王星,賴惠成,任磊,陳欽政,劉金帥

WANG Xing,LAI Huicheng,REN Lei,CHEN Qinzheng,LIU Jinshuai

新疆大學(xué) 信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046

College of Information Science and Engineering,Xinjiang,University,Wulumuqi,Xinjiang,830046,China

1 引言

我國棉花種植地域廣闊，所需棉花采摘勞動力極大，隨著機器人在農(nóng)業(yè)生產(chǎn)過程中的逐步應(yīng)用，研究基于圖像處理的棉花采摘機器人視覺系統(tǒng)技術(shù)具有相當(dāng)大的實用價值和現(xiàn)實意義。棉花分割是采棉機器人視覺系統(tǒng)的關(guān)鍵技術(shù)之一，是采棉機器人中棉花匹配、三維重構(gòu)技術(shù)的基礎(chǔ)。目前采棉機器人的相關(guān)研究主要有：王勇等[1-2]根據(jù)棉花與背景的色差信息，提出利用(R?B)、(B?G)的差值進(jìn)行分割，將三維信息轉(zhuǎn)化為一維信息，通過降低維數(shù)減少了模型轉(zhuǎn)換時間；王玲[3]研究了不同顏色空間下的棉花分割，發(fā)現(xiàn)在HIS 和Lab顏色空間經(jīng)閾值分割后噪聲較低；韋皆頂[4]提出選取HSV模型中的S通道作為棉花圖像的特征去排除圖像明暗變化對分割效果的影響；萬鵬等[5-8]將BP算法引入到閾值、分水嶺等算法中進(jìn)行圖像分割，具有較高的識別率。上述棉花分割算法優(yōu)點是復(fù)雜度低，但受光照和陰影的影響仍然較大，分割圖含有噪聲較大，分割準(zhǔn)確率不高。本文在前人研究基礎(chǔ)上提出在YCbCr顏色空間下，利用GA(遺傳算法)優(yōu)化BP分類算法進(jìn)行分割，能夠有效的避免光照強弱帶來的影響，具有較高的分割準(zhǔn)確率與更加清晰的邊緣輪廓，有利于精確計算棉花面積的大小、形心坐標(biāo)與開合度，為棉花識別、成熟度判別、匹配和三維重建奠定基礎(chǔ)。

2 研究方法

2.1 顏色空間的選擇

在RGB顏色空間中，由于R、G、B分量之間有很高的相關(guān)性，對同一顏色屬性，在不同光照條件下，R、G、B值很分散，對于識別某種特定顏色很難確定其閾值和其在顏色空間中的分布范圍。HSV顏色空間能將亮度分量分離出來，但從 RGB顏色空間轉(zhuǎn)換到HSV顏色空間需要開方、反三角函數(shù)操作，復(fù)雜度高，所需計算量大，并且在亮度值和飽和度較低的情況下，采用HIS或者HSV顏色空間計算出來的H分量是不可靠的。YCbCr顏色空間由亮度分量Y，藍(lán)色色度分量Cb和紅色色度分量Cr組成。從RGB顏色空間到 YCbCr顏色空間的轉(zhuǎn)換公式如下：

基于YCbCr 顏色空間中色度分量和亮度分量相互獨立、YCbCr 顏色空間與RGB 顏色空間存在一種線性變換關(guān)系，不同亮度下，在YCbCr空間內(nèi)亮度范圍的變化量很大，而色度范圍的變化量很小，有利于光照變化圖像的處理，因此選擇YCbCr 顏色空間。

2.2 基于GA優(yōu)化的BP算法

2.2.1 BP算法

BP網(wǎng)絡(luò)是基于BP誤差反向傳播算法的多層前饋神經(jīng)網(wǎng)絡(luò)，BP算法是一種建立在梯度下降法基礎(chǔ)上的有監(jiān)督式的學(xué)習(xí)算法。其主要思想是：輸入學(xué)習(xí)樣本，選定網(wǎng)絡(luò)權(quán)值、閾值初始值，使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值、閾值和誤差進(jìn)行反復(fù)的調(diào)整訓(xùn)練，使輸出的向量與期望向量盡可能地接近，當(dāng)網(wǎng)絡(luò)輸出層的均方誤差小于指定誤差或達(dá)到訓(xùn)練次數(shù)時完成訓(xùn)練，保存網(wǎng)絡(luò)的權(quán)值和誤差。

輸出誤差與權(quán)值的關(guān)系為：

2.2.2 遺傳算法

遺傳算法是模擬自然選擇、自然遺傳過程中發(fā)生的繁殖、交叉和基因突變現(xiàn)象進(jìn)行的全局搜索和優(yōu)化方法，基本的遺傳算法可表示為SGA={C,E,P0,M,Φ,Γ,Ψ,T}，其中，C為染色體個體的編碼方法，E為適應(yīng)度函數(shù)，P0為初始種群，M為種群大小，Φ為選擇算子，Γ為交叉算子，Ψ為變異算子，T為終止條件。

遺傳算法的基本過程如下：

(1)根據(jù)求解問題計算計算個體所需編碼長度L，然后隨機產(chǎn)生N*L大小的初始化種群P，并計算所有個體的適應(yīng)度值；

(2)對種群P隨機選擇交叉?zhèn)€體，依據(jù)交叉概率pc在交叉點位置執(zhí)行交叉操作，得到新種群P1；

(3)對種群P1中的個體依據(jù)概率pm執(zhí)行變異操作，得到新種群P2；

(4)計算種群P1與P2中所有個體適應(yīng)度值，從P1與P2中依據(jù)適應(yīng)度值選擇出對應(yīng)的最優(yōu)個體作為下一代種群，然后重復(fù)以上過程，直到滿足某種收斂條件為止。

2.2.3 遺傳優(yōu)化的BP算法

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法存在容易陷入局部極小值和全局搜索能力弱等缺點，而遺傳算法具有較好的全局搜索能力和較快的收斂速度。

采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的過程如下：

(1)對實地棉田環(huán)境采集的棉花圖片(2010年10 月11日15 時(晴天)，在新疆維吾爾自治區(qū)五家渠市101 團(tuán)四營棉田，用CCD 數(shù)碼照相機以640×480 的分辨率拍攝自然環(huán)境下中、晚期的棉花圖像)分別提取目標(biāo)與背景的樣本數(shù)據(jù)，并建立BP神經(jīng)網(wǎng)絡(luò)；

(2)隨機產(chǎn)生一組具有N個個體的種群，種群中的每個個體代表一個神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值分布，并設(shè)定種群規(guī)模及交叉、變異概率；

(3)建立適應(yīng)度函數(shù)f：根據(jù)BP神經(jīng)網(wǎng)絡(luò)計算網(wǎng)絡(luò)輸出誤差E=1/2∑(dk-ok)2，適應(yīng)度函數(shù) f=1/(E+1)，其中，dk，ok分別為第k組數(shù)據(jù)的期望輸出和實際輸出；

(4)通過遺傳算法中的選擇、交叉、變異算法對生成的種群進(jìn)行篩選生成新一代種群，如此循環(huán)直到達(dá)到最大遺傳迭代次數(shù)或網(wǎng)絡(luò)誤差最?。?/p>

(5)提取網(wǎng)絡(luò)誤差最小時或適應(yīng)度函數(shù)輸出最大時對應(yīng)的BP權(quán)值與閾值，并根據(jù)其進(jìn)行棉花圖像的分割。

3 結(jié)果與分析

3.1 提取YCbCr空間樣本值

由于同一地域同一時期棉田的自然環(huán)境幾乎完全一樣，棉田中的對象主要包括棉絮、棉莢、棉葉、棉枝、棉株和土壤等。根據(jù)棉絮目標(biāo)與背景的色差分類,將棉絮作為目標(biāo)，提取為第1類,其他的作為第2類。利用Matlab工具，在YCbCr顏色空間下從10幅典型棉花圖片中對每類提取20個各種環(huán)境下(強光照、一般光照及陰影等各種條件)的像素值，如表1所示(本文每類只列出10個像素值)。

表1 YCbCr顏色空間下棉花圖像中各類的像素值

3.2 遺傳優(yōu)化BP的棉花圖像分割

根據(jù)采集的YCbCr空間下樣本像素，通過BP算法計算樣本的網(wǎng)絡(luò)輸出誤差，將誤差的倒數(shù)作為適應(yīng)度函數(shù)，利用遺傳算法優(yōu)化適應(yīng)度函數(shù)，最后根據(jù)最大適應(yīng)度函數(shù)值提取對應(yīng)的網(wǎng)絡(luò)權(quán)值及閾值對棉花圖像進(jìn)行分割(圖1)，對應(yīng)的迭代圖如圖2。

圖1 采用BP、GA優(yōu)化BP算法的棉花分割圖

3.3 連通域面積去噪

分割后的二值圖像存在著將背景誤認(rèn)為棉花噪聲，鑒于這部分誤差在二值圖中的面積相比于棉花圖片要小的多，因此本文采用連通域去噪的方法。首先將分割后二值圖像為1的區(qū)域進(jìn)行標(biāo)記，然后根據(jù)采集圖片分辨率大小設(shè)定一個閾值T，二值圖像中標(biāo)記的面積小于T的連通域像素值都置為0，大于T的連通域保留。對圖1做去噪處理后的結(jié)果如圖3所示。

圖2 BP、GA優(yōu)化BP的誤差迭代圖

圖3 去噪后的分割圖

4 討論

本文研究針對前人研究的分割算法易受光照影響的基礎(chǔ)上，采用YCbCr顏色空間與BP神經(jīng)網(wǎng)絡(luò)算法減少光照帶來的影響。從圖1、圖2中可以看出BP算法收斂速度較慢，分割后存在的噪聲相對較大，影響分割的準(zhǔn)確率。采用遺傳優(yōu)化BP算法具有全局優(yōu)化功能，收斂速度快，分割后噪聲小。遺傳優(yōu)化BP算法分割效果的好壞與樣本的選取關(guān)系很大，所選樣本不在于數(shù)量多少，要求所選的樣本比較全，能突出代表各種情況下的棉絮目標(biāo)與背景。

為了評價分割效果，在YCbCr空間下將本文方法與Kmeans聚類算法、BP算法[7]進(jìn)行比較，并選取棉花在強光照及陰影條件下的典型圖像，仿真后的分割圖如圖4、圖5所示。

圖4 棉花在強光照射下的情況

圖5 棉花在陰影條件下的情況

可以看出Kmeans聚類分割處理后的棉花能完整的保留，但存在相當(dāng)大的噪聲，尤其是光照下的棉莢、棉葉無法準(zhǔn)確分割，去噪后的圖像仍然存在大量被誤認(rèn)為棉絮的背景；BP算法及本文分割方法相比Kmeans聚類算法分割精度較高，能有效的將棉莢、棉葉分割為背景；但BP算法的分割誤差明顯大于本文算法，圖中BP分割去噪后的圖存在較大面積的土壤和棉莢背景無法去除，采用本文的方法可以有效處理該問題。

5 結(jié)束語

YCbCr顏色空間將亮度與色度分離并與RGB顏色空間存在線性轉(zhuǎn)換關(guān)系，本文在YCbCr顏色空間下采用遺傳優(yōu)化 BP算法分割圖像與連通域面積去噪，具有全局優(yōu)化能力與較快的迭代速度，可有效避免陷入局部極小點，能夠?qū)姽狻㈥幱暗雀鞣N復(fù)雜環(huán)境下的棉花圖像準(zhǔn)確有效的分割，分割準(zhǔn)確率達(dá)到91.9%,如果樣本選擇合理，可以提高分割準(zhǔn)確率。

[1]王勇，沈明霞，姬長英.采摘期成熟棉花不同部位顏色識別分析[J].農(nóng)業(yè)工程學(xué)報，2007,23(4):183-185.

[2]韋皆頂.基于機器視覺的智能型采棉機器人研究[D].東南大學(xué),2008.

[3]王玲,王萍,陳兵林等.基于顏色閾值的田間籽棉圖像分割技術(shù)[J].作物學(xué)報,2010,36(3):502-507.

[4]韋皆頂,費樹岷,汪木蘭等.基于HSV彩色模型的自然場景下棉花圖像分割策略研究[J].棉花學(xué)報,2008,20(1)

[5]萬鵬,孫瑜,孫永海.基于計算機視覺的大米粒形識別方法[J].吉林大學(xué)學(xué)報（工學(xué)版）,2008,38(2):489-492.

[6]周天娟,張鐵中,楊麗等.基于數(shù)學(xué)形態(tài)學(xué)的相接觸草莓果實的分割方法及比較研究[J].農(nóng)業(yè)工程學(xué)報.2007,23(9):164-168.

[7]張俊雄,吳科斌,宋鵬,李偉,陳紹江.基于BP神經(jīng)網(wǎng)絡(luò)的玉米單倍體種子圖像分割[J].江蘇大學(xué)學(xué)報(自然科學(xué)版),2011,(06):621-625.

[8]SONG Kai,LIU Zhikun,SU Hang,et al.A Research of Maize Disease Image Recognition of Corn Based on BP Networks[J].ICMTMA,2011, 246 - 249

[9]WANG Mu-lan ,LIU Kun ,LI Xiao-xia,et al.Image Recognition Technology in Intelligent Cotton Harvesting Machine[J].ICM,2011,320 - 323