劉雙喜 劉印增 胡安瑞,3 張正輝 王 恒 李軍賢

(1.山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院，泰安 271018；2.山東省農(nóng)業(yè)裝備智能化工程實(shí)驗(yàn)室，泰安 271018；3.山東省園藝機(jī)械與裝備重點(diǎn)實(shí)驗(yàn)室，泰安 271018)

0 引言

水稻的種植方式分為插秧和直播，其中水稻直播指不進(jìn)行育秧、移栽而直接將種子播于大田的一種栽培方式。近10年來(lái)，直播稻種植面積在我國(guó)水稻種植總面積中的占比從8%增長(zhǎng)到27%。直播相較于插秧的種植方式，不僅能簡(jiǎn)化種植過(guò)程、提高播種速度，而且更符合未來(lái)水稻生產(chǎn)輕型化、專業(yè)化、規(guī)?；陌l(fā)展要求，具有廣闊的發(fā)展前景。隨著水稻直播面積逐年增加，雜草稻的危害逐漸顯現(xiàn)出來(lái)，其出苗早、生長(zhǎng)快，與栽培稻爭(zhēng)奪陽(yáng)光、養(yǎng)分、水分和生長(zhǎng)空間，危害極大。若播種時(shí)栽培稻種子中混有雜草稻種子，則雜草稻會(huì)和栽培稻一起生長(zhǎng)，若雜草稻面積超過(guò)40%，水稻成熟期會(huì)被雜草稻覆蓋，給農(nóng)業(yè)生產(chǎn)造成重大的經(jīng)濟(jì)損失。因此，防止雜草稻種子進(jìn)入水稻的生長(zhǎng)環(huán)節(jié)，對(duì)提高栽培稻種子質(zhì)量尤為重要。

目前，主要采用振動(dòng)篩篩選水稻種子，此方法可以去除稻殼、癟種等雜質(zhì)，但很難將雜草稻種子篩出。與栽培稻種子相比，雜草稻種子與栽培稻種子在外觀形態(tài)與色彩方面均存在一定差別。若采用人工篩選雜草稻種子，勞動(dòng)強(qiáng)度大，且極易受到主觀影響，造成誤篩選的情況，有時(shí)還會(huì)對(duì)栽培稻種子產(chǎn)生破壞。近幾年，隨著機(jī)器視覺(jué)在農(nóng)業(yè)中的應(yīng)用越來(lái)越廣泛，使得基于圖像處理技術(shù)篩選雜草稻種子成為一種可行方法[1]?；趫D像處理的方法進(jìn)行篩選需要十分準(zhǔn)確的單粒水稻種子的位置信息，否則無(wú)法精確去除雜草稻種子，但實(shí)際采樣時(shí)所獲取的水稻種子圖像往往存在籽粒粘連現(xiàn)象，因此研究如何分割水稻種子粘連圖像成為需要解決的首要問(wèn)題[2-6]。

近年來(lái)，不少學(xué)者對(duì)于粘連圖像分割提出多種算法與方法[7]。荀一等[8]提出對(duì)粘連目標(biāo)進(jìn)行腐蝕-膨脹處理，再使用Bresenham算法進(jìn)行分割，分割正確率達(dá)96%。LIN等[9]提出通過(guò)提取大米的輪廓，分析其輪廓特征，對(duì)其輪廓進(jìn)行曲率分析獲得凹點(diǎn)信息，進(jìn)而進(jìn)行匹配分割，可以精確分離粘連米粒；YAO等[10]提出了采用邊緣中心模式比例法(ECMP)對(duì)粘連大米進(jìn)行粘連分割，精確度超過(guò)了95%；吳叔珍等[11]提出一種基于凹點(diǎn)尋找前景標(biāo)記的分水嶺算法對(duì)谷粒進(jìn)行粘連分割計(jì)算谷粒粒數(shù)，其計(jì)數(shù)準(zhǔn)確率達(dá)96.4%。然而這些方法使用數(shù)學(xué)形態(tài)法進(jìn)行分割，腐蝕膨脹的次數(shù)需要人工設(shè)置，分割完成后種子原有的形態(tài)被破壞；分水嶺算法雖簡(jiǎn)單、精準(zhǔn)度高，但易受到噪聲影響，若圖像中存在噪聲會(huì)出現(xiàn)大量的偽分割線，極易造成過(guò)分割和欠分割。凹點(diǎn)分割雖能較大可能地保留種子原有的形態(tài)，但凹點(diǎn)分割的匹配準(zhǔn)確性較低。

為解決粘連分割問(wèn)題，提出一種基于邊緣曲線曲率均值(Edge curvature mean method, ECMM)的凹點(diǎn)匹配分割算法。該算法將邊緣曲線曲率均值應(yīng)用于角點(diǎn)檢測(cè)，在協(xié)同約束條件下實(shí)現(xiàn)凹點(diǎn)確定與凹點(diǎn)匹配分割。粘連分割過(guò)程中不進(jìn)行膨脹腐蝕處理，以保留原有的種子形態(tài)，同時(shí)使用矢量三角形法篩除凸點(diǎn)，避免過(guò)分割。采集的圖像經(jīng)ECMM凹點(diǎn)分割算法處理后對(duì)圖像中各粒種子進(jìn)行形色雙選，識(shí)別雜草稻種子，進(jìn)而提高種子整體質(zhì)量。

1 圖像采集與分析

1.1 圖像采集

為完成圖像采集，本文設(shè)計(jì)了試驗(yàn)平臺(tái)，如圖1所示。試驗(yàn)平臺(tái)由排種系統(tǒng)、圖像采集系統(tǒng)、傳動(dòng)系統(tǒng)、電機(jī)驅(qū)動(dòng)系統(tǒng)組成。其中，圖像采集系統(tǒng)由日本OMRON公司生產(chǎn)的STC-MCS1242U3V型工業(yè)相機(jī)(分辨率為4 000像素×3 000像素)、光虎公司生產(chǎn)的GHAC-0611A型成像鏡頭、PCV材質(zhì)的傳送帶(綠色)、光罩(頂部放置2個(gè)LED燈條，色溫為6 500 K)、裝有圖像采集軟件的主控機(jī)以及傳送帶組成，工業(yè)相機(jī)與成像鏡頭技術(shù)參數(shù)如表1所示。試驗(yàn)臺(tái)中使用的電機(jī)均為步進(jìn)電機(jī)，均利用主控機(jī)提供脈沖控制其驅(qū)動(dòng)。主控機(jī)使用ARM Cortex-A72處理器，1.5 GHz，內(nèi)存4 GB；主控機(jī)輸入設(shè)備為L(zhǎng)ogitech MK275無(wú)線光電鍵鼠套裝；主控機(jī)輸出設(shè)備為L(zhǎng)enovo LI2323swA型顯示器；主控機(jī)運(yùn)行環(huán)境：64 bit Raspbian操作系統(tǒng)，OpenCV-python 4.5.3，Pycharm 2020.2.1。

圖1 試驗(yàn)平臺(tái)整體結(jié)構(gòu)圖

表1 技術(shù)參數(shù)

工作時(shí)，將水稻種子倒入種箱中，使用主控機(jī)控制排種驅(qū)動(dòng)模塊驅(qū)動(dòng)排種電機(jī)轉(zhuǎn)動(dòng)，帶動(dòng)排種器將水稻種子送至導(dǎo)種板上，再由導(dǎo)種板落到傳送帶上，經(jīng)傳動(dòng)系統(tǒng)將其運(yùn)送到傳送帶上方的光罩處，光罩上方中心位置放置工業(yè)相機(jī)，通過(guò)主控機(jī)中的圖像采集軟件控制工業(yè)相機(jī)實(shí)現(xiàn)對(duì)水稻種子的拍照采樣。采樣圖像如圖2所示。

圖2 采樣圖像

1.2 圖像樣本參數(shù)計(jì)算

本研究樣本為常見(jiàn)的直播栽培稻臨旱1號(hào)、丹旱稻53、鄭旱10號(hào)、原旱稻以及雜草稻種子(山東省濟(jì)寧市稻區(qū)采集的樣本)5種水稻種子。每種樣本選取1 000粒種子，采集圖像測(cè)量其物料特性參數(shù)，采集的樣本圖像(為測(cè)量水稻種子物料特性參數(shù)，人工擺放100粒種子)如圖3所示，人工截取存在種子及標(biāo)定的區(qū)域。計(jì)算1 000粒水稻種子的長(zhǎng)度以及R通道平均值并繪制直方圖，擬合正態(tài)分布圖如圖4、5所示。由圖4可知，所選水稻種子樣本長(zhǎng)度呈現(xiàn)正態(tài)分布趨勢(shì)，表明所采取的樣本基本反映了整個(gè)水稻種子的形態(tài)特征，避免了樣本過(guò)度集中，具有統(tǒng)計(jì)學(xué)意義[12]。同時(shí)，由圖4、5可看出，這些數(shù)據(jù)的測(cè)量體現(xiàn)了雜草稻種子與栽培稻種子在形態(tài)與色彩方面的區(qū)別，為雜草稻種子的識(shí)別提供了依據(jù)。然而，如圖2所示，圖像分析的難點(diǎn)是水稻種子籽粒粘連，因此需要引入粘連分割算法。

圖3 樣本測(cè)試圖像

圖4 水稻種子樣本長(zhǎng)度頻數(shù)分布直方圖

圖5 水稻種子樣本R通道均值頻數(shù)分布直方圖

1.3 形態(tài)因子計(jì)算

如圖2所示，采樣圖像中既存在單粒種子也存在粘連的種子，若對(duì)所有的輪廓都進(jìn)行粘連分割，會(huì)產(chǎn)生大量的計(jì)算，影響工作效率，為區(qū)分樣本圖像中目標(biāo)區(qū)域是否存在粘連現(xiàn)象，引入形態(tài)因子[13]。形態(tài)因子F反映物體形狀特征，其計(jì)算公式為

F=4πS/C2

(1)

式中S——連通區(qū)域輪廓的面積，像素

C——連通區(qū)域輪廓的周長(zhǎng)，像素

由于粘連種子存在凹陷區(qū)域，輪廓線較長(zhǎng)，其形態(tài)因子與單粒水稻存在較大差異。從5種樣本中各隨機(jī)選取100粒單粒種子進(jìn)行形態(tài)因子計(jì)算，結(jié)果如圖6所示。

圖6 各個(gè)樣本單粒種子的形態(tài)因子分布

由圖6可知，單粒種子的形態(tài)因子均大于0.4，因此，以形態(tài)因子0.4作為閾值判斷目標(biāo)輪廓是否為單粒種子。

2 基于ECMM的分割算法

2.1 圖像預(yù)處理

首先，為提高采集圖像的質(zhì)量，對(duì)采集圖像進(jìn)行平滑處理以減少圖像中存在的噪聲；其次，為更好地確定閾值，將背景與水稻種子分開(kāi)，采用圖像增強(qiáng)方法來(lái)增加灰度圖像的整體對(duì)比度，圖7為隨機(jī)選取的2幅圖像。

圖7 圖像增強(qiáng)效果圖

由圖7可明顯看出，對(duì)于該研究環(huán)境下的圖像，采用直方圖均一化變換的方式效果最為明顯，背景與目標(biāo)區(qū)域的對(duì)比度更大。為確定最佳閾值，對(duì)增強(qiáng)后的圖像繪制灰度直方圖，使用最大類間方差法(OTSU)[14-16]將圖像中的背景與目標(biāo)區(qū)域分離(水稻種子的灰度為255，背景的灰度為0)，并對(duì)其進(jìn)行卷積核3×3的開(kāi)運(yùn)算處理，其增強(qiáng)后的效果與圖像灰度直方圖以及二值圖像如圖8所示。

圖8 灰度圖像及其像素直方圖和二值圖像

2.2 邊緣輪廓提取及平滑處理

經(jīng)預(yù)處理后圖像的噪聲明顯減少，但傳送帶上存在的細(xì)小雜質(zhì)無(wú)法避免，并且無(wú)法保證經(jīng)預(yù)處理后的圖像中不含有細(xì)小雜質(zhì)的圖像信息，若這些細(xì)小雜質(zhì)與水稻種子經(jīng)閾值分割后依舊與目標(biāo)區(qū)域共存，則在使用邊界檢測(cè)算法與獲取邊緣輪廓信息時(shí)會(huì)對(duì)最終的結(jié)果產(chǎn)生不利的影響，隨機(jī)選取局部存在雜質(zhì)輪廓的圖像如圖9所示。

圖9 細(xì)小雜質(zhì)的邊界輪廓

為避免這些細(xì)小雜質(zhì)的輪廓對(duì)試驗(yàn)產(chǎn)生影響，本研究采取目標(biāo)區(qū)域像素面積篩選的方法對(duì)像素點(diǎn)數(shù)小于10的輪廓區(qū)域進(jìn)行刪除，進(jìn)而保證所獲得的輪廓曲線均為水稻種子的外輪廓，提高試驗(yàn)的準(zhǔn)確性，處理結(jié)果如圖10所示。

圖10 篩選后二值圖像

圖像的輪廓分為外輪廓和內(nèi)輪廓[17-18],外輪廓為水稻種子最外面的輪廓，內(nèi)輪廓為粘連種子所圍成的黑洞范圍內(nèi)的輪廓。將獲得的邊緣輪廓進(jìn)行采樣，假設(shè)其位于二維坐標(biāo)系第四象限的封閉曲線L內(nèi)，則輪廓點(diǎn)坐標(biāo)表示為z(x(t)，y(t))。

由于邊界曲線L是由離散的像素點(diǎn)構(gòu)成，必會(huì)存在一定的噪聲，影響邊界輪廓的平滑度，對(duì)計(jì)算輪廓曲線的曲率產(chǎn)生一定的影響，因此需要采用一維高斯核函數(shù)[19-20]對(duì)邊界輪廓曲線進(jìn)行平滑處理，以便于邊緣輪廓曲線曲率的計(jì)算。

2.3 角點(diǎn)提取

本文采集的圖像中既存在非粘連的單粒種子，也存在粘連的種子，若對(duì)每個(gè)目標(biāo)邊緣輪廓曲線均進(jìn)行角點(diǎn)的提取與判定，則會(huì)大大增加主控機(jī)的運(yùn)算量，也影響圖像的處理效率，因此需要對(duì)各個(gè)輪廓計(jì)算形態(tài)因子F，設(shè)置閾值F0=0.4，若F

由圖12可知，形態(tài)因子最大值小于等于0.3，說(shuō)明所設(shè)閾值準(zhǔn)確。

圖11 粘連圖像

圖12 粘連圖像形態(tài)因子測(cè)試結(jié)果

角點(diǎn)是邊界曲率發(fā)生劇烈變化的點(diǎn)[21]，它既可以表示兩條線交匯的點(diǎn)，又可以表示鄰域內(nèi)兩個(gè)主方向的特征點(diǎn)。根據(jù)曲率的變化情況，角點(diǎn)又可分為凹點(diǎn)和凸點(diǎn)。水稻種子的形狀呈現(xiàn)兩頭尖、中間粗的橢圓狀。由圖11可以看出，橢圓長(zhǎng)軸兩端有明顯的兩個(gè)凸點(diǎn)(凸區(qū)域)，而在兩?；蚨嗔７N子粘連處也存在明顯的凹點(diǎn)(凹區(qū)域)。

曲率是曲線斜率的倒數(shù)，反映曲線的彎曲水平。根據(jù)所得邊緣輪廓的曲率繪制輪廓曲率變化的折線圖(圖13a)，峰值處曲率的正負(fù)可以判斷凹點(diǎn)與凸點(diǎn)，從圖13a可看出存在兩個(gè)峰值趨近于0，但其值依舊為負(fù)，所以僅使用正負(fù)來(lái)判斷凹點(diǎn)會(huì)存在很大的誤差。

圖13 輪廓曲線的曲率

在計(jì)算其邊緣輪廓曲率時(shí)，種子兩端及其粘連處的曲率變化很大，其他部分的曲率趨于穩(wěn)定的范圍。因此，通過(guò)判斷圖像邊緣輪廓曲線的平滑性來(lái)判斷圖像輪廓的彎曲程度，若彎曲程度突然變大，則可能是種子兩端或者是粘連的凹陷處。隨機(jī)挑選存在粘連區(qū)域的曲率折線圖，如圖13a所示，存在多個(gè)曲率變化劇烈的點(diǎn)，而其他的點(diǎn)都保持在一定的范圍內(nèi)，這表明曲率保持在一定范圍內(nèi)的點(diǎn)的彎曲程度大致相似，并不是分割所需要的角點(diǎn)，而曲率變化劇烈的點(diǎn)為角點(diǎn)。因此，為排除曲率變化不大的點(diǎn)，引入能夠表示曲面彎曲程度的整體曲率均值，其計(jì)算公式為

(2)

式中V——邊緣輪廓曲線曲率均值

Hi——邊緣輪廓曲線上各點(diǎn)曲率

n——邊緣輪廓點(diǎn)數(shù)

通過(guò)觀察其邊緣輪廓曲線各點(diǎn)的曲率與整體輪廓的曲率均值，可發(fā)現(xiàn)峰值分布在輪廓曲線曲率與曲率均值的差值大于0.055的范圍內(nèi)，而差值在0.055范圍以內(nèi)的各點(diǎn)差值分布穩(wěn)定，說(shuō)明在這幾個(gè)位置邊緣輪廓曲線彎曲程度突然變大，邊界曲率發(fā)生劇烈變化(即角點(diǎn))，因此可以通過(guò)閾值(每個(gè)坐標(biāo)點(diǎn)的曲率與整體輪廓的曲率均值的差值)0.055來(lái)確定角點(diǎn)處的曲率及位置，如 圖13b 所示。

2.4 凹點(diǎn)確定

利用曲率均值的閾值判斷邊緣輪廓曲線上各點(diǎn)是否為角點(diǎn)，找到邊界輪廓曲線曲率的峰值。判斷這些峰值是否為凹點(diǎn)是實(shí)現(xiàn)凹點(diǎn)分割的前提，因此判斷峰值是否為凹點(diǎn)，對(duì)粘連分割至關(guān)重要。

該算法采用求取矢量三角形面積的方法判斷輪廓上的凹點(diǎn)。由輪廓的角點(diǎn)Pi(x0,y0)與該點(diǎn)相距k個(gè)像素點(diǎn)的前繼點(diǎn)Pi-k(x1,y1)和后繼點(diǎn)Pi+k(x2,y2)組成矢量三角形[22]，并求其面積，通過(guò)面積Si的正負(fù)來(lái)判斷該角點(diǎn)Pi是否為凹點(diǎn)。Si的計(jì)算公式為

(3)

該算法所使用的程序存儲(chǔ)的輪廓點(diǎn)集為逆時(shí)針順序，因此輪廓的角點(diǎn)Pi與其前繼點(diǎn)Pi-k和后繼點(diǎn)Pi+k組成的矢量三角形面積Si<0，則證明該角點(diǎn)Pi為凹點(diǎn)，將該點(diǎn)與其前繼點(diǎn)和后繼點(diǎn)存儲(chǔ)；相反，若矢量三角形的面積Si>0,則證明該角點(diǎn)Pi為凸點(diǎn)，則剔除該角點(diǎn)。

2.5 凹點(diǎn)對(duì)匹配

為解決傳統(tǒng)的最近鄰法凹點(diǎn)對(duì)匹配方法中存在的過(guò)度分割或誤分割的問(wèn)題，提出一種尋找凹點(diǎn)與前繼點(diǎn)、后繼點(diǎn)所組成的法線方向的夾角范圍(0°～180°)，判斷在此范圍內(nèi)是否存在合適的凹點(diǎn)組成凹點(diǎn)對(duì)，再對(duì)其進(jìn)行連線分割，這樣大大提高了分割的準(zhǔn)確性。該研究的匹配規(guī)則如圖14所示。

圖14 凹點(diǎn)匹配規(guī)則

通過(guò)圖15a可以看出，平滑后的邊界輪廓曲線和原始的邊界輪廓曲線并不重合(其中紫色曲線是原始輪廓曲線，紅色曲線為平滑后的輪廓曲線)，而所獲取的凹點(diǎn)坐標(biāo)是平滑曲線上的凹點(diǎn)，并非在原始輪廓曲線的最凹處，這便是高斯平滑后產(chǎn)生的坐標(biāo)點(diǎn)漂移，這種現(xiàn)象是高斯卷積過(guò)程中改變了原始輪廓的相位所造成的。因此，使用平滑后的輪廓曲線求得的凹點(diǎn)并不能直接反映原始輪廓最凹的部位。若直接使用該點(diǎn)進(jìn)行特征點(diǎn)的匹配分割，容易造成原始輪廓最凹處(或其附近)無(wú)法被完全分割，依舊存在粘連。

圖15 實(shí)心圓及其半徑

為解決特征點(diǎn)漂移問(wèn)題[23]，本文提出一種以獲取的平滑輪廓上的特征點(diǎn)為中心，尋找合適的以閾值為半徑繪制實(shí)心圓(實(shí)心圓的顏色與目標(biāo)區(qū)域不同，與背景保持一致)的方法，以保證原始輪廓曲線的最凹處位于實(shí)心圓內(nèi)，避免特征點(diǎn)飄移而引起的分割誤差。如圖15a所示，使用綠色標(biāo)注的A、B兩個(gè)圓包圍了平滑輪廓曲線和原始輪廓曲線的最凹處,將A、B兩個(gè)圓換成白色的實(shí)心圓(與背景顏色一致)，結(jié)果如圖15b所示，能夠?qū)⑵交喞€和原始輪廓曲線最凹陷處分割。經(jīng)過(guò)對(duì)100個(gè)粘連圖像進(jìn)行實(shí)心圓半徑測(cè)試，結(jié)果如圖15c所示，能夠?qū)崿F(xiàn)同時(shí)分割平滑輪廓曲線和原始輪廓曲線的實(shí)心圓半徑均分布在2～8像素。因此，提出一種以半徑為10像素的實(shí)心圓來(lái)規(guī)避特征點(diǎn)飄移而產(chǎn)生的誤差。該算法的具體流程圖如圖16所示。

圖16 ECMM凹點(diǎn)分割識(shí)別雜草稻種子算法流程圖

3 試驗(yàn)

圖17為水稻種子的結(jié)構(gòu)圖，為便于描述粘連現(xiàn)象，將水稻種子的芒和小穗軸兩處稱之為端部，將稻殼部分稱為側(cè)部。

圖17 水稻種子結(jié)構(gòu)圖

由采集的圖像可看出，粘連分為3種類型：兩?；蚨嗔Ｋ痉N子相互之間側(cè)部與側(cè)部接觸粘連(稱為并聯(lián)型粘連)、兩粒或多粒水稻種子相互之間端部與側(cè)部接觸粘連和端部與端部接觸粘連(稱為串聯(lián)型粘連)、兩粒或多粒水稻種子相互之間既存在端部與側(cè)部和端部與端部的接觸粘連，又存在側(cè)部與側(cè)部接觸粘連(稱為串并聯(lián)混和型粘連)。

不論哪種粘連情況均使用ECMM凹點(diǎn)分割算法進(jìn)行粘連分割。如圖18b所示粘連情況，采用預(yù)處理、平滑處理、合適的閾值進(jìn)行角點(diǎn)檢測(cè)，其結(jié)果如圖18a紅點(diǎn)標(biāo)注處，檢測(cè)到的角點(diǎn)數(shù)量多于實(shí)際凹點(diǎn)的數(shù)量，需要使用矢量三角形的面積來(lái)判定是否為真正的凹點(diǎn)，最后通過(guò)凹點(diǎn)對(duì)匹配的規(guī)則確定A、B兩點(diǎn)適合匹配，進(jìn)行凹點(diǎn)對(duì)匹配時(shí)使用半徑為10 像素的實(shí)心圓來(lái)規(guī)避特征點(diǎn)飄移而產(chǎn)生的誤差，完成分割。如圖18b所示，紅線標(biāo)注出了粘連處兩個(gè)實(shí)心圓以及兩點(diǎn)之間的連線。為方便測(cè)量分割后的分割精度，將分割后的目標(biāo)區(qū)域進(jìn)行了重新排列，如圖18c所示。精度計(jì)算公式為

圖18 粘連分割示例

P=RN/TN×100%

(4)

式中RN——分割后單粒種子的粒數(shù)

TN——實(shí)際種子粒數(shù)P——精度

為進(jìn)一步驗(yàn)證該算法在各種粘連情況下的優(yōu)勢(shì)，隨機(jī)選取4幅粘連圖像分別利用ECMM算法、極限腐蝕法、分水嶺算法進(jìn)行分割測(cè)試。

從圖19、20中可看出，極限腐蝕法對(duì)于串聯(lián)型粘連情況效果明顯，對(duì)于并聯(lián)型粘連情況其誤差較大，表明目標(biāo)圖像粘連接觸面越小其效果越好，而粘連接觸面越大分割效果越差，極限腐蝕方法不僅分割不精確，還易造成原輪廓變形；分水嶺算法同樣適用于粘連效果較輕的情況，相比于極限腐蝕法其基本保持原輪廓形狀，但其存在過(guò)分割，如圖19、20所示。而ECMM算法不論粘連情況輕重，依然能夠準(zhǔn)確分割。

圖19 ECMM算法分割效果

分別采集4種栽培稻種子和雜草稻種子的圖像樣本，每種樣本采集3組，3組圖像中種子數(shù)依次為100、200、300粒(其中雜草稻種子均占10%)。對(duì)采樣的圖像分別采用極限腐蝕法、分水嶺算法以及ECMM算法對(duì)圖像進(jìn)行粘連分割處理，通過(guò)對(duì)比分割后輪廓數(shù)與實(shí)際水稻種子數(shù)來(lái)分析其精度，精度對(duì)比結(jié)果如表2所示。

由表2可知，對(duì)于相同的圖像使用3種方法的分割精度均隨籽粒數(shù)量的增多而下降。通過(guò)計(jì)算4組數(shù)據(jù)中100粒種子和300粒種子的粘連分割精度差距可知，極限腐蝕法下降約8.25%,分水嶺算法下降約7.42%，ECMM算法平均下降約2.7%，這是由于隨著籽粒數(shù)的增多，籽粒密集程度增大，粘連情況更加復(fù)雜，相比于其他兩種方法，ECMM算法的分割效果較穩(wěn)定。經(jīng)過(guò)4組試驗(yàn)測(cè)試，ECMM算法平均精度達(dá)到92.90%，比極限腐蝕法高19.82個(gè)百分點(diǎn)，比分水嶺算法高12.85個(gè)百分點(diǎn)。

表2 不同分割方法對(duì)粘連分割的精度對(duì)比

圖20 極限腐蝕法和分水嶺算法分割結(jié)果

4 雜草稻種子識(shí)別

由圖4可知，雜草稻種子的長(zhǎng)度主要集中在6～7 mm，而栽培稻種子的長(zhǎng)度大于7 mm，因此，將粘連分割后圖像中各輪廓的長(zhǎng)度進(jìn)行閾值判定，設(shè)置長(zhǎng)度閾值為7 mm。

由圖5可知，雜草稻種子的R通道均值主要集中在120，而栽培稻種子的R通道均值主要集中在140，相比于栽培稻種子，整粒雜草稻種子的R通道像素值主要集中在120，其像素值大于130的占比必定小于栽培稻種子，水稻種子R通道像素占比Pr計(jì)算公式為

Pr=TR/ZR

(5)

式中TR——每粒種子R通道像素值大于130的像素點(diǎn)總數(shù)

ZR——整粒種子R通道像素點(diǎn)總數(shù)

由圖21可知，栽培稻種子像素占比Pr大于0.7，而雜草稻種子的像素占比Pr小于0.6，因此，使用合適的像素占比閾值可以明顯分出雜草稻種子。為驗(yàn)證該算法的識(shí)別準(zhǔn)確率，分別采集4種栽培稻種子和雜草稻種子的圖像樣本，每種樣本采集3組，3組圖像中種子數(shù)依次為100、200、300粒(其中雜草稻種子均占10%)，計(jì)算每粒種子長(zhǎng)度以及R通道像素值大于130的像素占比，像素占比以0.65作為閾值識(shí)別雜草稻種子，準(zhǔn)確率如表3所示。

圖21 各樣本像素占比

表3 形色雙選準(zhǔn)確率

由表3可知，本文算法隨著圖像樣本中種子的籽粒數(shù)增多，需要檢測(cè)的輪廓區(qū)域也會(huì)增多，運(yùn)行時(shí)間便會(huì)增加，平均每增加100粒種子，運(yùn)行時(shí)間便增加0.95 s，但是從整體數(shù)據(jù)來(lái)看，圖像中籽粒個(gè)數(shù)的增多對(duì)識(shí)別準(zhǔn)確率的影響很小，本文算法平均識(shí)別準(zhǔn)確率達(dá)到97.50%。

5 結(jié)論

(1)為實(shí)現(xiàn)水稻種子粘連分割，提出一種基于ECMM的凹點(diǎn)分割算法，該算法中未對(duì)圖像使用膨脹腐蝕處理，因此不改變圖像中水稻種子籽粒的形狀，便于提取單粒水稻種子的長(zhǎng)度及R通道特征。該算法平均精度達(dá)到92.90%，對(duì)于同一幅圖像的粘連分割，平均精度比極限腐蝕法提高19.82個(gè)百分點(diǎn)，比分水嶺算法提高12.85個(gè)百分點(diǎn)，能夠?qū)Ω鞣N粘連情況進(jìn)行粘連分割。

(2)提出一種水稻雜草稻種子在線識(shí)別方法，該方法利用水稻雜草稻種子形狀和色彩的差異，合理設(shè)置長(zhǎng)度閾值與R通道像素占比閾值來(lái)識(shí)別雜草稻種子，其識(shí)別精度達(dá)到97.50%，且平均每增加100粒種子，運(yùn)行時(shí)間便增加0.95s。