摘要
中国是世界上最大的大豆消费国之一。目前，国内大豆生产无法满足人民生活水平提高带来的大豆需求量的增长，大豆进口量逐年增长的现状已经威胁到国家粮油安全。因此，培育优质高产的国产大豆新品种对于大豆育种专家而言刻不容缓。 考种，也叫选种，是育种的关键环节。在考种过程中，大豆籽粒的表型参数是育种专家选取实验材料的主要依据。传统的籽粒考种工作需要大量的人力和时间，主要依靠人工观察、挑拣、称量与测量，容易受主观因素影响，难以保证考种数据的精确性，且采集到的表型参数较少，无法为计算育种提供完备准确的数据支撑。本文以中科院东北地理与农业生态研究所育种实验所用的东北大豆籽粒为研究对象，用计算机视觉技术处理大豆籽粒图像，提出基于OpenCV的大豆籽粒多表型参数获取算法和基于轻量级YOLOv5s模型的大豆脐部表型检测算法，实现了对大豆籽粒多表型参数的高效获取。方法在大豆籽粒考种中得到了应用和优化。 本文研究工作主要包括: （1）将拍摄设备、接料盘、电脑等有效结合设计了大豆籽粒图像采集装置，完成大豆籽粒的图像采集工作。对所拍摄的大豆脐部表型，包括种脐种肾斑点色变等图像进行籽粒样本检测，使用LabelImg软件对图像类别进行标注，通过结合中值滤波和Mosaic数据增强技术去除图像噪点并扩充原始数据集，制作了大豆籽粒种脐表型数据集，为算法提供数据支持。 （2）基于OpenCV视觉算法库，先后对图像灰度化、二值化、比例尺定位和去噪后，改进大豆籽粒轮廓分割方法，从图像中一次性获取大豆籽粒的多种表型参数，包括籽粒个数、籽粒周长和面积、RGB、长短轴比和圆形度等，同时能识别大豆的优劣品质。实验表明，单幅图像大豆总数的识别率为98.43％,大豆籽粒的正确识别率为95.25％,对破损大豆籽粒的识别率为91.25％,对病变大豆籽粒的识别率为88.94％,短轴长度的精确度为95.82％,长轴长度的精确度为96.78％,同时使运行时间也得到大幅缩短，满足大豆籽粒高通量自动考种，为大豆籽粒考种提供了新方法。该方法不需要标注和模型训练，能快速响应采集新增表型参数的需求。 （3）提出了基于轻量级YOLOv5s模型的大豆脐部细微表型检测算法。算法引入了K-means聚类算法调整目标先验框，将通道注意力机制和空间注意力替换YOLOv5的主干网络中C3模块的最后一个卷积模块，生成CBAM-YOLOv5s模型，提高精确率和计算效率，最后，将种脐和种肾的轮廓可视化并计算相应长宽。实验表明，CBAM-YOLOv5s模型的籽粒平均准确度为97.5％,种脐的平均精确率为84.4％,种肾的平均精确率为86.7％,较YOLOv5s模型提升了5.7％,mAP@0.5为0.895。改进后的模型计算量降低了53.0％,注意力集中在目标区域，更节约算力，具有更强的检测性能。 本文通过使用OpenCV计算机视觉库与YOLOv5目标检测算法等相关技术，完成了大豆籽粒表型参数提取的初步实验，并在考种工作中得到了应用，有效提高了考种工作的效率和精确率。补充籽粒细部等多种较难采集的表型参数，为育种人员的考种工作提供可靠的数据支持，也为大豆籽粒的自动化考种提供行之有效的新方法。
NETL