基于圖像處理甘蔗莖節(jié)識(shí)別技術(shù)研究

王 剛

（陜西財(cái)經(jīng)職業(yè)技術(shù)學(xué)院，陜西 咸陽(yáng) 712099）

0 引言

近年來(lái)，隨著種植甘蔗成本的不斷上漲，我國(guó)制糖業(yè)的發(fā)展處于放緩狀態(tài)。其中，絕大部分原因是傳統(tǒng)甘蔗種植法所造成的，即人工切割甘蔗與辨別莖節(jié)位置，采用傳統(tǒng)甘蔗種植法在增加種植成本的同時(shí)，精準(zhǔn)度也無(wú)法保證［1］。因此，圖像處理技術(shù)識(shí)別甘蔗莖節(jié)與蔗芽位是目前增加甘蔗產(chǎn)量，提高甘蔗種植戶收入的有效途徑。目前，圖像處理技術(shù)在甘蔗種植方面的應(yīng)用較少，而在麥田中的推廣使用較多，如小麥病害蟲(chóng)檢測(cè)［2］等。甘蔗作為我國(guó)農(nóng)業(yè)種植的核心經(jīng)濟(jì)物之一，發(fā)展其產(chǎn)業(yè)可為蔗農(nóng)脫貧及經(jīng)濟(jì)發(fā)展提供支撐，甘蔗的良性種植與耕作機(jī)械是產(chǎn)業(yè)發(fā)展的必然趨勢(shì)，而國(guó)內(nèi)外的種植機(jī)大多數(shù)不具備蔗種自動(dòng)切斷過(guò)程中預(yù)防傷芽的功能，導(dǎo)致產(chǎn)業(yè)發(fā)展受到了制約［3］。本文通過(guò)研究圖像處理技術(shù)在甘蔗莖節(jié)識(shí)別定位的具體方式，以此技術(shù)為基礎(chǔ)，實(shí)現(xiàn)帶蔗芽的蔗種片段切割，解決生產(chǎn)中遇到的難題。主要通過(guò)觀察莖節(jié)長(zhǎng)軸方面在圖像灰度值的數(shù)量來(lái)識(shí)別莖節(jié)的詳細(xì)坐標(biāo)，并根據(jù)最大值在其中的位置判斷兩端的詳細(xì)定位。為了使定位精度得到提高，應(yīng)有效分割出甘蔗區(qū)域，計(jì)算其中區(qū)域的傾角、質(zhì)心等長(zhǎng)度；對(duì)分割后的甘蔗圖像進(jìn)行二值化圖像掩膜，并采集莖節(jié)的干擾圖像，以傾角反向角度旋轉(zhuǎn)所獲取的圖像，綜合計(jì)算圖像之間的不同像素值，按照順序統(tǒng)計(jì)其中的最大值，通過(guò)利用等效長(zhǎng)軸的方式定位莖節(jié)的詳細(xì)坐標(biāo)位置，反向旋轉(zhuǎn)傾角的度數(shù)，以獲取莖節(jié)的詳細(xì)位置。

1 圖像獲取及過(guò)程分析

1.1 圖像獲取

在試驗(yàn)過(guò)程中，采用鏡王2高品質(zhì)攝像機(jī)獲取白色背景下甘蔗彩色圖像，所拍攝出圖像的像素大小為640×480像素，格式為PNC，試驗(yàn)開(kāi)展期間選擇Opencv3.1與Visual Studio 2015的開(kāi)源庫(kù)，試驗(yàn)樣品為某甘蔗生產(chǎn)基地生產(chǎn)的云蔗997［4］。

1.2 過(guò)程分析

甘蔗識(shí)別控制系統(tǒng)主要由2個(gè)部分構(gòu)成，分別為控制系統(tǒng)和圖像采集系統(tǒng)。在具體工作流程中，相機(jī)首先讀取甘蔗的詳細(xì)圖像，讀取完成后采集卡將圖像輸送至計(jì)算機(jī)，進(jìn)行計(jì)算處理。計(jì)算機(jī)在完成上述操作后會(huì)自動(dòng)發(fā)布指令給PLC，機(jī)械在收到命令后會(huì)自動(dòng)將甘蔗移動(dòng)至指定位置，最后進(jìn)行切割，具體流程如圖1所示。

2 圖像分析處理

為了提升芽與莖節(jié)的位置識(shí)別速度，圖像處理過(guò)程中，采用HSV顏色空間的S通道與V通道聯(lián)合處理方式；通過(guò)LBP算子計(jì)算其中甘蔗紋理的所含信息；利用分割出的甘蔗區(qū)域圖像進(jìn)行二值化操作；利用形態(tài)學(xué)操作獲取其中的連通區(qū)域，并采用霍夫直線變換方式計(jì)算出莖節(jié)的具體坐標(biāo)位置，通過(guò)分析坐標(biāo)位置，提取其中最符合特征的點(diǎn)。之后選取坐標(biāo)值框外的ROI區(qū)域，在這一區(qū)域中選擇使用boundingRect，框選出最符合條件的部分，即莖芽所在的區(qū)域。最后依次提取出詳細(xì)的坐標(biāo)值并上傳至計(jì)算機(jī)。圖像處理流程如圖2所示［5］。

2.1 圖像預(yù)處理

2.1.1 HSV的顏色空間

數(shù)字圖像處理通常由RGB和HSV 2種模式構(gòu)成，其中RGB模式主要體現(xiàn)在彩色攝像機(jī)方面，而HSV模型更符合人的視覺(jué)特性，因此數(shù)字圖像處理模型在使用過(guò)程中，選用HSV顏色空間來(lái)獲取圖像。RGB圖像轉(zhuǎn)換為HSV圖像公式如下：

2.1.2 LBP提取

LBP主要用于描述圖像中局部紋理特征的算法公式，在20世紀(jì)之前就已被相關(guān)學(xué)者提出，主要用于提取紋理特征。本文中所講述的LBP算子為傳統(tǒng)的算子，首先自定義一個(gè)3×3的小型窗口，窗口中心在設(shè)置過(guò)程中要將像素設(shè)為L(zhǎng)BP［6］。LBP值可通過(guò)3個(gè)步驟精準(zhǔn)得出：①根據(jù)中心像素附近8個(gè)不同的灰度值進(jìn)行計(jì)算；②假如像素中心附近的像素值高于中心值，這個(gè)位置標(biāo)記為1，再通過(guò)該位置的灰度值進(jìn)行詳細(xì)計(jì)算；③從上文可收獲一個(gè)8位的二進(jìn)數(shù)值，將此數(shù)值轉(zhuǎn)換至十進(jìn)制并轉(zhuǎn)移到像素中心點(diǎn)位置，并根據(jù)該十進(jìn)制數(shù)據(jù)反映出這一區(qū)域的詳細(xì)紋理信息。

2.1.3 形態(tài)學(xué)操作

圖像處理過(guò)程中形態(tài)學(xué)操作包含圖像增強(qiáng)、圖像去噪及背景分割等不同功能。選擇使用形態(tài)學(xué)操作的圖像只能為二值化圖像，其中較常見(jiàn)的為開(kāi)關(guān)操作及腐蝕等。本研究通過(guò)先腐蝕后膨脹的方式去除二值化圖像中所含的噪聲，再?gòu)膱D像中提取對(duì)應(yīng)的水平或直線［7］。

2.2 甘蔗莖節(jié)的詳細(xì)定位

霍夫變化本身的設(shè)計(jì)范圍廣，且所含功能十分強(qiáng)大，不僅能檢測(cè)直線，還可有效檢測(cè)圓形等。因此，霍夫變化被廣泛應(yīng)用于圖像處理方面。本研究主要利用概率霍夫變化進(jìn)行檢測(cè)，可針對(duì)圖像中的線及端點(diǎn)坐標(biāo)進(jìn)行精準(zhǔn)檢測(cè)，然后快速定位圖像中所含的直線。從客觀的角度分析上述莖節(jié)多條直線的情況，認(rèn)為采用遍歷像素的方式計(jì)算多條直線中所含的中線，用中線替換為直線，并以優(yōu)化圖像直線方式獲取莖的中心坐標(biāo)最適合。

3 蔗芽的檢測(cè)

莖節(jié)周邊所環(huán)繞的被稱之為蔗芽，根據(jù)莖節(jié)上的坐標(biāo)顯示，可標(biāo)定一個(gè)ROI區(qū)域，對(duì)此區(qū)域進(jìn)行全方位處理，可得出蔗芽的精準(zhǔn)位置，這樣的操作效率較在原圖中的操作效率更高，計(jì)算機(jī)運(yùn)行時(shí)間與實(shí)際內(nèi)存也得到降低。在進(jìn)行開(kāi)操作與二值化后，從圖像中提取蔗芽的具體輪廓；然后利用findContours函數(shù)從二值化的圖像中搜索輪廓，再通過(guò)boundingRect框選出全部輪廓，最后通過(guò)大量數(shù)據(jù)限制蔗芽的區(qū)域，將一切有可能的干擾全部排除，只保存蔗芽在圖像中，這樣就可有效避免蔗芽被切刀誤切，達(dá)到識(shí)別蔗芽的最終目的。

4 試驗(yàn)結(jié)果與具體分析

4.1 識(shí)別率分析

以云蔗997號(hào)為試驗(yàn)樣品，30組不同的樣品選擇使用一致的圖像處理方式與生長(zhǎng)環(huán)境，以其中5組數(shù)據(jù)進(jìn)行分析，結(jié)果（表1）表明，甘蔗在單莖節(jié)的情況下，識(shí)別率可保持在100%，而多莖節(jié)的情況下，識(shí)別率也可保證在80%以上，由于受甘蔗自身因素（如甘蔗的節(jié)寬、粗細(xì)等）的影響，故識(shí)別率無(wú)法保證100%。還有部分因素是相機(jī)導(dǎo)致的，若相機(jī)視野進(jìn)入更多不同的節(jié)后，相機(jī)視野將會(huì)變得模糊，而兩端莖節(jié)由于偏離中心角，無(wú)法使像素全部展現(xiàn)至圖像當(dāng)中［8］。

表1 甘蔗莖節(jié)識(shí)別正確率

4.2 時(shí)間分析

本研究采用的算法為S、V通道融合+LBP算子，其算法執(zhí)行時(shí)間為0.518 s，雖然較Regionprops函數(shù)算法執(zhí)行時(shí)間長(zhǎng)，但其單節(jié)和多節(jié)的識(shí)別率均高于Regionprops函數(shù)算法；與H通道+局部均值、S通道+SVM識(shí)別算法相比，這兩種算法的多節(jié)識(shí)別率雖然較高，但所需時(shí)間較長(zhǎng)，分別為0.622和0.770 s，效率不高（表2）。通過(guò)分析可知，本研究所采用的算法識(shí)別率和算法效果更佳［9］。

表2 算法效果對(duì)比

5 結(jié)語(yǔ)

通過(guò)大量的試驗(yàn)分析甘蔗的顏色與紋理，以白色作為圖像捕捉過(guò)程的主要背景，由于噪聲的存在，在試驗(yàn)期間應(yīng)先進(jìn)行中值濾波，再進(jìn)行空間轉(zhuǎn)換，分割HSV顏色空間的不同通道。之后融合圖像中所含的LBP紋理被提取出來(lái)，以此為基礎(chǔ)尋找莖節(jié)的直線。根據(jù)蔗芽不同的分布特點(diǎn)，確定蔗芽的ROI區(qū)域，以事先設(shè)定好的蔗芽寬高為主，從中分割不是蔗芽的區(qū)域，而剩下未切割的區(qū)域即為蔗芽的具體位置，算出其中的坐標(biāo)值，切刀進(jìn)行切割。此外，本研究所采取的算法經(jīng)大量試驗(yàn)得出，S、V通道融合+LBP算子識(shí)別甘蔗莖節(jié)的準(zhǔn)確度更高，定位誤差更小，整個(gè)系統(tǒng)采用此算法從開(kāi)始到計(jì)算出詳細(xì)坐標(biāo)位置僅需0.518 s。