基于機器視覺的溫室大棗表型特征測量

文懷興， 王春普， 黃正祥

(陜西科技大學機電工程學院，陜西西安 710021)

我國是世界上種植棗樹最多的國家[1]，同時也是大棗生產(chǎn)量最多的國家[2]。大棗產(chǎn)業(yè)已經(jīng)成為很多農(nóng)民增收的重要途徑[3]，為進一步提高棗果種植的經(jīng)濟效益，棗農(nóng)們進行溫室栽培[4]，實現(xiàn)了大棗早成熟、早上市、淡季供應(yīng)、錯季栽培、增加效益的目的[5]；但是棗在栽培種植中，機械化水平較低，勞動強度大。例如在對棗的實時測量仍采用手工測量，效率較低[6]，不能對植物生長信息及器官表型特征進行實時視覺監(jiān)測。隨著機器視覺技術(shù)的快速發(fā)展，機器視覺技術(shù)被用于無損監(jiān)測植物的表型特征也越顯廣泛和重要[7]。本研究針對大棗在溫室環(huán)境中生長的特征，開發(fā)了適合在溫室中栽種棗樹的實時監(jiān)測系統(tǒng)，該系統(tǒng)可以對棗的表型特征連續(xù)動態(tài)測量，以滿足現(xiàn)代精準農(nóng)業(yè)生產(chǎn)發(fā)展的要求。通過棗的表型特征的變化來觀察光照、溫度、濕度、土壤等對棗生長的影響，從而提高產(chǎn)量，增加效益。

1　大棗圖像采集系統(tǒng)

機器視覺監(jiān)測為非接觸測量，具有實時性強、準確性高、非接觸、無損等優(yōu)點[8]。本系統(tǒng)分為軟件系統(tǒng)和硬件系統(tǒng)2部分，硬件系統(tǒng)包括1個反光傘、亮度可調(diào)的LED光源、1個工業(yè)相機(CCD)、1個定時開關(guān)控制器、1個相機架以及1臺計算機組成，軟件系統(tǒng)包括Halcon11.0和VS。其中相機為USB2.0接口，所以不用圖像采集卡。采集系統(tǒng)示意圖如圖1所示。

1.1　硬件系統(tǒng)的選擇與設(shè)計

光源可以將被測物體與背景顏色明顯區(qū)分，從而獲得高品質(zhì)、高對比度的圖像。光源的好壞直接影響處理精度和速度，甚至系統(tǒng)的成敗。理想的光源應(yīng)該具有明亮性、均勻性以及穩(wěn)定性。機器視覺系統(tǒng)使用的光源主要有高頻熒光燈、光纖鹵素燈、LED光源。根據(jù)大棗自身的特點以及現(xiàn)場條件，選用環(huán)形LED光源，LED光源具有壽命高、響應(yīng)速度快、穩(wěn)定性好、波長可以根據(jù)用途選擇等優(yōu)點。反光傘可以提高光線的均勻度，適合拍攝靜止物體。

該機器視覺系統(tǒng)須要完成微距拍攝。微距拍攝是指相機通過鏡頭的光學能力，拍攝于實際物體等大(1 ∶1)或更大影像比的拍攝。工業(yè)CCD相機具有感應(yīng)器面積小、焦距短等特點，所以具有微拍攝的能力。選用GIGE CCD工業(yè)相機，型號為MV-GED500M-T。

1.2　背景分割

采集到的圖像為彩色圖像，該圖像由紅(red)、綠(geen)、藍(blue)3種顏色空間組成，灰度值0～255。RGB顏色空間雖然直觀容易理解，但3個分量高度相關(guān)，不利于計算。為了方便計算處理以及人眼視覺特性，所以將RGB顏色空間轉(zhuǎn)化為HSI顏色空間。在HSI模型中，3個分量相互獨立，便于計算。H為色調(diào)，與光波長度有關(guān)，它表示人的感官對不同顏色的感受；S指飽和度，表示顏色的純度；I指亮度，對應(yīng)成像亮度和圖像灰度，是顏色的明亮程度。通過變換使三維變一維，運算減少到1/3，極大地提高了計算速度。轉(zhuǎn)換關(guān)系為：

(1)

I=(R+G+B)/3。

式中：R為紅色；G為綠色；B為藍色。

通過顏色轉(zhuǎn)換后的大棗的圖像如圖2、圖3所示。

圖像S分量圖如圖4所示，S分量直方圖如圖5所示，選擇最大灰度值46、量化因子1、平滑因子2，即可將大棗與背景分割。

1.3　噪聲消除

采集的大棗圖像中包含著許多噪聲[9]，覆蓋了圖像的細節(jié)特征，影響輸出結(jié)果，甚至作出不正確的判別。為了得到更清晰、更高質(zhì)量的圖像，須要對圖像進行平滑噪聲，同時也能增加圖像的對比度。濾波就是要去除沒用的信息，保留有用的信息，可能是低頻，也可能是高頻，根據(jù)項目的具體要求。根據(jù)棗的圖像特點，該視覺系統(tǒng)采用中值濾波。中值濾波是一種非線性平滑技術(shù)，將每一像素點的灰度值設(shè)置為該點某領(lǐng)域內(nèi)所有像素點灰度值的中值，具有抑制噪聲、保護邊界細節(jié)等優(yōu)點。

二維中值濾波輸出函數(shù)g(x,y)=med{f(x-k),y-l),(k,l?w)}，f(x，y)為原始圖像g(x，y)為處理后圖像。

1.4　邊緣檢測

圖像邊緣是圖像分割所依賴的重要特征[10]，也是獲取大棗表型特征的基礎(chǔ)。采用經(jīng)典邊緣檢測算子進行圖像邊緣檢測，索貝爾算子(sobel)即是經(jīng)典邊緣算子的一種。索貝爾算子是一種離散型差分子，用來計算圖像亮度函數(shù)的灰度近似值，對像素位置作出加權(quán)，有效降低了邊緣模糊程度。索貝爾算子卷積因子：

(2)

式中：Gx橫向邊緣檢測的圖像灰度值；Gy縱向邊緣檢測的圖像灰度值；A為原始圖像。

該點的灰度大小為：

(3)

為了提高計算速度，可用其近似值：

|G|=|GX|+|Gγ|。

(4)

當梯度G大于某一閾值時，則認為該點(x，y)為邊緣點。

梯度方向為：

(5)

索貝爾算子是根據(jù)像素點周圍點灰度加權(quán)差，在邊緣處達到極值原理檢測邊緣的，但是沒有嚴格地將圖像和背景區(qū)分開，有時對圖像邊緣的提取效果并不能讓人滿意，對棗的邊緣檢測如圖6所示。Canny邊緣檢測算子是在索貝爾算子基礎(chǔ)上發(fā)展起來的一種邊緣檢測方法，該算子定位精度高、響應(yīng)速度快，先對圖像平滑濾波，后對圖像檢測。

首先運用高斯濾波器平滑圖像，高斯平滑函數(shù)為：

(6)

經(jīng)過處理后的圖像為

G(x,y)=f(x,y)×H(x,y)。

再運用一階偏導數(shù)的有限方差的方法計算梯度的幅值和方向。

(7)

X方向偏導數(shù)：

φX(m,n)=f(m,n)×H1(x,y)。

(8)

Y方向的偏導數(shù)：

φY(m,n)=f(m,n)×H2(x,y)。

(9)

梯度幅度：

(10)

梯度方向為：

(11)

將目標像素點M與沿著梯度線的2個像素相比。如果M的梯度值大于沿梯度線的2個相鄰梯度值，則保留M點，否則M=0。首先對非極大值抑制，圖像作用2個閾值τ1和τ2，且2τ1≈τ2，通過2個閾值得到圖像N1[i,j]和N2[i,j]。利用N1[i,j]的8個鄰點即可連接到輪廓上的邊緣，直到將N2[i,j]上所有的間斷連接起來得到邊緣圖像。圖7為采用Canny邊緣檢測算子所成的邊緣圖像。

1.5　表型特征的提取

該系統(tǒng)的程序是在Halcon 11.0中操作完成的。Halcon是德國MVtec公司開發(fā)的一套完善的標準的機器視覺算法包，擁有應(yīng)用廣泛的機器視覺集成開發(fā)環(huán)境。Halcon 11可以完成形狀和體積等特征計算、通過切面進行點云分割等。除此之外，基于聚焦變化的深度圖像獲取、快速傅立葉變換(FFT)和Halcon的局部變形匹配都有顯著的加速。根據(jù)大棗的表型特性，將其轉(zhuǎn)換成等效橢圓，等效橢圓的中心與原大棗區(qū)域中心一致，橢圓的長半軸、短半軸以及相對于水平坐標的夾角可以通過二階矩陣算出。如圖8為一個棗的表型參數(shù)。通過對靈武長棗的試驗，棗的投影面積與棗質(zhì)量的相關(guān)系數(shù)為0.024 36。其中Ra1為等效橢圓長半軸，Rb1為等效橢圓短半軸，Area1為大棗面積，Contlength1為大棗周長，Volume1為大棗體積，Weight為大棗質(zhì)量。長半軸、短半軸、周長的單位為mm，面積單位為mm2，體積單位為mm3，質(zhì)量單位為g。

2　結(jié)論

該機器視覺系統(tǒng)具有實時性、非接觸性以及快速、高精度等優(yōu)點，滿足對棗表型測量的要求。通過試驗比較，選用最合適的圖像處理算法，圖像與背景分割準確。由于環(huán)境的多樣性，本研究所設(shè)計的監(jiān)測系統(tǒng)還具有一定的局限性，希望在以后的研究中設(shè)計適合多種環(huán)境下的圖像采集系統(tǒng)。

參考文獻：

[1]袁國軍，宋宏偉，盧紹輝，等. 避雨栽培對新鄭早紅棗裂果及果實品質(zhì)的影響[J]. 江蘇農(nóng)業(yè)科學，2012，40(10)：155-156.

[2]畢金峰. 高新技術(shù)在棗加工中的應(yīng)用研究進展[J]. 食品與機械，2010(1)：164-167.

[3]艾建軍，高韶坤，劉建敏，等. 大棗收獲機設(shè)計[J]. 江蘇農(nóng)業(yè)科學，2015，43(12)：434-436.

[4]黃春富，蘇玉順. 臺灣青棗大棚栽培技術(shù)[J]. 中國南方果樹，2002(3)：61-64.

[5]畢金峰. 高新技術(shù)在棗加工中的應(yīng)用研究進展[J]. 食品與機械，2010(1)：164-167.

[6]王海波，王孝娣，王寶亮，等. 中國北方設(shè)施葡萄產(chǎn)業(yè)現(xiàn)狀，存在問題及發(fā)展對策[J]. 農(nóng)業(yè)工程技術(shù)(溫室園藝)，2011(1)：21-24.

[7]李長纓，滕光輝，趙春江，等. 利用計算機視覺技術(shù)實現(xiàn)對溫室植物生長的無損監(jiān)測[J]. 農(nóng)業(yè)工程學報，2003，19(3)：140-143.

[8]楊思思，周泓，虞俠挺. 基于機器視覺的人工光植物工廠植物生長狀況監(jiān)測系統(tǒng)[J]. 傳感器與微系統(tǒng)，2014(12)：88-90.

[9]祁想想，馬本學，屈年巍，等. 基于MATLAB與VB混合編程的哈密大棗品質(zhì)檢測研究[J]. 農(nóng)機化研究，2011(8)：156-160.

[10]周竹，黃懿，李小昱，等. 基于機器視覺的馬鈴薯自動分級方法[J]. 農(nóng)業(yè)工程學報，2012(7)：178-183.