基于機器視覺的蘭花分級方法研究

中圖分類號：S566.1；TP391.4 文獻標(biāo)識碼：A 文章編號：2095-5553（2025）10-0107-06

Abstract：Aiming at the problem of thelowdegreeof mechanization in poted orchid grading，agrading method fororchid basedon machine vision is designed.Anorchid visual inspection room is built andorchid imagesare obtained by using overhead and sidecameras.Normalized template matching algorithm，flood filing algorithm，Laplace algorithmand MER algorithmareused forplant height measurement，MERalgorithm isused forcrown width measurement，MERalgorithm andfine segmentation algorithm are used for uniformity measurement，and HSValgorithm is used for flowercoverage measurement.To test the performanceof the algorithm，thevisual recognition algorithm measurement acuracy tests and grading judgment tests were conducted．Theexperiment showed that therewasa high correlation between the measurement results of visual recognition algorithms and manual measurement results in a linear regression. The R² values of plant height，crown width，uniformity，and flower coverage were0.9974，O.997，0.980 2，andO.9821， respectively，allapproaching1.O.Theoverallrecognitionrateof thealgorithmbasedonmanual grading resultsisabout 88.3% ，but manual grading is highly subjective，and the visual algorithm's grading measurement accuracy is higher when usingquantitative indicators for orchid grading.

Keywords：orchid grading；machine vision；normalized template matching；quadrant method；afine segmentation

0 引言

我國是花卉生產(chǎn)和消費大國，2024年花卉種植總面積達 1389.9khm² ，年產(chǎn)值達5200多億元1]。2022年中央一號文件明確提出“加快發(fā)展設(shè)施農(nóng)業(yè)”2]2023年國家林業(yè)和草原局、農(nóng)業(yè)農(nóng)村部聯(lián)合印發(fā)《全國花卉業(yè)發(fā)展規(guī)劃（2022—2035年）》提出，到2035年我國基本實現(xiàn)花卉業(yè)現(xiàn)代化、力爭花卉年銷售額超過7000億元的目標(biāo)[3。蘭花是中國傳統(tǒng)名花，觀賞價值高，市場廣闊，但蘭花生產(chǎn)環(huán)節(jié)中的品質(zhì)檢測仍需依靠人工，人工作業(yè)主觀性很大且費時費力，不符合我國花卉發(fā)展方向。加快蘭花品質(zhì)檢測自動化創(chuàng)新、提高自動化水平，對提高蘭花產(chǎn)業(yè)競爭力具有重要意義。

計算機算力的提升促進了基于機器視覺的自動分級平臺發(fā)展，林海波等4改進支持向量機對蘋果進行分級，準(zhǔn)確率達 96.72% ；張鐘莉莉等5采用R—G法、Otsu分割方法設(shè)計多因子融合的隨機森林模型對番茄進行分級，準(zhǔn)確率達 92.96% ；劉浩等采用雙邊濾波、Otsu最大類間方差、Canny算子對杏鮑菇進行分級，分級精度達 90% 以上；王士龍等采用傅里葉變換、高頻濾波、形態(tài)學(xué)和分類樹等方法對砂糖橘的表面缺陷進行研究；聶衍文等8設(shè)計YOLOv5輕量化算法檢測芒果表面缺陷，平均檢測精度可達 98.5% ·有學(xué)者采用高斯濾波、數(shù)字圖像形態(tài)學(xué)、Hu矩和Canny算法對動態(tài)柑橘圓度和果徑進行檢測，在線分級準(zhǔn)確率分別為 81%.91.92% 。基于機器視覺的自動分級技術(shù)在果蔬類檢測中已廣泛應(yīng)用。

在花卉自動檢測分級研究中，劉晶晶等9改進BP神經(jīng)網(wǎng)絡(luò)算法對牡丹紋理和形狀特征進行識別，識別率在 86.02% 以上；顧滿局等1采用深度學(xué)習(xí)Enhanced模型對玫瑰進行分類，準(zhǔn)確率為 87.22% ；嚴(yán)智才等[1在HALCON軟件上搭建玫瑰鮮切花分級檢測系統(tǒng)，分類準(zhǔn)確率為 94% ;岳有軍等12提出了基于計算機視覺的杜鵑分級方法，綜合分級準(zhǔn)確率達 96.7% 。

相比于果蔬檢測，花卉檢測形態(tài)、種類更為復(fù)雜。花卉分為盆栽、鮮切花[13]，盆栽是將枝葉、花朵、果實等觀賞價值高的植物種于盆中以供觀賞；鮮切花分為切花、切葉和切枝，從活體植株上切取有觀賞價值的植物組織。不同花卉其觀賞價值指標(biāo)各不相同，蘭花屬于盆栽花，可觀葉、觀花，目前研究主要集中在花朵的識別檢測上，對于整體觀賞指標(biāo)的研究報道較少。

本文以墨蘭為研究對象，設(shè)計蘭花視覺檢測室，從頂部和側(cè)面獲取蘭花圖片，獲取蘭花整體植株高度、冠幅、勻稱度、花蓋度參數(shù)，并進行視覺識別算法測量精度試驗和分級判斷試驗。

1蘭花視覺檢測系統(tǒng)設(shè)計

1.1 蘭花視覺檢測室

試驗使用的蘭花均產(chǎn)自四川崇州市，品種為墨蘭，從花圃中隨機選取60盆作為研究對象。搭建蘭花視覺檢測室如圖1所示，包括控制箱、輸送機構(gòu)、側(cè)拍相機架、側(cè)拍相機、相機一燈安裝梁、俯拍相機、自動門等。視覺檢測室運行時，上級物流系統(tǒng)將帶有托盤的盆栽蘭花由左側(cè)進人視覺檢測室的輸送機構(gòu)，托盤觸發(fā)輸送機構(gòu)上的到位傳感器時，左側(cè)自動門打開，蘭花進人視覺檢測室內(nèi)，托盤觸發(fā)輸送機構(gòu)上的到位傳感器時，輸送機構(gòu)停止運行，左側(cè)自動門關(guān)閉，側(cè)拍相機、俯拍相機按設(shè)定程序自動完成拍照，右側(cè)自動門打開，輸送機構(gòu)將蘭花從右側(cè)輸出前往下級多通道分級系統(tǒng)，右側(cè)自動門關(guān)閉，循環(huán)往復(fù)。

圖1蘭花視覺檢測室

Fig.1 Orchid visual inspection room1.控制箱2.輸送機構(gòu)3.側(cè)拍相機架4.側(cè)拍相機5.相機—燈安裝梁6.俯拍相機7.自動門

俯拍相機型號為RealsenseD435i，距離輸送帶頂面0.57m 。側(cè)拍相機架為可調(diào)節(jié)工業(yè)相機支架，相機型號為XCG一CG240C，距離輸送帶側(cè)面 0.5m ，安裝高度為0.3m 。燈源功率為8W，長度為 226cm 。自動門采用無桿氣缸驅(qū)動，氣缸型號為 CY3R20-700 ，門軌道采用上隆門框用鋁合金型材，型號為H61530。輸送機構(gòu)采用2條并行式同步帶單元，同步帶輪型號為TAAS8M，驅(qū)動電機為伺服電機套裝，功率為 400W 轉(zhuǎn)速為300r/min 額定扭矩為 1.27N?m 減速比為24。

1.2 蘭花幾何參數(shù)測量算法設(shè)計

蘭花為盆栽觀賞植物，根據(jù)GB/T18247.2—2024《主要花卉產(chǎn)品等級第2部分：盆花》14，其主要分級指標(biāo)為植株高度、冠幅、花蓋度、勻稱度。蘭花植株高度由側(cè)視圖獲取，冠幅、勻稱度、花蓋度由俯視圖獲取。為獲取上述參數(shù)，需對蘭花圖片進行預(yù)處理。將輸入圖片灰度化并進行中值濾波處理，然后采用Otsu法進行背景分割。蘭花特征參數(shù)識別算法如下。

1.2.1蘭花株高識別

為測量蘭花株高，需將蘭花沿花盆上表面截取。蘭花不同批次種植所采用的花盆存在差異，甚至同批次花盆也存在不同規(guī)格情況，為精準(zhǔn)識別不同花盆中的蘭花株高，采用改進的模板匹配算法。歸一化模板匹配算法可根據(jù)事先給定的一幅小模板圖像，到另一幅圖像中尋找相應(yīng)位置的圖像并定位[15]。歸一化模板匹配算法的目標(biāo)與模板具有相同的方向或者存在較小角度的旋轉(zhuǎn)，通過算法在圖中找到該目標(biāo)，并確定其坐標(biāo)位置，如式（1）所示。

式中： T —模板圖像； -匹配圖像；x^′，y^′ ——模板圖像的橫、縱坐標(biāo)；x，y 匹配圖像的橫、縱坐標(biāo)；w 模板圖像寬度；h 1 -模板圖像高度；R（x，y） ——原始圖像中以 （x，y） 為中心的區(qū)域與模板的歸一化相關(guān)性。

由于該方法存在大量的分?jǐn)?shù)和根式計算，在實際運行過程中速度較慢，對式（1）進行有理化推導(dǎo)，這一改進有效地減少計算時間。采用改進模板匹配算法，通過差運算從蘭花根部截取蘭花圖像，如圖2所示。

圖2蘭花植株分割Fig. 2 Orchid segmentation

注：H表示植株高度。

蘭花圖像二值化處理時會丟失部分葉片末端信息，為提高識別精度，對提取的蘭花植株圖像進行泛洪填充，采用八鄰域填充算法還原蘭花圖像部分細節(jié)信息，如圖3所示。

圖3蘭花株高測量算法流程

將泛洪填充結(jié)果進行二值化取反操作，并將取反后的結(jié)果圖像與原始蘭花圖像的二值圖進行與運算。為獲取蘭花的植株高度，對蘭花植株進行邊緣檢測。分析現(xiàn)有邊緣檢測算法，其中，Laplace算子采用二階微分線性原理，在圖像邊緣處理中邊緣定位能力更強，故采用Laplace算子對蘭花處理結(jié)果進行輪廓提取。采用MER算法對蘭花輪廓進行擬合，獲取蘭花最小外接矩形，然后采用兩點間距離公式，代人最小外接矩形頂點坐標(biāo)即可求出蘭花株高。

1.2.2 蘭花冠幅識別

通過獲取植株的最小外接矩形測量蘭花的冠幅。對分割后的植株冠幅圖像求最小外接矩形，植株冠幅取兩邊長的平均值，如圖4所示。

1.2.3 蘭花勻稱度識別

勻稱度是評價盆栽植株整體形態(tài)的重要指標(biāo)，勻稱度越好的植株葉片分布越均勻，觀賞價值越高。將植株冠幅四等分，分別求出4塊區(qū)域冠幅所占百分比，通過4塊區(qū)域冠幅百分比的標(biāo)準(zhǔn)差進行勻稱度判斷，標(biāo)準(zhǔn)差越小，表示蘭花整體形態(tài)勻稱度越好。采用仿射分割法設(shè)計冠幅勻稱度算法：采用MER算法對蘭花輪廓進行擬合，由于擬合出的最小外接矩形位置和形狀具有隨機性，獲取該矩形的4個頂點坐標(biāo)以及將其水平放置所需的旋轉(zhuǎn)角度，以便對蘭花圖像進行四等分割。采用二維仿射變換將圖像按上述獲取的旋轉(zhuǎn)角度進行擺正，為防正圖像經(jīng)旋轉(zhuǎn)后越界導(dǎo)致冠幅無法完全展示，將整個圖像擴大為原來的2倍。將原最小外接矩形的頂點坐標(biāo)映射到旋轉(zhuǎn)后的圖像上，得到新的矩形頂點坐標(biāo)，并據(jù)此對圖像進行裁剪，如圖5所示。

得到裁剪圖像后，計算分割得到的矩形面積并分別求取每塊圖像中冠幅面積，即可得到冠幅面積占比。

1.2.4 蘭花花蓋度識別

花蓋度反映花朵覆蓋冠幅的程度，蘭花花蓋度計算需先進行花朵識別。蘭花葉片為綠色，花朵顏色與葉片顏色差異較大，故采用HSV顏色空間對花朵進行分割。設(shè)RGB圖像中一點的RGB分量值為 （R，G，B） ，該點可以由式（2）～式（4）轉(zhuǎn)化為HSV顏色空間。

對轉(zhuǎn)化為HSV顏色空間的蘭花植株俯視圖提取H，S，V 分量，結(jié)果如圖6所示。蘭花的花朵分割需要通過 H 分量控制顏色范圍 N₁ ，如式（5）所示。

圖6蘭花HSV分量灰度圖

通過 s 分量過濾掉飽和度低的部分 N₂ ，如式（6）所示。

采用式（7）進行花朵分割，結(jié)果如圖7所示。

N（x，y）=N₁（x，y）amp;N₂（x，y）

圖7蘭花花朵分割 Fig.7 Orchid flower segmentation

設(shè)所求蘭花植株冠幅的像素面積為 m₁ ，花朵的像素面積為 m₂ ，花蓋度 E 計算如式（8）所示。

2 蘭花檢測性能試驗

2.1視覺識別算法測量精度試驗

為考察蘭花視覺識別算法測量精度，在蘭花視覺檢測室環(huán)境進行識別測量試驗，測量參數(shù)為株高、冠幅、勻稱度、花蓋度，從60盆蘭花中隨機選取10盆進行識別測量，為方便比較蘭花視覺識別算法測量與人工測量結(jié)果及實際應(yīng)用時普通操作人員理解記錄，采用張正友標(biāo)定法，在蘭花正投影方向放置8格 ×12 格的黑白棋盤格標(biāo)定板進行算法標(biāo)定，每個棋盤格的邊長為 22mm ，將圖片處理結(jié)果中所有像素單位換算為mm ，通過程序保存測量數(shù)據(jù)。同時，為驗證視覺算法精度，設(shè)置程序?qū)⒚颗杼m花圖片依次標(biāo)號另存為 jpg圖片，采用ImageJ軟件手動精細測量并計算蘭花的株高、冠幅、勻稱度和花蓋度參數(shù)。ImageJ軟件具有圖片的區(qū)域和像素統(tǒng)計、間距計算等功能，為獲取蘭花正投影圖片的各項實際參數(shù)，與圖像處理算法類似需要進行標(biāo)定：使用ImageJ的線段工具對上述黑白棋盤格標(biāo)定板圖片進行標(biāo)定操作，并設(shè)定為軟件的比例尺。通過線段工具進行蘭花的長度尺寸測量，通過多邊形選擇工具對蘭花邊緣進行擬合測量面積。在測量時采用ImageJ縮放功能將圖片放大以便精確捕捉蘭花關(guān)鍵點或擬合蘭花邊緣，因為此操作接近像素級捕抓蘭花關(guān)鍵點或擬合蘭花邊緣，故將借助軟件手工精細測量所獲得的數(shù)據(jù)視為真實值。記錄ImageJ軟件測量結(jié)果。

2.2 分級判斷試驗

為考察蘭花視覺識別算法分級精度，在蘭花視覺檢測室環(huán)境進行算法分級試驗，分級數(shù)量為60盆。結(jié)合國家盆花產(chǎn)品等級標(biāo)準(zhǔn)和經(jīng)驗豐富的分級人員建議，本批次蘭花分級標(biāo)準(zhǔn)如表1所示，當(dāng)蘭花某一項或者某幾項指標(biāo)處于不同等級時，品級由最低指標(biāo)所在等級決定。同時，邀請一名經(jīng)驗豐富的分級人員，將60盆花按要求分為3個等級。

表1蘭花分級量化等級 Tab.1 Orchid grading and quantification level

3 結(jié)果與討論

3.1視覺識別算法測量精度試驗分析

蘭花視覺識別算法測量與人工測量結(jié)果關(guān)系如圖8所示。10盆蘭花中，株高約為 100～450mm ，主要分布在 200～350mm ;冠幅約為 70～370mm ，主要分布在 160～270mm ;勻稱度約為 8～20 ，主要分布在 10～ 15；花蓋度約為 13%～60% ，主要分布在 10%～20% 株高、冠幅、勻稱度大致呈現(xiàn)出中間多兩端少（正態(tài)分布）的趨勢，而花蓋度因花期等原因，總體趨勢偏小。

分析，采用量化指標(biāo)進行蘭花分級，視覺算法可有效保證分級測量精度。需要注意的是，當(dāng)蘭花的實際指標(biāo)值接近分級臨界點時，人工分級可能會傾向于將其判定為更高的等級以追求利益最大化，故在算法中，可適當(dāng)設(shè)置可容偏差，將落在等級臨界點附近的結(jié)果劃入更高一級從而獲取更高利益。

表2蘭花不同方式分級結(jié)果Tab.2 Results of different grading methods for orchids盆

蘭花采用視覺分級，可有效減少企業(yè)用工成本，提高自動化作業(yè)程度。同時，蘭花培育過程中，因培育周期長，容易出現(xiàn)個體差異，蘭花生長過程中個體存在競爭關(guān)系，處于劣勢的蘭花后期會被覆蓋，導(dǎo)致個體差異不斷被放大，不利于企業(yè)水、光、肥的統(tǒng)一管理，種植過程進行人工分級也費時費力，故蘭花視覺分級系統(tǒng)可應(yīng)用于蘭花培育的各個階段。

4結(jié)論

1）針對盆栽蘭花分級機械化程度低的問題，設(shè)計一種基于機器視覺的蘭花分級方法，采用歸一化模板匹配算法、泛洪填充算法、Laplace算法、MER算法實現(xiàn)株高測量，MER算法實現(xiàn)冠幅測量，通過MER算法、仿射分割算法實現(xiàn)勻稱度的測量，MER算法、掩膜算法、HSV算法實現(xiàn)花蓋度測量。

視覺識別算法測量結(jié)果與人工測量結(jié)果一次線性回歸呈現(xiàn)高度相關(guān)性，株高、冠幅、花蓋度、勻稱度的R² 值分別為0.9974、0.997、0.9802、0.9821，均趨近于1.0。分析各測量結(jié)果與擬合直線的偏離程度可知，株高、冠幅測量結(jié)果與擬合直線偏離很小，因為株高、冠幅為長度尺寸，且視覺測量、人工測量的尺度均為像素級，不存在累積誤差；花蓋度、勻稱度部分測量結(jié)果與擬合直線存在小距離偏差，因為花蓋度、勻稱度測量均涉及面積統(tǒng)計計算，在手動擬合相關(guān)參數(shù)特征時，存在一定的誤差積累，但總體測量結(jié)果偏差不大。

3.2分級判斷精度試驗分析

由表2可知，機器視覺對60盆蘭花分級結(jié)果：一級8盆、二級22盆、三級30盆；人工分級結(jié)果：一級11盆、二級23盆、三級26盆。機器視覺分級將3盆人工劃分為一級的蘭花判定為二級，將4盆人工劃分為二級的蘭花判定為三級，沒有將任何人工判定為三級的蘭花誤判為其他等級。若以人工分級結(jié)果為基準(zhǔn)，整體識別率約為 88.3% ，但人工分級存在主觀性，只能憑借經(jīng)驗大致判斷，根據(jù)3.1節(jié)的測量精度試驗

2）相較于人工測量結(jié)果，株高、冠幅、勻稱度、花蓋度一次線性回歸 R² 值分別為0.9974、0.997、0.980 2.0.982 1 ，均趨近于1.0。

3）以人工分級結(jié)果為基準(zhǔn)，整體識別率約為88.3% ，但人工分級主觀性大，采用量化指標(biāo)進行蘭花分級時，視覺算法分級測量精度更高。

參考文獻

[1」國家林業(yè)和草原局.我國種苗花卉年產(chǎn)值達5200多億元[EB/OL]. https：//www.forestry.gov.cn/lyj/1/lcdt/20250407/619025.html，2025—04—07.

[2］中共中央國務(wù)院關(guān)于做好二〇二二年全面推進鄉(xiāng)村振興重點工作的意見[N]人民日報， 2022-02-23（001）

[3」華新．國家林草局農(nóng)業(yè)農(nóng)村部聯(lián)合發(fā)布《全國花卉業(yè)發(fā)展規(guī)劃（2022—2035年）》［J].中國花卉園藝，2023（5）：30.

[4]林海波，盧元棟，丁榮誠，等．基于圖像處理與改進SVM的蘋果多特征融合分級方法[J].山東農(nóng)業(yè)科學(xué)，2022，54（6）：141—149.Lin Haibo，Lu Yuandong，Ding Rongcheng，et al.Amulti-feature fusionclassificationmethod forapple based onimage processing and improved SVM [J]. ShandongAgricultural Sciences，2022，54（6）：141-149.

[5］張鐘莉莉，何婷婷，李志偉，等．基于區(qū)域亮度矯正的番茄成熟度定量分級方法[J].農(nóng)業(yè)工程學(xué)報，2023，39（7）：195—204.Zhang Zhonglili，HeTingting，Li Zhiwei， etal.Quantitative grading method for tomato maturity usingregional brightness correction [J].Transactions of theChinese Society of Agricultural Engineering， 2023，39（7）：195—204.

[6］劉浩，林新華，朱亞男，等．基于機器視覺的杏鮑菇外觀品質(zhì)分級系統(tǒng)設(shè)計[J].食品與機械，2023，39（6）：105—111.

［7］王士龍，朱景煥，王小明．基于機器視覺的砂糖橘果皮破裂和缺陷檢測[J].安徽農(nóng)業(yè)科學(xué)，2023，51（9）：231—235.Wang Shilong，Zhu Jinghuan，WangXiaoming.Detectionof broken peel and imperfection of Shatangju based onmachine vision [J]. Journal of Anhui AgriculturalSciences，2023，51（9）：231-235.

[8]聶衍文，楊佳晨，文慧心，等．基于機器視覺的輕量化芒果果面缺陷檢測[J].食品與機械，2023，39（3）：91-95，240.

［9］劉晶晶，侯凌燕，楊大利．牡丹花特征提取及識別技術(shù)研究[J].北京信息科技大學(xué)學(xué)報（自然科學(xué)版），2017，32（1）：65—71.Liu Jingjing，Hou Lingyan，Yang Dali.ResearchonPeony feature extraction and identification technology[J].Journal of Beijing Information Science amp; TechnologyUniversity （Science and Technology Edition），2017，32（1）：65-71.

[10］顧滿局，羅璟，周陽艷．基于深度學(xué)習(xí)的經(jīng)典紅玫瑰圖像分類研究[J].信息技術(shù)，2023（6）：55-59.

[11]嚴(yán)智才，羅璟，顧滿局．機器視覺在玫瑰鮮切花花形分類中的研究[J].電子測量技術(shù)，2023，46（9）：143-150.YanZhicai，Luo Jing，Gu Manju. Research on machinevision in flower shape classification of fresh cut roses[J].Electronic Measurement Technology，2O23，46（9）：143—150.

[12]岳有軍，李想，趙輝，等．基于計算機視覺的杜鵑自動分級方法[J].廣東農(nóng)業(yè)科學(xué)，2015，42（10）：160—165.

[13]辜松．設(shè)施園藝現(xiàn)代生產(chǎn)裝備與技術(shù)[M].北京：中國農(nóng)業(yè)出版社，2015.

[14]GB/T18247.2—2024，主要花卉產(chǎn)品等級第2部分：盆花[S].

[15]何東健．?dāng)?shù)字圖像處理[M].西安：西安電子科技大學(xué)出版社，2015.