基于机器视觉的马铃薯自动化切种方法研究

摘要

马铃薯播种前通常需要进行切块，在保证出苗率的同时需考虑充分利用种薯。切块时，薯块质量一般控制在40克至60克之间，并且每个切块上必须至少留有一个芽眼。目前种薯切块基本依靠人力，自动化程度很低，且效率低下，易受主观因素制约。现有切种机在切块时很难控制薯块的质量，也不能保证薯块上留有芽眼，显然不能满足播种要求。提出能同时考虑种薯质量和芽眼分布的自动化切种方法具有必要性。本文基于机器视觉技术，提出了一套自动化切种方法，包括:畸形薯判断方法、种薯质量检测方法、表面芽眼分割标记方法和切种决策机制。
　　根据研究对象的特点，设计了马铃薯种薯图像采集系统，包括光源，图像采集箱，摄像头，计算机等。为了对采集到的马铃薯原始图像进行预处理，提出了在RGB彩色空间中对原始图像进行G通道灰度化，利用OTSU阈值分割方法进行灰度图像分割，提取边界的同时去除图像背景，减轻无关区域的干扰。
　　利用规则马铃薯形状类似椭圆这一特性，提出使用机器视觉技术进行一次马铃薯图像参数提取，同时完成质量和形状检测的方法。首先，获取3个视角的马铃薯图像，并用OTSU方法提取边界。然后，对边界进行最小二乘椭圆拟合，提取3个椭圆中共6个长短轴长度作为特征参数。最后，基于特征参数定义拟合偏离度以定量评价薯形;建立椭球模型以检测种薯质量。实验结果表明该方法适用于自动化切种过程中的薯形和质量检测，其中畸形薯筛选成功率为96％，种薯质量检测的误差率小于10％。
　　为了在马铃薯图像中分割与标记芽眼区域，提出了在彩色空间和灰度空间中同时分割芽眼区域，并将二者的分割结果叠加后进行标记的方法，克服了因芽眼特征不足图像分割算法难以适用的缺点。具体地，在RGB彩色空间中，利用欧氏距离分割芽眼彩色区域，分割出62％的芽眼区域;在灰度空间中，首先使用中值滤波对灰度图像进行去噪处理，之后利用模糊处理技术对图像进行了对比度增强，最后运用局部动态阈值分割方法分割芽眼区域，分割成功率为89％。将两个空间的分割结果叠加后，成功率进一步提升为96％，而且芽眼区域较完整。最终，通过数学形态学处理，成功将芽眼区域标记在了马铃薯图像上。
　　提出了同时考虑种薯质量和芽眼位置的切种决策机制。利用芽眼在图像中的2维位置信息，对应提出了3种切块时具有2自由度的刀具模型。避免了芽眼3维位置信息的还原，无需设计高自由度切块机构。利用马铃薯芽眼图像对刀具需要旋转的角度进行决策，以指导刀具进行切块。在MATLAB仿真结果中，该决策机制可以获得质量为40克至60克的薯块，并且都带有芽眼。论文的研究结果可以为马铃薯自动化切种相关领域提供理论依据，也可为新型自动化切种机的设计提供指导与参考。

目录

声明

摘要

1 绪论

1．1 机器视觉概述

1．2 课题的研究意义

1．3 马铃薯自动化切种领域的国内外研究现状

1．3．1 现有的马铃薯切种机

1．3．2 马铃薯质量检测方法

1．3．3 马铃薯几何形状检测方法

1．3．4 马铃薯表面缺陷检测方法

1．3．5 小结

1．4 存在的问题

1．5 主要研究内容与创新点

1．6 技术路线

2 马铃薯种薯图像采集系统及预处理

2．1 马铃薯种薯图像采集系统

2．2 马铃薯种薯图像灰度化

2．2．1 RGB彩色空间

2．2．2 两种彩色图像灰度化的方法

2．3 基于OTSU方法提取马铃薯区域

2．4 小结

3 马铃薯薯形判断与种薯质量检测

3．1 马铃薯图像的特征参数提取

3．2 畸形薯剔除方法

3．3 种薯质量检测

3．4 结果与分析

3．4．1 畸形薯与种薯的模式分类实验

3．4．2 种薯质量检测实验

3．5 小结

4 马铃薯芽眼分割与标记

4．1 在RGB彩色空间中分割芽眼

4．2 在灰度空间中分割芽眼

4．2．1 马铃薯灰度图像滤波

4．2．2 马铃薯灰度图像增强

4．2．3 芽眼灰度图像分割

4．3 基于数学形态学标记芽眼

4．3．1 基于形态学对分割图像进行处理

4．3．2 芽眼标记

4．4 小结

5 基于图像处理的种薯切块决策机制

5．1 刀具模型

5．2 计算刀具转角的方法

5．2．1 转角算法原理

5．2．2 图像模型参数提取

5．2．3 算法迭代过程

5．3 切种决策机制的程序实现

5．4 结果与分析

5．5 小结

结论

致谢

参考文献

攻读学位期间的研究成果