周桂紅，孫樂琳，梁芳芳，張秀花

基于改進密度峰值聚類算法的梨花密度分級

周桂紅1,2，孫樂琳1，梁芳芳1,2※，張秀花3

（1. 河北農業(yè)大學信息科學與技術學院，保定 071001；2. 河北省農業(yè)大數據重點實驗室，保定 071001；3.河北農業(yè)大學機電工程學院，保定 071001）

精準判斷梨花疏密程度是自動疏花的基礎。為了更好地判斷梨花密度，該研究提出了基于改進密度峰值聚類算法的梨花密度分級方法。該方法首先提取梨花位置坐標，獲取需要聚類的數據點。其次，為了實現梨花圖像的密度分級，針對原有密度峰值聚類算法在梨花密度分級中的不足，結合梨花密度分級需求，改進了對聚類中心的選取方式，通過4組局部密度和中心偏移距離分割閾值將決策圖劃分為4部分來選取聚類中心，分別對應高、中、低密度以及無需疏花處理等4個等級，實現了對疏密合理的梨花圖像的準確分級。最后，針對只有團狀分布、稀疏分布及大尺度特寫的梨花分布聚類分級不準確的問題，改進了兩點間的距離d參數的計算方法，統(tǒng)一梨花尺度大小和密度分級標準，對所有分布類型的梨花圖像均能實現合理的密度分級。試驗結果表明，該研究算法能夠適應不同尺度大小的梨花圖像，預測準確率為94.89%，密度分級準確率達到94.29%，可實現自然環(huán)境下局部花簇的密度分級，為機器智能疏花提供了技術支持。

圖像識別；農業(yè)；聚類算法；密度分級；位置坐標；閾值；梨花

0 引 言

當梨花過于密集時，會造成果樹養(yǎng)分的供不應求，適當疏花能夠控制梨花密度，有效調節(jié)果樹的養(yǎng)分供應，使果園保持穩(wěn)產，提高果實品質[1]。人工疏花易疲勞、效率低且成本高，容易錯過最佳的疏花時期，難以滿足大型果園的疏花需求[2]；采用化學疏花的方式，容易受到天氣條件的影響，會對果樹造成傷害，并且噴灑過程中對花朵強壯程度不加以區(qū)分，會導致疏花過度或疏花不足[3]。因此，快速準確地對不同梨花密度科學合理地自動化疏花，對提高智慧農業(yè)生產效率具有重要意義[4]。

自動化疏花包括2個關鍵技術：梨花識別與分割、梨花密度估計，梨花識別與分割是梨花密度估計的前提。基于傳統(tǒng)圖像處理方式的識別與分割方法多數依賴于顏色特征提取、閾值分割、邊界分割和區(qū)域分割[5-8]。基于深度學習的目標檢測與分割通常采用YOLO[9-10]、SSD[11]、Faster R-CNN[12]、Mask R-CNN[13-15]等算法來實現，采用優(yōu)化網絡結構、數據增強等手段提高花的識別與分割效果，對于復雜自然環(huán)境下果樹花朵識別的研究已經較成熟[16-21]。WU等[22]利用通道剪枝的YOLOv4網絡模型對不同品種的蘋果花實時檢測，具有較高的準確度和較強的魯棒性。YOLOv4網絡模型已經被驗證可較好的用于自然環(huán)境下蘋果花快速準確檢測。

實現密度檢測可有效判斷花朵的密集程度，為疏花提供直觀的判斷依據。目前，密度檢測的研究分為傳統(tǒng)機器學習方法和深度學習方法。傳統(tǒng)方法的密度檢測在利用傳統(tǒng)方法識別和分割花朵區(qū)域之后，根據連通域面積得到密度圖。如KRIKEB等[23]使用不同的紅色閾值分割花蕾（暗紅色）與花朵（粉紅色），比較花和花蕾面積來估測開花高峰期，繪制開花強度圖。相較于人工目測，傳統(tǒng)方法體現出一些優(yōu)勢，但對顏色、紋理等因素依賴性較強，受光照和背景噪聲影響較大?；谏疃葘W習的密度檢測方法是在基于深度學習的花的識別與分割基礎上得到密度圖，有效避免了以上問題[24]。WANG等[25]提出一種基于全卷積網絡（fully convolutional networks, FCN）的像素級蘋果花語義分割技術，根據花像素和區(qū)域像素的占比獲得密度圖。雖然基于深度學習的語義分割效果較好，但需要訓練大量像素級標注的數據集，標注復雜且耗時過長。

受交通擁堵程度估計和人口密度估計方法的啟發(fā)[26]，本文提出基于改進密度峰值聚類算法的梨花密度估計方法。在YOLOv4網絡模型識別并定位梨花之后，通過本文方法首先獲取梨花位置坐標，根據坐標值進行密度峰值聚類，然后改進了原算法中對聚類中心的選取方式，得到了高、中、低密度以及無需疏花處理等4個等級的聚類中心。此外，對兩點間的距離d參數的計算方法進行了改進，統(tǒng)一梨花尺度大小，最終得到最佳密度分級結果，為自動化疏花提供研究基礎。

1 數據采集與處理

1.1 數據采集

試驗所用的梨花圖像樣本采自河北省保定市易縣牛崗村河北農業(yè)大學研究基地，品種為3年生秋月，果園的栽培模式為南北成行，株距1.2 m，行距3.9 m。本研究于2021年4月18日梨花盛花期采集自然環(huán)境下的梨花圖像，采樣時間上午08:00－12:00，下午02:00－05:00。尼康相機距梨花約20～30cm垂直拍攝，拍攝圖像原始格式為JPG，像素分辨率為4 000×6 000像素（2∶3）。圖像采集時，采用隨機方式挑選梨花多的枝條拍攝，采集圖像包括順光、逆光、不同角度和不同遮擋程度的花朵和花苞。

1.2 數據預處理

本文共采集382張梨花圖像，為適應YOLOv4網絡模型的最佳識別效果，將采集的圖像隨機裁剪成608×608像素，不足則進行填充，填充顏色為RGB(128,128,128)。裁剪之后隨機去除天空、土地等不包含梨花目標的子圖像，整理后共2 734張梨花圖像，訓練集∶測試集∶驗證集= 7∶2∶1。采用LabelImg圖像標注工具對梨花進行標注，標簽為PearBlossom和Bud兩種。

2 梨花密度分級方法

在深度學習網絡模型識別并定位梨花位置之后，本文首先獲取梨花坐標，然后利用改進密度峰值聚類算法進行密度分級，如圖1所示?；谏疃葘W習的梨花識別不作為本文的研究重點，而是將重點放在識別之后的坐標提取和密度分級。

圖1 梨花密度分級流程

2.1 坐標提取

由于本文采用Pascal VOC2007的數據集格式，因此在YOLOv4網絡模型預測梨花時可得到預測框的左上角坐標（left,top）和右下角坐標（right,bottom），如圖2所示。在以為坐標原點，像素列數為橫軸，像素行數為縱軸的像素坐標系中，坐標點（left,top）代表圖像中第top行第left列的像素點，本文中提到的目標檢測框的中心坐標，計算式如下：

height=bottom?top（1）

width=right?left（2）

注：橫軸為像素列數，縱軸為像素行數。

Note: The horizontal axis is the number of pixel columns, and the vertical axis is the number of pixel rows.

圖2 梨花坐標提取示意圖

Fig.2 Diagram of extracting pear flower coordinates

2.2 密度峰值聚類算法

密度峰值聚類[27]（density peaks clustering, DPC）算法是一種典型的基于密度的聚類算法，該算法不需要迭代，可一次性找到聚類中心。該算法有兩個特征：聚類中心的密度比較大；不同聚類中心之間的距離相對較遠。

具體的算法步驟如下：

1）已知數據集包含個樣本點，計算任意兩個樣本點之間的距離d：

式中x和x分別表示第和第個樣本點的坐標；dist(x,x)表示x和x兩個坐標的歐式距離；表示維度；x和x分別表示維度上第和第個樣本點的坐標值，,∈{1,2,…,}。

2）計算第個樣本點的局部密度ρ：

式中d表示截斷距離，可指定。

3）計算第個樣本點的中心偏移距離δ：

4）以ρ和δ分別為橫縱坐標，畫出橫軸為局部密度，縱軸為中心偏移距離的決策圖。

5）選出聚類中心和噪聲點。

6）分配剩余點。

2.3 改進密度峰值聚類算法的密度分級

2.3.1 聚類方法的改進

決策圖是DPC算法選取聚類中心的關鍵，在決策圖中，普通點靠近軸，噪點靠近軸，可通過閾值選擇值偏大且值比較大的點作為聚類中心[27]。原算法僅用一組閾值選取聚類中心，不能滿足梨花密度分級的需求。因此，本文改用4組閾值來選取聚類中心。ρ、δ是一組高密度等級的分割閾值，分別表示高密度等級的局部密度閾值和中心偏移距離閾值，ρ、δ是一組中密度等級的分割閾值，分別表示中密度等級的局部密度閾值和中心偏移距離閾值，ρ、δ是一組低密度等級的分割閾值，分別表示低密度等級的局部密度閾值和中心偏移距離閾值，ρ、δ是一組無需疏花處理密度等級的分割閾值，分別表示該等級的局部密度閾值和中心偏移距離閾值，其中δ、δ、δ三者數值相同，ρ與最小局部密度min數值相同。該4組閾值的具體取值根據專家經驗及反復試驗的結果最終確定，選取不同等級聚類中心的閾值決策標準如圖3所示。同一組閾值的聚類中心用同一種圖案表示，代表同一等級；十字圖案代表無需疏花處理的密度等級；另外三種圖案則分別代表高中低三個密度等級。

注：ρmin和ρmax分別表示最小和最大的局部密度，δmin和δmax分別表示最小和最大的中心偏移距離。ρh、ρm、ρl分別表示高、中、低密度等級的局部密度閾值，δh和δm分別表示高、中密度等級的中心偏移距離閾值。圖例中H表示高密度等級，M表示中密度等級，L表示低密度等級，N表示無需疏花處理的密度等級。下同。

采用上述方法對梨花圖像進行分級仍具有局限性，僅對疏密合理的梨花聚類分級準確，而對于團狀分布、僅有稀疏分布以及大尺度特寫的梨花分布聚類分級不準確，如圖4所示。圖4中分別展示了不同分布類型的原圖圖像、識別圖像、聚類中心的決策結果圖像以及不同密度等級的梨花坐標圖像。其中聚類中心的決策結果圖像橫縱坐標分別為點的局部密度和中心偏移距離，并依據圖3中的閾值決策標準確定了各個等級的聚類中心。不同密度等級的梨花坐標圖像中各點坐標為提取出的梨花位置坐標，圖中的數字代表相應聚類中心的編號。如圖4a所示，依據聚類中心的決策結果圖選出了編號為4和9的兩個高密度等級聚類中心，以及編號為2和13的兩個低密度等級聚類中心，之后在不同密度等級的梨花坐標圖像中顯示出聚類結果和密度等級。不同密度等級的聚類中心用不同形狀的空心圖案表示，作為疏花的切入點。不同密度等級的梨花坐標圖中展示了密度等級和梨花位置分布的信息，在本文中代表密度圖。

由圖4中圖像的密度分級結果可以看出，密度等級都為高、中、低密度以及無需疏花處理4個等級，顯然團狀分布圖像、稀疏分布圖像以及大尺度特寫圖像的密度等級與實際情況不符。團狀分布應當作為一個整體花簇處理，而不應當分成過多聚類中心和密度等級，如圖4b所示；稀疏分布應當呈現稀疏密度等級，不應當出現高密度等級，如圖4c所示；大尺度特寫圖像梨花位置坐標相距較遠，實則密集卻造成稀疏分布的假象，如圖4d所示。因此，需對識別圖像做出統(tǒng)一尺度處理，同時確定統(tǒng)一的密度分級標準。

2.3.2 確定標準圖像

為了確定合理的標準圖像以及圖3中4組閾值的具體取值，首先根據專家經驗挑選出一批疏密合理的梨花圖像進行試驗，不斷調整選取不同等級聚類中心的閾值決策標準，使得在該閾值下梨花圖像的密度分級結果符合專家預期效果。通過試驗發(fā)現，標準圖像最大局部密度與最小局部密度的差值，即?集中在1.1～1.8，最大中心偏移距離與最小中心偏移距離的差值，即?集中在170～450，d集中在40～55；非標準圖像即團狀分布、稀疏分布、大尺度特寫等圖像?集中在0.35～1.5，?集中在60～320，d集中在25～85，雖然?和?與標準圖像有交集，但兩者沒有同時滿足標準圖像的取值區(qū)間。因此，?或?太小均不適合作為標準圖像：1）梨花呈團狀分布時的取值集體偏大，的取值集體偏小，坐標點會緊密相鄰，d的取值會偏?。?）梨花呈稀疏分布時的取值集體偏小，的取值集體偏大，坐標點會較分散，d的取值會偏大。因此，標準圖像的選取應該滿足：?和?的取值合理，和的取值不應集體偏大或集體偏小。根據以上原則，通過試驗挑選出較合適的標準圖像，如圖4e所示。

2.3.3 參數d的改進

確定標準圖像后，通過試驗發(fā)現標準圖像和4種不同分布類型的圖像選取聚類中心的閾值存在一定規(guī)律，表1所示是對參數d改進前后的各閾值。由DPC算法可知，局部密度是判定密度大小的關鍵參數。從表1可以看出，改進前標準圖像和疏密合理的圖像的高密度閾值ρ分別為0.846和0.634，由于已知4種不同分布類型的圖像中只有疏密合理的圖像密度分級較合理，由此推斷出，當某一圖像的ρ值與標準圖像相近時密度分級較合理。因此，本文控制4組選取聚類中心的閾值與標準圖像的閾值一致，即在選出標準圖像后，確定4種不同分布類型的圖像與標準圖像的ρ、δ、ρ、δ、ρ一致。由于標準圖像是經過大量試驗嚴格挑選的符合專家標準的一類圖像，所以標準圖像的參數處于標準范圍內，具有參考價值。控制該組閾值與選定的標準圖像一致，會使得4種不同分布類型圖像的聚類中心和聚類簇重新選擇，但不會改變、、d等參數值。由于其他標準圖像與選定的標準圖像所有參數都較接近，因此不會對其密度分級準確性產生影響。而對于不符合標準的梨花圖像，控制該組閾值與選定的標準圖像一致，可以強制聚類算法達到與標準圖像相同的密度分級效果。該方式僅改善了尺度與標準圖像相近的稀疏分布和團狀分布的缺陷，但對于大尺度的梨花圖像密度分級效果不理想。

注：圖中不同的編號代表不同的聚類中心。不同形狀的空心圖案代表不同密度等級的聚類中心。

Note: Different numbers in the figure represent different cluster centers. Hollow patterns with different shapes represent cluster centers with different density grades.

圖4 不同分布類型的梨花識別與梨花坐標的聚類結果

Fig.4 The results of pear flower recognition and pear flower coordinate clustering with different distribution types

表1 算法改進前后不同分布類型圖像的閾值

算法中d的值是根據“點周圍到該點的距離小于d的點的數目記為W，W點占總點數的1%～2%[27]”來確定，因此兩點之間的距離d對d起到影響作用，當d越大時d越大。而此時所有梨花圖像的d參數值還受到梨花尺度大小的影響，因此在未統(tǒng)一尺度大小的情況下d的值沒有對比意義。d與和都具有相關性，控制d值與標準圖像一致，會影響局部密度和中心偏移距離值的大小，失去算法合理性，因此在此處對d不做處理。

特寫圖像梨花尺度較大，導致目標檢測框的中心坐標點較分散、兩點間的距離d較大等問題，造成稀疏的假象，因此需統(tǒng)一梨花尺度。首先，對d的計算方法進行改進，統(tǒng)一梨花尺度后再控制截斷距離d與標準圖像一致，從而實現尺度和密度分級標準的統(tǒng)一。d的改進思想：由于不同拍攝距離會產生不同尺度的梨花圖像，采用YOLOv4深度學習網絡模型識別梨花，目標檢測框大小會隨著梨花尺度大小變化而變化，因此，可通過目標檢測框的大小來判定梨花尺度大小。本文引入所有目標檢測框寬高的平均值vg參數，作為衡量梨花尺度大小的標準，將距離d改為統(tǒng)一尺度后的距離d′，計算式如下：

式中vg表示所有目標檢測框寬高的平均值；表示圖像中目標檢測框個數；a和b分別表示第個目標檢測框的寬和高。

如表2所示，將標準圖像視為標準。改進后疏密合理的圖像、團狀分布圖像、稀疏分布圖像和大尺度特寫圖像相較于改進前d分別增大20.3%、增大6.5%、減小40.4%、減小19.4%；尺度分別增大4.9%、減小16.0%、減小12.1%、減小51.8%；最大局部密度值分別增大46.3%、增大78.8%、減小75.1%、增大151.3%。由于已知4種不同分布類型的圖像中只有疏密合理的圖像密度分級較合理，且從表2可以看出，疏密合理的圖像和標準圖像尺度大小最接近，由此也印證了統(tǒng)一尺度大小對密度等級劃分合理性的必要性。

表2 算法改進前后不同分布類型圖像的參數值變化率

注：將標準圖像作為比較標準，↑和↓分別表示改進后的參數值相較于改進前增大和減小。

Note: Take the standard image as the comparison standard, ↑ and ↓ respectively represent the increase and decrease of the improved parameter value compared with that before the improvement.

3 試驗設計

為了驗證本文算法對梨花密度分級的有效性，采用隨機抽樣的方式從測試集中抽取20幅裁剪后的梨花圖像樣本，樣本編號為0～19，并設計如下試驗。

1）尺度大小對比試驗：為驗證本文算法中尺度的有效性，采用PS軟件手工測量梨花尺度，以最接近梨花形狀的圓面積大小作為梨花尺度大小，如圖5a所示。測量所有花朵的尺度并求取平均值，將平均值作為整個花簇的測量尺度值，最終將測量結果與算法尺度值進行對比試驗。

注：圖5a中黃色圓的面積代表相應花朵的尺度測量值，紅色輪廓圍出的面積代表花簇面積測量值。圖5b中所有花區(qū)域面積代表花面積測量值。所有測量面積的單位都為像素。

2）密度分級對比試驗：為驗證不同聚類算法對梨花密度分級的有效性，采用常用的K-means算法（K-means clustering algorithm）和DBSCAN（density-based spatial clustering of applications with noise）算法與本文改進后的DPC算法進行密度分級對比試驗。由于K-means算法需設置初始聚類中心，為了減小隨機初始化的誤差，增大與本文算法的可對比性，將K-means算法初始聚類中心設置為本文算法所選出的聚類中心，聚類中心的密度等級也與本文一致。由于DBSCAN算法屬于密度聚類，為了減小尺度差異對分級結果的影響，采用本文方法統(tǒng)一梨花尺度，然后采用與本文算法相同的標準圖像數據集進行參數調整試驗，最終依據專家經驗及反復試驗得出DBSCAN算法的初始參數：搜索半徑為0.01，搜索半徑內最小點數目（minimum number of points, MinPts）為3，當搜索半徑內數據點數目大于MinPts設為高密度等級，等于MinPts設為中密度等級。此外，采用PS軟件手工測量花簇密度作為密度分級評價指標，并對3種聚類算法進行評估。人工測量采用兩種測量方式，其中測量密度1見式（9），人工模擬了尺度概念，融入了人工計數概念以及花簇面積概念，更適用于不同尺度大小的梨花圖像；測量密度2見式（10）[23,25]，由花面積與花簇面積的比值得出密度大?。?/p>

式中表示花簇中花朵個數人工計數值；花簇表示花簇面積測量值，單位為像素，如圖5a所示；表示整個花簇中所有花朵測量尺度的平均值，單位為像素；花表示花面積測量值，單位為像素，如圖5b所示。

4 結果與分析

4.1 尺度大小對比

對20張樣本圖像進行尺度大小對比試驗，對比結果如表3所示。為了將測量尺度與算法尺度的單位統(tǒng)一成面積單位，將以vg為直徑的圓面積作為算法尺度值。由表3可以看出，統(tǒng)計的尺度平均精度為94.89%。

表3 測量尺度值與算法尺度值統(tǒng)計比較

圖6為測量尺度和算法尺度的1∶1比較圖。從擬合結果可以看出，決定系數2值為0.996，統(tǒng)計誤差在0.27%～12.44%之間，平均為5.11%。結果表明本文算法對尺度的預測精度較高，可有效實現對梨花尺度的估計。

圖6 測量尺度值和算法尺度值的回歸分析

algorithm scale value

4.2 密度分級對比

對20張樣本圖像中的單個花簇進行密度分級對比，共35組樣本花簇。圖7為兩種不同測量方式的花簇密度對比曲線，圖中兩種測量密度曲線走勢基本一致，說明兩種測量方式可相互驗證。但測量密度2的曲線波動性較小，其原因是：因遮擋或裁剪只剩下局部的花瓣，所以導致計量花朵面積偏小，部分測量密度2的數值偏小。

注：樣本花簇編號的中間字母代表密度等級，字母前面的數字代表樣本編號，字母后面的數字代表樣本內的花簇編號。如0H1代表樣本0中編號為1的花簇是高密度等級。

通過分析，選定測量密度1作為真實測量值，由圖7可以看出，存在一個閾值區(qū)間[0.9,1.1]將測量密度1劃分成高、中、低3個等級，測量分級結果如表4所示。除樣本2和樣本11中的兩個花簇外，本文改進的DPC算法對剩余33個花簇等級的預測與測量分級一致，密度分級精確度達到94.29%。K-means算法和DBSCAN算法密度分級精確度分別達到94.29%和68.57%。K-means算法與本文改進的DPC算法密度分級精確度相同，但缺少自動選取不同密度等級聚類中心的算法步驟，隨機初始化聚類中心對聚類結果影響較大且與密度無關，不利于梨花密度分級。DBSCAN算法對密度大小的計算方式缺乏連續(xù)性，對密度等級的劃分不夠精細。改進后的DPC算法密度分級精確度較高，且能夠自動選取聚類中心和劃分密度等級，從密度分級精確度和聚類中心選取方式兩方面綜合分析，本文改進的DPC算法效果最佳。

表4 測量分級與不同聚類算法分級的統(tǒng)計比較

注：測量分級依據測量密度1得出。H/M/L表示圖中有三個花簇，密度等級分別是H、M、L。括號內數據表示將L等級誤判為N等級個數，由于低密度等級無需疏花處理，因此將L等級誤判為N等級可忽略不計。

Note: Measurement classification is based on measure density 1. H/M/L represents that there are three flower clusters in the image, and the density grades are H, M and L. The data in parentheses represents the number of L wrongly identified as N. Because the low-density grade does not require flowers thinning, it can be ignored when L is wrongly identified as N.

不同算法針對不同分布類型的梨花坐標的聚類結果如圖8所示。K-means算法初始聚類中心用空心圖案表示，并顯示其編號，最終聚類中心用叉號表示。由于K-means算法對噪點敏感，當圖中存在噪點時會影響聚類中心的最終迭代結果，與初始聚類中心偏離較大（圖8a，圖8b）。由于DBSCAN算法無需確定聚類中心，圖中空心圖案代表了核心點，并顯示其編號，當某個數據點的搜索半徑內數據點數目大于或等于MinPts時被稱為核心點。DBSCAN算法對噪點具有魯棒性，能夠剔除噪點（圖8a，圖8b），但由于對密度等級劃分不夠精細，導致密度分級效果較差。如圖8a所示，DBSCAN算法將大多數中密度等級的坐標點劃分為噪點；如圖8c所示，DBSCAN算法將高密度等級的坐標點劃分為中密度等級。本文改進的DPC算法與改進前對比，團狀分布圖像被劃分成一個密度等級，可作為一個整體花簇處理（圖8a）；稀疏分布只呈現低密度等級，符合稀疏密度圖的特點（圖8b）；大尺度特寫圖像在改進之后只呈現一種高密度等級，與實際相符（圖8c）。本文改進的DPC算法與其他聚類算法相比，具有幫助選取不同密度等級聚類中心的決策圖，減小了隨機初始化的誤差；對噪點具有魯棒性，能有效剔除噪點（圖8a，圖8b）；密度計算方式具有連續(xù)性（式（5）），對密度等級劃分更準確。

上述結果表明，在改進d參數的計算方法且控制ρ、δ；ρ、δ；ρ、δ；ρ、δ4組閾值以及d與標準圖像一致之后，統(tǒng)一了梨花尺度和密度分級標準，梨花密度分級結果更準確合理。

注：K-means算法中不同的編號代表不同的初始聚類中心，不同形狀的空心圖案代表不同密度等級的初始聚類中心，×代表最終聚類中心。DBSCAN算法中不同的編號代表不同的核心點，不同形狀的空心圖案代表不同密度等級的核心點。

5 結 論

本文提出基于改進密度峰值聚類算法的梨花密度分級方法，該方法在采用YOLOv4網絡模型對圖像預處理之后，提取梨花位置坐標，并利用坐標點進行聚類分析。然后為了實現梨花圖像合理的密度分級，改進了聚類中心的選取方式和兩點間的距離d參數的計算方法。

本文提出采用4組局部密度和中心偏移距離閾值來選取聚類中心，分別選出高、中、低密度和無需疏花處理等4個等級的聚類中心，初步實現密度等級的劃分。本文采用改進后的d′參數來計算兩點間的距離，避免了由于梨花尺度大小不同對密度分級結果造成的影響，實現了對疏密合理、團狀分布、稀疏分布和大尺度特寫4種分布類型的梨花圖像的合理密度分級。結果表明，本文改進的密度峰值聚類算法對梨花尺度的預測準確率為94.89%，對梨花圖像的密度分級準確率為94.29%。

[1] 李君，徐巖，許績彤，等. 懸掛式電動柔性疏花機控制系統(tǒng)設計與試驗[J].農業(yè)工程學報，2016，32(18)：61-66.

LI Jun, XU Yan, XU Jitong, et al. Design and experiment of control system for suspended electric flexible thinner[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 61-66. (in Chinese with English abstract)

[2] IWANAMI H, MORIYA-TANAKA Y, HONDA C, et al. A model for representing the relationships among crop load, timing of thinning, flower bud formation, and fruit weight in apples[J]. Scientia Horticulturae, 2018, 242: 181-187.

[3] 宋占麗，刁永強，拜熱·居馬洪，等. 不同疏花疏果劑對蜜脆蘋果的疏除效果及成本分析[J]. 現代農業(yè)科技，2021(13)：67-68.

[4] FARJON G, KRIKEB O, HILLEL A B, et al. Detection and counting of flowers on apple trees for better chemical thinning decisions[J]. Precision Agriculture, 2020, 21(3): 503-521.

[5] ZHANG C, XIE Y, LIU D, et al. Fast threshold image segmentation based on 2D fuzzy fisher and random local optimized QPSO[J]. IEEE Transactions on Image Processing, 2016, 26(3): 1355-1362.

[6] 楊陶，田懷文，劉曉敏，等. 基于邊緣檢測與Otsu的圖像分割算法研究[J]. 計算機工程，2016，42(11)：255-260，266.

YANG Tao, TIAN Huaiwen, LIU Xiaomin, et al. Research on image segmentation algorithm based on edge detection and Otsu[J]. Computer Engineering, 2016, 42(11): 255-260, 266. (in Chinese with English abstract)

[7] 彭明陽，王建華，聞祥鑫，等. 結合HSV空間的水面圖像特征水岸線檢測[J]. 中國圖象圖形學報，2018，23(4)：526-533.

PENG Mingyang, WANG Jianhua, WEN Xiangxin, et al. Shoreline detection method by combining HSV spatial water image feature[J]. Journal of Image and Graphics, 2018, 23(4): 526-533. (in Chinese with English abstract)

[8] 劉雙喜，孫林林，王震，等. 復雜背景下蘋果樹花量模糊聚類準確估測模型[J]. 中國農機化學報，2017，38(8)：74-81.

LIU Shuangxi, SUN Linlin, WANG Zhen, et al. Fuzzy clustering accurate estimation model of apple tree flowers with complex background[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(8): 74-81. (in Chinese with English abstract)

[9] 趙德安，吳任迪，劉曉洋，等. 基于YOLO深度卷積神經網絡的復雜背景下機器人采摘蘋果定位[J]. 農業(yè)工程學報，2019，35(3)：164-173.

ZHAO Dean, WU Rendi, LIU Xiaoyang, et al. Apple positioning based on YOLO deep convolutional neural network for picking robot in complex background[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 164-173. (in Chinese with English abstract)

[10] 楊軍奇，馮全，王書志，等. 基于改進YOLOv4的田間密集小目標檢測方法[J]. 東北農業(yè)大學學報，2022，53(5)：69-79.

YANG Junqi, FENG Quan, WANG Shuzhi, et al. Method for detection of farmland dense small target based on improved YOLOv4[J]. Journal of Northeast Agricultural University, 2022, 53(5): 69-79. (in Chinese with English abstract)

[11] TIAN M, CHEN H, WANG Q. Detection and recognition of flower image based on SSD network in video stream[J]. Journal of Physics: Conference Series, 2019, 1237(3): 032045.

[12] 閆建偉，趙源，張樂偉，等. 改進Faster-RCNN自然環(huán)境下識別刺梨果實[J]. 農業(yè)工程學報，2019，35(18)：143-150.

YAN Jianwei, ZHAO Yuan, ZHANG Lewei, et al. Recognition of Rosa roxbunghii in natural environment based on improved Faster RCNN[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(18): 143-150. (in Chinese with English abstract)

[13] HE K, GKIOXARI G, DOLLAR P, et al. Mask R-CNN [C]//Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy: IEEE, 2017: 2980-2988.

[14] 岳有軍，田博凱，王紅君，等. 基于改進Mask RCNN的復雜環(huán)境下蘋果檢測研究[J]. 中國農機化學報，2019，40(10)：128-134.

YUE Youjun, TIAN Bokai, WANG Hongjun, et al. Research on apple detection in complex environment based on improved Mask RCNN[J]. Journal of Chinese Agricultural Mechanization, 2019, 40(10): 128-134. (in Chinese with English abstract)

[15] 鄧穎，吳華瑞，朱華吉. 基于實例分割的柑橘花朵識別及花量統(tǒng)計[J]. 農業(yè)工程學報，2020，36(7)：200-207.

DENG Ying, WU Huarui, ZHU Huaji. Recognition and counting of citrus flowers based on instance segmentation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(7): 200-207. (in Chinese with English abstract)

[16] DIAS P A, TABB A, MEDEIROS H. Multispecies fruit flower detection using a refined semantic segmentation network[J]. IEEE robotics and automation letters, 2018, 3(4): 3003-3010.

[17] DIAS P A, TABB A, MEDEIROS H. Apple flower detection using deep convolutional networks[J]. Computers in Industry, 2018, 99: 17-28.

[18] TIAN Y, YANG G, WANG Z, et al. Instance segmentation of apple flowers using the improved mask R–CNN model[J]. Biosystems Engineering, 2020, 193: 264-278.

[19] SUN K, WANG X, LIU S, et al. Apple, peach, and pear flower detection using semantic segmentation network and shape constraint level set[J]. Computers and Electronics in Agriculture, 2021, 185: 106150.

[20] 尚鈺瑩，張倩如，宋懷波.基于YOLOv5s的深度學習在自然場景蘋果花朵檢測中的應用[J].農業(yè)工程學報，2022，38(9)：222-229.

SHANG Yuying, ZHANG Qianru, SONG Huaibo. Application of deep learning based on YOLOv5s to apple flower detection in natural scenes[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 222-229. (in Chinese with English abstract)

[21] 孔英會，朱成誠，車轔轔. 復雜背景下基于MobileNets的花卉識別與模型剪枝[J]. 科學技術與工程，2018，18(19)：84-88.

KONG Yinghui, ZHU Chengcheng, CHE Linlin. Flower recognition in complex background and model pruning based on MobileNets[J]. Science Technology and Engineering, 2018, 18(19): 84-88. (in Chinese with English abstract)

[22] WU D, LV S, JIANG M, et al. Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments[J]. Computers and Electronics in Agriculture, 2020, 178: 105742.

[23] KRIKEB O, ALCHANATIS V, CRANE O, et al. Evaluation of apple flowering intensity using color image processing for tree specific chemical thinning[J]. Advances in Animal Biosciences, 2017, 8(2): 466-470.

[24] MADEC S, JIN X, LU H, et al. Ear density estimation from high resolution RGB imagery using deep learning technique[J]. Agricultural and Forest Meteorology, 2019, 264: 225-234.

[25] WANG X A, TANG J, WHITTY M. Side-view apple flower mapping using edge-based fully convolutional networks for variable rate chemical thinning[J]. Computers and Electronics in Agriculture, 2020, 178: 105673.

[26] YE T, ZHAO N, YANG X, et al. Improved population mapping for China using remotely sensed and points-of-interest data within a random forests model[J]. Science of the Total Environment, 2019, 658: 936-946.

[27] RODRIGUEZ A, LAIO A. Clustering by fast search and find of density peaks[J]. Science, 2014, 344(6191): 1492-1496.

Pear flower density classification based on improved density peak clustering algorithm

ZHOU Guihong1,2, SUN Lelin1, LIANG Fangfang1,2※, ZHANG Xiuhua3

(1.071001; 2.071001; 3.071001)

It is important to judge the density of pear flower accurately for automatic thinning. In order to judge the density of pear flowers precisely and achieve the purpose of automatic flower thinning, a density classification of pear flower images method based on improved density peak clustering algorithm was proposed in this study. The pear flower image samples used in the experiment were taken from the research base of Hebei Agricultural University, Niugang Village, Yi County, Baoding City, Hebei Province, and the variety was three-year-old Qiuyue. In this study, the images of pear flowers in natural environment were collected on April 18, 2021, when the pear flowers were in full bloom. The pear flower recognition images with high detection accuracy were obtained by using the depth learning model to detect the pear flower. The central coordinates of the target detection frame were extracted from the recognition images to obtain the data points that needed to be clustered. Secondly, in order to achieve the density classification of pear flower images, the method of selecting the cluster center was improved according to the shortcomings of the original density peak clustering algorithm in the density classification of pear flower and the requirements of pear flower density classification. The decision graph was divided into four parts by four groups of local density and center offset distance segmentation thresholds to select the cluster centers. These four parts corresponded to four grades of high, medium and low density and no thinning treatment. The accurate classification of pear flower images with reasonable density was realized. Finally, to solve the problem of inaccurate clustering classification of pear flower distribution with only cluster distribution, sparse distribution and large-scale close-up, the calculation method ofdparameter of distance between two points was improved. The pear flower scale and density grading standard were unified, and reasonable density grading could be achieved for all distribution types of pear flower images. The experimental results showed that the proposed algorithm could adapt to pear flower images of different scales. The accuracy of scale prediction was 94.89%, and the accuracy of density classification was 94.29%. Compared with the existing methods, the proposed method could achieve the density classification of local flower clusters in natural environment. the algorithm in this paper was compared with K-means algorithm and DBSCAN algorithm, and the accuracy of density classification was 94.29% and 68.57% respectively. Although the density classification accuracy of K-Means clustering algorithm was high, it lacked the algorithm steps to automatically select the clustering centers of different density classification, and was too sensitive to noise points. The density calculation method of DBSCAN algorithm lacked continuity, and the division of density grade was not precise enough. Based on the comprehensive analysis of density classification accuracy and cluster center selection method, the improved density peak clustering algorithm in this paper had the best effect. The clustering centers of different density grade could be automatically selected and the error of random initialization of clustering centers could be reduced. The proposed algorithm was robust to noise points and could eliminate noise points effectively. The proposed algorithm adopted soft statistics method for density calculation, which had continuity and was more accurate for density classification. It provides technical support for analyzing the density of pear flower and machine intelligent flower thinning.

image recognition; agriculture; clustering algorithm; density classification; position coordinates; threshold; pear flower

10.11975/j.issn.1002-6819.202207204

TP391

A

1002-6819(2023)-01-0126-10

周桂紅，孫樂琳，梁芳芳，等. 基于改進密度峰值聚類算法的梨花密度分級[J]. 農業(yè)工程學報，2023，39(1)：126-135.doi：10.11975/j.issn.1002-6819.202207204 http://www.tcsae.org

ZHOU Guihong, SUN Lelin, LIANG Fangfang, et al. Pear flower density classification based on improved density peak clustering algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(1): 126-135. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202207204 http://www.tcsae.org

2022-07-21

2022-12-07

國家自然科學基金（62106065）；河北省現代農業(yè)產業(yè)技術體系梨創(chuàng)新團隊現代果園裝備與智能化（HBCT2021210206）

周桂紅，博士，教授，研究方向為人工智能、圖像處理。Email：hebau_zgh@163.com

梁芳芳，博士，副教授，研究方向為人工智能、圖像處理、計算機視覺、模式識別等。Email：liangfangfang@hebau.edu.cn