郭常有，曹廣斌，韓世成，蔣樹義

(中國水產(chǎn)科學研究院黑龍江水產(chǎn)研究所，黑龍江哈爾濱150070)

隨著中國水產(chǎn)養(yǎng)殖業(yè)的快速發(fā)展，貝類養(yǎng)殖已形成一定規(guī)模，僅遼寧省蝦夷扇貝增養(yǎng)殖面積就已達4萬 hm2，年產(chǎn)量10余萬 t，產(chǎn)值15億元以上［1］。貝類水產(chǎn)品在生產(chǎn)銷售過程中，需要將其按大小和品質(zhì)進行分級，傳統(tǒng)的分揀方法以手工操作為主，屬于勞動密集型工作，生產(chǎn)條件惡劣，勞動強度高，效率低，易導致貝類新鮮程度下降，甚至會出現(xiàn)大量死亡的情況，直接影響經(jīng)濟效益;而機械分揀當前采用的主要是滾筒式分級設備，其原理是通過滾筒的翻滾，將不同大小的貝類從相應的篩孔中篩出，實現(xiàn)分級［2］，這種設備極易使貝類受到撞擊、震動或因殼體邊緣互插而致死。大連某漁業(yè)集團曾花費巨資從日本引進了一套滾筒式扇貝分選設備，但由于損傷率太大而不得不將其閑置。

水產(chǎn)養(yǎng)殖企業(yè)急需一種無損分揀的自動化裝備，而視覺伺服控制技術(shù)是實現(xiàn)貝類自動化無損分揀的關(guān)鍵技術(shù)。在國外，Mikami［3］于1981年研究了櫛孔扇貝的外部形態(tài)后，開發(fā)了機械化分級技術(shù)，并在此基礎上，于2006年實現(xiàn)了依據(jù)圖像處理的無接觸櫛孔扇貝分揀技術(shù);戸田勝善等［4］應用圖像處理和自動控制技術(shù)，實現(xiàn)了櫛孔扇貝翻轉(zhuǎn)的有效控制。國內(nèi)的相關(guān)研究起步較晚，2006年尹建軍等［5］利用計算機視覺技術(shù)研究了不同生長狀態(tài)下多目標番茄圖像的自動分割方法，實現(xiàn)了對多目標番茄圖像的有效分割，但實際效果并不理想;2008年蔡健榮等［6］采用2R-G-B色差分量，通過Ostu自適應閾值算法完成了自然場景下成熟柑橘的識別，然而由于處理過程較繁瑣，降低了系統(tǒng)的處理速度，實時性較差;2009年馬先英等［7］利用圖像識別技術(shù)設計了一套自動分級與計數(shù)系統(tǒng)，通過海參在傳送帶上投影面積大小實現(xiàn)其等級分選與計數(shù)，但該系統(tǒng)僅限于對單體海參進行操作，實際應用受限;2010年鐘取發(fā)等［8］為了定量評估農(nóng)作物的蟲害程度，提出基于典型葉片模板自動匹配的葉片蟲損面積的測量方法，但由于模板選取的不確定性以及葉片本身形狀的復雜度，實際應用受到較大限制;2012年郭顯久等［9］采用最大類間方差法和形態(tài)學的開運算對微藻圖像進行分割，實現(xiàn)了海洋微藻數(shù)量的自動統(tǒng)計，但是由于微藻自身的半透明性、個體重疊以及圖像某部分過細導致統(tǒng)計結(jié)果出現(xiàn)誤差。

研究蝦夷扇貝的圖像處理方法，是實現(xiàn)其自動化識別與分揀的核心技術(shù)。本研究中，作者采用改進的OPTA算法提取扇貝的邊界，避免了特征提取過程中毛刺的出現(xiàn)，提高了系統(tǒng)運行速度，最后通過中點法確定扇貝的精確坐標，解決蝦夷扇貝自動分揀設備研究的圖像處理技術(shù)問題，旨在為開發(fā)蝦夷扇貝自動分揀設備奠定技術(shù)基礎。

1 圖像處理方案

本研究中對固定放置的3個不同大小的扇貝進行圖像處理，圖像處理流程如圖1所示。首先用圖像采集設備獲得目標圖像，通過對圖像灰度化處理得到扇貝的灰度圖像，然后進行閾值選取對圖像進行二值化處理，并對獲得的二值圖像進行黑白噪聲點濾波，消除干擾點，最后通過改進的OPTA算法確定扇貝的邊界，利用目標圖像長度作為條件計算扇貝的大小，并運用中點法輸出扇貝的二維坐標。

2 圖像的灰度化處理和二值化

通過視頻采集技術(shù)得到的圖像通常為彩色圖像，為了減少計算機處理的信息量，加快其處理速度，需要把彩色圖像轉(zhuǎn)化為灰度圖。灰度化處理是把含有亮度和色彩的彩色圖像變換成灰度圖像的過程［10-11］。要表示灰度圖就需要把亮度值進行量化，通常劃分為0～255共256個級別，其中0最暗(全黑)，255最亮(全白)。所以在灰度化處理中，系統(tǒng)先讀取調(diào)色板中的R、G、B，然后根據(jù)下式計算出亮度值:

扇貝圖像灰度化處理結(jié)果如圖2所示。

圖1 圖像處理流程圖Fig.1 Flowing chart of image processing procedure

圖2 灰度化處理前后的扇貝圖像Fig.2 Scallop images before and after grayscale processing

將獲得的灰度化圖像進行二值化處理，其中分割閾值的選取是圖像二值化的重要環(huán)節(jié)。本研究中采用最大類間方差法，該方法由Otsu［12］于1979年提出，即基于整幅圖像的統(tǒng)計特性實現(xiàn)閾值的自動選取，是全局二值化最杰出的代表。Otsu算法的基本思想是用某一假定的灰度值將圖像的灰度分成兩組 (或者兩類)，當兩組的類間方差最大時，此灰度值就是圖像二值化的最佳閾值。

利用該算法得到的扇貝圖像二值化前后結(jié)果對比如圖3所示。

圖3 二值化處理前后扇貝圖像的對比Fig.3 Comparison of scallop images before and after binary contrast

3 二值圖像的黑白點噪聲濾波

假設原始圖像為f(x，y)，為了消去二值圖像f(a，b)上的黑白噪聲點，當圖像f(a，b)周圍的8個像素的平均值為α時，若的值大于127.5時，則對f(a，b)的黑白進行反轉(zhuǎn);若差值小于127.5時，則f(a，b)不變［9］。實現(xiàn)步驟如下:

1)取得圖像大小、數(shù)據(jù)區(qū)，并把數(shù)據(jù)區(qū)復制到緩沖區(qū)中;

2)循環(huán)取得各點像素值;

3)取得該點周圍8像素值的平均值;

4)將平均值與該點像素值相比，若差值大于127.5時，則把該點顏色反轉(zhuǎn);

5)把緩沖區(qū)中改動的數(shù)據(jù)復制到原數(shù)據(jù)區(qū)中。

4 扇貝邊界的確定

4.1 扇貝邊界線的提取

改進的OPTA算法統(tǒng)一模板如圖4所示，其中P5為中心像素點，該算法要考慮P5是否由1變?yōu)?，左上角的3×3方形窗口 (即P1，P2，…，P9)為消除模板區(qū)域，×表示該點的像素值可以為黑色或白色像素點，對結(jié)果不產(chǎn)生影響。

圖4 改進的OPTA算法統(tǒng)一模板Fig.4 Uniform template of the improved OPTA algorithm

本算法中采用圖5所示的8個模板作為消除模板，圖5(a)～(d)4個模板能有效去除邊緣上的凸出物，避免出現(xiàn)毛刺，其中值1對應于二值化圖像中的黑色像素點，值0對應于二值化圖像中的白色像素點，?表示該點的像素值可以為黑色或白色像素點。

對閾值分割后的二值化圖像采用改進的OPTA算法處理后，再采用3×3模板進行逐點掃描，如圖6所示，如果點P1的8領(lǐng)域內(nèi)的點 (P2～P9)全是黑點，即像素值為0，則認為當前點P1為非邊界點，并進行記錄，逐點掃描圖像完畢后，將記錄的非邊界點全部轉(zhuǎn)化為白點，即像素值為255，利用該方法處理完畢后的圖像僅剩下目標物體邊界線，如圖7所示。

圖5 對應的8個消除模板Fig.5 Eight corresponding delete templates

圖6 3×3模板Fig.6 3×3 templates

4.2 邊界點的追蹤

對扇貝邊界線提取后的圖像進行逐點搜索，如果發(fā)現(xiàn)某點是黑點，例如，假設圖6中P1是黑點，則P1點很可能是邊界點，在其8領(lǐng)域內(nèi)搜索另外的黑點，如果搜索到P2是黑點，則將模板中心轉(zhuǎn)移到P2，并將黑點P1的像素值改為10，標記其為已被追蹤過的點，然后從P2點開始繼續(xù)追蹤下一邊界點，直到重新到達起點P1為止，得到一條閉合的曲線。如果追蹤到的邊界點不閉合，或總長度小于300，則認為這些邊界點不是扇貝圖像的邊界，予以刪除。將追蹤到的有效扇貝邊界點坐標記錄到數(shù)組中，對于圖7中的3個扇貝可以利用該方法得到對應3個邊界點數(shù)組。

圖7 扇貝邊界線提取前后圖像的對比Fig.7 Comparison of the boundary scallop images between before and after extraction

5 目標物體的提取及其坐標的計算

本研究中采用目標圖像長度作為條件，通過計算數(shù)組中每兩個坐標點之間的距離，提取出最長的距離來判斷目標物體的大小，從而實現(xiàn)目標物體的識別。設數(shù)組中距離最遠的兩個點分別為A(x1，y1)和 B(x2，y2)，則 AB的長度為

對于提取出來的目標長度，采用中點法通過下式計算出目標坐標:

其中:x、y為計算出來的X和Y方向上的中點坐標，即目標物體的坐標。

6 分級抓取實驗的結(jié)果與分析

本實驗所需的硬件包括六伺服機器手臂、Atmega168 MCU控制器、東日盈-KC-740型攝像機、DC power supply PS-305D直流電源、PC機和大小不同的3個扇貝。實驗圖像采集裝置為單目固定位置攝像機，攝像機固定在機械手與扇貝的正上方，可觀測到全局的目標物體特征，把采集的圖像進行圖像處理，并將得到的數(shù)組和坐標作為控制器的輸入信息，通過上位機與控制器的串口實現(xiàn)實時通信，進而控制六伺服機械手對不同扇貝按照大小依次進行抓取。實驗結(jié)果表明，分揀順序正確，大小區(qū)分精準，應用效果很好。抓取過程如圖8所示。

圖8 扇貝抓取過程圖 (從左至右)Fig.8 The process of scallop crawling(from the left to the right)

7 結(jié)語

筆者在研制蝦夷扇貝自動分揀設備的過程中，利用圖像處理技術(shù)，采用可靠的二值化算法，確定出最佳閾值，并通過改進的OPTA算法確定目標圖像的邊界，利用目標圖像長度作為條件判斷扇貝的大小，最后采用中點法得到扇貝的具體坐標，將該坐標信息作為控制機械手的控制量，完成了扇貝的分級抓取，實驗結(jié)果較為理想。本研究結(jié)果表明，應用該圖像處理技術(shù)，可以得到簡單、精確的控制量，進而控制分揀機構(gòu)的動作，達到了分揀順序正確、大小區(qū)分精準的要求，從而在降低成本的同時，保證了控制系統(tǒng)的實時性，具有很好的應用前景。

［1］徐皓，張建化.我國水產(chǎn)養(yǎng)殖工程學科發(fā)展報告［J］.漁業(yè)現(xiàn)代化，2009，36(3):1-6.

［2］沈建，鄭曉偉，林蔚.文蛤分級試驗研究與分級設備設計［J］.漁業(yè)現(xiàn)代化，2007，34(6):39-42.

［3］Mikami T.Studies on the mechanization of the scallop culture［J］.北海道大學水產(chǎn)學報，1981，32(3):242-249.

［4］戸田勝善，林艾光，矢田貞美.動力學モデルに基づいた養(yǎng)殖用ホタテ稚貝の左殻上向き運動の解析［J］.農(nóng)業(yè)機械學會誌，2002，64(3)，70-78.

［5］尹建軍，毛罕平，王新忠，等.不同生長狀態(tài)下多目標番茄圖像的自動分割方法［J］.農(nóng)業(yè)工程學報，2006，22(10):149-153.

［6］蔡健榮，周小軍，李玉良，等.基于機器視覺自然場景下成熟柑橘識別［J］.農(nóng)業(yè)工程學報，2008，24(1):175-178.

［7］馬先英，李明，熊文超，等.基于圖像識別技術(shù)的海參分級與計數(shù)設備的設計［J］.大連水產(chǎn)學院學報，2009，24(6):549-552.

［8］鐘取發(fā)，周平，付斌斌，等.基于典型葉片模板自動匹配的蟲損葉面積測量［J］.農(nóng)業(yè)工程學報，2010，26(3):216-220.

［9］郭顯久，張國勝，耿春云.基于圖像處理技術(shù)的海洋微藻數(shù)量統(tǒng)計方法［J］.大連海洋大學學報，2012，27(4):368-372.

［10］劉小力.機器人視覺伺服系統(tǒng)的圖像處理和標定技術(shù)研究［D］.南京:東南大學，2006.

［11］馬強.基于嵌入式Linux的視頻采集系統(tǒng)設計與實現(xiàn)［D］.西安:西安電子科技大學，2011.

［12］Otsu N.A threshold selection method from gray-level histograms［J］.IEEE Trans，1979，9(1):62-66.