油菜籽粒千粒重圖像測(cè)定方法

姚業(yè)浩，李毅念，鄒瑋，劉瓔瑛，何瑞銀

（南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇 南京，210031）

油菜是我國(guó)重要的油料作物[1]。油菜考種是育種過(guò)程中的重要手段，其中千粒重是考種必不可少的參數(shù)[2]。國(guó)標(biāo)中規(guī)定的千粒重測(cè)定方法是隨機(jī)數(shù)出3 份1000 粒種子，分別測(cè)量質(zhì)量，求其平均值。目前千粒重測(cè)定中的籽粒千粒計(jì)數(shù)和質(zhì)量測(cè)定皆為人工操作，費(fèi)時(shí)費(fèi)力，不適應(yīng)當(dāng)前大規(guī)模現(xiàn)代農(nóng)作物育種的需要。

目前普遍采用微電腦自動(dòng)數(shù)粒儀對(duì)水稻、小麥等大籽粒進(jìn)行定量計(jì)數(shù)，但計(jì)數(shù)速度與計(jì)數(shù)準(zhǔn)確度成負(fù)相關(guān)，且不適應(yīng)于油菜等小籽粒的計(jì)數(shù)。應(yīng)用圖像處理技術(shù)解決農(nóng)業(yè)領(lǐng)域的問(wèn)題方面不斷得到擴(kuò)展，主要應(yīng)用于植物表型構(gòu)建與分析[3～5]、病蟲(chóng)害檢測(cè)[6,7]、品種分類(lèi)[8]、目標(biāo)檢測(cè)計(jì)數(shù)[9～11]和千粒重測(cè)定中的籽粒計(jì)數(shù)[12～17]等方面。高慧敏[12]等利用掃描儀成像技術(shù)獲取蘆筍種子圖像，再使用Image-pro plus V6.0 軟件自帶的計(jì)數(shù)功能實(shí)現(xiàn)對(duì)蘆筍種子的自動(dòng)計(jì)數(shù)，然后用天平稱(chēng)重獲取種子質(zhì)量，計(jì)算出蘆筍種子的千粒重。王剛[15]研制了一種基于機(jī)器視覺(jué)的玉米千粒重快速考種儀，該儀器包括自動(dòng)給料、輸送機(jī)構(gòu)、稱(chēng)重機(jī)構(gòu)、圖像采集系統(tǒng)，利用圖像處理的方法對(duì)籽粒計(jì)數(shù)和天平稱(chēng)重，再換算出千粒重，測(cè)定誤差為0.14%，但測(cè)試系統(tǒng)復(fù)雜，投入成本較大，自動(dòng)化程度低，不利于大規(guī)模投入使用。胡細(xì)貴[17]利用高精度天平測(cè)定單穗水稻的實(shí)粒質(zhì)量，再利用實(shí)粒數(shù)轉(zhuǎn)化為千粒重，該方法仍要人工對(duì)單穗水稻籽粒計(jì)數(shù)，因此并沒(méi)有實(shí)現(xiàn)自動(dòng)化。在油菜籽粒計(jì)數(shù)方面，楊冬平[10]等利用油菜籽類(lèi)圓形的形狀特點(diǎn)，采用改進(jìn)的Hough 變換方法找到油菜籽粒的圓心，并在兩個(gè)相鄰籽粒中心的連接線(xiàn)上作垂線(xiàn)以達(dá)到油菜籽粒分割計(jì)數(shù)的目的，結(jié)果表明該方法計(jì)數(shù)所得到的籽粒數(shù)準(zhǔn)確度為98%以上。吳文華[11]采用Lab 顏色空間下的K-means 聚類(lèi)分割算法實(shí)現(xiàn)油菜籽粒前景和背景的分離，再通過(guò)標(biāo)記控制分水嶺分割算法以及面積閾值法來(lái)解決粘連籽粒的問(wèn)題，結(jié)果表明當(dāng)油菜籽粒在600粒以?xún)?nèi)時(shí)，計(jì)數(shù)誤差在3%以?xún)?nèi)。

現(xiàn)階段千粒重測(cè)定方法雖然采用圖像方法進(jìn)行籽粒計(jì)數(shù)，但仍然存在問(wèn)題，比如仍然需要人工稱(chēng)量籽粒重，自動(dòng)化程度低。為解決這一問(wèn)題，本研究基于圖像處理技術(shù)，建立籽粒面積與質(zhì)量之間的相關(guān)性模型，對(duì)油菜籽粒進(jìn)行圖像識(shí)別計(jì)數(shù)，利用隨機(jī)函數(shù)法從中選取1000 粒油菜籽粒并提取面積，代入籽粒面積與質(zhì)量之間的相關(guān)性模型得到籽粒千粒重。

1 材料及方法

1.1 實(shí)驗(yàn)設(shè)備

圖像采集設(shè)備有華為智能手機(jī)（榮耀V30，6GB+128GB，像素為3648×2736）、升降臺(tái)（高度固定）和A4 大小發(fā)光板（圖1）。稱(chēng)重設(shè)備為電子天平（型號(hào)：UIP-313，精度0.01g，上?；ǔ彪娖饔邢薰荆?，PC 機(jī)（聯(lián)想G50-80,Window10 操作系統(tǒng)，250G固態(tài)硬盤(pán)，12GB內(nèi)存），MATLAB2020。

圖1 圖像采集設(shè)備Fig.1 Image acquisition equipment

1.2 材料

采用3 個(gè)不同的甘藍(lán)型油菜品種，分別為灃油737、楊油5 號(hào)和蘇油1 號(hào)，樣本均采自江蘇省南京市六合區(qū)八百橋，待樣本自然風(fēng)干后采用人工脫粒的方式獲取油菜籽粒。對(duì)籽粒進(jìn)行分樣，3 個(gè)品種的建模集樣本數(shù)分別為151、54、75 份（籽粒數(shù)量均在90～2500 粒之間），對(duì)樣本進(jìn)行稱(chēng)重和圖像采集，此部分樣本用于圖像方法獲取籽粒質(zhì)量的模型建模和籽粒數(shù)驗(yàn)證。每個(gè)品種采用國(guó)標(biāo)方法人工測(cè)定油菜籽粒千粒重作為真實(shí)千粒重用于和圖像處理結(jié)果進(jìn)行比較，3 個(gè)品種驗(yàn)證集樣本數(shù)均為30 份（籽粒數(shù)量均在2000～4000 粒之間），用圖像處理的方法來(lái)測(cè)定千粒重。

1.3 數(shù)據(jù)處理方法

以人工測(cè)定的千粒重為真實(shí)值，圖像處理測(cè)定千粒重為測(cè)量值，使用式（1）計(jì)算千粒重測(cè)定的平均絕對(duì)誤差，使用式（2）計(jì)算千粒重測(cè)定的平均相對(duì)誤差。使用公式（3）計(jì)算兩測(cè)量結(jié)果之間最大相對(duì)之差，并與國(guó)家標(biāo)準(zhǔn)（GB 5519-08）要求做比較。

式中：E為平均絕對(duì)誤差；Q為平均相對(duì)誤差，%；T為最大相對(duì)之差，%；m為每個(gè)品種樣本數(shù)；xi為測(cè)量值；xj為真實(shí)值；pi為單個(gè)樣本的相對(duì)誤差；xmax為一組測(cè)量數(shù)據(jù)中的最大值；xmin為一組測(cè)量數(shù)據(jù)中的最小值。

1.4 圖像處理方法

1.4.1 圖像處理流程 圖像處理過(guò)程按照?qǐng)D2 所示流程進(jìn)行。

圖2 圖像處理算法流程Fig.2 Image processing algorithm flow

1.4.2 圖像預(yù)處理 圖像預(yù)處理包括灰度化、二值化、取反、開(kāi)運(yùn)算、去除小面積、孔洞填充、去標(biāo)簽。以灃油737 為例進(jìn)行說(shuō)明，油菜籽粒的原圖如圖3A 所示（矩形框表示放大區(qū)域，相關(guān)圖像處理方法的說(shuō)明以此區(qū)域內(nèi)圖像為例），經(jīng)過(guò)預(yù)處理后的二值圖如圖3B所示。

圖3 圖像預(yù)處理效果Fig.3 Effect of preprocessed image

1.4.3 控制標(biāo)記符的分水嶺分割方法 分水嶺變換[18]直接用于梯度圖像時(shí)會(huì)產(chǎn)生嚴(yán)重的過(guò)分割，為解決這一問(wèn)題引入了標(biāo)記符的概念，內(nèi)部標(biāo)記符處在每個(gè)目標(biāo)的內(nèi)部，用來(lái)限制允許的分割區(qū)域數(shù)目。

極限腐蝕：極限腐蝕就是通過(guò)不斷的迭代腐蝕最終將目標(biāo)縮減至一個(gè)微小的核[9]的過(guò)程，傳統(tǒng)的極限腐蝕是采用同一個(gè)結(jié)構(gòu)元素對(duì)目標(biāo)進(jìn)行腐蝕處理n 次,達(dá)到極限腐蝕的目標(biāo)。由于油菜籽粒尺寸大小差異顯著，極限腐蝕次數(shù)n（n=10）較小時(shí)，小籽粒之間腐蝕分割完好，而大籽粒之間的粘連會(huì)出現(xiàn)欠腐蝕現(xiàn)象，如圖4C 所示；極限腐蝕次數(shù)n（n=12）較大時(shí)，部分小籽粒出現(xiàn)過(guò)腐蝕現(xiàn)象而消失，如圖4E 所示；即使極限腐蝕次數(shù)n 取中間值n=11，仍然出現(xiàn)粘連大籽粒無(wú)法腐蝕分開(kāi)、部分小籽粒腐蝕消失的現(xiàn)象，如圖4D所示。因此固定腐蝕次數(shù)的極限腐蝕對(duì)于油菜籽粒尺寸大小差異顯著的圖像并不合適。本文提出了一種選擇性極限腐蝕的方法（圖5）。采用半徑為1 的圓盤(pán)結(jié)構(gòu)元素進(jìn)行極限腐蝕，每次腐蝕后都計(jì)算每個(gè)連通域的面積，提取出面積小于等于s 的連通域，其余連通域繼續(xù)迭代腐蝕，直到每個(gè)連通域面積都小于等于s 為止。該方法選擇性地減少了小籽粒的腐蝕次數(shù)，避免過(guò)腐蝕現(xiàn)象的產(chǎn)生，增加了粘連大籽粒的腐蝕次數(shù)，粘連大籽粒得到了充分腐蝕，n 不再局限于一個(gè)固定的值，有效彌補(bǔ)了傳統(tǒng)極限腐蝕的不足，腐蝕效果如圖4F所示。

圖4 粘連籽粒在不同極限腐蝕方法下的分割效果（局部）Fig.4 Segmented effect of adhesion rapeseed seeds by using different limit erosion methods（local area）

圖5 選擇性極限腐蝕算法流程Fig.5 Algorithm flow of selective limit erosion

分水嶺分割：采用形態(tài)學(xué)梯度法來(lái)計(jì)算油菜籽粒的梯度幅度[19]，如圖6A 所示。由于噪聲及其他局部不規(guī)則性未經(jīng)處理的梯度圖像會(huì)在分水嶺變換后產(chǎn)生多余的分水嶺脊線(xiàn)，導(dǎo)致過(guò)分割現(xiàn)象，如圖6B 所示。為防止過(guò)分割現(xiàn)象，把選擇性極限腐蝕的方法得到的目標(biāo)內(nèi)部的核作為內(nèi)部標(biāo)記符來(lái)限制允許的區(qū)域數(shù)目，首先利用內(nèi)部標(biāo)記符對(duì)原梯度圖像施加強(qiáng)制極小值，如圖6C 所示，然后對(duì)修改后的梯度圖像進(jìn)行分水嶺變換得到分水嶺脊線(xiàn)，最后將分水嶺脊線(xiàn)疊加到原二值圖像上完成圖像分割,如圖6D所示。為了增加分割效果的直觀性，根據(jù)油菜籽粒形態(tài)近圓形的特點(diǎn)，對(duì)每個(gè)油菜籽粒連通域擬合一個(gè)帶有顏色的圓以增強(qiáng)分割效果的直觀性，符合粘連條件的籽粒擬合紅色的圓，其余擬合綠色的圓。粘連條件判斷如下：（1）求取分割后籽粒的平均面積S，面積大于等于2S的即為粘連籽粒（兩粘連及以上）；（2）將面積大于2S 的籽粒去除，對(duì)剩下的籽粒擬合最小外接矩形，長(zhǎng)寬比大于等于1.5 的為粘連籽粒（兩粘連）。識(shí)別效果如圖6E所示。

圖6 分水嶺方法分割過(guò)程Fig.6 Segmentation process for Watershed segmentation

二次分割：經(jīng)分水嶺一次分割后絕大部分粘連籽粒都被分割開(kāi)，但仍然有小部分粘連程度高的籽粒未被分割開(kāi)，由于粘連程度高的籽粒在極限腐蝕時(shí)只得到了一個(gè)核，所以需對(duì)粘連程度高的籽粒重新確定每個(gè)籽粒內(nèi)部的核，再進(jìn)行分水嶺變換。根據(jù)粘連條件提取粘連籽粒如圖7A 所示，經(jīng)距離變換，將二值圖像改為具有一定灰度值的灰度圖像，粘連籽粒的灰度值三維曲面如圖7B所示，每個(gè)籽粒的內(nèi)部都存在一個(gè)灰度極大值，保留極大值及其周邊的像素，得到的新的二值圖像就是各籽粒的核,如圖7C 所示，再經(jīng)分水嶺變換即可實(shí)現(xiàn)二次分割，如圖7D所示，整體分割效果如圖8所示。

圖7 二次分割過(guò)程Fig.7 Secondary segmentation process

圖8 整體分割效果Fig.8 Overall segmentation effect

1.5 千粒重測(cè)試方法

從分割好的籽粒圖像中隨機(jī)選取1000 粒籽粒并計(jì)算面積，所選取的1000 粒油菜籽粒效果如圖9所示（被綠色圓標(biāo)記的籽粒即為所選籽粒）。將該1000 粒油菜籽粒的面積代入面積與質(zhì)量相關(guān)性模型中計(jì)算得到千粒重。

圖9 選取1000粒籽粒效果Fig.9 Image of 1000 seeds selected

2 結(jié)果與分析

2.1 相關(guān)性模型

通過(guò)樣本中得到的油菜籽粒面積（像素?cái)?shù)量）與籽粒質(zhì)量數(shù)據(jù)，建立面積與質(zhì)量之間的相關(guān)性模型，如圖10 所示。3 個(gè)品種各自和全部品種的樣本籽粒面積與籽粒質(zhì)量線(xiàn)性相關(guān)關(guān)系式分別為:

圖10 籽粒面積與籽粒質(zhì)量的關(guān)系模型Fig.10 Correlation models between seed area and seed mass

y=8×10-6x-0.3182

確定系數(shù)（R2）分別為0.9964、0.9941、0.9783，0.9881，籽粒質(zhì)量與其籽粒面積具有十分顯著的線(xiàn)性相關(guān)性，說(shuō)明通過(guò)圖像法測(cè)定油菜籽粒的面積代入相關(guān)模型中可以計(jì)算籽粒的質(zhì)量。

2.2 油菜籽粒圖像識(shí)別計(jì)數(shù)結(jié)果分析

通過(guò)圖像處理對(duì)油菜籽粒進(jìn)行千粒重測(cè)定時(shí)，需要對(duì)籽粒進(jìn)行分割計(jì)數(shù)并從中選取1000粒籽粒，分割計(jì)數(shù)的精度以及1000 籽粒選取的準(zhǔn)確度將直接影響千粒重測(cè)定的精度。分別以1000～2000 粒、2001～3000 粒和3001～4000 粒為計(jì)數(shù)區(qū)間，在每個(gè)計(jì)數(shù)區(qū)間計(jì)數(shù)10次，驗(yàn)證本文籽粒計(jì)數(shù)算法的準(zhǔn)確性；以圖像處理后再經(jīng)人工修整后的結(jié)果作為真實(shí)值，可得到籽粒數(shù)識(shí)別結(jié)果（表1），3 個(gè)品種的籽粒分割計(jì)數(shù)絕對(duì)誤差和相對(duì)誤差均隨著籽粒數(shù)區(qū)間的增大而增大，因?yàn)樽蚜?shù)區(qū)間的增大會(huì)增加籽粒密度和粘連的比例從而影響籽粒分割的準(zhǔn)確度。由表1 計(jì)算可得，3 個(gè)品種在1000～4000 粒區(qū)間內(nèi)的籽粒計(jì)數(shù)平均相對(duì)誤差分別為0.23%、0.25%、0.14%，其中蘇油1 號(hào)的籽粒計(jì)數(shù)誤差明顯小于其余兩個(gè)品種，因?yàn)槠渥蚜４蠖枬M(mǎn)，相鄰籽粒之間空隙較大，更易分割。與吳文華[11]研究的油菜籽粒600 粒以?xún)?nèi)，誤差3%的方法相比，本方法具有計(jì)數(shù)區(qū)間大、計(jì)數(shù)準(zhǔn)確度高的優(yōu)點(diǎn)。

表1 油菜籽粒圖像識(shí)別計(jì)數(shù)結(jié)果Table 1 Identifying and counting results of rapeseed seeds

2.3 千粒籽粒選取結(jié)果分析

從分割后的籽粒中根據(jù)粘連條件去除粘連籽粒，再?gòu)娜コ尺B后的籽粒中選取1000粒籽粒的結(jié)果如表2 所示。由表2 計(jì)算可得：在30 次測(cè)試中，3個(gè)品種隨機(jī)選取1000 粒油菜籽粒的平均零誤差率為71.11%，平均絕對(duì)誤差為0.40 粒，平均相對(duì)誤差為0.04%。因此本文提出的從圖像中選擇1000 粒油菜籽粒的方法具有較高的精度和可行性。

表2 千粒籽粒選取結(jié)果Table 2 Selection results of 1000 rapeseed seeds

2.4 千粒重測(cè)定結(jié)果分析

按照千粒重的測(cè)定方法人工測(cè)定油菜籽粒千粒重，同時(shí)利用圖像處理的方法從3 份待測(cè)籽粒圖像中分別隨機(jī)選取1000 粒油菜籽粒經(jīng)相關(guān)性模型計(jì)算其質(zhì)量，取平均值為千粒重，測(cè)定結(jié)果如表3所示。由表3 計(jì)算可得：在人工測(cè)定千粒重結(jié)果中，3個(gè)品種在3 次千粒重測(cè)定中的2 次結(jié)果最大相對(duì)之差分別為1.7%、3.5%、2.6%，在圖像處理測(cè)定千粒重結(jié)果中，利用3 個(gè)品種各自的籽粒面積與質(zhì)量相關(guān)性模型得到的3 個(gè)品種在3 次千粒重測(cè)定中的2次結(jié)果最大相對(duì)之差分別為2.0%、2.0%、2.6%，利用全部品種的籽粒面積與質(zhì)量相關(guān)性模型得到的3個(gè)品種在3 次千粒重測(cè)定中的2 次結(jié)果最大相對(duì)之差分別為3.3%、3.4%、4.6%，結(jié)果穩(wěn)定，均符合國(guó)家標(biāo)準(zhǔn)要求的允許差。與人工測(cè)定結(jié)果相比，利用3 個(gè)品種各自的籽粒面積與質(zhì)量相關(guān)性模型得到的3 個(gè)油菜品種千粒重測(cè)定的絕對(duì)誤差分別為0.06g、0.04g、0.03g，相對(duì)誤差分別為1.68%、1.13%、0.59%，平均準(zhǔn)確度為98.87%。利用全部品種的籽粒面積與質(zhì)量相關(guān)性模型得到的3個(gè)油菜品種千粒重測(cè)定的絕對(duì)誤差分別為0.11g、0.11g、0.16g，相對(duì)誤差分別為3.08%、3.11%、3.16%，平均準(zhǔn)確度為96.88%。利用全部品種的籽粒面積與質(zhì)量相關(guān)性模型得到的千粒重結(jié)果精度略低于利用3個(gè)品種各自的籽粒面積與質(zhì)量相關(guān)性模型得到的千粒重結(jié)果，但利用該模型得到的千粒重平均準(zhǔn)確度為96.88%，最大相對(duì)誤差仍不超過(guò)3.16%，該模型具有良好的準(zhǔn)確度、適用性和通用性，說(shuō)明本文提出的方法具有較高的準(zhǔn)確度和可行性。

表3 千粒重測(cè)定結(jié)果Table 3 Determination results of mass of 1000 seeds

2.5 算法穩(wěn)定性結(jié)果分析

為檢驗(yàn)本文算法的穩(wěn)定性和計(jì)算結(jié)果的普遍性和代表性，利用圖像處理的方法測(cè)定驗(yàn)證集中樣本的千粒重（每個(gè)品種30份樣本），測(cè)定結(jié)果如圖11所示，千粒重?cái)?shù)據(jù)均勻分布在平均值上下兩側(cè)。由圖11 計(jì)算可得：利用3 個(gè)品種各自的籽粒面積與質(zhì)量相關(guān)模型得到的3 個(gè)品種在30 次千粒重測(cè)定中的2 次結(jié)果最大相對(duì)之差分別為4.7%、6.1%、6.5%，利用全部品種的籽粒面積與質(zhì)量相關(guān)模型得到的3個(gè)品種在30次千粒重測(cè)定中的2次結(jié)果最大相對(duì)之差分別6.4%、7.9%、8.9%，均符合國(guó)家標(biāo)準(zhǔn)要求的允許差。利用3個(gè)品種各自的籽粒面積與質(zhì)量相關(guān)模型得到的3 個(gè)品種在30 次千粒重測(cè)定中的千粒重平均值與實(shí)際千粒重的相對(duì)誤差分別為1.96%、0.56%、0.00%，利用全部品種的籽粒面積與質(zhì)量相關(guān)模型得到的3 個(gè)品種在30 次千粒重測(cè)定中的千粒重平均值與實(shí)際千粒重的相對(duì)誤差分別為3.08%、3.67%、1.38%，表明該算法準(zhǔn)確度高。利用3個(gè)品種各自的籽粒面積與質(zhì)量相關(guān)模型得到的3 個(gè)品種在30 次千粒重測(cè)定中的千粒重變異系數(shù)分別為1.4%、1.8%、1.3%，利用全部品種的籽粒面積與質(zhì)量相關(guān)模型得到的3 個(gè)品種在30 次千粒重測(cè)定中的千粒重變異系數(shù)分別為1.5%、2.4%、2.4%，表明該算法具有非常好的穩(wěn)定性，計(jì)算所得結(jié)果具有普遍性。

圖11 穩(wěn)定性分析Fig.11 Stability analysis

2.6 測(cè)量時(shí)間分析

人工測(cè)定油菜籽粒千粒重與圖像處理技術(shù)測(cè)定千粒重所需時(shí)間統(tǒng)計(jì)結(jié)果見(jiàn)表4，由表4 可知人工測(cè)定3 個(gè)品種油菜籽粒千粒重的平均時(shí)間為1549 s（包括數(shù)籽粒、稱(chēng)重、計(jì)算平均值），而在已建立籽粒面積與質(zhì)量相關(guān)模型的情況下采用圖像處理的方法平均僅需152 s 即可完成油菜籽粒千粒重的測(cè)定（包括獲取圖像、導(dǎo)入電腦、圖像處理整個(gè)過(guò)程，其中每次圖像處理約消耗20 s 左右的時(shí)間），所以傳統(tǒng)人工測(cè)定油菜千粒重所需要的時(shí)間是本文測(cè)定方法所需時(shí)間的10.2 倍，因此，運(yùn)用本方法可以快速的獲取油菜籽粒的千粒重信息。

表4 測(cè)量時(shí)間Table 4 Measurement time

3 討論與結(jié)論

本文通過(guò)圖像處理技術(shù)對(duì)測(cè)定油菜籽粒千粒重的籽粒數(shù)量和籽粒質(zhì)量直接進(jìn)行測(cè)試，利用圖像分割技術(shù)將油菜籽粒分成單粒，再利用隨機(jī)函數(shù)從中選取1000粒油菜籽粒，最后利用油菜籽粒面積與質(zhì)量的相關(guān)模型計(jì)算選取的1000 粒油菜籽粒的質(zhì)量，測(cè)定3份樣本并計(jì)算平均值即為千粒重。

在通過(guò)本研究已建立油菜籽粒面積與質(zhì)量相關(guān)模型的基礎(chǔ)上，對(duì)油菜籽粒千粒重進(jìn)行測(cè)定可不使用稱(chēng)重設(shè)備，直接采集油菜籽粒圖像并經(jīng)圖像處理方法獲得測(cè)定的千粒重。本方法對(duì)籽粒的純凈度要求較高，如果籽粒中含有較多雜質(zhì)（小石頭、角果皮、枝梗等），本方法將不能自動(dòng)識(shí)別并去除雜質(zhì)，故而影響千粒重測(cè)定的準(zhǔn)確度。本文采用的樣本皆為人工脫粒，幾乎不含雜質(zhì)。由表3計(jì)算可得，利用全部品種的籽粒面積與質(zhì)量相關(guān)模型得到的3個(gè)油菜品種千粒重測(cè)定的平均準(zhǔn)確度為96.88%，略低于利用3個(gè)品種各自的籽粒面積與質(zhì)量相關(guān)模型得到的千粒重測(cè)定的平均準(zhǔn)確度98.87%。因此該模型具有通用性強(qiáng)的實(shí)際應(yīng)用價(jià)值且依然具有較高的精度。本方法在建立油菜籽粒面積與質(zhì)量相關(guān)模型的基礎(chǔ)上，達(dá)到了完全自動(dòng)化的程度，與現(xiàn)階段相關(guān)谷物[13～17]和蘆葦?shù)确N子千粒重測(cè)定方法[12]相比，具有操作更簡(jiǎn)單、自動(dòng)化程度更高的優(yōu)點(diǎn)；與傳統(tǒng)千粒重測(cè)定方法相比，本方法具有測(cè)定時(shí)間短、節(jié)省人工勞動(dòng)的優(yōu)點(diǎn)。