唐栩超

（上海郵電設(shè)計(jì)咨詢研究院有限公司，上海 200082）

0 引言

隨著我國農(nóng)業(yè)自動(dòng)化的快速發(fā)展，果實(shí)采摘機(jī)器人技術(shù)也得到了深入研究和廣泛應(yīng)用，例如基于區(qū)域特征的番茄果實(shí)識(shí)別技術(shù)主要利用像素灰度值的突變對(duì)圖像進(jìn)行分割，再對(duì)分割后的區(qū)域進(jìn)行分析，從而識(shí)別果實(shí)。該技術(shù)還可以以圖斑為特征變量，從不同的方向提取果實(shí)的特征，通過數(shù)據(jù)建模來估算單株果樹的產(chǎn)量。這些方法的缺點(diǎn)是只能對(duì)單個(gè)果實(shí)進(jìn)行識(shí)別，如果存在覆蓋或者被遮擋的情況，就會(huì)導(dǎo)致識(shí)別率變低，從而導(dǎo)致出現(xiàn)漏摘的情況[1]。為了解決這類問題，該文提出了一種新的果實(shí)圖像識(shí)別方法，將極大值作為特征進(jìn)行提取和檢測(cè)，通過高斯濾波原理可以確定果實(shí)的位置并提取果實(shí)的圖像顏色特征[2]。為了驗(yàn)證該文提出的方法的正確性，該文以蘋果采摘機(jī)器人為例進(jìn)行一系列的測(cè)試，并與傳統(tǒng)的Hough 變換檢測(cè)效果進(jìn)行對(duì)比。測(cè)試結(jié)果表明，該文提出的方法對(duì)果實(shí)的識(shí)別率更高，特別是在存在遮擋的情況下，其優(yōu)勢(shì)更明顯。

1 圖像去噪原理

在進(jìn)行圖像識(shí)別的過程中，噪聲的干擾是實(shí)時(shí)存在的，因此圖像特征參數(shù)就會(huì)被改變和破壞，從而對(duì)果實(shí)特征的識(shí)別和提取造成很大的影響，為了保證圖像的質(zhì)量，必須對(duì)圖像進(jìn)行降噪處理。去噪方法種類很多，常用的有中值濾波和矢量中值濾波等[3]。

1.1 中值濾波去噪分析

該方法實(shí)際上就是一個(gè)順序統(tǒng)計(jì)濾波器，其基本原理是首先在圖像中確定一個(gè)小窗口。其次，按大小的順序?qū)Υ翱谥械南袼鼗叶戎颠M(jìn)行排列。最后，通過奇偶條件得到一個(gè)中間值，這個(gè)中間值就是窗口中心位置的像素值，如公式（1）所示。

式中：Y為中值濾波結(jié)果；f1~fn為一維序列。

該方法的去噪效果由區(qū)域像素點(diǎn)的排序決定，不需要考慮圖像的整體特性，這樣可以很好地保護(hù)圖像的邊緣區(qū)域，問題是選取的窗口越大，處理的速度就會(huì)越慢，實(shí)時(shí)性很差[4]。

1.2 均值濾波去噪分析

均值濾波的基本原理如下：首先，在待識(shí)別的圖像上確定一個(gè)區(qū)域，這個(gè)區(qū)域的特點(diǎn)是不但包括待處理的像素，而且還包括其相鄰的像素。其次，計(jì)算該區(qū)域中所有像素的平均值，計(jì)算的結(jié)果就是待處理像素的值。因此，均值濾波是常見的線性濾波算法，該方法的優(yōu)點(diǎn)是可以對(duì)圖像進(jìn)行平滑處理且速度快，缺點(diǎn)是經(jīng)處理后的圖像比較模糊，其原因是處理時(shí)是同時(shí)對(duì)圖像上所有像素進(jìn)行處理。該方法在一定程度上可以削弱噪聲，但是并不能完全消除噪聲。

1.3 矢量中值濾波去噪分析

其基本原理是通過中值濾波處理彩色圖像中的矢量，1幅彩色圖像如公式（2）所示。

式中：Ci為待處理圖像；Ri、Gi和Bi分別為3 個(gè)灰度分量。

如果{WK}為某個(gè)區(qū)域中第K個(gè)矢量集合，就可以把輸出的中值向量表示出來，也就是各矢量間最小距離所對(duì)應(yīng)的向量，如公式（3）所示。

式中：Wj為第j個(gè)區(qū)域的矢量合集；Wi為第i個(gè)區(qū)域的矢量合集。

該方法的優(yōu)點(diǎn)是計(jì)算簡單、處理速度快且去噪效果好。因此，該文選用該方法對(duì)蘋果圖像進(jìn)行去噪處理。

2 蘋果圖像處理方法分析

2.1 蘋果圖像分割方法

圖像分割技術(shù)是圖像處理的重要組成部分，其原理就是根據(jù)一些重要參數(shù)（例如灰度、色彩以及紋理等）科學(xué)、有效地將圖像分割成不同的區(qū)域，再提取具體的特征[5]。應(yīng)用最廣泛的圖像分割方法是Otsu 閾值法，該方法是利用最小二乘法的原理確定合適的閾值，再與各像素點(diǎn)的灰度值進(jìn)行比較，最終得到像素點(diǎn)所在的區(qū)域，如果出現(xiàn)閾值大于灰度值的情況，就表明像素點(diǎn)屬于背景區(qū)域；如果相反，就表明屬于興趣區(qū)域。該方法的優(yōu)點(diǎn)是分割效果好，基本不受光照強(qiáng)度等條件的影響，以蘋果圖像為例，分割的效果如圖1 所示。

圖1 蘋果圖像分割效果圖

2.2 蘋果邊緣檢測(cè)方法

邊緣檢測(cè)的效果直接決定圖像識(shí)別的結(jié)果，邊緣檢測(cè)點(diǎn)像素的強(qiáng)度值可以很好地區(qū)分邊緣點(diǎn)和普通像素點(diǎn)。在實(shí)際的應(yīng)用中，經(jīng)常會(huì)出現(xiàn)2 種情況，一是顏色分量會(huì)出現(xiàn)突變，二是灰度值會(huì)出現(xiàn)階躍變化，這2 種情況都會(huì)影響邊緣提取的效果，因此邊緣檢測(cè)方法的選擇非常重要。

常用的邊緣檢測(cè)方法主要包括Sobel 算法、Prewitt 算法以及Canny 算法。在3 種算法里，Sobel 算法的優(yōu)點(diǎn)比較明顯，主要體現(xiàn)在邊緣輪廓連續(xù)、清晰，同時(shí)去噪效果也比較明顯[6]。蘋果圖像檢測(cè)效果如圖2 所示。

圖2 Sobel 算法的檢測(cè)效果

該算法的基本原理如下：對(duì)1 個(gè)3×3 的模板和需要檢測(cè)的圖像中的每個(gè)像素點(diǎn)進(jìn)行卷積運(yùn)算，可以得到2 個(gè)重要的參數(shù)（水平邊緣和垂直邊緣），通過確定的閾值就可以對(duì)需要檢測(cè)圖像的邊緣進(jìn)行提取，如公式（4）所示。

式中：a＇x（x，y）為水平邊緣的值；ay＇x（x，y）為垂直邊緣的值。

如果a（x，y）是灰度值函數(shù)，那么梯度如公式（5）所示。

2.3 基于局部極大值蘋果圖像特征提取

要提高蘋果采摘機(jī)器人的工作效率，關(guān)鍵就在于能夠準(zhǔn)確地提取蘋果圖像特征。應(yīng)用較多的方法是 Hough 變換法，該方法的缺點(diǎn)是運(yùn)算速度慢、時(shí)效性差，特別是在有遮擋的情況下，其果實(shí)識(shí)別率更低[7]。

因此，該文提出了一種新的果實(shí)圖像識(shí)別方法，即基于局部極大值進(jìn)行蘋果圖像特征提取，該方法充分利用了高斯濾波器的原理，首先，對(duì)滑動(dòng)的高斯模板和需要識(shí)別的蘋果圖像進(jìn)行卷積運(yùn)算，同時(shí)在高斯濾波器的輸出端輸出得到的加權(quán)平均值，從而提取蘋果的形狀[8]。通常情況下，一維和二維高斯濾波函數(shù)如公式（6）、公式（7）所示。

式中：δ為尺度因子。

在提取蘋果圖像特征的過程中，需要確定一個(gè)零點(diǎn)，該零點(diǎn)的確定必須要滿足2 個(gè)條件，一個(gè)是圖像中心響應(yīng)值最大，另外一個(gè)是灰度值突變較大的邊緣的響應(yīng)值最小。檢測(cè)的過程分為2 步：1） 對(duì)蘋果圖像進(jìn)行高斯濾波。2） 進(jìn)行局部極大值檢測(cè)，出現(xiàn)極大值的位置就是蘋果的中心位置[9]。

如果用Q為原始圖像，P為高斯響應(yīng)值，那么高斯卷積相應(yīng)如公式（8）所示。

高斯濾波后需要把局部極大值檢測(cè)出來，選擇一個(gè)合適的正方形窗口在蘋果圖像上滑動(dòng)，滑動(dòng)的目的就是檢測(cè)窗口中的圖像像素的灰度值，這樣就可以很好地確定局部極大值的具體位置，通過公式（8）可以計(jì)算高斯卷積響應(yīng)值最大的地方就是蘋果的中心。確定圓心后就可以通過圓心到邊緣的距離判斷蘋果的半徑和大小。通過該方法對(duì)蘋果進(jìn)行檢測(cè)的結(jié)果如圖3 所示。

圖3 局部極大值法檢測(cè)結(jié)果

2.4 方法流程

該方法使用編程語言C++實(shí)現(xiàn)，因?yàn)镃++代碼運(yùn)行效率比較高，所以可以提高圖像識(shí)別的速度，具體的方法流程如圖4 所示。

圖4 實(shí)現(xiàn)流程圖

整個(gè)方法的實(shí)現(xiàn)流程總共分5 個(gè)步驟（第三步、第四步和第五步是核心步驟）：1） 選擇需要識(shí)別的蘋果圖像，初始化主要參數(shù)。2） 選擇使用矢量中值濾波對(duì)待處理的蘋果圖像進(jìn)行降噪處理。3） 通過Otsu 閾值法對(duì)待處理蘋果圖像進(jìn)行分割，并判斷像素點(diǎn)屬于背景區(qū)域還是屬于目標(biāo)區(qū)域，如果屬于背景區(qū)域，就重復(fù)操作，直到像素點(diǎn)屬于目標(biāo)區(qū)域再進(jìn)行下一步操作。4） 通過Sobel 算法、公式（4）和公式（5）進(jìn)行邊緣檢測(cè)，并清晰、連續(xù)地展現(xiàn)待檢測(cè)圖像目標(biāo)區(qū)域的輪廓。5） 通過公式（6）和公式（7）進(jìn)行局部極大值檢測(cè)，并定位待檢測(cè)目標(biāo)區(qū)域的中心位置，通過公式（8）判斷蘋果的半徑和大小，最后輸出檢測(cè)結(jié)果。

3 測(cè)試結(jié)果

為了驗(yàn)證該文提出的方法的正確性，須進(jìn)行一系列對(duì)比測(cè)試。

使用蘋果采摘機(jī)器人對(duì)隨機(jī)選取的288 個(gè)蘋果進(jìn)行測(cè)試，假設(shè)B1為無遮擋的蘋果數(shù)量，B2為有遮擋的蘋果數(shù)量，Z為測(cè)試的準(zhǔn)確率；J為測(cè)試蘋果的總數(shù)量；K為機(jī)器人識(shí)別出的蘋果數(shù)量，那么識(shí)別準(zhǔn)確率如公式（8）所示。

由測(cè)試數(shù)據(jù)可知，與Hough 變換法相比，該文提出的方法的采摘準(zhǔn)確率更高，對(duì)無遮擋的蘋果來說，這種方法采摘準(zhǔn)確率差別不大，但是對(duì)有遮擋的蘋果來說，該文提出的方法的優(yōu)勢(shì)更明顯。

4 結(jié)語

隨著果實(shí)采摘機(jī)器人的廣泛應(yīng)用，對(duì)采摘準(zhǔn)確率的要求也越來越高，如果要提高采摘準(zhǔn)確率，就要求機(jī)器人必須能準(zhǔn)確識(shí)別果實(shí)圖像。因此，該文提出了一種果實(shí)圖像識(shí)別新方法，該方法主要通過局部最大值進(jìn)行特征提取，從而確定果實(shí)的中心位置，同時(shí)還能夠確定果實(shí)的直徑和大小。為了驗(yàn)證該文提出的方法的正確性，將傳統(tǒng)的Hough 變換法與該文提出的方法應(yīng)用到蘋果采摘機(jī)器人中進(jìn)行對(duì)比測(cè)試，由測(cè)試數(shù)據(jù)可知，該文提出的方法對(duì)蘋果的識(shí)別率更高，可以廣泛地應(yīng)用到果實(shí)采摘機(jī)器人中。