查 楊 陳 武 賴一波 吳 堯 方家吉 黃 錚 喻擎蒼

（浙江理工大學(xué) 浙江杭州 310018）

農(nóng)作物幼苗的設(shè)施栽培技術(shù)因其可以有效提高作物抵抗自然災(zāi)害的能力而被廣泛采用，然而常年連續(xù)栽培同科作物產(chǎn)生土傳病害等問題，而嫁接則是成本最低效果最好的一種解決方法［1］。因此，在當今農(nóng)業(yè)現(xiàn)代化發(fā)展的進程中，自動嫁接設(shè)備的研發(fā)成為大勢所趨。

自動嫁接設(shè)備按自動化程度可分為全自動嫁接機、半自動嫁接機以及手動嫁接機。國外嫁接設(shè)備的研發(fā)最早始于20世紀80年代，至今已有多款全自動、半自動嫁接機問世［2-4］，而國內(nèi)研發(fā)則稍落后于國外，自20世90年代以來，主要成果也以半自動嫁接機為主，無法真正擺脫人力的束縛［5-7］，由于全自動嫁接設(shè)備引進的費用較高，國內(nèi)對于全自動嫁接設(shè)備的研究也從未停止，而機器視覺的發(fā)展，也使得國內(nèi)研發(fā)推廣全自動嫁接設(shè)備成為可能［8］。

機器視覺對全自動嫁接設(shè)備研發(fā)的功能主要在于對嫁接過程中的幼苗的嫁接參數(shù)的識別，而在以插接法為主要嫁接方法情況下，又以生長點的識別最為重要。在現(xiàn)有的嫁接參數(shù)研究中，生長點的識別主要分為子葉重合狀態(tài)的嫁接苗生長點識別與子葉分開狀態(tài)的嫁接苗識別，前者識別方法主要依靠邊緣特征計算鏈角，識別重合部分的凹點并以此作為生長點識別的依據(jù)［9-10］。而對于子葉分開狀態(tài)，由于其鏈角特征并不明顯，現(xiàn)階段一般采用Hough橢圓擬合的方法將子葉模型擬合成橢圓，根據(jù)橢圓信息識別生長點位置［9-11］。但是，根據(jù)實際嫁接經(jīng)驗，嫁接苗可嫁接狀態(tài)下往往呈現(xiàn)子葉分開的狀態(tài)，較少情況下會出現(xiàn)兩片子葉重合的情況，因此基于鏈角特征的生長點提取其應(yīng)用面較少，而使用橢圓擬合的方法，對于子葉形狀較不規(guī)則的狀態(tài)，其擬合得到的橢圓并不能很好的表現(xiàn)子葉的特征，從而導(dǎo)致生長點判定誤差。

因此，本文提出一種基于有序輪廓鏈的生長點識別定位方法，通過有序輪廓鏈更具體地分析嫁接苗子葉邊緣特征，使其鏈角特征更好的反應(yīng)嫁接苗邊緣特征的變化，從而使生長點的識別更為準確。

1 圖像采集裝置搭建

在計算機輔助嫁接設(shè)備對葫蘆科幼苗進行嫁接的前提下，其生長點的識別結(jié)果應(yīng)與其空間坐標相匹配，因此，圖像采集裝置應(yīng)分別以側(cè)視視角、俯視視角對嫁接苗進行視覺采集，嫁接裝置設(shè)計如圖1所示。

圖1 嫁接裝置模型圖

由于本文所服務(wù)的嫁接設(shè)備其嫁接方式是由機械臂分別將砧木苗、接穗苗上苗至嫁接裝置的位置，然后對苗進行嫁接操作，因此本文所采集的圖像都為單株嫁接苗，在這個基礎(chǔ)上，為了有效避免噪聲在嫁接圖像處理過程中的影響，保證視覺識別的準確性，嫁接設(shè)備的圖像采集區(qū)域?qū)⒃诒尘安糠痔砑訂紊徊?，如圖2所示。

圖2 圖像采集樣例

2 生長點的提取

2.1 生長點提取流程

在圖像采集裝置搭建完成的基礎(chǔ)上，圖像處理程序?qū)⒎謩e對側(cè)視圖、俯視圖進行識別，其流程為：采集幼苗的俯視圖與側(cè)視圖，分別提取俯視圖與側(cè)視圖目標區(qū)域的幼苗輪廓鏈，對于俯視圖而言，通過有序輪廓鏈分析圖像邊緣特征，求取輪廓特征點并以此作為生長點識別的依據(jù)；對于側(cè)視圖而言，將根據(jù)目標區(qū)域的輪廓鏈提取骨架，以骨架的分叉點為依據(jù)，進行生長點的識別，其流程如圖3所示。

圖3 生長點識別流程圖

2.2 圖像有序輪廓鏈的提取

所謂圖像輪廓鏈提取本質(zhì)上來說就是圖像的邊緣檢測并將其存儲于有序鏈表的過程。傳統(tǒng)的邊緣檢測算法，比如Canny邊緣檢測算法在邊緣檢測的過程中易受到噪聲的影響，對圖像采集環(huán)境較為嚴苛，邊緣檢測效果也隨之受到影響［9］。而如若使用更加復(fù)雜算法，例如基于水平集分割的邊緣檢測算法［12-13］或者是基于小波變換的Canny邊緣檢測算法等方法［14］，對于獲取到的輪廓而言，僅為離散且無序的點集，以此獲取出來的邊緣特征信息無法很好的與該信息在圖像上的位置相關(guān)聯(lián)，為了解決這一問題，本文使用一種基于目標像素的有序輪廓鏈提取方法，在保證了盡可能減少噪聲影響的前提下，實現(xiàn)對邊緣特征的按序分析。

該方法首先以目標像素為基準，對不同顏色區(qū)間的像素點進行編號，然后逐行遍歷圖像，將每行中數(shù)值相同且相鄰的像素合并為段，隨后以行為單位進行遍歷，判斷下一行內(nèi)是否有相同顏色的段，若有，則視為段鄰接，接著將符合段鄰接的區(qū)域合并為塊，最后對得到的像素連通塊輪流通過向左下與向右上尋找規(guī)則對應(yīng)塊進行遍歷，將滿足規(guī)則的像素點，將這些像素點依次放入輪廓鏈中，直到當前加入的像素點與起始點相同，判定輪廓鏈提取完成，結(jié)束遍歷。整個算法流程如圖4所示。

圖4 有序輪廓鏈提取流程圖

為了體現(xiàn)本文所述有序輪廓鏈提取方法的優(yōu)勢，使用以閾值分割為基礎(chǔ)的Canny邊緣提取方法作為對比實驗，與本文有序輪廓鏈提取方法對比，所得結(jié)果如圖5所示。由圖5可知，基于閾值分割的Canny邊緣檢測，其魯棒性較差。對于圖像內(nèi)的噪聲、雜物不能很好的進行排除，相對而言，本文所提出的方法其提取效果較為穩(wěn)定，不論是圖像噪聲或是雜物均能被有效的排除。實現(xiàn)目標區(qū)域有序輪廓鏈的穩(wěn)定提取。

圖5 輪廓提取方式對比圖

2.3 基于曲率的圖像輪廓特征點提取

在上一節(jié)中通過基于像素提取的有序輪廓鏈提取，可以獲得嫁接幼苗俯視圖的輪廓鏈信息，單像素的輪廓鏈實質(zhì)上是一個點集，因此將輪廓鏈視為一條離散的二維曲線，則可以通過分析輪廓鏈的曲率信息，提取邊緣特征，進而在輪廓鏈中尋找有關(guān)生長點的特征點，根據(jù)有序輪廓鏈的提取流程，可以看出輪廓鏈是以某一點為起始點，按圖像邊緣順時針的順序存儲于數(shù)組中，因此可以將某一點的位置序號作為橫軸，以曲率值作為縱軸，計算建立曲率信息圖。

對于離散曲線C(Pi(xi，yi))而言，在點Pi處的曲率計算需要借助到其前置點Pi-1與其后置點Pi+1，將3點視為二次曲線函數(shù)上的3點，根據(jù)一般二次曲線參數(shù)方程，可得：

結(jié)合3點坐標(xi，yi)代入上述方程可以獲得一組由6個式子組成的線性方程組。不妨使用相鄰兩點的線性距離來約束參數(shù)t的取值范圍，則有

且對參數(shù)t做出如下規(guī)定：

則曲線的參數(shù)方程可以拓展為：

對該矩陣求逆，代入Pi-1，Pi，Pi+1，即可求得參數(shù) (a1，a2，a3)以及 (b1，b2，b3)的值，而(x，y)在參數(shù)方程下的一階導(dǎo)數(shù)與二階導(dǎo)數(shù)為：

由此可得，離散曲線在點Pi處的曲率為

根據(jù)該曲率算法對嫁接苗進行邊緣曲率特征分析，原圖以及分析結(jié)果如圖6所示

圖6 嫁接苗曲率圖像

可以看到，輪廓曲率圖像中有若干個極值點，而極值點中分別有最大值最小值兩個點，將其作為特征點在原圖中進行標注，其結(jié)果如圖7所示。

圖7 曲率特征點

可以看到，曲率圖像反應(yīng)出的特征點十分明顯，而映射至圖像上，并不能定位到有關(guān)于圖像生長點的信息?？紤]其根本原因在于曲率反應(yīng)的是曲線的彎曲程度，而圖像在生長點周邊區(qū)域的曲線彎曲程度實際上與子葉其余部位相似度較高，因此單純的曲率在圖像生長點特征的識別上優(yōu)勢不大，需要有一種更能體現(xiàn)子葉生長點區(qū)域特征的辦法。

2.4 基于鏈角的圖像輪廓特征點提取

根據(jù)2.3的分析，為了能更好的反應(yīng)子葉輪廓特征信息，本文將采用鏈角的方式對圖像輪廓鏈進行特征計算并以此結(jié)果作為嫁接苗生長點的檢測依據(jù)。

定義點Pi(pxi，pyi)處的鏈角即向量PiPi-1與向量PiPi+1所稱夾角，其計算公式為：

由于鏈角描述的是當前像素點與其相鄰兩點之間夾角的大小，因此，相較于曲率對曲線彎曲程度的描述，鏈角可以更好的反應(yīng)每一個像素點上的彎曲特征，更有利于嫁接苗生長點區(qū)域的特征識別。但是，鏈角由于其描述方式，更容易受到邊緣噪聲的影響，若將輪廓信息以點集的形式體現(xiàn)在數(shù)據(jù)表中，如圖8所示的情況下，則可以看到其邊緣對曲線的描述是以像素點的階梯狀排列實現(xiàn)的。

圖8 圖像邊緣部分像素點排列圖

為了避免這種情況產(chǎn)生不必要的特征點，本文定義跨距k為與當前像素點距離為k的兩個點，則點Pi處基于跨距k的鏈角計算公式為：

經(jīng)過多次實驗認為，以5為跨距既能減少上述情況造成的特征點噪聲，又可以盡可能地保留嫁接苗輪廓特征信息。因此選擇跨距k=5對嫁接苗的輪廓鏈進行鏈角計算，所得輪廓鏈以及對應(yīng)的鏈角信息如圖9所示。

圖9 輪廓鏈及其曲率變化圖

圖9中橫軸表示的是點在有序輪廓鏈中的位置，縱軸表示的是該點處鏈角的值。從圖中可以看到，鏈角信息出現(xiàn)了5個明顯的特征位置，考慮到輪廓鏈的提取方式為從子葉頂端附近開始順時針提取，以及結(jié)合上一節(jié)中曲率值的特征點，可以做出判斷，對于圖9 b中所示的中間部分的特征值，可以認為是由圖像中子葉底端的鏈角變化展現(xiàn)出的特征。而經(jīng)過實驗可以發(fā)現(xiàn)，對于子葉頂端位置特征較弱的圖像而言，則沒有這一部分的曲率變化，如圖10所示輪廓鏈及其鏈角信息圖。

圖10 子葉末端特征較弱輪廓鏈及曲率變化圖

為了減少子葉頂端輪廓鏈鏈角變化特征對生長點區(qū)域特征點識別造成的影響，且考慮到植物子葉一般具有一定的對稱性，將子葉輪廓鏈以中間位置為分割點將其分成兩個部分，隨后分別排除這兩部分的頭尾輪廓點，只對中間部分進行鏈角計算，如圖11所示，并分析這兩段輪廓曲率信息中各自的極大值與極小值，便可定位子葉根部生長點區(qū)域拐角位置。曲率信息圖以及定位結(jié)果如圖12-13所示。

圖11 嫁接苗輪廓鏈分段圖

圖12 分段輪廓鏈曲率信息

圖13 曲率特征點定位圖

將通過曲率特征定位獲得的4個特征點視為四邊形的4個定點，按逆時針的順序?qū)⑵涿麨?i=1，2，3，4)，每段曲率的極大值與極小值點分別對應(yīng)為特征點的P1，P2與P3，P4，則生長點的定義為：P1，P4所在直線與P2，P3所在直線的焦點即為嫁接苗俯視圖生長點位置。其坐標公式為：

將不同圖像的生長點提取結(jié)果用白色像素點標識出來，如圖14所示

圖14 生長點提取結(jié)果

2.5 側(cè)視圖生長點識別

基于嫁接幼苗俯視圖的生長點定位，其確定的是俯視平面內(nèi)的嫁接苗生長點坐標信息，而在全自動嫁接設(shè)備的嫁接過程中，只有準確知道生長點在空間中的坐標，才能對嫁接苗進行后續(xù)的嫁接操作，因此，有必要對嫁接苗側(cè)視圖進行生長點定位，獲取生長點在俯視圖垂直方向上的坐標。

在傳統(tǒng)的嫁接苗苗莖參數(shù)提取方法中，一般采用檢測邊緣信息，根據(jù)邊緣信息進行嫁接苗特征參數(shù)估算，或是使用線激光對嫁接苗進行照射，根據(jù)光斑信息估算嫁接苗特征參數(shù)等方法［15］，根據(jù)嫁接苗邊緣信息進行的特征參數(shù)估算其一般需要用到擬合的方法，時間效率較低，而利用線激光照射嫁接苗的方法對終端設(shè)備要求較高，且由于線激光的特性，對周邊光照條件要求較高。

因此，綜合考慮到時間效率與設(shè)備輕便性，本文提出了一種基于嫁接苗側(cè)視圖單像素骨架的生長點及苗莖寬度檢測方法。

本文所采用的骨架提取方法為ZS快速并行算法，該算法以目標像素的八鄰域作為迭代運算的基礎(chǔ)，分別判斷當前8鄰域內(nèi)的點數(shù)、8鄰域內(nèi)順時針像素值變化次數(shù)以及目標像素與其鄰域點的像素值乘積，以此作為依據(jù)標記像素點，最后將所有被標記的像素點刪除，剩下的像素點構(gòu)成的即為圖像的單像素骨架［16-17］。

對于本文所述嫁接幼苗側(cè)視圖，由于圖像輪廓鏈的提取是以目標像素連通域為基礎(chǔ)的，因此在提取輪廓鏈的過程中，將目標像素連通域作為目標區(qū)域，將圖像二值化，隨后將二值圖按上述規(guī)則進行迭代，最終提取到嫁接苗側(cè)視圖單像素骨架信息，將骨架信息映射到二值圖中，如圖15所示。

圖15 嫁接苗單像素骨架圖

為了更好的描述本文的算法流程，下面將給出一些基本概念。

（1）8鄰域：指目標像素點周邊8個像素，以中心像素為目標像素，按順時針的方式對周邊8像素進行編號，如圖16所示。

圖16 8鄰域

（2）分叉點：當前像素點8鄰域內(nèi)像素值不為0的點的數(shù)量大于等于2個，則規(guī)定當前點為分叉點。當嫁接苗側(cè)視圖圖像進行單像素骨架提取時，其提取結(jié)果應(yīng)如圖10所示，其子葉、苗莖主干部分應(yīng)為單像素曲線，3部分的骨架曲線應(yīng)匯聚于某一三分叉點，若圖像中3部分骨架匯聚點唯一，根據(jù)骨架不同的形態(tài)，將骨架匯聚點周邊像素情況分為如圖17所示幾種情況

圖17 骨架匯聚點情況圖

可以看到，在這三種情況下，骨架的三叉點并不唯一，為了準確定位骨架匯聚點位置，對匯聚點的判定做出以下規(guī)則：

A.當前點8鄰域內(nèi)，P4，P5，P6位置有且僅有一個像素點。

B. 當前點 8 鄰域內(nèi)，P1，P2，P3，P7，P8位置有兩個不相鄰的像素點。

將該點定義為骨架匯聚點，即嫁接苗側(cè)視視角下生長點位置，如圖18所示。

圖18 側(cè)視圖生長點定位

需要注意的是，盡管在圖像采集時通過幕布已經(jīng)盡可能減少了圖像噪聲對圖像分析結(jié)果的影響，但是仍然有可能性會受到噪聲的影響，如圖19所示。引起這種情況的原因主要為圖像采集時，光照、雜物等影響導(dǎo)致的目標像素連通域提取誤差，進而導(dǎo)致圖像二值化誤差，最終使得骨架分叉點增多，面對這種情況，客觀上講，可以通過及時清理土壤等雜物、穩(wěn)定嫁接時的光照等因素來解決，而主觀上來講，由于圖像采集系統(tǒng)設(shè)計時，側(cè)視圖嫁接苗夾持部位應(yīng)為生長點靠下方位置，夾持點則位于攝像頭正中心位置，因此可以以圖像中心位置為基礎(chǔ)，向外設(shè)置骨架點遍歷的邊界，排除子葉、苗莖因為外部條件而出現(xiàn)的骨架末端毛刺情況，進而使生長點位置搜索更為準確。

圖19 側(cè)視圖多分叉點情況

3 結(jié)果與分析

3.1 俯視圖生長點定位實驗

以西瓜幼苗的砧木苗作為本次生長點定位實驗的實驗對象，選取50株西瓜砧木苗進行圖像的采集和俯視圖生長點的定位實驗，取其中5組樣本為例，其生長點定位坐標與實際坐標以及誤差情況如表1所示。

表1 俯視圖生長點定位誤差表

在西瓜砧木苗俯視圖生長點定位實驗中，其橫軸方向上與縱軸方向上共同最大誤差為5個像素、最小誤差為1個像素，兩個方向各自平均誤差分別為2.4像素，2.2像素。

3.2 側(cè)視圖生長點定位實驗

以西瓜幼苗的砧木苗作為本次生長點定位實驗的實驗對象，選取50株西瓜砧木苗作為實驗樣本進行圖像的采集和側(cè)視圖生長點的定位實驗。取其中5組樣本為例，由表2可知，對西瓜砧木苗側(cè)視圖生長點定位最大誤差為4.0像素，最小誤差為1像素，其橫軸與縱軸方向各自平均誤差為2.8像素、2.0像素。

表2 側(cè)視圖生長點定位誤差表

4 結(jié)論

通常葫蘆科砧木苗子葉分開情況下生長點定位采用霍夫變換對子葉進行橢圓擬合獲取兩片子葉所擬合橢圓的長軸線焦點，然而面對子葉形狀較差或是子葉有破損情況下，橢圓擬合的結(jié)果可能差強人意，導(dǎo)致生長點誤差增大。而橢圓擬合本身時間效率較低，一定程度上會拉低嫁接效率。

而本文所提出的基于有序輪廓鏈的葫蘆科砧木苗生長點提取方法，通過葫蘆科砧木苗視覺圖像的目標像素輪廓鏈提取可以準確獲得圖像中砧木苗的邊緣信息，進而通過計算鏈角的方式分析邊緣曲率信息，以此獲得砧木苗生長點坐標。該方法適用于子葉重合的砧木苗與子葉分開的砧木苗，且其平均誤差小于3個像素，符合嫁接過程中對生長點位置的需求，適用于以插接法為主要嫁接方式的全自動嫁接機的研發(fā)。