Detection of abnormal hydroponic lettuce leaves based on image processing and machine learning
Ruizhe Yanga, Zhenchao Wua, Wentai Fanga, Hongliang Zhangb, Wenqi Wanga, Longsheng Fua,c,d, Yaqoob Majeede,f, Rui Lig, Yongjie Cuia aCollege of Mechanical and Electronic Engineering, Northwest A&F University 西北农林科技大学机械与电子工程学院 |
https://doi.org/10.1016/j.inpa.2021.11.001
作为一种经济和药用的蔬菜品种，莴苣是中国最常见的蔬菜之一，与传统种植的莴苣相比，水培莴苣具有生长周期短、节省空间、生产能力高等优点。水培莴苣的黄叶和烂叶在包装前需要人工分拣，人工成本高，效率低，人们强烈希望开发自动分拣系统，以降低人工分拣的高人工成本，多元线性回归（MLR）、K-最近邻（KNN）、支持向量机（SVM）等机器学习模型作为分类器在农作物叶片异常区域检测中得到了广泛的应用。本研究比较了MLR、KNN和SVM在检测水培生菜黄叶和烂叶方面的作用，通过图像处理方法将这些叶子从原始图像中分割出来，采用MLR、KNN和SVM进行水培生菜叶片检测，并对其性能进行评价，在检测精度和速度方面选择最优模型。
4.SVM的检测准确率最高，为99.25%。
应用图像处理技术对水培生菜进行图像分割，采用KNN、MLR和SVM检测水培莴苣训练后黄叶和烂叶的效果，通过图像处理方法对水培生菜进行图像分割，以解决水培生菜图像中存在复杂的背景信息，可能降低异常叶片检测的准确性的问题。
根据不同的颜色特征从背景中分割出水培莴苣各部分，如图1所示。这些部分在a*，b*上的二值化结果比在H上分割得更好，这可能是用Otsu方法在a*上分割绿色部分，在b*上分割黄色部分的结果。水培莴苣由绿色部分和黄色部分组成，而背景中没有这些部分。因此，在两个二值图像上进行“OR”操作比在水培莴苣部分与背景之间的H上对一幅二值图像进行分割效果更好。
洪水填充和膨胀填充图像如图2所示，通过膨胀法可以明显看出，图像中有很多白色的背景部分被填充，因此，膨胀法不适合填充图像。图2中红圈所示为洪水填筑未填充部分的原因之一是边界复杂，然而，这个问题可以通过将水培生菜放在图像的中心，同时改变相机与水培生菜之间的距离来解决。
图2 水培莴苣图像中(a) 洪水填充了一些缺失的部分A和(b)大部分背景B的扩张的填充结果
MLR和SVM的检测精度如表2所示，MLR对黄叶和烂叶的处理率分别为89.48%和99.29%，而SVM对黄叶和烂叶的处理率分别为98.33%和97.91%，MLR黄叶检测存在较大偏差，而MLR对烂叶检测的准确度比SVM高1.38%，SVM对黄叶的准确度比MLR高8.85%，平均速度低1.37s，检测精度比速度更重要，因此，支持向量机可能是检测水培莴苣的合适模型。
检测水培莴苣中黄叶和腐烂叶是莴苣生产的重要任务，采用单因素方差分析法选择G、H和a*进行训练模型。为论证KNN、MLR和SVM检测水培莴苣黄叶和烂叶的可行性，采用图像二值化、掩膜和填充方法对水培莴苣叶片进行分割。通过KNN检测出3024×4032像素的图像大约需要20.25s，远长于MLR（0.61s）和SVM（1.98s），MLR对黄叶和烂叶的检测准确率分别为89.48%和99.29%，SVM的检测准确率分别达到98.33%和97.91%。SVM具有检测异常叶片的潜力，通过设置单个水培生菜相机来实现生菜生产的需要，在开发用于分拣异常水培莴苣的集成机版机器人方面，需要进一步开展研究。
引用格式：
