0引 言

? ? ? 甘蔗是我國主要糖料作物之一，2015?年播種面積為?159.965?萬公頃，發展甘蔗生產是蔗農脫貧致富的重要途徑，良種化種植與機械化耕作是甘蔗產業發展的重要手段。甘蔗通過斬種進行種植，目前國內外的甘蔗切割機均不具備莖節識別功能，切割時經常損傷莖節處的種芽，導致用種量多、出苗率少，影響甘蔗產量。因此，精確識別甘蔗莖節處的種芽，實現自動化的蔗種防傷芽切割具有重要意義。

1甘蔗莖節的識別與定位?

1.1?樣本選取

所選樣品為浙江省優質甘蔗生產基地主產的“義紅一號”果蔗。正常品質，在運輸和實驗過程中盡量避免碰撞、擠壓等損傷，去除甘蔗根部表面的泥污，進行高光譜數據采集。將?236?個樣本(?莖節?77?個，莖間?159?個)?隨機分為建模集和預測集，建模集共?177?個，預測集共?59?個。

1.2?高光譜數據采集與分析

建立如圖?1?所示的高光譜圖像采集系統，該系統主要由光譜儀，計算機，電控移位平臺，相機，鏡頭，線光源和高光譜圖像采集軟件等組成。采集到的高光譜圖像的光譜范圍是?874?～?1734?nm，共?256?個波段，光譜分辨率為?5?nm，采集的高光譜圖像大小為?320?像素?×256?像素。進行高光譜圖像采集時，需要調節移動平臺的速度、相機曝光時間、鏡頭與光源的間距等參數，確保所獲取圖像清晰且不失真。?經過多次調?校，當?物?鏡?高?度?19?cm，平?臺?移?動?速?度14.5?mm?/?s，曝光時間?4?ms?時，取像效果較佳。在采集箱內完成整個圖像獲取，避免外界光線及其他噪聲干擾。

1．?計算機?2．?數據線?3．?光源調節器?4．?采集箱5．?高度調節裝置?6．?風扇?7．?相機?8．?光譜儀?9．?鏡頭10．?光源?11．?載物臺?12．?高精度電控移位平臺

圖?1?高光譜圖像采集系統

在采集樣本的高光譜圖像前，需要校正相機暗電流對圖像產生的影響，通過遮住鏡頭獲取黑板校正圖像，采集標準白色校正板得到白板校正圖像，根據下式計算校正后圖像：

其中，ICorrection表示校正后高光譜圖像，Iraw表示原始圖像，Idark表示全黑標定圖像，Iwhite表示標準白板圖像。數據分析在?ENVI?4.6，Matlab?Ｒ2012a?和Unscrambler?X10.1?軟件平臺進行。實驗采集甘蔗樣本的近紅外波段，光譜范圍為874?～?1734?nm，原始光譜如圖2?所示。從圖2?可看出，在原始光譜的前后端都有明顯的噪聲干擾，因此采用?995?～?1650?nm?之間的?195?個波段進行數據分析與處理較為合適。選取蔗種的莖節和莖間位置作為研究區域，并計算它們的光譜平均值，兩個樣本平均光譜曲線如圖?3?所示。由圖?3?可知，莖節與莖間的光譜曲線具有較大的差異性，兩者的平均光譜在?1170?nm?和?1450?nm?處有明顯的吸收峰。查詢資料可知?1450?nm?是對含水量敏感的波段，由于莖節與莖間的水分含量不同，它們的平均光譜曲線會在?1450?nm?處顯示吸收峰；在 1170?nm?處?產?生?吸?收?峰?的?原?因?有?待?進?一?步研究。采用主成分分析(?PCA)?對光譜數據進行處理，結果如圖?4?所示。第一、二主成分(?PC?－?1，PC?－?2)?的貢獻率分別為?83?%?和?16?%?，累計貢獻率達到?99%?，能夠解釋大部分變量。圖?4?中莖間與莖節的區分非常清楚，充分證明高光譜成像技術用于莖節識別的可行性。

圖?2?甘蔗莖節和莖間樣本原始光譜圖

圖?3?甘蔗莖節和莖間樣本平均光譜

圖?4?主成分?PC?－?1?和?PC?－?2?的?PCA?得分

1.3?特征波段提取

甘蔗樣本的高光譜圖像包含?256?個波段，大量的光譜數據間存有較大的冗余和共線性信息，增加了特征運算和提取的復雜度．?本文采用連續投影算法(?SPA)?提取特征波段，該算法利用向量的投影分析，搜尋含有最低限度的冗余信息組，并最小化變量間的共線性，同時能有效減少建模所需變量數，提高建模的速率．?本研究設置?SPA?算法選擇特征波長數量為?5?～20．采用?SPA?得到?1022?nm，1062?nm，1456?nm，1609?nm?和?1649?nm?這?5?條特征波段，對應的單波段灰度圖像如圖?5?所示，其中?1456?nm?所對應的灰度圖像中莖節信息非常顯著。對提取的這?5?個波段，采用線性組合的方法進行莖節的識別與定位。

1.4?甘蔗莖節識別分類模型的建立

以?SPA?選擇的特征波段為輸入，建立偏最小二乘法?(?PLS)?分類模型．?與傳統多元線性回歸模型相比，PLS?是一種多元統計數據分析方法，能夠在自變量存在多重相關性或樣本數小于變量數的條件下實現回歸建模;?在最終偏最小二乘回歸模型中將包含原有的自變量，因此更易于識別系統的信息和噪聲，也更容易解釋模型每個自變量的回歸系數．?為了避免過擬合問題，本文?PLS?算法采用全交叉驗證．將?236?個蔗種樣本隨機劃分為校正集(?177個樣本)?和預測集(?59?個樣本)?．?以?SPA?算法挑選的?1022?nm，1062?nm，1456?nm，1609?nm?和1649?nm?這?5?個特征波長為?x?變量，將建模集的類別(?1?代表莖間，2?代表莖節)?作為?y?變量輸入?PLS?模型，得到模型的各個系數。

圖?5?提取的?5?個特征波段所對應的灰度圖像

建立?PLS模型如下:

采用預測集驗證?PLS?模型，將判斷閾值設為?0.5，即如果輸出結果在(?0.5，1.5?］區間內，則設置為類別?1；輸出結果在(?1.5，2.5］區間內，則為類別2。校正集和預測集的判別結果如圖6?所示，縱坐標為?0.5，1.5?和?2.5?處繪制的紅色閾值線。?統計校正集和預測集的誤判數和準確率，結果如表?1?所示。由表?1?可知，校正集和預測集識別準確率非常高，分別為?99.44%?和?98.31%?，表明所選的?5?個光譜波段基本涵蓋了蔗種莖節檢測的有效信息，以非常有限的波段數量簡化了模型。

圖?6?校正集和預測集的判別結果

表?1?PLS?模型檢測結果

1.5莖節定位

甘蔗莖節識別分類模型僅實現了蔗種莖節的定性判別，還需要結合圖像處理技術進一步進行定量分析，從而定位莖節位置。采用公式①歸一化輸出圖像，輸出結果以0.?5?為閾值進行分類，可成功提取莖節圖像，具體?過?程?見?圖?7。以?上?處?理?步?驟?都?在?MatlabＲ2012a?中進行。從圖?7b)?可見，提取的莖節圖像包含了蔗芽、莖節和白色噪聲斑點，莖節為粗細不一的圓弧形，需要在該情況下定位莖節。?通過分析發現，莖節在縱向的長度比蔗芽和噪聲斑點要長，因此可以在縱向上統計白色像素數并繪制統計圖，如圖?8?所示。圖?8?中的?3?個局部最大值分別對應蔗芽、莖節和噪聲斑點，可以看出莖節的峰值明顯高于蔗芽和噪聲斑點的峰值，像素最大值所在的位置?(?像素?105?列)?即可設定為莖節所在的位置。將圖像的最左端定義為起點，建立圖像像素與實際測量尺寸的關系(?像素寬度對應的長度)?，在莖節最大峰值位置繪制直線，如圖?9?所示，圖中紅線即為莖節的位置，并設定為?x，以備后續測量驗證。

圖?8?莖節、蔗芽和噪聲的像素縱向統計圖

圖?9?莖節定位示意圖

2圖像識別結果驗證從大量的蔗種中隨機抽取?20?個試驗樣品，樣品采集前，在旁邊放置標尺，結合標尺刻度進行人工測量。?另外，采用本文圖像處理方法測量x?坐標值所對應的位置。兩種方法的測量值如圖?10?所示。通過對圖?10?試驗數據的分析可知，采用圖像處理法得到的數據與人工測量的數據非常接近，莖節中心?x?的平均絕對誤差為?1.0?mm，標準差為?0.7?mm，絕對誤差最大值為?2.6?mm，完全在可接受的范圍內。本文提取的是甘蔗的莖節信息，并在識別莖節的基礎上進行莖節的定位。通常莖節的寬度為?9?～?15?mm，將?x?向左右兩端各擴展7.5?mm?作為莖節的保護范圍，該范圍就包含了種芽，從而為切割蔗種時防傷芽提供保障。不同甘蔗不同位置處的莖節長度不一，是造成數據誤差的主要原因，但是該誤差是可接受的。因此識別定位莖節的位置可以準確確定蔗芽的范圍，誤差小，可信度高。

圖?10?圖像測量值與人工測量值比較

為了進一步驗證高光譜圖像與普通圖像在識別結果上的差異，采用?CCD?相機直接獲取甘蔗圖像，再使用傳統的圖像處理方法進行圖像處理，即利用莖節的常態圖像進行識別，與圖5，圖?7?和圖?8?所示基于高光譜圖像的莖節識別進行對比，結果如圖?11?所示(?其中第?1?行為原始的普通?ＲGB?圖像，第?2?行為灰度圖像，第?3行為閾值二值化圖像，第?4?行為每列像素之和的折線圖)?。圖?11a)?莖節圖像每列像素之和左半邊較小，右半邊較大，無法直接定位莖節位置；圖?11b)?中的折線圖出現兩個較低的波谷，難以準確識別莖節位置；圖?11c)?相對較平緩，波谷與莖節位置有較大的偏差；圖?11d)?與圖11a)?相似，難以準確定位莖節。?由于莖節上的白色果粉和其他噪聲的干擾，再加上?ＲGB?圖像提供的有效信息不多，不能可靠地實現莖節的識別?？梢钥闯?，采用普通圖像的識別效果較差。這也從另一面體現了本文所采用基于高光譜成像技術的甘蔗莖節識別與定位方法的優越性。

?

圖?11?基于普通圖像和傳統圖像處理方法的莖節識別結果

3結 論

? ? ? ? 本文采用高光譜成像技術對甘蔗莖節進行定性判別和定量分析。運用?SPA?算法提取莖節的?5?個特征波段，建立?PLS?判別模型，校正集和預測集的識別率分別為?99.44%?和?98.31%?，對莖節定性判別效果非常好。運用該模型?5?個敏感波段組合的歸一化圖像進行莖節識別與定位，定量地檢測出莖節的位置，其結果的標準差為0.7mm，絕對誤差的最大值為?2.6?mm，并確定了蔗芽的范圍。將該識別模型與定位方法應用于隨機抽取的?20?個樣本，同樣取得良好效果，這為甘蔗莖節的識別、定位及切割蔗種時防傷芽提供了理論基礎和依據。
?