基于圖像識別的單株成熟柑橘樹產量預估研究

姜欣悅

（江蘇聯合職業技術學院揚州分院，江蘇 揚州 225000）

柑橘是我國廣泛種植的水果之一，在我國已有4 000年的種植歷史。柑橘產量的預估對果園利潤的預計具有十分重要的意義。目前，柑橘的估產依舊采用傳統人工果園抽樣、目測清點單株柑橘果實數量等方式，勞動強度大、精度低、耗時長。隨著圖像處理技術及人工智能的發展，水果產量的自動識別和產量的在線預估成為新的趨勢。周洪剛等[1]采用2R-G-B色差分量，通過Ostu自適應閾值算法對自然生長狀態下拍攝的柑橘圖像進行分割，利用面積閾值法消除噪聲，最后利用最小二乘擬合方法進行柑橘定位，研究顯示算法的識別正確率在90%以上；張小花等[2]利用Lab顏色空間中的a分量對柑橘圖像進行圖像分割，然后通過Hough變換對柑橘進行定位并計數，識別正確率達到94.01%。本文擬采用同態濾波對柑橘圖像進行預處理，將轉換到Lab顏色模型中的圖像進行K-Means聚類，最后利用基于梯度的Hough變換進行柑橘的定位和計數，從而實現對單株柑橘產量的預估。

1 圖像的預處理

柑橘圖像由于拍攝角度和光線的影響，在分割時，順光、逆光、陰影遮擋等情況會導致柑橘果實分割不完全。文獻[3]的研究表明，同態濾波能夠在頻域中壓縮圖像的亮度范圍，提高圖像的對比度，對目標圖像進行光線補償，可有效減弱光照對圖像分割的影響。

柑橘圖像由大恒彩色工業相機拍攝，相機型號為MER-131-U3C，柑橘原圖如圖1所示。拍攝的柑橘圖像由柑橘、樹葉和樹干組成，成熟柑橘呈黃色，樹葉呈綠色，樹干呈棕褐色，以上三種顏色差異較大。由于RGB顏色模型對光線變化較為敏感[4]，而Lab顏色模型能有效抵抗光線變化。RGB顏色模型轉換到Lab顏色模型時，需要以XYZ顏色模型作為中間轉換，轉換關系如公式（1）和（2）所示。

圖1 柑橘原圖

其中，公式（2）的校正函數f(x)如公式（3）所示。

本文將經同態濾波處理的RGB顏色模型柑橘圖像轉換到Lab顏色模型中處理，轉換到Lab顏色模型的柑橘圖像如圖2所示。

圖2 Lab顏色模型圖像

2 K-Means聚類算法的柑橘果實分割

K-Means聚類算法屬于無監督學習算法，適合處理復雜背景圖像[5]。該算法把n個對象分為k個類，各類的中心通過迭代計算來逐次更新，當算法收斂到結束條件時，停止迭代計算，輸出聚類結果。假設圖像中的目標分為c個類，K-Means聚類算法的步驟如下：

1）選取c個類的初始中心O(11)，O(21)，…，O(c1)，令k=1。

2）在k次迭代中，將所有樣本x依次歸類到c個類別中的某一類，歸類的方法為：

3）用步驟2）得到的類Sj(k)更新第j類的中心O(jk+1)，使得達到最小。

4）對于所有j=1，2，…，c，如果O(jk+1)=O(jk)，則迭代結束；否則，k=k+1，轉到步驟2）繼續執行。

K-Means聚類算法中，c的確定與目標圖像的內容有關，會影響聚類的最終結果[6-7]。本文柑橘圖像按照特征分為柑橘、樹葉、樹干3種成分。聚類分割生成的目標圖像，如圖3所示。

圖3 K-Means聚類圖像

3 基于梯度Hough變換的柑橘果實定位

柑橘個體的差異和拍攝角度的不同會導致目標圖像中柑橘的形狀不一致，且柑橘果實和樹葉的相互阻擋，會使部分輪廓呈現多個扇形的情況，但柑橘的總體輪廓具有類圓的特點。因此，將圓作為柑橘的形狀模型，Hough變換能有效解決柑橘形狀的擬合和提取問題[8]。傳統的圓形Hough變換占用的存儲空間及計算量大，受到參數空間量化間隔的制約[9]。基于此，本文采用梯度Hough變換[10]進行柑橘果實定位，將柑橘類圓輪廓測量的累加矩陣由三維降至二維，減少運算時間。

將目標圖像中經K-Means分割后柑橘輪廓看作類圓，通過確定圓心的位置和半徑的大小對圖片中的柑橘進行定位。在目標圖像邊緣輪廓上任取一定間隔距離的兩點PA、PB，其坐標分別為(xPA，yPA)、(xPB，yPB)，梯度方向分別為經過這兩點并分別沿其梯度方向的兩條直線的交點即為圓心，圓心(xc，yc)的求解見公式（4）。

根據圓心和所取點的坐標可求得半徑r的值。在參數空間中對參數(xc，yc)和r的單元進行累加，統計累加單元中的計數，計數峰值單元對應的參數可以認為是目標圖像類圓輪廓的圓心和半徑。經梯度Hough變換后的圖像，如圖4所示。

圖4 梯度Hough變換圖像

4 實驗及結果

4.1 實驗材料

實驗用圖像為60幅柑橘圖像，圖像拍攝于重慶云陽柑橘種植中心，圖像采集設備為大恒彩色工業相機（MER-131-U3C）。拍攝時盡量將單株柑橘樹包含在圖像中，并減少其他柑橘樹的干擾。將60幅柑橘圖像根據正午、黃昏、陰天分為3組，每組20幅，每幅柑橘圖片對應的柑橘樹不盡相同。圖像處理平臺為MATLAB 2017b，處理器為Intel Xeon E5 V3。

4.2 實驗結果及分析

本文通過拍攝圖像中柑橘的識別數量實現對單株柑橘樹產量的預估，對拍攝的柑橘圖像進行圖像識別，將識別得出的單株柑橘產量與人工計數的結果進行比較，結果如表1所示。由表1可知，不同時間、天氣拍攝的60幅柑橘圖像的整體識別率為92.9%，正午拍攝的識別正確率要高于黃昏和陰天拍攝的柑橘圖像，但總體來看光線對本算法的影響不大。分別以正午、黃昏、陰天拍攝柑橘圖像的人工計數為自變量，圖像識別出的柑橘數量為因變量進行回歸分析，建立的線性回歸模型如圖5所示。由圖5可知，正午、黃昏、陰天拍攝的柑橘圖像人工計數與圖像識別數量的相關系數R2分別為0.989 4、0.988 3、0.982 5，R2相差不大，驗證了本算法的魯棒性。

圖5 不同拍攝時間的線性回歸模型

表1 圖像識別柑橘數量與人工計數的對比

5 結論

本研究把自然環境下成熟柑橘經同態濾波處理的RGB圖像轉換到Lab顏色空間模型中進行圖像處理，并經過K-Means聚類算法對圖像進行分割，剔除除成熟柑橘外天空、樹葉、樹干等背景成分，在圖像分割的基礎上，根據柑橘外輪廓的類圓特征，運用基于梯度的Hough變換對圖像中的柑橘果實進行定位并計數，達到對單株柑橘樹進行產量預估的目的。該方法簡單易操作，通過實驗證明了該方法識別準確度高、魯棒性好。但由于柑橘的圖像通過相機來采集，隱藏在柑橘樹深處的柑橘果實可能無法顯示，而且果實之間的過度重疊也會對算法的精度造成影響，以上原因會使單株柑橘的產量預估存在誤差。本研究對柑橘及其他水果的產量預估具有一定的借鑒意義。