張尋夢(mèng) 趙子皓 江曉東

摘要：為了便捷準(zhǔn)確地計(jì)算番茄果實(shí)長(zhǎng)度、寬度和投影面積表型參數(shù)并模擬果實(shí)重量，以番茄粉冠F1為試驗(yàn)材料，利用YOLOv3深度學(xué)習(xí)模型檢測(cè)和裁切番茄果實(shí)圖像，利用像素計(jì)算來(lái)分割番茄果實(shí)區(qū)域，將計(jì)算果實(shí)區(qū)域的6個(gè)特征參數(shù)輸入線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)（SVM）模型中反演果實(shí)重量，以期從圖像中獲取番茄果實(shí)表型參數(shù)及重量模擬結(jié)果。結(jié)果表明，YOLOv3模型對(duì)番茄果實(shí)檢測(cè)的平均精確度（AP）為90.06%；用果實(shí)長(zhǎng)度、寬度、投影面積計(jì)算的平均相對(duì)誤差分別為3.37%、5.65%、5.49%；用線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、SVM模型模擬得到的果實(shí)重量的平均相對(duì)誤差分別為44.68%、17.38%、6.45%。研究結(jié)果證實(shí)，從圖像處理中獲取番茄果實(shí)長(zhǎng)度、寬度、投影面積表型參數(shù)是可行的，SVM模型對(duì)番茄果實(shí)重量的模擬精度較高。

關(guān)鍵詞：番茄；果實(shí)；表型參數(shù)；重量；YOLOv3模型；支持向量機(jī)模型

中圖分類號(hào)：TP391；S126文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2023）10-0193-09

作物表型參數(shù)對(duì)產(chǎn)量、品質(zhì)的預(yù)估具有重要意義，傳統(tǒng)作物表型參數(shù)和產(chǎn)量主要通過(guò)人工觀測(cè)或遙感反演得到［1-2］，遙感反演往往用于較大面積的作物產(chǎn)量反演［3］，且難以反演室內(nèi)的設(shè)施作物產(chǎn)量。要計(jì)算果實(shí)表型參數(shù)，首先要檢測(cè)圖像中的果實(shí)。圖像目標(biāo)物檢測(cè)可以分為利用圖像色彩、形狀、紋理等特征進(jìn)行判別的傳統(tǒng)圖像處理算法［4-5］，以及利用深度學(xué)習(xí)模型對(duì)目標(biāo)物進(jìn)行檢測(cè)的算法［6-7］。傳統(tǒng)圖像處理算法應(yīng)用得較早［8］，Chien等設(shè)計(jì)了一種基于“橢圓形的霍夫變換”算法，對(duì)作物葉片進(jìn)行識(shí)別［9］；劉濤等利用色彩特征和紋理特征對(duì)圖像中的小麥穗進(jìn)行了識(shí)別［10］；王獻(xiàn)鋒等從圖像中提取了35個(gè)顏色、形狀、紋理參數(shù)，并利用判別分析方法對(duì)黃瓜的霜霉病、褐斑病和炭疽病進(jìn)行了識(shí)別，效果較好［11］。傳統(tǒng)圖像處理算法的計(jì)算速度較慢，利用深度學(xué)習(xí)方法可以實(shí)現(xiàn)更精準(zhǔn)、更快速的檢測(cè)［12-14］。1998年，Lecun等較早地提出了LeNET5網(wǎng)絡(luò)，主要用于手寫文字的圖像識(shí)別［15］。深度學(xué)習(xí)模型不斷發(fā)展，相較以往的深度學(xué)習(xí)模型，YOLOv3模型同時(shí)提高了計(jì)算速度和精度，已被廣泛用于蘋果果實(shí)、番茄果實(shí)、生姜幼苗等目標(biāo)檢測(cè)，在作物目標(biāo)檢測(cè)上取得了良好效果［13，16-19］。

大部分深度學(xué)習(xí)模型僅標(biāo)注目標(biāo)物的上下左右范圍，難以計(jì)算目標(biāo)物的投影面積。因此，傳統(tǒng)圖像處理算法具有更為靈活的優(yōu)勢(shì)。胡維煒等利用K-means聚類方法將大豆健康葉片和病葉區(qū)分開，并計(jì)算了病葉的像素面積，但是并沒(méi)有將結(jié)果計(jì)算為物理面積［20］。張萬(wàn)紅等利用灰度二值化處理，實(shí)現(xiàn)了蘋果葉片的分割，并計(jì)算了蘋果葉片的物理面積［21］。傳統(tǒng)圖像處理算法的目標(biāo)檢測(cè)精確度不及深度學(xué)習(xí)模型，而僅利用深度學(xué)習(xí)模型又難以精確計(jì)算作物目標(biāo)物的表型參數(shù)，這2種方法各有利弊。本研究將傳統(tǒng)圖像處理算法與YOLOv3深度學(xué)習(xí)模型結(jié)合，使其發(fā)揮各自的優(yōu)勢(shì)，建立通過(guò)圖像計(jì)算果實(shí)長(zhǎng)度、寬度、投影面積表型參數(shù)和重量模擬的方法，以期為便捷準(zhǔn)確地觀測(cè)作物果實(shí)表型參數(shù)和重量模擬提供科學(xué)依據(jù)。

1材料與方法

1.1資料來(lái)源

圖像于2021年4—5月拍攝于南京信息工程大學(xué)農(nóng)業(yè)氣象試驗(yàn)站人工溫室內(nèi)，選用的番茄品種為粉冠F1。在番茄結(jié)果至成熟期間晴天、多云、雨天的8：00、14：00、18：00分別多次拍攝不同光照條件下帶有果實(shí)的番茄作物圖像。圖像由2臺(tái)Alpha7RM3相機(jī)（Sony，JPN）及SEL50F12GM鏡頭（Sony，JPN）拍攝得到。采用類似人眼視角的50mm焦距定焦鏡頭，設(shè)置圖像分辨率為3840×2160像素。

用于訓(xùn)練YOLOv3番茄果實(shí)檢測(cè)模型的圖像為8000張，圖像從不同距離和角度拍攝，其中6000張圖像作為訓(xùn)練集，剩余2000張作為測(cè)試集。用于計(jì)算番茄果實(shí)表型參數(shù)及模擬果實(shí)重量的圖像為含有56個(gè)番茄果實(shí)的番茄全株圖像，圖像按照雙目視覺(jué)要求拍攝。雙目視覺(jué)系統(tǒng)（圖1）由帶有云臺(tái)、水平儀和滑軌的雙目相機(jī)支架固定型號(hào)相同的左目、右目相機(jī)組成，左右相機(jī)光軸互相平行，且相機(jī)坐標(biāo)系定義相同［22］，可通過(guò)對(duì)x坐標(biāo)軸的平移得到。相機(jī)架設(shè)高度都為0.70m，相機(jī)間距20.00cm。試驗(yàn)期間記錄被攝果實(shí)的長(zhǎng)度、寬度、投影面積及重量。在果實(shí)與左目相機(jī)間連線（利用細(xì)線實(shí)物連線），果實(shí)長(zhǎng)度、寬度用游標(biāo)卡尺在垂直于連線的平面上測(cè)量。果實(shí)長(zhǎng)度通過(guò)測(cè)量果實(shí)直徑最長(zhǎng)的位置得到，果實(shí)寬度通過(guò)測(cè)量果實(shí)最長(zhǎng)直徑的垂直方向上寬度最大的位置得到。果實(shí)投影面積通過(guò)統(tǒng)計(jì)投影面的網(wǎng)格數(shù)進(jìn)行測(cè)量，將底板按照垂直于果實(shí)與相機(jī)連線的平面置于果實(shí)后方，將果實(shí)固定在底板上，摘下果實(shí)后，確保果實(shí)在底板的投影形狀與相機(jī)拍攝的圖像一致。用細(xì)鉛筆芯在底板上帶有已知邊長(zhǎng)（1mm）的網(wǎng)格紙上垂直描繪果實(shí)邊緣線，用統(tǒng)計(jì)的邊緣線內(nèi)網(wǎng)格數(shù)乘以單位網(wǎng)格的面積，得到果實(shí)投影面積。用電子天平稱取果實(shí)重量。果實(shí)長(zhǎng)度、寬度、投影面積、重量均重復(fù)觀測(cè)3次，取平均值。

1.2處理方法

1.2.1相機(jī)標(biāo)定和畸變校正首先利用林中豪等的方法［23］標(biāo)定相機(jī)及校正圖像。本研究采用的標(biāo)定板網(wǎng)格邊長(zhǎng)為25mm。利用OpenCV對(duì)雙目相機(jī)分別進(jìn)行標(biāo)定和畸變校正。以左目相機(jī)拍攝的標(biāo)定板網(wǎng)格圖像為例，校正效果見(jiàn)圖2。校正后圖像四周受到小幅度拉伸。經(jīng)過(guò)校正，標(biāo)定板左上角黑色方格的左上角頂點(diǎn)像素分別僅向上、向左移動(dòng)了圖像高度、寬度的0.60%、0.52%，可見(jiàn)圖像畸變較輕微。

1.2.2YOLOv3深度學(xué)習(xí)模型YOLOv3模型將輸入圖片的分辨率轉(zhuǎn)化為416×416并劃分為S×S個(gè)網(wǎng)格后輸入以Darknet53為基礎(chǔ)的主干網(wǎng)絡(luò)，模型取消了池化層和最后的全連接層，采用步長(zhǎng)為2的卷積運(yùn)算進(jìn)行下采樣，在減少計(jì)算量的同時(shí)，保留了圖片不同尺度的語(yǔ)義信息［24］。模型得到13×13、26×26、52×52等3種尺度的特征圖，每個(gè)單元格設(shè)置3個(gè)錨框，共有10647個(gè)邊界框，對(duì)小目標(biāo)的檢測(cè)效果得到一定增強(qiáng)。將YOLOv3模型檢測(cè)的目標(biāo)范圍適當(dāng)擴(kuò)大，裁切出矩形番茄果實(shí)區(qū)域用于傳統(tǒng)圖像處理計(jì)算。

本研究用LabelImg軟件標(biāo)注訓(xùn)練集圖像，保存為VOC數(shù)據(jù)集。設(shè)置學(xué)習(xí)率（lr）為0.001，錨框數(shù)量和尺寸為默認(rèn)值，迭代次數(shù)為3000次。試驗(yàn)系統(tǒng)為Ubantu20.04，測(cè)試的框架為Tensorflow和Pytorch1.7版本，采用CUDA11.1版本并行計(jì)算框架，配合CUDNN7.4版本深度神經(jīng)網(wǎng)絡(luò)加速庫(kù)，主要硬件環(huán)境見(jiàn)表1。

式中：P為準(zhǔn)確率；R為召回率；TP為真實(shí)的正樣本數(shù)量；FP為虛假的正樣本數(shù)量；FN為虛假的負(fù)樣本數(shù)量。

YOLOv3模型對(duì)測(cè)試集圖像番茄果實(shí)的檢測(cè)效果見(jiàn)圖3，可見(jiàn)不同光照條件下的番茄果實(shí)都能被準(zhǔn)確檢測(cè)。模型的AP為90.06%。由于YOLOv3的損失函數(shù)考慮真實(shí)邊框與檢測(cè)邊框的歐氏距離，損失函數(shù)值與果實(shí)大小有一定關(guān)系，因此有可能遺漏小尺度目標(biāo)。

1.2.3傳統(tǒng)圖像處理算法的構(gòu)建

1.2.3.1構(gòu)建粗糙度參數(shù)用于分割番茄果實(shí)對(duì)參數(shù)二值化處理是常用的圖像分割方法［25］。由于番茄果實(shí)比其他區(qū)域更光滑，因此通過(guò)計(jì)算目標(biāo)像素在一定范圍內(nèi)（7×7像素區(qū)域）灰度值的標(biāo)準(zhǔn)差構(gòu)建粗糙度參數(shù)。為了減少計(jì)算量及背景干擾，僅對(duì)綠色（G）和紅色（R）像素進(jìn)行計(jì)算，當(dāng)像素藍(lán)色（B）大于R、G時(shí)不計(jì)算。經(jīng)過(guò)對(duì)樣本的處理分析，將粗糙度小于7的像素標(biāo)記為光滑區(qū)域，效果較好。由于通過(guò)YOLOv3模型裁切的圖像中果實(shí)占據(jù)絕大部分面積，因此可以通過(guò)保留面積最大的光滑區(qū)域，并對(duì)其進(jìn)行填充得到果實(shí)區(qū)域。

分別選取紅色輕微遮擋（簡(jiǎn)稱為A果，圖4-A至圖4-E）、綠色無(wú)遮擋（簡(jiǎn)稱為B果，圖4-F至圖4-J）、綠色較嚴(yán)重遮擋（簡(jiǎn)稱為C果，圖4-K至圖4-O）的果實(shí)進(jìn)行演示。圖4-A、圖4-F、圖4-K為原圖，圖4-B、圖4-G、圖4-L為利用Sobel算子得到的邊緣線，利用Sobel算子不僅不能得到完整的番茄果實(shí)邊緣線，還會(huì)產(chǎn)生過(guò)多的錯(cuò)誤邊緣線。從圖4-C、圖4-H、圖4-M可以看出，番茄果實(shí)被粗糙度高值區(qū)域包圍。由粗糙度得到的二值圖見(jiàn)圖4-D、圖4-I、圖4-N，可以看出，其中黃色區(qū)域?yàn)楣饣瑓^(qū)域，番茄果實(shí)內(nèi)部的光滑區(qū)域與外部的光滑區(qū)域被完全分割開，沒(méi)有粘連。番茄果實(shí)區(qū)域的提取結(jié)果見(jiàn)圖4-E、圖4-J、圖4-O。經(jīng)過(guò)對(duì)其余番茄果實(shí)圖像的處理和分析得出，在不同光照條件下，無(wú)論是成熟還是未成熟的番茄果實(shí)都能得到較好的提取。

1.2.3.2被遮擋區(qū)域的修復(fù)隨機(jī)三點(diǎn)定圓方法是水果遮擋區(qū)域修復(fù)的方法之一［26］（本研究簡(jiǎn)稱為“圓形法”）。圓形法將邊緣線至質(zhì)心距離的突變點(diǎn)作為缺口的端點(diǎn)［27-28］，刪除缺口后在正確的邊緣線上隨機(jī)取3點(diǎn)求解圓的方程［26］，重復(fù)計(jì)算50次取圓心、半徑均值。本研究將邊緣線上相鄰5個(gè)像素內(nèi)到質(zhì)心距離變化幅度超過(guò)平均距離3%的位置記作缺口端點(diǎn)。但是由于番茄果實(shí)形狀不規(guī)則，為了更好地利用原本正確的邊緣線，本研究還用圓形法得到的半徑繪制圓弧連接缺口端點(diǎn)，以此修復(fù)缺口，本研究簡(jiǎn)稱為“圓弧法”。

圖5-A、圖5-D、圖5-G為修復(fù)前的果實(shí)邊緣線；圖5-B、圖5-E、圖5-H為圓弧法修復(fù)得到的果實(shí)邊緣線，可見(jiàn)線條與番茄果實(shí)邊緣貼合較好；圖5-C、圖5-F、圖5-I為利用圓形法修復(fù)得到的果實(shí)邊緣線。經(jīng)過(guò)對(duì)各樣本的處理和分析，發(fā)現(xiàn)由于圓弧法可以保留正確的果實(shí)邊緣線，僅對(duì)缺口進(jìn)行修復(fù)，因此得到的線條更貼合果實(shí)邊緣，效果優(yōu)于圓形法，對(duì)不同光照條件下拍攝的圖像處理效果都較好。

1.2.3.3果實(shí)最長(zhǎng)、最寬位置的確定連接果實(shí)邊緣線上距離最遠(yuǎn)的2個(gè)點(diǎn)作為果實(shí)最長(zhǎng)距離，沿果實(shí)最長(zhǎng)位置的垂直方向計(jì)算距離最大的垂線作為果實(shí)最寬距離，詳見(jiàn)圖6。

1.2.3.4利用雙目視覺(jué)計(jì)算果實(shí)表型參數(shù)雙目視覺(jué)原理見(jiàn)圖7。

設(shè)視差值為d，目標(biāo)物P到相機(jī)平面的深度為Z，由相似三角形原理可得相關(guān)公式如下：

l-dl=Z-fZ。

基于標(biāo)定得到的相機(jī)參數(shù)，使用OpenCV提供的stereoRectify、remap函數(shù)進(jìn)行圖像的立體校正，使圖像的行得以對(duì)準(zhǔn)，并得到重投影矩陣Q［23］。利用OpenCV提供的SGBM算法進(jìn)行立體匹配，利用下列公式可以計(jì)算像素坐標(biāo)對(duì)應(yīng)的三維（3D）深度，其中W為非零常數(shù)，Q為重投影矩陣，d為視差值，（u，v）為目標(biāo)點(diǎn)坐標(biāo)，目標(biāo)點(diǎn)的三維坐標(biāo)為（X/W，Y/W，Z/W）［23］。使用reprojectImageTo3D函數(shù)實(shí)現(xiàn)三維坐標(biāo)計(jì)算，計(jì)算果實(shí)最長(zhǎng)、最寬處軸線端點(diǎn)對(duì)應(yīng)的三維坐標(biāo)位置，并計(jì)算果實(shí)的長(zhǎng)度、寬度。計(jì)算單位像素代表的物理投影面積，根據(jù)圖像中果實(shí)的像素投影面積計(jì)算物理投影面積。

Quvd1=XYZW

1.2.3.5果實(shí)亮度變化趨勢(shì)的計(jì)算由于不同厚度的果實(shí)在圖像上的陰影變化不同，果實(shí)區(qū)域亮度的變化可以間接反映出果實(shí)的厚度，對(duì)提高模型模擬能力有幫助。圖像處理中常用的亮度計(jì)算公式如下：

L=0.299×R+0.587×G+0.114×B。

式中：L為亮度；R為紅色分量的值；G為綠色分量的值；B為藍(lán)色分量的值。

計(jì)算果實(shí)區(qū)域像素的亮度值，由低到高排序，計(jì)算亮度變化的斜率（k），用于反映果實(shí)區(qū)域像素亮度的變化趨勢(shì)。不同投影面積的果實(shí)亮度變化斜率見(jiàn)圖8，可見(jiàn)果實(shí)區(qū)域亮度變化的斜率隨果實(shí)投影面積增大而減小。這是由于投影面積較大的

果實(shí)半徑較大，所以亮度變化較慢。

1.2.3.6果實(shí)色彩參數(shù)的計(jì)算果實(shí)區(qū)域RG差值（R減G）、RB差值（R減B）見(jiàn)圖9。總體而言，RG差值、RB差值隨果實(shí)投影面積增大呈增大的趨勢(shì)。這是由于一般而言，投影面積更大的果實(shí)更接近成熟，紅色值越大。由于存在體積較大的綠色番茄，RG、RB差值與果實(shí)投影面積沒(méi)有明顯關(guān)系，但色彩參數(shù)能夠反映果實(shí)的發(fā)育階段信息，間接反映不同發(fā)育階段的含水量差異等，在輸入機(jī)器學(xué)習(xí)模型后，對(duì)提高果實(shí)重量模擬準(zhǔn)確性有幫助。

1.2.4模擬果實(shí)重量選用線性回歸、BP神經(jīng)網(wǎng)絡(luò)、SVM模型3種方法對(duì)果實(shí)重量進(jìn)行模擬。選用果實(shí)長(zhǎng)度、寬度、投影面積、亮度變化斜率（k）、RG差值和RB差值共6個(gè)參數(shù)輸入模型，調(diào)試各模型參數(shù)，使模型能夠準(zhǔn)確模擬果實(shí)重量。將番茄數(shù)據(jù)分為訓(xùn)練集（占75%）及測(cè)試集（占25%），通過(guò)訓(xùn)練集數(shù)據(jù)訓(xùn)練3種模型，利用測(cè)試集數(shù)據(jù)驗(yàn)證模型的準(zhǔn)確性。

2結(jié)果與分析

2.1果實(shí)投影面積的計(jì)算

利用圓弧法修復(fù)遮擋區(qū)域后果實(shí)投影面積的計(jì)算結(jié)果見(jiàn)圖10-a，計(jì)算值與觀測(cè)值的r2為0.99，平均絕對(duì)誤差為0.31cm2，平均相對(duì)誤差為5.49%，均方根誤差（RMSE）為0.57cm2。利用圓形法修復(fù)遮擋區(qū)域后果實(shí)投影面積的計(jì)算結(jié)果見(jiàn)圖10-b，計(jì)算值與觀測(cè)值的r2為0.97，平均絕對(duì)誤差為0.65cm2，平均相對(duì)誤差為6.58%，RMSE為0.91cm2。利用圓弧法修復(fù)果實(shí)遮擋區(qū)域的效果優(yōu)于圓形法，這是由于圓形不能很好地貼合果實(shí)邊緣，因此本研究選用圓弧法對(duì)果實(shí)遮擋區(qū)域進(jìn)行修復(fù)。

2.2果實(shí)長(zhǎng)度、寬度計(jì)算

利用雙目視覺(jué)算法重建圖像的三維坐標(biāo)，計(jì)算果實(shí)的長(zhǎng)度、寬度。果實(shí)長(zhǎng)度計(jì)算值與觀測(cè)值的關(guān)系見(jiàn)圖11-a，r2為0.98，平均絕對(duì)誤差為0.12cm，平均相對(duì)誤差為3.37%，RMSE為0.15cm。果實(shí)寬度計(jì)算值與觀測(cè)值的關(guān)系見(jiàn)圖11-b，r2為0.97，平均絕對(duì)誤差為0.17cm，平均相對(duì)誤差為5.65%，RMSE為0.19cm?？梢钥闯觯秒p目視覺(jué)算法得到的果實(shí)長(zhǎng)度、寬度較為準(zhǔn)確。

2.3果實(shí)重量模擬

調(diào)試模型參數(shù)，設(shè)置BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)為15萬(wàn)次，中間層節(jié)點(diǎn)數(shù)為15個(gè)，學(xué)習(xí)率（lr）為0.0001。調(diào)試SVM模型的C、γ參數(shù)。3種模型的訓(xùn)練效果見(jiàn)圖12，線性回歸、BP神經(jīng)網(wǎng)絡(luò)、SVM模型的r2分別為0.95、0.97、0.99。3種模型訓(xùn)練集對(duì)果實(shí)重量模擬的評(píng)價(jià)見(jiàn)表2，線性回歸模型誤差最大，平均相對(duì)誤差為48.59%。SVM模型的誤差最小，平均相對(duì)誤差為5.29%。線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型對(duì)較輕的果實(shí)重量模擬效果較差，導(dǎo)致平均相對(duì)誤差較大。

3種模型對(duì)測(cè)試集果實(shí)重量的模擬值與觀測(cè)值對(duì)比見(jiàn)圖13。線性回歸模型的r2較小，為0.92，BP神經(jīng)網(wǎng)絡(luò)、SVM模型的r2分別為0.97、0.99。3種模型測(cè)試集對(duì)果實(shí)重量模擬的評(píng)價(jià)見(jiàn)表3，可見(jiàn)線性回歸模型對(duì)果實(shí)重量模擬誤差最大，平均相對(duì)誤差為44.68%。SVM模型誤差最小，平均相對(duì)誤差為6.45%。由此可見(jiàn)，SVM模型對(duì)果實(shí)重量的模擬精度較高，能夠滿足需求。

3討論與結(jié)論

YOLOv3模型的檢測(cè)精高、速度快［24］，對(duì)番茄果實(shí)檢測(cè)的AP為90.06%。利用YOLOv3模型的目標(biāo)檢測(cè)結(jié)果能夠有效縮小傳統(tǒng)圖像處理算法的計(jì)算區(qū)域，減少背景干擾，在提高處理速度的同時(shí)減小處理難度［29］。

利用粗糙度參數(shù)分割番茄果實(shí)具有較強(qiáng)的適用性，這是由于不同光照條件、生長(zhǎng)發(fā)育階段的番茄果實(shí)都比葉片等背景物更光滑。如果利用Sobel算子、Canny算子、Prewitt算子等傳統(tǒng)邊緣檢測(cè)算法［30］，則會(huì)出現(xiàn)較多錯(cuò)誤的邊緣線［31］。如果在這些邊緣線基礎(chǔ)上利用各種圓形檢測(cè)方法來(lái)分割番茄果實(shí)，則會(huì)導(dǎo)致較大誤差，這是由于圓形不能緊貼果實(shí)邊緣。

利用圓弧連接果實(shí)邊緣線缺口端點(diǎn)可以有效對(duì)果實(shí)區(qū)域的缺口進(jìn)行修補(bǔ)，效果優(yōu)于利用正圓形。采用隨機(jī)三點(diǎn)定圓的方法確定圓心和半徑，可以實(shí)現(xiàn)對(duì)邊緣線的自適應(yīng)，在保證結(jié)果準(zhǔn)確性的同時(shí)，能夠避免霍夫變換等方法需要較大計(jì)算量和儲(chǔ)存空間的缺點(diǎn)［32］。

利用雙目視覺(jué)原理計(jì)算目標(biāo)物長(zhǎng)度、寬度及投影面積表型參數(shù)是可行的。對(duì)果實(shí)長(zhǎng)度、寬度、投影面積計(jì)算的平均相對(duì)誤差分別為3.37%、5.65%、5.49%。雙目視覺(jué)算法可以實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)的自適應(yīng)，可以構(gòu)建用不同距離、角度拍攝目標(biāo)物的空間坐標(biāo)信息，在實(shí)際應(yīng)用中適用性較強(qiáng)。

在線性回歸、BP神經(jīng)網(wǎng)絡(luò)、SVM等3種模型中，SVM模型對(duì)番茄果實(shí)重量的模擬效果最好，平均相對(duì)誤差為6.45%。不同機(jī)器學(xué)習(xí)模型有各自的特征。例如BP神經(jīng)網(wǎng)絡(luò)具有可處理數(shù)據(jù)量大、計(jì)算較快的優(yōu)勢(shì)，但模型結(jié)構(gòu)復(fù)雜，學(xué)習(xí)能力強(qiáng)，容易造成過(guò)擬合，模型調(diào)參過(guò)程繁瑣，調(diào)參不當(dāng)容易導(dǎo)致誤差。SVM模型計(jì)算結(jié)果準(zhǔn)確，且適用于小樣本數(shù)據(jù)，在僅有幾十個(gè)樣本數(shù)據(jù)的情況下也能取得較好的模擬效果［33］。支持向量機(jī)模型的模擬結(jié)果可以由少數(shù)支持向量來(lái)決定，而不是所有的輸入數(shù)據(jù)，這樣可以抓住關(guān)鍵樣本數(shù)據(jù)，避免模型學(xué)習(xí)到錯(cuò)誤樣本的信息，降低過(guò)擬合現(xiàn)象發(fā)生的可能性，但SVM在數(shù)據(jù)量過(guò)大時(shí)計(jì)算速度較慢。由此可見(jiàn)，選取合適的果實(shí)重量模擬模型十分重要。

由于裁切出的果實(shí)圖像基本小于200×200像素，傳統(tǒng)圖像算法程序的處理時(shí)間得到控制。在本研究數(shù)據(jù)和硬件環(huán)境下，YOLOv3模型處理1張圖像平均耗時(shí)0.11s，果實(shí)分割與遮擋區(qū)修復(fù)、雙目匹配和三維重建等程序耗時(shí)3.16s。雖然不能用于對(duì)視頻的實(shí)時(shí)處理，但是考慮到番茄果實(shí)的表型參數(shù)和重量變化緩慢，且該方法能夠有效分割番茄果實(shí)并計(jì)算表型參數(shù)和重量，因此也能夠滿足實(shí)際生產(chǎn)中的需要。

研究結(jié)果表明，利用YOLOv3模型檢測(cè)番茄果實(shí)位置是可行的，檢測(cè)的AP為90.06%，計(jì)算速度快。利用雙目視覺(jué)算法計(jì)算果實(shí)表型參數(shù)準(zhǔn)確度較高，對(duì)果實(shí)長(zhǎng)度、寬度、投影面積計(jì)算的平均相對(duì)誤差分別為3.37%、5.65%、5.49%。利用支持向量機(jī)模型模擬番茄果實(shí)重量的精度較高，平均相對(duì)誤差為6.45%，可以滿足應(yīng)用需求。

參考文獻(xiàn)：

［1］任建強(qiáng)，陳仲新，周清波，等.MODIS植被指數(shù)的美國(guó)玉米單產(chǎn)遙感估測(cè)［J］.遙感學(xué)報(bào)，2015，19（4）：568-577.

［2］WengertM，PiephoHP，AstorT，etal.AssessingspatialvariabilityofbarleywholecropbiomassyieldandleafareaindexinsilvoarableagroforestrysystemsusingUAV-borneremotesensing［J］.RemoteSensing，2021，13（14）：2751.

［3］何亞娟，潘學(xué)標(biāo)，裴志遠(yuǎn)，等.基于SPOT遙感數(shù)據(jù)的甘蔗葉面積指數(shù)反演和產(chǎn)量估算［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（5）：226-231.

［4］FuHY，WangCF，CuiGX，etal.RamieyieldestimationbasedonUAVRGBimages［J］.Sensors，2021，21（2）：669.

［5］周彤，程萬(wàn)強(qiáng)，劉濤，等.基于圖像技術(shù)的葡萄生長(zhǎng)監(jiān)測(cè)研究進(jìn)展［J］.北方園藝，2018（24）：156-161.

［6］TellaecheA，Burgos-ArtizzuXP，PajaresG，etal.Avision-basedmethodforweedsidentificationthroughtheBayesiandecisiontheory［J］.PatternRecognition，2008，41（2）：521-530.

［7］KamalNA，KaranS，GaneshCB，etal.Weedrecognitionusingimage-processingtechniquebasedonleafparameters［J］.JournalofAgriculturalScienceandTechnologyB，2012，2（8）：899-908.

［8］MeyerGE，DavisonDA.Anelectronicimageplantgrowthmeasurementsystem［J］.TransactionoftheASAE，1987，30（1）：242-248.

［9］ChienCF，LinTT.Non-destructivegrowthmeasurementofselectedvegetableseedlingsusingorthogonalimages［J］.TransactionoftheASAE，2005，48（5）：1953-1961.

［10］劉濤，孫成明，王力堅(jiān)，等.基于圖像處理技術(shù)的大田麥穗計(jì)數(shù)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（2）：282-290.

［11］王獻(xiàn)鋒，張善文，王震，等.基于葉片圖像和環(huán)境信息的黃瓜病害識(shí)別方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2014，30（14）：148-153.

［12］鄭遠(yuǎn)攀，李廣陽(yáng)，李曄.深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用研究綜述［J］.計(jì)算機(jī)工程與應(yīng)用，2019，55（12）：20-36.

［13］AravindKR，RajaP，AniirudhR.Tomatocropdiseaseclassificationusingpre-traineddeeplearningalgorithm［J］.ProcediaComputerScience，2018，133：1040-1047.

［14］LiDS，WangRJ，XieCJ，etal.Arecognitionmethodforriceplantdiseasesandpestsvideodetectionbasedondeepconvolutionalneuralnetwork［J］.Sensors，2020，20（3）：578-598.

［15］LecunY，BottouL.Gradient-basedlearningappliedtodocumentrecognition［J］.ProceedingsoftheIEEE，1998，86（11）：2278-2324.

［16］AnnaK，TatianaM，VladimirS.UsingYOLOv3algorithmwithpre-andpost-processingforappledetectioninfruit-harvestingrobot［J］.Agronomy，2020，10（7）：1016-1034.

［17］LiuGX，JosephCN，PhilippeLTM，etal.YOLO-tomato：arobustalgorithmfortomatodetectionbasedonYOLOv3［J］.Sensors，2020，20（7）：2145-2164.

［18］侯加林，房立發(fā)，吳彥強(qiáng)，等.基于深度學(xué)習(xí)的生姜種芽快速識(shí)別及其朝向判定［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（1）：213-222.

［19］TianYN，YangGD，WangZ，etal.AppledetectionduringdifferentgrowthstagesinorchardsusingtheimprovedYOLO-V3model［J］.ComputersandElectronicsinAgriculture，2019，157：417-426.

［20］胡維煒，張武，劉連忠，等.利用圖像處理技術(shù)計(jì)算大豆葉片相對(duì)病斑面積［J］.江蘇農(nóng)業(yè)學(xué)報(bào)，2016，32（4）：774-779.

［21］張萬(wàn)紅，姬洪飛，劉勇剛.基于Matlab解析數(shù)字圖像求解蘋果葉面積的方法［J］.北方園藝，2017（3）：15-18.

［22］岳麗清，賈馨，苗洋，等.機(jī)械臂雙目視覺(jué)系統(tǒng)內(nèi)外參高精度標(biāo)定［J］.紅外與激光工程，2021，50（9）：262-268.

［23］林中豪，高曉陽(yáng)，邵世祿，等.葡萄園田間機(jī)器人雙目測(cè)距系統(tǒng)設(shè)計(jì)［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2019，40（4）：179-183.

［24］宋栓軍，侯中原，王啟宇，等.改進(jìn)YOLOV3算法在零件識(shí)別中的應(yīng)用［J］.機(jī)械科學(xué)與技術(shù)，2022，41（10）：1608-1614.

［25］FanJL，LeiB.Amodifiedvalley-emphasismethodforautomaticthresholding［J］.PatternRecognitionLetters，2012，33（6）：703-708.

［26］劉振宇，丁宇祺.自然環(huán)境中被遮擋果實(shí)的識(shí)別方法研究［J］.計(jì)算機(jī)應(yīng)用研究，2020，37（增刊2）：333-335，339.

［27］RajneeshB，WonSL，SaumyaS.GreencitrusdetectionusingfastFouriertransform（FFT）leakage［J］.PrecisionAgriculture，2013，14（1）：59-70.

［28］夏雪，周國(guó)民，丘耘，等.自然環(huán)境下蘋果作業(yè)機(jī)器人雙果重疊目標(biāo)偵測(cè)方法［J］.中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2018，20（7）：63-73.

［29］劉芳，劉玉坤，張白.基于D-YOLOv3檢測(cè)網(wǎng)絡(luò)的溫室葉菜幼苗圖像檢測(cè)［J］.江蘇農(nóng)業(yè)學(xué)報(bào)，2021，37（5）：1262-1269.

［30］YangS，HsiaoSH.266/VVCfastintrapredictionusingSobeledgefeatures［J］.ElectronicsLetters，2020，57（1）：11-13.

［31］BaoP，ZhangL，WuXL.Cannyedgedetectionenhancementbyscalemultiplication［J］.IEEETransactionsonPatternAnalysisandMachineIntelligence，2005，27（9）：1485-1490.

［32］王拓.基于改進(jìn)霍夫變換的幾何形狀檢測(cè)算法研究［D］.南京：南京航空航天大學(xué)，2017.

［33］楊梅，李廣.小麥產(chǎn)量預(yù)測(cè)模型的仿真研究［J］.計(jì)算機(jī)仿真，2013，30（10）：382-385.