基于邊緣檢測和區(qū)域定位的玉米根莖導(dǎo)航線提取方法

宮金良 王祥祥 張彥斐 蘭玉彬

(1.山東理工大學(xué)機(jī)械工程學(xué)院， 淄博 255049； 2.山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院， 淄博 255049)

0 引言

在玉米病蟲害防治過程中，利用機(jī)器人實現(xiàn)田間自主導(dǎo)航作業(yè)可以降低人工勞動強(qiáng)度、提高作業(yè)效率和作業(yè)質(zhì)量、降低生產(chǎn)成本。目前，自主導(dǎo)航技術(shù)主要分為GPS導(dǎo)航和機(jī)器視覺導(dǎo)航，與GPS導(dǎo)航相比，機(jī)器視覺導(dǎo)航具有實時性好、成本低、適用范圍廣的優(yōu)點[1-6]。

高國琴等[7]以溫室移動機(jī)器人為研究對象，引入K-means算法分割圖像，利用Hough變換擬合離散點，獲取溫室移動機(jī)器人導(dǎo)航信息，試驗中導(dǎo)航信息提取準(zhǔn)確率為95%，圖像處理平均耗時146 ms。胡丹丹等[8]以玉米收獲機(jī)器人為研究對象，根據(jù)玉米壟的走勢特征提取導(dǎo)航離散點，基于Hough變換線性擬合導(dǎo)航離散點，得到導(dǎo)航路徑。劉陽等[9]以冬季果樹林間行走機(jī)器人為研究對象，采用Mid-to-Side掃描法結(jié)合果樹的幾何特征提取兩側(cè)樹干信息，以樹干內(nèi)側(cè)角點作為特征點，通過線性擬合特征點生成導(dǎo)航基準(zhǔn)線。

目前，移動機(jī)器人在行間行走主要利用兩側(cè)莖稈在灰度投影曲線的峰值特性。馮娟等[10]利用特征點與鄰近像素灰度的變化規(guī)律，通過逐行逐列掃描面積去噪圖像確定莖稈與地面的交點。這種方法適用于面積去噪圖像中莖稈之間沒有葉片和雜草的情況，當(dāng)莖稈之間葉片和雜草交錯縱橫時，進(jìn)行列像素累加會在相鄰莖稈之間產(chǎn)生偽特征點，并影響導(dǎo)航線提取效果。宋宇等[11]提出，特征點像素累加值大于左右相鄰像素點的像素累加值，通過設(shè)定相鄰特征點的距離閾值剔除偽特征點。實際玉米種植株距存在缺苗或一穴兩株情況，并且與相機(jī)距離不同的玉米成像尺寸不同，設(shè)定距離閾值篩選偽特征點時，會剔除部分特征點，降低擬合導(dǎo)航線的準(zhǔn)確率。楊洋等[12]建立了基于卷積神經(jīng)網(wǎng)絡(luò)的玉米根莖識別算法，實現(xiàn)了機(jī)器人在玉米行間行走，并指出傳統(tǒng)方法提取導(dǎo)航線出現(xiàn)錯誤的原因是不能精準(zhǔn)確定玉米根莖位置，在不明確峰值點是特征點還是偽特征點的前提下，僅利用相鄰峰值點的位置關(guān)系剔除偽特征點，存在錯誤剔除特征點或漏刪偽特征點的情況，降低了擬合導(dǎo)航線的準(zhǔn)確率。

針對上述問題，為提高導(dǎo)航線擬合準(zhǔn)確率，提出一種基于邊緣檢測和區(qū)域掃描方法，準(zhǔn)確定位玉米莖稈邊緣直線，結(jié)合區(qū)域定位方法得到玉米莖稈區(qū)域范圍，確定峰值點中的特征點，利用提取的特征點剔除偽特征點，以有效提高擬合導(dǎo)航線的準(zhǔn)確率，為農(nóng)業(yè)自動導(dǎo)引車(Automated guided vehicle, AGV)在玉米行間行走提供視覺導(dǎo)航基準(zhǔn)。

1 圖像預(yù)處理

1.1 圖像采集與灰度化

以四輪獨立驅(qū)動的移動機(jī)器人作為采集平臺，相機(jī)安裝在移動機(jī)器人正前方，離地面高度20 cm，俯仰角10°，采集的圖像分辨率為1 280像素×720像素，原始圖像如圖1所示。

圖1 原始圖像Fig.1 Original image

原始圖像包含綠色植物和土壤背景，圖像預(yù)處理的目的是將綠色植物與土壤背景分離，圖像灰度化是將含有色彩和亮度的彩色圖像轉(zhuǎn)換為僅包含亮度的圖像，WOEBBECKE等[13]認(rèn)為綠色植物中G分量高于B分量和R分量，土壤背景的R、G、B分量相差不大，用2G-R-B可以有效分離綠色植物和土壤背景，得到灰度圖像，如圖2所示。

圖2 灰度圖像Fig.2 Grayscale image

1.2 圖像二值化與形態(tài)學(xué)處理

圖像二值化用來分割綠色植物和土壤背景，圖3是灰度圖像直方圖，直方圖出現(xiàn)明顯的波谷。因此，本文采用最大類間方差法自動計算灰度圖像的閾值，然后分割圖像，得到二值圖像。如圖4所示，綠色植物與土壤背景被分割。

圖3 灰度圖像直方圖Fig.3 Grayscale image histogram

圖4 二值圖像Fig.4 Binary image

二值圖像中存在的雜草圖像噪聲對特征點提取產(chǎn)生干擾。構(gòu)造半徑為5像素的圓形結(jié)構(gòu)元素對二值圖像開運(yùn)算處理，圖5是經(jīng)過形態(tài)學(xué)處理后的圖像，形態(tài)學(xué)處理的圖像還有噪聲存在，而玉米區(qū)域的面積較大，可以利用面積特征進(jìn)一步處理，即去除圖像中面積小于1/20圖像面積的區(qū)域[10]，處理后的圖像如圖6所示。面積去噪圖像還存在大面積的噪聲區(qū)域，可通過增大圖像面積的比例來剔除，但也會剔除距離相機(jī)較遠(yuǎn)的玉米植株。為進(jìn)一步優(yōu)化剔除效果，可以充分利用圖像干擾區(qū)域的位置特征，即玉米莖所在的區(qū)域與圖像的上邊界相接，而干擾區(qū)域多數(shù)集中在圖像的下半部分。利用八鄰域算子得到各個非聯(lián)通區(qū)域，判斷每個非聯(lián)通區(qū)域，如果區(qū)域與圖像上邊界相接，則保留該區(qū)域，反之剔除該區(qū)域。圖7是結(jié)合位置特征剔除噪聲得到的圖像，其中獨立的干擾區(qū)域被全部剔除掉。

圖5 形態(tài)學(xué)圖像Fig.5 Morphological image

圖6 面積去噪圖像Fig.6 Denoised image using area features

圖7 位置去噪圖像Fig.7 Denoised image using position features

1.3 特征點獲取

按列累加得到的列像素累加值能夠反映玉米根莖區(qū)域的輪廓，也可減少后期提取玉米根定位的計算量[14]，即

(1)

式中S(i)——圖像第i列的列像素累加值

M、N——圖像縱向和橫向像素尺寸

i、j——圖像像素的列序號和行序號

I(i，j)——點(i，j)處的像素

以圖像左下角為坐標(biāo)原點，橫坐標(biāo)為圖像列序號，縱坐標(biāo)為S(i)，累加曲線如圖8所示，可見玉米根莖區(qū)域輪廓與列像素累加曲線基本吻合。

圖8 列像素累加曲線Fig.8 Curve image of column pixel accumulation

構(gòu)造邊長為30像素的方形高斯濾波模板對列像素累加曲線S(i)進(jìn)行平滑處理，取平滑曲線極小值點為特征點，用(Xn，Yn)表示特征點坐標(biāo)值。如圖9所示，玉米株間葉片交錯縱橫，導(dǎo)致存在偽特征點。

圖9 平滑曲線及特征點Fig.9 Smooth curve and feature points

2 玉米莖稈邊緣檢測

玉米生長筆直，莖稈邊緣近似為直線，通過提取莖稈邊緣得到玉米莖稈在圖像水平方向上的區(qū)域范圍，以剔除偽特征點。用于提取圖像中莖稈邊緣的直線檢測算法有Hough變換法、邊緣鏈接法和基于梯度方法[15-17]。其中，Hough變換法應(yīng)用最廣泛，Hough變換法是將平面坐標(biāo)系中的像素點映射到參數(shù)坐標(biāo)系，在參數(shù)坐標(biāo)系中提取直線。本文利用Canny算子提取面積去噪圖像的梯度邊緣，Hough變換算法檢測直線，其中，Hough變換檢測直線的角度范圍為±10°，角度變化梯度為2°，Hough變換的極徑間隔為1，峰值直線的數(shù)量最大為20條，圖10是經(jīng)Canny算子檢測出的梯度邊緣，圖像經(jīng)過加粗處理，圖11是對梯度邊緣圖像利用Hough變換檢測出的直線邊緣。

圖10 加粗處理后的梯度邊緣圖像Fig.10 Edge image after thickening

圖11 Hough圖像Fig.11 Hough image

Hough圖像中的部分直線能準(zhǔn)確反映莖稈邊緣，部分直線是由于葉片交錯產(chǎn)生的偽邊緣，需要剔除偽邊緣，得到準(zhǔn)確的莖稈邊緣。在面積去噪圖像中白色部分表示莖稈和葉片，黑色部分表示土壤，玉米莖稈區(qū)域的白色像素數(shù)量與區(qū)域內(nèi)像素總數(shù)量的比值較高，而莖稈之間葉片區(qū)域的白色像素點數(shù)量與區(qū)域內(nèi)像素總數(shù)量的比值低于莖稈區(qū)域的比值，根據(jù)多次試驗效果選定像素數(shù)量比值b=0.8。區(qū)域?qū)挾冗x擇最遠(yuǎn)莖稈成像的寬度，取d=15像素。

如圖12所示，以圖像左上角為坐標(biāo)原點，設(shè)Hough圖像中有s條直線，e∈[1，s]，第e條Hough直線的上極值點為Ae(x1，y1)，下極值點為Be(x2，y2)，距離Ae(x1，y1)為d的水平方向像素點分別為點Ce(x1+d，y1)、點De(x1-d，y1)，距離Be(x2，y2)為d的水平方向像素點分別為點Ee(x2+d，y2)、Fe(x2-d，y2)。Re為Ae、Ce、Ee、Be組成的封閉區(qū)域，Le為Ae、De、Fe、Be組成的封閉區(qū)域。區(qū)域Re中白色像素數(shù)量與像素總數(shù)量的比值為qr(e)，qr(e)為s維行向量Qr的元素，s維列向量Ql的元素ql(e)為區(qū)域Le中白色像素數(shù)量與像素總數(shù)量的比值。定義矩陣Q2×s的元素q(1，e)=Max{qr(e),ql(e)}，元素q(2，e)存儲標(biāo)志位值，其中0表示Re和Le區(qū)域均不存在莖稈，1表示僅Re區(qū)域存在莖稈，2表示僅Le區(qū)域存在莖稈，3表示Re、Le區(qū)域均存在莖稈。

圖12 區(qū)域掃描示意圖Fig.12 Area scanning diagram

邊緣檢測算法流程如圖13所示，具體步驟為：

(1)計算點Ae、Be、Ce、De、Ee、Fe的坐標(biāo)值，在面積去噪圖像上裁剪出封閉區(qū)域Re和Le。

圖13 邊緣檢測流程圖Fig.13 Flowchart of edge detection

(2) 對Re進(jìn)行列掃描并計算其中白色像素數(shù)量與像素總數(shù)量的比值，存儲到qr(e)中；對Le進(jìn)行列掃描并計算其中白色像素數(shù)量與像素總數(shù)量的比值，存儲到ql(e)中。

(3) 將qr(e)與ql(e)分4種情況進(jìn)行設(shè)置：

①qr(e)≥b且ql(e)≥b，表示當(dāng)前直線是莖稈邊緣，并且直線左邊和右邊鄰近區(qū)域都有玉米莖稈，求qr(e)和ql(e)的最大值，將最大值存入q(1，e)中，標(biāo)志位3賦給q(2，e)。

②qr(e)

③qr(e)≥b且ql(e)

④qr(e)

(4)重復(fù)步驟(1)～(3)，計算每條直線對應(yīng)的q(1，e)和q(2，e)，為消除莖稈邊緣上多條直線的影響，循環(huán)判斷兩條直線是否相交，如果第e和e+1條直線相交，比較q(1，e)和q(1，e+1)的值。當(dāng)q(1，e)>q(1，e+1)時，q(1，e+1)和q(2，e+1)置0，當(dāng)q(1，e)≤q(1，e+1)時，則q(1，e)和q(2，e)置0。所有相交直線循環(huán)完成，程序結(jié)束。

圖14是基于區(qū)域掃描剔除莖稈偽邊緣后的結(jié)果，可以看出，莖稈之間的偽邊緣直線都被剔除，并且圖像中不存在相交的邊緣直線。

圖14 莖稈邊緣線Fig.14 Stalk boundary line

3 莖稈區(qū)域定位

得到準(zhǔn)確莖稈邊緣直線后，利用標(biāo)志位q(2，e)和邊緣直線位置可獲得莖稈的區(qū)域范圍。設(shè)圖14中有W條直線，e∈[1，W]，定義全零數(shù)組T(i)，i∈[1，N]，用來記錄玉米莖稈在圖像水平方向上的區(qū)域范圍，T(i)=0表示圖像第i列不存在莖稈，T(i)=1表示圖像第i列存在莖稈。區(qū)域檢測算法流程如圖15所示，具體步驟如下：

(1)依次判斷圖14中的每條直線，如果直線e的標(biāo)志位q(2，e)的值為1，則數(shù)組T(i)在區(qū)間[x2，x2+d]的值為1，類似的，q(2，e)的值為2，則數(shù)組T(i)在區(qū)間[x2-d，x2]的值為1，q(2，e)的值為3，則數(shù)組T(i)在區(qū)間[x2-d，x2+d]的值為1。

(2)考慮到莖稈左右兩條邊緣的情況，在e

圖15 區(qū)域檢測算法流程圖Fig.15 Flowchart of area detection algorithm

圖16是莖稈在圖像上的區(qū)域范圍，用來剔除偽特征點。

圖16 莖稈區(qū)域范圍Fig.16 Stalk area range

以圖像左半部分的特征點為例，特征點橫坐標(biāo)值Xn依次遞增，縱坐標(biāo)值Yn也應(yīng)該依次遞增，即如果點(Xn，Yn)在莖稈區(qū)域范圍內(nèi)(T(Xn)=1)，那么1～n-1個特征點的縱坐標(biāo)值都應(yīng)該小于Yn，大于Yn的特征點都是偽特征點。利用區(qū)域范圍剔除偽特征點的具體方法如下：

(1)將圖像分割為尺寸相同的左右兩幅圖像，左半幅圖像的特征點坐標(biāo)值存入矩陣G，右半幅圖像的特征點坐標(biāo)值存入矩陣H。

(2)對矩陣G、H中的特征點進(jìn)行二次判斷，沿圖像水平方向，從左向右依次掃描，判斷每個特征點(Xn，Yn)和對應(yīng)的數(shù)組T(Xn)。以矩陣G為例，當(dāng)T(Xn)=1時，對1～n-1個特征點進(jìn)行判斷，縱坐標(biāo)值大于Yn的特征點置為空。對矩陣H的處理方式正好相反，沿圖像水平方向，從左向右掃描，判斷每個特征點(Xn，Yn)和對應(yīng)的數(shù)組T(Xn)，當(dāng)T(Xn)=1時，對第n個特征點右側(cè)的特征點進(jìn)行判斷，縱坐標(biāo)值大于Yn的特征點置為空。剔除偽特征點之后的特征點圖像如圖17所示，圖中藍(lán)色點表示特征點，綠色點表示已經(jīng)剔除的偽特征點。

圖17 特征點圖像Fig.17 Feature points image

4 導(dǎo)航基準(zhǔn)線提取與試驗分析

4.1 導(dǎo)航基準(zhǔn)線線性擬合

直線擬合方法主要有最小二乘法、Hough變換和穩(wěn)健回歸法[18-20]，利用最小二乘法分別擬合G和H的特征點，分別得到左、右兩個導(dǎo)航基準(zhǔn)線，左導(dǎo)航基準(zhǔn)線和右導(dǎo)航基準(zhǔn)線角平分線即為導(dǎo)航線。設(shè)左導(dǎo)航基準(zhǔn)線斜率為k1，右導(dǎo)航基準(zhǔn)線斜率為k2，則導(dǎo)航線的斜率k滿足方程

(2)

圖18為擬合效果，圖中以左上角為坐標(biāo)系原點，向右為橫坐標(biāo)軸正方向，向下為縱坐標(biāo)軸正方向。

圖18 導(dǎo)航基準(zhǔn)線和導(dǎo)航線Fig.18 Navigation datum line and navigation line

4.2 算法性能評價

試驗圖像采集于山東省淄博市周村區(qū)試驗田，圖像處理軟件為Matlab 2018b，計算機(jī)為英特爾Xeon E5-2643 @ 3.30 GHz(×2)、32 GB內(nèi)存、Windows 7(64位)操作系統(tǒng)。對本文算法和傳統(tǒng)方法[11]進(jìn)行比較，處理結(jié)果如圖19所示。

圖19 不同方法特征點提取和導(dǎo)航線擬合結(jié)果Fig.19 Feature point extraction and navigation line fitting results of two methods

傳統(tǒng)方法均采用固定閾值法尋找列像素累加曲線峰值點，其中，采用findpeaks函數(shù)按照固定閾值尋找峰值點，設(shè)置相鄰峰值點閾值MinPeakDistance為20。圖19a利用固定閾值法得到的特征點中偽特征點較多，主要原因是采用了固定閾值尋找列像素累加曲線的峰值點。實際上玉米莖稈在圖像上不是等寬度分布的，根據(jù)相機(jī)“近大遠(yuǎn)小”原理，距離相機(jī)近的株距投影值較大，距離相機(jī)遠(yuǎn)的株距投影值較小，距離相機(jī)近的兩株玉米之間會檢測到多個偽特征點。本文利用高斯濾波平滑列像素累加曲線，對平滑后的曲線取峰值點作為特征點，曲線經(jīng)過平滑之后，位于兩株玉米之間的偽特征點不具備峰值點的特性，與圖19a相比，圖19b玉米之間的偽特征點明顯減少。當(dāng)利用左右特征點的位置關(guān)系剔除偽特征點定位玉米莖稈時，存在誤刪除根莖特征點的情況，并且兩株玉米之間的雜草也容易被誤判為特征點。本文基于Hough變換檢測玉米莖稈邊緣，經(jīng)過區(qū)域掃描剔除偽邊緣直線，然后得到莖稈區(qū)域范圍。這種方法能得到準(zhǔn)確的玉米莖稈位置，并且能準(zhǔn)確定位玉米根莖，再利用莖稈區(qū)域范圍即可準(zhǔn)確剔除偽特征點，圖19c給出了對應(yīng)于圖19b的玉米莖稈區(qū)域。

采用人工標(biāo)記方法獲取最佳導(dǎo)航線及最佳角度，并計算提取到的導(dǎo)航線與最佳導(dǎo)航線的角度差，角度差在-5°～5°時認(rèn)為結(jié)果準(zhǔn)確。為了驗證算法的可行性和實時性，對采集到的50幅樣本圖像利用最小二乘法線性擬合特征點。統(tǒng)計結(jié)果表明，本文算法處理一幅1 280像素×720像素圖像耗時約236 ms，特征點擬合準(zhǔn)確率為92%。本文使用的Matlab屬解釋性語言，便于調(diào)試驗證算法的準(zhǔn)確性，采用面向?qū)ο蟮染幊陶Z言可進(jìn)一步提高處理速度。

4.3 算法魯棒性分析

為驗證本文算法的魯棒性，以人工標(biāo)記導(dǎo)航線為基準(zhǔn)，分別對雜草較多、缺苗、株距不標(biāo)準(zhǔn)3種環(huán)境條件的玉米圖像進(jìn)行處理，如表1所示?？梢姳舅惴▽﹄s草較多、缺苗和株距不標(biāo)準(zhǔn)的情況具有較強(qiáng)的魯棒性，3種環(huán)境條件下圖像處理平均耗時233 ms，平均準(zhǔn)確率為90.8%，可以為農(nóng)業(yè)AGV進(jìn)入環(huán)境復(fù)雜的玉米田提供實時性好、可靠性強(qiáng)的導(dǎo)航線提取方法。

表1 不同環(huán)境下的處理結(jié)果Tab.1 Processing results in different environments

試驗結(jié)果如圖20所示，圖20a為玉米缺苗并且株間雜草較多的情況，圖20b為玉米株距不標(biāo)準(zhǔn)并且行間雜草較多的情況?？梢钥闯觯槍χ昃嗖粯?biāo)準(zhǔn)的情況，本文算法能準(zhǔn)確提取特征點，提取出的偽特征點數(shù)量較少，基于邊緣檢測和區(qū)域掃描算法能得到準(zhǔn)確的玉米莖稈邊緣，利用區(qū)域定位算法能剔除偽特征點。試驗表明，基于邊緣檢測和區(qū)域定位可實現(xiàn)玉米莖稈區(qū)域準(zhǔn)確定位，玉米株間的偽特征點能被準(zhǔn)確剔除，針對缺苗、雜草較多和株距不標(biāo)準(zhǔn)的情況具有較強(qiáng)的魯棒性。

圖20 基于邊緣檢測和區(qū)域掃描的導(dǎo)航線提取結(jié)果Fig.20 Navigation line extraction based on edge detection and area scanning

5 結(jié)束語

提出一種基于邊緣檢測和區(qū)域定位的玉米根莖導(dǎo)航線提取方法。針對傳統(tǒng)方法提取特征點需要設(shè)定距離閾值的不足,引入高斯濾波器平滑列像素累加曲線，運(yùn)用極值法減少玉米根莖偽特征點的干擾。同時，提出基于最遠(yuǎn)莖稈成像寬度的雙側(cè)邊緣判別思路，有效篩選出準(zhǔn)確的根莖特征點，最終基于最小二乘法擬合得到玉米大田作業(yè)導(dǎo)航線。試驗表明，本文算法處理一幅1 280像素×720像素的圖像耗時約236 ms，特征點擬合準(zhǔn)確率為92%。與傳統(tǒng)方法相比，本文算法精度高、實時性好，在缺苗、雜草較多和株距不標(biāo)準(zhǔn)的情況仍具有較強(qiáng)的魯棒性，可以為防治玉米病蟲害的智能化農(nóng)業(yè)機(jī)械提供視覺導(dǎo)航。