發布時間：2022-04-16所屬分類：計算機職稱論文瀏覽：1次
摘 要： 摘 要：在玉米育種和品質研究中，經常需要對玉米的果穗長度、果穗寬度、穗行數、穗粒數等參數進行測量。該研究提出了一種基于機器視覺的玉米果穗參數圖像測量方法。使用 PC 攝像頭連續采集旋轉臺上的玉米果穗圖像，經過圖像處理，獲得玉米穗的圖像區域，進而得到玉米果
摘 要：在玉米育種和品質研究中，經常需要對玉米的果穗長度、果穗寬度、穗行數、穗粒數等參數進行測量。該研究提出了一種基于機器視覺的玉米果穗參數圖像測量方法。使用 PC 攝像頭連續采集旋轉臺上的玉米果穗圖像，經過圖像處理，獲得玉米穗的圖像區域，進而得到玉米果穗的穗長和穗寬參數;通過對玉米果穗局部區域的 x 方向和 y 方向累計像素值曲線進行分析，提取出玉米穗行，獲得每一穗行的穗粒數和穗行寬度;通過圖像匹配，獲得玉米果穗的穗行數。試驗表明, 使用該研究方法對玉米果穗的長度、寬度和穗行數的參數測量準確率可達 98% 以上，對穗行寬及總穗粒數測量準確率達 95%以上，整穗的平均檢測時間約 102 s/穗。該研究實現了玉米果穗參數快速有效的自動檢測，相對于目前采用的人工檢測，大大提供檢測效率，降低勞動強度，可應用于玉米千粒質量檢測、產量預測、育種和品質分析等場合。
關鍵詞：圖像處理;機器視覺;糧食;玉米果穗;參數測量;累計像素值分布
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國，20 世紀 90 年代，常年播種面積 23.3～ 25.3×106 hm2 。在對玉米育種、栽培、新品種測試及品質評估等農業研究中，經常需要對玉米穗形狀及數量參數(如穗行數、行粒數和千粒質量等)進行測量[1]。另外，對玉米產量的預測主要有遙感(remote sensing)預測[2-3]、模型預測 [4-7]、傳感器預測[8]和田間取樣預測等。其中，田間取樣預測需要根據理論產量公式進行產量預估，在地塊較小、缺乏歷史數據或技術不完備的情況下,該方法非常簡單有效。在玉米產量預測中，玉米理論產量(kg/hm2 )=公頃穗數×穗粒數×百粒質量(被測品種前 3 年平均數)×85%×10-5，因此穗粒數也是衡量玉米產量的主要參數。
目前，玉米的形狀及數量參數的測量主要由人工完成，易導致人眼疲勞，影響檢測效率和準確度。
機器視覺技術在近年來有了很大發展，其應用已滲透到農業生產的各個領域。例如，使用機器視覺對農作物生長情況進行監測，對農產品的品質進行檢驗，對田間施肥、中耕等作業進行管理或控制等[9]，也出現了一些基于機器視覺的谷物外觀檢測和種子千粒質量檢測的試驗裝置設計[10-12]。在國外，Gunasekaran 等[13-14]使用機器視覺檢測玉米等谷物的外部物理損傷和霉變。Panigrahi 等[15-17]使用機器視覺檢測谷物的尺寸。Majumdar 等[18-20]使用機器視覺對谷物種類進行識別分類。在國內，包曉敏等[21-25]利用機器視覺和圖像處理技術對大米外觀品質進行檢測。楊華東等[26-28]研究了糧食顆粒檢測的圖像處理算法。韓仲志等[29]以玉米穗橫截面為目標,使用圖像處理的方法統計玉米的粒行數。
上述研究都是對玉米進行脫粒后檢測，或對玉米果穗進行切割后檢測，可檢測的形狀及數量參數相對較少。本研究設計較低成本的試驗裝置直接對玉米果穗進行各種參數的快速圖像檢測，包括玉米穗長、穗寬、穗行數、行粒數和穗粒數等，為玉米育種和玉米產量估計提供依據。
1 試驗設備
試驗設備包括:計算機、數據采集與控制模塊、玉米果穗旋轉裝置和圖像采集裝置，如圖 1 所示。其中，計算機的配置為：CPU U5400，主頻 1.2 GHz，內存 2G。數據采集與控制模塊采用北京中泰研創科技有限公司生產的 USB7503。圖像采集裝置包括 PC 攝像頭和可調節支架，PC 攝像頭使用 Intel 公司生產的 CS630。玉米果穗旋轉裝置由步進電機、電機驅動器、24VDC 電源和機械部分組成。選用北京精工成有限公司的兩相混合式57BYG250型步進電機和 SD-225M 型驅動器，步距角為 1.8°，有 8 種細分方式，輸出驅動電流為 0.6～1.7A。機構部分包括底座、果穗連接件和其他固定安裝部件。其中，底座用于固定步進電機、電機驅動器和電源，底座下方裝有 4 個橡膠墊，用于減振;果穗連接件將玉米果穗與步進電機的轉軸連接起來，并且使果穗軸心線和步進電機轉軸盡量一致。
USB7503 模塊和PC 攝像頭通過USB 接口與計算機相連，PC 攝像頭固定在調節支架上，可進行高度和角度調節。步進電機以 4.5°/s 的速度驅動旋轉臺逆時針帶動果穗旋轉，PC 攝像頭按照設定方法采集果穗圖像。圖像背景使用黑色，通過調整 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、清晰地呈現在圖像中央。
2 測量算法
在測量前，通過相機標定，求出單位像素對應的實際長度(標定值)，記做 K(mm/像素)。
本研究根據玉米果穗上籽粒間縫隙灰度值較小的特點，通過分析累計像素值曲線上的凹點，尋找籽粒間的縫隙，從而獲得玉米果穗主要參數。
2.2 確定玉米果穗區域
將采集到的彩色圖像轉變成 R(red)、G (green)、B(blue)3 幀灰度圖像。由于 G 幀圖像相對于背景比較清晰，因此對 G 幀圖像采用大津法進行二值化處理，之后對二值圖像進行去噪和補洞處理，得到后續處理的二值圖像。
首先對二值圖像進行輪廓追蹤處理[30]，獲得最長輪廓線的外接矩形坐標。將該矩形區域作為玉米果穗圖像處理區域，記作 S1。如圖 2 所示，S1 的長度記為 Dx，高度記為 Dy，S1 左上角坐標為(xs，ys)，右下角坐標為(xe，ye)。則當前整個果穗的像素長度 Li = Dx，果穗長度的檢測值 Lm =Dx×K。
有的果穗存在禿尖，為避免禿尖部分對后續穗粒數檢測產生影響，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，設玉米輪廓上具有相同 x 坐標且距離為 Dy /2 處的 2 點，其 x 坐標為 xs′(如圖 1 所示，其中矩形區域為 S1，橢圓代表玉米輪廓)，若|xs′−xs|大于 Dy /4，則認為玉米果穗存在禿尖，將圖 1 中線 x=xs′左側部分從 S1 區域去除，剩余區域作為 S1 的修正區域 S1′。
2.3 單個玉米穗行提取與測量
由于圖像的中心位置最清晰，因此本研究通過旋轉果穗，使每一穗行都依次旋轉至中心穗行位置進行提取。
由于玉米穗的中間偏根部的籽粒排列相對較好，因此選取玉米穗處理區域中心在水平方向距離根部 Dx/4 處為提取的起始點 C，圖像坐標為(xc, yc)。點 C 處的穗行稱為中心穗行。將果穗外輪廓與直線 x=xc的 2 個交點之間的距離作為當前果穗像素寬度 Wi，則果穗寬度的檢測值 Wm=Wi×K(mm)。
以點 C 為中心，取一區域 S2，作為處理區域，其 x 方向寬度記為 Sx，y 方向寬度為記為 Sy(本研究設 Sx為 40、Sy為 0.8Dy)，如圖 3 所示(矩形區域為 S2，橢圓表示玉米籽粒)。將直線 xc 與點 C 所在的中心穗行上下邊緣的交點記作 A 和 B 點，其坐標記為(xc, ya)和 (xc, yb)。
根據式(1)，對以 C 點為中心的 S2 區域的 Fx(y) 曲線進行凹點分析。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)的趨勢曲線 Fxs(y)2。比較曲線 Fxs(y)1和 Fxs(y)2，獲得多個凹點，并計算凹點平均距離 Dpr。將相鄰距離小于 Dpr/2 的凹點剔除，剩余凹點中在 y 方向距離 yc 最近的上下 2 個凹點的 y 坐標作為 A 點和 B 點的 y 坐標，即 ya和 yb(其中 ya
同理，以 B 點(xc，yb)為起始已知點，使用相同的方法可獲取當前玉米穗行的下邊緣點的坐標。最后，根據玉米穗行上下邊緣點的坐標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 坐標的玉米中心穗行上下邊緣的 y 坐標值相減，即可獲得該穗行任意處的穗行寬。試驗中，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值 Wrm= Wri×K。
相關知識推薦：計算機視覺圖像處理論文怎么發表ei期刊
對于所提取的單個玉米穗行圖像，由于籽�？p隙的像素值相對籽粒圖像低很多，因此曲線上凹點對應玉米籽�？p隙。根據式(2)，本研究對每一幅提取出的玉米穗行圖像，在圖像區域 S1′中對 y 方向累計像素值曲線 Fy(x)進行分析，使用式(4)，對其 D=3 的平滑曲線 Fys(x)1 與 D=Ri/3 的趨勢曲線 Fys(x)2 進行比較，獲得曲線上凹點的位置及個數 Npc，并計算凹點平均距離 Dpc。在分析凹點過程中，由于穗行兩端不如中間段整齊，本研究從處理區域 S1 的寬度中心處開始向左和向右分別掃描;
3 結果及分析
3.1 試驗方法
本研究采用的圖像分辨率為 640×480 像素，標定值 K=0.4215。
在試驗中，共隨機選取無大面積缺�；蛎棺兊男迈r玉米和干燥玉米各 20 個，使用本研究的算法，在室內使用臺燈燈光，進行玉米果穗形狀及數量參數檢測。使用卡尺對每穗的穗長和穗寬進行 5 點檢測，并求平均，作為其實際值。機器視覺的檢測結果與實際值之差的絕對值占實際值的比值視為誤差率 Re，則準確率 Ra=100%−Re。
3.2 結果與分析
圖 5 為玉米果穗連續提取穗行時獲取 A 點和 B 點時的 2 種情況，每例的右側為玉米圖像，左側表示 S2 區域中 Fx(y)的平滑曲線 Fxs(y)1 和趨勢曲線 Fxs(y)2，以及表示凹點位置的脈沖曲線 R。從圖 5 中可以看出，使用 x 方向累計像素值曲線 Fx(y)的平滑曲線 Fxs(y)1 和趨勢曲線 Fxs(y)2 來判斷凹點，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 點和 B 點只需要區域中間的兩處凹點，因此圖 5 中的圖 a 和圖 b 均有效判斷出 A 點和 B 點。同理，應用該方法也可有效提取玉米穗行和分割玉米籽粒。
新鮮樣本的試驗數據如表 1 所示，干燥樣本的試驗數據如表 2 所示，而穗行數的檢測值范圍為12～20，準確率為 100%，在表中未列出。
分析試驗結果，果穗長度、寬度和穗行數檢測比穗行寬和穗粒數檢測的平均準確率要高。而穗行寬的檢測誤差主要是因為其圖像單個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。穗粒數的檢測誤差主要是因為大部分果穗根部的籽粒排列過于凌亂。比較新鮮玉米和干燥玉米的檢測結果，果穗長度、寬度、穗行寬度和穗行數的檢測結果均相差不超過 1%，但新鮮玉米穗粒數檢測精度比干燥玉米低 3.29%，主要是由于新鮮玉米籽�？p隙不明顯，使其籽粒檢測誤差增加。試驗中，整穗的平均檢測速度為 102 s/穗。
4 結 論
1)使用機器視覺的方法獲得玉米果穗圖像，通過二值化和去噪、補洞處理，可有效提取玉米果穗處理區域及果穗長和果穗寬參數。
2)應用累計像素值平滑曲線和趨勢曲線判斷凹點的方法可準確判斷出對應玉米中心穗行縫隙的凹點，并有效提取中心穗行，同時可獲得穗行寬和中心穗行上的穗粒數。
3)以首次提取的玉米穗行的下邊緣點為參考點，通過判斷相鄰穗行下邊緣與參考點的接近程度，并通過圖像匹配，可準確地連續提取所有的玉米果穗穗行，從而獲得玉米果穗的穗行數和玉米果穗的總粒數。
4)試驗證明，本算法對玉米果穗長度、果穗寬度和穗行數的檢測準確度較高，在 98%以上;穗行寬度及穗粒數檢測平均準確率為 95%以上;整穗的平均檢測速度為 102 s/穗。 ——論文作者：劉長青 1 ，陳兵旗 2※
[參 考 文 獻]
[1] 連艷鮮，何金環.高產玉米雜交種產量構成因素和穗部性狀研究[J].安徽農業科學，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. 機器視覺技術在農業應用中的研究[J]. 農機化研究，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. 基于機器視覺的大米外觀品質檢測裝置[J]. 農業機械學報，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. 稻谷品質檢測技術與裝置研制[J]. 現代科學儀器，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. 基于機器視覺的種子千粒重測定系統的設計[J]. 傳感器與微系統，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)
SCISSCIAHCI
