基于OpenCV的大豆籽粒多表型参数获取算法

宋晨旭，于翀宇，邢永超,3，李素梅，贺 红，于 慧，冯献忠

基于OpenCV的大豆籽粒多表型参数获取算法

宋晨旭1，于翀宇1，邢永超1,3，李素梅1，贺 红1※，于 慧2，冯献忠2

（1. 山东大学机电与信息工程学院，威海 264209；
2. 中国科学院东北地理与农业生态研究所，长春 130102；
3. 哈尔滨工业大学计算学部，哈尔滨 150001）

大豆籽粒的表型参数获取对大豆育种具有重要的作用。现有的深度学习算法获取的大豆籽粒表型性状较少，且识别表型的神经网络模型训练成本高。该研究基于OpenCV图像处理库，提出了一种提取大豆籽粒多表型参数的算法，从大豆图像中一次性获取籽粒的多种表型性状参数，同时能识别大豆的优劣品质。将每个待测大豆单株的所有籽粒拍成一张图像，首先对大豆籽粒图像进行二值化、去噪等预处理，然后采用分水岭算法和改进的目标分割算法提取图像中的大豆籽粒轮廓。根据大豆籽粒的轮廓信息，调用OpenCV图像处理函数计算大豆籽粒的个数、长轴长度、短轴长度、面积、周长等多个表型性状参数。引入圆形度识别残缺大豆籽粒，使用RGB阈值判断识别病变大豆籽粒。测试结果表明，采用该文算法计算的颗粒总数识别率为98.4%，大豆籽粒正确识别率为95.2%，破损大豆和病变大豆的识别率分别为91.25%和88.94%，籽粒的长轴长度与短轴长度的测量精度分别为96.8%、95.8%；
引入多进程并行计算，该算法处理215张图片时间为248.9 s，相对于单进程计算缩短了约2/3，实现了低成本高通量的高精度大豆籽粒多表型性状参数的自动获取，为大豆籽粒自动化考种提供有效的处理方法。

大豆；
图像处理；
算法；
籽粒考种；
多表型参数；
OpenCV；
并行计算

大豆是中国重要的粮食和油料作物，大豆严重依赖进口的现状严重威胁国家粮油安全[1-3]。近年来，中国大豆育种专家一直致力于培育高产优质大豆新品种[4-6]。在育种过程中，需要对培育出的大豆群体进行表型测量与分析，评估不同种质资源的表型性状差异[7-8]，而其中大豆籽粒的表型性状关乎下一代大豆的产量以及品质，所以大豆籽粒的表型性状数据获取与分析是大豆精准育种的必要条件。

传统的大豆籽粒的表型性状检测主要依靠人工观察、挑拣、称量与测量，成本高，效率低下。与费用低廉且已经实现了标准化和工业化的基因型数据获取相比，大豆籽粒的表型数据获取与识别已经成为精准育种技术的瓶颈，亟待创新性的方法和策略[9-11]。

近年来，计算机视觉处理技术和人工智能技术在农作物表型识别领域的应用研究发展迅速，其在作物叶片识别、籽粒识别等领域的研究取得了显著成果[12-13]。在作物籽粒表型识别方面，张玉荣等[14]提出了一种小麦不完善籽粒识别方法，对采集到的小麦原始图像使用Python-OpenCV函数库的图像处理功能进行图像预处理，基于Keras 框架的VGG16神经网络模型对小麦进行不完整籽粒识别，达到了85.4%的准确率。朱荣胜等[15]提出了一种基于卷积神经网络的大豆优良籽粒图像筛选分类识别方法，选择含有4个卷积层、4个池化层、2个全连接层的6层卷积神经网络，进行优化后对大豆籽粒品质分类可达到98.8%的准确率。

目前作物籽粒表型识别的研究绝大部分都是用于品质分类，而对同时获取籽粒的种皮色、长短轴长度、圆形度等多种表型性状参数方面的研究很少。

神经网络模型在籽粒筛选分类中应用效果很好，可以采用神经网络模型从籽粒图像中提取表型参数。但如果要提取新的表型参数，就必须再次标注图像中的新表型，重新训练神经网络模型，算法对新增表型参数的识别不够灵活。神经网络训练和测试对籽粒图像质量要求高，拍摄图像时需要人工调整大豆籽粒的位置，难以满足批量处理籽粒表型鉴定的高通量要求。

基于以上问题，本文提出一种基于OpenCV[16]的大豆籽粒多表型参数获取策略，在获取大豆籽粒的多种表型参数的同时，完成正常和非正常品质大豆籽粒的识别筛选，实现大豆单株全部籽粒的一次性考种，为大豆籽粒自动化考种提供有效的处理方法，为选种育种提供可靠的数据支撑。

1.1 样本材料

本研究选用的大豆材料为中国科学院东北地理与农业生态研究所提供的2020年收获的3.2万株大豆的籽粒。

1.2 图像采集装置

图像采集装置如图1所示，由接料盘、手机、手机支架和电脑组成。采用500万以上像素的手机对大豆籽粒进行拍摄来实现大豆籽粒图像采集。一株大豆植株的所有籽粒拍为一张照片。

图1 图像采集装置简图

将一株大豆植株的所有籽粒铺放在铺有黑色吸光绒布的接料盘上。黑色吸光绒布不反光，质地软，摩擦力大，可以很大程度地避免大豆籽粒聚集的现象，使大豆籽粒均匀、随机地散落在盘上。用手机支架将手机放置于接料盘的正上方，使用电脑操控手机进行拍摄，并对拍摄的图像进行命名。

图像采集在光线充足且无明显其余光噪音的环境下进行。拍摄前先放一张白纸在接料盘上，记录环境光在各坐标上的初始值，以方便对种皮色进行准确的归一化处理。在接料盘上放置一个3 cm×2 cm的白色比例尺，用于大豆实际尺寸的计算。在接料盘上放置黄色系比色卡，便于采集种皮色等表型参数。

2.1 轮廓提取流程

在大豆籽粒的考种过程中，大豆籽粒图像按照一幅图像对应一株大豆的方式进行采集，采集的原始图像以大豆株系命名。为了准确地提取大豆籽粒的表型参数，采集的原始图像需要进行预处理，使图像中每粒大豆都具有清晰的边界轮廓。图像处理流程如图2所示。

2.2 图像预处理

2.2.1 图像二值化

使用Python-OpenCV库函数中的cv2.imread()函数读取图像文件。为增强图像特征，对读入的原始图像进行灰度化和二值化[17-18]处理。采用cv2.cvtColor()函数对图像灰度化，cv2.threshold()函数对灰度图进行二值化操作。图像的二值化可使数据量大为减少，更能凸显目标轮廓，使图像呈现明显的黑白效果。由于各设备拍摄过程中光照、拍摄角度、设备的不同，算法采用了自动计算最佳二值化阈值。通过cv2.calcHist()函数计算通道灰度直方图得到背景的灰度值范围，如图3所示。横坐标0～50部分表示图像背景为黑色，也是灰度值最多的点，横坐标150～250部分所示表示大豆籽粒呈黄色。两者颜色差异较大，以此为二值化阈值，可以实现图像二值化。

图2 图像处理流程

图3 灰度直方图

2.2.2 比例尺定位与识别

接料盘上有3 cm×2 cm的白色卡片作为比例尺，根据比例尺可以计算每粒大豆的实际尺寸。根据圆形度和RGB定位比例尺，通过计算比例尺的像素面积与像素周长，进一步可得到图像-实际比例。白色的比例尺颜色与大豆籽粒颜色比较接近，在进行籽粒识别时，计算机有可能把图像中的比例尺识别成一堆大豆籽粒。为了不影响后续的图像处理，将图像中的比例尺进行了描黑处理。

2.2.3 图像去噪

大豆籽粒的原始图像在经过灰度化和二值化处理后，图像细节得到了增强，对比度增加。但是，因为接料盘上的碎渣、光照不均匀等问题，部分图像经过二值化处理后仍然存在噪声。本研究运用图像形态学运算进行图像去噪，对图像进行进一步优化，增强图像细节。

形态学运算是针对二值图像依据数学形态学的集合论方法发展起来的图像处理方法。最基本的形态学操作有腐蚀和膨胀[19-20]。在二值图像中，目标像素点的值为255，背景像素点的值为0。腐蚀操作是在二值图像中删除目标边界的某些像素为255的值，膨胀操作是在二值图像中为目标图像的边界添加像素为255的值。

对二值图像先腐蚀再膨胀称为开运算。开运算可以去除目标外的孤立点。使用腐蚀，背景扩展，该孤立点会被腐蚀掉，但是腐蚀会导致目标缩小，再进行膨胀操作，将目标区域扩展回原来大小。对二值图像先膨胀再腐蚀为闭运算。闭运算可以去除目标内部的小孔或小黑点。由于目标区域内存在像素点为0的值，首先进行膨胀操作，目标区域扩张一圈，将目标区域的0值去除，再进行腐蚀操作，使目标恢复之前的大小。图 4a为原始的大豆籽粒二值图像，存在部分目标外的孤立点，对其使用开运算后，孤立点得以去除，如图 4b所示。

图4 形态学运算去噪前后的图像对比

2.3 目标轮廓分割

分水岭算法是一种基于拓扑理论的形态学分割方法，对图片灰度的梯度估计非常直接，便于寻找图像的梯度波峰，目标分割实现方便[21-23]。本研究运用改进的分水岭算法来实现大豆籽粒目标轮廓分割。

2.3.1 基于标记的分水岭目标分割

图4中的大豆目标区域为目标分割块，由于原图像中灰度变化不明显，导致使用传统的腐蚀操作区分目标界限会出现分割不全现象，如图5a所示。

采用距离变换[24]替换腐蚀操作，根据目标区域与最近的背景区域的距离来区分目标界限，得到目标的前景区域，如图5b所示，分割不全的现象得到明显改善。

将膨胀后的二值图与距离变换二值图取差值，得到图5c所示的非确定区域，籽粒的轮廓边界就存在于该区域中。将非确定区域与确定的前景区域分别标记为0和1，采用分水岭算法，从一个初始的高阈值逐渐降低，在非确定区域中寻找边缘轮廓，将目标图像分割为单个大豆籽粒[25]，如图5d所示。

图5 边缘轮廓分割过程

2.3.2 粘连目标分割算法改进

对于高产大豆植株，单株籽粒数目多，密集铺放的大豆籽粒图像经传统的分水岭算法分割轮廓后，仍然会出现粘连情况，如图6a所示。为处理这种粘连情况，本研究对分水岭算法进行了改进，对目标籽粒进行二次判断和轮廓分割。

引入圆形度[26]来进行轮廓判断，圆形度计算公式为式（1）。

式中为圆形度；
表示面积，mm2；
表示周长，mm。若等于1，轮廓为圆形，越小，轮廓越不规律，与圆形的差距越大。如果将多个粘连着的籽粒识别成一个，其轮廓必定与圆形差别很大。当轮廓圆形度小于设定阈值时，需对其进行二次判断。

二次判断过程由高阈值进行降噪、分水岭算法和二值化组成，降噪使用开运算、腐蚀、膨胀操作，过程与初次判断类似，但参数不同。对于需要二次判断的区域，由于背景为黑色，所以灰度值越高，二值化效果越明显。为使边缘轮廓切割更加明显，需要提高二值化阈值，重新计算大豆籽粒轮廓。

采用OpenCV库函数中的boundingRect()函数，计算目标轮廓的垂直边界最小矩形，矩形与图像上下边界平行，由该矩形坐标求得矩形中心点坐标。由于大豆籽粒形状较为规则，在图像中呈椭圆状或圆状，如果矩形中心点坐标在籽粒轮廓内，则可以认为该轮廓是一个大豆籽粒，粘连目标分割成功。如果矩形中心点不在籽粒轮廓内，该轮廓就不是1个大豆籽粒，需在轮廓之间增加一条黑色边界线进行分割，再进行二次判断，直至目标分割成功。

经过改进分水岭算法的大豆籽粒目标分割结果如图 6b所示，实现了对粘连籽粒目标的分割。

图6 粘连目标的分割处理

大豆单株的籽粒图像经过图像处理和轮廓参数提取后的结果如图7所示。

图7 大豆籽粒轮廓提取结果

3.1 大豆籽粒品质识别

在种植大豆时，需要筛选出籽粒饱满、无破损和病虫害等问题的优质大豆籽粒作为种子。不良品质的大豆主要有破损籽粒、未成熟籽粒以及各种病变籽粒，破损的大豆形状不规则，如图8a所示；
病变大豆籽粒颜色与优良大豆籽粒差异较大，如图8b所示；
未成熟大豆的形状和颜色都与正常大豆有差异。因此根据大豆籽粒的形状和颜色可以识别筛选出优良品质大豆和不良品质大豆。

3.1.1 破损籽粒判断识别

形状不规则的破损大豆、虫蚀大豆和未熟大豆都可以归类为破损籽粒。根据籽粒的圆形度可以判断籽粒是否破损。正常大豆籽粒的形状接近于圆形或椭圆形，圆形度较高，形状越不规则，圆形度越低。按照式（1）计算大豆籽粒的圆形度，根据正常大豆的圆形度设定一个阈值，若籽粒的圆形度小于阈值时就判定为破损籽粒，图8a中的大豆籽粒即判断识别为破损籽粒。

图8 不良品质大豆

3.1.2病变籽粒判断识别

产生病变的大豆籽粒颜色与正常大豆的颜色存在差异，一般病变大豆表皮呈深色或有深色斑块，如图 8b中的大豆籽粒。深色的RGB色值较低，计算一幅图像中所有大豆籽粒的平均RGB，根据此平均RGB值设置一个合适的颜色阈值，当大豆籽粒有较大部分的区域RGB值低于设置的颜色阈值时，则判断大豆籽粒产生病变。

需要根据大豆批次的籽粒表皮颜色实际情况选取合适的RGB颜色阈值以及深色区域占一个籽粒目标区域的百分比。对于本研究的大豆样本材料，经多次试验，当设置颜色阈值为平均RGB的0.6倍，大豆籽粒有80%的区域RGB值低于设置的颜色阈值时，判断大豆籽粒产生病变的准确度最高。

3.2 大豆籽粒表型参数获取

3.2.1 面积与周长计算

图像经过处理后，得到所有大豆籽粒轮廓。采用OpenCV相关函数计算提取每个大豆籽粒的轮廓数据信息。分别采用cv2.contourArea()、cv2.arcLength(contours)函数计算大豆籽粒的面积和周长，根据面积和周长计算对应的方差、平均籽粒面积和周长。

3.2.2 长轴短轴长度与长短轴比计算

为了准确描述籽粒接近圆形的程度，本研究对大豆籽粒的长、短轴进行了计算。由于大豆籽粒的形状接近椭圆，可以利用cv2.fitEllipse()函数对其进行拟合椭圆操作，返回值如式（2）所示。

式中(,)代表椭圆中心点位置，(,)代表长短轴的长度，mm，angle代表中心旋转角度（°），椭圆拟合结果如图9所示。

根据比例尺能够计算出大豆籽粒长轴和短轴的实际长度值，进而可以算出大豆的长短轴比。对于判定为不良品质的大豆籽粒，不计算其长、短轴长度。

注：a, b分别为大豆长短轴的长度，mm。

3.3 表型数据保存

本研究处理了3.2万幅大豆植株的籽粒图像，共有大豆种子280万余粒。使用了2个csv表格文件存储获取的大豆籽粒多表型参数数据。一个表格文件存储每粒大豆籽粒的多表型参数，包括株系号、株号、大豆编号、面积、周长、长轴长度、短轴长度、长短轴比例、圆形度、RGB值、是否残缺、是否患病等。另一个文件按植株存储，存储每个大豆植株的所有籽粒个数、优质籽粒个数、残缺籽粒个数、病变籽粒个数、以及面积、周长等表型参数的平均值。可以按不同的表型对大豆植株进行排序，便于寻找关键的某个或某几个表型最优异的大豆植株。

4.1 籽粒数量识别结果

为验证本文算法的准确性，分别采用传统分水岭算法和改进的目标分割算法对每幅大豆籽粒图像进行目标轮廓分割和籽粒个数统计，与人工统计的各幅图像中大豆籽粒个数进行对比。表1为其中的一幅大豆图像的大豆籽粒数量识别结果，人工统计的该幅图像有194粒大豆籽粒。从表1可以得出，采用改进后的目标分割算法识别大豆籽粒数量，颗粒总数的识别率和大豆籽粒的正确识别率比采用传统算法分别提高了39.4个百分点和58.1个百分点。

随机抽取100幅大豆籽粒图像的改进算法识别结果进行识别率统计，颗粒总数的识别率为98.4%，大豆籽粒的正确识别率为95.2%。

4.2 籽粒品质识别结果

同样选择上述100幅大豆籽粒图像，用人工方式统计破损籽粒数量以及病变籽粒数量，与采用本文算法计算识别的不良大豆籽粒作比较，结果如表2所示，本文方法对破损大豆籽粒的识别率为91.25%，对病变大豆籽粒的识别率为88.94%。

表1 大豆籽粒数量识别率统计

表2 大豆籽粒品质识别率统计

由于选用的图像为不同批次大豆的籽粒图像，而且拍摄时间也不尽相同，所以不同图片中的正常大豆颜色不一致，影响了病变大豆的识别率。

4.3 籽粒长短轴长度计算精度

随机选择了107粒待考种大豆作为样本，使用游标卡尺（量程150 mm，精度0.02 mm）人工测量样本籽粒的最大直径和最小直径，分别作为人工测得的籽粒长轴、短轴长度，与采用本文算法计算出的籽粒长、短轴长度进行比较，结果如图10所示。以人工测量结果为标准，本文方法计算得出的籽粒长轴长度的平均精确度为96.8%，短轴长度的平均精确度为95.8%。

图10 长短轴长度计算值与人工测量值比较

4.4 图像处理速度

创建多个进程[27]，可以提高CPU利用率，能显著加快计算密集型任务的数据处理速度。为了对算法的可并行化程度进行测试，本研究的计算设备是8核处理器，由此创建了8个进程。输入包含大豆植株图片的文件夹路径后，程序自动进行并行处理，处理完成后返回程序运行时间。

经测试，单进程计算的情况下，处理215张图片总用时722.8 s；
创建8个进程并行执行之后，处理相同215张图片总用时间为248.9 s，较单进程计算情况，时间缩短了约2/3。由此可见，本算法容易被并行化并且能显著缩短图片处理时间。

本研究基于OpenCV和计算机视觉处理技术提出了1种大豆籽粒多表型参数获取算法，对传统算法进行改进，实现了对大豆单株籽粒图像的快速处理。算法能从图像中一次性获取大豆籽粒的多种表型性状参数，包括籽粒个数、籽粒周长和面积、RGB、长短轴比和圆形度等，同时能识别大豆的优劣品质。

本文算法对单幅大豆籽粒图像的颗粒总数的识别率可达到98.4%，大豆正确识别率可达到95.2%，短轴长度的精确度能达到95.8%，长轴长度的精确度能达到96.8%，对破损大豆籽粒的识别率可达到91.25%，对病变大豆籽粒的识别率可达到88.94%。相对于单进程计算，通过CPU处理器的多核多进程并行计算可使算法运行时间缩短约2/3，满足大豆籽粒高通量自动考种，为大豆表型参数提取和选种提供了新思路。

[1] 陈男，李静，沈祥娟，等. 大豆GmCBL7基因的克隆及生理功能分析[J]. 农业生物技术学报，2021，29(10)：1904-1913.

Chen Nan, Li Jing, Shen Xiangjuan, et al. Cloning and physiological function analysis of GmCBL7 gene in soybean (glycine max)[J]. Journal of Agricultural Biotechnology, 2021, 29(10): 1904-1913. (in Chinese with English abstract)

[2] 高雪冬，顾鑫，杨晓贺，等. 大豆优质高产栽培技术[J]. 现代农业科技，2021(11)：14-15,17.

Gao Xuedong, Gu Xin, Yang Xiaohe, et al. High quality and high yield cultivation technology of soybean[J]. Modern Agricultural Science and Technology, 2021(11): 14-15,17. (in Chinese with English abstract)

[3] 王荣森，吴蓉，陈阳. 中国粮食进口安全与地区结构研究[J]. 当代经济，2020(5)：4-10.

Wang Rongsen, Wu Rong, Chen Yang. Research on China"s grain import security and regional structure[J]. Contemporary Economics, 2020(5): 4-10. (in Chinese with English abstract)

[4] 冯献忠，刘宝辉，杨素欣. 大豆分子设计育种研究进展与展望[J]．土壤与作物，2014，3(4)：123-131.

Feng Xianzhong, Liu Baohui, Yang Suxin. Progress and perspective of soybean molecular design breeding research[J]. Soil and Crop, 2014, 3(4): 123-131. (in Chinese with English abstract)

[5] 徐杰飞，郭泰，王志新，等. 大豆常规育种和分子育种相结合的研究进展[J]. 现代化农业，2021(6)：2-4.

Xu Jiefei, Guo Tai, Wang Zhixin, et al. Research progress of combination of conventional breeding and molecular breeding of soybean[J]. Agricultural Modernization, 2021(6): 2-4. (in Chinese with English abstract)

[6] 吴国栋，修宇，王华芳. 优化子叶节转化法培育大豆MtDREB2A转基因植株[J]．植物学报，2018，53(1)：59-71.

Wu Guodong, Xiu Yu, Wang Huafang. Breeding of MtDREB2A transgenic soybean by an optimized cotyledonary-node method[J]. Chinese Bulletin of Botany, 2018, 53(1): 59-71. (in Chinese with English abstract)

[7] Ghanem M E, Marrou H, Sinclair T R. Physiological phenotyping of plants for crop improvement[J]. Trends in Plant Science, 2015, 20(3): 139-144.

[8] 马鸿润. 面向人工智能育种的大豆种子表型特征数据采集与分析[D]. 威海：山东大学，2020.

Ma Hongrun. The Collection and Analysis of Soybean Seed Phenotypic Characteristic Data for Artificial Intelligence Breeding[D]. WeiHai: Shangdong University, 2020. (in Chinese with English abstract)

[9] Li S, Yan Z Z, Guo Y X, et al. SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation[J]. The Crop Journal, 2022, 10(5): 1412-1423.

[10] Johanna Roussel, Felix Geiger, Andreas Fischbach, et al. 3D surface reconstruction of plant seeds by volume carving: Performance and ccuracies[J]. Frontiers in Plant Science, 2016, 7: 745.

[11] Uzal L C, Grinblat G L, Namías R, et al. Seed-per-pod estimation for plant breeding using deep learning[J]. Computers and Electronics in Agriculture, 2018, 150: 196-204

[12] 国家市场监督管理总局、中国国家标准化管理委员会. 植物品种特异性、一致性和稳定性测试指南大豆[S]. 北京：中国标准出版社，2018.

[13] Liu N, Kan J M. Improved deep belief networks and multi-feature fusion for leaf identification[J]. Neurocomputing, 2016, 216: 460-467.

[14] 张玉荣，王强强，吴琼，等. 基于Python-OpenCV图像处理技术的小麦不完整粒识别研究[J]. 河南工业大学学报（自然科学版），2021，42(6)：105-112.

Zhang Yurong, Wang Qiangqiang, Wu Qiong, et al. Research on imperfect wheat grain recognition based on Python-OpenCV image processing technology[J]. Journal of Henan University of Technology(Natural Science Edition). 2021, 42(6): 105-112. (in Chinese with English abstract)

[15] 朱荣胜，闫学慧，陈庆山. 基于图像识别和卷积神经网络的大豆优良籽粒筛选研究[J]. 大豆科学，2020，39(2)：189-197.

Zhu Rongsheng, Yan Xuehui, Chen Qingshan. Study on the optimization of soybean seed selection based on image recognition and convolution neural network[J]. Soybean Science, 2020: 39(2): 189-197. (in Chinese with English abstract)

[16] 张军，孙梓豪，卫艺冉. 基于OpenCV3的自主巡检远程应急机器人系统设计[J]. 无线互联科技，2021，18(19)：39-41.

Zhang Jun, Sun Zihao, Wei Yiran. Design of autonomous patrol remote emergency robot system based on OpenCV3[J]. Wireless Internet Technology, 2021, 18(19): 39-41. (in Chinese with English abstract)

[17] Lins R D, Bernardino R, Barboza R S, et al. Using paper texture for choosing a suitable algorithm for scanned document image binarization[J]. Journal of Imaging, 2022, 8(10): 272.

[18] 姚俊光，余冰纯，林景峰，等. 基于OpenCV的龙眼图像合理通道选择研究[J]. 现代计算机，2019(26)：31-35.

Yao Junguang, Yu Bingchun, Lin Jingfeng, et al. Research on reasonable channel selection of longan images based on OpenCV[J]. Modern Computer, 2019(26): 31-55. (in Chinese with English abstract)

[19] 张勤，陈建敏，李彬，等. 基于RGB-D信息融合和目标检测的番茄串采摘点识别定位方法[J]. 农业工程学报，2021，37(18)：143-152.

Zhang Qin, Chen Jianmin, Li Bin, et al. Method for recognizing and locating tomato cluster picking points based on RGB-D information fusion and target detection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 143-152. (in Chinese with English abstract)

[20] Codaro E N, Nakazato R Z, Horovistiz A L, et al. An image processing method for morphology characterization and pitting corrosion evaluation[J]. Materials Science and Engineering, 2002, 334: 298-306.

[21] 徐伟萌，杨浩，李振洪，等. 利用无人机数码影像进行密植型果园单木分割[J]. 武汉大学学报（信息科学版），2022，47(11)：1906-1916.

Xu Weimeng, Yang Hao, Li Zhenhong, et al. Single tree segmentation in close-planting orchard using UAV digital image[J]. Geomatics and Information Science of Wuhan University, 2022, 47(11): 1906-1916. (in Chinese with English abstract)

[22] Kornilov A S, Safonov I V. An overview of watershed algorithm implementations in open source libraries[J]. Journal of Imaging, 2018, 4(10): 123.

[23] Roudier P, Tisseyre B, Poilvé H, et al. Management zone delineation using a modified watershed algorithm[J]. Precision Agriculture, 2008, 9(5): 233-250.

[24] 蒋正帅. 番茄采摘机器人视觉系统的研究[D]. 杭州：中国计量学院，2014.

Jiang Zhengshuai. Research on the Vision System of Tomato Harvest Robot[D]. Hangzhou: China Jiliang University, 2014. (in Chinese with English abstract)

[25] 张亦舒，王晓娜，侯德鑫，等. 基于分水岭算法的电感激光热成像图像分割[J]. 红外技术，2021，43(4)：367-371.

Zhang Yishu, Wang Xiaona, Hou Dexin, et al. Image segmentation of inductors laser thermal imaging based on watershed algorithm[J]. Infrared Technology, 2021, 43(4): 367-371. (in Chinese with English abstract)

[26] 牛立聪，孙香花，左晓宝. 基于Matlab图像处理的砂石颗粒圆形度计算方法[J]. 混凝土，2012(1)：10-12.

Niu Licong, Sun Xianghua, Zuo Xiaobao. Circularity calculation of sand and stone particles based on Matlab image processing[J]. Concrete, 2012(1): 10-12. (in Chinese with English abstract)

[27] 陈彬. 通用非对称多核方案设计[J]. 计算机系统应用，2021，30(7)：277-282.

Chen Bin. Design of general asymmetric multiprocessing program[J]. Computer Systems, 2021, 30(7): 277-282. (in Chinese with English abstract)

Algorith for acquiring multi-phenotype parameters of soybean seed based on OpenCV

Song Chenxu1, Yu Chongyu1, Xing Yongchao1,3, Li Sumei1, He Hong1※, Yu Hui2, Feng Xianzhong2

(1.,,,264209,; 2.,,130102,;3.,,150001,)

Phenotypic trait parameters of soybean seeds were greatly contributed to the soybean breeding. Deep Learning, particularly Convolutional Neural Networks (CNN), has been introduced into the acquisition and analysis of plant phenotypes in recent years. However, the existing deep learning algorithms cannot fully meet the high requirement of large-scale production, due to the less phenotypic traits and a high-cost CNN training. A convenient high-throughput approach is required to accurately obtain the phenotypic trait parameter of soybean seeds. In this research, an acquisition algorithm was proposed to extract the multiple-phenotypic trait parameters of soybean seeds using the OpenCV image processing library and computer vision. The image collection of soybean seeds was easily and rapidly completed using the mobile phone photography during the soybean seed test. All seeds of each soybean plant to be detected were also photographed as an image. Furthermore, the grayscale histogram of the original image was firstly established to automatically generate a binary graph. The morphological processing was then used to enhance the image details and remove the image noise. The improved watershed algorithm was used to extract the contours of soybean seeds in the image. The circularity was introduced to evaluate the seed contour. The secondary contour segmentation with a higher grayscale threshold was performed for the special seed adhesion in the small areas. The seed circularity was also introduced to identify the incomplete soybean seeds, according to the contour information. The proportion of abnormal RGB areas was calculated to determine the sick soybean seeds with the epidermis discoloration. The lengths of long and short axis, cross-section area, and circumference of soybean seed were calculated using the ellipse fitting and scale bar conversion. The CSV table files were used to store for all the phenotypic trait data of each soybean seed and the average phenotypic trait data of all soybean seeds in each image. The soybean plants were also sorted to optimize the soybean plant seeds with the excellent phenotype for the breeding experiment design. The acquisition algorithm was utilized to identify the soybean seeds, and then to extract the phenotype parameters of soybean seeds. The results show that the recognition rate of the total soybean seeds in each image reached 98.4%, the correct recognition rate of the damaged and diseased soybean seeds was 95.2%, as well as the calculation accuracies of the long and short axis length of soybean seed reached 96.8%, and 95.8%, respectively. The parallel computation of the algorithm was implemented to create the multiple processes. By introducing 8-process parallel calculation, the image processing time was reduced by two-thirds compared to single-process calculation. Thus, the proposed algorithm was easily parallelized to quickly realize the accurate acquisition of multiple phenotypic trait parameters of soybean seeds, including the circumference, area, long/short axis length, roundness, and RGB value. At the same time, an accurate identification was achieved in the good and damage soybean seeds, including the incomplete and the sick seeds.

soybean; image processing; algorithm; seed test; multiple phenotypic parameters; OpenCV; parallel computing

10.11975/j.issn.1002-6819.2022.20.018

TP391.4；
S126

A

1002-6819(2022)-20-0156-08

宋晨旭，于翀宇，邢永超，等. 基于OpenCV的大豆籽粒多表型参数获取算法[J]. 农业工程学报，2022，38(20)：×156-163. doi：10.11975/j.issn.1002-6819.2022.20.018 http://www.tcsae.org

Song Chenxu, Yu Chongyu, Xing Yongchao, et al. Algorith for acquiring multi-phenotype parameters of soybean seed based on OpenCV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(20): 156-163. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.20.018 http://www.tcsae.org

2021-09-22

2022-09-21

海南省崖州湾种子实验室“揭榜挂帅”项目（B21HJ0101）“作物人工智能设计与精准育种技术”

宋晨旭，研究方向为深度学习与机器视觉。Email：202037515@mail.sdu.edu.cn

贺红，博士，副教授，研究方向为软件工程与数据工程，算法分析与设计，分布式高性能计算。Email：hehong@sdu.edu.cn

猜你喜欢 识别率轮廓表型 OPENCV轮廓识别研究与实践装备制造技术(2020年1期)2020-12-25基于实时轮廓误差估算的数控系统轮廓控制制造技术与机床(2019年11期)2019-12-04基于真耳分析的助听器配戴者言语可懂度指数与言语识别率的关系中国听力语言康复科学杂志(2019年3期)2019-06-24听力正常青年人的低通滤波言语测试研究*听力学及言语疾病杂志(2019年3期)2019-05-24提升高速公路MTC二次抓拍车牌识别率方案研究中国交通信息化(2018年3期)2018-06-13建兰、寒兰花表型分析现代园艺(2017年21期)2018-01-03高速公路主动发光轮廓标应用方案设计探讨中国交通信息化(2017年4期)2017-06-06miR-363-3p表达异常对人前列腺癌细胞生物学表型的影响中国男科学杂志(2016年5期)2016-12-01高速公路机电日常维护中车牌识别率分析系统的应用中国交通信息化(2016年2期)2016-06-06GABABR2基因遗传变异与肥胖及代谢相关表型的关系中国康复理论与实践(2015年10期)2015-12-24

推荐访问:表型 籽粒 大豆