蝴蝶兰盆花分级系统及花朵面积提取试验

　　摘 要: 为实现蝴蝶兰盆花快速无损分级，以“大 辣 椒( Big Chili ) ”蝴蝶兰盆花为对象，研究利用颜色模板匹配 算法实现蝴蝶兰花朵图像分割及斑点提取算法获得花朵面积的方法，并通过不同视角下的花朵面积提取试验， 分析视角不同所引起的花朵面积差异。结果表明: 以蝴蝶兰花朵颜色为模板的颜色模板匹配算法能快速实现蝴 蝶兰花朵图像的有效分割。多视角下的蝴蝶兰盆花图像处理结果表明，不同视角下的花朵面积存在 0. 7% ～ 64. 8%的差 异。综 上 所 述，为实现蝴蝶兰盆花分级，应旋转并拍摄多视角图像获得比较全面的花朵状态信息，继 而 根据花朵颜色模板匹配算法提取蝴蝶兰花朵面积，作为评判其花朵开放程度和分级的准确依据。

　　关键词: 蝴蝶兰; 分级系统; 花朵面积; 机器视觉; 图像分割

　　0 引言

　　“大辣椒”蝴蝶兰花朵颜色艳丽，花期长，市场普 及率高，是广东高档花卉的代表之一[1]。蝴蝶兰盆花 上市前，会根据其开花状态为其定级，最主要的依据 为整株盆花的花朵面积。蝴蝶兰花朵形状不规则、花 瓣大小差异大，花苞娇嫩，无论人工目测还是手工测 量都有很大的局限性，均不适应大规模生产的需求。 为满足大规模精准农业生产的需要，花卉生产企业亟 需能实现蝴蝶兰盆花无损、快速分级的设备。

　　当前，机器视觉技术快速发展，其在农业无损检 测方面已有非常广泛的应用。利用图像处理的方法， 前人已进行花卉[2-4]、蔬菜[5-7]、水果[8-10]的特征无损 识别和分级研究。2017 年，刘晶晶等针对牡丹花分类 问题运用了改进的 BP( Back Propagation) 神经网络算 法，对牡丹纹理和形状特征进行提取识别，实现了牡 丹分类自动化[11]。2015 年，Puttemans S 等使用有限 的兰花样本集先后通过兰花训练对象模型、新型二进 制 SVM( Support Vector Machine) 分类器的分类系统，实现了小训练集对象高精度分类和评级[12]。

　　Diago M. P. 利用开源“flower counting”算法，开发了快速、无 损的葡萄产量评估方法[13]。2015 年，I. Kiruba Rajia 等使用边界结构模型检测叶子边界，实现了从复杂背 景中识别草药的功能[14]。2020 年，Boran Jiang 等提 出了一种自动的玉米叶分割算法，其性能和分割结果 相似度都优于传统分割算法[15]。2016 年，杨意等测 量与分析了白掌组培苗投影面积与其他面积参数的 相关度，实现了根据投影面积估计其表型参数的方 法[16]。

　　2017 年，P. J. Ramos 等提出通过咖啡树枝一 侧的果实数字图像信息，计算树枝上果实数量的方 法[17]。2018 年，Alireza Soleimani Pour 等利用 B 样条 曲线、数学运算和机器学习分类器，提出了一种新的 红掌花卉品种分类方法[18]。2018 年，Wang Fenyun 等 设计了一种利用分水岭算法实现鲜白蘑菇自动分拣 系统[19]; 同年，周彤等利用机器视觉检测葡萄果粒直 径、大小，利用机器视觉实现葡萄位置识别，为葡萄智 能采收提供了理论基础[20]。

　　虽然蝴蝶兰盆花生产中迫切需要实现开花品质 的无损检测，从而进行定级及合理规划盆花上市时 间，但由于蝴蝶兰花枝生长方向多变、花朵开花角度 不一致以及花瓣不规则，其开花品质判定存在一定的 难度，相关研究也鲜有报道。为此，通过蝴蝶兰盆花 多视角图像，首先研究基于颜色模板匹配算法进行蝴 蝶兰花朵图像分割和面积提取的有效性，继而通过多 视角图像处理结果数据分析视角不同时花朵面积的 差异，探索蝴蝶兰开花质量评价的快速、无损视觉检 测方法。

　　1 材料与方法

　　1. 1 材料

　　文中所使用的蝴蝶兰样本均产自广东省农业科 学院环境园艺研究所白云试验基地，品种为“大辣椒 ( Big Chili) ”。大辣椒蝴蝶兰色彩浓烈，形态美观，对 温度的耐受性较强，很受市场欢迎。样本蝴蝶兰采用 单株盆栽，苗龄 30 个月，为即将春节上市前期。试验 共使用 30 盆单株蝴蝶兰，编号为 1、2，…，30。

　　1. 2 蝴蝶兰分级系统及花朵面积提取装置

　　为实现蝴蝶兰盆花开花品质判断，构建了蝴蝶兰 分级系统，整体由控制模块、输送装置和视觉检测装 置构成。系统运行时，蝴蝶兰盆花放置 于主输送带上，由主输送带运送至检测室内的转台 上，触发检测室内部的到位传感器，控制装置控制转 台上升，根据检测室顶部的测高装置控制不同株高的 蝴蝶兰盆花顶部到达相机视场中; 当花朵枝条到达相 机视场高度时，转台开始旋转，每旋转 120°拍摄 1 幅 图像，直至旋转 360°。

　　每株样本蝴蝶兰盆花共拍摄 3 幅图像，并分别定义为视角 1、视角 2 和视角 3。视觉 系统分析和处理拍摄的每幅图像，计算每幅图像的花 朵面积，并将结果回传至控制系统; 控制系统根据 3 幅图像中的最大花朵面积确定此样本的等级; 检测完 成后的盆花由检测室输出至主传送带，当到达对应品 质分级入口时，控制系统控制推送气缸，将蝴蝶兰盆花送入对应级别的分级输送带，单盆蝴蝶兰花朵面积 检测完成。检测室内部结构包含相机支架、固定螺栓、视觉 相机、蝴蝶兰、PC 机和白色条形 LED 光源。控制装置根据待测蝴蝶兰盆花株高调节其上升高 度，确保花朵枝条处于相机视野。

　　1. 3 试验方法

　　试验采用康耐视 COGNEX 8402C 二维视觉相机 拍摄蝴蝶兰图像，使用康耐视 In -Sight explorer 软件 ( 版本号: 5. 6. 1) 对蝴蝶兰图像进行分析处理，主要运 用视觉工具反向、扩大、关闭 filter 函数和 色 彩 提 取 ExtractColor 等函数进行蝴蝶兰花朵分割，得到仅有蝴 蝶兰花朵区域的结果图片; 之后，对花朵结果图像进 行二值化处理，再对二值化图像运行 ExtractBlobs 算法 提取斑点; 最后，根据 Blobs 斑点函数输出结果累加得 到单株蝴蝶兰花朵的像素面积总和。

　　2 蝴蝶兰花朵面积提取方法

　　2. 1 蝴蝶兰图像获取 通过 所示的视觉装置，调节转台分别旋转 120°、240°、360°，采集对应视角下的蝴蝶兰图像。

　　2. 2 蝴蝶兰花朵图像分割和去噪

　　对所示的蝴蝶兰原始图像，利用颜色模板匹 配算法提取蝴蝶兰花朵，处理过程如下：

　　1) 对相机采集的蝴蝶兰原始图像使用图像滤波 器 Filter 函数的图像反向算法，得到反 向处理结果图像。

　　2) 在反向图像上，选择花朵中花萼、花瓣和 花蕊颜色为模板，利用 TraninExtractColor 函数训练花 朵颜色模板库。 3) 利用第 2 步训练的颜色模板和颜色提取函数 ExtractColor，对其中的反向图像进行颜色提取，得到去 除花苞、枝条和叶片，主要为花朵的结果图像。

　　4) 对运行 Filter 函数反向算法，得到基于颜 色模板匹配算法的处理结果，为蝴蝶兰花朵图像分割 结果。 5) 蝴蝶兰花朵分割结果图像中仍含有茎 秆、花蕾和支撑杆等部分不连续像素点，为减少后续 面积计算误差，需进行去噪处理。去噪时，首先对其中的初步分割图像利用 Filter 函数和 3×3 的内核对图像 进行闭运算操作，去除图像噪声; 然后对输出的图像 使用 Filter 函数和 3×3 内核对图像进行开运算，对上 一步损失的花朵部分图像进行恢复; 重复上述操作 3 次，得到的结果图像如图 7 所示。此时，图像中大部 分的噪声都已被去除。

　　2. 3 蝴蝶兰花朵面积提取

　　利用 Filter 函数中的二值化算法对其中的去噪结 果图片进行处理，得到花朵区域的二值化图像。利用 ExtractBlobs 函数提取图 8 中的白色斑点。 ExtractBlobs 函数的功能是根据要求计算二值图中所 选独立斑点的个数和面积，并将所求得的斑点按面积 值从大到小依次排列。根据大辣椒蝴蝶兰的特点，将 最大斑点数设置为当前花期单盆蝴蝶兰盆花样本的 最大可开花数量( 因为单盆“大辣椒”蝴蝶兰开花数目 约为 10 朵，因此此处设为 15) ，选择黑色背景，斑点颜 色为白色，即可求得所选图片中的斑点，并在图中用 绿色的曲线选中。

　　最后，利用 Sum 函数对 ExtractBlobs 函数输出的 面积区域数据求和，得到花朵面积。虽然此时花朵像 素面积计算时的图像中仍会有噪点，但是可以通过设 置 ExtractBlobs 函数采集区域的最小值像素范围去除 噪声点的影响。虽然花朵下方仍有两个小 的白色噪点，但因为设置了最小采集值，最终的结果 图像( 绿色曲线内) 并未包含此噪点，因此求得的花朵 面积结果不受小噪声的影响。

　　3 多视角花朵面积提取试验及差异分析

　　将每一盘单株蝴蝶兰所采集的 3 个视角图像分 别定义为视角 1、视角 2、视角 3，对每一个视角都运用 第 2 节所描述的算法进行花朵图像分割、去噪、二值 化、斑点图和花朵的像素面积计算。通过对比各视角 花朵的像素面积，取最大值作为最能反映其开花程度 的开花品质数据，并分析其余视角相对于此蝶兰花朵 最大像素面积的误差百分比。

　　同株蝴蝶兰不同视 角花朵面积计算结果均有差异。差异分布在最小误 差 0. 7%和最大误差 64. 9%之间。其中，最小误差为样本 26 的视角 1 和与视角 2( 最大花朵面积视角) ，仅 为 0. 7%，接近相等，但其视角 3 与视角 2( 最大花朵面 积视角) 测得的花朵面积差异达到 12. 7%。产生最大面积误差是蝴蝶兰样本 8，其视角 3 与测得的最大花 朵面积( 视角 2) 的误差为 64. 9%。

　　这是由于蝴蝶兰 花朵为单支条状，其生长角度具有随机性，花朵开放 时的位置虽基本确定，但其角度也有差异; 蝴蝶兰盆 花进入检测室时，其初始角度也是随机的，因此其最大值的分布未固定在某个确定的视角，而是随机分布 在视角 1、2、3。因此，当需判断其开花质量时，单视角 图像并不能真实地反映其花朵生长状态，应该通过旋 转的方式获得更全面的图像，进而对其开花品质进行 评判，得到的结果才更可靠。

　　4 结论

　　1) 结合蝴蝶兰花朵颜色模板匹配算法和斑点域 面积提取算法，实现了蝴蝶兰花朵面积的快速提取。 2) 多视角蝴蝶兰花朵面积提取结果表明: 不同视 角下“大 辣 椒“蝴蝶兰花朵图像面积存 在 0. 7% ～ 64. 8%的差异。实际生产中，需要通过旋转蝴蝶兰盆 花，获得更加全面的花朵图像，继而依据颜色模板匹 配算法测定其开花面积，作为判断其开花品质和分级 的准确依据。

　　参考文献:

　　[1] 中国花卉协会. 2019 全国花卉产销形势分析报告[EB/ OL]. ( 2019-06-04) [2020-02-15].

　　[2] 李恺，杨艳丽，刘凯，等. 基于机器视觉的红掌检测分级方 法[J]. 农业工程学报，2013，29( 24) : 196-203.

　　[3] 熊宇鹏，毛罕平，左志宇，等. 基于数字图像处理的凤梨花 卉品质参数检测的研究[J]. 农机化研究，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] 王红军，熊俊涛，黎邹邹，等. 基于机器视觉图像特征参数 的马铃薯质量和形状分级方法[J]. 农业工程学报，2016， 32( 8) : 272-277.

　　作者：杨 意1a ，王再花2 ，刘海林2 ，刘厚诚1b ，罗 治1 a ，潘哲朗1 a ，辜 松1c

转载请注明来自发表学术论文网：http://www.fbxslw.com/nylw/29257.html