孫亮 劉永娜 胡義鈺 張健 陳艷霞 馮成天 袁坤 王真輝

摘 要 橡膠樹死皮（Tapping Panel Dryness，TPD）的所有相關(guān)研究，均需對其割線癥狀進行級別劃分，TPD級別劃分的精確性，直接影響研究結(jié)果的準(zhǔn)確性。但割線癥狀的多樣性，導(dǎo)致人為觀測無法準(zhǔn)確對其級別進行判斷。本研究采用圖像處理方法，對采集的橡膠樹割線及割線上排膠部分的圖像進行分割，從而可排除人為干擾因素，得到割線及排膠圖像，為準(zhǔn)確識別橡膠樹死皮級別提供客觀依據(jù)。

關(guān)鍵詞 橡膠樹 ；死皮 ；割線 ；分割 ；圖像處理

中圖分類號 S794.1 文獻標(biāo)識碼 A Doi：10.12008/j.issn.1009-2196.2018.04.019

Abstract Grading of tapping cuts with tapping panel dryness （TPD） symptoms on rubber tree is very important in all researches related to TPD. The accuracy of grading of tapping cuts with TPD symptoms directly affects the TPD research results. However， the diversity of TPD symptoms on tapping cuts leads to inaccurate grading of the tapping cuts by observation. An image processing method was used in this study to segment the images of tapping cuts and latex flow portion on the rubber tree to obtain the images of tapping cuts and latex flow， which avoided human interference. This study may provide an objective basis for accurate identification of the TPD grades of tapping cuts on the rubber tree.

Key words Hevea brasiliensis ； TPD ； tapping ； segmentation ； DIP

天然橡膠主要來源于巴西橡膠樹（Hevea brasiliensis）[1]，死皮的發(fā)生嚴(yán)重制約其產(chǎn)量，給天然橡膠產(chǎn)業(yè)帶來巨大損失[2-3]。橡膠樹死皮的研究包含發(fā)生發(fā)展規(guī)律[4-6]、生理[7-8]、分子機制[9-10]及死皮防治[11-16]等多個方面，但所有研究方向均以橡膠樹死皮割線癥狀觀測及分級為研究基礎(chǔ)。目前，橡膠樹死皮分級參照陳慕容等[14]的方法，采用人眼觀測割線癥狀并記錄數(shù)據(jù)進行統(tǒng)計分級。橡膠樹死皮是由于乳管不能正常排出膠乳而出現(xiàn)的一種病征，因此其癥狀在生產(chǎn)實踐中的表現(xiàn)具有多樣性，人為觀測往往存在很強的主觀性，從而導(dǎo)致研究結(jié)果差異較大。隨著計算機技術(shù)的發(fā)展，研究者將計算機視覺技術(shù)應(yīng)用于農(nóng)業(yè)工程的研究中，其中圖像處理技術(shù)是利用計算機把模擬的圖像信號轉(zhuǎn)換成數(shù)字信號，從而進行數(shù)據(jù)處理分析，降低人為誤差，提高研究結(jié)果的可靠性[l7]。圖像處理技術(shù)在植物葉部病害研究當(dāng)中取得較好的進展，目前利用該技術(shù)在小麥[18]、玉米[19]、水稻[20]、棉花[21]、黃瓜[22]、番茄[23]、葡萄[24]、柑橘[25]、向日葵[26]和棗樹[27]等作物葉部病害識別方面做了很多研究，也取得不錯的效果。

在橡膠樹中，TPD主要發(fā)生在樹干，最直觀的癥狀表現(xiàn)在割線處，與葉部病害的癥狀具有相似之處。本研究采用圖像處理技術(shù)對橡膠樹群體樣本割線及排膠部分進行處理，探討一種基于圖像處理的橡膠樹割線分割方法，從而解決人眼直接觀測割線所帶來的主觀性和不穩(wěn)定性，提高橡膠樹TPD研究的精準(zhǔn)性。

1 材料與方法

1.1 材料

1.1.1 圖像采集試驗區(qū)概況

試驗區(qū)位于海南省儋州市中國熱帶農(nóng)業(yè)科學(xué)院試驗場六隊（19°32′ N、109°28′ E）16號樹位。該區(qū)屬熱帶海島季風(fēng)氣候類型，歷年平均氣溫23.2～23.9℃，日平均氣溫≥15 ℃的活動積溫7 500～8 500 ℃，最冷月平均氣溫16.9～18.0 ℃，年降水量1 500～2 000 mm，平均海拔134 m，土壤類型為磚紅壤，酸性土壤（pH=4.59～5.93，數(shù)據(jù)來自中國熱帶農(nóng)業(yè)科學(xué)院氣象站）。試驗區(qū)為第二代膠園，該林段為單一人工群落，群落結(jié)構(gòu)簡單，采用寬行密植模式，株行距為3 m×7 m。試驗品種為橡膠樹無性系熱研73397，割齡為18 a，割制為s/2（1/2樹圍）、d/3（每3 d一刀）。采集圖像時間為2016年5～11月橡膠樹開割期間。

1.1.2 割線圖像采集

圖像采集是基于圖像處理技術(shù)進行橡膠樹割線識別及死皮分級研究的基礎(chǔ)，采集圖像的質(zhì)量直接影響后期處理效果。圖像采集環(huán)境的搭建是其中非常重要的一個環(huán)節(jié)，主要涉及光照選擇和采集設(shè)備選取。為了盡可能避免光照對采集圖像的影響，選擇天氣晴朗的早晨，在4：00～7：00開展采集工作。由經(jīng)過訓(xùn)練的專業(yè)人員進行割膠，保證每條割線的長度、寬度、深度及傾斜角度基本保持一致。

圖像采集地點在野外，設(shè)備需滿足野外作業(yè)的特點，要求設(shè)備方便攜帶、操作靈活、電源充沛、采集圖像精度高，同時考慮設(shè)備價格要適中。經(jīng)綜合比較，本研究選用尼康D90相機作為采集設(shè)備，為了保證相機鏡頭與割線的位置更加符合割線圖像采集要求，在采集過程中用三腳架將相機進行固定，高度調(diào)整為鏡頭與割線平行、鏡頭與割線的距離為40 cm、成像時鏡頭正對割面。采用自動白平衡模式進行拍攝，圖像分辨率為4 288×2 848像素。

1.2 方法

1.2.1 割線圖像預(yù)處理

利用數(shù)字圖像處理研究中的一些預(yù)處理算法可大大提高圖像中的癥狀表現(xiàn)形式，為精確提取割線特征創(chuàng)造了有利條件。在圖像分割前，需要利用割線的幾何特征對圖像的對比度、角度及尺度進行歸一化處理。為了排除距離差異給圖像識別帶來的干擾，統(tǒng)一調(diào)整圖像大小為100×400像素。

將圖像大小調(diào)整到100×400像素后，根據(jù)點A、點O及點B的二維坐標(biāo)A（xa，ya），O（xo，yo），B（xb，yb），可以計算出平行四邊形位置和大小，進而對平行四邊形AOBC裁剪（圖1）。

旋轉(zhuǎn)變換，將平行四邊形AOBC進行旋轉(zhuǎn)，使OB邊與水平保持一致。OB與水平線DB之間的夾角記為θ，利用式1將AOBC向DB方向旋轉(zhuǎn)角度θ，從而得到OB邊與水平方向一致的圖像。

其中，xo和yo為O點橫、縱坐標(biāo)，xb和yb為B點橫、縱坐標(biāo)，|yo-yb|為OD的長度，|xo-xb|為OB的長度。

1.2.2 割線與乳膠圖像分割

圖像分割是指按照不同的特性將圖像分成若干個區(qū)域，并從其中提取出興趣目標(biāo)。由于分割對象的復(fù)雜及多樣性，到目前為止并沒有通用的分割方法，在眾多分割方法中最大類間方差法分割效果好，且具有較強的自適應(yīng)能力。本研究采用最大類間方差法對橡膠樹割線及其割線上白色的乳膠進行分割。最大類間方差法屬于閾值分割方法，其理論基礎(chǔ)是利用最小二乘法對灰度直方圖進行推導(dǎo)。最大類間方差法選取閾值的準(zhǔn)則為：依據(jù)圖像的背景和目標(biāo)按照類間方差最大為標(biāo)準(zhǔn)來確定閾值。

最佳閾值選擇方法為：設(shè)圖像共包含N個像素，其灰度值為[1，m]級，灰度級為i的像素點用ni表示，則各灰度值的概率為pi=ni/N，（i=1，2，3，…，m）。用閾值T∈[1，m]把圖像分成C0={1～T}和C1={T+1～m}2個區(qū)域，則C0和C1的均值為：

T在[1，m]取值，當(dāng)式4達到最大值時，T即為所求的最佳閾值。最大類間方差法用方差來度量灰度分布情況，方差越大被劃分的2個區(qū)域間的差異就越大，此時認(rèn)為目標(biāo)與背景的錯分概率就越小。該方法模型簡單、效果穩(wěn)定、自適應(yīng)能力強。

為了驗證方法的有效性，在Matlab平臺對橡膠樹割線及排膠部分圖像分割開展了實驗。由于割線及白色乳膠灰度值相對于樹干而言較為接近，因此先將割線和排膠部分分割出來，再將排膠部分從割線中分割出來。第一輪分割將割線與排膠部分作為一類，將樹干作為另一類，利用類間方差作為判斷依據(jù)，選取2類方差最大的灰度值作為最佳閾值。這樣，閾值將圖像分為2組，一組灰度對應(yīng)分割目標(biāo)即割線；另一組灰度對應(yīng)背景，即樹干。第二輪分割將割線作為一類，排膠部分作為另一類，再次選取割線與乳膠的最大方差的灰度值作為分割兩者的最佳閾值，將白色乳膠從割線背景中分割出來。

1.2.3 橡膠樹死皮分級

橡膠樹死皮分級參照陳慕容等[14]的方法，即為0級（正常樹）、1級（死皮長度小于2 cm）、2級（死皮長度為2 cm至割線長度的1/4）、3級（死皮長度為割線長度的1/4至2/4）、4級（死皮長度為割線長度的2/4至3/4）、5級（死皮長度為割線長度的3/4以上）。

2 結(jié)果與分析

2.1 割線圖像預(yù)處理

通過對割線圖像進行預(yù)處理，在一定程度上獲得了割線圖像的幾何不變性，同時也基本消除了背景的干擾因素，預(yù)處理后各死皮級別的割線圖像如圖2所示。

2.2 割線與乳膠圖像分割

用最大類間方差法，首先在[1，m]之間檢索圖像的灰度值T，計算σ2（T）取得最大值時T∈[1，m]的取值。此時將T作為圖像的分割閾值對該圖像進行目標(biāo)與背景的分割。對不同級別橡膠樹死皮的圖像進行分割，圖像大小為100×400像素，灰度級為[0，255]。圖3分別給出了正常及1～5級死皮圖像整條割線和排膠部分的分割效果圖，從圖中來看，效果較為理想。

3 討論

針對目前普遍采用的人工判斷橡膠樹死皮級別存在的問題，本研究采集了橡膠樹割線癥狀高清圖像，并對割線圖像進行預(yù)處理，包括裁剪、角度及尺度處理，最后采用最大類間方差法對割線與背景及割線上排膠部分與背景進行分割，在Matlab平臺上驗證了該方法的有效性。通過一系列的圖像處理，最終分割到較為理想的橡膠樹割線和割線上排膠部分的圖像，為下一步使用圖像處理技術(shù)解決橡膠樹死皮割線癥狀自動分級打下了良好的基礎(chǔ)。傳統(tǒng)的橡膠樹死皮分級的方法是通過人肉眼觀測割線癥狀和記錄數(shù)據(jù)對死皮進行分級[11]。成齡橡膠樹樹皮中有次生乳管形成的不同乳管層，同一層的乳管之間會形成網(wǎng)狀連接，但是不同乳管層之間互不連接[28]。因此，人為觀測就存在一定的誤差及主觀性，通過計算機來進行割線癥狀分割，可以較為客觀和準(zhǔn)確地對死皮癥狀進行分級，保證試驗結(jié)果的可靠性。

通過對橡膠樹割線及排膠部分圖像進行分割，可以更加合理地計算割線上排膠和死皮部分長度及面積，以往的死皮分級方法僅僅考慮割線上橫向的長度，沒有充分考慮排膠癥狀的復(fù)雜性及縱向的排膠情況，這樣在人肉眼觀測分級的時候就要主觀去判斷，往往存在一個人不同次和兩個人同次觀測結(jié)果不同的情況。而通過圖像處理來進行分割，后續(xù)可以建立模型和圖片數(shù)據(jù)庫，這樣就可以做到對采集的圖片自動分級，可以有效解決這個問題，保證結(jié)果的一致性。

盡管采取了各種措施來提高圖像的采集質(zhì)量，但由于光學(xué)設(shè)備的成像特點以及在采集過程中有時膠乳會溢出割線并附著在樹干上，所得到的圖像仍然存在一定的干擾因素，這給圖像分割帶來嚴(yán)重影響；另外，割線及排膠部分分割算法仍然需要進一步改進及優(yōu)化。后續(xù)研究中也將進一步改進采集設(shè)備和采集方法，爭取獲取到最為準(zhǔn)確的圖像，提高結(jié)果的準(zhǔn)確率。

參考文獻

[1] 曾 霞，李維國，高新生，等. 巴西橡膠樹選育種研究現(xiàn)狀、趨勢及我國的研究策略[J]. 熱帶農(nóng)業(yè)科學(xué)，2013，33（6）：30-36.

[2] Jacob J L，Prevot J C，Lacrotte R. Tapping panel dryness in Hevea brasiliensis[J]. Plantations Recherche Developpement，1994，1（3）：22-24.

[3] 郭秀麗，莊玉粉，劉進平. 橡膠樹死皮病及其分子機制最新研究進展[J]. 中國熱帶農(nóng)業(yè)，2015，（5）：30-36.

[4] 蔣桂芝，楊 焱，蘇海鵬，等. 西雙版納橡膠樹死皮病癥狀調(diào)查[J]. 熱帶農(nóng)業(yè)科技，2009，32（2）：1-13.

[5] 王真輝，袁 坤，陳邦乾，等. 中國主要植膠區(qū)橡膠樹死皮發(fā)生現(xiàn)狀及田間分布形式研究[J]. 熱帶農(nóng)業(yè)科學(xué)，2014，34（11）：66-70.

[6] 袁 坤，楊禮富，陳幫乾，等. 海南植膠區(qū)橡膠樹死皮發(fā)生現(xiàn)狀分析[J]. 西北林學(xué)院學(xué)報，2016，31（1）：176-179.

[7] 郭秀麗，孫 亮，胡義鈺，等. 巴西橡膠樹不同死皮程度植株的膠乳生理參數(shù)分析[J]. 南方農(nóng)業(yè)學(xué)報，2016，47（9）：1 553-1 557.

[8] 袁 坤，周雪梅，李建輝，等. 死皮防治劑對死皮橡膠樹膠乳生理的影響[J]. 湖北農(nóng)業(yè)科學(xué)，2011，17（50）：3 570-3 572.

[9] Liu J P，Xia Z Q，Tian X Y，et al. Transcriptome sequencing and analysis of rubber tree （Hevea brasiliensis Muell.） to discover putative genes associated with tapping panel dryness （TPD）[J]. BMC Genomics，2015，16（1）：1-13.

[10] Li D，Wang X，Deng Z，et al. Transcriptome analyses reveal molecular mechanism underlying tapping panel dryness of rubber tree （Hevea brasiliensis）[J]. Scientific Reports，2016，6：1-10.

[11] 黎仕聰，馮金桂，林集祥，等. 橡膠樹死皮病的防治與復(fù)割措施[J]. 熱帶農(nóng)業(yè)科學(xué)，1981（4）：40-48.

[12] 黎仕聰，林欣聲. 微量元素對橡膠樹死皮病的防治作用[J]. 熱帶作物科技，1997（6）：35-37.

[13] 梁尚樸. 赤霉素和生長素防治橡膠樹死皮病的效果及對死皮病成因的看法[J]. 熱帶作物研究，1990（3）：25-28.

[14] 陳慕容，黃慶春，葉沙冰，等.“保01”防治橡膠樹褐皮病及其作用機理的研究[J]. 熱帶作物研究，1992（1）：30-37.

[15] 李智全，梁國宏，潘居清. 中幼齡橡膠開割樹死皮病綜合防治生產(chǎn)型試驗[J]. 熱帶農(nóng)業(yè)科學(xué)，2000（5）：1-7.

[16] 袁 坤，謝貴水，楊禮富，等. 不同藥劑處理對橡膠樹死皮和產(chǎn)量的影響[J]. 西南農(nóng)業(yè)學(xué)報，2013，26（4）：1 524-1 526.

[17] 王 磊. 基于MATLAB的數(shù)字圖像處理[J]. 蘇州市職業(yè)大學(xué)學(xué)報，2009，20（2）：53-56.

[18] 陳兵旗，郭學(xué)梅，李曉華. 基于圖像處理的小麥病害診斷算法[J]. 農(nóng)業(yè)機械學(xué)報，2009，42（12）：190-195.

[19] 王 娜，王克如，謝瑞芝，等. 基于 Fisher 判別分析的玉米葉部病害圖像識別[J]. 中國農(nóng)業(yè)科學(xué)，2009，42（11）：3 836-3 842.

[20] 管澤鑫，唐 健，楊保軍，等. 基于圖像的水稻病害識別方法研究[J]. 中國水稻科學(xué)，2010，24（5）：497-502.

[21] 張建華，祁力均，冀榮華，等. 基于粗糙集和 BP神經(jīng)網(wǎng)絡(luò)的棉花病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（7）：161-167.

[22] 賈建楠，吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識別[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（增）：115-121.

[23] 柴阿麗，李寶聚，石延霞，等. 基于計算機視覺技術(shù)的番茄葉部病害識別[J]. 園藝學(xué)報，2010，37（9）：1 423-1 430.

[24] Meunkaewjinda A，Kumsawat P，Attakitmongcol K，et al. Grape leaf disease detection from color imagery using hybrid intelligent system[J]. Proceedings of ECTl-CON Krabi：2008：513-516.

[25] Pydipati R，Burks T，Lee W. Identification of citrus disease using color texture features and discriminant analysis[J]. Computers and Electronics in Agriculture，2006，52（1/2）：49-59.

[26] Arribas J，Gonzalo V，Gonzalo R，et al. Leaf classification in sunflower crops by computer vision and neural networks[J]. Computer and Electronics in Agriculture，2011，78（1）：9-18.

[27] Wang J，He J，Han Y，et al. An adaptive thresholding algorithm of field leaf image[J]. Computer and Electronics in Agriculture，2013，96：23-29.

[28] 田維敏，史敏晶，譚海燕，等. 橡膠樹樹皮結(jié)構(gòu)與發(fā)育[M]. 北京：科學(xué)出版社，2015：15.