基于图像处理甘蔗茎节识别技术研究

王 刚

（陕西财经职业技术学院，陕西 咸阳 712099）

0 引言

近年来，随着种植甘蔗成本的不断上涨，我国制糖业的发展处于放缓状态。其中，绝大部分原因是传统甘蔗种植法所造成的，即人工切割甘蔗与辨别茎节位置，采用传统甘蔗种植法在增加种植成本的同时，精准度也无法保证［1］。因此，图像处理技术识别甘蔗茎节与蔗芽位是目前增加甘蔗产量，提高甘蔗种植户收入的有效途径。目前，图像处理技术在甘蔗种植方面的应用较少，而在麦田中的推广使用较多，如小麦病害虫检测［2］等。甘蔗作为我国农业种植的核心经济物之一，发展其产业可为蔗农脱贫及经济发展提供支撑，甘蔗的良性种植与耕作机械是产业发展的必然趋势，而国内外的种植机大多数不具备蔗种自动切断过程中预防伤芽的功能，导致产业发展受到了制约［3］。本文通过研究图像处理技术在甘蔗茎节识别定位的具体方式，以此技术为基础，实现带蔗芽的蔗种片段切割，解决生产中遇到的难题。主要通过观察茎节长轴方面在图像灰度值的数量来识别茎节的详细坐标，并根据最大值在其中的位置判断两端的详细定位。为了使定位精度得到提高，应有效分割出甘蔗区域，计算其中区域的倾角、质心等长度；对分割后的甘蔗图像进行二值化图像掩膜，并采集茎节的干扰图像，以倾角反向角度旋转所获取的图像，综合计算图像之间的不同像素值，按照顺序统计其中的最大值，通过利用等效长轴的方式定位茎节的详细坐标位置，反向旋转倾角的度数，以获取茎节的详细位置。

1 图像获取及过程分析

1.1 图像获取

在试验过程中，采用镜王2高品质摄像机获取白色背景下甘蔗彩色图像，所拍摄出图像的像素大小为640×480像素，格式为PNC，试验开展期间选择Opencv3.1与Visual Studio 2015的开源库，试验样品为某甘蔗生产基地生产的云蔗997［4］。

1.2 过程分析

甘蔗识别控制系统主要由2个部分构成，分别为控制系统和图像采集系统。在具体工作流程中，相机首先读取甘蔗的详细图像，读取完成后采集卡将图像输送至计算机，进行计算处理。计算机在完成上述操作后会自动发布指令给PLC，机械在收到命令后会自动将甘蔗移动至指定位置，最后进行切割，具体流程如图1所示。

2 图像分析处理

为了提升芽与茎节的位置识别速度，图像处理过程中，采用HSV颜色空间的S通道与V通道联合处理方式；通过LBP算子计算其中甘蔗纹理的所含信息；利用分割出的甘蔗区域图像进行二值化操作；利用形态学操作获取其中的连通区域，并采用霍夫直线变换方式计算出茎节的具体坐标位置，通过分析坐标位置，提取其中最符合特征的点。之后选取坐标值框外的ROI区域，在这一区域中选择使用boundingRect，框选出最符合条件的部分，即茎芽所在的区域。最后依次提取出详细的坐标值并上传至计算机。图像处理流程如图2所示［5］。

2.1 图像预处理

2.1.1 HSV的颜色空间

数字图像处理通常由RGB和HSV 2种模式构成，其中RGB模式主要体现在彩色摄像机方面，而HSV模型更符合人的视觉特性，因此数字图像处理模型在使用过程中，选用HSV颜色空间来获取图像。RGB图像转换为HSV图像公式如下：

2.1.2 LBP提取

LBP主要用于描述图像中局部纹理特征的算法公式，在20世纪之前就已被相关学者提出，主要用于提取纹理特征。本文中所讲述的LBP算子为传统的算子，首先自定义一个3×3的小型窗口，窗口中心在设置过程中要将像素设为LBP［6］。LBP值可通过3个步骤精准得出：①根据中心像素附近8个不同的灰度值进行计算；②假如像素中心附近的像素值高于中心值，这个位置标记为1，再通过该位置的灰度值进行详细计算；③从上文可收获一个8位的二进数值，将此数值转换至十进制并转移到像素中心点位置，并根据该十进制数据反映出这一区域的详细纹理信息。

2.1.3 形态学操作

图像处理过程中形态学操作包含图像增强、图像去噪及背景分割等不同功能。选择使用形态学操作的图像只能为二值化图像，其中较常见的为开关操作及腐蚀等。本研究通过先腐蚀后膨胀的方式去除二值化图像中所含的噪声，再从图像中提取对应的水平或直线［7］。

2.2 甘蔗茎节的详细定位

霍夫变化本身的设计范围广，且所含功能十分强大，不仅能检测直线，还可有效检测圆形等。因此，霍夫变化被广泛应用于图像处理方面。本研究主要利用概率霍夫变化进行检测，可针对图像中的线及端点坐标进行精准检测，然后快速定位图像中所含的直线。从客观的角度分析上述茎节多条直线的情况，认为采用遍历像素的方式计算多条直线中所含的中线，用中线替换为直线，并以优化图像直线方式获取茎的中心坐标最适合。

3 蔗芽的检测

茎节周边所环绕的被称之为蔗芽，根据茎节上的坐标显示，可标定一个ROI区域，对此区域进行全方位处理，可得出蔗芽的精准位置，这样的操作效率较在原图中的操作效率更高，计算机运行时间与实际内存也得到降低。在进行开操作与二值化后，从图像中提取蔗芽的具体轮廓；然后利用findContours函数从二值化的图像中搜索轮廓，再通过boundingRect框选出全部轮廓，最后通过大量数据限制蔗芽的区域，将一切有可能的干扰全部排除，只保存蔗芽在图像中，这样就可有效避免蔗芽被切刀误切，达到识别蔗芽的最终目的。

4 试验结果与具体分析

4.1 识别率分析

以云蔗997号为试验样品，30组不同的样品选择使用一致的图像处理方式与生长环境，以其中5组数据进行分析，结果（表1）表明，甘蔗在单茎节的情况下，识别率可保持在100%，而多茎节的情况下，识别率也可保证在80%以上，由于受甘蔗自身因素（如甘蔗的节宽、粗细等）的影响，故识别率无法保证100%。还有部分因素是相机导致的，若相机视野进入更多不同的节后，相机视野将会变得模糊，而两端茎节由于偏离中心角，无法使像素全部展现至图像当中［8］。

表1 甘蔗茎节识别正确率

4.2 时间分析

本研究采用的算法为S、V通道融合+LBP算子，其算法执行时间为0.518 s，虽然较Regionprops函数算法执行时间长，但其单节和多节的识别率均高于Regionprops函数算法；与H通道+局部均值、S通道+SVM识别算法相比，这两种算法的多节识别率虽然较高，但所需时间较长，分别为0.622和0.770 s，效率不高（表2）。通过分析可知，本研究所采用的算法识别率和算法效果更佳［9］。

表2 算法效果对比

5 结语

通过大量的试验分析甘蔗的颜色与纹理，以白色作为图像捕捉过程的主要背景，由于噪声的存在，在试验期间应先进行中值滤波，再进行空间转换，分割HSV颜色空间的不同通道。之后融合图像中所含的LBP纹理被提取出来，以此为基础寻找茎节的直线。根据蔗芽不同的分布特点，确定蔗芽的ROI区域，以事先设定好的蔗芽宽高为主，从中分割不是蔗芽的区域，而剩下未切割的区域即为蔗芽的具体位置，算出其中的坐标值，切刀进行切割。此外，本研究所采取的算法经大量试验得出，S、V通道融合+LBP算子识别甘蔗茎节的准确度更高，定位误差更小，整个系统采用此算法从开始到计算出详细坐标位置仅需0.518 s。