基于有序輪廓鏈的葫蘆科砧木苗生長(zhǎng)點(diǎn)檢測(cè)①

查 楊 陳 武 賴一波 吳 堯 方家吉 黃 錚 喻擎蒼

（浙江理工大學(xué) 浙江杭州 310018）

農(nóng)作物幼苗的設(shè)施栽培技術(shù)因其可以有效提高作物抵抗自然災(zāi)害的能力而被廣泛采用，然而常年連續(xù)栽培同科作物產(chǎn)生土傳病害等問(wèn)題，而嫁接則是成本最低效果最好的一種解決方法［1］。因此，在當(dāng)今農(nóng)業(yè)現(xiàn)代化發(fā)展的進(jìn)程中，自動(dòng)嫁接設(shè)備的研發(fā)成為大勢(shì)所趨。

自動(dòng)嫁接設(shè)備按自動(dòng)化程度可分為全自動(dòng)嫁接機(jī)、半自動(dòng)嫁接機(jī)以及手動(dòng)嫁接機(jī)。國(guó)外嫁接設(shè)備的研發(fā)最早始于20世紀(jì)80年代，至今已有多款全自動(dòng)、半自動(dòng)嫁接機(jī)問(wèn)世［2-4］，而國(guó)內(nèi)研發(fā)則稍落后于國(guó)外，自20世90年代以來(lái)，主要成果也以半自動(dòng)嫁接機(jī)為主，無(wú)法真正擺脫人力的束縛［5-7］，由于全自動(dòng)嫁接設(shè)備引進(jìn)的費(fèi)用較高，國(guó)內(nèi)對(duì)于全自動(dòng)嫁接設(shè)備的研究也從未停止，而機(jī)器視覺(jué)的發(fā)展，也使得國(guó)內(nèi)研發(fā)推廣全自動(dòng)嫁接設(shè)備成為可能［8］。

機(jī)器視覺(jué)對(duì)全自動(dòng)嫁接設(shè)備研發(fā)的功能主要在于對(duì)嫁接過(guò)程中的幼苗的嫁接參數(shù)的識(shí)別，而在以插接法為主要嫁接方法情況下，又以生長(zhǎng)點(diǎn)的識(shí)別最為重要。在現(xiàn)有的嫁接參數(shù)研究中，生長(zhǎng)點(diǎn)的識(shí)別主要分為子葉重合狀態(tài)的嫁接苗生長(zhǎng)點(diǎn)識(shí)別與子葉分開(kāi)狀態(tài)的嫁接苗識(shí)別，前者識(shí)別方法主要依靠邊緣特征計(jì)算鏈角，識(shí)別重合部分的凹點(diǎn)并以此作為生長(zhǎng)點(diǎn)識(shí)別的依據(jù)［9-10］。而對(duì)于子葉分開(kāi)狀態(tài)，由于其鏈角特征并不明顯，現(xiàn)階段一般采用Hough橢圓擬合的方法將子葉模型擬合成橢圓，根據(jù)橢圓信息識(shí)別生長(zhǎng)點(diǎn)位置［9-11］。但是，根據(jù)實(shí)際嫁接經(jīng)驗(yàn)，嫁接苗可嫁接狀態(tài)下往往呈現(xiàn)子葉分開(kāi)的狀態(tài)，較少情況下會(huì)出現(xiàn)兩片子葉重合的情況，因此基于鏈角特征的生長(zhǎng)點(diǎn)提取其應(yīng)用面較少，而使用橢圓擬合的方法，對(duì)于子葉形狀較不規(guī)則的狀態(tài)，其擬合得到的橢圓并不能很好的表現(xiàn)子葉的特征，從而導(dǎo)致生長(zhǎng)點(diǎn)判定誤差。

因此，本文提出一種基于有序輪廓鏈的生長(zhǎng)點(diǎn)識(shí)別定位方法，通過(guò)有序輪廓鏈更具體地分析嫁接苗子葉邊緣特征，使其鏈角特征更好的反應(yīng)嫁接苗邊緣特征的變化，從而使生長(zhǎng)點(diǎn)的識(shí)別更為準(zhǔn)確。

1 圖像采集裝置搭建

在計(jì)算機(jī)輔助嫁接設(shè)備對(duì)葫蘆科幼苗進(jìn)行嫁接的前提下，其生長(zhǎng)點(diǎn)的識(shí)別結(jié)果應(yīng)與其空間坐標(biāo)相匹配，因此，圖像采集裝置應(yīng)分別以側(cè)視視角、俯視視角對(duì)嫁接苗進(jìn)行視覺(jué)采集，嫁接裝置設(shè)計(jì)如圖1所示。

圖1 嫁接裝置模型圖

由于本文所服務(wù)的嫁接設(shè)備其嫁接方式是由機(jī)械臂分別將砧木苗、接穗苗上苗至嫁接裝置的位置，然后對(duì)苗進(jìn)行嫁接操作，因此本文所采集的圖像都為單株嫁接苗，在這個(gè)基礎(chǔ)上，為了有效避免噪聲在嫁接圖像處理過(guò)程中的影響，保證視覺(jué)識(shí)別的準(zhǔn)確性，嫁接設(shè)備的圖像采集區(qū)域?qū)⒃诒尘安糠痔砑訂紊徊?，如圖2所示。

圖2 圖像采集樣例

2 生長(zhǎng)點(diǎn)的提取

2.1 生長(zhǎng)點(diǎn)提取流程

在圖像采集裝置搭建完成的基礎(chǔ)上，圖像處理程序?qū)⒎謩e對(duì)側(cè)視圖、俯視圖進(jìn)行識(shí)別，其流程為：采集幼苗的俯視圖與側(cè)視圖，分別提取俯視圖與側(cè)視圖目標(biāo)區(qū)域的幼苗輪廓鏈，對(duì)于俯視圖而言，通過(guò)有序輪廓鏈分析圖像邊緣特征，求取輪廓特征點(diǎn)并以此作為生長(zhǎng)點(diǎn)識(shí)別的依據(jù)；對(duì)于側(cè)視圖而言，將根據(jù)目標(biāo)區(qū)域的輪廓鏈提取骨架，以骨架的分叉點(diǎn)為依據(jù)，進(jìn)行生長(zhǎng)點(diǎn)的識(shí)別，其流程如圖3所示。

圖3 生長(zhǎng)點(diǎn)識(shí)別流程圖

2.2 圖像有序輪廓鏈的提取

所謂圖像輪廓鏈提取本質(zhì)上來(lái)說(shuō)就是圖像的邊緣檢測(cè)并將其存儲(chǔ)于有序鏈表的過(guò)程。傳統(tǒng)的邊緣檢測(cè)算法，比如Canny邊緣檢測(cè)算法在邊緣檢測(cè)的過(guò)程中易受到噪聲的影響，對(duì)圖像采集環(huán)境較為嚴(yán)苛，邊緣檢測(cè)效果也隨之受到影響［9］。而如若使用更加復(fù)雜算法，例如基于水平集分割的邊緣檢測(cè)算法［12-13］或者是基于小波變換的Canny邊緣檢測(cè)算法等方法［14］，對(duì)于獲取到的輪廓而言，僅為離散且無(wú)序的點(diǎn)集，以此獲取出來(lái)的邊緣特征信息無(wú)法很好的與該信息在圖像上的位置相關(guān)聯(lián)，為了解決這一問(wèn)題，本文使用一種基于目標(biāo)像素的有序輪廓鏈提取方法，在保證了盡可能減少噪聲影響的前提下，實(shí)現(xiàn)對(duì)邊緣特征的按序分析。

該方法首先以目標(biāo)像素為基準(zhǔn)，對(duì)不同顏色區(qū)間的像素點(diǎn)進(jìn)行編號(hào)，然后逐行遍歷圖像，將每行中數(shù)值相同且相鄰的像素合并為段，隨后以行為單位進(jìn)行遍歷，判斷下一行內(nèi)是否有相同顏色的段，若有，則視為段鄰接，接著將符合段鄰接的區(qū)域合并為塊，最后對(duì)得到的像素連通塊輪流通過(guò)向左下與向右上尋找規(guī)則對(duì)應(yīng)塊進(jìn)行遍歷，將滿足規(guī)則的像素點(diǎn)，將這些像素點(diǎn)依次放入輪廓鏈中，直到當(dāng)前加入的像素點(diǎn)與起始點(diǎn)相同，判定輪廓鏈提取完成，結(jié)束遍歷。整個(gè)算法流程如圖4所示。

圖4 有序輪廓鏈提取流程圖

為了體現(xiàn)本文所述有序輪廓鏈提取方法的優(yōu)勢(shì)，使用以閾值分割為基礎(chǔ)的Canny邊緣提取方法作為對(duì)比實(shí)驗(yàn)，與本文有序輪廓鏈提取方法對(duì)比，所得結(jié)果如圖5所示。由圖5可知，基于閾值分割的Canny邊緣檢測(cè)，其魯棒性較差。對(duì)于圖像內(nèi)的噪聲、雜物不能很好的進(jìn)行排除，相對(duì)而言，本文所提出的方法其提取效果較為穩(wěn)定，不論是圖像噪聲或是雜物均能被有效的排除。實(shí)現(xiàn)目標(biāo)區(qū)域有序輪廓鏈的穩(wěn)定提取。

圖5 輪廓提取方式對(duì)比圖

2.3 基于曲率的圖像輪廓特征點(diǎn)提取

在上一節(jié)中通過(guò)基于像素提取的有序輪廓鏈提取，可以獲得嫁接幼苗俯視圖的輪廓鏈信息，單像素的輪廓鏈實(shí)質(zhì)上是一個(gè)點(diǎn)集，因此將輪廓鏈視為一條離散的二維曲線，則可以通過(guò)分析輪廓鏈的曲率信息，提取邊緣特征，進(jìn)而在輪廓鏈中尋找有關(guān)生長(zhǎng)點(diǎn)的特征點(diǎn)，根據(jù)有序輪廓鏈的提取流程，可以看出輪廓鏈?zhǔn)且阅骋稽c(diǎn)為起始點(diǎn)，按圖像邊緣順時(shí)針的順序存儲(chǔ)于數(shù)組中，因此可以將某一點(diǎn)的位置序號(hào)作為橫軸，以曲率值作為縱軸，計(jì)算建立曲率信息圖。

對(duì)于離散曲線C(Pi(xi，yi))而言，在點(diǎn)Pi處的曲率計(jì)算需要借助到其前置點(diǎn)Pi-1與其后置點(diǎn)Pi+1，將3點(diǎn)視為二次曲線函數(shù)上的3點(diǎn)，根據(jù)一般二次曲線參數(shù)方程，可得：

結(jié)合3點(diǎn)坐標(biāo)(xi，yi)代入上述方程可以獲得一組由6個(gè)式子組成的線性方程組。不妨使用相鄰兩點(diǎn)的線性距離來(lái)約束參數(shù)t的取值范圍，則有

且對(duì)參數(shù)t做出如下規(guī)定：

則曲線的參數(shù)方程可以拓展為：

對(duì)該矩陣求逆，代入Pi-1，Pi，Pi+1，即可求得參數(shù) (a1，a2，a3)以及 (b1，b2，b3)的值，而(x，y)在參數(shù)方程下的一階導(dǎo)數(shù)與二階導(dǎo)數(shù)為：

由此可得，離散曲線在點(diǎn)Pi處的曲率為

根據(jù)該曲率算法對(duì)嫁接苗進(jìn)行邊緣曲率特征分析，原圖以及分析結(jié)果如圖6所示

圖6 嫁接苗曲率圖像

可以看到，輪廓曲率圖像中有若干個(gè)極值點(diǎn)，而極值點(diǎn)中分別有最大值最小值兩個(gè)點(diǎn)，將其作為特征點(diǎn)在原圖中進(jìn)行標(biāo)注，其結(jié)果如圖7所示。

圖7 曲率特征點(diǎn)

可以看到，曲率圖像反應(yīng)出的特征點(diǎn)十分明顯，而映射至圖像上，并不能定位到有關(guān)于圖像生長(zhǎng)點(diǎn)的信息?？紤]其根本原因在于曲率反應(yīng)的是曲線的彎曲程度，而圖像在生長(zhǎng)點(diǎn)周邊區(qū)域的曲線彎曲程度實(shí)際上與子葉其余部位相似度較高，因此單純的曲率在圖像生長(zhǎng)點(diǎn)特征的識(shí)別上優(yōu)勢(shì)不大，需要有一種更能體現(xiàn)子葉生長(zhǎng)點(diǎn)區(qū)域特征的辦法。

2.4 基于鏈角的圖像輪廓特征點(diǎn)提取

根據(jù)2.3的分析，為了能更好的反應(yīng)子葉輪廓特征信息，本文將采用鏈角的方式對(duì)圖像輪廓鏈進(jìn)行特征計(jì)算并以此結(jié)果作為嫁接苗生長(zhǎng)點(diǎn)的檢測(cè)依據(jù)。

定義點(diǎn)Pi(pxi，pyi)處的鏈角即向量PiPi-1與向量PiPi+1所稱夾角，其計(jì)算公式為：

由于鏈角描述的是當(dāng)前像素點(diǎn)與其相鄰兩點(diǎn)之間夾角的大小，因此，相較于曲率對(duì)曲線彎曲程度的描述，鏈角可以更好的反應(yīng)每一個(gè)像素點(diǎn)上的彎曲特征，更有利于嫁接苗生長(zhǎng)點(diǎn)區(qū)域的特征識(shí)別。但是，鏈角由于其描述方式，更容易受到邊緣噪聲的影響，若將輪廓信息以點(diǎn)集的形式體現(xiàn)在數(shù)據(jù)表中，如圖8所示的情況下，則可以看到其邊緣對(duì)曲線的描述是以像素點(diǎn)的階梯狀排列實(shí)現(xiàn)的。

圖8 圖像邊緣部分像素點(diǎn)排列圖

為了避免這種情況產(chǎn)生不必要的特征點(diǎn)，本文定義跨距k為與當(dāng)前像素點(diǎn)距離為k的兩個(gè)點(diǎn)，則點(diǎn)Pi處基于跨距k的鏈角計(jì)算公式為：

經(jīng)過(guò)多次實(shí)驗(yàn)認(rèn)為，以5為跨距既能減少上述情況造成的特征點(diǎn)噪聲，又可以盡可能地保留嫁接苗輪廓特征信息。因此選擇跨距k=5對(duì)嫁接苗的輪廓鏈進(jìn)行鏈角計(jì)算，所得輪廓鏈以及對(duì)應(yīng)的鏈角信息如圖9所示。

圖9 輪廓鏈及其曲率變化圖

圖9中橫軸表示的是點(diǎn)在有序輪廓鏈中的位置，縱軸表示的是該點(diǎn)處鏈角的值。從圖中可以看到，鏈角信息出現(xiàn)了5個(gè)明顯的特征位置，考慮到輪廓鏈的提取方式為從子葉頂端附近開(kāi)始順時(shí)針提取，以及結(jié)合上一節(jié)中曲率值的特征點(diǎn)，可以做出判斷，對(duì)于圖9 b中所示的中間部分的特征值，可以認(rèn)為是由圖像中子葉底端的鏈角變化展現(xiàn)出的特征。而經(jīng)過(guò)實(shí)驗(yàn)可以發(fā)現(xiàn)，對(duì)于子葉頂端位置特征較弱的圖像而言，則沒(méi)有這一部分的曲率變化，如圖10所示輪廓鏈及其鏈角信息圖。

圖10 子葉末端特征較弱輪廓鏈及曲率變化圖

為了減少子葉頂端輪廓鏈鏈角變化特征對(duì)生長(zhǎng)點(diǎn)區(qū)域特征點(diǎn)識(shí)別造成的影響，且考慮到植物子葉一般具有一定的對(duì)稱性，將子葉輪廓鏈以中間位置為分割點(diǎn)將其分成兩個(gè)部分，隨后分別排除這兩部分的頭尾輪廓點(diǎn)，只對(duì)中間部分進(jìn)行鏈角計(jì)算，如圖11所示，并分析這兩段輪廓曲率信息中各自的極大值與極小值，便可定位子葉根部生長(zhǎng)點(diǎn)區(qū)域拐角位置。曲率信息圖以及定位結(jié)果如圖12-13所示。

圖11 嫁接苗輪廓鏈分段圖

圖12 分段輪廓鏈曲率信息

圖13 曲率特征點(diǎn)定位圖

將通過(guò)曲率特征定位獲得的4個(gè)特征點(diǎn)視為四邊形的4個(gè)定點(diǎn)，按逆時(shí)針的順序?qū)⑵涿麨?i=1，2，3，4)，每段曲率的極大值與極小值點(diǎn)分別對(duì)應(yīng)為特征點(diǎn)的P1，P2與P3，P4，則生長(zhǎng)點(diǎn)的定義為：P1，P4所在直線與P2，P3所在直線的焦點(diǎn)即為嫁接苗俯視圖生長(zhǎng)點(diǎn)位置。其坐標(biāo)公式為：

將不同圖像的生長(zhǎng)點(diǎn)提取結(jié)果用白色像素點(diǎn)標(biāo)識(shí)出來(lái)，如圖14所示

圖14 生長(zhǎng)點(diǎn)提取結(jié)果

2.5 側(cè)視圖生長(zhǎng)點(diǎn)識(shí)別

基于嫁接幼苗俯視圖的生長(zhǎng)點(diǎn)定位，其確定的是俯視平面內(nèi)的嫁接苗生長(zhǎng)點(diǎn)坐標(biāo)信息，而在全自動(dòng)嫁接設(shè)備的嫁接過(guò)程中，只有準(zhǔn)確知道生長(zhǎng)點(diǎn)在空間中的坐標(biāo)，才能對(duì)嫁接苗進(jìn)行后續(xù)的嫁接操作，因此，有必要對(duì)嫁接苗側(cè)視圖進(jìn)行生長(zhǎng)點(diǎn)定位，獲取生長(zhǎng)點(diǎn)在俯視圖垂直方向上的坐標(biāo)。

在傳統(tǒng)的嫁接苗苗莖參數(shù)提取方法中，一般采用檢測(cè)邊緣信息，根據(jù)邊緣信息進(jìn)行嫁接苗特征參數(shù)估算，或是使用線激光對(duì)嫁接苗進(jìn)行照射，根據(jù)光斑信息估算嫁接苗特征參數(shù)等方法［15］，根據(jù)嫁接苗邊緣信息進(jìn)行的特征參數(shù)估算其一般需要用到擬合的方法，時(shí)間效率較低，而利用線激光照射嫁接苗的方法對(duì)終端設(shè)備要求較高，且由于線激光的特性，對(duì)周邊光照條件要求較高。

因此，綜合考慮到時(shí)間效率與設(shè)備輕便性，本文提出了一種基于嫁接苗側(cè)視圖單像素骨架的生長(zhǎng)點(diǎn)及苗莖寬度檢測(cè)方法。

本文所采用的骨架提取方法為ZS快速并行算法，該算法以目標(biāo)像素的八鄰域作為迭代運(yùn)算的基礎(chǔ)，分別判斷當(dāng)前8鄰域內(nèi)的點(diǎn)數(shù)、8鄰域內(nèi)順時(shí)針像素值變化次數(shù)以及目標(biāo)像素與其鄰域點(diǎn)的像素值乘積，以此作為依據(jù)標(biāo)記像素點(diǎn)，最后將所有被標(biāo)記的像素點(diǎn)刪除，剩下的像素點(diǎn)構(gòu)成的即為圖像的單像素骨架［16-17］。

對(duì)于本文所述嫁接幼苗側(cè)視圖，由于圖像輪廓鏈的提取是以目標(biāo)像素連通域?yàn)榛A(chǔ)的，因此在提取輪廓鏈的過(guò)程中，將目標(biāo)像素連通域作為目標(biāo)區(qū)域，將圖像二值化，隨后將二值圖按上述規(guī)則進(jìn)行迭代，最終提取到嫁接苗側(cè)視圖單像素骨架信息，將骨架信息映射到二值圖中，如圖15所示。

圖15 嫁接苗單像素骨架圖

為了更好的描述本文的算法流程，下面將給出一些基本概念。

（1）8鄰域：指目標(biāo)像素點(diǎn)周邊8個(gè)像素，以中心像素為目標(biāo)像素，按順時(shí)針的方式對(duì)周邊8像素進(jìn)行編號(hào)，如圖16所示。

圖16 8鄰域

（2）分叉點(diǎn)：當(dāng)前像素點(diǎn)8鄰域內(nèi)像素值不為0的點(diǎn)的數(shù)量大于等于2個(gè)，則規(guī)定當(dāng)前點(diǎn)為分叉點(diǎn)。當(dāng)嫁接苗側(cè)視圖圖像進(jìn)行單像素骨架提取時(shí)，其提取結(jié)果應(yīng)如圖10所示，其子葉、苗莖主干部分應(yīng)為單像素曲線，3部分的骨架曲線應(yīng)匯聚于某一三分叉點(diǎn)，若圖像中3部分骨架匯聚點(diǎn)唯一，根據(jù)骨架不同的形態(tài)，將骨架匯聚點(diǎn)周邊像素情況分為如圖17所示幾種情況

圖17 骨架匯聚點(diǎn)情況圖

可以看到，在這三種情況下，骨架的三叉點(diǎn)并不唯一，為了準(zhǔn)確定位骨架匯聚點(diǎn)位置，對(duì)匯聚點(diǎn)的判定做出以下規(guī)則：

A.當(dāng)前點(diǎn)8鄰域內(nèi)，P4，P5，P6位置有且僅有一個(gè)像素點(diǎn)。

B. 當(dāng)前點(diǎn) 8 鄰域內(nèi)，P1，P2，P3，P7，P8位置有兩個(gè)不相鄰的像素點(diǎn)。

將該點(diǎn)定義為骨架匯聚點(diǎn)，即嫁接苗側(cè)視視角下生長(zhǎng)點(diǎn)位置，如圖18所示。

圖18 側(cè)視圖生長(zhǎng)點(diǎn)定位

需要注意的是，盡管在圖像采集時(shí)通過(guò)幕布已經(jīng)盡可能減少了圖像噪聲對(duì)圖像分析結(jié)果的影響，但是仍然有可能性會(huì)受到噪聲的影響，如圖19所示。引起這種情況的原因主要為圖像采集時(shí)，光照、雜物等影響導(dǎo)致的目標(biāo)像素連通域提取誤差，進(jìn)而導(dǎo)致圖像二值化誤差，最終使得骨架分叉點(diǎn)增多，面對(duì)這種情況，客觀上講，可以通過(guò)及時(shí)清理土壤等雜物、穩(wěn)定嫁接時(shí)的光照等因素來(lái)解決，而主觀上來(lái)講，由于圖像采集系統(tǒng)設(shè)計(jì)時(shí)，側(cè)視圖嫁接苗夾持部位應(yīng)為生長(zhǎng)點(diǎn)靠下方位置，夾持點(diǎn)則位于攝像頭正中心位置，因此可以以圖像中心位置為基礎(chǔ)，向外設(shè)置骨架點(diǎn)遍歷的邊界，排除子葉、苗莖因?yàn)橥獠織l件而出現(xiàn)的骨架末端毛刺情況，進(jìn)而使生長(zhǎng)點(diǎn)位置搜索更為準(zhǔn)確。

圖19 側(cè)視圖多分叉點(diǎn)情況

3 結(jié)果與分析

3.1 俯視圖生長(zhǎng)點(diǎn)定位實(shí)驗(yàn)

以西瓜幼苗的砧木苗作為本次生長(zhǎng)點(diǎn)定位實(shí)驗(yàn)的實(shí)驗(yàn)對(duì)象，選取50株西瓜砧木苗進(jìn)行圖像的采集和俯視圖生長(zhǎng)點(diǎn)的定位實(shí)驗(yàn)，取其中5組樣本為例，其生長(zhǎng)點(diǎn)定位坐標(biāo)與實(shí)際坐標(biāo)以及誤差情況如表1所示。

表1 俯視圖生長(zhǎng)點(diǎn)定位誤差表

在西瓜砧木苗俯視圖生長(zhǎng)點(diǎn)定位實(shí)驗(yàn)中，其橫軸方向上與縱軸方向上共同最大誤差為5個(gè)像素、最小誤差為1個(gè)像素，兩個(gè)方向各自平均誤差分別為2.4像素，2.2像素。

3.2 側(cè)視圖生長(zhǎng)點(diǎn)定位實(shí)驗(yàn)

以西瓜幼苗的砧木苗作為本次生長(zhǎng)點(diǎn)定位實(shí)驗(yàn)的實(shí)驗(yàn)對(duì)象，選取50株西瓜砧木苗作為實(shí)驗(yàn)樣本進(jìn)行圖像的采集和側(cè)視圖生長(zhǎng)點(diǎn)的定位實(shí)驗(yàn)。取其中5組樣本為例，由表2可知，對(duì)西瓜砧木苗側(cè)視圖生長(zhǎng)點(diǎn)定位最大誤差為4.0像素，最小誤差為1像素，其橫軸與縱軸方向各自平均誤差為2.8像素、2.0像素。

表2 側(cè)視圖生長(zhǎng)點(diǎn)定位誤差表

4 結(jié)論

通常葫蘆科砧木苗子葉分開(kāi)情況下生長(zhǎng)點(diǎn)定位采用霍夫變換對(duì)子葉進(jìn)行橢圓擬合獲取兩片子葉所擬合橢圓的長(zhǎng)軸線焦點(diǎn)，然而面對(duì)子葉形狀較差或是子葉有破損情況下，橢圓擬合的結(jié)果可能差強(qiáng)人意，導(dǎo)致生長(zhǎng)點(diǎn)誤差增大。而橢圓擬合本身時(shí)間效率較低，一定程度上會(huì)拉低嫁接效率。

而本文所提出的基于有序輪廓鏈的葫蘆科砧木苗生長(zhǎng)點(diǎn)提取方法，通過(guò)葫蘆科砧木苗視覺(jué)圖像的目標(biāo)像素輪廓鏈提取可以準(zhǔn)確獲得圖像中砧木苗的邊緣信息，進(jìn)而通過(guò)計(jì)算鏈角的方式分析邊緣曲率信息，以此獲得砧木苗生長(zhǎng)點(diǎn)坐標(biāo)。該方法適用于子葉重合的砧木苗與子葉分開(kāi)的砧木苗，且其平均誤差小于3個(gè)像素，符合嫁接過(guò)程中對(duì)生長(zhǎng)點(diǎn)位置的需求，適用于以插接法為主要嫁接方式的全自動(dòng)嫁接機(jī)的研發(fā)。