基于圖像處理技術對秸稈碎片的一種分析方法

耿欣 董云哲 孫玲 譚杰 徐慧磊 于海濤 李君興

(吉林省農業(yè)機械研究院，吉林 長春 130011)

引言

玉米是我國的主要谷物類農作物，據(jù)國家統(tǒng)計局發(fā)布數(shù)據(jù)，2021年全國全國谷物產量6.327億t,其中玉米產量2.725億t[1]，占谷物產量的43.07%。每年到收獲季節(jié)，都會產生大量的玉米秸稈，根據(jù)玉米秸稈系數(shù)1.04[2]，則會產生大約2.834億t的玉米秸稈。玉米秸稈屬于農業(yè)生態(tài)系統(tǒng)中十分寶貴的生物質能資源，如何高效率、低成本利用玉米秸稈，已經成為農業(yè)科研中的研發(fā)熱點[3]。

目前國內玉米秸稈的處理和利用主要有以下方法：燃燒燃料、粉碎還田、飼料化、燃燒發(fā)電、食用菌基料、手工藝品等[4-6]。玉米秸稈含有大量的營養(yǎng)元素[7]，對玉米秸稈進行精細加工處理，制作成高營養(yǎng)牲畜飼料，不僅有利于發(fā)展畜牧業(yè)，而且通過秸稈過腹還田，更具有良好的生態(tài)效益和經濟效益。隨著我國畜牧業(yè)的快速發(fā)展，飼料精細化加工得到越來越廣泛的重視，廣大科研工作者為把秸稈加工成適口性好、牲畜愛吃的優(yōu)質飼料做著不懈的努力。

揉絲與切碎是玉米秸稈飼料化的重要方法之一，由于是碎片顆粒分析，本文通過張玉榮等[8]基于Python-OpenCV對小麥不完善識別的研究，辨別小麥單個籽粒的完善性；劉星星等[9]基于OpenCV的動態(tài)葡萄干色澤實時識別，研究單個葡萄干的色澤，從而對葡萄干的品質進行分類等文獻，總結出一種對秸稈碎片的分析方法。

1 試驗平臺的簡介

1.1 樣本試驗平臺的搭建

背景選擇黑色不反光的試驗平臺，用白色紙膠帶圍成一個400mm×400mm的區(qū)域，其中中間區(qū)域有一排白色方片,尺寸分別為20mm×20mm、30mm×30mm、40mm×40mm、50mm×50mm、60mm×60mm，這些方片用作圖像尺寸標定時的參照物，如圖1所示。

圖1 試驗平臺及標定方片

光源環(huán)境為熒光燈環(huán)繞光源即可，環(huán)繞光源照射均勻，有效地解決了物體產生的陰影，但光源不可直射平臺，防止生成亮斑。

工業(yè)相機的位置為紙膠帶圍成區(qū)域的正上方，垂直照射，鏡頭平面距試驗平臺的距離為500mm，如圖2所示。

1.環(huán)繞光源；2.相機支架；3.工業(yè)相機；4.試驗平臺；5.框架

1.2 圖像采集需要的軟硬件

電腦CPU為Corei7-9700;編程軟件Python 3.8.10；工業(yè)攝像機及鏡頭，接口USB 3.0，免驅動，200萬像素(1920×1080)，30幀·s-1。

1.3 圖像尺寸標定

通過圖像處理分別得到白色方片的像素尺寸和像素面積，用像素尺寸、面積比上實際尺寸、面積，求得每個方片的尺寸、面積系數(shù)，5個方片的尺寸、面積系數(shù)再做平均得尺寸、面積的平均系數(shù)，把平均系數(shù)代入程序中即可求得碎片的實際尺寸和實際面積。

1.3.1 計算相機像素尺寸與實際尺寸的比值

相機像素尺寸與實際尺寸的比值如表1所示。

表1 像素尺寸與實際尺寸的比值ηc

1.3.2 計算相機像素面積與實際面積的比值

相機像素面積與實際面積的比值如表2所示。

表2 像素面積與實際尺寸的比值ηm

1.3.3 計算相機像素尺寸與面積的平均換算系數(shù)

把ηc與ηm分別代入式(1)中，求得尺寸與面積的平均換算系數(shù)。

(1)

式中，ηa為平均系數(shù)；ηi為每次測量得到的系數(shù)；n為測量的組數(shù)。

通過式(1)計算，得圖像尺寸平均系數(shù)為2.54，即1mm≈2.54像素；圖像面積平均系數(shù)為6.32，即1mm2≈6.32像素。

1.4 秸稈碎片樣本處理方法

隨機抓取秸稈碎片，平鋪到試驗平臺上，需要剔除絲狀碎片，以及不能代表大多數(shù)形狀的碎片，如圖4所示。因為這2種碎片形狀不規(guī)則，而且有的細絲狀碎片的寬度只占1個像素或者半個像素，造成識別錯誤，影響計算的準確性，所以該試驗要去除這2種碎片，雖然會造成取樣的不完整，但是不影響大部分碎片形狀特征的歸類。把篩選好的碎片均勻地平鋪到試驗臺上，注意碎片之間不能相連，如圖3所示。

圖3 篩選之后待實驗的碎片樣本

圖4 需要剔除碎片樣式

2 基于python-opencv的圖像處理

2.1 采集的RGB彩色圖像轉化為灰度圖

采集的圖片是RGB格式，為了提高計算速度，減少數(shù)據(jù)的處理量，需要把RGB格式的圖片轉化為灰度圖像?；叶葓D像與RGB圖像之間的轉化有很多方法，本文使用的是其中一種較為常用的映射關系-加權平均法。計算如下：

Gray(x,y)=0.299×R(x,y)+0.59×G(x,y)

+0.114×B(x,y)

式中，Gray(x,y)表示灰度值；R(x,y)、G(x,y)、B(x,y)表示R、G、B分量值，3個加權系數(shù)0.299、0.59、0.114是根據(jù)人的亮度感知系統(tǒng)調節(jié)出來的參數(shù)，是個廣泛使用的標準化參數(shù)，通過程序轉化，得到灰度圖，如圖5所示。

2.2 灰度圖的二值化處理

對獲得的灰度圖進行二值化處理，使秸稈碎片與背景分離，方便后續(xù)計算，灰度圖二值化后，圖像中只有2種灰度值，分別為0和255。

通過cv2.threshold函數(shù)的THRESH_BINARY方法，得到的二值圖，如圖6所示。

式中，dst(x,y)為輸出圖像中第x行第y列的灰度值；maxval為最大值，取值為255；src(x,y)為輸入灰度圖像中第x行第y列的灰度值；thresh為分割閾值。該公式的含義是輸入灰度圖像素的灰度值大于分割閾值，對應輸出的二值圖該像素位置灰度值為255；反之灰度值為0。該實驗分割閾值為150。

圖5 碎片樣本灰度圖

2.3 計算樣本碎片的總數(shù)量

本文用cv2.findContours()函數(shù)，檢測樣本中碎片所占的像素，該函數(shù)輸出的是像素坐標列表，圖7顯示的是部分像素坐標，其中每個碎片包含的像素坐標又被分成了獨立項，通過len()函數(shù)可求出該列表中獨立項的總數(shù)，即秸稈碎片總數(shù)。

2.4 計算每個碎片的投影面積

把碎片輪廓的像素坐標列表進行拆分，把各個項分解出來，每一項就是樣本中的一個碎片，通過cv2.contourArea()函數(shù)，可求得每個碎片占多少個像素，通過前面得到的圖像面積平均系數(shù)，像素數(shù)量除以6.32，可知碎片的實際投影面積，圖8為部分碎片的外形尺寸。

圖6 碎片樣本二值圖

圖7 部分碎片像素的坐標列表

圖8 部分碎片外形特征尺寸

2.5 計算每個碎片的最小外接矩形

通過cv2.minAreaRect()函數(shù)對每一個項進行處理，輸出包括最小外接矩形4點坐標(box[0]、box[1]、box[2]、box[3])等信息的列表，通過式(2)和式(3)計算最小外接矩形的長度L像素值和寬度W像素值，見圖9。通過前面得到的圖像尺寸平均系數(shù)，像素數(shù)值除以2.54即可得到實際尺寸，該尺寸可以近似看作碎片的長度和寬度，同時用長度比寬度即可得到碎片的長寬比，見圖8。通過cv2.drawContours和cv2.putText函數(shù)，對每個碎片的最小外接矩形進行可視化以及標記，見圖10。

(2)

(3)

式中，box[n].x代表box[n]中x坐標值；box[n].y代表box[n]中y坐標值；n=1、2、3、4。

圖9 最小外接矩形的坐標

圖10 碎片的最小外接矩形及標號

2.6 平均值的計算

通過上述步驟，得到樣本秸稈碎片的總數(shù)，以及每個碎片的長度、寬度、長寬比和面積，把每一項求和，再除以總數(shù)，可得到每一項的平均值，見圖11。

2.7 面積范圍，比例范圍

根據(jù)該樣本中每個碎片面積統(tǒng)計，并設定每100mm2為一個范圍，程序自動把面積范圍分為4組，通過分類算法，計算每個碎片所在范圍，并求其范圍內的碎片總數(shù)，見圖12。

圖11 所有碎片的平均數(shù)據(jù)

圖12 碎片面積范圍分布表

根據(jù)該樣本中每個碎片長寬比統(tǒng)計，并設定比值每增加1為一個范圍，程序自動把比值范圍分為15組，通過分類算法，計算每個碎片所在范圍，并求其范圍內的碎片總數(shù)，見圖13。

圖13 碎片比例范圍分布表

通過python繪圖包matplotlib繪制面積及比例分布圖，見圖14、圖15。通過柱狀圖可以更直觀地看出該樣本碎片面積主要分布在0～100mm2范圍內，長寬比主要分布在2～5范圍內。

圖14 碎片面積范圍分布條形圖

圖15 碎片比例范圍分布條形圖

3 結果和分析

利用該方法，可以快速地檢測出秸稈碎片樣本的碎片總量、每個碎片的投影面積、每個碎片的最小外接輪廓的長度、寬度以及長寬比，通過程序對這些數(shù)據(jù)進行統(tǒng)計整合，可以得到樣本碎片的投影面積分布圖，長寬比分布圖。把雜亂的碎片進行數(shù)據(jù)可視化處理，可以系統(tǒng)地研究揉切機，多一個刀片、轉速慢一點或者刀片間距大一點，對產生的秸稈碎片究竟有何影響，對揉切機的改進，提供數(shù)據(jù)依據(jù)。