基于圖像處理的甘蔗莖節(jié)識(shí)別與定位

張衛(wèi)正，董壽銀，齊曉祥，裘正軍，吳　翔，何　勇

(1.浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州　310058；2.浙江省第二測(cè)繪院，杭州　310012；3.許繼集團(tuán)許繼電源有限公司，河南 許昌　461000)

?

基于圖像處理的甘蔗莖節(jié)識(shí)別與定位

張衛(wèi)正1，董壽銀2，齊曉祥3，裘正軍1，吳翔1，何勇1

(1.浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州310058；2.浙江省第二測(cè)繪院，杭州310012；3.許繼集團(tuán)許繼電源有限公司，河南 許昌461000)

摘要：為實(shí)現(xiàn)含有蔗芽的有效蔗種片段機(jī)器智能切斷，運(yùn)用圖像處理技術(shù)對(duì)甘蔗莖節(jié)進(jìn)行識(shí)別定位。通過(guò)背景轉(zhuǎn)換、灰度級(jí)變換、中值濾波和自動(dòng)閾值獲取甘蔗的二值化圖像；采用閾值和孔洞填充實(shí)現(xiàn)甘蔗區(qū)域的分割，通過(guò)regionprops函數(shù)測(cè)定該區(qū)域的質(zhì)心、傾角和等效長(zhǎng)短軸長(zhǎng)度；以分割后的甘蔗圖像對(duì)二值化圖像掩膜，得到含有莖節(jié)和干擾信息的圖像；對(duì)該圖像進(jìn)行旋轉(zhuǎn)，計(jì)算每列像素值之和，統(tǒng)計(jì)分析最大值所在列，并結(jié)合質(zhì)心、等效長(zhǎng)短軸得到莖節(jié)上下端點(diǎn)坐標(biāo)；以傾角的度數(shù)進(jìn)行反向旋轉(zhuǎn)，最終得到莖節(jié)位置。試驗(yàn)結(jié)果表明：甘蔗莖節(jié)識(shí)別與定位方法處理速度快，莖節(jié)識(shí)別率高，左右端的定位誤差分別小于0.9 mm和2.4 mm。

關(guān)鍵詞：甘蔗莖節(jié)；圖像處理；MatLab；掩膜；定位

0引言

甘蔗是我國(guó)的主要經(jīng)濟(jì)作物之一，2011年種植面積為15萬(wàn) hm2，甘蔗產(chǎn)業(yè)為經(jīng)濟(jì)發(fā)展和蔗農(nóng)脫貧致富提供了支撐[1]。甘蔗種植良種化和耕作機(jī)械化是產(chǎn)業(yè)的發(fā)展趨勢(shì)[2-3]，而國(guó)內(nèi)外的種植機(jī)大都未具備蔗種自動(dòng)切斷過(guò)程中防傷芽的功能，影響了產(chǎn)業(yè)的發(fā)展?，F(xiàn)有的方法為人工切斷和種植機(jī)的定長(zhǎng)切斷，效率有待提高。計(jì)算機(jī)圖像處理技術(shù)廣泛的應(yīng)用在缺陷檢測(cè)、品質(zhì)檢測(cè)、水果分級(jí)、蔬菜、農(nóng)業(yè)和食品工程等領(lǐng)域[4-8]。運(yùn)用計(jì)算機(jī)圖像處理技術(shù)識(shí)別甘蔗莖節(jié)，防止甘蔗種植機(jī)在切割過(guò)程中的傷芽，實(shí)現(xiàn)甘蔗的精細(xì)化種植，具有重要意義。

Moshashai等利用灰度圖像閾值分割的方法對(duì)甘蔗莖節(jié)識(shí)別做了初步研究[9]。目前，國(guó)內(nèi)在此領(lǐng)域的研究中,陸尚平等以甘蔗圖像 HSV 顏色空間的 S 分量經(jīng)閾值分割、數(shù)學(xué)形態(tài)濾波處理作為模板，和 H 分量經(jīng)閾值分割的反圖像進(jìn)行與運(yùn)算得到合成圖，采用支持向量機(jī)對(duì)合成圖各列塊識(shí)別莖節(jié)類與莖間類，對(duì)莖節(jié)列塊聚類識(shí)別得到莖節(jié)數(shù)與莖節(jié)位置[10]；但平均識(shí)別率為93.359%，且采用的算法需要較多的輸入量。黃亦其提出一種甘蔗莖節(jié)識(shí)別方法，通過(guò)灰度處理、Sobel 邊緣提取，結(jié)合數(shù)學(xué)形態(tài)學(xué)中的膨脹和腐蝕，獲得甘蔗莖節(jié)的邊緣直線，達(dá)到識(shí)別甘蔗莖節(jié)的目的[11]；但只定位了莖節(jié)的中間位置，沒(méi)有考慮采集的甘蔗圖像傾斜時(shí)定位的范圍。

本文提出基于數(shù)字圖像處理技術(shù)的甘蔗莖節(jié)識(shí)別定位方法，依據(jù)沿包含莖節(jié)的甘蔗的長(zhǎng)軸方向在灰度值上會(huì)有明顯的上升來(lái)識(shí)別莖節(jié)，并以最大值所在位置進(jìn)行莖節(jié)兩端的定位。為了提高定位精度，分割出甘蔗區(qū)域，并計(jì)算該區(qū)域的質(zhì)心、傾角和等效長(zhǎng)短軸長(zhǎng)度；以分割后的甘蔗圖像對(duì)二值化圖像掩膜，得到含有莖節(jié)和干擾信息的圖像；將該圖像以傾角反向旋轉(zhuǎn)，計(jì)算每列像素值之和，統(tǒng)計(jì)分析最大值所在列，并結(jié)合質(zhì)心、等效長(zhǎng)短軸，得到莖節(jié)上下端點(diǎn)坐標(biāo)，以傾角的度數(shù)再次進(jìn)行反向旋轉(zhuǎn)，最終得到莖節(jié)位置。該研究創(chuàng)新性地解決了實(shí)際生產(chǎn)過(guò)程中具有一定傾角的莖節(jié)快速、精確定位的問(wèn)題。

1甘蔗圖像采集及莖節(jié)形態(tài)分析

以浙江省義烏市甘蔗優(yōu)質(zhì)生產(chǎn)基地主產(chǎn)的“義紅一號(hào)”果蔗為研究對(duì)象。試驗(yàn)臺(tái)采用 OEM 品牌的型號(hào)為 C1745B 的攝像頭，該攝像頭采用 CMOS 傳感器，可進(jìn)行自動(dòng)曝光控制、白平衡和顏色校正?？紤]到相較于其它顏色，黑色背景可以消除甘蔗邊緣陰影的影響，所以在普通光源下采集黑色背景上的甘蔗彩色圖像。拍攝前先將甘蔗葉剝干凈，保持鏡頭主光軸與工作臺(tái)垂直。采集的圖像如圖 1(a) 所示。

其中，圖像大小為 320×240 像素，輸出的圖像格式是 JPEG。攝像頭通過(guò) USB 2.0 接口將采集到的圖像直接存入計(jì)算機(jī)。計(jì)算機(jī)操作系統(tǒng)是 Microsoft Windows 7，圖像處理軟件采用 MatLab2010b。

蔗芽環(huán)繞莖節(jié)分布，有時(shí)所拍攝圖像中蔗芽位于莖節(jié)的后側(cè)，因而在圖像中沒(méi)有顯示，因此以莖節(jié)的識(shí)別間接得到蔗芽的位置。圖 1(b) 中矩形框所圍部分為莖節(jié)，寬度在7～16 mm之間變化；莖節(jié)左端的白色部分是甘蔗葉與甘蔗莖節(jié)的連接部分，寬度在1.5～5mm。由于莖節(jié)白色部分特征相對(duì)明顯，本文先提取莖節(jié)白色部分然后進(jìn)行定位，進(jìn)而將定位范圍擴(kuò)展到整個(gè)莖節(jié)。

在實(shí)際的甘蔗圖像采集過(guò)程中，不能保證甘蔗區(qū)域處于完全水平狀態(tài)，會(huì)導(dǎo)致莖節(jié)與垂直方向有一定的夾角。為了提高莖節(jié)的定位精度，此時(shí)的定位范圍應(yīng)如圖1(b)兩條直線所示。

圖1　甘蔗圖像及莖節(jié)分析

2圖像分析處理

為了快速識(shí)別出莖節(jié)，采用目前常用的灰度級(jí)轉(zhuǎn)換、中值濾波及閾值處理等對(duì)原始圖像進(jìn)行預(yù)處理，獲取二值圖像；然后分割出甘蔗區(qū)域，測(cè)定該區(qū)域的質(zhì)心、傾斜角和等效長(zhǎng)短軸等相關(guān)參數(shù)；利用分割出的甘蔗區(qū)域圖像對(duì)二值化圖像進(jìn)行掩膜，以傾角反向旋轉(zhuǎn)掩膜后的圖像，使莖節(jié)處于垂直方向，以便于后續(xù)的莖節(jié)特征的計(jì)算和分析，流程如圖2所示。

2.1圖像預(yù)處理

經(jīng)過(guò)試驗(yàn)驗(yàn)證，在 MatLab 中的圖像自動(dòng)閾值處理函數(shù) graythresh 對(duì)白色背景中的甘蔗感興趣區(qū)域的閾值處理效果好于黑色背景，原因是增大了灰度圖像背景與待識(shí)別目標(biāo)的灰度差。因此，將圖 1(a) 中的黑色背景轉(zhuǎn)為白色，如圖 3 所示。

在MatLab2010b 中，可以使用圖像處理工具箱中的 fgb2gray 函數(shù)將 RGB 圖像轉(zhuǎn)換為灰度圖像，則有

Gray(x,y)=0.299R(x,y)+0.587G(x,y)+

0.114B(x,y)

(1)

其中，Gray(x,y)為圖像點(diǎn)(x,y)的灰度，R(x,y)、G(x,y)、B(x,y)為RGB圖像在點(diǎn)(x,y)的R、G、B分量的值。程序運(yùn)行結(jié)果如圖 4(a) 所示，濾波效果如圖 4(b) 所示。

圖2　莖節(jié)識(shí)別與定位流程圖

圖3　圖像背景轉(zhuǎn)換

圖4　圖像預(yù)處理

中值濾波法對(duì)消除椒鹽噪聲非常有效，對(duì)甘蔗表面的白色果粉小斑點(diǎn)也有較好的消除效果。中值濾波采用5×5的模板，濾波程序語(yǔ)句為：K = medfilt2(I, [5, 5])。

自動(dòng)閾值函數(shù) graythresh 會(huì)根據(jù)背景的不同，使用 Otsu 算法自動(dòng)調(diào)整閾值。Otsu 算法也稱最大類間差法，被認(rèn)為是圖像分割中閾值選取的最佳算法，不受圖像亮度和對(duì)比度的影響。設(shè)灰度圖像灰度級(jí)是L，則灰度范圍為[0,L-1]，利用 Ostu 算法計(jì)算圖像的最佳閾值為

t=max[w0(t)*(u0(t)-u)2+

w1(t)*(u1(t)-u)2]

(2)

其中，當(dāng)分割的閾值為t時(shí)，w0為背景比例：u0為背景均值；w1為前景比例；u1為前景均值；u為整幅圖像的均值[12]。使以上表達(dá)式值最大的t，即為分割圖像的最佳閾值。用閾值t分割圖像對(duì)原圖像f(x,y) 使用上面的準(zhǔn)則找到閾值t，進(jìn)行二值化。公式為

(3)

二值化的圖像如圖 5 所示。

圖5　二值化圖像

2.2圖像分割及傾角的測(cè)定

在 MatLab 中，可以使用圖像處理工具箱中的 regionprops 函數(shù)，測(cè)定感興趣區(qū)域的質(zhì)心、與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長(zhǎng)軸與x軸的交角(簡(jiǎn)稱傾角)，以及與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長(zhǎng)軸和短軸長(zhǎng)度(簡(jiǎn)稱等效長(zhǎng)軸和短軸)[13-15]。

為了測(cè)定圖像中甘蔗的傾角，需要確定甘蔗的實(shí)際區(qū)域，將采集的原始圖像的兩邊寬度各增加5列，并填充黑色使之與背景相同，如圖 6 所示。

圖6　將圖像寬度擴(kuò)展并填充黑色

圖像背景部分為黑色，可用閾值進(jìn)行二值化，實(shí)現(xiàn)了甘蔗區(qū)域的分割，如圖 7(a) 所示。從圖7(a)可以看到：白色的甘蔗區(qū)域中有較小塊的黑色孔洞。因此，使用孔洞填充函數(shù) imfill 將黑色背景上的白色連通區(qū)域內(nèi)的黑色孔洞填充為白色，效果如圖 7(b)所示。

為了實(shí)現(xiàn)莖節(jié)位置的定位，需要對(duì)感興趣區(qū)域的相關(guān)參數(shù)進(jìn)行提取(如甘蔗區(qū)域的質(zhì)心，相對(duì)于水平的X軸的傾角α，等效的長(zhǎng)軸ST、短軸UV的長(zhǎng)度等)，其示意圖如圖 8 所示。

圖7　圖像分割

圖8　甘蔗的長(zhǎng)短軸及傾角示意圖

程序語(yǔ)句為：

stats=regionprops(TIANC,′Orientation′,′BoundingBox′,′Centroid′,′MajorAxisLength′,′MinorAxisLength′);

可以采集到傾角α為stats.Orientation=11.5579，長(zhǎng)軸等效長(zhǎng)度為stats.MajorAxisLength= 370.090，短軸等效長(zhǎng)度為stats.MinorAxisLength = 180.1494。

2.3掩膜與旋轉(zhuǎn)圖像

將經(jīng)孔洞填充后分割出來(lái)的甘蔗圖像的兩邊寬度各減少5列，然后對(duì)甘蔗二值化圖像(見圖5)做掩膜，即可提取出來(lái)甘蔗圖像的帶有莖節(jié)信息的區(qū)域，如圖9(a) 所示。從圖9(a)中也可看出：除了莖節(jié)信息外，還有其他信息的干擾。

圖9　感興趣區(qū)域

利用已知的傾角，通過(guò)圖像旋轉(zhuǎn)函數(shù)語(yǔ)句GXQXZ=imrotate(GXQ,-stats.Orientation,′nearest′,′crop′)；將感興趣區(qū)域沿順時(shí)針?lè)较蛐D(zhuǎn)α。其中，GXQ 為圖9(a)，GXQXZ為旋轉(zhuǎn)后的圖像圖9(b)，′nearest′為最鄰近線性插值(Nearest-neighbor interpolation)，′crop′為通過(guò)對(duì)旋轉(zhuǎn)后的圖像進(jìn)行裁剪，保持旋轉(zhuǎn)后輸出圖像的尺寸和輸入圖像的尺寸一樣，效果如圖 9(b) 所示，從而保證莖節(jié)的白色部分處于垂直方向。

3查找最大值與甘蔗莖節(jié)定位

3.1圖像灰度曲線

從旋轉(zhuǎn)后的圖9(b)可以看出：莖節(jié)白色部分為連通區(qū)域，特征明顯。為了將其程度統(tǒng)計(jì)出來(lái)，可以把每列的像素值相加，畫出折線圖，得到的每列像素值之和的折線圖如圖 10所示。圖10中峰值所在的列就是莖節(jié)白色部分的中心所在的位置。

圖10　列像素值的折線圖(每列求總和)

3.2查找最大值

查找旋轉(zhuǎn)后的感興趣區(qū)域的折線圖上的最大值，程序語(yǔ)句為：

wzq = find( k11 = max( k11(:) ))；

其中，k11(:)為圖10中所有y坐標(biāo)值的數(shù)組集合，k11為其中的最大值。因?yàn)楦收崆o節(jié)具有一定的寬度，折線圖上有可能多個(gè)最大值(即wzq為數(shù)組集合而不是單個(gè)數(shù)字)，需要求取平均值來(lái)定位莖節(jié)的中心位置。程序語(yǔ)句為：

wzq1 = round(sum(wzq) / length(wzq))；

其中，wzq1莖節(jié)的中心位置坐標(biāo)，計(jì)算得到wzq1=181。通過(guò)對(duì)最大值設(shè)定閾值，即可實(shí)現(xiàn)對(duì)圖像有無(wú)莖節(jié)的判斷；同時(shí)，聯(lián)合對(duì)最大值的坐標(biāo)分布設(shè)定閾值，可對(duì)包含多個(gè)莖節(jié)的圖像進(jìn)行檢測(cè)。本文僅對(duì)圖像中包含一個(gè)莖節(jié)進(jìn)行研究討論。

3.3莖節(jié)位置定位

MatLab 中圖像的旋轉(zhuǎn)函數(shù)是以圖像坐標(biāo)的中心點(diǎn)為原點(diǎn)進(jìn)行旋轉(zhuǎn)，逆時(shí)針?lè)较驗(yàn)檎较?。例如，旋轉(zhuǎn)角度為β，則以圖像中心點(diǎn)為原點(diǎn)進(jìn)行旋轉(zhuǎn)的圖像中同一點(diǎn)在旋轉(zhuǎn)前后有如下關(guān)系，即

(4)

其中，(x,y)為旋轉(zhuǎn)后的圖像坐標(biāo)位置，(x′，y′)為旋轉(zhuǎn)之前的所在圖像的坐標(biāo)位置。MatLab 表示的圖像中像素坐標(biāo)是以圖像左上角為原點(diǎn)，第1行第1列的位置為I(1, 1)，圖像旋轉(zhuǎn)時(shí)以圖像坐標(biāo)中心I(m/2,n/2)為中心點(diǎn)進(jìn)行旋轉(zhuǎn)，其中m、n分別是圖像列數(shù)和行數(shù)。

wzq1為計(jì)算得到的旋轉(zhuǎn)后莖節(jié)所在位置在圖像坐標(biāo)x軸的值，運(yùn)用程序語(yǔ)句：xx= stats.Centroid；獲取甘蔗的最小外接矩形的質(zhì)心的坐標(biāo)值。運(yùn)用程序語(yǔ)句：xx1(1)=xx(2)-stats.MinorAxisLength/2;xx1(2)=xx(2)+stats.MinorAxisLength/2;獲取甘蔗的莖節(jié)所在位置的上端點(diǎn)和下端點(diǎn)的y值，從而得到了旋轉(zhuǎn)后的莖節(jié)上端點(diǎn)的圖像坐標(biāo)[wzq1, xx1(1)]，下端點(diǎn)的圖像坐標(biāo)[wzq1, xx1(2)]。結(jié)合旋轉(zhuǎn)前后圖像坐標(biāo)的轉(zhuǎn)換關(guān)系，計(jì)算得到旋轉(zhuǎn)前莖節(jié)白色部分上端點(diǎn)所在圖像的坐標(biāo)x(1) 和下端點(diǎn)的坐標(biāo)x(2)。由于采集圖像的攝像頭位置固定，相對(duì)于試驗(yàn)臺(tái)的間距也是一定的，以圖像的最左端為起點(diǎn)，將定位的x(1)、x(2) 所在的列轉(zhuǎn)換為以最左端為起點(diǎn)，以 mm 為測(cè)量單位，定位位置。

由于莖節(jié)寬度在7～15 mm之間變化，設(shè)定莖節(jié)的平均寬度為11 mm，莖節(jié)的左端為x(1)的位置，設(shè)定莖節(jié)的右端為x(3)，那么x(3) 就是x(1)的位置再加上 11*cos(α)+等效短軸*sin(α) mm。得到坐標(biāo)值后，在原始黑色背景的甘蔗圖像上以莖節(jié)上下端點(diǎn)的坐標(biāo)x(1) 、x(3)為坐標(biāo)畫兩條豎線，由此確定莖節(jié)范圍，如圖 11 所示。

圖11　確定莖節(jié)位置

4試驗(yàn)結(jié)果及誤差分析

從大量的甘蔗中隨機(jī)抽取20 組“義紅一號(hào)”果蔗試驗(yàn)樣品，并在樣品下端放置刻度尺，用于人工測(cè)量。采用同樣的圖像處理方法測(cè)量x(1)、x(3) 坐標(biāo)值所對(duì)應(yīng)的位置，并與人工測(cè)量值對(duì)比分析，驗(yàn)證本文所提出的甘蔗種莖節(jié)識(shí)別的準(zhǔn)確性。比較結(jié)果如圖12所示。

圖12　圖像測(cè)量與人工測(cè)量比較

對(duì)圖12的試驗(yàn)數(shù)據(jù)分析表明：采用圖像處理法得到的數(shù)據(jù)與人工測(cè)量的數(shù)據(jù)非常接近。平均絕對(duì)誤差公式為

(5)

由式(5)得到莖節(jié)兩端x(1)、x(3)的平均絕對(duì)誤差分別為0.6 mm和0.9 mm。

標(biāo)準(zhǔn)差公式為

(6)

由于采集的甘蔗圖像不能保證甘蔗莖節(jié)完全處于垂直方向，而是具有一定的傾角，本文提取并分析處理的是莖節(jié)上與甘蔗葉連接處的白色部分，也對(duì)該部分進(jìn)行定位，所以莖節(jié)左端x(1) 的定位誤差極小；總的莖節(jié)寬度在7～15 mm之間變化，右端x(3) 是在x(1)的基礎(chǔ)上加上了設(shè)定的11mm平均莖節(jié)寬度及相關(guān)修正參數(shù)的組合，進(jìn)行莖節(jié)右端的定位，右端x(3) 與真實(shí)的莖節(jié)右端有2.4 mm以內(nèi)的差值，誤差相對(duì)于x(1)稍大些，但完全在可接受的范圍內(nèi)。甘蔗不同莖節(jié)長(zhǎng)度不一是造成數(shù)據(jù)誤差的主要原因。本研究實(shí)現(xiàn)了全部樣本的莖節(jié)識(shí)別及定位；但個(gè)別甘蔗表面斑紋較明顯且面積較大時(shí)，會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生干擾。因此，判定左端點(diǎn)x(1) 、右端點(diǎn)x(3) 的位置，可以準(zhǔn)確定位莖節(jié)位置范圍。本文的算法可實(shí)現(xiàn)莖節(jié)位置定位，誤差非常小，可信度高。

5結(jié)論

1)針對(duì)甘蔗表面的白色果粉斑點(diǎn)，運(yùn)用中值濾波算法具有一定的去除效果。進(jìn)行自動(dòng)閾值前，將黑色背景轉(zhuǎn)換為白色背景，可改善二值化效果。

2)將圖像寬度做適當(dāng)擴(kuò)展，采用regionprops函數(shù)，提取甘蔗區(qū)域的質(zhì)心、傾角及等效長(zhǎng)短軸，對(duì)包含莖節(jié)信息的區(qū)域進(jìn)行量化分析。運(yùn)用旋轉(zhuǎn)因子對(duì)旋轉(zhuǎn)后的圖像坐標(biāo)進(jìn)行變換，得到甘蔗莖節(jié)在初始圖像的坐標(biāo)，定位莖節(jié)范圍，實(shí)現(xiàn)防傷芽的目的。

3)通過(guò)大量實(shí)驗(yàn)對(duì)算法可行性進(jìn)行驗(yàn)證，算法可準(zhǔn)確識(shí)別甘蔗莖節(jié)，定位誤差小。本文提出的甘蔗莖節(jié)識(shí)別與定位方法處理速度快，整個(gè)系統(tǒng)從采集圖像到計(jì)算出甘蔗莖節(jié)位置坐標(biāo)的時(shí)間為0.316 s。

參考文獻(xiàn)：

[1]程紹明，王俊，盧志樂(lè)，等. 小型整稈式甘蔗收割機(jī)改進(jìn)設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(4)：12-17.

[2]葉將龍，吳潔遠(yuǎn). 桂柳1號(hào)甘蔗的特征特性及高產(chǎn)栽培技術(shù)[J]. 現(xiàn)代農(nóng)業(yè)科技，2014(10): 110-112.

[3]陸尚平，黃林，陳炳森，等. 基于機(jī)器視覺的甘蔗種植機(jī)械化研究[J]. 廣西農(nóng)業(yè)機(jī)械化，2012(5): 28-29，32.

[4]ElMasry G, Cubero S, Moltó E, et al. In-line sorting of irregular potatoes by using automated computer-based machine vision system[J]. Journal of Food Engineering，2012，112(1): 60-68.

[5]Abbasgholipour M，Omid M，Keyhani A，et al. Color image segmentation with genetic algorithm in a raisin sorting system based on machine vision in variable conditions[J]. Expert Systems with Applications，2011，38(4): 3671- 3678.

[6]龔愛平，陳吉，裘正軍，等. 基于改進(jìn) Freeman 鏈碼的柑橘簇生區(qū)域數(shù)量判別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(11): 203-208.

[7]趙凱旋，何東健，王恩澤. 基于視頻分析的奶牛呼吸頻率與異常檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(10): 258-263.

[8]陳紅,夏青,左婷,等.基于機(jī)器視覺的花菇分選技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2014,45(1):281-287.

[9]Moshashai K， Almasi M， Minaei S， et al. Identification of sugarcane nodes using image processing and machine vision technology[J].International Journal of Agricultural Research，2008，3(5): 357-364.

[10]陸尚平，文友先，葛維,等. 基于機(jī)器視覺的甘蔗莖節(jié)特征提取與識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(10): 190-194.

[11]黃亦其，喬曦，唐書喜，等. 基于Matlab的甘蔗莖節(jié)特征分布定位與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(10): 93-97，232.

[12]趙小川. 現(xiàn)代數(shù)字圖像處理技術(shù)提高及應(yīng)用案例詳解(MATLAB版) [M]．北京: 北京航空航天大學(xué)出版社，2012.

[13]Chegini A H N，Tait S. Automated measurement of moving grains on bed deposits[J]. International Journal of Sediment Research，2011，26(3): 304-317.

[14]阮秋琦. 數(shù)字圖像處理(MATLAB版)[M]．北京: 電子工業(yè)出版社，2011.

[15]Mohammadamin Kashiha，Claudia Bahr，Sanne Ott，et al. Automatic identification of marked pigs in a pen using image pattern recognition[J].Computers and Electronics in Agriculture，2013，93:111-120.

Abstract ID:1003-188X(2016)04-0217-EA

The Identification and Location of Sugarcane Internode Based on Image Processing

Zhang Weizheng1， Dong Shouyin2， Qi Xiaoxiang3， Qiu Zhengjun1， Wu Xiang1， He Yong1

(1.Collage of Biosystems Engineering and Food Science， Zhejiang University， Hangzhou 310058，China； 2.The Second Surveying and Mapping Institute of Zhejiang Province， Hangzhou 310012， China； 3.XJ Group Corporation XJ Power Limited Company，Xuchang 461000，China)

Abstract：To achieve cut of sugarcane fragments containing internodes by intelligence machine effectively，used image processing techniques to identification and location sugarcane internode. By way of background conversion，grayscale conversion，median filtering and automated threshold to obtain a binary image of sugarcane，used thresholds and fill holes to extract the effective area of sugarcane，measured the centroid，inclination，equivalent major axis and minor axis length of the region by regionprops function; extracted the interest area of cane by mask the binary image; rotated the image and summation the values for each column of pixels，analysised the position of the maximum values，combined with the centroid，equivalent major axis and minor axis to get the 2 coordinates of internode，reverse rotation the degree of inclination to get internode position finally. Experimental results showed that the method of identification and localization of sugarcane internode had advantage of processing speedly，identification rate was high，the positioning error of left and right ends were within 0.9 mm and 2.4 mm.

Key words：sugarcane internode；image processing；MatLab；mask；location

文章編號(hào)：1003-188X(2016)04-0217-05

中圖分類號(hào)：S15；TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡(jiǎn)介：張衛(wèi)正(1982-)，男，河南安陽(yáng)人，博士研究生，(E-mail )weizheng008@126.com。通訊作者：裘正軍(1971-)，男，浙江嵊州人，教授，博士生導(dǎo)師，(E-mail)zjqiu@zju.edu.cn。

基金項(xiàng)目：國(guó)家高技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(2012AA101903)

收稿日期：2015-03-18