基于圖像分析的茶樹葉齒形態特征量化研究

摘要：茶樹葉齒的大小、形狀和排列方式是茶樹種質資源鑒定評價的重要標準之一，但長期以來，這一標準的判定主要依賴技術人員的經驗，存在較大的主觀性和不確定性。在現有的圖像識別算法基礎上，引入根據葉片幾何形態特征設計的自定義卷積算子進行優化，提出了一套基于葉片圖像分析的茶樹葉齒特征量化方法。試驗驗證結果表明，該方法能夠快速準確地獲取葉片面積、周長和葉齒數量等基本參數，并能通過自定義算子對葉齒銳度、葉齒深度和葉齒密度等描述性指標進行量化。量化結果的變異系數均小于1%，具有重復性強、穩定性高的特點。相較于人工主觀辨識，該方法的測定時間不超過30 s，有效提高了茶樹葉片葉齒形態特征評價的準確性和工作效率，為茶樹種質資源的量化評價提供了新的方法和思路。

關鍵詞：茶樹葉片；形態特征量化；葉齒密度；葉齒深度；葉齒銳度

中圖分類號：S571.1；S126 文獻標識碼：A 文章編號：1000-369X（2023）06-835-09

茶葉是我國傳統的飲料，具有較高的經濟和文化價值。茶樹種質資源評價是茶樹新品種選育的重要環節。而茶樹葉齒的密度、銳度和深度是茶樹種質資源評價的重要內容之一，是新品種選育、表型分析、遺傳多樣性分析等工作的重要依據[1]，更是茶樹新品種登記、茶樹種權保護的必測指標[2]。傳統的葉齒評價方法主要是通過人工觀察和計數，存在主觀性強、工作效率低以及判斷標準不一致等問題[3-6]。隨著計算機視覺技術的快速發展，利用圖片識別技術實現葉片性狀的快速獲取和量化評價逐漸成為了行業研究熱點。然而，目前基于圖像的各類植物識別軟件均以科普為目的，其精度只能準確到科或屬的層面，并不能對于同一植物的種類差異進行量化描述，難以在種質資源評價鑒定工作中運用。因此，本研究擬通過對現有圖像識別技術進行優化，并結合茶樹種質資源評價相關要求，對茶樹葉齒形態特征進行量化，以減少人工評價中存在的主觀性干擾，從而提高茶樹種質資源評價的客觀性、準確性和工作效率，推動茶樹種質資源評價工作由定性評價向定量評價發展。

1 材料與方法

1.1 試驗材料

供試葉片均選用邊緣完整的當年生成熟茶樹葉片。量化結果的準確性檢驗選用蜀永703（大葉種）、福鼎大白茶（中葉種）、青心1 號（小葉種）等3 個不同葉類的品種。樣品采集地位于重慶市永川區重慶市農業科學院茶葉研究所生產試驗場（29°75'N，105°71'E），海拔460 m，年均降雨量1 034.9 mm，屬亞熱帶季風性濕潤氣候。春季年平均溫度17 ℃，夏季年平均溫度28 ℃，秋季年平均溫度21 ℃，冬季少有降雪。

1.2 試驗方法

1.2.1 圖像采集

采用自制的圖像采集裝置拍攝葉片圖像，裝置示意圖如圖1 所示。該裝置自帶穩定光源，可同時從被拍攝葉片四周提供光強為1 000 lux的白色柔光，減少陰影。該裝置背景板的4角處設有4 個面積為1 cm2 的正方形黑色圖斑，用以校正圖像形變和計算葉片等比例投影面積。攝像頭分辨率為1 280×720 ppi，圖像儲存為jpg 格式。

1.2.2 圖像預處理

先提取圖像中各像素點的RGB 值矩陣。再用平均值法（Average method）對圖片RGB矩陣進行灰度化運算[6]，將其轉化為灰度值矩陣。再利用最大類間方差法（OTSU 算法）將灰度化圖片矩陣二值化[7-8]，并依次按照公式（1）～（3）對二值化矩陣各元素進行標記、特征值計算和重新賦值，從而對圖片主體的內部噪點進行填充和修補，同時將主體以外的噪點清除，以進一步優化二值化圖像，提高下一步葉片邊緣檢測和葉面積計算的準確性。

1.2.5 準確性驗證

葉片面積和周長測定的準確性直接關系到葉齒密度、銳度和深度的量化精度。為進一步驗證面積和周長計算方法的準確性，選擇已知面積的正方形、三角形、圓形和正五邊形在同一背景下進行測量（圖4），同一圖形重復測量5 次。

1.2.6 葉齒形態指標的人工測定

葉齒密度、葉齒深度、葉齒銳度等形態人工測定方法參照《茶樹種質資源數據質量控制規范》和《茶樹種質資源描述規范》進行。分別采集蜀永703（大葉種）、福鼎大白茶（中葉種）和青心1 號（小葉種）當年生成熟葉片，以傳統的人工鑒定和圖像分析鑒定兩種方式對葉齒形態進行了測定。由5 位長期從事茶樹種質資源鑒定的技術人員完成，測定過程中不告知參試人員各葉片對應品種，葉面積和葉片周長采用網格法測定，其余指標均通過觀察計數和經驗判斷獲得。

1.3 圖像與數據處理

本研究數據統計和公式擬合選用SPSS26.0，圖像反演、數據批量處理和計算流程編程選用Python 3.10.0。

2 結果與分析

2.1 圖像預處理效果檢驗與反演

分別將當前使用較為廣泛的Sobel 算子與自定義算子獲得的二值化矩陣和輪廓線矩陣反演成對應的圖像。并對獲得的二值化圖像（圖5）和邊緣線（圖6）進行對比。結果顯示，利用自定義算子獲得的二值化矩陣能更完整地填充圖像主體，去除圖像邊緣噪點，更有利于后期葉片面積的精確計算。提取到的葉片邊緣線條粗細均勻，由連續的單像素點組成，避免了之前邊緣提取算法獲得的邊緣線在轉角處出現粗線條或斷點的問題，更有利于后期葉片周長的精確計算。

2.2 面積與周長測量精度的檢驗

采用本圖像分析方法對預設正方形、三角形、圓形和正五邊形面積和周長進行測量，并對比測量結果和預設值之間的差異，結果如表1 所示。驗證結果表明，4 種規則圖形面積和周長的測定值與預設值相比，誤差均小于3%，達到預期效果。

2.3 葉齒形態關鍵指標測定結果

由5 位技術人員完成葉齒銳度、葉齒深度和葉齒密度3 類指標感官評價的平均用時約為55 s，完成葉面積、葉周長和葉齒數量等參數的測量和計數時間約為13 min。采用本圖像分析法進行5 次重復測量，完成上述工作內容的平均用時約為24 s（含圖像采集裝置中取放葉片的時間和計算機運算時間）。其中，葉面積、葉周長和葉齒數量的測定結果如表2 所示。

結果顯示，通過圖像分析獲得的葉面積、葉周長和葉齒數量等參數與人工測定結果相近，方差分析結果P 值均大于0.05，說明人工測量和圖像分析結果未達到統計學意義上的顯著性差異，表明通過該圖像分析方法測定葉面積、葉周長和葉齒數量等參數具有可行性。本研究圖像分析獲得的相關參數的標準差和變異系數遠小于人工測定，說明該圖像分析方法相對人工測定獲得的數據更具穩定性。

根據國家農作物種質資源平臺和國家作物科學數據中心發布的“茶樹種質資源數據質量控制規范”，茶樹葉齒密度一般分為?。坷迕卒忼X數＜2.5）、中（2.5≤每厘米鋸齒數＜4）和密（每厘米鋸齒數≥4）3 類。而葉齒銳度和葉齒深度全靠測試人員依據肉眼進行感官判斷。通過對比人工測定和圖像量化分析的測定結果可知，人工鑒定結果因評測人員主觀認知存在差異，鑒定結果波動性較大，重復性差。而利用本研究的圖像分析方法獲得的量化結果，葉齒銳度、葉齒深度和葉齒密度3 類指標各重復的變異系數均小于1%（表3），表現出很強的可重復性。

3 討論

隨著計算機視覺技術的快速發展，圖片識別技術在農業領域中被廣泛用于作物病蟲害診斷[9-10]、植物種類辨識[11]、作物生長預測[12]、農田環境監測[13]和智能農業管理[14]等方面，并取得了顯著的成果。但在茶樹種質資源鑒定評價等基礎研究工作中的應用尚在起步階段。本研究在借鑒前人研究成果的基礎上，優化了圖像預處理算法，配合自制圖像采集裝置，可精確提取葉片主體圖像和邊緣輪廓線，且提取到的邊緣輪廓線由連續的單像素點組成，與利用通用邊緣檢測算法獲得的圖像相比，有效降低了由圖像噪音和輪廓線斷點引起的葉片面積和周長的計算誤差，測量準確度超過97%。

在通過圖像分析獲得精確葉面積、葉周長及其像素分布位置后，基于葉片幾何形態特征，設計了針對葉齒密度、葉齒深度和葉齒銳度等葉齒性狀指標的量化算法，并利用Python語言對整個計算流程進行了編程，實現了葉齒密度、葉齒深度和葉齒銳度特征指數的快速測定。檢驗結果表明，本方法完成葉齒性狀測定所需時間不超過30 s，遠快于人工測定的速度（13 min），且測定結果變異系數均小于1%，具有更強的穩定性，可有效提高茶樹葉片葉齒形態特征評價的準確性和工作效率，為茶樹種質資源量化評價提供了一種新的方法和思路。

深入研究計算機視覺技術在農業基礎研究工作中應用，針對性設計開發相關算法和程序，開拓相關應用場景，是賦能傳統農業轉型升級，提高農業科技創新效率和加速農業科技成果快速落地，加快發展智慧農業的重要途徑。雖然本研究設計開發的算法和程序能快速量化茶樹葉片的葉齒性狀指標，但對于構建完整的茶樹種質資源量化評價體系仍遠遠不夠，還需要利用機器學習、深度學習、神經網絡等先進技術，進一步挖掘和利用茶樹種質資源數據，完善相關算法和模型，從而實現茶樹種質資源鑒定方式由描述性的定性評價向智能自動的定量評價轉變。

參考文獻

[1] 趙衛國， 伍賢密， 齊玉崗， 等. 茶樹紫陽群體種種質葉片表型多樣性分析[J]. 江西農業學報， 2023， 35（2）： 53-59.

Zhao W G， Wu X M， Qi Y G， et al. Diversity analysis of leafphenotypic characters of Ziyang tea population germplasmresources [J]. Acta Agriculturae Jiangxi， 2023， 35（2）： 53-59.

[2] 佚名. 茶樹新品種權簡介[J]. 茶葉學報， 2022， 63（1）： 2， 57.Anon. Introduction to new tea plant variety rights [J]. TeaScience and Technology， 2022， 63（1）： 2， 57.

[3] 鄭衛紅， 任云， 楊成忠. 基于數字圖像處理技術的葉面測量儀研究[J]. 杭州電子工業學院學報， 2004， 24（3）： 31-34.

Zheng W H， Ren Y， Yang C Z. Research on leaf areameasurement instrument based on digital image processingtechnology [J]. Journal of Hangzhou Institute of ElectronicsEngineering， 2004， 24（3）： 31-34

[4] 董曉華， 趙喬， 蘇中波， 等. 基于漫水填充算法的葉面積儀研制[J]. 節水灌溉， 2016（9）： 169-172.

Dong X H， Zhao Q， Su Z B， et al. Development of leaf areameter based on flood-fill algorithm [J]. Water-SavingIrrigation， 2016（9）： 169-172.

[5] 宮志宏， 薛慶禹， 于紅， 等. 基于數字照片解析的黃瓜葉片面積測定及效果分析[J]. 中國農學通報， 2015， 31（23）：230-234.

Gong Z H， Xue Q Y， Yu H， et al. Measurement ofcucumber’s leaf area based on digital photo interpreted [J].Chinese Agricultural Science Bullentin， 2015， 31（23）：230-234.

[6] 劉亞， 張團善， 王恩芝. 基于高效邊緣檢測的彩色圖像灰度化算法[J]. 輕工機械， 2022， 40（6）： 52-58.

Liu Y， Zhang T S， Wang E Z. Grayscale algorithm for colorimage based on efficient edge detection [J]. Light IndustryMachinery， 2022， 40（6）： 52-58.

[7] Li S H， Ye L L. Multi-level thresholding imagesegmentation for rubber tree secant using improved Otsu'smethod and snake optimizer [J]. Mathematical Biosciencesand Engineering， 2023， 20（6）： 9645-9669.

[8] 李應果， 楊潔， 董春雷. 木材表面缺陷特征輪廓提取算法研究[J]. 西北林學院學報， 2021， 36（4）： 204-208， 281.

Li Y G， Yang J， Dong C L. Research on algorithm forextracting feature contours of surface defects in wood [J].Journal of Northwest Forestry University， 2021， 36（4）：204-208， 281.

[9] 盧筱偉， 孟志青. 融合注意力機制和多尺度卷積的小麥病害識別模型[J]. 中國農學通報， 2023， 39（25）： 147-154.

Lu X W， Meng Z Q. Wheat disease identification modelbased on fusion attention mechanism and multi-scaleconvolution [J]. Chinese Agricultural Science Bulletin，2023， 39（25）： 147-154.

[10] 蔣清健. 圖像模式識別在農業病害監測與預測中的應用研究[J]. 農業災害研究， 2023， 13（8）： 74-76.

Jiang Q J. Research on the application of image pattern recognition in agricultural disease monitoring and prediction[J]. Agricultural Disaster Research， 2023， 13（8）： 74-76.

[11] 李海濤， 羅維平. 基于深度學習的棉花品種識別[J]. 武漢紡織大學學報， 2022， 35（4）： 22-26.

Li H T， Luo W P. Cotton variety identification based ondeep learning [J]. Journal of Wuhan Textile University，2022， 35（4）： 22-26.

[12] 肖強智， 徐維新， 代娜， 等. 高寒牧草葉面積的冬季衰減過程與估算[J]. 草地學報， 2023， 31（8）： 2436-2445.

Xiao Q Z， Xu W X， Dai N， et al. The temporal pattern of leafarea index in withered procedure and its estimation in winterin Qinghai-Tibet Plateau [J]. Acta Agrestia Sinica， 2023，31（8）： 2436-2445.

[13] 林甄， 李睿偉， 謝金冶， 等. 視覺神經網絡林場巡檢機器人的設計與開發[J]. 東北林業大學學報， 2023， 51（8）：127-135， 139.

Lin Z， Li R W， Xie J Y， et al. Design and development offorest farm inspection robot using visual neural network [J].Journal of Northeast Foresrty University， 2023， 51（8）：127-135， 139.

[14] 張軍凱， 李欣， 韓俊先， 等. 深度學習算法下的采摘機器人系統優化研究[J]. 農機化研究， 2024， 46（4）： 58-62.

Zhang J K， Li X， Han J X， et al. Research on optimization ofpicking robot system under deep learning algorithm [J].Journal of Agricultural Mechanization Research， 2024，46（4）： 58-62.