徐勝勇　彭程里　陳　可　王令強(qiáng)　任喜峰　段宏兵

(1.華中農(nóng)業(yè)大學(xué)工學(xué)院， 武漢 430070； 2.農(nóng)業(yè)部長(zhǎng)江中下游農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室， 武漢 430070；.華中農(nóng)業(yè)大學(xué)植物科學(xué)技術(shù)學(xué)院， 武漢 430070)

0　引言

作物秸稈是一種重要的可供開(kāi)發(fā)利用的生物質(zhì)資源，其綜合利用對(duì)穩(wěn)定農(nóng)業(yè)生態(tài)平衡、促進(jìn)農(nóng)民增產(chǎn)增收、緩解能源與環(huán)境壓力具有重要作用[1]。秸稈理化結(jié)構(gòu)特性不僅與倒伏性能及其綜合利用有關(guān)，而且其維管束系統(tǒng)擔(dān)負(fù)輸送水分、無(wú)機(jī)鹽和有機(jī)養(yǎng)料的重要作用，是影響產(chǎn)量、品質(zhì)和養(yǎng)分利用效率等重要的農(nóng)藝性狀[2]。作物秸稈的力學(xué)特性與其微觀結(jié)構(gòu)密切相關(guān)。王庭杰等[3]認(rèn)為影響玉米莖稈抗壓強(qiáng)度的主要因素為厚壁/半徑、機(jī)械組織比例、維管束個(gè)數(shù)等。劉唐興等[1]分析的結(jié)果表明莖稈的木質(zhì)部、皮層和維管束對(duì)莖稈抗倒性有重要影響。陳桂華等[4]研究結(jié)果表明，水稻單莖抗推力和莖粗、大維管束數(shù)目及小維管束數(shù)目呈顯著正相關(guān)。趙春花等[5]分析牧草莖稈力學(xué)性能與顯微結(jié)構(gòu)的相互關(guān)系，發(fā)現(xiàn)牧草莖稈的強(qiáng)度和剛度主要取決于各自機(jī)械組織的厚度、維管束的數(shù)量以及各組織及其細(xì)胞之間的連接形式和連接強(qiáng)度。ZHANG等[6]對(duì)番茄植物莖的微觀結(jié)構(gòu)進(jìn)行觀察和分析，發(fā)現(xiàn)其微結(jié)構(gòu)主要由表皮、皮質(zhì)、維管束和髓腔等組成，并測(cè)試分析了莖部不同部位的水分、拉伸和剪切機(jī)械性能。姚金保等[7]發(fā)現(xiàn)小麥秸稈的力學(xué)特性和抗倒性與其機(jī)械組織細(xì)胞層數(shù)和厚度、維管束數(shù)目和面積以及髓腔大小密切相關(guān)。對(duì)秸稈微觀結(jié)構(gòu)的精確測(cè)量，可為深入分析作物秸稈力學(xué)性能與顯微結(jié)構(gòu)的相互關(guān)系，進(jìn)而指導(dǎo)強(qiáng)抗倒性品種的選育以及設(shè)計(jì)開(kāi)發(fā)新機(jī)具、新工藝提供理論依據(jù)。

當(dāng)前，在農(nóng)業(yè)領(lǐng)域使用顯微成像與分析技術(shù)研究微觀結(jié)構(gòu)已成為趨勢(shì)，常用的成像技術(shù)包括：掃描電子顯微鏡(SEM)圖像[8-9]；核磁共振成像(MRI)[10]；X射線微計(jì)算機(jī)斷層掃描(CT)[11-13]；光學(xué)顯微鏡成像[14-16]。

光學(xué)顯微鏡和數(shù)碼成像裝置構(gòu)成的顯微鏡成像系統(tǒng)，操作方便、直觀、檢定效率高，同時(shí)適用范圍非常廣泛，配以測(cè)量軟件可以構(gòu)建高通量的顯微圖像分析系統(tǒng)[17-22]。光學(xué)顯微圖像分析系統(tǒng)的研究為農(nóng)業(yè)領(lǐng)域的微觀結(jié)構(gòu)觀測(cè)開(kāi)啟了新途徑。

人工測(cè)量作物秸稈微觀結(jié)構(gòu)的方式費(fèi)時(shí)費(fèi)力，嚴(yán)重制約了相關(guān)研究的深入開(kāi)展，急需高通量、高精度的自動(dòng)化分析系統(tǒng)。徐勝勇等[2]研究了一種小麥秸稈截面顯微結(jié)構(gòu)測(cè)量系統(tǒng)，可以精確地測(cè)量高質(zhì)量小麥莖稈切面顯微圖像中的厚壁厚度、髓腔大小和整體尺寸，并可以識(shí)別維管束的數(shù)量。該測(cè)量系統(tǒng)證明了運(yùn)用顯微圖像處理技術(shù)對(duì)小麥秸稈的微觀性狀參數(shù)進(jìn)行分析和測(cè)量是高效可行的方法。秸稈標(biāo)本顯微圖像的采集主要包括切片、染色和拍照3個(gè)環(huán)節(jié)，任何一個(gè)環(huán)節(jié)的失誤都將導(dǎo)致顯微圖像質(zhì)量下降。針對(duì)文獻(xiàn)[2]的顯微圖像分析系統(tǒng)測(cè)量精度不高，尤其是維管束的識(shí)別較難。本文基于厚壁和維管束在小區(qū)域的灰度特征，研究一種高魯棒性的圖像分析方法，用于精確分割厚壁和維管束并測(cè)量一系列關(guān)鍵參數(shù)。

1　材料和方法

1.1　小麥秸稈截面的顯微圖像采集

2017年5月于華中農(nóng)業(yè)大學(xué)實(shí)驗(yàn)田采集15個(gè)品種的成熟期小麥秸稈，每個(gè)品種取10根秸稈，截取第1節(jié)、第2節(jié)，每節(jié)手工制作2個(gè)切片(厚度約0.02 mm)，共計(jì)600個(gè)切片樣本。先使用5%濃度的對(duì)鉀苯酚-乙醇溶液浸泡1 min、再使用95%的濃鹽酸浸泡1 min，對(duì)切片進(jìn)行染色。清洗染色切片并晾干，置于載玻片上，放置在光學(xué)顯微鏡下觀察和拍照，圖片保存為JPG格式。顯微鏡型號(hào)為Nikon SMZ800，相機(jī)型號(hào)為Nikon DS-Ri 1，圖像分辨率為1 024像素×1 280像素。根據(jù)顯微圖像中的比例尺可以將像素距離轉(zhuǎn)換為物理距離，本文中2個(gè)相鄰像素點(diǎn)的物理距離為1.25 μm。本文算法開(kāi)發(fā)和測(cè)試的平臺(tái)為通用計(jì)算機(jī)(i5 4200M 2.5 GHz、8 GB DDR3內(nèi)存、250 GB三星固態(tài)硬盤、NVIDIA GeForce GT 755M顯卡)、Windows 7專業(yè)版SP1和Matlab 2016a。

1.2　扇環(huán)形分區(qū)域圖像分割方法

成熟期小麥秸稈質(zhì)地堅(jiān)韌、含水率各異，制作標(biāo)本切片時(shí)容易破壞截面的組織結(jié)構(gòu)，染色中藥劑的濃度、浸泡時(shí)間、對(duì)焦和光源都可能導(dǎo)致標(biāo)本圖像質(zhì)量的下降。圖1a為高質(zhì)量的顯微圖像，維管束的內(nèi)部結(jié)構(gòu)清晰可見(jiàn)；圖1b為低質(zhì)量的顯微圖像，刀片造成了一些劃痕，截面的左右兩部分染色不均勻，維管束內(nèi)部結(jié)構(gòu)不可見(jiàn)且曝光過(guò)度。文獻(xiàn)[2]的方法不能測(cè)量圖1b之類的低質(zhì)量顯微圖像，需要研究魯棒性更強(qiáng)的圖像處理算法。

圖1　小麥秸稈截面顯微圖像Fig.1　Wheat stalk micrographs

染色是秸稈中的木質(zhì)素與化學(xué)物質(zhì)發(fā)生化學(xué)反應(yīng)的過(guò)程，木質(zhì)素含量越高，該區(qū)域被染色得越深。在小麥秸稈中，厚壁和維管束的木質(zhì)素含量較高，薄壁組織也含有少量的木質(zhì)素。在染色的秸稈截面顯微圖像中，厚壁和維管束的整體亮度顯著低于相鄰的其他組織。因此，依據(jù)顯微圖像的灰度特性進(jìn)行閾值分割分離出厚壁和維管束區(qū)域是可行的。但如果使用一個(gè)全局閾值，低質(zhì)量的顯微圖像中某些薄壁組織可能被錯(cuò)誤地分割為厚壁或維管束。因此，有必要按照小區(qū)間的灰度特征進(jìn)行閾值分割，以得到精確的分割結(jié)果。

扇環(huán)形分區(qū)域圖像分割方法的整體思路是：將莖稈截面按照一定的規(guī)則劃分為很多小區(qū)域，再對(duì)各小區(qū)域單獨(dú)進(jìn)行閾值分割，最后對(duì)分割結(jié)果進(jìn)一步處理，分離出完整的厚壁和維管束。如圖2所示，小麥秸稈截面的內(nèi)外側(cè)輪廓構(gòu)成了一個(gè)近似的環(huán)形區(qū)域A。先粗略定位厚壁，依據(jù)定位信息從A中劃分出包含有厚壁的環(huán)形區(qū)域A1；再粗略定位維管束，劃分出緊鄰A1內(nèi)側(cè)的包含有維管束的環(huán)形區(qū)域A2。以圓心為端點(diǎn)，對(duì)A的外側(cè)圓周畫射線，射線將A1和A2分割為很多個(gè)扇環(huán)形區(qū)域。其中，厚壁所在的A1區(qū)域被均勻劃分為n份；對(duì)于維管束所在的A2區(qū)域，先對(duì)維管束進(jìn)行粗略定位，再依據(jù)定位信息將A2區(qū)域劃分為m份，每個(gè)子區(qū)域包含1個(gè)或2個(gè)完整的維管束。秸稈截面被劃分為大量的扇環(huán)形區(qū)域之后，對(duì)每個(gè)區(qū)域獨(dú)立進(jìn)行閾值分割，再進(jìn)行拼接等后續(xù)處理，得到完整而精確的厚壁和維管束，繼而以此為基礎(chǔ)精確測(cè)量截面的各種參數(shù)。

圖2　小麥秸稈截面的扇環(huán)形區(qū)域劃分示意圖Fig.2　Sector ring region-based division of wheat stalk micrograph

1.3　厚壁的檢測(cè)

厚壁定位與分割的算法流程和結(jié)果如圖3所示。對(duì)小麥秸稈截面的彩色顯微圖像進(jìn)行灰度化，得到Ig。再使用Otsu算法進(jìn)行閾值分割，得到一幅包含全部染色組織的二值圖像Ib。將該二值圖像反色，再使用形態(tài)學(xué)填充算法填充空洞，得到小麥秸稈截面的整體圖像Iwh。統(tǒng)計(jì)Iwh中白色像素點(diǎn)個(gè)數(shù)Swh，即為截面的像素面積。小麥秸稈截面的外輪廓近似于圓形，可以估計(jì)小麥秸稈截面的整體像素寬度H，計(jì)算公式為

(1)

對(duì)多個(gè)品種大量小麥秸稈樣本的厚壁進(jìn)行測(cè)量，統(tǒng)計(jì)結(jié)果顯示厚壁的厚度均小于0.045H，即厚壁分布于秸稈截面外側(cè)寬度0.045H的圓環(huán)區(qū)間。根據(jù)這個(gè)特性，Iwh減去尺寸為0.045H的圓形結(jié)構(gòu)算子腐蝕一次的Iwh，余下的部分即為厚壁分布的圓環(huán)區(qū)域A1。將A1劃分為n個(gè)扇環(huán)(n為可以被360整除的整數(shù))，在灰度圖像Ig中對(duì)每個(gè)扇環(huán)形小區(qū)域獨(dú)立進(jìn)行閾值分割，合并結(jié)果得到一幅包含厚壁和少量組織粘連的二值圖像。用尺寸為0.045H的圓形結(jié)構(gòu)算子對(duì)該二值圖像進(jìn)行形態(tài)學(xué)“開(kāi)”運(yùn)算以斷開(kāi)粘連，然后檢測(cè)和保留最大連通分量，得到精確的厚壁區(qū)域。此時(shí)，厚壁中還存在有少量的空洞和斷裂，用尺寸為0.01H的圓形結(jié)構(gòu)算子進(jìn)行形態(tài)學(xué)“閉”運(yùn)算，最終得到分割效果良好的厚壁二值圖像Ith。統(tǒng)計(jì)該二值圖像中灰度為255的像素點(diǎn)的數(shù)量，即為厚壁面積Sth。厚壁為近似的圓環(huán)，厚度Hth的計(jì)算公式為

(2)

如果不使用扇環(huán)形分區(qū)域閾值分割方法，則由于厚壁灰度分布的不均勻，將導(dǎo)致較多的分割錯(cuò)誤，如圖3中小圖所示。

1.4　維管束的檢測(cè)

1.4.1維管束分布的圓環(huán)區(qū)域定位

維管束的數(shù)量和面積是秸稈截面參數(shù)測(cè)量中最重要而復(fù)雜的問(wèn)題。本文提出一種迭代腐蝕法定位維管束分布的圓環(huán)區(qū)域A2，再進(jìn)行后續(xù)處理得到維管束區(qū)域。如圖4所示，秸稈截面整體圖像Iwh減去厚壁圖像Ith，得到近似圓形區(qū)域B，該區(qū)域中不包含厚壁。將包含全部染色組織的二值圖像Ib反色，再使用尺寸為0.005H的圓形結(jié)構(gòu)元素先后進(jìn)行形態(tài)學(xué)“閉”運(yùn)算和“開(kāi)”運(yùn)算，以填補(bǔ)圓環(huán)中的孔洞并消除小面積的噪聲，得到二值圖像Ic，其中的圓環(huán)形區(qū)域C包含有厚壁、維管束和薄壁組織。統(tǒng)計(jì)該圖像中灰度255的像素點(diǎn)數(shù)量，即為小麥秸稈截面的面積Sb。維管束就分布于B的外輪廓到C的內(nèi)輪廓之間的環(huán)形區(qū)域。定義一個(gè)尺寸為0.005H的圓形結(jié)構(gòu)元素對(duì)B進(jìn)行t次腐蝕，直到腐蝕結(jié)果與C的交集為空集，此時(shí)對(duì)B腐蝕的結(jié)果為Bt。從B中減去Bt得到圓環(huán)區(qū)域，即為維管束分布的環(huán)形區(qū)域A2。

圖3　厚壁的檢測(cè)流程與結(jié)果Fig.3　Procedures and results of sclerenchyma detection

圖4　迭代腐蝕法定位維管束分布的圓環(huán)形區(qū)域Fig.4　Ring region of all vascular bundles distribution located via iterative-erosion method

1.4.2扇環(huán)形小區(qū)域的劃分

圖5　維管束所屬區(qū)域的扇環(huán)形區(qū)域劃分Fig.5　Ring regions segmentation of vascular bundle

扇環(huán)形小區(qū)域劃分的流程如圖5所示。首先對(duì)原灰度圖像進(jìn)行尺寸0.005H×0.005H的中值濾波以消除孤立的小區(qū)域噪聲，再進(jìn)行尺寸0.02H×0.02H的中值濾波以消除薄壁組織形成的網(wǎng)狀條紋并消除維管束內(nèi)部的小孔洞，得到灰度圖像Inw。將均分為k個(gè)扇環(huán)形區(qū)域的A2作為掩膜作用于Inw，計(jì)算每個(gè)小區(qū)域的灰度均值。以逆時(shí)針順序統(tǒng)計(jì)的區(qū)域灰度均值為縱坐標(biāo)，以區(qū)域的序號(hào)k為橫坐標(biāo)，可以構(gòu)建關(guān)于扇環(huán)形分割的扇環(huán)區(qū)域序號(hào)-灰度均值坐標(biāo)系(圖5b)。依次將2個(gè)相鄰的極大灰度均值區(qū)域之間的區(qū)域合并成一個(gè)新的區(qū)域，最終A2被劃分為m個(gè)新區(qū)域(m為灰度均值極大值的個(gè)數(shù))，每個(gè)新區(qū)域?qū)?個(gè)或2個(gè)維管束的全部或絕大部分。

1.4.3扇環(huán)形區(qū)域閾值分割和結(jié)果處理

圖6　維管束區(qū)域圖像分割過(guò)程與結(jié)果Fig.6　Procedures and results of image segmentation of vascular bundle region

扇環(huán)形區(qū)域A2中包含有維管束、薄壁組織和高亮度的背景。如圖6所示，將劃分為m個(gè)扇環(huán)形區(qū)域的A2作為掩膜作用于Inw，對(duì)每個(gè)小區(qū)域都使用Otsu算法進(jìn)行圖像分割，將秸稈截面組織區(qū)域從高亮度的背景中分離出來(lái)；再次使用Otsu算法對(duì)該秸稈截面組織區(qū)域進(jìn)行圖像分割，分離出維管束。合并m個(gè)扇環(huán)形區(qū)域的閾值分割結(jié)果，得到以維管束為主體、包含噪聲的二值圖像。使用半徑為0.01H的圓形結(jié)構(gòu)算子進(jìn)行“開(kāi)”運(yùn)算，消除圖像中的小塊噪聲，并斷開(kāi)維管束上的粘連。再對(duì)每個(gè)連通分量獨(dú)立使用半徑為0.01H的圓形結(jié)構(gòu)算子進(jìn)行“閉”運(yùn)算，以消除維管束中的孔洞和斷裂；再用一個(gè)半徑為0.02H的圓形結(jié)構(gòu)算子做開(kāi)運(yùn)算消除毛刺。統(tǒng)計(jì)全部連通域的面積平均值，剔除小于該均值20%的連通域，保留的結(jié)果即為完整的維管束。最后統(tǒng)計(jì)連通區(qū)域個(gè)數(shù)，即為維管束數(shù)量K；統(tǒng)計(jì)全部連通域的像素點(diǎn)數(shù)量，即為維管束的總面積Sk。相比均勻分區(qū)域閾值分割的方法，本文的分割方法具有更高的精度和穩(wěn)定性，如圖6中小圖所示，分割數(shù)m的取值對(duì)于分割結(jié)果的影響非常顯著，很容易造成誤分割。

2　實(shí)驗(yàn)結(jié)果與分析

2.1　算法性能測(cè)試實(shí)驗(yàn)

為評(píng)價(jià)本文算法的有效性和正確性，測(cè)量了50幅小麥秸稈顯微圖像(高質(zhì)量30幅、中等質(zhì)量15幅和低質(zhì)量5幅)。以人工測(cè)量結(jié)果為真實(shí)值，將本文算法測(cè)量結(jié)果、文獻(xiàn)[2]的測(cè)量結(jié)果與其進(jìn)行比較。比較了截面直徑H、截面面積Sb、厚壁厚度Hth、厚壁面積Sth、維管束面積Sk、維管束數(shù)量K。本文算法的典型參數(shù)為：n=180、k=90，文獻(xiàn)[2]典型參數(shù)為：模板式樣為1、縮放級(jí)數(shù)為7、旋轉(zhuǎn)角度為2°。人工測(cè)量方法為：將一幅顯微圖像復(fù)制多份，使用Windows畫圖工具軟件打開(kāi)。根據(jù)測(cè)量目標(biāo)，人工用畫筆分別在復(fù)制的圖像中標(biāo)注出秸稈截面的外輪廓、內(nèi)輪廓、厚壁區(qū)域和維管束區(qū)域等，刪除目標(biāo)區(qū)域之外的背景，最后統(tǒng)計(jì)目標(biāo)區(qū)域的參數(shù)作為真實(shí)值。使用均方根誤差(RMSE)和平均相對(duì)誤差(MRE)來(lái)描述測(cè)量精度，R2是決定系數(shù)。顯微圖像處理中的度量單位是像素，表1中，截面直徑、截面面積、厚壁厚度、厚壁面積、維管束面積的單位是像素，維管束數(shù)量的單位是個(gè)。實(shí)際應(yīng)用中需要轉(zhuǎn)換為物理尺寸，單位為微米(μm)或平方微米(μm2)，本文實(shí)驗(yàn)得到的尺寸轉(zhuǎn)換因子分別為1.25 μm/pixel和1.56 μm2/pixel。

本文測(cè)量方法結(jié)果：截面直徑的RMSE和MRE分別為6.9像素和0.7%；截面面積的RMSE和MRE分別為11 220.6像素和3.6%；厚壁厚度為0.40像素和1.6%；厚壁面積為1 580.2像素和2.5%；維管束面積為2 873.7像素和5.4%；維管束數(shù)量的均方根誤差為0.39個(gè)，平均相對(duì)誤差為1.1%。實(shí)驗(yàn)結(jié)果表明，本文算法具有很高的測(cè)量精度和穩(wěn)定性。相比文獻(xiàn)[2]，每一種參數(shù)的測(cè)量精度都提高了。尤其是厚壁厚度的檢測(cè)誤差從9.9%降低到了1.6%，這歸因于分區(qū)域閾值分割方法減少了秸稈切片陰影引起的誤差。維管束數(shù)量的識(shí)別率從93.2%提高到了98.9%。分析實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，文獻(xiàn)[2]的方法對(duì)于高質(zhì)量的顯微圖像中維管束的檢測(cè)率達(dá)到100%，但圖像質(zhì)量越差，其檢測(cè)到的維管束數(shù)量越少。這是因?yàn)榈唾|(zhì)量圖像中，維管束的“三眼”結(jié)構(gòu)已完全被破壞，模板匹配的方法已不能正常運(yùn)行。本文算法對(duì)于維管束數(shù)量的檢測(cè)也存在1.1%的誤檢率，當(dāng)相鄰的維管束之間相連的薄壁組織灰度非常近似于維管束時(shí)，2個(gè)維管束會(huì)被檢測(cè)為1個(gè)，造成檢測(cè)數(shù)量比實(shí)際數(shù)量少；當(dāng)染色非常不均勻?qū)е虏糠直”诮M織的灰度值近似于維管束的時(shí)，薄壁組織被錯(cuò)誤判斷為維管束，造成檢測(cè)數(shù)量比實(shí)際數(shù)量多。

表1　測(cè)量結(jié)果精度Tab.1　Measurement result of two methods

2.2　參數(shù)設(shè)置對(duì)算法性能的影響

秸稈截面的扇環(huán)形分區(qū)域圖像分割方法中，扇環(huán)形區(qū)域的劃分方式對(duì)算法的準(zhǔn)確度和速度有直接的影響。隨機(jī)選取了100幅顯微圖像，以最具代表性的厚壁面積、維管束面積和數(shù)量這3個(gè)待檢參數(shù)為例，測(cè)試了參數(shù)設(shè)置的變化對(duì)算法性能的影響。定義圖像分辨率為1 024像素×1 280像素、n=180、k=90時(shí)測(cè)試圖像的算法執(zhí)行時(shí)間平均值為基準(zhǔn)時(shí)間。當(dāng)其他參數(shù)改變時(shí)，算法執(zhí)行時(shí)間均值與基準(zhǔn)值的百分比稱為耗時(shí)比。以下實(shí)驗(yàn)結(jié)果均是在僅改變某一個(gè)參數(shù)、其他參數(shù)不變的條件下獲得的。

2.2.1n對(duì)厚壁面積測(cè)量的影響

當(dāng)n取值為1～360之間可以整除15的整數(shù)時(shí)，統(tǒng)計(jì)本文算法的正確率和耗時(shí)比(基準(zhǔn)時(shí)間為61 s)，結(jié)果如圖7a所示。隨著n的增大，正確率持續(xù)增大，耗時(shí)比與n取值呈現(xiàn)線性增加關(guān)系。當(dāng)n取值大于90時(shí)，正確率穩(wěn)定在98%以上。由此可見(jiàn)，環(huán)形區(qū)域A1的劃分?jǐn)?shù)量越大，灰度不均勻的影響越小，同時(shí)耗時(shí)會(huì)線性增加。

圖7　參數(shù)設(shè)置對(duì)算法性能的影響Fig.7　Effect of parameters setting on performance of algorithm

2.2.2α對(duì)維管束數(shù)量和面積測(cè)量的影響

根據(jù)實(shí)驗(yàn)統(tǒng)計(jì)，一個(gè)維管束所占角度為6°～8°。k的取值從36增加到360，相應(yīng)地扇環(huán)形區(qū)域的角度α從10°遞減到1°(7°因沒(méi)有合適的k值，被排除)，統(tǒng)計(jì)α在該區(qū)間每隔1°的正確率和耗時(shí)比(基準(zhǔn)時(shí)間為49 s)，結(jié)果如圖7b所示。對(duì)于維管束數(shù)量，當(dāng)α取值在2°～8°之間時(shí)，檢測(cè)正確率均超過(guò)98%；當(dāng)α大于9°時(shí)，正確率迅速下降。對(duì)于維管束面積，正確率基本隨著α取值的增大而減??；當(dāng)α大于6°時(shí)，正確率迅速下降。耗時(shí)比與α呈近似的線性關(guān)系，擬合方程為y=-17.73x+180.52，R2=0.891 6。

3　結(jié)束語(yǔ)

針對(duì)小麥秸稈中各組織的結(jié)構(gòu)和顏色特征，設(shè)計(jì)了針對(duì)性的圖像處理算法，實(shí)現(xiàn)了對(duì)截面直徑、截面面積、厚壁厚度、厚壁面積、維管束面積和維管束數(shù)量等關(guān)鍵參數(shù)的精確測(cè)量。使用該算法測(cè)量一幅圖像平均耗時(shí)約110 s，而技術(shù)人員人工測(cè)量一幅圖像平均耗時(shí)超過(guò)600 s，且工作強(qiáng)度非常大。本文提出的扇環(huán)形分區(qū)域分割算法對(duì)于切片、染色和拍攝等環(huán)節(jié)造成的低質(zhì)量顯微圖像具有很好的處理效果。在厚壁的分割中，如需更高的精度，只需提高劃分區(qū)域的數(shù)量，同時(shí)耗時(shí)也線性增加。在維管束的分割中，不能單純地依靠提高劃分區(qū)域的數(shù)量實(shí)現(xiàn)檢測(cè)精度的提升，當(dāng)劃分的扇環(huán)區(qū)域所占角度接近并小于維管束所占角度時(shí)，可以保持高正確率；過(guò)多或過(guò)少的劃分區(qū)域數(shù)量，都會(huì)導(dǎo)致維管束的粗定位信息不準(zhǔn)確，以致于導(dǎo)致后續(xù)處理的錯(cuò)誤。

1劉唐興，官春云，黎移新. 甘藍(lán)型油菜主莖顯微結(jié)構(gòu)與抗倒性關(guān)系的初步研究[J]. 中國(guó)農(nóng)學(xué)通報(bào),2011,27(5): 139-143.

LIU Tangxing,GUAN Chunyun,LI Yixin. Prelimilary study on the relationship between stem microstructure and lodging resistance in rapeseed (BrassicanapusL.)[J].Chinese Agricultural Science Bulletin,2011,27(5):139-143.(in Chinese)

2徐勝勇, 段宏兵, 李東臣,等. 小麥莖稈截面參數(shù)顯微圖像測(cè)量系統(tǒng)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(7): 46-52.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170706&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2017.07.006.

XU Shengyong,DUAN Hongbing, LI Dongchen, et al．Measurement system for parameters of wheat stem section based on microimage processing[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2017,48(7): 46-52.(in Chinese)

3王庭杰，張亮，韓瓊，等.玉米莖稈細(xì)胞壁和組織構(gòu)建對(duì)抗壓強(qiáng)度的影響[J]. 植物科學(xué)學(xué)報(bào),2015,33(1): 109-115.

WANG Tingjie，ZHANG Liang，HAN Qiong，et al. Effects of stalk cell wall and tissue on the compressive strength of maize[J].Plant Science Journal,2015,33(1):109-115.(in Chinese)

4陳桂華，鄧化冰，張桂蓮，等. 水稻莖稈性狀與抗倒性的關(guān)系及配合力分析[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2016, 49(3): 407-417.

CHEN Guihua, DENG Huabing, ZHANG Guilian, et al. The correlation of stem characters and lodging resistance and combining ability analysis in rice[J]. Scientia Agricultura Sinica, 2016, 49(3): 407-417.(in Chinese)

5趙春花，韓正晟，師尚禮，等. 新育牧草莖稈收獲期力學(xué)特性與顯微結(jié)構(gòu)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011,27(8): 179-183.

ZHAO Chunhua, HAN Zhengsheng, SHI Shangli, et al. Mechanical properties and microstructure of new species forage stems in harvesting period[J]. Transactions of the CSAE, 2011, 27(8): 179-183. (in Chinese)

6ZHANG Xiliang, GUO Qiang, XU Yunfeng, et al. Mechanical testing of tomato plant stem in relation to structural composition[J]. Agricultural Research, 2016, 5(3): 236-245.

7姚金保，馬鴻翔，姚國(guó)才，等. 小麥抗倒性研究進(jìn)展[J]. 植物遺傳資源學(xué)報(bào), 2013, 14(2):208-213.

YAO Jinbao，MA Hongxiang，YAO Guocai，et al.Research progress on lodging resistance in wheat (TriticumaestivumL.) [J].Journal of Plant Genetic Resources, 2013, 14(2): 208-213.(in Chinese)

8KALIYAN N, MOREY R V. Natural binders and solid bridge type binding mechanisms in briquettes and pellets made from corn stover and switchgrass[J]. Bioresource Technology, 2010,101(3): 1082-1090.

9何春霞, 傅雷鳴, 熊靜, 等. 不同表面處理對(duì)麥秸稈結(jié)構(gòu)和性能的影響[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2016,39(2): 325-331.

HE Chunxia, FU Leiming, XIONG Jing, et al. Study on the microstructure and properties of wheat straw with different treatments[J].Journal of Nanjing Agricultural University, 2016, 39(2): 325-331．(in Chinese)

10MUSSEA M, QUELLEC S, CAMBERT M, et al． Monitoring the postharvest ripening of tomato fruit using quantitative MRI and NMR relaxometry[J].Postharvest Biology and Technology, 2009,53(1-2): 22-35．

11GULATI T,DATTA A K. Coupled multiphase transport, large deformation and phase transition during rice puffing[J]. Chemical Engineering Science, 2016,139: 75-98.

12MAIRHOFER S, JOHNSON J, STURROCK C J, et al. Visual tracking for the recovery of multiple interacting plant root systems from X-ray μ CT images[J].Machine Vision and Applications, 2016, 27(5): 721-734.

13TING V J L, SILCOCK P, BREMER P J, et al. X-Ray micro-computer tomographic method to visualize the microstructure of different apple cultivars[J]. Journal of Food Science, 2013,78(11): 1735-1742.

14張哲, 趙靜, 田津津,等. 冷凍-復(fù)溫過(guò)程中葡萄細(xì)胞結(jié)晶變化研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016,47(5): 211-217.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160529&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.05.029.

ZHANG Zhe, ZHAO Jing, TIAN Jinjin, et al． Research on crystallization change of grape cells during freezing-thawing process[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(5): 211-217.(in Chinese)

15SIRICHAROEN P, SCOTNEY B, MORROW P, et al. Automated wheat disease classification under controlled and uncontrolled image acquisition[C]∥12th International Conference on Image Analysis and Recognition, ICIAR 2015,2015:456-464.

16BERNKLAU I, LUCAS L,BECKER T, et al. Protein network analysis—a new approach for quantifying wheat dough microstructure[J]. Food Research International, 2016,89: 812-819.

17PIECZYWEK P M, ZDUNEK A, UMEDA M. Study on parameterisation of plant tissue microstructure by confocal microscopy for finite elements modelling[J]. Computers and Electronics in Agriculture, 2011,78(1): 98-105.

18劉杏娥，胡飛，汪佑宏，等. 撐綠雜交竹主要解剖特征的研究[J]. 安徽農(nóng)業(yè)大學(xué)學(xué)報(bào), 2012,40(1): 1-4.

LIU Xing’e, HU Fei, WANG Youhong, et al. Main anatomical characteristics ofBamdusapervariadilis×Dendrocalamopsisdaii[J].Journal of Anhui Agricultural University, 2012,40(1): 1-4.(in Chinese)

19DEVAUX M F, BOUCHET B, LEGLAND D, et al. Macro-vision and grey level granulometry for quantification of tomato pericarp structure[J]. Postharvest Biology and Technology, 2008,47(2): 199-209.

20DHONDT S, HAERENBORGH D V, CAUWENBERGH C V, et al. Quantitative analysis of venation patterns of Arabidopsis leaves by supervised image analysis[J]. The Plant Journal, 2012,69(3): 553-563.

21PIECZYWEK P M, ZDUNEK A. Automatic classification of cells and intercellular spaces of apple tissue[J]. Computers and Electronics in Agriculture, 2012,81: 72-78.

22SIRAULT X R R, CONDON A G, WOOD J T, et al. “Rolled-upness”: phenotyping leaf rolling in cereals using computer vision and functional data analysis approaches[J]. Plant Methods, 2015,11(1): 1-11.