王明明，劉姣娣，劉栩廷，許洪振

(桂林理工大學(xué)機(jī)械與控制工程學(xué)院，廣西 桂林 541006)

1 引言

中國作為世界最大的甘蔗生產(chǎn)國之一，每年的甘蔗產(chǎn)量達(dá)1.255億噸[1]。甘蔗種植方式正在由傳統(tǒng)的人工種植向機(jī)械化種植轉(zhuǎn)變，目前大多采用甘蔗預(yù)切種，對甘蔗進(jìn)行機(jī)械化切種時[2-3]，存在蔗芽機(jī)械損傷率較高的問題。隨著機(jī)器視覺技術(shù)在農(nóng)業(yè)機(jī)械上廣泛應(yīng)用，許多學(xué)者研究了蔗種的圖像識別方法。Moshashai等[4]利用灰度圖像閾值分割的方法對甘蔗莖節(jié)識別做了初步研究。石昌友等[5]針對不同種類甘蔗表面多樣性和復(fù)雜性等因素導(dǎo)致甘蔗莖節(jié)難以識別問題，提出了一種基于機(jī)器視覺適合不同類型甘蔗的莖節(jié)識別方法，甘蔗莖節(jié)識別率達(dá)到92%；黃亦其等[6]把甘蔗圖像進(jìn)行均值濾波后，在HSV顏色空間中進(jìn)行H分量的閾值分割、形態(tài)學(xué)處理等，再利用矩陣模板在G-B色差分量圖上進(jìn)行移動，最終確定了甘蔗莖節(jié)位置；張衛(wèi)正等[7]通過沿包含莖節(jié)的甘蔗長軸方向莖節(jié)的灰度存在明顯上升的特性，對甘蔗莖節(jié)進(jìn)行識別?，F(xiàn)有研究主要是研究圖像處理方法，集中在甘蔗莖節(jié)的識別[8-10]。但是沒有考慮蔗種蔗芽的準(zhǔn)確識別，以調(diào)整蔗芽的位姿，滿足蔗芽朝向種溝溝壁的蔗種定向種植農(nóng)藝要求。

本文提出圖像增強(qiáng)與邊緣檢測的蔗芽識別方法，以“桂糖44號”蔗種為試驗對象，以準(zhǔn)確檢測識別蔗芽為目標(biāo)，基于模糊集與浮雕算法對H分量下的蔗種進(jìn)行圖像增強(qiáng)，再通過基于小波變換模極大值的邊緣檢測算法對增強(qiáng)后的蔗種圖像進(jìn)行蔗芽部位提取識別，為準(zhǔn)確調(diào)整蔗芽的位置姿態(tài)，最終實現(xiàn)蔗芽朝向水平兩側(cè)的農(nóng)藝要求提供技術(shù)基礎(chǔ)。

2 材料與方法

2.1 圖像采集設(shè)備與試驗方法

為保證識別算法具有良好的適應(yīng)性，搭建蔗種圖像采集試驗環(huán)境如下：針孔相機(jī)，補(bǔ)光節(jié)能燈，相機(jī)為500萬像素，拍攝高度為300mm，A3拍攝幅畫。計算機(jī)配置為雙核2.4GHz，4G內(nèi)存。試驗用蔗種平放在載物臺上，載物臺鋪設(shè)白色吸光布，有效地克服了甘蔗的鏡面反射?；贛ATLAB R2014b處理蔗種圖像，圖像采集試驗臺如圖1所示。

圖1 蔗種圖像采集試驗臺注：1-OPT數(shù)字顯示器；2-待測樣本；3-相機(jī)；4.載物臺；5. 計算機(jī)

為快速識別蔗芽，采用灰度級顏色空間轉(zhuǎn)換與閾值分割等對原始圖像進(jìn)行預(yù)處理，利用基于模糊集與浮雕算法對預(yù)處理后的圖像進(jìn)行增強(qiáng)，使蔗芽區(qū)域達(dá)到一定程度的凸顯；以小波變換模極大值的邊緣檢測算法對蔗芽進(jìn)行分割提取，對蔗芽輪廓進(jìn)行形態(tài)學(xué)去噪，得到較為完整的蔗芽圖像，試驗算法流程如圖2所示。

圖2 試驗算法流程

試驗對象為廣西區(qū)桂林市優(yōu)質(zhì)甘蔗“桂糖44號”蔗種。拍攝前先將甘蔗葉剝凈，人工將甘蔗切斷成包含1～2個完整蔗芽的有效蔗種片段。在切好的甘蔗堆中隨機(jī)選擇蔗芽外部輪廓形態(tài)基本完整的蔗種共160個作為試驗樣本。

3 蔗種蔗芽圖像處理與算法

3.1 顏色空間轉(zhuǎn)換與閾值分割

采集蔗種圖像時，將蔗種平放在載物臺上，圖像會出現(xiàn)含蔗芽和不含蔗芽兩種情況，其中含蔗芽面圖像200幅和不含蔗芽面圖像120幅。圖3(a)為蔗種RGB圖像，通過MATLAB將蔗種圖像的R、G、B分量轉(zhuǎn)換為H、S、V分量，分析RGB、HSV顏色模型下的6個分量，結(jié)果發(fā)現(xiàn)，H分量下蔗種區(qū)域與背景區(qū)域的灰度差異明顯，如圖3(b)所示，且蔗種區(qū)域灰度級集中分布在130～170之間，如圖3(c)所示。在H分量下運用大津法自動確定分割閾值，對蔗種區(qū)域與背景區(qū)域進(jìn)行分割處理。運用形態(tài)學(xué)運算對閾值分割后的蔗種二值化圖像進(jìn)行求反，結(jié)果如圖3(d)，即蔗種區(qū)域的二值化圖像。

圖3 蔗種圖像預(yù)處理

3.2 圖像增強(qiáng)與邊緣檢測

3.2.1 基于模糊集與浮雕算法的圖像增強(qiáng)

要實現(xiàn)對蔗芽的識別提取，在識別算法的處理過程中，為了突顯蔗芽區(qū)域，對蔗種圖像進(jìn)行增強(qiáng)效果處理。根據(jù)模糊集的圖像增強(qiáng)算法對預(yù)處理后的蔗種灰度圖像進(jìn)行凸顯增強(qiáng)，其工作原理如圖4所示。首先，將蔗種RGB圖像進(jìn)行灰度化處理得圖5(a)；然后對灰度化處理后的圖進(jìn)行基于模糊集的圖像增強(qiáng)得圖5(b)。通過對比原灰度圖像和經(jīng)過圖像增強(qiáng)處理后的圖像，由圖5(c)所示，圖像中蔗芽區(qū)域的灰度級變化范圍有了很大程度的減小，蔗芽部位有了一定程度上的凸顯。

圖4 模糊集圖像增強(qiáng)原理流程

圖5 蔗種的灰度圖像、基于模糊集的圖像增強(qiáng)效果及灰度變化對比圖

為更直觀體現(xiàn)蔗種圖像中灰度變化顯著的區(qū)域，對蔗種圖像進(jìn)行浮雕處理，經(jīng)浮雕處理，其蔗芽區(qū)域與非蔗芽區(qū)域得到進(jìn)一步區(qū)分。圖像浮雕化的一般原理是在圖像上的每個像素與其對角像素之間形成差異，從而較少相似的顏色值，突出不同的顏色值，從而產(chǎn)生深度感，達(dá)到浮雕化[11]。具體實現(xiàn)方法：取圖像主對角線上點(右下角除外)的平均值，減去右下角點的值，通過添加填充背景色，并添加背景常數(shù)(通常為128)，會形成類似浮雕的效果。浮雕效果的模板如圖6所示。蔗種灰度圖經(jīng)模糊集增強(qiáng)，蔗芽部位變得較為突出且蔗種圖像中非蔗芽部分的灰度值變化幅度較小，為確保后續(xù)邊緣檢測能取得較好的處理效果，對增強(qiáng)后的蔗種圖像進(jìn)行浮雕化處理，結(jié)果如圖7(a)表明蔗芽區(qū)域得到了進(jìn)一步的分離凸顯。

1/4000001/4000001/400+1280001/400000-1

圖7 浮雕化處理效果與基于最小波變換模極大值的邊緣檢測

3.2.2 基于小波變換模極大值的邊緣檢測

目前對甘蔗莖節(jié)部分的檢測研究中，大多是通過傳統(tǒng)的邊緣檢測算法對甘蔗莖節(jié)進(jìn)行識別提取[12-13]，傳統(tǒng)邊緣檢測算法所得的實驗結(jié)果往往含有較多噪聲。相比于傳統(tǒng)邊緣檢測算法，小波變換邊緣檢測算法在處理信噪比(信號與噪聲的功率譜之比)較低的圖像時，能夠準(zhǔn)確快速的識別檢測出有用的信息，不僅能高效抑制圖像中出現(xiàn)的噪聲，而且能夠準(zhǔn)確識別檢測出圖像的邊緣[14-15]。對浮雕化處理后的蔗種圖像采用基于小波變換模極大值的邊緣檢測算法進(jìn)行邊緣檢測[16]，結(jié)果如圖7(b)所示。與圖7(a)相比，圖7(b)中的蔗芽區(qū)域輪廓更加明顯，而且蔗芽周圍的干擾噪聲較少。

3.3 蔗種蔗芽部位的提取

3.3.1 圖像分割與蔗種輪廓提取

對320幅蔗種圖像中隨機(jī)選擇50幅含有蔗芽的蔗種和50幅不含蔗芽的蔗種圖像，通過分析圖7(b)中的灰度值分布情況可知，大于3的像素數(shù)量小于10000個，如圖8(a)所示，所以將3作為灰度分割閾值對圖像作進(jìn)一步的分割提取，經(jīng)過閾值分割后如圖8(b)。

由圖8(b)可以看出：只有去除圖像中蔗芽區(qū)域以外的噪聲干擾，才能更為準(zhǔn)確的提取出圖像中的蔗芽，噪聲干擾來自于包括蔗種區(qū)域中非蔗芽部分和蔗芽輪廓區(qū)域部分。由3.1.1節(jié)可知：單個蔗種的原始圖像在H分量下，蔗芽區(qū)域的輪廓曲線較為分明。因此，使用大津法對H分量下的圖像進(jìn)行分割閾值的自動確定，進(jìn)而從背景區(qū)域中分割出蔗芽部分，得到掩膜處理后的蔗種區(qū)域，為進(jìn)一步消除蔗種區(qū)域噪聲，首先對掩膜圖像進(jìn)行腐蝕操作，得到的蔗種掩膜圖像已去除輪廓區(qū)域如圖8(c)。將圖像8(b)與8(c)進(jìn)行圖像乘法運算，結(jié)果如圖8(d)，蔗種的輪廓區(qū)域已經(jīng)被去除。

圖8 圖像分割、蔗種區(qū)域噪聲去除

3.3.2 數(shù)學(xué)形態(tài)處理與蔗芽的提取

經(jīng)過3.3.1節(jié)的處理，面積較小的噪聲在蔗種整體區(qū)域中已經(jīng)被去除，蔗芽部分得到了初步的識別提?。辉囼灠l(fā)現(xiàn)蔗芽區(qū)域中仍可能存在面積較大的噪聲，且識別到的蔗芽部分也欠完整，蔗芽區(qū)域內(nèi)仍存在部分間隙或空洞。為更準(zhǔn)確識別蔗芽，需對蔗種區(qū)域中的較大噪聲進(jìn)一步去除，使蔗芽區(qū)域更趨完整。應(yīng)用腐蝕和填充的數(shù)學(xué)形態(tài)處理對圖8(d)進(jìn)行處理，使識別提取到的蔗芽部分更加連續(xù)與完整；對獲得的二值化圖像進(jìn)行像素點統(tǒng)計，將圖像中連通區(qū)面積較小的部分進(jìn)行去除，通過分析多幅含有蔗芽面去噪后的二值圖像，根據(jù)像素點集中區(qū)域面積大小，去除較小連通區(qū)面積。蔗種的蔗芽部位最終提取結(jié)果如圖9所示。

圖9 蔗芽識別檢測結(jié)果

4 結(jié)果與分析

利用上述檢測算法對圖3(a)中的多個蔗種進(jìn)行檢測，蔗種在采集到的的原始圖像中使用紅色的矩形框進(jìn)行標(biāo)出，識別結(jié)果如圖10所示。

圖10 標(biāo)注圖3(a)中帶有蔗芽的蔗種

以“桂糖44號”甘蔗取種為例，選取160個人工切種的蔗種段，對320幅蔗種(含蔗芽面200幅，不含蔗芽面120幅)進(jìn)行識別，基于論文的蔗芽檢測算法流程對320幅蔗種進(jìn)行蔗芽的識別檢測。統(tǒng)計含蔗芽面和不含蔗芽面的蔗種圖像識別準(zhǔn)確率，計算平均準(zhǔn)確率，檢測結(jié)果如表1所示。

表1 蔗芽的檢測結(jié)果

由上述表1可得：含有蔗芽面和不含蔗芽面的蔗種檢測準(zhǔn)確率分別為92.5%和89.2%，對于320個蔗種的平均檢測的準(zhǔn)確率為91.3%。分析影響蔗芽檢測準(zhǔn)確率的可能原因是：①較少部分的蔗種蔗葉未完全剝離，蔗芽部位被蔗葉遮擋；②個別蔗芽由于切種損傷蔗芽致使蔗芽檢測失敗；③甘蔗圖像采集時，由于操作不當(dāng)導(dǎo)致采集到的蔗種圖像不清晰致使蔗芽檢測失敗；④一些蔗種莖節(jié)位置攜帶凸起的暗黑色組織，會被檢測為蔗芽區(qū)域；⑤試驗中發(fā)現(xiàn)：蔗種段的存放時間長短會導(dǎo)致蔗芽區(qū)域顏色的偏差，在一定程度上會影響識別的準(zhǔn)確率。

5 結(jié)論

1)蔗種圖像H分量下采用大津法分割出蔗芽區(qū)域，基于腐蝕、求反等形態(tài)學(xué)運算分別對每個蔗種進(jìn)行自動識別?；谀：c浮雕算法對H分量下的蔗種進(jìn)行圖像增強(qiáng)，進(jìn)一步突顯出蔗芽部分，再通過基于小波變換模極大值的邊緣檢測算法對增強(qiáng)后的蔗種圖像進(jìn)行蔗芽部位的提取。對圖像中的所有蔗種進(jìn)行蔗芽識別檢測后，結(jié)合每個蔗種的檢測結(jié)果并將識別到的含有蔗芽的蔗種在原始圖像中進(jìn)行標(biāo)注。

2)以“桂糖44號”蔗種為例，對其進(jìn)行蔗芽的檢測識別，檢測準(zhǔn)確率為91.3%。檢測的結(jié)果顯示：本文所用的算法對于蔗芽的識別檢測具有較好的效果。本文所研究的內(nèi)容為蔗芽的精確識別提供了一種方案，對蔗種定向種植中實現(xiàn)蔗芽位置姿態(tài)的調(diào)整具有重要的意義。