基于Mask RCNN和視覺技術(shù)的玉米種子發(fā)芽自動檢測方法

馬啟良,楊小明,胡水星,黃子鴻,祁亨年,c,*

(湖州師范學(xué)院 a. 信息技術(shù)中心;b. 信息工程學(xué)院;c. 研究生院,浙江 湖州 313000)

種子是具有生命的特殊商品,是種植業(yè)中最基本的生產(chǎn)資料。在農(nóng)業(yè)生產(chǎn)中,能否獲得高產(chǎn)除了取決于種子品種的好壞之外,還取決于種子的質(zhì)量,而種子質(zhì)量的一個重要評價指標(biāo)就是種子活力,高活力種子有出苗率高、發(fā)芽迅速、出苗整齊、抵抗力強(qiáng)等優(yōu)點?？蒲腥藛T在如何判斷種子活力方面做了大量研究,如通過種子呼吸[1]和光譜技術(shù)[2-4]來判斷種子活力等,這些研究都以標(biāo)準(zhǔn)發(fā)芽試驗統(tǒng)計的種子發(fā)芽率、發(fā)芽勢、芽長和根長等指標(biāo)作為參考標(biāo)準(zhǔn)。標(biāo)準(zhǔn)發(fā)芽試驗作為測定種子活力最為準(zhǔn)確[5-6]的傳統(tǒng)方法,在實際試驗過程中需每天通過人工定時統(tǒng)計和測量相關(guān)指標(biāo),該操作過程繁瑣、費(fèi)時費(fèi)力,且易受主觀因素影響,在測量時又容易對幼苗造成損傷,不利于可持續(xù)地觀察。因此,迫切需要一種標(biāo)準(zhǔn)化、自動化的客觀統(tǒng)計分析方法。

近年來,機(jī)器視覺因其速度快、精度高和非破壞性在農(nóng)業(yè)領(lǐng)域應(yīng)用相當(dāng)廣泛,在農(nóng)產(chǎn)品質(zhì)量分級與檢測[7-9]、農(nóng)田病蟲草害控制[10]和農(nóng)作物生長過程檢測[11]等方面均取得了較大進(jìn)展。在種子發(fā)芽實驗相關(guān)指標(biāo)的自動化統(tǒng)計和測量方面也有一些探索性研究,金莎莎等[12]利用圖像處理技術(shù)實現(xiàn)了發(fā)芽水稻種子的芽長和根長的統(tǒng)計;馬啟良等[13]利用聚類分析方法實現(xiàn)了玉米種子芽根長度的統(tǒng)計;吳旭東等[14]設(shè)計了一種小麥種子垂直發(fā)芽裝置,通過小麥種子發(fā)芽點位置的檢測來實現(xiàn)芽根長度的統(tǒng)計?？傊?目前種子發(fā)芽率等指標(biāo)的自動化檢測方面研究相對較少,而且傳統(tǒng)圖像處理方法在種子目標(biāo)定位識別和普適性等方面存在較大的局限性。

隨著卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)方法的發(fā)展,其憑借強(qiáng)大的特征學(xué)習(xí)和遷移學(xué)習(xí)能力,在目標(biāo)檢測和識別方面的優(yōu)勢越來越明顯[15],被廣泛應(yīng)用在圖像分類、分割、目標(biāo)檢測等方面。而集目標(biāo)檢測、分類和分割于一體的Mask RCNN(基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò))[16]深度學(xué)習(xí)模型,更是得到了不少研究者的青睞。杜文圣等[17]利用改進(jìn)的Mask RCNN算法實現(xiàn)鮮食葡萄疏花夾持點定位;馮青春等[18]基于Mask RCNN模型實現(xiàn)番茄智能化整枝打葉操作點的定位;孫建波等[19]將其應(yīng)用于車載圖像識別中,檢測車輛的壓線;袁山等[20]利用Mask RCNN模型實現(xiàn)植物葉片的分割等,都取得了很好的應(yīng)用效果。該模型在解決目標(biāo)檢測、分類與分割方面的優(yōu)勢為種子發(fā)芽實驗相關(guān)指標(biāo)的自動化實現(xiàn)提供了新的思路。

本研究以玉米種子為研究對象,以標(biāo)準(zhǔn)種子發(fā)芽試驗為基礎(chǔ),利用Mask RCNN算法框架自動實現(xiàn)種子的定位與掩膜區(qū)域分割,設(shè)計種子發(fā)芽監(jiān)測區(qū)域,實現(xiàn)玉米種子發(fā)芽率和發(fā)芽勢的自動統(tǒng)計,同時結(jié)合傳統(tǒng)圖像處理技術(shù)實現(xiàn)種子芽長和根長的自動化測定,以期用自動化方法降低人工方法所耗費(fèi)的時間和人力成本,同時提高結(jié)果的精確性和可重復(fù)性。

1 材料與方法

1.1 圖像數(shù)據(jù)采集與標(biāo)注

試驗選取300粒飽滿的玉米種子,分成6組并進(jìn)行編號,每組50粒,放于恒溫箱中進(jìn)行培養(yǎng)。在培養(yǎng)的前7 d里,每天定時將6組種子分別以5粒一排(胚根向下胚芽向上)放于黑色背景布上,利用手機(jī)進(jìn)行種子圖像采集,視距為20～30 cm,每次采集完成后,重新將種子放在培養(yǎng)皿中,并放入恒溫箱里。前5組種子從5個不同角度進(jìn)行拍攝,共采集不同發(fā)芽階段的圖像1 750張,第6組種子共采集圖像70張。

對采集的圖像,利用標(biāo)注軟件Labelme標(biāo)注所有種子輪廓的位置,并生成json文件保存所有標(biāo)注信息。將前5組種子圖像按照8∶2的比例隨機(jī)劃分為訓(xùn)練集和驗證集,圖像數(shù)量分別為1 400張和350張。將第6組種子的70張圖像作為模型的測試集。同時,每天人工定時統(tǒng)計第6組50粒種子的發(fā)芽數(shù)量,并以此作為后續(xù)試驗的參考標(biāo)準(zhǔn)。

1.2 試驗環(huán)境

用于圖像處理和模型訓(xùn)練的硬件平臺處理器為Intel(R) Core(TM) i5-10400,CPU主頻為2.90 GHz,內(nèi)存為16 G,500 G固態(tài)硬盤,顯卡為NVIDIA GeForce RTX 2060。所有程序均在windows 10× 64位系統(tǒng)下完成,種子定位模型基于TensorFlow-gpu 1.5.0深度學(xué)習(xí)庫、CUDA10.0和Cudnn7.6的GPU并行計算和加速庫,使用Python3.7語言和Mask RCNN深度神經(jīng)網(wǎng)絡(luò)框架訓(xùn)練獲得,種子圖像處理基于Visual C++的MFC框架和OpenCV4.4庫,實現(xiàn)種子發(fā)芽率、發(fā)芽勢、芽長和根長的自動檢測。詳細(xì)流程如圖1所示。

圖1 基于Mask RCNN的種子發(fā)芽自動檢測流程Fig.1 Automatic detection process of seed germination based on Mask RCNN

1.3 實驗方法

1.3.1 MaskRCNN種子定位模型訓(xùn)練

為解決常規(guī)圖像處理方法對種子位置準(zhǔn)確定位難問題,本文利用Mask RCNN方法在目標(biāo)定位與實例分割方面的優(yōu)勢,來實現(xiàn)種子位置和掩膜的準(zhǔn)確獲取。該方法是He等[16]于2017年提出的,以Faster RCNN為基礎(chǔ),在原本分類和回歸兩個分支上增加了一個預(yù)測目標(biāo)掩膜的新分支,同時對ROI-Pooling進(jìn)行改進(jìn),利用ROI Align方法對像素進(jìn)行對準(zhǔn),使ROI的像素位置更準(zhǔn)確。

種子定位模型的訓(xùn)練采用遷移訓(xùn)練方法,預(yù)訓(xùn)練模型選擇COCO數(shù)據(jù)集速度較快的Mask_RCNN_Inception_V2模型,以該模型的網(wǎng)絡(luò)權(quán)值對Mask RCNN的前端特征提取網(wǎng)絡(luò),以及后端的目標(biāo)框回歸、分類和全卷積網(wǎng)絡(luò)參數(shù)進(jìn)行初始化。利用已準(zhǔn)備的訓(xùn)練集和驗證集,基于Mask_RCNN_Inception_V2模型和谷歌開放的物體識別系統(tǒng)Object Detection API接口實現(xiàn)種子定位模型的訓(xùn)練和模型數(shù)據(jù)的轉(zhuǎn)換,以便利用OpenCV庫調(diào)用該模型,實現(xiàn)模型在實際環(huán)境中的應(yīng)用。實際訓(xùn)練的損失收斂曲線和模型對測試集進(jìn)行測試的精確率和召回率(precision recall,PR)曲線如圖2所示。訓(xùn)練迭代次數(shù)為10萬次,損失(loss)收斂到0.1附近;交并比(intersection over union,IOU)閾值設(shè)置為0.5時的PR曲線如圖2-b所示,平均精度(average precision,AP)為0.952。

a,訓(xùn)練損失收斂曲線;b,測試集PR曲線。a, Training loss convergence curve; b, Test set precision recall curve.圖2 損失收斂與PR曲線Fig.2 Loss convergence and PR curve

1.3.2 種子圖像分割

圖像分割的目的主要是為了提取種子、芽、根目標(biāo)所在區(qū)域。由于種子圖像拍攝時背景為黑色,種子目標(biāo)區(qū)域的獲取采用常用的大津閾值分割法(OSTU),又稱類間方差閾值分割法,是根據(jù)圖像的灰度分布將圖像分為前景和背景兩部分,前景就是所要提取的種子區(qū)域,前景和背景的分割閾值T可通過OSTU自動獲取。通過式(1)得到分割后的二值圖像。

(1)

式(1)中:BI為分割后的二值圖像,I(i,j)表示輸入灰度圖像第i行、第j列的像素值。最后利用數(shù)學(xué)形態(tài)學(xué)的腐蝕和膨脹,對分割后的圖像BI進(jìn)行處理,去除圖像中噪聲點;同時根據(jù)目標(biāo)連通區(qū)域的大小,去除小連通區(qū)域,最終得到只有種子目標(biāo)區(qū)域的二值圖像。

1.3.3 目標(biāo)區(qū)域孔洞填充

孔洞填充是為了去除前景目標(biāo)中存在的小背景區(qū)域。種子發(fā)芽過程中,種子區(qū)域會因胚根和胚芽的長出發(fā)生較大變化,在種子圖像進(jìn)行二值化時,難免會有孔洞產(chǎn)生。為去除孔洞,利用漫水填充算法[21]實現(xiàn)孔洞區(qū)域的分割,結(jié)果如圖3所示,圖3-a為1粒發(fā)芽種子的二值圖像,圖3-b為對二值圖像的種子輪廓區(qū)域外的背景區(qū)域填充前景色后,取反獲得的孔洞區(qū)域圖像;圖3-c為圖3-a和圖3-b合并的結(jié)果。

a,二值圖像;b,漫水算法處理后孔洞圖像;c,合并后圖像。a, Binary image; b, Hole image processed by flooding algorithm; c, Merged image.圖3 孔洞填充過程圖像Fig.3 The process images of hole filling

1.3.4 發(fā)芽檢測方法

根據(jù)《農(nóng)作物種子檢驗規(guī)程 發(fā)芽實驗》GB/T 3543.4—1995規(guī)定,種子發(fā)芽是指胚根、胚芽伸出種皮達(dá)到—定長度(如禾谷類種子胚根長到與種子等長、雙子葉作物胚芽長到種子長度的一半)。因此,針對玉米種子可設(shè)定一個觀察區(qū)域,若監(jiān)測到胚根,則將種子標(biāo)記為發(fā)芽狀態(tài)。利用Mask RCNN模型獲取種子掩膜,確定種子質(zhì)心坐標(biāo)O和掩膜所在外接矩形的邊長,用外接矩形邊長計算長短軸半徑,設(shè)置橢圓觀察區(qū)域。判斷像素點坐標(biāo)是否在橢圓區(qū)域上的計算公式如式(2)所示。

(2)

式(2)中,A和B分別為橢圓的長軸和短軸的一半,(x,y)表示種子芽根輪廓區(qū)域內(nèi)一個像素點相對質(zhì)心O的坐標(biāo)位置,f(x,y)表示點(x,y)與橢圓中心點的距離。

根據(jù)分割后的二值圖像BI,提取出所有種子芽根輪廓的外接矩形,分別計算每個矩形內(nèi)值為255的所有像素點(x,y)到對應(yīng)質(zhì)心O的歐式距離D(x,y),計算公式如式(3)所示。

(3)

式(3)中,Ox和Oy為質(zhì)心在圖像中的坐標(biāo),(xi,yi)表示輪廓內(nèi)第i像素點在圖像中的坐標(biāo),D(xi,yi)表示第i像素點到質(zhì)心O的歐氏距離。找出D(x,y)中距離質(zhì)心最遠(yuǎn)的一個像素點,并計算其與質(zhì)心O的相對坐標(biāo)位置(xm,ym)。如果f(xm,ym)≥1,標(biāo)記該種子為發(fā)芽狀態(tài);否則,標(biāo)記為未發(fā)芽狀態(tài)。

2 結(jié)果與分析

2.1 種子定位與芽、根圖像分割結(jié)果

種子位置和輪廓的準(zhǔn)確獲取是精準(zhǔn)檢測種子發(fā)芽的前提,同時也是種子發(fā)芽后芽和根區(qū)域分割的關(guān)鍵,為芽長和根長的準(zhǔn)確統(tǒng)計奠定了基礎(chǔ)。圖4給出了不同發(fā)芽階段的3組玉米種子,包括種子定位、芽和根二值圖像,以及發(fā)芽種子芽、根分割的結(jié)果。從左側(cè)種子定位圖像中可以發(fā)現(xiàn),檢測的種子掩膜區(qū)域與實際種子存在一定的誤差,這主要由訓(xùn)練數(shù)據(jù)偏少和種子根部分支偏多所導(dǎo)致。從中間種子二值圖像可以發(fā)現(xiàn),隨著胚根數(shù)量的增多,種子位置與根部的界限變得不明顯,傳統(tǒng)圖像處理方法對種子位置準(zhǔn)確定位難,且只能對一類種子進(jìn)行處理,通用性很差。該研究為增加方法的普適性,利用深度學(xué)習(xí)框架Mask RCNN實現(xiàn)種子位置的定位;同時利用定位出的種子掩膜質(zhì)心位置結(jié)合二值圖像,可快速分割出對應(yīng)發(fā)芽種子的芽、根區(qū)域,能有效避免二值圖像中非種子目標(biāo)的影響,增加該方法的魯棒性。圖4右側(cè)圖像給出了發(fā)芽種子二值圖像去除掩膜區(qū)域后,分割出的芽和根區(qū)域,以種子掩膜質(zhì)心位置為參考,上面部分為芽,下面部分為根。

從左到右依次為種子定位、種子芽根二值圖像,以及發(fā)芽種子芽、根分割圖像。From left to right, it is seed positioning, seed bud root binary image, and germinated seed bud and root segmentation image.圖4 種子定位與發(fā)芽種子圖像分割結(jié)果Fig.4 Results of seed positioning and germinated seeds image segmentation

2.2 種子發(fā)芽檢測

玉米種子發(fā)芽狀態(tài)檢測就是識別其周圍或一定半徑內(nèi)出現(xiàn)的胚根。本文在種子周圍設(shè)定了一個橢圓監(jiān)測區(qū)域,為使該橢圓區(qū)域完全包含算法預(yù)測的種子掩膜,在訓(xùn)練和驗證集上隨機(jī)挑選包含種子發(fā)芽不同階段的50幅圖像,共250粒種子,利用算法對這些圖像進(jìn)行種子位置的預(yù)測,并將預(yù)測掩膜與手動標(biāo)注掩膜的外接圓半徑的絕對差值與標(biāo)注掩膜外接圓半徑作比值,以及將兩者質(zhì)心的距離也與標(biāo)注掩膜外接圓半徑作比值,分別對它們進(jìn)行誤差統(tǒng)計分析,以半徑絕對差值和質(zhì)心距離的誤差范圍共同確定該橢圓區(qū)域的長短軸半徑。圖5給出了半徑絕對差值,以及兩者質(zhì)心距離與標(biāo)注掩膜外接圓半徑作比值的統(tǒng)計結(jié)果,從圖5可以看出兩者的誤差范圍均在20%以內(nèi)。因此,設(shè)定種子發(fā)芽狀態(tài)檢測的橢圓監(jiān)測區(qū)域長短軸半徑分別為預(yù)測掩膜外接矩形長度和寬度的50%+20%。根據(jù)設(shè)定的橢圓觀察區(qū)域,不同時間段種子發(fā)芽情況的算法自動識別結(jié)果如圖6所示。

圖5 半徑絕對差值、質(zhì)心距離與標(biāo)注掩膜外接圓半徑比值的結(jié)果統(tǒng)計Fig.5 Result statistics of the ratio of the absolute difference of radius and the centroid distance to the circumscribed circle radius of the marked mask

紅色橢圓輪廓表示種子未發(fā)芽,綠色橢圓輪廓表示種子已發(fā)芽。The red elliptical contour indicates that the seed has not germinated, and the green elliptical contour indicates that the seed has germinated.圖6 種子發(fā)芽狀態(tài)自動識別結(jié)果Fig.6 Automatic identification results of seed germination status

玉米種子發(fā)芽率是指在發(fā)芽試驗中第7天已出芽的種子數(shù)占供試種子總數(shù)的百分比,在本試驗中就是第7天時50粒種子出芽的數(shù)量與試驗種子總數(shù)量的比值。玉米種子的發(fā)芽勢是指在發(fā)芽試驗中第3天出芽的種子數(shù)占總種子數(shù)的百分比。

對于測試集,在發(fā)芽試驗的7 d里,每天種子發(fā)芽數(shù)量及占比的人工統(tǒng)計和算法自動統(tǒng)計結(jié)果如表1和圖7所示,從圖表中可以看出,玉米種子發(fā)芽主要集中在第2～5天,且算法自動統(tǒng)計的發(fā)芽率和人工統(tǒng)計的發(fā)芽率存在一定的誤差,但從第2天到第5天誤差在逐漸縮小,在第5天達(dá)到相等。造成發(fā)芽初期具有一定誤差的主要原因在于發(fā)芽開始階段胚根剛剛露白無法觸及算法判定發(fā)芽狀態(tài)的最大閾值,會帶來人工和算法統(tǒng)計的差別。另外,根據(jù)發(fā)芽率可以很容易得到第3天的發(fā)芽勢,人工和算法自動統(tǒng)計的發(fā)芽勢分別為62%和58%,可見算法統(tǒng)計結(jié)果非常接近于人工統(tǒng)計結(jié)果。

表1 人工統(tǒng)計和算法自動統(tǒng)計的發(fā)芽種子數(shù)量與占比Table 1 Germinated seed numbers and ratios by manual and algorithm automatic statistics

圖7 人工和算法自動統(tǒng)計種子發(fā)芽數(shù)量結(jié)果比較Fig.7 Result comparison of germinated seed numbers between manual and algorithm automatic statistics

2.3 芽根骨架提取與長度統(tǒng)計

骨架提取主要為了提取每粒玉米芽和根區(qū)域的骨架線。在試驗拍攝的圖像中,玉米種子均以胚根向下和胚芽向上放置,將Mask RCNN模型定位出的種子位置與二值圖像分割出的種子芽、根輪廓相結(jié)合,準(zhǔn)確劃分出每粒種子芽、根區(qū)域,并逐一進(jìn)行芽、根骨架提取[13]。之后對得到的骨架線進(jìn)行8連通區(qū)域[12]分析,找出骨架線中所有的端點,通過比較坐標(biāo)位置提取芽的頂端點P(x,y),再利用深度優(yōu)先搜索算法(depth-first search, DFS)找出最長主骨架線。DFS算法的實現(xiàn)步驟如下。

步驟1:從P點開始沿相鄰像素點遍歷整個骨架線,設(shè)相鄰像素點為Q(x,y)。

步驟2:當(dāng)Q點的8連通域值為2時,表示該點為連接點;當(dāng)Q點的8連通域值為3時,表示該點為分叉點,將該點入棧S保存,隨機(jī)選一分支繼續(xù)搜索;當(dāng)Q點的8連通域值為1時,表示該點為端點,此分支遍歷結(jié)束。對當(dāng)前已遍歷路徑進(jìn)行標(biāo)記并統(tǒng)計像素點的個數(shù),當(dāng)某分支遍歷結(jié)束時,記錄最長分支路徑與像素個數(shù)。

步驟3:判斷棧S是否為空,如果不為空,取棧頂像素點T(x,y),判斷T是否有未遍歷分支,若有,選擇一個分支,返回至步驟2;若無,將T從S中刪除,繼續(xù)步驟3,直至棧S為空,整個骨架線遍歷結(jié)束。

步驟4:返回骨架線最長主路徑與像素總數(shù)。

最后利用模型定位的種子位置與掩膜,提取種子質(zhì)心坐標(biāo),以質(zhì)心坐標(biāo)作為芽和根的分界點,實現(xiàn)芽和根主骨架線像素數(shù)量的自動統(tǒng)計,進(jìn)而可根據(jù)像素尺寸計算種子芽和根的長度[12-13]。玉米種子識別定位、芽根圖像的分割和骨架線的提取結(jié)果如圖8所示。

圖8 玉米種子識別定位、芽根圖像的分割和骨架提取結(jié)果Fig.8 Corn seed recognition positioning, bud root image segmentation and skeleton extraction results

2.4 芽根長度分析

從試驗圖像中挑選出4幅圖像,總共20株幼苗用于驗證芽根長度算法的有效性。人工和算法測量結(jié)果對比分析如圖9和表2所示。從表2中可以看出,芽長誤差均小于根長誤差,這主要因為芽的特征比根的特征簡單;而根的絕對誤差相對較大,由于在種子附近須根與主根交織在一起,形成閉環(huán),在用算法填充空洞時,須根和主根融為一體,以致在細(xì)化提取骨架線時,與主根中心線發(fā)生偏移,導(dǎo)致算法統(tǒng)計結(jié)果要小于實際測量結(jié)果,這與圖2的結(jié)果也是一致的;另外,提取的種子質(zhì)心與發(fā)芽點位置也存在偏差,從而導(dǎo)致芽和根的絕對誤差相對較大。

表2 玉米幼苗芽長、根長誤差分析Table 2 Error analysis of bud length and root length of corn seedling

圖9 人工測量和算法測量的芽長、根長比較Fig.9 Comparison of bud length and root length measured by manual measurement and algorithm measurement

3 討論

目前,國外已有相關(guān)設(shè)備和系統(tǒng)可以自動獲取種子標(biāo)準(zhǔn)發(fā)芽試驗的發(fā)芽率等相關(guān)指標(biāo)和發(fā)芽種子表型特征,如英國Anglia A.I.公司的PhenoSeed自動化種子發(fā)芽分析系統(tǒng)和德國LemnaTec種子發(fā)芽檢測系統(tǒng)Germination Scanalyzer,主要用于測量種子大小、顏色、形狀、發(fā)芽率、發(fā)芽時間等參數(shù),而國內(nèi)未見相關(guān)設(shè)備和系統(tǒng)的出現(xiàn)。

本文針對傳統(tǒng)種子發(fā)芽試驗在實際操作中面臨的問題,引入深度卷積神經(jīng)網(wǎng)絡(luò)Mask RCNN算法框架,解決種子圖像處理中種子位置的精準(zhǔn)定位問題。通過對不同發(fā)芽階段的玉米種子圖像進(jìn)行采集,建立了玉米種子發(fā)芽圖像樣本集,且利用深度學(xué)習(xí)的遷移訓(xùn)練方法,基于TensorFlow-gpu框架訓(xùn)練了Mask RCNN玉米種子定位與分割模型,實現(xiàn)了不同發(fā)芽階段玉米種子的準(zhǔn)確定位;由于所使用的種子圖像背景簡單,當(dāng)設(shè)置目標(biāo)檢測算法的置信度為0.7時,該模型對玉米種子的檢測率可達(dá)到100%,且無誤檢,這為圖像中種子數(shù)量的準(zhǔn)確統(tǒng)計,以及種子、芽和根的準(zhǔn)確分割奠定了基礎(chǔ)。

本試驗設(shè)計了一種種子發(fā)芽檢測方法,主要是利用模型定位的種子掩膜區(qū)域,根據(jù)掩膜的外接橢圓設(shè)定一個橢圓觀察區(qū)域,當(dāng)種子發(fā)芽后胚根或胚芽觸及該區(qū)域閾值,即可標(biāo)識該種子為發(fā)芽狀態(tài)。該方法對測試集50粒種子的檢測結(jié)果表明,該方法能夠有效識別出種子的發(fā)芽狀態(tài),可有效避免人為統(tǒng)計帶來的主觀因素影響,實現(xiàn)種子每天發(fā)芽數(shù)量和發(fā)芽率的自動統(tǒng)計;對于標(biāo)識為發(fā)芽狀態(tài)的種子,可根據(jù)定位出的種子位置,快速統(tǒng)計種子幼苗的芽長和根長。

另外,本試驗僅對玉米種子進(jìn)行了試驗,后期將對小麥、水稻等種子發(fā)芽過程進(jìn)行圖像采集,建立多種種子發(fā)芽過程圖像樣本庫,并訓(xùn)練對應(yīng)的檢測模型,以對該方法進(jìn)行驗證,提高該方法的普適性。

4 結(jié)論

本文利用深度學(xué)習(xí)框架Mask RCNN實現(xiàn)種子位置的定位,設(shè)計了一種自動識別種子發(fā)芽的檢測方法,實現(xiàn)了種子發(fā)芽率、發(fā)芽勢、芽長和根長等相關(guān)指標(biāo)的自動統(tǒng)計,這說明通過圖像處理技術(shù)可替代人工實現(xiàn)種子發(fā)芽過程相關(guān)指標(biāo)的獲取,這為后期種子發(fā)芽過程的自動化裝備研制與實時監(jiān)測提供了一定的理論參考。