基于光切法的葡萄硬枝嫁接切削面粗糙度圖像檢測算法

李世軍，袁全春，徐麗明，邢潔潔，劉 文，高振銘，史麗娜

?

基于光切法的葡萄硬枝嫁接切削面粗糙度圖像檢測算法

李世軍，袁全春，徐麗明※，邢潔潔，劉 文，高振銘，史麗娜

（中國農業大學工學院，北京100083）

為了實現葡萄硬枝嫁接苗木切削面粗糙度的檢測，該文基于光切法測量原理，搭建了切削面粗糙度圖像檢測系統，研究了特征提取的圖像檢測算法。為獲取較長的取樣長度，采用了圖像拼接技術，并提出了一種自動制取匹配模板的方法，拼接算法測試結果表明：每多拼接一幅粗糙度特征圖像，運行時間平均增加1.104 s，取樣長度平均增加1 131.77m；采用了模糊集合理論對拼接后的粗糙度特征圖像進行灰度變換，可以有效保證圖像分割后單側邊緣的完整；采用了人機交互的方式對粗糙度特征二值圖像像素進行區域操作，可以濾除因切削面自身含有的導管腔、管胞腔而導致的缺陷輪廓，從而提高粗糙度計算的準確度；提出了一種逐列遍歷圖像提取單側邊緣的方法，通過對單側邊緣進行計算，可以得到粗糙度高度參數與的值。將該粗糙度圖像檢測算法與基恩士VK-X200形狀測量激光顯微系統進行了粗糙度檢測對比試驗，結果表明，該文提出的粗糙度圖像檢測算法測得的相對誤差為6.73%，在測量誤差允許范圍內，該文基于光切法測量原理的圖像檢測算法，用于檢測葡萄硬枝嫁接苗木切削面粗糙度，具有較高的精度和良好的可行性，為進一步研究切削參數對切削面粗糙度以及對苗木嫁接成活率的影響提供了技術支撐。

嫁接；算法；圖像處理；葡萄；切削面粗糙度；光切法；圖像拼接；模糊集合理論

0 引 言

葡萄是中國重要的水果之一，2014年全國葡萄種植面積為76.72萬hm2，產量為1 254.6萬t[1]。雖然中國葡萄種植面積和產量大幅增加，但苗木質量和果品品質與國外有一定的差距[2]。葡萄嫁接技術是提高葡萄苗木質量和果品品質的重要措施之一[3]。葡萄嫁接方式主要有硬枝嫁接和綠枝嫁接，因硬枝嫁接方式有利于嫁接工作的機械化與自動化，所以目前被國外廣泛使用[4]。近年來，中國也對葡萄硬枝嫁接技術進行了研究，并設計了相關的硬枝嫁接機或硬枝切削機構[5-7]。本文也采用硬枝嫁接方法進行了相應研究。

在葡萄硬枝嫁接過程中，不同切削參數會導致苗木切削面粗糙度不同，而苗木切削面粗糙不平，砧木和穗木的細胞組織就不易愈合，不利于嫁接苗木的成活[8]。因此，研究出適用于葡萄硬枝嫁接苗木切削面粗糙度的檢測方法，可應用于后續利用不同切削參數對大量嫁接苗木進行切削試驗之中，還可以為葡萄硬枝嫁接機和自動嫁接機器人切削機構的參數優化，以及自動嫁接過程粗糙度的監測提供技術支撐。

表面粗糙度常用于機械加工和木材加工中，由于機械加工零件、木材加工表面與苗木切削面有較大的區別，主要是因為：1）苗木切削面含有大量的導管腔、管胞腔等表面缺陷，在計算粗糙度時會產生誤差，需要在圖像檢測算法中濾除；2）苗木切削面的粗糙度信息混雜了平面度信息，粗糙度檢測算法中不應將平面度輪廓濾除。因此，現有的機械加工零件表面粗糙度檢測方法，不能直接用于檢測葡萄硬枝嫁接苗木的切削面。本文基于光切法測量原理，研究了一種適用于葡萄硬枝嫁接苗木切削面粗糙度的圖像檢測算法，可以對同一直線上連續采集的多幅粗糙度特征圖像進行準確拼接，靈活選取不同的取樣長度，實現切削面粗糙度的檢測。

1 圖像檢測系統搭建與特征圖像采集

1.1 苗木切削面粗糙度圖像檢測系統的搭建

機械和木材加工行業的表面粗糙度，是評價加工后的工件表面上微觀幾何形狀誤差的一個重要指標[9-10]，且制定了相應的行業標準[11-12]。表面粗糙度的測量方法有：接觸式測量和非接觸式測量。本文選用非接觸式測量，以光學原理為基礎，實現無損檢測。

通常光切法測量原理與圖像處理技術相結合。劉穎等以光切法測量原理為基礎，采用CCD攝像頭和傳統光切顯微鏡，利用圖像處理技術開發了一套粗糙度測量系統，系統相對誤差為-8.5%[13]0。李博等利用類似的檢測系統實現了旋轉工件表面粗糙度的動態檢測[14]；葛群實現了對激光毛化軋輥表面粗糙度的測量[15]。

對于木質材料表面粗糙度的檢測，國內的趙學增利用準直光源和工業相機組成的計算機視覺系統對木質材料的表面粗糙度進行了初步研究[16]。國外James等利用激光散射的圖像系統測量了木材表面粗糙度[17]。Jakub等利用激光位移傳感器對15種不同特性的木材進行粗糙度測量[18]。而對于葡萄硬枝嫁接苗木切削面的粗糙度，目前尚無深入研究。

本文以光切法測量原理為基礎，搭建了葡萄硬枝嫁接苗木切削面粗糙度圖像檢測系統（圖1），其中，光切顯微鏡的工作原理[19]如圖2所示。首先將CMOS工業相機安裝在9J型光切顯微鏡的目鏡位置，計算機通過USB接口協議控制工業相機，實現粗糙度特征圖像的采集以及后續處理與分析。

1.工業相機 2.光源 3.聚光鏡 4.狹縫 5.物鏡

1.Industrial camera 2.Light 3.Collecting lens 4.Slit 5.Objective

注：為被測表面某一峰谷高度，為粗糙度特征圖像中相對應的兩點距離。

Note:is the height of a peak at measured surface, andis distance between corresponding two points.

圖2 光切法測量原理圖(左)及被測表面圖像（右）

Fig.2 Measurement principle of light-section method(left) and measured surface image(right)

根據光切原理設計的光切顯微鏡由2個鏡管組成，一個是投影照明鏡管，另一個是觀察鏡管，兩光管軸線互成90°。在照明鏡管中，光源發出的光線經聚光鏡、狹縫及物鏡后，以45°的傾斜角度照射在具有微小峰谷的葡萄嫁接苗木切削面上，形成一束寬度極窄的平行光帶。圖2左圖表示平行光帶在一個輪廓單元（只含1個相鄰的波峰與波谷）成像的情況，表面輪廓的波峰在點處產生反射，波谷在′點處產生反射。通過觀察鏡管的物鏡，分別成像在工業相機靶面的與′點。從計算機顯示器中可以觀察到的是一條與被測表面相似的齒狀亮帶（圖2右圖），利用圖像處理技術可以測出粗糙度特征圖像中′之間的距離（單位：像素），被測表面的微觀不平度的峰谷高度為

=·cos45°·（1）

式中為粗糙度特征圖像每個像素代表的實際距離，m/像素。本文利用顯微鏡標定尺對苗木切削面粗糙度圖像檢測系統進行標定，得到的值為0.55m/像素。

1.2 苗木切削面粗糙度特征圖像的采集

本文選取葡萄5BB為砧木，隨機挑選10株苗木，每株苗木長約20 cm，粗細均勻，用刀片對5BB砧木進行斜切，得到的橢圓切削面（圖3a）長軸長度約為20 mm，短軸長度約為10 mm，選取切削面中紅色框為檢測區域。

將切削后的嫁接苗木切削面置于光切顯微鏡下，利用MATLAB圖像采集工具箱控制工業相機對切削面方框位置的粗糙度輪廓進行圖像采集，采集到的圖像稱為粗糙度特征圖像（圖3b），大小為2 592×1 944像素，圖像中綠色亮帶的上下邊緣表征切削面采樣位置的粗糙度二維輪廓，亮帶斷裂是因切削面的缺陷結構造成的。

a. 葡萄硬枝嫁接苗木5BB的切削面a. Cutting surface of grape hard branch grafting b. 單幅苗木切削面粗糙度特征圖像b. Single cutting surface roughness feature image

2 粗糙度特征圖像的處理

對苗木切削面粗糙度特征進行圖像采集后，無法直接計算粗糙度，因此，本文對粗糙度特征圖像進行處理的步驟如下：①圖像拼接，②模糊灰度變換，③圖像分割，④單側邊緣提取，⑤粗糙度計算。

2.1 粗糙度特征圖像的拼接

因系統所采集的單幅切削面粗糙度特征圖像，在水平方向的實際距離（取樣長度）僅為1 420m，不能實現平面度的測量。為獲得較長的取樣長度，保持光切顯微鏡上的工業相機位置不變，移動苗木切削苗的位置，實現對同一直線上的粗糙度輪廓進行連續采集，可采集到多幅圖像（以5幅圖像為例）（圖4）。然后采用圖像拼接技術[20-23]，去除重疊部分′、′、′和′，將多幅圖像整合為一幅圖像，再計算其粗糙度。

本文基于灰度信息的原理，采用模板匹配的方法對多幅粗糙度特征圖像進行拼接。圖像配準時，將提供匹配模板的圖像定義為參考圖像，將與模板圖像進行匹配的圖像定義為目標圖像。以圖4中前2幅圖像為例，圖像局部區域與′為重疊區域，第1幅圖像可以在處制取模板圖像，所以被稱為參考圖像；將第1幅圖像制取的模板在第2幅圖像中進行匹配，所以第2幅圖像被稱為目標圖像。

本文結合粗糙度特征圖像的特點，提出了一種自動制取匹配模板的新方法，實現粗糙度特征圖像的自動拼接，方法步驟如下：

1）匹配模板的制取。本文通過多次試驗對比，確定的模板圖像大小為400×400像素，內容包括參考圖像的前景與背景灰度像素兩部分。從參考圖像最右側向左截取400個像素，得到一幅與原圖像等高但不等寬的新圖像（圖5b左）；對新圖像進行平滑濾波，利用最大類間方差的方法進行圖像分割轉換為二值圖像（圖5b右）；提取粗糙度光帶上側邊緣，求得上側邊緣位置在圖像坐標系軸方向的最小值作為截取局部區域的分界點。從該分界點向上取150個像素，向下取249個像素作為模板圖像的高，從而形成一幅400×400像素的模板圖像（圖5c），并記錄模板圖像在參考圖像中的位置坐標（1，1）（圖5a）。

2）圖像配準。將從參考圖像自動制取模板圖像在目標圖像上進行移動以覆蓋每個位置。在每個位置，計算基于區域灰度信息的相似度量。相似度量計算出現峰值的位置即為模板圖像與目標圖像匹配的位置。

本文利用歸一化互相關進行相似度量計算[24]，其計算公式為

模板圖像遍歷目標圖像時，如果模板圖像的中心坐標與目標圖像被覆蓋區域的中心坐標(,)重合時，|(,)|出現最大值，那么目標圖像上該點即為模板圖像的匹配點，將匹配點的位置坐標（2，2）（圖5d）進行記錄。

3）幾何變換。本文目標圖像相對于參考圖像的位置變化是沿圖像的軸與軸方向的，故采用平移變換。通過模板圖像在參考圖像與目標圖像中的位置坐標，可求得平移變換的數學模型

目標圖像相對于參考圖像，沿圖像坐標、方向移動距離Δ與Δ后，便可以實現兩幅圖像的初步拼接（圖6a）。

4）圖像融合。首先將變換后的圖像背景補齊，使兩幅圖像成為一幅完整的圖像。但參考圖像與目標圖像存在著灰度差，兩幅圖像在拼接的位置會出現“接縫”（圖6b中白色方框內）。

本文采用加權平均的方法消除“接縫”。在參考圖像與目標圖像的重疊區域，拼接后的每一像素點的灰度值Pixel由2幅圖像中對應點的灰度值LPixel和RPixel加權平均得到，即

Pixel=╳LPixel+(1-)╳RPixel （4）

式中為漸變因子，0<<1。在重疊區域中，按照從左圖像到右圖像的方向，由1漸變為0，由此實現了重疊區域圖像拼接的平滑過渡和“接縫”的消除（圖6c）。

由于本文進行拼接的圖像數量一般多于2幅，因此，采用迭代的算法策略，將每一次拼接好的圖像作為新的參考圖像，與未進行過拼接的目標圖像進行拼接，直至完成所有圖像的拼接。將圖4中的5幅圖像進行配準、平移變換、融合后的結果如圖7所示。本文采用MATLAB 2014a對拼接算法進行編程，測試了不同數量的粗糙度特征圖像完成拼接所需時間和所能達到的平均取樣長度。測試結果表明，每多拼接一幅粗糙度特征圖像，運行時間平均增加1.104 s，取樣長度平均增加1 131.77m。

2.2 利用模糊集合理論進行灰度變換

葡萄硬枝苗木的切削面為木質材料，相比金屬表面入射光帶發生漫反射的程度更高，使得前景圖像的像素值分布不均勻，并且與背景圖像分界模糊（圖7）。因此，直接對拼接后的圖像直接進行閾值分割，容易造成表征粗糙度輪廓的前景圖像邊緣被破壞（圖8）。本文將模糊集合理論[25-27]應用于圖像灰度變換中，可以有效地保證圖像分割后單側邊緣的完整。步驟如下：

1）執行模糊化操作。拼接后的粗糙度特征灰度圖像（圖7）因為各局部區域亮度的不同可以大致分為3類：背景區、正常區和高亮區。由此制定的模糊化規則（IF-THEN規則）如下：

R1：IF一個像素是背景區的，THEN使它變得更暗甚至趨近于0。

R2：IF一個像素是正常區的，THEN使它保持為正常區域像素。

R3：IF一個像素是高亮區的，THEN使它變暗恢復至正常區域像素。

IF-THEN規則中定義的輸入“背景區”、“正常區”、“高亮區”和輸出“更暗”、“保持在正常區”、“變暗至正常區”是對圖像局部區域亮度進行的模糊性描述，而圖像局部區域的亮度可以應用該區域像素灰度值的大小來衡量。定義以為自變量的輸入與輸出隸屬度函數來表示制定的模糊規則，該過程稱為模糊化。本文通過對粗糙度特征圖像“背景區”、“正常區”、“高亮區”像素最小值、最大值和平均值進行統計，確定了合適的輸入與輸出模糊隸屬度函數（公式（5）~（10））。

背景區輸入隸屬度函數（background）為

正常區輸入隸屬度函數（normal）為

高亮區輸入隸屬度函數（highlight）為

更暗的輸出隸屬度函數（darker）為

保持在正常區的輸出隸屬度函數（keep_normal）為

恢復到正常區的輸出隸屬度函數（return_normal）為

2）執行推理操作。本文中將特定像素0對應于各模糊規則得到的輸出響應Q如公式（11）~（13）所示。

以上3個輸出響應均為模糊集合，為了得到模糊系統的全部響應，需要對其執行最大化模糊邏輯操作（公式（14））。

3）執行去模糊操作。利用重心法（公式（15））對完整的模糊輸出集合()去模糊，使得特定輸入像素值0得到一個特定輸出0，積分取輸出自變量的范圍。

以上過程是針對某一點像素0而進行的處理，如果對圖7中每一點像素都利用該模糊系統進行處理，便可以得到每一點像素的特定輸出，從而實現對整幅圖像利用模糊技術進行灰度變換，最終模糊變換結果如圖9所示。

2.3 粗糙度特征圖像的分割

本文利用最大類間方差[28-29]的方法對模糊灰度變換后的圖像進行分割，分割后的二值圖像如圖10a所示，與直接進行圖像分割的結果（圖8）相比，其表征粗糙度輪廓的邊緣保持了完整，為正確提取單側邊緣提供了有力保證。

2.4 粗糙度特征圖像單側邊緣的提取

單側邊緣的本質是二值圖像每列第1個或最后一個像素不為0（為1）的像素點的集合。為提取圖10a的上側邊緣，本文提出了一種逐列遍歷圖像提取單側邊緣的方法。

苗木切削面上的導管腔、管胞腔等缺陷結構會導致前景圖像出現類似“缺口”的缺陷輪廓（圖10a中方框位置）。通過多次試驗對比分析得出，缺陷輪廓會使測得的粗糙度值偏大。因此，提取單側邊緣之前，需要濾除圖像中的缺陷輪廓。因缺陷輪廓缺少規律性，暫無法實現自動濾除。本文依據Benny等在分析砂紙打磨的木材表面粗糙度時所提出的缺陷輪廓不參與粗糙度計算方法[30]，通過人機交互的方式對粗糙度特征圖像中的區域像素進行操作，將缺陷輪廓位置處的像素置為0（圖10b），使得缺陷輪廓不參與粗糙度計算，以提高切削面粗糙度檢測的準確性。

提取上側邊緣的過程如下：在逐列遍歷二值圖像每一像素，保留每列第1個像素值為1的像素，并記錄其在圖像坐標系中的坐標(,x)，其中1≤≤，1≤x≤，和分別為粗糙度特征圖像的列數和行數。如果第列的所有像素值均為0，則該列為前景圖像的缺陷位置，此種情況令x的值為0。圖10c是對圖10b提取上側邊緣后的顯示結果，缺陷位置的輪廓邊緣沒有被提取。

圖10d是將圖10c中提取得到的上側邊緣圖像與原灰度圖像（圖7）進行重合后對比的顯示結果，通過逐列遍歷圖像提取得到的上側邊緣與原始圖像的上側邊緣重合度極高。

2.5 特征圖像的粗糙度計算

粗糙度特征圖像的上側邊緣是切削面采樣位置粗糙度的光學輪廓，利用已獲取的上側邊緣各像素點坐標（，x），可以對切削面采樣位置的粗糙度進行計算。計算時，所有x為0的像素點坐標均不參與基準線和高度參數的運算。

2.5.1 最小二乘中線的確定

參考標準GB/T 3505-2009進行粗糙度的計算，首先應該確定輪廓的基準線，本文采用最小二乘中線作為基準線，根據最小二乘中線的定義和計算方法，利用各邊緣像素點的坐標（，x），便可以擬合出在圖像坐標系中的回歸方程

對圖10c中的單側邊緣擬合的最小二乘中線回歸方程為

在圖像坐標系中擬合出的最小二乘中線如圖11中直線所示。

a. 利用最大類間方差進行圖像分割a. Image segmentation by Otsub. 濾除缺陷后的二值圖像b. Binary image after eliminating defect c. 提取的上側邊緣圖像c. Image with upper edge extractiond. 邊緣重合度檢驗d. Test of edge coincidence degree

2.5.2 切削面粗糙度參數的計算

檢測粗糙度常用的參數是輪廓算術平均偏差與輪廓的最大高度。本文對粗糙度高度參數與的計算步驟如下：

1）根據點到直線的距離公式求解上側邊緣各像素點（，x）到基準線的距離N（像素）：

式中N不僅表示距離，還表示邊緣上各像素點與最小二乘中線的相對位置。如果N大于0，表示第列的邊緣像素點在最小二乘中線的上方；如果N等于0，表示第列的邊緣像素點在最小二乘中線上；如果N小于0，表示第列的邊緣像素點在最小二乘中線的下方。

2）根據光切測量原理（公式（1）），求得切削面圖像采集位置的粗糙度二維輪廓上各點到基準線的實際距離h（m）

h=N·cos45°·（19）

3）根據輪廓算術平均偏差與輪廓最大高度的定義可以求得與（m）

式中max為所有h中的最大值，min為所有h中的最小值。

3 切削面粗糙度圖像檢測算法驗證試驗與結果分析

3.1 試驗目的

為了驗證所設計的粗糙度檢測算法的精度，本文以日本基恩士VK-X200形狀測量激光顯微系統（精度0.5m，視場1 400′1 200m2）的測量結果作為參考標準，進行了對比試驗。

3.2 試驗方法

本文共選取了10個等尺寸的檢測區域（圖3a）進行對比驗證試驗。因為對比試驗中必須含有圖像的拼接過程，所以經過初步試驗與分析，設定檢測區域長度約為3 000m，寬度1 200m。因為葡萄硬枝嫁接苗木切削面的粗糙度輪廓具有不規則、各向異性等特點，會導致局部范圍粗糙度值變化較大，所以應對同一檢測區域進行多次測量并取平均值的方法來提高區域粗糙度檢測的準確度。

本文首先利用VK-X200形狀測量激光顯微系統對每一檢測區域中5個均布直線位置進行粗糙度測量，測量位置如圖12紅線位置附近，將每一檢測區域的5次測量結果取平均值作為該檢測區域粗糙度的最終結果并記于表1中。本文利用葡萄硬枝嫁接苗木切削面粗糙度檢測系統（圖1）并采用上述同樣的試驗方法又對每一檢測區域進行了粗糙度檢測，每一檢測區域的粗糙度結果也記于表1中。

在每一檢測區域中，以VK-X200形狀測量激光顯微系統檢測的結果作為標準值，以葡萄硬枝嫁接苗木切削面粗糙度檢測系統檢測的結果作為測量值，由此可以得出粗糙度圖像檢測算法在每一檢測區域的絕對誤差與相對誤差。

表1 每一檢測區域內Ra的對比結果

3.3 結果與分析

本文對所有檢測區域粗糙度值的相對誤差取平均值，得到所研究的粗糙度圖像檢測算法的相對誤差為6.73%。因此，在測量誤差允許的范圍之內，本文基于光切法設計的檢測算法對于檢測葡萄硬枝嫁接苗木切削面的粗糙度具有較高的精度和良好的可行性。

本文的粗糙度圖像檢測算法的相對誤差是通過對比試驗并比較測量結果取得的。在對比試驗過程中，2種測量方法每次在檢測區域上的測量位置很難做到完全重合，且葡萄硬枝苗木切削面的材料屬性決定其局部區域粗糙度變化較大，因此成為通過對比測量求得相對誤差結果的主要影響因素。本文通過在每個檢測區域內進行多次測量粗糙度值，在一定程度上可以減少以上因素對測量結果的影響。如果在后續研究中能夠使得2種方法在對比試驗中的測量位置保持一致，則取得的算法相對誤差會進一步降低。

4 結 論

本文基于光切法測量原理，研究了適用于葡萄硬枝嫁接苗木切削面粗糙度的圖像檢測算法，并與VK-X200形狀測量激光顯微系統測得粗糙度結果進行了對比，得到結論如下：

1）研究了用于粗糙度特征圖像拼接的算法，提出了一種自動制取匹配模板的新方法。通過圖像拼接可以增加取樣長度，可以實現切削面粗糙度的檢測。對算法進行測試得到以下結果：每多拼接一幅粗糙度特征圖像，運行時間平均增加1.104 s，取樣長度平均增加1 131.77m。

2）利用模糊集合理論對粗糙度特征圖像進行灰度變換，可以有效保證圖像分割后表征粗糙度二維輪廓單側邊緣的完整。提出了1種逐列遍歷二值圖像，提取單側邊緣的方法。

3）通過人機交互的方式對粗糙度特征二值圖像像素進行區域操作，濾除因切削面自身含有的導管腔、管胞腔而導致的缺陷輪廓，從而提高粗糙度計算的準確度。

4）與日本基恩士VK-X200形狀測量激光顯微系統進行對比試驗，結果表明：粗糙度圖像檢測系統具有測量成本低、效率高等優點；測得粗糙度值的相對誤差為6.73%，在測量誤差允許范圍內，說明本文基于光切法測量原理研究的圖像檢測算法對于檢測葡萄硬枝嫁接苗木切削面的粗糙度具有較高的精度和良好的可行性，可以為研究不同切削參數對切削面粗糙度以及苗木嫁接成活率的影響提供技術支撐。

[1] 國家統計局. 中國統計年鑒[J]. 北京：中國統計出版社，2015.

[2] 翟衡，杜遠鵬，孫慶華，等. 論我國葡萄產業的發展[J]. 果樹學報，2007，24(6)：820－825.

[3] 趙常青，蔡之博，呂冬梅. 現代設施葡萄栽培[M]. 北京：中國農業出版社，2011，64－66.

[4] 徐麗明，李超，王文斌，等. 葡萄生產機械化技術與裝備[J]. 新疆農機化，2012(5)：24－27.

[5] 姜秀美. PJJ-50型葡萄嫁接機的設計[J]. 農業裝備與車輛工程，2011(11)：7－9.

Jiang Xiumei. Design of model PJJ-50 grape grafting machine[J]. Agricultural Equipment and Vehicle Engineering, 2011(11): 7－9. (in Chinese with English abstract)

[6] 羅軍. 基于Plug-in的苗木嫁接機切削機構的研究[D]. 長沙:湖南農業大學，2011.

Luo Jun. Study on Cutting Mechanism of Grafting Machine for Plug-in Method[D]. Changsha: Hunan Agricultural University, 2011. (in Chinese with English abstract)

[7] 李明，戴思慧，湯楚宙，等. 苗木嫁接機器人切削機構模擬試驗[J]. 農業工程學報，2008，24(6)：129－132. Li Ming, Dai Sihui, Tang Chuzhou, et al. Simulation test on plantlet-cutting mechanism of grafting robot[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(6): 129－132. (in Chinese with English abstract)

[8] 楊治元. 葡萄嫁接栽培[M]. 北京：中國農業出版社，2006.

[9] 王明海，李世永，鄭耀輝. 超聲銑削鈦合金材料表面粗糙度研究[J]. 農業機械學報，2014，45(6)：340－346.

Wang Minghai, Li Shiyong, Zheng Yaohui. Surface roughness of titanium alloy under ultrasonic vibration milling[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(6): 340－346. (in Chinese with English abstract)

[10] 石文天，劉玉德，王西彬，等. 微細銑削表面粗糙度預測與試驗[J]. 農業機械學報，2010，41(1)：211－215.

Shi Wentian, Liu Yude, Wang Xibin, et al. Experimental and prediction model for surface roughness in micro-milling[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(1): 211－215. (in Chinese with English abstract)

[11] 全國產品幾何技術規范標準化技術委員會. GB/T 3505-2009產品幾何技術規范(GPS)表面結構輪廓法術語、定義及表面結構參數[S]. 北京：中國標準出版社，2014.

[12] 全國產品幾何技術規范標準化技術委員會. GB/T 12472-2003產品幾何技術規范(GPS)表面結構輪廓法木制件表面粗糙度參數[S]. 北京：中國標準出版社，2014.

[13] 劉穎，郎治國，唐文彥. 表面粗糙度光切顯微鏡測量系統的研制[J]. 紅外與激光工程，2012，41(3)：776－779.

Liu Ying, Lang Zhiguo, Tang Wenyan. Development of measurement system about light-section microscope for surface roughness[J]. Infrared and Laser Engineering, 2012, 41(3): 776－779. (in Chinese with English abstract)

[14] 李博，黃鎮昌，全燕鳴. 光切法在動態表面粗糙度檢測中的應用[J]. 微計算機信息（測控自動化），2007，23(4)：127－129.

Li Bo, Huang Zhenchang, QuanYanming. Application of light-section method to roughness measurement on Dynamic surface[J]. Microcomputer Information (Control & Automation), 2007, 23(4): 127－129. (in Chinese with English abstract)

[15] 葛群. 基于光切法的激光毛化軋輥表面粗糙度檢測系統的研究[D]. 武漢：華中科技大學，2011.

Ge Qun. Research on Laser Texturing Roller Surface Roughness Detection System Using a Light-section Method [D]. Wuhan: Huazhong University of Science & Technology, 2011. (in Chinese with English abstract)

[16] 趙學增. 木質材料表面粗糙度計算機視覺檢測技術的研究[J]. 東北林業大學學報，1992，20(5)：55－59.

Zhao Xuezeng. Study on measurement of wood surface roughness by computer vision[J]. Journal of Northeast Forestry University, 1992, 20(5): 55－59. (in Chinese with English abstract)

[17] James W F, Johannes B F, David A B, et al. Measuring surface roughness on wood: a comparison of laser-scatter and stylus-tracing approaches[C]// Industrial Applications of Optical Inspection, Metrology, and Sensing, SPIE 1821, 1993: 173－184.

[18] Jakub S Chiaki. Evaluation of surface smoothness by laser displacement sensor 1: Effect of wood species[J]. Journal of Wood Science, 2003, 49(4): 305－311.

[19] 孔曉玲. 公差與測量技術[M]. 北京：北京大學出版社，2010:105－106.

[20] 王傳宇，郭新宇，肖伯祥，等. 基于圖像拼接的苗期玉米植株缺失數量自動檢測方法[J]. 農業工程學報，2014，30(12)：148－153.

Wang Chuangyu, Guo Xinyu, Xiao Boxiang, et al. Automatic measurement of numbers of maize seeding based on mosaic imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transaction of CSAE), 2014, 30(12): 148－153. (in Chinese with English abstract)

[21] 馬曉丹，孟慶寬，張麗嬌，等. 圖像拼接重建蘋果樹冠器官三維形態[J]. 農業工程學報，2014，30(12)：154－162. Ma Xiaodan, Meng Qingkuan, Zhang Lijiao, et al. Image mosaics reconstruction of canopy organ morphology of apple tree[J]. Transactions of the Chinese Society of Agricultural Engineering (Transaction of CSAE), 2014, 30(12): 154－162. (in Chinese with English abstract)

[22] 姚立健，周高峰，倪忠進，等. 基于尺度不變特征轉換算子的水果表面圖像拼接方法[J]. 農業工程學報，2015，31(9)：161－166.

Yao Lijian, Zhou Gaofeng, Ni Zhongjin, et al. Matching method for fruit surface image based on scale invariant feature transform algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 161－166. (in Chinese with English abstract)

[23] 張凱，耿長興，張二鵬，等. 溫室環境下紅掌圖像拼接算法[J]. 農業機械學，2013，44(4)：223－227.

Zhang Kai, Geng Changxing, Zhang Erpeng, et al. Anthurium image mosaicing algorithm in greenhouse environment[J]. Transactions of the Chinese Society for Agricultural Machinery 2013, 44(4): 223－227. (in Chinese with English abstract)

[24] Rafael C G, Richard E W, Steven L E著，阮秋琦譯. 數字圖像處理的MATLAB實現[M]. 第2版. 北京：清華大學出版社，2013：199－200.

[25] Hamid R T. Fuzzy Techniques in Image Processing[M]. New York: Physica, 2000: 137－171.

[26] 陳雷，袁媛，吳娜，等. 基于顯著和模糊檢測的淺景深作物病害圖像分割[J]. 農業工程學報，2015，31(增刊2)：145－151.

Chen Lei, Yuan Yuan, Wu Na, et al. Segmentation for low depth of field crop disease images based on saliency and blurred detection[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(Supp.2): 145－151. (in Chinese with English abstract)

[27] 徐艷蕾，賈洪雷，包佳林. 基于模糊順序形態學的植物葉片脈絡邊緣提取[J]. 農業工程學報，2015，31(13)：193－198.

Xu Yanlei, Jia Honglei, Bao Jialin. Plant leaf vein edge detection based on fuzzy order morphology[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(13): 193－198. (in Chinese with English abstract)

[28] 王昊鵬，馮顯英，李麗. 基于改進二維最大類間方差法的白色異性纖維檢測算法[J]. 農業工程學報，2012，28(8)：214－219.

Wang Haopeng, Feng Xianying, Li Li. Detection algorithm of white foreign fibers based on improved two-dimensional maximum between-class variance method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(8): 214－219. (in Chinese with English abstract)

[29] 周麗萍，陳志，陳達，等. 基于改進Otsu算法的生豬熱紅外圖像耳根特征區域檢測[J]. 農業機械學報，2016，47(4)：228－232.

Zhou Liping, Chen Zhi, Chen Da, et al. Pig ear root detection based on adapted Otsu[J].Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(4): 228－232. (in Chinese with English abstract)

[30] Benny H, Ebrahim S, Barbara O, et al. Analysis of roughness of a sanded wood surface[J]. Journal of Advanced Manufacturing Technology, 2006, 28: 775－780.

Image detection algorithm for cutting surface roughness of grape hard branch grafting based on light-section method

Li Shijun, Yuan Quanchun, Xu Liming※, Xing Jiejie , Liu Wen, Gao Zhenming, Shi Lina

(100083)

In order to detect cutting surface roughness of grape grafting hard branch, this paper built a detection system of cutting surface roughness and designed an image detection algorithm of feature extraction based on measurement principle of light-section method. The detection system was made up of 9J light-section microscope, industrial camera and computer. Sampling length was an important role in the calculation of roughness. In order to make up the shortage of single sampling length (1 420m), this paper applied image mosaic technology to images acquired by multiple sampling, and thus got a longer sampling length. Meanwhile, a method was proposed to product matching template automatically, which could avoid the manual operation and improve the efficiency of image mosaic when matching the reference image and target image based on gray level information. Then the image mosaic algorithm was tested and the results showed that, the average running time was increased by 1.104 s and the average sampling length was increased by 1 131.77m when the number of mosaic image increased by a roughness feature image. Moreover, fuzzy set theory was applied to the process of gray-scale transformation and could effectively guarantee the integrity of the single edge of the image after segmentation. In this paper, Otsu algorithm was used to segment image. In order to filter the defeat profile due to catheter lumen and tracheid cavity contained by cutting surface itself, local pixels of the roughness feature binary image were operated by way of human-computer interaction. The pixels of the defect position in the foreground image were set to zero and not involved in the subsequent roughness calculation. A method was also proposed to extract the single side edge by scanning pixels of per column one by one, the first pixel whose value was not zero at each column belonged to edge pixels set. According to the measurement principle of light-section method, the corresponding position relation could be established between the single edge extracted from roughness feature image and roughness profile in one place of grape cutting surface. So the value of roughness height parametersandcould be obtained by calculating the single edge. In order to verify the feasibility of the proposed method, the comparative experiment was conducted between the detection system built and KEYENCE VK-200 laser microscope. The experimental results showed that the relative error ofmeasured by proposed method was 6.73%, which was within the allowable range of measurement error, the image detection algorithm based on light-section method has good feasibility when applied to measure cutting surface roughness of grape hard branch. The study provides technical support for the further research of the impact of cutting parameters on cutting surface roughness and grafting survival rate of grape hard branch.

grafting; algorithms; image processing; grape; cutting surface roughness; light-section method; image mosaic; fuzzy set theory

10.11975/j.issn.1002-6819.2017.04.032

TP312; S24

A

1002-6819(2017)-04-0234-08

2016-07-16

2017-02-13

北京市自然科學基金資助項目（6152012）

李世軍，男，河北衡水人，主要從事生物生產自動化研究。北京 中國農業大學工學院，100083。Email：lishijun0614@qq.com

徐麗明，女，山東蓬萊人，教授，博士生導師，主要從事生物生產自動化技術與裝備研究。北京 中國農業大學工學院，100083。 Email：xlmoffice@126.com

李世軍，袁全春，徐麗明，邢潔潔，劉 文，高振銘，史麗娜. 基于光切法的葡萄硬枝嫁接切削面粗糙度圖像檢測算法[J]. 農業工程學報，2017，33(4)：234－241. doi：10.11975/j.issn.1002-6819.2017.04.032 http://www.tcsae.org

Li Shijun, Yuan Quanchun, Xu Liming, Xing Jiejie, Liu Wen, Gao Zhenming, Shi Lina. Image detection algorithm for cutting surface roughness of grape hard branch grafting based on light-section method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(4): 234－241. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.04.032 http://www.tcsae.org