蝴蝶蘭盆花分級系統及花朵面積提取試驗

　　摘 要: 為實現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信息，繼 而 根據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。

　　關鍵詞: 蝴蝶蘭; 分級系統; 花朵面積; 機器視覺; 圖像分割

　　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，會根據其開花狀態為其定級，最主要的依據 為整株盆花的花朵面積。蝴蝶蘭花朵形狀不規則、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，均不適應大規模生產的需求。 為滿足大規模精準農業生產的需要，花卉生產企業亟 需能實現蝴蝶蘭盆花無損、快速分級的設備。

　　當前，機器視覺技術快速發展，其在農業無損檢 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) 神經網絡算 法，對牡丹紋理和形狀特征進行提取識別，實現了牡 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，實現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，開發了快速、無 損的葡萄產量評估方法[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 相似度都優于傳統分割算法[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的 相關度，實現了根據投影面積估計其表型參數的方 法[16]。

　　2017 年，P. J. Ramos 等提出通過咖啡樹枝一 側的果實數字圖像信息，計算樹枝上果實數量的方 法[17]。2018 年，Alireza Soleimani Pour 等利用 B 樣條 曲線、數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鮮白蘑菇自動分揀 系統[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中迫切需要實現開花品質 的無損檢測，從而進行定級及合理規劃盆花上市時 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則，其開花品質判定存在一定的 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據分析視角不同時花朵面積的 差異，探索蝴蝶蘭開花質量評價的快速、無損視覺檢 測方法。

　　1 材料與方法

　　1. 1 材料

　　文中所使用的蝴蝶蘭樣本均產自廣東省農業科 學院環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 蝴蝶蘭分級系統及花朵面積提取裝置

　　為實現蝴蝶蘭盆花開花品質判斷，構建了蝴蝶蘭 分級系統，整體由控制模塊、輸送裝置和視覺檢測裝 置構成。系統運行時，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的轉臺 上，觸發檢測室內部的到位傳感器，控制裝置控制轉 臺上升，根據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; 控制系統根據 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，當到達對應品 質分級入口時，控制系統控制推送氣缸，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。檢測室內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。控制裝置根據待測蝴蝶蘭盆花株高調節其上升高 度，確�；ǘ渲�條處于相機視野。

　　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 函數和 色 彩 提 取 ExtractColor 等函數進行蝴蝶蘭花朵分割，得到僅有蝴 蝶蘭花朵區域的結果圖片; 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 Blobs 斑點函數輸出結果累加得 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 所示的視覺裝置，調節轉臺分別旋轉 120°、240°、360°，采集對應視角下的蝴蝶蘭圖像。

　　2. 2 蝴蝶蘭花朵圖像分割和去噪

　　對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 函數的圖像反向算法，得到反 向處理結果圖像。

　　2) 在反向圖像上，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 ExtractColor，對其中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。

　　4) 對運行 Filter 函數反向算法，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。 5) 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像素點，為減少后續 面積計算誤差，需進行去噪處理。去噪時，首先對其中的初步分割圖像利用 Filter 函數和 3×3 的內核對圖像 進行閉運算操作，去除圖像噪聲; 然后對輸出的圖像 使用 Filter 函數和 3×3 內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。

　　2. 3 蝴蝶蘭花朵面積提取

　　利用 Filter 函數中的二值化算法對其中的去噪結 果圖片進行處理，得到花朵區域的二值化圖像。利用 ExtractBlobs 函數提取圖 8 中的白色斑點。 ExtractBlobs 函數的功能是根據要求計算二值圖中所 選獨立斑點的個數和面積，并將所求得的斑點按面積 值從大到小依次排列。根據大辣椒蝴蝶蘭的特點，將 最大斑點數設置為當前花期單盆蝴蝶蘭盆花樣本的 最大可開花數量( 因為單盆“大辣椒”蝴蝶蘭開花數目 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。

　　最后，利用 Sum 函數對 ExtractBlobs 函數輸出的 面積區域數據求和，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 函數采集區域的最小值像素范圍去除 噪聲點的影響。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) 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 的開花品質數據，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。

　　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%。產生最大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，當需判斷其開花質量時，單視角 圖像并不能真實地反映其花朵生長狀態，應該通過旋 轉的方式獲得更全面的圖像，進而對其開花品質進行 評判，得到的結果才更可靠。

　　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，繼而依據顏色模板匹 配算法測定其開花面積，作為判斷其開花品質和分級 的準確依據。

　　參考文獻:

　　[1] 中國花卉協會. 2019 全國花卉產銷形勢分析報告[EB/ OL]. ( 2019-06-04) [2020-02-15].

　　[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]. 農業工程學報，2013，29( 24) : 196-203.

　　[3] 熊宇鵬，毛罕平，左志宇，等. 基于數字圖像處理的鳳梨花 卉品質參數檢測的研究[J]. 農機化研究，2013，35( 9) : 163-168.

　　[4] SOLEIMANI POUR A，CHEGINI G，ZARAFSHAN P，et al. Curvature-based pattern recognition for cultivar classification of anthurium flowers[J]. Postharvest biology & technology，2018，139: 67-74.

　　[5] 王紅軍，熊俊濤，黎鄒鄒，等. 基于機器視覺圖像特征參數 的馬鈴薯質量和形狀分級方法[J]. 農業工程學報，2016， 32( 8) : 272-277.

　　作者：楊 意1a ，王再花2 ，劉海林2 ，劉厚誠1b ，羅 治1 a ，潘哲朗1 a ，辜 松1c

轉載請注明來自發表學術論文網：http://www.keysida.com.cn/nylw/29257.html