基于機(jī)器視覺辣椒截面性狀提取方法

耿澤棟, 楊萬能, 李峰, 戴雄澤, 歐立軍, 鄒學(xué)校, 馮慧

(1.華中農(nóng)業(yè)大學(xué)植物科學(xué)技術(shù)學(xué)院， 武漢 430070； 2.華中農(nóng)業(yè)大學(xué)園林學(xué)院， 武漢 430070； 3.湖南農(nóng)業(yè)科學(xué)院， 長沙 410125； 4.湖南農(nóng)業(yè)大學(xué)園藝園林學(xué)院， 長沙 410128; 5.華中農(nóng)業(yè)大學(xué)信息學(xué)院， 武漢 430070)

我國是辣椒生產(chǎn)、消費(fèi)和出口大國[1]。辣椒是我國人民生活中不可或缺的蔬菜之一，其經(jīng)濟(jì)價(jià)值越來越受到人們廣泛的重視。“十二五”時(shí)期，我國十分重視辣椒產(chǎn)業(yè)，國家“863”計(jì)劃項(xiàng)目、科技支撐計(jì)劃項(xiàng)目等都對(duì)辣椒的研究和發(fā)展提供了強(qiáng)有力的支持[2]。當(dāng)前，辣椒產(chǎn)業(yè)發(fā)展迅速，在遺傳育種方面都取得了突破性的成績，獲得了高產(chǎn)優(yōu)質(zhì)的優(yōu)良品種[3-4]。對(duì)辣椒農(nóng)藝性狀的分析有利于加深對(duì)辣椒性狀特征的了解，為辣椒的選育和功能基因組分析提供基礎(chǔ)。目前，我國對(duì)辣椒農(nóng)藝性狀的采集主要是通過人工方式，分析的速度較慢，嚴(yán)重浪費(fèi)人力物力。

數(shù)字圖像處理技術(shù)是對(duì)圖像進(jìn)行深度加工，進(jìn)行有目的的改變，強(qiáng)調(diào)原始圖像與加工圖像之間的變換。圖像處理技術(shù)具有成像清晰、適用性廣、處理精度高等特點(diǎn)[5]。隨著計(jì)算機(jī)技術(shù)的提高和成本的下降，圖像處理技術(shù)在農(nóng)業(yè)方面的應(yīng)用越來越廣泛，越來越向?qū)I(yè)化、系統(tǒng)化、智能化的方向發(fā)展，其可以為作物農(nóng)藝性狀的采集和分析提供強(qiáng)有力的工具[6]。應(yīng)用數(shù)字圖像處理技術(shù)對(duì)辣椒農(nóng)藝性狀進(jìn)行采集分析可以提高采集效率，節(jié)省人力資源，促進(jìn)辣椒的研究。

大量研究表明，辣椒的表型特征可以反映辣椒性狀的遺傳規(guī)律，可以通過研究辣椒的農(nóng)藝性狀制定出相應(yīng)的篩選機(jī)制，從而獲得高品質(zhì)的辣椒品種。曲曉斌等[7]對(duì)線辣椒農(nóng)藝性狀的研究表明，果橫徑的增加會(huì)導(dǎo)致單株結(jié)果數(shù)呈下降趨勢(shì)，果縱徑與單株結(jié)果數(shù)之間的相關(guān)性不大。果橫徑的增加還會(huì)導(dǎo)致單果果肉重，平均單果重呈明顯上升趨勢(shì)[8-9]。文錦芬等[10]和張建云[11]對(duì)辣椒徑尖的研究表明，辣椒頂部表面附生著多種病原菌，嚴(yán)重時(shí)將導(dǎo)致辣椒病害。王得元[12]研究表明，辣椒果形指數(shù)(果實(shí)長寬比)受基因控制，穩(wěn)定遺傳。因此,可以通過挑選厚度較大、果形指數(shù)高的辣椒來選擇高品質(zhì)的辣椒的品種。

與人工提取相比較，基于圖像處理可以更加快速地提取辣椒農(nóng)藝性狀。楊一璐等[13]基于葉綠素?zé)晒鈭D像對(duì)辣椒葉片氮含量進(jìn)行預(yù)測，建立了辣椒葉片熒光特征參數(shù)對(duì)氮含量的預(yù)測模型，方便對(duì)辣椒葉片含氮量進(jìn)行科學(xué)合理的預(yù)測。袁開放等[14]通過圖像處理技術(shù)設(shè)計(jì)了牛角椒的大小分選系統(tǒng)，取代傳統(tǒng)的人工作業(yè)，實(shí)現(xiàn)了機(jī)器對(duì)牛角椒進(jìn)行大小篩選，機(jī)器選擇正確率在95%以上。王建璽等[15]利用圖像處理技術(shù)，改進(jìn)了主動(dòng)輪廓模型(c-v模型)，提高了對(duì)辣椒病斑圖像分割的效果。Chupawa等[16]利用圖像處理技術(shù)對(duì)辣椒的種子進(jìn)行快速質(zhì)量檢測。綜上所述，圖像處理技術(shù)可以為辣椒性狀的研究提供強(qiáng)有力的工具，降低人工成本，提高采集效率。

目前辣椒直徑、果型指數(shù)、心室個(gè)數(shù)等性狀提取的方式主要是人工提取，而一些利用圖像處理技術(shù)對(duì)辣椒大小、病斑等性狀的研究缺乏對(duì)辣椒內(nèi)部性狀，如圓形度、果肉厚度、橫向褶皺等綜合的檢測和提取。本研究采用機(jī)器視覺技術(shù)，詳細(xì)分析多種辣椒內(nèi)部性狀特征，包含辣椒橫截面的果長、果寬、果肉厚度、果形指數(shù)(果長/果寬)、心室數(shù)、橫向褶皺及辣椒縱截面的中線、肩寬、胸寬、腹寬、尖寬、中線曲率等性狀，對(duì)辣椒農(nóng)藝性狀的提取更加全面、快速。

本文通過圖像分析技術(shù)，基于機(jī)器視覺技術(shù)編寫了一套完整的對(duì)辣椒橫切和縱切截面的農(nóng)藝性狀的采集和分析程序。對(duì)辣椒橫切和縱切截面圖進(jìn)行處理分析，可以快速、準(zhǔn)確得出辣椒的果肩徑、直徑、心室個(gè)數(shù)、果肉厚度等性狀，實(shí)現(xiàn)了辣椒農(nóng)藝性狀高通量、自動(dòng)化提取。

1 材料與方法

1.1 軟件支持

本文使用的編程軟件：Labview2015(64-bit)[17]、Microsoft Visual Studio2015(VS2015)[18]、OpenCV3.1.0[19]。

1.2 工作流程

根據(jù)辣椒的橫切、縱切截面圖特點(diǎn)和鑒別分類要求，建立了辣椒性狀的自動(dòng)化檢測流程：背景板上放好比色板和直尺，擺放辣椒切片進(jìn)行圖像采集，通過Labview編寫的程序?qū)苯窓M縱截面圖像進(jìn)行分割、識(shí)別，進(jìn)而提取辣椒的內(nèi)部特征；在提取過程通過對(duì)各像素點(diǎn)的閾值分析，將各辣椒截面的圖像數(shù)據(jù)轉(zhuǎn)變?yōu)楹唵巍⒁撞僮鞯南袼丶希粚?duì)截面進(jìn)行目標(biāo)識(shí)別和種類劃分，提取出二值圖、單個(gè)心室圖、輪廓圖等圖像，分析圖像得到辣椒截面直徑、圓形度、辣椒壁厚度、心室數(shù)、橫向褶皺等性狀數(shù)據(jù)。計(jì)算并分析所有截面的性狀數(shù)據(jù)后，將其自動(dòng)保存至TXT文檔，供后續(xù)分析研究。對(duì)比于人工檢測，基于機(jī)器視覺的圖像處理方法更加快速、簡便，可實(shí)現(xiàn)對(duì)辣椒截面的自動(dòng)化、高通量性狀檢測。

1.3 辣椒橫截面圖像性狀提取

辣椒橫截面的提取性狀如圖1所示，首先做出截面的最小外接矩形長Dx和寬Dy，再根據(jù)矩形的對(duì)角線確定辣椒橫截面的質(zhì)心(O點(diǎn)),黑色區(qū)域H1、H2為辣椒心室，紅線部分為提取辣椒厚度的部分(心室連接處不計(jì)算橫截面厚度)，綠色虛線部分為辣椒的橫向褶皺。

注：O—截面質(zhì)心；Dx—最小外接矩形長；Dy—最小外接矩形寬；H1和H2—心室。紅線區(qū)域?yàn)樘崛±苯泛穸龋G色區(qū)域?yàn)闄M向褶皺。Note: O—Facet center; Dx—Minimum circumscribed rectangle length, Dy：Minimum circumscribed rectangle width; H1 and H2：Ventricle. Red domain is pepper thickness, and green domain is lateral pleate.圖1 橫截面提取指標(biāo)Fig.1 Crosscutting section map extraction index

1.3.1橫截面圖像分割 本研究采用閾值分割法[20]將灰度圖像轉(zhuǎn)換成二值圖像。它的作用是減少圖像中數(shù)據(jù)量，凸顯出目標(biāo)的輪廓[21]。由于背景較為固定，辣椒則有紅色、綠色、黃色等顏色，故本文中采用OTSU算法進(jìn)行分割，如圖2所示。二值化處理的優(yōu)劣程度對(duì)性狀提取的準(zhǔn)確性和合理性具有十分重要的作用[22]。

1.3.2直徑比Dx/Dy分析 直徑是反映圓特征的最直觀數(shù)據(jù)。對(duì)于不規(guī)則的圓，分別取其最小外接矩形的長和寬。對(duì)于辣椒來說，直徑的大小可以直接反映其粗細(xì)程度。如圖2D所示，首先對(duì)橫截面進(jìn)行填充，然后取填充圖最小外接矩形的長和寬。對(duì)橫截面直徑比Dx/Dy，大于1表示細(xì)長的截面，等于1表示圓形的截面[23]。

1.3.3圓形度DC分析 圓形度DC是不規(guī)則圓形相對(duì)于規(guī)則圓的偏離情況，表現(xiàn)了辣椒截面的不規(guī)則程度。本文通過Labview算法模塊IMAQ Particle Analysis VI中的Area提取填充圖的面積記為A；通過Perimeter提取填充圖的周長記為L。圓形度計(jì)算公式(1)如下。

DC=4πA/L2

(1)

其中，DC為圓形度，A為外輪廓所包含面積，L為外輪廓周長。

1.3.4果肉厚度T分析 對(duì)于果肉橫截面，內(nèi)輪廓如果存在室間隔，則無法計(jì)算果肉厚度，需要去掉此部分，具體計(jì)算分為以下兩個(gè)過程。首先提取出橫截面的內(nèi)輪廓(圖2E、F)，計(jì)算內(nèi)輪廓上每一點(diǎn)與內(nèi)輪廓凸包上每一點(diǎn)之間的距離，以最小值作為內(nèi)輪廓上該點(diǎn)到凸包的距離。然后對(duì)此距離進(jìn)行判定，給定一個(gè)閾值(此處為10個(gè)像素)，只有距離小于閾值的部分才可計(jì)算厚度。

具體過程如圖3所示，質(zhì)心以及整幅圖像的四個(gè)角點(diǎn)將圖像區(qū)域分為四個(gè)區(qū)域，并分別計(jì)算四個(gè)區(qū)域的面積，其中圖像高記為height，寬記為width。之所以進(jìn)行區(qū)分是因?yàn)橘|(zhì)心點(diǎn)和內(nèi)輪廓上的點(diǎn)與圖像邊緣的交點(diǎn)不在同一個(gè)區(qū)域，四個(gè)區(qū)域的計(jì)算方法不同。首先根據(jù)面積判斷內(nèi)輪廓上的點(diǎn)在哪一塊區(qū)域內(nèi)，以內(nèi)輪廓上的點(diǎn)為中心，分別與相鄰的角點(diǎn)以及質(zhì)心相連，應(yīng)用海倫公式計(jì)算S1、S2、S3三個(gè)區(qū)域的面積之和，該面積與四個(gè)區(qū)域中某一區(qū)域的面積相等，則內(nèi)輪廓上的點(diǎn)在該區(qū)域上。如在區(qū)域1內(nèi)，計(jì)算該直線與y=0的交點(diǎn)，如在區(qū)域2內(nèi)，計(jì)算該直線與x=width-1的交點(diǎn)，如在區(qū)域3內(nèi)，計(jì)算該直線與y=height-1的交點(diǎn)，如果在區(qū)域4內(nèi)計(jì)算該直線與x=0的交點(diǎn)。計(jì)算出交點(diǎn)后，統(tǒng)計(jì)從質(zhì)心點(diǎn)到該交點(diǎn)的路徑間，內(nèi)輪廓與外輪廓的交點(diǎn)之間的距離，則為該處的厚度。

A：原始圖；B：二值化優(yōu)化；C:單個(gè)辣椒二值圖；D：填充圖；E:內(nèi)輪廓及凸包；F：厚度輪廓；G：心室圖；H：褶皺圖。A: Original image; B: Binary optimization; C: Single pepper binary image; D: Fill image; E: Inner contour and conver hull; F: Thickness image; G: Venticular image; H: Pleated graphics.圖2 辣椒橫截面圖像處理Fig.2 Image processing of pepper slice

1.3.5心室個(gè)數(shù)H取面積最大兩塊區(qū)域均值的50%，記為心室個(gè)數(shù)的閾值A(chǔ)，公式(2)如下。

A=(a+b)/4

(2)

式中，A為心室個(gè)數(shù)閾值，a為最大區(qū)域面積，b為第二大區(qū)域面積。

若剩下的區(qū)域面積超過這個(gè)閾值，則認(rèn)為是心室，小于這個(gè)閾值則去除。本文通過Labview軟件中的IMAQ Particle Analysis算法模塊提取心室圖中的粒子數(shù)，記為心室個(gè)數(shù)。對(duì)二值化心室圖像(圖2G)進(jìn)行分析，計(jì)算出聯(lián)通區(qū)域的個(gè)數(shù)及其面積、圖像在X軸方向的中心坐標(biāo)、在Y軸方向的中心坐標(biāo)等[24]。

1.3.6橫向褶皺VWN和VWD橫向褶皺是指辣椒橫截面外輪廓產(chǎn)生的彎曲，如圖2H所示。計(jì)算橫向褶皺，用外輪廓凸包減去外輪廓填充圖，得到褶皺圖形，分別計(jì)算褶皺外接矩形的長和寬，如果其中一項(xiàng)超過厚度的1/2，則認(rèn)為有2個(gè)交點(diǎn)，如果其中一項(xiàng)與厚度的1/2相等，則認(rèn)為有1個(gè)交點(diǎn)。用外輪廓凸包(圖2H外圈黃線)和內(nèi)輪廓凸包(圖2H內(nèi)圈黃線)將截面輪廓(圖2H中的紅線)夾起來，做出內(nèi)外側(cè)輪廓凸包的中線(圖2H藍(lán)色實(shí)線)，藍(lán)線長度(L)為內(nèi)輪廓凸包周長和外輪廓凸包周長和的1/2，測量黃線間區(qū)域面積S為外輪廓填充面積減去內(nèi)輪廓凸包的填充面積。橫向褶皺的計(jì)算公式如下。

圖3 果肉厚度示意圖Fig.3 Skech of pulp thickness

VWN=N/L

(3)

VWD=S/L

(4)

式中，VWN為平均褶皺數(shù)量，VWD為平均褶皺面積，N為交點(diǎn)個(gè)數(shù)，L為內(nèi)外輪廓凸包周長和的一半(藍(lán)線長度)，S為兩黃線間的面積。

1.4 辣椒縱截面圖像性狀提取

如圖4所示，首先提取辣椒區(qū)域圖像，然后分割出單個(gè)辣椒圖像，提取辣椒骨架，并確定辣椒的兩個(gè)端點(diǎn)(紅色D1、D2)，即綠色萼片果肩界線(綠色虛線)的中點(diǎn)D1及果尖D2。不同種類辣椒端點(diǎn)的位置不同，如在線椒型辣椒中D1與D2大多是突出的，而在甜椒型辣椒中大多是凹陷的。對(duì)辣椒截面圖進(jìn)行分割處理，提取出辣椒縱截面的性狀特征。

通過以下幾個(gè)數(shù)據(jù)可以得到辣椒的高度、寬度和彎曲程度等基本性狀信息，基本還原出辣椒縱截面的形狀。采集的性狀特征如圖4所示：果肩界線N(綠色虛線)為辣椒果柄處綠色萼片輪廓；果柄中線M(白色虛線)為果肩界線端點(diǎn)D1處的切線的垂線；中線長Y從D1到D2外圍輪廓的中線(藍(lán)色實(shí)線)長，隨辣椒的彎曲而彎曲；肩寬X1為端點(diǎn)D1切線沿果柄中線向下平移5 mm，其與輪廓線的交點(diǎn)間的距離；胸寬X2為辣椒果實(shí)偏上1/3處的寬度；腹寬X3為辣椒果實(shí)偏下1/3處的寬度；尖寬X4為端點(diǎn)D2沿中線上移5 mm處中線切線的垂線與輪廓線交點(diǎn)間的距離。

本文程序?qū)苯房v截面進(jìn)行特征提取時(shí)，首先對(duì)整體圖片進(jìn)行二值化，得到辣椒區(qū)域，然后從圖像左上方到右下方進(jìn)行掃描得到單個(gè)辣椒縱截面的外接矩形，并對(duì)該外接矩形四周各加40像素值進(jìn)行擴(kuò)大剪切，提取出單個(gè)辣椒的二值化圖像。由于兩個(gè)辣椒截面擺放的距離較近而導(dǎo)致在剪切單個(gè)辣椒二值圖時(shí)會(huì)包含相鄰的辣椒部分，需要去除與邊界相連的區(qū)域，得到單個(gè)辣椒的二值圖。通過Labview模塊掃描得到單個(gè)辣椒縱截面的外接矩形，消除接觸圖像邊界的粒子;調(diào)用VS編寫的dll(采用不斷細(xì)化的方式，最后只剩下單個(gè)像素即為骨架)對(duì)辣椒縱截面二值圖提取骨架。果柄部分是綠色的，所以采用超G分割提取辣椒柄部，計(jì)算方法如公式(5)所示，閾值設(shè)為20，N≥20則認(rèn)為此處是果柄。然后利用二值化圖像減去柄部圖像，得到去除果柄的辣椒圖像。

注：N—果肩界線；D1—頂部端點(diǎn)；D2—尖部端點(diǎn)；M—果柄中線；Y—中線；X1—肩寬；X2—胸寬；X3—腹寬；X4—尖寬；R—中線曲率。Note: N—Fruit shoulder line; D1—Top end point; D2—Tip end point; M—Fruit handle midline line; Y—Centerline; X1—Shoulder width; X2—Chest width; X3—Belly width; X4—Tip width; R—Midline curvature.圖4 縱截面提取指標(biāo)Fig.4 Longitudinal section map extraction index

N=2G-R-B

(5)

式中，G為綠色分量，R為紅色分量，B為藍(lán)色分量。

本文通過中線形狀反映中線曲率。中線曲率即中線上每點(diǎn)(1/20Y間隔)切線與果柄中線M的夾角度數(shù)，如圖4中紫色虛線與白色虛線的夾角R是針對(duì)中線上點(diǎn)的切線方向?qū)￠L的轉(zhuǎn)動(dòng)率，可以用來衡量辣椒中線的不平坦程度，是對(duì)辣椒縱截面彎曲程度更詳細(xì)的表示，曲率越大，則表示中線的彎曲程度越大，辣椒的彎曲程度越大。

本文提取辣椒中線長上每點(diǎn)的坐標(biāo)并計(jì)算中線上所有像素點(diǎn)的個(gè)數(shù)，用像素個(gè)數(shù)除以20的值作為檢索值對(duì)中線坐標(biāo)進(jìn)行檢索，將中線進(jìn)行20等分，可以找到中線上每一個(gè)20等分點(diǎn)的坐標(biāo)。用圖像的寬度減去每一個(gè)20等分點(diǎn)的橫坐標(biāo)可以得到共20 個(gè)中線到圖像右邊界的距離值，記為寬度W。對(duì)這些值做波形分析，可以還原辣椒的中線形狀，它的彎曲程度可以反映中線曲率的變化趨勢(shì)。

2 結(jié)果與分析

2.1 圓形度分析

如圖5所示，當(dāng)DC值越接近1(0.994、0.988)時(shí)，辣椒橫截面越接近圓形；DC值越小(0.934)，表明圖形的周長越大，面積越小，與圓形的差距越大，辣椒橫截面越偏離圓形[25]。

2.2 果肉厚度分析

如圖6所示，統(tǒng)計(jì)從質(zhì)心點(diǎn)到內(nèi)外壁上交點(diǎn)的路徑距離可以得到一系列內(nèi)輪廓與外輪廓的交點(diǎn)之間的距離，即為果肉某一點(diǎn)的厚度。將所有得到的數(shù)據(jù)進(jìn)行排列，得到果肉厚度變化曲線，可以形象的反映果肉厚度的變化過程。

2.3 心室個(gè)數(shù)H分析

心室內(nèi)容較少可直接準(zhǔn)確計(jì)算心室，心室內(nèi)容較多無法準(zhǔn)確計(jì)算。如圖7所示，本文對(duì)單個(gè)二值圖中心進(jìn)行畫圓處理，如果辣椒橫截面中間果肉或籽粒較多，需去除中間的辣椒籽的部分，只提取出心室的模塊圖；如果辣椒橫截面的心室較多，需對(duì)提取的心室圖進(jìn)行篩選。經(jīng)計(jì)算分析，兩個(gè)樣品1心室個(gè)數(shù)為2，兩個(gè)樣品2心室個(gè)數(shù)為3。

2.4 縱截面提取分析

本程序?qū)苯房v截面進(jìn)行分析可以得到一系列辣椒二值化圖像(圖8)，用于性狀提取。

2.5 中線形狀分析

對(duì)縱截面得到的中線大小做歸一化處理，將20個(gè)寬度值放在同一坐標(biāo)系下，將長度大小不同的辣椒中線變換為統(tǒng)一標(biāo)準(zhǔn)的折線圖。消除圖片大小和辣椒大小對(duì)還原中線形狀的影響，方便不同規(guī)格辣椒之間的中線形狀的比較。將不同辣椒的中線歸一化(圖9)，可以明顯觀察到不同辣椒的彎曲程度，即中線形狀。

圖5 圓形度Fig.5 Circularity

圖6 果肉厚度Fig.6 Pulp thickness

圖7 辣椒心室提取Fig.7 Processing of pepper ventricular

2.6 辣椒截面的圖像特征性狀參數(shù)分析

2.6.1橫截面特征性狀參數(shù)分析 本研究通過上述方法檢測了40個(gè)橫截圖像(800個(gè)辣椒橫截面)，58個(gè)縱截圖像(422個(gè)辣椒縱截面)，得到大量辣椒的截面表型數(shù)據(jù)，如表1所示。其中心室個(gè)數(shù)和VWN的CV值較高，其他性狀的CV值較低，表明該品種的辣椒之間差異度較小。

圖9 中線形狀分析Fig.9 Analysis of centerline shape

2.6.2縱截面特征性狀參數(shù)分析 提取到辣椒縱截面中線長Y、肩寬X1、胸寬X2、腹寬X3、尖寬X4等,如表2所示，其中肩寬CV值最大，尖寬CV值較大，表明該品種辣椒的肩部區(qū)別較大，中線長度、肩寬、腹寬基本一致。

2.7 圖片分辨率和像素個(gè)數(shù)的轉(zhuǎn)換關(guān)系

圖片分辨率是度量圖像內(nèi)像素個(gè)數(shù)多少的指標(biāo)[26]。不同分辨率圖像中同一區(qū)域所包含的像素個(gè)數(shù)不同，圖片的分辨率更高，則表示該圖像的內(nèi)存占據(jù)更大，包含的數(shù)據(jù)更大，相同區(qū)域中包含的像素個(gè)數(shù)更多，能展示更多的細(xì)節(jié)。圖片的實(shí)際大小可以通過分辨率和像素來計(jì)算，如公式(6)所示。

L=2.54A/DPI

(6)

表1 辣椒橫截面圖像的特征性狀參數(shù)Table 1 Characteristics of pepper transect images

表2 辣椒縱截面圖像的特征性狀參數(shù)Table 2 Characteristic parameters of vertical cutting image of pepper

式中，L為圖片長度(cm)，A為像素個(gè)數(shù)，DPI為每英寸上的像素個(gè)數(shù)。

如圖2中通過5 mm對(duì)應(yīng)的像素個(gè)數(shù)的多少來判斷肩寬、尖寬的位置。在不同分辨率的圖像中，5 mm所代表的像素個(gè)數(shù)不同，對(duì)于96 DPI，5 mm像素個(gè)數(shù)為19，對(duì)于600 DPI，5 mm像素個(gè)數(shù)為118。所以在不同分辨率的圖像中通過取不同的像素個(gè)數(shù)來表示同一長度。

3 討論

圖像處理技術(shù)在農(nóng)業(yè)中的應(yīng)用十分廣泛，其本質(zhì)就是使用不同的圖像處理平臺(tái)對(duì)農(nóng)作物進(jìn)行處理。孫宏佳[27]基于機(jī)器視覺利用Labview設(shè)計(jì)了花生種子自動(dòng)識(shí)別系統(tǒng)，主要使用了IMAQ Vision開發(fā)環(huán)境，可以高效、準(zhǔn)確地提取花生種子的性狀特征。Labview程序具有強(qiáng)大的外部程序接口能力，本文通過Labview調(diào)用多個(gè)DLL，豐富了程序的運(yùn)算功能。李蓮等[28]利用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)識(shí)別方法，識(shí)別辣椒的顏色形狀，正確率有86.67%。但是該方法僅識(shí)別辣椒的特色和形狀，不能獲得更詳細(xì)的辣椒性狀特征。與之相比，本文對(duì)辣椒的多種性狀進(jìn)行提取，可以獲取更完善的辣椒性狀特征。

對(duì)辣椒形態(tài)學(xué)性狀的研究表明，辣椒性狀可以反映其種植遺傳規(guī)律[7-12]。本文提供了一種可以高通量、自動(dòng)化的辣椒表型性狀提取方法，提取了辣椒橫截面的果長、果寬、果肉厚度、果形指數(shù)(果長/果寬)，還增加了心室數(shù)、橫向褶皺及辣椒縱截面的中線、肩寬、胸寬、腹寬、尖寬、中線曲率等性狀。相比人工采集數(shù)據(jù)，圖像處理技術(shù)更加快捷方便，效率大大提高。與傳統(tǒng)的人工測量辣椒的農(nóng)藝性狀相比，本文采用數(shù)字圖像處理技術(shù)采集辣椒橫縱截面的性狀特征。人工采集性狀因?yàn)椴杉叩闹饔^判斷和測量方式不同，無法保證每次采集的標(biāo)準(zhǔn)一致，可能會(huì)存在誤差，導(dǎo)致采集的性狀出現(xiàn)偏差。而本文采用計(jì)算機(jī)圖像處理技術(shù)，采集數(shù)據(jù)有統(tǒng)一的標(biāo)準(zhǔn)，消除了主觀誤差，確保性狀采集的準(zhǔn)確性和一致性。且該程序具有統(tǒng)一的性狀采集標(biāo)準(zhǔn)，不會(huì)受到人為因素的干擾。簡單高效，便于數(shù)據(jù)的儲(chǔ)存和讀取，可廣泛地應(yīng)用于辣椒內(nèi)部性狀的提取。