基于機器視覺的組培苗自動化識別方法研究

郭志紅

摘 要：為了使組培苗視覺識別系統能夠引導機械手臂實現組培苗的自動抓取、移栽作業，提出一種基于機器視覺的組培苗自動識別方法。通過對采集到的圖像進行灰度變換、濾波、閾值分割、骨架提取等圖像處理過程，能夠對組培苗進行精確的識別，并且能夠自動識別交叉點并判斷交叉苗的上下位置。對實驗室所采集到的100幅圖像進行圖像處理并識別的結果顯示，該算法準確率達到90%，并且不受組培苗擺放位置和擺放數量的影響，有很強的魯棒性。

關鍵詞：組培苗；機器視覺；圖像處理；交叉苗識別

中圖分類號：TP391.4 文獻標志碼：A 文章編號：2095-2945（2017）19-0020-02

1 概述

目前，世界上大多數組培苗的移栽還是通過人工實現種植。以土豆為例，作為世界上第四大糧食作物，目前土豆苗的栽植還沒有實現完全自動化[1]。然而隨著人口老齡化程度的加劇以及人力成本的迅速提高，使得組培苗自動化移植成為必然的趨勢，并且迫在眉睫。組培苗沒有實現完全自動化移栽的原因，在于其幼苗的特殊性。一般的組培苗都十分脆弱，不能利用傳統的分苗裝置對幼苗進行抓取和移栽，這就給組培苗自動化移植帶來了很大的困難[2]。本文對組培苗自動識別技術中遇到的難題進行了深入的研究，并且汲取了現有成果經驗，提出一種基于計算機視覺的組培苗自動識別的方法。在對組培苗進行圖像處理的過程當中，提出了一種改進的中值濾波和迭代閾值分割方法。利用本文所提出的方法，能夠得到高質量的濾波圖像和二值圖像，并且能以很高的準確率實現組培苗交叉點識別、交叉苗上下判斷、抓取點自動確定等，為組培苗的自動化移栽提供了可能[3-5]。

2 自適應灰度化處理

由于彩色圖像包含更多的信息，本文選擇對彩色圖像進行灰度化處理，以得到更多的圖像細節。由于組培苗顏色各異，因此不能簡單地使用某一種固定的方法對其進行灰度化。本文采用自適應灰度化的方法，來確定Y=a1R+a2G+a3B中各分量的系數。

（1）設目標圖像F大小為m×n，彩色圖像的三個分量為fi，i=1，2，3，則這三個分量的均值Ei和方差Di分別計算如下：

（2）計算歸一化權重系數

di=Di/（D1+D2+D3），令ai=di，從而得到自適應灰度化的各分量的系數值。得到的灰度化圖像和原圖像如圖1所示。

3 改進的中值濾波

在計算機視覺領域，椒鹽噪聲是最為常見的一種，中值濾波作為一種非線性的濾波方式，以其出色的降噪能力和計算速度得到了廣泛的應用[6]。中值濾波作為一種典型的非線性濾波，在保護邊緣信息方面強于線性濾波，但是抑制噪聲和保護細節依然是中值濾波處理過程中的主要矛盾，也是圖像處理領域尚未很好解決的問題。本文提出一種改進的中值濾波方法，能夠比較好的平衡去噪和保護圖像信息兩方面的需求。

3.1 傳統中值濾波及其局限性

中值濾波是對目標像素鄰域的像素值進行排列，取中間值作為目標位置新的像素值。它的理論基礎基于圖像的這一特性：噪聲往往以孤立的點出現，這些點對應的像素很少，而且其像素值的大小和鄰域像素值的差別很大。但是傳統的中值濾波沒有區分噪聲點和信號點，而是將圖像中每一個像素點都進行一次處理，這往往會導致圖像丟失一些邊緣信息。

3.2 改進的中值濾波

本文提出一種全新的噪聲點的判斷方法。設待處理的像素坐標位置為（x，y），像素值大小為zxy。現研究其5×5鄰域的矩形窗口Sxy，設zmin為Sxy中的最小灰度值，zmax為Sxy中的最大灰度值，zmed為Sxy中的灰度值中值，z為最終輸出值。

本文所采用的改進中值濾波在判斷噪聲點的時候，不僅僅依靠zxy的值，還判斷了其和Sxy中像素的關系。即使zxy為Sxy的極值，也沒有馬上將zxy判定為噪聲點，而是判斷Sxy中是否有與zxy值接近的像素點，若個數超過設定的閾值，則判定zxy為邊緣點而不做處理，從而達到了保護圖像細節的作用。

4 結束語

本文在對待移栽的組培苗進行視覺圖像處理后，識別準確率達到了90%，能夠達到自動化移栽的要求。在處理過程中，提出了一種改進的中值濾波方法，能夠在消除圖像噪聲的同時，很好的保護了圖像的細節特征。在閾值分割時，對現有的迭代法進行了改進，能夠得到效果更好的二值圖像。在識別交叉點時，利用骨架圖的交叉點特性，提出了一種計算交叉點位置的方法，不僅計算量小，而且準確率高。最后創新性地提出了一種識別交叉苗上下位置的方法，很好的解決了組培苗在自動化移栽技術上遇到的難題，為組培苗的自動化移植提供了更大的可能。

參考文獻：

[1]羅其有，劉洋，高明杰，等.中國馬鈴薯產業現狀與前景[J].AO農業生產展望，2015（3）：35-40.

[2]楊麗，張鐵中，羅輝.基于機器視覺的組織培養苗自動識別技術[J]. 農業機械學報，2005，36（1）：86-91.

[3]Ying-Jen Huang，Fang-Fan Lee. An automatic machine vision-guided grasping system for Phalaenopsis tissue culture plantlets[J]. Computers and Electronics in Agriculture，2010，70（1）：42-51.

[4]劉凱，辜松.基于機器視覺的嫁接用苗識別研究[J].農機化研究，2009（11）：46-48.

[5]崔永杰，王霞霞，徐立青，等.基于機器視覺的嫁接用苗外觀特征自動檢測[J].農業機械學報，2014，45（4）：89-95.

[6]王志東，汪友生，李龍，等.血管內超聲圖像的噪聲抑制與增強算法研究[J].電子測量技術，2013，36（03）：44-47.