蝴蝶蘭盆花分級系統(tǒng)及花朵面積提取試驗 楊 意1a 王再花2 劉海林2 劉厚誠1b 羅 治1a 潘哲朗1a 辜 松1c 1 華南農(nóng)業(yè)大學a 電子工程學院 b 園藝學院 c 工程學院 廣州 510642 2 廣東省農(nóng)業(yè)科學院環(huán)境 園藝研究所 廣東省園林花卉種質(zhì)創(chuàng)新綜合利用重點實驗室 廣州 510640 摘 要 為實現(xiàn)蝴蝶蘭盆花快速無損分級 以 大辣椒 Big Chili 蝴蝶蘭盆花為對象 研究利用顏色模板匹配 算法實現(xiàn)蝴蝶蘭花朵圖像分割及斑點提取算法獲得花朵面積的方法 并通過不同視角下的花朵面積提取試驗 分析視角不同所引起的花朵面積差異 結果表明 以蝴蝶蘭花朵顏色為模板的顏色模板匹配算法能快速實現(xiàn)蝴 蝶蘭花朵圖像的有效分割 多視角下的蝴蝶蘭盆花圖像處理結果表明 不同視角下的花朵面積存在0 7 64 8 的差異 綜上所述 為實現(xiàn)蝴蝶蘭盆花分級 應旋轉并拍攝多視角圖像獲得比較全面的花朵狀態(tài)信息 繼而 根據(jù)花朵顏色模板匹配算法提取蝴蝶蘭花朵面積 作為評判其花朵開放程度和分級的準確依據(jù) 關鍵詞 蝴蝶蘭 分級系統(tǒng) 花朵面積 機器視覺 圖像分割 中圖分類號 S629 S233 74 文獻標識碼 A文章編號 1003 188X 2022 10 0162 05 0 引言 大辣椒 蝴蝶蘭花朵顏色艷麗 花期長 市場普 及率高 是廣東高檔花卉的代表之一 1 蝴蝶蘭盆花 上市前 會根據(jù)其開花狀態(tài)為其定級 最主要的依據(jù) 為整株盆花的花朵面積 蝴蝶蘭花朵形狀不規(guī)則 花 瓣大小差異大 花苞嬌嫩 無論人工目測還是手工測 量都有很大的局限性 均不適應大規(guī)模生產(chǎn)的需求 為滿足大規(guī)模精準農(nóng)業(yè)生產(chǎn)的需要 花卉生產(chǎn)企業(yè)亟 需能實現(xiàn)蝴蝶蘭盆花無損 快速分級的設備 當前 機器視覺技術快速發(fā)展 其在農(nóng)業(yè)無損檢 測方面已有非常廣泛的應用 利用圖像處理的方法 前人已進行花卉 2 4 蔬菜 5 7 水果 8 10 的特征無損 識別和分級研究 2017年 劉晶晶等針對牡丹花分類 問題運用了改進的BP Back Propagation 神經(jīng)網(wǎng)絡算 法 對牡丹紋理和形狀特征進行提取識別 實現(xiàn)了牡 丹分類自動化 11 2015年 Puttemans S等使用有限 的蘭花樣本集先后通過蘭花訓練對象模型 新型二進 制SVM Support Vector Machine 分類器的分類系統(tǒng) 收稿日期 2020 11 02 基金項目 廣東省重點領域研發(fā)計劃項目 2019B020214005 廣東省 現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術體系創(chuàng)新團隊項目 粵農(nóng)農(nóng)函2019 1019 號 2020年鄉(xiāng)村振興戰(zhàn)略專項 2020KJ131 作者簡介 楊 意 1975 女 陜西咸陽人 講師 碩士生導師 博士 E mail yangyihn2007 163 com 通訊作者 辜 松 1963 男 廣東汕頭人 教授 博士生導師 E mail sgu666 sina com 實現(xiàn)了小訓練集對象高精度分類和評級 12 Diago M P 利用開源 flower counting 算法 開發(fā)了快速 無 損的葡萄產(chǎn)量評估方法 13 2015年 I Kiruba Rajia 等使用邊界結構模型檢測葉子邊界 實現(xiàn)了從復雜背 景中識別草藥的功能 14 2020年 Boran Jiang等提 出了一種自動的玉米葉分割算法 其性能和分割結果 相似度都優(yōu)于傳統(tǒng)分割算法 15 2016年 楊意等測 量與分析了白掌組培苗投影面積與其他面積參數(shù)的 相關度 實現(xiàn)了根據(jù)投影面積估計其表型參數(shù)的方 法 16 2017年 P J Ramos等提出通過咖啡樹枝一 側的果實數(shù)字圖像信息 計算樹枝上果實數(shù)量的方 法 17 2018年 Alireza Soleimani Pour等利用B樣條 曲線 數(shù)學運算和機器學習分類器 提出了一種新的 紅掌花卉品種分類方法 18 2018年 Wang Fenyun等 設計了一種利用分水嶺算法實現(xiàn)鮮白蘑菇自動分揀 系統(tǒng) 19 同年 周彤等利用機器視覺檢測葡萄果粒直 徑 大小 利用機器視覺實現(xiàn)葡萄位置識別 為葡萄智 能采收提供了理論基礎 20 雖然蝴蝶蘭盆花生產(chǎn)中迫切需要實現(xiàn)開花品質(zhì) 的無損檢測 從而進行定級及合理規(guī)劃盆花上市時 間 但由于蝴蝶蘭花枝生長方向多變 花朵開花角度 不一致以及花瓣不規(guī)則 其開花品質(zhì)判定存在一定的 難度 相關研究也鮮有報道 為此 通過蝴蝶蘭盆花 多視角圖像 首先研究基于顏色模板匹配算法進行蝴 蝶蘭花朵圖像分割和面積提取的有效性 繼而通過多 視角圖像處理結果數(shù)據(jù)分析視角不同時花朵面積的 差異 探索蝴蝶蘭開花質(zhì)量評價的快速 無損視覺檢 測方法 261 2022年10月 農(nóng)機化研究 第10期 1 材料與方法 1 1 材料 文中所使用的蝴蝶蘭樣本均產(chǎn)自廣東省農(nóng)業(yè)科 學院環(huán)境園藝研究所白云試驗基地 品種為 大辣椒 Big Chili 大辣椒蝴蝶蘭色彩濃烈 形態(tài)美觀 對 溫度的耐受性較強 很受市場歡迎 樣本蝴蝶蘭采用 單株盆栽 苗齡30個月 為即將春節(jié)上市前期 試驗 共使用30盆單株蝴蝶蘭 編號為1 2 30 1 2 蝴蝶蘭分級系統(tǒng)及花朵面積提取裝置 為實現(xiàn)蝴蝶蘭盆花開花品質(zhì)判斷 構建了蝴蝶蘭 分級系統(tǒng) 整體由控制模塊 輸送裝置和視覺檢測裝 置構成 如圖1所示 系統(tǒng)運行時 蝴蝶蘭盆花放置 于主輸送帶上 由主輸送帶運送至檢測室內(nèi)的轉臺 上 觸發(fā)檢測室內(nèi)部的到位傳感器 控制裝置控制轉 臺上升 根據(jù)檢測室頂部的測高裝置控制不同株高的 蝴蝶蘭盆花頂部到達相機視場中 當花朵枝條到達相 機視場高度時 轉臺開始旋轉 每旋轉120 拍攝1幅 圖像 直至旋轉360 每株樣本蝴蝶蘭盆花共拍攝3 幅圖像 并分別定義為視角1 視角2和視角3 視覺 系統(tǒng)分析和處理拍攝的每幅圖像 計算每幅圖像的花 朵面積 并將結果回傳至控制系統(tǒng) 控制系統(tǒng)根據(jù)3 幅圖像中的最大花朵面積確定此樣本的等級 檢測完 成后的盆花由檢測室輸出至主傳送帶 當?shù)竭_對應品 質(zhì)分級入口時 控制系統(tǒng)控制推送氣缸 將蝴蝶蘭盆 花送入對應級別的分級輸送帶 單盆蝴蝶蘭花朵面積 檢測完成 1 分級輸送帶 2 檢測室 3 相機 4 測高裝置 5 待測蝴蝶蘭6 升降轉臺 7 到位傳感器 8 PC 9 控制模塊 10 光源 11 主輸送帶12 推送氣缸 圖1 蝴蝶蘭分級系統(tǒng) Fig 1 Grading system for potted Phalaenopsis 檢測室內(nèi)部結構包含相機支架 固定螺栓 視覺 相機 蝴蝶蘭 PC機和白色條形LED光源 如圖2所 示 控制裝置根據(jù)待測蝴蝶蘭盆花株高調(diào)節(jié)其上升高 度 確保花朵枝條處于相機視野 1 支架 2 固定螺栓 3 視覺相機 4 蝴蝶蘭 5 PC 6 光源 圖2 蝴蝶蘭花朵面積提取裝置 Fig 2 Machine vision device for potted Phalaenopsis 1 3 試驗方法 試驗采用康耐視COGNEX 8402C二維視覺相機 拍攝蝴蝶蘭圖像 使用康耐視In Sight explorer軟件 版本號 5 6 1 對蝴蝶蘭圖像進行分析處理 主要運 用視覺工具反向 擴大 關閉filter函數(shù)和色彩提取 ExtractColor等函數(shù)進行蝴蝶蘭花朵分割 得到僅有蝴 蝶蘭花朵區(qū)域的結果圖片 之后 對花朵結果圖像進 行二值化處理 再對二值化圖像運行ExtractBlobs算法 提取斑點 最后 根據(jù)Blobs斑點函數(shù)輸出結果累加得 到單株蝴蝶蘭花朵的像素面積總和 2 蝴蝶蘭花朵面積提取方法 2 1 蝴蝶蘭圖像獲取 通過圖2所示的視覺裝置 調(diào)節(jié)轉臺分別旋轉 120 240 360 采集對應視角下的蝴蝶蘭圖像 圖 3為利用COGNEX相機采集的蝴蝶蘭原始圖像 圖3 相機采集的蝴蝶蘭原始圖像 Fig 3 Original image of Phalaenopsis collected by camera 361 2022年10月 農(nóng)機化研究 第10期 2 2 蝴蝶蘭花朵圖像分割和去噪 對圖3所示的蝴蝶蘭原始圖像 利用顏色模板匹 配算法提取蝴蝶蘭花朵 處理過程如下 1 對相機采集的蝴蝶蘭原始圖像使用圖像濾波 器Filter函數(shù)的圖像反向算法 得到如圖4所示的反 向處理結果圖像 2 在圖4反向圖像上 選擇花朵中花萼 花瓣和 花蕊顏色為模板 利用TraninExtractColor函數(shù)訓練花 朵顏色模板庫 3 利用第2步訓練的顏色模板和顏色提取函數(shù) ExtractColor 對圖4的反向圖像進行顏色提取 得到去 除花苞 枝條和葉片 主要為花朵的結果圖像 如圖5 所示 4 對圖5運行Filter函數(shù)反向算法 得到基于顏 色模板匹配算法的處理結果 為蝴蝶蘭花朵圖像分割 結果 如圖6所示 5 圖6的蝴蝶蘭花朵分割結果圖像中仍含有莖 稈 花蕾和支撐桿等部分不連續(xù)像素點 為減少后續(xù) 面積計算誤差 需進行去噪處理 去噪時 首先對圖6 的初步分割圖像利用Filter函數(shù)和3 3的內(nèi)核對圖像 進行閉運算操作 去除圖像噪聲 然后對輸出的圖像 使用Filter函數(shù)和3 3內(nèi)核對圖像進行開運算 對上 一步損失的花朵部分圖像進行恢復 重復上述操作3 次 得到的結果圖像如圖7所示 此時 圖像中大部 分的噪聲都已被去除 圖4 反向處理結果圖像 圖5 花朵提取結果圖像 Fig 4 Image after convert Fig 5 Phalaenopsis after image processing extraction 圖6 蝴蝶蘭花朵圖像分割結果 圖7 去噪結果圖像 Fig 6 Phalaenopsis after image Fig 7 Phalaenopsis after image segmentation denoising 2 3 蝴蝶蘭花朵面積提取 利用Filter函數(shù)中的二值化算法對圖7的去噪結 果圖片進行處理 得到花朵區(qū)域的二值化圖像如圖8 所示 利用ExtractBlobs函數(shù)提取圖8中的白色斑點 ExtractBlobs函數(shù)的功能是根據(jù)要求計算二值圖中所 選獨立斑點的個數(shù)和面積 并將所求得的斑點按面積 值從大到小依次排列 根據(jù)大辣椒蝴蝶蘭的特點 將 最大斑點數(shù)設置為當前花期單盆蝴蝶蘭盆花樣本的 最大可開花數(shù)量 因為單盆 大辣椒 蝴蝶蘭開花數(shù)目 約為10朵 因此此處設為15 選擇黑色背景 斑點顏 色為白色 即可求得所選圖片中的斑點 并在圖中用 綠色的曲線選中 結果如圖9所示 圖8 花朵二值圖像 圖9 花朵斑點排列圖像 Fig 8 Binary image of flower Fig 9 Blobs of flower image 最后 利用Sum函數(shù)對ExtractBlobs函數(shù)輸出的 面積區(qū)域數(shù)據(jù)求和 得到花朵面積 雖然此時花朵像 素面積計算時的圖像中仍會有噪點 但是可以通過設 置ExtractBlobs函數(shù)采集區(qū)域的最小值像素范圍去除 噪聲點的影響 見圖9 雖然花朵下方仍有兩個小 的白色噪點 但因為設置了最小采集值 最終的結果 圖像 綠色曲線內(nèi) 并未包含此噪點 因此求得的花朵 面積結果不受小噪聲的影響 3 多視角花朵面積提取試驗及差異分析 將每一盤單株蝴蝶蘭所采集的3個視角圖像分 別定義為視角1 視角2 視角3 對每一個視角都運用 第2節(jié)所描述的算法進行花朵圖像分割 去噪 二值 化 斑點圖和花朵的像素面積計算 通過對比各視角 花朵的像素面積 取最大值作為最能反映其開花程度 的開花品質(zhì)數(shù)據(jù) 并分析其余視角相對于此蝶蘭花朵 最大像素面積的誤差百分比 圖10為試驗所用到的 30盆蝴蝶蘭樣本苗的不同視角花朵面積對比結果 由圖10及其數(shù)據(jù)分析可知 同株蝴蝶蘭不同視 角花朵面積計算結果均有差異 差異分布在最小誤 差0 7 和最大誤差64 9 之間 其中 最小誤差為 樣本26的視角1和與視角2 最大花朵面積視角 僅 為0 7 接近相等 但其視角3與視角2 最大花朵面 積視角 測得的花朵面積差異達到12 7 產(chǎn)生最大 461 2022年10月 農(nóng)機化研究 第10期 面積誤差是蝴蝶蘭樣本8 其視角3與測得的最大花 朵面積 視角2 的誤差為64 9 這是由于蝴蝶蘭 花朵為單支條狀 其生長角度具有隨機性 花朵開放 時的位置雖基本確定 但其角度也有差異 蝴蝶蘭盆 花進入檢測室時 其初始角度也是隨機的 因此其最 大值的分布未固定在某個確定的視角 而是隨機分布 在視角1 2 3 因此 當需判斷其開花質(zhì)量時 單視角 圖像并不能真實地反映其花朵生長狀態(tài) 應該通過旋 轉的方式獲得更全面的圖像 進而對其開花品質(zhì)進行 評判 得到的結果才更可靠 圖10 蝴蝶蘭樣本盆花 30盆 不同視角花朵面積運算結果 Fig 10 Measurements of potted Phalaenopsis flowers area in different point of view 30 samples 4 結論 1 結合蝴蝶蘭花朵顏色模板匹配算法和斑點域 面積提取算法 實現(xiàn)了蝴蝶蘭花朵面積的快速提取 2 多視角蝴蝶蘭花朵面積提取結果表明 不同視 角下 大辣椒 蝴蝶蘭花朵圖像面積存在0 7 64 8 的差異 實際生產(chǎn)中 需要通過旋轉蝴蝶蘭盆 花 獲得更加全面的花朵圖像 繼而依據(jù)顏色模板匹 配算法測定其開花面積 作為判斷其開花品質(zhì)和分級 的準確依據(jù) 參考文獻 1 中國花卉協(xié)會 2019全國花卉產(chǎn)銷形勢分析報告 EB OL 2019 06 04 2020 02 15 http www forest ry gov cn hhxh 270 20190604 185129656777560 html 2 李愷 楊艷麗 劉凱 等 基于機器視覺的紅掌檢測分級方 法 J 農(nóng)業(yè)工程學報 2013 29 24 196 203 3 熊宇鵬 毛罕平 左志宇 等 基于數(shù)字圖像處理的鳳梨花 卉品質(zhì)參數(shù)檢測的研究 J 農(nóng)機化研究 2013 35 9 163 168 4 SOLEIMANI POUR A CHEGINI G ZARAFSHAN P et al Curvature based pattern recognition for cultivar classifi cation of anthurium flowers J Postharvest biology b College of Horticulture c College of Engineering Guangzhou 510642 China 2 Environmental Horticulture Research Institute Guangdong Academy of Agri cultural Sciences Guangdong Provincial Key Lab of Ornamental Plant Germplasm Innovation and Utilization Guangzhou 510640 China Abstract Using the Big Chili potted Phalaenopsis as material Color Matching Template Algorithm was applied to make the effective segmentation of Phalaenopsis flower then the next step Blob Extraction Algorithm was employed to extract the area of Phalaenopsis flower In the last it discussed the area extraction results of the same potted Phalaenopsis sample of the different points of view These Algorithms will provide a fast and non destructive grading method for potted Phalaenopsis The results show that the Color Matching Template Algorithm of Phalaenopsis flower can realize the effec tive segmentation of the Phalaenopsis flower image The area of flowers from different perspectives of the same potted Phalaenopsis varies from 0 7 to 64 8 To sum up in order to accurately evaluate the blooming stage of Phalaenop sis the appropriate shooting angle should be acquired so that the image can truthfully reflect the real flowering state of the flowers Then the area of Phalaenopsis flowers should be extracted according to the flower color matching template algo rithm The results should be served as accurate data for estimating the quality of the flowers Key words Phalaenopsis grading system flower area machine vision image segmentation 661 2022年10月 農(nóng)機化研究 第10期