農業采摘蘋果目標識別算法研究

陜西師范大學錦園中學 徐偉森

1.引言

近些年來，隨著計算機科學與人工智能的不斷發展，人們對于目標識別的關注度已愈來愈高。目標識別技術，是指利用圖像處理算法或者機器學習的理論和方法來確定圖像中是否存在感興趣的目標并得出目標在圖像中的位置。[1]事實上，在我們的生活中，在許多領域都可以見到目標識別與人工智能的應用。特別是在農業方面，隨著人工成本的增加和農業機械化的發展，如何能準確識別果實已成為當下研究的一個熱點。本文針對目標識別算法在果實采摘方面的應用進行比較和分析，并對其未來進行展望。

2.傳統目標識別算法

傳統的目標識別算法主要是利用圖像處理的基本知識，對圖像進行空間域或者頻率域上的處理，使圖像達到想要的標準，傳統目標識別算法，原理較為清晰，過程較為簡單，對于不太復雜的圖像場景，有很好的應用價值。

2.1 目標系統的構成

要進行目標識別，首先需要解決的問題就是圖像的采集。用于采集圖像的設備大致有單目攝像頭、雙目攝像頭、kinect等，如圖1所示。單目攝像頭只有一個鏡頭，雙目攝像頭有兩個鏡頭，類似于人眼結構，并且可以通過計算得出像素的深度值，kinect有一個rgb攝像頭和一個紅外攝像頭，也可以得出像素深度信息。其次是圖像處理部分，可采用計算機處理和DSP芯片進行處理等，針對不同的處理需求，采用不同性能的處理芯片。最后是圖像輸出部分，可采用LED或者LCD顯示屏進行輸出。具體的步驟總結起來可分為六步：采集圖像-預處理-特征生成-特征選擇-檢測-輸出圖像。

圖1 采集圖像設備

2.2 預處理

在很多情況下，圖像在采集和傳輸過程中可能會受到一定的干擾，從而產生各種噪聲，使得圖像的質量并不滿足實際處理的要求。對此，預處理就變得十分必要了。為了減少圖像的噪聲，可以采用濾波方法進行處理[2]。具體的濾波方法可采用平均濾波法，中值濾波法等。經過預處理后的圖像質量可得到一定的提升。

2.3 顏色空間的選擇

在進行彩色圖像處理時，采用不同的顏色空間可以產生不同的處理效果。在果園中進行蘋果采摘時，由于需要采摘的蘋果與枝葉等背景在顏色特征上差異較大，即蘋果主要是紅色信息成分、背景是綠色的枝葉等為綠色信息成分，故可以基于圖像的顏色特征對蘋果圖像進行分割。若采用基于顏色特征的圖像分割算法，則顏色空間的選擇就很重要，選擇不同的顏色空間可以有不同的分割效果，常用的于本采摘環境相關的顏色空間有：RGB顏色空間和Lab顏色空間等[3]。

RGB顏色空間是圖像處理中最基礎，最常用的顏色空間，分別代表紅綠藍三色空間，一般常用于圖像的顯示。R代表紅色空間、G代表綠色空間、B代表藍色空間，RGB顏色空間雖然較為常用，并且在蘋果圖像處理過程中只需要通道提取而不需要進行額外的空間轉換，但是RGB顏色空間的缺點也很明顯：本身由于采集到的蘋果圖像會一定程度上受到光照、陰影等因素的影響，而RGB顏色空間受亮度影響比較大。所以RGB顏色空間更適用于圖像的采集與顯示，若作為蘋果圖像分割采用的顏色空間，則效果較為一般

Lab顏色空間Lab顏色空間是一種類似于人眼視覺感知的顏色系統，反映在坐標系中L表示亮度信息，a表示顏色從紅色到綠色的變化，b表示顏色從藍色到黃色的變化，所以在對蘋果圖像識別時，若采用Lab空間，只用a分量即可，而不用L和b分量，這樣既利用了蘋果圖像中紅色與綠色的顏色信息，也可以降低光照等因素的影響。

2.4 分割方法

在選擇好顏色空間后，便要進行圖像背景與目標分割。分割方法有顏色聚類法，OTSU法等。不同的分割方法有不同的優點與缺點，要根據實際情況進行選擇。

顏色聚類法，主要原理是讓不同的顏色聚集為不同的群，首先需要根據實際情況確定聚類的數目。蘋果圖像識別在采用顏色聚類法時主要是通過讓綠色和紅色聚為不同的類，從而將綠色和紅色信息分開，提取出蘋果信息[4]。該方法較為直觀、容易實現。在進行聚類時，首先需要確定聚類類別數與初始聚類中心，由于采集到的蘋果圖像紅色分量較大且紅色分量是蘋果果實部分，所以可以直接采用RGB顏色空間中的R分量最大作為蘋果果實類，G分量最大的作為背景類，也就是選取聚類數為K=2，之后進行二值化，將果實類別中的像素值賦255，也就是將果實類別進行填充白色，背景類別中的像素值賦0，將背景信息填充黑色，從而將蘋果果實與背景進行分割。

OTSU法又叫最大類間方差法，屬于基于閾值的分割方法。基于閾值的蘋果圖像分割算法主要是利用圖像中枝葉等背景與蘋果目標的顏色特征差異，即紅色與綠色等其他背景的差異，通過選定一個能夠將目標與背景區分的中間值，從而實現對蘋果圖像的分割，中間值的一邊為背景，另一邊為果實。基于閾值的分割算法可以分為兩種，分別是固定閾值法和自動閾值法。自動閾值法是通過分析目標與背景在顏色空間上的分布差異，自動選擇閾值實現分割。OTSU方法屬于自動閾值法，原理是利用圖像中的灰度直方圖，以目標和背景之間的最大方差為自動分割閾值，對目標和背景進行分割。這樣在蘋果識別時，可以將蘋果目標與綠葉枝干等背景分離開來，從而將蘋果目標提取出來。該方法較為簡單，處理速度較快，不需要進行閾值的選擇，輸入一幅圖像，可以自行選擇最大類間方差的閾值進行分割、適用范圍較廣。

2.5 圖像分割后的后處理

得到的分割圖像具有一定程度的噪聲并且有一定的誤分類點，一般有兩類誤分類點：第一類：蘋果目標區域被分類成背景，即將蘋果部分分割成了背景部分；第二類：枝葉背景被誤分類為目標區域，即將背景部分分割為了蘋果部分；為了將這些誤分類的區域修正，需要對分割后的圖像進行一定程度的處理，處理流程可以包括：降噪處理、形態學處理（腐蝕、膨脹、開運算、閉運算），基于這些基本運算還可推導和組合成各種數學形態學實用算法，用它們可以進行圖像形狀和結構的分析及處理。

2.6 霍夫變換檢測

霍夫變換是一種圖像處理方法，能夠用來識別圖像中的基本形狀在目標檢測領域中具有廣泛的應用[5]。

霍夫變換最早是用來檢測直線的，根據兩點確定一條直線的原理，將直線的方程轉化為參數空間的方程在在圖像中的像素點可以兩兩組合成多組直線，對應參數空間中就是一個個的點。統計這些點出現的次數，找出出現次數最多的那個點，便能夠得出最有可能的直線的方程。

在蘋果檢測過程中，利用了霍夫變換圓型檢測。圓在xy坐標系中的方程為（x-a）2+(y-b)2=r2，將此方程同樣轉化為參數空間當中根據三個點能夠確定一個圓的原理，統計空間當中像素點能夠形成的圓的種類與次數找出出現次數最多的那個圓，這個圓便是我們檢測出來的蘋果的輪廓。

霍夫變換具有很多的優點：它具有很好的穩定性，并且具有很好的容錯性。如果分割后的圖像還存在一些噪聲點和干擾點，霍夫變換也能夠將圓檢測出來。當然，霍夫變換也有一些缺點，缺點是霍夫變換運算較為復雜，處理時需要耗費較多的時間。

通過霍夫變換，可以將蘋果圈出來并能夠得到蘋果圓的圓心。如圖2所示：

圖2

3.深度學習目標檢測

深度學習仿造人的神經網絡對圖像當中的特征進行識別，人的神經網絡包含非常多的神經元與非常多的神經層數，深度學習也是通過構造人工神經網絡對目標信息進行學習并進行預測，判斷等。

深度學習的網絡包含多層，每一層都可以感知圖像中目標的不同特征信息，有一些是圖像目標中的具體信息，例如：形狀信息、色彩信息等，有一些則是一些無法直觀感受到的抽象信息。深度學習基本的神經網絡圖如圖3所示：

圖3 深度學習基本的神經網絡圖

圖3中的圓形為神經元，直線為神經元連接線。第一層為輸入層，將蘋果圖像的數據輸入進去，第二層為隱藏層，能夠感知蘋果圖像中的目標蘋果特征，隱藏層可以有多層，層數越多，學習的就較為充分，最后一層為輸出層，輸出最終得結果。

用深度學習對蘋果圖像進行識別的優點在于：不需要掌握數字圖像處理的基本知識，只需要深度學習相關的知識，便可以進行處理與識別。并且只要構造的人工神經網絡合理，識別率就會較高。缺點在于，深度學習方法前期需要用大量數據進行訓練，訓練的過程類似于人類的學習過程，如果不方便獲取大量的數據，或者數據不準確，則會給蘋果的識別帶來難度。

4.結語

本文研究討論了蘋果目標識別的識別過程，具體包括顏色空間的選擇，分割算法的選擇，分割圖像后處理和霍夫變換圓檢測。最后還對當下的深度學習目標檢測方法進行了討論比較。