摘要: 準確獲取西蘭花花球面積和新鮮度是確定其長勢的關鍵步驟，本研究通過對深度殘差網絡ResNet進行改進得到一種新型的西蘭花花球分割模型，并通過花球部位黃綠顏色占比判斷其新鮮度，實現低成本高效準確地西蘭花表型信息提取。主要技術流程包括：（1）基于地面自動影像獲取平臺拍攝西蘭花花球正射影像并建立原始數據集；（2）對訓練圖像進行預處理并輸入模型進行分割；（3）基于顏色信息用粒子群結構PSO和大津法Otsu對分割結果進一步進行閾值分割，獲取其新鮮度指標。試驗結果表明：本研究建立的分割模型精度優于傳統深度學習模型和基于顏色空間變換和閾值分割模型，4個評價指標結構相似性指數(SSIM)、平均精度(Precision)、平均召回率(Recall)、F-度量(F-measure)結果分別為0.911、0.897、0.908和0.907，相比于傳統方法提升了10%-15%，且對土壤反射率波動、冠層陰影、輻射強度變化等干擾具有一定的魯棒性。同時，在分割結果的基礎上采用PSO-Otsu法可以實現花球新鮮度快速分析，其精度超過了0.8。本研究結果實現了西蘭花田間多表型參數的高通量獲取，可以為作物田間長勢監測研究提供重要參考。

　　關鍵詞: 深度學習；西蘭花表型；機器視覺；自動分級；田間平臺

　　1 引言

　　西蘭花是十字科一、二年生草本植物，其蛋白質含量高并富含多種維生素和多酚類物質，具有較高的種植效益和經濟價值[1]。中國是西蘭花生產與消費大國，據“國家西蘭花良種重大科研聯合攻關”項目調研結果，中國目前種植面積和產量均居世界首位。因西蘭花是選擇性收獲作物，同一地塊上不同個體花球大小及新鮮水平呈現較大差異，如何精確地對每個花球大小及新鮮度進行評估，是提高采收效率、保證采收質量的關鍵。過去對西蘭花花球檢測主要依靠人工，即通過農藝人員定期在田間對不同個體進行花球大小、圓度等參數測量。但傳統人工田間調查存在效率低下、主觀性強、不能提供實時數據和成本高等問題，影響了西蘭花產業智能化發展。

　　2 材料與方法

　　2.1　研究區域及試驗設計

　　研究區域與數據采集平臺設計如圖1所示。試驗所用西蘭花品種為“浙青452”“臺綠1號”和“臺綠2號”，花冠層圖像拍攝于浙江省嘉興市浙江省農業科學院楊渡科研創新基地（北緯30°27′，東經120°25′）。試驗小區為3個長寬分別為30m和20m的溫室大棚種植區，西蘭花株距約為30cm，所有田間管理均按照正常水平進行，不設置養分及水分試驗對照組。用架設在田間移動平臺（FieldScan Pro）上的兩臺高速工業相機分別從左右兩個方向對西蘭花花球進行拍攝，拍攝焦距為5mm，鏡頭保持垂直向下距地面約0.8m。拍攝時間為2018年9月15日上午9點至下午4點之間。將兩部相機同步獲取的影像利用尺度不變特征變換（Scale-invariant Feature Transform，SIFT）算法進行拼接，得到廣角照片以保證花球結構信息的完整性。

　　2.2　試驗平臺研發

　　對西蘭花表型信息進行提取除了需要對花球部位進行準確定位和分割，還應該根據其頭部“黃—綠”顏色占比對新鮮度進行估計。本研究采用由浙江省農業科學院農業裝備研究所研發的FieldScan Pro試驗平臺采集模型訓練所需彩色數碼圖片，試驗平臺由田間移動平臺和圖像采集系統兩部分組成。

　　3 結果與分析

　　本研究試驗環境為Ubuntu 16.04，操作系統為64位，采用Tensorflow框架。計算機配置為雙GTX-1080顯卡，8GB顯存，內存為16GB，處理器型號為Intel(R) Core (TM) i7-8700K，主頻3.7GHz，訓練模型均基于Python 3.6.8編寫。

　　3.1　花球分割結果

　　為進一步分析網絡性能，將改進的ResNet與傳統ResNet、GoogleNet以及基于顏色空間變換和閾值分割兩種方法：植被提取顏色指數（Color Index of Vegetation Extraction，CIVE）和超綠指數（Excess Green Index，ExG）進行比較[28]。其中，CIVE和ExG常被用于植被提取當中，通過區分綠色作物和背景不同的顏色信息實現圖像分割和目標提取，計算公式如下。

　?。?）

　?。?）

　　上式中，R、G和B分別表示像素的紅、綠、藍通道值。各算法的分割結果和精度評價如圖5和表2所示。

　　3.2　花球新鮮度分析結果

　　在上述花球分割的基礎上，利用PSO-Otsu算法對得到的花球區域進行二次分割，實現各品種西蘭花新鮮度分析。

　　圖6為西蘭花花球新鮮度統計結果，（a）-（c）分別代表3個不同品種的新鮮情況。可以看出，在同一養分水平下“臺綠1號”處于Level 0-2新鮮度下的個體比例最高，表明該品種成熟速率較為接近；而“臺綠2號”新鮮度呈現兩端分布的情況（Level 0占比為26.2%，Level 4占比為30%），說明該品種成熟速率差異性較大。此外，“臺綠2號”和“浙青452”花球發黃程度較“臺綠1號”偏重，表明這兩個品種在相同養分條件下成熟時間早，變質情況嚴重，對采摘后保存環境要求高。

　　4 總結和展望

　　本研究以西蘭花花球作為研究對象，提出了一種基于改進ResNet的西蘭花長勢監測方法。通過自主設計的影像獲取平臺得到的西蘭花冠層正射影像進行分析，可以準確提取西蘭花花球并對其新鮮度進行判定。本研究主要貢獻如下。

　?。?）基于傳統ResNet架構，設計了適合進行西蘭花田間實時分析的改進ResNet，通過加入SE模塊減少了網絡參數個數，達到平衡各特征圖之間的權重并加快了訓練速度的目的。

　　（2）在現有西蘭花分級標準的基礎上，結合實際蔬菜貿易需求，提出了一種新的西蘭花新鮮度分級標準。以該標準為依據，利用基于粒子群模型改進的Otsu算法實現了西蘭花球不同顏色區域面積比估算，將該比值與新的分級標準一一對應，從而實現收獲前西蘭花品質的判定并為自動采收提供技術支撐。

　　參考文獻

　　[1] 郭香鳳, 向進樂, 李秀珍, 等. 貯藏溫度對西蘭花凈菜品質的影響[J]. 農業機械學報, 2008, 39(2): 201-204.

　　作者：周成全 , 葉宏寶 , 俞國紅 , 胡俊 , 徐志福