魏英姿 譚龍?zhí)?谷侃鋒 楊繼蘭 曹雪萍

(1.沈陽理工大學信息科學與工程學院， 沈陽 110159; 2.中國科學院沈陽自動化研究所， 沈陽 110179)

0 引言

在作物育種領域，分子標記輔助育種技術得到廣泛的應用[1-3]。玉米種子的分子育種基因型分析，需要從每一粒種子的頂部切取少許胚乳作為樣品進行基因檢測篩選，將含有完整胚芽的種子剩余部分保留，用于玉米種植。但種子形狀尺寸個體差異大，物理特性不一致，種子本身質量又非常小，易受外界振動、氣流等因素的影響。由于激光的高溫作用，使玉米粒在被切割時，局部有瞬間爆炸的效應，產(chǎn)生一定的沖擊力，因此，機械手必須適度握緊玉米粒。由于切削的位置距離玉米籽粒大端頂部很近(2 mm左右)，激光光頭的定位必須適應不同尺寸的玉米籽粒，因此，進行激光切割時，適應不同玉米籽粒的精確定位方法和定向誤差的控制是必要的。

在激光切割玉米籽粒時，需要振動給料裝置先將玉米籽粒以某種姿態(tài)送到待切割料臺上，然后再通過視覺輔助定位系統(tǒng)準確定位出玉米籽粒姿態(tài)和激光切割位置。玉米籽粒的尖端部分是其顯著的特征區(qū)，找到尖端位置有助于迅速對籽粒進行定位。寧紀鋒等[4]利用圖像處理技術對玉米籽粒的胚部尖端進行識別，其原理是通過求取種子輪廓上曲率最大的點對胚部尖端進行判斷。楊蜀秦等[5]采用Harris算子對玉米粒等多種作物種子的尖端進行了檢測，綜合識別率為95.6%。張俊雄等[6]將籽粒形態(tài)學特征用于檢測玉米粒表面裂紋。目前圖像的角點檢測方法主要分為兩類：基于圖像邊緣的檢測方法和基于圖像灰度的檢測方法。前者往往需要對圖像邊緣進行編碼，這在很大程度上依賴于圖像的分割和邊緣提取，具有較大的計算量，且待檢測目標的局部變化很可能導致操作失敗。后者通過計算點的局部極值檢測角點，避免了第一類方法的缺陷，是目前研究的重點，此類方法主要有Moravec算子、Harris算子、SUSAN算子等[7]。劉長青等[8]通過分析種粒區(qū)域中白色區(qū)域的大小，判斷玉米種粒胚芽朝向。宋鵬等[9]根據(jù)顏色特征，利用模式識別技術進行玉米單倍體識別后再篩選。文獻[10-17]利用特征參數(shù)提取算法、淺層神經(jīng)網(wǎng)絡進行玉米、水稻品種的識別?；趫D像灰度的方法在求取角點曲率及梯度時，對噪聲比較敏感而且計算量大，在通過這種方法檢測單粒玉米種子的角點時，往往會得到很多不必要的角點。雖然通過調整算法的設定參數(shù)，可以得到玉米種子尖端頂點，但運算時間相對較長，不適應生產(chǎn)自動化的實時性需要。SUSAN算子進行角點檢測時，用一個固定半徑的圓形窗口模板在圖像上滑動，若模板內像素的灰度與模板中心的灰度差小于一定的閾值，則認為該點與中心具有相似性，當不相似的點數(shù)達到某個閾值時，認為該點是角點的候選域。

模仿SUSAN算子的檢測原理，本文設計相關面積占比濾波器，通過形態(tài)學運算，檢測玉米籽粒特征區(qū)，利用K均值聚類算法針對特定屬性進行分類，使視覺系統(tǒng)自動識別特征區(qū)。對數(shù)據(jù)域遞階執(zhí)行二分均值聚類運算，并進行精確標記，以期定位玉米籽粒尖端和大端外角，并標記長軸和大端外凸角切割線。

1 SUSAN算子的檢測原理

SUSAN算子是SMITH等在1997年提出的特征點檢測方法，該算法用一個圓形模板遍歷整幅圖像，若模板內其他像素與模板中心點的灰度差小于給定閾值，則認為該點與中心點是同值的，由滿足這種條件的像素組成的區(qū)域叫作吸收核同值區(qū)(Univalue segment assimilating nucleus, USAN)[18]。模板內的每一個像素與中心像素進行比較，公式為

(1)

th——像素差異閾值

對式(1)進行統(tǒng)計，結果為

(2)

(3)

其中

Gr=3nummax/4

式中Gr——固定閾值

nummax——USAN內像素點數(shù)量最大值

平坦區(qū)域點的USAN區(qū)域面積大于圓形模板面積的一半，邊緣點的USAN區(qū)域面積近似等于圓形模板面積的一半，角點的USAN區(qū)域面積小于圓形模板面積的一半，而且角點越尖，USAN像素點面積越小。模仿SUSAN檢測的核心思想，本文采用較大圓形模板，檢測玉米籽粒的外凸特征區(qū)。

2 定位玉米特征區(qū)的相關策略和方法

2.1 相關面積占比濾波器設計

玉米籽粒形狀特征描述術語及切割線示意圖如圖1所示。

圖1 玉米籽粒形狀特征描述及切割線示意圖Fig.1 Descriptive terminology of shape features and cutting lines for maize seed1.尖頂 2.尖端 3.長軸 4.胚部 5.形心 6、9.擬切割位置 7.最大內切圓 8.大端

玉米籽粒外輪廓曲線形狀是近似長軸對稱的。為避免區(qū)域面積分布方向的影響，本文采用具有中心對稱特性的圓形模板替代玉米輪廓，生成圓形模板的步驟如下：

(1)計算圓形模板的半徑

(4)

式中Sr——圓形模板面積

int()——取整函數(shù)

(2) 在邊長為2R+1的方形矩陣區(qū)域內生成圓形掩模模板，其中圓形模板中心H的坐標為(R+1,R+1)。

(3) 在方形矩陣A區(qū)域內的像素點i，如果滿足與圓形模板中心點H的距離d(i,H)不超過R，則該點的灰度f(xi,yi)置為1，否則f(xi,yi)置0。

(5)

例如，當R=3時，生成的圓形掩模模板矩陣A為

(6)

由于數(shù)字圖像的離散特性，生成的圓形模板是帶有鋸齒邊緣的近似圓形。圓形模板中灰度為1的像素總數(shù)就是圓形模板的面積，即Sr。將圓形模板中心與目標區(qū)域內待研究像素重合，那么圓形模板所覆蓋目標區(qū)域的面積記為Scr，由此，定義當前待研究像素的相關面積占比(Correlation area ratio, CAR)為β，β計算公式為

β=Scr/Sr

(7)

在玉米籽粒的邊緣處，面積占比滿足β<0.5。

利用像素之間的相關性，以圓形模板為基礎，設計相關性濾波器，測量圖像目標區(qū)域的相關面積占比，通過濾波得到玉米籽粒特征區(qū)域像素集合。

2.2 二分均值聚類算法

二分均值聚類是一種使用基本K均值的分層聚類方法，采用自上而下的策略。首先將所有對象放在單個集群中，然后使用K(K=2)均值將集群分成兩組。重復分割，直到得到需要創(chuàng)建的集群為止[19-20]。

本文二次調用二分均值聚類方法，其中第1次聚類用來區(qū)分玉米籽粒尖端類與大端類，第2次聚類用來區(qū)分大端的2個外凸角類。選取合適的初始聚類中心，可避免不必要的統(tǒng)計聚類結果。圓模板覆蓋面積最小的測量點總是落在玉米籽粒外凸最明顯的尖端頂點，即尖頂。玉米籽粒目標區(qū)域內面積占比β最小的點就是尖頂所在的位置。依據(jù)最遠距離準則，確定二分均值聚類的初始聚類中心，其中，選取尖頂為第1次聚類運算的初始聚類中心之一。

2.3 特征區(qū)校正的貼標簽運算

由于圖像數(shù)據(jù)的離散性，玉米籽粒本身形狀的不規(guī)則性，同時本文未對圖像邊緣進行去噪處理，導致玉米籽粒圖像經(jīng)過聚類后，分類結果內部會有多個分散的連通域。這些連通域使類內存在非特征區(qū)數(shù)據(jù)，從而導致聚類中心偏離特征區(qū)中心真實值。因此，特征區(qū)分類的結果需要進一步校正。

貼標簽是對二值圖像中不同的連通域進行編號，以區(qū)分不同連通域。通常得到一個與原圖像大小相同的標簽矩陣，用以描述二值圖像中不同連通域的劃分結果。

按照屬于目標區(qū)域的點像素置1、否則置0的原則生成待貼標簽矩陣。在八連通約束條件下，對連通域進行貼標簽操作。濾掉標簽矩陣中的每個類內偏遠值，去除非特征區(qū)數(shù)據(jù)，實現(xiàn)對特征區(qū)位置的校正。

3 玉米籽粒的定向及切片定位

選用設備包括螺旋振動給料篩選裝置、玉米籽粒激光切片機等，在切片機的待切割料平臺的正上方安裝攝像機。通過振動篩和傳送帶篩除大端粗、圓的玉米籽粒，將玉米籽粒粗略定向、單粒分開，選出來的扁形玉米籽粒就以尖端向前或向后的方式到達料臺上。圖2為單粒玉米種子分離定向裝置的功能示意圖。玉米籽粒的尖端和大端外角邊緣處曲率大且外凸。如果圓模板尺寸足夠大，當模板中心位于尖端、大端外角邊緣和近邊緣位置時，圓模板覆蓋的籽粒區(qū)域面積比在平坦區(qū)域時的面積明顯要小。玉米籽粒特征區(qū)識別和定位的總體流程如圖3所示。

圖2 單粒玉米籽粒分離定向裝置的功能示意圖Fig.2 Schematic of single maize seed separation and orienting device1.分離裝置 2.軟管滑道 3.定向裝置

圖3 玉米籽粒特征區(qū)識別、定位流程圖Fig.3 Flow chart of maize seeds feature regions recognition

具體的步驟如下：

(1)采集單粒玉米種子圖像，按照最大類間方差法，將RGB圖像變換為二值圖像，分割為目標區(qū)域和背景區(qū)域。

(2)計算圖像目標區(qū)域面積

(8)

式中f(x,y)——像素灰度

(x,y)——圖像像素點坐標

T——目標區(qū)域像素點集合

計算目標區(qū)域的形心點坐標(xc,yc)

(9)

依據(jù)目標區(qū)域面積Sa確定圓形模板的面積Sr，從而得到圓形掩模模板半徑R為

(10)

式中ω——比例調整系數(shù)，ω∈(0,0.5)

(3)遍歷單個玉米籽粒圖像目標區(qū)域內的所有像素，利用相關面積占比濾波器(CAR filter)，計算掩模覆蓋目標區(qū)域面積占比，選擇相關面積比不超過β(β∈(0.35,0.5))的核心像素點，構成待聚類操作的數(shù)據(jù)區(qū)域。其中β最小值所對應的像素點位置，記為玉米籽粒的“尖頂”。依據(jù)待聚類的點置1，非待聚類的點置0的原則生成待貼標簽矩陣。

(4)以尖頂和數(shù)據(jù)域中距離尖頂最遠的點，作為兩個初始聚類中心，進行第1次二分均值聚類，將數(shù)據(jù)集分為兩類，其中，聚類中心距尖頂較近的數(shù)據(jù)域為尖端類，其余為大端類，將2個聚類中心分別記為尖端和大端的粗定位標記。

(5)針對大端類數(shù)據(jù)，隨機選取大端類數(shù)據(jù)中相距較遠的2個點作為初始聚類中心，進行第2次二分均值聚類，得到大端外凸圓角的2個聚類中心，記為大端外凸角粗定位標記。

(6)進行貼標簽操作，選擇距離尖端類、大端外凸角類粗定位標記最近標簽的連通域，作為精細化后的數(shù)據(jù)域。尖端類數(shù)據(jù)域記為G1，2個外凸圓角特征區(qū)域記為G2、G3。對G1、G2、G3數(shù)據(jù)域坐標分別求均值，記為尖端精定位標記O1、大端的2個外凸圓角的精定位標記O2和O3。

(7)連接尖端精定位標記O1與形心點(xc,yc)，即為玉米籽粒的長軸方向。

(8)由3個精定位標記點O1、O2和O3組成三角形，在頂點O2和O3附近，分別求其鄰邊OkOj上的插值點Pkj，確定兩對插值點。

Pkj=Ok+γΔkj(k=2,3;j=1,2,3;j≠k)

(11)

式中Δkj——邊OkOj向量

γ——比例系數(shù)，γ∈(0,0.4)

在標記點Ok附近，連線兩個插值點對。連接插值點P23和P21，可以確定O2附近的切割線C2，連接大端外角O3附近的插值點對P31和P32，可以確定切割線C3。改變比例系數(shù)γ，使切片厚度不大于允許厚度Tol。

(12)

式中G——大端外凸圓角特征區(qū)標簽連通域Gk內像素點

d′(G,Ck)——點G到切割線Ck的垂直距離

尖頂是玉米籽粒長度方向的最外頂點，被設定為機械手定位的局部坐標系原點，根據(jù)尖頂位置和長軸方向確定機械手夾持玉米籽粒的位姿。激光切片機對單個玉米籽粒按其中任一切割線Ck定位，進行激光切割。

4 試驗與結果分析

螺旋振動給料篩選裝置可以將某一類形狀的玉米籽粒通過振動篩和傳送裝置，以單粒方式送到待切割料平臺上。本試驗設計將大端粗圓形的玉米籽粒篩掉，利用其他視覺識別方法剔除殘缺玉米籽粒，針對完整的扁型玉米籽粒進行切片定位試驗。利用Baumer相機、環(huán)形結構光源、黑色背景，采集單個玉米籽粒圖像，圖像分辨率在300像素×300像素左右。

為對比分析，利用SUSAN算子的7×7圓形窗口在單玉米籽粒圖像上滑動，以小于0.45倍的最大核值相似區(qū)面積(USANi<0.45USANmax)作為條件，檢測特征點結果如圖4所示，其中*為最小核值相似點的標記位置，可以看出，標記位置與玉米籽粒尖端點不存在確定的相關性，不能直接利用USAN像素點面積確定玉米尖頂位置，因此，SUSAN算子不能直接用于尖端、特征區(qū)切片定位。

圖4 USAN檢測特征點標記結果Fig.4 Feature point marking result by using USAN detector

針對單個玉米籽粒圖像，設置比例調整系數(shù)ω為0.02，確定圓形模板尺寸，以相關面積占比β<0.45作為濾波器篩選條件，得到像素點分布區(qū)域，如圖5a所示黑色區(qū)域。圖5b是經(jīng)過貼標簽運算校正后的特征區(qū)圖像。圖5c為校正前后特征區(qū)聚類中心變化對比圖，校正后特征區(qū)精定位標記點為O1、O2和O3。玉米籽粒特征區(qū)、長軸和切割線定位試驗結果如圖6所示。

圖5 貼標簽校正前后目標像素點分布及標記位置變化示意圖Fig.5 Changes of target pixel distribution and marking point positions after labeling operation

圖6 玉米籽粒特征區(qū)、長軸和切割線定位結果Fig.6 Marking results of feature regions, long axis and cutting slices

利用本文方法處理300粒玉米籽粒的有效性可達到98.3%。圖7是不同玉米籽粒的切割線定位結果。可以看出，如果玉米籽粒形狀關于長軸近似對稱，那么計算得出的長軸和大端外角切割線的位置，也關于長軸近似對稱。在圖7g中，玉米籽粒的尖端有明顯的毛刺，使尖端聚類中心標記產(chǎn)生偏移，在圖7h中，玉米籽粒明顯關于長軸不對稱，得到的大端外角切割線位置也不對稱。

圖7 不同玉米籽粒的切割線定位結果Fig.7 Results of positioning cutting lines on different maize seeds

采集圖像中會有玉米籽粒出現(xiàn)陰影的現(xiàn)象，如果直接對圖像做二值化計算，陰影部分會對識別結果造成影響，導致本文方法定位不準確?？梢詫υ紙D像做顏色空間轉換，從RGB轉換到HIS顏色空間，取其中S分量，陰影部分將被消除。由于每次只取單個玉米籽粒進行圖像采集，出現(xiàn)陰影的概率較低，本試驗省去了顏色空間轉換操作。白色玉米籽粒與黑色采像背景使二值化對比效果更加明顯，因此，本文方法對白色玉米籽粒也適用。針對300粒玉米籽粒，不同處理方法性能對比結果如圖8所示。圖中USAN是檢測特征點所用時間曲線，本文方法是精確定位切片所用時間曲線，結果表明本文算法性能優(yōu)于SUSAN。

在執(zhí)行聚類和貼標簽操作時，數(shù)據(jù)集始終介于玉米籽粒范圍，因此，在標記粒型不規(guī)則的玉米籽粒時，即使標記線出現(xiàn)偏移，也仍然位于玉米籽粒內部。對于明顯不對稱或尖端有明顯毛刺的玉米籽粒，本文方法定位的切片位置仍然位于玉米胚乳部分，計算得到的長軸方向，能夠有效引導機械手夾具適度夾緊玉米籽粒。本文省略了傳統(tǒng)的濾波降噪等圖像預處理操作，主要因為基于面積統(tǒng)計的方法可以弱化圖像顆粒噪聲的干擾和影響，適用于生產(chǎn)車間環(huán)境，這種做法也一定程度地節(jié)省了計算時間。

圖8 USAN、本文方法運算時間對比曲線Fig.8 Time cost comparison curves by USAN and proposed method

在Intel?CoreTM2 Quad Q8300 2.53 GHz CPU、Windows系統(tǒng)中，利用Matlab 2014a運算，一般在2 s內給出計算結果，精度可達到亞像素級別，本文方法完全滿足工程需要。

5 結束語

提出了玉米籽粒切片視覺輔助定位方法，設計了相關面積占比濾波器，統(tǒng)計了像素模板內面積占比的特點，通過測量相關面積這一物理量，能夠弱化圖像中平坦區(qū)域內顆粒噪聲以及玉米籽粒邊緣處的不連續(xù)性干擾，使二值化后的結果可直接用于特征區(qū)識別，降低了算法的運算量。利用二均值聚類，能夠有效區(qū)分尖端和大端外凸角，采用貼標簽操作使特征區(qū)標記結果更加準確，可以在2 s內計算出玉米籽粒的切割線位置。