黄花菜机器人的视觉系统研究展望

2020-08-13郭丽新

数码世界 2020年6期

郭丽新

摘要：黄花菜要实现智能机械化的采摘，其机器视觉的研究必不可少。本文依据国内采摘外机器人视觉系统的发展现状并结合黄花菜自身的特征，对黄花菜机器人的机器视觉技术作出展望，使采摘视觉系统能够满足黄花菜机器人的作业要求，对黄花菜实现智能化、无人化采摘具有重要的现实意义。

关键词：视觉系统黄花菜机器人识别定位

1 采摘机器人的机器视觉发展现状

澳大利亚Arefi通过使用RGB、HIS和YIQ颜色空间的组合方法识别成熟番茄果实，最后通过形态学特征定位果实;西班牙科学家依据柑橘外形研制出由采摘手、彩色视觉系统和超声传感器三部分组成的柑橘采摘机器人;美国的Whittaker认为对于目标与背景颜色相似的系统不能单纯的使用颜色信息，还需要考虑颜色值在局部像素与整体当中的内在关系，同时所摘果实形状的信息也不能忽略，所以提出Hough变换定位番茄果实的方法;中国农业大学李伟团队利用近红外光谱实现黄瓜果实识别，双目视觉系统对目标果实完成空间坐标的获取;张丽等利用计算机控制CCD摄像头采集图像，对采集的图像进行二值化、膨胀腐蚀等处理，从而将樱桃的成熟度、枝叶等分离开来;顾苏杭等提出一种显著性轮廓识别方法，通过K聚类将苹果图像分为背景和目标区域，引入ASIFT 特征对划分的目标区域进行空洞填充，最后进行边缘检测、阈值分割、去噪、提取目标轮廓从而实现苹果果实的识别。

2 黄花菜机器人视觉系统的研究

由于黄花菜品质好、味道美、富含各种各样人体需求的营养，其胡萝卜素含量甚至比番茄高几倍，新鲜黄花菜由于富含卵磷脂，具有益脑和防衰作用，是体内许多细胞，特别是脑细胞的组成部分，对保养增强和改善脑功能起着非常重要作用。随着黄花菜药用价值的发现，食用人群增加，且黄花菜抗旱、耐贫瘠、容易成活，黄花菜的栽种范围越来越大，是农民的收入来源之一。预计2021年，我国黄花菜产量将达到15.7万吨，我国黄花菜消费量将达到15.5万吨。为解决黄花菜种植规模的增加而导致的采摘问题，需要开发黄花菜机器人。而黄花菜机器人实现采摘的第一步就是要能够准确识别采摘目标，其视觉系统的研究至关重要。

根据黄花菜自身形状特性，对其视觉系统分析研究。黄花菜成熟时呈嫩黄色，与青色的未成熟黄花菜和绿色的枝叶颜色存在明显的差异，所以可采用RGB模型来实现对黄花菜图像的识别与处理。RGB模型是当前计算机中应用最普遍、最基础的色彩空间模型，其中R的含义是红色通道，G表示绿色通道，B代表蓝色通道，该颜色空间最大的优势就在于在采集黄花菜图像后不必进行额外的颜色空间转化处理，这样大大节省了时间。由图1可知，在图像中处理的黄花菜多为嫩黄色和青色，为了使图像的亮度明显，采用加权平均法完成图像灰度处理;采用中值滤波的方法，该方法根据窗口内所有像素点进行灰度值排序，该技术属非线性处理，其目的是抑制图像中的脉冲噪声，所以选择太大的窗口会影响图像的边缘信息。根据黄花菜外型呈细长椭圆、弯曲、有柄形状对图像进行处理，加入噪声使图像对比明显易于进行处理，最后选用处理速度快，分割效果好和凸显目标的基于灰度直方图的Ostu自适应阈值分割算法对黄花菜图像进行分割处理。

上述图像处理只是把黄花菜从图像中分割出来，对于其特征量并没有进行提取。目前，大多数图像识别算法完成识别都是依据目标物的特征值，对于未提取目标物的特征值并不适用。因此，可以根据黄花菜的特点采用具有深度学习卷积神经网络算法建立识别系统。首先，在构建网络结构时输入黄花菜的特性添加多层隐层以达到预期的处理效果，使网络具有深度学习特性;并且要引用较小的卷积核使各层之间紧密连接同时兼顾了算法的拓展性。具有深度自学习机制的卷积神经网络与传统的BP神经网络相比，在自然环境下获取的图像中识别成熟的黄花菜准确率要高。

完成了黄花菜机器人视觉系统中的图像处理以及对目标果实的提取，最关键的一步还需要完成对目标果实的定位。使用双目相机一方面实现了对黄花菜图像的采集，另一方面还要实现黄花菜的空间定位，就需要找出所采图像中二维空间与三维空间之间的对应关系。我们以被动方式来采集图像信息，采用多图重构三维的方法进行场景的复原和目标的定位。该方法中的普通立体视觉犹如人类的双眼，指的是通过两个相机同时采集图像，因为它们拥有一样的几何结构，就可以避免外界一些不必要的干扰，更加适用于自然环境中采集图像，实现对目标果实的定位。

3 总结

根据黄花菜的颜色以及外形進行定性分析并对采集到的图像进行预处理，并且通过卷积神经网络的训练学习，能够对图片中出现的成熟的黄花菜位置进行识别。对黄花菜机器人当中的视觉系统进行研究，使黄花菜采摘的智能化、机械化成为可能。但对黄花菜果实的识别和定位算法所存在的问题，未来还应该针对以下几个问题展开研究：

由于栽种的黄花菜品种不同，所以需要对黄花菜的形状与栽培模式进行分类，建立符合某一类别特征的黄花菜识别与定位算法，使该算法对这一类黄花菜的识别与定位的准确性具有良好的适应性，这样可以达到算法准确性和普适性提高的目的。

另一方面，加大样本的采集，因为神经网络训练的样本量越多，所建立的识别系统也就越精准。对于图像中存在多个目标物的识别，尤其是在遮挡的问题上，随着深度学习理论的不断发展与改进，图像数据的处理可模拟人脑的逻辑思维来完成，算法的智能化可进一步得到提升。

视觉系统是黄花菜机器人采摘实现的重要组成部分，其性能好坏决定了黄花菜机器人采摘的效率、速度和质量，同时也是黄花菜机器人成功研制的关键一步。因此，提高黄花菜机器人视觉系统的工作性能对于推进黄花菜机器人的发展具有重要的意义。

参考文献

[1]项荣，应义斌，蒋焕煜.田间环境下果蔬采摘快速识别与定位方法研究进展[J].农业机械学报，2013，44（11）：208-223.

[2]孟祥利.近色背景下温室青椒目标视觉识别技术研究[D].江苏大学，2018.

[3]金保华，殷长魁，张卫正，等.基于机器视觉的苹果园果实识别研究综述[J].轻工学报，2019，34（02）：71-81.

[4]程祥云，宋欣.果蔬采摘机器人视觉系统研究综述[J].浙江农业科学，2019，60（03）：490-493.

[5]李立新，高德武，王笑峰，孙雪文，勇力波，李日新.黄花菜的特征特性及栽培技术[J].现代农业科技，2019（01）：83-87.

[6]李慧瑶.黄花菜的多种价值及传统加工工艺的综述[J].农家参谋，2018（21）：48-92.