摘 "要：該文研究果園環(huán)境下綠色陽光玫瑰葡萄的果實圖像分割和定位方法。在分析了順光、逆光和夜間3種光照情況下的采集圖像后，選取最能體現綠色葡萄果實的顏色分量作為分割算法的輸入圖像。利用最大類間方差法（OTSU）和支持向量機法（SVM）實現果實和背景區(qū)域的分割。實驗結果對比表明，綠色葡萄在夜間的識別率高于晴天順光和逆光的情況。比較2種算法的準確率，可以發(fā)現SVM算法在晴天順光和逆光時的準確率更高，而OTSU算法在夜間情況時較高，達到了98.7%。

關鍵詞：綠色葡萄；圖像分割；OTSU算法；SVM算法；機器視覺

中圖分類號：TP242 " " " 文獻標志碼：A " " " " "文章編號：2096-9902（2024）09-0025-05

Abstract： The method of fruit image segmentation and location of green sunshine rose grape （aka. Vitis Labrusca） in orchard environment was studied in this paper. After analyzing the captured images under the conditions of smooth light， backlight and night light， the color component which can best reflect the green grape fruit is selected as the input image of the segmentation algorithm. The maximum inter-class variance method OTSU and support vector machine method SVM are used to segment fruit and background regions. The experimental results show that the recognition rate of green grapes at night is higher than that of smooth light and backlight in sunny days. Comparing the accuracy of the two algorithms， we can find that the accuracy of SVM algorithm is higher in sunny days with smooth light and backlight， while OTSU algorithm is higher at night， reaching 98.7%.

Keywords： green grape; image segmentation; OTSU algorithm; SVM algorithm; machine vision

葡萄是世界上最古老的果樹品種之一，世界各地均有栽培。針對葡萄采摘的季節(jié)性強、工作強度大、人工成本高等問題，采摘機器人的應用和推廣具有重要的意義。

采摘機器人在采摘葡萄果實之前，首先要通過目標識別系統(tǒng)將果實從復雜的自然環(huán)境中識別出來。目前，針對果實采摘機器人的識別方法主要有基于顏色空間的識別方法和基于幾何形狀、紋理特征的識別方法。本文研究的是綠色陽光玫瑰葡萄，其果實與背景顏色相近，首先對葡萄的顏色特征進行分析，選擇并提取最能凸顯綠色葡萄的顏色分量；然后采用OTSU法和SVM法對自然環(huán)境下的綠色陽光玫瑰葡萄進行圖像分割和識別。

1 "圖像采集及分析

1.1 "葡萄圖像的采集

本項目以嘉興駿輝生態(tài)有限公司種植的綠色陽光玫瑰葡萄為研究對象，相機拍攝距離約為2 m，圖像大小為3 648像素×2 736像素。為了減少圖像的處理時間，將圖像大小調整至640像素×480像素。采集的圖像包括晴天順光、晴天逆光、晴天夜間3種不同光照條件，3種光線情況下各采集葡萄圖像200余幅。

1.2 "顏色特征的分析

通過對比、分析綠色陽光玫瑰葡萄果實和枝干、葉子等背景顏色的差異性，選擇最能體現綠色葡萄果實的顏色分量作為果實圖像分割算法的輸入圖像。將相機采集的果實RGB圖像通過一定的變換轉換成Lab、YCbCr和HSI等幾種常見的顏色空間。

1.2.1 "RGB顏色空間

RGB顏色成為三原色，是圖像處理中最基本的顏色模型。該模型根據紅色（Red）、綠色（Green）和藍色（Blue）3個分量的亮度定量來顯示。當光照亮度改變時，R、G和B分量即會隨之改變。因此，RGB顏色空間不適合進行圖像的分割。

1.2.2 "Lab顏色空間

自然界中的任何色彩都可以用L、a、b 3個數值進行描述，與RGB顏色空間相比，Lab顏色空間模型涉及的算法復雜度高，所需要的計算時間也相對較長，但是Lab顏色空間模型不受外界因素的影響，能較好地反應目標物體的顏色。

1.2.3 "YCbCr顏色空間

YCbCr顏色模型單獨將亮度這個信息量分離，能夠有效地克服光照亮度對目標圖像的干擾，普遍地應用于圖像檢測和分割領域。

1.3 "顏色分量的提取

綠色陽光玫瑰葡萄成熟后呈黃綠色，其果實與背景顏色相近。在對相機采集的600幅果實圖像進行顏色空間的特征分析后，發(fā)現晴天順光情況下，葡萄果實在Lab顏色空間的b分量值明顯高于背景；在逆光情況下，葡萄的2R-G-B分量值較明顯；在夜間情況下，葡萄在Lab空間的L分量值較明顯。適合用于葡萄圖像的分割和識別。圖1為綠色陽光玫瑰葡萄在晴天順光、逆光和夜間情況下的顏色空間分量圖。

2 "果實圖像分割算法

2.1 "基于顏色空間的OTSU圖像分割

OTSU算法又叫做最大類間方差法，是一種圖像灰度自適應閾值的分割算法，能夠較好地將目標圖像從背景中分離提取出來。在提取圖像的過程中，由于葡萄果實顆粒之間的間隙、果實與背景葉片顏色相近、光照情況等因素，會造成一定程度的誤差，因此在圖像OTSU分割后，需要通過一系列的數學形態(tài)學運算來優(yōu)化圖像分割的效果。

首先，利用孔洞填充的方法消除因葡萄果粒間隙引起的小型孔洞。通過刪除小面積對象的運算去除目標圖像之外，因顏色相近或是光照強度等問題而存在的噪聲誤區(qū)。然后，再通過開運算和閉操作，消除細小的物體，光滑目標對象的外部輪廓，同時基本不影響目標圖像的面積。最后，通過三維重構法對分割出的圖像目標進行還原，并在獲取的RGB圖像中對其進行定位。利用regionptops函數獲取圖像區(qū)域的屬性，并繪制葡萄果實輪廓的最小外界矩形。自然環(huán)境下基于OTSU算法的葡萄果實圖像分割和目標識別過程如圖2所示。

2.2 "基于SVM的圖像分割

SVM算法是一種建立在結構風險最小化和VC維理論基礎上的核學習方法。采用SVM算法對彩色葡萄圖像進行分割的關鍵在于模型的構造，即尋找一個最優(yōu)的分類超平面，將目標樣本和背景完美地分隔。

本文在傳統(tǒng)方法的基礎上進行了改進，基于采集的RGB圖像選取像素峰值附近的樣本點創(chuàng)建訓練集，利用訓練好的SVM模型對葡萄圖像進行分析，通過決策函數判定圖像中各個像素點所屬的類別，從而進行圖像的分割和目標的定位。自然環(huán)境下基于SVM算法的葡萄果實圖像分割和目標識別過程如圖3所示。

2.3 "2種算法的對比

選取順光、逆光和夜間3種不同的光照條件，各采集200余幅綠色陽光玫瑰葡萄的RGB圖像，利用MATLAB對采集圖像進行識別處理，并將重建圖像與原圖像進行對比分析，可獲得綠色葡萄果實的Dice值，見表1。

根據葡萄果實的識別效果分析可知：在晴天順光時選取Lab顏色空間中的b分量，通過OTSU算法綠色葡萄果實的識別率可達90.99%，通過SVM算法可達到91.76%。在晴天逆光情況下選取RGB顏色空間的2R-G-B分量，2種算法的果實識別率分別達到84.50%和87.54%。在夜間情況時選取Lab顏色空間的L分量，2種算法的果實識別率可高達98.70%和97.57%。

3 "結論

從葡萄果實的識別效果表中分析可知：在夜間狀況下，綠色葡萄的果實圖像分割和定位最為精準，2種算法均可達到97%以上，晴天順光情況次之，而晴天逆光情況下的果實識別率最差。在晴天順光和逆光2種光照強度下，OTSU算法比SVM算法的果實識別率普遍較低一些，而在夜間時，基于OTSU算法的圖像分割精確度卻比SVM算法高。不同光照情況下綠色葡萄的識別效果及目標定位如圖4所示。

自然環(huán)境下的綠色葡萄目標識別和定位一直是采摘機器人領域的一個研究難點。本文對果園環(huán)境下3種不同光照強度的葡萄圖像進行了研究，通過分析葡萄果實和果園背景在各顏色空間的分布情況，利用OTSU算法和SVM算法對其進行了目標圖像的分割和識別，并取得了理想的結果，為采摘機器人對葡萄果梗采摘點的檢測和確定奠定了基礎。

參考文獻：

[1] 鄭太雄，江明哲，馮明馳.基于視覺的采摘機器人目標識別與定位方法研究綜述[J].儀器儀表學報，2021（9）：41.

[2] 羅陸峰.視覺感知的葡萄機器人采摘行為及虛擬試驗[D].廣州：華南農業(yè)大學，2017.

[3] 王成琳.基于光照均值化的多類水果采摘機器人雙目視覺定位研究[D].廣州：華南農業(yè)大學，2018.

[4] 李鳳麗.基于機器視覺的水果識別與定位技術研究[D].曲阜：曲阜師范大學，2018.

[5] 景曉梅.自然環(huán)境下蘋果目標的識別算法研究[D].西安：西安科技大學，2020.

[6] 張丹丹，章光，陳西江，等.改進YCbCr和區(qū)域生長的多特征融合對的火焰精準識別算法[J].激光與光電子學進展，2020，57（6）：226-237.

[7] 林啟招，孫永科，邱堅.基于YCbCr顏色空間的木材紋理檢測技術[J].信陽農林學院學報，2020，30（3）：100-103，112.

[8] 章怡，王海峰.一維對象復雜度的灰度圖像分割算法[J].太赫茲科學與電子信息學報，2020，18（6）：1058-1064.