基于有序轮廓链的葫芦科砧木苗生长点检测_查杨.pdf

2022 年12 月Dec.2022第 46 卷 第 6 期Vol.46,No.6热 带 农 业 工热 带 农 业 工 程程TROPICAL AGRICULTURAL ENCINEERING基于有序轮廓链的葫芦科砧木苗生长点检测查杨 陈武 赖一波 吴尧 方家吉 黄铮 喻擎苍（浙江理工大学 浙江杭州 310018）摘要 为更好地提高葫芦科幼苗嫁接设备的自动化程度，解决葫芦科幼苗插接法嫁接过程中生长点定位的问题，实现葫芦科幼苗插接法的全自动化，本文提出了基于有序轮廓链的葫芦科砧木苗生长点检测方法，通过目标像素的有序轮廓链，获取嫁接苗边缘信息，提取边缘曲率特征，或是提取目标区域单像素骨架，并以此为基础实现嫁接苗生长点定位。结果显示，俯视图的生长点检测其误差最小为1个像素值，最大为5个像素值，而侧视图的生长点定位结果误差最小为1个像素值，最大为4个像素值，因此，本算法可以准确的定位砧木苗生长点坐标并有效避免葫芦科幼苗嫁接过程中因生长点坐标偏差导致的嫁接失败的问题，大幅度提高嫁接成功率。关键词 机器视觉；自动嫁接；生长点提取；轮廓检测中图分类号 S224 Detection of Growth Point on Cucurbitaceous Rootstock Seedlings Based on Ordered Contour ChainZHA Yang CHEN Wu LAI Yibo WU Yao FANG Jiaji HUANG Zheng YU Qingcang(Zhejiang Sci-tech University,Hangzhou,Zhejiang 310018)Abstract In order to improve the degree of automation of the cucurbit seedling grafting equipment,solve the problem of locating the growing point during the grafting process of cucurbita seedling plugging method and accomplish the full automation of cucurbitaceous seedling plugging method,this paper proposes a method for detecting of growth point on cucurbitaceous rootstock seedlings based on ordered contour chain,which obtains the edge information of the grafted seedling and then extracts the edge curvature feature or the single-pixel skeleton of the target area through the ordered contour chain of the target pixel.Based on this method,the growth point of the grafted seedlings is located.The results show that the error of the growth point detection in the top view has a minimum error of 1 pixel and a maximum error of 5 pixels,while the error of the growing point location in the side view is the minimum value of 1 pixel and the maximum value of 4 pixels.Therefore,the algorithm can accurately locate the growth point coordinates of rootstock seedlings and effectively avoid the problem of grafting failure caused by the deviation of the growing point coordinates during the grafting process of cucurbitaceae seedlings,and significantly improve the success of grafting.Keywords machine vision;automatic grafting;growth point extraction;contour detection农作物幼苗的设施栽培技术因其可以有效提高作物抵抗自然灾害的能力而被广泛采用，然而常年连续栽培同科作物产生土传病害等问题，而嫁接则是成本最低效果最好的一种解决方法1。因此，在当今农业现代化发展的进程中，自动嫁接设备的研发成为大势所趋。自动嫁接设备按自动化程度可分为全自动嫁接机、半自动嫁接机以及手动嫁接机。国外嫁接设备的研发最早始于20世纪80年代，至今已有多款全自动、半自动嫁接机问世2-4，而国内研发则 基金项目：国家自然科学基金（No.5137406）。收稿日期：2022-04-01；编辑部E-mail：；责任编辑：张海东。查 杨（1996），男，硕士研究生，研究方向为计算机应用技术。通讯作者：喻擎苍（1967），男，博士，浙江理工大学信息学院教授，硕士生导师；研究方向为机器视觉与机器人。-28查杨 等 基于有序轮廓链的葫芦科砧木苗生长点检测稍落后于国外，自20世90年代以来，主要成果也以半自动嫁接机为主，无法真正摆脱人力的束缚5-7，由于全自动嫁接设备引进的费用较高，国内对于全自动嫁接设备的研究也从未停止，而机器视觉的发展，也使得国内研发推广全自动嫁接设备成为可能8。机器视觉对全自动嫁接设备研发的功能主要在于对嫁接过程中的幼苗的嫁接参数的识别，而在以插接法为主要嫁接方法情况下，又以生长点的识别最为重要。在现有的嫁接参数研究中，生长点的识别主要分为子叶重合状态的嫁接苗生长点识别与子叶分开状态的嫁接苗识别，前者识别方法主要依靠边缘特征计算链角，识别重合部分的凹点并以此作为生长点识别的依据9-10。而对于子叶分开状态，由于其链角特征并不明显，现阶段一般采用 Hough椭圆拟合的方法将子叶模型拟合成椭圆，根据椭圆信息识别生长点位置9-11。但是，根据实际嫁接经验，嫁接苗可嫁接状态下往往呈现子叶分开的状态，较少情况下会出现两片子叶重合的情况，因此基于链角特征的生长点提取其应用面较少，而使用椭圆拟合的方法，对于子叶形状较不规则的状态，其拟合得到的椭圆并不能很好的表现子叶的特征，从而导致生长点判定误差。因此，本文提出一种基于有序轮廓链的生长点识别定位方法，通过有序轮廓链更具体地分析嫁接苗子叶边缘特征，使其链角特征更好的反应嫁接苗边缘特征的变化，从而使生长点的识别更为准确。1 图像采集装置搭建 在计算机辅助嫁接设备对葫芦科幼苗进行嫁接的前提下，其生长点的识别结果应与其空间坐标相匹配，因此，图像采集装置应分别以侧视视角、俯视视角对嫁接苗进行视觉采集，嫁接装置设计如图1所示。由于本文所服务的嫁接设备其嫁接方式是由机械臂分别将砧木苗、接穗苗上苗至嫁接装置的位置，然后对苗进行嫁接操作，因此本文所采集的图像都为单株嫁接苗，在这个基础上，为了有效避免噪声在嫁接图像处理过程中的影响，保证视觉识别的准确性，嫁接设备的图像采集区域将在背景部分添加单色幕布，如图2所示。2 生长点的提取 2.1生长点提取流程在图像采集装置搭建完成的基础上，图像处理程序将分别对侧视图、俯视图进行识别，其流程为：采集幼苗的俯视图与侧视图，分别提取俯视图与侧视图目标区域的幼苗轮廓链，对于俯视图而言，通过有序轮廓链分析图像边缘特征，求取轮廓特征点并以此作为生长点识别的依据；对于侧视图而言，将根据目标区域的轮廓链提取骨架，以骨架的分叉点为依据，进行生长点的识别，其流程如图3所示。2.2图像有序轮廓链的提取所谓图像轮廓链提取本质上来说就是图像的边缘检测并将其存储于有序链表的过程。传统的边缘检测算法，比如Canny边缘检测算法在边缘检测的过程中易受到噪声的影响，对图像采集环境较为严苛，边缘检测效果也随之受到影响9。而图1嫁接装置模型图图2图像采集样例-292022 年 12 月第 46 卷第 6 期热带农业工程如若使用更加复杂算法，例如基于水平集分割的边缘检测算法12-13或者是基于小波变换的 Canny边缘检测算法等方法14，对于获取到的轮廓而言，仅为离散且无序的点集，以此获取出来的边缘特征信息无法很好的与该信息在图像上的位置相关联，为了解决这一问题，本文使用一种基于目标像素的有序轮廓链提取方法，在保证了尽可能减少噪声影响的前提下，实现对边缘特征的按序分析。该方法首先以目标像素为基准，对不同颜色区间的像素点进行编号，然后逐行遍历图像，将每行中数值相同且相邻的像素合并为段，随后以行为单位进行遍历，判断下一行内是否有相同颜色的段，若有，则视为段邻接，接着将符合段邻接的区域合并为块，最后对得到的像素连通块轮流通过向左下与向右上寻找规则对应块进行遍历，将满足规则的像素点，将这些像素点依次放入轮廓链中，直到当前加入的像素点与起始点相同，判定轮廓链提取完成，结束遍历。整个算法流程如图4所示。为了体现本文所述有序轮廓链提取方法的优势，使用以阈值分割为基础的Canny边缘提取方法作为对比实验，与本文有序轮廓链提取方法对比，所得结果如图5所示。由图5可知，基于阈值分割的Canny边缘检测，其鲁棒性较差。对于图像内的噪声、杂物不能很好的进行排除，相对而言，本文所提出的方法其提取效果较为稳定，不论是图像噪声或是杂物均能被有效的排除。实现目标区域有序轮廓链的稳定提取。2.3基于曲率的图像轮廓特征点提取在上一节中通过基于像素提取的有序轮廓链图像采集根据轮廓链提取侧视图骨架提取图像轮廓链提取图像生长点位置完成识别是否为侧视图是分析俯视图边缘特征求得轮廓特征点求得骨架三叉点否 图3生长点识别流程图算法开始遍历图像将像素分段选取一个段是否为目标像素所在段加入连通块更新连通块大小是否存在邻接段重新遍历找到段起始位置最小处将该点加入轮廓链并向左下与右上搜寻轮廓点是否为轮廓起始点否是是否否完成提取是 图4有序轮廓链提取流程图图5轮廓提取方式对比图-30查杨 等 基于有序轮廓链的葫芦科砧木苗生长点检测提取，可以获得嫁接幼苗俯视图的轮廓链信息，单像素的轮廓链实质上是一个点集，因此将轮廓链视为一条离散的二维曲线，则可以通过分析轮廓链的曲率信息，提取边缘特征，进而在轮廓链中寻找有关生长点的特征点，根据有序轮廓链的提取流程，可以看出轮廓链是以某一点为起始点，按图像边缘顺时针的顺序存储于数组中，因此可以将某一点的位置序号作为横轴，以曲率值作为纵轴，计算建立曲率信息图。对于离散曲线C(Pi(xi，yi)而言，在点Pi处的曲率计算需要借助到其前置点Pi-1与其后置点Pi+1，将3点视为二次曲线函数上的3点，根据一般二次曲线参数方程，可得：x=a1+a2t+a3t2y=b1+b2t+b3t2结合3点坐标(xi，yi)代入上述方程可以获得一组由6个式子组成的线性方程组。不妨使用相邻两点的线性距离来约束参数t的取值范围，则有|ta=()x1-x22+()y1-y22tb=()x2-x32+()y2-y32且对参数t做出如下规定：|()x，yt=-ta=()x1，y1()x，yt=0=()x2，y2()x，yt=tb=()x3，y3则曲线的参数方程可以拓展为：|x1=a1-a2ta+a3t2ax2=a1x3=a1+a2tb+a3t2b|y1=b1-b2ta+b3t2ay2=b1y3=b1+