馬聰，陳學(xué)東，周慧

(寧夏農(nóng)林科學(xué)院農(nóng)業(yè)經(jīng)濟與信息技術(shù)研究所，銀川市，750002)

0 引言

雙孢菇又名白蘑菇、洋蘑菇、圓蘑菇，菌肉色質(zhì)白嫩、口感鮮美、營養(yǎng)豐富，市場消費需求量逐年攀升。雙孢菇栽培具有原料多樣、環(huán)境限制少、收益率高等優(yōu)勢，標(biāo)準(zhǔn)化種植、批量生產(chǎn)成為產(chǎn)業(yè)發(fā)展的趨勢。隨著栽培技術(shù)和信息技術(shù)的發(fā)展，工廠化生產(chǎn)菇房已經(jīng)實現(xiàn)了環(huán)境監(jiān)測及設(shè)備調(diào)控的自動化或智能化控制，但是雙孢菇長勢監(jiān)測及采收等工作目前尚未完全實現(xiàn)無人化[1]。據(jù)寧夏某雙孢菇生產(chǎn)企業(yè)調(diào)研，出菇期需要每天專人巡檢2～3次，人工記錄出菇數(shù)量和大小，根據(jù)長勢統(tǒng)計數(shù)據(jù)并及時調(diào)整環(huán)境控制參數(shù)；單批次雙孢菇采菇時間一般為25～30天，采菇周期1～2天，人均每天采菇約100 kg，盛菇時期每間中等規(guī)模的菇房需要15～20人全天采收。人工巡檢及采摘的效率無法應(yīng)對規(guī)?；p孢菇生產(chǎn)的需求，且人工成本較高、采收季勞動力缺少等問題也是制約產(chǎn)量提升的因素。因此，研制高效率、高可靠性的智能型長勢監(jiān)測及采收設(shè)備十分必要。目標(biāo)提取是智能設(shè)備視覺系統(tǒng)研究的重要內(nèi)容，通過處理分析采集的圖像，去除背景和噪聲，準(zhǔn)確地提取目標(biāo)，在此基礎(chǔ)上計算目標(biāo)空間位置、數(shù)量、大小等信息，輸入系統(tǒng)進行長勢監(jiān)測及預(yù)判，或控制末端執(zhí)行器完成采摘動作[2-5]。雙孢菇菌蓋整體呈白色，栽培基質(zhì)呈灰黑色，雙孢菇圖像中目標(biāo)顏色與背景顏色存在明顯差異。因此，主要采用設(shè)置圖像灰度閾值的方法，分析蘑菇中心點以及尋找邊界，此方法效率高，適用于光照均勻、菌菇生長規(guī)則等環(huán)境條件[6]。但是在實際生產(chǎn)中，由于管理方法、環(huán)境參數(shù)等外部條件存在差異性，雙孢菇生長過程中還存在菌菇成簇粘連、菌柄傾斜、白色菌絲繁盛等復(fù)雜情況，采用常規(guī)方法提取目標(biāo)的結(jié)果不佳，無法完全適應(yīng)實際生產(chǎn)要求，因此需要進一步研究算法以改進完善雙孢菇圖像的目標(biāo)提取方法。

本文以工廠化栽培方式的雙孢菇圖像為對象，采用改進的隨機霍夫變換圓形檢測算法與滑動平均聚類算法結(jié)合的方法，研究實際生產(chǎn)環(huán)境下雙孢菇復(fù)雜圖像的目標(biāo)準(zhǔn)確提取和計數(shù)。

1 材料與方法

1.1 數(shù)據(jù)采集

數(shù)據(jù)采集試驗地位于寧夏銀川市某雙孢菇種植生產(chǎn)基地，該基地安裝了遠(yuǎn)程視屏監(jiān)測及自動控制系統(tǒng)，可以擴展搭載目標(biāo)提取及計數(shù)算法等程序，實現(xiàn)食用菌無人化巡檢和產(chǎn)量動態(tài)監(jiān)控功能，具備將研究結(jié)果推廣應(yīng)用的產(chǎn)業(yè)基礎(chǔ)和軟硬件基礎(chǔ)。

在實際生產(chǎn)環(huán)境下，采集不同菇房、不同生長區(qū)域的產(chǎn)菇期的雙孢菇原始圖像，共500張作為測試樣本集。圖像采集器分辨率為4 608像素×3 456像素，焦距為3.97 mm，將采集器固定在距離菇床基質(zhì)面正上方20 cm處，數(shù)據(jù)采集時通過外置光源補光保證圖像清晰。采集目標(biāo)為菌蓋半徑范圍為1～6 cm的雙孢菇，圖像包含了菌蓋潔凈、菌菇均勻分布、菌菇間擠壓堆積以及菌絲成片等不同生長情況。

1.2 雙孢菇圖像目標(biāo)提取方法

1.2.1 改進隨機霍夫變換及均值漂移聚類方法

1) 數(shù)據(jù)預(yù)處理。對采集到的原始圖像進行預(yù)處理，去除干擾噪聲，并將雙孢菇圖像區(qū)域與背景區(qū)域分離。圖像預(yù)處理流程如圖1所示。

圖1 雙孢菇圖像預(yù)處理流程圖

圖像轉(zhuǎn)換。為提高數(shù)據(jù)處理效率，將原始圖像等比例縮小至標(biāo)準(zhǔn)模式，對標(biāo)準(zhǔn)圖像進行灰度化及濾波處理，進一步降低圖像干擾并保留目標(biāo)特征，在此基礎(chǔ)上采用自適應(yīng)閾值方法將圖像轉(zhuǎn)為二值化圖像。

圖像處理。栽培基質(zhì)與雙孢菇的顏色差異較大，按照灰度值提取雙孢菇圖像目標(biāo)速度最快，但在實際雙孢菇出菇過程中，存在菌蓋附著泥土、菌絲面積大于菌菇、蘑菇較大面積堆疊等復(fù)雜情況，易影響圖像的目標(biāo)提取結(jié)果，需在預(yù)處理過程中盡量減少背景中的干擾因素。工廠化條件下同批次蘑菇生長速度差異較小，菌蓋半徑在可知范圍，據(jù)此在圖像二值化基礎(chǔ)上，設(shè)置聯(lián)通區(qū)域閾值，刪除小于閾值面積的圖像點，即可快速地剔除背景中部分干擾性斑塊或斑點。對處理后的圖像進行腐蝕和膨脹處理，使圖像進一步平滑、完整。

2) 改進隨機霍夫變換檢測圓形。完整的雙孢菇菌蓋類似于圓形，圖像識別算法中通常采用Hough變換方法檢測類圓幾何形狀。Hough變換實質(zhì)是利用點與線的對偶性轉(zhuǎn)換坐標(biāo)，將圖像空間線條變?yōu)閰?shù)空間聚集點，計算滿足圓參數(shù)形式的邊界點，判斷中心點投票是否達(dá)到峰值，以此檢測圖像內(nèi)圓形特征邊緣。

Hough變換對圖像中圓度較好的圓形檢測效率較高，但是由于雙孢菇圖像并非標(biāo)準(zhǔn)的圓形，直接運用Hough變換檢測圓形效果不好，且直接應(yīng)用于多個雙孢菇粘連生長或菌絲較多的圖像時，Hough變換會產(chǎn)生識別率低、錯誤率較高等問題。

隨機霍夫變換(RHT，Randomized Hough Transform)方法是對Hough變換方法的改進，在圖像邊緣點集合中隨機選取多個點計算圓參數(shù)，投票累加至滿足閾值時確定目標(biāo)圓。RHT減少了參與計算的邊緣點數(shù)量，但是處理復(fù)雜圖像時，容易產(chǎn)生無效樣本累積、虛假圓形過多等問題[7-9]。雙孢菇圖像具有類圓形目標(biāo)多、背景干擾多的特點，直接采用RHT方法處理圖像效率低、計數(shù)不準(zhǔn)。

針對上述問題，本文通過改進邊緣點取樣方式及投票器累加的方法，提高雙孢菇外圓的識別能力。將雙孢菇邊緣曲線看作是由多段曲線片段相接組成，離散化的曲線片段對應(yīng)在邊緣點集合中是不同的分組連續(xù)點。隨機選取曲線片段進行圓形檢測計算，充分利用了雙孢菇圓弧形邊緣的特點，從而避免整體識別雙孢菇非標(biāo)準(zhǔn)外輪廓圓形產(chǎn)生的誤識別或遺漏。

本文采用的改進RHT圓形檢測方法原理如圖2所示。以圖像提取后的輪廓構(gòu)建邊緣點集合，以固定間隔長度選取的邊緣點進行空間變換，獲得圓的半徑長度?；舴蜃儞Q的坐標(biāo)系下，圓弧上的連續(xù)點表現(xiàn)為點坐標(biāo)在[rmin,rmax]區(qū)間分布。結(jié)合圖像大小和計算速度對比測試，本文將邊緣點集合按照10點一組劃分為多組數(shù)據(jù)。通過多組隨機取樣，同一圓上的邊緣點計算出的圓心位置將指向同一區(qū)域，經(jīng)過霍夫變換計算得到邊緣點集合所屬的圓心位置或像素點區(qū)域。

圖2 改進RHT圓形檢測方法原理

建立投票機制，以霍夫變換確定的圓心點或區(qū)域進行投票器累加，計算出累加值最高的圓心C和半徑r的位置。以累加值最高的圓形參數(shù)作為最終確定圓。剔除半徑超出菌蓋半徑范圍的圓形參數(shù)，完成圓形識別。

改進RHT圓形檢測方法流程如圖3所示。

圖3 改進RHT圓形檢測方法流程圖

3) 雙孢菇圓形聚類及計數(shù)。通過改進的霍夫變換，仍有部分虛假圓的存在，同一雙孢菇可能會識別出兩個以上的圓形目標(biāo)。同一雙孢菇識別出的多個圓形目標(biāo)具有圓心坐標(biāo)相近、圓形面積重合較大的特點，以雙孢菇圖像檢測出的所有圓形為目標(biāo)，采用均值漂移(Mean Shift)聚類算法合并同類圓形，繪制目標(biāo)輪廓并計算數(shù)量，降低識別錯誤。

Mean Shift是圓形滑動窗口沿著密度上升方向?qū)ふ揖鄞攸c的迭代方法，窗口初始中心點為樣本隨機點，窗口半徑依據(jù)樣本特征設(shè)置，偏移均值是窗口內(nèi)所有點到中心點的距離向量的平均值，新區(qū)域中心點是上一時刻中心點疊加偏移均值后的位置[10-14]。窗口滑動是重復(fù)計算均值、中心點移動的過程，通過反復(fù)迭代計算不斷逼近最佳中心點，當(dāng)滿足預(yù)先設(shè)置的約束條件時均值漂移結(jié)束，聚類完成。Mean Shift優(yōu)點是不需要預(yù)先明確聚類的數(shù)量，不限制聚類的形狀，受窗口均值影響較小，普適性強，滿足本文雙孢菇圖像目標(biāo)聚類要求。

本文采用的雙孢菇圓形聚類及計數(shù)流程如圖4所示。對全部聚類后判別為同一個體的蘑菇進行再次判斷，設(shè)置判斷規(guī)則，進一步確認(rèn)聚類是否合理。判斷規(guī)則是根據(jù)圓形檢測與原圖對應(yīng)分布特點設(shè)計：聚類圓形內(nèi)存在背景色較多(二值化后黑色區(qū)域大于50%)，認(rèn)為是背景紋理產(chǎn)生的虛假圓形，不計入目標(biāo)輪廓(圓弧投票產(chǎn)生的誤識別)；聚類在一起的圓形邊緣包含多個角點，認(rèn)為是多個小面積圓形相接的效果，各圓形分屬于不同目標(biāo)輪廓，不能聚類成為一個目標(biāo)。聚類判斷完成后，完整提取聚類后目標(biāo)邊緣，統(tǒng)計圖像內(nèi)封閉曲線數(shù)量作為雙孢菇計數(shù)結(jié)果。

圖4 雙孢菇圓形聚類及計數(shù)流程圖

1.2.2 對比方法

通過對雙孢菇圖像目標(biāo)識別及分級等相關(guān)文獻(xiàn)資料分析，目前雙孢菇識別主要采用閾值分割、分水嶺算法等方法處理雙孢菇圖像。為對比驗證本文改進RHT及均值漂移聚類方法識別效果，采用全局閾值分割與分水嶺算法提取相同圖像數(shù)據(jù)，對比算法結(jié)果。

全局閾值法是通過反復(fù)迭代計算后得到圖像最佳分割閾值的方法。基本計算流程：初始化，計算雙孢菇圖像的平均灰度值T0，作為圖像分割的初始值，分割圖像：圖像分割，計算大于T0的像素點集合的平均灰度值g1，計算小于等于T0的像素點集合的平均灰度值g2；閾值計算，計算g1、g2平均值，作為分割閾值新值T1。多次重復(fù)圖像分割、閾值計算的步驟，當(dāng)分割閾值新值之間的差小于5即認(rèn)為獲得最佳分割閾值T，停止計算。

將雙孢菇圖像轉(zhuǎn)為灰度圖，對灰度值大于T的像素點賦值1，其他像素點賦值0。將0值區(qū)域標(biāo)記為圖像背景，通過計算從灰度圖像中去除背景點，獲得目標(biāo)區(qū)域圖像。

對已提取的圖像區(qū)域采用標(biāo)記符控制的分水嶺算法提取目標(biāo)?；居嬎懔鞒蹋簩μ崛〉膱D像區(qū)域灰度化并進行濾波，獲得處理圖像；采用分水嶺算法對圖像變換，得到帶有區(qū)域標(biāo)記的圖像；符合雙孢菇面積的獨立或近似獨立區(qū)域識別為目標(biāo)，較大區(qū)域以外側(cè)隨機點為起始點并獲取該點區(qū)域的標(biāo)記值(N)，將與起始點區(qū)域連通的標(biāo)記值為[N-1,N+1](雙孢菇中心亮度與邊緣差異值統(tǒng)計值差值為1)區(qū)域與起始區(qū)域合并，計算為識別目標(biāo)。去除識別目標(biāo)后迭代識別后續(xù)目標(biāo)。

2 結(jié)果與分析

2.1 改進隨機霍夫變換及均值漂移聚類方法目標(biāo)提取結(jié)果

2.1.1 雙孢菇圖像預(yù)處理

本文分別選取了雙孢菇出菇過程中呈現(xiàn)的規(guī)則、邊緣粘連、堆疊等生長不同狀態(tài)的圖像，作為本文算法應(yīng)用示例。圖像原圖及預(yù)處理結(jié)果如圖5～圖7所示。

(a) 原圖

(a) 原圖

(a) 原圖

預(yù)處理后的圖像，去除了部分菌絲干擾，目標(biāo)邊緣輪廓清晰。提取所有邊緣點構(gòu)建點集合，作為后續(xù)圓形檢測的基礎(chǔ)。

2.1.2 基于改進隨機霍夫變換的雙孢菇圖像圓形檢測結(jié)果

基于改進RHT方法檢測雙孢菇圖像中的圓形目標(biāo)，處理結(jié)果如圖8～圖10所示。

圖8 規(guī)則生長狀態(tài)雙孢菇圖像圓形檢測結(jié)果

圖10 菌蓋變形狀態(tài)雙孢菇圖像圓形檢測結(jié)果

通過圓形檢測結(jié)果可以看出：對于邊緣清晰、菌蓋間有間隙或堆疊、背景干擾少、菌菇直立的雙孢菇圖像，采用改進RHT方法可以快速、準(zhǔn)確地提取出雙孢菇菌蓋輪廓；對于存在菌柄傾倒、大片菌絲、菌蓋堆積嚴(yán)重等情況的復(fù)雜圖像，提取結(jié)果出現(xiàn)了菌柄或菌絲被識別為圓形的現(xiàn)象。因此在圓形檢測基礎(chǔ)上，本文采用聚類分析方法進一步處理圓形提取結(jié)果。

2.1.3 雙孢菇圖像圓形聚類結(jié)果

以改進RHT的雙孢菇圖像圓形檢測結(jié)果為基礎(chǔ)進行平滑聚類計算，目標(biāo)圓形聚類結(jié)果如圖11～圖13所示。

圖11 規(guī)則生長狀態(tài)雙孢菇圖像目標(biāo)提取結(jié)果

圖12 粘連生長狀態(tài)雙孢菇圖像目標(biāo)提取結(jié)果

圖13 菌蓋變形狀態(tài)雙孢菇圖像目標(biāo)提取結(jié)果

對比圓形檢測與聚類目標(biāo)提取結(jié)果可以看出：對于邊緣清晰、菌蓋間有間隙或堆疊、背景干擾少、菌菇直立的雙孢菇圖像，目標(biāo)提取結(jié)果一致；對于存在菌柄傾倒、大片菌絲等情況的復(fù)雜圖像，屬于同一雙孢菇菌蓋的不同圓形聚類合并成同一目標(biāo)，菌柄和菌絲被檢測出的圓形沒有劃為目標(biāo)輪廓。

2.2 對比方法目標(biāo)提取結(jié)果

采用全局閾值與分水嶺算法結(jié)合的方法提取雙孢菇圖像目標(biāo)，以不同顏色及對應(yīng)數(shù)字標(biāo)注出雙孢菇目標(biāo)，處理結(jié)果如圖14～圖16所示。

圖14 規(guī)則生長狀態(tài)雙孢菇圖像對比算法提取結(jié)果

圖15 粘連生長狀態(tài)雙孢菇圖像對比算法提取結(jié)果

圖16 菌蓋變形狀態(tài)雙孢菇圖像對比算法提取結(jié)果

通過提取結(jié)果可知：分水嶺算法分割圖像的結(jié)果整體不佳，對于邊緣緊密相接或者堆疊狀態(tài)的雙孢菇目標(biāo)幾乎無法分割。圖像灰度值是分水嶺算法分割準(zhǔn)確性的關(guān)鍵因素，在圖像分割過程中出現(xiàn)誤差的主要原因：當(dāng)菌蓋邊緣與中間部位顏色略有差別時，采用分水嶺算法易出現(xiàn)過度分割、同一目標(biāo)被劃分為不同區(qū)域的結(jié)果；當(dāng)菌蓋粘連較多、不同菌菇圖像顏色接近時，采用分水嶺算法易出現(xiàn)多個目標(biāo)被分割成同一區(qū)域的結(jié)果。

2.3 結(jié)果與分析

為驗證本文研究方法的可用性和有效性，隨機從樣本集中選取雙孢菇圖像80張。人工標(biāo)注并統(tǒng)計每張圖像內(nèi)半徑大于20像素的雙孢菇數(shù)量，分別采用改進RHT及均值漂移聚類方法、對比方法處理雙孢菇圖像自動提取雙孢菇輪廓及數(shù)量。以人工識別計數(shù)的結(jié)果作為評定標(biāo)準(zhǔn)，統(tǒng)計各方法的提取正確率。采用不同方法提取目標(biāo)的結(jié)果見表1。

表1 不同方法的目標(biāo)提取結(jié)果Tab. 1 Object extraction results of different methods

通過自動識別計數(shù)結(jié)果與標(biāo)準(zhǔn)對比可知：采用改進RHT及均值漂移聚類方法，單張圖像的識別正確率最低為82%、最高為100%，圖像識別平均正確率為96%；采用全局閾值與分水嶺方法，單張圖像的識別正確率最低為50%、最高為90%，圖像識別平均正確率為68%。本文采用的方法針對復(fù)雜雙孢菇圖像的目標(biāo)提取正確率顯著高于對比方法，更適用于實際生產(chǎn)過程。

在此基礎(chǔ)上，針對改進RHT及均值漂移聚類方法的提取結(jié)果進行分析。按照雙孢菇生長分布特點將測試圖像分為4類，分別統(tǒng)計每類圖像的平均正確率，計算結(jié)果見表2。

表2 本文方法目標(biāo)提取結(jié)果Tab. 2 Target extraction results of the method in this paper

通過提取結(jié)果分析，本文采用的方法識別正確率與目標(biāo)生長狀態(tài)的復(fù)雜程度緊密相關(guān)。根據(jù)圖像的識別正確率是否大于90%，將出現(xiàn)誤差的測試圖像分為兩類。

1) 菌菇均勻分布、菌蓋少量附土、菌蓋間少量堆疊或變形較小等狀態(tài)的雙孢菇圖像，圖像預(yù)處理能去除大部分背景干擾因素，改進RHT可以快速、準(zhǔn)確地檢測出大部分類圓目標(biāo)輪廓，Mean Shift處理能正確地合并同一雙孢菇的圓形、剔除誤識別虛假圓形，算法處理速度較快，此類圖像目標(biāo)提取正確率均大于92%。

2) 大面積菌絲包圍菌菇、菌菇成簇倒伏、不同菌菇的菌柄傾斜交錯、不同規(guī)格的菌菇密集摻雜、菌蓋相互堆積或嚴(yán)重擠壓變形等狀態(tài)的復(fù)雜雙孢菇圖像，改進RHT和Mean Shift處理過程中存在不同程度的目標(biāo)誤判和漏判，此類圖像目標(biāo)提取正確率最低為82%。

分析處理過程數(shù)據(jù)可知，目標(biāo)提取出現(xiàn)錯誤的主要原因是圓形檢測不準(zhǔn)確。

1) 雙孢菇輪廓被擠壓變形或與多個雙孢菇邊緣粘連。菌蓋變形后邊緣處于不規(guī)則形狀，圓弧片段少、與圓形差距大，目標(biāo)邊緣點集通過霍夫變換后參數(shù)投票數(shù)不滿足設(shè)置值，圓形檢測失敗。因此此類雙孢菇在圓形檢測無法檢出，出現(xiàn)目標(biāo)漏判。

2) 成簇菌柄傾斜、菌絲與雙孢菇粘連。邊緣點集中任意點(xi,yi)對應(yīng)在a-b-r坐標(biāo)系中是一個圓，同一個雙孢菇邊界的點在a-b-r坐標(biāo)系中是多個相交圓，圓形數(shù)量最多的交點是最終圓心。當(dāng)不同目標(biāo)的邊界粘連，粘連處弧線段上的點分別與不同邊界點所屬圓形相交，圓心投票數(shù)滿足設(shè)定閾值時劃分點集所屬目標(biāo)。因此多個雙孢菇邊界粘連時，處于中間位置的雙孢菇所屬弧線段的圓心投票數(shù)小于其他目標(biāo)獲得的投票，此類目標(biāo)均被劃為其他雙孢菇范圍，出現(xiàn)目標(biāo)漏識別。

3 討論

本文提出的算法具有實用性，可將算法嵌入在智能控制系統(tǒng)中，滿足工廠化菌菇生產(chǎn)過程中長勢自動監(jiān)測、出菇統(tǒng)計、預(yù)測預(yù)警等需求。通過算法處理識別計算出的圖像中各雙孢菇中心點位置，基本處于菌蓋中心區(qū)域范圍，目標(biāo)輪廓曲線與菌蓋邊緣基本吻合，因此可將計算出的中心和邊緣參數(shù)作為采摘機器人末端執(zhí)行器運動數(shù)據(jù)基礎(chǔ)，為自動采摘目標(biāo)抓取提供數(shù)據(jù)支撐。在生產(chǎn)銷售環(huán)節(jié)，雙孢菇按照菌蓋半徑分為不同等級商品，采摘后需要人工二次分選，存在增加勞動量、菌菇磕碰的問題，可在本文目標(biāo)提取基礎(chǔ)上，結(jié)合立體定位技術(shù)，進一步研究基于圖像的動態(tài)快速分級方法，驅(qū)動采摘機器人按照設(shè)定尺寸分級采摘，提高采收效率。

4 結(jié)論

本文采用改進的RHT與Mean Shift結(jié)合的方法研究了雙孢菇圖像目標(biāo)提取和計數(shù)，通過對目標(biāo)圓形檢測及聚類，實現(xiàn)對雙孢菇輪廓的準(zhǔn)確提取和數(shù)量檢測，對于規(guī)則圖像的提取正確率達(dá)到92%，對于復(fù)雜圖像的提取正確率達(dá)到82%，采用的算法數(shù)據(jù)處理量小、計算速度快、適應(yīng)性強。根據(jù)實際生產(chǎn)過程調(diào)研反饋，針對復(fù)雜狀態(tài)的雙孢菇圖像，輪廓識別和計數(shù)正確率大于80%時，即可滿足長勢動態(tài)監(jiān)測、日常巡檢和趨勢預(yù)測的統(tǒng)計需求，因此算法提取結(jié)果可滿足應(yīng)用實際要求。針對復(fù)雜圖像出現(xiàn)的部分提取不準(zhǔn)確的問題，在后續(xù)研究中將通過改造圖像采集設(shè)備、優(yōu)化自適應(yīng)算法等方法進一步提升目標(biāo)提取正確率。