馮高峰

(濟源職業(yè)技術(shù)學(xué)院,河南 濟源 459000)

0 引言

在5G技術(shù)快速發(fā)展的當(dāng)下,智能農(nóng)業(yè)機器人技術(shù)和產(chǎn)業(yè)發(fā)展成為熱門風(fēng)口。為此,基于FCM模糊聚類算法對待識別的農(nóng)作物圖像進行區(qū)域分割,對目標(biāo)圖像描述顏色的a和b通道進行聚類分析,找出顏色差異,將花朵或果實和背景(樹枝、樹葉)分割開來,縮小需要比對的圖像,提高算法處理速度,從分割出的目標(biāo)物的輪廓最終實現(xiàn)對花朵或果實目標(biāo)的識別。

1 FCM模糊聚類算法

1.1 傳統(tǒng)FCM算法

FCM模糊聚類算法是一種采用最小二乘算法,結(jié)合迭代法對目標(biāo)進行優(yōu)化,從而獲得數(shù)據(jù)精確劃分的方法 ,其損失函數(shù)表達(dá)式為

(1)

其中,FCM的數(shù)據(jù)集合為X={x1,x2,…,xm},xi∈R5;n表示等待聚類數(shù)據(jù)的數(shù)目;c表示聚類中心的數(shù)目;指數(shù)m表示調(diào)節(jié)模糊類之間的隸屬度的程度,逐漸增大m可以提高整個函數(shù)的模糊度,且能降低數(shù)據(jù)的隸屬度。FCM模糊聚類算法就是在追求Jm的最小化。

對式(1)進行偏導(dǎo)求解后可得

(2)

根據(jù)式(2)可以求出聚類中心矩陣V={v1,v2,…,vi},里面的每個子集都是基于s特征的聚類中心,即v1∈Ri。

模糊分類矩陣的計算表達(dá)式為

(3)

若‖xk-vi‖=0,會有uik=1,且對于?j=i,則滿足

uik=0

(4)

其中,u需要滿足以下條件,即

(5)

FCM聚類中心U是一個可以被隨機初始化的矩陣,可以由所有樣本數(shù)據(jù)點通過式(2)計算得出。

1.2 改進的FCM算法

在圖像識別分割的應(yīng)用中,需要考慮到樣本各維度的權(quán)重問題,一旦發(fā)現(xiàn)某個樣本對一類數(shù)據(jù)隸屬度較大時,便可以將最大權(quán)重值分配給它,從而得到最好的聚合中心;反之,對于隸屬度較小的樣本數(shù)據(jù),則可以分配較小的權(quán)重,使其與中心的距離較大,將數(shù)據(jù)樣本分割開來。

假設(shè)等待聚類的樣本數(shù)據(jù)集X={x1,x2,…,xm},每個樣本中包括m個數(shù)據(jù)指標(biāo),那么第j個數(shù)據(jù)樣本的特征向量表達(dá)式為xj={x1j,x2j,…,xmj}T。樣本列表如表1所示。

表1 樣本列表Table 1 Sample list

(6)

其中,i=1,2,…,m。

(7)

其中,α表示FCM優(yōu)化的準(zhǔn)則參數(shù);rij表示優(yōu)化的樣本規(guī)格。

根據(jù)以上方法,可以建立目標(biāo)函數(shù)表達(dá)式,即

min{f(u,s,w)= (f1(u1,s,w),f2(u2,s,w),…,fn(un,s,w))}

(8)

由以上特征加權(quán)和模具聚類循環(huán)迭代的方法,可以對數(shù)據(jù)的特征進行加權(quán)研究,從而得到最優(yōu)的模糊聚類分類矩陣,實現(xiàn)對目標(biāo)的識別。

圖1 歐式距離示意圖Fig.1 The schematic diagram of European distance

2 采摘目標(biāo)識別分析

2.1 采摘目標(biāo)的模糊聚類視區(qū)分析

為了實現(xiàn)對目標(biāo)農(nóng)作物的識別與分類,需要建立模糊的相似矩陣,方便對相同的特征目標(biāo)進行描述;然后,建立傳遞閉包t(R),并結(jié)合模糊相似矩陣,得到具有相同特征的目標(biāo)特征聚類圖。詳細(xì)的過程如下:

1)設(shè)定矩陣的特征值λ1=1取最大值,根據(jù)xi可以得到相似類別[xi]R,則符合

[xi]R=[xj|rij=1]

(9)

同時,將滿足rij=1的xi和xj判別為相似類。

2)設(shè)定λ2為特征矩陣的第二大值,可以在R中找到一組相似度為λ2的(xi,xj)。

3)設(shè)定λ3為特征矩陣的第三大值,重復(fù)第2)步,得到相似度為λ3的(xi,xj);然后,將第2)步求出的等價分類xi和xj,并根據(jù)類比合并,這樣就能自動得到λ3的等價類。

4)不斷重復(fù)以上步驟,直到所有具備相同特征值的類合并到模糊分類矩陣U中。

2.2 獲取采摘目標(biāo)數(shù)據(jù)

1)采樣目標(biāo)樣本圖像的采集。在某番茄種植基地采用佳能EOS RP相機采集西紅柿的圖像,一共采集有效圖像800幅。西紅柿圖像如圖2所示。

圖2 西紅柿圖像Fig.2 The tomato image

2)圖像預(yù)處理。通過相機拍攝到的圖像,由于環(huán)境或設(shè)備的影響,引入一些噪聲,為了方便后面對圖像樣本的處理和分析,采用高斯噪聲對圖像進行預(yù)處理,并將處理后的圖像保存為360像素×480像素的圖像,處理后的圖像如圖3所示。

圖3 處理后的圖像Fig.3 The processed image

2.3 基于FCM的圖像分割流程

FCM模糊聚類算法的核心是利用像素灰度級的歐式距離對待識別目標(biāo)的特征進行相似性距離求解,并通過重復(fù)計算目標(biāo)函數(shù),求出兩次差值小于設(shè)定閾值。然后,將目標(biāo)物圖像I={f(i,j),0≤i

Step1:假設(shè)n=M×N表示一幅圖像像素點數(shù)量,然后目標(biāo)圖像聚類目標(biāo)數(shù)量為C(2≤C0。

Step2:采用值在區(qū)間[0,1]的隨機數(shù)對初始化的隸屬度矩陣U=[uk(i,j)]和聚類中心V=[v1,v2,…,vc]。

Step3:計算C個聚類中心vi(i=1,2,…,C)。

Step6:根據(jù)分類矩陣和模糊聚類算法對目標(biāo)圖像進行分割。

基于FCM的圖像分割的流程圖如圖4所示。

3 實驗與分析

針對西紅柿目標(biāo)時,先采用相關(guān)的FCM模糊聚類算法和相關(guān)系數(shù)方法,建立了該目標(biāo)識別的相似矩陣的(rαβ)8×8,其中

(10)

圖4 基于FCM的圖像分割的流程圖

實驗中,選擇i=3、j=5,再根據(jù)計算得出r35的值,這樣便可以根據(jù)MatLab仿真軟件對其余的數(shù)據(jù)進行模擬計算,得到最后的模糊矩陣(rαβ)8×8。

由于圖片獲取過程中,容易受到環(huán)境的干擾,需要對目標(biāo)圖像進行濾波處理,也就是先對西紅柿的輪廓進行提取,并建立相應(yīng)的FCM模糊聚類矩陣,然后對不連續(xù)的輪廓進行填充。其具體流程:①獲取西紅柿目標(biāo)圖像,如圖5(a)所示;②根據(jù)相似矩陣中的特征值,對相鄰像素點進行比較,對具有相同特征值的像素點進行灰度處理,并對不同的特征值采用白點進行填充,如圖5(b)所示,能得到西紅柿大概的輪廓;③經(jīng)過多次反復(fù)的迭代可以得到如圖5(c)所示的西紅柿清晰輪廓,從而能實現(xiàn)對西紅柿的識別,驗證了系統(tǒng)的可行性和準(zhǔn)確性。

圖5 農(nóng)業(yè)機器人采摘目標(biāo)識別流程

4 結(jié)論

為了實現(xiàn)西紅柿目標(biāo)的分割和識別,利用FCM模糊聚類算法對目標(biāo)圖像進行模糊聚類分析處理。為了提高識別速度和精度,引入隸屬度矩陣對FCM算法進行優(yōu)化,加快算法的迭代速度,降低圖像分割處理的時間,并通過將其并入目標(biāo)聚類圖像,實現(xiàn)了較為完整的分割目標(biāo),以實現(xiàn)對西紅柿果實的識別。測試結(jié)果表明:該方法適用于目標(biāo)農(nóng)作物的分割和目標(biāo)識別。