Responses of soil bacterial communities in soybean rhizosphere of abandoned mining area to fertilization methods
-
摘要:目的
从细菌多样性和组成结构角度评估化学肥料与硅酸钠或蚯蚓结合施用对废弃矿区大豆根际细菌群落的影响，为日后矿区复垦和生态恢复提供理论依据。
方法在广东省梅州市黄畲村废弃矿区种植大豆‘华春9号’，试验设置4个施肥处理：氮磷钾肥结合硅酸钠(3NPK+S和5NPK+S)，氮磷钾肥结合蚯蚓20条·m−2(3NPK+E和5NPK+E),以不施肥为对照(3CK和5CK)。在施肥后3和5个月时对大豆根际土壤进行采样。通过提取土壤细菌总DNA、16S rRNA测序和测定土壤基本化学性质，探究该矿区大豆根际细菌群落多样性和结构对不同施肥处理的动态响应过程。
结果与3CK相比，3NPK+E处理显著增加了Chao1和Shannon指数；与5NPK+E处理相比，5NPK+S处理显著增加了Shannon指数。主坐标分析(PCoA)表明，不同处理下的根际细菌群落组成在操作分类单元(OTU)水平上出现显著分离。从属的相对丰度来看，Uncultured_f_Anaerolineaceae是3NPK+S、3NPK+E、5NPK+S、5NPK+E处理土壤中的优势菌属。基于Mantel检验和典型关联分析(CCA)显示，土壤有机质、有效磷和全碳含量对5NPK+E处理的根际细菌群落有显著影响。
结论施加NPK+S和NPK+E肥料均能有效提高矿区土壤细菌多样性，从而间接对土壤修复起促进作用。施肥方式和处理时间均会显著影响细菌群落组成，并且施肥处理时间越长对细菌群落组成的影响越明显。Uncultured_f_Anaerolineaceae富集在施肥处理下的土壤中，这类细菌可能在促使碳转化的过程中起重要作用，同时还具有修复土壤污染的潜力。NPK+E施用增加了有机质含量，对细菌群落的生长有促进作用。
Abstract:ObjectiveTo evaluate the effects of chemical fertilizers combined with sodium silicate or earthworm on bacterial community in soybean rhizosphere of abandoned mining areas from the perspectives of bacterial diversity and composition structure, and provide a theoretical basis for future mining area reclamation and ecological restoration.
Method‘Huachun 9’ soybean was planted in the abandoned mining area of Huangshe Village, Meizhou City, Guangdong, China. Four fertilization treatments were set up. Nitrogen (N), phosphorus (P) and potassium (K) fertilizers were combined with sodium silicate (3NPK+S and 5NPK+S), NPK fertilizers were combined with 20 earthworms per square metre (3NPK+E and 5NPK+E), and No fertilizer was used as control (3CK and 5CK). Soybean rhizosphere soil was sampled three and five months after fertilizing respectively. The soil bacterial total DNA was extracted, 16S rRNA was sequenced and basic soil chemical properties were determined to analyze diversity and structure of bacterial community in soybean rhizosphere responsing to different fertilization treatments in the mining area.
ResultCompared with 3CK, 3NPK+E treatment significantly increased Chao1 and Shannon indexes. Compared with 5NPK+E, 5NPK+S treatment significantly increased Shannon index. The principal coordinate analysis (PCoA) showed that rhizosphere bacterial communities in different treatments were significantly separated at operational taxonomic unit (OTU) level. In terms of relative abundance, uncultured_f_Anaerolineaceae was the dominant genus in soil treated by 3NPK+S, 3NPK+E, 5NPK+S, and 5NPK+E. Mantel test and canonical correlation analysis (CCA) showed that soil organic matter, available phosphorus and total carbon contents had significant effects on rhizosphere bacterial community of 5NPK+E treatment.
ConclusionThe applications of NPK+S and NPK+E fertilizers can effectively improve bacterial diversity, and indirectly promote soil amendment. The bacterial communities are significantly affected by different fertilization treatments. The longer the fertilization duration was, the more significant the effect was. Uncultured_f_Anaerolineaceae is enriched in fertilized soil. It may play an important role in promoting carbon transformation and has the potential to repair soil pollution. NPK+E fertilizer increases organic matter content and promotes growth of bacterial community.
-
机器视觉的应用是农业模型的关键组成部分，它不仅可以识别农田中的杂草[1]和障碍物[2]，还可以检测某些作物[3]的病害程度，为农田决策提供关键信息。苹果作为国内第一大经济水果，产量较大，实现苹果的自动化采摘必不可少，基于机器视觉的苹果目标准确识别是成功采摘的关键[4-5]。然而在自然环境中，受光线、枝叶遮挡等因素影响，导致一些成熟果实中夹杂一些着色不均或尚未成熟的果实，识别通常比较困难。对于完全成熟果实，光照影响及果实生长姿态也限制了识别精度。因此在复杂的环境背景下针对不同成熟阶段苹果果实进行准确识别具有重要意义[6-7]。
近几年关于苹果识别方面的研究主要是通过颜色和形状特征来提取目标苹果[8]。Si等[9]提出基于色差R−G和色差比(R−G)/(G−B)的苹果识别算法，并采用随机环法精确提取果实圆心和半径。Gongal等[10]提出基于HSI(Hue saturation and intensity)颜色空间结合圆形Hough变换与Blob分析的苹果识别方法。吕继东等[11]提出基于归一化R+G−B颜色算子与K-means聚类算法，成功提取自然光照条件下黄苹果目标，并采用改进的随机Hough变换法识别苹果目标。魏亚辉等[12]利用Lab颜色空间的a分量分割苹果目标，结合最小外接圆法识别出苹果数量。钱建平等[13]等提出基于BPNN的苹果颜色分割方法，并结合Log和Hough变换拟合苹果形状。Ji等[14]提出基于区域生长的苹果图像分割方法和支持向量机分类的苹果识别算法。Lv等[15]提出在I1 I2 I3中使用基于I2颜色特征的Otsu动态阈值的苹果分割方法与改进随机圆形Hough变换的苹果识别方法。Xu等[16]在R−G色差分量下提出基于最小交叉熵PCNN图像的苹果分割方法与改进随机圆形Hough变换的苹果目标检测方法。
由于自然环境复杂，目标果实会受到光照变化、果实及枝叶相互遮挡、阴影覆盖等干扰因素影响，从而造成苹果表面着色差异，一些果实提前进入成熟期，而另一些果实还存在青红相间的现象。为提高采摘机器人识别精度及广泛性，本研究以完全成熟与未完全成熟时期的苹果为研究对象，选取不同颜色空间分量图像进行像素级融合，构造突显果实区域的特征图像。针对融合后的图像采用基于梯度场Hough变换进行识别，结合实际情况对算法进行改进，通过引入形态学滤波、构造假圆判定条件等提高算法的鲁棒性及准确性。
1. 图像采集与识别
1.1 苹果图像采集
本研究的图像采集地点位于山东省淄博市沂源县山东理工大学与山东中以现代智慧农业有限公司联合创建的生态无人农场智慧果园，果园中的果树均高标准化种植，果树品种为‘红富士’。使用KinectV1设备的彩色相机分别对果树进行多角度拍摄，获得未完全成熟和完全成熟的果实图像。图像格式为.JPG，分辨率为600像素×400像素。
1.2 图像预处理
由于图像在自然环境中采集，背景复杂、噪声较高，因此需对其进行滤波处理操作。传统滤波器在平滑噪声时不可避免地破坏了图像中的目标边界信息，本文选用保边性能较好的均值漂移滤波(Mean shift filtering)对图像进行平滑操作[17]，该滤波器可以中和图像中颜色相近的区域，平滑区域内的纹理噪声，清理面积较小的颜色区域。通过对比滤波前后效果图(图1)可知，均值漂移滤波滤除了苹果及枝叶表面的纹理细节，使其表面光滑。根据滤波前后的能量图(图2)可知，该滤波器对一些能量值高的噪声区域进行了削弱，对重要区域的能量进行了维持，从而对重要区域具有良好的边界保持特性。
![]()
图 1 均值漂移滤波前后图像对比Figure 1. Comparison of the images before and after mean shift filtering![]()
图 2 均值漂移滤波前后能量图对比a1、a2分别为滤波前、后的未完全成熟果实；b1、b2分别为滤波前、后的完全成熟果实Figure 2. Comparison of energy diagrams before and after mean shift filteringa1 and a2 are immature fruits before and after filtering respectively; b1 and b2 are fully matured fruits before and after filtering respectively1.3 特征图像提取
相关研究利用颜色特征成功提取目标果实[18]。于慧杰等[19]利用HSI颜色空间和YUV颜色空间中的苹果二值图进行融合，成功提取绿色苹果区域。Zhao等[20]利用YIQ(Y：亮度，I：同相，Q：正交相位)颜色空间中的I分量图像和L*a*b*颜色空间中的a*分量图像进行融合，成功提取目标番茄。基于上述方法，本文将RGB颜色空间的R−G分量和YIQ颜色空间的I分量进行像素级融合构造苹果特征图像。
1.3.1 R−G分量图像
RGB颜色空间中的R、G、B 3个分量之间存在很强的相关性[21]，无法区分果实与背景。由于苹果呈红色，枝叶背景等呈绿色，用R分量图与G分量图上的像素点值进行代数相减后，得到R−G分量图像可有效突出果实区域，抑制环境噪声。同时，为避免图像像素亮度分布不均衡，本文对R−G色差分量图像进行归一化处理，将图像的灰度值控制在0~255内，其定义式为：
$$ {\text{NormalizeRG}} = \dfrac{{\dfrac{{R(x,y) - G(x,y)}}{{R(x,y) + G(x,y)}}{\text{ + }}1}}{2} \times 255 \;,$$ (1) 式中，NormalizeRG表示归一化后的R−G分量，R(x, y)、G(x, y)分别是RGB图像矩阵中第x行y列红色像素点与绿色像素点灰度值。
R−G分量特征图像归一化后的结果如图3所示。
![]()
图 3 未完全成熟果实(a)和完全成熟果实(b) 归一化后的R−G分量特征图像Figure 3. Normalized R−G component feature images of immature fruits (a) and fully matured fruits (b)1.3.2 I分量图像
YIQ颜色空间是对RGB空间的线性转换，该颜色空间中的亮度信息与色度信息独立存在。Y分量代表图像亮度信息，I分量代表从橙色到青色的颜色变化，Q分量代表从紫色到黄绿色的颜色变化[22]。由于I分量携带红色信息较多，故选择I分量图像作为融合的另一幅源图像。根据以下公式(2)可以获得I分量图像，通过以下公式(3)对I分量进行归一化。
$$ \left\{ \begin{gathered} {{Y}} = 0.299\;0 {{R}} + 0.587\;0 {{G}} + 0.114\;0 {{B}} \\ {{I}} = 0.595\;7 {{R}} - 0.274\;5 {{G}} + 0.321\;3 {{B}} \\ {{Q}} = 0.211\;5 {{R}} - 0522\;6 {{G}} - 0.311\;1 {{B}} \\ \end{gathered} \right. \;,$$ (2) 式中，R、G和B表示图像矩阵中红色、绿色、蓝色分量图中像素点上的灰度值。
$$ {\text{NormalizeI}} = \dfrac{{I(x,y) - {I_{\min }}(x,y)}}{{{I_{\max }}(x,y) - {I_{\min }}(x,y)}} \times 255 \;,$$ (3) 式中，NormalizeI表示归一化后的I分量，
$I(x,\;y)$ 、${I_{\min }}(x,\;y)$ 和${I_{\max }}(x,\;y)$ 分别代表I分量图第x行y列像素的当前值、最小值和最大值。I分量特征图像归一化后的结果如图4所示。
![]()
图 4 未完全成熟果实(a)和完全成熟果实(b) 归一化后的I分量特征图像Figure 4. Normalized I component feature images of immature fruits (a) and fully matured fruits (b)1.4 基于像素加权平均的图像融合方法
基于像素加权平均的图像融合方法是对源图像进行大小匹配后设定各自的比重系数，将图像上对应点的信息进行线性相加，生成新的融合图像[23]。参与融合的源图像提供各自优势信息，以提高融合结果的可靠性，计算公式如下：
$$ F(x,y) = {\omega _1}A(x,y) + {\omega _2}B(x,y) \;,$$ (4) 式中，A(x, y)、B(x, y)代表2幅源图像中第x行y列的像素值，F(x, y)代表融合后的图像像素值，
$ {\omega _1} $ 和$ {\omega _2} $ 为图像A和B的加权系数，$ {\omega _1} $ +$ {\omega _2} $ =1。对于青红相间的果实图片，本文取$ {\omega _1} $ 为0.75、$ {\omega _2} $ 为0.25，对于完全成熟的果实图像，本文取$ {\omega _1} $ 为0.5、$ {\omega _2} $ 为0.5。融合后的图像结果如图5所示。![]()
图 5 未完全成熟果实(a)和完全成熟果实(b) 融合后的图像Figure 5. Fusion images of immature fruits (a) and fully matured fruits (b)1.5 Otsu分割
为了从融合图像中提取目标苹果，使用Otsu算法进行图像分割。该算法是一种自适应阈值确定的方法，其原理是根据图像的灰度特性，遍历直方图像素范围，选取某一最佳阈值，将图像分成背景和前景两部分，当两部分的方差最大时，分割效果最佳[24]。利用Otsu算法对融合前后的图像分别进行了分割，结果如图6所示。
![]()
图 6 未完全成熟果实(a)和完全成熟果实(b) Otsu分割效果Figure 6. Otsu segmentation effects of immature fruits (a) and fully matured fruits (b)在果实未完全成熟的条件下，利用Otsu算法对I分量进行分割，导致一些青色果实或枝干被误分割出来，对于红色苹果目标的提取造成一定难度。而对R−G分量图与融合后的图像进行分割，二者均能够分割出红色果实目标区域，但是从果实的完整度方面来看，后者分割出的果实区域更加完整。
在果实完全成熟的条件下，利用Otsu算法对R−G分量进行分割，导致果实区域存在缺陷。对I分量进行分割，其分割结果会携带部分背景枝叶信息，2种分量图均不能分割出较清晰的果实区域。从融合后的苹果图像中可以看出目标苹果和背景之间存在显著灰度差异，其分割结果携带背景噪声较少，目标苹果区域相对较完整。
1.6 基于改进灰度图像梯度场的圆形Hough变换苹果识别与定位
Hough变换[25]是利用形状特征进行有效目标识别的方法之一，起初用来识别直线，之后用来识别圆。本文采用基于灰度图像梯度场的Hough变换法来识别、定位图像中的目标苹果，为了增强算法鲁棒性，引入形态学重建滤波算法、构造去除假圆算法来优化Hough变换算法，提高识别准确率。
1.6.1 图像预处理
融合后的灰度图中依然存在细小的背景噪声，本文采用形态学重建滤波消除噪声区域。形态学重建包括开运算重建和闭运算重建，开重建能填补苹果区域的孔洞，闭重建滤掉“凸起”，消除小面积区域，重建操作能保留原物体的形状，处理效果如图7所示。
![]()
图 7 形态学重建滤波处理前后图像对比Figure 7. Comparison of images before and after morphological reconstruction filtering1.6.2 梯度信息
标准梯度Hough变换检测圆形主要依据二值图像进行边缘轮廓提取[26]，边缘轮廓是否平滑直接影响检测精度。为了避免检测精度受边缘轮廓干扰，本研究利用图像的梯度场信息代替标准算法中的边缘检测，提高检测精度。
设图像函数f(x, y)在点(x, y)的梯度是一个具有大小和方向的矢量，设Gx和Gy分别表示x方向和y方向的梯度[27]，这个梯度的矢量可以表示为：
$$ \left\{ \begin{gathered} {\boldsymbol{G}}(x,y) = {[{{\boldsymbol{G}}_x},{{\boldsymbol{G}}_y}]^{\text{T}}} \\ {{\boldsymbol{G}}_x} = \dfrac{{\partial f(x,y)}}{{\partial x}} \\ {{\boldsymbol{G}}_y} = \dfrac{{\partial f(x,y)}}{{\partial y}} \\ \end{gathered} \right. \;,$$ (5) 梯度幅值和梯度方向角度分别表示为：
$$ \left| {{\boldsymbol{G}}(x,y)} \right|{\text{ = }}{\left[ {{{({{\boldsymbol{G}}_x})}^2} + {{({{\boldsymbol{G}}_y})}^2}} \right]^{\tfrac{1}{2}}} \;,$$ (6) $$ \theta (x,y) = \arctan \Bigg(\dfrac{{{{\boldsymbol{G}}_x}}}{{{{\boldsymbol{G}}_y}}}\Bigg) \;。$$ (7) 扫描灰度图像，利用公式计算像素点的梯度幅值，设梯度强度阈值为Q，对梯度幅值大于Q的点计算其梯度方向信息，对于梯度幅度小于Q的像素点则在计算中不被考虑，这样可减少“幅值强度变化均匀”的背景区域的梯度计算。
1.6.3 累加矩阵及圆心检测
圆的一般方程为：
$$ {(x - a)^2} + {(y - b)^2} = {r^2} \;,$$ (8) 式中，r为半径，设圆心的变量x, y所构成的二维参数空间为累加矩阵空间A，检测圆的最小和最大半径区间为[minimum_radius，maximum_radius]，对上述符合梯度幅值条件的像素点沿梯度方向指定半径范围进行映射[27]，把该点的梯度幅值作为权重在累加矩阵中相应的坐标点处进行投票，投票后的三视图如图8所示。图中累加数组的峰值越高，表示是圆心的概率越大，由于图像中的苹果区域并不能呈现很好的圆形，因此圆心累加后的堆积阵列中的峰值轮廓呈矮胖状；同时，在苹果周围还存在一些小尺度不规则区域，也会导致堆积阵列的生成，不利于局部极大值的检测。为了更好地提取苹果圆心峰值位置，本文构造局部极大值的滤波器，用该滤波器对累加矩阵进行卷积，削弱不明显的峰，得到滤波结果如图9。将图9中极大峰值的坐标进行图像坐标转换，得到苹果圆心坐标，圆心检测结果如图10所示。
![]()
图 8 未完全成熟果实(a)和完全成熟果实(b) 累加矩阵3D视图Figure 8. Cumulative matrix 3D views of immature fruits (a) and fully matured fruits (b)![]()
图 9 未完全成熟果实(a)和完全成熟果实(b) 卷积滤波结果Figure 9. Convolution filtering results of immature fruits (a) and fully matured fruits (b)![]()
图 10 未完全成熟果实(a)和完全成熟果实(b) 圆心检测图Figure 10. Center detection images of immature fruits (a) and fully matured fruits (b)1.6.4 半径检测
将检测出的圆心坐标代入圆方程
${(x - a)^2} + {(y - b)^2} = {r^2}$ 中，即可得到候选半径r，设置半径累加器B，对候选半径出现的次数进行累加计数，取次数最高的一个或几个的均值作为圆心对应的半径。1.6.5 剔除虚假圆
由于实际情况的多样性，很难避免虚假目标的出现。利用上述方法检测图像中的目标苹果，结果如图11所示，由图11可知，青红相间的果实图像中大部分苹果受遮挡较少，利用该方法可以准确识别出成熟果实所在位置。而完全成熟的果实图像中，右下角的苹果被枝叶严重遮挡，苹果目标区域有明显圆弧缺口，导致算法无法准确定位苹果所在的圆形。为此本文利用分割后的二值图像中的圆面积与算法检测到的圆面积作为先验条件，剔除假圆目标。
![]()
图 11 未完全成熟果实(a)和完全成熟果实(b) Hough变换算法识别结果Figure 11. Hough transform algorithm recognition results of immature fruits (a) and fully matured fruits (b)设本文算法检测到的目标圆形区域面积集合为
$ {C_i} = \left\{ {{C_1},{C_2},{C_3},\cdots ,{C_m}} \right\} $ ，分割后的二值图像中苹果区域面积集合为$ {D_i} = \left\{ {{D_1},{D_2},{D_3},\cdots ,{D_n}} \right\} $ ，m为算法检测得到的圆的个数，n为二值图中独立的区域个数，其中$ m \geqslant n $ ，则分割检测到的目标区域与分割后目标区域相交的面积为Ei，用公式表示为$$ {E}_{i}={C}_{i}\cap {D}_{i} \ ,\ i=1,2,\mathrm{3},\cdots, m \;。$$ (10) 如果相交面积Ei和二值图中圆的分割面积Di之比(Ki)大于一定阈值，则判别为正确圆，反之为虚假圆，公式为：
$$ {K}_{i}=\dfrac{{E}_{i}}{{D}_{i}}=\left\{ {\begin{array}{*{20}{l}} { > \dfrac{3}{4} }\;,&{ 正确 }\\ { \leqslant \dfrac{3}{4} }\;,&{ 虚假 }\end{array}} \right.， i=1,2,\mathrm{3},\cdots ,m \;。$$ (11) 根据真假目标判别准则，其中一个圆是虚假目标予以剔除，结果如图12所示。
![]()
图 12 未完全成熟果实(a)和完全成熟果实(b) 虚假目标去除结果Figure 12. False target removal results of immature fruits (a) and fully matured fruits (b)2. 验证试验与结果分析
2.1 试验平台和参数
为了验证本文算法的有效性和可靠性，随机采集50幅青红相间和50幅完全成熟的苹果图像(包括完全裸露、部分遮挡、遮挡严重的果实)进行试验，在Matlab软件中使用OpenCV2库进行图像处理。计算机配置为Win10(64 位)，运行内存8 G，处理器为lntel(R) Core(TM) i5-7200U，主频2.70 GHz。
2.2 图像融合后的分割结果
随机选取了不同成熟度苹果图像，测试图像融合及分割效果，结果如图13所示。由图13可知，融合后的图像增强了苹果区域灰度，削弱了背景区域灰度，使苹果与背景之间存在明显的灰度差异，利用Otsu算法可准确分割出目标苹果区域。
2.3 不同算法的识别结果
为验证本文识别算法准确性，采用最小外接圆算法与本文算法做对比试验。选取6幅苹果图像，2种算法识别结果如图14、15所示。由图14可知，最小外接圆法对于完全裸露的苹果果实能够进行准确的识别，但是对于少数粘连或重叠的苹果会出现误识别现象，误将2个苹果识别为1个，识别效果不佳。而本文改进梯度场Hough算法能够同时兼顾果实的生长姿态与遮挡情况，对于上述情况均具有较好的识别效果(图15)。
![]()
图 14 最小外接圆算法识别结果a1、a2和a3：未完全成熟果实；b1、b2和b3：完全成熟果实Figure 14. Recognition result of the minimum circumscribed circle algorithma1, a2 and a3: Immature fruits; b1, b2 and b3: Fully matured fruits![]()
图 15 本文算法识别结果a1、a2和a3：未完全成熟果实；b1、b2和b3：完全成熟果实Figure 15. Recognition results of the algorithm in this papera1, a2 and a3: Immature fruits; b1, b2 and b3: Fully matured fruits根据2种算法对6幅苹果图像的识别结果，相比于最小外接圆算法，本文算法圆心坐标的偏离范围程度较实际圆心坐标低，半径误差也相对较小，其中平均半径误差为1.206个像素值，而最小外接圆算法的平均半径误差为8.853个像素值。
为了进一步检验所提算法的有效性和可靠性，对采集的100幅苹果图片进行试验，其中包含486颗未完全成熟苹果，523颗完全成熟苹果。识别时间及正确率见表1、表2。本文算法的平均识别时间为0.367 s，比最小外接圆算法缩短了0.287 s。本文算法平均识别正确率为91.44%，其中，完全裸露的苹果目标识别正确率为100%，被遮挡面积≤1/2 果实的识别正确率在90%以上，被遮挡面积>1/2 果实的识别正确率在80%以上。而最小外接圆算法仅在果实完全裸露的情况下识别正确率为100%，在其他情况下识别正确率不稳定，这是因为最小外接圆算法以分割后的二值图像为检测依据，若所检测的区域是一个完整的苹果区域，该算法拟合识别效果较好；若检测的区域中存在果实存在粘连或重叠情况，算法会将粘连或重叠果识别为一个，这大大降低识别正确率；若苹果受遮挡较为严重，该算法会将其看作成细小噪声进行剔除，导致果实不能被及时识别出。
表 1 2种算法识别时间及正确率对比Table 1. Comparison of recognition time and accuracy of two algorithms算法
Algorithm成熟度
Maturity识别时间/s
Recognition time识别正确率/%
Recognition accuracy本文方法
Algorithm in this paper未完全成熟 Immature 0.351 91.92 完全成熟 Fully matured 0.382 90.96 平均 Average 0.367 91.44 最小外接圆法
The minimum circumscribed
circle algorithm未完全成熟 Immature 0.632 80.61 完全成熟 Fully matured 0.675 79.58 平均 Average 0.654 80.09 表 2 不同遮挡程度的果实识别正确率对比Table 2. Comparison of recognition accuracy of fruits with different occlusion degrees算法
Algorithm成熟度
Maturity完全裸露果实
Completely exposed fruits被遮挡面积≤1/2果实
Fruits with ≤ 1/2 covered area被遮挡面积>1/2果实
Fruits with > 1/2 covered area数量
Quantity识别数量
Recognition
quantity识别正确率/%
Recognition
accuracy数量
Quantity识别数量
Recognition
quantity识别正确率/%
Recognition
accuracy数量
Quantity识别数量
Recognition
quantity识别正确率/%
Recognition
accuracy本文方法
Algorithm in
this paper未完全成熟
Immature307 307 100 112 105 93.75 67 55 82.01 完全成熟
Fully matured283 283 100 147 134 91.16 93 76 81.72 最小外接圆法
The minimum
circumscribed
circle algorithm未完全成熟
Immature307 307 100 112 92 82.14 67 40 59.70 完全成熟
Fully matured283 283 100 147 117 79.59 93 55 59.14 为衡量识别质量，引入相对偏差作为果实识别精准度的判别标准，圆心相对误差(CError)和半径相对误差(RError)的公式如下：
$$ {C_{{\rm{Error}}}} = \dfrac{{{\text{|}}D{\text{|}}}}{S} \;,$$ (12) $$ {R_{{\rm{Error}}}} = \dfrac{{{\text{|}}R{\text{|}}}}{S} \;,$$ (13) 式中，S表示苹果的实际面积，D表示拟合圆心与人工检测苹果圆心之间的距离，R表示拟合半径与人工检测半径之间的距离，即半径误差。
对2种算法计算的圆心与半径值进行相对偏差检测，结果见表3。由表3可知，利用本文算法计算出的圆心相对误差均值为0.216%，半径相对误差均值为0.048%，两者均小于最小外接圆法，说明本文算法对果实圆心的定位及半径的判断较为精准，检测精度较高。
表 3 2种算法圆心与半径相对误差对比Table 3. Comparison of the relative errors of the center and radius between two algorithms算法
Algorithm成熟度
Maturity平均圆心坐标误差/%
Mean center coordinate error平均半径误差/%
Mean radius error本文方法
Algorithm in this paper未完全成熟 Immature 0.226 0.051 完全成熟 Fully matured 0.205 0.044 平均值 Mean 0.216 0.048 最小外接圆法
The minimum circumscribed
circle algorithm未完全成熟 Immature 0.574 0.162 完全成熟 Fully matured 0.441 0.578 平均值 Mean 0.508 0.370 3. 结论
1)本文提出一种基于图像融合果实分割与识别方法，该方法适用于自然环境中不同成熟阶段的苹果果实目标。为了增强目标苹果特征信息，对2种不同颜色空间的特征图像进行融合，融合后的图像更利于Otsu算法进行精准分割。针对融合后的图像，提出改进梯度场Hough变换方法，引入形态学重建算法平滑背景噪声，以二值图像为判断标准剔除算法识别出的假圆，提高算法的准确性。
2)对归一化后的R−G分量图像与I分量图像进行像素级融合，融合后的图像目标果实区域灰度更加明显，用Otsu阈值算法进行分割，能够克服由R−G分量引起的过分割与I分量中的欠分割问题。
3)用梯度场Hough变换算法进行优化，识别图像中的果实个数、检测果实位置信息，选取识别正确率、识别时间评价果实数量识别精度；选取圆形及半径相对误差评价果实定位精度。算法对完全裸露果实的识别正确率为100%，被遮挡面积≤1/2果实为92.46%，被遮挡面积>1/2果实为81.87%，圆心相对误差平均值为0.216%，半径相对误差为0.048%，平均识别时间为0.367 s。该算法能够快速识别苹果目标，具有较高精度和效率的果实定位，可以服务于苹果采摘机器人进行果实采摘。
-
![]()
图 1 根际土壤细菌群落的主坐标分析
Figure 1. Principal coordinate analyses of bacterial communities in rhizosphere soil
![]()
图 2 不同施肥处理下根际土壤细菌在门水平的相对丰度
Figure 2. Relative abundance of rhizosphere soil bacteria at phylum level under different fertilization treatments
![]()
图 3 不同施肥处理下根际土壤细菌属水平的相对丰度差异性分析
Figure 3. Relative abundance of rhizosphere soil bacteria at genus level under different fertilization treatments
![]()
图 4 不同施肥处理下根际土壤细菌在属水平的Venn分析
Figure 4. Venn analysis of rhizosphere soil bacteria at genus level under different fertilization treatments
![]()
图 5 基于CCA分析的根际细菌群落与土壤化学性质之间的关系
SOM：土壤有机质，TC：全碳，TN：全氮，C︰N：碳氮质量比，TP：全磷，TK：全钾，AN：碱解氮，AP：有效磷，AK：速效钾，TCd：全镉，ACd：速效镉，NH4+-N：铵态氮，NO3--N：硝态氮；“*”和“**”分别表示差异达0.05和0.01显著水平(Mantel检验)
Figure 5. Correlation between rhizosphere bacterial community and soil chemical property based on CCA analysis
SOM: Soil organic matter, TC: Total carbon, TN: Total nitrogen, C︰N: C︰N mass ratio, TP: Total phosphorus, TK: Total potassium, AN: Alkaline nitrogen, AP: Available phosphorus, AK: Available potassium, TCd: Total cadmium, ACd: Available cadmium, NH4+-N: Ammonium nitrogen, NO3--N: Nitrate nitrogen; “*” and “**” indicated significant differences at 0.05 and 0.01 levels respectively (Mantel test)
表 1 根际土壤化学性质1)
Table 1 Chemical properties of rhizosphere soil
处理
Treatment取样时间/月
Sampling timepH w/(g·kg−1) C︰N质量比
C︰N mass ratioSOM TC TN TP TK 3CK 3 5.60±0.20a 0.67±0.12b 4.44±0.34c 0.05±0.01b 0.04±0.01b 60.43±0.84a 85.22±14.23a 3NPK+S 3 4.75±0.04b 4.00±0.89a 7.45±0.95b 0.16±0.04a 0.08±0.02a 41.11±6.62b 47.11±6.90b 3NPK+E 3 4.74±0.20b 3.75±0.58a 11.56±0.56a 0.20±0.02a 0.07±0.02a 47.77±5.34b 57.41±8.71b 5CK 5 5.40±0.35a 0.70±0.10c 5.77±0.74c 0.05±0.01b 0.07±0.05a 60.43±0.84a 114.25±16.67a 5NPK+S 5 4.71±0.21b 3.52±1.04b 10.62±1.50b 0.69±0.16a 0.07±0.02a 41.11±6.62b 15.87±3.80b 5NPK+E 5 5.67±0.21a 5.78±0.30a 15.98±0.57a 0.48±0.16a 0.12±0.02a 50.08±8.12ab 36.35±14.97b 处理
Treatment取样时间/月
Sampling timew/(mg·kg−1) AN AP AK TCd ACd NH4+-N NO3−-N 3CK 3 16.74±1.33b 4.37±0.21c 32.33±1.00a 0.14±0.02a 0.02±0.00a 31.35±1.43b 1.94±0.26b 3NPK+S 3 19.72±1.89ab 10.2±1.13a 34.38±1.48a 0.08±0.01b 0.02±0.00a 36.06±0.66a 2.91±0.29a 3NPK+E 3 20.77±1.44a 7.77±0.03b 32.55±0.70a 0.06±0.00b 0.01±0.00b 37.76±0.41a 2.59±0.51ab 5CK 5 16.07±0.36b 5.10±0.26c 34.99±1.53b 0.09±0.01a 0.01±0.00a 34.99±4.51b 3.02±0.63a 5NPK+S 5 35.07±1.61a 13.99±2.08a 54.96±9.02a 0.05±0.02a 0.01±0.01a 41.65±2.89a 4.39±1.06a 5NPK+E 5 30.63±5.16a 9.43±0.84b 31.75±9.14b 0.06±0.02a 0.01±0.00a 37.73±1.50ab 2.84±0.87a 1)同列数据后的不同小写字母表示相同取样时间的处理间差异显著(P<0.05，Duncan’s法);SOM：土壤有机质，TC：全碳，TN：全氮，TP：全磷，TK：全钾，AN：碱解氮，AP：有效磷，AK：速效钾，TCd：全镉，ACd：速效镉，NH4+-N：铵态氮，NO3−-N：硝态氮
1) Different lowercase letters in the same column indicate significant differences among different treatments of the same sampling time (P< 0.05, Duncan’s method); SOM: Soil organic matter, TC：Total carbon, TN: Total nitrogen, TP: Total phosphorus, TK: Total potassium, AN: Alkaline nitrogen, AP: Available phosphorus, AK: Available potassium, TCd: Total cadmium, ACd: Available cadmium, NH4+-N: Ammonium nitrogen, NO3−-N: Nitrate nitrogen
下载: 导出CSV
表 2 根际土壤样品的细菌群落多样性指数1)
Table 2 Indexes of bacterial community diversity in rhizosphere soil samples
处理
Treatment取样时间/月
Sampling timeChao1指数
Chao1 richness estimatorShannon指数
Shannon diversity index3CK 3 2 208.78±87.56b 5.63±0.04c 3NPK+S 3 2 429.35±324.20b 6.03±0.14b 3NPK+E 3 3 051.00±343.02a 6.43±0.20a 5CK 5 3 041.49±97.74a 6.45±0.11ab 5NPK+S 5 3 414.47±53.51a 6.68±0.06a 5NPK+E 5 3 099.13±354.25a 6.22±0.14b 1)同列数据后的不同小写字母表示相同取样时间处理间差异显著(P<0.05，Duncan’ s法)
1) Different lowercase letters within the same column indicate significant differences among different treatments of the same sampling time (P< 0.05, Duncan’ s method)
下载: 导出CSV
表 3 不同施肥处理下根际土壤优势菌门的相对丰度1)
Table 3 Relative abundance of rhizosphere soil dominant bacteria at phylum level under different fertilization treatments
处理
Treatment取样时间/月
Sampling time相对丰度/%
Relative abundance变形菌门
Proteobacteria放线菌门
Actinobacteria绿弯菌门
Chloroflexi酸杆菌门
Acidobacteria拟杆菌门
Bacteroidetes3CK 3 52.74±1.40a 12.55±2.02a 4.76±0.87b 5.35±0.65a 7.82±1.28a 3NPK+S 3 42.70±10.53a 9.60±2.16a 17.58±7.72a 7.94±2.07a 5.21±2.27a 3NPK+E 3 43.18±4.49a 11.14±1.95a 13.32±3.71ab 7.28±4.38a 7.59±0.94a 5CK 5 47.06±0.58a 11.93±0.80a 8.08±1.26b 6.89±0.95a 5.71±0.42a 5NPK+S 5 40.64±2.27b 12.93±1.07a 13.67±0.66a 8.17±1.45a 5.11±0.40a 5NPK+E 5 39.70±2.27b 14.47±3.27a 13.01±0.79a 10.45±2.30a 4.46±0.58a 1)同列数据后的不同小写字母表示相同取样时间处理间差异显著(P<0.05，Duncan’s法)
1) Different lowercase letters within the same column indicate significant difference among different treatments of the same sampling time (P<0.05, Duncan’s method)
下载: 导出CSV
表 4 不同施肥处理下根际土壤优势菌属的相对丰度1)
Table 4 Relative abundance of rhizosphere soil dominant bacteria at genus level under different fertilization treatments
处理
Treatment取样时间/月
Sampling time相对丰度/% Relative abundance Uncultured_f_Anaerolineaceae Norank_p_Saccharibacteria 慢生根瘤菌属
Bradyrhizobium鞘氨醇单胞菌属
Sphingomonas伯克氏菌属
Burkholderia3CK 3 1.43±0.86b 7.41±1.57a 1.07±0.12a 1.46±0.12a 6.36±2.23a 3NPK+S 3 10.49±4.80a 2.47±0.69b 1.38±1.23a 1.55±0.73a 0.51±0.54b 3NPK+E 3 7.46±2.80ab 5.34±2.38ab 1.26±0.26a 2.45±0.49a 1.41±1.11b 5CK 5 2.75±0.79b 2.56±0.27a 2.87±0.52a 2.28±0.39ab 1.16±0.10a 5NPK+S 5 3.65±0.66b 2.08±0.36a 2.37±0.28a 2.45±0.14a 1.00±0.33a 5NPK+E 5 6.22±2.11a 2.27±0.20a 3.22±2.10a 1.52±0.30b 0.40±0.13b 1)同列数据后的不同小写字母表示相同取样时间处理间差异显著(P<0.05，Duncan’ s法)
1) Different lowercase letters within the same column indicate significant difference among different treatments of the same sampling time (P< 0.05, Duncan’ s method)
下载: 导出CSV
-
[1] 王娟, 王正海, 耿欣, 等. 大宝山多金属矿区土壤–植被稀土元素生物地球化学特征[J]. 中国地质大学学报(地球科学版), 2014, 39(6): 733-740. [2] ZHAO J, NI T, LI Y, et al. Responses of bacterial communities in arable soils in a rice-wheat cropping system to different fertilizer regimes and sampling times[J/OL]. PLoS One, 2014, 9(1), e85301[2019-06-10]. https://doi.org/10.1371/journal.pone.0085301.
[3] NANNIPIERI P, ASCHER J, CECCHERINI MT, et al. Microbial diversity and soil functions[J]. Eur J Soil Sci, 2003, 54(4): 655-670. doi: 10.1046/j.1351-0754.2003.0556.x
[4] 吴国伟, 赵艳玲, 付艳华, 等. 复垦矿区土地利用类型变化对植被碳储量的影响[J]. 中国生态农业学报, 2015, 23(11): 1437-1444. [5] 刘杏兰, 高宗, 刘存寿, 等. 有机−无机肥配施的增产效应及对土壤肥力影响的定位研究[J]. 土壤学报, 1996(2): 138-147. doi: 10.11766/trxb199407060204 [6] CLEMENTE R, PAREDES C, BERNAL M P, et al. A field experiment investigating the effects of olive husk and cow manure on heavy metal availability in a contaminated calcareous soil from Murcia (Spain)[J]. Agric Ecosyst Environ, 2007, 118(1/2/3/4): 319-326.
[7] LI X, RUI J, MAO Y, et al. Dynamics of the bacterial community structure in the rhizosphere of a maize cultivar[J]. Soil Biol Biochem, 2014, 68: 392-401. doi: 10.1016/j.soilbio.2013.10.017
[8] DIMKPA C, WEINAND T, ASCH F. Plant-rhizobacteria interactions alleviate abiotic stress conditions[J]. Plant Cell Environ, 2009, 32(12): 1682-1694. doi: 10.1111/j.1365-3040.2009.02028.x
[9] 王梦姣, 杨国鹏, 乔帅, 等. 植物−根际微生物协同修复有机物污染土壤的研究进展[J]. 江苏农业科学, 2017, 45(1): 5-8. [10] LAMBERT D H, WEIDENSAUL F C. Element uptake by myeorrhizal soybean from sewage-sludge-treated soil[J]. Soil Sci Soc Am J, 1991, 55(2): 393-398.
[11] 李建华, 郜春花, 卢朝东, 等. 丛枝菌根和根瘤菌双接种对矿区土地复垦的生态效应[J]. 中国土壤与肥料, 2009(5): 77-80. [12] DONG R, GU L, GUO C, et al. Effect of PGPR Serratiamarcescens BC-3 and AMF glomusintraradices on phytoremediation of petroleum contaminated soil[J]. Ecotoxicology, 2014, 23(4): 674-680. doi: 10.1007/s10646-014-1200-3
[13] 杨海君, 肖启明, 刘安元. 土壤微生物多样性及其作用研究进展[J]. 南华大学学报(自然科学版), 2005, 19(4): 21-31. [14] 范继香, 郜春花, 张强, 等. 施肥措施对矿区复垦土壤活性有机碳库的影响[J]. 中国农学通报, 2012, 28(36): 119-123. doi: 10.3969/j.issn.1000-6850.2012.36.020 [15] 邓晓霞, 黎其万, 米艳华, 等. 云南个旧矿区Pb污染稻田土壤钝化修复[J]. 环境工程学报, 2017, 11(8): 4831-4837. doi: 10.12030/j.cjee.201606017 [16] 张池, 周波, 吴家龙, 等. 蚯蚓在我国南方土壤修复中的应用[J]. 生物多样性, 2018, 26(10): 1091-1102. doi: 10.17520/biods.2018151 [17] 张变华, 靳东升, 张强, 等. 不同施肥处理下工矿复垦区大豆根际效应分析[J]. 大豆科学, 2018, 37(6): 93-100. [18] NECHITAYLO T Y, YAKIMOV M M, GODINHO M, et al. Effect of the earthworms Lumbricus terrestris and Aporrectodea caliginosa on bacterial diversity in soil[J]. Microb Ecol, 2010, 59(3): 574-587.
[19] 孟庆英, 于忠和, 贾绘彬, 等. 不同施肥处理对大豆根际土壤微生物及土壤肥力影响[J]. 大豆科学, 2011, 30(3): 471-474. [20] BASKER A, KIRKMAN J H, MACGREGOR A N. Changes in potassium availability and other soil properties due to soil ingestion by earthworms[J]. Biol Fert Soil, 1994, 17(2): 154-157.
[21] YU X, CHENG J, WONG M H. Earthworm-mycorrhiza interaction on Cd uptake and growth of ryegrass[J]. Soil Biol Biochem, 2005, 37(2): 195-201. doi: 10.1016/j.soilbio.2004.07.029
[22] 庞宇飞. 蚯蚓粪对城镇污泥降解过程中理化指标及微生物群落结构的影响[D]. 兰州: 兰州交通大学, 2018. [23] 刘胜洪, 周玲艳, 杨妙贤, 等. 十种耐逆植物在和平县稀土矿区生态修复中的应用[J]. 天津农业科学, 2013, 19(7): 92-96. doi: 10.3969/j.issn.1006-6500.2013.07.023 [24] 王崇臣, 王鹏, 黄忠臣. 盆栽玉米和大豆对铅、镉的富集作用研究[J]. 安徽农业科学, 2008, 36(24): 10383. doi: 10.3969/j.issn.2095-0446.2015.10.129 [25] 鲍士旦. 土壤农化分析[M]. 北京: 中国农业出版社, 1982: 25-114. [26] LIAN T, MA Q, SHI Q, et al. High aluminum stress drives different rhizosphere soil enzyme activities and bacterial community structure between aluminum-tolerant and aluminum-sensitive soybean genotypes[J]. Plant Soil, 2019, 440(1/2): 409-425.
[27] CASTRILLO G, TEIXEIRA P J P L, PAREDES S H, et al. Root microbiota drive direct integration of phosphate stress and immunity[J]. Nature, 2017, 543(7646): 513-518. doi: 10.1038/nature21417
[28] LI J, LIN J, PEI C, et al. Variation of soil bacterial communities along a chronosequence of Eucalyptus plantation[J/OL]. Peer J, 2018, 6:e5648[2019-06-11].https://doi.rog/10.7717/peerj.5648.
[29] LI L, TILMAN D, LAMBERS H, et al. Plant diversity and overyielding: Insights from belowground facilitation of intercropping in agriculture[J]. New Phytolog, 2014, 203(1): 63-69. doi: 10.1111/nph.12778
[30] SUN R, ZHANG X X, GUO X, et al. Bacterial diversity in soils subjected to long-term chemical fertilization can be more stably maintained with the addition of livestock manure than wheat straw[J]. Soil Biol Biochem, 2015, 88(5): 9-18. doi: 10.1016/j.soilbio.2015.05.007
[31] 郝月崎, 孙扬, 李晓晶, 等. 赤子爱胜蚓对乙草胺污染土壤微生物群落的影响[J]. 农业环境科学学报, 2018, 37(11): 2456-2466. doi: 10.11654/jaes.2018-0504 [32] 陈来红, 乔光华, 董红丽, 等. 准格尔露天矿区复垦对土壤细菌多样性的影响研究[J]. 干旱区资源与环境, 2012, 26(2): 119-125. [33] 单世平, 郭照辉, 付祖姣, 等. 降低水稻镉吸收原位钝化修复技术及其作用机理[J]. 生态科学, 2015, 34(4): 175-179. [34] 李淑仪, 林翠兰, 许建光, 等. 施硅对污染土壤中铬形态及其生物有效性的影响[J]. 生态环境, 2008, 17(1): 227-231. [35] 刘晶鑫, 迟凤琴, 许修宏, 等. 长期施肥对农田黑土微生物群落功能多样性的影响[J]. 应用生态学报, 2015, 26(10): 3066-3072. [36] ZHOU X, SHEN Y, FU X, et al. Application of sodium silicate enhances cucumber resistance to fusarium wilt and alters soil microbial communities[J]. Front Plant Sci, 2018, 9: 624. doi: 10.3389/fpls.2018.00624
[37] KENNEDY A C, SMITH K L. Soil microbial diversity and the sustainability of agricultural soils[J]. Plant Soil, 1995, 170(1): 75-86. doi: 10.1007/BF02183056
[38] 于冰, 宋阿琳, 李冬初, 等. 长期施用有机和无机肥对红壤微生物群落特征及功能的影响[J]. 中国土壤与肥料, 2017(6): 58-65. doi: 10.11838/sfsc.20170609 [39] ENAMI Y, OKANO S, YADA H, et al. Influence of earthworm activity and rice straw application on the soil microbial community structure analyzed by PLFA pattern[J]. Eur J Soil Biol, 2001, 37(4): 269-272. doi: 10.1016/S1164-5563(01)01096-2
[40] YU Z H, WANG G H, JIN J, et al. Soil microbial communities are affected more by land use than seasonal variation in restored grassland and cultivated mollisols in Northeast China[J]. Eur J Soil Biol, 2011, 47(6): 357-363. doi: 10.1016/j.ejsobi.2011.09.001
[41] LIANG B, WANG L Y, ZHOU Z C, et al. High frequency of Thermodesulfovibrio spp. and Anaerolineaceae in association with Methanoculleus spp. in a long-term incubation of n-alkanes-degrading methanogenic enrichment culture[J]. Front Microb, 2016, 7: 1431. doi: 10.3389/fmicb.2016.01431
[42] 蔡萍萍, 宁卓, 何泽, 等. 采油井场土壤微生物群落结构分布[J]. 环境科学, 2018, 39(7): 3329-3338. [43] LIAN T, JIN J, WANG G, et al. The fate of soybean residue-carbon links to changes of bacterial community composition in mollisols differing in soil organic carbon[J]. Soil Biol Biochem, 2017, 109: 50-58. doi: 10.1016/j.soilbio.2017.01.026
[44] CHAOUI H I, ZIBILSKE L M, OHNO T. Effects of earthworm casts and compost on soil microbial activity and plant nutrient availability[J]. Soil Biol Biochem, 2003, 35(2): 295-302. doi: 10.1016/S0038-0717(02)00279-1
[45] HORNER-DEVINE M C, CARNEY K M, BOHANNAN B J. An ecological perspective on bacterial biodiversity[J]. Biol Sci, 2004, 271(1535): 113-122.
[46] SINGH K P, SARKAR M C. Phosphorus availability in soils as affected by fertilizer phosphorus, sodium silicate and farmyard manure[J]. Indian J Agr Sci, 1992, 40(4): 762-767.
[47] BOSSUYT H, SIX J, HENDRIX P F. Protection of soil carbon by microaggregates within earthworm casts[J]. Soil Biol Biochem, 2005, 37(2): 251-258. doi: 10.1016/j.soilbio.2004.07.035
[48] OYEDELE D J, SCHJØNNING P, AMUSAN A A. Physicochemical properties of earthworm casts and uningested parent soil from selected sites in Southwestern Nigeria[J]. Ecol Eng, 2006, 28(2): 106-113. doi: 10.1016/j.ecoleng.2006.05.002
-
期刊类型引用(3)
1. 徐文青，丁爱霞，朱文卿. 基于数字图像处理技术的水果分级检测研究进展. 食品安全导刊. 2025(04): 183-189 . 
百度学术
2. 李彦龙，王加泽，杨乐平，张健滔. 基于深度相机的机器人目标定位. 工业控制计算机. 2025(03): 19-21 . 百度学术
3. 王明友，王达，宋卫东，孙玉利，张振烨，赵鑫培. 菇类采摘机器人研究现状和展望. 农业机械学报. 2024(S1): 1-8 . 百度学术
其他类型引用(6)
计量
- 文章访问数: 2246
- HTML全文浏览量: 5
- PDF下载量: 2990
- 被引次数: 9
