彭 程，李 帥，苗艷龍，張振乾，張 漫，李 寒※

（1.中國農(nóng)業(yè)大學(xué)智慧農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實驗室，北京 100083； 2.中國農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息獲取技術(shù)重點(diǎn)實驗室，北京 100083）

0 引 言

目前，作物表型檢測技術(shù)遠(yuǎn)遠(yuǎn)落后于基因型技術(shù)，已經(jīng)成為育種技術(shù)發(fā)展上的瓶頸。傳統(tǒng)的表型性狀一般采用手工測量，效率低下、主觀性強(qiáng)，并且往往對作物有破壞性。因此開發(fā)自動化、高效率、無創(chuàng)傷的表型性狀測量方法，提高番茄表型測量效率，對促進(jìn)番茄育種科學(xué)發(fā)展至關(guān)重要。

作物表型參數(shù)可分為內(nèi)在生理參數(shù)與外在形態(tài)參數(shù)，其中形態(tài)參數(shù)的獲取一般通過三維重建實現(xiàn)。近年來基于三維點(diǎn)云的植物三維重建與表型參數(shù)測量方法廣泛應(yīng)用于作物表型研究。Hosoi等使用便攜式高分辨率激光雷達(dá)從番茄冠層周圍3個位置采集點(diǎn)云數(shù)據(jù)并行配準(zhǔn)，準(zhǔn)確測量了番茄葉面積，平均誤差為4.6%。從單個視角采集的作物圖像或點(diǎn)云由于植株自身遮擋，難以得到完整的點(diǎn)云數(shù)據(jù)，通過在植株周邊多角度安裝傳感器或使植株進(jìn)行旋轉(zhuǎn)可以采集到不同視角的植株數(shù)據(jù)，對不同視角獲取的點(diǎn)云進(jìn)行配準(zhǔn)可得到完整的作物點(diǎn)云信息。婁路等將植物放置于轉(zhuǎn)盤上勻速轉(zhuǎn)動，相機(jī)采用自動快門連續(xù)拍攝模式，從而得到360°全方位視角的植物圖像序列。上述研究雖然能夠獲取高精度作物點(diǎn)云信息，但依賴大量手動操作，為了提升作物表型測量的效率與自動化程度，近年來誕生了將表型采集傳感器搭載在機(jī)器人上實現(xiàn)高效自動化表型測量的研究。Bao等將表型測量傳感器安裝在機(jī)器人的機(jī)械臂末端，通過機(jī)器人在植物工廠中的自動導(dǎo)航，實現(xiàn)了自動化的表型測量。通過對上述研究進(jìn)行分析，將深度傳感器安裝在機(jī)械臂末端，通過機(jī)械臂運(yùn)動獲取多角度點(diǎn)云，并對作物進(jìn)行點(diǎn)云配準(zhǔn)和三維重建，用于高效率、自動化的作物表型參數(shù)測量。

上述研究主要集中于獲取完整植物點(diǎn)云數(shù)據(jù)，然而為了獲得更詳細(xì)的器官水平或基于植物部位的信息，需要將植物模型分割成單個器官。Miao等通過點(diǎn)云骨架提取、基于骨架的粗分割和基于莖葉分類的細(xì)分割實現(xiàn)了玉米植株的莖葉分割，分割算法的平均準(zhǔn)確率達(dá)到了0.944。Jin等提出了一種中位歸一化向量生長算法，通過莖生長葉生長，實現(xiàn)了玉米莖葉分割。番茄相比玉米拓?fù)浣Y(jié)構(gòu)更加復(fù)雜，器官形態(tài)差異大，通過骨架提取難以一步實現(xiàn)番茄莖葉分割。通過點(diǎn)云骨架化進(jìn)行主徑與葉柄分割，葉柄與葉片通過改進(jìn)的區(qū)域生長方法再次分割，最終得到單個葉片點(diǎn)云，計算葉片面積。

基于以上分析，通過機(jī)器人和機(jī)械臂獲取番茄多角度點(diǎn)云并進(jìn)行三維重建是可以快速并自動化獲取番茄表型參數(shù)的有效方法。莖稈與葉片的分割是作物表型測量的關(guān)鍵步驟，本文將基于機(jī)器人獲取的單株完整番茄點(diǎn)云，通過骨架化、區(qū)域生長方法實現(xiàn)番茄的莖葉分離，并提取番茄株高、莖粗、葉傾角和葉面積參數(shù)，為番茄的高通量表型檢測、三維幾何重建等研究和應(yīng)用提供技術(shù)手段。

1 材料與方法

1.1 數(shù)據(jù)獲取

本文試驗于2022年在北京市小湯山國家精準(zhǔn)農(nóng)業(yè)研究示范基地溫室大棚進(jìn)行。試驗番茄品種為京番309，番茄種植行間距130 cm，株間距40 cm。番茄幼苗于2月27日移栽至溫室，在移栽后的第7日、15日、25日進(jìn)行了點(diǎn)云采集試驗，本文的點(diǎn)云采集和表型參數(shù)提取方法主要針對苗期番茄。

為了高效的獲取番茄表型數(shù)據(jù)，采用安裝機(jī)械臂的自主導(dǎo)航機(jī)器人搭載深度傳感器在溫室中采集番茄點(diǎn)云。機(jī)器人由導(dǎo)航和表型采集系統(tǒng)構(gòu)成，導(dǎo)航系統(tǒng)由四輪差速驅(qū)動底盤、單線激光雷達(dá)、輪式里程計和工控機(jī)組成，可實現(xiàn)溫室內(nèi)的即時定位與建圖（Simultaneous Localization and Mapping，SLAM），路徑規(guī)劃以及自主導(dǎo)航；表型采集系統(tǒng)由遨博AUBO-i5六自由度機(jī)械臂、Kinect V2深度相機(jī)和數(shù)據(jù)處理終端組成，機(jī)械臂可對單個植株進(jìn)行多角度點(diǎn)云采集，進(jìn)而通過配準(zhǔn)得到完整植株點(diǎn)云。機(jī)器人導(dǎo)航和點(diǎn)云采集均由機(jī)器人操作系統(tǒng)（Robot Operating System, ROS）控制和驅(qū)動，不同功能之間分布式運(yùn)行和通信，保證了系統(tǒng)整體的魯棒性，表型測量機(jī)器人如圖1a所示。機(jī)器人長寬為85 cm×60 cm，機(jī)械臂最高采集高度為170 cm，機(jī)器人運(yùn)行速度0～0.8 m/s。

圖1 點(diǎn)云數(shù)據(jù)獲取 Fig.1 Point cloud data acquisition

Kinect V2相機(jī)最大幀率30幀/s，水平和豎直方向視場角分別為70°和60°，點(diǎn)云精度1～3 mm，基于飛行時間方法獲取點(diǎn)云，可以保證在光照強(qiáng)度環(huán)境變化復(fù)雜的溫室內(nèi)獲取高質(zhì)量的番茄點(diǎn)云。本文研究主要針對苗期番茄植株，每個植株采集兩幅側(cè)面視角以及一幅俯視視角點(diǎn)云，經(jīng)試驗驗證3個不同視角的點(diǎn)云能夠配準(zhǔn)得到完整的植株點(diǎn)云，點(diǎn)云采集視角如圖1c所示，番茄點(diǎn)云的采集的角度由作物位置和預(yù)先設(shè)置的采集位姿決定，機(jī)械臂控制使用aubo_i5_moveit_planning_execution開源功能包實現(xiàn)。每株采集時間約1～2 min。

1.2 點(diǎn)云數(shù)據(jù)預(yù)處理與配準(zhǔn)

點(diǎn)云數(shù)據(jù)處理在MATLAB下離線進(jìn)行。深度相機(jī)直接采集到的植株點(diǎn)云含有大量的環(huán)境點(diǎn)云和因外界光線、振動等產(chǎn)生散亂離群噪聲點(diǎn)，通過直通濾波和統(tǒng)計濾波進(jìn)行濾除。統(tǒng)計濾波原理為將點(diǎn)云中與其鄰域內(nèi)個點(diǎn)的平均距離d大于閾值T的點(diǎn)視為離群點(diǎn)，閾值計算公式為T=+，和分別為全局點(diǎn)云的鄰域平均距離均值和標(biāo)準(zhǔn)差。通過設(shè)置多組和參數(shù)組合測試濾波效果，結(jié)果為分別取6.0和0.1時能夠在保留植株點(diǎn)云完整性的情況下濾除離群噪聲點(diǎn)。

深度相機(jī)單次采集的點(diǎn)云因植株自身遮擋存在部分缺失，為了獲得完整的番茄植株點(diǎn)云，對機(jī)械臂從不同視角采集的同一棵番茄點(diǎn)云進(jìn)行配準(zhǔn)，配準(zhǔn)分粗配準(zhǔn)和精配準(zhǔn)兩步進(jìn)行。粗配準(zhǔn)的坐標(biāo)變換矩陣通過機(jī)械臂記錄的末端關(guān)節(jié)位姿計算獲得，機(jī)械臂與相機(jī)坐標(biāo)系如圖2所示，相機(jī)與機(jī)械臂末端固定，不影響坐標(biāo)變換，直接使用末端關(guān)節(jié)位姿代表點(diǎn)云位姿。機(jī)械臂記錄的末端關(guān)節(jié)位姿為其在機(jī)械臂基座坐標(biāo)系下的三維坐標(biāo)與旋轉(zhuǎn)矩陣。若用A表示第一次采集時機(jī)械臂末端位姿坐標(biāo)系，B表示機(jī)械臂基座base_link位姿坐標(biāo)系，C表示第二次采集時機(jī)械臂末端位姿坐標(biāo)系，通過C→B→A兩次變換可求得兩次采集的點(diǎn)云之間的位姿變換。

圖2 機(jī)械臂與相機(jī)坐標(biāo)系 Fig.2 Robot arm and camera coordinate system

C至B轉(zhuǎn)換計算公式為

式中和代表點(diǎn)云，表示點(diǎn)云位于B坐標(biāo)系下，為C坐標(biāo)系至B坐標(biāo)系的旋轉(zhuǎn)矩陣，為C坐標(biāo)系至B坐標(biāo)系的平移向量。

機(jī)械臂在A記錄的末端位姿代表了A至B的轉(zhuǎn)換，由A至B計算B至A的逆變換的公式為

通過兩次旋轉(zhuǎn)與平移，將兩次不同角度采集的番茄點(diǎn)云變換至同一坐標(biāo)系下，完成點(diǎn)云粗配準(zhǔn)。

對粗配準(zhǔn)后的兩幀點(diǎn)云采用迭代最近點(diǎn)算法（Iterative Closest Point, ICP）進(jìn)行精配準(zhǔn)，縮小點(diǎn)云之間的空間位置，ICP算法兩幀點(diǎn)云間的距離閾值參數(shù)設(shè)置為1 mm，最大迭代次數(shù)100。點(diǎn)云配準(zhǔn)效果如圖3所示，番茄幼苗在種植7～25d內(nèi)經(jīng)濾波和配準(zhǔn)后的單株有效點(diǎn)云個數(shù)約1～2萬。

圖3 配準(zhǔn)點(diǎn)云 Fig.3 Point cloud data registration

1.3 骨架提取與莖稈分割

番茄的三維形態(tài)結(jié)構(gòu)較為復(fù)雜，且不同植株間差異較大，難以通過固定的方法直接實現(xiàn)莖稈與葉柄的分割，參考玉米莖葉分割方法，首先對植株點(diǎn)云進(jìn)行骨架化，通過骨架連接點(diǎn)實現(xiàn)主莖與葉柄的分割。

采用基于拉普拉斯收縮的方法提取番茄植株骨架。首先通過拉普拉斯收縮將原始點(diǎn)云收縮為一個體積零的點(diǎn)集，如圖4a所示。然后通過最遠(yuǎn)點(diǎn)采樣得到骨架頂點(diǎn)，最后通過拓?fù)溥B接與細(xì)化得到曲線骨架。拉普拉斯骨架提取算法中的最近鄰參數(shù)為關(guān)鍵參數(shù)，會影響骨架提取效果，經(jīng)實驗驗證取12時，得到的番茄植株點(diǎn)云最利于其分割。骨架提取的同時還為骨架頂點(diǎn)保存了其對應(yīng)的點(diǎn)云。拉普拉斯骨架提取算法生成的番茄株骨架如圖4b所示，整個骨架由邊和骨架頂點(diǎn)構(gòu)成。根據(jù)骨架頂點(diǎn)相鄰邊的數(shù)量可將骨架頂點(diǎn)分為根頂點(diǎn)、連接頂點(diǎn)和分支頂點(diǎn)。根頂點(diǎn)指只有一條邊與之相連的頂點(diǎn)，如莖底或葉緣頂點(diǎn)；連接頂點(diǎn)指有且只有兩條邊與之相連的頂點(diǎn)，承擔(dān)骨架的延伸；分支頂點(diǎn)指有兩條以上邊與之相連的頂點(diǎn)，如莖稈葉柄連接處的頂點(diǎn)，是基于骨架分割的關(guān)鍵頂點(diǎn)。

番茄莖稈為單一分支結(jié)構(gòu)，若骨架從莖稈向葉柄及葉片單向延伸，生成的骨架為無向圖，但由于葉片下垂導(dǎo)致屬于不同葉柄的葉片互相接觸或距離過近，出現(xiàn)不同葉柄的葉片骨架相連，形成骨架閉環(huán)錯誤，如圖4b標(biāo)記位置所示，骨架出現(xiàn)閉環(huán)的具體原因是兩個骨架分支的附近點(diǎn)近似共面且在生長方向上趨同。閉環(huán)骨架中的錯誤連接邊通常最靠近或會穿過葉片邊緣輪廓，如圖4c所示，通過提取葉片邊界點(diǎn)云并連接得到葉片邊界輪廓線，計算閉環(huán)骨架中各邊頂點(diǎn)與其最近的葉片邊界輪廓線的距離W判斷錯誤連接邊。

式中，d，d分別為各骨架邊的兩個頂點(diǎn)距葉片輪廓線的距離。將W取值小的骨架邊視為錯誤連接邊，將該邊從骨架中刪除，得到無向圖點(diǎn)云骨架，如圖4d所示。

圖4 番茄骨架提取 Fig.4 Tomato skeleton extraction

根據(jù)番茄植株結(jié)構(gòu)可將骨架分解為莖稈子骨架和葉柄子骨架，將莖稈子骨架上的分支頂點(diǎn)斷開可實現(xiàn)主莖和葉柄的分割。通過點(diǎn)云采集記錄的植株位姿可將骨架變換至與其生長姿態(tài)相同的世界坐標(biāo)系下，從而通過最低點(diǎn)識別得到莖稈骨架的根頂點(diǎn)。自莖稈骨架最低點(diǎn)向前延伸，存在分支節(jié)點(diǎn)時計算向前延伸的2個骨架邊向量和與軸正方向的夾角，取夾角大的邊作為葉柄子骨架，夾角小的邊作為莖稈子骨架，如圖5a所示。

圖5 基于骨架的點(diǎn)云分割 Fig.5 Point cloud segmentation based on skeleton

將莖稈子骨架中骨架頂點(diǎn)對應(yīng)的點(diǎn)云合并得到莖稈點(diǎn)云，如圖5b所示，莖稈會延伸至最頂端的葉片。由于頂端葉片尚未展開，難以提取其葉片面積，對其暫不做處理。提取莖稈后的葉片點(diǎn)云如圖5c所示，每個子骨架對應(yīng)個葉柄及其多個葉片。對于趨近曲面的植物葉片，骨架難以很好的表征其形態(tài)，后續(xù)采用聚類分割算法對葉片進(jìn)行分割。

1.4 基于區(qū)域生長和聚類的葉片分割

經(jīng)骨架分割得到的番茄葉片由葉柄（葉軸）和奇數(shù)個羽狀復(fù)葉構(gòu)成，每一小葉各自具有小葉柄，通過區(qū)域生長和聚類的方法進(jìn)行分割。

區(qū)域生長算法思想為通過判斷點(diǎn)云法線之間的就夾角和曲率是否滿足閾值決定近鄰點(diǎn)與當(dāng)前點(diǎn)是否為一類，若法線夾角和曲率均小于閾值則作為種子點(diǎn)繼續(xù)循環(huán)迭代，若僅滿足法線夾角閾值則只歸類，鄰域內(nèi)不再有種子點(diǎn)時，分類完成，從原始點(diǎn)云中去除，重新選擇初始種子點(diǎn)開始?xì)w類。區(qū)域生長算法對葉片與葉柄的分離有較好的效果，但存在兩種情況區(qū)域生長方法會出現(xiàn)錯誤分割：

1）葉軸同側(cè)的兩葉片互有粘連重疊部分且趨于共面，將相鄰葉片分割為一類，如圖6a所示；

2）葉軸頂端單葉存在深裂，裂口兩側(cè)部分不共面且出現(xiàn)較大夾角，將單葉分割為兩類，如圖6b所示。

圖6 葉片點(diǎn)云分割效果 Fig.6 Segmentation of leaf point cloud

MeanShift聚類算法即均值漂移算法，是通過點(diǎn)云密度梯度上升追蹤樣本點(diǎn)附近密度中心，從而根據(jù)密度中心進(jìn)行歸類的算法。單個葉片的密度中心位于其質(zhì)心。兩個相互有重疊區(qū)域的葉片由于重疊區(qū)域占單個葉片面積的極小一部分，一般不超過10%，故若以單個葉片大小的搜索框利用MeanShift算法搜索密度中心，可以分別搜索出兩個葉片的質(zhì)心位置，從而實現(xiàn)粘連葉片的分割。

將以上兩種算法結(jié)合，首先通過MeanShift算法尋找葉片質(zhì)心，而后以質(zhì)心為初始點(diǎn)進(jìn)行區(qū)域生長，分割得到單個葉片點(diǎn)云。分割過程中MeanShift算法的漂移窗口半徑與區(qū)域生長的曲率閾值為關(guān)鍵參數(shù)。漂移窗口半徑越接近葉片外接球半徑，MeanShift算法收斂中心越接近葉片質(zhì)心，番茄葉片一般情況下并非平面，宜選擇相對寬松的曲率閾值進(jìn)行區(qū)域生長，經(jīng)試驗驗證，本文區(qū)域生長法線閾值取30°，曲率閾值取0.12。本研究為不同生長部位的番茄葉柄選擇了不同的MeanShift漂移窗口半徑，靠近頂端的半徑為35 mm，頂端以下的半徑選擇55 mm?；趨^(qū)域生長的MeanShift的葉片分割效果如圖6所示。

1.5 表型參數(shù)提取

利用配準(zhǔn)得到的完整番茄點(diǎn)云、植株骨架以及分割后的葉片點(diǎn)云提取番茄株高、莖粗、葉傾角與葉面積表型參數(shù)。

株高參數(shù)通過植株點(diǎn)云在軸方向坐標(biāo)最大值與最小值之差計算。番茄在營養(yǎng)生長期莖稈粗細(xì)不均勻，需要選擇固定的生理位置作為其莖粗測量部位，本文選擇植株根部第一葉柄上方作為莖粗測量位置。在第一葉柄上方提取高度2 cm的莖稈片段計算莖粗，若對截取的莖稈直接計算其橫向距離作為莖粗，傾斜的植株則會產(chǎn)生較大的測量誤差，如圖7a所示，水平測量的莖粗與實際莖粗夾角等于莖稈骨架與坐標(biāo)軸的夾角，實際莖粗通過式（5）計算。

圖7 株高莖粗葉傾角參數(shù)測量示意圖 Fig.7 Schematic diagram of measuring plant height and stem diameter parameters

葉傾角是指葉柄與主莖的角度，是株型的主要構(gòu)成要素，會影響植物的光合效率、種植密度等，是番茄品種選育、栽培研究和生產(chǎn)實踐中被廣泛關(guān)注的重要性狀。葉傾角通過植株骨架計算，如圖7b所示，計算主莖子骨架上分支節(jié)點(diǎn)處分量為正的兩骨架邊的對應(yīng)向量、夾角作為葉傾角參數(shù)。骨架在迭代收縮時分支點(diǎn)位置受到分支影響位置會產(chǎn)生偏移，若僅選取分支節(jié)點(diǎn)近鄰的一個骨架邊作為葉傾角的計算向量會產(chǎn)生較大誤差。將分支節(jié)點(diǎn)后的兩個骨架邊進(jìn)行向量求和，如圖7b所示，得到更準(zhǔn)確的莖稈和葉柄方向向量，減小葉傾角計算誤差。

經(jīng)分割后的番茄葉片采用貪婪投影三角算法進(jìn)行三角面片化，面片化后的葉片模型由若干個空間三角面片組成，如圖8所示。 通過海倫公式計算每個三角面片的面積并求和作為葉面積參數(shù)，計算公式為

圖8 葉片點(diǎn)云貪婪投影三角化結(jié)果 Fig.8 Result of leaf point cloud greedy projection triangulation

式中p表示面片化三角形周長的一半；a、b、c表示面片化三角形各邊邊長；為總?cè)敲嫫瑪?shù)；S為單個空間三角形面片的面積；S表示葉片面積。

表型參數(shù)的真實值是檢驗以上方法的標(biāo)準(zhǔn)，株高、莖粗和葉傾角參數(shù)通過直接手動測量獲得。葉面積真實值通過拍攝帶有已知面積標(biāo)志物的單個葉片圖像，如圖9所示，對圖像進(jìn)行二值化后，基于圖像計算單個像素面積與葉片像素數(shù)量求得，葉片面積=（葉片像素數(shù)×標(biāo)志物面積）/標(biāo)志物像素數(shù)。

圖9 葉面積真值計算 Fig.9 Leaf area truth value calculation

1.6 評價指標(biāo)

基于點(diǎn)云骨架的莖稈分割主要目的在于分離番茄葉柄與莖稈，以分割出的葉柄數(shù)量評價其分割效果。正確分割出的葉柄數(shù)量用TP表示，葉柄未成功分割或與其他葉柄分為一類的數(shù)量用FN表示，非葉柄分割為葉柄的數(shù)量用FP表示，基于以上統(tǒng)計計算葉柄分割的召回率（recall，）、精確度（precision，）、1分?jǐn)?shù)（1 Score，1）和平均總體準(zhǔn)確率(Overall Accuracy, OA)，計算方法見式（7）～（10）。

基于區(qū)域生長的MeanShift聚類分割算法通過統(tǒng)計分割正確與錯誤的點(diǎn)云數(shù)量評價其分割精度。對于某次分割，若某個葉柄點(diǎn)云共有個點(diǎn)，屬于葉片的點(diǎn)云被正確分割至葉片的點(diǎn)數(shù)量用TP表示，屬于葉片的點(diǎn)云被錯誤分割至其他部位的點(diǎn)數(shù)量用FN表示，不屬于葉片的點(diǎn)云被錯誤分割至葉片的點(diǎn)數(shù)量用FP表示，同樣通過式（7）～（10）計算其平均召回、平均率精確度平均1分?jǐn)?shù)和平均總體準(zhǔn)確率量化其分割效果。

各表型參數(shù)測量結(jié)果采用線性回歸分析方法評價其測量結(jié)果，通過計算本文研究方法提取值與人工實測值之間的均方根誤差（Root Mean Square Error，RMSE）和決定系數(shù)指標(biāo)量化各參數(shù)的誤差與精度。

2 結(jié)果與分析

2.1 分割結(jié)果

對移栽溫室后7、15、30 d三個生長期的各10棵番茄使用基于拉普拉斯骨架的莖稈葉柄分離，結(jié)果如表1所示。

表1 不同生長期番茄莖葉分割結(jié)果 Table 1 Stem-leaf segmentation results of tomato at different growing stages

在溫室生長7 d的番茄植株平均有葉柄4～5個，15 d的5～6個，25 d的6～7個。葉柄分割的精確率、召回率、1分?jǐn)?shù)和平均總體準(zhǔn)確率分別為0.84、0.91、0.87和0.92，結(jié)果分析可得分割召回率普遍高于精確率，說明許多非葉柄被分割為葉柄，原因是在番茄頂端葉柄和葉片結(jié)構(gòu)密集，在骨架頂端出現(xiàn)一個頂點(diǎn)分出多個短邊的情況，將部分小葉片分割為了葉柄，造成過分割。分割精確率有隨植株生長升高的趨勢，原因是幼苗葉柄分布密集，長大后葉柄之間距離擴(kuò)大，更加利于分割。

番茄植株頂端新生葉片結(jié)構(gòu)緊湊，沒有完全舒展，區(qū)域生長方法對于非曲面結(jié)構(gòu)存在限制，無法使用本文開發(fā)的方法進(jìn)行分割，本研究從第二個葉柄開始進(jìn)行葉片分割。對30株番茄上的共139個葉柄進(jìn)行基于區(qū)域生長的MeanShift方法分割，并與單獨(dú)的區(qū)域生長與單獨(dú)MeanShift方法分割效果進(jìn)行對比，結(jié)果如表2所示。

表2 不同方法番茄葉片分割結(jié)果 Table 2 Comparison of leaf segmentation accuracy of three methods

基于區(qū)域生長的MeanShift方法精確率、召回率、1分?jǐn)?shù)和平均總體準(zhǔn)確率分別為0.92、091、0.91和0.93，各項指標(biāo)均高于單獨(dú)區(qū)域生長、單獨(dú)MeanShift分割方法分割。結(jié)果說明基于區(qū)域生長的MeanShift方法更加適合對番茄葉柄進(jìn)行葉片分割。

2.2 表型參數(shù)提取結(jié)果

各表型參數(shù)提取值與人工測量值的對比如圖10所示，株高、莖粗參數(shù)共30棵樣本，葉傾角數(shù)據(jù)139個，葉面積統(tǒng)計單位為單株整體葉面積，共30棵。對比結(jié)果表明，株高、葉傾角與葉面積提取值和實測值之間具有較強(qiáng)的相關(guān)性，株高參數(shù)的決定系數(shù)和均方根誤差RMSE分別為0.97和1.40 cm；葉傾角的和RMSE分別為0.90和5.14°；葉面積的和RMSE分別為0.87和37.56 cm；莖粗參數(shù)測量誤差較大，和RMSE分別為0.53和1.52 mm，主要原因為苗期番茄莖稈較細(xì)，受傳感器自身精度影響。

圖10 番茄表型自動提取與人工測量真值對比 Fig.10 Comparisons between automatically extracted values and manually measured values of tomato plants phenotypic parameters

3 結(jié) 論

本研究開發(fā)了基于點(diǎn)云配準(zhǔn)、骨架分割與葉片分割的溫室番茄表型測量方法。首先通過機(jī)械臂多角度采集番茄點(diǎn)云，對多視角番茄點(diǎn)云進(jìn)行配準(zhǔn)得到完整植株點(diǎn)云，通過拉普拉斯收縮提取植株點(diǎn)云骨架，基于骨架進(jìn)行了莖稈葉柄分割，并對葉柄實施了基于區(qū)域生長的MeanShift分割。利用配準(zhǔn)得到的植株點(diǎn)云測量了株高、莖粗參數(shù)，利用骨架測量了葉傾角參數(shù)，最后對分割得到的葉片進(jìn)行面元擬合測量了葉面積參數(shù)。通過對試驗結(jié)果分析可得出以下結(jié)論：

1）通過骨架提取實現(xiàn)苗期番茄莖稈葉柄精確分割，精確率、召回率、1分?jǐn)?shù)和總體準(zhǔn)確率分別為0.84、0.91、0.87和0.92。

2）通過基于區(qū)域生長的MeanShift方法對番茄葉柄的葉片進(jìn)行了分割，精確率、召回率、1分?jǐn)?shù)和總體準(zhǔn)確率分別為0.92、0.91、0.91和0.93，分割效果優(yōu)于單獨(dú)使用區(qū)域生長或MeanShift算法。

3）提取了番茄株高、莖粗、葉傾角與葉面積4個參數(shù)，與真實值相比決定系數(shù)分別為0.97、0.53、0.90和0.87，均方根誤差RMSE分別為1.40 cm、1.52 mm、5.14°和37.56 cm。

本研究為同一生長期的番茄植株點(diǎn)云采集設(shè)置了同樣的拍攝角度和距離，忽略了植株之間的差異，點(diǎn)云采集角度和距離對于點(diǎn)云質(zhì)量有相當(dāng)程度的影響，若能對番茄植株進(jìn)行精確定位與包圍盒尺寸測量，根據(jù)植株生長狀態(tài)精確設(shè)定點(diǎn)云采集方向和角度，可獲得更高質(zhì)量的番茄點(diǎn)云。同時，識別植株莖稈精確位置，在機(jī)械臂末端安裝自動測量游標(biāo)卡尺，可大幅度提升番茄莖粗測量的精度。

基于骨架的莖稈分割對大多數(shù)葉柄取得了良好的效果，但植株頂端葉片密集的區(qū)域產(chǎn)生了較大的誤差，針對番茄頂端部位的骨架，通過設(shè)置角度、點(diǎn)云數(shù)量、生長方向等閾值，進(jìn)行更精確的判別與分割，可提升其分割精度。