基于图像识别的单株成熟柑橘树产量预估研究

姜欣悦

（江苏联合职业技术学院扬州分院，江苏 扬州 225000）

柑橘是我国广泛种植的水果之一，在我国已有4 000年的种植历史。柑橘产量的预估对果园利润的预计具有十分重要的意义。目前，柑橘的估产依旧采用传统人工果园抽样、目测清点单株柑橘果实数量等方式，劳动强度大、精度低、耗时长。随着图像处理技术及人工智能的发展，水果产量的自动识别和产量的在线预估成为新的趋势。周洪刚等[1]采用2R-G-B色差分量，通过Ostu自适应阈值算法对自然生长状态下拍摄的柑橘图像进行分割，利用面积阈值法消除噪声，最后利用最小二乘拟合方法进行柑橘定位，研究显示算法的识别正确率在90%以上；张小花等[2]利用Lab颜色空间中的a分量对柑橘图像进行图像分割，然后通过Hough变换对柑橘进行定位并计数，识别正确率达到94.01%。本文拟采用同态滤波对柑橘图像进行预处理，将转换到Lab颜色模型中的图像进行K-Means聚类，最后利用基于梯度的Hough变换进行柑橘的定位和计数，从而实现对单株柑橘产量的预估。

1 图像的预处理

柑橘图像由于拍摄角度和光线的影响，在分割时，顺光、逆光、阴影遮挡等情况会导致柑橘果实分割不完全。文献[3]的研究表明，同态滤波能够在频域中压缩图像的亮度范围，提高图像的对比度，对目标图像进行光线补偿，可有效减弱光照对图像分割的影响。

柑橘图像由大恒彩色工业相机拍摄，相机型号为MER-131-U3C，柑橘原图如图1所示。拍摄的柑橘图像由柑橘、树叶和树干组成，成熟柑橘呈黄色，树叶呈绿色，树干呈棕褐色，以上三种颜色差异较大。由于RGB颜色模型对光线变化较为敏感[4]，而Lab颜色模型能有效抵抗光线变化。RGB颜色模型转换到Lab颜色模型时，需要以XYZ颜色模型作为中间转换，转换关系如公式（1）和（2）所示。

图1 柑橘原图

其中，公式（2）的校正函数f(x)如公式（3）所示。

本文将经同态滤波处理的RGB颜色模型柑橘图像转换到Lab颜色模型中处理，转换到Lab颜色模型的柑橘图像如图2所示。

图2 Lab颜色模型图像

2 K-Means聚类算法的柑橘果实分割

K-Means聚类算法属于无监督学习算法，适合处理复杂背景图像[5]。该算法把n个对象分为k个类，各类的中心通过迭代计算来逐次更新，当算法收敛到结束条件时，停止迭代计算，输出聚类结果。假设图像中的目标分为c个类，K-Means聚类算法的步骤如下：

1）选取c个类的初始中心O(11)，O(21)，…，O(c1)，令k=1。

2）在k次迭代中，将所有样本x依次归类到c个类别中的某一类，归类的方法为：

3）用步骤2）得到的类Sj(k)更新第j类的中心O(jk+1)，使得达到最小。

4）对于所有j=1，2，…，c，如果O(jk+1)=O(jk)，则迭代结束；否则，k=k+1，转到步骤2）继续执行。

K-Means聚类算法中，c的确定与目标图像的内容有关，会影响聚类的最终结果[6-7]。本文柑橘图像按照特征分为柑橘、树叶、树干3种成分。聚类分割生成的目标图像，如图3所示。

图3 K-Means聚类图像

3 基于梯度Hough变换的柑橘果实定位

柑橘个体的差异和拍摄角度的不同会导致目标图像中柑橘的形状不一致，且柑橘果实和树叶的相互阻挡，会使部分轮廓呈现多个扇形的情况，但柑橘的总体轮廓具有类圆的特点。因此，将圆作为柑橘的形状模型，Hough变换能有效解决柑橘形状的拟合和提取问题[8]。传统的圆形Hough变换占用的存储空间及计算量大，受到参数空间量化间隔的制约[9]。基于此，本文采用梯度Hough变换[10]进行柑橘果实定位，将柑橘类圆轮廓测量的累加矩阵由三维降至二维，减少运算时间。

将目标图像中经K-Means分割后柑橘轮廓看作类圆，通过确定圆心的位置和半径的大小对图片中的柑橘进行定位。在目标图像边缘轮廓上任取一定间隔距离的两点PA、PB，其坐标分别为(xPA，yPA)、(xPB，yPB)，梯度方向分别为经过这两点并分别沿其梯度方向的两条直线的交点即为圆心，圆心(xc，yc)的求解见公式（4）。

根据圆心和所取点的坐标可求得半径r的值。在参数空间中对参数(xc，yc)和r的单元进行累加，统计累加单元中的计数，计数峰值单元对应的参数可以认为是目标图像类圆轮廓的圆心和半径。经梯度Hough变换后的图像，如图4所示。

图4 梯度Hough变换图像

4 实验及结果

4.1 实验材料

实验用图像为60幅柑橘图像，图像拍摄于重庆云阳柑橘种植中心，图像采集设备为大恒彩色工业相机（MER-131-U3C）。拍摄时尽量将单株柑橘树包含在图像中，并减少其他柑橘树的干扰。将60幅柑橘图像根据正午、黄昏、阴天分为3组，每组20幅，每幅柑橘图片对应的柑橘树不尽相同。图像处理平台为MATLAB 2017b，处理器为Intel Xeon E5 V3。

4.2 实验结果及分析

本文通过拍摄图像中柑橘的识别数量实现对单株柑橘树产量的预估，对拍摄的柑橘图像进行图像识别，将识别得出的单株柑橘产量与人工计数的结果进行比较，结果如表1所示。由表1可知，不同时间、天气拍摄的60幅柑橘图像的整体识别率为92.9%，正午拍摄的识别正确率要高于黄昏和阴天拍摄的柑橘图像，但总体来看光线对本算法的影响不大。分别以正午、黄昏、阴天拍摄柑橘图像的人工计数为自变量，图像识别出的柑橘数量为因变量进行回归分析，建立的线性回归模型如图5所示。由图5可知，正午、黄昏、阴天拍摄的柑橘图像人工计数与图像识别数量的相关系数R2分别为0.989 4、0.988 3、0.982 5，R2相差不大，验证了本算法的鲁棒性。

图5 不同拍摄时间的线性回归模型

表1 图像识别柑橘数量与人工计数的对比

5 结论

本研究把自然环境下成熟柑橘经同态滤波处理的RGB图像转换到Lab颜色空间模型中进行图像处理，并经过K-Means聚类算法对图像进行分割，剔除除成熟柑橘外天空、树叶、树干等背景成分，在图像分割的基础上，根据柑橘外轮廓的类圆特征，运用基于梯度的Hough变换对图像中的柑橘果实进行定位并计数，达到对单株柑橘树进行产量预估的目的。该方法简单易操作，通过实验证明了该方法识别准确度高、鲁棒性好。但由于柑橘的图像通过相机来采集，隐藏在柑橘树深处的柑橘果实可能无法显示，而且果实之间的过度重叠也会对算法的精度造成影响，以上原因会使单株柑橘的产量预估存在误差。本研究对柑橘及其他水果的产量预估具有一定的借鉴意义。