農業機器人采摘目標識別技術研究
——基于FCM模糊聚類算法

馮高峰

(濟源職業技術學院,河南 濟源 459000)

0 引言

在5G技術快速發展的當下,智能農業機器人技術和產業發展成為熱門風口。為此,基于FCM模糊聚類算法對待識別的農作物圖像進行區域分割,對目標圖像描述顏色的a和b通道進行聚類分析,找出顏色差異,將花朵或果實和背景(樹枝、樹葉)分割開來,縮小需要比對的圖像,提高算法處理速度,從分割出的目標物的輪廓最終實現對花朵或果實目標的識別。

1 FCM模糊聚類算法

1.1 傳統FCM算法

FCM模糊聚類算法是一種采用最小二乘算法,結合迭代法對目標進行優化,從而獲得數據精確劃分的方法 ,其損失函數表達式為

(1)

其中,FCM的數據集合為X={x1,x2,…,xm},xi∈R5;n表示等待聚類數據的數目;c表示聚類中心的數目;指數m表示調節模糊類之間的隸屬度的程度,逐漸增大m可以提高整個函數的模糊度,且能降低數據的隸屬度。FCM模糊聚類算法就是在追求Jm的最小化。

對式(1)進行偏導求解后可得

(2)

根據式(2)可以求出聚類中心矩陣V={v1,v2,…,vi},里面的每個子集都是基于s特征的聚類中心,即v1∈Ri。

模糊分類矩陣的計算表達式為

(3)

若‖xk-vi‖=0,會有uik=1,且對于?j=i,則滿足

uik=0

(4)

其中,u需要滿足以下條件,即

(5)

FCM聚類中心U是一個可以被隨機初始化的矩陣,可以由所有樣本數據點通過式(2)計算得出。

1.2 改進的FCM算法

在圖像識別分割的應用中,需要考慮到樣本各維度的權重問題,一旦發現某個樣本對一類數據隸屬度較大時,便可以將最大權重值分配給它,從而得到最好的聚合中心;反之,對于隸屬度較小的樣本數據,則可以分配較小的權重,使其與中心的距離較大,將數據樣本分割開來。

假設等待聚類的樣本數據集X={x1,x2,…,xm},每個樣本中包括m個數據指標,那么第j個數據樣本的特征向量表達式為xj={x1j,x2j,…,xmj}T。樣本列表如表1所示。

表1 樣本列表Table 1 Sample list

(6)

其中,i=1,2,…,m。

(7)

其中,α表示FCM優化的準則參數;rij表示優化的樣本規格。

根據以上方法,可以建立目標函數表達式,即

min{f(u,s,w)= (f1(u1,s,w),f2(u2,s,w),…,fn(un,s,w))}

(8)

由以上特征加權和模具聚類循環迭代的方法,可以對數據的特征進行加權研究,從而得到最優的模糊聚類分類矩陣,實現對目標的識別。

圖1 歐式距離示意圖Fig.1 The schematic diagram of European distance

2 采摘目標識別分析

2.1 采摘目標的模糊聚類視區分析

為了實現對目標農作物的識別與分類,需要建立模糊的相似矩陣,方便對相同的特征目標進行描述;然后,建立傳遞閉包t(R),并結合模糊相似矩陣,得到具有相同特征的目標特征聚類圖。詳細的過程如下:

1)設定矩陣的特征值λ1=1取最大值,根據xi可以得到相似類別[xi]R,則符合

[xi]R=[xj|rij=1]

(9)

同時,將滿足rij=1的xi和xj判別為相似類。

2)設定λ2為特征矩陣的第二大值,可以在R中找到一組相似度為λ2的(xi,xj)。

3)設定λ3為特征矩陣的第三大值,重復第2)步,得到相似度為λ3的(xi,xj);然后,將第2)步求出的等價分類xi和xj,并根據類比合并,這樣就能自動得到λ3的等價類。

4)不斷重復以上步驟,直到所有具備相同特征值的類合并到模糊分類矩陣U中。

2.2 獲取采摘目標數據

1)采樣目標樣本圖像的采集。在某番茄種植基地采用佳能EOS RP相機采集西紅柿的圖像,一共采集有效圖像800幅。西紅柿圖像如圖2所示。

圖2 西紅柿圖像Fig.2 The tomato image

2)圖像預處理。通過相機拍攝到的圖像,由于環境或設備的影響,引入一些噪聲,為了方便后面對圖像樣本的處理和分析,采用高斯噪聲對圖像進行預處理,并將處理后的圖像保存為360像素×480像素的圖像,處理后的圖像如圖3所示。

圖3 處理后的圖像Fig.3 The processed image

2.3 基于FCM的圖像分割流程

FCM模糊聚類算法的核心是利用像素灰度級的歐式距離對待識別目標的特征進行相似性距離求解,并通過重復計算目標函數,求出兩次差值小于設定閾值。然后,將目標物圖像I={f(i,j),0≤i

Step1:假設n=M×N表示一幅圖像像素點數量,然后目標圖像聚類目標數量為C(2≤C0。

Step2:采用值在區間[0,1]的隨機數對初始化的隸屬度矩陣U=[uk(i,j)]和聚類中心V=[v1,v2,…,vc]。

Step3:計算C個聚類中心vi(i=1,2,…,C)。

Step6:根據分類矩陣和模糊聚類算法對目標圖像進行分割。

基于FCM的圖像分割的流程圖如圖4所示。

3 實驗與分析

針對西紅柿目標時,先采用相關的FCM模糊聚類算法和相關系數方法,建立了該目標識別的相似矩陣的(rαβ)8×8,其中

(10)

圖4 基于FCM的圖像分割的流程圖

實驗中,選擇i=3、j=5,再根據計算得出r35的值,這樣便可以根據MatLab仿真軟件對其余的數據進行模擬計算,得到最后的模糊矩陣(rαβ)8×8。

由于圖片獲取過程中,容易受到環境的干擾,需要對目標圖像進行濾波處理,也就是先對西紅柿的輪廓進行提取,并建立相應的FCM模糊聚類矩陣,然后對不連續的輪廓進行填充。其具體流程:①獲取西紅柿目標圖像,如圖5(a)所示;②根據相似矩陣中的特征值,對相鄰像素點進行比較,對具有相同特征值的像素點進行灰度處理,并對不同的特征值采用白點進行填充,如圖5(b)所示,能得到西紅柿大概的輪廓;③經過多次反復的迭代可以得到如圖5(c)所示的西紅柿清晰輪廓,從而能實現對西紅柿的識別,驗證了系統的可行性和準確性。

圖5 農業機器人采摘目標識別流程

4 結論

為了實現西紅柿目標的分割和識別,利用FCM模糊聚類算法對目標圖像進行模糊聚類分析處理。為了提高識別速度和精度,引入隸屬度矩陣對FCM算法進行優化,加快算法的迭代速度,降低圖像分割處理的時間,并通過將其并入目標聚類圖像,實現了較為完整的分割目標,以實現對西紅柿果實的識別。測試結果表明:該方法適用于目標農作物的分割和目標識別。