基于圖像處理的橡膠樹(shù)割線(xiàn)分割研究

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(shù)死皮（Tapping Panel Dryness，TPD）的所有相關(guān)研究，均需對(duì)其割線(xiàn)癥狀進(jìn)行級(jí)別劃分，TPD級(jí)別劃分的精確性，直接影響研究結(jié)果的準(zhǔn)確性。但割線(xiàn)癥狀的多樣性，導(dǎo)致人為觀(guān)測(cè)無(wú)法準(zhǔn)確對(duì)其級(jí)別進(jìn)行判斷。本研究采用圖像處理方法，對(duì)采集的橡膠樹(shù)割線(xiàn)及割線(xiàn)上排膠部分的圖像進(jìn)行分割，從而可排除人為干擾因素，得到割線(xiàn)及排膠圖像，為準(zhǔn)確識(shí)別橡膠樹(shù)死皮級(jí)別提供客觀(guān)依據(jù)。

關(guān)鍵詞 橡膠樹(shù) ；死皮 ；割線(xiàn) ；分割 ；圖像處理

中圖分類(lèi)號(hào) S794.1 文獻(xiàn)標(biāo)識(shí)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(lái)源于巴西橡膠樹(shù)（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(lái)巨大損失[2-3]。橡膠樹(shù)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(jī)制[9-10]及死皮防治[11-16]等多個(gè)方面，但所有研究方向均以橡膠樹(shù)死皮割線(xiàn)癥狀觀(guān)測(cè)及分級(jí)為研究基礎(chǔ)。目前，橡膠樹(shù)死皮分級(jí)參照陳慕容等[14]的方法，采用人眼觀(guān)測(cè)割線(xiàn)癥狀并記錄數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分級(jí)。橡膠樹(shù)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(shí)踐中的表現(xiàn)具有多樣性，人為觀(guān)測(cè)往往存在很強(qiáng)的主觀(guān)性，從而導(dǎo)致研究結(jié)果差異較大。隨著計(jì)算機(jī)技術(shù)的發(fā)展，研究者將計(jì)算機(jī)視覺(jué)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(jì)算機(jī)把模擬的圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)，從而進(jìn)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(jìn)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(shù)[27]等作物葉部病害識(shí)別方面做了很多研究，也取得不錯(cuò)的效果。

在橡膠樹(shù)中，TPD主要發(fā)生在樹(shù)干，最直觀(guān)的癥狀表現(xiàn)在割線(xiàn)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(duì)橡膠樹(shù)群體樣本割線(xiàn)及排膠部分進(jìn)行處理，探討一種基于圖像處理的橡膠樹(shù)割線(xiàn)分割方法，從而解決人眼直接觀(guān)測(cè)割線(xiàn)所帶來(lái)的主觀(guān)性和不穩(wěn)定性，提高橡膠樹(shù)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(yàn)區(qū)概況

試驗(yàn)區(qū)位于海南省儋州市中國(guó)熱帶農(nóng)業(yè)科學(xué)院試驗(yàn)場(chǎng)六隊(duì)（19°32′ N、109°28′ E）16號(hào)樹(shù)位。該區(qū)屬熱帶海島季風(fēng)氣候類(lèi)型，歷年平均氣溫23.2～23.9℃，日平均氣溫≥15 ℃的活動(dòng)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(lèi)型為磚紅壤，酸性土壤（pH=4.59～5.93，數(shù)據(jù)來(lái)自中國(guó)熱帶農(nóng)業(yè)科學(xué)院氣象站）。試驗(yàn)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(jiǎn)單，采用寬行密植模式，株行距為3 m×7 m。試驗(yàn)品種為橡膠樹(shù)無(wú)性系熱研73397，割齡為18 a，割制為s/2（1/2樹(shù)圍）、d/3（每3 d一刀）。采集圖像時(shí)間為2016年5～11月橡膠樹(shù)開(kāi)割期間。

1.1.2 割線(xiàn)圖像采集

圖像采集是基于圖像處理技術(shù)進(jìn)行橡膠樹(shù)割線(xiàn)識(shí)別及死皮分級(jí)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(gè)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(duì)采集圖像的影響，選擇天氣晴朗的早晨，在4：00～7：00開(kāi)展采集工作。由經(jīng)過(guò)訓(xùn)練的專(zhuān)業(yè)人員進(jìn)行割膠，保證每條割線(xiàn)的長(zhǎng)度、寬度、深度及傾斜角度基本保持一致。

圖像采集地點(diǎn)在野外，設(shè)備需滿(mǎn)足野外作業(yè)的特點(diǎn)，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(shí)考慮設(shè)備價(jià)格要適中。經(jīng)綜合比較，本研究選用尼康D90相機(jī)作為采集設(shè)備，為了保證相機(jī)鏡頭與割線(xiàn)的位置更加符合割線(xiàn)圖像采集要求，在采集過(guò)程中用三腳架將相機(jī)進(jìn)行固定，高度調(diào)整為鏡頭與割線(xiàn)平行、鏡頭與割線(xiàn)的距離為40 cm、成像時(shí)鏡頭正對(duì)割面。采用自動(dòng)白平衡模式進(jìn)行拍攝，圖像分辨率為4 288×2 848像素。

1.2 方法

1.2.1 割線(xiàn)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(xiàn)特征創(chuàng)造了有利條件。在圖像分割前，需要利用割線(xiàn)的幾何特征對(duì)圖像的對(duì)比度、角度及尺度進(jìn)行歸一化處理。為了排除距離差異給圖像識(shí)別帶來(lái)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(diǎn)A、點(diǎn)O及點(diǎn)B的二維坐標(biāo)A（xa，ya），O（xo，yo），B（xb，yb），可以計(jì)算出平行四邊形位置和大小，進(jìn)而對(duì)平行四邊形AOBC裁剪（圖1）。

旋轉(zhuǎn)變換，將平行四邊形AOBC進(jìn)行旋轉(zhuǎn)，使OB邊與水平保持一致。OB與水平線(xiàn)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(diǎn)橫、縱坐標(biāo)，xb和yb為B點(diǎn)橫、縱坐標(biāo)，|yo-yb|為OD的長(zhǎng)度，|xo-xb|為OB的長(zhǎng)度。

1.2.2 割線(xiàn)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(gè)區(qū)域，并從其中提取出興趣目標(biāo)。由于分割對(duì)象的復(fù)雜及多樣性，到目前為止并沒(méi)有通用的分割方法，在眾多分割方法中最大類(lèi)間方差法分割效果好，且具有較強(qiáng)的自適應(yīng)能力。本研究采用最大類(lèi)間方差法對(duì)橡膠樹(shù)割線(xiàn)及其割線(xiàn)上白色的乳膠進(jìn)行分割。最大類(lèi)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(duì)灰度直方圖進(jìn)行推導(dǎo)。最大類(lèi)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(lèi)間方差最大為標(biāo)準(zhǔn)來(lái)確定閾值。

最佳閾值選擇方法為：設(shè)圖像共包含N個(gè)像素，其灰度值為[1，m]級(jí)，灰度級(jí)為i的像素點(diǎn)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(gè)區(qū)域，則C0和C1的均值為：

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

為了驗(yàn)證方法的有效性，在Matlab平臺(tái)對(duì)橡膠樹(shù)割線(xiàn)及排膠部分圖像分割開(kāi)展了實(shí)驗(yàn)。由于割線(xiàn)及白色乳膠灰度值相對(duì)于樹(shù)干而言較為接近，因此先將割線(xiàn)和排膠部分分割出來(lái)，再將排膠部分從割線(xiàn)中分割出來(lái)。第一輪分割將割線(xiàn)與排膠部分作為一類(lèi)，將樹(shù)干作為另一類(lèi)，利用類(lèi)間方差作為判斷依據(jù)，選取2類(lèi)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(duì)應(yīng)分割目標(biāo)即割線(xiàn)；另一組灰度對(duì)應(yīng)背景，即樹(shù)干。第二輪分割將割線(xiàn)作為一類(lèi)，排膠部分作為另一類(lèi)，再次選取割線(xiàn)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(xiàn)背景中分割出來(lái)。

1.2.3 橡膠樹(shù)死皮分級(jí)

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

2 結(jié)果與分析

2.1 割線(xiàn)圖像預(yù)處理

通過(guò)對(duì)割線(xiàn)圖像進(jìn)行預(yù)處理，在一定程度上獲得了割線(xiàn)圖像的幾何不變性，同時(shí)也基本消除了背景的干擾因素，預(yù)處理后各死皮級(jí)別的割線(xiàn)圖像如圖2所示。

2.2 割線(xiàn)與乳膠圖像分割

用最大類(lèi)間方差法，首先在[1，m]之間檢索圖像的灰度值T，計(jì)算σ2（T）取得最大值時(shí)T∈[1，m]的取值。此時(shí)將T作為圖像的分割閾值對(duì)該圖像進(jìn)行目標(biāo)與背景的分割。對(duì)不同級(jí)別橡膠樹(shù)死皮的圖像進(jìn)行分割，圖像大小為100×400像素，灰度級(jí)為[0，255]。圖3分別給出了正常及1～5級(jí)死皮圖像整條割線(xiàn)和排膠部分的分割效果圖，從圖中來(lái)看，效果較為理想。

3 討論

針對(duì)目前普遍采用的人工判斷橡膠樹(shù)死皮級(jí)別存在的問(wèn)題，本研究采集了橡膠樹(shù)割線(xiàn)癥狀高清圖像，并對(duì)割線(xiàn)圖像進(jìn)行預(yù)處理，包括裁剪、角度及尺度處理，最后采用最大類(lèi)間方差法對(duì)割線(xiàn)與背景及割線(xiàn)上排膠部分與背景進(jìn)行分割，在Matlab平臺(tái)上驗(yàn)證了該方法的有效性。通過(guò)一系列的圖像處理，最終分割到較為理想的橡膠樹(shù)割線(xiàn)和割線(xiàn)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(shù)死皮割線(xiàn)癥狀自動(dòng)分級(jí)打下了良好的基礎(chǔ)。傳統(tǒng)的橡膠樹(shù)死皮分級(jí)的方法是通過(guò)人肉眼觀(guān)測(cè)割線(xiàn)癥狀和記錄數(shù)據(jù)對(duì)死皮進(jìn)行分級(jí)[11]。成齡橡膠樹(shù)樹(shù)皮中有次生乳管形成的不同乳管層，同一層的乳管之間會(huì)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(guān)測(cè)就存在一定的誤差及主觀(guān)性，通過(guò)計(jì)算機(jī)來(lái)進(jìn)行割線(xiàn)癥狀分割，可以較為客觀(guān)和準(zhǔn)確地對(duì)死皮癥狀進(jìn)行分級(jí)，保證試驗(yàn)結(jié)果的可靠性。

通過(guò)對(duì)橡膠樹(shù)割線(xiàn)及排膠部分圖像進(jìn)行分割，可以更加合理地計(jì)算割線(xiàn)上排膠和死皮部分長(zhǎng)度及面積，以往的死皮分級(jí)方法僅僅考慮割線(xiàn)上橫向的長(zhǎng)度，沒(méi)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(guān)測(cè)分級(jí)的時(shí)候就要主觀(guān)去判斷，往往存在一個(gè)人不同次和兩個(gè)人同次觀(guān)測(cè)結(jié)果不同的情況。而通過(guò)圖像處理來(lái)進(jìn)行分割，后續(xù)可以建立模型和圖片數(shù)據(jù)庫(kù)，這樣就可以做到對(duì)采集的圖片自動(dòng)分級(jí)，可以有效解決這個(gè)問(wèn)題，保證結(jié)果的一致性。

盡管采取了各種措施來(lái)提高圖像的采集質(zhì)量，但由于光學(xué)設(shè)備的成像特點(diǎn)以及在采集過(guò)程中有時(shí)膠乳會(huì)溢出割線(xiàn)并附著在樹(shù)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(lái)嚴(yán)重影響；另外，割線(xiàn)及排膠部分分割算法仍然需要進(jìn)一步改進(jìn)及優(yōu)化。后續(xù)研究中也將進(jìn)一步改進(jìn)采集設(shè)備和采集方法，爭(zhēng)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(xiàn)

[1] 曾 霞，李維國(guó)，高新生，等. 巴西橡膠樹(shù)選育種研究現(xiàn)狀、趨勢(shì)及我國(guó)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(jìn)平. 橡膠樹(shù)死皮病及其分子機(jī)制最新研究進(jìn)展[J]. 中國(guó)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(shù)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(guó)主要植膠區(qū)橡膠樹(shù)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(shù)死皮發(fā)生現(xiàn)狀分析[J]. 西北林學(xué)院學(xué)報(bào)，2016，31（1）：176-179.

[7] 郭秀麗，孫 亮，胡義鈺，等. 巴西橡膠樹(shù)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(bào)，2016，47（9）：1 553-1 557.

[8] 袁 坤，周雪梅，李建輝，等. 死皮防治劑對(duì)死皮橡膠樹(shù)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(shù)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(duì)橡膠樹(shù)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(zhǎng)素防治橡膠樹(shù)死皮病的效果及對(duì)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(shù)褐皮病及其作用機(jī)理的研究[J]. 熱帶作物研究，1992（1）：30-37.

[15] 李智全，梁國(guó)宏，潘居清. 中幼齡橡膠開(kāi)割樹(shù)死皮病綜合防治生產(chǎn)型試驗(yàn)[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(duì)橡膠樹(shù)死皮和產(chǎn)量的影響[J]. 西南農(nóng)業(yè)學(xué)報(bào)，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(bào)，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(jī)械學(xué)報(bào)，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(shí)別[J]. 中國(guó)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(shí)別方法研究[J]. 中國(guó)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(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，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(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（增）：115-121.

[23] 柴阿麗，李寶聚，石延霞，等. 基于計(jì)算機(jī)視覺(jué)技術(shù)的番茄葉部病害識(shí)別[J]. 園藝學(xué)報(bào)，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(shù)樹(shù)皮結(jié)構(gòu)與發(fā)育[M]. 北京：科學(xué)出版社，2015：15.