-
森林资源数据采集是森林资源监测的基础, 提高数据采集的效率和质量是森林资源信息化的重要内容[1-2]。在各类森林资源调查中, 立木的胸径测量是最重要的内容之一, 其精度直接影响森林资源蓄积量的消长等情况[3]。传统的人工接触式测量方法[4]劳动强度大、人力成本高、效率低。使用全站仪等精密测量设备存在操作复杂、不易携带、成本较高等问题。近景摄影测量方法[5-6]虽然可以很好地解决这些问题, 但标定算法复杂, 且需要在计算机上操作完成, 步骤繁琐。目前国内外学者在立木测量方法上做了大量的研究并取得了诸多成果, 开发出了一系列软、硬件系统, 但这些系统及其算法、模型多数是针对计算机和数码相机, 无法在较为普适的移动终端设备上完成测量[7-8]。近年来, 随着智能手机的快速发展, 利用智能手机来进行立木测量成为可能, 许多学者基于Android平台开发了测树软件[9-10], 这些软件基于三角函数原理测量树高, 在测量胸径时需要根据已知尺寸的标定物进行对比计算, 一定程度上实现了树高、胸径因子的实时测量, 但是操作复杂, 精度不高。针对上述问题, 本研究以立木胸径(DBH)的快速、自动获取为目标, 提出一种借助普适率高的智能移动端设备(智能手机), 结合机器视觉技术、相机标定技术和三维重建技术的立木胸径自动测量方法, 以期提升森林资源外业调查的作业精度和效率, 同时可让非专业人士借助非专业装备完成立木胸径的测量。
-
立木胸径是森林资源调查中的一个重要因子, 指乔木主干离地表面1.3 m处的直径。胸径测量可为林业相关作业提供基础数据和科学依据, 如林分蓄积量测定、林木采伐、林区精准施药、林区地图绘制等。同时, 林区立木的胸径生长数据反映了林间周围的气候、光照、土地营养状态等环境条件。
-
本研究提出的立木胸径测量方法流程如图 1所示。首先通过智能手机相机采集待测立木(悬挂棋盘格标定板)图像, 根据智能手机相机特点建立一种改进的带有非线性畸变项的相机标定模型, 矫正图像中各像素的偏移, 标定高精度的相机内、外参数。利用相机内、外参数和二维图像坐标信息进行三维世界坐标重建, 计算单位像素对应实际物理尺寸; 同时, 采用Lab(CIE Lab color model)颜色模型和HSV(色调H, 饱和度S, 明度V)颜色空间模型作为图像特征, 分别提取图像的L(亮度), a(洋红色至绿色范围)和b(黄色至蓝色范围)3个分量及H分量, 利用各像素点(x, y)的Lab三分量的算数平均值与各像素经3 × 3算子卷积运算得到的下采样图之间的差异, 得到高频图。将色调H分量均衡化处理后进行特征融合, 得到融合图, 从而增强立木轮廓特征, 再将融合图二值化。利用膨胀和腐蚀组合运算进行去噪和平滑处理, 并根据立木主轮廓和干扰轮廓周长差距大的特点, 提取主轮廓, 完成立木轮廓的图像分割; 提取立木轮廓的最小外接矩形, 获取矩形树干高度方向的像素参数。由单位像素物理尺寸信息和树干高度方向的像素参数信息, 获取树高1.3 m位置处的胸径像素参数。结合树高1.3 m处胸径方向像素信息和单位像素物理尺寸信息, 完成胸径计算。
-
现有的相机标定方法主要分为传统标定物标定法、基于主动视觉标定法和自标定法。为了适应移动端相机镜头组的特点, 使之能够实现畸变矫正并获取高精度相机参数, 本研究提出一种经改进的带有非线性畸变项的相机标定模型来实现相机标定。下式分别描述了畸变矫正模型(1), 忽略了高阶项的相机径向、切向畸变模型函数(2)和(3)及由式(1)~式(3)得到的畸变矫正模型函数(4)。
$$ \left\{ \begin{array}{l} {\mathit{x}_\mathit{u}}{\rm{ = }}\mathit{x}{\rm{ + }}{\delta _\mathit{x}}{\rm{(}}\mathit{x}{\rm{, }}\mathit{y}{\rm{)}}\\ {\mathit{y}_\mathit{u}}{\rm{ = }}\mathit{x}{\rm{ + }}{\delta _\mathit{y}}{\rm{(}}\mathit{x}{\rm{, }}\mathit{y}{\rm{)}} \end{array} \right.{\rm{;}} $$ (1) $$ \left\{ \begin{array}{l} {\delta _{\mathit{xr}}}{\rm{ = }}{\mathit{k}_{\rm{1}}}\mathit{x}{\rm{(}}{\mathit{x}^{\rm{2}}}{\rm{ + }}{\mathit{y}^{\rm{2}}}{\rm{)}}\\ {\delta _{\mathit{yr}}}{\rm{ = }}{\mathit{k}_{\rm{2}}}\mathit{x}{\rm{(}}{\mathit{x}^{\rm{2}}}{\rm{ + }}{\mathit{y}^{\rm{2}}}{\rm{)}} \end{array} \right.{\rm{;}} $$ (2) $$ \left\{ \begin{array}{l} {\delta _{\mathit{xd}}}{\rm{ = }}{\mathit{p}_{\rm{1}}}{\rm{(3}}{\mathit{x}^{\rm{2}}}{\rm{ + }}{\mathit{y}^{\rm{2}}}{\rm{) + 2}}{\mathit{p}_{\rm{2}}}\mathit{xy}\\ {\delta _{\mathit{yd}}}{\rm{ = }}{\mathit{p}_{\rm{2}}}{\rm{(}}{\mathit{x}^{\rm{2}}}{\rm{ + 3}}{\mathit{y}^{\rm{2}}}{\rm{) + 2}}{\mathit{p}_{\rm{1}}}\mathit{xy} \end{array} \right.{\rm{;}} $$ (3) $$ \left\{ \begin{array}{l} {\delta _\mathit{x}}{\rm{ = }}{\mathit{k}_{\rm{1}}}\mathit{x}{\rm{(}}{\mathit{x}^{\rm{2}}}{\rm{ + }}{\mathit{y}^{\rm{2}}}{\rm{) + }}{\mathit{p}_{\rm{1}}}{\rm{(3}}{\mathit{x}^{\rm{2}}}{\rm{ + }}{\mathit{y}^{\rm{2}}}{\rm{) + 2}}{\mathit{p}_{\rm{2}}}\mathit{xy}\\ {\delta _\mathit{y}}{\rm{ = }}{\mathit{k}_{\rm{2}}}\mathit{x}{\rm{(}}{\mathit{x}^{\rm{2}}}{\rm{ + }}{\mathit{y}^{\rm{2}}}{\rm{) + }}{\mathit{p}_{\rm{2}}}{\rm{(}}{\mathit{x}^{\rm{2}}}{\rm{ + 3}}{\mathit{y}^{\rm{2}}}{\rm{) + 2}}{\mathit{p}_{\rm{1}}}\mathit{xy} \end{array} \right. 。 $$ (4) 其中(xu, yu)为线性针孔模型计算出的理想图像坐标点, (x, y)是实际的图像坐标点, (δx, δy)是非线性畸变值, 它与坐标的位置有关。(δxr, δyr)为忽略了高价项的非线性径向畸变值, (δxd, δyd)为忽略了高价项的非线性切向畸变值。k1, k2, p1, p2代表 4个非线性畸变系数。
图像坐标系上的点(x, y)在像素坐标系(u, v)中的坐标为(u0, v0), 像面上每一个像素点在x轴, y轴方向上的物理尺寸为dx, dy。可知图像中任意一个像素在2个坐标系中满足如下关系:
$$ \left\{ \begin{array}{l} \mathit{u}{\rm{ = }}{\mathit{x}_\mathit{u}}{\rm{/}}{\mathit{d}_\mathit{x}}{\rm{ + }}{\mathit{u}_{\rm{0}}}\\ \mathit{v}{\rm{ = }}{\mathit{y}_\mathit{u}}{\rm{/}}{\mathit{d}_\mathit{y}}{\rm{ + }}{\mathit{v}_{\rm{0}}} \end{array} \right. 。 $$ (5) 结合式(5), 线性相机模型可化为齐次坐标与矩阵形式(6), 其中(xw, yw, zw)表示三维世界坐标下的点坐标, f表示相机焦距, R表示旋转矩阵, T表示平移向量。
$$ \begin{array}{l} {Z_\mathit{c}}\left[ {\begin{array}{*{20}{c}} u\\ v\\ 1 \end{array}} \right] = \\ \left[ {\begin{array}{*{20}{c}} {\frac{1}{{{d_x}}}}&0&{{u_0}}\\ 0&{\frac{1}{{{d_x}}}}&{{v_0}}\\ 0&0&1 \end{array}} \right]\left[ {\begin{array}{*{20}{l}} f&0&0&0\\ 0&f&0&0\\ 0&1&0&0 \end{array}} \right]\left( {\begin{array}{*{20}{c}} R&T\\ {{0^T}}&1 \end{array}} \right)\left[ {\begin{array}{*{20}{c}} {{x_w}}\\ {{y_w}}\\ {{z_w}}\\ 1 \end{array}} \right]\\ = \left[ {\begin{array}{*{20}{l}} {\frac{f}{{{d_x}}}}&0&{{u_0}}&0\\ 0&{\frac{f}{{{d_x}}}}&{{v_0}}&0\\ 0&0&1&0 \end{array}} \right]\left( {\begin{array}{*{20}{c}} R&T\\ {{0^T}}&1 \end{array}} \right)\left[ {\begin{array}{*{20}{c}} {{x_w}}\\ {{y_w}}\\ {{z_w}}\\ 1 \end{array}} \right]。 \end{array} $$ (6) -
将棋盘格标定板固定于立木树干上, 通过智能手机获取标定图片(图 2), 进行相机内、外参数标定。根据ZHANG[11]标定法中的相机标定解决方法。先利用模板平面与图像间的单应性关系作为约束条件获得封闭解, 在封闭解的基础上计算初始估值内、外参数矩阵; 然后根据最大似然估计理论给出非线性的最优化解, 并考虑透镜的径向畸变, 得到解析解和非线性解; 最后应用非线性最小二乘的Levenberg-Marquardt算法来迭代获得更精确的相机内、外参数。选取1组(12幅)标定模板进行标定实验的数据, 其中图像的各角点反投影误差和每幅模板图像的平均像素误差如图 3所示。
图 3 标定模板图像的角点和平均像素误差
Figure 3. Corner reprojection errors and average pixels errors of calibration images
相机标定方法能获取相机的内、外参数, 而畸变矫正能解决智能手机相机镜头组存在畸变的问题, 对图片中的所有像素进行偏移纠正, 获得经畸变矫正的图像。
-
经过相机标定, 可计算图像上2个像素点在三维世界坐标系下的真实物理距离。算法过程为:根据智能手机的相机成像传感器尺寸LCCD推出每个像素的物理尺寸Lpixels; 由2.2节获取的经畸变矫正后的手机相机参数, 计算摄像机焦距fc的物理尺寸Lfc; 然后计算像素平面上待测目标物两点间的距离Ldistance; 最后可根据二维图像信息计算对应三维世界中2个像素点之间的真实物理距离L3D-real。其中Psum表示待测目标两点之间的像素个数; R和T分别表示相机标定所得外参数中的旋转矩阵和平移向量。三维世界重建算法(图 4)可计算单位像素对应的三维世界坐标的物理尺寸。
-
相比工业环境下的机器视觉图像分割, 自然环境下立木轮廓的视觉分割具有目标对象形态各异, 图像背景干扰因素多和光照不均匀等特点, 将现有的图像分割方法直接应用于自然环境进行感兴趣区域检测及图像分割的效果不佳。本研究以自然环境中的立木图像为对象, 提出一种结合频率调谐的视觉显著性[12]的轮廓检测方法, 具体为:①颜色空间选取。利用Lab颜色模型中L, a和b 3个分量的几何距离差异, 区分图像中不同颜色区域; 由于3个分量之间独立性高, 在目标显著性的特征表达上效果较好。因此, 本研究引入对自然环境中立木轮廓目标区域的频率调谐视觉显著性描述, 使之成为识别目标的特征之一。Lab三分量可通过式(7)提取, 其中R, G和B分别代表该目标像素的红色, 绿色和蓝色值。
$$ \left\{ \begin{array}{l} \mathit{L}{\rm{ = (13 933}} \times \mathit{R}{\rm{ + 46 871}} \times \mathit{G}{\rm{ + 4 732}} \times \mathit{B}{\rm{)div}}\;{{\rm{2}}^{{\rm{16}}}}\\ \mathit{a}{\rm{ = 377}} \times {\rm{(14 530}} \times \mathit{R}{\rm{-22 218}} \times \mathit{G}{\rm{ + 7 714}} \times \mathit{B}{\rm{)div }}{{\rm{2}}^{{\rm{24}}}}{\rm{ + 128}}\\ \mathit{b}{\rm{ = 160}} \times {\rm{(12 773}} \times \mathit{R}{\rm{ + 39 695}} \times \mathit{G}{\rm{-52 468}} \times \mathit{B}{\rm{)div }}{{\rm{2}}^{{\rm{24}}}}{\rm{ + 128}} \end{array} \right. 。 $$ (7) ② 频率调谐的视觉显著性表达[13-14]。以Lab颜色空间为图像特征, 计算各颜色通道(L, a, b)上每个像素点(x, y)与整幅图像的平均色差并取平方; 然后将这3个通道的值相加作为该像素的显著性值。采用3 × 3算子对图像进行卷积运算, 得到一次下采样图, 并构建高斯金字塔, 对图像进行多次高斯平滑处理, 最终得到高频图。
$$ S\left( {x, y} \right) = \left\| {{I_\mu }-{I_{\omega {\rm{hc}}}}} \right\| = \sqrt {{{\left( {{L_\mu }-{L_{\omega {\rm{hc}}}}} \right)}^2} + {{\left( {{a_\mu }-{a_{\omega {\rm{hc}}}}} \right)}^2} + {{\left( {{b_\mu } - {b_{\omega {\rm{hc}}}}} \right)}^2}} 。 $$ (8) 式(8)中:S(x, y)表示像素点(x, y)的频率调谐视觉显著性值, Iμ为图像特征的几何平均向量, Iωhc为对原始图像的高斯模糊, 采用3 × 3算子; (L, a, b)各分量下标μ表示采集原始图像下各特征分量的算术平均值, 下标ωhc表示高斯滤波后图像每个像素点的特征分量。将此方法应用于目标立木轮廓提取的特征表达, 得到的视觉显著图(图 5B)能有效捕捉到各颜色空间分量的剧烈跳变点, 突出立木轮廓。③色调分量均衡化与特征融合。仅依靠Lab颜色模型构建立木图像的视觉显著图, 受光照影响较大。如果在视觉显著图的基础上对图像进行色调分量均衡化与特征融合处理, 可提取较高质量立木树干轮廓; 如将HSV颜色空间中H分量融合到目标立木树干特征表达中, 可以弥补在Lab空间上表达立木显著性时光照不均匀所带来的影响。提取图像H通道分量(图 5C), 通过对比度受限自适应直方图均衡化调整[15], 增强图像中立木树干部分的颜色对比度, 捕获更多棕褐色系的立木树干与绿色系的背景之间的细节差异。将立木树干图像的均衡化H分量与频率调谐视觉显著图通过式(9)进行融合:
$$ {I_{{\rm{fusion}}}}\left( {x, y} \right) = \sqrt {H\left( {x, y} \right)S\left( {x, y} \right)} 。 $$ (9) 图 5 融入H分量的特征表达图及树干轮廓提取示意图
Figure 5. Feature expression diagram integrating into H components and a sketch map of tree trunk extraction
式(9)中:Ifusion(x, y)表示每一像素点(x, y)的融合特征, H(x, y)表示像素点(x, y)的均衡化色调, S(x, y)该像素点(x, y)的频率调谐视觉显著性值。通过特征调制, 减少光照强度变化对于视觉显著性的影响, 从而增强目标立木树干轮廓。融入H分量的特征表达图(图 5D)。
-
分割后的图像仍会呈现出立木轮廓不完整现象和残留部分噪声, 包括树干纹理造成的空隙、树叶遮挡后不完整的轮廓等。利用形态学膨胀和腐蚀组合运算, 通过开操作(先腐蚀后膨胀)分割出独立的图像元素, 消除细小物体, 达到在纤细处分离物体和平滑较大物体边界的效果。通过闭操作(先膨胀后腐蚀)连接图像中相邻的元素, 填充物体内的细小空洞, 达到连接邻近物体和平滑边界的效果。由于背景复杂, 上述去噪处理后图像仍然可能存在较大的干扰噪声块, 利用立木主轮廓和干扰轮廓的周长差距大的特点, 剔除周长较小的干扰项, 保留主轮廓, 完成立木轮廓的输出(图 6)。
在完成立木轮廓检测后, 可通过提取立木轮廓的最小外接矩形[16]获得立木树干高度的属性, 在2.3节的基础上进行树干高度(指所获待测图像中树干部分的高度, 并非树高)参数提取, 并获取树干高度方向的像素值。由于目标立木在图像中存在形状不规则和位置、方向自由等特点, 使得难以准确定位立木位置及提取立木的边缘轮廓, 因此通过目标主轴方向估计求出立木轮廓最小外接矩形。根据主轴确定目标的初始矩形, 以初始矩形的几何中心为旋转中心对其进行旋转, 从而找到最优矩形姿态, 并平移优化旋转后的矩形(图 7)。
-
提取立木轮廓的最小外接矩形, 将矩形中树高方向定义为树干高度方向, 获取最小外接中树干高度方向的像素参数PH, 结合经三维重建测得的单位像素对应的三维世界的物理尺寸信息L3D-real, 即可计算树干高度:H=PH × L3D-real。胸径(DBH)的测量算法如下:由单位像素物理尺寸信息和树干高度方向的像素参数信息L3D-real, 获取树高1.3 m位置处的胸径像素参数:PDBH=1 300/L3D-real, 结合树高1.3 m处胸径方向像素信息PDBH和单位像素物理尺寸信息L3D-real, 可得胸径为:DBH= PDBH×L3D-real。此处, PH与PDBH指在未经采样处理的原图像中提取的像素信息。
-
基于上述原理和算法流程, 本研究在Android系统平台上, 利用Java语言和C++语言等开发适用于Android智能手机的树干高度、胸径测量的测试系统, 用于本研究方法的精度验证。
-
随机选定12株立木, 编号后用皮尺测量各树干高度; 利用本研究的方法测量图片中的立木高度以验证测量精度。使用经校准的实验手机对12株立木进行测量, 相对误差均小于4.65%(表 1)。
表 1 树干高度测量数据
Table 1. Measurement data of the trunk height
样本号 树干高度真值/m 树干高度测量值/m 相对误差/% 1 2.700 2.715±0.148 3.89 2 2.800 2.665±0.007 4.82 3 3.600 3.620±0.099 3.95 4 3.900 4.000±0.014 2.57 5 4.200 4.170±0.226 3.81 6 4.400 4.225±0.049 3.98 7 4.400 4.605±0.007 4.65 8 4.900 5.085±0.064 3.78 9 5.200 5.225±0.163 2.21 10 5.500 5.340±0.057 2.91 11 5.800 5.670±0.028 2.25 12 6.100 6.330±0.028 3.77 说明:树干高度指所获取图像内的树干部分的高度,并非指立木因子中的树高 -
随机选定10株立木, 编号后用轮尺测量各立木1.3 m高度处的胸径作为真实胸径值。用实验手机对各样本多次测量, 计算平均值作为测量值。由表 2可知:10个样本的胸径测量结果相对误差均小于2.50%, 绝对误差均小于5 mm, 符合森林资源调查工作的精度要求。
表 2 胸径测量数据
Table 2. Measurement data of the DBH
样本号 胸径真值/ mm 胸径测量值/mm 平均绝对误差/mm 相对误差/% 1 163.000 161.000±0.265 -2.000 1.23 2 148.000 145.900±0.400 -2.100 1.42 3 122.000 119.900±0.557 -2.100 1.72 4 152.000 149.467±0.404 -2.500 1.67 5 188.000 183.533±1.343 -4.500 2.37 6 132.000 129.233±1.242 -2.800 2.10 7 139.000 137.367±0.611 -1.600 1.17 8 203.000 200.500±0.200 -2.500 1.23 9 204.000 201.367±0.814 -2.600 1.29 10 228.000 225.933±0.551 -2.100 0.77 -
本研究提出的结合相机标定技术、机器视觉技术及三维重建技术的立木胸径自动测量方法, 能够更加方便地实现林业智能测量, 有效提升森林资源外业调查的作业精度和效率。与现有的基于Android平台的测树软件相比, 该方法的优势主要体现在:①结合相机标定技术, 消除了相机镜头存在的畸变, 减少了系统误差; ②结合机器视觉技术, 将图像处理技术应用于林业资源调查工作, 在实现胸径快速测量的同时, 获取并保存了立木图像信息; ③相比三角函数方法, 本方法的测量效率和精度更高; 相比比例模型测量胸径的方法, 本方法使用图像增强, 感兴趣区域检测及相机标定和三维重建等技术, 使得鲁棒性和测量精度更高。本研究虽然较好地实现了立木胸径的快速测量, 但仅能在一定距离内获取简单的直接测树因子, 希望在下一步的研究中, 实现立木高度、森林蓄积量、生物量等数据的自动计算, 为“智慧林业”的数据采集提供支持。
Tree DBH measurement method based on smartphone and machine vision technology
-
摘要: 针对现有森林资源调查中立木胸径测量工作劳动强度大、效率低,先进设备操作复杂、成本高等问题,结合相机标定、三维重建、机器视觉和近景摄影测量等技术,探索基于智能手机与机器视觉技术的立木胸径测量方法。通过智能手机获取待测立木的图像信息,运用Lab颜色空间模型(Lab color model)和3×3算子对图像进行卷积运算,得到立木图像的视觉显著图; 结合HSV颜色模型(色调H,饱和度S,明度V)中的H分量增强图像中立木树干部分的颜色对比度,通过图像分割算法识别并获取自然环境下的目标立木轮廓区域; 通过一种改进的带有非线性畸变项的相机标定模型标定智能手机的相机内、外参数,并借助相机参数和二维图像信息进行三维世界坐标重建,从而实现树干1.3 m处胸径的测量。经验证,一定距离内胸径测量结果的相对误差小于2.50%。该方法测量精度较高,符合森林资源调查对胸径测量的精度要求,可应用于森林资源调查。Abstract: Aiming at the problems of high labor intensity and low efficiency, complicated operation and high cost of advanced equipment in the measurement of DBH in existing traditional forest resources, and proposing a method for measuring diameter at breast height (DBH) based on smartphone and machine vision technology, and combining with camera calibration, 3D reconstruction, machine vision, close-range photogrammetry, and other technologies. First, The original image is obtained by smartphone, and the visual saliency map of the preprocessed image is processing by using the lab color space model and 3×3 operator to convolving with image. Combining with the H component of the HSV (Hue, Saturation, Value) color model to enhance the color contrast part of the tree trunk in the image. The image segmentation algorithm is used to identify and obtain the target tree's contour in a natural environment. Then, an improved camera calibration model with nonlinear distortion terms is used to calibrate the camera's internal and external parameters. Finally, achieving reconstruction of a 3D world with camera parameters and two-dimensional image information is carried out to measure DBH at a height of 1.3 m. Experimental results indicated that within a certain range, the relative error of the DBH measurements was lower than 2.50%. This method has a high measurement accuracy, meeting the accuracy requirement of DBH measurement in forest resources investigation and could be applied in forestry resource surveys.
-
种子活力是指种子具有的发芽潜力、生长潜力和生产潜力,是检验种子质量优劣的最可靠指标[1-2]。高活力的种子抗逆性强,具有实现高产量和优品质的潜在能力[3]。测定种子活力是农林业生产中不可缺少的步骤。目前,种子活力的测定方法主要有直接法和间接法2类。直接法指在实验室模拟一定条件直接测定萌发率,如低温发芽测定[4]和冷冻测定[5];间接法通过测定某些与种子活力相关的生理生化指标间接评价种子活力的方法,比较常用的方法如四氮唑法(TTC)测定、电导率测定[6]、加速老化测定[7]等。不同物种的最适种子活力测定方法也不相同。POONGUZHALI等[8]发现最能正确反映黑吉豆Vigna mungo种子活力的方法是加速老化法;电导率法评价紫花苜蓿Medicago sativa种子活力最为敏感[9];而通过记录平均胚根突出时间是测定燕麦Avena sativa种子活力高低的重要指标[10]。一般来讲,直接法测定种子活力最准确,但较为耗费时间,难以大规模进行。因此多采用电导率法和TTC法等间接法测定种子活力。TTC法测定种子活力具有方便快速、结果重复性好等优点,主要用于农作物种子活力的测定[11]。电导率法根据细胞膜的完整性来评价种子活力大小,但精度受到标准参考物、温度、水质等因素的影响较大[12]。紫外分光光度计法(UVS)由电导率法改进而来,通过测定种子浸出液的紫外吸光值,来判定浸出液中氨基酸等有机物的相对含量间接推断种子活力。鲁黎明等[13]利用UVS法测定烟草Nicotiana tabacum种子活力时发现:UVS法测定种子活力简便快捷,准确度较高。杉木Cunninghamia lanceolata是中国南方地区的优良速生用材树种,生长快、材质较好,在中国商品材生产中占有重要地位。杉木种子活力的测定与评价是杉木良种培育、种苗生产和人工林营建的重要环节,但由于杉木种子细小、种皮坚硬,胚小易碎等,一般的种子测量方法并不能快速有效检测。本研究以标准发芽试验为参照,比较了TTC法和UVS法测定杉木种子活力的准确性和便捷性,旨在建立一种快速方便且较为准确的种子活力检测方法。
1. 材料与方法
1.1 植物材料
2017年10月底至11月初,分别收集普通杉木(普杉)ZLP-1、速生型杉木(速杉)ZLS-9、龙15×闽33双系杂交(杂杉)种子,其中普杉种子和速杉种子采自浙江农林大学林木种质资源圃,杂杉种子由浙江省开化县林场提供。另于2018年11月初在浙江农林大学林木种质资源圃中采集优良无性系速1、新6和红47的半同胞种子用于测定方法验证。
1.2 方法
1.2.1 种子处理
采集健康成熟球果,于阴凉通风处晾干;将种子从球果抖出,挑选健康饱满种子装入玻璃广口瓶,密封后置于4 ℃冰箱保存,约6个月后用于种子活力测定。
1.2.2 标准发芽法
取3个品种杉木种子各150粒,体积分数为10%的安替福明灭菌15 min,无菌水清洗3次,无菌水中25 ℃浸泡24 h。取无菌培养皿,铺上无菌滤纸,并用无菌水湿润;将浸泡后的种子铺于滤纸上,置于25 ℃光照培养箱中萌发。各样品重复3次,每5 d 观察统计发芽情况,15 d后统计萌发种子数,计算平均萌发率(%)。
1.2.3 TTC法
取3个品种杉木种子各150粒,按1.2.2灭菌浸泡后剥去种皮,切下种胚,加质量分数为0.1%的TTC溶液10 mL,置于35 ℃恒温箱中染色120 min。吸去多余TTC液,清水冲洗1~2次,观察并记录被染色的种胚数。胚染成红色的为具有活力的种子,计算染色百分率(%)。重复3次。
1.2.4 UVS
取3个品种杉木种子各150粒,蒸馏水清洗2次,超纯水清洗1次,滤纸吸干后放入50 mL离心管中,用20 mL超纯水在25 ℃下浸泡,于4、8、12、24 h后测定种子浸出液吸光度D(260)。重复3次。以D(260)为x,种子真实萌发率为y,利用Excel软件进行线性回归分析,建立不同时间浸出液与萌发率间的回归方程,通过拟合系数(R2)选定用于种子活力预测的回归方程。
1.2.5 数据处理
采用Excel及SPSS进行统计分析。
2. 结果与分析
2.1 真实萌发率
由表1发现:相同萌发环境下,3个品种杉木种子萌发率差异显著(P<0.05)。杂杉种子萌发初期萌发率较小,普杉和速杉种子在萌发初期(5 d)就表现出很高的发芽势,均在萌发15 d时趋于稳定。统计萌发15 d 时的萌发率发现:速杉种子萌发率最高(44.88%),普杉较低(41.11%),杂杉最低,仅为37.33%;总体上萌发率变异系数较小,均略大于5%。
表 1 不同杉木种子真实萌发率Table 1 Real germination rate of different C. lanceolata seeds种子类型 萌发率/% 变异系数/% 普杉 41.11±2.34 b 5.69 速杉 44.88±2.25 a 5.01 杂杉 37.33±2.33 c 6.24 说明:同列不同字母表示差异显著(P<0.05) 2.2 TTC染色法
如表2可知:不同杉木种子的胚染色率存在差异,其中速杉最高(49.78%),杂杉略低(42.22%),普杉最低(38.89%);变异系数波动较大。
表 2 不同杉木种子胚TTC染色率Table 2 TTC staining rate of different C. lanceolata seed embryos种子类型 染色率/% 变异系数/% 普杉 38.89±8.88 c 22.83 速杉 49.78±3.04 a 6.10 杂杉 42.22±3.35 b 7.93 说明:同列不同字母表示差异显著(P<0.05) 2.3 UVS法
由图1可知:随着浸泡时间延长,同一种子浸出液吸光度[D(260)]呈现逐渐增大的趋势;相同浸泡时长下,不同种子浸出液吸光度[D(260)]不同,3种种子间存在显著差异。速杉种子浸出液紫外吸光值最小,说明萌发率最高,杂杉紫外吸光值最大,说明种子萌发率最低,与实际萌发率一致。对不同浸泡时间下吸光度[D(260)]与真实萌发率做线性回归分析,得到回归方程如下:① 4 h浸泡,y=−0.566 6x+0.449 3 (R2=0.953);② 8 h浸泡,y=−0.309 7x+0.440 2 (R2=0.899);③ 12 h浸泡,y=−0.506 7x+0.458 8 (R2=0.902);④ 24 h浸泡,y=−0.145 7x+0.444 6 (R2=0.689)。由回归方程可看出4 h种子浸出液的紫外吸光度与萌发率之间拟合系数最高(0.953),说明在本研究条件下,杉木种子浸泡4 h后的浸出液紫外吸光值能够较好地反映杉木种子的活力。利用该回归方程计算3个品种种子的萌发率(表3),发现速杉种子萌发率为44.94%,普杉为41.00%,杂杉为37.39%;且其变异系数均约为5%。
表 3 浸泡4 h后杉木种子吸光度[D(260)]所对应的萌发率波动Table 3 Fluctuation range of germination rate corresponding to obsorbance [D(260)] of different C. lanceolata seeds soaked for 4 h种子类型 萌发率/% 变异系数/% 普杉 41.00±1.96 b 4.78 速杉 44.94±1.95 a 4.33 杂杉 37.39±2.10 c 5.61 说明:同列不同字母表示差异显著(P<0.05) 2.4 标准发芽法、TTC法和UVS法的比较
由表4可知:标准发芽法步骤简单,但耗时最长;TTC染色法需将种胚剥出染色,操作最为繁琐,且较为耗时;UVS法操作简单,耗时也最短。比较3种方法测定的萌发率(图2),TTC法测得的种子萌发率与实际萌发率间存在显著差异(P<0.05),UVS法测定的种子活力与实际萌发率没有显著差异(P>0.05)。
表 4 3种方法测定种子活力步骤与耗时比较Table 4 Comparison of three methods for determining seed vigor and time-consuming方法 步骤(耗时) 总耗时/h 标准发芽法 安替福明灭菌(15 min) 无菌水浸泡(24 h) 测定自然萌发率(15 d) 约384 TTC法 安替福明灭菌(15 min) 蒸馏水浸泡(24 h) 剥种胚恒温染色(1~3 h) 结果统计(1 h) 26~28 UVS法 种子清洗(1 h) 去离子水浸泡(4 h) OD值测定(0.5 h) 5.5 2.5 UVS法验证
为了进一步验证UVS法的稳定性,随机选取速1、新6和红47共3个杉木无性系,于2018年11月采集其半同胞种子进行UVS法种子活力测定,同时也采用标准发芽法和TTC法测定进行比较。活力测定方法按方法1.2.2,1.2.3和1.2.4进行。结果如表5所示:UVS法测定的结果与标准发芽法较为一致,没有显著差异,而TTC法测得的萌发率与其他2种方法差异显著,说明UVS法所测得的萌发率可靠程度较高,也比较稳定,是杉木种子活力测定的较好方法。
表 5 3种测定方法的稳定性比较Table 5 Comparison of the stability of the three methods方法 萌发率/% 速1 新6 红47 TTC法 57.33±10.28 a 55.33±7.83 a 56.67±9.55 a 标准发芽法 49.33±3.47 b 46.67±3.67 b 50.00±3.26 b UVS法 44.81±5.71 b 45.16±3.06 b 45.27±5.51 b 说明:同列不同字母表示差异显著(P<0.05) 3. 讨论
种子活力可以通过标准发芽法、加速老化法、TTC染色法和电导率法等多种方法进行评价,但由于受到物种、基因型和环境等因素的影响,目前并没有通用的种子活力测定方法[14-15]。因此,针对特定植物进行种子活力测定方法的比较,对于建立适用于特定植物种子活力测定具有重要意义。
作为一种公认的种子活力测定标准方法[16],TTC法可以根据种子的种属、状态等调整染色时间以达到最佳活力检测效果[17-19]。本研究发现:由于杉木种子种皮较厚,用TTC法测定活力时需从种子中将胚剥离后再进行染色;此过程不仅费时费力,剥胚时还会造成损伤。同时由于不同种子胚的染色效果存在差异,易造成假阳性,导致活力测定结果与实际萌发率偏差较大。UVS法测定时间短、通量高、所需样本量少,可以有效提高检测效率,是近年来使用较多的测定种子活力的方法。边子星等[20]在利用该方法测定濒危华石斛 Dendrobium sinense种子活力时发现:浸泡4 h的种子浸出液吸光值与发芽率相关性较高,通过拟合回归方程可快速预测华石斛的种子活力。岳媛[21]比较了5种杜鹃Rhododendron种子活力测定方法发现,UVS法(种子浸泡8 h)能较准确地反映出田间出苗的情况,变异系数相对较小,试验结果较稳定,可以作为杜鹃花属植物种子活力测定的方法。本研究首次采用UVS法对杉木种子活力进行了测定,结果发现种子浸泡4 h后,种子浸出液吸光度[D(260)]与种子活力间有较高相关性(R2=0.953),通过预测回归方程可以较好地拟合杉木种子活力。在实际操作中,受试种子往往不同批次、不同年份,因而萌发率会有较大波动,因此应分别计算不同批次种子浸出液吸光值与真实萌发率的相关性,从而避免较大的误差。总体上来讲,这种方法简便快速,准确性高,有利于提高测定效率。
综合上述实验结果,本研究认为TTC法在测定杉木种子活力时,检测准确率与速度上均较差;UVS法可快速检测杉木种子活力,且操作简便,尤其对于检测大量不同杉木种子的活力具有更高效率。
-
表 1 树干高度测量数据
Table 1. Measurement data of the trunk height
样本号 树干高度真值/m 树干高度测量值/m 相对误差/% 1 2.700 2.715±0.148 3.89 2 2.800 2.665±0.007 4.82 3 3.600 3.620±0.099 3.95 4 3.900 4.000±0.014 2.57 5 4.200 4.170±0.226 3.81 6 4.400 4.225±0.049 3.98 7 4.400 4.605±0.007 4.65 8 4.900 5.085±0.064 3.78 9 5.200 5.225±0.163 2.21 10 5.500 5.340±0.057 2.91 11 5.800 5.670±0.028 2.25 12 6.100 6.330±0.028 3.77 说明:树干高度指所获取图像内的树干部分的高度,并非指立木因子中的树高 表 2 胸径测量数据
Table 2. Measurement data of the DBH
样本号 胸径真值/ mm 胸径测量值/mm 平均绝对误差/mm 相对误差/% 1 163.000 161.000±0.265 -2.000 1.23 2 148.000 145.900±0.400 -2.100 1.42 3 122.000 119.900±0.557 -2.100 1.72 4 152.000 149.467±0.404 -2.500 1.67 5 188.000 183.533±1.343 -4.500 2.37 6 132.000 129.233±1.242 -2.800 2.10 7 139.000 137.367±0.611 -1.600 1.17 8 203.000 200.500±0.200 -2.500 1.23 9 204.000 201.367±0.814 -2.600 1.29 10 228.000 225.933±0.551 -2.100 0.77 -
[1] 史洁青, 冯仲科, 刘金成.基于无人机遥感影像的高精度森林资源调查系统设计与试验[J].农业工程学报, 2017, 33(11):82-90. SHI Jieqing, FENG Zhongke, LIU Jincheng. Design and experiment of high precision forest resource investigation system based on UAV remote sensing images[J]. Trans Chin Soc Agric Eng, 2017, 33(11):82-90. [2] 赵芳, 冯仲科, 高祥, 等.树冠遮挡条件下全站仪测量树高及材积方法[J].农业工程学报, 2014, 30(2):182-190. ZHAO Fang, FENG Zhongke, GAO Xiang, et al. Measure method of tree height and volume using total station under canopy cover condition[J]. Trans Chin Soc Agric Eng, 2014, 30(2):182-190. [3] 程朋乐, 刘晋浩, 王典.融合激光和机器视觉的立木胸径检测方法[J].农业机械学报, 2013, 22(11):271-275. CHENG Pengle, LIU Jinhao, WANG Dian. Measuring diameters at breast height using combination method of laser and machine vision[J]. Trans Chin Soc Agric Mach, 2013, 22(11):271-275. [4] 孟宪宇.测树学[M]. 3版.北京:中国林业出版社, 2013:10-17. [5] 侯鑫新, 谭月胜, 钱桦, 等.一种基于单CCD与经纬仪的树木胸径测量方法[J].计算机应用研究, 2014, 31(4):1225-1228. HOU Xinxin, TAN Yuesheng, QIAN Hua, et al. DBH measurement method based on tree images taken by single-CCD camera mounted on theodolite[J]. Appl Res Comput, 2014, 31(4):1225-1228. [6] 阮晓晓.基于普通数码相机的测树因子识别研究[D].杭州: 浙江农林大学, 2014. RUAN Xiaoxiao. The Study on Stumpages's Factors Recognition Based on Ordinary Digital Camera[D]. Hangzhou: Zhejiang A&F University, 2014. [7] 韩殿元.基于手机图像分析的叶片及立木测量算法研究[D].北京: 北京林业大学, 2013. HAN Dianyuan. Research on Leaf Area and Standing Tree Measurement Algorithms Based on Image Analysis Embedded in Smart Mobile Phone[D]. Beijing: Beijing Forestry University, 2013. [8] 陈春.便携式智能信息终端的叶面积测量系统开发[D].南京: 南京信息工程大学, 2008. CHEN Chun. Leaf Area Measurement System Development Portable Intelligent Information Terminal[D]. Nanjing: Nanjing University of Information Science & Technology, 2008. [9] 朱煜.基于Android的森林资源数据外业采集系统研建[D].北京: 北京林业大学, 2014. ZHU Yu. The Research and Development of Subcompartment Investigation System Based on Android System[D]. Beijing: Beijing Forestry University, 2014. [10] 周克瑜, 汪云珍, 李记, 等.基于Android平台的测树系统研究与实现[J].南京林业大学学报(自然科学版), 2016, 40(4):95-100. ZHOU Keyu, WANG Yunzhen, LI Ji, et al. A study of tree measurement systems based on Android platform[J]. J Nanjing For Univ Nat Sci Ed, 2016, 40(4):95-100. [11] ZHANG Zhengyou. A flexible new technique for camera calibration[J]. IEEE Trans Pattern Analy Mach Intell, 2000, 22(11):1330-1334. [12] 贺付亮, 郭永彩, 高潮, 等.基于视觉显著性和脉冲耦合神经网络的成熟桑葚图像分割[J].农业工程学报, 2017, 33(6):148-155. HE Fuliang, GUO Yongcai, GAO Chao, et al. Image segmentation of ripe mulberries based on visual saliency and pulse coupled neural network[J]. Trans Chin Soc Agric Eng, 2017, 33(6):148-155. [13] ACHANTA R, HEMAMI S, ESTRADA F, et al. Frequency-tuned salient region detection[C]//IEEE. Conference on Computer Vision and Pattern Recognition. Miami: IEEE Service, 2009: 1597-1604. doi: 10.1109/CVPRW.2009.5206596. [14] ACHANTA R, SÜSSTRUNK S. Saliency detection using maximum symmetric surround[R]. IEEE. International Conference on Image Processing. Hongkong: IEEE Service, 2010: 2653-2656. doi: 10.1109/ICIP.2010.5652636. [15] 杨卫中, 徐银丽, 乔曦, 等.基于对比度受限直方图均衡化的水下海参图像增强方法[J].农业工程学报, 2016, 32(6):197-203. YANG Weizhong, XU Yinli, QIAO Xi, et al. Method for image intensification of underwater sea cucumber based on contrastlimited adaptive histogram equalization[J]. Trans Chin Soc Agric Eng, 2016, 32(6):197-203. [16] 侯占伟, 贾玉兰, 王志衡.基于最小外接矩形的珠宝定位技术研究[J].计算机工程, 2016, 42(2):254-260. HOU Zhanwei, JIA Yulan, WANG Zhiheng. Research on jewelry positioning technology based on minimum bounding rectangle[J]. Comput Eng, 2016, 42(2):254-260. 期刊类型引用(7)
1. 陈建军,汤玉喜,李永进,唐洁,黎蕾,贺光宗. 水松种子发芽率与种子形态性状的相关性及通径分析. 湖南林业科技. 2024(05): 27-32 . 百度学术
2. 曾雅玲,石焱,江宇,吴鹏飞,林开敏,马祥庆. 基于文献计量的杉木70年研究热点及趋势分析. 福建林业科技. 2023(01): 135-141+148 . 百度学术
3. 江波,程国源,方乐金,万志兵,丁亚斌. 光皮桦不同家系种子生活力研究. 现代农业科技. 2023(07): 114-116 . 百度学术
4. 王建发,汤玉喜,唐洁,黎蕾,李永进. 濒危植物水杉种子形态特征与种子活力关系. 湖南林业科技. 2023(03): 20-27 . 百度学术
5. 马启良,杨小明,胡水星,黄子鸿,祁亨年. 基于Mask RCNN和视觉技术的玉米种子发芽自动检测方法. 浙江农业学报. 2023(08): 1927-1936 . 百度学术
6. 邹祖有,郑会全,韦如萍,苏艳. 叶面喷施多效唑对杉木无性系幼株生长的效应分析. 广东农业科学. 2023(08): 118-125 . 百度学术
7. 高璐,李香格,祁亨年,臧影,贾良权,赵光武,唐琦哲,郑雯. 种子呼吸检测方法及其应用研究进展. 浙江农林大学学报. 2022(05): 1133-1143 . 本站查看
其他类型引用(4)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2018.05.014