陜西師范大學(xué)錦園中學(xué) 徐偉森

1.引言

近些年來(lái)，隨著計(jì)算機(jī)科學(xué)與人工智能的不斷發(fā)展，人們對(duì)于目標(biāo)識(shí)別的關(guān)注度已愈來(lái)愈高。目標(biāo)識(shí)別技術(shù)，是指利用圖像處理算法或者機(jī)器學(xué)習(xí)的理論和方法來(lái)確定圖像中是否存在感興趣的目標(biāo)并得出目標(biāo)在圖像中的位置。[1]事實(shí)上，在我們的生活中，在許多領(lǐng)域都可以見到目標(biāo)識(shí)別與人工智能的應(yīng)用。特別是在農(nóng)業(yè)方面，隨著人工成本的增加和農(nóng)業(yè)機(jī)械化的發(fā)展，如何能準(zhǔn)確識(shí)別果實(shí)已成為當(dāng)下研究的一個(gè)熱點(diǎn)。本文針對(duì)目標(biāo)識(shí)別算法在果實(shí)采摘方面的應(yīng)用進(jìn)行比較和分析，并對(duì)其未來(lái)進(jìn)行展望。

2.傳統(tǒng)目標(biāo)識(shí)別算法

傳統(tǒng)的目標(biāo)識(shí)別算法主要是利用圖像處理的基本知識(shí)，對(duì)圖像進(jìn)行空間域或者頻率域上的處理，使圖像達(dá)到想要的標(biāo)準(zhǔn)，傳統(tǒng)目標(biāo)識(shí)別算法，原理較為清晰，過(guò)程較為簡(jiǎn)單，對(duì)于不太復(fù)雜的圖像場(chǎng)景，有很好的應(yīng)用價(jià)值。

2.1 目標(biāo)系統(tǒng)的構(gòu)成

要進(jìn)行目標(biāo)識(shí)別，首先需要解決的問(wèn)題就是圖像的采集。用于采集圖像的設(shè)備大致有單目攝像頭、雙目攝像頭、kinect等，如圖1所示。單目攝像頭只有一個(gè)鏡頭，雙目攝像頭有兩個(gè)鏡頭，類似于人眼結(jié)構(gòu)，并且可以通過(guò)計(jì)算得出像素的深度值，kinect有一個(gè)rgb攝像頭和一個(gè)紅外攝像頭，也可以得出像素深度信息。其次是圖像處理部分，可采用計(jì)算機(jī)處理和DSP芯片進(jìn)行處理等，針對(duì)不同的處理需求，采用不同性能的處理芯片。最后是圖像輸出部分，可采用LED或者LCD顯示屏進(jìn)行輸出。具體的步驟總結(jié)起來(lái)可分為六步：采集圖像-預(yù)處理-特征生成-特征選擇-檢測(cè)-輸出圖像。

圖1 采集圖像設(shè)備

2.2 預(yù)處理

在很多情況下，圖像在采集和傳輸過(guò)程中可能會(huì)受到一定的干擾，從而產(chǎn)生各種噪聲，使得圖像的質(zhì)量并不滿足實(shí)際處理的要求。對(duì)此，預(yù)處理就變得十分必要了。為了減少圖像的噪聲，可以采用濾波方法進(jìn)行處理[2]。具體的濾波方法可采用平均濾波法，中值濾波法等。經(jīng)過(guò)預(yù)處理后的圖像質(zhì)量可得到一定的提升。

2.3 顏色空間的選擇

在進(jìn)行彩色圖像處理時(shí)，采用不同的顏色空間可以產(chǎn)生不同的處理效果。在果園中進(jìn)行蘋果采摘時(shí)，由于需要采摘的蘋果與枝葉等背景在顏色特征上差異較大，即蘋果主要是紅色信息成分、背景是綠色的枝葉等為綠色信息成分，故可以基于圖像的顏色特征對(duì)蘋果圖像進(jìn)行分割。若采用基于顏色特征的圖像分割算法，則顏色空間的選擇就很重要，選擇不同的顏色空間可以有不同的分割效果，常用的于本采摘環(huán)境相關(guān)的顏色空間有：RGB顏色空間和Lab顏色空間等[3]。

RGB顏色空間是圖像處理中最基礎(chǔ)，最常用的顏色空間，分別代表紅綠藍(lán)三色空間，一般常用于圖像的顯示。R代表紅色空間、G代表綠色空間、B代表藍(lán)色空間，RGB顏色空間雖然較為常用，并且在蘋果圖像處理過(guò)程中只需要通道提取而不需要進(jìn)行額外的空間轉(zhuǎn)換，但是RGB顏色空間的缺點(diǎn)也很明顯：本身由于采集到的蘋果圖像會(huì)一定程度上受到光照、陰影等因素的影響，而RGB顏色空間受亮度影響比較大。所以RGB顏色空間更適用于圖像的采集與顯示，若作為蘋果圖像分割采用的顏色空間，則效果較為一般

Lab顏色空間Lab顏色空間是一種類似于人眼視覺(jué)感知的顏色系統(tǒng)，反映在坐標(biāo)系中L表示亮度信息，a表示顏色從紅色到綠色的變化，b表示顏色從藍(lán)色到黃色的變化，所以在對(duì)蘋果圖像識(shí)別時(shí)，若采用Lab空間，只用a分量即可，而不用L和b分量，這樣既利用了蘋果圖像中紅色與綠色的顏色信息，也可以降低光照等因素的影響。

2.4 分割方法

在選擇好顏色空間后，便要進(jìn)行圖像背景與目標(biāo)分割。分割方法有顏色聚類法，OTSU法等。不同的分割方法有不同的優(yōu)點(diǎn)與缺點(diǎn)，要根據(jù)實(shí)際情況進(jìn)行選擇。

顏色聚類法，主要原理是讓不同的顏色聚集為不同的群，首先需要根據(jù)實(shí)際情況確定聚類的數(shù)目。蘋果圖像識(shí)別在采用顏色聚類法時(shí)主要是通過(guò)讓綠色和紅色聚為不同的類，從而將綠色和紅色信息分開，提取出蘋果信息[4]。該方法較為直觀、容易實(shí)現(xiàn)。在進(jìn)行聚類時(shí)，首先需要確定聚類類別數(shù)與初始聚類中心，由于采集到的蘋果圖像紅色分量較大且紅色分量是蘋果果實(shí)部分，所以可以直接采用RGB顏色空間中的R分量最大作為蘋果果實(shí)類，G分量最大的作為背景類，也就是選取聚類數(shù)為K=2，之后進(jìn)行二值化，將果實(shí)類別中的像素值賦255，也就是將果實(shí)類別進(jìn)行填充白色，背景類別中的像素值賦0，將背景信息填充黑色，從而將蘋果果實(shí)與背景進(jìn)行分割。

OTSU法又叫最大類間方差法，屬于基于閾值的分割方法?；陂撝档奶O果圖像分割算法主要是利用圖像中枝葉等背景與蘋果目標(biāo)的顏色特征差異，即紅色與綠色等其他背景的差異，通過(guò)選定一個(gè)能夠?qū)⒛繕?biāo)與背景區(qū)分的中間值，從而實(shí)現(xiàn)對(duì)蘋果圖像的分割，中間值的一邊為背景，另一邊為果實(shí)?；陂撝档姆指钏惴梢苑譃閮煞N，分別是固定閾值法和自動(dòng)閾值法。自動(dòng)閾值法是通過(guò)分析目標(biāo)與背景在顏色空間上的分布差異，自動(dòng)選擇閾值實(shí)現(xiàn)分割。OTSU方法屬于自動(dòng)閾值法，原理是利用圖像中的灰度直方圖，以目標(biāo)和背景之間的最大方差為自動(dòng)分割閾值，對(duì)目標(biāo)和背景進(jìn)行分割。這樣在蘋果識(shí)別時(shí)，可以將蘋果目標(biāo)與綠葉枝干等背景分離開來(lái)，從而將蘋果目標(biāo)提取出來(lái)。該方法較為簡(jiǎn)單，處理速度較快，不需要進(jìn)行閾值的選擇，輸入一幅圖像，可以自行選擇最大類間方差的閾值進(jìn)行分割、適用范圍較廣。

2.5 圖像分割后的后處理

得到的分割圖像具有一定程度的噪聲并且有一定的誤分類點(diǎn)，一般有兩類誤分類點(diǎn)：第一類：蘋果目標(biāo)區(qū)域被分類成背景，即將蘋果部分分割成了背景部分；第二類：枝葉背景被誤分類為目標(biāo)區(qū)域，即將背景部分分割為了蘋果部分；為了將這些誤分類的區(qū)域修正，需要對(duì)分割后的圖像進(jìn)行一定程度的處理，處理流程可以包括：降噪處理、形態(tài)學(xué)處理（腐蝕、膨脹、開運(yùn)算、閉運(yùn)算），基于這些基本運(yùn)算還可推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實(shí)用算法，用它們可以進(jìn)行圖像形狀和結(jié)構(gòu)的分析及處理。

2.6 霍夫變換檢測(cè)

霍夫變換是一種圖像處理方法，能夠用來(lái)識(shí)別圖像中的基本形狀在目標(biāo)檢測(cè)領(lǐng)域中具有廣泛的應(yīng)用[5]。

霍夫變換最早是用來(lái)檢測(cè)直線的，根據(jù)兩點(diǎn)確定一條直線的原理，將直線的方程轉(zhuǎn)化為參數(shù)空間的方程在在圖像中的像素點(diǎn)可以兩兩組合成多組直線，對(duì)應(yīng)參數(shù)空間中就是一個(gè)個(gè)的點(diǎn)。統(tǒng)計(jì)這些點(diǎn)出現(xiàn)的次數(shù)，找出出現(xiàn)次數(shù)最多的那個(gè)點(diǎn)，便能夠得出最有可能的直線的方程。

在蘋果檢測(cè)過(guò)程中，利用了霍夫變換圓型檢測(cè)。圓在xy坐標(biāo)系中的方程為（x-a）2+(y-b)2=r2，將此方程同樣轉(zhuǎn)化為參數(shù)空間當(dāng)中根據(jù)三個(gè)點(diǎn)能夠確定一個(gè)圓的原理，統(tǒng)計(jì)空間當(dāng)中像素點(diǎn)能夠形成的圓的種類與次數(shù)找出出現(xiàn)次數(shù)最多的那個(gè)圓，這個(gè)圓便是我們檢測(cè)出來(lái)的蘋果的輪廓。

霍夫變換具有很多的優(yōu)點(diǎn)：它具有很好的穩(wěn)定性，并且具有很好的容錯(cuò)性。如果分割后的圖像還存在一些噪聲點(diǎn)和干擾點(diǎn)，霍夫變換也能夠?qū)A檢測(cè)出來(lái)。當(dāng)然，霍夫變換也有一些缺點(diǎn)，缺點(diǎn)是霍夫變換運(yùn)算較為復(fù)雜，處理時(shí)需要耗費(fèi)較多的時(shí)間。

通過(guò)霍夫變換，可以將蘋果圈出來(lái)并能夠得到蘋果圓的圓心。如圖2所示：

圖2

3.深度學(xué)習(xí)目標(biāo)檢測(cè)

深度學(xué)習(xí)仿造人的神經(jīng)網(wǎng)絡(luò)對(duì)圖像當(dāng)中的特征進(jìn)行識(shí)別，人的神經(jīng)網(wǎng)絡(luò)包含非常多的神經(jīng)元與非常多的神經(jīng)層數(shù)，深度學(xué)習(xí)也是通過(guò)構(gòu)造人工神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)信息進(jìn)行學(xué)習(xí)并進(jìn)行預(yù)測(cè)，判斷等。

深度學(xué)習(xí)的網(wǎng)絡(luò)包含多層，每一層都可以感知圖像中目標(biāo)的不同特征信息，有一些是圖像目標(biāo)中的具體信息，例如：形狀信息、色彩信息等，有一些則是一些無(wú)法直觀感受到的抽象信息。深度學(xué)習(xí)基本的神經(jīng)網(wǎng)絡(luò)圖如圖3所示：

圖3 深度學(xué)習(xí)基本的神經(jīng)網(wǎng)絡(luò)圖

圖3中的圓形為神經(jīng)元，直線為神經(jīng)元連接線。第一層為輸入層，將蘋果圖像的數(shù)據(jù)輸入進(jìn)去，第二層為隱藏層，能夠感知蘋果圖像中的目標(biāo)蘋果特征，隱藏層可以有多層，層數(shù)越多，學(xué)習(xí)的就較為充分，最后一層為輸出層，輸出最終得結(jié)果。

用深度學(xué)習(xí)對(duì)蘋果圖像進(jìn)行識(shí)別的優(yōu)點(diǎn)在于：不需要掌握數(shù)字圖像處理的基本知識(shí)，只需要深度學(xué)習(xí)相關(guān)的知識(shí)，便可以進(jìn)行處理與識(shí)別。并且只要構(gòu)造的人工神經(jīng)網(wǎng)絡(luò)合理，識(shí)別率就會(huì)較高。缺點(diǎn)在于，深度學(xué)習(xí)方法前期需要用大量數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練的過(guò)程類似于人類的學(xué)習(xí)過(guò)程，如果不方便獲取大量的數(shù)據(jù)，或者數(shù)據(jù)不準(zhǔn)確，則會(huì)給蘋果的識(shí)別帶來(lái)難度。

4.結(jié)語(yǔ)

本文研究討論了蘋果目標(biāo)識(shí)別的識(shí)別過(guò)程，具體包括顏色空間的選擇，分割算法的選擇，分割圖像后處理和霍夫變換圓檢測(cè)。最后還對(duì)當(dāng)下的深度學(xué)習(xí)目標(biāo)檢測(cè)方法進(jìn)行了討論比較。