在印度，生花生通常以豆荚形式被收获与贩卖。其价格基础主要以人工估计的花生荚果和籽粒的基本特征为主。然而人工估计的各类方法不仅效率低，而且可能会导致出现不规范的采购行为。采购的延误合并存储设施的缺乏会导致出现花生出现真菌污染，严重危害多个地区的粮食安全。本研究利用X光技术探究了快速评估对花生定价重要的各类品质特征的可行性。

　　研究基于计算机断层扫描(CT)系统采集了1752张花生荚果的二维X光投影图。选用了影响花生价格的重要指标(果仁重和壳重)作为预测指标进行了建模分析。研究选用了两种特征预测方法作为对比，包括X光图像转换和卷积神经网络。通过与花生荚果真实的粒重和壳重进行比较，验证了特征分析方法的预测能力。其中，X光图像转换通过Ostu阈值分割等方法获得了花生荚果与外壳的掩码图像，并根据图像像素虚拟重量和线性分析方法评估了花生荚果的真实重量。卷积神经网络的输入为去除背景的花生荚果的虚拟重量图像，训练标签为花生荚果真实的粒重和壳重。

　　研究结果表明，在荚果重量预测中，X光图像转换方法的预测决定系数达到了0.93，卷积神经网络的预测决定系数达到了0.95。在壳重预测中，卷积神经网络大幅超越了X光图像转换方法，决定系数达到了0.91，平均误差达到0.09。基于X光技术的花生性状估计方法是一种可行的选择。但是需要进一步进行研究以配合现有的X光系统实现更多花生性状的快速、准确和客观的评估。本研究验证了该基于X光成像方法的技术可行性，为未来实现成像技术驱动的花生生产系统转型提供了新思路。

　　图1花生品质评估的过程与挑战

　　图2 花生荚果的粒重和壳重的回归结果(a-b：卷积神经网络的结果;c-d：X光图像转换的结果)

　　图3 本研究的技术流程图

　　图4 基于CT系统的X光投影图像的处理步骤(a：原始图像;b：边界去除后的图像;c：对不含花生荚果的边界区域进行平均后的图像;d：从b中减去c的图像;e：d的绝对值图像;f：基于阈值分割的图像;g：背景网格取I0值的图像;h：转换为虚拟重量的图像;j-i：外壳和荚果的虚拟重量图像)

　　来源：Domhoefer M, Chakraborty D, Hufnagel E, et al. X-ray driven peanut trait estimation: computer vision aided agri-system transformation[J]. Plant Methods, 2022, 18(1): 1-14.

　　编辑：张金诺