颜色差信息提取耦合圆拟合技术的果树桃子检测算法

重庆理工大学学报（自然科学版）JournalofChongqingInstituteofTechnology（NaturalScienceEditor）收稿日期:2015-02-02作者简介：张桂宁（1984-）女，硕士，讲师，陕西宝鸡人，主研领域：目标检测定位、计算机网络与信息安全颜色差信息提取耦合圆拟合技术的果树桃子检测算法张桂宁（陕西省行政学院陕西宝鸡710068）摘要：在机器人采摘果树桃子果实时，需要从复杂的果树背景中识别出桃子，从而以此为依据计算出桃子的圆心坐标与半径，传送给机器人系统进行作业。由于作业环境往往存在光照过强、光照不足或者树叶遮挡等干扰，而果树桃子的准确检测是机器人采摘作业的关键步骤。对此，本文提出了颜色差信息提取耦合圆拟合技术的果树桃子检测机制。首先利用颜色差信息提取桃子区域；然后基于边界跟踪处理与匹配膨胀处理得到桃子的完整区域，再分别用本文的圆拟合方法，计算出桃子的圆心，完成定位检测。最后测试了本文机制性能，结果表明：与当前水果检测机制相比，本文算法具有更好的检测效果，可准确定位出桃子的目标位置。关键词：桃子检测；颜色差信息；边界跟踪处理；匹配膨胀处理；圆拟合中图分类号：TP391文献标识码：AThePeachDetectionAlgorithmBasedonInformationExtractionofColorDifferenceCoupledCircleFittingTechniqueZhangGuining(DepartmentofElectronicequipmentandinformationmanagement,ShanxiProvincialadministrationUniversity,Baoji,Shanxi,710068)Abstract:Pickingfruitpeachfruitintherobot,theneedtoidentifythepeachfromthecomplicatedbackgroundoffruittrees,andonthisbasistocalculatethepeachcentercoordinatesandradius,transmittedtotherobotsystemforhomework.Duetotheworkenvironmenttendtohaveastronglight,insufficientlightorshadeleaves,suchasinterference,andfruittreespeachaccuratedetectionisthekeystepinthepickingrobotoperation.Tothis,thispaperproposesafruitpeachdetectionmechanismbasedonextractioninformationofcolordifferencecoupledcirclefittingtechnique.Firstusingcolordifferenceinformationextractionpeacharea;Thentreatmentwithmatchingexpansionbasedonboundarytracinggetcompleteareaofpeach,againwiththiscirclefittingmethod,calculatethecenterofthecircleofpeachtofinishthefruitdetection.Finallytestedinthispaper,themechanismofperformance,theresultsshowthat:Comparisonwithotherfruitdetectionmechanism,thismechanismhasbetterdetectioneffect,thispaperaccuratelypinpointthepeachtargetlocation.Keywords:Peachdetection;Colordifferenceinformation;Processingofboundarytracking;Matchingexpansiontreatment;Circlefitting0引言随着计算机科学、图像处理算法研究的蓬勃发展，机器人作业、机器视觉检测等技术在各个领域内得到广泛应用，已在很大程度上推动了社会生产力的发展[1-3]。其中，农业自动化领域，图像处理与机器视觉技术也越来越多的起到了很大作用。图像处理与机器视觉在农业自动化领域的作用主要有：引导机器人抓取果实和对果实表面进行质量检测等等[4-6]。其中的果实定位与检测是实现农业自动化的基础，因此果实定位与检测的准确度显得尤为重要[7-8]。但是，现在很多地区的果实采集任然依靠人力，这样既消耗了大量的劳动力，如果采用机器人，这样既减少了人力成本，提高效率，同时也提高的采摘准确度和效率[9]。实现农业果实的机器人自动采摘，既能够避免人眼的主观性，又能发挥机器视觉的客观性。有一些专家利用果树图像中果实颜色差异，进行果实识别，取得了一定的识别效果[10]，但当背景复杂时，识别效果不佳，因为单纯依靠颜色差异阈值分割很难区分果实和背景。为了实现基于机器视觉与图像处理的桃子检测，本文提出了颜色差信息提取耦合圆拟合技术的果树桃子检测机制。本文研究的目标是果树桃子，主要实现对果树桃子的识别、定位、检测，从而把位置坐标，既圆心位置传递给机器人完成采摘。最后实验证明本文算法的定位检测性能。1本文算法设计本文检测算法的流程图，见图1。从图中可知，该算法包括三大步骤：（1）首先利用颜色差信息提取桃子区域；(2)然后基于边界跟踪处理与匹配膨胀处理得到桃子的完整区域;(3)再分别用本文的圆拟合方法，计算出桃子的圆心。1.1基于颜色差信息的桃子区域分割由于成熟桃子颜色一般以红色为主，如图2-4所示，因此对原彩色图像f，首先利用红、绿色差信息提取图像中桃子红色区域，然后再采用与原图进行匹配膨胀的方法获取桃子完整区域。对图像中的像素点(xi,yi)，设其红色分量和绿色分量的重庆理工大学学报（自然科学版）像素值分别为R(xi,yi),G(xi,yi),其差值为Ci=R(xi,yi)-G(xi,yi),由此获得一个灰度图（RG图像）。然后计算RG图像中所有非零像素点的均值a。逐像素扫描RG图像，如果Cia则将该点像素值设为255（白色），否则设为0（黑色），得到二值图像fb,并对其进行补洞和面积小于200像素的处理。1.2基于边界跟踪处理与匹配膨胀的桃子分割复制二值图像fb为fc，设图像中白色区域的个数为m,白色区域的边界点总数为n，存放在各白色区域边界点个数的数组为length[]，存放边界点坐标(x、y结构体)的数组为lst[]。初始化m=0,n=0,以fb上的白色区域为目标进行下述边界追踪处理。1、设length[0]=0，从上到下，从左到右逐像素扫描fb,遇到没有标记的白色像素时，查看其左侧像素，若为黑色，则停止该扫描（主扫描）。2、将检测过程中的白色像素视为边界起始点255bb，并令其设为目标像素，坐标存入lst[n]，n值增加1，lengh[m]值加1。3、设标记值p=1,从目标像素的右侧开始，顺时针扫描目标像素的8领域像素，若遇到白色像素，将其值设为标记值p，并将其作为目标像素，坐标存入lst[n]，n值增加1，lengh[m]值加1。4、以上一个边界像素为起始点，在当前目标像素的8领域中按顺时针方向搜索，遇到白色像素时，将其设定为标记值p，并将其作为目标像素，坐标存入lst[n]，n值增加1，lengh[m]值加1。5、反复执行步骤4，当遇到边界初始点b时，表示当前的白色区域边界追踪完毕，m的值增加1。6、从步骤1的主扫描停止位置重新执行步骤1-5，对图像中其他白色区域进行边界追踪处理，直到扫描完整副图像为止，然后进行后续的匹配膨胀处理。随后，设区域号为j(0jm)，膨胀后边界点总数为n2,存放膨胀后边界点个数的数组为length2[]，存放膨胀后边界点坐标的数组为lst2[]。1、设j=0,n2=0。2、设length2[j]=0。3、依次从lst[]中读取区域j的边界坐标点Pi(0ilength[j])，分别对其进行后续处理。4、顺时针扫描图像fc和原图像f上点Pi的24领域Nk，计算fc上为白色所对应原图像f上R分量值的最大值RMax和最小值Rmin。5、在图像fc上顺时针扫描Pi的8领域Nk，若遇到黑色像素，则读取原图像f上相同位置的R分量值和G分量值，如果RG，则认为该黑色像素点属于桃子上的点，将图像fc上该点变为白色，并将该点坐标存入lst2[]，n2增加1，length2[j]值增加1，当区域jd的所有边界坐标点Pi完成上述处理后，j值加1。6、循环步骤2-5，直到j=m时，表示一次匹配膨胀结束。7、拷贝lst2[]到lst[]，拷贝length2[]到length[]，令n=n2，重复步骤1-6，进行下一次匹配膨胀处理。在某次匹配膨胀处理中，如果在步骤5中，没有满足条件的黑色像素出现，则表示匹配膨胀完成，退出匹配膨胀处理。之后对图像进行fc补洞，三次膨胀和腐蚀的修复处理。同一个桃子上相邻像素的R分量值不会发生剧烈变化，而桃子边缘相邻像素的R分量值则会出现较大变化，据此将目标像素24领域内桃子像素点的R分量值的最大、最小值作为无显著变动的阈值范围。该方法可以自动确定阈值，能够准确、快速地将本属于桃子的像素重新找回。从图的结果可以看出，都被很好地匹配膨胀成了白色像素。结果表明本文提出的分割提取算法能够适应桃子颜色的非均一性和图像光照的复杂性，很好地去除了天空、枝叶等复杂背景，而且几乎完好的保存了未被枝叶遮挡的桃子区域，取得了较好的分割效果。1.3基于圆拟合方法的圆心计算对于每个分割出的桃子区域很容易求得中心区域，但是进一步求得圆心坐标有一定的难度，本文对这个点展开研究。首先中心区域内点为可能圆心点群，(Ox，iOyi)为可能圆心点，0im，m表示可能圆心点个数。由式2-5分别计算圆心x和y坐标的平均值和标准偏差。Dx为可能圆心点横坐标的标准偏差；为可能圆心点横坐标的平均值；Oxi为第i个可能圆心点的横坐标。Dy为可能圆心点纵坐标的标准偏差；为可能圆心点纵坐标的平均值；Oyi为第i个可能圆心点的纵坐标。按照式4逐个判断每个可能圆心点。对满足所有可能圆心点坐标存入数组S中，之后对S中所有点重新重新求平均值，将其作为拟合圆的圆心记为O。计算数组S中所有可能圆心点坐标与圆心O的距离，找出距离最小的可能圆心点的坐标。2实验与讨论本文实验平台基于windows7系统、VS2010环境，C++语言编程实现。对照组依据文献[10]基于依靠颜色差异阈值分割，识别果实。图11-13是拟合结果图像，可见圆拟合结果非常准确，表明该拟合算法能够适应桃子单个果实、多个果实相互分离以及多个果实相互接触等多种生长状态，并且对于部分遮挡的果实也能够实现很好地拟合。图14-16是对照组的识别效果图，可见存在明显定位识别偏差，可见单纯依靠依靠颜色差异阈值分割，背景较复杂时，识别效果不如本文算法识别效果。重庆理工大学学报（自然科学版）图11桃子检测结果图12桃子检测结果图13桃子检测结果图14基于传统算法的桃子检测结果图15基于传统算法的桃子检测结果图16基于传统算法的桃子检测结果3结论为了提高桃子的检测精度，本文提出了颜色差信息提取耦合圆拟合技术的果树桃子检测算法。首先利用颜色差信息提取桃子区域；然后基于边界跟踪处理与匹配膨胀处理得到桃子的完整区域，再分别用本文的圆拟合方法，计算出桃子的圆心，完成定位检测。最后实验证明本文检测算法的检测性能。参考文献[1]杨惠,杨会成,王晓薇倩.改进Harris角点检测算法的零件形状识别[J].重庆理工大学学报（自然科学版），2013,27（12）：64-68.[2]崔红光.图像处