基于颜色因子逻辑与运算的田间红葡萄果穗识别**

2022-04-12周文静马晓晓张洚宇田志芳范毅凡

南方农机 2022年7期

周文静，马晓晓，张洚宇，田志芳，范毅凡

（新疆科技学院，新疆巴州 841000）

农业的自动化是现代化农业的一个重要标志。在葡萄果穗采摘机器人的研制中，首要任务就是识别田间复杂环境下的葡萄果穗[1-2]。由于机器人采集的图像受到自然光的影响，葡萄果穗表面与其周围叶片等环境存在较大的差别，使得田间葡萄果穗的识别更加困难。目前，常用的图像分割方法有两种：一是利用图像的颜色特征进行分割[3]，二是利用近年发展迅速的机器学习对图像进行分割[4]。刘智杭等采用K-means聚类算法实现了葡萄果穗的识别[5]；查志华等采用Faster R-CNN实现了田间红提葡萄果穗的识别[6]。然而，采用机器学习进行图像分割，需采用大量的数据集进行训练，对实验设备要求较高，价格昂贵，且训练非常耗时[7-9]。通过观察葡萄果穗RGB图像发现，红葡萄果穗颜色与其背景颜色差异较大，通过对图像颜色的处理即可对红葡萄果穗进行分割。因此，课题组在研究过程中试验了将图像颜色因子进行逻辑运算，从而进行图像分割。

1 颜色因子的逻辑与运算

任何一个彩色数字图像都是由三维立体的颜色空间中的颜色构成的，可将其转化为3个通道，每个通道为一个矩阵，对这些矩阵进行运算，会得到不同的颜色因子，对其进行处理则可拥有不同的图像处理效果。如此，数字图像的处理则可转换为数字矩阵的运算。

而矩阵除了算术运算还有逻辑运算[10]，往常的研究中都只研究了矩阵的算术运算，却忽略了矩阵的逻辑运算，因此，课题组结合了数字图像的基本运算和逻辑运算来实现图像分割的操作。

逻辑运算包括与、或、非3种，逻辑与运算的符号为“&”，若“0”表示假，“1”表示真，那么只有两个操作数都为1，结果才是1。对任意矩阵逻辑与操作，如果第一个操作数是0，则无论第二个操作数是什么值，结果都不可能是1，即为0。

而在彩色图像中，0表示黑色，1表示白色，逻辑运算得到的图像正是由“0”和“1”构成的图像，可直接作为图像分割的掩膜与彩色图像相加即可得到分割出的葡萄果穗。

2 葡萄果穗图像分割方法

2.1 图像采集

本文中所用图像为在葡萄采收期采集的田间自然生长条件下的葡萄果穗图像。采样时间为每日上午8:00—12:00。采用MI 5X获取红提葡萄RGB图像，像素分辨率分别为4 000×3 000（4∶3）。手机摄像头距葡萄果穗13 cm~57 cm，图像采集时，采用随机方式在同一株的上、中、下位置拍摄成熟的葡萄果穗，图像采集包括逆光和顺光，如图1所示。

图1 图像采集示例

2.2 试验环境

Dell笔记本：处理器为Intel（R）Core（TM）i5-4200U，主频1.60 GHz，RAM 4 GB。操作系统为64位Windows10操作系统，算法在MATLAB R2018b中运行。

2.3 选取颜色空间

彩色数字图像为由R（red）、G（green）、B（blue）三色光按照不同比例相互叠加而成的加色混合模型，在RGB色彩空间中，一组三原色光便是一个最小的表现单元[11]。而且RGB色彩空间是与人眼观察最相近的颜色空间，因此本文选取了RGB色彩空间对图像进行分析。

2.4 红葡萄果穗图像分割

数字图像的3个通道直方图如图2所示，不难看出，R、G两通道均存在峰值，将其作为分割图像的颜色通道更易分割出图像中的葡萄果穗。本文在研究中采用（R-G）颜色因子和（R+G）颜色因子相与的方法，得到葡萄果穗分割结果。

图2 图像3个通道直方图

如图3所示，采用本文方法得到的分割结果中存在部分离散的背景，为得到单一的葡萄果穗图像，对其进行了如图4所示的形态学处理。

图3 （R-G）和（R+G）颜色因子相与分割结果

图4 形态学处理

3 试验结果与分析

本文对比了采用图像的灰度图、（R-G）颜色因子和（2R-G-B）颜色因子分别进行自动阈值分割得到的分割图像，并将分割结果与本文采用的（R-G）颜色因子和（R+G）颜色因子相与得到的分割结果进行对比。最终分割结果如图5所示。采用灰度图进行Otsu分割得到的图像存在大量背景，仔细观察可发现根据图像的灰度分割出的为受光照程度较多的部分；采用（R-G）颜色因子进行Otsu分割得到的图像，分割出的图像不存在背景，但分割出的葡萄果穗不完整；（2R-G-B）颜色因子进行Otsu分割得到的图像为颜色亮度较高的部分，亦无法将完整的葡萄果穗分割出来；对比几种分割方法，发现（R-G）颜色因子和（R+G）颜色因子相与的分割方法能够在去除背景的同时，将葡萄果穗较为完整地分割出来。