自然環(huán)境下貼疊葡萄串的識(shí)別與圖像分割算法

劉 平，朱衍俊，張同勛，侯加林

（山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院，山東省園藝機(jī)械與裝備重點(diǎn)實(shí)驗(yàn)室，智能化農(nóng)業(yè)機(jī)械與裝備實(shí)驗(yàn)室，泰安 271018）

0 引 言

近年來(lái)，中國(guó)葡萄種植面積與產(chǎn)量逐年增加，但采摘仍以人工為主，機(jī)械化程度低。目前中國(guó)葡萄采收機(jī)器人的研制處于初始階段，其中葡萄的識(shí)別與分割是葡萄采收機(jī)器人的關(guān)鍵，尤其貼疊葡萄串的識(shí)別與分割更是亟待解決的問(wèn)題。

國(guó)外針對(duì)自然條件下果蔬的識(shí)別分割研究起步較早。Kondo等[1]較早地利用葡萄在不同光譜的映射下進(jìn)行識(shí)別分割；Font等[2]究研了人工光照情況下的識(shí)別與定位情況；基于YIQ顏色空間的成熟果實(shí)的識(shí)別方法[3]被廣泛應(yīng)用，識(shí)別單個(gè)果實(shí)成功率高達(dá)93%；對(duì)一套基于彩色信息對(duì)自然環(huán)境下識(shí)別葡萄系統(tǒng)[4]進(jìn)行研究。雖然上述研究提出的光譜以及顏色空間的方法對(duì)于單串目標(biāo)葡萄串有較高的識(shí)別成功率，但由于貼疊葡萄串中的目標(biāo)葡萄串與干擾葡萄的光譜、顏色特性的極大相似性，此類方法并不適用于貼疊葡萄串的識(shí)別與分割。雖然國(guó)外對(duì)單個(gè)果實(shí)（如番茄）的識(shí)別與分割技術(shù)已經(jīng)比較成熟，但是對(duì)于貼疊的果實(shí)，尤其是穗狀果實(shí)（如葡萄）的識(shí)別與分割研究較少。

近年國(guó)內(nèi)對(duì)在復(fù)雜環(huán)境下的目標(biāo)跟蹤識(shí)別及三維重構(gòu)的研究在不同領(lǐng)域取得了一些成果，為智能機(jī)器人在復(fù)雜農(nóng)業(yè)場(chǎng)景的應(yīng)用帶來(lái)了新的前景。水果采摘機(jī)器人對(duì)果蔬的識(shí)別與分割方法的研究也取得了成果，Lin等通過(guò)一種低成本的RGB-D深度傳感器成功實(shí)現(xiàn)番石榴果實(shí)的姿態(tài)檢測(cè)與預(yù)估[5]；同期出現(xiàn)一種基于輪廓信息的幾何匹配與聚合方法，自然環(huán)境下成功識(shí)別柑橘、番茄、苦瓜等大多數(shù)果蔬[6]；而一種基于雙目立體視覺(jué)的葡萄串空間信息獲取方法被Luo等用作葡萄采摘點(diǎn)的確定[7]。此外，利用Hough圓擬合方法對(duì)橘子進(jìn)行識(shí)別分割，利用橘子的形狀與圓進(jìn)行擬合[3，8]；利用Elsd算法實(shí)現(xiàn)了對(duì)單粒葡萄果實(shí)的分割與半徑測(cè)量[9]，且半徑誤差平均值為0.53mm；基于圖像輪廓分析的堆疊葡萄果粒尺寸檢測(cè)的方法[10]，通過(guò)輪廓分析獲取凹點(diǎn)，以分段圓擬合實(shí)現(xiàn)重疊葡萄果粒的分割識(shí)別，以輪廓分析為基礎(chǔ)實(shí)現(xiàn)對(duì)葡萄果行識(shí)別與測(cè)量。楊慶華等[11]利用葡萄輪廓的外接矩陣對(duì)葡萄進(jìn)行精準(zhǔn)定位；對(duì)自然環(huán)境下靜止?fàn)顟B(tài)的葡萄進(jìn)行了視覺(jué)定位的算法研究[12]，通過(guò)輪廓分析進(jìn)行整串葡萄的識(shí)別；也有通過(guò)改進(jìn)的超綠特征模型和遺傳算法對(duì)葡萄進(jìn)行圖像分割與識(shí)別[13]，而顏色通道對(duì)貼疊葡萄串中的目標(biāo)葡萄串的識(shí)別與分割有待深入研究與探索。

上述研究多是針對(duì)單個(gè)目標(biāo)進(jìn)行的識(shí)別分割，對(duì)于重疊或者貼疊果實(shí)的識(shí)別與分割并未涉及。苗中華等[14]通過(guò)Sobel算子以及改進(jìn)的最大類方差法辨識(shí)重疊果實(shí)目標(biāo)，再結(jié)合K-means以及邊緣檢測(cè)獲得的輪廓信息的連通區(qū)域得到單個(gè)目標(biāo)的大致區(qū)域；通過(guò)Chan-Vese模型與改進(jìn)的八鄰域Sobel算子對(duì)重疊葉片實(shí)現(xiàn)精準(zhǔn)分割[15]，這些文獻(xiàn)的研究對(duì)象為單個(gè)目標(biāo)的貼疊，具有較好的重疊特性，但是對(duì)于貼疊葡萄串識(shí)別成功率較低。羅陸鋒等[16]提出的基于輪廓分析的雙串疊貼葡萄目標(biāo)識(shí)

別方法能將貼疊葡萄串的分界線顯現(xiàn)，但對(duì)于貼疊部分的葡萄輪廓不能細(xì)致精準(zhǔn)劃分，由此可導(dǎo)致葡萄采收機(jī)器人不能對(duì)貼疊葡萄串中的目標(biāo)葡萄串進(jìn)行精準(zhǔn)識(shí)別與分割。所以，本文利用K-means聚類算法獲取貼疊葡萄串區(qū)域，并對(duì)其輪廓進(jìn)行分析，通過(guò)Chan-Vese模型進(jìn)行迭代識(shí)別，最終實(shí)現(xiàn)對(duì)完整目標(biāo)葡萄串的精準(zhǔn)分割。本文所提出的方法可提高完整貼疊葡萄串識(shí)別與分割的精確度，可為葡萄采摘機(jī)器人識(shí)別與分割貼疊葡萄串中的目標(biāo)葡萄串提供一種可行的方法。

1 圖像采集與處理

1.1 圖像采集

本文所用的所有葡萄圖像拍攝于2019年7月15日上午09:00－12:00，在山東省果蔬研究所金牛山基地采集，天氣晴，氣溫23～31℃，葡萄品種為夏黑，共拍攝1 200張，相機(jī)采用佳能（Canon）EOS M6型號(hào)，相機(jī)曝光模式為自動(dòng)曝光，曝光時(shí)間為1/200 s，拍攝距離為300～1 200 mm，拍攝角度與地面平行，采集的圖像約為380萬(wàn)像素（2 400×1 600），后期多次采用雙線性差值方法進(jìn)行圖像的行列縮放，將圖片像素調(diào)整至約9萬(wàn)（257×351），可節(jié)省圖像的處理時(shí)間，提高算法的實(shí)用性。

圖1 左右貼疊葡萄串Fig.1 Left and right overlapping grape clusters

貼疊葡萄串根據(jù)目標(biāo)葡萄串的位置不同分為左右貼疊與上下貼疊。左右貼疊具體劃分為目標(biāo)葡萄串在貼疊葡萄串左側(cè)，右側(cè)葡萄被遮擋，如圖1a所示；目標(biāo)葡萄串在貼疊葡萄串右側(cè)，左側(cè)葡萄被遮擋，如圖1b所示。此外，本文將上下貼疊葡萄串圖像逆時(shí)針旋轉(zhuǎn)90°，上下貼疊轉(zhuǎn)變成左右貼疊，從而進(jìn)行與左右貼疊葡萄串相同的試驗(yàn)處理步驟，如圖2所示。

1.2 圖像預(yù)處理

圖像預(yù)處理在圖像識(shí)別與分割過(guò)程中起關(guān)重要作用，為了將貼疊葡萄串中的目標(biāo)葡萄串準(zhǔn)確識(shí)別與分割，本文將采集到的RGB彩色圖像轉(zhuǎn)換成便于圖像識(shí)別與分割的顏色空間，獲取分辨度最高的顏色分量進(jìn)行后期的圖像處理。

本文以RGB顏色空間圖像為基礎(chǔ)，分別轉(zhuǎn)換至HSV顏色空間與YCbCr顏色空間進(jìn)行對(duì)比試驗(yàn)，發(fā)現(xiàn)在HSV顏色空間中的H分量與地面、樹干、葉子之間具有較高分辨度，有利于貼疊葡萄串區(qū)域的識(shí)別與獲取，如圖3所示。

其次，通過(guò)分析各分量直方圖（如圖4所示），并與HSV顏色空間中的分量對(duì)比，發(fā)現(xiàn)H分量有較好的雙峰效果；與YCbCr顏色空間中的Y分量、Cr分量對(duì)比，雙峰效果明顯；雖然YCbCr顏色空間中的Cb分量也有雙峰效果，但HSV顏色空間中H分量雙峰效果明顯，且YCbCr顏色空間中Cb分量雙峰間距相對(duì)較小，波谷數(shù)值較大，波高較小，不利于貼疊葡萄串與背景的分離，綜合各種影響因素，本文采用H分量作為圖像分割的基礎(chǔ)圖像，運(yùn)用聚類方法進(jìn)行快速分割。

圖4 HSV和YCbCr顏色空間的各分量直方圖Fig.4 Histogram of HSV and YCbCr color space components

H分量計(jì)算式如下：

2 目標(biāo)葡萄串的識(shí)別與分割

本文提出的貼疊葡萄串的算法流程圖如圖5所示。首先將收集的圖像進(jìn)行預(yù)處理，包括確定貼疊葡萄串區(qū)域，去噪，提取貼疊葡萄串輪廓；進(jìn)而采用輪廓分析與幾何約束，分析葡萄輪廓，獲取葡萄輪廓左右極值、上下拐點(diǎn)與中點(diǎn)；通過(guò)對(duì)圖像中的葡萄區(qū)域長(zhǎng)寬比的限制，實(shí)現(xiàn)圖像中葡萄貼疊性質(zhì)的判定：?jiǎn)未咸眩笥屹N疊或上下貼疊。若圖像中葡萄為單串葡萄，直接進(jìn)行目標(biāo)葡萄串的分割與識(shí)別；若圖像中的葡萄區(qū)域?yàn)樽笥屹N疊葡萄串，則根據(jù)中點(diǎn)與上下拐點(diǎn)之間的斜率判斷目標(biāo)葡萄串的位置，并且以中點(diǎn)為原點(diǎn)建立基于輪廓分析的貼疊葡萄串的幾何計(jì)算模型，分別在順時(shí)針?lè)较?5°～135°以及225°～315°區(qū)域內(nèi)搜索距離原點(diǎn)最近的葡萄輪廓點(diǎn)[16]，得到貼疊葡萄串邊緣輪廓交界處拐點(diǎn)；通過(guò)獲取目標(biāo)葡萄串的中心點(diǎn)得到Chan-Vese模型的原點(diǎn)，進(jìn)而以Chan-Vese模型獲取葡萄貼疊部分的信息，輔以圖像融合獲取最終的目標(biāo)葡萄串輪廓；若為上下貼疊葡萄串，則自動(dòng)將圖片逆時(shí)針旋轉(zhuǎn)90°，之后進(jìn)行與左右貼疊葡萄同樣的處理方法，最終成功識(shí)別與分割目標(biāo)葡萄串。

圖5 算法流程圖Fig.5 Flowchart of algorithm

2.1 貼疊葡萄串及輪廓信息獲取

通過(guò)圖像預(yù)處理提取HSV空間中的H分量后，采用K-means聚類算法對(duì)H分量圖進(jìn)行分割[16-17]，獲取貼疊葡萄串圖像信息。將K-means得到的貼疊葡萄串圖像進(jìn)行提取并進(jìn)行形態(tài)學(xué)處理，包括去噪[18]，填補(bǔ)空白區(qū)域等操作，得到如圖6a所示貼疊葡萄串的二值圖像；采用Sobel算子對(duì)貼疊葡萄串二值圖像進(jìn)行分析，獲得貼疊葡萄串輪廓信息，如圖6b所示。

圖6 葡萄串及其輪廓提取Fig.6 Grape cluster and its contour extraction

2.2 輪廓分析獲取拐點(diǎn)信息

由于葡萄串成穗狀，且在自然環(huán)境下貼疊葡萄串相對(duì)位置多變，傳統(tǒng)的凹點(diǎn)檢測(cè)與霍夫變換方法難以對(duì)貼疊葡萄串的拐點(diǎn)進(jìn)行提取[9-10，19]；通過(guò)觀察分析，大多數(shù)貼疊葡萄串在交界處會(huì)出現(xiàn)拐點(diǎn)且靠近輪廓中心區(qū)域并且都是成對(duì)出現(xiàn)，因此對(duì)輪廓進(jìn)行分析得到上下2個(gè)拐點(diǎn)。首先，根據(jù)輪廓特性，建立如圖7所示的幾何計(jì)算模型。設(shè)圖像列坐標(biāo)方向?yàn)閄軸正方向，橫坐標(biāo)方向?yàn)閅軸正方向[16]。根據(jù)求解拐點(diǎn)流程，首先對(duì)輪廓進(jìn)行分析，得到輪廓左右極值點(diǎn)A與點(diǎn)B，連接A、B兩點(diǎn)并計(jì)算獲得AB的中點(diǎn)C。最后，以C點(diǎn)為原點(diǎn)，在預(yù)定區(qū)域內(nèi)，尋找距離點(diǎn)C最近的上下2點(diǎn)D、E，輪廓各點(diǎn)至中心點(diǎn)C的距離P(x,y)的求解方程為

式中(xC,yC)為C點(diǎn)坐標(biāo)，即原點(diǎn)坐標(biāo)；(x,y)為圖像中貼疊葡萄串輪廓上的像素點(diǎn)坐標(biāo)；為防止左右奇異輪廓對(duì)拐點(diǎn)信息的尋找產(chǎn)生干擾，設(shè)置以下3個(gè)約束條件：

1)相對(duì)于上下2個(gè)拐點(diǎn)D、E的位置，中點(diǎn)C必須位于上拐點(diǎn)D下方、下拐點(diǎn)E上方；

圖7 貼疊葡萄串輪廓分析Fig.7 Contour analysis of overlapping grape cluster

2)角度區(qū)域范圍約束[16]，將下拐點(diǎn)搜尋得角度范圍設(shè)定在順時(shí)針?lè)较?5°～135°之間，將上拐點(diǎn)搜尋的角度范圍設(shè)定在順時(shí)針?lè)较?25°～315°之間；

3)上下2個(gè)拐點(diǎn)必須屬于貼疊葡萄串輪廓上的點(diǎn)。將上拐點(diǎn)D、中點(diǎn)C和下拐點(diǎn)E依次連接，結(jié)果如圖7所示。

2.3 目標(biāo)葡萄串方位判定及中心點(diǎn)獲取

2.3.1 葡萄串貼疊性質(zhì)判定

為確定圖像中的葡萄串貼疊性質(zhì)（單串，左右貼疊或者上下貼疊），對(duì)圖像中出現(xiàn)的葡萄進(jìn)行長(zhǎng)寬比計(jì)算，具體如式(3)所示。

式中Rp為長(zhǎng)寬比比值；rowmax為輪廓的像素點(diǎn)最大行數(shù)值；rowmin為輪廓的像素點(diǎn)最小行數(shù)值；colmax為輪廓的像素點(diǎn)最大列數(shù)值；colmin為輪廓的像素點(diǎn)最小列數(shù)值；

經(jīng)過(guò)多次試驗(yàn)計(jì)算與數(shù)據(jù)統(tǒng)計(jì)，得出的具體約束條件如下：

1)Rp≤1.2時(shí)，規(guī)定圖像中的貼疊葡萄串為左右貼疊，無(wú)需進(jìn)行旋轉(zhuǎn)操作；

2)1.2＜Rp≤1.4時(shí)，規(guī)定圖像中的葡萄串為單串葡萄，直接進(jìn)行葡萄串的識(shí)別；

3)Rp＞1.4時(shí)，規(guī)定圖像中的貼疊葡萄串為上下貼疊，將圖片逆時(shí)針旋轉(zhuǎn)90°，之后繼續(xù)進(jìn)行與左右貼疊葡萄串相同的識(shí)別分割。

2.3.2 目標(biāo)葡萄串方位判定

根據(jù)拐點(diǎn)D、E以及中點(diǎn)C連線斜率判定目標(biāo)葡萄串位置。依據(jù)圖像前期設(shè)定坐標(biāo)，對(duì)上拐點(diǎn)D與中點(diǎn)C之間的線段求取斜率K1，對(duì)中點(diǎn)C與下拐點(diǎn)E之間的線段求取斜率K2，其計(jì)算如公式（4）所示。

式中(xD,yD)為D點(diǎn)坐標(biāo)；(xE,yE)為E點(diǎn)坐標(biāo)。

對(duì)計(jì)算結(jié)果進(jìn)行分析，可分為以下6種有效情況：

1)K1＞0，K2＜0：目標(biāo)葡萄串在貼疊葡萄串右側(cè)；

2)K1＜0，K2＞0：目標(biāo)葡萄串在貼疊葡萄串左側(cè)；

3)K1＞0，K2→∞：目標(biāo)葡萄串在貼疊葡萄串右側(cè)；

4)K1＜0，K2→∞：目標(biāo)葡萄串在貼疊葡萄串左側(cè)；

5)K1→∞，K2＜0：目標(biāo)葡萄串在貼疊葡萄串右側(cè)；

6)K1→∞，K2＞0：目標(biāo)葡萄串在貼疊葡萄串左側(cè)。

為提高算法準(zhǔn)確性，設(shè)置2個(gè)條件對(duì)目標(biāo)葡萄串的方位判定進(jìn)行約束：

1)嚴(yán)格按照設(shè)定的坐標(biāo)系求解K1、K2；

2)K1、K2都不為0。

2.3.3 目標(biāo)葡萄串中心點(diǎn)獲取

對(duì)目標(biāo)葡萄串進(jìn)行輪廓分析，獲取目標(biāo)葡萄串上下極值點(diǎn)G、H，連接點(diǎn)G與H，連接中點(diǎn)C與右極值點(diǎn)B，根據(jù)方程（5）求得直線交點(diǎn)及其坐標(biāo)。

式中A1，A2，B1，B2，C1，C2為直線系數(shù)。求解公式（5）得到交點(diǎn)O1坐標(biāo)，如公式（6）、（7）所示。

式中(xO1,yO1)為O1點(diǎn)坐標(biāo)；(xO2,yO2)為O2點(diǎn)坐標(biāo)；(xO,yO)為O點(diǎn)坐標(biāo)；(xA,yA)為A點(diǎn)坐標(biāo)。

根據(jù)目標(biāo)葡萄串所在方位，依據(jù)式分別求取右極值點(diǎn)B與中點(diǎn)C的中心點(diǎn)O2，點(diǎn)O1與點(diǎn)O2的中心點(diǎn)O，如圖8所示。將點(diǎn)O作為Chan-Vese模型算法中的類圓心點(diǎn)，為Chan-Vese模型算法的下一步分析做準(zhǔn)備。

圖8 葡萄串中心點(diǎn)提取Fig.8 Extraction of grape cluster center points

3 貼疊區(qū)域及其輪廓信息獲取

由于葡萄串外形具有不確定性，加上自然環(huán)境中葡萄串貼疊的隨機(jī)性，導(dǎo)致傳統(tǒng)方法對(duì)目標(biāo)區(qū)域信息的獲取具有較大的不確定性。本文利用Chant等提出的基于簡(jiǎn)化的M-S模型與水平集相結(jié)合的方法[20]，即C-V模型，通過(guò)省略M-S模型中的面積項(xiàng)，保留長(zhǎng)度項(xiàng)，通過(guò)Heaviside函數(shù)、Dirac函數(shù)以及歐拉-拉格朗日公式等實(shí)現(xiàn)C-V模型的變換。參考文獻(xiàn)[21-22]，本文利用C-V模型全局性的特點(diǎn)，即使將要識(shí)別與分割的目標(biāo)葡萄串內(nèi)部含有空洞，也可一次性地將空洞的內(nèi)外邊緣全部檢測(cè)出來(lái)，而且曲線的初始化不受圖像位置限制[23-24]；而且，該模型不依賴于圖像邊緣信息，即使圖像的噪聲很大或邊緣模糊甚至離散，仍可以獲得較好的分割效果[25-26]，并同時(shí)利用中點(diǎn)C與類圓心點(diǎn)O之間的距離L的大小判定C-V模型算法的迭代次數(shù)，獲得貼疊區(qū)域信息。其中類圓心點(diǎn)O與中點(diǎn)C之間的距離L按公式（8）計(jì)算。

以L大小判定Chan-Vese模型算法的迭代次數(shù)n的取值，具體如下：

1)0≤L＜30，n=300；

2)30≤L＜50，n=400；

3)50≤L≤70，n=500；

4)70＜L，n=600。

圖像識(shí)別結(jié)果如圖9所示。將圖9b的二值圖像進(jìn)行形態(tài)學(xué)處理并提取其輪廓，將提取的輪廓圖像與圖8b進(jìn)行圖像融合，獲取完整的目標(biāo)葡萄串輪廓圖像，如圖10a所示；參考文獻(xiàn)[27-28]，將完整輪廓圖進(jìn)行形態(tài)學(xué)處理并且與RGB圖像進(jìn)行融合，最終實(shí)現(xiàn)目標(biāo)葡萄串識(shí)別分割，如圖10b所示。

圖9 C-V模型試驗(yàn)結(jié)果Fig.9 Test results of C-V model

圖10 目標(biāo)葡萄串識(shí)別結(jié)果Fig.10 Recognition results of target grape cluster

4 試驗(yàn)結(jié)果與分析

為驗(yàn)證本文方法的可行性與實(shí)用性，采用等距抽樣的方法抽取22幅貼疊葡萄串圖像樣本，計(jì)算與分析本文算法對(duì)目標(biāo)葡萄串的識(shí)別精準(zhǔn)度與實(shí)時(shí)性。根據(jù)葡萄貼疊的相對(duì)位置，22幅圖像中，目標(biāo)葡萄串在左的11幅；目標(biāo)葡萄串在右的11幅。將22幅貼疊葡萄串中的目標(biāo)葡萄串進(jìn)行人工分割提取，并利用Matlab軟件對(duì)人工分割與本文算法分割的目標(biāo)葡萄串求取面積，并進(jìn)行交和求差運(yùn)算，目標(biāo)識(shí)別的精準(zhǔn)度（Ac）和假陽(yáng)率（FPR）的計(jì)算式為m式中FPR為假陽(yáng)率；Ac為精準(zhǔn)度；Sm為通過(guò)Photoshop人工分割得到的目標(biāo)葡萄串面積值；Sa為通過(guò)本算法分割得到的目標(biāo)葡萄串面積值。

部分圖像的試驗(yàn)結(jié)果如圖11、圖12所示，從圖中可以看出，本文方法能夠較好地將貼疊葡萄串中的目標(biāo)葡萄串分割提取。與文獻(xiàn)[16]相比，本文方法的目標(biāo)提取更準(zhǔn)確。

圖11 左右貼疊葡萄串識(shí)別結(jié)果示例Fig.11 Example of recognition result of left and right overlapping grape cluster

圖12 上下貼疊葡萄串識(shí)別結(jié)果示例Fig.12 Example of recognition result of up and down overlapping grape cluster

設(shè)定目標(biāo)葡萄串識(shí)別分割的精準(zhǔn)度閾值為85%，低于設(shè)定閾值為識(shí)別失敗。不同貼疊方式的葡萄串試識(shí)別結(jié)果如表1所示，由表可知，對(duì)于貼疊葡萄串中的目標(biāo)葡萄串在左，目標(biāo)識(shí)別精準(zhǔn)度在88.76%～94.56%之間，平均精準(zhǔn)度為92.19%，平均假陽(yáng)率為2.82%；對(duì)于貼疊葡萄串中的目標(biāo)葡萄串在右，目標(biāo)識(shí)別精準(zhǔn)度在64.32%～94.20%之間，平均精準(zhǔn)度為87.22%，平均假陽(yáng)率為6.03%?？傮w目標(biāo)葡萄串識(shí)別與分割的平均假陽(yáng)率為4.24%，平均精準(zhǔn)度為89.71%，識(shí)別成功率為90.91%。

與文獻(xiàn)[16]相比，本文通過(guò)輪廓分析獲得拐點(diǎn)，利用上下拐點(diǎn)與類圓心點(diǎn)之間的斜率確定目標(biāo)葡萄串所在方位；改進(jìn)C-V模型算法，通過(guò)中心點(diǎn)與類圓心點(diǎn)之間的距離限定C-V模型迭代次數(shù)，實(shí)現(xiàn)貼疊區(qū)域邊界精確劃分。如圖13a所示，文獻(xiàn)[16]方法僅對(duì)重疊葡萄區(qū)域進(jìn)行簡(jiǎn)單劃分，并未對(duì)重疊區(qū)域進(jìn)行輪廓識(shí)別與分割，且對(duì)于目標(biāo)葡萄串識(shí)別精準(zhǔn)度閾值設(shè)定較低，僅為75%；本文所提出的方法能夠大大提高了貼疊葡萄串的識(shí)別成功率與精準(zhǔn)度，目標(biāo)葡萄串識(shí)別精準(zhǔn)度平均值為89.71%，遠(yuǎn)高于文獻(xiàn)[16]提出的75%精準(zhǔn)度閾值，也高于本文所設(shè)定的85%的精準(zhǔn)度閾值，如圖13b所示，實(shí)現(xiàn)貼疊葡萄串邊界的精確識(shí)別與分割。

圖13 不同方法的識(shí)別結(jié)果對(duì)比Fig.13 Comparison of identification results of different methods

所有試驗(yàn)中，共有2次識(shí)別與分割失敗，其中1次如圖11d所示，由于葡萄左右貼疊過(guò)于緊密，利用長(zhǎng)寬比判斷貼疊性質(zhì)時(shí)出錯(cuò)，從而導(dǎo)致未能成功實(shí)現(xiàn)貼疊葡萄串分離；第2個(gè)失敗案例如圖12c和12d所示，由于圖片頂部光照強(qiáng)度過(guò)大，致使在K-means聚類算法過(guò)程中對(duì)于葡萄區(qū)域的識(shí)別不夠精準(zhǔn)，導(dǎo)致拐點(diǎn)以及中心點(diǎn)判定出現(xiàn)差錯(cuò)，從而導(dǎo)致Chan-Vese迭代識(shí)別次數(shù)出錯(cuò)，最終導(dǎo)致目標(biāo)葡萄串識(shí)別精準(zhǔn)度低于規(guī)定閾值，目標(biāo)葡萄串的識(shí)別與分割失敗。

5 結(jié) 論

1)通過(guò)顏色空間轉(zhuǎn)換確定最優(yōu)的顏色通道，運(yùn)用K-means聚類算法對(duì)貼疊葡萄串區(qū)域進(jìn)行背景分離，采用Sobel提取邊緣輪廓信息；

2)通過(guò)輪廓分析與幾何約束尋找貼疊葡萄串左右極值、中心點(diǎn)與拐點(diǎn)信息，利用長(zhǎng)寬比確定葡萄貼疊性質(zhì)，通過(guò)拐點(diǎn)與中心點(diǎn)斜率判定目標(biāo)葡萄串位置信息，通過(guò)極值點(diǎn)與中心點(diǎn)等確定類圓心點(diǎn)；

3)以類圓心點(diǎn)為中心，利用Chan-Vese確定貼疊區(qū)域輪廓信息，最終通過(guò)圖像融合獲得目標(biāo)葡萄串完整輪廓信息，實(shí)現(xiàn)目標(biāo)葡萄串精準(zhǔn)分割與識(shí)別。最終實(shí)現(xiàn)總平均假陽(yáng)率控制在4.24%，總平均精準(zhǔn)度為89.71%。

綜上所述，本文所提出的方法能夠?qū)崿F(xiàn)完整貼疊葡萄串的精準(zhǔn)分割與識(shí)別，提高了目標(biāo)葡萄串識(shí)別精準(zhǔn)度，可為葡萄采摘機(jī)器人解決貼疊問(wèn)題提供切實(shí)可行的算法。