陳家樂，吳灃槭，韓迎春，李小飛，王占彪,，馮 璐,，王國平，雷亞平，楊北方，辛明華，李亞兵,

采用熱紅外和可見光圖像無損測定棉花苗期葉面積

陳家樂1，吳灃槭2，韓迎春1，李小飛1，王占彪1,2，馮 璐1,2，王國平1，雷亞平1，楊北方1，辛明華1，李亞兵1,2※

（1. 中國農(nóng)業(yè)科學(xué)院棉花研究所棉花生物學(xué)國家重點實驗室，安陽 455000；2. 鄭州大學(xué)農(nóng)學(xué)院棉花生物學(xué)國家重點實驗室鄭州科研中心，鄭州 450000）

葉面積是影響植物光合作用、蒸騰作用、呼吸作用及產(chǎn)量形成的重要形態(tài)指標(biāo)之一，為實現(xiàn)作物葉面積準(zhǔn)確、穩(wěn)定和無損化測量，該研究基于紅外線成像設(shè)備，提供了一種利用熱紅外和可見光圖像測定棉花葉片面積的方法。以苗期棉花作為研究對象，通過紅外成像相機(jī)T660獲取棉花的熱紅外和可見光波段的圖像，分別使用GrabCut算法和Hough圓檢測提取紅外圖像中葉片和可見光圖像中已知實際面積的圓狀參照物（五角硬幣）的像素面積，進(jìn)而根據(jù)葉片區(qū)域和圓狀參照物區(qū)域的像素倍數(shù)關(guān)系計算棉花的真實葉面積，將通過該研究所提方法計算的葉面積結(jié)果與傳統(tǒng)的剪紙稱重法、Image Pro Plus軟件圖像法進(jìn)行皮爾遜相關(guān)性分析，檢驗該方法的可行性。分析表明，基于所提方法的測量值與剪紙稱重法、Image Pro Plus軟件圖像法的結(jié)果之間均存在顯著的線性相關(guān)關(guān)系（<0.01）（相關(guān)系數(shù)分別為0.992,0.996）。3種方法對5盆棉花進(jìn)行8次測量，結(jié)果顯示，該研究所提方法測量值的平均變異系數(shù)為0.78%，在測量工作中表現(xiàn)穩(wěn)定，為快速獲取棉花苗期葉面積提供了一種準(zhǔn)確穩(wěn)健的理論方法。

葉面積；棉花；熱紅外圖像；GrabCut；Hough圓檢測

0 引 言

葉片是植物進(jìn)行光合作用、蒸騰作用和有機(jī)物質(zhì)合成的主要器官[1]，其面積決定著作物吸收太陽輻射能進(jìn)行光合作用的能力[2]。無損、準(zhǔn)確、快速地分割植物葉片并提取其面積、周長等幾何參數(shù)值，不僅能為研究植物的光合效率等生理機(jī)制提供數(shù)據(jù)支撐[3]；還可以為監(jiān)測病蟲害、栽培管理提供重要指導(dǎo)意義[4]。

傳統(tǒng)的葉面積測量方法主要有網(wǎng)格法[5]、剪紙稱重法[6]、葉面積儀法[7]、系數(shù)法[8]等，而網(wǎng)格法與剪紙稱重法易在描繪邊緣時出現(xiàn)較多人為因素導(dǎo)致的誤差。葉面積儀測定雖然操作簡便、結(jié)果準(zhǔn)確，但多為進(jìn)口儀器，測量結(jié)果受掃描速度影響大，且不適合過長、過寬的葉面積測量[9]。系數(shù)法則是根據(jù)葉片的簡單測量值建立數(shù)學(xué)模型來預(yù)測葉面積，對不規(guī)則型葉片處理結(jié)果較差，且校正系數(shù)因植物類型、品種等因素而異[10]。隨著數(shù)碼照相技術(shù)和圖像處理軟件的不斷改進(jìn)，利用像素點進(jìn)行葉面積測定的數(shù)字?jǐn)z影圖像得到了迅速的發(fā)展[11-12]，并廣泛應(yīng)用于玉米[13]、棉花[14]等農(nóng)作物及經(jīng)濟(jì)林[15]的葉面積測量。王忠芝等[16]使用改進(jìn)的Hough算法對攝取的畸變圖像作幾何校正后計算葉面積，但是每次只能測量一片葉子，工作量大。李震等[17]以Matlab軟件為工具建模，對數(shù)字圖像進(jìn)行解析以求解葉面積，結(jié)果準(zhǔn)確性高，但采用的葉片種類少、葉片間差異小，其算法仍有待完善。Wang等[18]通過灰度變換、閾值分割、形態(tài)學(xué)操作和二值圖像識別計算得到相應(yīng)的葉面積，雖然精度高，但破壞了植物的完整性。

此外，前述方法中采用的圖像均為可見光波段的圖像，在進(jìn)行圖像葉片提取時會有諸多干擾，如作物葉片會隨時空而呈現(xiàn)淺綠、深綠、黃等顏色[19]，疾病感染也會影響葉片顏色[20]，作物莖也具有和葉相似的可見光波段等[21]，從而難以實現(xiàn)目標(biāo)區(qū)域的快速有效識別。另外，逐片測量葉面積加大了工作量，損傷測量也會給作物帶來永久性破壞。

針對前人研究中存在的不足，本文提供了一種手持相機(jī)拍攝圖像并計算葉面積的方法，為有效獲取葉片和參照物的像素信息，采用紅外線成像儀T660拍攝同一目標(biāo)2種波段的圖像，對可見光圖像進(jìn)行Hough圓檢測提取參照物信息，利用調(diào)整前與調(diào)整后的熱紅外圖像實現(xiàn)GrabCut算法提取葉片信息，同時將該文所提算法的測量值與剪紙稱重法、Image Pro Plus圖像法進(jìn)行對比，以期為田間苗期的棉花葉面積測定提供一種準(zhǔn)確、穩(wěn)定、快捷、無損的測定方法。

1 材料與方法

1.1 試驗材料與設(shè)計

試驗所用棉花品種為魯棉研28，于2021年7-9月在中國農(nóng)業(yè)科學(xué)院棉花研究所東場試驗基地溫室大棚內(nèi)進(jìn)行種植。7月20日選取優(yōu)質(zhì)營養(yǎng)土裝入塑料盆，棉花種子經(jīng)雙氧水浸泡2 h后點播至盆中，保證1盆1株棉苗，共15盆棉苗。待棉花出苗，真葉長至1～4片（幼苗期）時（8月25日，確保葉片在空間上不重疊），在當(dāng)天14:00，土壤、葉片及陰影部分的輻射差異達(dá)到最大時，進(jìn)行拍照。

1.2 測量原理

攝取圖像的分辨率為640×480，每個像素點代表實際的面積值，棉花葉片所代表的實際面積值可由式（1）計算求得。

S

1

=

S

2

(

T

1

/

T

2

) （1）

式中1代表葉片面積，2代表硬幣面積，1是葉片所占的像素個數(shù)，2是參照物所占的像素個數(shù)。

1.3 圖像獲取和調(diào)整

以第1盆棉花第1次拍攝的圖片為例，對圖像獲取及處理的方法和步驟進(jìn)行說明。利用相機(jī)采集的棉花葉片的圖像如圖1所示。

手持標(biāo)準(zhǔn)板與所托起的葉片在溫度上差異不大，在熱紅外圖像圖1a中，二者的差異相較于葉片與土壤不明顯，因此需要進(jìn)行調(diào)整。使用FLIR tools軟件打開圖1a，調(diào)整溫度標(biāo)尺的上下限，使得位于標(biāo)準(zhǔn)板區(qū)域的葉片與標(biāo)準(zhǔn)板表現(xiàn)出較大的差異，葉片與莖也呈現(xiàn)出明顯區(qū)別。因此調(diào)整前圖像（圖1a）在分割前景葉片與背景土壤時效果更佳，調(diào)整后圖像（圖1c）在分割前景葉片與背景標(biāo)準(zhǔn)板時效果更佳，二者在后續(xù)圖像處理中需要結(jié)合使用，圖1b用于進(jìn)行Hough圓檢測提取參照物。

1.4 檢測參照物區(qū)域

Hough圓檢測獲取圖像中圓的信息，該方法由于受曲線間斷的影響較小，能有效得到圓的特征信息，因此廣泛應(yīng)用于很多領(lǐng)域[23]。對可見光圖像圖1b進(jìn)行Hough圓檢測獲取五角硬幣像素信息。在進(jìn)行Hough圓檢測之前，為提高檢測的準(zhǔn)確度，需要對原圖像進(jìn)行灰度化處理來消除干擾。首先將圖1b轉(zhuǎn)化為灰度圖像，由于要對硬幣區(qū)域做分析，所以在本步驟中除硬幣外所有物體都視為背景。

注：左上角五角硬幣是參照物。

圖像在計算機(jī)中以矩陣形式存儲，首先創(chuàng)建一個高為480，寬為640的像素值均為0（黑色）的單通道矩陣掩膜（mask），將其在對應(yīng)可見光圖像中硬幣位置的像素值改為255（白色）生成圖像圖2a，之后將圖2a與可見光圖像圖1b的灰度圖進(jìn)行基于像素點的函數(shù)計算。bitwise_and函數(shù)對2個像素值進(jìn)行運算。運算機(jī)制如下：2張圖像相對應(yīng)位置中只要有1個像素值為0，則返回像素值0，僅當(dāng)像素值同時不為0時，返回得到圖1b灰度圖中硬幣位置的像素信息。通過該運算得到僅含硬幣區(qū)域的圖像圖2b。

對圖2b進(jìn)行Hough圓檢測獲取硬幣輪廓信息，該檢測對噪聲比較敏感，首先需要對圖像進(jìn)行中值平滑，以達(dá)到降噪的目的。將檢測得到的圓的信息繪制在一個等大黑色圖像上，該圖像是一個二值圖像，基于此圖像，通過輪廓提取和面積測量函數(shù)得到填充的硬幣圖像圖2c，同時計算得到硬幣所占據(jù)的像素個數(shù)。

圖2 參照物區(qū)域提取

1.5 檢測葉片區(qū)域

目前常用圖像分割技術(shù)有5類[24-25]：基于閾值、邊緣、區(qū)域生長、能量泛函分割和圖論等。Graph Cuts是一種用戶參與的，基于用戶提供的先驗信息的交互式圖像分割算法[26]。以Graph Cuts為基礎(chǔ)提出的針對彩色圖像分割的GrabCut[27]，彌補了Graph Cuts在分割彩色圖像上的不足，僅需輸入矩形框選取前景和背景，通過非完全標(biāo)記方法對前景和背景顏色空間建立高斯混合模型（Gaussian Mixture Model, GMM），在能量函數(shù)最小化的問題上使用多次迭代的GMM參數(shù)學(xué)習(xí)取代Graph Cuts中的一次最小估計。這種交互式GrabCut分割已被證明具有很大的普適性[28]和較高的可塑性[29]。

將圖1a經(jīng)過Grabcut算法分割后的葉片信息顯示在一張黑色三通道圖像上，如圖3a所示。圖3a中，棉花葉片像素與土壤像素相鄰處分割效果（黃色和黑色）相較于葉片與標(biāo)準(zhǔn)板處的分割效果更明顯（黃色和橙色）。而圖1c經(jīng)過GrabCut算法得到的圖3b，則在葉片與標(biāo)準(zhǔn)板相接區(qū)域表現(xiàn)出良好的分割效果。圖3a和3b單一進(jìn)行葉片分割都會產(chǎn)生較大的誤差，因此需要合并使用進(jìn)行分割。

將圖3a和圖3b轉(zhuǎn)為灰度圖，圖3a在b，g，r三通道中的g通道區(qū)分度較好，圖3b在b通道的區(qū)分度較好。經(jīng)過通道分離，分別得到圖3c和圖3d。將圖3c和圖3d進(jìn)行圖像相加操作，其實質(zhì)是為2個圖像對應(yīng)位置的每個像素值分配權(quán)重后求和。使用addWeighted函數(shù)，削弱圖3c中葉片與標(biāo)準(zhǔn)板區(qū)域區(qū)分度差的不良影響，通過運算得到葉片的信息見圖3e。

綜上所述,為改善焦慮癥患者病情,在臨床救治工作中以腦電生物反饋療法開展救治,可大大提升臨床治療效果,可在臨床推薦應(yīng)用。

通過Otsu閾值分割法對圖3e進(jìn)行二值化，得到葉片區(qū)域像素值為255，背景區(qū)域像素值為0的二值圖。如圖3f所示。

圖3 棉花葉片區(qū)域提取

1.6 噪聲消除

為了避免噪聲對葉面積計算的影響，需要對二值圖像進(jìn)行噪聲消除，噪聲在二值圖像中表現(xiàn)為極小的孤立像素點或者較小的連通區(qū)域。連通性基于像素點的鄰接性，是一種區(qū)域概念[30]。李震等[17]通過多次腐蝕二值圖像得到僅含有葉片像素主體位置信息的圖像，將主體位置看作葉片的生長區(qū)域，反向識別腐蝕前二值圖中的葉片，并計算面積。

在該研究所提方法中，通過使用skimage庫函數(shù)對圖3f的所有連通區(qū)域進(jìn)行彩色填充，并返回所有連通區(qū)域的數(shù)目。如果返回的連通區(qū)域數(shù)目等于葉片數(shù)量，則表明在二值圖像圖3f中不存在噪聲，可以直接對圖3f進(jìn)行輪廓提取計算面積；如果返回的連通區(qū)域數(shù)目大于葉片數(shù)目，則需要先根據(jù)葉片連通區(qū)域的顏色（特定顏色代表特定像素值）選擇性提取葉片區(qū)域，消除其他噪聲區(qū)域，再進(jìn)行葉面積計算。本算法中的連通區(qū)域使用4連通區(qū)域進(jìn)行判定。

當(dāng)連通區(qū)域數(shù)量大于葉片數(shù)量時，假設(shè)圖3f的連通區(qū)域數(shù)量大于葉片數(shù)量，圖4a是圖3f經(jīng)過彩色填充后的圖像，藍(lán)色葉片像素值為[0，0，1]、紅色葉片像素值為[1，0，0]、青色葉片像素值為[0，1，1]。圖4a是一張三通道圖像，首先根據(jù)像素信息將葉片全部改為白色[1，1，1]，其次將圖像中非白色區(qū)域全部變?yōu)楹谏玫饺ǖ蓝祱D像圖4b，這樣圖3f中孤立的噪聲區(qū)域全變?yōu)楹谏?，只有葉片區(qū)域的像素值為[1，1，1]。最后對圖4b進(jìn)行通道分離操作，得到單通道圖像圖4c。

圖4 葉片標(biāo)識及噪聲消除

1.7 計算葉片像素值

彩色填充連通區(qū)域并返回連通區(qū)域數(shù)量，如果返回值等于葉片數(shù)量，則直接對圖3f進(jìn)行輪廓提取，如果大于葉片數(shù)量，則須先根據(jù)1.6小節(jié)所述步驟進(jìn)行葉片標(biāo)識和噪聲消除操作得到圖4c后，再進(jìn)行輪廓提取。

以圖3f為例，使用OpenCV庫的輪廓提取和測量函數(shù)對二值圖像（圖3f）進(jìn)行外輪廓提取并返回輪廓內(nèi)的像素數(shù)量（圖5）。

圖5 葉片輪廓

1.8 圖像和數(shù)據(jù)處理工具

采用Python 3.7進(jìn)行圖像分割和葉片標(biāo)識，使用SPSS 23對本研究所提方法，剪紙稱重法和Image Pro Plus圖像法的測量值進(jìn)行相關(guān)分析并檢驗相關(guān)系數(shù)顯著性，使用Origin 2021對3種方法的測量值進(jìn)行回歸分析并繪圖。

2 結(jié)果與分析

2.1 圖像法測量的準(zhǔn)確性

為了驗證本算法在葉面積測量中的準(zhǔn)確性，將本文方法計算結(jié)果與剪紙稱重法，Image Pro Plus圖像法進(jìn)行比較。剪紙時，將葉片平鋪在A4紙上，用透明膠帶將葉片按壓并粘牢固定，所選A4紙（21 cm×29.7 cm）面積為623.7 cm2，質(zhì)量為70 g。本試驗選用的圓形參照物是中國2012年首發(fā)的荷花五角硬幣，直徑為20.5 mm，剪紙稱重法使用精度為0.001 g的電子天平（ME203）。利用Image Pro Plus圖像法計算葉片面積時，為避免葉片彎曲使用膠帶將葉片按壓粘牢在白色底板上，通過底板上方的固定掃描儀（Phantom 9800xl, MICROTEK，上海，中國）獲取圖片并利用軟件Image Pro Plus分析，結(jié)果如圖6所示（葉片來自于前一章節(jié)舉例所用的苗期棉花）。

注：1，2，3為葉片編號。

經(jīng)該研究所提方法得到的硬幣和葉片的像素面積見表1（僅列舉了5盆棉花第1次拍攝的圖像），由二者間倍數(shù)關(guān)系可計算葉片的實際面積。本文所提方法與稱重法，Image Pro Plus圖像法的計算結(jié)果見表2（5盆棉花，每盆測量8次）。

表1 參照物和葉片像素數(shù)量

由表2可知，3種方法測量的葉面積值存在以下規(guī)律：稱重法測量值>本文方法測量值>Image Pro Plus圖像法測量值。在使用3種方法對5盆棉花進(jìn)行8次測量后，數(shù)據(jù)顯示，本文方法測量的結(jié)果與稱重法、Image Pro Plus圖像法所測結(jié)果之間均存在極顯著的線性相關(guān)關(guān)系（<0.01）（相關(guān)系數(shù)分別為0.992和0.996）。3種方法測量結(jié)果的回歸分析如圖7所示。由圖7可知，3種方法測量值之間的擬合度較高（2=0.984，RMSE=0.973，2=0.992，RMSE=0.723）。另外，由表2得知，在每盆棉花中，本文所提方法與稱重法和Image Pro Plus圖像法所測值相差為0.06%～6.73%。綜上可知，本算法準(zhǔn)確性高，可以用于實際葉面積的測量。

表2 3種方法對5盆棉苗葉面積測量統(tǒng)計結(jié)果

注：IPP表示Image Pro Plus；形如“64.48±0.48”的數(shù)據(jù)結(jié)構(gòu)表示“均值±標(biāo)準(zhǔn)差”；CV表示變異系數(shù)。

Note: IPP means Image Pro Plus; data structure like “64.48±0.48” represents “Mean ± Standard deviation”; CV indicates the coefficient of variation.

圖7 5盆棉花經(jīng)3種方法多次測量所得的葉面積之間的回歸分析

2.2 圖像法測量的穩(wěn)定性

為了驗證本文所提方法測量葉面積的穩(wěn)定性，5盆棉苗均采用3種方法進(jìn)行了8次測量（表2）。可知，多次測量的平均變異系數(shù)分別為：0.74%（Image Pro Plus圖像法）<0.78%（本文方法）<1.02%（稱重法），稱重法數(shù)據(jù)波動最大，Image Pro Plus圖像法與本文方法波動程度相當(dāng)。由此可知，本研究中圖像算法在多次測定葉面積方面具備較高的穩(wěn)定性。

3 討 論

在根據(jù)植物各部位及其與土壤輻射差異這一特性拍攝紅外波段圖像，早已有了較為普遍和成熟的研究。葉面積指數(shù)（LAI）能夠反映作物健康和生產(chǎn)力狀況[31]，王傳宇等[32]通過時間序列紅外圖像連續(xù)監(jiān)測葉面積指數(shù)，為田間環(huán)境下冠層參數(shù)的自動連續(xù)監(jiān)測提供了解決方案。張智韜等[33]基于當(dāng)前無人機(jī)熱紅外遙感診斷作物水分脅迫精度不足的問題，提出使用基于熱紅外圖像的冠層溫度標(biāo)準(zhǔn)差（CTSD）來診斷作物水分脅迫。楊文攀等[34]基于無人機(jī)熱紅外監(jiān)測玉米冠層溫度，對玉米抗旱情況進(jìn)行監(jiān)測。前人研究中，更多的是把熱紅外圖像攜帶的溫度數(shù)據(jù)加以提取，并結(jié)合其他田間參數(shù)（如土壤濕度、株高等）進(jìn)行研究。然而，少有研究挖掘熱紅外圖像在更小尺度上用作測量工具的潛力，本研究結(jié)合熱紅外和可見光圖像，將其應(yīng)用到植株尺度的葉面積測量上，同時保證測量結(jié)果的準(zhǔn)確性、穩(wěn)定性和對植株的無損性，克服了以往的葉面積測量方法的不足。

然而，拍攝環(huán)境（空氣、光線等）的變化、紅外線成像儀儀器內(nèi)部參數(shù)的改變等對紅外圖像產(chǎn)生干擾，因此本文所提方法的準(zhǔn)確性仍有提升空間。此外，生育后期的葉片重疊是自然界中普遍存在的客觀現(xiàn)象，這種由葉片遮擋引入的偏差可通過建立表征株型的圖像特征、表征各器官對葉面積影響的圖像紋理特征、多角度熱紅外和可見光圖像的投影面積與真實葉面積之間的模型來削弱[35]。以上問題可在未來研究中進(jìn)一步探討。

4 結(jié) 論

本研究針對現(xiàn)有葉面積測量方法的不足，結(jié)合熱紅外和可見光圖像，分別采用GrabCut和Hough圓檢測提取葉片和參照物的像素信息進(jìn)行葉面積計算。

本文方法與剪紙稱重法、Image Pro Plus圖像法相比，所測葉面積值之間均存在顯著的線性相關(guān)關(guān)系（<0.01）（相關(guān)系數(shù)分別為0.992，0.996），在整株葉面積統(tǒng)計結(jié)果上，本文所提方法與稱重法和Image Pro Plus圖像法測量結(jié)果均相差5%左右。另外，應(yīng)用本文所提方法測量的結(jié)果穩(wěn)定性高（平均變異系數(shù)0.78%）。而且，紅外相機(jī)攜帶方便，實際操作要遠(yuǎn)比需要取樣的稱重法和Image Pro Plus圖像法簡便，并且能夠保證不損傷棉花葉片。綜上所述，本研究為棉花葉面積的準(zhǔn)確、穩(wěn)定和無損測量提供了一種可靠方法，也為熱紅外圖像在小尺度測量工作中的應(yīng)用奠定了良好基礎(chǔ)。

[1] 郭向陽，陳建軍，衛(wèi)曉軼，等. 氮脅迫與非脅迫條件下玉米葉形相關(guān)形狀的QTL分析[J]. 植物營養(yǎng)與肥料學(xué)報，2019，25(11)：1929-1938.

Guo Xiangyang, Chen Jianjun, Wei Xiaoyi, et al. QTL mapping of leaf related traits of maize with or without nitrogen stress[J]. Journal of Plant Nutrition and Fertilizers, 2019, 25(11): 1929-1938. (in Chinese with English abstract)

[2] 王全九，王康，蘇李君，等. 灌溉施氮和種植密度對棉花葉面積指數(shù)與產(chǎn)量的影響[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2021，52(12)：300-312.

Wang Quanjiu, Wang Kang, Su Lijun, et al. Effect of irrigation amount, nitrogen application rate and planting density on cotton leaf area index and yield[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(12): 300-312. (in Chinese with English abstract)

[3] 蘇寶峰，劉易雪，王琮，等. 基于三維點云的葉面積估算方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2019，50(12)：240-246，254.

Su Baofeng, Liu Yixue, Wang Cong, et al. Leaf area estimation method based on three-dimensional point cloud[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(12): 240-246, 254. (in Chinese with English abstract)

[4] 吳千華，孟祥麗，劉一鳴. 植物葉面積測定方法探討[J].熱帶林業(yè)，2018，46(2)：37-39.

Wu Qianghua, Meng Xiangli, Liu Yiming. Discussion about the methods of measuring leaf area of plants[J]. Tropical Forestry, 2018, 46(2): 37-39. (in Chinese with English abstract)

[5] 柳覲，倪書邦，宮麗丹，等. 澳洲堅果葉面積測定方法比較[J]. 中國農(nóng)學(xué)通報，2014，30(25)：142-147.

Liu Jian, Ni Shubang, Gong Lidan, et al. Comparison of leaf area determination methods of macadamia spp[J]. Chinese Agricultural Science Bulletin, 2014, 30(25): 142-147. (in Chinese with English abstract)

[6] 李治中，謝菲，劉小梅，等. 2種常用葉面積測量方法準(zhǔn)確性的比較研究[J]. 中國農(nóng)學(xué)通報，2013，29(19)：193-197.

Li Zhizhong, Xie Fei, Liu Xiaomei, et al. A comparative study on the accuracy of two commonly used methods of leaf area measurement[J]. Chinese Agricultural Science Bulletin, 2013, 29(19): 193-197. (in Chinese with English abstract)

[7] 陳濤濤，遲道才，梁茜. 基于矩形框幾何校正的多葉面積測量方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(8)：206-213.

Chen Taotao, Chi Daocai, Liang Qian. Multi-leaf area measurement method based on geometric correction with rectangular box[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(8): 206-213. (in Chinese with English abstract)

[8] 胡林. 植物葉面積系數(shù)法改進(jìn)研究[J]. 中國農(nóng)學(xué)通報，2015，31(5)：228-233.

Hu Lin. Research on adjusted coefficient method for leaf area measurement and its error[J]. Chinese Agricultural Science Bulletin, 2015, 31(5): 228-233. (in Chinese with English abstract)

[9] 徐義鑫，李鳳菊，王建春，等. 基于OpenCV的Android手機(jī)植物葉片幾何參數(shù)測量系統(tǒng)[J]. 中國農(nóng)學(xué)通報，2015，31(35)：236-244.

Xu Yixin, Li Fengju, Wang Jianchun, et al. Open CV-based measurement system for leaf geometry parameters using android mobile phone[J]. Chinese Agricultural Science Bulletin2015, 31(35): 236-244. (in Chinese with English abstract)

[10] 唐力為，李倩，蔣云，等. 藜麥葉面積校正系數(shù)的初步研究[J]. 四川農(nóng)業(yè)科技，2021 (9)：65-67.

[11] 李方一，黃璜，官春云. 作物葉面積測量的研究進(jìn)展[J].湖南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2021，47(3)：274-282.

Li Fangyi, Huang Huang, Guan Chunyun. Review on measurement of crop leaf area[J]Journal of Hunan Agricultural University (Natural Sciences), 2021, 47(3): 274-282. (in Chinese with English abstract)

[12] 韓殿元，黃心淵，付慧. 基于彩色通道相似性圖像分割方法的植物葉面積計算[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(6)：179-183.

Han Dianyuan, Huang Xinyuan, Fu Hui. Measurement of plant leaf area based on image segmentation of color channel similarity[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(6): 179-183. (in Chinese with English abstract)

[13] 付豪，萬鵬，施家偉，等. 基于機(jī)器視覺的玉米幼苗葉面積檢測裝置設(shè)計及試驗[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報，2020，39(1)：161-170.

Fu Hao, Wan Peng, Shi Jiawei, et al. Design and test of non-destructive detecting device for corn seedling leaf area based on machine vision[J]. Journal of Huazhong Agricultural University, 2020, 39(1): 161-170. (in Chinese with English abstract)

[14] Chen H X, Zhao X X, Han Y C, et al. Competition for light interception in cotton populations of different densities[J]. Agronomy, 2021, 11(1): 176.

[15] 張沛健，尚秀華，吳志華. 基于圖像處理技術(shù)的5種紅樹林葉片形態(tài)特征及葉綠素相對含量的估測[J]. 熱帶作物學(xué)報，2020，41(3)：496-503.

Zhang Peijian, Shang Xiuhua, Wu Zhihua. Morphological characteristics of leaves and estimation of relative chlorophyll content in five species of mangrove based on image processing technology[J]. Chinese Journal of Tropical Crops, 2020, 41(3): 496-503. (in Chinese with English abstract)

[16] 王忠芝，張金瑞. 基于圖像處理的葉面積測量方法[J]. 微計算機(jī)應(yīng)用，2010，31(5)：68-72.

Wang Zhongzhi, Zhang Jinrui. A measurement approach of leaf area based on digital image processing[J]. Network New Media Technology, 2010, 31(5): 68-72. (in Chinese with English abstract)

[17] 李震，洪添勝，吳偉斌，等. 植物多葉片圖像目標(biāo)識別和葉面積測量方法[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報，2007(3)：105-109.

Li Zhen, Hong Tiansheng, Wu Weibin, et al. Method of object identification and leaf area calculation in multi-leaf scanned image[J]. Journal of South China Agricultural University, 2007(3): 105-109. (in Chinese with English abstract)

[18] Wang S N, Bao L J, Chen B H. Study on estimation method of plant leaf area based on image processing technology[J]. International Journal of Frontiers in Sociology, 2020, 2(9): 76-84.

[19] Zhang Y H, Tang L, Liu X J, et al. Modeling dynamics of leaf color based on RGB value in rice[J]. Journal of Integrative Agriculture, 2014, 13(4): 749-759.

[20] Aparna S, Aarthi R. Segmentation of tomato plant leaf[J]. Progress in Intelligent Computing Techniques: Theory, Practice and Applications, 2018, 1(518): 149-156.

[21] Al-Shakarji N M, Kassim Y M, Palaniappan K. Unsupervised learning method for plant and leaf segmentation[C]// Washington, DC, USA: 2017 IEEE Applied Imagery Pattern Recognition Workshop (AIPR), IEEE, 2017.

[22] 馮璐，邢芳芳，楊北方，等. 基于紅外熱成像的棉花葉片溫度分布量化方法研究[J]. 棉花學(xué)報，2020，32(6)：569-576.

Feng Lu, Xing Fangfang, Yang Beifang, et al. The quantitative method for temperature distribution of cotton leaves based on infrared thermal image[J]. Cotton Science, 2020, 32(6): 569-576. (in Chinese with English abstract)

[23] Thumu S R. Analysis and cDNA microarray image segmentation based on Hough circle transform[J]. International Journal of Recent Technology and Engineering (IJRTE), 2019, 7(5c): 53-55.

[24] 陳英，鄭鋮，易珍，等. 肝臟及腫瘤圖像分割方法綜述[J].計算機(jī)應(yīng)用研究，2022，39(3)：641-650.

Chen Ying, Zheng Cheng, Yi Zhen, et al. Review of liver and tumor image segmentation methods[J]. Application Research of Computers, 2022, 39(3): 641-650. (in Chinese with English abstract)

[25] 姜楓，顧慶，郝慧珍，等. 基于內(nèi)容的圖像分割方法綜述[J]. 軟件學(xué)報，2017，28(1)：160-183.

Jiang Feng, Gu Qing, Hao Huizhen, et al. Survey on content-based image segmentation methods[J]. Journal of Software, 2017, 28(1): 160-183. (in Chinese with English abstract)

[26] 金海燕，彭晶，周挺，等. 基于Graph Cuts多特征選擇的雙目圖像分割方法[J]. 計算機(jī)科學(xué)，2021，48(8)：150-156.

Jin Haiyan, Peng Jing, Zhou Ting, et al. Binocular image segmentation based on Graph Cuts muti-feature selection[J]. Computer Science, 2021, 48(8): 150-156. (in Chinese with English abstract)

[27] Rother C, Kolmogorov V, Blake A. “GrabCut”: Interactive foreground extraction using iterated graph cuts[J]. ACM Transactions on Graphics, 2004, 23(3): 309-314.

[28] Sun S H, Jiang M, He D J, et al. Recognition of green apples in an orchard environment by combining the GrabCut model and Ncut algorithm[J]. Biosystems Engineering, 2019, 187: 201-213.

[29] Zhang S W, Huang W Z, Wang Z L. Combing modified Grabcut, K-means clustering and sparse representation classification for weed recognition in wheat field[J]. Neurocomputing, 2021, 452: 665-674.

[30] 黃晨，劉澤，羅禹貢，等. 基于背景光照去除和連通區(qū)域的車位檢測[J]. 汽車工程，2020，42(1)：47-51，73.

Huang Chen, Liu Ze, Luo Yugong, et al. Parking space detection based on background illumination removal and connected region[J]. Automotive Engineering, 2020, 42(1): 47-51, 73. (in Chinese with English abstract)

[31] Huang J X, Tian L Y, Liang S L, et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J].Agricultural and Forest Meteorology, 2015, 204: 106-121.

[32] 王傳宇，郭新宇，杜建軍. 基于時間序列紅外圖像的玉米葉面積指數(shù)連續(xù)監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(6)：175-181.

Wang Chuanyu, Guo Xinyu, Du Jianjun. Continuous monitoring of corn leaf area index based on time series infrared images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(6): 175-181. (in Chinese with English abstract)

[33] 張智韜，邊江，韓文霆，等. 無人機(jī)熱紅外圖像計算冠層溫度特征數(shù)診斷棉花水分脅迫[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(15)：77-84.

Zhang Zhitao, Bian Jiang, Han Wenting, et al. Cotton moisture stress diagnosis based on canopy temperature characteristics calculated from UAV thermal infrared image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(15): 77-84. (in Chinese with English abstract)

[34] 楊文攀，李長春，楊浩，等. 基于無人機(jī)熱紅外與數(shù)碼影像的玉米冠層溫度監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(17)：68-75，301.

Yang Wenpan, Li Changchun, Yang Hao, et al. Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(17): 68-75, 301. (in Chinese with English abstract)

[35] 蔣霓. 單株水稻綠葉面積無損測量方法研究[D]. 武漢：華中科技大學(xué)，2014.

Jiang Ni. A Non-Destructive Method for Total Green Leaf Area Estimation of Individual Rice Plants[D]. Wuhan: Huazhong University of Science and Technology, 2014. (in Chinese with English abstract)

Nondestructive measurement of cotton leaf area at the seedling stage based on thermal infrared and visible images

Chen Jiale1, Wu Fengqi2, Han Yingchun1, Li Xiaofei1, Wang Zhanbiao1,2, Feng Lu1,2, Wang Guoping1, Lei Yaping1, Yang Beifang1, Xin Minghua1, Li Yabing1,2※

(1.,,455000,; 2.,,,,450000,)

A leaf area has been one of the most important indicators of photosynthesis, transpiration, respiration, and yield components of plants. The physiological and ecological indicators can dominate plant growth, fruit development, and quality formation. The purpose of this study is to measure the leaf area of cotton by the thermal infrared and visible images. An accurate, convenient, stable, and nondestructive approach was also proposed for the early leaf area measurement in physiological and ecological research. The experimental cotton was cultivated in the greenhouse of the East Field Experimental Base of Cotton Research Institute, Chinese Academy of Agricultural Sciences from July to September 2021 (On July 20th, the cotton seeds were soaked in the hydrogen peroxide for two hours, and then sown in the pots, one cotton seedling per pot, totally 15 pots). When the cotton was in the seedling stage (August 25th, the number of euphylla was 1-4), the infrared imager T660 was used to take photos at 14:00 pm, where the radiation difference among soil, leaf and shadow reached the outstanding effect. Five pots of cotton seedlings were randomly selected to capture the images. Both thermal infrared and visible images were obtained eight from each pot. Taken together, 16 images were obtained from each cotton pot. A hand-held standard board with a circular reference was used to hold the inclined leaves in each capture, in order to reduce the distortion of cotton leaves in the image. Hough circle detection was used to extract the region of reference substance in the visible image. The GrabCut was used to extract the leaf regions in the thermal infrared image. The capture and thermal infrared images were firstly adjusted by the FLIR tools. After that, the pixel values of leaf regions of the two images were assigned the weights and then superimposed. The color filling was carried out using a 4-connected field, in order to eliminate the isolated pixels near the leaf regions. The pixel value of the leaf area was defined after the color filled the connected area. The leaf regions were converted into white (pixel value is [1, 1, 1]), whereas, the rest was converted into black ([0, 0, 0]), according to the pixel values of the leaves. The following step was to convert the 3-channel image with the leaf information into a single-channel image. Then, the contour was extracted from the reference substance and the leaf regions. The leaf area was then calculated, according to the multiple relationships of the number of the pixels. The study-cutting weighing and Image Pro Plus image were used to measure the five pots of cotton seedlings for eight times after capture. The correlation analysis showed that there was a significant linear correlation (>0.99,<0.01). The difference between the method proposed in this paper, weighing, and Image Pro Plus method are all in the 0.06%-6.73% range. Additionally, the higher stability of the measurement was achieved, where the average coefficient of variation was 0.78%. Therefore, an accurate, stable, rapid, and nondestructive method can provide a promising convenience for physiological and ecological research in the early leaf area measurement.

leaf area; cotton; thermal infrared image; GrabCut; Hough circle detection

10.11975/j.issn.1002-6819.2022.15.019

S126

A

1002-6819(2022)-15-0179-07

陳家樂，吳灃槭，韓迎春，等. 采用熱紅外和可見光圖像無損測定棉花苗期葉面積[J]. 農(nóng)業(yè)工程學(xué)報，2022，38(15)：179-185.doi：10.11975/j.issn.1002-6819.2022.15.019 http://www.tcsae.org

Chen Jiale, Wu Fengqi, Han Yingchun, et al. Nondestructive measurement of cotton leaf area at the seedling stage based on thermal infrared and visible images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(15): 179-185. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.15.019 http://www.tcsae.org

2021-09-18

2022-03-07

國家自然科學(xué)基金資助項目（No.31601264）

陳家樂，研究方向為作物栽培理論與技術(shù)。Email：grachenjiale@163.com

李亞兵，博士，博士生導(dǎo)師，研究方向為作物栽培理論與技術(shù)。Email：criliyabing@163.com