基于圖像處理甘蔗莖節識別技術研究

王 剛

（陜西財經職業技術學院，陜西 咸陽 712099）

0 引言

近年來，隨著種植甘蔗成本的不斷上漲，我國制糖業的發展處于放緩狀態。其中，絕大部分原因是傳統甘蔗種植法所造成的，即人工切割甘蔗與辨別莖節位置，采用傳統甘蔗種植法在增加種植成本的同時，精準度也無法保證［1］。因此，圖像處理技術識別甘蔗莖節與蔗芽位是目前增加甘蔗產量，提高甘蔗種植戶收入的有效途徑。目前，圖像處理技術在甘蔗種植方面的應用較少，而在麥田中的推廣使用較多，如小麥病害蟲檢測［2］等。甘蔗作為我國農業種植的核心經濟物之一，發展其產業可為蔗農脫貧及經濟發展提供支撐，甘蔗的良性種植與耕作機械是產業發展的必然趨勢，而國內外的種植機大多數不具備蔗種自動切斷過程中預防傷芽的功能，導致產業發展受到了制約［3］。本文通過研究圖像處理技術在甘蔗莖節識別定位的具體方式，以此技術為基礎，實現帶蔗芽的蔗種片段切割，解決生產中遇到的難題。主要通過觀察莖節長軸方面在圖像灰度值的數量來識別莖節的詳細坐標，并根據最大值在其中的位置判斷兩端的詳細定位。為了使定位精度得到提高，應有效分割出甘蔗區域，計算其中區域的傾角、質心等長度；對分割后的甘蔗圖像進行二值化圖像掩膜，并采集莖節的干擾圖像，以傾角反向角度旋轉所獲取的圖像，綜合計算圖像之間的不同像素值，按照順序統計其中的最大值，通過利用等效長軸的方式定位莖節的詳細坐標位置，反向旋轉傾角的度數，以獲取莖節的詳細位置。

1 圖像獲取及過程分析

1.1 圖像獲取

在試驗過程中，采用鏡王2高品質攝像機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，試驗開展期間選擇Opencv3.1與Visual Studio 2015的開源庫，試驗樣品為某甘蔗生產基地生產的云蔗997［4］。

1.2 過程分析

甘蔗識別控制系統主要由2個部分構成，分別為控制系統和圖像采集系統。在具體工作流程中，相機首先讀取甘蔗的詳細圖像，讀取完成后采集卡將圖像輸送至計算機，進行計算處理。計算機在完成上述操作后會自動發布指令給PLC，機械在收到命令后會自動將甘蔗移動至指定位置，最后進行切割，具體流程如圖1所示。

2 圖像分析處理

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

2.1 圖像預處理

2.1.1 HSV的顏色空間

數字圖像處理通常由RGB和HSV 2種模式構成，其中RGB模式主要體現在彩色攝像機方面，而HSV模型更符合人的視覺特性，因此數字圖像處理模型在使用過程中，選用HSV顏色空間來獲取圖像。RGB圖像轉換為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世紀之前就已被相關學者提出，主要用于提取紋理特征。本文中所講述的LBP算子為傳統的算子，首先自定義一個3×3的小型窗口，窗口中心在設置過程中要將像素設為LBP［6］。LBP值可通過3個步驟精準得出：①根據中心像素附近8個不同的灰度值進行計算；②假如像素中心附近的像素值高于中心值，這個位置標記為1，再通過該位置的灰度值進行詳細計算；③從上文可收獲一個8位的二進數值，將此數值轉換至十進制并轉移到像素中心點位置，并根據該十進制數據反映出這一區域的詳細紋理信息。

2.1.3 形態學操作

圖像處理過程中形態學操作包含圖像增強、圖像去噪及背景分割等不同功能。選擇使用形態學操作的圖像只能為二值化圖像，其中較常見的為開關操作及腐蝕等。本研究通過先腐蝕后膨脹的方式去除二值化圖像中所含的噪聲，再從圖像中提取對應的水平或直線［7］。

2.2 甘蔗莖節的詳細定位

霍夫變化本身的設計范圍廣，且所含功能十分強大，不僅能檢測直線，還可有效檢測圓形等。因此，霍夫變化被廣泛應用于圖像處理方面。本研究主要利用概率霍夫變化進行檢測，可針對圖像中的線及端點坐標進行精準檢測，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多條直線的情況，認為采用遍歷像素的方式計算多條直線中所含的中線，用中線替換為直線，并以優化圖像直線方式獲取莖的中心坐標最適合。

3 蔗芽的檢測

莖節周邊所環繞的被稱之為蔗芽，根據莖節上的坐標顯示，可標定一個ROI區域，對此區域進行全方位處理，可得出蔗芽的精準位置，這樣的操作效率較在原圖中的操作效率更高，計算機運行時間與實際內存也得到降低。在進行開操作與二值化后，從圖像中提取蔗芽的具體輪廓；然后利用findContours函數從二值化的圖像中搜索輪廓，再通過boundingRect框選出全部輪廓，最后通過大量數據限制蔗芽的區域，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，達到識別蔗芽的最終目的。

4 試驗結果與具體分析

4.1 識別率分析

以云蔗997號為試驗樣品，30組不同的樣品選擇使用一致的圖像處理方式與生長環境，以其中5組數據進行分析，結果（表1）表明，甘蔗在單莖節的情況下，識別率可保持在100%，而多莖節的情況下，識別率也可保證在80%以上，由于受甘蔗自身因素（如甘蔗的節寬、粗細等）的影響，故識別率無法保證100%。還有部分因素是相機導致的，若相機視野進入更多不同的節后，相機視野將會變得模糊，而兩端莖節由于偏離中心角，無法使像素全部展現至圖像當中［8］。

表1 甘蔗莖節識別正確率

4.2 時間分析

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

表2 算法效果對比

5 結語

通過大量的試驗分析甘蔗的顏色與紋理，以白色作為圖像捕捉過程的主要背景，由于噪聲的存在，在試驗期間應先進行中值濾波，再進行空間轉換，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，以此為基礎尋找莖節的直線。根據蔗芽不同的分布特點，確定蔗芽的ROI區域，以事先設定好的蔗芽寬高為主，從中分割不是蔗芽的區域，而剩下未切割的區域即為蔗芽的具體位置，算出其中的坐標值，切刀進行切割。此外，本研究所采取的算法經大量試驗得出，S、V通道融合+LBP算子識別甘蔗莖節的準確度更高，定位誤差更小，整個系統采用此算法從開始到計算出詳細坐標位置僅需0.518 s。