發(fā)布時(shí)間：所屬分類：計(jì)算機(jī)職稱論文瀏覽：1次
摘 要： 摘 要：在玉米育種和品質(zhì)研究中，經(jīng)常需要對(duì)玉米的果穗長度、果穗寬度、穗行數(shù)、穗粒數(shù)等參數(shù)進(jìn)行測(cè)量。該研究提出了一種基于機(jī)器視覺的玉米果穗?yún)?shù)圖像測(cè)量方法。使用 PC 攝像頭連續(xù)采集旋轉(zhuǎn)臺(tái)上的玉米果穗圖像，經(jīng)過圖像處理，獲得玉米穗的圖像區(qū)域，進(jìn)而得到玉米果
摘 要：在玉米育種和品質(zhì)研究中，經(jīng)常需要對(duì)玉米的果穗長度、果穗寬度、穗行數(shù)、穗粒數(shù)等參數(shù)進(jìn)行測(cè)量。該研究提出了一種基于機(jī)器視覺的玉米果穗?yún)?shù)圖像測(cè)量方法。使用 PC 攝像頭連續(xù)采集旋轉(zhuǎn)臺(tái)上的玉米果穗圖像，經(jīng)過圖像處理，獲得玉米穗的圖像區(qū)域，進(jìn)而得到玉米果穗的穗長和穗寬參數(shù);通過對(duì)玉米果穗局部區(qū)域的 x 方向和 y 方向累計(jì)像素值曲線進(jìn)行分析，提取出玉米穗行，獲得每一穗行的穗粒數(shù)和穗行寬度;通過圖像匹配，獲得玉米果穗的穗行數(shù)。試驗(yàn)表明, 使用該研究方法對(duì)玉米果穗的長度、寬度和穗行數(shù)的參數(shù)測(cè)量準(zhǔn)確率可達(dá) 98% 以上，對(duì)穗行寬及總穗粒數(shù)測(cè)量準(zhǔn)確率達(dá) 95%以上，整穗的平均檢測(cè)時(shí)間約 102 s/穗。該研究實(shí)現(xiàn)了玉米果穗?yún)?shù)快速有效的自動(dòng)檢測(cè)，相對(duì)于目前采用的人工檢測(cè)，大大提供檢測(cè)效率，降低勞動(dòng)強(qiáng)度，可應(yīng)用于玉米千粒質(zhì)量檢測(cè)、產(chǎn)量預(yù)測(cè)、育種和品質(zhì)分析等場(chǎng)合。
關(guān)鍵詞：圖像處理;機(jī)器視覺;糧食;玉米果穗;參數(shù)測(cè)量;累計(jì)像素值分布
0 引 言
玉米是世界上分布最廣泛的糧食作物之一，種植面積僅次于小麥和水稻。而中國是世界第二大玉米生產(chǎn)國，20 世紀(jì) 90 年代，常年播種面積 23.3～ 25.3×106 hm2 。在對(duì)玉米育種、栽培、新品種測(cè)試及品質(zhì)評(píng)估等農(nóng)業(yè)研究中，經(jīng)常需要對(duì)玉米穗形狀及數(shù)量參數(shù)(如穗行數(shù)、行粒數(shù)和千粒質(zhì)量等)進(jìn)行測(cè)量[1]。另外，對(duì)玉米產(chǎn)量的預(yù)測(cè)主要有遙感(remote sensing)預(yù)測(cè)[2-3]、模型預(yù)測(cè) [4-7]、傳感器預(yù)測(cè)[8]和田間取樣預(yù)測(cè)等。其中，田間取樣預(yù)測(cè)需要根據(jù)理論產(chǎn)量公式進(jìn)行產(chǎn)量預(yù)估，在地塊較小、缺乏歷史數(shù)據(jù)或技術(shù)不完備的情況下,該方法非常簡單有效。在玉米產(chǎn)量預(yù)測(cè)中，玉米理論產(chǎn)量(kg/hm2 )=公頃穗數(shù)×穗粒數(shù)×百粒質(zhì)量(被測(cè)品種前 3 年平均數(shù))×85%×10-5，因此穗粒數(shù)也是衡量玉米產(chǎn)量的主要參數(shù)。
目前，玉米的形狀及數(shù)量參數(shù)的測(cè)量主要由人工完成，易導(dǎo)致人眼疲勞，影響檢測(cè)效率和準(zhǔn)確度。
機(jī)器視覺技術(shù)在近年來有了很大發(fā)展，其應(yīng)用已滲透到農(nóng)業(yè)生產(chǎn)的各個(gè)領(lǐng)域。例如，使用機(jī)器視覺對(duì)農(nóng)作物生長情況進(jìn)行監(jiān)測(cè)，對(duì)農(nóng)產(chǎn)品的品質(zhì)進(jìn)行檢驗(yàn)，對(duì)田間施肥、中耕等作業(yè)進(jìn)行管理或控制等[9]，也出現(xiàn)了一些基于機(jī)器視覺的谷物外觀檢測(cè)和種子千粒質(zhì)量檢測(cè)的試驗(yàn)裝置設(shè)計(jì)[10-12]。在國外，Gunasekaran 等[13-14]使用機(jī)器視覺檢測(cè)玉米等谷物的外部物理損傷和霉變。Panigrahi 等[15-17]使用機(jī)器視覺檢測(cè)谷物的尺寸。Majumdar 等[18-20]使用機(jī)器視覺對(duì)谷物種類進(jìn)行識(shí)別分類。在國內(nèi)，包曉敏等[21-25]利用機(jī)器視覺和圖像處理技術(shù)對(duì)大米外觀品質(zhì)進(jìn)行檢測(cè)。楊華東等[26-28]研究了糧食顆粒檢測(cè)的圖像處理算法。韓仲志等[29]以玉米穗橫截面為目標(biāo),使用圖像處理的方法統(tǒng)計(jì)玉米的粒行數(shù)。
上述研究都是對(duì)玉米進(jìn)行脫粒后檢測(cè)，或?qū)τ衩坠脒M(jìn)行切割后檢測(cè)，可檢測(cè)的形狀及數(shù)量參數(shù)相對(duì)較少。本研究設(shè)計(jì)較低成本的試驗(yàn)裝置直接對(duì)玉米果穗進(jìn)行各種參數(shù)的快速圖像檢測(cè)，包括玉米穗長、穗寬、穗行數(shù)、行粒數(shù)和穗粒數(shù)等，為玉米育種和玉米產(chǎn)量估計(jì)提供依據(jù)。
1 試驗(yàn)設(shè)備
試驗(yàn)設(shè)備包括:計(jì)算機(jī)、數(shù)據(jù)采集與控制模塊、玉米果穗旋轉(zhuǎn)裝置和圖像采集裝置，如圖 1 所示。其中，計(jì)算機(jī)的配置為：CPU U5400，主頻 1.2 GHz，內(nèi)存 2G。數(shù)據(jù)采集與控制模塊采用北京中泰研創(chuàng)科技有限公司生產(chǎn)的 USB7503。圖像采集裝置包括 PC 攝像頭和可調(diào)節(jié)支架，PC 攝像頭使用 Intel 公司生產(chǎn)的 CS630。玉米果穗旋轉(zhuǎn)裝置由步進(jìn)電機(jī)、電機(jī)驅(qū)動(dòng)器、24VDC 電源和機(jī)械部分組成。選用北京精工成有限公司的兩相混合式57BYG250型步進(jìn)電機(jī)和 SD-225M 型驅(qū)動(dòng)器，步距角為 1.8°，有 8 種細(xì)分方式，輸出驅(qū)動(dòng)電流為 0.6～1.7A。機(jī)構(gòu)部分包括底座、果穗連接件和其他固定安裝部件。其中，底座用于固定步進(jìn)電機(jī)、電機(jī)驅(qū)動(dòng)器和電源，底座下方裝有 4 個(gè)橡膠墊，用于減振;果穗連接件將玉米果穗與步進(jìn)電機(jī)的轉(zhuǎn)軸連接起來，并且使果穗軸心線和步進(jìn)電機(jī)轉(zhuǎn)軸盡量一致。
USB7503 模塊和PC 攝像頭通過USB 接口與計(jì)算機(jī)相連，PC 攝像頭固定在調(diào)節(jié)支架上，可進(jìn)行高度和角度調(diào)節(jié)。步進(jìn)電機(jī)以 4.5°/s 的速度驅(qū)動(dòng)旋轉(zhuǎn)臺(tái)逆時(shí)針帶動(dòng)果穗旋轉(zhuǎn)，PC 攝像頭按照設(shè)定方法采集果穗圖像。圖像背景使用黑色，通過調(diào)整 PC 攝像頭的距離和方位，使玉米果穗在水平方向盡可能大而且完整、清晰地呈現(xiàn)在圖像中央。
2 測(cè)量算法
在測(cè)量前，通過相機(jī)標(biāo)定，求出單位像素對(duì)應(yīng)的實(shí)際長度(標(biāo)定值)，記做 K(mm/像素)。
本研究根據(jù)玉米果穗上籽粒間縫隙灰度值較小的特點(diǎn)，通過分析累計(jì)像素值曲線上的凹點(diǎn)，尋找籽粒間的縫隙，從而獲得玉米果穗主要參數(shù)。
2.2 確定玉米果穗?yún)^(qū)域
將采集到的彩色圖像轉(zhuǎn)變成 R(red)、G (green)、B(blue)3 幀灰度圖像。由于 G 幀圖像相對(duì)于背景比較清晰，因此對(duì) G 幀圖像采用大津法進(jìn)行二值化處理，之后對(duì)二值圖像進(jìn)行去噪和補(bǔ)洞處理，得到后續(xù)處理的二值圖像。
首先對(duì)二值圖像進(jìn)行輪廓追蹤處理[30]，獲得最長輪廓線的外接矩形坐標(biāo)。將該矩形區(qū)域作為玉米果穗圖像處理區(qū)域，記作 S1。如圖 2 所示，S1 的長度記為 Dx，高度記為 Dy，S1 左上角坐標(biāo)為(xs，ys)，右下角坐標(biāo)為(xe，ye)。則當(dāng)前整個(gè)果穗的像素長度 Li = Dx，果穗長度的檢測(cè)值 Lm =Dx×K。
有的果穗存在禿尖，為避免禿尖部分對(duì)后續(xù)穗粒數(shù)檢測(cè)產(chǎn)生影響，需要判斷果穗是否存在禿尖，如果存在，則將禿尖部分去除。本研究利用禿尖處果穗直徑較小的特點(diǎn)，設(shè)玉米輪廓上具有相同 x 坐標(biāo)且距離為 Dy /2 處的 2 點(diǎn)，其 x 坐標(biāo)為 xs′(如圖 1 所示，其中矩形區(qū)域?yàn)?S1，橢圓代表玉米輪廓)，若|xs′−xs|大于 Dy /4，則認(rèn)為玉米果穗存在禿尖，將圖 1 中線 x=xs′左側(cè)部分從 S1 區(qū)域去除，剩余區(qū)域作為 S1 的修正區(qū)域 S1′。
2.3 單個(gè)玉米穗行提取與測(cè)量
由于圖像的中心位置最清晰，因此本研究通過旋轉(zhuǎn)果穗，使每一穗行都依次旋轉(zhuǎn)至中心穗行位置進(jìn)行提取。
由于玉米穗的中間偏根部的籽粒排列相對(duì)較好，因此選取玉米穗處理區(qū)域中心在水平方向距離根部 Dx/4 處為提取的起始點(diǎn) C，圖像坐標(biāo)為(xc, yc)。點(diǎn) C 處的穗行稱為中心穗行。將果穗外輪廓與直線 x=xc的 2 個(gè)交點(diǎn)之間的距離作為當(dāng)前果穗像素寬度 Wi，則果穗寬度的檢測(cè)值 Wm=Wi×K(mm)。
以點(diǎn) C 為中心，取一區(qū)域 S2，作為處理區(qū)域，其 x 方向?qū)挾扔洖?Sx，y 方向?qū)挾葹橛洖?Sy(本研究設(shè) Sx為 40、Sy為 0.8Dy)，如圖 3 所示(矩形區(qū)域?yàn)?S2，橢圓表示玉米籽粒)。將直線 xc 與點(diǎn) C 所在的中心穗行上下邊緣的交點(diǎn)記作 A 和 B 點(diǎn)，其坐標(biāo)記為(xc, ya)和 (xc, yb)。
根據(jù)式(1)，對(duì)以 C 點(diǎn)為中心的 S2 區(qū)域的 Fx(y) 曲線進(jìn)行凹點(diǎn)分析。用式(3)，取 D=3，獲得 Fx(y) 的平滑曲線 Fxs(y)1;取 D= 0.4Sy+1，獲得 Fx (y)的趨勢(shì)曲線 Fxs(y)2。比較曲線 Fxs(y)1和 Fxs(y)2，獲得多個(gè)凹點(diǎn)，并計(jì)算凹點(diǎn)平均距離 Dpr。將相鄰距離小于 Dpr/2 的凹點(diǎn)剔除，剩余凹點(diǎn)中在 y 方向距離 yc 最近的上下 2 個(gè)凹點(diǎn)的 y 坐標(biāo)作為 A 點(diǎn)和 B 點(diǎn)的 y 坐標(biāo)，即 ya和 yb(其中 ya
同理，以 B 點(diǎn)(xc，yb)為起始已知點(diǎn)，使用相同的方法可獲取當(dāng)前玉米穗行的下邊緣點(diǎn)的坐標(biāo)。最后，根據(jù)玉米穗行上下邊緣點(diǎn)的坐標(biāo)信息提取出上下邊緣限定范圍的玉米中心穗行圖像。
在圖像中，依次將具有相同 x 坐標(biāo)的玉米中心穗行上下邊緣的 y 坐標(biāo)值相減，即可獲得該穗行任意處的穗行寬。試驗(yàn)中，本研究將[xc−Dx/8，xc+Dx/8] 處的平均穗行寬度作為該穗行的像素寬度 Wri。該穗行的穗行寬檢測(cè)值 Wrm= Wri×K。
相關(guān)知識(shí)推薦：計(jì)算機(jī)視覺圖像處理論文怎么發(fā)表ei期刊
對(duì)于所提取的單個(gè)玉米穗行圖像，由于籽粒縫隙的像素值相對(duì)籽粒圖像低很多，因此曲線上凹點(diǎn)對(duì)應(yīng)玉米籽粒縫隙。根據(jù)式(2)，本研究對(duì)每一幅提取出的玉米穗行圖像，在圖像區(qū)域 S1′中對(duì) y 方向累計(jì)像素值曲線 Fy(x)進(jìn)行分析，使用式(4)，對(duì)其 D=3 的平滑曲線 Fys(x)1 與 D=Ri/3 的趨勢(shì)曲線 Fys(x)2 進(jìn)行比較，獲得曲線上凹點(diǎn)的位置及個(gè)數(shù) Npc，并計(jì)算凹點(diǎn)平均距離 Dpc。在分析凹點(diǎn)過程中，由于穗行兩端不如中間段整齊，本研究從處理區(qū)域 S1 的寬度中心處開始向左和向右分別掃描;
3 結(jié)果及分析
3.1 試驗(yàn)方法
本研究采用的圖像分辨率為 640×480 像素，標(biāo)定值 K=0.4215。
在試驗(yàn)中，共隨機(jī)選取無大面積缺粒或霉變的新鮮玉米和干燥玉米各 20 個(gè)，使用本研究的算法，在室內(nèi)使用臺(tái)燈燈光，進(jìn)行玉米果穗形狀及數(shù)量參數(shù)檢測(cè)。使用卡尺對(duì)每穗的穗長和穗寬進(jìn)行 5 點(diǎn)檢測(cè)，并求平均，作為其實(shí)際值。機(jī)器視覺的檢測(cè)結(jié)果與實(shí)際值之差的絕對(duì)值占實(shí)際值的比值視為誤差率 Re，則準(zhǔn)確率 Ra=100%−Re。
3.2 結(jié)果與分析
圖 5 為玉米果穗連續(xù)提取穗行時(shí)獲取 A 點(diǎn)和 B 點(diǎn)時(shí)的 2 種情況，每例的右側(cè)為玉米圖像，左側(cè)表示 S2 區(qū)域中 Fx(y)的平滑曲線 Fxs(y)1 和趨勢(shì)曲線 Fxs(y)2，以及表示凹點(diǎn)位置的脈沖曲線 R。從圖 5 中可以看出，使用 x 方向累計(jì)像素值曲線 Fx(y)的平滑曲線 Fxs(y)1 和趨勢(shì)曲線 Fxs(y)2 來判斷凹點(diǎn)，可有效去除曲線 Fx(y)上的毛刺干擾和傾斜引起的誤判。由于獲取 A 點(diǎn)和 B 點(diǎn)只需要區(qū)域中間的兩處凹點(diǎn)，因此圖 5 中的圖 a 和圖 b 均有效判斷出 A 點(diǎn)和 B 點(diǎn)。同理，應(yīng)用該方法也可有效提取玉米穗行和分割玉米籽粒。
新鮮樣本的試驗(yàn)數(shù)據(jù)如表 1 所示，干燥樣本的試驗(yàn)數(shù)據(jù)如表 2 所示，而穗行數(shù)的檢測(cè)值范圍為12～20，準(zhǔn)確率為 100%，在表中未列出。
分析試驗(yàn)結(jié)果，果穗長度、寬度和穗行數(shù)檢測(cè)比穗行寬和穗粒數(shù)檢測(cè)的平均準(zhǔn)確率要高。而穗行寬的檢測(cè)誤差主要是因?yàn)槠鋱D像單個(gè)像素誤差占穗行像素寬比例較大，可通過提高圖像分辨率來改善。穗粒數(shù)的檢測(cè)誤差主要是因?yàn)榇蟛糠止敫康淖蚜Ｅ帕羞^于凌亂。比較新鮮玉米和干燥玉米的檢測(cè)結(jié)果，果穗長度、寬度、穗行寬度和穗行數(shù)的檢測(cè)結(jié)果均相差不超過 1%，但新鮮玉米穗粒數(shù)檢測(cè)精度比干燥玉米低 3.29%，主要是由于新鮮玉米籽粒縫隙不明顯，使其籽粒檢測(cè)誤差增加。試驗(yàn)中，整穗的平均檢測(cè)速度為 102 s/穗。
4 結(jié) 論
1)使用機(jī)器視覺的方法獲得玉米果穗圖像，通過二值化和去噪、補(bǔ)洞處理，可有效提取玉米果穗處理區(qū)域及果穗長和果穗寬參數(shù)。
2)應(yīng)用累計(jì)像素值平滑曲線和趨勢(shì)曲線判斷凹點(diǎn)的方法可準(zhǔn)確判斷出對(duì)應(yīng)玉米中心穗行縫隙的凹點(diǎn)，并有效提取中心穗行，同時(shí)可獲得穗行寬和中心穗行上的穗粒數(shù)。
3)以首次提取的玉米穗行的下邊緣點(diǎn)為參考點(diǎn)，通過判斷相鄰穗行下邊緣與參考點(diǎn)的接近程度，并通過圖像匹配，可準(zhǔn)確地連續(xù)提取所有的玉米果穗穗行，從而獲得玉米果穗的穗行數(shù)和玉米果穗的總粒數(shù)。
4)試驗(yàn)證明，本算法對(duì)玉米果穗長度、果穗寬度和穗行數(shù)的檢測(cè)準(zhǔn)確度較高，在 98%以上;穗行寬度及穗粒數(shù)檢測(cè)平均準(zhǔn)確率為 95%以上;整穗的平均檢測(cè)速度為 102 s/穗。 ——論文作者：劉長青 1 ，陳兵旗 2※
[參 考 文 獻(xiàn)]
[1] 連艷鮮，何金環(huán).高產(chǎn)玉米雜交種產(chǎn)量構(gòu)成因素和穗部性狀研究[J].安徽農(nóng)業(yè)科學(xué)，2007，35(24)：7430 -7431. Lian Yanxian, He Jinhuan. Study on the yield component factors and ear characters of high-yield maize hybrid[J]. Journal of Anhui Agri, 2007, 35(24): 7430-7431. (in Chinese with English abstract)
[2] Shanahan J F, Schepers J S, Francis D D, et al. Use of remote-sensing imagery to estimate corn grain yield[J]. Agronomy Journal, 2001, 93(3): 583-589.
[3] Lobell D B, Asner G P, Ortiz-Monasterio J I, et al. Remote sensing of regional crop production in the Yaqui Valley, Mexico: Estimates and uncertainties[J]. Agriculture Ecosystems Environment, 2003, 94: 205- 220.
[4] Potgieter A B, Hammer G L, Doherty A, et al. A simple regional-scale model for forecasting sorghum yield across North-Eastern Australia[J]. Agricultural and Forest Meteorology, 2005, 132(1/2): 143–153.
[5] Ju Weimin, Gao Ping, Zhou Yanlian, et al. Prediction of summer grain crop yield with a process-based ecosystem model and remote sensing data for the northern area of the Jiangsu Province, China[J]. International Journal of Remote Sensing, 2010, 31(6): 1573-1587.
[6] Becker-Reshef I, Vermote E, Lindeman M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6): 1312-1323.
[7] MKhabela M S, Bullock P, Raj S, et al. Crop yield forecasting on the canadian prairies using MODIS NDVI data[J]. Agriculture & Forest Meteorology, 2011, 151(3): 385-393 .
[8] Yuan Yanwei, Zhang Xiaochao, Hu Xiaoan. Study on a harvester navigation and yield analysis system[J]. New Zealand Journal of Agricultural Research, 2007, 50(1/2): 1117-1123.
[9] 王斌，劉興龍，劉永福，等. 機(jī)器視覺技術(shù)在農(nóng)業(yè)應(yīng)用中的研究[J]. 農(nóng)機(jī)化研究，2008(9)：162-164. Wang Bin, Liu Xinglong, Liu Yongfu, et al. Research on technology of machine-vision in agriculture application[J]. Journal of Agricultural Mechanization Research, 2008(9): 162-164. (in Chinese with English abstract)
[10] 凌云，王一鳴，孫明，等. 基于機(jī)器視覺的大米外觀品質(zhì)檢測(cè)裝置[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36(9)：89-92. Ling Yun, Wang Yiming, Sun Ming, et al. A machine vision based instrument for rice appearance quality[J]. Transactions of the Chinese Society for Agricultural Machinery, 2005, 36(9): 89 - 92. (in Chinese with English abstract)
[11] 張巧杰，王一鳴，凌云，等. 稻谷品質(zhì)檢測(cè)技術(shù)與裝置研制[J]. 現(xiàn)代科學(xué)儀器，2006，16(1)：128-130. Zhang Qiaojie, Wang Yiming, Ling Yun, et al. Detection technology and an apparatus for grain quality[J]. Modern Scientific Instruments, 2006, 16(1): 128 - 130. (in Chinese with English abstract)
[12] 陳靜，朱偉興，蘇威. 基于機(jī)器視覺的種子千粒重測(cè)定系統(tǒng)的設(shè)計(jì)[J]. 傳感器與微系統(tǒng)，2008，27(9)：97-99. Chen Jing, Zhu Weixing, Shu Wei. Design of determination system of mass of 1000 grains based on machine vision[J]. Transducer and Microsystem Technologies, 2008, 27(9): 97-99. (in Chinese with English abstract)