基于LabVIEW葡萄叶片还原糖含量的测试方法

(甘肃农业大学 机电工程学院，甘肃 兰州 730070)

LabVIEW[1]是美国国家仪器公司(National Instruments，NI)开发的一种图形化编程软件，目前已在农业检测、测试系统、视频监控等方面得到了广泛应用。2013年朱玲[2]等人设计了一套基于 LabVIEW 的小麦生物量检测系统，完成了对数据的实时采集、显示和保存；2017年伍权[3]等人采用LabVIEW技术，设计了一套脉冲涡流检测实验系统，实现了信号发生、采集和控制等功能；2017年庄雷[4]等人针对高空气球吊篮姿态控制系统地面监控的需求，利用LabVIEW开发环境设计了一种吊篮姿态控制地面监控软件。

叶片是植物的主体器官，随着植株的生长或发生病变，叶片的颜色、纹理等特征会相应改变，这种改变能很好地反映出其内在营养成分含量的变化。分析植物内在营养、元素的变化是观测植物是否健康成长的重要指标，传统的叶片营养元素诊断一般有光谱仪器分析法和化学试剂滴定法，此类方法操作简单，但测试成本高，测试仪器不够便捷，测试过程也较复杂，对于田间大批量植株营养元素的测定有一定局限性，所以，利用视觉技术对植株生长过程中所表现出来的特征差异进行分析识别从而判断植株营养含量的方法就应运而生。早在2013 年徐腾飞[5]等人利用计算机视觉技术实现了对玉米叶片的特征识别，完成了叶片中含水率的测定；2017年杜玉红[6]等人基于机器视觉技术实现了对玉米叶片叶绿素含量的快速无损检测。虽然利用 LabVIEW 软件对植物营养元素含量的检测由来已久，但主要侧重于水稻、番茄、棉花、玉米等一年生作物的叶片叶绿素含量、含水率以及各种微量元素的检测上，鲜少见到对多年生植株营养元素的测定。基于此现状，本研究以田间葡萄叶片作为研究对象，设计开发了一种基于LabVIEW的葡萄叶片还原糖含量的检测系统，该系统利用LabVIEW技术和机器视觉技术，提取葡萄叶片颜色和纹理特征参数，再将提取到的参数以变量形式输入到SVM分类器模型中，完成叶片还原糖含量的识别，进而对叶片的含糖量进行测定。

1 系统设计

1.1 试验材料与方法

本研究的图像采集系统是由工业摄像机、图像采集卡、LED光源和支架等硬件构成。摄像机选用型号为acA2500-14uc的工业摄像机，其摄像头接口形式为 USB 3.0型；图像采集卡为美国NI公司生产的8242采集卡；光源是美国CREE(科锐)公司生产的 XML-2型 LED 灯珠，亮度1100～1200流明、色温7200 K。以上所有硬件均能在夜间稳定工作。

试验于2016年、2017年5月～10月在位于甘肃农业大学的甘肃省葡萄与葡萄酒工程研究中心葡萄试验田中进行，试验田地势平坦，土壤透气性良好，排水方便，不易积水。供试样本为六年生“红地球”葡萄，4月中下旬上架，葡萄架为“厂”字型，南北行向，四周无明显遮挡，空气流通较好，光照充分。试验选择健康状况良好的三行葡萄植株作为测试对象，为降低光照等环境因素的影响，本测试实验的图像采集工作是基于同一光源条件下于晚上8：00～10:00进行，每次采样间隔4天。

该系统总体设计方案为系统初始化、叶片图像在线采集与处理、图像保存与读取、图像特征参数提取、分类识别，结构框图如图1所示。

1.2 图像采集与保存程序设计

图像采集与保存程序设计均在LabVIEW软件平

图1 系统总体结构框图

台上进行。在图像采集阶段，需在NI中安装IMAQ和IMAQdx驱动，图像连续采集过程是基于一个While循环程序进行，在循环中嵌套6个子程序，分别为IMAQdx Open Camera.vi子程序——加载摄像头，IMAQdx Configure.vi子程序——采集图像信息，IMAQdx Grab.vi子程序——获取输出图像的当前帧，IMAQ Create.vi 子程序——设置当前获取图像缓存空间，IMAQdx close Camera .vi子程序——停止采集并关闭摄像头，IMAQ Dispose.vi 子程序作用为释放所占缓存空间。采集完成后,图像会通过LabVIEW中的Image Display 控件呈现在前面板上。

图像保存程序设计是基于一个条件循环程序和一个while循环程序来进行。当循环条件为真时，在IMAQ Write File.vi的输入端口File Path处创建路径，即可通过IMAQ Write File.vi子程序将拍摄到的图像按照指定的路径保存起来，设置图像预处理打开路径与保存路径相同，可将保存后的图像送入LabVIEW 的图像预处理模块中，进行下一步的操作。

1.3 图像预处理程序设计

在葡萄叶片图像采集过程中，各类外界干扰会影响源图片的形态和颜色，降低叶片还原糖测试的正确率。为此图像预处理就尤为重要[7]。本设计图像预处理是借助于Vision Development Module模块中的Vision Assistant 来完成，对图像进行了彩色图像灰度化、图像去噪、图像增强、背景分割和将原始图像与分割后图像做乘法运算去除背景的彩色图像等图像预处理过程。在图像预处理界面上，图像灰度化和图像增强可手动选择处理方式，图像去噪和背景分割则分别利用中值滤波和阈值分割的方法完成。图像预处理可消除图像噪声等干扰信息,恢复有用的真实信息，改进特征提取、背景分割、特征识别的可靠性，提高系统工作效率和还原糖含量测定的正确率。

1.4 特征提取和分类识别程序设计

该系统利用叶片图像的颜色一阶矩、二阶矩和灰度共生矩阵[8-11]的综合特征参数来提取图像颜色和纹理特征，并将该特征向量作为输入向量构建以径向基为核函数的支持向量机(SVM)分类器模型[12]。但由于LabVIEW图像处理算法的局限性，本研究采用了LabVIEW软件Matlab软件混合编程的方法[13]，在LabVIEW中通过 Matlab Script节点调用Matlab软件平台完成图像特征提取和分类识别工作[14]。调用方法为先在程序框图窗口中打开“查看”菜单下的函数选板，在函数选板上依次打开数学-脚本与公式-脚本节点-Matlab脚本。然后通过在Matlab Script节点边框上选择“添加输入”和“添加输出”来进行参数传递。

在编程过程中，需要调用两个Matlab脚本，其中一个脚本中导入提取颜色和纹理特征的Matlab程序，另一个脚本中导入分类识别程序。定义第一个脚本输入变量的类型为path，赋值为L，输出变量类型为real和string。

当图像预处理完成后，系统会直接对该葡萄叶片图像特征包括H、S、V三通道颜色一阶矩、二阶矩的6个参数和通过灰度共生矩阵算法得到叶片图像0°、45°、90°和135°四个方向的角二阶矩、熵、惯性矩、相关性8个参数进行提取。一方面系统会将这14个参数利用14个数据输出框以数据的形式输出，另一方面通过在Matlab脚本中编程将这14数据以文本形式输出，作为输入变量输入到系统分类识别脚本中。其中文本文件的读取和写入用LabVIEW中函数选板-编程-文件I/O里的控件编程。分类识别结果利用T0～T8的9 个数据框输出，T0～T8分别代表还原糖含量的9个含量区间，即T0代表还原糖含量在2.81%～2.90%区间、T1代表3.01%～3.10%区间、T2代表3.11%～3.20%区间，依次类推，T8代表还原糖含量在3.61%～3.7%区间。系统会将提取到的特征参数与识别结果均显示在前面版上。

假设送入系统中处理的葡萄叶片图像经分类识别后判定该叶片还原糖含量在3.01%～3.10%之间，则会在T1输出数据框中显示1，其他输出数据框显示0。

2 结果与分析

2.1 图像采集与保存测试结果

在系统开始工作之前先对摄像头、服务器端和客户端进行“系统初始化”操作，再进入前面板上“图像获取”界面，点击的“运行”按钮，系统启动进入工作状态，然后点击“开始采集”按钮，系统调动图像采集程序，进入连续采集模式，图像采集的同时点击“保存图像”按钮，使开关按钮常亮则进入图像保存模式。最后点击“停止”按钮，系统停止工作，采集和保存的图像格式均为ImageAVI格式，保存后的地址写入到“图像保存路径”中。图像获取界面如图2所示，结果显示该系统的采集与保存功能能正常运行。

图2 图像获取界面前面板

系统特征提取和分类识别结果如图3所示。前面板上共计25个输出数据框，分别为图像颜色、纹理的14个特征参数和还原糖含量检测结果。从图中可见，输出显示数据框T7的值为1，说明该叶片还原糖含量在3.41%～3.50%区间。

图3 葡萄叶片还原糖含量检测结果

2.2 系统功能测试结果分析

实时采集487幅葡萄叶片图像作为测试的样本集，其中321幅为训练样本，166幅为测试样本，进行系统功能测试。由表1可知，葡萄叶片的错分数n= 21，测试样本N=166，分类识别正确率P=(1-n/N)×100%=87.349%。实验结果表明该系统可用于检测叶片还原糖含量。系统测试结果如表1所示。

2.3 光谱法测试结果分析

本研究对样本集叶片还原糖含量的测定采用光谱分析法——基于3，5-二硝基水杨酸(DNS)比色法来

表1 分类识别结果

实现。在采集叶片图像的同时采摘新鲜葡萄叶片，用密封袋封装带回实验室，叶片还原糖含量测试硬件分别为721型紫外分光光度计、精度为0.001的电子天平、恒温水浴箱和型号为101-A的烘干箱以及各类实验药品。测试开始前先将新鲜样本放入烘干箱中杀青，使叶片中的氧化酶快速失活，最大限度保持糖分含量的稳定并蒸发叶片部分水分，本次实验杀青时长45 min ，温度105 ℃。经多次实验，最终确定测定叶片标准还原糖含量，药品显示剂用量3 mL，沸水浴时长5 min，测定波长580 mm[15]。

本研究旨在利用LabVIEW技术寻找葡萄叶片图像特征与其还原糖含量的关系，如图4所示，分别对叶片颜色、纹理的14特征参数与还原糖糖含量做相关性分析，颜色特征与还原糖含量的6个相关系数非常高，分别为0.9920、 0.9675、0.8843、0.9904、0.9411、0.9803。而纹理特征与叶片还原糖含量的相关系数相对较小，分别为0.7879、0.7963、0.7690、0.6859、0.5959、0.8586，其中角二阶矩的两个参数与糖含量之间相关性很小，相关系数分别为0.0089和0.1720。同时从系统功能测试结果可看出，叶片糖分含量的分类识别正确率为 87.349%，所以基于LabVIEW 平台实现对叶片还原糖含量的检测有可行性，该系统工作稳定，单次测试时长2～5 min，不卡顿、不死机。可推广至其他农作物的营养元素检测。

3 结束语

本文利用LabVIEW和Matlab软件设计开发了一套基于图像采集处理与分类识别的葡萄叶片还原糖的测试系统。首先对葡萄叶片图像进行采集、保存和预处理，其次提取颜色、纹理特征参数，进行还原糖含量识别与分类，最后将得出检测结果显示在生成的人机交互界面，实现了对葡萄叶片还原糖含量的高精度测量。

本文设计的葡萄叶片还原糖含量测试系统主要实现了以下功能：

① 在LabVIEW软件平台下借助视觉采集模块和视觉开发模块，利用工业摄相头和图像采集卡，实现对叶片图像的采集、显示和保存；

② 利用LabVIEW软件中的视觉助手模块完成了图像预处理工作；

③ 采用LabVIEW与Matlab混合编程的方法，提取了叶片图像的6个颜色特征参数和8个纹理特征参数，并利用支持向量机(SVM)分类方法对叶片还原糖含量进行分类识别；

④ 生成人机交互界面，用户可直接在前面板上操作，方便直观。

通过测试，该还原糖检测系统功能良好、效率高。误差小，在农作物成分测定领域有应用价值。