倪蕴琪，王笑语，王敏娟

(1.中国农业大学 食品科学与营养工程学院，北京 100083；2.中国农业大学 信息与电气工程学院，北京 100083；3.山东农业工程学院 信息科学与工程学院，山东 济南 250100)

在进行农业信息检测时，传统的方法是研究人员使用实验室精密设备通过样本采样后进行手工检测操作，这种方法成本高、周期长、实时性差[1]。为解决上述问题，近年来，研究人员开发了如温度、湿度、光照等植物生长环境的检测传感器并开展相关应用研究，而针对植物本身如作物叶面积的检测装置很少，叶面积指数与光合作用、蒸腾、碳循环等过程密切相关[2]。目前关于叶面积指数的获取方法很多,主要可以分为传统测量方法、冠层分析仪法、高光谱模型法以及数字图像法等[3]。近年来，利用图像处理技术对叶面积指数进行测定的研究取得了新的成果[4-5]，但利用图像处理技术对叶面积指数的测量的研究大多停留在实验室，没有可以直接利用农户现有条件投入应用的低成本设备。因此，本项目借助OpenCV 设计了一个作物叶面积快速检测系统，可直接使用家庭计算机进行叶面积信息的检测，它具有速度快、精度高、可视性好、解决了目测和人工测量带来的错误和误导、减少人为主观因素、降低劳动力成本等优点。并对不同轮廓检测算子、不同测量距离、不同拍摄偏转角度和不同种植物的检测效果进行分析，为低成本生物量监测方面提供有力支持。

1 实验材料与方法

1.1 实验材料

实验设备包括手机支架，米尺，华为P30 型智能手机，手机操作系统为Android 10，海思 麒麟980 CPU, 能够获取2 736×3 648 像素的图像，8 GB 内存，128 GB 储存空间，JetBrains PyCharm Community Edition 2016.2.3，编程语言为Python3.7.7，计算机操作系统为Windows 10 家庭版，以及白纸和打印机等。其中，手机支架可伸缩，带有可以180°旋转的固定夹，用来固定手机，垂直放置于平面将白纸固定在不易变形的硬塑料板上便形成了A4 参照板。实验台布置如图1 所示。实验对象为使用软件绘制并打印的三角形、圆和正方形图形，来代表不同形状的叶片。

1.2 试验方法

1.2.1 图像采集

本项目使用Android 手机进行植物叶片图像的采集，利用手机自带原相机获取拍摄完成的图片，并传输给PC 端进行处理。对于正常生长的植株上的叶片，将其自然平放于参考版上进行图像拍摄，图像中被研究的叶片与其他叶片不能存在交叉覆盖现象。

1.2.2 畸变矫正

畸变总体可以分为2 类:径向畸变和切向畸变[6]。径向畸变可以理解为，对透镜而言，当光线越靠近透镜的中心位置时相机造成的畸变越小，当光线越远离中心向半径方向偏移时相机造成的畸变越大。切向畸变是当透镜与成像平面不平行时，就产生了畸变[7]。

使用相机对图像进行拍摄时就会出现径向畸变。在图像测量过程以及机器视觉应用中，确定空间中的点在三维空间里的位置和与图像中其他对应点之间的位置关系，建立相机成像的几何模型，也就是相机参数[8]。这些参数在大多数情况下必须通过试验与计算才能得到，这个求解参数的过程就称之为相机的标定[9]。通过相机标定就可以校正镜头的畸变，生成校正后的图像。本项目采用了张正友标定算法对相机进行标定，张正友标定算法介于传统标定法和自标定法之间，但克服了传统标定法需要的高精度标定物的缺点，仅需使用一个打印出来的棋盘格就可以完成相机的标定，便于操作，因此被广泛应用于计算机视觉方面[10]。

由于无相机支架等固定设备，必须要处理拍摄角度所带来的切向畸变问题。本项目中，使用了四点透视变换的方法来解决上述问题。四点透视变换的主要步骤包括霍夫直线检测及透视变换．经透视变换完成后，非垂直角度拍摄图像转换为垂直角度的图像[11]。因此，本项目使用A4 纸板作为参考物,利用纸板的4 个顶点作为参考进行透视变换，以达到矫正切向畸变的目的。

1.2.3 面积测量

本文主要借助了OpenCV 库来对图像进行处理，首先，对图像进行高斯滤波处理，抑制图像输入时随机引入的噪声。然后使用灰度伽玛变化对灰度值过高（图像过亮）或者过低（图像过暗）的图像进行修正，增加图像的对比度，从而改善图像的显示效果。接着对图像进行二值化处理，使整个图像变为黑白两色图像，以增加边缘检测的准确率。

其次使用多种算子对边缘进行检测，提取图像的所有轮廓，包括Roberts 算子、Prewitt 算子、Sobel 算子、拉普拉斯算法、Scharr 算子和LOG 算子。Roberts 算子是一种利用局部差分算子寻找边缘的算子，Roberts 算子定位比较精确，但对于噪声比较敏感[12]。Sobel 算子和Prewitt 算子都是一阶的微分算子，而前者是平均滤波，后者是加权平均滤波。这两者都对灰度渐变的低噪声图像有较好的检测效果，但是对于复杂多噪声的图像，处理效果就不理想了[13]。Scharr 算子的参数与Sobel 算子一致但仅作用于大小为3 的内核，因此Scharr 算子同Sobel 算子的速度一样快，但是准确率更高，尤其是计算较小核的情景[14]。Laplacian 算子是二阶微分算子，若只考虑边缘点的位置而不考虑周围的灰度差时可用该算子进行检测。LOG 算子该首先对图像做高斯滤波，然后再求其拉普拉斯二阶导数，根据二阶导数的过零点来检测图像的边界，即通过检测滤波结果的零交叉来获得图像或物体的边缘。在精准边缘定位和消除噪声级间该算法存在着矛盾，需要根据具体问题在两者间进行适当的选取[15]。针对不同的要求,需要根据需求选择不同的算子来对图像进行边缘检测。

最后提取最外围轮廓信息计算出轮廓像素面积，并比照A4 纸板的大小，对实际的轮廓面积进行计算。面积计算结果。

1.2.4 测量效果检测

（1）不同边缘检测算子的比较试验。为了研究不同轮廓处理算子对叶面积测量精准性的影响，在手机平面和刻度参考板平面之间的距离为500 mm 处垂直拍摄了三张图片，分别用Roberts 算子、Prewitt 算子、Sobel 算子、拉普拉斯算法、Scharr算子、LOG 算子6 种不同的边缘检测方法对物体的面积进行检测。

（2）不同测量距离对叶面积检测精度的试验。为了研究测量距离对测试结果的影响，手机平面和参考板平面距离每间隔100 mm 测试一次检测数据，共测试了300～700 mm 5 个距离段垂直拍摄的数据。

（3）不同拍摄偏转角度对叶面积检测精度的试验。为了研究拍摄偏转角度对测试结果的影响，在手机平面和刻度参考板平面之间的距离为500 mm 处，测试了手机平面和参考板平面之间的角度分别为0°、30°和60°的拍摄数据。

（4）对不同形状叶面积检测试验。为了研究不同种植物对叶面积测量精确性的影响，用软件绘制并打印出的面积均为25.0 cm2三角形、圆形、正方形代表不同形状的被测植物叶片放在参考板的中间。测试了不同形状物体在手机平面和刻度参考板平面之间的距离为500 mm 处垂直拍摄的数据。

2 试验结果与讨论

2.1 不同边缘检测算子对叶面积测量精度的影响

如图2 所示，除LOG 算子外，其他边缘检测算子的测量误差均在5.00%之内。其中，Roberts 算子和Scharr 算子的测量误差在3.00%之内，经过分析，认为原因是本项目的检测背景简单，噪声低，所以多种算子均适应良好，而Roberts 算子定位精确，Scharr 算子对低噪声图像有较好的检测效果且比常用的Sobel 算子更为准确，结合实际应用情况比较两种算子的检测算法，最终选择使用Scharr 算子作为本研究的边缘检测算子。

2.2 不同测量距离对叶面积测量精度的影响

如图3 所示，当手机和目标物的距离在300 mm 时，测得的面积大于真实值，误差大于5.00%；在400 mm 时，使用手机测量的叶面积结果与目标物实际面积的误差在5.00%以内，大于3.00%；当超过500 mm 时，测量结果基本稳定，误差小于3.00%。经过分析，认为该现象产生的原因为，距离越近相机畸变矫正对图像影响越大。由于本系统是使用四点透视变换对切向畸变进行矫正，所以要求参考物的边界呈现一条直线，而在对相机畸变进行矫正的过程中会使参考物的边界发生弯曲，导致参考物实际面积减少，进而导致叶片测量值较实际值偏高。

2.3 不同拍摄偏转角度和目标物形状对叶面积测量精度的影响

如图4 所示，拍摄偏转角度和目标物形状对叶面积测量精度的影响都较小，测得的面积与实际目标物的面积的误差均小于5.00%，认为该系统对拍摄偏转角度和目标物形状的变化适应良好。

2.4 误差分析

使用本方法测量的叶面积普遍较实际值偏高，研究发现，造成该现象的原因有：

（1）和相机成像有关，当相机和被测物体的距离越近时，叶片边缘会越模糊，在图像处理时，会将实际为叶片部分的像素点去除；距离越远时，取参考A4 版的像素时，会将参考版内的像素点去除，造成参照版尺寸偏小，测量的叶片面积较实际偏大的误差[16]。

（2）由于光照的影响，物体在参照版上会有影子，造成面积的增大，在光线比较强烈且方位较为倾斜的情况下进行叶面积测量时，测量结果会存在偏差。

（3）由于本研究采用的A4 参考版作为实际面积参考，所以A4 参考版的褶皱以及在选取A4 纸板的4 个顶点作为参考进行透视变换时，会导致A4 参考版的面积被剪裁，小于实际的面积，从而导致叶面积占比增高，测量结果偏高。

实验中同时发现，提高图片的分辨率，测量结果的误差范围有所缩小，但增加了处理图片的时间。

3 总结

本研究采用图像处理技术，提出了一种快速、便携、无损测量各种大小和形状的植物叶片面积的方法，开发出了一套完整的作物叶面积快速检测系统，用Python 语言编写图像处理系统，完成对叶面积的测定。用多种轮廓处理算子在同一测量距离对不同大小的正方体进行了面积测量，结果显示Roberts算子和Scharr 算子的测量误差均在3.00%之内，并最终选择使用Scharr 算子作为本研究的边缘检测算子。试验了多个测量距离的检测效果，当手机和目标物的距离为300 mm 时，测量误差大于5.00%；在400 mm 时，测量在5.00%～3.00%；当超过500 mm 时，误差稳定且小于3.00%。同时对多个拍摄偏转角度进行检测，并用多种形状的几何图像模拟了不同形状的叶片进行了面积测量，误差均在5.00%以内，可满足大多数情况下的叶面积测量应用。通过系统、研究的进行，发现本研究节约了时间，简化了操作，减少了人员的投入，为作物长势评价和产量预测提供了一定的帮助，对智慧农业建设工作的推进起到了一定的作用。

本研究虽然实现了基本目标，但在很多细节方面还有待改进。该系统的图像的获取仍然需要人工的操作，未来可以将这套系统结合机器视觉技术，运用可以自主拍摄的机器人进行图像的拍摄，达到无人工作物信息采集的目的。另外，检测精度仍有待提高，未来在算法方面的提升和图像拍摄方面的进步将会为该系统带来更广阔的应用空间。最后，实际作物拍摄过程中可能会遇到叶片重叠，叶片轮廓模糊，背景杂乱等问题，需要图像处理技术的进一步升级，以及结合遥感检测、红外测距等生物量检测方法，进行更进一步的处理。