基于點云的谷粒高通量表型信息自動提取技術(shù)

黃　霞　鄭順義　桂　力　趙麗科　馬　浩

(1.武漢大學(xué)遙感信息工程學(xué)院， 武漢 430079; 2.地球空間信息技術(shù)協(xié)同創(chuàng)新中心， 武漢 430079)

0　引言

表型組學(xué)[1]是近年來植物學(xué)研究的熱點，它是一門在基因組水平上系統(tǒng)研究某一生物或細(xì)胞在各種不同環(huán)境條件下所有表型的學(xué)科。表型指生物體個別或少數(shù)性狀以至全部性狀的表現(xiàn)，基因型是指生物的全部遺傳物質(zhì)(基因)組成[2]。表型是基因的直接反映，基因是表型的內(nèi)因[3]，通過研究作物的表型數(shù)據(jù)，可以建立基因與表型之間的關(guān)聯(lián)分析(Genome wide association study，GWAS)[4]，進(jìn)而通過基因篩選達(dá)到品種改良的目的[5]。水稻谷粒的形狀和長、寬、高、表面積以及體積等表型信息，對反映水稻的生長發(fā)育、生理生化以及遺傳等生命過程現(xiàn)象至關(guān)重要[6]，也是建立谷粒離散元模型的基礎(chǔ)[7]。在水稻表型組學(xué)研究中，需要龐大的表型信息作為基礎(chǔ)數(shù)據(jù)，因此，高通量自動獲取谷粒表型信息十分重要。

傳統(tǒng)的谷粒表型信息主要是人工測量[8-9]。由于谷粒的尺寸較小，手工測量操作困難，極易出錯，且耗時長[10]，測量的表型信息僅局限于谷粒的長和寬，不能測量更多的信息，不適合進(jìn)行大規(guī)模谷粒表型信息的采集。

計算機視覺技術(shù)的飛速發(fā)展，使谷粒信息的自動測量成為了可能[11]。常見的基于圖像的谷粒信息測量的開源軟件有SmartGrain[12]、ImageJ[13]、CellProfiler[14]和P-TRAP[15]以及WinSeedle等商業(yè)軟件[16]。這些軟件都能實現(xiàn)谷粒表型信息的測量，但是需要對每一粒谷粒進(jìn)行一一量取，并不能實現(xiàn)谷粒表型信息的批量測量。因此，有學(xué)者基于手機圖像進(jìn)行谷粒信息的提取[17]，實現(xiàn)了谷粒表型信息的自動和批量輸出。但是，在圖像上直接量取幾何信息是不準(zhǔn)確的，因為二維俯視圖是一個中心投影，離投影中心越遠(yuǎn)，圖像變形越大。

近年來3D技術(shù)日新月異，小目標(biāo)的三維測量也獲得了較高的精度[18-19]，3D技術(shù)在種子測量方面也有了成功的應(yīng)用[20]。OGAWA等[21]利用3D技術(shù)獲取了稻谷的多個剖面影像，實現(xiàn)了谷粒的三維建模，但此方法僅適合單個谷粒的三維建模，不適合批量建模。青克樂其其格等[22]利用數(shù)字顯微攝影測量技術(shù)采集了稻谷的顯微圖像，基于多角度匹配技術(shù)實現(xiàn)了谷粒的三維重建，但此方法需要對單粒谷粒進(jìn)行多角度拍照，在數(shù)據(jù)獲取時耗時較長，且實驗設(shè)備昂貴。劉彩玲等[23]利用全自動高精度立體掃描儀CF-30獲取了500粒水稻種子的三維點云數(shù)據(jù)，精度可達(dá)毫米級，但其長度、寬度及厚度等參數(shù)是用Geomagic Studio軟件逐一量取的，沒能實現(xiàn)谷粒表型信息的自動化提取和批量處理。

當(dāng)前谷粒表型信息參數(shù)自動計算多采用圖像技術(shù)，不能實現(xiàn)谷粒三維表面積和體積等參數(shù)的提取[22]。為增加表型參數(shù)的種類和數(shù)量，改進(jìn)谷粒表型參數(shù)提取的算法，本文提出一種基于軸對齊包圍盒(Axis-aligned bounding box，AABB)算法的長寬高測量方法，基于三角網(wǎng)格的表面積算法，帶符號投影的體積算法，基于凸包的剖面周長和面積的計算方法。

綜上，為了實現(xiàn)谷粒表型信息批量和自動提取，增加谷粒表型信息的種類和數(shù)量，本文根據(jù)數(shù)字化考種、水稻種子建模和谷粒表型庫建設(shè)等農(nóng)業(yè)應(yīng)用實際需求，整合三維掃描技術(shù)、信息處理技術(shù)以及計算機視覺技術(shù)等，提出一種基于點云的谷粒高通量表型信息自動提取方法。該方法旨在批量、快速和自動地獲取谷粒的三維模型和40個表型參數(shù)，以期為科學(xué)研究和生產(chǎn)應(yīng)用提供一種谷粒高通量表型信息自動提取方法。

1　材料與方法

1.1　數(shù)據(jù)獲取

將100粒干粳稻隨意鋪撒在桌面上(避開標(biāo)志點)，采用Handyscan 700型手持式激光掃描儀進(jìn)行掃描，獲得谷粒的三維點云數(shù)據(jù)。

Handyscan 700型掃描儀的測量原理是三角測量法，是一種非接觸測量法，利用激光二極管發(fā)出激光，通過透鏡聚焦投射到目標(biāo)上，反射或漫射后的激光按照一定的三角關(guān)系成像，從而獲取目標(biāo)的空間位置信息[24]。Handyscan 700型掃描儀共有7束交叉激光線，精度為0.030 mm。在掃描谷粒的同時，其附帶的VXelements軟件可實時顯示谷粒的三維數(shù)據(jù)采集情況。

圖1為100粒谷粒和單個谷粒的掃描數(shù)據(jù)，從形態(tài)上可以看出組成谷粒的點云均勻分布，谷粒的三維形態(tài)逼真。

圖1　谷粒點云數(shù)據(jù)Fig.1　Cloud point data of grain

1.2　方法

本文的谷粒表型信息提取方法主要分為3部分：谷粒數(shù)據(jù)預(yù)處理，即點云分類，將組成單個谷粒的點云單獨分為一類；三維重建，獲取谷粒的三維模型；表型信息提取，實現(xiàn)谷粒40個表型參數(shù)的自動提取。

1.2.1分類

對谷粒的原始點云數(shù)據(jù)進(jìn)行平面與谷粒的分離。平面上的點采用最小二乘法進(jìn)行平面擬合，平面和每個點到平面的距離分別為

Ax+By+Cz+D=0

(1)

(2)

式中A、B、C——平面方程的系數(shù)

D——常數(shù)

xi、yi、zi——i點的坐標(biāo)值

如果d(i)大于給定的閾值T(T取2倍點云密度)，則i點為谷粒的點，如圖2a中紅色的點；如果d(i)小于給定的閾值T，則i點為平面的點，如圖2a中灰色的點。

實現(xiàn)谷粒點的提取后，如圖2b所示，采用基于歐氏距離的最短聚類分析方法對谷粒進(jìn)行分類。基本原理是：假設(shè)總共有n個樣本，第1步，將每個樣本單獨聚成一類，共有n類；第2步，根據(jù)確定樣本的距離(本文采用歐氏距離)公式，把距離較近的2個樣本聚合成一類，其他樣本為另一類，共有n-1類；第3步，按照第2步將樣本聚成n-2類，依次循環(huán)，直到類間距離達(dá)到給定的閾值，如圖2c所示。

基于歐氏距離的最短聚類結(jié)果一般會出現(xiàn)過分類的現(xiàn)象，如圖2d所示，有單獨的孤點自成一類或者幾個飛點聚集成一類。則需要對這類點進(jìn)行處理。計算每類樣本點的個數(shù)Ni和平均每類樣本的個數(shù)N0，如果Ni小于閾值Tn0(Tn0=0.5N0)，則判定此類點為飛點，直接刪除，結(jié)果如圖2e所示。

在實際鋪撒谷粒時，往往會出現(xiàn)有谷粒重疊或者粘連在一起的情況，且由于其重疊的隨意性，導(dǎo)致其在幾何上沒有規(guī)律可循。對于這樣的谷粒，本文在計算谷粒表型信息時，直接剔除。判定方法為：Ni大于Tn1(1.5N0)，則判定該目標(biāo)不止一個谷粒，為相連的多個谷粒，直接刪除該類點。如圖2e所示，紫色的點為2粒粘在一起的谷粒，圖2f為刪除粘連谷粒點云后的結(jié)果，每一類點云就是一粒谷粒，點云的分類個數(shù)就是谷粒的個數(shù)。

圖2　谷粒點云分類Fig.2　Classifications of grain cloud point

1.2.2三維重建

要獲取谷粒的表面積、體積等信息，需要進(jìn)行三維重建。根據(jù)谷粒的三維特征可知，谷粒是一個較為簡單的凸幾何體，則采用柱面擬合的方式構(gòu)建谷粒的曲面。

采用最近鄰域法得到點的鄰域(k=15)，由點的鄰域集計算擬合平面。定義鄰域k范圍內(nèi)點云的協(xié)方差矩陣

(3)

式中n1——某鄰域內(nèi)點的個數(shù)

pi——某鄰域內(nèi)i點的坐標(biāo)

pi0——某鄰域內(nèi)點云的質(zhì)心坐標(biāo)

式(3)中矩陣M為質(zhì)量分布矩陣，此矩陣為對稱矩陣，亦為半正定矩陣，其對應(yīng)的最小特征值的特征向量nj為擬合平面的法向量。進(jìn)一步構(gòu)建鄰域點集的法矢方差矩陣

(4)

式中n2——法向量的個數(shù)

求得該矩陣的3個特征值λ1、λ2、λ3(λ1≤λ2≤λ3)，歸一化后為tk=λk/(λ1+λ2+λ3)(k=1，2，3)。則2個較小的特征值對應(yīng)2個主曲率，相應(yīng)的特征向量為主曲率對應(yīng)的方向。

其較小的特征值對應(yīng)的曲率方向作為柱面的母線方向，將鄰域點集投影到法矢方差矩陣的另2個特征值對應(yīng)的方向上，再將投影得到的平面點集擬合為一條圓錐曲線。平面點的坐標(biāo)記為(x1,x2)，一般的圓錐曲線方程

(5)

式中a1～a5——方程系數(shù)a6——常數(shù)

(6)

式中Si——i點局部鄰域點集

1.2.3參數(shù)計算

1.2.3.1基本參數(shù)

(1)AABB包圍盒法提取長寬高參數(shù)

掃描儀自帶的參考坐標(biāo)系和信息提取的全局坐標(biāo)系往往是不一致的。為簡化谷粒表型信息計算，構(gòu)建AABB包圍盒[25]，實現(xiàn)表型信息的批量提取，本文先對谷粒進(jìn)行坐標(biāo)轉(zhuǎn)換，使在全局坐標(biāo)系下任意方向的谷粒有統(tǒng)一的三軸(X軸、Y軸和Z軸)方向。校正后的谷粒在全局坐標(biāo)系統(tǒng)的姿態(tài)為：谷粒的幾何中心為原點，主對稱面(谷粒長軸與短軸構(gòu)成的平面)平行于XOY平面，長軸為X軸，短軸為Y軸，Z軸遵循右手坐標(biāo)法則。如圖3所示，左圖為坐標(biāo)轉(zhuǎn)換前的谷粒，右圖為經(jīng)坐標(biāo)旋轉(zhuǎn)后的谷粒。

圖3　坐標(biāo)旋轉(zhuǎn)Fig.3　Coordinate rotation

分析算法進(jìn)行坐標(biāo)旋轉(zhuǎn)。根據(jù)谷粒的幾何特性，本文采用谷粒的長軸、短軸及高作為谷粒幾何分布的第一、二、三主成分量。坐標(biāo)旋轉(zhuǎn)公式為

(7)

式中(x0,y0,z0)——原始坐標(biāo)

(x,y,z)——全局坐標(biāo)

R——旋轉(zhuǎn)矩陣

按照式(3)構(gòu)建所有谷粒三維點的協(xié)方差矩陣，求得該矩陣的3個特征向量構(gòu)成的矩陣即為所求的旋轉(zhuǎn)矩陣

R=[r1r2r3]

(8)

式中r1、r2、r3——谷粒點云協(xié)方差矩陣的特征值對應(yīng)的特征向量

根據(jù)旋轉(zhuǎn)矩陣R，可實現(xiàn)任意坐標(biāo)系下的谷粒在全局坐標(biāo)系中有統(tǒng)一的測量姿態(tài)。此時，求出谷粒三軸的最大最小坐標(biāo)即可得到AABB包圍盒的8個角點，進(jìn)而構(gòu)建AABB包圍盒。

構(gòu)建谷粒包圍盒后，可知一個谷粒的AABB包圍盒就是一個簡單的六面體，每一邊都平行于一個坐標(biāo)平面，谷粒在這個矩形邊界框內(nèi)，則測出邊界框的三邊長度即為谷粒的長、寬、高。如圖3中的l、b、h即為谷粒的長、寬、高。

(2)三角面求和計算表面積

谷粒的三維表面積可看作三角網(wǎng)格模型的總表面積S，即所有構(gòu)網(wǎng)的三角形面積之和。

(9)

式中k——三角形面的總數(shù)

si——第i個三角形面的面積

(3)帶符號投影的凸五面體法求體積

谷粒的三維模型是三角網(wǎng)格圍成的封閉空間，其體積V為所有帶符號三角形面的投影體積之和。

(10)

式中N——正負(fù)號的判定符號，取值為0或1

Vi——第i個三角形面的投影體積

N是體積的符號判定，0和1分別為該三角形的法向量背向和指向投影平面。設(shè)定一個與網(wǎng)格模型中所有三角形面均不相交的投影平面，投影體積為三角形面與投影平面圍成的凸五面體的體積。如圖4所示，A、B、C為三角形的3個頂點，A0、B0、C0為A、B、C在投影平面上的投影頂點，將此凸五面體剖分為3個四面體，凸五面體ABCA0B0C0體積計算公式為

Vi=V(A0ACB)+V(A0BCC0)+
V(A0BC0B0)

(11)

圖4　凸五面體Fig.4　Convex pentahedron

對于任意的四面體，若4個頂點的三維坐標(biāo)分別為(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3)和(x4,y4,z4)，則其體積計算公式為

(12)

因此，確定此三角網(wǎng)格模型體積的關(guān)鍵問題在于確定各三角形面投影體積的符號。如圖4所示，△ABC的頂點按A、B、C依次存儲，按照右手坐標(biāo)系法則，法向量方向背向投影面，則該三角形面的投影體積為正，若△ABC的頂點按A、C、B依次存儲，則該三角形面的投影體積為負(fù)。

(4)凸包法求剖面周長與剖面面積

本文基于凸包法，計算谷粒的剖面周長(C)和剖面面積(A)。本文計算谷粒的3個主要剖面，即谷粒幾何形狀第一、二、三主成分分量構(gòu)成的橫剖面、縱剖面以及水平剖面。以水平剖面為例，先截取質(zhì)心δ(δ為2倍點云密度)鄰域的點集，通過正投影直接把三維點云轉(zhuǎn)換為二維數(shù)據(jù)，如圖5a所示，綠色的點為組成谷粒的平面投影點，對其用凸包法進(jìn)行排序，算法如下：

(1)以X軸為主序，Y軸為副序?qū)c從左到右進(jìn)行升序排列。

(2)使用逐點插入法尋找包圍盒：以升序方式從左到右逐步插入上凸包點，再以逆序方式從右到左逐步插入下凸包點，凸點的判斷條件為凸點總是位于上一條邊的右側(cè)。

(3)連接所有的凸包點(圖5a中紅色的點)，藍(lán)色曲線為所求的周長曲線，剖面的周長計算公式為

(13)

式中m——凸包點的數(shù)目

剖面面積為所有凸包點與中心點構(gòu)成的三角形面積總和(圖5b)，計算公式為

(14)

式中ai——第i個剖面三角形的面積

本文的基本參數(shù)有11個，見表1中參數(shù)1～11。其中，包圍盒體積V_AABB=lbh。

圖5　剖面周長和面積Fig.5　Perimeter and area of a profile

1.2.3.2衍生參數(shù)和形狀因子

本文衍生參數(shù)11個(表1中參數(shù)12～22)。

傳統(tǒng)谷粒形狀描述因子為水平剖面的5個形狀因子和1個緊湊度指數(shù)[26]，本文計算3個主成分剖面(水平剖面xy、縱剖面xz和橫剖面yz)對應(yīng)的形狀因子和緊湊度指數(shù)共計18個參數(shù)，見表1中參數(shù)23～40。形狀因子(f1～f5)和緊湊度指數(shù)(c)計算公式為

(15)

(16)

(17)

(18)

(19)

(20)

式中l(wèi)p——剖面的長w——剖面的寬

表1　40個表型參數(shù)Tab.1　40 phenotypic parameters

2　實驗與分析

在實際考種中，對谷粒表型信息的測量通常選用15～30粒種子[27]，本文選用100粒水稻谷粒進(jìn)行谷粒高通量表型信息自動提取實驗。經(jīng)分類后，除去4粒粘連在一起的谷粒，本文實現(xiàn)了對96粒谷粒的三維建模和40個表型參數(shù)的提取。

2.1　實驗結(jié)果與谷粒形態(tài)分析

圖6為谷粒的三維模型。圖6a為96粒谷粒的三維模型，圖6b為單粒谷粒的三維模型，從圖中可以看出，本文所構(gòu)建的谷粒三維模型仿真度較高。

表2～4分別是谷粒表型信息的基本參數(shù)、衍生參數(shù)及形狀因子的最大值、最小值和均值。如表2所示，谷粒的表面積、長、寬、水平剖面面積和周長的值差異較小，體積、高、橫縱剖面面積和周長的值差異較大。

圖6　谷粒三維模型Fig.6　3D models of grain

表2　基本參數(shù)Tab.2　Primary parameters

表3　衍生參數(shù)Tab.3　Derived parameters

表4　3個主成分剖面的形狀因子Tab.4　Shape factors of three principal component profiles

研究發(fā)現(xiàn)，體積、高、橫縱剖面面積和周長的值較小均為癟粒，而這些參數(shù)直接與谷粒的高度信息有關(guān)，因此，谷粒的高度信息可用于區(qū)分谷粒實粒和癟粒，在一定程度上能直接反映谷粒的灌漿程度。如表3和表4所示，谷粒的衍生參數(shù)和形狀因子的差異均不大，反映了谷粒表型信息的細(xì)節(jié)差異，例如，相同長寬的谷粒的衍生參數(shù)和形狀因子卻不一定相同。

2.2　基于主成分分析的參數(shù)權(quán)重分析

本文提取的40個參數(shù)很好地定量描述了谷粒的幾何形態(tài)，可用于逆向工程谷粒建模[23,28]。本文利用主成分分析法對谷粒表型參數(shù)的權(quán)重進(jìn)行分析，建立谷粒形狀模型[29]。

利用SPSS軟件對40個參數(shù)進(jìn)行主成分分析，獲得6個主成分，累積貢獻(xiàn)率為93.356%，滿足主成分分析特征向量累積達(dá)到85%的要求。由SPSS軟件可得到各主成分特征值、主成分貢獻(xiàn)率和主成分載荷矩陣。以主成分的方差貢獻(xiàn)率為權(quán)重，建立谷粒形狀綜合得分模型

Y=0.096 5X1+0.063 6X2+0.099 1X3+
0.118 6X4+0.010 4X5+0.146 3X6+
0.129 8X7+0.085 0X8+0.097 5X9+
0.128 3X10+0.131X11+0.040 2X12+
0.011 8X13+0.023 9X14+0.064 4X15+
0.023 5X16+0.059 3X17+0.024 1X18+
0.044 5X19+0.070 4X20+0.060 1X21+
0.094 6X22-0.060 3X23+0.060 1X24-
0.134 1X25-0.023 2X26+0.045 9X27+
0.007X28+0.064 5X29-0.068 4X30-
0.010 5X31-0.078 7X32-0.065 9X33-
0.006 4X34+0.112 3X35-0.112 2X36-
0.047 2X37-0.101 2X38-0.078 4X39+
0.001 2X40

(21)

式中Y——谷粒形狀綜合得分

X1～X40——表1中對應(yīng)的40個表型參數(shù)

由該模型可知谷粒參數(shù)權(quán)重分布，如圖7所示。

圖7是本文提取的表1中40個表型參數(shù)的權(quán)重圖。從圖7可知，絕對值大于平均權(quán)重(1/40×100%=2.5%)的參數(shù)有表面積、體積與長等30個參數(shù)，小于平均權(quán)重的有長高比、寬高比和水平剖面形狀因子等10個參數(shù)。

圖7　谷粒表型參數(shù)權(quán)重Fig.7　Weight of grain phenotypic parameter

2.3　精度與效率分析

為了驗證算法的測量精度，本文利用精度為0.01 mm的游標(biāo)卡尺，測量96粒谷粒(除去粘連的4粒谷粒)的長、寬和高作為直線參數(shù)精度評價的參考值(真值)，考慮到人為測量誤差，實測值取3次人工測量的均值；表面積、體積和剖面積的參考值由Geomagic Studio逐一量取，由于Geomagic Studio沒有直接計算周長的功能，本文的周長不做精度評價分析。

圖8是谷粒表型測量值與參考值的誤差分析。從圖8可以看出，谷粒的體積和表面積參數(shù)與Geomagic Studio測量值相同。長、寬和高的最小絕對誤差均為0 mm，最小相對誤差均為零，最大絕對誤差依次為0.20、0.10、0.07 mm，最大相對誤差為2.63%、2.59%和2.89%。長、寬和高的平均絕對誤差為0.08、0.04、0.04 mm，平均相對誤差為1.14%、1.15%和1.62%。3個剖面面積與Geomagic Studio測量值的平均絕對誤差分別為0.62、0.44、0.19 mm2，最大絕對誤差為1.1、0.91、0.81 mm2，最小絕對誤差為0.11、0.08、0.06 mm2。3個剖面面積與Geomagic Studio測量值的平均相對誤差分別是1.82%、2.12%和2.43%，最大相對誤差為3.64%、3.71%和3.92%，最小相對誤差為0.14%、0.25%和0.29%。一般表型測量的精度要求是5%[17,30]，可以看出，在精度上，本文提出的方法可以滿足應(yīng)用需求。

圖8　谷粒表型測量值與參考值的誤差分析Fig.8　Error analysis of measured and reference phenotypic values of grain

表5是本文方法與其他方法的精度對比，實驗對象都為粳稻，但品種略有不同。方法1[30]是2011年DUAN基于圖像對谷粒的長和寬進(jìn)行測量，方法2[17]是2016年MA等基于手機圖像進(jìn)行的谷粒的長寬測量。這兩種方法和本文的真值均是用游標(biāo)卡尺的測量值進(jìn)行檢測的。

表5　本文方法與其他方法的精度對比Tab.5　Accuracy comparison between proposed method and two state-of-the-art methods

從表5可以看出，本文方法的精度均不低于另外2種方法。且本文可以測量出由這2種方法不能測量的谷粒表面積、體積、剖面周長和剖面面積等其他表型參數(shù)。

本次實驗的數(shù)據(jù)采集從鋪撒到三維數(shù)據(jù)采集完成，共計約160 s。數(shù)據(jù)分析和處理是在華碩臺式計算機(2.50 GHz，8.0 GB RAM)上完成，算法實現(xiàn)平臺為Microsoft Visual Studio 2010，共耗時98.497 s。包括數(shù)據(jù)采集和信息提取，平均2.69 s完成1粒谷粒的測量，耗時大大少于人工測量，可用于大規(guī)模數(shù)據(jù)采集和分析。

3　結(jié)論

(1)批量實現(xiàn)谷粒的三維建模和提取上百粒谷粒各40個表型參數(shù)，表型信息提取不需要人工干預(yù)，不需要人工設(shè)置參數(shù)。

(2)以手工實測值和軟件測量值為真值，本文方法所提取的長、寬、高和3個主成分剖面面積的平均相對誤差在2.43%以內(nèi)。與相關(guān)文獻(xiàn)方法相比，精度略高且表型信息種類更豐富。

(3)所提取的40個參數(shù)可建立谷粒形狀綜合得分模型。包括數(shù)據(jù)采集和信息提取，平均2.69 s完成單粒谷粒40個表型參數(shù)的測量。

1HOULE D, GOVINDARAJU D R, OMHOLT S. Phenomics: the next challenge[J]. Nature Reviews Genetics, 2010, 11(12): 855-866.

2GJUVSLAND A B, VIK J O, BEARD D A, et al. Bridging the genotype-phenotype gap: what does it take[J]. Journal of Physiology, 2013, 591(8): 2055-2066.

3BARH D， KHAN M，DAVIES E. PlantOmics: the omics of plant science[M]. India: Springer, 2015.

5GLASZMANN J C, KILIAN B, UPADHYAYA H D, et al. Accessing genetic diversity for crop improvement[J]. Current Opinion in Plant Biology, 2010, 13(2): 167-173.

6UPADHYAYA H D, REDDY K N, SINGH S, et al. Phenotypic diversity in Cajanus species and identification of promising sources for agronomic traits and seed protein content[J]. Genetic Resources and Crop Evolution, 2013, 60(2): 639-659.

7趙湛，李耀明，陳義，等. 水稻籽粒碰撞力學(xué)特性研究[J/OL]. 農(nóng)業(yè)機械學(xué)報, 2013, 44(6): 88-92.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130617&flag=1. DOI:10.6041/j.issn.1000-1298.2013.06.017.

ZHAO Zhan, LI Yaoming, CHEN Yi, et al. Impact mechanical characteristics analysis of rice grain[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(6): 88-92.(in Chinese)

8FURBANK R T, TESTER M. Phenomics-technologies to relieve the phenotyping bottleneck[J]. Trends in Plant Science, 2011, 16(12): 635-643.

9HITTALMANI S, HUANG N, COURTOIS B, et al. Identification of QTL for growth and grain yield-related traits in rice across nine locations of Asia[J]. Theoretical and Applied Genetics, 2003, 107(4): 679-690.

10AFONNIKOV D A, GENAEV M A, DOROSHKOV A V, et al. Methods of high-throughput plant phenotyping for large-scale breeding and genetic experiments[J]. Russian Journal of Genetics, 2016, 52(7): 688-701.

11BHAGWAT S G, SAINIS J K, SHOUCHE S P, et al. Grain morphometric characterisation of genetically related wheat selections using image analysis[J]. Cereal Research Communications, 2003, 31(1-2): 205-212.

12TANABATA T, YANO M. SmartGrain: high-throughput phenotyping software for measuring seed shape through image analysis[J]. Plant Physiology, 2012, 160(4): 1871-1880.

13IGATHINATHANE C, PORDESIMO L O, COLUMBUS E P, et al. Shape identification and particles size distribution from basic shape parameters using ImageJ[J]. Computers & Electronics in Agriculture, 2008, 63(2): 168-182.

14LAMPRECHT M R, SABATINI D M, CARPENTER A E. CellProfiler: free, versatile software for automated biological image analysis[J]. Biotechniques, 2007, 42(1): 71-75.

15ALTAM F, ADAM H, ANJOS A D, et al. P-TRAP: a panicle trait phenotyping tool[J]. BMC Plant Biology, 2013, 13(1): 122-135.

16GROVES F E, BOURLAND F M. Estimating seed surface area of cotton seed[J]. Journal of Cotton Science, 2010,14(2): 74-81.

17MA Z, MAO Y, GONG L, et al. Smartphone-based visual measurement and portable instrumentation for crop seed phenotyping[J]. IFAC-PapersOnLine, 2016, 49(16): 259-264.

18ZHENG S, ZHOU L, LI C, et al. Automatic 3D model reconstruction of the diamond object[J]. Measurement, 2012, 45(5): 844-855.

19CHAKRABORTY J, SARKAR D, SINGH A, et al. Measuring the three-dimensional morphology of crystals using regular reflection of light[J]. Crystal Growth & Design, 2012, 12(12): 6042-6049.

20MOORE C R, GRONWALL D S, MILLER N D, et al. Mapping quantitative trait loci affectingArabidopsisthalianaseed morphology features extracted computationally from images[J]. G3 Genes Genomes Genetics, 2013, 3(1): 109-118.

21OGAWA Y, KUENSTING H, SUGIYAMA J, et al. Structure of a rice grain represented by a new three-dimensional visualisation technique[J]. Journal of Cereal Science, 2002, 36(1): 1-7.

22青克樂其其格，郭新宇，肖伯祥，等. 基于多角度圖像的水稻稻谷幾何建模方法研究[J]. 中國傳媒大學(xué)學(xué)報:自然科學(xué)版, 2011, 18(3): 72-75.

QINGKELE Qiqige, GUO Xinyu, XIAO Boxiang, et al. Rice grain modeling based on multi-perspective images[J]. Journal of Communication University of China: Science and Technology, 2011, 18(3): 72-75. (in Chinese)

23劉彩玲，王亞麗，宋建農(nóng)，等. 基于三維激光掃描的水稻種子離散元建模及試驗[J]. 農(nóng)業(yè)工程學(xué)報, 2016, 32(15): 294-300.

LIU Cailing, WANG Yali, SONG Jiannong,et al. Experiment and discrete element model of rice based on 3D laser scanning[J]. Transactions of the CSAE, 2016, 32(15): 294-300. (in Chinese)

24成思源，劉俊，張湘?zhèn)? 基于手持式激光掃描的反求設(shè)計實驗[J]. 實驗室研究與探索, 2011, 30(8): 153-155.

CHENG Siyuan, LIU Jun, ZHANG Xiangwei. Experimental teaching of the reverse design based on hand-held laser scanning[J]. Research and Exploration in Laboratory, 2011, 30(8): 153-155. (in Chinese)

25GINO V D B. Efficient collision detection of complex deformable models using AABB trees[J]. Journal of Graphics Tools, 1997, 2(4): 1-13.

26SHOUCHE S P, RASTOGI R, BHAGWAT S G, et al. Shape analysis of grains of Indian wheat varieties.[J]. Computers & Electronics in Agriculture, 2001, 33(1): 55-76.

27IGATHINATHANE C, PORDESIMO L O, BATCHELOR W D. Major orthogonal dimensions measurement of food grains by machine vision using ImageJ[J]. Food Research International, 2009, 42(1): 76-84.

28陳晨，吳崇友，江濤. 基于逆向工程的水稻精準(zhǔn)模型構(gòu)建及試驗驗證[J]. 農(nóng)機化研究, 2017, 39(10): 46-52.

CHEN Chen, WU Chongyou, JIANG Tao. Precise modeling method of rice based on reverse engineering and test verification[J]. Journal of Agricultural Mechanization Research, 2017, 39(10): 46-52. (in Chinese)

29楊春周，滕克難，程月波. 作戰(zhàn)效能評估指標(biāo)權(quán)重的確定[J]. 計算機仿真, 2008, 25(10): 5-7.

YANG Chunzhou, TENG Ke’nan, CHENG Yuebo. Determination of the weight values of indexes for the combat capability[J]. Computer Simulation, 2008, 25(10): 5-7. (in Chinese)

30DUAN L, YANG W, HUANG C, et al. A novel machine-vision-based facility for the automatic evaluation of yield-related traits in rice[J]. Plant Methods, 2011, 7(1): 44-57.