伍鎣芮，張志勇

（山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院，山西太谷030801）

我國是世界上最大的番茄生產(chǎn)國，年產(chǎn)量高達(dá)6 300 萬t，棚室種植是主要的種植方式。棚室番茄普遍采用人工采摘，人工成本費(fèi)用較高，占總生產(chǎn)費(fèi)用的比例約為50%～70%，且人工長時(shí)間工作，會(huì)影響采摘效率。相比于傳統(tǒng)的人工采摘，采用果蔬采摘機(jī)器人進(jìn)行作業(yè)可以降低勞動(dòng)成本、減輕勞動(dòng)強(qiáng)度。果蔬采摘機(jī)器人使用計(jì)算機(jī)視覺技術(shù)，根據(jù)形狀、紋理、顏色等相關(guān)信息將番茄果實(shí)從原始圖像中分割出來，通過控制末端執(zhí)行器完成果實(shí)的采摘任務(wù)。利用計(jì)算機(jī)視覺技術(shù)完成果蔬識(shí)別任務(wù)是保證機(jī)器人精準(zhǔn)作業(yè)的重要前提[1-3]。

目前，國內(nèi)外眾多學(xué)者基于計(jì)算機(jī)視覺技術(shù)開展了對果蔬目標(biāo)識(shí)別的研究。TAO 等[4]提出一種基于點(diǎn)云數(shù)據(jù)的蘋果自動(dòng)識(shí)別算法，融合支撐向量機(jī)能夠分辨蘋果果實(shí)、樹枝和樹葉。JHAWAR[5]提出了一種基于模式識(shí)別的柑橘自動(dòng)識(shí)別方法，能夠判別柑橘果實(shí)的成熟度。YU 等[6]提出了一種基于目標(biāo)區(qū)域卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的草莓識(shí)別算法。鄧立苗等[7]基于MATLAB 建立了一個(gè)批量處理玉米葉片的特征提取與識(shí)別系統(tǒng)，使用了支撐向量機(jī)（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）訓(xùn)練模型并自動(dòng)提取和識(shí)別目標(biāo)物。王茂林等[8]、楊天樂等[9]、馮曉等[10]分別使用圖像識(shí)別技術(shù)識(shí)別水稻、薊馬和小麥。

棚室環(huán)境下，番茄圖像中的果實(shí)部分可能會(huì)出現(xiàn)光斑現(xiàn)象，且棚室內(nèi)棚頂曝光過強(qiáng)，背景較為復(fù)雜，該環(huán)境下識(shí)別番茄果實(shí)目標(biāo)準(zhǔn)確率不高。為提高棚室環(huán)境下番茄果實(shí)目標(biāo)識(shí)別率，本研究分別使用色差法、K-means 算法和DBSCAN（Density-Based Spatial Clustering of Application with Noise）算法對棚室環(huán)境內(nèi)的番茄果實(shí)圖像進(jìn)行分割識(shí)別，分析比較3 種算法的識(shí)別分割效果，為棚室環(huán)境下番茄采摘機(jī)器人準(zhǔn)確識(shí)別番茄果實(shí)提供研究基礎(chǔ)。

1 材料和方法

1.1 圖像采集

本研究所使用的棚室環(huán)境下的番茄圖像拍攝于山西省晉中市太谷區(qū)巨鑫現(xiàn)代農(nóng)業(yè)園區(qū)（經(jīng)度112.48°，緯度 37.39°）。筆記本 CPU型號(hào)為Intelcorei5，內(nèi)存4 G，硬盤容量500 G。拍攝相機(jī)為3D-1MP02-V92，CMOS 型感光元件，拍攝輸出圖像分辨率為2 560 像素×960 像素，拍攝時(shí)候最高幀數(shù)為60 幀，拍攝輸出圖像格式為JPG，支持win 7、win 8、win 10等電腦系統(tǒng)，所用軟件為MATLAB2018B。在棚室環(huán)境內(nèi)采集拍攝圖像時(shí)，盡量保證光照較為合適，減少拍攝鏡頭的抖動(dòng)，攝像機(jī)通過MICROUSB 口連接至計(jì)算機(jī)，便于將拍攝的圖像隨時(shí)保存至本地以供計(jì)算機(jī)處理。本試驗(yàn)共拍攝棚室環(huán)境下番茄原始圖像60 張，隨機(jī)選擇的2 個(gè)樣本的番茄果實(shí)圖像如圖1 所示。

1.2 研究方法

1.2.1 色差法 色差法利用圖像色域信息不同識(shí)別圖像目標(biāo)區(qū)域，亦是區(qū)分目標(biāo)與背景最為直觀的方式。在棚室環(huán)境內(nèi)，成熟的番茄果實(shí)與背景內(nèi)的莖稈、枝葉等顏色相差較大，因此，利用番茄果實(shí)與背景在色域上的差異性來提取目標(biāo)果實(shí)具有較高的可行性。色差法通?；赗GB 模型進(jìn)行分析，RGB 是由紅（R）、綠（G）、藍(lán)色（B）三原色混合疊加的顏色模型。

1.2.2 DBSCAN 算法 DBSCAN 算法是一種新型的基于密度的聚類算法，常應(yīng)用于數(shù)據(jù)挖掘[11]、圖像分割[12]、供應(yīng)商優(yōu)化[13]、空間聚類[14-16]等。其原理是找出輸入數(shù)據(jù)集中密度最高的部分區(qū)域劃分為一個(gè)聚類簇。DBSCAN 需設(shè)置2 個(gè)參數(shù)：領(lǐng)域半徑R 和最少點(diǎn)數(shù)目MP（min points）。輸入的數(shù)據(jù)點(diǎn)完成聚類后共有3 類標(biāo)簽：核心點(diǎn)、邊緣點(diǎn)和噪聲點(diǎn)。核心點(diǎn)是領(lǐng)域半徑R 內(nèi)的數(shù)據(jù)點(diǎn)數(shù)量大于等于最少點(diǎn)數(shù)目MP 的點(diǎn)，同一簇內(nèi)不屬于核心點(diǎn)的數(shù)據(jù)點(diǎn)稱為邊緣點(diǎn)，不屬于上述2 類點(diǎn)的數(shù)據(jù)點(diǎn)稱為噪聲點(diǎn)。算法迭代完成后將圖像中的目標(biāo)區(qū)域與背景區(qū)域分割。

1.2.3 K-means 算法 K-means 是一種常見的基于歐氏距離的幾何聚類算法。常用于數(shù)據(jù)的聚類劃分[17-20]、模型的參數(shù)評價(jià)[21]等。該算法的思想將待聚類的數(shù)據(jù)劃分為K 組，先隨機(jī)選擇K 個(gè)點(diǎn)作為聚類初始的中心，依次計(jì)算所有數(shù)據(jù)點(diǎn)到這K 個(gè)中心點(diǎn)的距離，將所有距離中心點(diǎn)最近的點(diǎn)劃分為一個(gè)聚類簇，然后在簇內(nèi)取所有同簇點(diǎn)的幾何均值中心，作為新的聚類中心，重復(fù)上述步驟直到所有數(shù)據(jù)點(diǎn)的分不再發(fā)生改變或者達(dá)到最大迭代次數(shù)。此時(shí)所有數(shù)據(jù)點(diǎn)均完成聚類劃分，實(shí)現(xiàn)對目標(biāo)與背景的分割。DBSCAN 算法和K-means 算法基于HSV色域模型進(jìn)行分析。

2 結(jié)果與分析

2.1 基于色差法識(shí)別番茄果實(shí)圖像

棚室內(nèi)采集的原始圖像存儲(chǔ)格式為JPG，默認(rèn)使用RGB 顏色模型。將拍攝的60 幅圖像分為10 組，每組6 張。樣本1 和樣本2 的番茄原始圖像與RGB三原色如圖2 所示。

統(tǒng)計(jì)每組圖像的R 和G 分量信息，結(jié)果如表1所示。從表1 可以看出，原始圖像的R 與G 分量之間的差值比其他分量之間的差值更大，R-G 的平均值接近100，可選取合適的閾值T 來區(qū)分番茄果實(shí)與背景。

表1 樣本番茄分量統(tǒng)計(jì)情況

棚室環(huán)境下，由于曝光較強(qiáng)會(huì)在番茄果實(shí)上形成光斑，經(jīng)過多次試驗(yàn)調(diào)節(jié)，設(shè)置閾值T 為120，2 幅番茄果實(shí)圖像的R-G 與R-G 閾值分割識(shí)別效果分別如圖3、4 所示。由分割圖可知，色差法能成功將果實(shí)區(qū)域與背景分離，但對光斑較為敏感，造成果實(shí)識(shí)別形狀不完整。

2.2 基于DBSCAN 算法識(shí)別番茄果實(shí)圖像

DBSCAN 算法通常基于HSV 進(jìn)行分析，原始圖像在HSV 色域模型下成像效果如圖5 所示，HSV 色域模型的H 分量直方分布如圖6 所示。

由圖6 可知，HSV 模型的H 分量有明顯的雙峰，設(shè)置DBSCANS 算法密度半徑R 為10，最少點(diǎn)數(shù)量MP 為5，使用該算法對番茄果實(shí)圖像的H 分量聚類的識(shí)別效果如圖7 所示。從圖7 可以看出，DBSCAN 算法對光斑和背景噪音的抑制能力較好，果實(shí)形狀完整且與背景分割效果明顯。

2.3 基于K-means 算法識(shí)別番茄果實(shí)圖像

K-means 算法也以HSV 色域模型中H 分量為試驗(yàn)對象，設(shè)置聚類簇?cái)?shù)為5，識(shí)別結(jié)果如圖8 所示。由圖8 可知，K-means 算法識(shí)別果實(shí)形狀完整，無明顯光斑，但是對棚室背景噪音的魯棒性不強(qiáng)。

使用3 種算法對10 組番茄圖像進(jìn)行分割試驗(yàn)的信噪比和平均耗時(shí)結(jié)果如表2 所示。

由表2 可知，3 種算法中DBSCAN 算法的平均耗時(shí)最短，約為292 ms，對比色差法的503 ms 和K-means 算法的591 ms 有較大提升。且DBSCAN算法的信噪比最高，為95.2%，高于其他2 種算法。

表2 3 種算法的試驗(yàn)結(jié)果

3 結(jié)論

本研究分別使用色差法、K-means 算法和DBSCAN 算法對番茄圖像進(jìn)行分割識(shí)別。色差法識(shí)別番茄果實(shí)圖像原理較為簡單，但對棚室環(huán)境下番茄果實(shí)圖像出現(xiàn)的光斑問題較為敏感，識(shí)別番茄果實(shí)形狀不完整；使用K-means 算法識(shí)別番茄果實(shí)圖像時(shí)對果實(shí)區(qū)域識(shí)別效果較好，但對原圖像中的邊緣噪聲以及棚室頂部的曝光噪聲較為敏感，信噪比較低，受棚室環(huán)境的影響較大；使用DBSCAN 算法識(shí)別番茄果實(shí)圖像時(shí)運(yùn)行時(shí)間短，且對背景中的噪聲抑制效果最佳，分割效果最好。棚室環(huán)境下使用DBSCAN 算法識(shí)別番茄果實(shí)圖像能滿足實(shí)際的采摘需要，為番茄自動(dòng)采摘機(jī)器人的研發(fā)提供了一定的理論基礎(chǔ)。