基于图像处理和深度学习秧盘育秧播种性能的研究现状

基于图像处理和深度学习秧盘育秧播种
性能的研究现状
摘要：本文针对水稻秧盘育秧播种性能检测目前的研究现状，对基于图像特征设计的秧盘育秧播种性能研究现状和基于卷积特征学习的谷物数量检测研究现状进行阐述，并对尚待解决的关键问题进行总结。

关键词：育秧盘；图像特征；卷积特征
水稻秧盘育秧播种性能检测关键就是如何对秧盘中的稻种数量及其密度分布情况进行准确检测，这是水稻秧盘育秧生产线自动补种和稻种播量智能调节得以实现的基础。

由于水稻秧盘主要分为毯状盘和钵体盘，毯状盘播种方式为散装条播，播种时种子均匀撒播于毯状秧盘矩形体表面，毯状盘播种性能的准确检测可为稻种播量和播种密度智能调节提供依据；此外，钵体盘由行列独立的穴空间组成，播种时种子撒播于钵体空穴里面，那么钵体盘播种性能的准确检测可为水稻秧盘育秧生产线自动补种提供位置和数量信息，因此水稻秧盘育秧播种性能检测是实现水稻秧盘育秧生产线智能化的前提。

1基于图像特征设计的秧盘育秧播种性能研究现状
目前，针对水稻秧盘育秧播种量的检测，主要是基于机器视觉技术对水稻图像进行特征提取并检测。

齐龙[1]根据超级杂交稻秧盘育秧播种量少易出现空穴的特点提出掩膜算法，通过掩膜灰度值与穴播量之间建立对应关系，进而对稻种空穴和不同穴播量进行检测。

杂交稻毯状盘单幅图像内具有稻种数目多、目标小且稻种和部分秧盘底土颗粒大小相似等检测难点，导致难于将稻种目标通过图像特征单独提取出来，王辰星等[2]针对上述难点提出差分算法将秧盘播种前后图像进行消减得到稻种目标区域和漏播空白区域，最后结合分水岭算法和区域面积统计法对稻种目标区域的种子数量进行检测。

周海波[3]首先采用中值滤波的方法去除钵体秧盘超级杂交稻播种图像的噪声，并通过Roberts算子提取秧盘中每
穴稻种的边缘信息，最后通过掩模计算每穴稻种的灰度值进而得到每穴稻种的具
体播量信息。

上述研究主要针对杂交稻和超级杂交稻低播量条件下进行检测，但随着播量
的增加，稻种重叠遮挡的情况会变得很普遍，上述检测方法仅根据灰度值或区域
面积对稻种播量进行检测，未考虑稻种在多目标重叠粘结情况下的播量检测方法。

Zhang等[4]针对两粒相粘连的谷物用椭圆拟合方法对其进行分割并计数，Mebatsion等[5]通过傅立叶描述子算法对粘连谷物边界进行分割。

上述分割及计
数算法主要针对实验室条件下构建的谷物粘连程度较低，但在水稻秧盘育秧生产
线实际播种作业过程中，稻种的重叠及粘结程度远比上述实验室条件下构造的情
况复杂。

针对粘连程度较高的稻种播量检测，谭穗妍等[6]通过设计并提取了6
种毯状盘播量情况下（碎米/杂质、1、2、3、4和5粒以上）稻种连通区域的形
态特征，并建立基于BP神经网络数量检测模型，平均识别率达到94.4%，但当稻
种播量在3粒及以上的时候检测精度明显低于1~2粒低播量情况下的检测精度。

为了探寻具有不同物理特性的水稻品种播量检测特性，谭穗妍等[7]针对3种具
有不同物理特性稻种毯状盘的5种播量（1、2、3、4和4粒以上）采集图像，并
采用小波分析进行图像增强和高斯滤波进行图像平滑，避免分水岭分割算法对图
像的过分割，并对稻种连通区域边界角点进行检测，最后建立BP神经网络数量
检测模型，实验结果表明3种具有不同物理特性水稻品种的平均检测精度为
92.4%。

董文浩等[8]通过投影法对钵体秧盘超级杂交稻播种图像进行行列分割得
到图像块，并采用机器学习的方法对图像块内的稻种数量检测检测，平均检测精
度为95.68%。

2基于卷积特征学习的谷物数量检测研究现状
近年来，深度学习（Deep Learning）中的卷积神经网络（convolutional neural network，CNN）在图像识别领域取得巨大成功，CNN能够通过原始图像学
习得到表达能力强的低层轮廓边缘特征和高层语义特征。

为避免秧盘背景分割和
稻种特征设计及提取，将不同穴播量稻种图像检测问题转换为图像分类问题进行
研究，采用CNN对常规稻、杂交稻和超级杂交稻共8种不同稻种穴播量图像进行
检测，平均正确率达到98.76%，但由于秧盘底土中包含的土块颗粒与稻种外部形态大小极其相似，导致超级杂交稻低播量情况下图像识别率仅达到90.98%。

3尚待解决的关键问题
通过对国内外水稻秧盘育秧播种性能及谷物数量检测技术研究现状分析，发现水稻秧盘育秧播种性能检测中的稻种特征主要是基于稻种连通区域的灰度特征值、形态特征和边界角点等特征对种子粒数及空穴情况进行检测，虽然取得了一定的效果，但稻种特征主要通过人工设计并提取，特征的设计和提取要耗费大量的时间和精力；在特征提取和选择过程中易造成有用特征的丢失，同时在图像去噪、图像增强和图像分割等图像处理操作中也会增加随机误差，导致模型识别能力低，无法满足水稻秧盘育秧生产线对育秧播种性能的精准检测。

部分学者也将深度学习中的CNN图像分类和目标检测方法应用到谷物数量检测方面，但水稻秧盘育秧播种性能检测中不光涉及稻种数量检测，还涉及稻种播种密度分布信息获取等难题。

参考文献
[1] 齐龙，马旭，周海波. 基于机器视觉的超级稻秧盘育秧播种空穴检测技术[J]. 农业工程学报，2009，25(2):121-125.
[2] 王辰星，何瑞银. 基于图像处理的水稻育秧播种质量检测方法的研究[J]. 云南农业大学学报，2010，25(2)：153-158.
[3] 周海波，李洪波，王桂莲，刘冠乔. 基于LabVIEW的超级稻秧盘播种质量检测技术研究[J].佳木斯大学学报：自然科学版，2012，30(5)：731-734.
[4] Zhang G., Jayas D.S., White N.D.G. Separation of touching grain kernels in an image by ellipse fitting algorithm[J]. Biosystems Engineering, 2005, 92(2):135-142.
[5] Mebatsion H.K., Paliwal J. A Fourier analysis based algorithm to separate touching kernels in digital images[J]. Biosystems Engineering, 2011, 108(1):66-74.
[6] 谭穗妍，马旭，吴露露，李泽华，梁仲维. 基于机器视觉和BP神经网
络的超级杂交稻穴播量检测[J]. 农业工程学报，2014，30(21)：201-208.
[7] Tan S.Y., Ma X., Mai Z.J., Qi, L., Wang, Y.W. Segmentation and counting algorithm for touching hybrid rice grains[J]. Computers and Electronics in Agriculture, 2019, 162:493-504.
[8] Dong W.H., Ma X., Li H.W., Tan S.Y., Guo L.J. Detection of Performance of Hybrid Rice Pot-Tray Sowing Utilizing Machine Vision
and Machine Learning Approach[J]. Sensors, 2019, 19(23):5332.基金项目：茂名市科技计划项目（2021029）。

作者简介：邓向武（1984-），男，湖北武汉人，博士，讲师，研究方向：
农业信息处理。