基于机器视觉的冬小麦叶片形态测量软件开发*

宫志宏，董朝阳，于 红，刘布春，李 春，刘 涛，李军玲

基于机器视觉的冬小麦叶片形态测量软件开发*

宫志宏1,2，董朝阳2，于 红3，刘布春4**，李 春2，刘 涛2，李军玲1,5

（1. 中国气象局Ÿ河南省农业气象保障与应用技术重点实验室，郑州 450003；2. 天津市气候中心，天津 300074；3. 天津市西青区气象局，天津 300380；4.中国农业科学院农业环境与可持续发展研究所，北京 100081；5.河南省气象科学研究所，郑州 450003）

随着图像处理与识别技术的快速发展，作物表型识别技术日趋成熟。为实现不同品种、不同生育期冬小麦叶片面积和面积系数的精准快速测定，依托VB.net和OpenCV在.NET平台下的图像处理封装库，研发了基于机器视觉的冬小麦叶片形态测量算法并设计开发了软件，软件可实现数字图片的畸变校准并可以同时测量多个叶片长、宽和面积。为验证软件测定效果，选取冬小麦绿色展开叶100 片，通过与人工测量的叶片长宽、WinDIAS叶面积分析系统测量的叶面积结果对比，分析图像识别方法的准确性和稳定性。结果表明，图像识别法与人工和WinDIAS测量的冬小麦叶片长、宽和面积的相关系数均≥0.975，归一化均方根误差均≤0.10%；针对数字照片畸变校准功能进行测试，对叶片水平（垂直）缩放50%且垂直（水平）斜切30°的图像校准后，其测量结果与原始图像测量结果的最大相对误差仅为2%。说明基于机器视觉的冬小麦叶片形态识别方法，可对多种畸变图像进行准确的几何校准，可作为一种可同时准确测定多个叶片面积和长宽的新方法，在农业科学测量、农情信息业务、农业气象观测业务等领域推广应用。

冬小麦；叶片形态；畸变校准；RGB图像

叶片作为光合作用和蒸腾作用的主要器官[1−3]，其面积形态与小麦生长发育、抗逆性及产量形成有着密切关系[4−5]，尤其对小麦籽粒产量的形成具有较大影响[6−7]，常作为生长发育、长势、遗传特性等生理生化反应过程的主要参考依据[8]。叶面积系数、叶面积等代表植物植株叶片形态的参数被广泛应用于农业科研和生产服务[9−14]，特别是在早已形成的农业气象观测与监测业务项目和农业气象情报服务中发挥着重要的基础性数据支撑作用[15]。

目前，对小麦叶面积的测量主要采用面积系数法[16−17]。然而，不同品种、不同生育期面积系数差异较大[18−19]。因此，想要准确测量叶片面积，需根据品种和生育期通过叶片长宽测量对面积系数进行校准。传统代表性的叶面积测量方法主要有坐标纸法和叶面积仪器测量法，坐标纸法临摹叶片大小，其精度较高，但效率低；叶面积仪法操作简便、但成本较高，对不同作物叶片的规格有限制[20]，一般每次可测量一片叶片。近年来随着智能拍照手机的普及，通过RGB数字图像识别方法分割提取目标成为一种比较流行的方法，例如运用AutoCAD、Photoshop等第三方图像处理软件较为快捷地对获取的叶片图像进行描绘从而实现叶片特征的提取[21−22]，或者相关科研人员自主开发叶片分割提取软件实现叶片属性提取[23−27]，但多个叶片属性同时快速测量以及在获取照片过程中针对拍照角度不同导致的图像畸变进行校准等相关研究较少，而图像畸变往往会令识别结果产生不同程度偏差[28−30]。基于此，研究设计了一套基于机器视觉冬小麦叶片形态测量算法，并开发了面向对象的Windows端软件，可自动进行数字图像畸变校准，并同时识别多个叶片长、宽和面积，期望为小麦叶片面积测量提供一种新的方法，同时减少常规方法由于品种、生育期变化需要进行校准面积系数而耗费的时间。

1 材料与方法

1.1 试验材料

所用材料为冬小麦品种“济麦22”，是天津市冬小麦栽培品种之一，叶片数字照片取样时间为4月24日，共选取绿色展开叶片100片。

1.2 数据获取

（1）人工测量：取叶片最长处和最宽处采用直尺（精度1mm）测量即为叶片长和宽；（2）利用华为mate30按4:3比例拍摄叶片，获取RGB数字图像；（3）利用WinDIAS 3叶面积分析系统（英国产）测量叶面积；（4）利用图像识别算法测量叶片长、宽和面积。

1.3 系统开发

在图像识别算法的基础上，依托VB.net和OpenCV在.NET平台下的图像处理封装库开发基于C/S架构的Windows端小麦叶片形态识别软件。

1.4 精度检验

为验证图像识别方法测定效果，利用人工测量法和图像识别算法软件分别测量叶片的长和宽；利用叶面积分析系统和图像识别算法软件分别测量叶面积。利用SPSS软件进行统计分析，确定图像识别方法的稳定性和可行性。

2 结果与分析

2.1 小麦叶片形态的测量方法

2.1.1 制作标定板

标定板选用底色为白色、带有LED光源的背光板，以标定板4个角为圆心设置4个空心圆或其他样式做明确标记，方便用户准确标注角点进行畸变校准，4个标记点连接可以形成一个已知面积矩形（Sbd，Sbd=43cm×31cm=1333cm2）。实际使用中，矩形的尺寸可根据测量叶片面积大小设置，保证叶片全部放置在4个角点连线形成的矩形内部。

2.1.2 采集叶片图像

将多个小麦叶片放置于标定板并用透明玻璃板压平，通过手机、照相机或其他可摄像装置对叶片进行拍照，获得包含叶片的数字照片，建议相机镜头平面与标定板平面夹角≤45°。

2.1.3 校准叶片畸变

（1）图像平滑去噪

把数字图像中某一点的值用该点相邻区域的平均值代替，让周围的像素值接近真实值，从而消除孤立的噪声点，去除杂点影响，公式为

式中，(x, y)为原始图像Oi(x, y)和处理后图像Pi(x, y)中对应像素坐标，mid函数为求平均值，R为二维矩阵，建议选择为3×3或5×5；如R为3×3矩阵，则k∈[−1, 1]，l∈[−1, 1] ，如R为5×5矩阵，则k∈[−2, 2]，l∈[−2, 2]，其中k、l均为整数。

（2）获取标定板有效面积

由于获取数字照片Oi(x, y)时，镜头平面与标定板平面无法保证完全水平，数字图像存在一定畸变。为获取标定板的有效面积，需要通过标定板上的四4个角点对Pi(x, y)进行图像校正。

角点坐标获取：研究设计了两种获取方式。一是通过鼠标手动选取4个角点；二是通过计算机自动查找4个空心圆圆心坐标获取角点坐标，圆心坐标查找公式为

式（2）中，(x, y)为圆上的点，（x1, y1）为圆心，r为半径，当θ从0°变化到360°时，形成半径为r的完整圆。图像Pi(x, y)中的每个点都相当于（x, y, r）空间中的一个圆，对于一个特定的(x, y)，θ从0°到360°扫描，假定一个圆的半径r，最终获得（x1, y1）值中出现最多的一组坐标即为圆心。

畸变校准：在数字图像获取时，由于相机镜头平面与标定板之间存在倾斜角，无法形成垂直朝下的正投影。利用透视中心、像点、目标点三点共线的条件，按照透视旋转定律使承影面（透视面）绕迹线（透视轴）旋转某一角度，保持承影面上投影几何图形不变的变换，公式为

2.1.4 提取叶片形态

（1）叶片部分提取

设图像P1i(x, y)中(x, y)点像素RGB三基色为(R, G, B)，符合G×2-(B+R)>0（或G>R>B 或 G>B>R），则(x, y)点像素为绿色叶片部分，(R, G, B)保持初始值，否则(x, y)点像素为枯叶部分或非叶片部分 (R, G, B)=（255, 255, 255），获得图像P2i(x, y)。

（2）叶片面积与长宽获取

二值化：应用最大类间方差法OTSU算法，按照图像的灰度特性，将图像P2i(x, y)分成背景（非叶片）和前景（叶片）两部分，获得图像P3i(x, y)。

叶片面积获取：对图像P3i(x, y)的边结构矩阵b（选择为3×3或5×5矩阵区域）收缩，消除小的杂质，获得图像P4i(x, y)，公式为

式中，(x, y)为图像P3i(x, y)的像素坐标，bxy表示(x, y)位置结构矩阵，当b的原点平移到图像P3i(x, y)的像素点(x, y)时，如果b在(x, y)处，且完全被包含在图像P3i(x, y)重叠区域，则将输出图像P4i(x, y)对应的像素点(x, y)的RGB值赋值为(R, G, B)=(0, 0, 0)，否则赋值为(R, G, B)=(255, 255, 255)。

对图像P4i(x, y)用结构矩阵b（选择为3×3或5×5矩阵区域）进行扩张，填补P4i(x, y)中叶片内部空洞。公式为

式中，(x, y)为图像P4i(x, y)的像素坐标，bxy表示(x, y)位置结构矩阵，当b的原点平移到图像P4i(x, y)像素点(x, y)时，如果b在图像P4i(x, y)像素点(x, y)处与P4i(x, y)的交集不为空，则输出图像P5i(x, y)对应的像素点(x, y)的RGB值赋值为(R, G, B)= (0, 0, 0)，否则赋值为(R, G, B)= (255, 255, 255)。

获取P5i(x, y)图像总的像素个数(Sy)，计算P5i(x, y)中(R, G, B)= (0, 0, 0)的像素个数(Sx)，从而得出该叶片叶面积(S)，Sbd为标定板面积，公式为

叶片长、宽获取：对P5i(x, y)图片中连通区域进行查找，每个连通区域为一个叶片，应用Graham扫描算法[31]查找各个连通区域凸包Ti(x, y)，寻找当前凸包x轴和y轴对应的最小值和最大值(xmin, xmax, ymin, ymax)。通过4个点构造Ti(x, y) 的4条切线，形成一个外接矩形Ri(x, y)，保存为当前最小值，并保存矩形信息。在Ri(x, y)的基础上顺时针旋转切线，计算新矩形的面积并与当前最小值比较，如果小于当前最小值则更新，直到其中一条切线和凸包点集合形成的多边形的一条边重合。在Ri(x, y)的基础上逆时针旋转切线，计算新矩形的面积并与当前最小值比较，直到其中一条切线和凸包点集合形成的多边形的一条边重合。基于如上方法，获得Ti(x, y)的最小面积外接矩形Rmin(x, y)，Rmin(x, y)边长对应为叶片的长、宽。

2.2 小麦叶片形态测量软件的界面和流程

研究开发的Windows端小麦叶片形态识别软件可实现多个小麦叶片长、宽和面积同时测量。软件主界面由三部分组成：操作功能区、图像处理效果展示区，识别结果显示区（图1）。

图1 叶片形态识别软件主界面

软件使用流程如图2所示，第一步，确认识别为单个或多个小麦叶片（默认选中多叶片分析）；第二步，打开需要识别的包含作物叶片的数字图片；第三步，根据实际情况进行数字图片畸变校准，并输入Sbd标定板面积、长或宽（长和宽只需输入一项，另一项通过面积除以长或宽获得），软件标定方式包括不做标定（假定无形变，数字照片拍摄范围即为Sbd，不需要校准）、选取参考面积（假定无形变，手动截取矩形参考面积即为Sbd）、四边形校准（有形变，通过四边形的4个顶点进行畸变校准，四边形面积即为Sbd）和圆形校准（有形变，通过识别空心圆的4个圆心进行畸变校准，4个圆心组成的矩形面积即为Sbd）；第四步，叶面积预处理和面积、长、宽计算；第五步，按照用户打开数字照片名称和输入的对应编号命名，将作物图像识别效果展示区中带有识别标记的图片和识别结果显示区中相关信息进行保存（以txt文本格式保存）。

图2 软件使用流程

2.3 小麦叶片形态测量软件的识别效果检验

2.3.1 叶片形态识别效果

利用图像识别软件对人工测量的100片叶片进行识别处理，得到相应的叶片长度、宽度和面积值，与人工测量结果进行对比，结果见表1。由表可见，图像识别方法与人工测量方法所得100个叶片长度、宽度和面积的平均值均非常接近，样本叶长平均值分别为19.18cm和19.35cm，叶片宽平均值分别为1.08cm和1.10cm，两者测定结果的相关系数均较高，分别为0.999和0.975（图3a、图3b)，线性相关系数均通过了0.01水平的显著性检验。图像识别方法和WinDIAS 3分析系统测量方法所得100个叶片面积的平均值分别为15.14cm2和14.68cm2（表1），两者的相关系数达到0.999（图3c），通过了0.01水平的显著性检验。同时，两种方法所测叶长、叶宽和叶面积之间的均方根误差和归一化均方根误差分别为0.19%、0.10%、0.50%和0.01%、0.10%、0.03%。说明通过图像识别方法得到的冬小麦叶长、叶宽及叶面积测量值与人工测量方法和WinDIAS 3叶面积分析系统测量值的误差很小，精确度较高，可以作为测定冬小麦叶长、叶宽和叶面积的有效手段。

表1 图像识别方法、人工测量和WinDIAS 3对100个叶片样本的测定结果对比

图3 两种方法所测叶片长度、宽度和面积值对比

注：*、**分别表示相关系数通过0.05、0.01水平的显著性检验。

Note:*is P<0.05，**is P<0.01.

2.3.2 数字图像畸变校准效果

选取试验材料中13片冬小麦叶片置于标定板，在相机镜头平面与标定板平面接近平行的基础上拍照，获得实际拍照图片（图4a1），通过PhotoShop中透视工具分别将图4a1水平斜切15°（图4b1）和30°（图4c1），垂直缩放50%并水平斜切15°（图4d1）、30°（图4e1），水平缩放50%并垂直斜切15°（图4f1）、30°（图4g1）。将以上获得的图片通过图像识别算法软件进行畸变校准，校准对应图片见图4a2-图4g2。其中，实际拍照图片进行校准后的图片（图4a2），13片叶片平均长度为18.26cm，宽度为1.07cm，面积为14.09cm2，将该结果作为标准测定值。将其他校准图片（图4b2-图4g2））中13片叶片平均长、宽和面积值与图4a2标准测定值比较（表2），相对误差分布范围分别为[−0.25%，0.09%]、[0.65%，2.06%]、[−0.39%，0.44%]，与标准测定值相比，叶片长、宽和面积相对误差绝对值最大为0.25%、2.06%和0.44%。由此可见，本算法软件畸变校准精度较高。研究中，经过多次手机拍照测定，当相机镜头平面与标定板平面夹角接近45°时获取数字照片畸变不大于图4d1、4f1，此时，叶片长、宽和面积相对误差绝对值≤0.65%，因此，给出在数字照片获取中拍照相机镜头平面与标定板平面夹角为≤45°的建议。

(a1) 实际拍照图片Original image; (b1) 水平斜切15°Horizontal bevel 15 °; (c1) 水平斜切30°Horizontal bevel 30 °; (d1) 垂直缩放50%，水平斜切15°Vertical scale 50%, and horizontal bevel of 15 °; (e1) 垂直缩放50%，水平斜切30°Vertical scale 50%, and horizontal bevel 30 °; (f1) 水平缩放50%，垂直斜切15°Horizontal 50%, and vertical bevel 15 °; (g1) 水平缩放50%，垂直斜切30°Horizontal scale 50%, and vertical bevel 30 °; (a2-g2)校准后图片Calibrated images.

表2 标准测定值与畸变校准图片测量叶片面积、长宽结果误差比较

3 结论与讨论

3.1 结论

研究设计了一套基于图像识别的小麦叶片形态识别方法，并开发了基于Windows系统叶片形态测量软件，可实现图像畸变校准并快速识别图片中包含的多个叶片长、宽和面积值，结果与人工测量长、宽和WinDIAS叶面积分析系统测量面积进行比较，其相关系数分别为0.999、0.975、0.999，归一化均方根误差分别为0.01%、0.10%、0.03%；对实际拍照图像和不同程度的畸变数字图像测量的叶片长、宽和叶面积结果比较，其相对误差最大绝对值分别为0.25%、2.06%和0.44%。证明了研究算法可作为一种精度较高的叶片长、宽和面积测量方法。

3.2 讨论

研究突破了传统坐标纸法效率低、叶面积仪法成本较高且对叶片大小有限制的问题，摆脱了应用第三方图像软件描绘特征提取叶面积较为繁琐的过程。解决了用户获取叶片图像时由于相机镜头平面和标定板存在角度产生畸变导致的测量误差，针对小麦不同品种、生育期需要进行校准面积系数的问题量身定做了一套可一次拍照测量多个小麦叶片长、宽和面积的软件，当单次测量10片以上叶片时，叶片测量速度可达到2s·片−1，具有较快的测量速度，初步实现了研究目标。已有叶片图像识别研究多为单独测量叶面积，研究软件在此基础上增加了叶片长宽的同步测量，方便用户获取面积系数后实现田间大批量原位测量长宽获取叶面积的需求；在畸变校准方面，现有研究多为依托固定摄像镜头减少形变，通过标定校准较少，研究软件为了更具普适性，针对不同应用场景集成了不做标定、选取参考面积、四边形校准和圆形校准4种方法。目前软件已经在番茄、黄瓜、辣椒、葡萄叶片测量中获得广泛使用。由于研究算法在设计之初，考虑后续增加叶片病斑、非绿色叶片的形态识别，因此，采用通过RGB三基色颜色空间范围提取叶片区域，这与现有大多数研究直接通过二值化提取叶片有所不同。根据用户在番茄叶片测量试验的反馈，在实验室复杂光照环境拍摄偶尔会出现个别叶片无法完整识别现象，考虑为室内开启多种光源状态下受到光源色和环境色影响致使获取叶片固有色的色差发生较大变化[32]，下一步将集成通过二值化提取叶片功能，方便用户在复杂光源环境切换使用。

目前研究软件在 Windows 10操作系统下采用 VB.net开发，兼容 Windows 7，具有良好的代码重用性，所占资源消耗少，运行简便，易于使用，与常规的叶面积仪相比，在保证畸变校准精度较高的基础上，去除了硬件设备花销。但是基于Windows版本与基于Android手机版本相比，便携性有所下降，下一步将改进标定板，研发基于Android端具备通过摄像头动态校准标定板面积的作物叶片形态识别软件，方便用户在田间地头直接通过手机实时开展叶片形态测量工作。

[1] 李义博,陶福禄.提高小麦光能利用效率机理的研究进展[J].中国农业气象,2022,43(2):93-111.

Li Y B,Tao F L.Research progress on the mechanism of high light use efficiency in wheat[J].Chinese Journal of Agrometeorology,2022,43(2):93-111.(in Chinese)

[2] 李丽,申双和,孙钢,等.土壤水分对冬小麦气孔导度及光合速率的影响与模拟[J].中国农业气象,2016,37(6):666- 673.

Li L,Shen S H,Sun G,et al.Simulation on and impact of soil moisture on stomatal conductance and photosynthesis rate of winter wheat[J].Chinese Journal of Agrometeorology, 2016,37(6):666-673.(in Chinese)

[3] 杨炳玉,申双和,张富存,等.不同尺寸蒸渗仪测定作物蒸散的田间试验研究[J].中国农业气象,2015,36(2):161-169.

Yang B Y,Shen S H,Zhang F C,et al.Field experiment on crop evapotranspiration measurements via lysimeters with different scales[J].Chinese Journal of Agrometeorology, 2015,36(2):161-169.(in Chinese)

[4] 张斯梅,杨四军,顾克军,等.不同穗型小麦品种叶面积、干物质积运及产量构成分析[J].江苏农业科学,2010(6): 114-116.

Zhang S M,Yang S J,Gu K J,et al.Analysis of leaf area,biomass accumulation and transportation and yield composition of wheat varieties with different spike types[J].Jiangsu Agricultural Sciences,2010(6):114-116.(in Chinese)

[5] 常鑫,李法计,张兆萍,等.小麦旗叶长、宽及面积的QTL分析[J].西北植物学报,2014,34(5):896-901.

Chang X,Li F J,Zhang Z P,et al.Mapping QTLs for flag leaf length, width and area in wheat[J].Acta Botanica Boreal- occidentalia Sinica,2014,34(5):896-901.(in Chinese)

[6] 王志伟,乔祥梅,程加省,等.不同小麦品种叶面积、叶绿素相对质量分数、根系性状及产量的研究[J].西南大学学报(自然科学版),2016,38(8):10-15.

Wang Z W,Qiao X M,Cheng J S,et al.Study on leaf area, relative chlorophyll contests,root traits and yields among the different types of wheat cultivars[J].Journal of Southwest University(Natural Science Edition),2016,38(8): 10-15.(in Chinese)

[7] 江梦圆,薛晓萍,杨再强,等.开花期复水对受旱冬小麦叶片状态和产量结构的补偿效应[J].中国农业气象,2020, 41(4):253-262.

Jiang M Y,Xue X P,Yang Z Q,et al.Compensation effects of rewatering at flowering stage on leaf state and yield structure of winter wheat under drought[J].Chinese Journal of Agrometeorology,2020,41(4):253-262.(in Chinese)

[8] 张乐乐,陈翔,柯媛媛,等.冬小麦抗倒春寒性能鉴定方法和指标的比较[J].中国农业气象,2021,42(2):146-157.

Zhang L L,Chen X,Ke Y Y,et al.An inclusive comparison of identification methods and indices of winter wheat tolerance against late spring coldness[J].Chinese Journal of Agrometeorology,2021,42(2):146-157.(in Chinese)

[9] Zhu Y,Chang L,Tang L,et al.Modelling leaf shape dynamics in rice[J].NJAS-Wageningen Journal of Life Sciences,2009,57(1):73-81.

[10] 孙锐,朱平,王志敏,等.春玉米叶面积系数动态特征的密度效应[J].作物学报,2009,35(6):1097-1105.

Sun R,Zhu P,Wang Z M,et al.Effect of plant density on dynamic characteristics of leaf area index in development of spring maize[J].Acta Agronomica Sinica,2009,35(6): 1097-1105.(in Chinese)

[11] 逯玉兰,李广,燕振刚,等.旱地小麦在不同氮肥处理下叶面积指数变化的模拟模型研究[J].甘肃农业大学学报,2018,53(3):70-75.

Lu Y L,Li G,Yan Z G,et al.Model of LAI changes of dryland wheat under different nitrogen treatments[J]. Journal of Gansu Agricultural University,2018,53(3):70- 75.(in Chinese)

[12] 涂修亮,胡秉民,程功煌,等.小麦叶面积指数变化的模拟[J].作物研究,1999(1):14-15.

Tu X L,Hu B M,Cheng G H,et al.Simulation of the variation of wheat leaf area index[J].Crop Reseatch,1999 (1):14-15.(in Chinese)

[13] 王全九,王康,苏李君,等.灌溉施氮和种植密度对棉花叶面积指数与产量的影响[J].农业机械学报, 2021,52(12): 300-308.

Wang Q J,Wang K,Su L J,et al.Effect of irrigation amount,nitrogen application rate and planting density on cotton leaf area index and yield[J].Transactions of the Chinese Society of Agricultural Machinery,2021,52(12): 300-308.(in Chinese)

[14] 王鹏新,陈弛,张树誉,等.基于LAI和VTCI及Copula函数的冬小麦单产估测[J].农业机械学报,2021,52(10):255- 263.

Wang P X,Chen C,Zhang S Y,et al.Winter wheat yield estimation based on copula function and remotely sensed LAI and VTCI[J].Transactions of the Chinese Society of Agricultural Machinery,2021,52(10):255-263.(in Chinese)

[15] 国家气象局.农业气象观测规范-作物分册[M].北京:气象出版社,1993.

National Meteorological Administration.Code for agrometeorological observation-crop volume[M].Beijing: China Meteorological Press,1993.(in Chinese)

[16] 谭凯炎,刘玲,马青荣,等.QX/T 299-2015.农业观测规范-冬小麦[S].中国气象局,2015.

Tan K Y,Liu L,Ma Q R,et al.QX/T 299-2015.Specificarions of agrometeorological observation-winter wheat[S]. China Meterological Administration,2015.(in Chinese)

[17] 张学艺,郭建茂,韩颖娟,等.基于植被指数的宁夏灌区春小麦叶面积指数模型[J].中国农业气象,2011,32(2):279- 282.

Zhang X Y,Guo J M,Han Y J,et al.Lai model of spring wheat in Ningxia irrigated area based on MODIS-Ⅵ[J].Chinese Journal of Agrometeorology,2011,32(2):279- 282.(in Chinese)

[18] 周元刚,姚宁,冯浩,等.冬小麦叶片形状系数的变异性[J].干旱地区农业研究,2017,35(5):1-7.

Zhou Y G,Yao N,Feng H,et al.Variations of leaf shape coefficients of winter wheat[J].Agricultural Research in the Arid Areas,2017,35(5):1-7.(in Chinese)

[19] 李浩然,李慧玲,王红光,等.冬小麦叶面积测算方法的再探讨[J].麦类作物学报,2018,38(4):455-459.

Li H R,Li H L,Wang H G,et al.Futher study on the method of leaf area calculation in winter wheat[J].Journal of Triticeae Crop,2018,38(4):455-459.(in Chinese)

[20] 李方一,黄璜,官春云.作物叶面积测量的研究进展[J].湖南农业大学学报(自然科学版),2021,47(3):274-282.

Li F Y,Huang H,Guan C Y.Review on measurement of crop leaf area[J].Jouranl of Hunan Agricultural University (Natural Sciences),2021,47(3):274-282.(in Chinese)

[21] 李任辉,赵仲辉,李家湘.基于Photoshop软件测量植物叶面积的白纸背景法[J].湖南林业科技,2016,43(1):138-142.

Li R H,Zhao Z H,Li J X.An photoshop software based and white paper as background method for measuring leaf area[J].Hunan Forestry Sciece&Technology,2016,43(1):138- 142.(in Chinese)

[22] 刘浩,孙景生,段爱旺,等.基于AutoCAD软件确定番茄与青椒叶面积的简易方法[J].中国农学通报,2009,25 (5):287-293.

Liu H,Sun J S,Duan A W,et al.Simple model for tomato and green pepper leaf based on AutoCAD software[J].Chinese Agricultural Science Bulletin,2009,25(5):287-293.(in Chinese)

[23] 宫志宏,薛庆禹,于红,等.基于数字照片解析的黄瓜叶片面积测定及效果分析[J].中国农学通报,2015,31(23): 230-234.

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

[24] 龚爱平,吴武豪,裘正军,等.基于Android系统手机的叶面积测量方法[J].农业机械学报,2013,44(9):203-208.

Gong A P,Wu W H,Qiu Z J,et al.Leaf area measurement using android OS mobile phone[J].Transactions of the Chinese Society of Agricultural Machinery,2013,44(9): 203-208.(in Chinese)

[25] 王忠芝,张金瑞.基于图像处理的叶面积测量方法[J].微计算机应用,2010,31(5):68-72.

Wang Z Z,Zhang J R.A measurement approach of leaf area baed on digital image processing[J].Microcomputer Applications,2010,31(5):68-72.(in Chinese)

[26] Venkatesh T,Prathyush K,Deepak S,et al.Agriculture crop leaf disease detection using image processing[J]. International Journal of Innovative Technology and Exploring Engineering,2021,10(7):110-114.

[27] 张哲,贾宋楠,赵楠,等.基于图像处理的叶面积测量方法与西瓜叶面积回归方程的建立[J].中国瓜菜,2021,34(10): 51-54.

Zhang Z,Jia S N,Zhao N,et al.A measurement approach of leaf area based on digital image processing and regression equation of leaves area on watermelon[J].China Cucurbits and Vegetables,2021,34(10):51-54.(in Chinese)

[28] 高大帅,林剑辉,余江斌,等.基于智能手机方位传感器的叶面积测量校正[J].中国农业大学学报,2017,22(6):128- 134.

Gao D S,Lin J H,Yu J B,et al.Leaf area measurement correction based on smartphone orientation sensor[J]. Journal of China Agricultural University,2017,22(6):128- 134.(in Chinese)

[29] 施滢,夏春华.基于棋盘格的可变参照物叶面积测量方法研究[J].中国农机化学报,2021,42(5):191-196.

Shi Y,Xia C H.Research on leaf area measurement of variable reference based on checkerboard[J].Journal of Chinese Agricultural Mechanization,2021,42(5):191-196. (in Chinese)

[30] 李秋洁,杨远明,袁鹏成,等.基于饱和度分割的叶面积图像测量方法[J].林业工程学报,2021,6(4):147-152.

Li Q J,Yang Y M,Yuan P C,et al.Image measurement method of leaf area based on saturation segmentation[J]. Journal of Forestry Engineering,2021,6(4):147-152.(in Chinese)

[31] 王凯,支煜,陈浩,等.一种基于Graham扫描算法的空间点云结构化算法研究[J].现代电子技术,2018,41(14): 139-142.

Wang K,Zhi Y,Chen H,et al.Research on space point cloud structuring algorithm based on Graham scanning algorithm[J].Modern Electronic Technology,2018,41(14): 139-142.(in Chinese)

[32] 于国瑞.色彩构成(修订版)[M].北京:清华大学出版社, 2012:4-14.

Yu G R.Color composition(revised)[M].Beijing:Tsinghua University Press,2012:4-14.(in Chinese)

Development of Winter Wheat Leaf Morphology Measurement Software Based On Machine Vision

GONG Zhi-hong1,2, DONG Chao-yang2, YU Hong3, LIU Bu-chun4, LI Chun2, LIU Tao2, LI Jun-ling1,5

（1. Henan Key Laboratory of Agrometeorological Ensuring and Applied Technique, CMA，Zhengzhou 450003, China；2.Tianjin Climate Center，Tianjin 300074；3. Tianjin Xiqing District Meteorological Bureau, Tianjin 300380；4. Institute of Environment and Sustainable Development in Agriculture, CAAS, Beijing 100081；5. Henan Institute of Meteorological Sciences, Zhengzhou 450003）

With the development of image processing and recognition technology, the technology of crop phenotype recognition is becoming more mature. In order to achieve accurate and rapid determination of leaf area and area coefficient of winter wheat with different varieties and different growth stages, VB.net and OpenCV software were used in the study. In the image processing and packaging library based on NET platform, a winter wheat leaf morphology measurement algorithm with machine vision was developed, and a software was designed and developed. The software can realize distortion calibration of digital images and simultaneously measure the length, width and area of multiple leaves. And then in order to verify the effect of software measurement, 100 green expanded leaves of winter wheat were selected, and the accuracy and stability of image recognition method were analyzed by comparing with the leaf length and width measured manually. The leaf area measured by WinDIAS leaf area analysis system. The results showed that the correlation coefficients of the winter wheat leaf length, width and area measured by image recognition method, manual and WinDIAS were more than 0.975 respectively, while the normalized root mean square errors were less than 0.10%. For the distortion calibration function of digital images, the maximum relative error between the measurement results and the original image is only 2% after the calibration of the image with the horizontal (vertical) scaling of 50% and the vertical (horizontal) beveling of 30°. It is suggested that the recognition method of winter wheat leaf morphology based on machine vision can accurately calibrate various distorted images, while it can be used as a new method to accurately measure the area, length and width of multiple leaves at the same time. It can be popularized and applied in agricultural scientific measurement, agricultural information service and agricultural meteorological observation service.

Winter wheat; Leaf morphology; Distortion calibration; RGB image

10.3969/j.issn.1000-6362.2022.11.007

宫志宏,董朝阳,于红,等.基于机器视觉的冬小麦叶片形态测量软件开发[J].中国农业气象,2022,43(11):935-944

2021−12−27

中国气象局河南省农业气象保障与应用技术重点开放实验室开放研究基金项目（AMF201907）；中国农业科学院科技创新工程（CAAS-ASTIP-2014-IEDA）；河南省自然科学基金青年基金项目（202300410531）

刘布春，研究员，研究方向为农业减灾和农业灾害风险管理，E-mail：liubuchun@caas.cn

宫志宏，E-mail：gong041@126.com