白云龍，傅彬，史振華，王健

(紹興職業(yè)技術(shù)學(xué)院，浙江紹興，312000)

0 引言

為了適應(yīng)精準(zhǔn)農(nóng)業(yè)的生產(chǎn)作業(yè)需求，具有自主導(dǎo)航功能的農(nóng)業(yè)機(jī)械裝備成為當(dāng)前的研究重點，在農(nóng)作物種植、除草和收割等領(lǐng)域具有廣闊的應(yīng)用前景。目前，插秧機(jī)器人的導(dǎo)航方式主要有GPS導(dǎo)航[1]、激光導(dǎo)航[2]和機(jī)器視覺導(dǎo)航[3]等。對比GPS和激光導(dǎo)航方式，機(jī)器視覺憑借其靈活、高效、實時性好、魯棒性強(qiáng)、精準(zhǔn)的局部識別和獲取信息完整等優(yōu)點，成為插秧機(jī)器人主要的導(dǎo)航方式。其中，導(dǎo)航路徑的準(zhǔn)確識別是實現(xiàn)水稻插秧機(jī)器人自主導(dǎo)航的關(guān)鍵技術(shù)之一[4]。

在水稻種植過程中，路徑識別系統(tǒng)采集的圖像容易受到光照、雜草和翻土等因素的影響，導(dǎo)致系統(tǒng)在判別導(dǎo)航路徑的過程中易出現(xiàn)魯棒性變差的現(xiàn)象，并且農(nóng)田工作環(huán)境復(fù)雜多變使得數(shù)據(jù)計算量增加，最終導(dǎo)致系統(tǒng)的實時性、穩(wěn)定性和高效性降低。李俊霞等[4]提出利用視覺同步定位與建圖(SLAM)的方式完成農(nóng)業(yè)車輛的導(dǎo)航，系統(tǒng)可以實現(xiàn)自動規(guī)避障礙物并回歸原始路徑的功能，但由于導(dǎo)航路徑標(biāo)識符難以布置，導(dǎo)致最終檢測精度和效率難以滿足實際需求。李秀智等[5]在對采集圖像預(yù)處理后，對壟行邊緣中的特征點進(jìn)行識別和聚類，利用RANSAC算法提出離群特征點，最終使用最小二乘法對最優(yōu)特征點集進(jìn)行直線擬合，但存在容易受到光照不均的干擾及剔除特征點閾值難以確定的問題。郭翰林等[6]利用HSV顏色空間的S分量對采集圖像進(jìn)行灰度化處理，并引入修正因子調(diào)整圖像分割閾值，利用動態(tài)掃描圖像方式獲取路徑特征點，通過Hough變換擬合導(dǎo)航路徑，該方法可以適應(yīng)不同生長期的植株特征和不同大小的株間空隙，但系統(tǒng)易受雜草干擾且修正因子無法隨著采集圖像的變換而改變。標(biāo)記分水嶺算法可以抑制圖像噪聲，避免過分割現(xiàn)象，準(zhǔn)確獲取前景物體的邊緣[7-8]。

為了提高導(dǎo)航路徑的檢測精度和識別速度，本文提出一種基于標(biāo)記分水嶺算法的插秧機(jī)器人導(dǎo)航路徑檢測方法。在對圖像進(jìn)行預(yù)處理之后，利用標(biāo)記分水嶺算法對圖像進(jìn)行分割，隨后確定目標(biāo)苗列和目標(biāo)田埂線，然后使用均值法獲取導(dǎo)航路徑特征點集，最后利用最小二乘法對特征點進(jìn)行擬合并獲得插秧機(jī)器人的導(dǎo)航路徑。

1 圖像采集與預(yù)處理

1.1 圖像采集

本文以浙江省紹興市楓橋鎮(zhèn)水稻種植園為研究區(qū)域，試驗時間為2020年6月晚稻種植期，以插秧機(jī)器人為系統(tǒng)承載平臺，采用單攝像頭采集圖像的方式，攝像頭型號為索尼IMX322，安裝在農(nóng)機(jī)前方距地面上方0.8 m處，向下傾斜10°。插秧機(jī)開始工作時，需要根據(jù)目標(biāo)田埂線進(jìn)行作業(yè)，車輛在田頭回轉(zhuǎn)后，需要根據(jù)目標(biāo)秧苗列線進(jìn)行插秧。系統(tǒng)共采集30幅大小為327像素×338像素的試驗圖像，試驗針對目標(biāo)田埂和目標(biāo)秧苗列分別提取一幅圖像作為研究對象，如圖1所示。

(a) 圖目標(biāo)秧苗列

(b) 目標(biāo)田埂圖1 原始圖像Fig. 1 Original image

1.2 圖像預(yù)處理

在系統(tǒng)識別導(dǎo)航路徑的過程中，需要對采集的原始圖像進(jìn)行預(yù)處理操作，進(jìn)而增強(qiáng)目標(biāo)苗列和田埂的可檢測性，提高圖像分割的可靠性。本文通過對采集的原始圖像進(jìn)行預(yù)處理，提高圖像質(zhì)量，降低干擾信息對試驗結(jié)果的影響，處理步驟主要分為灰度化處理、直方圖均衡化和中值濾波。文獻(xiàn)[9]表明秧苗RGB圖像中G的分量要大于B分量和R分量，所以可以使用超綠色灰度法對目標(biāo)苗列與背景進(jìn)行準(zhǔn)確分離，其公式如式(1)所示。而人眼對綠色敏感度要高于藍(lán)色，因此對目標(biāo)田埂RGB圖像進(jìn)行加權(quán)平均值灰度法可以得到較為合理的灰度圖像，其公式如式(2)所示。

(1)

Fg(i,j)=0.299×R(i,j)+0.587×G(i,j)+

0.114×B(i,j)

(2)

式中：I——灰度圖像的亮度值；

Fg(i，j)——圖像像素值；

R、G、B——紅、綠、藍(lán)顏色分量。

由于光照不均勻造成采集圖像存在局部不清晰的問題，所以通過直方圖均衡化可以改變圖像中各個像素的灰度，增加像素之間灰度值的動態(tài)范圍，從整體上改變圖像的對比度[10]。受到圖像采集設(shè)備和農(nóng)田復(fù)雜環(huán)境的噪聲干擾，采集圖像存在邊緣模糊和和黑白雜點的問題，所以通過中值濾波法去除噪聲點[11]，可以進(jìn)一步提高導(dǎo)航路徑識別精度。圖2為圖像預(yù)處理結(jié)果圖。

(a) 灰度化處理

(b) 直方圖均衡化

(c) 中值濾波圖2 圖像預(yù)處理Fig. 2 Image preprocessing

2 算法設(shè)計及特征點提取

2.1 基于標(biāo)記分水嶺的圖像分割

2.1.1 傳統(tǒng)分水嶺算法

分水嶺分割算法屬于基于區(qū)域的圖像分割算法，主要是將采集圖像按照地形學(xué)的思維轉(zhuǎn)換成一個三維立體表面，整體表面主要分為集水盆地、山脊和山坡。圖像中每個像素點的灰度值表示這個點的海拔高度，每個灰度值極小點及其影響區(qū)域構(gòu)成一個個集水盆地?；叶戎底兓秶^大的位置對應(yīng)著圖像的邊緣，也被稱為山脊。從灰度值極小點向山脊處變化的灰度值范圍，稱為山坡[12]。

利用分水嶺分割算法分割圖像的過程被稱為“模擬浸水”。水流從集水盆地的最低點開始向高處浸溢并在山脊處修筑大壩，隨著水位不斷地增高，每個集水盆將會被填滿，而筑起的大壩就是分水嶺算法的分割線。當(dāng)圖像所有區(qū)域都被水流浸滿后，算法停止運(yùn)行，被大壩分割出的集水盆就是要分割的圖像區(qū)域。使用分水嶺算法處理稻田圖像時，由于受到翻土、光照不均和量化誤差等因素的影響，一幅稻田圖像存在多個局部極值，一個灰度值均勻的區(qū)域也往往會被分割出多個集水盆，產(chǎn)生大量虛假分割線，造成過度分割的現(xiàn)象。

2.1.2 標(biāo)記分水嶺算法

基于標(biāo)記的分水嶺算法能夠有效抑制過分割的現(xiàn)象[13]，算法根據(jù)目標(biāo)邊界處梯度值高和內(nèi)部梯度值低的特點計算梯度幅值，利用基于重構(gòu)的開閉運(yùn)算去除突刺并保留目標(biāo)整體形狀；在計算圖像局部最大值后，利用閉運(yùn)算和腐蝕操作清理標(biāo)記斑點的邊緣，以獲得良好的前景標(biāo)記；圖像經(jīng)過閾值化運(yùn)算后，為了避免背景標(biāo)記過分靠近目標(biāo)邊緣，通過距離變換操作獲得最適的背景標(biāo)記；使用前景標(biāo)記和背景標(biāo)記修正稻田梯度圖像，將標(biāo)記處強(qiáng)制應(yīng)用為灰度圖的局部最小值，并通過設(shè)定閾值t過濾掉最小值深度Hmin小于t的局部區(qū)域；最后，利用分水嶺算法處理圖像以獲得最優(yōu)的識別目標(biāo)分割圖像。標(biāo)記分水嶺算法流程圖如圖3所示。局部稻田圖像經(jīng)過二值化處理后的垂直投影曲線圖如圖4所示。

圖3 標(biāo)記分水嶺算法流程圖Fig. 3 Flowchart of marking watershed algorithm

從圖4可以看出，秧苗列所在位置為投影曲線的峰值，投影曲線隨著秧苗列到土壤背景向下轉(zhuǎn)變，隨著土壤背景到秧苗列向上轉(zhuǎn)變，所以在分割秧苗列圖像時最小深度閾值tm設(shè)定為8。而在分割目標(biāo)田埂的圖像的過程中，由于目標(biāo)田埂的灰度值遠(yuǎn)小于秧苗的灰度值，所以可以先剔除高灰度值的秧苗列，保留圖像像素值在100～140的目標(biāo)田埂，最終分割田埂的最小深度閾值tg設(shè)定為32。

在標(biāo)記分水嶺算法的運(yùn)行過程中，用M1,M2…，Mi表示稻田灰度圖像f(x，y)的極小值標(biāo)記區(qū)域，其中(x,y)∈Mi(i=1,2…,R)。Mi區(qū)域最小點集。Dmin表示f(x，y)的最小值，Dmax表示f(x，y)的最大值，C(Mi)為與Mi區(qū)域相鄰的集水盆地點集，T(n)={(x,y)|f(x,y)

圖4 垂直投影曲線圖Fig. 4 Vertical projection curve

算法運(yùn)行步驟如下。

1) 初始化f(x，y)、Dmin和Dmax。

2) 設(shè)定C(Mi)和T(n)。

3)Cn(Mi)采集多個集水盆地區(qū)域內(nèi)的坐標(biāo)點，并在區(qū)域間建立分界線。

4) 當(dāng)f(x,y)>n時，返回步驟(2)，否則結(jié)束。

2.1.3 圖像分割結(jié)果

根據(jù)已得到的內(nèi)部標(biāo)識、外部標(biāo)識和最小深度閾值t對稻田灰度圖像進(jìn)行分割處理，使得灰度圖像的局部最小值出現(xiàn)在標(biāo)記處，應(yīng)用標(biāo)記分水嶺算法得到的分割結(jié)果如圖5(a)所示。為了驗證標(biāo)記分水嶺算法在分割秧苗和田埂過程中的優(yōu)越性，本文對比了傳統(tǒng)分水嶺算法和區(qū)域生長法[14]的分割效果，分割效果圖如圖5(b)和圖5(c)所示。文獻(xiàn)[13]認(rèn)為圖像預(yù)處理和分割會造成分割目標(biāo)邊緣出現(xiàn)偏移和失真的現(xiàn)象，可以通過分析分割目標(biāo)和原圖像對應(yīng)像素點位置的匹配度，判斷不同處理算法的分割精度，其計算公式如式(3)、式(4)所示，得到不同方法的圖像分割精度如表1所示。

Px=Pn/Pr

(3)

Py=Pn/Pz

(4)

式中：Pr——人工提取識別目標(biāo)的像素點集，秧苗列的值為67 045，田埂的值為57 642；

Px——位置匹配度；

Pn——利用分割算法得到的識別目標(biāo)像素點值與Pr進(jìn)行或運(yùn)算后非0像素點集；

Pz——識別目標(biāo)像素點值；

Py——圖像分割精度。

(a) 標(biāo)記分水嶺法

(b) 傳統(tǒng)分水嶺法

(c) 區(qū)域生長法圖5 不同方法的圖像分割結(jié)果Fig. 5 Image segmentation results of different methods

表1 不同算法的圖像分割精度Tab. 1 Image segmentation accuracy of different methods

從圖5(b)中可以看出利用傳統(tǒng)分水嶺法分割圖像對分割邊緣敏感，存在點狀噪聲點干擾現(xiàn)象，且對灰度值變化較小的局部區(qū)域產(chǎn)生了過分割現(xiàn)象，無法準(zhǔn)確分割目標(biāo)秧苗和目標(biāo)田埂。從圖5(c)中可以看出利用區(qū)域生長法分割圖像的分割效果具有較好的邊緣特性，但無法有效降低噪聲點對分割圖像的影響，且分割精度有待提高。從圖5(a)可以看出利用標(biāo)記分水嶺法可以準(zhǔn)確分割出秧苗列和田埂，圖像噪聲點最少，有利于后續(xù)特征點提取和導(dǎo)航路徑直線擬合。由表1可知，使用標(biāo)記分水嶺算法分割圖像的匹配度和精度最高，其中秧苗列的結(jié)果為95.47%、94.55%，田埂的結(jié)果為96.54%、94.15%，表明本文算法在增強(qiáng)圖像邊緣的同時，又可以避免干擾識別目標(biāo)區(qū)域的精確度。

2.2 特征點提取

采集圖像經(jīng)過圖像預(yù)處理和分割后僅保留識別目標(biāo)和背景區(qū)域，特征點的提取是插秧機(jī)導(dǎo)航路徑擬合的必要條件。根據(jù)秧苗和田埂所在位置的區(qū)域特征，檢測分割圖像的白點數(shù)量，白點代表特征點的出現(xiàn)位置，黑點代表圖像背景。另外，由于導(dǎo)航路徑一般選擇具有最長線的秧苗，所以本文在提取目標(biāo)秧苗列特征點的過程中選擇圖像中心1/3區(qū)域作為處理窗口，不但保證秧苗列線最長，而且可以提高導(dǎo)航路徑檢測的效率。特征點提取步驟如下。

1) 建立分割圖像大小的空矩陣Z，記為X行、Y列。

2) 賦值臨時變量a=0、b=0，圖像像素點坐標(biāo)(i，j)為(0，0)。

3) 以圖像左上角為初始點，由上至下、由左至右逐行掃描，若坐標(biāo)(i，j)的像素值為255，則a++、b=a/2，其中a代表此行的白點數(shù)。

4) 再次掃描步驟3的行，若坐標(biāo)(i，j)的像素值為255，則b--，直至b=0，將此時坐標(biāo)點的像素值設(shè)定為0并存入矩陣Z中。

5) 掃描至X行、Y列的坐標(biāo)點結(jié)束，否則返回步驟2。

將矩陣Z中的像素點值置入分割圖像中，提取特征點如圖6所示。

圖6 特征點提取圖Fig. 6 Feature point extraction diagram

其中，為了提高特征點的可視性，本文將黑色像素點標(biāo)紅，目標(biāo)秧苗列和田埂中的紅色點表示特征點的平均位置，由于識別目標(biāo)分布不均勻和受噪聲干擾的影響，導(dǎo)致局部提取特征點存在偏差，但是并不影響最終的導(dǎo)航路徑擬合。

2.3 檢測流程

在農(nóng)田環(huán)境中，由于干擾因素較多，需要對采集圖像進(jìn)行預(yù)處理以使識別目標(biāo)突出。使用標(biāo)記分水嶺算法分割圖像不但可以有效分割識別目標(biāo)區(qū)域，而且可以避免過分割的現(xiàn)象。在利用均值法提取導(dǎo)航路徑特征點之后，選用最小二乘法擬合導(dǎo)航路徑直線，可以降低路徑檢測不完整的現(xiàn)象，最終系統(tǒng)生成導(dǎo)航路徑信息。導(dǎo)航路徑檢測流程如圖7所示。

圖7 導(dǎo)航路徑檢測流程Fig. 7 Navigation path detection process

3 結(jié)果與分析

為了驗證標(biāo)記分水嶺圖像分割算法的有效性，利用最小二乘法分別對不同圖像分割方法得到的圖像特征點進(jìn)行直線擬合，進(jìn)而構(gòu)建插秧機(jī)器人的導(dǎo)航路徑，并從中提取10個關(guān)鍵點計算誤差值。1/3處理窗口目標(biāo)秧苗列的圖像尺寸為109像素×282像素，目標(biāo)田埂的圖像尺寸為327像素×338像素。導(dǎo)航路徑檢測對比圖如圖8所示，檢測結(jié)果如表2所示。

(a) 傳統(tǒng)分水嶺方法

(b) 區(qū)域生長方法

(c) 標(biāo)記分水嶺方法圖8 導(dǎo)航路徑檢測對比Fig. 8 Comparison of navigation path detection

表2 導(dǎo)航路徑檢測結(jié)果Tab. 2 Navigation path detection results

由圖8(a)可見，由于傳統(tǒng)分水嶺算法的分割圖像存在太多噪聲污染，導(dǎo)致利用最小二乘法擬合直線的過程中存在局部直線擬合現(xiàn)象，使得導(dǎo)航路徑是由多條擬合直線疊加形成，無法滿足插秧機(jī)器人視覺導(dǎo)航的需求。由圖8(b)可見，區(qū)域生長法分割圖像的擬合直線效果較好，但是由于識別目標(biāo)分割不徹底，導(dǎo)致局部擬合直線出現(xiàn)偏離中心路徑的現(xiàn)象。由圖8(c)可見，標(biāo)記分水嶺分割圖像的擬合直線效果最好，少量噪聲點未對最終的導(dǎo)航路徑產(chǎn)生影響。同時由表2可知，標(biāo)記分水嶺法相比傳統(tǒng)分水嶺法和區(qū)域生長法，秧苗列和田埂導(dǎo)航路徑的像素平均誤差值最小，決定系數(shù)R2最接近1，檢測精準(zhǔn)度最高，分別達(dá)到93.4%和96.6%,，雖然處理時間略長，但是仍然具有實時性。

4 結(jié)論

針對稻田作業(yè)下的視覺導(dǎo)航插秧機(jī)器人，為解決插秧機(jī)器人導(dǎo)航路徑受光照、雜草和翻土等干擾因素的影響，提出利用標(biāo)記分水嶺算法分割目標(biāo)秧苗列和目標(biāo)田埂的解決辦法，進(jìn)一步提高導(dǎo)航路徑檢測的準(zhǔn)確性。利用灰度化處理、直方圖均衡化和中值濾波對采集圖像進(jìn)行預(yù)處理，使用標(biāo)記分水嶺算法對識別目標(biāo)進(jìn)行圖像分割，并通過均值法采集導(dǎo)航路徑特征點集，最后經(jīng)最小二乘法將特征點擬合成導(dǎo)航路徑。

1) 在復(fù)雜的水稻種植環(huán)境中，對采集圖像進(jìn)行預(yù)處理操作，可以進(jìn)一步增強(qiáng)圖像對比度，減少環(huán)境噪聲對導(dǎo)航路徑檢測的干擾。

2) 相比傳統(tǒng)分水嶺法和區(qū)域生長法，利用標(biāo)記分水嶺法分割圖像的分割精度和圖像匹配度最高，其中秧苗列的結(jié)果為94.55%、95.47%，田埂的結(jié)果為94.15%、96.54%，圖像噪聲點最少，有利于后續(xù)特征點提取和導(dǎo)航路徑直線擬合。

3) 在導(dǎo)航路徑擬合的過程中，標(biāo)記分水嶺法相比傳統(tǒng)分水嶺法和區(qū)域生長法，秧苗列和田埂導(dǎo)航路徑的像素平均誤差值最小，決定系數(shù)R2最接近1，檢測精準(zhǔn)度最高，分別達(dá)到93.4%和96.6%，雖然處理時間略長，但是仍然具有實時性，表明本文方法能夠較為準(zhǔn)確檢測插秧機(jī)器人的導(dǎo)航路徑。