侯緒杰，王曉健，程義民

(山東濰坊職業(yè)學(xué)院，山東 濰坊 261031)

隨著以計(jì)算機(jī)科學(xué)與自動(dòng)化科學(xué)為代表的裝備智能化領(lǐng)域的發(fā)展，推動(dòng)了以采摘機(jī)器人為代表的農(nóng)業(yè)智能裝備的進(jìn)步。采摘作業(yè)屬于繁重類(lèi)作業(yè)，讓機(jī)器人代替果農(nóng)進(jìn)行采摘作業(yè)，首先需要解決的問(wèn)題為如何將果實(shí)從復(fù)雜的背景中提取問(wèn)題。對(duì)此國(guó)內(nèi)外進(jìn)行了大量的研究。華南農(nóng)業(yè)大學(xué)陳科尹等人利用視覺(jué)顯著性對(duì)水果進(jìn)行圖像分割，達(dá)到了良好的效果。濰坊學(xué)院的宋健在G-B因子下利用雙閾值法對(duì)茄子進(jìn)行分割。江蘇大學(xué)的趙德安利用k-mans算法與神經(jīng)網(wǎng)絡(luò)對(duì)蘋(píng)果進(jìn)行分割與識(shí)別。日本的山形健等人利用神經(jīng)網(wǎng)絡(luò)與自動(dòng)閾值法對(duì)西紅柿進(jìn)行有效分割。

柿子為我國(guó)廣泛種植的經(jīng)濟(jì)作物，但是國(guó)內(nèi)外對(duì)于其果實(shí)的識(shí)別算法研究較少，嚴(yán)重制約了柿子采摘現(xiàn)代化的發(fā)展。

本文以柿子為研究對(duì)象比較了幾種顏色模型以及其顯著性特征，在對(duì)特定顏色因子下對(duì)其進(jìn)行相應(yīng)的顯著性處理后利用K均值聚類(lèi)算法對(duì)其進(jìn)行分割提取處理，提取其顏色與紋理特征，最后利用LS-SVM進(jìn)行識(shí)別學(xué)習(xí)與判斷，得到較為滿意的效果。

1 材料與方法

1.1 圖像采集

圖像采集地點(diǎn)為山東省臨朐石門(mén)坊柿子林，采集狀態(tài)為自然光下采集，時(shí)間為2015年10月份，下午14:00左右。柿子品種為五月紅。相機(jī)采用松下FZ10數(shù)碼相機(jī)。圖像處理軟件為VS2010,為了方便處理，將采集到的圖像裁剪成為640×480，采集圖像如圖1所示：

圖1 采集圖像

1.2 顏色空間選擇

選擇合適的顏色空間的對(duì)圖像進(jìn)行處理之前必須要進(jìn)行的一步，顏色空間的選擇主要是按照果實(shí)與背景差異性來(lái)選擇。一般的顏色空間主要有RGB，HSV，Lab，以及HSL等。經(jīng)過(guò)多種空間顏色模型的實(shí)驗(yàn)與直方圖統(tǒng)計(jì)，本文得出圖像在Lab下a分量下果實(shí)與背景差異明顯。Lab是一種感官均勻的顏色模式，表達(dá)色彩范圍上屬于RGB顏色空間。此顏色空間是用三個(gè)分量相互垂直的坐標(biāo)線來(lái)表示色彩空間。RGB轉(zhuǎn)換至Lab空間模型時(shí)需要轉(zhuǎn)換成XYZ模式作為中間模型進(jìn)而進(jìn)行中間轉(zhuǎn)換。轉(zhuǎn)換格式如下所示：

(1)

(2)

a=500[f(X/X0)-f(Z/Z0)]

(3)

b=200[f(Y/Y0)-f(Z/Z0)]

(4)

(5)

L，a，b分別為顏色中間中的亮度、紅色至綠色的范圍值以及藍(lán)色至黃色的范圍值。t為函數(shù)轉(zhuǎn)換變量。

將圖像進(jìn)行單通道分割，提取a分量顏色因子并對(duì)其橫切面進(jìn)行直方圖統(tǒng)計(jì)如圖2所示：

圖2 a分量下圖像以及果實(shí)中線直方圖

根據(jù)圖像以及圖像拋線統(tǒng)計(jì)直方圖可以看出在次空間模型下果實(shí)與背景差異性明顯,果實(shí)明顯強(qiáng)于背景。適合分割。

1.3 圖像顯著性處理

圖像顯著性是一種基于人的注意力與認(rèn)知感的物理模型。主要表現(xiàn)為圖像中最受人關(guān)注的程度。被廣泛應(yīng)用于圖像處理中。該模型由Itti.L提出，最早的模型為Itti模型，后有人不斷的改進(jìn)，出現(xiàn)各種相應(yīng)的顯著性數(shù)學(xué)模型。本文根據(jù)柿子果實(shí)與背景的的差異性特征。設(shè)設(shè)Ia為L(zhǎng)ab下a分量的值，Ia,σ(x,y)為a分量下與不同尺度的σ高斯濾波后的值。所以顯著性公式為：

S(x,y)=‖Ia-Ia,σ(x,y)‖

(6)

使用此公式對(duì)圖像進(jìn)行處理。圖3為顯著性效果圖。

圖3 顯著性效果圖

1.4 K-means聚類(lèi)分割

K-mena聚類(lèi)算法是一種無(wú)監(jiān)督實(shí)時(shí)聚類(lèi)算法，此算法基于樣本空間像素相似性進(jìn)行聚類(lèi)操作，聚類(lèi)之前首先要確定所要聚類(lèi)族簇個(gè)數(shù)，即將樣本空間x個(gè)對(duì)象分為K類(lèi)，使每個(gè)族簇內(nèi)樣本有高度的相似性，且族簇間樣本差距較大，類(lèi)間相似度是依照各聚類(lèi)中像素的均值所獲得一個(gè)引力中心來(lái)進(jìn)行計(jì)算的。

K均值算法實(shí)現(xiàn)步驟如下：

1)對(duì)給定的樣本x(圖像)，設(shè)定迭代次數(shù)n，指定k做為初始聚類(lèi)中心。

2)對(duì)樣本空間中每個(gè)數(shù)據(jù)對(duì)象與初始聚類(lèi)中心的相似度距離系數(shù)D(Xi,Cj(r));其中i=1,2,3，……，k;

構(gòu)成簇，Wj若滿足公式(7)

(7)

其中，Xi∈Wj,Xi記為w；其中ε為任意給定的正數(shù)。

3)逐步計(jì)算k個(gè)聚類(lèi)中心，公式如下：

(8)

聚類(lèi)準(zhǔn)則定義為：

(9)

4) 判斷計(jì)算是否合理，判斷算法如下：

|E(r+1)-E(r)|<ε

(10)

如滿足以公式(9)則可以停止計(jì)算,若不滿足返回(6),(7)繼續(xù)運(yùn)算。

基于對(duì)顯著性特征，設(shè)圖像聚類(lèi)中心為2，迭代次數(shù)為100次，進(jìn)行聚類(lèi)分割然后將分割后的輪廓進(jìn)行形態(tài)學(xué)處理，并且最終提取果實(shí)。如圖4所示：

圖4 識(shí)別效果

2 特征提取

物體的特征一般分為顏色特征，形狀特征以及紋理特征。由于果實(shí)存在被葉子遮擋或者生長(zhǎng)不規(guī)則等特征如果選用形狀特征進(jìn)行提取判斷容易造成誤判等現(xiàn)象。本文以果實(shí)的顏色與紋理特征作為特征量進(jìn)行提取。

2.1 紋理特征的提取

紋理特征是物體表面的一種品質(zhì)。是識(shí)別果實(shí)的重要特征?；叶裙采仃囈话阕鳛橛成鋱D像紋理特征的主要指標(biāo)。

提取果實(shí)的ASM，CON，COR基于灰度共生矩陣的指標(biāo)來(lái)作為紋理特征。能夠很好的反應(yīng)出果實(shí)的紋理信息。設(shè)N為灰度級(jí)，分別為圖像行與列方向上紋理參數(shù)的均值與方差。P(i，j)為像素點(diǎn)數(shù)。提取公式分別如下;

(11)

(12)

(13)

2.2 顏色特征提取

根據(jù)上文研究得，柿子除了lab下a通道內(nèi)顏色與背景顏色差異明顯外，其他差異不顯著，所以本文提取其中顏色空間內(nèi)的a分量的平均值作為顏色特征分量。

Lab內(nèi)a分量的平均值am提取公式為：

(14)

3 識(shí)別模式

SVM 是一種具有監(jiān)督學(xué)習(xí)的模式，其在解決小樣本學(xué)習(xí)，非線性，以及高維度問(wèn)題中，具有很大的優(yōu)勢(shì)。最小二乘法向量機(jī)算法LS-SVM相較于標(biāo)準(zhǔn)的SVM來(lái)說(shuō)，其可以通過(guò)對(duì)一組線性方程組求解從而代替標(biāo)準(zhǔn)支持向量機(jī)的復(fù)雜二次空間規(guī)劃求解。其引入拉格朗日函數(shù)來(lái)進(jìn)行優(yōu)化約束。將高維空間內(nèi)最優(yōu)決策轉(zhuǎn)換為等式約束方式。其求解速度更快，準(zhǔn)確率更高。

經(jīng)對(duì)拉格朗日乘子最優(yōu)化求解以后得出最小二乘法向量機(jī)LS-SVM分類(lèi)模式為：

(15)

其中K(xi,yi)=exp(-(xi-xj)2/σ2)

(16)

ai為線性方程組所求的系數(shù)變量。

K(xi,yi)為輸入空間到多維特征空間的線性映射。將提取的樣本特征量作為輸入值，經(jīng)過(guò)訓(xùn)練得到LS-SVM分類(lèi)器。

分類(lèi)器輸入向量分別為：ASM,CON,COR以及Lab下a分量的平均值。本文選取RBF作為向量機(jī)的核函數(shù)。程序運(yùn)行流程如圖5所示。

核參數(shù)與懲戒系數(shù)的選擇對(duì)支持向量機(jī)的性能有著重要影響。根據(jù)文獻(xiàn)所得文本σ2=150.385，γ=0.368 2為最佳參數(shù)，此時(shí)模型精度最高。

圖5 果實(shí)識(shí)別流程圖

4 結(jié)果分析檢驗(yàn)

本課題實(shí)驗(yàn)用PC機(jī)為研華科技610L工控機(jī)，2.6HZ，RAM為4G，操作系統(tǒng)為WIN7。圖像處理部分采用Opencv庫(kù)，分類(lèi)識(shí)別部分采用比利時(shí)魯文大學(xué)開(kāi)發(fā)的LS-SVM Matlab工具箱。選用Matlab2013b進(jìn)行分類(lèi)實(shí)驗(yàn)。在自然光下采集圖像60張，30張作為訓(xùn)練集，其余圖像作為測(cè)試分類(lèi)。

將采集到的圖像按照?qǐng)D4的識(shí)別流程進(jìn)行處理，判別成功輸出1，判別失敗輸出0。剩余實(shí)驗(yàn)照片分為順光，逆光以及陰天下采集。

為對(duì)比與標(biāo)準(zhǔn)SVM的區(qū)別實(shí)驗(yàn)分別進(jìn)行SVM下與LS-SVM下的實(shí)驗(yàn)對(duì)比。結(jié)果如表1所示：

表1 實(shí)驗(yàn)數(shù)據(jù)

經(jīng)過(guò)分析檢驗(yàn)對(duì)比可看出：

(1) LS-SVM相交與普通SVM無(wú)論是在響應(yīng)時(shí)間以及識(shí)別成功率上都要好，識(shí)別成功率提高了10%。所以使用最小二乘法對(duì)支持向量機(jī)進(jìn)行優(yōu)化的策略非常有效。

(2) 在逆光下識(shí)別率與響應(yīng)時(shí)間都要優(yōu)于順光下，這是由于在處理圖像時(shí)候光照不均勻?qū)е绿崛√卣魇艿礁蓴_以至識(shí)別受到干擾。

(3) 識(shí)別失敗還主要受枝葉的遮擋影響。造成提取與識(shí)別失敗。

5 結(jié)論與討論

(1) 在a分量下針對(duì)柿子果實(shí)進(jìn)行基于圖像顯著性特征處理能夠很好的強(qiáng)化果實(shí)特征，易于后續(xù)處理。

(2) 在對(duì)預(yù)處理后的圖像進(jìn)行合適參數(shù)的K-means聚類(lèi)分割與形態(tài)學(xué)處理能夠很好的提取果實(shí)輪廓。

(3) 提取顏色與紋理特征值作為輸入使用LM-SVM對(duì)于柿子的識(shí)別非常有效，取得了較短的相應(yīng)時(shí)間與較高的識(shí)別效率。

(4) 針對(duì)果實(shí)被枝葉遮擋的影響識(shí)別失敗這一情況，要進(jìn)一步優(yōu)化識(shí)別算法來(lái)抵消遮擋影響。

參考文獻(xiàn):

[1] E J Van Henten, J Hemming, B A J Van, et al.Collision-free Motion Planning for a Cucumber Picking Robot[J].BiosystemsEngineering, 2003, 86(2):135-144.

[2] 宋健，孫學(xué)研，張鐵中.開(kāi)放式茄子采摘機(jī)器人設(shè)計(jì)與實(shí)驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009，40(1):143-147.

[3] 王輝,毛文化. 基于視覺(jué)組合的蘋(píng)果作業(yè)機(jī)器人識(shí)別與定位[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012，43(12):165-170.

[4] 宋健，王凱，張曉琛.茄子采摘機(jī)器人目標(biāo)識(shí)別與測(cè)距方法[J].實(shí)驗(yàn)室探索與研究,2015，34(9):54-57.

[5] 張國(guó)權(quán)，李戰(zhàn)明，李向偉，等.HSV空間中彩色圖像分割研究[J].計(jì)算機(jī)工程與應(yīng)用,2010，46(26):179-181.