基于圖像處理的甘蔗莖節識別與定位

張衛正，董壽銀，齊曉祥，裘正軍，吳　翔，何　勇

(1.浙江大學 生物系統工程與食品科學學院，杭州　310058；2.浙江省第二測繪院，杭州　310012；3.許繼集團許繼電源有限公司，河南 許昌　461000)

?

基于圖像處理的甘蔗莖節識別與定位

張衛正1，董壽銀2，齊曉祥3，裘正軍1，吳翔1，何勇1

(1.浙江大學 生物系統工程與食品科學學院，杭州310058；2.浙江省第二測繪院，杭州310012；3.許繼集團許繼電源有限公司，河南 許昌461000)

摘要：為實現含有蔗芽的有效蔗種片段機器智能切斷，運用圖像處理技術對甘蔗莖節進行識別定位。通過背景轉換、灰度級變換、中值濾波和自動閾值獲取甘蔗的二值化圖像；采用閾值和孔洞填充實現甘蔗區域的分割，通過regionprops函數測定該區域的質心、傾角和等效長短軸長度；以分割后的甘蔗圖像對二值化圖像掩膜，得到含有莖節和干擾信息的圖像；對該圖像進行旋轉，計算每列像素值之和，統計分析最大值所在列，并結合質心、等效長短軸得到莖節上下端點坐標；以傾角的度數進行反向旋轉，最終得到莖節位置。試驗結果表明：甘蔗莖節識別與定位方法處理速度快，莖節識別率高，左右端的定位誤差分別小于0.9 mm和2.4 mm。

關鍵詞：甘蔗莖節；圖像處理；MatLab；掩膜；定位

0引言

甘蔗是我國的主要經濟作物之一，2011年種植面積為15萬 hm2，甘蔗產業為經濟發展和蔗農脫貧致富提供了支撐[1]。甘蔗種植良種化和耕作機械化是產業的發展趨勢[2-3]，而國內外的種植機大都未具備蔗種自動切斷過程中防傷芽的功能，影響了產業的發展。現有的方法為人工切斷和種植機的定長切斷，效率有待提高。計算機圖像處理技術廣泛的應用在缺陷檢測、品質檢測、水果分級、蔬菜、農業和食品工程等領域[4-8]。運用計算機圖像處理技術識別甘蔗莖節，防止甘蔗種植機在切割過程中的傷芽，實現甘蔗的精細化種植，具有重要意義。

Moshashai等利用灰度圖像閾值分割的方法對甘蔗莖節識別做了初步研究[9]。目前，國內在此領域的研究中,陸尚平等以甘蔗圖像 HSV 顏色空間的 S 分量經閾值分割、數學形態濾波處理作為模板，和 H 分量經閾值分割的反圖像進行與運算得到合成圖，采用支持向量機對合成圖各列塊識別莖節類與莖間類，對莖節列塊聚類識別得到莖節數與莖節位置[10]；但平均識別率為93.359%，且采用的算法需要較多的輸入量。黃亦其提出一種甘蔗莖節識別方法，通過灰度處理、Sobel 邊緣提取，結合數學形態學中的膨脹和腐蝕，獲得甘蔗莖節的邊緣直線，達到識別甘蔗莖節的目的[11]；但只定位了莖節的中間位置，沒有考慮采集的甘蔗圖像傾斜時定位的范圍。

本文提出基于數字圖像處理技術的甘蔗莖節識別定位方法，依據沿包含莖節的甘蔗的長軸方向在灰度值上會有明顯的上升來識別莖節，并以最大值所在位置進行莖節兩端的定位。為了提高定位精度，分割出甘蔗區域，并計算該區域的質心、傾角和等效長短軸長度；以分割后的甘蔗圖像對二值化圖像掩膜，得到含有莖節和干擾信息的圖像；將該圖像以傾角反向旋轉，計算每列像素值之和，統計分析最大值所在列，并結合質心、等效長短軸，得到莖節上下端點坐標，以傾角的度數再次進行反向旋轉，最終得到莖節位置。該研究創新性地解決了實際生產過程中具有一定傾角的莖節快速、精確定位的問題。

1甘蔗圖像采集及莖節形態分析

以浙江省義烏市甘蔗優質生產基地主產的“義紅一號”果蔗為研究對象。試驗臺采用 OEM 品牌的型號為 C1745B 的攝像頭，該攝像頭采用 CMOS 傳感器，可進行自動曝光控制、白平衡和顏色校正。考慮到相較于其它顏色，黑色背景可以消除甘蔗邊緣陰影的影響，所以在普通光源下采集黑色背景上的甘蔗彩色圖像。拍攝前先將甘蔗葉剝干凈，保持鏡頭主光軸與工作臺垂直。采集的圖像如圖 1(a) 所示。

其中，圖像大小為 320×240 像素，輸出的圖像格式是 JPEG。攝像頭通過 USB 2.0 接口將采集到的圖像直接存入計算機。計算機操作系統是 Microsoft Windows 7，圖像處理軟件采用 MatLab2010b。

蔗芽環繞莖節分布，有時所拍攝圖像中蔗芽位于莖節的后側，因而在圖像中沒有顯示，因此以莖節的識別間接得到蔗芽的位置。圖 1(b) 中矩形框所圍部分為莖節，寬度在7～16 mm之間變化；莖節左端的白色部分是甘蔗葉與甘蔗莖節的連接部分，寬度在1.5～5mm。由于莖節白色部分特征相對明顯，本文先提取莖節白色部分然后進行定位，進而將定位范圍擴展到整個莖節。

在實際的甘蔗圖像采集過程中，不能保證甘蔗區域處于完全水平狀態，會導致莖節與垂直方向有一定的夾角。為了提高莖節的定位精度，此時的定位范圍應如圖1(b)兩條直線所示。

圖1　甘蔗圖像及莖節分析

2圖像分析處理

為了快速識別出莖節，采用目前常用的灰度級轉換、中值濾波及閾值處理等對原始圖像進行預處理，獲取二值圖像；然后分割出甘蔗區域，測定該區域的質心、傾斜角和等效長短軸等相關參數；利用分割出的甘蔗區域圖像對二值化圖像進行掩膜，以傾角反向旋轉掩膜后的圖像，使莖節處于垂直方向，以便于后續的莖節特征的計算和分析，流程如圖2所示。

2.1圖像預處理

經過試驗驗證，在 MatLab 中的圖像自動閾值處理函數 graythresh 對白色背景中的甘蔗感興趣區域的閾值處理效果好于黑色背景，原因是增大了灰度圖像背景與待識別目標的灰度差。因此，將圖 1(a) 中的黑色背景轉為白色，如圖 3 所示。

在MatLab2010b 中，可以使用圖像處理工具箱中的 fgb2gray 函數將 RGB 圖像轉換為灰度圖像，則有

Gray(x,y)=0.299R(x,y)+0.587G(x,y)+

0.114B(x,y)

(1)

其中，Gray(x,y)為圖像點(x,y)的灰度，R(x,y)、G(x,y)、B(x,y)為RGB圖像在點(x,y)的R、G、B分量的值。程序運行結果如圖 4(a) 所示，濾波效果如圖 4(b) 所示。

圖2　莖節識別與定位流程圖

圖3　圖像背景轉換

圖4　圖像預處理

中值濾波法對消除椒鹽噪聲非常有效，對甘蔗表面的白色果粉小斑點也有較好的消除效果。中值濾波采用5×5的模板，濾波程序語句為：K = medfilt2(I, [5, 5])。

自動閾值函數 graythresh 會根據背景的不同，使用 Otsu 算法自動調整閾值。Otsu 算法也稱最大類間差法，被認為是圖像分割中閾值選取的最佳算法，不受圖像亮度和對比度的影響。設灰度圖像灰度級是L，則灰度范圍為[0,L-1]，利用 Ostu 算法計算圖像的最佳閾值為

t=max[w0(t)*(u0(t)-u)2+

w1(t)*(u1(t)-u)2]

(2)

其中，當分割的閾值為t時，w0為背景比例：u0為背景均值；w1為前景比例；u1為前景均值；u為整幅圖像的均值[12]。使以上表達式值最大的t，即為分割圖像的最佳閾值。用閾值t分割圖像對原圖像f(x,y) 使用上面的準則找到閾值t，進行二值化。公式為

(3)

二值化的圖像如圖 5 所示。

圖5　二值化圖像

2.2圖像分割及傾角的測定

在 MatLab 中，可以使用圖像處理工具箱中的 regionprops 函數，測定感興趣區域的質心、與區域具有相同標準二階中心矩的橢圓的長軸與x軸的交角(簡稱傾角)，以及與區域具有相同標準二階中心矩的橢圓的長軸和短軸長度(簡稱等效長軸和短軸)[13-15]。

為了測定圖像中甘蔗的傾角，需要確定甘蔗的實際區域，將采集的原始圖像的兩邊寬度各增加5列，并填充黑色使之與背景相同，如圖 6 所示。

圖6　將圖像寬度擴展并填充黑色

圖像背景部分為黑色，可用閾值進行二值化，實現了甘蔗區域的分割，如圖 7(a) 所示。從圖7(a)可以看到：白色的甘蔗區域中有較小塊的黑色孔洞。因此，使用孔洞填充函數 imfill 將黑色背景上的白色連通區域內的黑色孔洞填充為白色，效果如圖 7(b)所示。

為了實現莖節位置的定位，需要對感興趣區域的相關參數進行提取(如甘蔗區域的質心，相對于水平的X軸的傾角α，等效的長軸ST、短軸UV的長度等)，其示意圖如圖 8 所示。

圖7　圖像分割

圖8　甘蔗的長短軸及傾角示意圖

程序語句為：

stats=regionprops(TIANC,′Orientation′,′BoundingBox′,′Centroid′,′MajorAxisLength′,′MinorAxisLength′);

可以采集到傾角α為stats.Orientation=11.5579，長軸等效長度為stats.MajorAxisLength= 370.090，短軸等效長度為stats.MinorAxisLength = 180.1494。

2.3掩膜與旋轉圖像

將經孔洞填充后分割出來的甘蔗圖像的兩邊寬度各減少5列，然后對甘蔗二值化圖像(見圖5)做掩膜，即可提取出來甘蔗圖像的帶有莖節信息的區域，如圖9(a) 所示。從圖9(a)中也可看出：除了莖節信息外，還有其他信息的干擾。

圖9　感興趣區域

利用已知的傾角，通過圖像旋轉函數語句GXQXZ=imrotate(GXQ,-stats.Orientation,′nearest′,′crop′)；將感興趣區域沿順時針方向旋轉α。其中，GXQ 為圖9(a)，GXQXZ為旋轉后的圖像圖9(b)，′nearest′為最鄰近線性插值(Nearest-neighbor interpolation)，′crop′為通過對旋轉后的圖像進行裁剪，保持旋轉后輸出圖像的尺寸和輸入圖像的尺寸一樣，效果如圖 9(b) 所示，從而保證莖節的白色部分處于垂直方向。

3查找最大值與甘蔗莖節定位

3.1圖像灰度曲線

從旋轉后的圖9(b)可以看出：莖節白色部分為連通區域，特征明顯。為了將其程度統計出來，可以把每列的像素值相加，畫出折線圖，得到的每列像素值之和的折線圖如圖 10所示。圖10中峰值所在的列就是莖節白色部分的中心所在的位置。

圖10　列像素值的折線圖(每列求總和)

3.2查找最大值

查找旋轉后的感興趣區域的折線圖上的最大值，程序語句為：

wzq = find( k11 = max( k11(:) ))；

其中，k11(:)為圖10中所有y坐標值的數組集合，k11為其中的最大值。因為甘蔗莖節具有一定的寬度，折線圖上有可能多個最大值(即wzq為數組集合而不是單個數字)，需要求取平均值來定位莖節的中心位置。程序語句為：

wzq1 = round(sum(wzq) / length(wzq))；

其中，wzq1莖節的中心位置坐標，計算得到wzq1=181。通過對最大值設定閾值，即可實現對圖像有無莖節的判斷；同時，聯合對最大值的坐標分布設定閾值，可對包含多個莖節的圖像進行檢測。本文僅對圖像中包含一個莖節進行研究討論。

3.3莖節位置定位

MatLab 中圖像的旋轉函數是以圖像坐標的中心點為原點進行旋轉，逆時針方向為正方向。例如，旋轉角度為β，則以圖像中心點為原點進行旋轉的圖像中同一點在旋轉前后有如下關系，即

(4)

其中，(x,y)為旋轉后的圖像坐標位置，(x′，y′)為旋轉之前的所在圖像的坐標位置。MatLab 表示的圖像中像素坐標是以圖像左上角為原點，第1行第1列的位置為I(1, 1)，圖像旋轉時以圖像坐標中心I(m/2,n/2)為中心點進行旋轉，其中m、n分別是圖像列數和行數。

wzq1為計算得到的旋轉后莖節所在位置在圖像坐標x軸的值，運用程序語句：xx= stats.Centroid；獲取甘蔗的最小外接矩形的質心的坐標值。運用程序語句：xx1(1)=xx(2)-stats.MinorAxisLength/2;xx1(2)=xx(2)+stats.MinorAxisLength/2;獲取甘蔗的莖節所在位置的上端點和下端點的y值，從而得到了旋轉后的莖節上端點的圖像坐標[wzq1, xx1(1)]，下端點的圖像坐標[wzq1, xx1(2)]。結合旋轉前后圖像坐標的轉換關系，計算得到旋轉前莖節白色部分上端點所在圖像的坐標x(1) 和下端點的坐標x(2)。由于采集圖像的攝像頭位置固定，相對于試驗臺的間距也是一定的，以圖像的最左端為起點，將定位的x(1)、x(2) 所在的列轉換為以最左端為起點，以 mm 為測量單位，定位位置。

由于莖節寬度在7～15 mm之間變化，設定莖節的平均寬度為11 mm，莖節的左端為x(1)的位置，設定莖節的右端為x(3)，那么x(3) 就是x(1)的位置再加上 11*cos(α)+等效短軸*sin(α) mm。得到坐標值后，在原始黑色背景的甘蔗圖像上以莖節上下端點的坐標x(1) 、x(3)為坐標畫兩條豎線，由此確定莖節范圍，如圖 11 所示。

圖11　確定莖節位置

4試驗結果及誤差分析

從大量的甘蔗中隨機抽取20 組“義紅一號”果蔗試驗樣品，并在樣品下端放置刻度尺，用于人工測量。采用同樣的圖像處理方法測量x(1)、x(3) 坐標值所對應的位置，并與人工測量值對比分析，驗證本文所提出的甘蔗種莖節識別的準確性。比較結果如圖12所示。

圖12　圖像測量與人工測量比較

對圖12的試驗數據分析表明：采用圖像處理法得到的數據與人工測量的數據非常接近。平均絕對誤差公式為

(5)

由式(5)得到莖節兩端x(1)、x(3)的平均絕對誤差分別為0.6 mm和0.9 mm。

標準差公式為

(6)

由于采集的甘蔗圖像不能保證甘蔗莖節完全處于垂直方向，而是具有一定的傾角，本文提取并分析處理的是莖節上與甘蔗葉連接處的白色部分，也對該部分進行定位，所以莖節左端x(1) 的定位誤差極小；總的莖節寬度在7～15 mm之間變化，右端x(3) 是在x(1)的基礎上加上了設定的11mm平均莖節寬度及相關修正參數的組合，進行莖節右端的定位，右端x(3) 與真實的莖節右端有2.4 mm以內的差值，誤差相對于x(1)稍大些，但完全在可接受的范圍內。甘蔗不同莖節長度不一是造成數據誤差的主要原因。本研究實現了全部樣本的莖節識別及定位；但個別甘蔗表面斑紋較明顯且面積較大時，會對實驗結果產生干擾。因此，判定左端點x(1) 、右端點x(3) 的位置，可以準確定位莖節位置范圍。本文的算法可實現莖節位置定位，誤差非常小，可信度高。

5結論

1)針對甘蔗表面的白色果粉斑點，運用中值濾波算法具有一定的去除效果。進行自動閾值前，將黑色背景轉換為白色背景，可改善二值化效果。

2)將圖像寬度做適當擴展，采用regionprops函數，提取甘蔗區域的質心、傾角及等效長短軸，對包含莖節信息的區域進行量化分析。運用旋轉因子對旋轉后的圖像坐標進行變換，得到甘蔗莖節在初始圖像的坐標，定位莖節范圍，實現防傷芽的目的。

3)通過大量實驗對算法可行性進行驗證，算法可準確識別甘蔗莖節，定位誤差小。本文提出的甘蔗莖節識別與定位方法處理速度快，整個系統從采集圖像到計算出甘蔗莖節位置坐標的時間為0.316 s。

參考文獻：

[1]程紹明，王俊，盧志樂，等. 小型整稈式甘蔗收割機改進設計與試驗[J]. 農業工程學報，2014，30(4)：12-17.

[2]葉將龍，吳潔遠. 桂柳1號甘蔗的特征特性及高產栽培技術[J]. 現代農業科技，2014(10): 110-112.

[3]陸尚平，黃林，陳炳森，等. 基于機器視覺的甘蔗種植機械化研究[J]. 廣西農業機械化，2012(5): 28-29，32.

[4]ElMasry G, Cubero S, Moltó E, et al. In-line sorting of irregular potatoes by using automated computer-based machine vision system[J]. Journal of Food Engineering，2012，112(1): 60-68.

[5]Abbasgholipour M，Omid M，Keyhani A，et al. Color image segmentation with genetic algorithm in a raisin sorting system based on machine vision in variable conditions[J]. Expert Systems with Applications，2011，38(4): 3671- 3678.

[6]龔愛平，陳吉，裘正軍，等. 基于改進 Freeman 鏈碼的柑橘簇生區域數量判別方法[J]. 農業機械學報，2012，43(11): 203-208.

[7]趙凱旋，何東健，王恩澤. 基于視頻分析的奶牛呼吸頻率與異常檢測[J]. 農業機械學報，2014，45(10): 258-263.

[8]陳紅,夏青,左婷,等.基于機器視覺的花菇分選技術[J].農業機械學報,2014,45(1):281-287.

[9]Moshashai K， Almasi M， Minaei S， et al. Identification of sugarcane nodes using image processing and machine vision technology[J].International Journal of Agricultural Research，2008，3(5): 357-364.

[10]陸尚平，文友先，葛維,等. 基于機器視覺的甘蔗莖節特征提取與識別[J]. 農業機械學報，2010，41(10): 190-194.

[11]黃亦其，喬曦，唐書喜，等. 基于Matlab的甘蔗莖節特征分布定位與試驗[J]. 農業機械學報，2013，44(10): 93-97，232.

[12]趙小川. 現代數字圖像處理技術提高及應用案例詳解(MATLAB版) [M]．北京: 北京航空航天大學出版社，2012.

[13]Chegini A H N，Tait S. Automated measurement of moving grains on bed deposits[J]. International Journal of Sediment Research，2011，26(3): 304-317.

[14]阮秋琦. 數字圖像處理(MATLAB版)[M]．北京: 電子工業出版社，2011.

[15]Mohammadamin Kashiha，Claudia Bahr，Sanne Ott，et al. Automatic identification of marked pigs in a pen using image pattern recognition[J].Computers and Electronics in Agriculture，2013，93:111-120.

Abstract ID:1003-188X(2016)04-0217-EA

The Identification and Location of Sugarcane Internode Based on Image Processing

Zhang Weizheng1， Dong Shouyin2， Qi Xiaoxiang3， Qiu Zhengjun1， Wu Xiang1， He Yong1

(1.Collage of Biosystems Engineering and Food Science， Zhejiang University， Hangzhou 310058，China； 2.The Second Surveying and Mapping Institute of Zhejiang Province， Hangzhou 310012， China； 3.XJ Group Corporation XJ Power Limited Company，Xuchang 461000，China)

Abstract：To achieve cut of sugarcane fragments containing internodes by intelligence machine effectively，used image processing techniques to identification and location sugarcane internode. By way of background conversion，grayscale conversion，median filtering and automated threshold to obtain a binary image of sugarcane，used thresholds and fill holes to extract the effective area of sugarcane，measured the centroid，inclination，equivalent major axis and minor axis length of the region by regionprops function; extracted the interest area of cane by mask the binary image; rotated the image and summation the values for each column of pixels，analysised the position of the maximum values，combined with the centroid，equivalent major axis and minor axis to get the 2 coordinates of internode，reverse rotation the degree of inclination to get internode position finally. Experimental results showed that the method of identification and localization of sugarcane internode had advantage of processing speedly，identification rate was high，the positioning error of left and right ends were within 0.9 mm and 2.4 mm.

Key words：sugarcane internode；image processing；MatLab；mask；location

文章編號：1003-188X(2016)04-0217-05

中圖分類號：S15；TP391.41

文獻標識碼：A

作者簡介：張衛正(1982-)，男，河南安陽人，博士研究生，(E-mail )weizheng008@126.com。通訊作者：裘正軍(1971-)，男，浙江嵊州人，教授，博士生導師，(E-mail)zjqiu@zju.edu.cn。

基金項目：國家高技術研究發展計劃項目(2012AA101903)

收稿日期：2015-03-18