论文部分内容阅读
水稻作为世界上三大粮食作物之一,在全球的粮食生产中占有非常重要的地位,其产量也一直备受关注。在使用田间实地抽样调查法进行大田水稻测产工作时,需要测量水稻的穗数、穗粒数等参数,目前这些参数的获取往往需要大量的人工来完成,非常的耗时耗力。为了快速准确地获取田间水稻单位面积内的产量信息,解决长期以来人们在获取这些参数过程中的效能低、无自动化的问题,本文基于图像处理技术实现了田间单位面积内水稻的穗数、穗粒数及产量信息的自动化测量。
首先利用扫描仪获取单株离体水稻穗部的正视图像,通过图像预处理去除水稻穗部枝梗,提取籽粒部分的像素面积,分别分析其与籽粒数量及质量之间的关系,研究结果表明:四个品种的离体水稻穗部正视面积分别与籽粒数量及质量存在线性关系,且决定系数R2均在0.76以上。同时对田间在体水稻穗部俯视实际面积与籽粒数量及质量的关系进行了分析,发现面积分别与籽粒数量及质量存在线性关系,且决定系数分别为0.7217和0.5213,得到田间水稻籽粒数量和质量的预测公式分别为y=0.0947x+28.481和y=0.0015x+1.8727,可以通过获取田间单位面积内水稻穗部面积与穗数来进行单位面积内籽粒数量和质量的预测。
在田间采集品种为南粳9108、面积0.25m2区域内的水稻冠层图像。将图像中值滤波后由RGB颜色空间转换到YCbCr颜色空间,提取其中的Cr分量作改进后进行二值化,经过形态学处理后得到包含水稻穗部前景区域的二值图像。以二值图像为掩模提取滤波后的R、G、B分量重新组合为RGB图像。然后将图像由RGB颜色空间转换到Lab颜色空间,提取其中的a、b分量,运用K均值聚类算法分割提取出水稻的稻穗区域,并通过比较稻穗区域像素面积与0.25m2区域像素面积获得稻穗区域的实际面积。然后对穗部图像进行边缘平滑处理,提取每株稻穗骨架的中间部分,膨胀之后作为标记,使用强制最小技术修改标记位置稻穗梯度图像。最后使用分水岭算法对稻穗梯度图像进行了分割,获得0.25m2区域内稻穗的预测数量,与实际数量相比,平均绝对误差为4.7个,平均相对误差为7.22%。
通过将图像处理获得的0.25m2区域内稻穗区域面积与稻穗数量代入预测公式得到预测的籽粒数量和产量。其中预测籽粒数与实际籽粒数之间的平均绝对误差为769粒,平均相对误差为8.93%;预测产量与实际产量之间的平均绝对误差为25.66g,平均相对误差为9.79%,最大相对误差为21.08%。通过预测的籽粒数和测定的千粒重也可以获得0.25m2区域内水稻的预测产量,与实际产量相比平均绝对误差为23.44g,平均相对误差为9.23%,最大相对误差为17.63%。相对来说,通过预测籽粒数与测定千粒重获得的预测产量比通过面积与质量关系获得的预测产量同实际产量相比平均绝对误差、平均相对误差和最大相对误差等数据偏小一些,更具有稳定性和精确性。
本研究基于大田水稻穗部图像特征实现了田间单位面积内水稻穗数、籽粒数和产量等信息的高效自动获取,预测精度均达到了90%以上,且经济成本低、可操作性强,具有一定的实用性。
首先利用扫描仪获取单株离体水稻穗部的正视图像,通过图像预处理去除水稻穗部枝梗,提取籽粒部分的像素面积,分别分析其与籽粒数量及质量之间的关系,研究结果表明:四个品种的离体水稻穗部正视面积分别与籽粒数量及质量存在线性关系,且决定系数R2均在0.76以上。同时对田间在体水稻穗部俯视实际面积与籽粒数量及质量的关系进行了分析,发现面积分别与籽粒数量及质量存在线性关系,且决定系数分别为0.7217和0.5213,得到田间水稻籽粒数量和质量的预测公式分别为y=0.0947x+28.481和y=0.0015x+1.8727,可以通过获取田间单位面积内水稻穗部面积与穗数来进行单位面积内籽粒数量和质量的预测。
在田间采集品种为南粳9108、面积0.25m2区域内的水稻冠层图像。将图像中值滤波后由RGB颜色空间转换到YCbCr颜色空间,提取其中的Cr分量作改进后进行二值化,经过形态学处理后得到包含水稻穗部前景区域的二值图像。以二值图像为掩模提取滤波后的R、G、B分量重新组合为RGB图像。然后将图像由RGB颜色空间转换到Lab颜色空间,提取其中的a、b分量,运用K均值聚类算法分割提取出水稻的稻穗区域,并通过比较稻穗区域像素面积与0.25m2区域像素面积获得稻穗区域的实际面积。然后对穗部图像进行边缘平滑处理,提取每株稻穗骨架的中间部分,膨胀之后作为标记,使用强制最小技术修改标记位置稻穗梯度图像。最后使用分水岭算法对稻穗梯度图像进行了分割,获得0.25m2区域内稻穗的预测数量,与实际数量相比,平均绝对误差为4.7个,平均相对误差为7.22%。
通过将图像处理获得的0.25m2区域内稻穗区域面积与稻穗数量代入预测公式得到预测的籽粒数量和产量。其中预测籽粒数与实际籽粒数之间的平均绝对误差为769粒,平均相对误差为8.93%;预测产量与实际产量之间的平均绝对误差为25.66g,平均相对误差为9.79%,最大相对误差为21.08%。通过预测的籽粒数和测定的千粒重也可以获得0.25m2区域内水稻的预测产量,与实际产量相比平均绝对误差为23.44g,平均相对误差为9.23%,最大相对误差为17.63%。相对来说,通过预测籽粒数与测定千粒重获得的预测产量比通过面积与质量关系获得的预测产量同实际产量相比平均绝对误差、平均相对误差和最大相对误差等数据偏小一些,更具有稳定性和精确性。
本研究基于大田水稻穗部图像特征实现了田间单位面积内水稻穗数、籽粒数和产量等信息的高效自动获取,预测精度均达到了90%以上,且经济成本低、可操作性强,具有一定的实用性。