基于图像分割的甘薯抗褐变种质资源的快速鉴定

2023-07-14高燕萍何培文吕尊富徐锡明庞林江陆国权

中国农业大学学报 2023年7期

高燕萍何培文吕尊富崔鹏徐锡明庞林江陆国权*

(1.浙江农林大学现代农学院/浙江省农产品品质改良重点实验室,杭州 311300;2.浙江农林大学薯类作物研究所,杭州 311300)

甘薯(Ipomoeabatatas(L.) Lam),旋花科甘薯属植物,俗称红薯,是我国重要的粮食作物[1]。我国的甘薯年产量约4 900万t,占世界甘薯总产量的54.97%,居世界首位[2]。甘薯的营养价值丰富,其加工产品红薯干、红薯淀粉、红薯片和红薯粉丝等也备受市场青睐。

但作为食品加工原料的甘薯,在运输、贮藏和生产加工中,褐变的现象时常发生[3]。褐变包括酶促褐变和非酶褐变[3]。酶促褐变是指在有氧条件下,酚酶催化酚类物质形成醌及其聚合物的过程。已有研究表明,果蔬的褐变主要为酶促褐变,正常情况下,这些酚酶与酚类化合物被生物膜分离,但当有机体受损,导致细胞破裂时,酚酶与其底物酚类化合物接触,就容易被氧化,产生醌类物质,醌类物质进一步与细胞中氨基酸和蛋白质等发生聚合反应,产生有色物质,这些物质沉积在组织表面,就导致了组织表面变色[4-5]。农产品遭受逆境胁迫或者收获、运输、加工过程中无法避免的损伤,从而导致受损组织发生酶促褐变,造成营养及整体品质下降[6]。甘薯块根在加工过程中,切口处易发生褐变,颜色加深使其观感变差,营养价值降低,制约了鲜切甘薯产业的发展[7]。酶促褐变对甘薯的生产和加工具有不可忽视的影响,因此,对甘薯种质进行鉴定和筛选具有重要意义。

近年来,已有很多应用图像分割技术对农产品图像提取、农业病害等定量分析的研究。通过颜色图像进行分割,首先要选用合适的颜色空间,其次选择合适的计算方法。常用的颜色空间有CMY、RGB、HSV、Lab和NTSC[8]。阈值分割的常用方法有直方图凹面分析法[9]、最大类间方差法(OTSU)[10]、边缘检测[11]和熵方法[10]等。Zhang等[12]开发了一种基于图像处理技术的自动方法,能够准确地识别出小麦的叶锈病和棕褐斑病等病害。Vural等[13]使用半分割自动算法,开发了一种快速检测薯片加工过程中丙烯酰胺含量的方法。在马铃薯上,已有基于计算机视觉进行病害识别[14]、芽眼分割[15]等方面的研究。目前,计算机算法在甘薯褐变鉴定方面的研究鲜见报道。本研究利用98份甘薯材料,拟采用计算机分割算法将甘薯按薯肉色分类,并计算不同类型甘薯褐变颜色区域面积,最后计算褐变面积占甘薯图像整体的比重,结合方差分析探究品种间褐变差异显著性,旨在快速判断甘薯种质的抗褐变能力,以期为甘薯种质的抗褐变能力鉴定提供参考。

1 材料与方法

1.1 试验材料

从全国引种的98份甘薯品种(系)(表1),各品种均在浙江农林大学板桥基地(119.80° E,30.18° N)种植。种植采用单行高垄方式[16],本研究于2021年6月16日种植,每个品种扦插10株,随机排列,同年11月2日收获甘薯块根。

表1 供试甘薯98份品种(系)Table 1 98 tasted sweetpotato varieties (lines)

1.2 图像获取

挑选长势均匀、无明显损伤、大小相近的薯块,洗净后选取薯块中部横切出0.5 cm的薄片,重复3次。甘薯切片后放入光源固定的拍摄设备内,立即拍摄图片,作为对照组A组。参照袁洁等[17]的方法,A组拍摄完成后立即将每个品种的切片分别用0.05 mol/L的FeCl3浸泡1 h,然后用蒸馏水冲去表面溶液,吸干水分后拍摄图片,为B组,14 d内完成图像获取工作。

1.3 试验流程

试验流程如图1所示。

图1 试验流程Fig.1 Test process

1.4 分割图像方法

将甘薯的完整切片图像的背景去除,按色泽分类,将褐变的甘薯图像中褐变的部分分割出来,计算分割出来的褐变面积占甘薯完整切片的面积比。针对A组处理,以甘薯品种‘运薯655’为例,首先通过MATLAB R2018b中imread函数读取图片(图2(a)),用rgb2 gray函数将图像转化为灰度函数图像(图2(b)),利用imnoise和medifilt2函数对图像进行中值滤波平滑处理后(图2(c)),再用im2bw函数对图像二值化处理,就能得到甘薯切片部位为1,背景为0的二值矩阵(图2(d)),最后使用imfill函数填充轮廓内区域,得到背景为0,切片部分数值不变的图像矩阵(图2(e))。

图2 甘薯切片背景分割过程Fig.2 Segmentation process of background of sweetpotato slice image

1.4.1聚类分析分类品种

得到背景为0的图像后,可以读取图像的各像素点的R(Red)、G(Green)、B(Blue)数据,并计算平均值,利用rgb2lab函数,同理可得Lab各分量平均值。

对比RGB颜色空间,利用Lab颜色通道对甘薯切片图像(A组)进行k-means聚类分析[18]。

1.4.2欧氏距离分割褐变色

分别提取有代表性的甘薯褐变样本,利用MATLAB中ROI函数选择多边形样本,提取它们的R、G、B颜色特征值,通过提取样本的平均颜色估计,就能完成对原图像的目标分割。针对褐变后的甘薯图像,以B组‘运薯655’为例(图3),其中图3 (a)为原始图像,进行与A组相同的分割背景处理后,选取具有代表性褐变特征的多边形样本区域(图3(b)),设置不同程度的阈值(图3(c)～图3(e)),利用欧氏距离分割图像,多次尝试后选择合适阈值(6T)分割的图像与原始图像叠加(图3(f)),可观测分割的相似度与一致性,确定最合适的阈值。通过图像分析程序,计算出甘薯褐色面积的颜色占比,即分割出来的棕黄色区域的面积占原始图的面积比值,最终实现RGB向量空间分割甘薯切片图像判断褐变程度的定量分析。

图3 欧氏距离分割甘薯图像过程Fig.3 Sweetpotato images segmentation process by Euclidean distance

2 结果与分析

2.1 聚类分析结果

由图4可知,聚类分析将98份品种(系)分为3类。第一类的薯肉色为白色系,有40个品种;第二类的薯肉色为黄色系,有35个品种;第三类的薯肉色为桔红色系,有23个品种。Lab颜色空间中L是亮度分量,而a和b是颜色分量,当a或b的取值越高则表示红色或黄色的占比率越高,取值越低则代表绿色或蓝色的占比率更多[19]。3个类型的差异主要体现在b分量上。白色系甘薯薯肉的黄色占比率最低,b在1.83～19.65,黄色系b为20.17～37.90,桔红色系b为24.99～38.88;L的3个类型间无明显分布规律,总体范围在60.99～48.03;由于桔红色系甘薯薯肉红色占比率高,其a在11.66～30.27,而另外2个类型范围则为-6.27～10.79。

图4 98份甘薯品种(系)的薯肉色统计结果聚类分析Fig.4 Cluster analysis of the statistical results of flesh color of 98 sweetpotato varieties (lines)

2.2 褐变级别排名

由表2和图5可知,‘鄂菜薯2号’褐变面积占比显著高于其他品种,对比图像发现其含有少量的花青素而偏浅紫色,但薯肉主色依旧为白色系,紫色与提取褐变模板ROI的RGB色彩接近导致其褐变面积占比偏高,并发现‘澳洲紫白’与‘浙薯15’的情况相同,针对此类含有少量花青素的品种,不适用此方法对比褐变度。但‘浙薯15’在含有少量花青素的情况下其褐变面积占比仍较低,说明其是抗褐变能力强的品种。‘南薯99’是白肉系甘薯中褐变最为严重的品种,它的褐变面积占比为2.04%,与‘浙薯27’无显著差异。‘紫云薯’、‘川薯231’、‘川薯218’、‘龙薯14’、‘遗字135’、‘漯徐薯9号’、‘龙薯10号’、‘红东’是褐变面积占比最少的品种,分别为0.12%、0.14%、0.15%、0.22%、0.24%、0.34%、0.36%、0.39%,这8个品种间无显著差异。

表2 白肉系甘薯品种(系)褐变面积占比Table 2 Percentage of browning area of white tone flesh sweetpotato varieties (lines) %

由表3和图6可知,‘腾飞’的褐变面积占比显著高于其他黄肉系品种,分割面积占比为1.63%,薯皮内一圈颜色加深,薯皮与薯肉都分布着大量的褐变点。褐变程度越大的品种,其薯皮与薯肉间隙的褐变程度越高。褐变程度最低的‘龙薯21’、‘齐宁31号’和‘冀菜薯7号’的褐变面积占比分别为0.03%、0.05%和0.06%,显著低于其他品种,但这3个品种间差异不显著。‘高系14’、‘赣薯8号’、‘心香’、‘浙薯259’和‘齐宁26号’的褐变程度较高,属于易褐变的品种。‘苏薯14’的薯肉部分几乎没有褐变,但薯皮部分的色泽却很深。

图6 黄肉系甘薯品种(系)的褐变前后的表型Fig.6 Before and after browning phenotype of yellow tone flesh sweetpotato varieties (lines)

表3 黄肉系甘薯品种(系)褐变面积占比Table 3 Percentage of browning area of yellow tone flesh sweetpotato varieties (lines) %

由表4和图7可知,‘金薯69’的褐变面积占比仅为0.01%。‘泰薯14’、‘川薯20’和‘运薯655’也是褐变程度较低的品种,4个品种间差异不显著。‘郑薯20’、‘济薯34’、‘烟薯25’和‘黔薯15号’的褐变程度显著高于其他品种。‘郑薯20’的褐变面积占比最高,为1.90%,与‘济薯34’无显著差异,但观察对应图像发现这2个品种的褐变特征在皮部表现更密集,可能是由于褐变部分颜色深导致分割面积比较高。并且桔红色系甘薯中的部分品种如‘金薯69’、‘郑红163’、‘万薯10号’、‘浙薯32’等薯皮色呈黄色,所以在对比品种抗褐变的能力时要注意不均匀的薯肉色带来的试验误差。桔红肉系甘薯品种中‘浙薯86’切面有一圈环状区域呈现为紫色,针对此类受花青素影响褐变分割面积结果的品种,在本试验中其褐变程度不具备参考价值。

图7 桔红肉系甘薯品种(系)的褐变前后的表型Fig.7 Before and after browning phenotype of orange tone flesh sweetpotato varieties (lines)

表4 桔红肉系甘薯品种(系)褐变面积占比Table 4 Percentage of browning area of orange tone flesh sweetpotato varieties (lines) %

3 讨论

与传统的人工判断褐变级别[20]和利用色差仪[21]测定褐化指数相比,MATLAB分辨率高,理论上结果更加准确,且计算功能强大,调用函数可以快速解决问题。已有相关褐变研究主要集中在测定褐变度[17]、与褐变相关的酶类[22]、底物[23]等多种指标,但这些方法耗时、没有代表性指标,并且需要进行一定的统计学分析运算。此图像分析方法利用Lab颜色空间,通过聚类分析将大量品种分组,相对RGB空间,能更准确地表现图像色彩的细节,通过Lab空间处理的图像在色彩还原方面更符合肉眼判断的直观标准[24],本试验的结果与肉眼观察的一致,相比肉眼鉴定更为准确可靠。并且计算单个褐变面积占比的时长约为4 s,速度较快,可进行大批量的自动运算。分割结果具有较高的可重复性,本试验选取了不同的ROI样本重复计算,品种间排名总体趋势一致。需要注意的是,对于阈值的选择是极为重要的,ROI的样本和范围不同,阈值的选择则不同。如果阈值不合适,就会导致分割的程度不够或者过度。因此,不同薯肉色的品种无法使用相同的ROI样本以及阈值比较褐变能力。

‘金薯69’是本研究发现的优质抗褐变甘薯品种,有望作为甘薯抗褐变的育种材料。已有研究发现,针对不同品种甘薯,薯皮和薯肉褐变程度有显著差异,这与钟子毓等[25]、王礼群等[26]的研究结果一致,多数薯皮的褐变程度更为严重,并且色泽更暗,可能是运输过程中产生的机械损伤对皮部的伤害更严重造成的[27],后续应进一步研究机械损伤对甘薯抗褐变能力的影响。相对于白肉系和黄肉系品种,桔红肉系甘薯的薯皮和薯肉间间隙较小,薯皮下形成层的褐变程度也更小,若能结合较完善的甘薯机械去皮流程,就能扩大鲜切甘薯的市场前景。薯肉色为特殊花色的品种,不可用本研究方法判断其抗褐变的能力。因此,在本研究的基础上,可以进一步调整分割算法,确定各区域的明显界限,细化分离薯皮、薯肉(或不同颜色的薯肉),以及在生产上控制光照条件减少试验误差等提升准确度及效率的方法。