计算机视觉在作物根系识别与分析中的应用

摘要：根据对作物根系精准分析和测量的现实要求，分析定量测量作物根系参数的必要性，介绍基于计算机视觉的作物根系图象处理技术的研究进展和成果，为作物根系的精准分析提供理论借鉴。

关键词：作物根系;计算机视觉;形态学参数;图像分割

中图分类号：S126    文献标识码：A    文章编号：1674-1161（2021）04-0045-02

諸多研究表明，作物根系的形态对作物生长具有重要影响。随着精准农业的发展，科研工作者致力于研究作物的根系形态和构型，以期获取根系的形态学参数，为作物生长提供科学依据。为此，分析对作物根系进行识别的必要性，介绍基于计算机视觉的作物根系图象处理技术的研究进展，为作物根系精准分析提供理论借鉴。

1 作物根系识别的必要性

根是植物的三大器官之一，具有吸收、固着、输导、合成、储藏和繁殖等功能，是确保作物地上部分健康生长的基础。随着精准农业的发展，国内外学者逐渐开展对植物根系形态和构型的研究，通过获取根系的形态学参数来为植物生长创造良好环境。

近年来，秸秆还田技术的推广应用，带动作物根系研究进一步发展。秸秆中蕴涵巨大的养分资源，将其还田既能培肥地力，还能解决秸秆焚烧污染问题。在生产实践中，秸秆还田的比例直接影响种子出苗率和腐熟剂的使用量。根据地表秸秆的覆盖分布情况估算田间作物根系的比例，无法满足田间秸秆总量的准确测算需求。

2 基于计算机视觉的根系图象处理技术

传统根系研究方法有整段标本法、土钻法、剖面法、玻璃壁法、间接法、容器法等。将植物根系从土壤中拔出洗净后测量，方法简单直接、应用广泛。但存在以下问题：约有30%的根在清洗过程中脱落，测量的精度和可靠性不高;需将大量作物根系样本带回实验室，劳动强度大，且需要较多的存储空间;测量时必须将根系拔出，无法完成同株全程观测。

随着科学技术的不断发展，根系研究越来越深入。基于计算机视觉的根系图象处理技术，通过根系图像提取有意义的根系特征，测量精度高，逐渐成为根系识别测量的重要方法。

2.1 计算机视觉

计算机视觉（Computer Vision）又称机器视觉，是指用摄像机和电脑模拟人类视觉对目标进行识别、跟踪、测量等操作，并通过识别和分析处理图形使之更适合观察或检测。当前，计算机视觉技术在农业领域的应用非常广泛，例如遥感技术、农作物动态监测、作物根系识别、病害预防、农产品质量分级等。计算机视觉技术的主要应用是处理图像信息，通常与图像处理、模式识别等技术联用，才能完成相应的任务。

基于视觉识别的作物根系分析基本程序为：图像采集→图像处理（分割、细化）→三维建模→可视化模型→参数获取（根长、根直径、根分支数、根夹角、根体积等）。

2.2 图像分割技术

根系的生长环境特殊，再加上根系自身的形态较为纤细，导致所获取的图像背景复杂，影响植物根系表型特征的分析，因此需要对图像进行预处理，逐个消除图片内的不利因素。图像的特征主要包括灰度特征（密度、颜色）、纹理特征和几何形状特征等。其中灰度特征和纹理特征属于内部特征，需借助分割图从原始图上测量。几何形状特征属于外部特征，可以从分割图上测量。

图像分割的目的是将图像中感兴趣的目标区域与背景区域分离，是图像处理中的一项关键技术。计算机视觉中的目标检测、特征提取和目标识别等，都取决于图像分割质量。图像分割技术经过几十年的发展，提出的分割方法达上千种，但尚无能够适合所有类型图像的通用方法。图像分割可能出现的误差有：目标区域未被分割出;分割后的图像增添新区域;所用分割算法没有正确给出边界定位。当前，主要图像分割方法的分类见图1。

2.3 图像细化技术

图像目标的一个显著几何特征为骨架。细化算法的目标是分析与提取非畸变骨架，为目标形状分析提供保障。随着骨架提取技术的发展，出现数量众多的细化算法，主要分为非迭代算法和迭代算法2大类。非迭代算法为一次产生骨架，如游程编码细化算法。迭代算法可分为串行算法和并行算法。在具体的应用中，主要有传统算法、在神经网络基础上的细化算法、数学形态学基础上的细化算法。

3 基于计算机视觉作物根系研究

早在2004年，胡秀娟就应用计算机视觉信息技术和机电一体化技术进行根系形态分析，得到适合根系形态分析的图象平滑算法和增强算法后，提出一种快速、有效获取根系图像的方法。并研制出由外部机构（如标定手柄、透明管等）、成像系统、光照系统、处理系统组成的图像捕获系统，为地下根系图像信息的快速采集和处理提供检测技术。此后，杨国梁基于颜色空间的单闽值分割算法实现彩色图像二值化后，设计一种基于曲线走向最短路径的主根识别算法，能够快速的识别根系主根及其侧根的生长点，并获取根系基本参数。

植物根系的复杂性和周围环境的多样性，使根系图像提取成为一项复杂的、极具挑战性的工作。为此，张垚以3种不同场景下获得的根系图像作为研究对象，从不同背景中提取出目标根系后用细化算法提取根骨架，在综合对比传统分割算法的基础上，引入脉冲耦合神经网络，提出一种适用于根系图像的分割方法。

赵来宾等集成现代光、机、电技术研发一种三维植物根系扫描仪。其为典型的非接触测量设备，利用CCD摄像机拍摄根系得到图像序列，然后对图像进行预处理和提取根系边缘，基于可见射线方法进行三维重建，最后进行三维构型和显示。试验证明，该算法切实可行，完全可以达到预想目的。

山西农业大学的李加刚在分析对比各个流程的算法优缺点后，利用摄像机获取目标根系的二维数据，再对获取到的二维序列图像进行滤波、增强等预处理，选取最优算法构建根系的三维模型。此后，利用可视化平台显示数据，并通过鼠标拾取方式获取根系三维模型的表型数据。

4 结语

计算机视觉技术利用计算机实现人的视觉功能，感知、识别和理解客观世界的三维场景。将其应用于作物根系的表型特征分析，可使田间作物根系测算更准确，且能快速得到理想的统计数据，从而为精细农业发展提供技术支撑。然而，根系图像的背景复杂，加之根系形状多样，因此需要对图像分割算法进行进一步改进，寻找适合多数植物根系图像的分割算法，同时完善根系图像分析系统的功能。

参考文献

[1] 李晚求.计算机视觉技术在根系形态和构型分析中的应用解析[J].电子制作，2021（4）：64-65.

[2] 胡秀娟.植物根系形态参数计算机视觉检测系统的研究[D].哈尔滨：东北林业大学，2004.

[3] 杨国梁.计算机视觉在根系形态分析中的应用研究[D].北京：首都师范大学，2006.

[4] 赵来宾.三维植物根系扫描系统的研究与实现[D].武汉：华中科技大学，2012.

[5] 李加刚.基于计算机视觉植物根系表型特征的研究[D].晋中：山西农业大学，2019.

Application of Computer Vision in the Identification

and Analysis of Crop Roots

AN Hefeng

（Liaoning Institute of Agricultural Mechanization， Shenyang 110161， China）

Abstract： According to the practical requirements of accurate analysis and measurement of crop root system， this paper analyzed the necessity of quantitative measurement of crop root parameters， and introduced the research progress and achievements of crop root image processing technology based on computer vision， in order to provide theoretical reference for accurate analysis of crop root system.

Key words： crop roots; computer vision; morphological parameters; image segmentation

收稿日期：2021-04-25

基金項目：省自然基金指导计划玉米秸秆还田的根与茬图像特征动态识别机理研究（2019-ZD-0349）

作者简介：安鹤峰（1975—），男，工程师，从事农业机械设计及研制工作。