基于機器視覺的穴盤苗檢測試驗研究

張國棟,范開鈞,王 海,蔡 峰,辜 松

(1.北京華農農業工程技術有限公司,北京 100125;2.華南農業大學 a.工程學院;b.南方農業機械與裝備關鍵技術省部共建教育部重點實驗室,廣州 510642 )

0 引言

穴盤育苗技術具有節約土地、幼苗易成活及有利于規模化生產等優勢,現已被廣泛應用于蔬菜、花卉的生產。國家標準對蔬菜種子發芽率要求大于85%,受種子質量、育苗環境及播種質量影響,穴盤苗的空穴率將超過15%[1],不利于成品苗的出售或后續機械化移栽。目前,剔苗、補苗多以人工方式為主[2],由于不合格穴孔位置幼苗長勢差或未出苗,人手不易將基質取出,費時費力,而采用自動化剔苗方式可以提高剔苗效率、節省勞動力、提高效益[3-4]。為此,提出了利用機器視覺技術檢測穴盤苗空穴與不合格苗及傳輸檢測結果的方法,為穴盤苗自動化剔除空穴與不合格苗及補苗作業提供技術基礎。

為了保證自動化剔苗裝置能夠準確將不合格穴孔中的基質剔除,需要利用機器視覺對不合格穴孔位置進行準確檢測,并將檢測結果傳輸到控制器中,控制相應機構對不合格穴孔進行操作。 穴盤育苗在前期及中期時,幼苗葉面積適中,未遮擋穴盤,適合機器視覺進行缺苗檢測。為準確判斷不合格穴孔位置并將判斷結果傳輸給控制器,開發了基于機器視覺的穴盤苗檢測系統。

1 檢測系統構成

1.1 硬件組成

搭建如圖1所示的試驗平臺,包括機架、輸送帶、穴盤定位氣缸等。

1.輸送帶 2.定位氣缸 3.穴盤 4.CCD工業相機 5.機架圖1 試驗平臺結構Fig.1 The structure of test platform

系統采用CK-JV200CI型CCD工業相機,有效像素200萬,具有千兆以太網口用于與PC機通訊,可將拍攝照片傳輸到PC機指定目錄中。PC 機作為工業相機與PLC的橋梁,分析采集圖像后將結果傳輸給PLC。三菱FX1N-40MT型PLC為一款小型PLC,占用空間小,控制指令靈活豐富,在系統中用于直接控制機構對不合格穴孔進行操作。圖2所示為檢測系統構成。

圖2 視覺系統構成Fig.2 The Composition of Vision System

1.2 軟件系統構成

CKVisionBuilder軟件是一款智能圖像處理軟件,提供了豐富的圖像處理指令,允許自定義操作界面。系統的檢測程序在CKVisionBuilder環境中編寫,通過調用內部不同的圖像處理指令函數對采集到的穴盤苗圖片進行閾值分割、腐蝕運算、像素統計。在圖像進行分析前,需要對其進行一系列預處理,圖像閾值分割是重要步驟之一,具有計算模型簡單、運行效率高的優點。在數字圖像處理中,對于確定的結構元素,通過腐蝕運算方法可以消除小于結構元素的點。

2 穴盤苗檢測方法

統計每一個穴孔中的像素數量,然后比較每穴像素數量是否低于設定值來判斷穴孔內是否為好苗,將“好苗”“壞苗”“空穴”信息通過“1”“0”數字量傳輸給PLC數據寄存器。具體分析流程如下:

1)軟件讀取CCD相機采集到的彩色圖像;

2)對彩色圖像進行灰度化處理;

3)對灰度化處理后的圖片進行閾值分割與腐蝕運算,消除干擾點;

4)統計每個穴孔中的像素數量;

5)設定標準像素數量N,若檢測像素數量大于等于N,判斷結果為該穴孔有好苗;反之,則為無苗或者壞苗[5];

6)標記無苗或壞苗穴孔區域;

7)將“好苗”“壞苗”“空穴”結果轉換為“1”“0”數字量,通過串口通信將每個穴孔的“0”“1”結果傳遞給PLC對應的數據寄存器,供PLC作判斷,控制執行部件動作。

2.1 圖像預處理

2.1.1 圖像閾值分割

閾值的選取直接影響圖像分割的效果[6]。閾值化是輸入圖像f到輸出圖像g的如下變換,即

本文取T=187,閾值分割效果明顯,能夠較好地反應穴盤苗葉片的投影特征。由于基質中含有珍珠巖及其他顆粒物,圖像中出現很多干擾點,如圖3所示。

圖3 預處理后圖像Fig.3 Pre-processed image

2.1.2 腐蝕運算

分別沿圖像X、Y方向對其進行腐蝕運算處理,設定處理次數為2次,刪除穴盤中大量干擾像素點,提高圖像分析的準確性,如圖4所示。

圖4 腐蝕運算處理后圖像Fig.4 Image after erosion operation

2.2 檢測區域的確定

標準72穴穴盤穴孔形狀非標準正方形,為最大范圍識別每個穴孔的圖像信息,選取穴孔四邊直線相交后形成的正方形為每個穴孔的識別范圍;閾值分割處理后,穴盤與基質在圖像中已全為黑色,在選取區域中統計幼苗像素數量時不會受到穴盤的影響,如圖5所示。正方形框內為每穴的檢測區域。

圖5 單個穴孔檢測區域Fig.5 Detection area of each hole

2.3 結果判定與輸出

圖像預處理后,統計每個穴孔檢測區域中像素數量[7]。提前測定一株最小合格苗的像素,設定“好苗”情況下像素數量為大于等于N,像素數量小于N的穴孔均為“壞苗”或“空穴”。通過比較運算指令,比對每個穴孔檢測區域,像素數量小于N的穴孔均為“壞苗”或“空穴”,在采集原圖像上框選出來,運算輸出數值“0”;像素數量大于等于2 500的穴孔,運算輸出數值“1”。72個穴空的檢測結果通過RS232通訊傳輸到PLC中的指定數據寄存器中[8-10]。設定的“好苗”的標準像素數量N可以根據不同品種、不同時期穴盤苗的實際情況進行修改。

3 穴盤苗檢測試驗

3.1 材料與方法

檢測對象為13天意大利生菜、白玫瑰白菜、廣府1號油菜心,幼苗培育用穴盤為標準72穴,基質為椰糠,拍攝時光源為溫室內自然光。

將待檢測穴盤放上輸送帶,穴盤定位氣缸伸出,將穴盤輸送到定位氣缸處輸送帶停止;工業相機拍下整盤苗圖像,傳輸到PC機中;拍攝完成后,定位氣缸縮回,輸送帶啟動,將穴盤輸出,然后放置下一盤苗繼續拍攝。

3.2 結果與討論

3.2.1 檢測結果

設定72穴意大利生菜穴盤苗標準像素數量N=2 500,圖像經預處理及像素統計后,采集到每穴的像素數量如表1所示。由表1可以看出:行列號為(1,2)、(2,5)、(3,4)、(3,5)、(3,6)、(6,3)、(6,4)、(6,6)、(7,1)、(8,2)、(8,3)、(9,6)、(114)、(12,1)、(12,3)處的像素數量均小于2 500,為“無苗”或“壞苗”,輸出數值“0”;其余穴孔像素數量均大于2 500,為“好苗”,輸出數值“1”。

表1 72穴意大利生菜每穴像素數量統計Table 1 Statistics of pixel number of each hole of Italian lettuce planted in plug tray with 72 holes

由于植物形態差異,對白玫瑰白菜與廣府1號油菜心圖像設定不同的像素數量標準,白玫瑰白菜圖像設定為5 000,廣府1號油菜心圖像設定為9 000,在相同環境條件下進行檢測。圖6為三種作物的檢測結果,框選區域為不合格穴孔,檢測準確率統計如表2所示。

表2 檢測準確率統計Table 2 Statistics of detection accuracy

圖6 檢測結果Fig.6 Detection results

3.2.2 討論

幼苗葉片生長過大可能過界長到鄰穴區域,會對檢測結果造成一定影響。若鄰穴位置為好苗,即使部分區域被遮擋,像素數量也不會減少,故這種情況下不會影響判斷;若鄰穴位置為壞苗或空穴,伸出的葉片會增加鄰穴的像素數量,可能導致誤判斷檢測結果為“好苗”,降低檢測準確性。圖7所示為相鄰穴孔為好苗或空穴時葉片過界的情況。

圖7 葉片過界Fig.7 Leaf exceeds boundary

基質混合時會混入珍珠巖或其他顆粒物,顆粒物孤立地出現在基質表面時,通過腐蝕運算可以消除由顆粒物產生的干擾點;若干顆粒物連成聯通區域時,可以通過增加腐蝕運算次數的方法來消除,但增加次數后可能會將面積較小的葉片誤認為是干擾點將其消除,導致穴孔內像素數量減少,將好苗判斷為壞苗。

3類不同幼苗在苗齡為13天時,意大利生菜葉片面積最小,葉片過界遮擋情況對機器視覺檢測影響較小;廣府1號油菜心葉片面積最大,若干幼苗葉片生長進入鄰穴檢測區域,對機器視覺檢測“空穴”“壞苗”產生較大干擾。

4 結論

1)搭建了基于機器視覺的穴盤苗檢測試驗平臺,檢測苗齡13天的72穴的意大利生菜、白玫瑰白菜及廣府1號油菜心穴盤苗壞穴的準確率達到了95.8%以上。

2)將檢測結果“好苗”“空穴”“壞苗”轉換為“1”“0”數字量,方便傳輸到PLC中,由PLC作執行動作的判斷。對于72穴穴盤苗,將每穴的檢測信息通過RS232傳輸到PLC中的數據寄存器中,傳輸時間小于3s。

3)對比3種幼苗檢測準確率,意大利生菜>白玫瑰白菜>廣府1號油菜心。相同苗齡下廣府1號油菜心葉面積更大,出現過界的現象嚴重,會降低機器視覺檢測準確性。幼苗葉片展開且不遮擋穴盤時,為穴盤苗檢測的最佳時期。