基于图像边缘检测的水稻粒型分析研究

商 林

(武汉交通职业学院 电子与信息工程学院， 武汉 430065)

0 引言

水稻是重要的粮食作物，全世界1/2的人口以水稻为主食。我国每年的稻米生产量极其庞大，为超过60%的人口提供了主食，也为保障粮食安全做出了贡献。近年来，人们的生活水平逐步提高，稻米产业的目标也从解决人口的温饱问题开始转向改善稻米品质和食用口感，优质稻育种成为新时期水稻品种培育的主要方向。在水稻众多的外观性状中，粒型与品质的关系最为紧密，在品质育种中受到重点关注[1]。

水稻粒型是指稻米粒长与粒宽的比值，常用长宽比来描述。粒型对多种主要的品质性状有很大的影响，可以作为商品稻米品质等级评定的依据[2]。一般情况下，稻米的粒宽太大会导致垩白率增加，因此长粒型稻米的品质相对较好；但是，当粒长过大时，稻米在加工的过程中容易断裂，导致整精米率下降，对稻米品质造成不利影响。研究表明：绝对长度较大，长宽比大于3.0，千粒质量较小，这三者是稻米品质的最佳特征[3]。除了影响稻米品质，粒型还与粒重密切相关，进而与产量之间形成显著的正相关性[4]。因此，加强水稻粒型的相关研究，对品质改良和产量提升都有重要意义。

水稻粒型的研究依赖于准确获得稻米的长度和宽度信息，目前在国内主要是由人工利用直尺或微粒子计等工具测量完成的。直尺测量的方法是随机选择10个完整的稻米放置在测量板上，头对头、尾对尾地沿着直尺排成1行，米粒之间不存在重叠和空隙，测量总的长度；用相同的方式测量总的宽度，然后计算长宽比。这种方法没有设备和技术的要求，但是操作较为繁琐，测量的效率低，产生的误差也较大。直尺测量作为传统的方法沿用至今，在效率和精度上的局限性使其难以适应现代农业发展的要求。微粒子计测量方法对技术的要求高，操作难度大，效率也很低。另外，国外公司的谷物外观检测仪可以通过全自动影像分析稻米粒型，但机器的价格昂贵，与微粒子计一样没有能够在我国推广应用。

机器视觉技术是以计算机科学和信息科学为基础建立的，利用专业设备采集图像，然后依据相应的视觉特征将目标从背景中识别并提取出来，根据需要对其进行分析。机器视觉诞生后在农业领域中得到了广泛的应用，用途包括果实、杂草和农机行驶路径的识别、农产品的分级检测及作物生长信息的监测。谷物形态分析是机器视觉的应用内容之一，利用机器视觉对稻米进行检测，可以准确、快速地获得粒型和完整度信息[5]。黄星奕较早利用机器视觉检测稻米的粒型，由于对米粒的摆放朝向有严格的要求，该方法的实用性受到了一定的限制[6]。凌云设计了基于极坐标的机器视觉粒型检测算法，分析结果不受目标旋转的影响，但对稻米形状的椭圆拟合无法获得较高的准确度[7]。因此，需要改进机器视觉对水稻粒型的分析方法，以提高实用性和准确性。

在拍摄的稻米图像中，目标轮廓一般较为清楚，背景也很简单，可以根据研究目的采用边缘检测进行粒型分析。边缘检测是检测图像中像素的灰度阶跃变化，以相邻的导数变化规律体现边缘，利用特定的算法提取出目标与背景之间的分界线[8]。作为机器视觉分析方法的一个分支，图像的边缘检测演化出了多种算法，都有各自的优缺点，能够对不同外观特性的农产品进行检测[9-12]。张聪和张慧等对基于边缘检测的稻米粒型分析进行了大量的研究，提出新的检测算法，也比较了原有算法的应用效果，为完善稻米粒型的机器视觉分析提供了依据[13-16]。

之前的相关研究侧重于稻米轮廓的提取效果，缺少对粒长、粒宽和长宽比的全面分析，也没有设置相应的算法来检测破碎的不完整米粒。本文基于图像边缘检测技术分析水稻的粒型，采集稻米的图像进行阈值分割和去除噪音，然后利用自适应Canny算法检测获得稻米的边缘，并通过数学形态学排除不完整的稻米，以最小外接矩形反映完整稻米的长度和宽度，最后计算得到稻米的长宽比，评价粒型特征，为水稻的品质育种提供指导。

1 硬件设备

本文中水稻粒型分析所用的硬件设备主要为扫描仪和计算机。扫描仪是杭州万深MICROTEK ScanMaker i800 plus型，光学分辨率达到800×1600dpi，48位色彩深度，光源为白色冷阴极灯。工作时，扫描范围305mm×432mm，形成单幅图像耗时18s，扫描速度保持恒定，成像稳定清晰，图像通过USB2.0高速接口传输给计算机。计算机是戴尔XPS8910型台式电脑，配件包括Intel i7处理器、GTX1070型显卡和16G内存，主机体积小、兼容性强，运行快速稳定。计算机安装Windows10操作系统、ScanWizard EZ扫描软件及用于机器视觉分析的MatLab工具箱，可以快速处理各种类型的图像。

2 图像处理

2.1 图像分割

扫描得到的图像由稻米和背景两部分组成，稻米为灰白色，背景为黑色，其中夹杂少量的白色斑点，稻米与背景之间的区别较为明显，如图1(a)所示。对稻米进行粒型分析时，首先要将其从图像中分离出来。常用的图像分割方法包括阈值分割法、迭代法和最大类间方差法等。本研究根据图像的特点，同时综合考虑计算量，选择最大类间方差法。该方法属于自动的非参数阈值选择法，以图像直方图的一阶统计特性作为判别的依据。最大类间方差法首先选取一个灰度值，以此将图像中的像素按照灰度值大小分为两类，并计算两类像素的点数和灰度平均值，统计二者的类间方差。最后，选取类间方差的最大值作为灰度阈值，将图像分割为目标和背景两个部分，如
图1(b)所示。该方法的计算量较小，分割准确，但是存在过度分割造成的稻米局部空洞和边缘毛刺现象。 为此，采用腐蚀对图像内部滤波处理，并通过3×3的结构元素进行开运算消除点状和线状噪音，得到更为清晰、平滑的目标图像，如图1(c)所示。

图1 图像的目标提取

2.2 边缘检测

在图像分割的基础上，采用自适应Canny算法检测稻米图像的边缘。Canny算法是一种阶梯型的边缘检测算法，基本思想是将目标图像的边缘转换为单位函数的极大值，检测的准确性建立在信噪比准则、定位精度准则和单边响应准则上。Canny算法的具体过程是以二维高斯函数任一方向上的一阶方程导数为噪音滤波器，对图像卷积进行处理；然后，在经过处理的图像中搜索提地极大值，最终以特定方向上的矢量模极大值点作为目标图像的边缘。Canny算子具有较高的精确度，但会伴随产生假边缘和丢失局部边缘。针对这些问题，自适应Canny算法引入信息熵以适应Canny算子的极值，反映平均信息源的随机性，以信息熵最大时的Canny算子为阈值提取得到稻米的边缘轮廓，如图2(a)所示。

2.3 最小外接矩形分析

检测获得的边缘轮廓中，会存在破碎的不完整稻米，不能反映水稻的真实粒型。完整稻米仅在长轴的两端出现共2个尖角，而不完整稻米的尖角数增加。以此为依据，利用数学形态学方法排除不完整的稻米，剩余的完整稻米通过最小外接矩形方法计算长度和宽度。对单个稻米先标记边缘像素点，找出上、下、左、右4个方向上的坐标极值，计算外接矩形的面积；然后，将稻米轮廓以3°为单位顺时针旋转直至90°，比较各个状态下的外接矩形面积，以面积最小的外接矩形表示该稻米的长度和宽度，进而计算出长宽比，如图2(b)所示。

图2 稻米的边缘检测

3 试验结果与分析

试验所用的3个水稻品种是天优华占、甬优2640和秀水11，分别是长粒型籼稻、籼粳杂交稻和短粒型粳稻的代表性品种。每个品种取稻米先用直尺法测量粒长、粒宽和长宽比，再用边缘检测法测量上述3个指标，各5个重复，比较两种测量方法的稳定性和准确性。

试验结果如表1所示。与直尺法测量的结果相比，边缘检测法测量获得的稻米粒长和粒宽的变异系数更小，计算得到的长宽比也更接近于标准值，表现出更好的稳定性和准确性。

表1 两种测量方法的效果比较

4 结论

基于图像边缘检测技术分析水稻的粒型，采集稻米的图像进行阈值分割和去除噪音，然后利用自适应Canny算法检测获得稻米的边缘。同时，通过数学形态学排除不完整的稻米，以最小外接矩形反映完整稻米长度和宽度，最后计算得到稻米的长宽比。试验表明：与直尺法相比，边缘检测法获得的稻米粒长和粒宽变异系数更小，计算得到的长宽比也更接近于标准值，具有更好的稳定性和准确性。因此，边缘检测可以用于评价稻米的粒型特征，为水稻的品质育种提供技术支持。