基于OpenCV的施肥鏟精準對行系統設計*

徐鑫，李春暉，趙麗清，孫穎，段東瑤，鄭映暉

(青島農業大學機電工程學院，山東青島，266109)

0 引言

有研究表明，使用分層施肥對冬小麥的成長有著巨大的好處，能夠極高地增強小麥的產量，還能減少肥料的浪費。分層施肥能夠讓根系均勻生長，有效減少肥料殘留[1]。農作物的根系是其生長的根本，根系越大，長勢越好，最后的產量也越高[2]。如果能夠將肥料在土壤下分層，分階段的供給小麥根系的每一處地方，那對小麥的成長幫助將是非常可觀的[3]。

分層施肥技術在國內國外都有了一定程度的發展[4]，智能化的分層施肥農機裝置是提升小麥產量的關鍵技術之一[5]。2019年5月，由青島某公司研制的2BUF-2/4型施肥機測試成功，實現了分層施肥的效果，可以分別在地下50 mm和150 mm的地方進行施肥，但在對行控制上還是有所欠缺。2017年，王沖研究了基于圖像對行控制的玉米割臺設計，實現了將圖像檢測技術應用到對行控制上。2013年，德國漢諾威(Hanovre)在農機展會上，首次出現了一種全自動操縱控制的雙盤式施肥機[6]，可以對各種肥料進行施肥，施肥精度得到了提高，但并沒有使用分層施肥技術。因此，對于小麥斷根施肥，需要一種圖像處理識別技術，能夠精準定位小麥土層的具體位置。

本文介紹了加裝在小麥施肥機施肥鏟上的一種基于OpenCV的圖像識別處理技術，通過攝像頭采集到的小麥圖像，對土地和小麥進行顏色的區分，通過邊緣檢測算法提取小麥輪廓的邊緣信息，再經過顏色空間轉換、濾波等得到小麥的二值化圖像，通過膨脹腐蝕得到土壤的外輪廓，最后利用區域生長算法提取小麥的中心坐標。并通過對比試驗驗證該識別方法的準確性。此方法對于將來小麥斷根施肥機的分層施肥精準定位提供了研究基礎和理論依據。

1 總體結構與控制系統

1.1 總體結構

施肥機主要有分層施肥鏟、攝像頭、肥料箱等結構[7]，如圖1所示，但沒有自己的動力系統，只能通過懸掛支架被拖拉機帶動前進。

圖1 施肥系統機械結構示意圖

施肥鏟通過支架放在同一排上，然后每個施肥鏟根部上帶有液壓控制器[8]，在本次設計中，將攝像頭安裝在施肥鏟的前部，拍攝前下方圖像，通過OpenCV圖像算法來找出施肥鏟的相對作業位置，然后通過繼電器控制施肥鏟橫向運動，找到較為準確的前進路徑。肥料箱在最上層，然后通過導管連接到施肥鏟的不同位置，達到分層施肥的效果。限深輪使施肥機的下地深度得到有效的控制。還有一個輔助輪帶動編碼器進行轉動，去測量實際的運行速度，進而控制施肥量[9]。

1.2 控制系統

返青小麥的分層施肥系統主要有2個電氣控制部分：一是在Jetson Nano微處理器上通過Python語言使用OpenCV將圖像進行處理，首先初始化攝像頭，將其打開，然后獲取一幀圖像，對圖像進行截取，獲得中心的部分圖像，讓圖像處理更加容易。再對其進行HSV顏色空間轉換，轉換完成后提取其中的S分量圖像，進行濾波操作，使圖像信息更加準確。再通過腐蝕膨脹等形態學操作處理，然后二值化處理、尋找邊界、求取中心坐標等一系列處理得到兩排小麥中間土地的中心點位置，通過UART通信將此坐標傳輸到STM32F103C8T6單片機，進行邏輯運算，最后通過繼電器控制液壓閥，繼而控制施肥鏟的橫向移動；二是使用編碼器傳感器，通過STM32F103C8T6單片機的FTM脈沖計數模塊采集編碼器單位時間內的數值，再將其換算成實際的速度，然后通過一定的函數對應，將速度與舵機的控制聯系到一起，通過速度的大小決定施肥量的多少，最后通過驅動控制肥料口打開的范圍大小，以節省肥料的成本。控制流程如圖2所示。

圖2 整體控制框圖

2 圖像預處理

圖像預處理的目的是改善圖像數據，抑制不需要的變形和增強某些對于后處理有重要作用的圖像特征，通過邊緣檢測算法、HSV顏色空間轉換、濾波等得到二值化圖像。

2.1 Laplacian算子邊緣檢測

在圖像識別方法中常用Sobel算子對圖像進行邊緣檢測，Sobel算子對灰度漸變和噪聲較多的圖像處理效果較好，但是Sobel算子對邊緣定位不是很準確，檢測的精度不夠，得不到好的邊緣檢測結果。本文選用的是拉普拉斯算子，本算法被分成4個和8個鄰域[10]，分別應用于小麥邊緣需求鄰域中央附近的方向和梯度。其方向和梯度可完全滿足提取的小麥邊緣信息的需要。處理的圖像如圖3所示。

圖3 圖像邊緣檢測

2.2 HSV顏色空間轉換

HSV(Hue Saturation Value)是一種比較直觀的顏色模型，在圖像領域中有較為廣泛的應用。小麥圖像都是RGB圖像，將小麥圖像RGB值映射到HSV顏色空間上的色域值來進行小麥施肥鏟的精準對行[11]，顏色空間分別由色調、飽和度和透明度這3種屬性組成[12]。轉換到HSV空間后再抽取其S分量圖像繼續進行處理，并且抽取的是S分量圖像中的綠色元素。HSV的顏色空間如圖4所示。

圖4 HSV顏色空間

兩種顏色空間的轉換公式如式(1)～式(3)所示。

(1)

(2)

IV=Imax

(3)

式中：Imax——I(x，y)處(R，G，B)的最大值[11]；

Imin——I(x，y)處(R，G，B)的最小值[11]；

IH——I(x，y)處的色調值；

IS——I(x，y)處的飽和度值；

IV——I(x，y)處的透明度值；

IR——I(x，y)處的紅色值；

IG——I(x，y)處的綠色值；

IB——I(x，y)處的藍色值。

其小麥的HSV圖像如圖5所示，S分量圖像如圖6所示。

圖5 小麥HSV圖像

圖6 S分量圖像

2.3 圖像濾波

像素的中值作為基準進行濾波[13]，在圖像的像素點中，先選取一像素點，然后以該像素點為中心取一個n×n的矩陣，經過中值處理后，以中值作為該像素點的數值。在這里，選取一個3×3的像素點矩陣，將9個像素點的大小進行排列，然后去中值作為中心像素點的數值。中值濾波的過程如圖7所示，小麥經過中值濾波后的圖像如圖8所示。

圖7 中值濾波

圖8 圖像濾波

2.4 圖像二值化

閾值分割處理一般看作是灰度圖像的二值化處理[14]，輸出圖像只有2種灰度值：0和255。圖像分割方法基于圖像中前景與背景的像素值差異，通過設定合適的閾值實現目標與背景的分割，提取圖像中有用的信息，常用方法有全局閾值分割和自適應閾值分割。本文小麥與土地顏色差別較大，光線條件相對均勻且所選取的B通道灰度圖的前景與背景灰度級相差較大，故選取處理時間短、速度快的全局閾值分割進行二值化操作，其計算公式如式(4)所示。

(4)

其中I為輸入圖像，設其高為H，寬為W，I(r，c)代表圖像中第r行第c列的灰度值，其中0≤r

(5)

利用OpenCV的全局閾值分割函數Threshold()完成圖像的二值化處理，效果如圖9所示。

圖9 二值化圖像

3 小麥中心坐標識別

獲得小麥的二值化圖像后，為了得到更加明顯的圖像特征，來更好地確定小麥輪廓的繪制方法，還要對圖像進行膨脹腐蝕，從而可以更好地確定小麥壟行之間的中心坐標值。

3.1 膨脹腐蝕

腐蝕操作和膨脹操作為圖像的形態學操作[15]，主要用來明確所需要的圖像信息。腐蝕操作是在二值化的黑白圖像中，以黑白兩顏色的邊界為中心像素點，選取一定的矩陣范圍，將范圍內的像素點都轉變為黑色像素，這樣白色圖像就會去除一部分，相當于被腐蝕了一樣。

膨脹操作與腐蝕操作的做法正好相反，是將邊界向外擴張，增加目標面積，常用于消除分割后目標范圍內存在的空洞[16]。它是以邊界像素點為中心，選取一定的矩陣范圍將其全部轉變成白色像素，這樣白色圖像就會往外擴張一部分，像是膨脹一樣。通過這兩個操作可以使小麥中夾雜的土壤顏色部分得到去除，使圖像特征更加明顯，效果如圖10所示。

圖10 膨脹腐蝕

3.2 圖像輪廓繪制

為了尋求小麥圖像中土壤的中心坐標點，這里需要將土壤的外輪廓先行繪制出來。選中土壤的一部分區域，使用OpenCV的find Contours()函數[17]可以很方便地解決這一問題。本文用的輪廓檢測方法是輪廓逼近方法，函數只保留它們的終點部分。通過此輪廓繪制算法，將土壤的外圍輪廓進行描繪，并用紅色的線條將其描繪在圖像上，如圖11所示。在土壤輪廓繪制完后，不可避免地會有小部分土壤輪廓隱藏在小麥中。這些小部分土壤輪廓并非所需要的，所以需要進行濾除，最后只留下中央最大的輪廓是為所求，如圖12所示。

圖11 外輪廓繪制

圖12 濾除

3.3 求中心坐標

在進行小麥中心點提取過程中，采用了區域生長算法[18]，步驟如下：(1)經圖像預處理后得到小麥輪廓區域，應用二次加權灰度重心法提取小麥輪廓區域中心的初始點；(2)根據小麥中心坐標初始點，利用區域增長法生成小麥中心坐標的小范圍圓形區域，使用主成分分析代替多次求解高斯卷積過程求得小麥中心亞像素坐標。

3.3.1 小麥中心初始點提取

在獲得小麥區域輪廓后，通過檢測輪廓的邊界像素值繼續求取輪廓的中心坐標值，可以得到輪廓邊緣的非零灰度值對應點的坐標值，并將其標記為(xi，yj)，采用二次加權灰度重心法提取小麥輪廓區域中心的初始位置，可以表示為

(6)

(7)

式中：g(xi,yj)——圖像中的第xi行第yj列坐標點的灰度像素值；

Xcenter——小麥中心初始點的橫坐標值；

Ycenter——小麥中心初始點的縱坐標值。

3.3.2 小麥中心坐標提取

將加權灰度重心法提取的小麥中心坐標初始值作為區域生長的種子點，將灰度閾值作為生長準則，以種子點為圓心，以3鄰域像素值(經實地測量施肥鏟半徑得到)為半徑輻射形成一生長連通域，通過判斷像素點灰度差值，將小于灰度閾值的點歸為一個連通域，可有效防止過度生長。其生長域如圖13所示。

圖13 中心生長域示意圖

(8)

式中：Wp——生長連通域的寬度值。

要注意，得到的小麥中心坐標值為像素點坐標。將此像素點坐標求出后，這一流程實時執行后就可以一直得到中心位置，相對的也就確定了施肥鏟的位置，以此作為反饋信息，再進一步去控制移動施肥鏟，達到想要的效果。

4 小麥中心坐標對比試驗

4.1 試驗材料

本文所進行的對比試驗是在山東省青島市樅森農業機械研究所合作的青島清保農機專業合作社進行，所種植的小麥品種為魯麥15號，每壟種植4行小麥，行距為25 cm。

4.2 坐標轉化

為了驗證小麥壟行中心坐標的識別效果，將攝像頭采集的像素點坐標與實際測量的中心點坐標做比對，借助試驗對這種檢測方法進行評估。

為了試驗方便進行，將攝像頭得到的像素點坐標轉化為圖像坐標。其中，像素坐標系和預想坐標系都在成像平面上，只是各自的原點和度量單位不一樣，圖像坐標系的遠點為攝像頭光軸與成像平面的交點，圖像坐標系的單位為mm，屬于物理單位，而像素坐標系的單位是pixel，平常描述一個像素點都是幾行幾列。所以這兩者之間的轉換如下：其中dx和dy表示每一列和每一行分別代表多少mm，即1 pixel=dxmm。坐標轉換示意圖如圖14所示。

根據像素點坐標可以分別表示其圖像坐標，表達式如下

(9)

具體求解表達式如下

(10)

圖14 坐標轉換示意圖

4.3 試驗驗證

隨機選取一片麥田，并在該區域中隨機選取一段區域，劃線或是標記好即可，在選定的區域每隔20 cm取一個中心坐標點，總計取100個，也就是100幅圖片。給定不同的光照條件，即良好、一般、昏暗。將攝像頭在選定的區域內移動，實際測量如圖15所示。并標記好要記錄的點數，記下該點的像素坐標值，并通過式(9)、式(10)轉化為相應的圖像坐標值，用游標卡尺在相應的坐標點上人為測量，對這兩組值進行比對，計算識別準確率，并分析該識別方法的準確性。試驗數據如表1所示。

圖15 試驗測量圖

表1 試驗數據坐標對比Tab. 1 Comparison of experimental data coordinates

由表1可以看出，當環境照度在10 Lux以上時，光照強度的變化對圖像識別的效果影響不大，當照度低于10 Lux時，圖像識別的坐標值正確率不高，基本無法正常工作；而光照強度足夠時，識別的正確率均在90%以上。由此可見，此方法對小麥中心坐標位置的確定具有較高的識別正確率。

5 結論

1) 本文利用OpenCV圖像處理技術獲取小麥壟行之間的中心坐標值，將獲得的小麥壟行的圖像值經過HSV顏色空間轉換、濾波等得到二值化圖像，經膨脹腐蝕得到清晰的小麥壟行輪廓坐標圖像，最后采用區域生長算法得到小麥中心區域坐標值。

2) 經過人工測量的驗證，可以證明在白天也就是光照充足的情況下(室外太陽照射條件下)，光照強度的變化對中心坐標的影響效果不大，識別正確率可以達到90%以上，具有較高的檢測精度。

3) 本文研究了一種基于OpenCV的新型小麥施肥鏟自動對行分層施肥系統，使得返青小麥能夠進行自動化對行分層施肥，有助于解放人力，提高耕作效率，提高小麥產量，在當前我國小麥由中產向高產、超高產邁進的道路上具有十分重大的意義。