基于圖像處理的草莓匍匐莖定位技術(shù)研究

周偉 崔明

[摘要]草莓匍匐莖定位技術(shù)是草莓匍匐莖扦插繁苗機器人順利完成扦插任務(wù)的關(guān)鍵。本文對草莓匍匐莖的定位技術(shù)進(jìn)行研究，首先提取匍匐莖圖像在HSV顏色空間模型下的H分量圖像，并利用圖像分割技術(shù)獲得匍匐莖區(qū)域圖像;然后對匍匐莖區(qū)域圖像進(jìn)行形態(tài)學(xué)處理和連通域特征分析，獲得匍匐莖根部區(qū)域圖像;最后利用基于距離變化的分水嶺算法完成草莓匍匐莖目標(biāo)區(qū)域的分割和定位。實驗結(jié)果表明，所采用的方法對草莓匍匐莖的定位實時性好、定位精度高，能夠滿足實際生產(chǎn)需求。

[關(guān)鍵詞]草莓;匍匐莖;定位;圖像處理

當(dāng)前革莓育苗方式中，草莓匍匐莖繁殖是最主要的繁殖方法[1]。當(dāng)前針對草莓的扦插移栽技術(shù)主要采取人工分揀續(xù)苗法和穴盤苗投放法。人工分揀續(xù)苗法采用人工方式進(jìn)行子苗的扦插，具有勞動強度大、作業(yè)效率低下和人力成本較高等缺點;穴盤苗投放法是將穴盤苗從高密度穴盤向低密度穴盤或者花盆里自動移栽，作業(yè)效率高，但此類移栽設(shè)備的本體是固定不能完成穴盤苗移栽至設(shè)施種植區(qū)域的任務(wù)[2]。

隨著圖像處理技術(shù)的快速發(fā)展，視覺檢測和定位技術(shù)開始廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域，比如病蟲害檢測、采摘機器人等，大大推動了農(nóng)業(yè)機械化、智能化的進(jìn)程[3-4]。本文針對草莓匍匐莖扦插技術(shù)的機械化、智能化需求，對自然狀態(tài)下的草莓匍匐莖扦插子苗進(jìn)行識別與定位，以期提高草莓匍匐莖扦插繁苗智能分揀技術(shù)的適用性。

草莓匍匐莖圖像及根部特征區(qū)域見圖1。如圖1（a）所示，草莓匍匐莖主要包括根、莖、葉等部分，為了提高匍匐莖定位算法的穩(wěn)定性，同時考慮到匍匐莖根部為扦插育苗的關(guān)鍵區(qū)域，因此選擇特征穩(wěn)定的根部目標(biāo)區(qū)域為研究對象完成匍匐莖定位，如圖1（b）所示。

1 硬件系統(tǒng)構(gòu)成

草莓匍匐莖定位系統(tǒng)主要包括硬件系統(tǒng)和軟件算法兩部分。硬件系統(tǒng)上，需要針對特定的檢測和定位要求選擇分辨率合適的相機、鏡頭和光源，其中光源為自然光條件下，硬件系統(tǒng)結(jié)構(gòu)見圖2。

（1）相機和鏡頭。根據(jù)定位精度要求，選擇分辨率為的2048×2048像素的工業(yè)CCD相機，根據(jù)視野和工作距離選擇焦距為25mm的computar工業(yè)鏡頭。

（2）工控機。圖像處理終端，主要完成圖像采集與圖像處理，工控機的性能直接決定圖像處理的效率，這里選擇研華ARK-2150L型高性能無風(fēng)扇嵌入式工控機。

2 軟件算法設(shè)計

軟件算法是圖像處理的核心和關(guān)鍵，直接決定了圖像處理的速度和效率，主要包括圖像采集和圖像處理[5]。圖像采集是圖像處理的前提，主要任務(wù)是獲取高質(zhì)量的圖像[6];圖像處理主要包括圖像預(yù)處理、圖像分割、ROI區(qū)域提取、區(qū)域特征分析等步驟，具體的軟件算法流程見圖3。

2.1 顏色空間變換

HSV模型能夠用來捕述圖像的色調(diào)、飽和度和透明度，是一種常用的顏色空間模型[7]。鑒于自然條件下圖像拍攝的亮度存在變化，因此選取HSV空間中與亮度無關(guān)的色調(diào)和飽和度通道進(jìn)行分析。HSV顏色空間圖像見圖4，在HSV模型空間圖像中，H空間圖像中的匍匐莖區(qū)域相對背景區(qū)域差異最為明顯，同時考慮到單通道圖像處理速度更快，所以選擇H通道圖像進(jìn)行分析。

2.2 閾值分割

常用的閾值分割方法有全局閾值法和局部閾值法，全局閾值法又分為手閾值法和自動閾值法，鑒于局部閾值法計算量比較大，同時為了提高圖像檢測的白適應(yīng)性，這里選擇基于最大類間方差法的全局自動閾值法[8]。

設(shè)圖像的大小為M×N，各灰度級的概率為p_i=n_i/MN。設(shè)閾值為k，將圖像二值化為區(qū)域C₁和C₂，他們的均值分別為u₁和u₂，概率分別為p₁（k）和p₂（k），則：

其中01（k）u₁+P₂（k）u₂

（2）

目標(biāo)函數(shù)為： g（k）=u=P₁（k）（u₁-u）²+P₂（k）（u₂-u）²

（3）

最大類間方差法選擇滿足g（k）最大時的k值作為分割閾值，分割效果如圖5所示，可以看出基于最大方差的閾值分割法可以有效地提取目標(biāo)，便于后續(xù)的進(jìn)一步處理。

2.3 形態(tài)學(xué)處理

圖5顯示閾值分割后的圖像存在噪聲干擾，為了順利完成后續(xù)的測量與分析，需要去除圖像中的噪聲區(qū)域。對于二值圖像，常用的去噪方法有形態(tài)學(xué)中的膨脹、腐蝕、開和閉方法[9]。膨脹操作能夠使圖像的物理邊界擴(kuò)大;腐蝕操作與膨脹作用相反正，其會消融圖像的邊界;開運算和閉運算是膨脹和腐蝕的結(jié)合，其中開運算是先腐蝕后膨脹，可以使圖像的輪廓更加光滑，并能夠消除小于結(jié)構(gòu)元素的干擾;閉運算與開運算正好相反，其對圖像先膨脹后腐蝕，具有彌合狹窄間斷和填充孔洞的作用[10]。

形態(tài)學(xué)處理結(jié)果見圖6。根據(jù)上述分析，為了祛除圖像中的噪聲干擾區(qū)域，首先對圖像進(jìn)行形態(tài)學(xué)開運算，結(jié)果如圖6（a）所示;鑒于一般情況選定白色區(qū)域作為前景，因此對圖像進(jìn)行取反操作結(jié)果如圖6（b）所示;為了提取根部區(qū)域，對圖像進(jìn)行開運算，祛除了莖部區(qū)域，為了便于后續(xù)的區(qū)域特征分析，對各區(qū)域進(jìn)行孔洞填充處理，結(jié)果如圖6（c）所示。

2.4 區(qū)域特征分析與提取

由圖6（c）可以看出，經(jīng)過二值化和ROI提取后的圖像包含了目標(biāo)區(qū)域和噪聲區(qū)域，其中根部區(qū)域為日標(biāo)區(qū)域，其他區(qū)域為噪聲區(qū)域。將灰度值一致，且滿足8鄰接的像素判定為相同區(qū)域，即X={Z_i}^{M_i-1，其中Z_i表示第i個連通區(qū)域。為了提取目標(biāo)區(qū)域，對連通區(qū)域的特征進(jìn)行分析，常用的連通域特征包括面積、圓度、緊密度、凸?fàn)钚?、輪廓邊界、輪廓矩等[11]。通過對連通區(qū)域的特征進(jìn)行分析，同時考慮到圖像處理速度，這里采用面積特征實現(xiàn)根部目標(biāo)區(qū)域的提取。}

區(qū)域特征分析與提取結(jié)果見圖7。根據(jù)公式（4）提取出像素面積在（S_Min，S_Max）的目標(biāo)特征區(qū)域X₁，提取出的連通區(qū)域如圖7（a）所示。鑒于目標(biāo)區(qū)域集中在提取出的根部區(qū)域，為了提高圖像處理的速度，這里將目標(biāo)區(qū)域的最小外接矩形區(qū)域設(shè)置為感興趣區(qū)域（ROI），區(qū)域最小外接矩形如圖7（b）所示，ROI圖像如圖7（c）所示。

2.5 目標(biāo)區(qū)域定位

為了進(jìn)一步提取根部目標(biāo)特征區(qū)域，圖像處理的關(guān)鍵問題是完成特征區(qū)域的分割，本文提出了一種基于距離變換的分水嶺算法。

首先對圖像進(jìn)行閾值分割，閾值分割及特征區(qū)域提取結(jié)果見圖8。為了提高圖像分割的白適應(yīng)性，采用最大類間方差閾值分割法，圖像分割結(jié)果如圖8（a）所示?？梢钥闯觯?jīng)過閾值分割后的圖像區(qū)域包含很多噪聲干擾區(qū)域，其中目標(biāo)區(qū)域的面積最大，因此對連通區(qū)域面積特征進(jìn)行分析，提取面積最大的區(qū)域作為目標(biāo)區(qū)域，區(qū)域提取結(jié)果如圖8（b）所示?？梢钥闯?，根部特征區(qū)域包含一些連通的小塊區(qū)域，且不同區(qū)域塊的深度信息不同，為了提高圖像定位的準(zhǔn)確度和精度，優(yōu)先提取面積最大的特征區(qū)域完成匍匐莖定位。圖像處理的關(guān)鍵問題轉(zhuǎn)化為如何祛除區(qū)域之間的聯(lián)通區(qū)域，進(jìn)而提取面積最大的特征區(qū)域。

距離變換是通過計算目標(biāo)像素和背景像素的距離關(guān)系將二值圖像轉(zhuǎn)化為灰度圖像，對提取的ROI區(qū)域圖像進(jìn)行距離變換，可以計算出目標(biāo)點與背景區(qū)域的距離信息[12]。這里定義二值圖像I的連通區(qū)域為S，目標(biāo)區(qū)域為O，背景區(qū)域為B，其距離變換D的計算公式如式（5）所示。

D（p）二Min（disf（p，q）） p∈O，q∈B

（5）

經(jīng)過距離變換后的圖像灰度值范圍較小，根據(jù)公式（7），對圖像f（x，y）做灰度拉伸處理，圖像處理結(jié)果見圖9。

G（x，y）=255×|f（x，y）-Min|/|Max-Min|

（7）

通過距離變換，原本相互連通的特征區(qū)域之間出現(xiàn)了更為明顯的隔離，為了進(jìn)一步分離相連通的特征區(qū)域塊，本文采用了一種基于閾值標(biāo)記的分水嶺分割方法，結(jié)果見圖10。其中圖像分割結(jié)果如圖10（a）所示。通過圖像分割，原本相互連通的區(qū)域被分開，為了提取面積最大的連通區(qū)域，這里對連通區(qū)域的面積特征進(jìn)行分析，提取面積最大的連通區(qū)域，結(jié)果如圖10（c）所示。

3 結(jié)果與分析

3.1 實驗結(jié)果

本課題巾對草莓匍匐莖的定位檢測要求：定位誤差為±0.5mm。為了驗證算法的實現(xiàn)效果，實驗運行環(huán)境CPL為Inler Core i7-3517UE CPU2.20GHz，內(nèi)存為8GB，操作系統(tǒng)為Windows7，采用VS 2010平臺完成了算法的實現(xiàn)，系統(tǒng)軟件運行見圖11。

計算系統(tǒng)從采集到處理一幀圖像的時間不到0.2s，以看出系統(tǒng)定位的實時性較好。為了驗證系統(tǒng)的穩(wěn)定性，這里在不同光照環(huán)境下重復(fù)檢測定位同一草莓匍匐莖，計算每次檢測的特征區(qū)域中心位置，得到的結(jié)果見表1。

其中估計誤差是根據(jù)目標(biāo)區(qū)域中心位置像素與平均像素的歐式幾何距離汁算得到，考慮相機標(biāo)定，根據(jù)相機CCD尺寸、拍攝距離和鏡頭焦距等參數(shù)可以汁算出當(dāng)前相機的空間分辨率為0.073mm/pix，可以看出不同光照環(huán)境下的重復(fù)定位誤差完全能夠達(dá)到檢測要求。

3.2 誤差分析

（1）閾值分割誤差。在不同光照環(huán)境下，目標(biāo)區(qū)域定位過程中通過最大類間方差法計算得到的閾值也會不同，因此不同光照環(huán)境下的閾值分割可能會存在微小的偏差。

（2）分水嶺閾值誤差。本文采用的分水嶺分割方法需要設(shè)定合適的分水嶺閾值，分水嶺閾值的高低影響了分割區(qū)域的變化。

4 結(jié)論

本文基于圖像處理技術(shù)對草莓匍匐莖定位技術(shù)進(jìn)行分析，提取H空間模型圖像進(jìn)行分析，通過圖像分割、形態(tài)學(xué)處理和區(qū)域特征分析方法提取匍匐莖根部區(qū)域，利用基于距離變換的分水嶺方法完成草莓匍匐莖目標(biāo)區(qū)域的檢測和定位，通過對算法的驗證性分析，表明該算法能夠?qū)崟r、準(zhǔn)確的完成草莓匍匐莖的定位，能夠滿足草莓匍匐莖的在線檢測定位需求。

參考文獻(xiàn)

[1]本刊編輯.草莓繁苗田的管理措施[J].北方園藝，2017 （9）：52.

[2]楊濤，張云偉，茍爽.基于機器視覺的草莓自動分級方法研究[J].食品與機械，2018 （3）：146-150.

[3]馬瑛，楊旭.草莓采摘機器入成熟果實識別及避障控制系統(tǒng)研究——基于ARM與FPGA[J].農(nóng)機化研究，2017 （2）：181-185.

[4]張凱良，楊麗，王糧局，等.高架草莓采摘機器人設(shè)計與試驗[J].農(nóng)業(yè)機械學(xué)報，2012 （9）：165-172.

[5]胡波.利用機器視覺防治草莓苗期雜草的研究[J].微計算機信息，2007 （29）：197-198.

[6]張凱良，楊麗，張鐵中.草莓采摘位置機器視覺與激光輔助定位方法[J].農(nóng)業(yè)機械學(xué)報，2010 （4）：151-156.

[7]楊春德，郭帥.改進(jìn)基于HSV空間的陰影檢測算法[J].計算機工程與設(shè)計，2018 （1）：255-259.

[8]李揚，楊長輝，胡友呈，等，基于凸殼及距離變換的重疊柑橘目標(biāo)識別與定位方法[J].現(xiàn)代制造工程，2018 （9）：82-87.

[9]趙夢超，孔令成，譚治英基于改進(jìn)Otsu法的鍍膜金屬帶缺陷分割[J].計算機工程與設(shè)計，2018 （9）：2811-2816.

[10]李良，楊潔明.基于HSV空間與形態(tài)學(xué)的石油套管計數(shù)方法[J].現(xiàn)代電子技術(shù)，2018 （15）：79-82.

[11]李克斌，余厚云，周申江.基于形態(tài)學(xué)特征的機械零件表面劃痕檢測[J].光學(xué)學(xué)報，2018 （8）：260-266.

[12]徐少平，劉小平，李春泉，等，基于區(qū)域特征分析的快速FCM圖像分割改進(jìn)算法[J].模式識別與人工智能，2012 （6）：987-995.