基于计算机视觉的小麦叶面积测量

郝雅洁 张吴平 史维杰 赵明霞 吕致 李富忠

摘要：运用计算机视觉技术对目标作物小麦的侧拍、俯拍图像进行识别处理，计算出相应叶片所占面积大小，从多变量因素对其测量分析，与叶真实面积大小进行比较，分析建立关系模型。结果表明，小麦植株的侧拍、俯拍面积与叶真实面积之间存在回归关系，且相关性较高，R2值达到0.91。且经过验证，测量结果较准确，说明此回归模型可行。

关键词：计算机视觉;小麦;叶面积;像素数

中图分类号：TP391;S512.1         文献标识码：A

文章编号：0439-8114（2019）16-0129-04

DOI：10.14088/j.cnki.issn0439-8114.2019.16.030           开放科学（资源服务）标识码（OSID）：

Abstract： The computer vision technology was used to identify the lateral and overhead images of the target crop wheat， and the corresponding leaf area was calculated. The multi-variable factors were used to measure and analyze it. Finally， the real area of the leaf was compared and analyzed to establish a relationship model. The results showed that there was a regression relationship between the lateral beat， the overshoot area and the true leaf area of the wheat plants， the correlation was high， and the R2 value reached 0.91. After verification， the measurement results are more accurate， indicating that this regression model is feasible.

Key words： computer vision; wheat; leaf area; number of pixels

小麦（Triticum aestivum L.）是主要用作食用的谷类作物。中国是种植小麦最早的国家之一，山西省以多元的面食文化而出名，将小麦磨成面粉来制作各种面食，且种类繁多复杂，还可以将小麦发酵用于酿酒。

随着高新技术的发展，计算机技术不断更新，应用领域也日益扩大，尤其是在农业方面的应用，智慧农业的推广实施也是政府所大力支持的。为了促进中國农业的进一步发展，转变生产模式，提高生产效率，中国政府出台了许多高科技与农业结合的相关政策[1]。智能化计算机图像识别技术在农业方面的应用，包括实时监测植物生长状况[2]、识别遭受病虫害侵袭的植物叶片、对农产品进行质检以及对植物表型进行测量研究等。作物表型是作物基因和其生长环境等因素共同作用下在生长发育阶段所表现出的性状，可反映出作物的生长发育状况以及对环境影响的响应等。以智能化的方法对作物的表型进行测量分析，对加速作物育种方面有很大作用。叶片是作物光合呼吸的重要器官，其面积也是反映作物生长状况的重要指标，对其进行测量可有利于对作物的光合作用和生理功能做进一步研究[3]，还可根据叶面积计算出叶面积指数（LAI）[4]。

本研究运用计算机视觉技术代替传统的繁琐人工操作对叶面积进行测量，通过计算图像中小麦植株叶面积所占的像素总个数而计算出其面积与真实展开叶面积的大小，并对这二者关系进行统计分析，进而可以直接通过小麦植株的图像就能计算出叶面积，为农业生产提供一定的理论依据。

1  材料与方法

1.1  试验材料

从山西农业大学资源环境学院的试验田选取10～20棵小麦植株作为试验材料。将植株进行不同株数的组合，单株、两株、多株进行对比试验，并利用实验室植物表型旋转平台分别对植株组合进行俯拍和侧拍，利用2D图像进行测量分析。

1.2  试验方法

通过计算机图像识别处理对小麦植株表型叶面积测量的试验流程如图1所示。

1.2.1  相机标定与图片校正  对图像进行测量、识别或处理操作时，涉及4个坐标系之间的转变，包括像素坐标系、图像坐标系、相机坐标系以及世界坐标系。对图像进行视觉处理，最终要实现像素坐标系与世界坐标系之间的转换[5]。在使用相机对物体进行拍照时，最终的图像会由于镜头拍摄角度等原因产生各种畸变，影响最终试验结果的精确性，所以需要对这些图像进行畸变校正。在对图像进行校正前，需要得知相机的内参、外参和畸变参数，这些参数可以通过对相机的标定而得到[6]。做好标定工作是后期校正图像、降低图像畸变程度、提高处理精确度的重要前提[7]。世界坐标系到像素坐标系的转换公式，如下所示：

使用MATLAB软件对拍摄小麦植株图片使用的相机进行了标定，得到了相机相关参数等信息，以便对拍摄的小麦图片进行校正及后续的操作工作[8，9]。

1.2.2  图片二值化处理  将校正后的图片进行二值化处理，图像呈现出的色彩效果仅黑白两种颜色，能够被直观地观察，且易于处理，方便得到叶片面积所占的像素个数。

实际拍摄的图像中不仅包含目标物体，还会有各种各样的噪声存在，影响图像效果质量，为后期的操作带来干扰。首先需要对其进行去噪处理[10]，使用高斯滤波函数进行模糊去噪，去除图像中一些不必要的信息。然后对去噪后的图像进行二值化操作，通过将图片由RGB转为HSV模式后进行阈值化操作。二值化实质是对图像进行分割[11]，即将目标物体与其他背景区分开[12]。

1.2.3  计算像素个数  对图像进行二值化后，图片仅有黑白两种颜色，且图片是单通道的，所有像素点的值只有0和255这两个数值，0代表黑色，255指白色。需创建一个迭代器来遍历图像中所有像素点的值，二值化后目标植株是呈现白色效果的，所以需要统计白色像素的个数，凡访问到值为255，就将代表白色像素点个数的变量加1，最后累计输出最终个数，从而计算出对应的俯拍、侧拍植株所占面积[13]。

1.2.4  计算叶片真实面积  计算真实叶面积需要进行破坏性试验，将植株个体的叶片拆分开，粘贴到白纸上，并附已知面积的参照物（30 cm2的矩形标定物）。

对参照物和叶片进行二值化时，根据黑色和绿色相对应的不同HSV阈值范围进行设定，分别实现对二者的二值化。

2  结果与分析

2.1  叶片面积数据的分析

将计算出的叶片真实面积数据与植株图像的侧拍、俯拍面积进行数据间的统计分析处理，找到它们之间存在的关系，测量得到的数据如表1所示。对于测量得到的植株叶面积，单株的准确性会相对较高，因为没有遮挡，其形态完全可以拍到，而多株群体植株的叶面积会存在遮挡问题，影响最终测量结果。

2.2  回归方程的建立

通过对数据进行回归分析，减少误差影响。将侧拍面积、俯拍面积两因素作为两个自变量，叶片真实面积作为因变量，回归结果如表2所示。侧拍面积、俯拍面积和真实面积三者之间的关系还是比较紧密的，且相关性较高，相关系数R均达到了0.95以上，决定系数（相关系数R2）为0.910 08。显著性统计量F值来判定模型的回归效果，用0.05作为显著水平标准值，试验中此值分别为0.000 019 6，小于0.05，说明此回归方程通过了F检验，显著有效。P值也以0.05为参考标准，侧拍、俯拍面积两变量的斜率均小于0.05，说明其可靠性较高，与叶片真实面积的值相关性较大，回归模型可靠显著[14]。表明该回归模型结果可靠，回归分析是有意义的。

2.3  回归方程的验证

根据验证数据的俯拍、侧拍得出的面积，直接运用回归公式算出真实面积1，再将其运用破坏性试验方法计算出真实面积2，将这两个数据结果进行对比，结果如表3所示。叶片真实面积1与叶片真实面积2相对比，误差较小的，可以运用该方法进行小麦植株叶面积的测量，也说明上述回归方程可行有效的。

3  小结与讨论

测量目标物体进行多角度的拍照、标定、校正，实现对图像进行各种预处理及像素点的计算，最后将各种数据信息进行汇总进行统计回归分析并验证其结果的可靠性、有效性。试验得到含3个变量的线性回归模型，为计算小麦叶面积提供方便快速的理论依据，减少传统方式的繁琐步骤。

本试验工作仅针对小麦植株的叶面积进行了测量分析，并没有在其他植株上进行试验验证，所以本次试验的回归模型结果是否适用于其他植株叶面积的测量，还有待进一步的试验分析。叶面积作为作物表型的一个重要测量指标，很大程度上关系着作物的生物量、干重等，根据叶面积大小与土壤面积可测算出相应的叶面积指数。叶面积指数是一个具有重要意义的参数，还需要进一步对多种作物的叶面积进行测量分析，找到相应更精确的回归模型，并试试能否找到一个适用于多种作物的统一回归模型，为现代农业生产提供更加精准便利、智能化的服务。

参考文献：

[1] 张  恒，刘  强.基于无人机的新型农业应用研究[J].现代农机，2018（5）：17-19.

[2] JIANG  Z W，REN J Q，CHEN Z X，et al. Inversion of winter wheat leaf area index based on canopy reflectance model and HJ CCD image[A].2013 2nd International Conference on Agro-Geoinformatics：Information for Sustainable Agriculture，Agro-Geoinformatics[C].2013，264-269.

[3] 郭孝玉，孫玉军，王轶夫，等.基于改进人工神经网络的植物叶面积测定[J].农业机械学报，2013，44（2）：200-204，199.

[4] 李长春，牛庆林，杨贵军，等.基于无人机数码影像的大豆育种材料叶面积指数估测[J].农业机械学报，2017，48（8）：147-158.

[5] 缑文彤.基于极简标靶的相机参数标定方法[D].陕西杨凌：西北农林科技大学，2018.

[6] STEFFEN U，SVEN W，JENS L，et al. MultiCol bundle adjustment：A generic method for pose estimation，simultaneous self-calibration and reconstruction for arbitrary multi-camera systems[J].International journal of computer vision，2017，121（2）：234-252.

[7] 尹梁波，邓兴升.基于BP神经网络的物镜畸变改正模型精度探讨[J].测绘科学技术，2018，6（2）：79-84.

[8] 江士雄. 面向位姿估计的相机系统标定方法研究[D].武汉：华中科技大学，2016.

[9] 高  林，杨贵军，王宝山，等.基于无人机遥感影像的大豆叶面积指数反演研究[J].中国生态农业学报，2015，23（7）：868-876.

[10] GUPTA S，MEENAKSHI. A review and comprehensive comparison of image denoising techniques[A].International Conference on Computing for Sustainable Global Development（INDIACom）[C].2014.

[11] TAN H Q，JIANG H Y，DONG A S，et al. C-V level set based cell image segmentation using color filter and morphology[P].Information Science，Electronics and Electrical Engineering（ISEEE），2014 International Conference[C].2014.

[12] 褚洪亮，肖  青，柏军华，等.基于无人机遥感的叶面积指数反演[J].遥感技术与应用，2017，32（1）：140-148.

[13] 吴千华，孟祥丽，刘一鸣.植物叶面积测定方法探讨[J].热带林业，2018，46（2）：37-39.

[14] 刘秀英.玉米生理参数及农田土壤信息高光谱监测模型研究[D].陕西杨凌：西北农林科技大学，2016.