下载:
-
现代农业和林业害虫给粮食安全带来严重威胁，每年产生巨大的经济损失[1]。准确地监测害虫数量变化，预测害虫爆发趋势，可为害虫管理行动提供可靠依据和正确管理方法[2-3]。近年来，出现了许多用于虫害测报的新型害虫诱杀设备及监测系统，这些设备配有多种传感器，可以上传数据到用户手机端，且可以定时对诱杀的害虫拍摄然后识别计数[4-5]，节省了大量人力。害虫诱杀设备及监测系统进行虫害测报的重要前提是如何准确分割害虫，针对此问题，许多国内外学者对害虫分割方法进行了研究。SOLIS-SÁNCHEZ等[6]利用目标的几何形态特征(偏心率、面积等)从诱虫板上分割粉虱Aleyrodidae。NING等[7]提出交互式分割方法从复杂背景中分割害虫。吕金娜[8]提出了基于LAB颜色空间的棉花Gossypium spp.害虫普适K聚类害虫图像分割方案，对典型棉花害虫图像进行分割。杨信廷等[9]提出了基于Prewitt、Canny边缘检测算子分割和支持向量机(SVM)的温室粉虱和蓟马Thripidae诱虫板的图像识别算法。陈树越等[10]提出改进的凹点检测和精确分割点定位的方法，实现对黏连害虫的分割。然而，上述方法大多用于单个害虫情况，对于野外诱虫装置获得图像、害虫产生轻微堆叠及颜色不一等问题还有待解决。害虫的分割效果与设备的收集功能密不可分。李芝茹等[11]采用了追踪式太阳能监测装置，在稳定供能的同时也可升降采集不同高度的害虫；张红涛等[12]、张昊辰等[13]针对捕虫诱集部分，设计了多种采集方法以及通道，来提升害虫图像质量。本研究针对害虫收集装置中的采集害虫图像分割精度的要求，根据害虫面积与采样盘面积的比例进行智能翻转，针对翻转功能需要克服的实际拍摄图像光照不均匀，阴影干扰大，及害虫种类颜色繁多等问题，提出了基于全局对比度的图像分割方法，对装置中的实际图像进行分割处理，使其满足采样盘的智能翻转要求。
-
害虫的智能收集通过害虫面积占比控制采样盘翻转完成，为了准确获取此比例，需要对获取的害虫图像有较高精度的分割。本研究结合基于直方图对比度的显著性检测(HC)算法与阈值迭代算法，提出了满足害虫图像精度的分割方法。整体方法流程如图1所示。
图 1 方法流程图
Figure 1. Algorithm flow chart
为了减少多种颜色害虫同时出现的频率，首先将害虫图像分成150个同等大小的区域，每个区域大小约1只害虫的面积。在分割区域操作的同时，计算颜色的出现频率，高频颜色替换低频颜色，保证算法运行速度。在此基础上通过HC算法检测图像中的浅色害虫，结合阈值迭代算法分割背景颜色。得到的图像浅色害虫轮廓清晰，并避免了阴影的影响，但图像中深色害虫均未被分割，故将此前检测出的浅色害虫图像中的像素点更新为黑色，加强深色害虫与背景颜色的对比度。再根据直方图计算显著值完成对所有目标害虫的检测。显著值的计算公式为：
$$S({{\mathit{\boldsymbol{a}}}}) = \frac{{{{\mathit{\boldsymbol{a}}}} - {a_{\min }}}}{{{a_{\max }} - {a_{\min }}}}\text{。}$$ (1) 式(1)中：a为每个像素的颜色值构成的矩阵；amax为a矩阵中所有值的最大值；amin为a矩阵中所有值的最小值；S为显著值。
最后通过sigmoid函数对结果的图像进行二值化计算得到最终的害虫分割图像，用此图像可对害虫面积比例进行计算，完成采样盘翻转的判定。公式为：
$$\sigma (S) = \frac{1}{{1 + {{\rm{e}}^{ - S}}}}\text{。}$$ (2) 式(2)中：S为显著值；
$\sigma $ 为sigmoid函数。改进后的方法简易且运行快速，效果显著，可以更好地分割背景和害虫，同时也能分割出深色害虫清晰的轮廓。 -
在显著性检测算法中，HC算法运行速度较快，且可以保留颜色特征、有效地体现不同颜色的边缘纹理。HC算法根据图像的颜色直方图分布，对颜色级数进行量化和平滑操作，最终计算每个像素的颜色与其他像素颜色的对比度定义为显著值[14]。其计算公式为：
$$S({I_k}) = \sum\limits_{i = 0}^n {D({I_k},{I_i})} \text{。}$$ (3) 式(3)中：Ik为k点图像颜色转化为Lab颜色空间后的当前像素；Ii则是其余i点的每个像素；n是其余像素的个数；D为2个像素的欧式距离度量；S为显著值。
在害虫图像中，会出现图像颜色过多影响处理速度的问题。为了解决这个问题，采用了量化图像颜色数据降低颜色数量的方法。对害虫图像压缩，将具有相同颜色像素的组合在一起。公式为：
$$S({I_k}) = \sum\limits_{j = 0}^n {{f_j}D({c_i},{c_j})} \text{。}$$ (4) 式(4)中：ci为i点当前像素Ik的颜色值；cj为其余j点的颜色值；n为颜色不同的像素数量；fj为j点像素颜色出现的频率；D为颜色值间的欧式距离度量；S为显著值。
由于自然图像中的颜色种类只占全颜色空间的小部分，采取忽略出现频率低的颜色值来进一步缩减颜色的数量，删除的颜色值用保留下来的相近颜色值所代替。为了防止缩减颜色数量导致害虫的轮廓细节被忽略，需保证选择留下的高频颜色在图像中覆盖的像素不少于95%。由于目的是完成对害虫轮廓的分割，从而计算害虫的面积，故此操作既不影响分割的精度，还成功提高了算法的运行效率。
由于在缩减颜色数量时，相近的颜色也许会被量化为不同的值，为了减少这类颜色对检测害虫区域时产生的噪声，使用相近颜色的显著值加权平均值代替原本的显著值。其计算公式为：
$$S'(c) = \frac{1}{{(m - 1)T}}\sum\limits_{i = 1}^m {[T - D(c,{c_i})]S({c_i})} \text{。}$$ (5) 式(5)中：S′为平滑颜色后的显著值；S为原本的显著值；T为要改善颜色c和m个最近的颜色ci之间的距离之和；D为要改善颜色c与最接近颜色ci的欧式距离度量。
接着获取处理后图像的颜色直方图，计算1个像素与其余像素的欧式距离，求出所有距离之和，将此定义为显著值。最后将像素的颜色值更新为求出的显著值即处理完毕。
同时存在多种颜色害虫时，单一使用HC算法存在无法提取深浅色害虫的缺陷。原因是图像中害虫的种类以及颜色多样，害虫间的对比度过大，且存在一定的阴影及轻微重叠干扰。故本研究决定结合阈值迭代对害虫图像进行处理，以此优化前景与背景之间的颜色差。
-
利用阈值迭代分割算法解决了图像各区域亮度不同等因素，可更好地分割图像背景[15-16]。该算法可在不同区域采用不同的阈值进行分割，适合处理多种颜色害虫混合的图像，解决了害虫阴影的干扰问题，完成了分割单一颜色背景的目的。
该算法主要通过迭代方式逼近最佳阈值，从而达到分割背景的目的，关键步骤在于找到最佳阈值。先将整幅图像分成多张互相之间有50%重叠的子图像，分别作出这些子图像的直方图。对这些子图像的直方图进行检测，查看是否为双峰，如果是双峰，则进行阈值迭代法确定阈值，如果不是双峰，就不进行处理。接着确定阈值，以此为依据划分前景和背景。然后分出阈值的2边数据为A和B部分。分别计算A和B部分的均值，然后再总的求A和B部分的均值即为新的阈值。设定迭代次数进行不断寻找最佳阈值，用得到的阈值进行图像的二值化。公式如下：
$${R_0} = \frac{{\displaystyle\sum\limits_{R(i,j) = 0}^{{T_{\rm{K}}}} {R(i,j) \times N(i,j)} }}{{\displaystyle\sum\limits_{R(i.j) = 0}^{{T_{\rm{K}}}} {N(i,j)} }}\text{；}$$ (6) $${R_{\rm{G}}} = \frac{{\displaystyle\sum\limits_{R(i,j) = {T_{\rm{K}}}}^m {R(i,j) \times N(i.j)} }}{{\displaystyle\sum\limits_{R(i,j) = {T_{\rm{K}}}}^m {N(i,j)} }}\text{。}$$ (7) 式(6)~(7)中：R(i, j)为图像(i, j)像素点的灰度值；N(i, j)为(i, j)像素点的权重系数；TK为确定阈值；m为像素个数；R0与RG分别为目标和背景的平均灰度值。
-
图像获取的步骤分为害虫的诱杀收集和拍摄2步。害虫的诱杀通过打开图2的黑光灯引诱害虫，害虫飞至黑光灯边上的电网时，被电死掉落到下方漏斗状装置内部，然后滑落到采样盘上。摄像头在LED灯点亮后进行拍摄，采集图像大小为2592像素×1944像素。最后将拍摄的图像传送至控制系统内部进行图像处理。
图 2 害虫收集装置示意图
Figure 2. Schematic diagram of pest collection device
-
本研究设备为Intel(R) Core(TM)i7-8750H CPU、16G 64位PC机和树莓派官方500万像素摄像头，系统和软件环境为Window10，Jupyter Notebook，Raspberry Pi3 B+。在实际装置托盘上方20 cm处使用装置内部的树莓派摄像头进行拍摄。研究样本为5种害虫在白底托盘和红底托盘上的实际图像。为了验证本研究的可靠性与有效性，共选用100张实际拍摄图像后运行算法，取平均值作为最后研究结果数据。因实际装置的硬件性能所限制，且实际装置对智能翻转的图像处理有一定的速度和精度需求，故排除与深度学习分割方法的对比。本研究选取了4种综合处理效果较好的经典算法作为比较。
使用不同算法对实际摄像头拍摄的图片白底样本进行分割。由图3可见：本研究算法与实际比率的接近程度明显高于其他算法。且在白底托盘中，本研究算法可以更好避免阴影的影响，分割出目标害虫的轮廓。比较图4和图5可知：大津算法(OTSU)出现了错误分割阴影的结果，它将较多的阴影区域分割，将会导致害虫比例严重误判。而本研究算法较好改善了该问题，至于仅剩的阴影噪声问题将通过改善拍摄条件弥补。
图 3 白底样本分割效果对比
Figure 3. Comparison of sample segmentation effects on white background
图 4 OTSU算法与本研究算法对阴影分割的比较
Figure 4. Comparison of shadow segmentation between OTSU and research algorithm
图 5 HC算法与本研究算法对害虫细节分割的比较
Figure 5. Comparison of HC algorithm and research algorithm on pest detail segmentation
白底样本的分割结果(图5)进一步表明：HC算法无法识别害虫颜色与背景颜色对比度不高的害虫，而本研究算法在改进其算法后，可以较清晰地分割出这些原本分割效果不佳的害虫。
综合了白底样本采样盘易出现灯光照射以及阴影的干扰，且由于浅色害虫与白色采样盘背景对比度过于接近，更加不利于对害虫的分割，故改进装置的采样盘为红色。拍摄深色害虫与浅色害虫同时存在于采样盘上时的图像，作为红底样本，并使用不同算法对其进行分割处理。从图6和图7可见：其他算法主要完成了浅色害虫的分割，但均无法分割出深色害虫并计算害虫面积。本研究算法则完成了深浅害虫的同时分割，从图7可清晰观察到深色害虫的翅膀及触角等细节，证明本研究算法在多种颜色害虫存在时分割结果更精确可靠。
图 6 红底样本分割效果对比
Figure 6. Comparison of sample segmentation effects on red background
图 7 HC算法与本研究算法对深色害虫分割的比较
Figure 7. Comparison of HC algorithm and research algorithm on dark pest segmentation
-
为了评价算法的分割图像效果优劣，本研究将采用平均分割时间、准确率和召回率对算法的分割结果进行衡量[17]。为了比较各算法的效率，将使其对每幅图像进行多次分割，然后取平均处理时间来作最终评价。准确率(P)和召回率(R)的公式如下：
$$P = \frac{{\displaystyle\sum\limits_{n = 1}^N {{G_n} \times {S_n}} }}{{\displaystyle\sum\limits_{n = 1}^N {{S_n}} }}\text{；}$$ (8) $$R = \frac{{\displaystyle\sum\limits_{n = 1}^N {{G_n} \times {S_n}} }}{{\displaystyle\sum\limits_{n = 1}^N {{G_n}} }}\text{。}$$ (9) 式(8)~(9)中：N为像素个数；Gn表示基准图像第n个像素是否为分割目标像素；Sn表示分割图像第n个像素是否为分割目标像素，值为0或1。本研究取权重系数为0.3，来防止由于显著性检测导致召回率过高的问题。准确率表示目标分割的准确性，召回率为检测区域与基准图像区域的比值，表示算法分割的完整性。使用选取的5种算法对样本进行图像处理，并且将人工分割的图像作为基准图像，得到3个评价指标(表1)。
表 1 准确率、召回率和分割速度对比
Table 1. Comparison of accuracy recall, and segmentation speed
分割算法 准确率 召回率 分割速度 白底样本 红底样本 白底样本 红底样本 白底样本 红底样本 水平集算法 0.72 0.74 0.62 0.64 1.68 4.35 OTSU算法 0.70 0.77 0.63 0.70 0.36 0.84 阈值迭代算法 0.83 0.83 0.81 0.69 0.56 0.87 HC算法 0.86 0.88 0.86 0.63 0.43 0.98 本研究算法 0.92 0.95 0.95 0.89 0.66 1.05 由表1可知：本研究算法的准确率及召回率最高，其他算法易出现分割阴影等非目标轮廓，或分割不出深色害虫。准确率相比其他4种算法均提高约13%。在召回率上，本研究算法提高了10%以上，最高达53%。准确率和召回率的提升，体现了本研究算法的精确性和可靠性。在分割速度方面，本研究算法高出水平集算法约3倍，且总耗时满足装置的实际需求。除水平集算法外，其他3种算法虽然分割时间短，但无法分割多种害虫同时存在的图像，故可以接受本研究算法小幅延长分割时间后，完成了更高要求的分割。
-
本研究算法处理后得到的结果误差控制在5%以内。即使在光照不稳定和害虫种类以及姿态复杂的环境下采集的图像中，本研究算法也可以较精确避免轻微重叠和阴影的影响进行分割。在多种颜色害虫同时存在时，本研究算法也可分割出几乎接近实际害虫的轮廓。因此，本研究算法简单、高效且充分满足分割精度和速度的需求，适宜于害虫收集装置内部使用，达到对害虫比例进行准确计算的目的。
A pest collection method based on global contrast
-
摘要:
目的 目前利用测报灯，通过灯光诱捕昆虫，并由计算机完成昆虫图像的采集、计数和识别已逐步成为害虫测报的重要方法。为了减少昆虫在采样盘上重叠造成的计数和识别误差，基于害虫图像，根据昆虫密度研究采样盘中昆虫的收集方法，从而提高采集效率和精度。 方法 根据昆虫在采样盘上姿态特点，提出基于全局对比度的图像分割方法，结合阈值迭代分割获得昆虫区域，计算昆虫比例，并控制采样盘翻转完成对昆虫的收集。 结果 通过对5种害虫的实际图像进行的试验表明：与水平集、大津法(OTSU)、阈值迭代法和基于直方图对比度的显著性检测(HC)4种算法相比，本研究方法在准确率和召回率上均提高10%以上，取得了较好的结果；同时，在分割速度上比水平集快3倍，与阈值和HC算法基本持平。 结论 基于全局对比度的分割方法简单、高效，在害虫自动测报中具有较高的实际应用价值。图7表1参17 Abstract:Objective The real-time and accurate forecast of field pests has gradually become an important method of pest forecasting to trap insects by light, and to collect, count and identify insect images by computer. This study aims to explore the method of collecting insects in the sampling plate based on insect image and insect density, so as to improve the collection efficiency and accuracy, and reduce the counting and identification errors caused by the overlapping of insects on the sampling plate. Method According to the characteristics of insects’ posture on the sampling plate, an image segmentation method based on global contrast was proposed. Combined with threshold iterative segmentation, the insect area was obtained, the insect proportion was calculated, and the collection of insects was completed by controlling the flip of the sampling plate. Result Experiments on the actual images of 5 pest species showed that compared with the 4 algorithms, namely level set, OTSU, threshold iteration and saliency detection based on histogram contrast(HC), the accuracy and recall rate of this method were improved by more than 10%, and good results were obtained. At the same time, the segmentation speed was 3 times faster than that of the level set, which was basically the same as the threshold and HC algorithm. Conclusion Due to its simplicity and high efficiency, the segmentation method based on global contrast has high practical application value in automatic pest detection and reporting. [Ch, 7 fig. 1 tab. 17 ref.] -
Key words:
- forest protection /
- pest forecasting /
- pest collection /
- image segmentation /
- sampling disk /
- global contrast
-
植物繁育系统是指直接影响后代遗传组成的所有有性特征，包括花部特征、开放式样、花各性器官寿命长短，自交亲和程度与交配系统等[1]。作为植物重要的繁殖器官，花内部器官发育和外部形态特征与植物的传粉效率、交配方式密不可分。因此，系统研究植物的花部特征和繁育系统有助于理解其繁殖过程限制因子的生态效应，对生物多样性保育具有重要价值[2]。
长柱紫茎Stewartia rostrata为山茶科Theaceae紫茎属Stewartia的落叶灌木或小乔木，主要分布于浙江西北部、安徽南部及西部、江西北部及湖南东部，地理分布较为狭窄。花白繁茂，花瓣多带有形状、颜色不一的红斑，树干造型多样；集中开花，观赏价值极高，在园林绿地应用潜力巨大。近年来，由于人类干扰频繁和自然环境恶化，长柱紫茎的野外生存受到极大的威胁，迫切需要开展保育生物学系列研究。实地调查发现：尽管盛花期花量极大，但长柱紫茎群落下层幼苗稀少，天然更新不良，与同属的濒危植物紫茎Stewartia sinensis衰退型种群结构类似[3−4]。紫茎属木本植物幼苗幼树稀少，其原因可能涉及群落环境(如植物间竞争排斥关系、植物与传粉昆虫关系)与非生物环境(如阴雨天气的出现)的限制作用、种子发芽受阻、花部特征与繁育系统影响传粉过程造成种子发育质量不良等。已有研究表明[5]：紫茎的种子发芽率无论是实验室还是圃地最高仅为10%，甚至为0。长柱紫茎和紫茎在同属中亲缘关系最为接近，形态特征、生物学特性有许多相近之处，推测此2个种的繁育过程受阻有相似之处。
目前，紫茎属已有研究集中于群落结构[4]、繁殖技术[5]、种子发芽[6]、植物种分类[7]及系统发育[8]等方面，未发现有关紫茎属特别是长柱紫茎花部特征、传粉过程的限制因素、繁育系统所属类型等的报道。繁育系统类型是否对长柱紫茎结实率和种子败育产生影响，其衰退型种群结构是否与其繁育系统类型有关，生境自然条件变化是否影响传粉昆虫的行为，从而影响繁殖成功率；这些都是当前亟待深入研究的科学问题。为此，本研究以长柱紫茎为材料，通过观察(测)长柱紫茎花部特征和昆虫访花特性、测定花粉活力和柱头可授性、测算杂交指数和花粉胚珠比等，深入揭示其繁殖过程限制因素的影响，为紫茎属种群更新、人工扩繁及园林推广应用提供科学依据，为紫茎属的濒危植物致濒机制研究提供思路。
1. 材料与方法
1.1 试验区概况
研究地浙江农林大学东湖校区(30°15′28″N，119°43′35″E)海拔101.3 m，属于中亚热带季风气候，四季分明，年平均气温为16.1 ℃，全年降水量为1 628.6 mm，年降水日为154 d，无霜期为236 d。研究地周边地带性植被为亚热带常绿阔叶林。选择3 a生长柱紫茎为材料，株高为2.5~3.0 m。研究时间为2021年4—6月。
1.2 开花动态及花部特征观察(测)
1.2.1 开花动态
于花蕾期随机选取30朵花挂牌标记，每天16:00观察直至单花开放；开花当天及开花第2天8:00—18:00连续观察，每隔2 h定点观测1次并拍照，之后每天观测1次。观察花的开花动态，记录单花结构、花朵大小和形状、雄雌蕊位置形态变化、花瓣颜色、苞片颜色、萼片颜色、花药开裂时间等，直至花部萎蔫[9]。
1.2.2 花部形态特征
于盛花期，在15株植株上随机选取30朵发育良好的花，测定花部结构参数，记录花冠直径、苞片长宽、花瓣长宽、萼片长宽、子房直径及长度等数据。
1.3 花粉活力测定
1.3.1 花粉离体培养
随机采集当天开放花朵的花粉，设置5种蔗糖质量浓度(0、5、10、15、20 g·Ｌ−1)处理，于25 ℃下培养6 h后观察并统计花粉萌发率。
1.3.2 花粉活力测定
随机采集当天开放花朵的花粉，分别采用2，3，5-氯化三苯基四氮唑(TTC)染色法、碘-碘化钾(I2-KI)染色法，筛选最适蔗糖质量浓度培养6 h后测定花粉活力，以加热致死的花粉作对照，每个处理3次重复。在光学显微镜下随机选取3个视野统计着色花粉数，每个视野花粉数不少于100粒[10]。
1.3.3 花粉萌发率测定
选取开放前1 d至开放后第3天的花朵，每个阶段选取10朵，测定最适蔗糖质量浓度培养下的花粉活力，以加热致死的花粉为对照。在光学显微镜下观察统计花粉萌发率，每视野内花粉数不少于100粒。
1.4 柱头可授性测定
随机选取开放前1 d至开放后7 d的花朵，将柱头放在凹面载玻片上，完全浸泡于质量分数3%的过氧化氢(H2O2)溶液中，30 min后在体式显微镜下观察，若有气泡产生则表明柱头有活性，反之则无[11]。
1.5 花粉胚珠比计算
随机选取不同植株的20朵即将开放的花蕾，记录每朵花的雄蕊数。随机选取1个花药，用解剖针将花药捣碎，蒸馏水定容至1 mL，吸取1 µL液体在光学显微镜下统计花粉数量；每朵花选取3个花药，重复3次，取平均数乘雄蕊数再乘1 000得出单花花粉量。解剖相对应的子房，统计胚珠数[12]。根据CRUDEN[13]标准，计算花粉胚珠比(单花花粉总数/单花胚珠数，P/O)；并由此判断长柱紫茎繁育系统类型。
1.6 杂交指数估算
按照DAFNI[14]标准，通过杂交指数(OCI)评判繁育系统类型。用游标卡尺测定花冠直径；观察记录花药开裂时间与柱头可授期，雌雄蕊是否同时成熟；记录花药与柱头之间的相对空间关系。
1.7 访花昆虫观察
随机选择5株长柱紫茎，于晴天9:00—17:00连续观察访花昆虫。每株长柱紫茎选择10朵花，每2 h观察1次，每天观察5次，记录访花昆虫的种类和访花时间[15]。
2. 结果与分析
2.1 开花动态及花部形态特征
2.1.1 开花动态
长柱紫茎居群花期为5月初至5月中下旬，约17 d (2021年5月1—17日)，单花花期2 d。5月1日该居群的第1朵花开放，5月8日单日开花最多，占总开花数的15%，达到盛花期，5月13日进入末花期。
长柱紫茎单花开放过程分为花蕾期(苞片、萼片包裹花蕾)、初展期(花药、柱头显露)、盛放期(花瓣平展)、凋落期(花瓣枯萎)及坐果期(子房膨大结实) 5个过程(图1)。具体的，①花蕾期(图1A和B)，苞片、萼片呈绿色，紧紧包裹花蕾。临近开放时，绿色的苞片和萼片从基部向边缘转为紫红色，同时向外伸展，逐渐显现出花苞。花苞顶部受光影响，呈现红斑。②初展期(图1C)，单花花瓣展开，花药和柱头显露，弯曲的花丝慢慢伸展高出柱头。③盛放期(图1D)，花瓣完全平展，雄蕊高于柱头伸展，柱头反向弯曲，呈5裂。④凋落期(图1E和F)，花瓣枯萎、脱落，开放24~32 h后，花药逐渐由橘黄色变为淡棕色，花冠极易掉落，柱头萎蔫，萼片和苞片逐渐收缩，花朵直径变小。⑤坐果期(图1G和H)，子房膨大，萼片和苞片再逐渐展开，由红色转为绿色，果实由绿色转为棕色，逐渐木质化。
2.1.2 花部形态特征
长柱紫茎的平均单花直径为(50.2±11.7) mm (表1)，花瓣5枚，白色，边缘裂状，有1~3枚花瓣带红斑(图1K)；每花具1对叶状苞片(图1J-1)，披针叶形，开花时基部由绿色转为紫红色；萼片5枚(图1J-2)；雄蕊50~84枚，长17~19 mm，花丝黄色呈线形，基部连合成短管，花丝的连合处不及花丝长度的1/3(图1J-4)，花药橘黄色，干后变为淡棕色；雌蕊1枚，长14~16 mm，柱头呈5裂(图1J-5)，花朵盛开时花丝高于柱头；子房5室，每室4枚胚珠，稀2~3枚，中轴胎座。
表 1 长柱紫茎的花部形态特征Table 1 Flower characteristics of S. rostrata花器官 平均值±标准误 花器官 平均值±标准误 花器官 平均值±标准误 花梗长/mm 5.2±1.4 萼片宽/mm 8.8±2.2 带斑的花瓣宽/mm 19.6±2.9 花冠直径/mm 50.2±11.7 花瓣数/枚 5±0 雄蕊数/枚 64.9±11.8 苞片数/片 2±0 花瓣长/mm 28.5±3.7 雄蕊长/mm 17.5±1.5 苞片长/mm 15.5±4.2 花瓣宽/mm 20.0±3.1 胚珠数/枚 18.6±2.4 苞片宽/mm 9.4±2.4 花斑长/mm 8.9±2.8 雌蕊长度/mm 14.2±1.1 萼片数/枚 5±0 花斑宽/mm 8.2±2.7 子房直径/mm 5.0±0.7 萼片长/mm 15.2±3.3 带斑的花瓣长/mm 20.2±5.7 子房长/mm 3.7±0.5 2.2 花粉活力测定
2.2.1 花粉离体培养的适宜蔗糖质量浓度
在无蔗糖培养基下，长柱紫茎花粉萌发率仅为13.7%；随着培养基蔗糖质量浓度的增加，花粉萌发率增大，在15 g·L−１出现峰值，为69.3%。当蔗糖质量浓度为20 g·L−１时，花粉萌发率降至33.3%。因此，15 g·L−１的蔗糖培养基为最适培养基(图2)。
图 2 不同蔗糖质量浓度对长柱紫茎花粉活力的 影响Figure 2 Effects of different sucrose concentrations on pollen viability2.2.2 不同方法测定花粉活力
采用I2-KI染色，活力较强的花粉会呈现蓝黑色，但在操作时，易混入杂质，视野中观察到的蓝黑色不够明显，不利于计数。采用TTC染色，有活力的花粉会呈现红色；但观察到大部分花粉未变红，说明TTC染色不利于测定长柱紫茎的花粉活力。因此，TTC染色法和I2-KI染色法均不适合长柱紫茎花粉活力的测定。实际研究中，与TTC染色法和I2-KI染色法相比，花粉离体培养下，花粉会萌发较长的花粉管，更有利于观察。
2.2.3 不同开放时间花粉萌发率
采用15ｇ·L−１的蔗糖培养基培养花粉，由图3可知：开放前1 d，花粉萌发率较高，为49.3%，开花当天花粉活力最高，为65.0%。之后花粉活力逐渐下降，到第3天，已降至11.7%。
图 3 不同时间下长柱紫茎花粉活力Figure 3 Pollen germination rate of S. rostrata tested in different time2.3 柱头可授性
由图4可知：开放前1 d长柱紫茎花药尚未开裂，柱头合拢，呈白色，可授性弱。开放1~2 d，柱头逐渐张开，具有较强可授性，之后可授性逐渐增强。到第3天柱头开始萎蔫，由白色转变为棕黄色，可授性强。在开放的第4天，柱头完全展开，向外反卷呈5裂，呈棕黄色、萎蔫皱巴的状态，此时花粉活性最强。之后，柱头可授性逐渐下降，到第7天，柱头基本失去可授性。
图 4 长柱紫茎开花过程中柱头可授性Figure 4 Changes in stigma receptivity of S. rostrata during flowering process2.4 花粉胚珠比
根据统计结果，长柱紫茎花粉数为(1 618 666.7±254 775.4)粒，胚珠数为(18.6±2.4)枚，花粉/胚珠比(P/O)为2 108.0~195 525.0，平均为87 025.1。依照CRUDEN的标准，判断长柱紫茎的繁育系统属于专性异交。
2.5 杂交指数测算
依照DAFNI的评判标准，测算长柱紫茎的杂交指数。长柱紫茎成熟花朵的花冠直径平均为50.24 mm，大于6 mm，记为3。雌雄蕊在成熟时间上一致，记为0；在花蕾期，长柱紫茎的柱头高于雄蕊，当花朵完全盛开时，雄蕊高于雌蕊，柱头和花药存在空间分离，记为1。因此，OCI结果为4，说明长柱紫茎的繁育类型属于以异交为主，需要传粉者，部分自交亲和。
2.6 访花昆虫观察
长柱紫茎上观察到的访花昆虫有熊蜂Bombus sp.、中华蜜蜂Apis cerana、黑带食蚜蝇Episyrphus balteatus、叶甲Chrysomelidae和日本弓背蚁Camponotus japonicus等，有效传粉者主要为熊蜂，其他种类出现频率低或进行无效传粉(图5)。长柱紫茎的开花高峰为7:00—11:00，昆虫的访花时间也集中在这段时间。黑带食蚜蝇在同一朵花上同一部位停留超过20 s，舔食花蜜，但数量较少，传粉作用不佳(图5A)。熊蜂单次访花时间为2~5 s，访花频率很高，在较短时间内频繁地在多朵花间逗留。访花时喜欢头部向下，整个身体钻入花冠筒，身上的绒毛黏附花粉量大，与柱头接触面积大，可有效传粉(图5B)。中华蜜蜂与熊蜂行为相似，但出现频率不及熊蜂，且体积小，能够黏附到的花粉少(图5C)。叶甲外壳光滑，花粉难以黏附。偶见1只在花冠上停留较长时间，与柱头未进行有效接触，传粉贡献小(图5D)。日本弓背蚁的足部和腹部会黏附花粉，徘徊逗留，偶尔实现有效传粉(图5E)。
3. 讨论
3.1 花部特征与传粉适应性
花部特征包含花部构成(结构、颜色、气味等)和开放式样(开花数目、大小及类型等)，因此可以从花部特征、开放式样解析植物与传粉者的生态依存关系。植物为了与传粉者的行为习惯相适应而使其花部形态结构、颜色等逐步进化[16]。对于蜂类，白色和黄色是可见花色。长柱紫茎花冠白色，平均直径达(50.2±11.7) mm，花丝黄色，颜色耀眼，同时平展的花冠为传粉昆虫提供停靠点，符合蜂媒花特征，此类花部特征与四川牡丹Paeonia decomposita一致[17]。同一物种内不同个体或居群间花色差异即花色多态性，传粉者的偏好因为花色差异造成访花频率的差异[18]。长柱紫茎的白色花瓣上常出现红色，推测是为适应单一的传粉媒介而进化出的特征，以便增加对其他类昆虫的吸引力，从而提高传粉效率[19]。
在强大的选择压力下，很多植物形成了“大量、集中开放”的开花模式，有利于吸引访花昆虫在短时间大量、密集表达访花行为，从而增加传粉机会[20]。长柱紫茎花期为5—6月，属于浙江的梅雨季节，阴雨天气极大地减少了传粉昆虫的活动。长柱紫茎集中开花，持续开花时间短，日均开花数量多，有利于提高繁殖成功率。此开花式样呈现的特征与山茶科Theaceae濒危植物金花茶Camellia nitidissima的研究结果一致[21]。长柱紫茎的有效传粉者主要为熊蜂，在阴雨天气熊蜂频繁地在同一植株上访花，且开花植株又少，原生境植株间相距较远，不利于花粉在植株间传播，结果增加同株异花授粉的可能性，降低接受花粉的质量，从而影响长柱紫茎的结实率。
3.2 繁育系统
参照CRUDEN[13]所述标准，长柱紫茎的繁育系统为专性异交。长柱紫茎P/O极高，达87 025.1，意味着长柱紫茎更加趋向于远交；但根据DAFNI[14]的标准，长柱紫茎OCI为4，判断其繁育系统为异交为主，部分自交亲和，需要传粉者。长柱紫茎开花后雄蕊逐渐伸长，最后花药高于柱头，且花蕾期有花药散粉现象，因此长柱紫茎的花部特征增加了自花授粉的可能性。在自然界中，绝大部分被子植物倾向于自交与异交结合的混合交配模式，只有极少数利用单一交配模式完成授粉[22]。综合得出：长柱紫茎的繁育系统属于倾向于异交的混合交配系统，当其异株(异花)授粉受阻时，可表现为自交亲和，自交是长柱紫茎适应长期阴雨环境的繁殖保障策略，此种混合交配系统与流苏树Chionanthus retusus相似[23]。
有效的传粉过程包含大量有活力的花粉、可授期的柱头及有效传粉媒介[24]三大要素。长柱紫茎平均雄蕊数为(64.9±11.8)枚，单花平均花粉量多达(1 618 666.7±254 775.4)粒，为传粉昆虫提供丰厚的报酬，且花粉黏附力强，易被传粉昆虫携带，为异交授粉提供了充足的物质保障，故花粉数量不是其繁殖受限的原因。柱头可授期长，达7 d，在第3和第4天达到最强活力，为实施人工授粉的最佳时期。柱头5裂增加传粉表面积和柱头可授期长为异花授粉提供了基本保障，有利于提高传粉效率和结实率，此现象与陈雄伟等[25]观测紫背天葵Begonia fimbristipula的结果一致。当天开花的花朵保持最强活力(65.0%)，随着开花时间增加，花粉活力显著下降，到第2天仅38.3%，第3天降至11.7%。观察发现长柱紫茎大多数花朵寿命很短，开花损失率高，花粉强活力和较强柱头可授性仅1 d的相遇期，严重影响花朵的传粉效率。无论授粉与否，长柱紫茎在开花24~32 h后，花冠和雄蕊都存在易脱落的现象，脱落后花粉迅速失活，大大减少了受精的可能性[26]。推测已授粉花朵脱落可能与营养资源限制有关，减少繁殖成本[27]；未授粉花朵可能通过短寿命减小花展示程度，从而减少同株异花传粉的概率[28]。
P/O是衡量植物对雄性资源分配量的指标[29]，高P/O值可能是对传粉效率低造成柱头接受的花粉量少、质量低的补偿[30]，多样化的传粉媒介有利于提高授粉成功率。长柱紫茎授粉受限可能与传粉者的种类、数量有关。长柱紫茎的主要传粉昆虫熊蜂，飞行距离远，访花频率高，多朵花之间穿梭，携带花粉量大，有效地进行异花传粉，但其他昆虫传粉效率较低，有效传粉媒介单一。长柱紫茎花粉离开花朵后迅速失活，不利于传粉昆虫远距离完成植株之间的传粉，因此居群间的基因不能充分交流[31]。
4. 结论
综上所述，长柱紫茎花冠白色和花丝黄色，与蜂类传粉特性相适应，为典型蜂媒花；传粉受阴雨天气影响，集中开花模式是对恶劣天气的有效适应，但传粉昆虫单一。开花24~32 h，花冠和雄蕊都极易脱落从而导致花粉迅速失活。以上因素限制了长柱紫茎的繁殖。集中开花模式、花粉量大、柱头5裂及可授期长等花部特征是长柱紫茎维持繁殖成功的基本保障。长柱紫茎繁育系统属于以异交为主，需要传粉者，当其授粉受阻时，可表现为自交亲和，自交是长柱紫茎适应长期阴雨天气的繁殖策略。
-
图 4 OTSU算法与本研究算法对阴影分割的比较
Figure 4 Comparison of shadow segmentation between OTSU and research algorithm
图 5 HC算法与本研究算法对害虫细节分割的比较
Figure 5 Comparison of HC algorithm and research algorithm on pest detail segmentation
图 7 HC算法与本研究算法对深色害虫分割的比较
Figure 7 Comparison of HC algorithm and research algorithm on dark pest segmentation
表 1 准确率、召回率和分割速度对比
Table 1. Comparison of accuracy recall, and segmentation speed
分割算法 准确率 召回率 分割速度 白底样本 红底样本 白底样本 红底样本 白底样本 红底样本 水平集算法 0.72 0.74 0.62 0.64 1.68 4.35 OTSU算法 0.70 0.77 0.63 0.70 0.36 0.84 阈值迭代算法 0.83 0.83 0.81 0.69 0.56 0.87 HC算法 0.86 0.88 0.86 0.63 0.43 0.98 本研究算法 0.92 0.95 0.95 0.89 0.66 1.05 
下载: 导出CSV
-
[1] 张芳群. 基于Web技术的虫害预测系统的研究[D]. 杭州: 浙江理工大学, 2017. ZHANG Fangqun. Research on the Pest Forecasting System based on Web Technology[D]. Hangzhou: Zhejiang Sci-Tech University, 2017. [2] 陈梅香, 杨信廷, 石宝才, 等. 害虫自动识别与计数技术研究进展与展望[J]. 环境昆虫学报, 2015, 37(1): 176 − 183. CHEN Meixiang, YANG Xinting, SHI Baocai, et al. Research progress and prospect of technologies for automatic identifying and counting of pests [J]. J Environ Entomol, 2015, 37(1): 176 − 183. [3] 张书平, 余燕, 毕守东, 等. 灾变模型在马尾松毛虫幼虫发生量预报中的应用[J]. 浙江农林大学学报, 2020, 37(1): 93 − 99. ZHANG Shuping, YU Yan, BI Shoudong, et al. A catastrophe model to forecast larvae occurrence of Dendrolimus punctatus [J]. J Zhejiang A&F Univ, 2020, 37(1): 93 − 99. [4] 张鸣华, 丁鑫, 刘持标. 基于二值化图像识别的新型农业害虫诱杀监测系统研究[J]. 南昌航空大学学报(自然科学版), 2019, 33(1): 74 − 79. ZHANG Minghua, DING Xin, LIU Chibiao. Research on new agricultural pest trapping and killing monitoring system based on binarized image recognition [J]. J Nanchang Hangkong Univ Nat Sci, 2019, 33(1): 74 − 79. [5] 陈京, 刘德营, 谢堂胜, 等. 田间稻飞虱图像远程实时采集系统的研制[J]. 湖南农业大学学报(自然科学版), 2016, 42(6): 693 − 698. CHEN Jing, LIU Deying, XIE Tangsheng, et al. A remote real-time acquisition system for rice plant hopper images in the fields [J]. J Hunan Agric Univ Nat Sci, 2016, 42(6): 693 − 698. [6] SOLIS-SÁNCHEZ L O, GARCÍA-ESCALANTE J J, CASTAÑEDA-MIRANDA R, et al. Machine vision algorithm for whiteflies(Bemisia tabaci Genn)scouting under greenhouse environment [J]. J Appl Entomol, 2009, 133(7): 546 − 552. [7] NING Jifeng, ZHANG Lei, ZHANG David, et al. Interactive image segmentation by maximal similarity based region merging [J]. Pattern Recognition, 2009, 43(2): 445 − 456. [8] 吕金娜. 基于LAB空间和自适应聚类的害虫图像分割方法[J]. 河南科技学院学报(自然科学版), 2016, 44(1): 57 − 61. LÜ Jinna. Image segmentation based on LAB color space adaptive clustering algorithm for pest image segmentation [J]. J Henan Inst Sci Technol Nat Sci Ed, 2016, 44(1): 57 − 61. [9] 杨信廷, 刘蒙蒙, 许建平, 等. 自动监测装置用温室粉虱和蓟马成虫图像分割识别算法[J]. 农业工程学报, 2018, 34(1): 164 − 170. YANG Xinting, LIU Mengmeng, XU Jianping, et al. Image segmentation and recognition algorithm of greenhouse whitefly and thrip adults for automatic monitoring device [J]. Trans Chin Soc Agric Eng, 2018, 34(1): 164 − 170. [10] 陈树越, 吴正林, 朱军, 等. 基于凹点检测的粮仓粘连害虫图像分割算法[J]. 计算机工程, 2018, 44(6): 213 − 218. CHEN Shuyue, WU Zhenglin, ZHU Jun, et al. Image segmentation algorithm for grain overlapping pests based on pitting detection [J]. Comput Eng, 2018, 44(6): 213 − 218. [11] 李芝茹, 吴晓峰, 李全罡, 等. 自动追踪式可升降太阳能虫害监测装置的设计[J]. 森林工程, 2016, 32(6): 85 − 88. LI Zhiru, WU Xiaofeng, LI Quangang, et al. Design of the solar liftable device for pest monitoring with automatic trac-king [J]. For Eng, 2016, 32(6): 85 − 88. [12] 张红涛, 胡玉霞, 刘新宇, 等. 农田害虫实时检测装置的设计与实现[J]. 河南农业科学, 2007(12): 63 − 65. ZHANG Hongtao, HU Yuxia, LIU Xinyu, et al. Design and implementation of real-time detection device for farmland pests [J]. J Henan Agric Sci, 2007(12): 63 − 65. [13] 张昊辰, 申小艳, 张欣铃. 智能粮仓害虫监测系统的设计[J]. 通信电源技术, 2013, 30(4): 111 − 112, 126. ZHANG Haochen, SHEN Xiaoyan, ZHANG Xinling. Design of smart granary pests monitoring system [J]. Telecom Power Technol, 2013, 30(4): 111 − 112, 126. [14] CHENG Mingming, ZHANG Guoxin, MITRA N J, et al. Global contrast based salient region detection[C]// IEEE. International Conferene on Computer Vision and Pattern Recognition. Colorado: IEEE, 2011: 409 − 416. [15] 陈宁宁. 几种图像阈值分割算法的实现与比较[J]. 电脑知识与技术, 2011, 7(13): 3109 − 3111. CHEN Ningning. Achieve and comparison of image segmentation thresholding method [J]. Comput Knowl Technol, 2011, 7(13): 3109 − 3111. [16] 白雪冰, 许景涛, 郭景秋, 等. 基于局部二值拟合模型的板材表面节子与虫眼的图像分割[J]. 浙江农林大学学报, 2016, 33(2): 306 − 314. BAI Xuebing, XU Jingtao, GUO Jingqiu, et al. Segmentation of wood surface knots and wormholes based on an improvedLBF Model [J]. J Zhejiang A&F Univ, 2016, 33(2): 306 − 314. [17] BORJI J, CHENG Mingming, JIANG Huaizu, et al. Salient object detection: a benchmark [J]. IEEE Trans Image Process, 2012, 24(12): 5706 − 5722. 期刊类型引用(2)
1. 蔡艳清，陈玉军，李玫，邓创发，黄烈健. 榄李开花生物学和繁育系统. 植物研究. 2024(01): 152-160 . 
百度学术2. 何淼，张紫馥，臧帅彤，尹雪，孟儒，孙颖. 辽吉侧金盏花的开花特性和繁育系统. 东北林业大学学报. 2023(03): 54-59 . 百度学术其他类型引用(4)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20200318
点击查看大图
计量
- 文章访问数: 875
- HTML全文浏览量: 169
- PDF下载量: 40
- 被引次数: 6
