基于机器视觉的温室大枣表型特征测量

文怀兴， 王春普， 黄正祥

(陕西科技大学机电工程学院，陕西西安 710021)

我国是世界上种植枣树最多的国家[1]，同时也是大枣生产量最多的国家[2]。大枣产业已经成为很多农民增收的重要途径[3]，为进一步提高枣果种植的经济效益，枣农们进行温室栽培[4]，实现了大枣早成熟、早上市、淡季供应、错季栽培、增加效益的目的[5]；但是枣在栽培种植中，机械化水平较低，劳动强度大。例如在对枣的实时测量仍采用手工测量，效率较低[6]，不能对植物生长信息及器官表型特征进行实时视觉监测。随着机器视觉技术的快速发展，机器视觉技术被用于无损监测植物的表型特征也越显广泛和重要[7]。本研究针对大枣在温室环境中生长的特征，开发了适合在温室中栽种枣树的实时监测系统，该系统可以对枣的表型特征连续动态测量，以满足现代精准农业生产发展的要求。通过枣的表型特征的变化来观察光照、温度、湿度、土壤等对枣生长的影响，从而提高产量，增加效益。

1　大枣图像采集系统

机器视觉监测为非接触测量，具有实时性强、准确性高、非接触、无损等优点[8]。本系统分为软件系统和硬件系统2部分，硬件系统包括1个反光伞、亮度可调的LED光源、1个工业相机(CCD)、1个定时开关控制器、1个相机架以及1台计算机组成，软件系统包括Halcon11.0和VS。其中相机为USB2.0接口，所以不用图像采集卡。采集系统示意图如图1所示。

1.1　硬件系统的选择与设计

光源可以将被测物体与背景颜色明显区分，从而获得高品质、高对比度的图像。光源的好坏直接影响处理精度和速度，甚至系统的成败。理想的光源应该具有明亮性、均匀性以及稳定性。机器视觉系统使用的光源主要有高频荧光灯、光纤卤素灯、LED光源。根据大枣自身的特点以及现场条件，选用环形LED光源，LED光源具有寿命高、响应速度快、稳定性好、波长可以根据用途选择等优点。反光伞可以提高光线的均匀度，适合拍摄静止物体。

该机器视觉系统须要完成微距拍摄。微距拍摄是指相机通过镜头的光学能力，拍摄于实际物体等大(1 ∶1)或更大影像比的拍摄。工业CCD相机具有感应器面积小、焦距短等特点，所以具有微拍摄的能力。选用GIGE CCD工业相机，型号为MV-GED500M-T。

1.2　背景分割

采集到的图像为彩色图像，该图像由红(red)、绿(geen)、蓝(blue)3种颜色空间组成，灰度值0～255。RGB颜色空间虽然直观容易理解，但3个分量高度相关，不利于计算。为了方便计算处理以及人眼视觉特性，所以将RGB颜色空间转化为HSI颜色空间。在HSI模型中，3个分量相互独立，便于计算。H为色调，与光波长度有关，它表示人的感官对不同颜色的感受；S指饱和度，表示颜色的纯度；I指亮度，对应成像亮度和图像灰度，是颜色的明亮程度。通过变换使三维变一维，运算减少到1/3，极大地提高了计算速度。转换关系为：

(1)

I=(R+G+B)/3。

式中：R为红色；G为绿色；B为蓝色。

通过颜色转换后的大枣的图像如图2、图3所示。

图像S分量图如图4所示，S分量直方图如图5所示，选择最大灰度值46、量化因子1、平滑因子2，即可将大枣与背景分割。

1.3　噪声消除

采集的大枣图像中包含着许多噪声[9]，覆盖了图像的细节特征，影响输出结果，甚至作出不正确的判别。为了得到更清晰、更高质量的图像，须要对图像进行平滑噪声，同时也能增加图像的对比度。滤波就是要去除没用的信息，保留有用的信息，可能是低频，也可能是高频，根据项目的具体要求。根据枣的图像特点，该视觉系统采用中值滤波。中值滤波是一种非线性平滑技术，将每一像素点的灰度值设置为该点某领域内所有像素点灰度值的中值，具有抑制噪声、保护边界细节等优点。

二维中值滤波输出函数g(x,y)=med{f(x-k),y-l),(k,l⊂w)}，f(x，y)为原始图像g(x，y)为处理后图像。

1.4　边缘检测

图像边缘是图像分割所依赖的重要特征[10]，也是获取大枣表型特征的基础。采用经典边缘检测算子进行图像边缘检测，索贝尔算子(sobel)即是经典边缘算子的一种。索贝尔算子是一种离散型差分子，用来计算图像亮度函数的灰度近似值，对像素位置作出加权，有效降低了边缘模糊程度。索贝尔算子卷积因子：

(2)

式中：Gx横向边缘检测的图像灰度值；Gy纵向边缘检测的图像灰度值；A为原始图像。

该点的灰度大小为：

(3)

为了提高计算速度，可用其近似值：

|G|=|GX|+|Gγ|。

(4)

当梯度G大于某一阈值时，则认为该点(x，y)为边缘点。

梯度方向为：

(5)

索贝尔算子是根据像素点周围点灰度加权差，在边缘处达到极值原理检测边缘的，但是没有严格地将图像和背景区分开，有时对图像边缘的提取效果并不能让人满意，对枣的边缘检测如图6所示。Canny边缘检测算子是在索贝尔算子基础上发展起来的一种边缘检测方法，该算子定位精度高、响应速度快，先对图像平滑滤波，后对图像检测。

首先运用高斯滤波器平滑图像，高斯平滑函数为：

(6)

经过处理后的图像为

G(x,y)=f(x,y)×H(x,y)。

再运用一阶偏导数的有限方差的方法计算梯度的幅值和方向。

(7)

X方向偏导数：

φX(m,n)=f(m,n)×H1(x,y)。

(8)

Y方向的偏导数：

φY(m,n)=f(m,n)×H2(x,y)。

(9)

梯度幅度：

(10)

梯度方向为：

(11)

将目标像素点M与沿着梯度线的2个像素相比。如果M的梯度值大于沿梯度线的2个相邻梯度值，则保留M点，否则M=0。首先对非极大值抑制，图像作用2个阈值τ1和τ2，且2τ1≈τ2，通过2个阈值得到图像N1[i,j]和N2[i,j]。利用N1[i,j]的8个邻点即可连接到轮廓上的边缘，直到将N2[i,j]上所有的间断连接起来得到边缘图像。图7为采用Canny边缘检测算子所成的边缘图像。

1.5　表型特征的提取

该系统的程序是在Halcon 11.0中操作完成的。Halcon是德国MVtec公司开发的一套完善的标准的机器视觉算法包，拥有应用广泛的机器视觉集成开发环境。Halcon 11可以完成形状和体积等特征计算、通过切面进行点云分割等。除此之外，基于聚焦变化的深度图像获取、快速傅立叶变换(FFT)和Halcon的局部变形匹配都有显著的加速。根据大枣的表型特性，将其转换成等效椭圆，等效椭圆的中心与原大枣区域中心一致，椭圆的长半轴、短半轴以及相对于水平坐标的夹角可以通过二阶矩阵算出。如图8为一个枣的表型参数。通过对灵武长枣的试验，枣的投影面积与枣质量的相关系数为0.024 36。其中Ra1为等效椭圆长半轴，Rb1为等效椭圆短半轴，Area1为大枣面积，Contlength1为大枣周长，Volume1为大枣体积，Weight为大枣质量。长半轴、短半轴、周长的单位为mm，面积单位为mm2，体积单位为mm3，质量单位为g。

2　结论

该机器视觉系统具有实时性、非接触性以及快速、高精度等优点，满足对枣表型测量的要求。通过试验比较，选用最合适的图像处理算法，图像与背景分割准确。由于环境的多样性，本研究所设计的监测系统还具有一定的局限性，希望在以后的研究中设计适合多种环境下的图像采集系统。

参考文献：

[1]袁国军，宋宏伟，卢绍辉，等. 避雨栽培对新郑早红枣裂果及果实品质的影响[J]. 江苏农业科学，2012，40(10)：155-156.

[2]毕金峰. 高新技术在枣加工中的应用研究进展[J]. 食品与机械，2010(1)：164-167.

[3]艾建军，高韶坤，刘建敏，等. 大枣收获机设计[J]. 江苏农业科学，2015，43(12)：434-436.

[4]黄春富，苏玉顺. 台湾青枣大棚栽培技术[J]. 中国南方果树，2002(3)：61-64.

[5]毕金峰. 高新技术在枣加工中的应用研究进展[J]. 食品与机械，2010(1)：164-167.

[6]王海波，王孝娣，王宝亮，等. 中国北方设施葡萄产业现状，存在问题及发展对策[J]. 农业工程技术(温室园艺)，2011(1)：21-24.

[7]李长缨，滕光辉，赵春江，等. 利用计算机视觉技术实现对温室植物生长的无损监测[J]. 农业工程学报，2003，19(3)：140-143.

[8]杨思思，周泓，虞侠挺. 基于机器视觉的人工光植物工厂植物生长状况监测系统[J]. 传感器与微系统，2014(12)：88-90.

[9]祁想想，马本学，屈年巍，等. 基于MATLAB与VB混合编程的哈密大枣品质检测研究[J]. 农机化研究，2011(8)：156-160.

[10]周竹，黄懿，李小昱，等. 基于机器视觉的马铃薯自动分级方法[J]. 农业工程学报，2012(7)：178-183.