[发明专利]基于变分模态分解的高效甘蔗茎节识别方法

说明书

本发明涉及甘蔗种植技术领域，尤其是基于变分模态分解的高效甘蔗茎节识别方法，包括下述步骤：将获得的甘蔗垂直投影图像通过线阵CCD传感器获得原始光电信号；对所述原始光电信号进行固定阈值二值化，以获得甘蔗的轮廓信号；将所述轮廓信号分解为若干模态分量，且对各个模态分量进行HHT变换，以获得各个模态分量对应的HHT边际光谱；选择特征信号，且归一化后所述特征信号的饱和值设置节点阈值；获取归一化后所述特征信号中大于所述节点阈值的波峰，以获得节点波峰，将所述节点波峰对应的位置作为甘蔗节点位置。本发明能够降低硬件的成本投入并减少了后续数据处理的难度；不需要通过对甘蔗产生物理接触，降低对甘蔗种芽造成损伤的情况。

技术领域

本发明涉及甘蔗种植技术领域，尤其是基于变分模态分解的高效甘蔗茎节识别方法。

背景技术

甘蔗是全世界制糖业最基本的原料，占中国食糖总产量的92％以上，然而，由于中国的甘蔗生产机械化水平低，糖的价格与其他国家，如美国、巴西、印度和泰国相比没有竞争力。因此，甘蔗种植的机械化对提高中国食糖的竞争力起着重要作用。预切甘蔗种子的方式由于播种机体积小、播种均匀度大、发芽率高，在主要的丘陵甘蔗产区被广泛使用。由于甘蔗的种芽全部生长在茎节处，因此甘蔗种植时需要进行预切种，把甘蔗切成带有一定数量种芽的甘蔗种段，切种时的切口应尽量避开茎节处，以免切伤种芽，影响甘蔗的发芽率。对预切蔗种的自动化生产是有效提高甘蔗预切种种植方式效率的关键环节。而为了减少在之后甘蔗切割的工序中切刀对种芽造成损伤的情况，需要对甘蔗的茎节进行快速、精准地识别和定位，进而提高预切蔗种的出芽率和单位面积土地的甘蔗产量。

甘蔗特征识别可分为两种类型，包括接触式和非接触式，根据不同的数据采集方式。虽然接触检测可以不考虑甘蔗的颜色和表面蜡粉，但许多研究人员更喜欢非接触检测，因为它可以避免对甘蔗芽的损害，它利用光学原理，通过工业相机和光电传感器获取信息。

传统上，许多研究人员将捕获的RGB图像转换成HSV图像进行进一步处理，因为HSV图像更适合人类的感知。Shangping Lu et al.(2010)提取了S和H分量以产生合成图，并利用所得的特征指标构建SVM模型进行聚类分析；Jiqing Chen et al.(2021)提取了S分量进行垂直分解，并根据最小局部像素之和进行节点定位。Pothula等人(2014)提出将单个归一化灰度值曲线下的单位面积作为识别节和节间的最佳指标。然而，这些方法大多需要单一或特定的背景，以降低图像处理的难度。Xiao Hu et al.(2019)通过使用结构化的随机森林方法获得边缘概率图像，并将启发式算法应用于多个二值化的图像。虽然该方法已经被用来对付各种背景，但对其在复杂生产环境中的效果研究还不够。Rui Yang et al.(2020)使用了平均梯度和方差梯度的特征，但它需要两个水平对置的相机来获得整个原始图像。Weizheng Zhang et al.(2017)首次应用高光谱成像技术，解决了甘蔗节间和茎部颜色相近以及白色果粉干扰的问题。上述方法是针对静态识别的，一些研究者对动态识别做了更多的相关研究。Brajesh Nare et al.(2019)利用Sobel算子提取了二值化图像的边缘信息，并对甘蔗种子的吞吐量进行了相关研究。Zhou et al.(2020)利用Sobel算子计算水平方向的R分量，提取叶痕处明显的梯度特征向量。然而，传统的图像处理方法几乎不能适应生产环境和满足动态识别的要求。因此，随着计算能力的提高，基于深度学习的目标检测方法被越来越多地应用于甘蔗节点识别领域。Moshashai et al.(2008)通过基于右侧Sobel边缘校正掩码矩阵的卷积运算，提取了边缘轮廓信息。Shangping Li et al.(2020)构建了轻量级的YOLO v3网络，将响应时间缩短至28ms，提高了实时动态甘蔗节点识别的效率，同时创新性地研究了外部因素对算法识别精度的影响。Wen Chen et al.(2021)利用五种不同的深度学习框架结合数据增强方法，对不同时期复杂的现实世界种植环境进行识别和分析，并在实验中验证了YOLO v4的优越性。但是，要达到更高的实时性和识别效率，这类方法需要更多的硬件成本投入，不利于降低糖业生产成本。