基于图像处理的橡胶树割线分割研究

孙亮 刘永娜 胡义钰 张健 陈艳霞 冯成天 袁坤 王真辉

摘 要 橡胶树死皮（Tapping Panel Dryness，TPD）的所有相关研究，均需对其割线症状进行级别划分，TPD级别划分的精确性，直接影响研究结果的准确性。但割线症状的多样性，导致人为观测无法准确对其级别进行判断。本研究采用图像处理方法，对采集的橡胶树割线及割线上排胶部分的图像进行分割，从而可排除人为干扰因素，得到割线及排胶图像，为准确识别橡胶树死皮级别提供客观依据。

关键词 橡胶树 ；死皮 ；割线 ；分割 ；图像处理

中图分类号 S794.1 文献标识码 A Doi：10.12008/j.issn.1009-2196.2018.04.019

Abstract Grading of tapping cuts with tapping panel dryness （TPD） symptoms on rubber tree is very important in all researches related to TPD. The accuracy of grading of tapping cuts with TPD symptoms directly affects the TPD research results. However， the diversity of TPD symptoms on tapping cuts leads to inaccurate grading of the tapping cuts by observation. An image processing method was used in this study to segment the images of tapping cuts and latex flow portion on the rubber tree to obtain the images of tapping cuts and latex flow， which avoided human interference. This study may provide an objective basis for accurate identification of the TPD grades of tapping cuts on the rubber tree.

Key words Hevea brasiliensis ； TPD ； tapping ； segmentation ； DIP

天然橡胶主要来源于巴西橡胶树（Hevea brasiliensis）[1]，死皮的发生严重制约其产量，给天然橡胶产业带来巨大损失[2-3]。橡胶树死皮的研究包含发生发展规律[4-6]、生理[7-8]、分子机制[9-10]及死皮防治[11-16]等多个方面，但所有研究方向均以橡胶树死皮割线症状观测及分级为研究基础。目前，橡胶树死皮分级参照陈慕容等[14]的方法，采用人眼观测割线症状并记录数据进行统计分级。橡胶树死皮是由于乳管不能正常排出胶乳而出现的一种病征，因此其症状在生产实践中的表现具有多样性，人为观测往往存在很强的主观性，从而导致研究结果差异较大。随着计算机技术的发展，研究者将计算机视觉技术应用于农业工程的研究中，其中图像处理技术是利用计算机把模拟的图像信号转换成数字信号，从而进行数据处理分析，降低人为误差，提高研究结果的可靠性[l7]。图像处理技术在植物叶部病害研究当中取得较好的进展，目前利用该技术在小麦[18]、玉米[19]、水稻[20]、棉花[21]、黄瓜[22]、番茄[23]、葡萄[24]、柑橘[25]、向日葵[26]和枣树[27]等作物叶部病害识别方面做了很多研究，也取得不错的效果。

在橡胶树中，TPD主要发生在树干，最直观的症状表现在割线处，与叶部病害的症状具有相似之处。本研究采用图像处理技术对橡胶树群体样本割线及排胶部分进行处理，探讨一种基于图像处理的橡胶树割线分割方法，从而解决人眼直接观测割线所带来的主观性和不稳定性，提高橡胶树TPD研究的精准性。

1 材料与方法

1.1 材料

1.1.1 图像采集试验区概况

试验区位于海南省儋州市中国热带农业科学院试验场六队（19°32′ N、109°28′ E）16号树位。该区属热带海岛季风气候类型，历年平均气温23.2～23.9℃，日平均气温≥15 ℃的活动积温7 500～8 500 ℃，最冷月平均气温16.9～18.0 ℃，年降水量1 500～2 000 mm，平均海拔134 m，土壤类型为砖红壤，酸性土壤（pH=4.59～5.93，数据来自中国热带农业科学院气象站）。试验区为第二代胶园，该林段为单一人工群落，群落结构简单，采用宽行密植模式，株行距为3 m×7 m。试验品种为橡胶树无性系热研73397，割龄为18 a，割制为s/2（1/2树围）、d/3（每3 d一刀）。采集图像时间为2016年5～11月橡胶树开割期间。

1.1.2 割线图像采集

图像采集是基于图像处理技术进行橡胶树割线识别及死皮分级研究的基础，采集图像的质量直接影响后期处理效果。图像采集环境的搭建是其中非常重要的一个环节，主要涉及光照选择和采集设备选取。为了尽可能避免光照对采集图像的影响，选择天气晴朗的早晨，在4：00～7：00开展采集工作。由经过训练的专业人员进行割胶，保证每条割线的长度、宽度、深度及倾斜角度基本保持一致。

图像采集地点在野外，设备需满足野外作业的特点，要求设备方便携带、操作灵活、电源充沛、采集图像精度高，同时考虑设备价格要适中。经综合比较，本研究选用尼康D90相机作为采集设备，为了保证相机镜头与割线的位置更加符合割线图像采集要求，在采集过程中用三脚架将相机进行固定，高度調整为镜头与割线平行、镜头与割线的距离为40 cm、成像时镜头正对割面。采用自动白平衡模式进行拍摄，图像分辨率为4 288×2 848像素。

1.2 方法

1.2.1 割线图像预处理

利用数字图像处理研究中的一些预处理算法可大大提高图像中的症状表现形式，为精确提取割线特征创造了有利条件。在图像分割前，需要利用割线的几何特征对图像的对比度、角度及尺度进行归一化处理。为了排除距离差异给图像识别带来的干扰，统一调整图像大小为100×400像素。

将图像大小调整到100×400像素后，根据点A、点O及点B的二维坐标A（xa，ya），O（xo，yo），B（xb，yb），可以计算出平行四边形位置和大小，进而对平行四边形AOBC裁剪（图1）。

旋转变换，将平行四边形AOBC进行旋转，使OB边与水平保持一致。OB与水平线DB之间的夹角记为θ，利用式1将AOBC向DB方向旋转角度θ，从而得到OB边与水平方向一致的图像。

其中，xo和yo为O点横、纵坐标，xb和yb为B点横、纵坐标，|yo-yb|为OD的长度，|xo-xb|为OB的长度。

1.2.2 割线与乳胶图像分割

图像分割是指按照不同的特性将图像分成若干个区域，并从其中提取出兴趣目标。由于分割对象的复杂及多样性，到目前为止并没有通用的分割方法，在众多分割方法中最大类间方差法分割效果好，且具有较强的自适应能力。本研究采用最大类间方差法对橡胶树割线及其割线上白色的乳胶进行分割。最大类间方差法属于阈值分割方法，其理论基础是利用最小二乘法对灰度直方图进行推导。最大类间方差法选取阈值的准则为：依据图像的背景和目标按照类间方差最大为标准来确定阈值。

最佳阈值选择方法为：设图像共包含N个像素，其灰度值为[1，m]级，灰度级为i的像素点用ni表示，则各灰度值的概率为pi=ni/N，（i=1，2，3，…，m）。用阈值T∈[1，m]把图像分成C0={1～T}和C1={T+1～m}2个区域，则C0和C1的均值为：

T在[1，m]取值，当式4达到最大值时，T即为所求的最佳阈值。最大类间方差法用方差来度量灰度分布情况，方差越大被划分的2个区域间的差异就越大，此时认为目标与背景的错分概率就越小。该方法模型简单、效果稳定、自适应能力强。

为了验证方法的有效性，在Matlab平台对橡胶树割线及排胶部分图像分割开展了实验。由于割线及白色乳胶灰度值相对于树干而言较为接近，因此先将割线和排胶部分分割出来，再将排胶部分从割线中分割出来。第一轮分割将割线与排胶部分作为一类，将树干作为另一类，利用类间方差作为判断依据，选取2类方差最大的灰度值作为最佳阈值。这样，阈值将图像分为2组，一组灰度对应分割目标即割线；另一组灰度对应背景，即树干。第二轮分割将割线作为一类，排胶部分作为另一类，再次选取割线与乳胶的最大方差的灰度值作为分割两者的最佳阈值，将白色乳胶从割线背景中分割出来。

1.2.3 橡胶树死皮分级

橡胶树死皮分级参照陈慕容等[14]的方法，即为0级（正常树）、1级（死皮长度小于2 cm）、2级（死皮长度为2 cm至割线长度的1/4）、3级（死皮长度为割线长度的1/4至2/4）、4级（死皮长度为割线长度的2/4至3/4）、5级（死皮长度为割线长度的3/4以上）。

2 结果与分析

2.1 割线图像预处理

通过对割线图像进行预处理，在一定程度上获得了割线图像的几何不变性，同时也基本消除了背景的干扰因素，预处理后各死皮级别的割线图像如图2所示。

2.2 割线与乳胶图像分割

用最大类间方差法，首先在[1，m]之间检索图像的灰度值T，计算σ2（T）取得最大值时T∈[1，m]的取值。此时将T作为图像的分割阈值对该图像进行目标与背景的分割。对不同级别橡胶树死皮的图像进行分割，图像大小为100×400像素，灰度级为[0，255]。图3分别给出了正常及1～5级死皮图像整条割线和排胶部分的分割效果图，从图中来看，效果较为理想。

3 讨论

针对目前普遍采用的人工判断橡胶树死皮级别存在的问题，本研究采集了橡胶树割线症状高清图像，并对割线图像进行预处理，包括裁剪、角度及尺度处理，最后采用最大类间方差法对割线与背景及割线上排胶部分与背景进行分割，在Matlab平台上验证了该方法的有效性。通过一系列的图像处理，最终分割到较为理想的橡胶树割线和割线上排胶部分的图像，为下一步使用图像处理技术解决橡胶树死皮割线症状自动分级打下了良好的基础。传统的橡胶树死皮分级的方法是通过人肉眼观测割线症状和记录数据对死皮进行分级[11]。成龄橡胶树树皮中有次生乳管形成的不同乳管层，同一层的乳管之间会形成网状连接，但是不同乳管层之间互不连接[28]。因此，人为观测就存在一定的误差及主观性，通过计算机来进行割线症状分割，可以较为客观和准确地对死皮症状进行分级，保证试验结果的可靠性。

通过对橡胶树割线及排胶部分图像进行分割，可以更加合理地计算割线上排胶和死皮部分长度及面积，以往的死皮分级方法仅仅考虑割线上横向的长度，没有充分考虑排胶症状的复杂性及纵向的排胶情况，这样在人肉眼观测分级的时候就要主观去判断，往往存在一个人不同次和两个人同次观测结果不同的情况。而通过图像处理来进行分割，后续可以建立模型和图片数据库，这样就可以做到对采集的图片自动分级，可以有效解决这个问题，保证结果的一致性。

尽管采取了各种措施来提高图像的采集质量，但由于光学设备的成像特点以及在采集过程中有时胶乳会溢出割线并附着在树干上，所得到的图像仍然存在一定的干扰因素，这给图像分割带来严重影响；另外，割线及排胶部分分割算法仍然需要进一步改进及优化。后续研究中也将进一步改进采集设备和采集方法，争取获取到最为准确的图像，提高结果的准确率。

参考文献

[1] 曾 霞，李維国，高新生，等. 巴西橡胶树选育种研究现状、趋势及我国的研究策略[J]. 热带农业科学，2013，33（6）：30-36.

[2] Jacob J L，Prevot J C，Lacrotte R. Tapping panel dryness in Hevea brasiliensis[J]. Plantations Recherche Developpement，1994，1（3）：22-24.

[3] 郭秀丽，庄玉粉，刘进平. 橡胶树死皮病及其分子机制最新研究进展[J]. 中国热带农业，2015，（5）：30-36.

[4] 蒋桂芝，杨 焱，苏海鹏，等. 西双版纳橡胶树死皮病症状调查[J]. 热带农业科技，2009，32（2）：1-13.

[5] 王真辉，袁 坤，陈邦乾，等. 中国主要植胶区橡胶树死皮发生现状及田间分布形式研究[J]. 热带农业科学，2014，34（11）：66-70.

[6] 袁 坤，杨礼富，陈帮乾，等. 海南植胶区橡胶树死皮发生现状分析[J]. 西北林学院学报，2016，31（1）：176-179.

[7] 郭秀丽，孙 亮，胡义钰，等. 巴西橡胶树不同死皮程度植株的胶乳生理参数分析[J]. 南方农业学报，2016，47（9）：1 553-1 557.

[8] 袁 坤，周雪梅，李建辉，等. 死皮防治剂对死皮橡胶树胶乳生理的影响[J]. 湖北农业科学，2011，17（50）：3 570-3 572.

[9] Liu J P，Xia Z Q，Tian X Y，et al. Transcriptome sequencing and analysis of rubber tree （Hevea brasiliensis Muell.） to discover putative genes associated with tapping panel dryness （TPD）[J]. BMC Genomics，2015，16（1）：1-13.

[10] Li D，Wang X，Deng Z，et al. Transcriptome analyses reveal molecular mechanism underlying tapping panel dryness of rubber tree （Hevea brasiliensis）[J]. Scientific Reports，2016，6：1-10.

[11] 黎仕聪，冯金桂，林集祥，等. 橡胶树死皮病的防治与复割措施[J]. 热带农业科学，1981（4）：40-48.

[12] 黎仕聪，林欣声. 微量元素对橡胶树死皮病的防治作用[J]. 热带作物科技，1997（6）：35-37.

[13] 梁尚朴. 赤霉素和生长素防治橡胶树死皮病的效果及对死皮病成因的看法[J]. 热带作物研究，1990（3）：25-28.

[14] 陈慕容，黄庆春，叶沙冰，等.“保01”防治橡胶树褐皮病及其作用机理的研究[J]. 热带作物研究，1992（1）：30-37.

[15] 李智全，梁国宏，潘居清. 中幼龄橡胶开割树死皮病综合防治生产型试验[J]. 热带农业科学，2000（5）：1-7.

[16] 袁 坤，谢贵水，杨礼富，等. 不同药剂处理对橡胶树死皮和产量的影响[J]. 西南农业学报，2013，26（4）：1 524-1 526.

[17] 王 磊. 基于MATLAB的数字图像处理[J]. 苏州市职业大学学报，2009，20（2）：53-56.

[18] 陈兵旗，郭学梅，李晓华. 基于图像处理的小麦病害诊断算法[J]. 农业机械学报，2009，42（12）：190-195.

[19] 王 娜，王克如，谢瑞芝，等. 基于 Fisher 判别分析的玉米叶部病害图像识别[J]. 中国农业科学，2009，42（11）：3 836-3 842.

[20] 管澤鑫，唐 健，杨保军，等. 基于图像的水稻病害识别方法研究[J]. 中国水稻科学，2010，24（5）：497-502.

[21] 张建华，祁力均，冀荣华，等. 基于粗糙集和 BP神经网络的棉花病害识别[J]. 农业工程学报，2012，28（7）：161-167.

[22] 贾建楠，吉海彦. 基于病斑形状和神经网络的黄瓜病害识别[J]. 农业工程学报，2013，29（增）：115-121.

[23] 柴阿丽，李宝聚，石延霞，等. 基于计算机视觉技术的番茄叶部病害识别[J]. 园艺学报，2010，37（9）：1 423-1 430.

[24] Meunkaewjinda A，Kumsawat P，Attakitmongcol K，et al. Grape leaf disease detection from color imagery using hybrid intelligent system[J]. Proceedings of ECTl-CON Krabi：2008：513-516.

[25] Pydipati R，Burks T，Lee W. Identification of citrus disease using color texture features and discriminant analysis[J]. Computers and Electronics in Agriculture，2006，52（1/2）：49-59.

[26] Arribas J，Gonzalo V，Gonzalo R，et al. Leaf classification in sunflower crops by computer vision and neural networks[J]. Computer and Electronics in Agriculture，2011，78（1）：9-18.

[27] Wang J，He J，Han Y，et al. An adaptive thresholding algorithm of field leaf image[J]. Computer and Electronics in Agriculture，2013，96：23-29.

[28] 田维敏，史敏晶，谭海燕，等. 橡胶树树皮结构与发育[M]. 北京：科学出版社，2015：15.