基于機器視覺的馬鈴薯自動化切種方法研究.pdf

1、馬鈴薯播種前通常需要進行切塊，在保證出苗率的同時需考慮充分利用種薯。切塊時，薯塊質量一般控制在40克至60克之間，并且每個切塊上必須至少留有一個芽眼。目前種薯切塊基本依靠人力，自動化程度很低，且效率低下，易受主觀因素制約。現有切種機在切塊時很難控制薯塊的質量，也不能保證薯塊上留有芽眼，顯然不能滿足播種要求。提出能同時考慮種薯質量和芽眼分布的自動化切種方法具有必要性。本文基于機器視覺技術，提出了一套自動化切種方法，包括:畸形薯判斷方法、種

2、薯質量檢測方法、表面芽眼分割標記方法和切種決策機制。
　　根據研究對象的特點，設計了馬鈴薯種薯圖像采集系統(tǒng)，包括光源，圖像采集箱，攝像頭，計算機等。為了對采集到的馬鈴薯原始圖像進行預處理，提出了在RGB彩色空間中對原始圖像進行G通道灰度化，利用OTSU閾值分割方法進行灰度圖像分割，提取邊界的同時去除圖像背景，減輕無關區(qū)域的干擾。
　　利用規(guī)則馬鈴薯形狀類似橢圓這一特性，提出使用機器視覺技術進行一次馬鈴薯圖像參數提取，同時完成

3、質量和形狀檢測的方法。首先，獲取3個視角的馬鈴薯圖像，并用OTSU方法提取邊界。然后，對邊界進行最小二乘橢圓擬合，提取3個橢圓中共6個長短軸長度作為特征參數。最后，基于特征參數定義擬合偏離度以定量評價薯形;建立橢球模型以檢測種薯質量。實驗結果表明該方法適用于自動化切種過程中的薯形和質量檢測，其中畸形薯篩選成功率為96％，種薯質量檢測的誤差率小于10％。
　　為了在馬鈴薯圖像中分割與標記芽眼區(qū)域，提出了在彩色空間和灰度空間中同時分割

4、芽眼區(qū)域，并將二者的分割結果疊加后進行標記的方法，克服了因芽眼特征不足圖像分割算法難以適用的缺點。具體地，在RGB彩色空間中，利用歐氏距離分割芽眼彩色區(qū)域，分割出62％的芽眼區(qū)域;在灰度空間中，首先使用中值濾波對灰度圖像進行去噪處理，之后利用模糊處理技術對圖像進行了對比度增強，最后運用局部動態(tài)閾值分割方法分割芽眼區(qū)域，分割成功率為89％。將兩個空間的分割結果疊加后，成功率進一步提升為96％，而且芽眼區(qū)域較完整。最終，通過數學形態(tài)學處理，

5、成功將芽眼區(qū)域標記在了馬鈴薯圖像上。
　　提出了同時考慮種薯質量和芽眼位置的切種決策機制。利用芽眼在圖像中的2維位置信息，對應提出了3種切塊時具有2自由度的刀具模型。避免了芽眼3維位置信息的還原，無需設計高自由度切塊機構。利用馬鈴薯芽眼圖像對刀具需要旋轉的角度進行決策，以指導刀具進行切塊。在MATLAB仿真結果中，該決策機制可以獲得質量為40克至60克的薯塊，并且都帶有芽眼。論文的研究結果可以為馬鈴薯自動化切種相關領域提供理論依據