一种基于图像分析评价葡萄果实整齐度的方法

摘要

本发明涉及一种基于图像分析评价葡萄果实整齐度的方法，包括步骤：S1:将待测葡萄果粒置于拍摄平台上平铺，确保果粒之间无重叠挤压；拍摄平台的上方悬置数码相机，数码相机的像素在800万以上，拍摄平台为水平放置，数码相机的镜头与拍摄平台保持垂直状；S2:图像采集：调试数码相机的拍摄参数，确保葡萄果粒全部位于数码相机的拍摄区内，拍摄出每颗葡萄果粒边缘都清晰的照片；S3:利用生物图像分析软件分析该照片，分析包括：测量该拍摄平台上每个葡萄果粒的像素面积，排除明显的小颗粒杂质，统计葡萄果粒数量，计算拍摄平台上全部葡萄果粒的平均像素面积Mean和像素面积标准差SD；S4:计算基于果粒个体像素面积的变异系数CVs＝SD/Mean，CVs越小表示葡萄果粒越整齐；反之表示果粒越不整齐。

说明书

技术领域

本发明涉及葡萄果实品质评价技术领域，尤其涉及一种基于图像分析来评价葡萄果实整齐度的方法及装置。

背景技术

鲜食葡萄是我国十分重要的经济型水果，培育和生产品质优良的葡萄品种一直是葡萄育种工作者的首要目标。优秀的葡萄品种兼具外观品质和内在品质，其中外观品质直接决定了消费者的购买需求。

葡萄是少有的浆果成簇聚集的水果，整齐度也成为评价葡萄果实外观品质的一项重要指标，通常由人为判定为整齐和不整齐。不整齐在生产上俗称“大小粒”，即果粒大小(体积)参差不齐，受品系自身特性、环境以及栽培管理条件等影响，表现程度不尽相同。人为判定葡萄果实整齐与不整齐具有较强的主观性，往往会导致不同人之间的评价不同，甚至同一人不同时间的评价结果不同，这为准确评价果实品质造成阻碍；而且，在科学研究中人为判定无法在样本间进行量化的横向比较，缺乏数据支持。因此，科学评价葡萄果实整齐度需要一种客观准确的评价方法。

葡萄果实整齐度首先是一种视觉上的感受，即果穗上所呈现的葡萄果粒大小(体积)的差异程度，因此测量获得单个果穗上每个葡萄果粒的体积，并将所有果粒的体积值构建数据集，引入变异系数(CV,Coefficient of Variation)来评价其离散程度，理论上可以全面的反映该穗果实的整齐度。由于葡萄果粒形状的不规则，体积的测量在实际中存在较大困难，基于同一种物体密度(质地)的稳定性，可以认为以葡萄果粒重量代替体积来运算得到的变异次数不变，借此来对葡萄果实整齐度进行科学评价。

但该方法基于重量需要测定每个果粒重量、记录数据、录入数据并统计分析，过程繁琐，耗时长，易出错，尤其当葡萄果穗中果粒数量较多或待评价葡萄样品量较多时，会严重降低评价效率，因此在实际科研工作中少有应用。

众所周知，葡萄等果树的品种选育需要多年连续评价成百上千个后代个体的果实品质，同一成熟期将收获大量的品系，品质评价工作量巨大，整齐度作为其中一项重要指标，评价效率急需提高；此外，精确量化评价葡萄整齐度，可用于样本之间的横向比较，其数据反馈将有助于葡萄栽培的精细化管理。因此，我们需要一种准确高效的葡萄果实整齐度评价方法，来弥补现有评价方法的诸多不足。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种基于图像分析评价葡萄果实整齐度的方法，以对葡萄果实整齐度进行快速准确评价，解决当前评价方法过程繁琐、出错率高以及效率低下的问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

第一方面，本发明提供一种基于图像分析评价葡萄果实整齐度的方法，其包括：

S1:准备工作

将待测葡萄果粒置于拍摄平台上平铺放置，确保葡萄果粒之间无重叠挤压；拍摄平台的上方悬置数码相机，数码相机的像素在800万以上，拍摄平台为水平放置，数码相机水平悬置，且其镜头与拍摄平台保持垂直状；

S2:图像采集

调试数码相机的拍摄参数，确保葡萄果粒全部位于数码相机的拍摄区内，拍摄出每颗葡萄果粒边缘都清晰的照片；

S3:利用生物图像分析软件分析该照片，分析包括：

测量该拍摄平台上每个葡萄果粒的像素面积，排除明显的小颗粒杂质，统计葡萄果粒数量，计算拍摄平台上全部葡萄果粒的平均像素面积Mean和像素面积标准差SD；

S4:计算变异系数

基于果粒个体像素面积的变异系数CVs＝SD/Mean，CVs越小，则表示葡萄果粒越整齐；反之，CVs越大表示果粒越不整齐。

根据本发明的较佳实施例，S1的准备工作包括搭建图像采集装置，所述图像采集装置包含支架，支架上方水平放置白色半透明板，支架下方放置有柔光罩，所述柔光罩发出的光正对该白色半透明板；该白色半透明板为放置葡萄果粒的拍摄平台；或者所述柔光罩被替换为可与数码相机同步闪光的闪光灯。

根据本发明的较佳实施例，该柔光罩内设有环状光源和锥形导光罩，该环状光源设于该锥形导光罩底部，该锥形导光罩为反射式柔光罩。优选地，白色半透明板为PVC材质。

根据本发明的较佳实施例，S1中，所述待测葡萄果粒为取自同一颗果穗上的葡萄果粒，且葡萄果粒不带果梗。

根据本发明的较佳实施例，S2中，在拍摄前，打开柔光罩或开启所述同步闪光的闪光灯，调整数码相机参数使拍摄视场完全覆盖拍摄平台上的全部葡萄果粒，调试拍摄参数以能够拍摄出每个葡萄果粒边缘均清晰且具有明亮背景的照片为要；调试完毕后进行拍摄，拍摄时保持拍摄平台与数码相机的镜头洁净，保持周围环境光线稳定。

拍摄完成后，移走本次拍摄葡萄果粒样品，放置下一份待拍摄样品以相同拍摄参数继续进行拍摄。

根据本发明的较佳实施例，S3中，所述生物图像分析软件为ImageJ或image-proplus，调整分析对象阈值以将照片上的葡萄果粒图像与背景明显分离，分割贴近的葡萄果粒图像，测量每个葡萄果粒像素面积，设置可被统计的像素面积下限值以排除小颗粒杂质，统计照片上葡萄果粒数量，计算出平均像素面积Mean和像素面积标准差SD。

根据本发明的较佳实施例，S3中，所述生物图像分析软件为ImageJ，其操作过程为：

①打开拍摄样品图片，点击File→Open；

②转换图像格式为8-bit，点击Image→Type→8-bit；

③调整分析对象阈值，Image→Adjust→Threshold，调整滑块至红色选区覆盖样品边缘并与白色背景分离，点击Apply；

④分割贴近的果粒投影，Process→Binary→Watershed；

⑤设置测量指标为面积，Analyze→Set Measurement：勾选Area，同时勾选Limitto threshold；

⑥测量每个果粒像素面积，Analyze→Analyze Particles:保持默认选项，若图像中有颗粒杂质，应调整Size可选框中数值(如500)至排除小颗粒杂质，点击OK；

⑦弹出Summary窗口，其中显示样品中果粒数量(count)；

⑧同时弹出Results窗口并计算数据，Results→Summarize，自动计算出平均像素面积Mean和像素面积标准差SD。

其中，步骤⑤和⑥在关闭image J软件前仅需设置一次即可。

其中，不同葡萄果穗之间可以通过比较CVs的值来比较其整齐度，CVs值越小则葡萄果实越整齐，CVs值越大则果实越不整齐，即‘大小粒’现象越严重；不同品种(系)或不同处理间比较整齐度时，可通过设置多次重复，对多个CVs值取平均后进行比较。

本发明具有如下技术效果：

(1)本发明利用图像采集工具在极短时间内对葡萄样品进行拍摄即可锁定样品整齐度特征，在样品量过多时避免样品积压。利用图像分析软件ImageJ或image-pro plus等可以迅速准确地识别葡萄果粒，并对果粒投影的像素面积进行计算与统计，利用CVs值实现对葡萄果实整齐度的数字化评价，便于科学评估及横向比较。

(2)本发明相比于称重法具有同等的效果，但极大地避免了测定重量、记录数据、录入数据等既繁琐又易出错的主观行为参与，提高了评价过程的效率和准确度。

(3)本发明所用拍摄装置与拍摄参数在调试完备后可多次反复使用，并能保证所有样品测定值的一致性；本发明使用的ImageJ软件为公共的图像处理软件，操作过程简单，可运行于多种操作系统。

附图说明

图1为图像采集装置的结构示意图及与数码相机的方位关系。

图2葡萄果实外观、果粒图像采集效果和图像识别结果图片。

图3基于测得的9份葡萄样品的个体像素面积的变异系数CVs和个体重量的变异系数CVm之间构建的线性回归模型。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

如图1所示，为了获得葡萄果粒边缘清晰(便于生物图像分析软件分析)，能够精确反映各葡萄果粒相对大小的图像的照片，本发明利用了如图1所示结构的图像采集装置10。

如图1所示，图像采集装置10包含支架11，支架11上方水平放置白色半透明板12，支架11下方放置有柔光罩13。柔光罩13发出的光正对该白色半透明板。该白色半透明板12是用于平铺放置葡萄果粒的拍摄平台。柔光罩13内设有环状光源131和锥形导光罩132，该环状光源131设于该锥形导光罩132的底部，且该锥形导光罩132为反射式柔光罩，其侧壁与水平面的夹角为45°为宜。优选地，白色半透明板为PVC材质。在其他实施方式中，柔光罩13可被整体替换为可与数码相机同步闪光的闪光灯。

如图1所示，将待测葡萄果粒置于白色半透明板12(拍摄平台)上平铺放置，用手扒动以确保葡萄果粒之间无重叠挤压；白色半透明板12的上空悬置数码相机3。其中，数码相机3的像素在800万以上，其被水平固定住，数码相机的镜头与白色半透明板12(拍摄平台)保持垂直状。其中，优选地，让数码相机3的镜头对准白色半透明板12的中心位置。

为了进一步说明本发明技术方案特点及其技术效果，以下结合具体实施例进行葡萄果粒整齐度的测定，并与称重法进行比较。

以下实施例中使用上述图像采集装置10(带柔光罩13)进行图像采集，实施例中所用葡萄样品采集于河北省农林科学院昌黎果树研究所葡萄育种基地，是我单位所育的杂交优系或品种。所用数码相机3的型号为尼康D700，拍摄像素1200万像素；所用软件为公共的图像处理软件ImageJ，官网网址为：

实施例1

本实施例以具有不同外观特征的9个葡萄品种(系)的单个果穗为试材(图2A)，来证明本发明具有广泛适用性，其中外观特征包括果粒形状和果粒颜色。采集的9个葡萄果实为成熟的且无腐烂状况的完整果穗，由三名果树科研人员对其整齐度进行主观评价，评价描述为“整齐”，“不整齐”和“极不整齐”。

本实验同时以称重法对同一样品的整齐度进行测定，通过比较来证明本发明的优势。我们将通过称重法测得的变异系数(即葡萄果实整齐度)定义为CVm，并认为CVm值是真值；通过本发明测得的变异系数值定义为CVs。全部实验过程由一名专业科研人员来完成，同时另一名科研人员对测定环节的用时进行记录。

首先，用剪刀将单个葡萄果穗上的所有果粒沿着果梗基部剪下，这些果粒将被通过称重法与本发明所用图像分析法来测定果实整齐度。

实验组

(1)首先如图1所示，搭建图像采集装置10。将单次葡萄样品的所有果粒呈一层铺放于白色半透明板12上，果粒应自然放置并避免重叠挤压。打开柔光罩13，调整相机拍摄视场，确保全面覆盖样品区。调试相机参数，直至拍摄出果粒边缘清晰、背景高亮的图像。锁定拍摄参数，对全部样品依次进行拍摄(图2B)。

(2)下载并安装ImageJ软件，启动ImageJ，分析步骤(1)中拍摄的图像。具体操作步骤为：①File→Open，打开拍摄样品图片；②Image→Type→8-bit，转换图像格式为8-bit；③Image→Adjust→Threshold，调整选区阈值，调整滑块直到红色选区覆盖样品边缘并与白色背景分离，点击Apply；④Process→Binary→Watershed，智能分割贴近的果粒投影；⑤Analyze→Set Measurement：勾选Area和Limit to threshold，设置测量指标为像素面积；⑥Analyze→Analyze Particles，设置测量目标的像素范围，如本实例中调整Size可选框内数值为“1000-Infinity”可以排除非目标小颗粒的干扰，点击OK，识别效果如图2的C列所示。⑦弹出Summary窗口，其中count值为识别出的果粒数目Ns；⑧同时弹出Results窗口，Results→Summarize，计算所识别果粒的像素面积平均值Mean和像素面积标准差SD。其中步骤⑤和⑥在开启image J软件后设置一次即可。

(3)根据公式CV＝SD/Mean，得到基于果粒个体像素面积的变异系数CVs。

对照组：称重法

(1)采用电子分析天平(精确到百分位)对每一样品中的每个果粒进行称量，并及时记录每个果粒的重量。

(2)将上述记录数据依照不同样品类别录入到Excel电子表格中，并确保数据正确。统计每个葡萄样品的果粒数目Nm，利用函数计算平均果粒重量(Mean)和标准差(SD)，通过变异系数计算公式CV＝SD/Mean得到基于果粒个体重量的变异系数CVm值。

基于两种评价方法获得的9个葡萄品种(系)的整齐度定量值如表1所示：

表1：基于称重法与图像分析法测定的葡萄整齐度结果

由表1可以看到：

(1)外观特征不尽相同的9份样品，通过图像分析所识别出的果粒数目Ns和通过人工计数所得的果粒数目Nm完全符合，即Ns＝Nm，识别率达到100％。

(2)在主观评价不同的样品间其CVs和CVm值遵循规律：“极不整齐”＞“不整齐”＞“整齐”，即CVs或CVm越小葡萄果实越整齐，CVs或CVm越大葡萄果实越不整齐。

(3)在主观评价相同的样品间，通过CVs和CVm可以进行更为细化的定量比较，首先我们将样品1的CVm和CVs值定义为CVm1和CVs1，以此类推，如CVm7＞CVm9＞CVm8，说明样品7的果实最不整齐，如CVm3＞CVm1＞CVm2，说明样品2的果实最整齐。

(4)CVs具有和CVm同样的变化趋势，如CVm6＞CVm4＞CVm5，则CVs6＞CVs4＞CVs5。

综合而言，通过本发明的基于图像分析得到的葡萄果实变异系数CVs与通过称重法得到的葡萄果实变异系数CVm在对葡萄果实的整齐度进行数字化精确评价上具有同等效果，通过比较不同样本的CVs或CVm可以精确比较其整齐度。

同时，通过对测量过程的计时来比较两种方法评价葡萄果实整齐度的效率，用时单位以秒(s)计，称重法总用时记作Tm，图像分析法总用时记作Ts，用(Tm-Ts)/Ts×100％表示采用本发明即图像分析法相对与称重法提升效率的幅度，结果如表2所示：

表2称重法与图像分析法评价葡萄果实整齐度的用时比较

由表2可以看出，图像分析法相比于称重法，其对葡萄果实整齐度的评价效率提升239％～990％。当葡萄果实果粒较少时，如样品2和样品5，图像分析法较称重法效率提升相对较低，分别为239％和267％；当葡萄果实果粒较多时，如样品8，图像分析法比称重法提升效率达到990％。总之，本发明所用图像分析法相比于称重法，评价效率大幅提升，并且随葡萄果实果粒数量的增多，其优势越发明显。

实施例2

基于实施例1中对9份葡萄样品(定义为建模集)的测定结果，以CVm为因变量，CVs为自变量，构建线性回归模型，检测通过CVs预测CVm的准确性。通过建模集数据拟合得到一元线性回归方程y＝1.5229x-0.0213，R

采用与实施例1中相同的方法与配置，测定验证集中8份葡萄样品的CVs和CVm。我们把通过称重法测定的CVm值定义为真值，通过CVs及预测模型得到的CVm’定义为预测值。计算验证集预测值CVm’和真值CVm的相关系数(R)和均方根误差(RMSE)，用于评价预测模型的准确度。其中，相关系数R表示预测值和真值之间的线性相关程度，R越接近于1表示预测值与真值的相关性越好；均方根误差(RMSE)用来衡量预测值同真值之间的偏差，RMSE趋近于0表明预测准确度越高。

结果如表3所示：

表3预测模型的验证

由表3可以看出，预测值CVm’与真值CVm的相关系数R＝0.9857，相关性极高，均方根误差RMSE＝0.0203，表明：基于实例1构建的线形模型其预测准确度非常高。

上述实施例可以证明，基于已构建的模型，可以通过同样方法快速测定CVs值来准确预测葡萄样品的CVm值(基于果粒个体重量的变异系数)，即葡萄果实整齐度的真实值。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。