学习西兰花表型快速提取方法研究

　　摘要: 准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤，本研究通过对深度残差网络ResNet进行改进得到一种新型的西兰花花球分割模型，并通过花球部位黄绿颜色占比判断其新鲜度，实现低成本高效准确地西兰花表型信息提取。主要技术流程包括：（1）基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集；（2）对训练图像进行预处理并输入模型进行分割；（3）基于颜色信息用粒子群结构PSO和大津法Otsu对分割结果进一步进行阈值分割，获取其新鲜度指标。试验结果表明：本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型，4个评价指标结构相似性指数(SSIM)、平均精度(Precision)、平均召回率(Recall)、F-度量(F-measure)结果分别为0.911、0.897、0.908和0.907，相比于传统方法提升了10%-15%，且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时，在分割结果的基础上采用PSO-Otsu法可以实现花球新鲜度快速分析，其精度超过了0.8。本研究结果实现了西兰花田间多表型参数的高通量获取，可以为作物田间长势监测研究提供重要参考。

　　关键词: 深度学习；西兰花表型；机器视觉；自动分级；田间平台

　　1 引言

　　西兰花是十字科一、二年生草本植物，其蛋白质含量高并富含多种维生素和多酚类物质，具有较高的种植效益和经济价值[1]。中国是西兰花生产与消费大国，据“国家西兰花良种重大科研联合攻关”项目调研结果，中国目前种植面积和产量均居世界首位。因西兰花是选择性收获作物，同一地块上不同个体花球大小及新鲜水平呈现较大差异，如何精确地对每个花球大小及新鲜度进行评估，是提高采收效率、保证采收质量的关键。过去对西兰花花球检测主要依靠人工，即通过农艺人员定期在田间对不同个体进行花球大小、圆度等参数测量。但传统人工田间调查存在效率低下、主观性强、不能提供实时数据和成本高等问题，影响了西兰花产业智能化发展。

　　2 材料与方法

　　2.1　研究区域及试验设计

　　研究区域与数据采集平台设计如图1所示。试验所用西兰花品种为“浙青452”“台绿1号”和“台绿2号”，花冠层图像拍摄于浙江省嘉兴市浙江省农业科学院杨渡科研创新基地（北纬30°27′，东经120°25′）。试验小区为3个长宽分别为30m和20m的温室大棚种植区，西兰花株距约为30cm，所有田间管理均按照正常水平进行，不设置养分及水分试验对照组。用架设在田间移动平台（FieldScan Pro）上的两台高速工业相机分别从左右两个方向对西兰花花球进行拍摄，拍摄焦距为5mm，镜头保持垂直向下距地面约0.8m。拍摄时间为2018年9月15日上午9点至下午4点之间。将两部相机同步获取的影像利用尺度不变特征变换（Scale-invariant Feature Transform，SIFT）算法进行拼接，得到广角照片以保证花球结构信息的完整性。

　　2.2　试验平台研发

　　对西兰花表型信息进行提取除了需要对花球部位进行准确定位和分割，还应该根据其头部“黄—绿”颜色占比对新鲜度进行估计。本研究采用由浙江省农业科学院农业装备研究所研发的FieldScan Pro试验平台采集模型训练所需彩色数码图片，试验平台由田间移动平台和图像采集系统两部分组成。

　　3 结果与分析

　　本研究试验环境为Ubuntu 16.04，操作系统为64位，采用Tensorflow框架。计算机配置为双GTX-1080显卡，8GB显存，内存为16GB，处理器型号为Intel(R) Core (TM) i7-8700K，主频3.7GHz，训练模型均基于Python 3.6.8编写。

　　3.1　花球分割结果

　　为进一步分析网络性能，将改进的ResNet与传统ResNet、GoogleNet以及基于颜色空间变换和阈值分割两种方法：植被提取颜色指数（Color Index of Vegetation Extraction，CIVE）和超绿指数（Excess Green Index，ExG）进行比较[28]。其中，CIVE和ExG常被用于植被提取当中，通过区分绿色作物和背景不同的颜色信息实现图像分割和目标提取，计算公式如下。

　　3.2　花球新鲜度分析结果

　　在上述花球分割的基础上，利用PSO-Otsu算法对得到的花球区域进行二次分割，实现各品种西兰花新鲜度分析。

　　图6为西兰花花球新鲜度统计结果，（a）-（c）分别代表3个不同品种的新鲜情况。可以看出，在同一养分水平下“台绿1号”处于Level 0-2新鲜度下的个体比例最高，表明该品种成熟速率较为接近；而“台绿2号”新鲜度呈现两端分布的情况（Level 0占比为26.2%，Level 4占比为30%），说明该品种成熟速率差异性较大。此外，“台绿2号”和“浙青452”花球发黄程度较“台绿1号”偏重，表明这两个品种在相同养分条件下成熟时间早，变质情况严重，对采摘后保存环境要求高。

　　4 总结和展望

　　本研究以西兰花花球作为研究对象，提出了一种基于改进ResNet的西兰花长势监测方法。通过自主设计的影像获取平台得到的西兰花冠层正射影像进行分析，可以准确提取西兰花花球并对其新鲜度进行判定。本研究主要贡献如下。

　　（1）基于传统ResNet架构，设计了适合进行西兰花田间实时分析的改进ResNet，通过加入SE模块减少了网络参数个数，达到平衡各特征图之间的权重并加快了训练速度的目的。

　　（2）在现有西兰花分级标准的基础上，结合实际蔬菜贸易需求，提出了一种新的西兰花新鲜度分级标准。以该标准为依据，利用基于粒子群模型改进的Otsu算法实现了西兰花球不同颜色区域面积比估算，将该比值与新的分级标准一一对应，从而实现收获前西兰花品质的判定并为自动采收提供技术支撑。

　　（3）与传统ResNet、GoogleNet以及CIVE、ExG等基于颜色空间变换和阈值分割的方法相比，本研究提出的方法在各评价指标上有了较大幅度的提升，可以有效克服传统方法存在的训练效率低、鲁棒性差等问题。

　　虽然本研究提出的方法在以上方面取得了一些进展，但仍然存在模型复杂、硬件门槛高和训练数据量偏少等问题。在今后的研究中需要进一步简化网络，并进行大数据下的精度验证；实现以相关结果为基础开发便携式终端产品，方便广大农户使用。

　　参考文献

　　[1] 郭香凤, 向进乐, 李秀珍, 等. 贮藏温度对西兰花净菜品质的影响[J]. 农业机械学报, 2008, 39(2): 201-204.

　　[2] 夏永泉, 李耀斌, 曾莎. 基于HSI颜色空间的植物叶片病斑提取方法[J]. 江苏农业科学, 2015(08): 420-422.

　　[3] 高理文, 林小桦. 基于L*a*b*彩色空间和局域动态阈值的药用植物叶片图像分割[J]. 计算机应用与软件, 2014， (1): 232-235.

　　作者周成全 , 叶宏宝 , 俞国红 , 胡俊 , 徐志福 *

《学习西兰花表型快速提取方法研究》

上一篇：基于轻量级无锚点深度卷积神经网络的树上苹果检测模型

下一篇：优化农业推广体系发展农业推广事业