崔明 陳仕雄 李民濤

摘要：針對草莓花朵識別算法的研究，對于草莓的生長信息監(jiān)測、智能施肥和智能授粉等具有非常重要的意義。本文針對草莓圖像特點，采用改進K均值聚類方法完成圖像的分割，并利用形態(tài)學處理和連通區(qū)域特征分析提取花朵區(qū)域目標。實驗結果表明，該方法能夠準確完成草莓的花朵識別。

關鍵詞：草莓花朵;K均值聚類;連通區(qū)域

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2019）12-0109-03

0 引言

隨著機器視覺和計算機技術的成熟，圖像處理技術已經(jīng)越來越廣泛的應用于農(nóng)作物生長監(jiān)測中。目前國內(nèi)外關于農(nóng)作物生長監(jiān)測研究取得了很多的進展。Meyer和Davison利用圖像處理技術采集單株植物在不同生長階段的生長信息并建立植物生長模型。ZENG等提出一種基于機器視覺技術的葡萄果實直徑檢測系統(tǒng)，該系統(tǒng)實現(xiàn)了重復精度±7um果實的直徑測量，為更好地檢測植物生長參數(shù)提供了有效的工具。李長纓等人利用圖像處理技術實現(xiàn)了單株黃瓜幼苗特征參數(shù)的無損測量，實驗結果表明，檢測方法能準確的檢測株高、莖粗和葉冠投影面積等特征信息。

隨著草莓智能栽培技術的快速發(fā)展，草莓的施肥、授粉等技術已經(jīng)開始向機械化、智能化方向發(fā)展。本文針對草莓生長的智能化監(jiān)測問題，利用圖像處理技術對草莓花朵識別技術進行研究，并提出了相關的檢測算法，為草莓的生長監(jiān)測、智能施肥和智能授粉等提供理論和技術支持。

1 系統(tǒng)構成

考慮到草莓監(jiān)測環(huán)境的特殊性，草莓花朵檢測系統(tǒng)主要包括攝像頭、圖像處理控制器和運動控制設備，檢測系統(tǒng)在自然光線下工作。

（1）攝像頭和鏡頭。攝像頭負責草莓圖像信息的采集，主要依據(jù)檢測精度、視野尺寸進行選擇。鏡頭參數(shù)主要是焦距，其選擇主要依據(jù)工作距離進行確定。

（2）圖像處理控制器。圖像處理控制器負責接收攝像頭采集到的圖像并進行處理分析，是檢測系統(tǒng)的中樞機構，圖像處理控制器的性能直接決定圖像處理速度。

（3）運動控制設備。由于相機視野范圍有限，需要運動控制設備負責檢測系統(tǒng)的整體運動，運動控制設備主要包括控制器、導軌、電機、電機驅(qū)動器等構件。

2 圖像檢測算法

圖像檢測算法是檢測系統(tǒng)的核心。針對圖像特點，圖像處理過程主要包括R顏色空間圖像提取、圖像濾波、改進K均值聚類分割、形態(tài)學處理、連通區(qū)域特征分析等步驟，具體圖像檢測流程如圖1所示。

2.1 圖像采集及預處理

圖像采集是圖像處理的前提，草莓圖像采集后，為了提高圖像處理速度和算法的自適應性，針對草莓圖像特點，提取圖像的R空間顏色特征分量，進行高斯濾波處理，高斯模板通過對二維高斯函數(shù)的離散化表示，對于一個大小為的矩陣，其位置的元素表示為：

（1）

其中為高斯函數(shù)標準差，高斯濾波模板大小為，檢測結果如圖2所示。

2.2 圖像分割

針對圖像特點，本文利用改進K均值聚類分割算法對圖像進行分割，形成分割區(qū)域，具體聚類分割算法可以描述如下。

Step1：首先將樣本圖像灰度值轉換為尺寸大小為的一維樣本數(shù)據(jù)集，其中樣本圖像像素個數(shù)，設迭代運算次數(shù)為且聚類類型為時的聚類中心為，從數(shù)據(jù)集中隨機選取一個樣本對象作為初始聚類中心。

計算每個樣本與已有聚類中心的最短距離 ，其中為數(shù)據(jù)集中的第個樣本;接著計算每個樣本對象被選為下一個聚類中心的概率：

（2）

按照輪盤法選擇下一個聚類中心重復步驟直到選擇出個對象組成初始聚類中心，具體的，聚類中心個數(shù)。

Step2：迭代計算：根據(jù)相似度準則計算樣本數(shù)據(jù)集中每個樣本與初始聚類中的距離 k，如下式（5）所示，將各個數(shù)據(jù)對象劃分到距離最小的聚類集合簇中，則：

（3）

Step3：聚類中心更新：按照聚類中心更新公式計算各聚類集合中的均值作為該集合新的聚類中心，更新得到新的聚類集合中心，設為聚類的元素，聚類的元素個數(shù)為，聚類中心更新公式如式（6）所示：

（4）

Step4：終止條件：循環(huán)更新聚類集合中心，直到各聚類中心不再發(fā)生變化或者誤差平方和局部最小為止，聚類準則函數(shù)計算方法為：

（5）

精度誤差為，若，則算法結束，終止迭代，否則反復執(zhí)行迭代計算和聚類中心直至滿足終止條件，圖像分割結果如圖3所示。

2.3 形態(tài)學處理

經(jīng)過圖像分割得到的區(qū)域還存在很多的噪聲干擾信息，為了祛除噪聲區(qū)域，利用形態(tài)學處理算法對分割區(qū)域進行處理，設表示圖像矩陣，表示結構元素，形態(tài)學處理方法如下式所示：

（6）

采用尺寸為的矩形結構元素對聚類分割區(qū)域進行開操作，圖像處理結果如圖4所示。

2.4 連通區(qū)域特征分析

經(jīng)過形態(tài)學處理后，細小的噪聲干擾區(qū)域已經(jīng)祛除?？紤]到草莓花朵的實際大小，需要進一步祛除非目標區(qū)域。本文將灰度一致，且滿足8鄰接的像素判定為相同區(qū)域，通過連通區(qū)域面積特征，過濾噪聲干擾區(qū)域，根據(jù)如下公式提取出像素面積在的區(qū)域，

（7）

其中和分別為面積像素的參數(shù)下限值和上限值，圖像處理結果如圖5所示。

3 結果分析

為了驗證算法的實現(xiàn)效果，本文利用C#完成了上述算法的實現(xiàn)。實驗運行環(huán)境CPU為Inter Core i7-3517UE CPU2.20GHz，內(nèi)存為8GB，檢測界面如圖6所示。結果表明，檢測算法能夠?qū)崿F(xiàn)草莓花朵的精確檢測，并能顯示花朵區(qū)域像素面積。

4 結論

本文針對草莓花朵識別算法進行研究，提出了一種基于R顏色空間的改進K均值草莓花朵分割算法，并利用形態(tài)學處理和連通區(qū)域特征分析完成目標區(qū)域的選擇定位，實現(xiàn)了草莓花朵的檢測識別，為草莓生長信息監(jiān)測提供理論與技術支持。

參考文獻

[1] 王禮.基于圖像的觀賞植物識別與系統(tǒng)研發(fā)[D].浙江農(nóng)林大學，2018.

[2] 王禮，方陸明，陳珣，等.基于Lab顏色空間的花朵圖像分割算法[J].浙江萬里學院學報，2018，31（03）：67-73.

[3] 劉浩洲，陳禮鵬，穆龍濤，等.基于K-means聚類的獼猴桃花朵識別方法[J].農(nóng)機化研究，2020（2）：22-26.

[4] 樊俊.面向杭白菊采摘機器人的目標識別定位系統(tǒng)研究[D].浙江工業(yè)大學，2016.

[5] 鄭玉龍，趙明.基于深度學習的自然環(huán)境下花朵識別[J].計算技術與自動化，2019（2）：114-118.

Research on Strawberry Flower Recognition Algorithm Based on Image Processing

CUI Ming，CHEN Shi-xiong，LI Min-tao

（Jiangsu Vocational College of? Agriculture and Forestry， Zhenjiang? Jiangsu? 212400）

Abstract：The research of strawberry flower recognition algorithm is very important for Strawberry Growth information monitoring， intelligent fertilization and intelligent pollination. According to the characteristics of strawberry image， the improved k-means clustering method is used to segment the image， and the flower region target is extracted by morphological processing and connected region feature analysis. The experimental results show that this method can complete flower recognition of strawberry accurately.

Key words：strawberry flower; K-means clustering; connected region