐化指數相比,MATLAB分辨率高,理論上結果更加準確,且計算功能強大,調用函數可以快速解決問題。已有相關褐變研究主要集中在測定褐變度[17]、與褐變相關的酶類[22]、底物[23]等多種指標,但這些方法耗時、沒有代表性指標,并且需要進行一定的統計學分析運算。此圖像分析方法利用Lab顏色空間,通過聚類分析將大量品種分組,相對RGB空間,能更準確地表現圖像色彩的細節,通過Lab空間處理的圖像在色彩還原方面更符合肉眼判斷的直觀標準[24],本試驗的結果與肉眼觀察的一致,相比肉眼鑒定更為準確可靠。并且計算單個褐變面積占比的時長約為4 s,速度較快,可進行大批量的自動運算。分割結果具有較高的可重復性,本試驗選取了不同的ROI樣本重復計算,品種間排名總體趨勢一致。需要注意的是,對于閾值的選擇是極為重要的,ROI的樣本和范圍不同,閾值的選擇則不同。如果閾值不合適,就會導致分割的程度不夠或者過度。因此,不同薯肉色的品種無法使用相同的ROI樣本以及閾值比較褐變能力。

‘金薯69’是本研究發現的優質抗褐變甘薯品種,有望作為甘薯抗褐變的育種材料。已有研究發現,針對不同品種甘薯,薯皮和薯肉褐變程度有顯著差異,這與鐘子毓等[25]、王禮群等[26]的研究結果一致,多數薯皮的褐變程度更為嚴重,并且色澤更暗,可能是運輸過程中產生的機械損傷對皮部的傷害更嚴重造成的[27],后續應進一步研究機械損傷對甘薯抗褐變能力的影響。相對于白肉系和黃肉系品種,桔紅肉系甘薯的薯皮和薯肉間間隙較小,薯皮下形成層的褐變程度也更小,若能結合較完善的甘薯機械去皮流程,就能擴大鮮切甘薯的市場前景。薯肉色為特殊花色的品種,不可用本研究方法判斷其抗褐變的能力。因此,在本研究的基礎上,可以進一步調整分割算法,確定各區域的明顯界限,細化分離薯皮、薯肉(或不同顏色的薯肉),以及在生產上控制光照條件減少試驗誤差等提升準確度及效率的方法。

4 結 論

結合歐式距離提出1種甘薯褐變圖像分割的算法,該算法可以完整、準確地分割出甘薯切片圖像和甘薯褐變圖像,并將98個甘薯種質材料聚類成3個薯肉色系:白色系、黃色系和桔紅色系,分割出的圖像所體現的甘薯褐變等級與傳統利用色差儀測定統計褐化指數的結果一致,準確度高。