傳統(tǒng)圖像分割算法在農(nóng)作物籽粒考種應(yīng)用中的研究進(jìn)展

張偉進(jìn) 王福順 孫小華 王軍皓 劉宏權(quán) 王鑫鑫

摘要：傳統(tǒng)圖像分割算法以時(shí)間、空間復(fù)雜度低等優(yōu)點(diǎn)在農(nóng)作物籽粒考種領(lǐng)域中有著廣泛的應(yīng)用。對(duì)傳統(tǒng)分割算法在農(nóng)作物表型獲取過(guò)程中的應(yīng)用進(jìn)行研究，首先闡述Otsu、分水嶺、邊緣檢測(cè)、SLIC算法以及凹點(diǎn)分析算法的算法原理，對(duì)種皮顏色灰度均勻、形狀不同的農(nóng)作物籽粒，以“問(wèn)題—方法”的模式闡述不同算法在應(yīng)用中存在的問(wèn)題以及相應(yīng)的解決方法；接著將算法基于閾值、區(qū)域、邊緣、聚類(lèi)、凹點(diǎn)整合為五大類(lèi)，對(duì)算法的分割效果、優(yōu)缺點(diǎn)及其適用范圍進(jìn)行比較研究；最后，剖析農(nóng)作物籽粒圖像分割應(yīng)用研究存在農(nóng)作物種類(lèi)覆蓋度不夠?qū)挿?、圖像分割精度不高、技術(shù)通用性不高等問(wèn)題，并從算法精度提高、重疊遮擋處理等方面對(duì)未來(lái)的研究進(jìn)行展望，以期為農(nóng)作物籽?？挤N過(guò)程中的圖像分割研究提供參考。

關(guān)鍵詞：考種；籽粒表型；信息獲??；圖像處理；圖像分割

中圖分類(lèi)號(hào)：TP391： S375

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2024） 02028008

收稿日期：2022年5月17日 ?修回日期：2022年7月11日

基金項(xiàng)目：財(cái)政部和農(nóng)業(yè)農(nóng)村部： 國(guó)家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系—食用豆（CARS—08—G—22）；河北省高等學(xué)?？茖W(xué)技術(shù)研究計(jì)劃（QN2020421）

第一作者：張偉進(jìn)，女，1999年生，河北涿鹿人，碩士研究生；研究方向?yàn)閳D像處理與數(shù)據(jù)挖掘。Email： 1280105172@qq.com

通訊作者：王福順，男，1981年生，河北景縣人，博士，副教授；研究方向?yàn)榇髷?shù)據(jù)分析與挖掘，信息智能化處理。Email： xxwfsh@hebau.edu.cn

Research progress of traditional image segmentation algorithm in seed testing of crops

Zhang Weijin1， Wang Fushun1， 2， Sun Xiaohua3， Wang Junhao1， Liu Hongquan4， Wang Xinxin5， 6

（1. College of Information Science and Technology， Hebei Agricultural University， Baoding， 071001， China;

2. Hebei Key Laboratory of Agricultural Big Data， Baoding， 071000， China; 3. Department of Digital Media，

Hebei Software Institute， Baoding， 071000， China； 4. College of Urban and Rural Construction， Hebei Agricultural

University， Baoding， 071001， China; 5. Agricultural Technology Innovation Center in Mountainous Areas of Hebei

Province， Baoding， 071001， China; 6. Agricultural Engineering Technology Research Center of National North

Mountainous Area， Baoding， 071001， China）

Abstract：

Traditional image segmentation algorithm has been widely used in the field of crop seed testing because of its low complexity in time and space. The application of traditional segmentation algorithm in the crop phenotype extraction was studied in this paper. Firstly， the algorithm principles of Otsu， watershed， edge detection， SLIC and concave point analysis algorithm were expounded. For crop seeds with uniform seed coat color and different shapes， the problems in the application of different algorithms and?the corresponding solutions were described in the model of ‘problemmethod. Then the algorithms were integrated into five categories based on threshold， region， edge， cluster and concave point， and the segmentation effect， advantages and disadvantages and application range of the algorithm were compared. Finally， the problems in the application of crop seed image segmentation were analyzed， and the future research directions were prospected from algorithm accuracy improvement and overlapping occlusion processing， in order to provide reference for the research of image segmentation in the process of crop seed testing.

Keywords：

seed testing; seed phenotype; information acquisition; image processing; image segmentation

0 引言

圖像分割是將圖像分成若干具有相似性質(zhì)區(qū)域的過(guò)程［1］，是由圖像處理向圖像分析過(guò)渡的關(guān)鍵步驟，常用于機(jī)器視覺(jué)［2］、行為檢測(cè)［3］、衛(wèi)星圖像處理［4］和醫(yī)學(xué)影像處理［5］等眾多方面。隨著圖像處理技術(shù)的不斷優(yōu)化改進(jìn)，逐漸滲透到農(nóng)作物品質(zhì)研究過(guò)程中，例如農(nóng)作物表型的獲取與分析［6］、目標(biāo)檢測(cè)計(jì)數(shù)［7］、品種分類(lèi)和品質(zhì)分級(jí)［8］以及籽粒千粒重測(cè)定［9］等方面。農(nóng)作物籽粒品質(zhì)的優(yōu)劣直接影響農(nóng)作物的生長(zhǎng)狀況以及最終的產(chǎn)量，因此對(duì)籽粒進(jìn)行考種是非常有必要的。傳統(tǒng)考種手段例如使用游標(biāo)卡尺測(cè)量籽粒的長(zhǎng)寬，使用天平測(cè)量籽粒的重量，勞動(dòng)強(qiáng)度大、容易出現(xiàn)誤差，且容易對(duì)籽粒造成損害，使用人工手段無(wú)法精確測(cè)量籽粒周長(zhǎng)、面積和圓潤(rùn)度等參數(shù)，嚴(yán)重影響獲取籽粒表型信息的效率［10］，而圖像處理技術(shù)可以無(wú)損、快速地分析籽粒圖像，精確獲得籽粒的形態(tài)、顏色以及紋理等表型數(shù)據(jù)，且不會(huì)對(duì)籽粒造成任何損害，因此將圖像處理應(yīng)用到考種過(guò)程中可以在一定程度上提高考種效率，基于圖像處理技術(shù)獲取農(nóng)作物籽粒表型已成為研究熱點(diǎn)［11］。圖像分割作為圖像處理過(guò)程中至關(guān)重要的一步，在考種研究中發(fā)揮著不可或缺的重要作用，采集的籽粒圖像不能直接獲得其表型數(shù)據(jù)，首先應(yīng)該對(duì)圖像進(jìn)行預(yù)處理及分割，只保留需要計(jì)算的籽粒部分，圖像分割效果的優(yōu)劣關(guān)乎后續(xù)的數(shù)據(jù)計(jì)算精度，直接影響信息的準(zhǔn)確性。例如籽粒間的粘連會(huì)導(dǎo)致計(jì)數(shù)、形狀以及面積等方面的各種誤差，影響表型信息的精準(zhǔn)提取，因此通過(guò)圖像分割算法將重疊或粘連的籽粒分離，以更好地提取單個(gè)籽粒的表型信息是非常必要的。

在眾多的傳統(tǒng)圖像分割方法中，基于閾值的分割［12］、基于區(qū)域的分割［13］、基于邊緣的分割［14］、基于聚類(lèi)的分割［15］以及基于凹點(diǎn)的分割［16］等算法是在籽粒圖像處理中應(yīng)用較為廣泛的算法?；陂撝档姆指钏惴ㄊ菆D像分割中的經(jīng)典算法，其關(guān)鍵點(diǎn)在于最優(yōu)閾值［17］的選取，閾值的選取是否合理直接影響圖像分割效果的優(yōu)劣［18］，其中Otsu算法（最大類(lèi)間方差法）對(duì)灰度值類(lèi)間方差為單峰的圖像產(chǎn)生很好的分割效果［19］?；趨^(qū)域的分割算法中分水嶺算法是最常用于農(nóng)作物籽粒圖像分割的算法，其關(guān)鍵點(diǎn)在于通過(guò)準(zhǔn)確地獲取真正的極小值，以獲取真正的邊界［20］?；谶吘壍姆指钏惴ㄍㄟ^(guò)標(biāo)識(shí)圖像中亮度變化明顯的點(diǎn)來(lái)確定圖像的邊緣，其關(guān)鍵點(diǎn)在于臨界值灰度梯度計(jì)算?；诰垲?lèi)的分割算法將圖像的像素點(diǎn)劃分為多個(gè)子集，每個(gè)子集內(nèi)部擁有相同的公共屬性［21］，其關(guān)鍵點(diǎn)在于簇中心選擇與距離的確定，其中SLIC算法［22］（簡(jiǎn)單線(xiàn)性迭代聚類(lèi)算法）將圖像以超像素［23］為最小單元進(jìn)行迭代聚類(lèi)，減小了計(jì)算復(fù)雜度也可以消除部分噪聲點(diǎn)的影響?；诎键c(diǎn)的分割算法主要用于分割粘連圖像，其關(guān)鍵點(diǎn)在于檢測(cè)圖像中的凹點(diǎn)并將凹點(diǎn)進(jìn)行匹配。凹點(diǎn)分析算法使用靈活，大多用于其它分割算法之后，對(duì)粘連區(qū)域進(jìn)行二次分割。

對(duì)于算法性能方面，黃鵬等［24］系統(tǒng)梳理了基于閾值、邊緣、區(qū)域等傳統(tǒng)分割算法以及基于深度學(xué)習(xí)的FCN、PSPNet、RCNN等網(wǎng)絡(luò)模型的分割算法，并在常用數(shù)據(jù)集上對(duì)同類(lèi)方法進(jìn)行比較分析。張軒等［25］對(duì)比了閾值、邊緣、分水嶺分割算法在分割粘連顆粒圖像上的表現(xiàn)，肯定了分水嶺算法的有用性，并給出了引入評(píng)價(jià)機(jī)制的建議。高輝等［26］重點(diǎn)闡述了基于分水嶺、凹點(diǎn)、U-Net語(yǔ)義分割三種分割方法在粘連圖像處理中的應(yīng)用，得出傳統(tǒng)分割算法的外界環(huán)境需固定、待處理圖像的信息需簡(jiǎn)單以及分類(lèi)分割過(guò)程需相對(duì)獨(dú)立等缺點(diǎn)，而深度學(xué)習(xí)分割算法具有較強(qiáng)適應(yīng)性的結(jié)論，并給出結(jié)合傳統(tǒng)分割算法與深度學(xué)習(xí)分割算法以適應(yīng)不同的應(yīng)用場(chǎng)景的建議。

本文主要闡述Otsu算法、分水嶺算法、邊緣檢測(cè)算法、SLIC算法以及凹點(diǎn)分析算法等傳統(tǒng)圖像分割方法在農(nóng)作物籽粒考種中的應(yīng)用，對(duì)其在種皮灰度均勻、形狀各樣的籽粒圖像上的分割效果進(jìn)行詳細(xì)解析，并根據(jù)試驗(yàn)結(jié)果對(duì)比分析各算法的分割效果及優(yōu)缺點(diǎn)，為基于圖像處理的考種過(guò)程中圖像分割算法的運(yùn)用提供一定的參考。

1 籽?？挤N常用傳統(tǒng)圖像分割算法

1.1 Otsu算法

Otsu算法基于聚類(lèi)的思想，通過(guò)計(jì)算灰度值方差確定最佳閾值來(lái)二值化圖像［27］，將圖像整體分為兩個(gè)灰度級(jí)，使兩級(jí)之間灰度差最大，同級(jí)之間灰度差最小。

對(duì)于籽粒間不存在粘連的非復(fù)雜圖像，采用Otsu算法分離花生（Arachis hypogaea L.）種子圖像前景與背景，再通過(guò)孔洞填充算法填充噪聲［28］，由于花生籽粒外形圓潤(rùn)、輪廓光滑，因此分割效果相對(duì)較好。采用Otsu算法分離玉米（Zea mays L.）籽粒和小麥（Triticum aestivum L.）籽粒前景與背景［2930］，都可最大程度地保證圖像信息的完整性，但存在多余的噪聲點(diǎn)，需結(jié)合形態(tài)學(xué)操作等消除噪聲點(diǎn)。而對(duì)于較大面積的噪聲區(qū)域，形態(tài)學(xué)操作可能會(huì)引入較大誤差，采用FillInternal Contours算法填充低于Otsu算法確定的最優(yōu)閾值的像素點(diǎn)，可以有效地消除小桐子（Jatropha curcas L.）種子二值圖中的大面積噪聲區(qū)域［31］。針對(duì)圖像中較暗的部分直接進(jìn)行閾值分割可能會(huì)被誤判為背景，對(duì)原圖進(jìn)行MSRCR等算法增強(qiáng)［32］，再用Otsu算法進(jìn)行分割，也可以更好地保留大米籽粒的前景圖像。

Otsu算法對(duì)不存在粘連的籽粒圖像可以輕松的分離圖像的前景與背景，得到邊界較好的單粒圖像，對(duì)邊緣平滑的籽粒圖像分割效果明顯高于外形不規(guī)則的籽粒圖像，但對(duì)種皮顏色灰度不均的籽粒圖像可能會(huì)造成邊界丟失、模糊等問(wèn)題，需要結(jié)合濾波去噪或邊緣強(qiáng)化等操作以更好保留完整的邊界；對(duì)存在粘連的復(fù)雜圖像，通過(guò)簡(jiǎn)單的閾值分割往往不能實(shí)現(xiàn)籽粒的分割，得不到預(yù)期分割效果，所以O(shè)tsu算法通常與其它算法結(jié)合應(yīng)用以更好地分離出單粒籽粒。

1.2 分水嶺算法

分水嶺算法基于測(cè)地學(xué)拓?fù)涞匦蔚母拍?，是將圖像分割看成一個(gè)三維地形圖［3334］，在相鄰兩個(gè)峽谷的交界處建立一座水壩，即分水嶺［35］，將圖像劃分成像素強(qiáng)度相似的若干區(qū)域，其工作原理如圖1所示。

對(duì)于灰度分布均勻的圖像，例如規(guī)則的大豆（Glycine max L.）籽粒圖像、顏色均勻的大米籽粒圖像以及紋理均勻的小麥籽粒圖像等，分水嶺算法可以實(shí)現(xiàn)較為準(zhǔn)確的分割；反之，對(duì)于灰度分布不均勻的圖像，例如種皮顏色不均勻的玉米籽粒圖像、種臍與種皮顏色差異較大的紅豆（Abrus precatorius L.）籽粒、紋理不均的大米籽粒等圖像，生成的距離圖中會(huì)出現(xiàn)多余的頸脊，在分水嶺變換時(shí)會(huì)導(dǎo)致圖像的過(guò)分割。

解決過(guò)分割問(wèn)題大致有兩種方法，第一種方法是通過(guò)增加限制參數(shù)來(lái)消除這些頸脊［34］，結(jié)合標(biāo)記控制分水嶺算法與分割和合并分水嶺兩步方法，使用單粒特征如大小、面積和凸度等來(lái)識(shí)別過(guò)分割的區(qū)域以消除分裂，以在過(guò)分割和欠分割之間取得適當(dāng)?shù)钠胶猓?6］；利用選擇性極限腐蝕得到的內(nèi)核作為標(biāo)記符限制分水嶺劃分區(qū)域數(shù)目，對(duì)原梯度圖像施加強(qiáng)制極小值，可以有效抑制分水嶺算法的過(guò)分割程度［37］；用圓形結(jié)構(gòu)對(duì)籽粒二值圖像進(jìn)行超蝕，保留每個(gè)像素的最大值作為距離函數(shù)，再模擬分水嶺算法對(duì)不同距離的圖像做標(biāo)記，根據(jù)不同的侵蝕結(jié)構(gòu)元素，得到這些標(biāo)記圖像中每個(gè)流域點(diǎn)的概率，從而保留真實(shí)分水嶺［38］，有效去除分水嶺算法產(chǎn)生的偽極小值，也能有效改善過(guò)分割現(xiàn)象。第二種方法是在進(jìn)行分水嶺變換之前對(duì)圖像的灰度梯度進(jìn)行調(diào)整［39］，對(duì)二值圖像進(jìn)行距離變換生成偽梯度圖［40］，可以有效消除偽極小值；采用DHome灰度重建［41］的方法，重新建立前景的灰度梯度，m和f代表同一離散域D上的兩個(gè)灰度圖像，且滿(mǎn)足

m≤f［p∈D，m（p）≤f（p）］

（1）

則用m對(duì)f的灰度重建可表示為

p∈D，ρf（m）（p）=max［k|p∈ρTk（f）（Tk（m）），

k∈{0，n-1}］

（2）

其中，Tk（f）={p|p∈D， f（p）≥k}，f（p）是p點(diǎn)在圖像f中的灰度值。上述應(yīng)用證明這兩種改善分水嶺算法過(guò)分割現(xiàn)象的思路在算法上都是可實(shí)現(xiàn)的，并且可以取得較好的效果，對(duì)于不同的應(yīng)用場(chǎng)景，往往會(huì)根據(jù)籽粒的自身特點(diǎn)而選擇不同的方法進(jìn)行處理。分水嶺算法對(duì)灰度值的輕微變化很敏感，背景中的噪聲、籽粒種皮細(xì)微的灰度變化，都會(huì)導(dǎo)致過(guò)分割現(xiàn)象的出現(xiàn)，即便是種皮顏色均勻的籽粒表面也可能存在灰度的微弱變化，所以采取一定的方法改善過(guò)分割的現(xiàn)象是非常有必要的。根據(jù)籽粒自身的種皮顏色和形狀特點(diǎn)選用合適的方法改善過(guò)分割現(xiàn)象，分水嶺算法可以很好地應(yīng)用到籽粒圖像的分割當(dāng)中。分水嶺算法經(jīng)常被用來(lái)與其它前導(dǎo)算法相結(jié)合進(jìn)行圖像分割，本質(zhì)上都是對(duì)灰度不均進(jìn)行處理，以消除假的分水嶺，得到更好的分割效果。

1.3 邊緣檢測(cè)算法

籽粒圖像邊緣是圖像分割的重要依據(jù)［27］，邊緣檢測(cè)算法主要分為兩類(lèi)，其中微分算子法是通過(guò)模板卷積計(jì)算一階或二階導(dǎo)數(shù)來(lái)找出圖像中灰度突變的邊界［42］，常用的算子有Canny、Roberts和Laplacian等，其中Canny算子因適用性更強(qiáng)，能保留更多的邊緣信息而廣泛應(yīng)用于籽粒分割當(dāng)中，而傳統(tǒng)Canny算子邊緣檢測(cè)對(duì)細(xì)小噪聲抑制效果不佳，需要人為設(shè)定高低閾值［43］，容易引入誤差，將Otsu算法的自動(dòng)確定閾值方法應(yīng)用于高低閾值的計(jì)算中［44］可以提高提取精度。針對(duì)Canny算子會(huì)產(chǎn)生假邊緣和丟失局部邊緣的問(wèn)題，將信息熵結(jié)合到Canny算子的極值的計(jì)算過(guò)程當(dāng)中，當(dāng)信息熵達(dá)到峰值時(shí)，計(jì)算閾值作為Canny算子的分割閾值得到大米的邊緣輪廓，在對(duì)完整的大米籽?；蚱茡p籽粒都能很好地提取出邊緣的同時(shí)，還消除了假邊緣的影響。

在籽粒表型信息獲取的過(guò)程中最重要的就是準(zhǔn)確地獲取籽粒的邊緣，以精確地計(jì)算形狀、面積等表型數(shù)據(jù)，所以邊緣檢測(cè)算法被廣泛地應(yīng)用于籽粒的圖像處理過(guò)程中。依據(jù)需求選擇合適的微分算子對(duì)圖像進(jìn)行卷積計(jì)算，以期獲得清晰、信息完整的籽粒邊界，無(wú)論對(duì)圖像進(jìn)行進(jìn)一步分割或是提取特征，邊緣檢測(cè)算法保留的圖像邊界都可以為后續(xù)的處理奠定良好的基礎(chǔ)。

1.4 SLIC算法

SLIC算法［45］對(duì)一些鄰近且屬性相近的像素應(yīng)用Kmeans聚類(lèi)算法形成相同顏色的像素簇［46］，對(duì)圖像做超像素分割可以降低計(jì)算復(fù)雜度，同時(shí)也可以去除噪聲點(diǎn)的影響。農(nóng)作物籽粒種皮內(nèi)部顏色差異度小，對(duì)種皮內(nèi)部像素逐個(gè)進(jìn)行計(jì)算無(wú)疑會(huì)增加計(jì)算量，通過(guò)顏色相同形成像素簇可以大大減少時(shí)間與空間復(fù)雜度。首先將圖像劃分成均勻的網(wǎng)格［47］，取網(wǎng)格中心為聚類(lèi)中心點(diǎn)開(kāi)始聚類(lèi)，為四周像素點(diǎn)分配與其距離最近的聚類(lèi)中心的類(lèi)標(biāo)簽，同一類(lèi)別所有像素點(diǎn)的特征均值向量成為下一次迭代運(yùn)行的聚類(lèi)中心［48］。

由于傳統(tǒng)SLIC需要人為給定超像素個(gè)數(shù)，可能會(huì)給分割結(jié)果造成一定的主觀影響，利用圖像的顏色信息等特征確定超像素個(gè)數(shù)，結(jié)合DBSCAN算法對(duì)超像素進(jìn)行聚類(lèi)［49］，算法的過(guò)分割率與欠分割率成正比，且隨著超像素的個(gè)數(shù)逐漸增大，過(guò)分割率與欠分割率都逐漸減小并趨于平穩(wěn)，相對(duì)于原始SLIC算法分割效率有所提高。對(duì)于籽粒間存在粘連的圖像，利用SLIC算法對(duì)大米圖像進(jìn)行初步分割后，對(duì)圖像進(jìn)行顏色空間的轉(zhuǎn)換，根據(jù)一定的閾值條件，計(jì)算像素所占比例，對(duì)超像素進(jìn)行標(biāo)記［50］，分割后籽粒的邊緣保留較為完整。

聚類(lèi)分割算法將某些具有相同屬性的像素聚集在一起從而實(shí)現(xiàn)分割，對(duì)籽粒的形狀沒(méi)有嚴(yán)格的要求，但籽粒種皮的顏色可能會(huì)對(duì)算法結(jié)果產(chǎn)生一定的影響，種皮顏色灰度均勻的籽?？梢缘玫椒浅：玫男Ч?，種皮顏色灰度不均的籽?？赡軙?huì)出現(xiàn)圖像的過(guò)分割?；诔袼胤指畹腟LIC算法相對(duì)于一般聚類(lèi)算法提高了計(jì)算效率，在一定程度上改善了過(guò)分割現(xiàn)象，提高了分割效率。但初始參數(shù)的變化對(duì)聚類(lèi)分割算法的性能影響很大，在不同的應(yīng)用場(chǎng)景有時(shí)需要人為初始化參數(shù)，以更快地找到整體最優(yōu)解，提高分割效率，因此如何優(yōu)化聚類(lèi)分割算法的初始化參數(shù)確定算法仍需進(jìn)行深入研究。

1.5 凹點(diǎn)分析算法

凹點(diǎn)分析算法作為其他算法分割結(jié)果的接續(xù)處理算法，具有不可忽視的重要作用。凹點(diǎn)分析算法包括凹點(diǎn)檢測(cè)與凹點(diǎn)匹配兩個(gè)過(guò)程，即首先對(duì)粘連位置進(jìn)行識(shí)別提取，再通過(guò)對(duì)凸包進(jìn)行分析計(jì)算出真正的凹點(diǎn)，最后根據(jù)一定的規(guī)則將對(duì)應(yīng)的凹點(diǎn)匹配連接，實(shí)現(xiàn)粘連區(qū)域的分割［51］。粘連的籽粒外側(cè)輪廓形成的凸包，根據(jù)凸包的特點(diǎn)找到粘連位置的凹點(diǎn)，依據(jù)最短歐氏距離匹配可以實(shí)現(xiàn)籽粒的有效分割。

凹點(diǎn)檢測(cè)算法大致分為兩種，一種是以模板遍歷輪廓。采用正方形或圓形模板沿區(qū)域輪廓進(jìn)行檢測(cè)，以輪廓上的點(diǎn)為模板中心，按照一定的規(guī)則，例如計(jì)算模板中籽粒部分面積占模板總面積的比例，作為該輪廓點(diǎn)的特征值，粘連處的R值明顯高于其他位置的值，由此找到粘連的位置［5254］。

另一種則是依據(jù)點(diǎn)與點(diǎn)的關(guān)系。很多籽粒輪廓接近于圓形，因此圓形顆粒的分割所使用到的方法對(duì)圓形籽粒的分割可能具有一定的參考價(jià)值，結(jié)合矢量面積、位置和凹度三個(gè)參數(shù)進(jìn)行凹點(diǎn)的判斷，當(dāng)輪廓上的當(dāng)前點(diǎn)、其前驅(qū)點(diǎn)與后繼點(diǎn)構(gòu)成的三角形矢量面積為正，前驅(qū)點(diǎn)與后繼點(diǎn)的連線(xiàn)在輪廓外側(cè)，且凹陷程度達(dá)到一定閾值時(shí)，判斷此凹點(diǎn)為真凹點(diǎn)。對(duì)于不同粘連類(lèi)型的凹點(diǎn)都有良好的檢測(cè)效果，該算法對(duì)圓形顆粒粘連的凹點(diǎn)檢測(cè)具有可觀的效果，對(duì)圓形籽粒的分割具有很好的借鑒意義［55］。對(duì)于非圓形籽粒如大米、玉米等圖像的分割，計(jì)算輪廓上相鄰三點(diǎn)所形成的夾角，隨著步長(zhǎng)加大，當(dāng)前點(diǎn)、前驅(qū)點(diǎn)和后繼點(diǎn)三點(diǎn)連線(xiàn)的夾角越大且?jiàn)A角內(nèi)側(cè)的圖像是背景時(shí)證明當(dāng)前點(diǎn)為真正的凹點(diǎn)，再通過(guò)Kmeans聚類(lèi)將凹點(diǎn)分類(lèi)，根據(jù)兩點(diǎn)間最短距離準(zhǔn)則實(shí)現(xiàn)凹點(diǎn)匹配［56］，存在粘連的復(fù)雜圖像的分割不能只依賴(lài)于單一算法，需要結(jié)合多種算法進(jìn)行分割。

關(guān)于凹點(diǎn)匹配算法，目前使用最多的是最短歐氏距離匹配規(guī)則［57］。由于邊界不平滑和籽粒自身的特點(diǎn)，檢測(cè)結(jié)果中可能會(huì)存在一部分偽凹點(diǎn)，偽凹點(diǎn)的存在會(huì)造成后續(xù)凹點(diǎn)匹配的錯(cuò)誤，因此偽凹點(diǎn)的消除也是重要的一步，以檢測(cè)出的所有凹點(diǎn)為中心計(jì)算每個(gè)凹點(diǎn)的矢量夾角與平角的差值［58］，差值大于90°的點(diǎn)判定為真凹點(diǎn)，以此刪除大米籽粒頭部的偽凹點(diǎn)，保留下正確的凹點(diǎn)。

凹點(diǎn)分析算法可有效分割籽粒間的粘連，提取輪廓后檢測(cè)出凹點(diǎn)并將其正確匹配，實(shí)現(xiàn)粘連籽粒的分割，可以進(jìn)一步提高分割效率，并且種皮顏色灰度對(duì)算法性能影響不大。按照籽粒邊界的特點(diǎn)，選擇合適的凹點(diǎn)檢測(cè)算法，并將偽凹點(diǎn)準(zhǔn)確排除，依據(jù)最短距離規(guī)則進(jìn)行匹配，可以在誤差允許范圍內(nèi)有效地分割籽粒的粘連。

2 算法對(duì)比分析

五種分割算法在對(duì)籽粒進(jìn)行分割時(shí)的應(yīng)用條件和算法優(yōu)勢(shì)上各有不同，其中Otsu算法是應(yīng)用最普遍的分割方法，經(jīng)常與其它算法結(jié)合使用以得到更好的處理效果；分水嶺算法是比較簡(jiǎn)便的分割算法，針對(duì)存在的過(guò)分割缺陷，提出了一系列的改進(jìn)方法去改善；在提取圖像邊緣信息時(shí)經(jīng)常采用邊緣檢測(cè)算法，其中Canny算子因其可保留更多地邊緣信息而應(yīng)用最為廣泛；SLIC算法是基于超像素的分割算法，體現(xiàn)了最優(yōu)的邊界依從性。將圖像分成網(wǎng)格分別進(jìn)行聚類(lèi)，減少了優(yōu)化中距離的計(jì)算量；對(duì)于圖像中可能存在的粘連情況，凹點(diǎn)分析算法可以有效地分割粘連區(qū)域，可以有效地減少欠分割所造成的影響，減小數(shù)據(jù)誤差。各分割算法的分割效果、優(yōu)缺點(diǎn)及其適用范圍比較如表1所示。

3 存在問(wèn)題

農(nóng)作物籽粒品質(zhì)是衡量農(nóng)作物生產(chǎn)效益的重要指標(biāo)之一。通過(guò)考種了解農(nóng)作物產(chǎn)量、品質(zhì)和抗病性等情況，為農(nóng)業(yè)生產(chǎn)決策提供科學(xué)依據(jù)，對(duì)提高作物品質(zhì)具有重要指導(dǎo)意義。當(dāng)前以圖像處理為技術(shù)基礎(chǔ)的高效考種試驗(yàn)及作業(yè)中還存在一些問(wèn)題。

1） 農(nóng)作物種類(lèi)覆蓋度不夠?qū)挿?。在玉米、水稻、小麥等主要谷?lèi)作物和大豆、花生、油菜籽等主要油料作物上的研究成果較多，在實(shí)驗(yàn)室以及實(shí)際田間環(huán)境中也取得了良好的表現(xiàn)。但針對(duì)小豆、棉花、油料、麻類(lèi)、桑柞絲等經(jīng)濟(jì)作物，以及飼料及綠肥作物、藥用作物和調(diào)味品作物等其他重要作物的研究成果較少，且成果普及程度不高。

2） 圖像分割精度不高。目前針對(duì)某些目標(biāo)作物所用算法在精度方面仍存在一些不足，例如邊界損失和像素?fù)p失等，增大表型信息提取過(guò)程中的計(jì)算誤差，影響考種結(jié)果。

3） 技術(shù)通用性不高。在現(xiàn)有籽粒圖像分割方法研究成果中，算法大多針對(duì)性地面向一種或一類(lèi)作物籽粒進(jìn)行開(kāi)發(fā)，在其目標(biāo)籽粒上可以取得良好分割效果，但將其直接遷移至其他種類(lèi)作物籽粒上的分割效果不佳，增加了生產(chǎn)成本。

4 展望

我國(guó)耕地面積廣大，農(nóng)作物種類(lèi)繁多。隨著我國(guó)農(nóng)業(yè)現(xiàn)代化進(jìn)程的有序推進(jìn)，農(nóng)業(yè)高質(zhì)量發(fā)展對(duì)農(nóng)業(yè)機(jī)械化和現(xiàn)代化以及種子種業(yè)技術(shù)的提升提出了更高的要求。在農(nóng)作物籽粒圖像處理任務(wù)中，對(duì)具體的圖像分割場(chǎng)景，根據(jù)待分割籽粒圖像的特點(diǎn)，例如籽粒間是否存在粘連、籽粒的邊界是否清晰、籽粒是否存在種臍以及籽粒表皮顏色是否均勻等，靈活地選擇分割算法，為了達(dá)到理想的分割效果，有時(shí)還需要將兩種或多種分割算法相結(jié)合。針對(duì)以上問(wèn)題，未來(lái)研究應(yīng)以擴(kuò)大目標(biāo)作物選區(qū)范圍，優(yōu)化算法計(jì)算精度，提高算法泛化能力，擴(kuò)展技術(shù)通用性為主要著手點(diǎn)，以改進(jìn)和提升處理效果，更好地滿(mǎn)足實(shí)際需求。

圖像分割是圖像處理過(guò)程中的重要步驟，在對(duì)圖像進(jìn)行預(yù)處理之后，通過(guò)圖像分割獲得良好的單粒圖像可以為后續(xù)考種數(shù)據(jù)的提取奠定良好的基礎(chǔ)，在大多數(shù)籽粒圖像中，籽粒粘連情況經(jīng)常存在，粘連處理操作不可或缺，所以需要選擇合適的粘連分割算法對(duì)粘連圖像進(jìn)行處理，才能更精準(zhǔn)地獲取考種信息以及相關(guān)的計(jì)算數(shù)據(jù)。

1） 目前對(duì)于籽粒種皮顏色灰度均勻的籽粒圖像分割研究較多，針對(duì)大米、小麥和大豆的分割算法已經(jīng)達(dá)到一定水平，通過(guò)多種算法的結(jié)合基本可以克服在圖像處理過(guò)程中出現(xiàn)的常見(jiàn)問(wèn)題。但對(duì)諸如小豆、菜豆等種皮顏色與種臍顏色差異較大的籽粒圖像研究較少，簡(jiǎn)單的圖像分割不能保留完整的籽粒輪廓，以至于影響籽粒的特征提取和品質(zhì)分級(jí)等步驟的計(jì)算精度，針對(duì)灰度變換的高精度識(shí)別研究急需加強(qiáng)。

2） 分水嶺算法因其計(jì)算簡(jiǎn)便而廣為應(yīng)用，在一定條件下可以取得較好的分割結(jié)果，但在籽粒情況較為復(fù)雜的情況下，分水嶺算法的過(guò)分割與欠分割現(xiàn)象會(huì)造成籽粒的計(jì)數(shù)誤差和表型數(shù)據(jù)的計(jì)算誤差，嚴(yán)重影響考種精度，如何從標(biāo)記控制、修改距離圖等方面著手，改善分水嶺算法的分割效果還需進(jìn)一步研究。

3） 目前應(yīng)用圖像處理技術(shù)進(jìn)行考種，要求籽粒必須單層平鋪擺放，不允許籽粒間存在重疊遮擋，但大規(guī)?？挤N情況下籽粒間很可能存在重疊遮擋的現(xiàn)象，通過(guò)人工手段或其它方法將籽粒改為單層平鋪擺放，費(fèi)時(shí)費(fèi)力，影響籽粒的表型信息獲取效率，如何處理存在重疊遮擋的籽粒圖像，是提高考種工作效率的關(guān)鍵問(wèn)題。

4） 隨著圖像分割技術(shù)的不斷發(fā)展，其應(yīng)用領(lǐng)域也逐漸擴(kuò)展至許多農(nóng)作物籽粒的處理當(dāng)中，為追求更好的分割效果，在多種農(nóng)作物考種方面的應(yīng)用研究仍需豐富，結(jié)合已有算法或研究新算法來(lái)處理農(nóng)作物籽粒圖像，以及如何將不同算法有機(jī)結(jié)合并應(yīng)用于復(fù)雜籽粒圖像的處理也需要深入探討。

參 考 文 獻(xiàn)

［1］Jiang Ziqi， Zou Feng， Chen Debao， et al. An improved teachinglearningbased optimization for multilevel thresholding image segmentation ［J］. Arabian Journal for Science and Engineering， 2021， 46（9）： 8371-8396.

［2］Sawant A. Flower recognition system based on image segmentation algorithms ［J］. International Journal of Innovative Technology and Exploring Engineering， 2020， 9（3）： 685-688.

［3］Jung S， Cho Y， Lee K T， et al. Moving object detection with single moving camera and IMU sensor using mask RCNN instance image segmentation ［J］. International Journal of Precision Engineering and Manufacturing， 2021， 22（6）： 1049-1059.

［4］Kotaridis I， Lazaridou M. Remote sensing image segmentation advances： A metaanalysis ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2021， 173： 309-322.

［5］Divyameena S， Mangaleswaran M. A study on various image segmentation algorithms ［J］. International Journal of Scientific Research in Science， Engineering and Technology， 2018： 272-276.

［6］Koh J， Hayden M， Daetwyler H， et al. Estimation of crop plant density at early mixed growth stages using UAV imagery ［J］. Plant Methods， 2019， 15（1）： 1-9.

［7］吳文華. 基于圖像的油菜表型參數(shù)測(cè)量方法研究［D］. 杭州： 浙江大學(xué)， 2019.

Wu Wenhua. Study on measurement method of rapeseed phenotypic parameters based on image ［D］. Hangzhou： Zhejiang University， 2019.

［8］Cui Dandan， Cui Guoxian， Yang Ruifang， et al. Phenotypic characteristics of ramie （Boehmeria nivea L.） germplasm resources based on UAV remote sensing ［J］. Genetic Resources and Crop Evolution， 2020， 68（2）： 1-16.

［9］宋鵬， 張晗， 王成， 等. 玉米高通量自動(dòng)考種裝置設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（16）： 41-47.

Song Peng， Zhang Han， Wang Cheng， et al. Design and experiment of high throughput automatic measuring device for corn ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（16）： 41-47.

［10］明雨陽(yáng). 基于圖像處理的作物表型參量測(cè)量及生長(zhǎng)狀態(tài)監(jiān)測(cè)方法研究［D］. 西安： 西安理工大學(xué)， 2020.

Ming Yuyang. Research on method of crop phenotypic parameter measurement and growth status monitoring based on image processing ［D］. Xian： Xian University of Technology， 2020.

［11］楊曉雪， 史曉剛. 計(jì)算機(jī)圖像處理技術(shù)及其在農(nóng)業(yè)工程中的應(yīng)用［J］. 數(shù)字通信世界， 2021（10）： 45-46， 50.

Yang Xiaoxue， Shi Xiaogang. Computer image processing technology and its application in agricultural engineering ［J］. Digital Communication World， 2021（10）： 45-46， 50.

［12］Mahajan S， Mittal N， Salgotra R， et al. An efficient adaptive SALP swarm algorithm using type Ⅱ fuzzy entropy for multilevel thresholding image segmentation ［J］. Computational and Mathematical Methods in Medicine， 2022.

［13］Ju Aiyun， Wang Zhongli. A novel fully convolutional network based on markercontrolled watershed segmentation algorithm for industrial soot robot target segmentation ［J］. Evolutionary Intelligence， 2022， 16（3）： 1-18.

［14］Qiao Shuang， Yu Qinghan， Zhao Zhengwei， et al. Edge extraction method for medical images based on improved local binary pattern combined with edgeaware filtering ［J］. Biomedical Signal Processing and Control， 2022， 74： 103490.

［15］Vera J F， Macías R. On the behaviour of Kmeans clustering of a dissimilarity matrix by means of full multidimensional scaling ［J］. Psychometrika， 2021， 86（2）： 489-513.

［16］Sun Aiyun， Jia Wenbao， Hei Daqian，et al. Application of concave point matching algorithm in segmenting overlapping coal particles in Xray images ［J］. Minerals Engineering， 2021， 171： 107096.

［17］肖樂(lè)意. Otsu圖像分割法的改進(jìn)與應(yīng)用研究［D］. 長(zhǎng)沙： 湖南大學(xué)， 2020.

Xiao Leyi. Improvement and application of Otsu image segmentation method ［D］. Changsha： Hunan University， 2020.

［18］劉杰， 安博文. 基于動(dòng)態(tài)閾值分割的目標(biāo)提取技術(shù)［J］. 紅外技術(shù)， 2008， 30（12）： 706-708， 712.

Liu Jie， An Bowen. Object extraction technique based on dynamic threshold segmentation ［J］. Infrared Technology， 2008， 30（12）： 706-708， 712.

［19］Otsu N. A threshold selection method from graylevel histograms ［J］. IEEE Transactions on Systems Man & Cybernetics， 2007， 9（1）： 62-66.

［20］李云紅， 張秋銘， 周小計(jì)， 等. 基于形態(tài)學(xué)及區(qū)域合并的分水嶺圖像分割算法［J］. 計(jì)算機(jī)工程與應(yīng)用， 2020， 56（2）： 190-195.

Li Yunhong， Zhang Qiuming， Zhou Xiaoji， et al. Watershed image segmentation algorithm based on morphology and region merging ［J］. Computer Engineering and Applications， 2020， 56（2）： 190-195.

［21］潘雄. 基于區(qū)域合并的圖像分割算法研究［D］. 福州： 福建農(nóng)林大學(xué)， 2020.

Pan Xiong. Research on image segmentation algorithm based on region merging ［D］. Fuzhou： Fujian Agriculture and Forestry University， 2020.

［22］陳斌斌， 范九倫， 雷博， 等. 基于SLIC超像素?；拇植陟貓D像分割算法［J］. 傳感器與微系統(tǒng)， 2022， 41（2）： 105-107.

Chen Binbin， Fan Jiulun， Lei Bo， et al. SLIC superpixel granulationbased rough entropy image segmentation algorithm ［J］. Transducer and Microsystem Technologies， 2022， 41（2）： 105-107.

［23］Wang Yuting， Liao Zhouyu. A method for object extraction from crop image based on visual saliency ［J］. Journal of Physics： Conference Series， 2022， 2171（1）： 012007.

［24］黃鵬， 鄭淇， 梁超. 圖像分割方法綜述［J］. 武漢大學(xué)學(xué)報(bào)（理學(xué)版）， 2020， 66（6）： 519-531.

Huang Peng， Zheng Qi， Liang Chao. Overview of image segmentation methods ［J］. Journal of Wuhan University （Natural Science Edition）， 2020， 66（6）： 519-531.

［25］張軒， 張新峰. 粘連顆粒圖像分割方法綜述［J］. 圖像與信號(hào)處理， 2018， 7（3）： 113-118.

Zhang Xuan， Zhang Xinfeng. Summarization of image segmentation methods for adhesive particles ［J］. Journal of Image and Signal Processing， 2018， 7（3）： 113-118.

［26］高輝， 甄彤， 李智慧. 粘連顆粒圖像的分割方法綜述［J］. 中國(guó)糧油學(xué)報(bào)， 2022， 37（3）： 186-194.

Gao Hui， Zhen Tong， Li Zhihui. A review of segmentation methods for adhesive particle images ［J］. Chinese Journal of Cereals and Oils， 2022，37（3）：186-194.

［27］韓明芮， 楊璽. 基于圖像處理的包裝缺陷檢測(cè)方法綜述［J］. 中國(guó)儲(chǔ)運(yùn)， 2019（9）： 110-112.

［28］馬佳佳， 王克強(qiáng)， 鄭奕雄， 等. 基于機(jī)器視覺(jué)的花生種子外觀品質(zhì)檢測(cè)與分類(lèi)方法研究［J］. 安徽農(nóng)業(yè)科學(xué)， 2021， 49（10）： 225-227， 231.

Ma Jiajia， Wang Keqiang， Zheng Yixiong， et al. Research on the appearance quality detection and classification of peanut seeds based on machine vision ［J］. Journal of Anhui Agricultural Sciences， 2021， 49（10）： 225-227， 231.

［29］王建宇. 基于卷積神經(jīng)網(wǎng)絡(luò)的玉米籽粒精選系統(tǒng)研制［D］. 哈爾濱： 東北農(nóng)業(yè)大學(xué)， 2019.

Wang Jianyu. Development of corn kernel sorting system based on convolutional neural network ［D］. Harbin： Northeast Agricultural University， 2019.

［30］張博. 基于深度學(xué)習(xí)的小麥外觀品質(zhì)機(jī)器視覺(jué)檢測(cè)研究［D］. 楊凌： 西北農(nóng)林科技大學(xué)， 2019.

Zhang Bo. Machine vision detection of wheat appearance quality based on deep learning ［D］. Yangling： Northwest A & F University， 2019.

［31］祝保林. 基于機(jī)器視覺(jué)的小桐子種子識(shí)別分類(lèi)研究［D］. 開(kāi)封： 河南大學(xué)， 2020.

Zhu Baolin. Study on seed recognition and classification of Jatropha seed based on machine vision ［D］. Kaifeng： Henan University， 2020.

［32］陳進(jìn)， 顧琰， 練毅， 等. 基于機(jī)器視覺(jué)的水稻雜質(zhì)及破碎籽粒在線(xiàn)識(shí)別方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（13）： 187-194.

Chen Jin， Gu Yan， Lian Yi， et al. Online recognition method of impurities and broken paddy grains based on machine vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（13）： 187-194.

［32］Xue Yongan， Zhao Jinling， Zhang Mingmei. A watershedsegmentationbased improved algorithm for extracting cultivated land boundaries ［J］. Remote Sensing， 2021， 13（5）： 939.

［34］Sun Quan， Zheng Junxing， Li Cheng. Improved watershed analysis for segmenting contacting particles of coarse granular soils in volumetric images ［J］. Powder Technology， 2019， 356（C）： 295-303.

［35］Cao Wenxuan， Qiao Zeyu， Gao Zeyu，et al. Use of unmanned aerial vehicle imagery and a hybrid algorithm combining a watershed algorithm and adaptive threshold segmentation to extract wheat lodging ［J］. Physics and Chemistry of the Earth， 2021， 123： 103016.

［36］Gamarra M， Zurek E， Escalante H J，et al. Split and merge watershed： A twostep method for cell segmentation in fluorescence microscopy images ［J］. Biomedical Signal Processing and Control， 2019， 53： 101575.

［37］Zhao Min， Wu Wen Fu， Zhang Ya Qiu. The corn seed image segmentation and measurement of the geometrical features based on image analysis ［J］. Applied Mechanics and Materials， 2011， 1326（66-68）： 1100-1105.

［38］Kuang Fangjun， Xu Weihong， Wang Yanhua. Novel watershed algorithm for touching rice image segmentation ［J］. Advanced Materials Research， 2011， 1290（271-273）： 1-6.

［39］蔣霓， 段凌鳳， 楊萬(wàn)能， 等. 基于并行處理技術(shù)的谷物粒型快速測(cè)量算法［J］. 光電工程， 2012， 39（3）： 66-71.

Jiang Ni， Duan Lingfeng， Yang Wanneng， et al. Fast grain shape determination algorithm based on parallel processing ［J］. OptoElectronic Engineering， 2012， 39（3）： 66-71.

［40］李錦明. 基于機(jī)器視覺(jué)的玉米考種技術(shù)研究［D］. 杭州： 杭州電子科技大學(xué)， 2019.

Li Jinming. Research on maize seed examination technology based on machine vision ［D］. Hangzhou： Hangzhou Dianzi University， 2019.

［41］孫曉婷， 陳江紅， 陳慶周. 基于HDome重構(gòu)的大豆圖像分割［J］. 大豆科學(xué)， 2013， 32（6）： 821-824.

Sun Xiaoting， Chen Jianghong， Chen Qingzhou.Image segmentation of soybean based on HDome ［J］. Soybean Science， 2013， 32（6）： 821-824.

［42］Berggren M， Caiazza S， Chera M，et al. Kinematic edge detection using finite impulse response filters ［J］. Nuclear Inst and Methods in Physics Research， 2021， 1010： 165555.

［43］Xu Hongyun， Xu Xiaoli， Zuo Yunbo. Applying morphology to improve Canny operators image segmentation method ［J］. The Journal of Engineering， 2019， 2019（23）： 8816-8819.

［44］侯雨， 曹麗英， 丁小奇， 等. 基于邊緣檢測(cè)和BP神經(jīng)網(wǎng)絡(luò)的大豆雜草識(shí)別研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2020， 41（7）： 185-190.

Hou Yu， Cao Liying， Ding Xiaoqi， et al. Research on soybean weed recognition based on edge detection and BP neural network ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（7）： 185-190.

［45］Achanta R， Shaji A， Smith K， et al. SLIC superpixels compared to stateoftheart superpixel methods ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2012， 34（11）： 2274-2282.

［46］Yadav D P. A method for human burn diagnosis using machine learning and SLIC superpixels based segmentation ［J］. IOP Conference Series： Materials Science and Engineering， 2021， 1116（1）： 012186.

［47］Shakir U， Naeem B， Muhammad Z. Adaptive tuning of SLIC parameter K ［J］. Multimedia Tools and Applications， 2021， 80（17）： 25649-25672.

［48］鄭金云. 基于聚類(lèi)的超像素分割方法研究［D］. 桂林： 桂林電子科技大學(xué)， 2021.

Zheng Jinyun. Research on superpixel segmentation method based on clustering ［D］. Guilin： Guilin University of Electronic Technology， 2021.

［49］何紅霞. 基于機(jī)器視覺(jué)的小麥種子品種分類(lèi)模型研究［D］. 合肥： 安徽農(nóng)業(yè)大學(xué)， 2018.

He Hongxia. Research on wheat seed variety classification model based on machine vision ［D］. Hefei： Anhui Agricultural University， 2018.

［50］李詠豪. 基于超像素的粘連谷粒分割算法［J］. 數(shù)字技術(shù)與應(yīng)用， 2021， 39（4）： 110-112.

Li Yonghao. Superpixel based adhesive grain kernel segmentation algorithm ［J］. Digital Technology & Application， 2021， 39（4）： 110-112.

［51］張寶全， 陸輝山， 王福杰， 等. 基于凹點(diǎn)分析法的粘連雞體分割方法研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（2）： 164-170， 183.

Zhang Baoquan， Lu Huishan， Wang Fujie， et al. Research on the segmentation method of adhesive chicken body based on concave point analysis ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（2）： 164-170， 183.

［52］王小鵬， 姚麗娟， 文昊天， 等. 形態(tài)學(xué)多尺度重建結(jié)合凹點(diǎn)匹配分割枸杞圖像［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（2）： 212-218.

Wang Xiaopeng， Yao Lijuan， Wen Haotian， et al. Wolfberry image segmentation based on morphological multiscale reconstruction and concave points matching ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（2）： 212-218.

［53］武威. 基于機(jī)器視覺(jué)技術(shù)的稻麥籽粒外觀品質(zhì)評(píng)測(cè)研究［D］. 揚(yáng)州： 揚(yáng)州大學(xué)， 2021.

Wu Wei. Evaluation of grain appearance quality of rice and wheat based on machine vision technology ［D］. Yangzhou： Yangzhou University， 2021.

［54］孫志恒. 基于深度學(xué)習(xí)的稻米堊白識(shí)別算法研究與應(yīng)用［D］. 成都： 電子科技大學(xué)， 2019.

Sun Zhiheng. Research and application of rice chalkiness recognition algorithm based on deep learning ［D］. Chengdu： University of Electronic Science and Technology of China， 2019.

［55］劉宰豪. 基于凹點(diǎn)和重心檢測(cè)的粘連類(lèi)圓形目標(biāo)圖像分割［D］. 西安： 西安電子科技大學(xué)， 2019.

Liu Zaihao. Image segmentation of conglutination circular target based on concave point and center of gravity detection ［D］. Xian： Xidian University， 2019.

［56］樊蒙蒙. 基于PCNN和凹點(diǎn)的粘連大米圖像分割［D］. 鄭州： 河南工業(yè)大學(xué)， 2019.

Fan Mengmeng. Image segmentation of bonded rice based on PCNN and concave point ［D］. Zhengzhou： Henan University of Technology， 2019.

［57］Lin P， Chen Y M， He Y， et al. A novel matching algorithm for splitting touching rice kernels based on contour curvature analysis ［J］. Computers and Electronics in Agriculture， 2014， 109： 124-133.

［58］布芳. 基于卷積神經(jīng)網(wǎng)絡(luò)的小目標(biāo)檢測(cè)與分割算法研究［D］. 西安： 西安電子科技大學(xué)， 2019.

Bu Fang. Research on small target detection and segmentation algorithm based on convolutional neural network ［D］. Xian： Xidian University， 2019.