閆建偉 蘇小東 趙源 劉進(jìn)平

摘要：利用圖像顏色特征，分割高粱胚芽鞘種子圖像，確定高粱種子輪廓矩，根據(jù)其輪廓矩確定高粱種子質(zhì)心坐標(biāo)，然后根據(jù)高粱胚芽鞘圖像顏色特征對圖像進(jìn)行顏色分割，獲取高粱胚芽鞘圖像，計算高粱胚芽鞘輪廓極點坐標(biāo)，再選取距離質(zhì)心最遠(yuǎn)的2個坐標(biāo)作為高粱胚芽鞘輪廓近似直線端點，連接2個端點作為胚芽鞘近似直線。最后根據(jù)高粱種子輪廓質(zhì)心坐標(biāo)、胚芽鞘近似直線和切割距離（給定）確定胚芽鞘的姿態(tài)和高粱胚芽鞘的切割點位置。該方法能獲得高粱胚芽鞘和種子較為完整的圖像，并能準(zhǔn)確得出胚芽鞘的切割位置及姿態(tài)等相關(guān)信息。該研究方法為高粱胚芽鞘的識別與分析提供了準(zhǔn)確、快捷、可視的技術(shù)手段，為構(gòu)建胚芽鞘智能識別、定位的視覺系統(tǒng)及自動化切割裝置提供了技術(shù)支撐。

關(guān)鍵詞：高粱;胚芽鞘;顏色特征;識別;切割位置

中圖分類號： TP391.4 文獻(xiàn)標(biāo)志碼： A 文章編號：1002-1302（2019）23-0252-05

胚芽鞘是單子葉植物所特有的，是一種鞘狀結(jié)構(gòu)。胚芽鞘具有保護(hù)胚芽中幼小的葉和生長錐的作用，同時含有葉綠體，出土后既能進(jìn)行光合作用，又對幼苗的獨立生活起著重要的作用[1]。在胚芽鞘培養(yǎng)及胚芽鞘相關(guān)研究領(lǐng)域，胚芽鞘的快速準(zhǔn)確識別是一項十分重要的工作。傳統(tǒng)的胚芽鞘識別及切割位置的判斷主要依靠工作人員的經(jīng)驗，判斷的準(zhǔn)確度和速度主要依賴于判斷者的主觀意識，其合理性和科學(xué)性有明顯缺點，且人工識別切割胚芽鞘具有效率低、精度低等缺點。

機(jī)器視覺經(jīng)過60多年的快速發(fā)展，逐漸成為一種較為成熟的先進(jìn)技術(shù)，也是近幾年來受到國內(nèi)外研究者較多關(guān)注的研究熱點，研究人員利用圖像的顏色特征和形態(tài)學(xué)等知識探討和分析了彩色圖像的分割[2-10]、分類[11-20]與定位[21-30]。湖南工業(yè)大學(xué)的石偉在基于機(jī)器視覺的紙張計數(shù)方法研究及其應(yīng)用中提出1種基于K均值聚類的紙張精確計數(shù)方法，可以很好地進(jìn)行紙張的準(zhǔn)確計數(shù)，計數(shù)準(zhǔn)確率達(dá)99%[31]。華南理工大學(xué)的李春在基于機(jī)器視覺的焊接工件識別與焊接軌跡校正方法研究中研究了圖像預(yù)處理技術(shù)，包括灰度轉(zhuǎn)換、濾波去噪、閾值處理、形態(tài)學(xué)運算及邊緣檢測等。通過對圖像進(jìn)行預(yù)處理，可以濾去噪聲，增強(qiáng)目標(biāo)信息，使其具有一定的魯棒性[32]。國外研究者利用機(jī)器視覺做了相關(guān)研究，將機(jī)器視覺應(yīng)用到各個領(lǐng)域，并取得了不錯的效果。2016年印度農(nóng)作物處理技術(shù)研究所（IICPT）的Vithu等在利用機(jī)器視覺的糧食檢測研究中發(fā)現(xiàn)，視覺系統(tǒng)可以快速準(zhǔn)確地檢測糧食的質(zhì)量[33]。加拿大薩斯克切溫省大學(xué)工程學(xué)院化學(xué)與生物研究所的Shrestha等利用機(jī)器視覺技術(shù)預(yù)測小麥淀粉酶的活躍性，取得了較好的預(yù)測效果[34]。

數(shù)字圖像處理技術(shù)在高粱胚芽鞘方面目前暫無相關(guān)研究，因此，研究高粱胚芽鞘圖像識別技術(shù)和切割位置判斷是一項非常重要的研究課題。本研究以高粱胚芽鞘的顏色特征為依據(jù)，結(jié)合高粱胚芽鞘生長特點及形態(tài)學(xué)特征對高粱胚芽鞘進(jìn)行快速識別及切割位置的判斷。

1 材料與方法

1.1 圖像采集

高粱種子的培育地點為貴州大學(xué)西校區(qū)農(nóng)學(xué)院種子種苗培育實驗室，培養(yǎng)設(shè)備為光照培養(yǎng)箱，培養(yǎng)條件為水培、無光照、溫度25.6～28.6 ℃。培養(yǎng)時間選在2018年1月8日上午。圖像采集于2018年1月10日、1月12日在實驗室內(nèi)進(jìn)行。利用尼康（Nikon）D750相機(jī)獲得小麥圖像共15幅（高粱樣本從培養(yǎng)皿中隨機(jī)選取15個），圖片格式為JPG，分辨率為1 024×683PPI（像素數(shù)）。圖1-a于2018年1月12日 09：00 拍攝獲得，圖1-b在2018年1月10日09：00拍攝獲得。在PC（個人計算機(jī)）上完成高粱胚芽鞘的識別算法開發(fā)，PC機(jī)配置為Inter CoreTM i5-6200U、CPU2.3 GHz、內(nèi)存4 GB，基于Windows 7操作系統(tǒng)，編程工具為Python3.6+Opencv3.3.1，開發(fā)環(huán)境為PyCharm 2017.3。

1.2 樣本分析

不同培養(yǎng)時間的胚芽鞘，在形狀、顏色和大小等方面有著較大區(qū)別。圖1-a為培養(yǎng)時間為94 h的高粱胚芽鞘圖像，其胚芽鞘、須根生長得較好，胚芽鞘末端為黃色，比較容易通過顏色特征進(jìn)行圖像分割;圖1-b為培養(yǎng)時間為48 h的高粱胚芽鞘圖像，整個胚芽鞘比較小，并且胚芽鞘和須根區(qū)分不明顯，整體尺寸小，后續(xù)進(jìn)行切割位置和姿態(tài)判斷也相對較為困難，所以在本研究算法中，筆者選擇生長較好的高粱胚芽鞘圖像（圖1-a）作為試驗樣本。

1.3 顏色空間的選取

HSV（hue/saturation/value，色度/飽和度/純度）色彩模型是根據(jù)顏色的直觀特性，由Smith在1978年創(chuàng)建的一種顏色空間[35]。HSV空間（圖2）比RGB（R：紅色;G：綠色;B：藍(lán)色）顏色空間更接近人們的經(jīng)驗和對色彩的感知，可以通過HSV的取值來理解判斷圖像的顏色、深淺和明亮程度，HSV消除了3個分量的相關(guān)性，可以分別處理而且是相互獨立的[36-37]，所以本研究采用HSV顏色空間。HSV模型的H、S、V與RGB顏色模型轉(zhuǎn)換公式如下：

H=G-BMAX-MIN×60°（R=MAX）

2+B-RMAX-MIN×60°（G=MAX）

4+R-GMAX-MIN×60°（B=MAX）

S=MAX-MINMAX

V=MAX。

（1）

式中：MAX=max（R、G、B）;MIN=min（R、G、B）;R、G、B為RGB顏色空間的3個分量值，R、G、B∈[0，255]，H∈[0°，360°]，S∈[0，255]，V∈[0，255]，R、G、B歸一化到范圍[0，1]時，H∈[0°，360°]，S∈[0，1]，V∈[0，1]。

1.4 圖像分割

高粱胚芽鞘由高粱種子、種子根和胚芽鞘3個部分組成，根部為亮白色（與種子連接的部分與種子的顏色相近），高粱

種子為紫紅色，胚芽鞘末端以黃色為主要顏色。高粱胚芽鞘3個部分的顏色區(qū)分比較明顯，可以通過顏色特征進(jìn)行圖像分割，進(jìn)而獲得種子的完整輪廓圖像。

1.4.1 高粱種子圖像分割 根據(jù)高粱種子的顏色特征和HSV空間顏色分量范圍，確定H、S、V分割閾值[式（2）]，進(jìn)而進(jìn)行圖像分割，獲得預(yù)分割圖像（圖3-b）。預(yù)處理圖像中的噪聲通過面積閾值去噪進(jìn)行處理，最后獲得高粱種子的完整圖像（圖3-c）。試驗證明，面積去噪閾值取1 000時，去噪效果最好，所以面積閾值取1 000。

low_aim=np.array（[0，43，46]）

high_aim=np.array（[10，255，255]）。

（2）

式中：low_aim為下閾值;high_aim為上閾值。

1.4.2 高粱胚芽鞘圖像分割 根據(jù)高粱胚芽鞘顏色特征和HSV空間顏色分量范圍，確定H、S、V分割閾值，詳見式（3），進(jìn)而進(jìn)行圖像分割，獲得預(yù)分割圖像（圖4-b）。預(yù)處理圖像中的噪聲通過腐蝕和面積閾值去噪進(jìn)行處理，最后獲得高粱胚芽鞘的完整圖像（圖4）。試驗證明，面積去噪閾值取100時的去噪效果最好，所以面積閾值取100。

low_aim=np.array（[26，43，46]）

high_aim=np.array（[77，255，255]）。

（3）

式中：low_aim為下閾值;high_aim為上閾值。

1.5 切割位置的確定和姿態(tài)判斷

1.5.1 計算種子輪廓質(zhì)心坐標(biāo) 針對已分割的高粱種子圖像特征，按照灰度化→二值化→計算輪廓矩→得到輪廓質(zhì)心

等步驟（圖5）。二值化采用Ostu方法，又稱最大類間差方法，高粱種子輪廓矩和質(zhì)心坐標(biāo)由式（2）計算得出。

Hu提出了評價旋轉(zhuǎn)和大小尺度變化不變矩，常用于形狀識別、刻畫事物的形狀特征[38]，在連續(xù)情況下，圖像密度分布函數(shù)為f（x，y），那么圖像的p+q階的中心距定義如下：

mpq=∫∞-∞∫∞-∞（x-x）p（y-y）qf（x，y）

x=m10m00，y=m01m00。

（4）

式中：x、y代表圖像質(zhì)心;f（x，y）是（i，j）的灰度值;p、q=0，1，2，…。

1.5.2 繪制胚芽鞘輪廓近似直線 針對已分割高粱胚芽鞘圖像特征，按照灰度化→二值化→獲取輪廓→計算輪廓極點坐標(biāo)→繪制輪廓近似直線等步驟進(jìn)行處理。極點表示目標(biāo)輪廓的最高、最下、最右和最左點，4個極點中選擇距高粱種子最遠(yuǎn)點作為輪廓近似直線端點，然后連接端點和高粱種子質(zhì)心繪制高粱胚芽鞘輪廓近似直線（圖6-c）。在OpenCV-python中輪廓極點（以元組形式儲存）計算函數(shù)為

topmost=tuple（cnt[cnt[：，：，1].argin（）][0]）

bottommost=tuple（cnt[cnt[：，：，1].argmax（）][0]）

rightmost=tuple（cnt[cnt[：，：，0].argmax（）][0]）

leftmost=tuple（cnt[cnt[：，：，0].argin（）][0]）。

（5）

1.5.3 切割點的計算和胚芽鞘姿態(tài)的確定 “1.5.2”節(jié)中已經(jīng)獲得胚芽鞘輪廓近似直線，選擇胚芽鞘輪廓端點（離種子質(zhì)心距離較大的輪廓極點）為基準(zhǔn)點，在胚芽鞘頂端1/3的位置切割后胚芽鞘生長最快[39]，所以切割距離定為胚芽鞘長度的1/3，傾斜角度根據(jù)胚芽鞘輪廓近似直線獲得。

XOY為像素坐標(biāo)系（圖7-a），A、B為直線端點（離高粱種子距離最遠(yuǎn)和最近的2個點），D（xd，yd）為切割點。設(shè)A點坐標(biāo)為（XA，YA），B點坐標(biāo)為（XB，YB），直線斜率為K，直線傾斜角度為θ，直線方程為y=Kx+b，（XDatum_point，YDatum_point）為基準(zhǔn)點坐標(biāo)（離種子質(zhì)心距離最大的輪廓極點）。

（1）當(dāng)胚芽鞘輪廓近似直線為傾斜狀態(tài)時，有下式：

K=YB-YAXB-XA

θ=arctanKπ×180

b=YDotum_point×K×XDatum_point

yd=YDatum_point-YA-YB3

xd=yd-bK。

（6）

式中：YB-YA≠0，XB-XA≠0;d為切割點。

（2）當(dāng)胚芽鞘輪廓近似直線為水平狀態(tài)時，有下式：

YB-YA=0

θ=0

yd=YB=YA

xd=XDatum_point±|AB|3。

（7）

式中：|AB|為高粱胚芽鞘輪廓近似直線長度，當(dāng)高粱種子質(zhì)心坐標(biāo)在基準(zhǔn)點左側(cè)時，即x （3）胚芽鞘輪廓近似直線為豎直狀態(tài)時，有下式：

XB-XA=0

θ=90

yd=YDatum_point±|AB|3

xd=XDatum_point。

（8）

式中：當(dāng)高粱種子質(zhì)心坐標(biāo)在基準(zhǔn)點下方時，即y 2 結(jié)果與分析

本研究在培養(yǎng)盤中隨機(jī)選取在光照培養(yǎng)箱水培后的15個高粱種子圖像作為試驗樣本，培養(yǎng)時間為94 h（2018年1月8日11：00至2018年1月12日09：00），胚芽鞘平均長度為5 cm，圖像大小為1 024×683，背景色為黑色。用本研究方法對實際拍攝的真彩色高粱胚芽鞘圖像進(jìn)行分割和姿態(tài)確定。如表1所示，試驗成功率為100%，圖像處理平均耗時 0.055 s，能夠滿足今后胚芽鞘切割設(shè)備視覺系統(tǒng)的速度要求。

3 討論與結(jié)論

本研究在HSV顏色空間下通過高粱胚芽鞘的顏色特征分別對高粱種子和胚芽鞘進(jìn)行圖像分割，獲得種子和胚芽鞘的完整分割圖像，并根據(jù)高粱胚芽鞘形態(tài)特征，提出1種胚芽鞘切割位置和姿態(tài)的確定方法。試驗結(jié)果表明，本研究方法可以簡單有效地對高粱胚芽鞘、種子進(jìn)行圖像分割，胚芽鞘的識別成功率和切割位置計算準(zhǔn)確率均達(dá)到100%，能夠滿足胚芽鞘切割裝置視覺系統(tǒng)的要求。

本試驗從胚芽鞘培養(yǎng)盤中的大量胚芽鞘中隨機(jī)選取15個進(jìn)行試驗具有代表性，圖像分割算法和胚芽鞘姿態(tài)的判斷方法具有客觀性和可重復(fù)性，利用本研究圖像分割算法只需改變圖像分割H、S、V分量閾值，就可以應(yīng)用于濟(jì)麥、玉米和小麥等不同品種或者種類的胚芽鞘的圖像分割，高粱胚芽鞘姿態(tài)判斷方法可以為其他單子葉植物（具有胚芽鞘）胚芽鞘姿態(tài)判斷提供理論參考和依據(jù)。

對不同培養(yǎng)時間的高粱胚芽鞘進(jìn)行圖像分割效果對比可知，培養(yǎng)94 h左右的胚芽鞘生長較好，圖像分割效果好，可以很好地進(jìn)行切割位置判斷，在后續(xù)胚芽鞘圖像識別分割和胚芽鞘切割設(shè)備試驗時可以選擇此時期的高粱胚芽鞘樣本作為試驗樣本。

4 結(jié)語

本研究方法具有較好的適應(yīng)性，因此基于顏色特征在不同種類胚芽鞘圖像分割中是值得研究的。本研究提出的胚芽鞘分割算法及胚芽鞘切割位置和姿態(tài)的判斷方法具有一定的研究意義和實用價值，補(bǔ)充了圖像處理技術(shù)在胚芽鞘方面的應(yīng)用，并為后續(xù)胚芽鞘自動切割裝置搭建機(jī)器視覺系統(tǒng)提供了技術(shù)支撐。

參考文獻(xiàn)：

[1]陳愛國，陳進(jìn)紅. 胚芽鞘的伸長機(jī)理和生理生態(tài)響應(yīng)[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2002，33（4）：438-441.

[2]吳 鑫，王桂英，叢 楊. 基于顏色和深度信息融合的目標(biāo)識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（增刊1）：96-100.

[3]翟瑞芳，方益杭，林承達(dá)，等. 基于高斯HI顏色算法的大田油菜圖像分割[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（8）：142-147.

[4]楊蜀秦，寧紀(jì)鋒，何東健. 一種基于主動輪廓模型的連接米粒圖像分割算法[J]. 農(nóng)業(yè)工程學(xué)報，2010，26（2）：207-211.

[5]任守綱，馬 超，謝 忠，等. 基于分水嶺和梯度的蝴蝶蘭圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（9）：125-129.

[6]Ren D Y，Jia Z H，Yang J，et al. A practical GrabCut color image segmentation based on bayes classification and simple linear iterative clustering[J]. IEEE Access，2017，5：18480-18487.

[7]Chen M，Ludwig S A. Color image segmentation using fuzzy C-regression model[J]. Advances in Fuzzy Systems，2017（2）：1-15.

[8]Ananth C，Senthilkani A S，Gomathy S K，et al. Color image segmentation using IMOWT with 2D histogram grouping[J]. International Journal of Computer Science and Mobile Computing，2014，3（5）：1-7.

[9]Jaffar M A，NaveedN，Ahmed B，et al. Fuzzy c-means clustering with spatial information for color image segmentation[C]// IEEE. International Conference on Electrical Engineering.Lahore，Pakistan，2009：9.

[10]Shi J，Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，2000，22（8）：888-905.

[11]閆小梅，劉雙喜，張春慶，等. 基于顏色特征的玉米種子純度識別[J]. 農(nóng)業(yè)工程學(xué)報，2010，26（增刊1）：46-50.

[12]陶華偉，趙 力，奚 吉，等. 基于顏色及紋理特征的果蔬種類識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2014，30（16）：305-311.

[13]周云成，許童羽，鄭 偉，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的番茄主要器官分類識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（15）：219-226.

[14]司永勝，喬 軍，劉 剛，等. 蘋果采摘機(jī)器人果實識別與定位方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2010，41（9）：148-153.

[15]宋 健，王 凱，張曉琛. 茄子采摘機(jī)器人目標(biāo)識別與測距方法[J]. 實驗室研究與探索，2015，34（9）：54-57.

[16]Jeon Y，Kim J. Active convolution：learning the shape of convolution for image classification[J]. Computer Vision and Pattern Recognition. IEEE，2017.

[17]Wang K Z，Zhang D，Li Y，et al. Cost-effective active learning for deep image classification[J]. IEEE Transactions on Circuits & Systems for Video Technology，2017，27（12）：2591-2600.

[18]Zhao Z Q，Jiao L C，Zhao J Q，et al. Discriminant deep belief network for high-resolution SAR image classification[J]. Pattern Recognition，2017，61：686-701.

[19]Huang G，Chen D，Li T，et al. Multi-scale dense networks for resource efficient image classification[C]//IEEE. Computer Vision and Pattern Recognition，2017.

[20]Wang F，Jiang M Q，Qian C，et al. Residual attention network for image classification[C]//IEEE. Computer Vision and Pattern Recognition. Honolulu，HI，USA，2017：6450-6458.

[21]房愛青，李長勇，黃艷華，等. 草莓采摘機(jī)器人的草莓定位算法研究[J]. 現(xiàn)代制造技術(shù)與裝備，2016（10）：90-92.

[22]王糧局，張立博，段運紅，等. 基于視覺伺服的草莓采摘機(jī)器人果實定位方法[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（22）：25-31.

[23]張 浩，陳 勇，汪 巍，等. 基于主動計算機(jī)視覺的茶葉采摘定位技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2014，45（9）：61-65.

[24]司永勝，喬 軍，劉 剛，等. 蘋果采摘機(jī)器人果實識別與定位方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2010，41（9）：148-153.

[25]項 榮，應(yīng)義斌，蔣煥煜. 田間環(huán)境下果蔬采摘快速識別與定位方法研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2013，44（11）：208-223.

[26]張鐵中，陳利兵，宋 健. 草莓采摘機(jī)器人的研究：Ⅱ.基于圖像的草莓重心位置和采摘點的確定[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報，2005，10（1）：48-51.

[27]Qian X，Zhao Y，Han J. Image location estimation by salient region matching[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，2015，24（11）：4348-4358.

[28]呂繼東，趙德安，姬 偉，等. 蘋果采摘機(jī)器人對振蕩果實的快速定位采摘方法[J]. 農(nóng)業(yè)工程學(xué)報，2012，28（13）：48-53.

[29]王 政，張微微，張 賓，等. 基于聚類算法對象提取的快速定位采摘機(jī)器人設(shè)計[J]. 農(nóng)機(jī)化研究，2016，38（7）：45-49.

[30]周海峰，朱云霞. 改進(jìn)主動形狀模型彩色圖像目標(biāo)定位研究[J]. 計算機(jī)仿真，2012，29（9）：308-311.

[31]石 偉. 基于機(jī)器視覺的紙張計數(shù)方法研究及其應(yīng)用[D]. 株洲：湖南工業(yè)大學(xué)，2016.

[32]李 春. 基于機(jī)器視覺的焊接工件識別與焊接軌跡校正方法研究[D]. 廣州：華南理工大學(xué)，2015.

[33]Vithu P，Moses J A. Machine vision system for food grain quality evaluation：a review[J]. Trends in Food Science & Technology，2016，56：13-20.

[34]Shrestha B L，Kang Y M，Baik O D. A two-camera machine vision in predicting alpha-amylase activity in wheat[J]. Journal of Cereal Science，2016，71：28-36.

[35]蘭 紅，胡 涵. 結(jié)合HSV空間的改進(jìn)二維Otsu免疫組化圖像分割[J]. 計算機(jī)應(yīng)用與軟件，2016，33（5）：200-203.

[36]蔡式東，楊 芳. 一種基于HSV空間和粗糙集的彩色圖像分割方法[J]. 光電子技術(shù)，2011，31（1）：5-9.

[37]張 錚，徐 超，任淑霞，等. 數(shù)字圖像處理與機(jī)器視覺：Visual C+ + 與Matlab實現(xiàn)[M]. 北京：人民郵電出版社，2014：282-283.

[38]Hu M K. Visual pattern recognition by moment invariants[J]. IRE Transactions on Information Theory，1962，8（2）：179-187.

[39]李秀軍，梁 爽. 以玉米胚芽鞘為材料的“生長素的發(fā)現(xiàn)”系列實驗[J]. 生物學(xué)通報，2016，51（9）：52-54.

收稿日期：2018-09-13

基金項目：中央引導(dǎo)地方科技發(fā)展專項資金（編號：黔科中引地[2017]4005）;貴州省科技計劃（編號：黔科合成果[2016]4008號）;貴州大學(xué)培育項目（編號：黔科合平臺人才[2017]5788-43）。

作者簡介：閆建偉（1980—），男，河南鹿邑人，博士，副教授，主要從事特色自動化裝備、機(jī)器視覺、智能裝備研究。E-mail：jwyan@gzu.edu.cn。