基于机器视觉的黄芩种子精选技术研究

， ， ， ， (.中国农业大学农学与生物技术学院植物遗传育种学系/北京市作物遗传改良重点实验室， 北京 009；.北京市农业技术推广站， 北京 000； .中国农业大学理学院， 北京 0008)

基于机器视觉的黄芩种子精选技术研究

叶凤林1，李琳2，杨丽明3，王建华1，孙群1
(1.中国农业大学农学与生物技术学院植物遗传育种学系/北京市作物遗传改良重点实验室， 北京 100193；2.北京市农业技术推广站， 北京 100101； 3.中国农业大学理学院， 北京 100083)

探究机器视觉技术用于黄芩种子精选的适用性并确定适宜的精选参数。采用种子形态自动化识别软件快速识别400粒黄芩种子的物理特性(长度、宽度、投影面积、R、G、B、H、S、B、L、a、b)，再通过单粒种子萌发试验确定种子活力，分析种子活力与物理特性的相关性，并计算出高活力种子的物理参数，根据所得参数精选出黄芩种子并进行试验验证。结果表明，黄芩幼苗苗长、鲜重与种子H值、宽度、长度、投影面积均呈极显著相关；经计算得出，按H≤100、宽度gt;1.50 mm、长度gt;1.90 mm、投影面积gt;300像素对黄芩种子进行精选，可不同程度的提高种子发芽率及简易活力指数；验证试验结果表明，按以上参数精选后的黄芩种子发芽率分别由原始的62.0%提高到73.0%、78.5%、76.0%、75.8%，简易活力指数分别由原始的0.010 4提高到0.014 7、0.016 1、0.014 8、0.015 7。该研究表明，可通过机器视觉技术精选黄芩种子，从而提高种子活力，该批黄芩种子适宜的精选参数为H≤100、宽度gt;1.50 mm、长度gt;1.90 mm、投影面积gt;300像素。

黄芩； 种子活力； 物理特性； 机器视觉技术； 精选

黄芩(ScutellariabaicalensisGeorgi)为唇形科黄芩属植物，有清热燥湿、泻火解毒、止血、安胎的功效[1]，是我国常用的大宗道地药材之一。近年来，人们对黄芩的需求量大增，然而由于种子混杂等因素，黄芩品质退化的问题也日益显现[2]。然而，目前我国对于黄芩等药用植物种子的精选效果并不能满足市场对药用植物种子质量的精细化要求，对黄芩的研究也主要集中在药用价值以及资源调查，关于黄芩种子精选的研究尚未见报道。通过机器视觉技术精选出高活力种子对黄芩的生产具有重要意义。

由于遗传特性、环境等多种因素影响，不同作物、品种、批次间的种子在物理特性方面均存在差异。研究发现，小麦、棉花、高粱、甘蓝等多种作物的物理特性均与种子活力呈极显著相关[3-7]。机器视觉技术可快速无损的提取种子的物理特性，因此在农作物种子精选中具有广泛的应用前景。机器视觉技术是近几十年来发展起来的一门涉及到人工智能、计算机科学、图像处理、模式识别等多个领域的智能技术，能提高农业生产的自动化水平，解放劳动力，已逐渐渗透到农业生产的各个领域[8-10]。机器视觉技术能对籽棉[11]、水稻[12]、油菜种子[13]、土豆[14-15]、棉花[16]、苹果[17]、柑橘[18]、板栗[19]和花菇[20]等广泛的农作物进行快速的质量检验、分级，对实现种子精选的自动化和精准化也具有重要的意义，通过利用机器视觉模拟人的视觉功能，获取图像，再对图像信息进行数字化处理，获取到种子的物理指标，然后根据这些指标与种子活力的相关性分析，确定出种子精选时的相关参数。Shearer S. A.等采用机器视觉技术根据颜色对圆椒进行快速的品质分级，正确率可达96%[21]。陈兵旗等发现，采用计算机视觉技术识别水稻种子的尺寸参数，可判断水稻是否霉变[22]，为水稻的精选提供参考。

本研究利用种子形态自动化识别软件提取黄芩种子的相关物理特性，通过单粒种子萌发试验获取黄芩种子活力指标，对种子的物理特性与种子活力进行相关性分析，确定高活力种子物理参数所在的区间。再根据所得出的精选参数精选黄芩种子，以未精选的种子为对照，通过群体发芽试验进行结果验证，以期为黄芩高活力种子的精选提供理论参考。

1 材料与方法

1.1 试验材料

黄芩种子，2014年收获，由北京市农业技术推广站提供。

图1 黄芩种子去背景图

图2 种子形态自动化识别软件识别种子并提取特征参数

1.2 仪器设备及工具软件

Uniscan D 6810型扫描仪，清华紫光股份有限公司；BSA 124S-CW型分析天平，赛多利斯科学仪器(北京)有限公司；Photoshop CS 5；种子形态自动化识别软件(Seed Identification软件是本实验室自主开发的一款自动化记录种子属性的种子识别软件)；Excel 2007；IBM SPSS Statistics 17.0。

1.3 试验方法

1.3.1 图像扫描

随机选取400粒黄芩种子，按每行20粒，共20行的标准整齐摆放在清华紫光D 6810型扫描仪上，背景颜色调为白色，分辨率设置为300 dpi，图片保存为.png格式。扫描后每粒种子单独标记存放。

1.3.2 图像预处理

为了确保Seed Identification能更精确的识别种子，需在Photoshop CS 5中打开图片，通过调节参数，使魔术棒工具能精确地选定种子以外的部分，并将其填充为白色，图片保存为.png格式(图1)。

1.3.3 特征参数的提取

在Seed Identification软件中打开预处理后的图片，设置取样大小为9×9，像素大小为20～5 000，字体大小12，字体偏移量20×30(图2)。点击识别键测定出每粒种子的RGB、HSB、Lab、灰度、长度、宽度、投影面积值，导出并保存到Excel工作表中。

RGB值：红色、绿色和蓝色3种基色，每个色阶值是从0(黑色)到255(白色)的亮度值。

HSB值：色相代表不同波长的光谱值，范围为0～360，其中0和360为红色，每隔60依次为黄色、绿色、青色、蓝色、品红色；饱和度代表颜色的深浅，取值范围为0～100；亮度代表颜色的明暗程度，取值范围为0～100。

Lab值：L为亮度，取值范围是0(黑色)～100(白色)；a表示从红色到绿色的范围，b表示从蓝色到黄色的范围，a和b的取值范围均为-120～120。

灰度值：图像每个像素的灰度值为0～255之间的亮度值，也可以用黑色油墨覆盖的百分比(0%～100%)来表示。

1.3.4 发芽试验

将黄芩种子用1%的次氯酸钠溶液消毒10 min，并用蒸馏水洗涤3次，按顺序摆放在发芽纸上，采用垂直玻璃板发芽方法，将种子置于25 ℃的光照培养箱(型号：LRH-250-H)内进行单粒种子萌发试验。以胚根突破种皮2 mm为发芽标准，记录种子DAP(days after planting)，直到第15天测量每株幼苗的苗长和鲜重，并计算其简易活力指数。简易活力指数=G×S，式中：G为发芽率，S为幼苗鲜重(g)。

1.3.5 数据处理

通过Excel 2007和SPSS 17.0软件，运用单因素方差分析和相关性分析对黄芩种子的物理指标和发芽参数进行分析，确定出适宜的精选参数。

1.3.6 验证试验

根据上述试验所确定出的精选参数，通过机器视觉技术从同一批次的黄芩种子中精选出适宜参数的种子分组进行验证试验，每个重复100粒种子，4次重复，以原始种子为对照，在相同发芽条件下进行垂直玻璃板发芽试验。记录种子DAP(days after planting)，直到第15天从每个重复中选取最健壮的幼苗20株测定幼苗素质，比较不同指标精选后黄芩种子的活力差异。

2 结果与分析

2.1 黄芩种子活力与物理指标间的相关性分析

采用发芽第15天的苗长和苗鲜重作为黄芩种子活力指标，对400粒黄芩种子活力指标与物理指标间的相关性进行了分析。从表1可以看出：幼苗苗长、鲜重与种子H值、宽度、长度、投影面积呈极显著相关。H值、宽度、长度、投影面积的变异系数分别为1.28、0.1、0.1、0.17。种子活力与物理指标间相关性越高，种子批内该物理指标的变异程度越大，说明使用这一指标对种子进行精选的意义就越大。结合相关系数和变异系数的大小综合分析得到，H值、宽度、长度和投影面积可用于黄芩种子活力的分选。

表1 黄芩种子活力指标与物理指标间相关性分析

物理指标N极小值极大值变异系数与苗长的相关系数与鲜重的相关系数R40042760．090．014-0．077G40041710．090．023-0．068B(RGB)40042710．080．015-0．088H40003451．28-0．145∗∗-0．193∗∗S4000201．05-0．072-0．110∗B(HSB)40016300．090．005-0．096L40017300．100．012-0．086a400-23-6．56-0．065-0．071b400-362．010．0080．035灰度(%)40041710．090．024-0．066宽度(mm)400120．10．282∗∗0．329∗∗长度(mm)400120．10．269∗∗0．315∗∗投影面积(像素)4001775060．170．310∗∗0．363∗∗

注：“*”表示0.05水平显著相关，“**”表示0.01水平极显著相关。

2.2 黄芩种子精选指标区间的选择

基于表1中筛选出的物理指标，按H值、宽度、长度和投影面积分别对黄芩种子进行分选，将种子分为4组，从表2可以看出，随着黄芩种子宽度、长度、投影面积的增加，H值的减小，幼苗的鲜重、苗长和简易活力指数逐渐增加。按H≤100、宽度gt;1.50 mm、长度gt;1.90 mm、投影面积gt;300像素对黄芩种子进行精选，发芽率可由原来的74.3%分别提高到77.6%、78.2%、80.9%、79.6%，简易活力指数可由原来的0.006 8分别提高到0.007 5、0.008 2、0.008 7、0.008 4，苗长、鲜重也均可达到不同程度的提高。因此认为通过H值、宽度、长度、投影面积来对黄芩种子进行精选分级是可行的。

2.3 验证试验结果

根据表1、表2的结果，随机选取同一批次的黄芩种子，分别按H≤100、宽度gt;1.50 mm、长度gt;1.90 mm、投影面积gt;300像素对种子进行精选，每一指标精选400粒，以未精选的黄芩种子为对照，相同条件下进行发芽试验。从表3可以看出，经过H值、宽度、长度、投影面积精选后的黄芩种子活力均显著高于未精选的黄芩种子，其中发芽率分别由原来的62.0%提高到73.0%、78.5%、76.0%、75.8%，简易活力指数分别由原来的0.010 4提高到0.014 7、0.016 1、0.014 8、0.015 7，表明该批黄芩种子按这些参数进行精选能取得较好的精选效果。

表2 黄芩种子精选指标的分组比较结果

精选指标区间获选率(%)发芽率(%)苗长(cm)鲜重(g)简易活力指数ck——74．30．410．00920．0068≤5047．577．00．490．01010．0078H51～10037．778．30．360．00910．0072101～2005．768．00．480．00840．0057>2009．457．10．230．00630．0036≤100精选85．177．60．430．00970．0075≤1．201．340．00．010．00210．0009宽度(mm)1．21～1．5028．067．50．250．00690．00471．51～1．8065．178．00．480．01040．0081>1．805．881．00．690．01180．0095>1．50精选70．878．20．500．01050．0082≤1．708．750．00．060．00410．0020长度(mm)1．71～1．808．768．40．310．00740．00501．81～1．9011．168．80．270．00740．0051>1．9071．380．90．520．01080．0087>1．90精选71．380．90．520．01080．0087≤30018．556．70．150．00530．0030投影面积(像素)301～35038．881．60．410．00960．0078351～40031．479．50．590．01130．0090>40011．173．30．500．01100．0081>300精选81．579．60．490．01050．0084

表3 不同精选指标的分组比较结果

精选指标发芽率(%)苗长(cm)鲜重(g)简易活力指数ck62．0b1．16c0．0167b0．0104bH73．0a1．82ab0．0202a0．0147a宽度(mm)78．5a1．58b0．0205a0．0161a长度(mm)76．0a1．58b0．0195a0．0148a投影面积(像素)75．8a2．01a0．0207a0．0157a

注：不同小写字母表示各处理间在0.05 水平有显著差异。

3 结论与讨论

黄芩种子作为重要的农业生产资料，其活力的高低直接影响到黄芩药材的产量和质量。种子精选可以通过剔除混入的异作物和异品种种子、不饱满的、虫蛀以及劣变的种子，从而提高种子的利用率和精度，即提高纯度、发芽率和种子活力等[23]。适宜的精选方式可最大限度地降低黄芩种子损失，提高好种子获选率，从而增加其经济效益。

机器视觉技术可快速无损的提取种子的物理特性，对实现种子精选的自动化与精准化有重要的意义。近年来，有关机器视觉技术分选农业物料的研究已见报道，通过机器视觉技术精选种子也成为了种子加工领域的热点，彭江南等通过种子形态自动化识别软件在脱绒棉种中的应用发现，按Rlt;90对种子进行精选，发芽率可由原来的89%提高到96.1%[24]。贾佳等通过机器视觉技术发现，小麦幼苗鲜重和简易活力指数随着种子投影面积、宽度和长度的增加而增加[25]。本研究结果表明，黄芩幼苗苗长、鲜重与种子H值、宽度、长度、投影面积呈极显著相关。按H≤100、宽度gt;1.50 mm、长度gt;1.90 mm、投影面积gt;300像素对黄芩种子进行精选，可将发芽率由原来的74.3%提高到77.6%、78.2%、80.9%、79.6%。根据所得的参数精选出黄芩种子并进行试验验证发现，种子发芽率由原来的62.0%分别提高到73.0%、78.5%、76.0%、75.8%，简易活力指数分别由原来的0.010 4提高到0.014 7、0.016 1、0.014 8、0.015 7。由于本研究中验证试验进行的时间较晚，经过一段时间的贮藏，该批次黄芩种子活力已经有所下降，导致验证试验中的对照组与单粒萌发试验中的对照组(ck)发芽率有所差异。本研究结果表明，该批次黄芩种子按H≤100、宽度gt;1.50 mm、长度gt;1.90 mm、投影面积gt;300像素进行精选能取得较好的精选效果。现代农业日益普遍地应用机械学、电学、光学等各种技术，对物理特性和相关技术的研究对提高我国农业现代化水平有极大的推动作用[26]。以黄芩为代表的药用植物的种子活力是提高中药产品产量、品质的基础，也是促进农业生产发展的重要保证[27]。国内种子加工行业应加强在药用植物种子加工方面的相关研究，提前分析出特定批次种子最适宜的加工工艺和加工参数，提高种子品质，增加其经济效益。

[1]国家药典委员会.中华人民共和国药典(2010年版1部)[M].北京:中国医药科技出版社,2010.

[2]王兰珍,刘勇.黄芩种质资源及培育技术研究进展[J].北京林业大学学报,2007(2):138-146.

[3]贾佳,王建华,谢宗铭,等.小麦种子物理参数和萌发阶段抗旱性关系的研究[J].麦类作物学报,2014(12):1 661-1 666.

[4]姜朋,李斯深,马鸿翔,等.利用小麦重组自交系群体进行籽粒性状与种子活力相关关系研究[J].江西农业学报,2013(11):43-46.

[5]周桃华,蔡以纯,吴宁,等.棉花种子物理特性与种子活力的关系[J].安徽农学院学报,1992(4):279-284.

[6]杨延兵,于金友,张华文,等.常温种质库贮存高粱种子生活力及籽粒性状相关分析[J].华北农学报,2009(S 1):58-61.

[7]李贺勤,张文健,江绪文,等.种子大小和种皮颜色对甘蓝种子活力的影响[J].种子,2013,32(10):46-49.

[8]成芳,应义斌.机器视觉技术在农作物种子质量检验中的应用研究进展[J].农业工程学报,2001(6):175-179.

[9]冀荣华,祁力钧,傅泽田.机器视觉技术在精细农业中的研究进展[J].农机化研究,2007(11):1-5.

[10]孙群,王庆,薛卫青,等.无损检测技术在种子质量检验上的应用研究进展[J].中国农业大学学报,2012(3):1-6.

[11]王玲,姬长英,陈兵林,等.基于机器视觉技术的田间籽棉品级抽样分级模型研究[J].中国农业科学,2007(4):704-711.

[12]Cheng Fang,Ying Yi-bin.Machine vision inspection of rice seed based on Hough transform[J].Journal of Zhejiang University Science,2004,56.

[13]张学昆,潘中涛,谌利,等.计算机图像识别鉴定油菜种子颜色[J].中国油料作物学报,2006(1):11-15.

[14]Navid Razmjooy,B.Somayeh Mousavi,F.Soleymani.A real-time mathematical computer method for potato inspection using machine vision[J].Computers and Mathematics with Applications,2011:631.

[15]孔彦龙,高晓阳,李红玲,等.基于机器视觉的马铃薯质量和形状分选方法[J].农业工程学报,2012,28(17):143-148.

[16]P.Tantaswadi,J.Vilainatre,N.Tamaree,et al.Machine vision for automated visual inspection of cotton quality in textile industries using color isodiscrimination contour[J].Computers amp; Industrial Engineering,1999:371.

[17]J Blasco,N Aleixos,E Moltó.Machine vision system for automatic quality grading of fruit[J].Biosystems Engineering,2003,854.

[18]应义斌,饶秀勤,马俊福.柑橘成熟度机器视觉无损检测方法研究[J].农业工程学报,2004,20(2):144-147.

[19]展慧,李小昱,王为,等.基于机器视觉的板栗分级检测方法[J].农业工程学报,2010,26(4):327-331.

[20]陈红,夏青,左婷,等.基于机器视觉的花菇分选技术[J].农业机械学报,2014,45(1):281-287.

[21]Shearer S A,Payne F A.Color and defect sorting of bell peppers using machine vision[J].Transactions of the American Society of Agricultural Engineers,1990,33(6):2 045-2 050.

[22]陈兵旗,孙旭东,韩旭,等.基于机器视觉的水稻种子精选技术[J].农业机械学报,2010,41(7):168-173,180.

[23]孙群,胡晋,孙庆泉.种子加工与贮藏[M].北京:高等教育出版社,2008.

[24]彭江南,谢宗铭,杨丽明,等.基于Seed Identification软件的棉籽机器视觉快速精选[J].农业工程学报,2013,29(23):147-152.

[25]贾佳,王建华,谢宗铭,等.计算机图像识别技术在小麦种子精选中的应用[J].中国农业大学学报,2014,19(5):180-186.

[26]崔清亮,郭玉明.农业物料物理特性的研究及其应用进展[J].农业现代化研究,2007,28(1):124-127.

[27]李秀凤,葛淑俊,王静华.药用植物种子标准化研究进展[J].中草药,2009,40(5):840-843.

(本栏目责任编辑：曾 勇)

ScutellariabaicalensisGeorgi Seeds Selection Based on Machine Vision

YEFenglin1,LILin2,YANGLiming3,WANGJianhua1,SUNQun1

2016-06-25

叶凤林(1993—)，女，湖南邵东人；在读硕士研究生，主要从事种子加工检验研究；E-mail:yefenglincau@126.com。

孙 群，女，山东莱阳人；副教授，博士生导师，主要从事种子加工检验研究。

10.16590/j.cnki.1001-4705.2016.11.100

S 567

A

1001-4705(2016)11-0100-05