孫寶霞，鄭鎮(zhèn)輝，胡文馨，郭文韜，熊俊濤*

(1. 廣東機(jī)電職業(yè)技術(shù)學(xué)院電氣技術(shù)學(xué)院，廣州 510515； 2. 華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院，廣州 510642)

龍眼是我國華南地區(qū)重要的熱帶亞熱帶果樹之一，已成為我國華南地區(qū)農(nóng)村經(jīng)濟(jì)的支柱產(chǎn)業(yè)，在推進(jìn)農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整、增加農(nóng)民收入方面發(fā)揮著重要的作用[1]。近些年來，我國龍眼產(chǎn)量呈波動上升態(tài)勢，但依然存在龍眼管理成本高、機(jī)械化程度低等問題。目前龍眼的采摘依賴人工操作來實(shí)現(xiàn)。隨著農(nóng)業(yè)機(jī)械化的發(fā)展，將農(nóng)業(yè)機(jī)器人應(yīng)用到龍眼采摘過程中，能夠大幅降低勞動成本，提高龍眼經(jīng)濟(jì)效益。

果實(shí)的檢測與定位是采摘機(jī)器人的關(guān)鍵技術(shù)之一，其精確度和準(zhǔn)確度是機(jī)器人成功采摘的關(guān)鍵。目前，水果檢測與定位已有眾多研究，但以龍眼為研究對象的成果則較少，如Pathaveerat等[2]提出利用HSB (hue、saturation、brightness，色相、飽和度、亮度)顏色模型和霍夫圓檢測來分割出龍眼果實(shí)。Wang等[3]利用小波變換和K均值聚類對荔枝進(jìn)行識別，實(shí)驗(yàn)表明該識別方法能夠很好地對抗光照變化，對無遮擋和部分遮擋的荔枝平均識別率分別為98.8%和97.5%。Liu等[4]提出一種在Cr-Cb(色調(diào)-飽和度)坐標(biāo)中構(gòu)建多橢圓邊界模型的方法來獲取柑橘的輪廓信息，正確率達(dá)90.8%。以上方法基于果實(shí)的顏色和紋理特征進(jìn)行檢測，其環(huán)境適應(yīng)性低，魯棒性較弱，不適合用于與枝條顏色和紋理相近的龍眼果實(shí)。

近年來，深度學(xué)習(xí)算法已成功應(yīng)用到農(nóng)業(yè)視覺領(lǐng)域中，并取得較好的效果。Bargoti等[5]利用Faster-RCNN檢測蘋果、芒果和杏仁，且蘋果和芒果檢測網(wǎng)絡(luò)的F1得分大于0.9。但RCNN(regions with CNN features)系列算法檢測速率較低，相對而言，YOLO(you only look once)系列算法則能彌補(bǔ)這一缺陷。熊俊濤等[6]提出利用YOLOv2對航拍綠色芒果圖像進(jìn)行檢測，測試集識別正確率為90.64%，平均檢測時間為每幅圖0.08 s。Tian等[7]提出一種改進(jìn)的YOLOv3模型用于檢測不同生長階段的蘋果，測試結(jié)果表明，該模型優(yōu)于Faster-RCNN和VGG16(visual geometry group)，平均檢測時間為每張圖0.304 s。

隨著RGB-D設(shè)備的成熟，許多研究者將水果的深度信息應(yīng)用到水果檢測與定位中。Barnea等[8]結(jié)合三維表面特征和反射效果來檢測感興趣區(qū)域，再通過SVM來檢測甜椒，其運(yùn)行時間為197 s，檢測精度為55%。Nguyen等[9]提出對蘋果點(diǎn)云數(shù)據(jù)進(jìn)行聚類的方法，同時實(shí)現(xiàn)蘋果檢測和定位。范永祥等[10]基于RGB-D SLAM手機(jī)構(gòu)建了森林樣地調(diào)查系統(tǒng)，在18塊半徑為7.5 m的圓形樣地中進(jìn)行了測試，坡向估計(jì)具有較大的RMSE，是由于當(dāng)坡度較小時，即使SLAM系統(tǒng)估計(jì)位姿有較小漂移，仍會導(dǎo)致該值產(chǎn)生較大偏差，但整體而言坡向仍是無偏的。

本研究的龍眼果實(shí)體積較小，與枝條顏色同是淺棕色，在檢測和定位上有一定難度，但其形狀呈規(guī)則圓形，利用深度學(xué)習(xí)算法能夠較好地學(xué)習(xí)該特征。因此，本研究提出一種自然環(huán)境下龍眼的檢測和定位算法，通過RGB-D相機(jī)采集龍眼的彩色和深度圖像，利用YOLOv5對彩色圖像進(jìn)行識別，并結(jié)合深度圖像進(jìn)行定位。結(jié)果表明，該方法有較高檢測率，能為龍眼的自動采摘機(jī)器人提供技術(shù)支持。

1 材料與方法

1.1 圖像采集

本研究所用視覺傳感器為kinect v2，將一臺微軟kinect v2傳感器與一臺Win10筆記本電腦相連，使用Microsoft Visual C++2017、OpenCV3.4.1圖像處理庫實(shí)現(xiàn)圖像采集功能。kinect v2搭載了紅外光源、紅外攝像頭和彩色攝像頭。紅外攝像頭拍攝的圖像分辨率為512×424 px，視場角為70.6°×60.0°，有效拍攝距離為500～4 500 mm。彩色攝像機(jī)分辨率為1 920 pixel×1 080 pixel，視場角為84.1°×53.8°。本研究利用這兩個攝像頭分別獲取深度圖像和彩色圖像。

高世科等[11]在進(jìn)行光照強(qiáng)度對碟狀體生長的影響試驗(yàn)時，設(shè)置2個組： NL1為自然光組(1 405 lx)，WL2為弱光組(黑色塑料布罩住光源，光照度為605 lx)。因此，試驗(yàn)設(shè)置強(qiáng)烈光組(2 005 lx)、中等光組(1 405 lx)和暗淡光組(605 lx)進(jìn)行圖像采集。

參照《龍眼種質(zhì)資源描述規(guī)范和數(shù)據(jù)標(biāo)準(zhǔn)》[12]和NY/T 1305—2007《農(nóng)作物種質(zhì)資源鑒定技術(shù)規(guī)程 龍眼》進(jìn)行果實(shí)數(shù)量類別劃分，將果實(shí)數(shù)量分為較少(穗粒數(shù)50以下)、中等(穗粒數(shù)50～200)、較多(穗粒數(shù)200以上)3組。

試驗(yàn)圖像于2020年7月拍攝于廣州市天河區(qū)果樹研究所。拍攝距離為500～1 200 mm，并從不同的光照度下進(jìn)行拍攝，共拍攝920幅龍眼圖像作為本研究的數(shù)據(jù)集。根據(jù)果樹數(shù)量和光照強(qiáng)度的不同進(jìn)行了圖像分類，不同情況下的龍眼圖像統(tǒng)計(jì)見表1。對表1中所有圖像打上人工標(biāo)簽，并對每種龍眼圖像分別隨機(jī)抽取80%的數(shù)據(jù)，共736副圖像作為本研究模型的訓(xùn)練集，剩余的184副圖像作為測試集。

表1 各類龍眼圖像統(tǒng)計(jì)Table 1 Statistical table of various longan images

1.2 總體技術(shù)實(shí)現(xiàn)流程

總體研究技術(shù)流程圖如圖1所示。

圖1 檢測與定位算法流程圖Fig. 1 Flow chart of detection and location algorithm

首先利用視覺傳感系統(tǒng)采集大量花果圖片，并對圖片進(jìn)行圖像配準(zhǔn)和深度分割預(yù)處理。然后對預(yù)處理后的圖片進(jìn)行打標(biāo)，并輸入目標(biāo)檢測神經(jīng)網(wǎng)絡(luò)中訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練完成后能夠識別并獲取圖像中目標(biāo)的位置信息，然后根據(jù)位置信息計(jì)算出目標(biāo)的圖像坐標(biāo)，再結(jié)合深度圖像中的信息最終計(jì)算出目標(biāo)的三維坐標(biāo)。

1.3 圖像預(yù)處理

本研究圖像預(yù)處理流程包含圖像配準(zhǔn)和深度分割兩個步驟。由于深度圖像和彩色圖像用不同分辨率和視場角的攝像頭拍攝所得，因此在對圖像進(jìn)行目標(biāo)檢測前需要先進(jìn)行圖像配準(zhǔn)，在深度圖像和彩色圖像兩者坐標(biāo)之間建立對應(yīng)關(guān)系，使坐標(biāo)對齊。本研究利用kinect v2軟件開發(fā)工具包里提供的“MapDepthFrameToColorSpace”函數(shù)調(diào)整彩色圖像以匹配深度圖像。由于圖像的背景會干擾目標(biāo)檢測的效果，并且考慮到機(jī)械臂的活動范圍和kinect的有效拍攝范圍，本研究對配準(zhǔn)后的圖像進(jìn)行了深度分割。對不同深度的圖片進(jìn)行多次預(yù)試驗(yàn)，對比不同的圖像效果，最終選擇圖片的有效深度在500～1 200 mm。

1.4 YOLOv5識別模型

YOLO算法最早由Redmon等[13]提出，后來經(jīng)過改進(jìn)發(fā)展成YOLOv4[14]和YOLOv5[15]。YOLOv5能夠在保證時效性的同時有著較高的檢測準(zhǔn)確率。對于Faster-RCNN，其檢測過程分成兩步，首先提取出候選框，然后對候選框進(jìn)行分類和回歸。而YOLOv5網(wǎng)絡(luò)將檢測問題轉(zhuǎn)換為回歸問題。它不需要提議區(qū)域，直接通過回歸生成每個類的邊界框坐標(biāo)和概率。因此在檢測速度上，基于回歸的YOLOv5比基于候選區(qū)的Faster-RCNN要快很多。

YOLOv5由名為Darknet-53的基礎(chǔ)網(wǎng)絡(luò)和檢測網(wǎng)絡(luò)構(gòu)成。其中Darknet-53包含了52個卷積層和1個全連接層，其結(jié)構(gòu)如圖2所示，該網(wǎng)絡(luò)以416×416分辨率的圖像作為輸入，輸出3種不同尺度的特征(13×13，26×26，52×52)，然后送到檢測網(wǎng)絡(luò)中進(jìn)行回歸，得到多個預(yù)測框，最后運(yùn)行非極大抑制算法，保留置信度最高的預(yù)測框作為目標(biāo)最終的檢測框。

YOLOv5模型檢測過程為：首先將整個圖像縮放到416×416分辨率，并用S×S個網(wǎng)格劃分圖像，圖中的檢測目標(biāo)由目標(biāo)中心點(diǎn)所在的單元格負(fù)責(zé)檢測，每個單元格預(yù)測多個邊界框的坐標(biāo)信息和置信度信息。

在檢測過程中，同一個目標(biāo)會得到多個候選邊框和相應(yīng)的置信得分，因此YOLOv5使用非極大值抑制(non-max suppression，NMS)[16]算法來消除冗余邊框，選出最佳的候選框作為目標(biāo)的檢測框。

YOLOv5通過計(jì)算單元格預(yù)測值和真實(shí)值的誤差平方和作為模型的損失。損失函數(shù)由邊界框位置誤差、置信度誤差和分類誤差三部分組成，用公式表示為：

圖2 龍眼檢測網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 Structure diagram of longan detection network

(1)

3個誤差用公式分別表示為：

(2)

(3)

(4)

1.5 三維定位方法

YOLOv5模型能夠獲取并輸出多個目標(biāo)的大小和位置信息。本研究定位方法如圖3所示。

圖3 龍眼定位方法Fig. 3 Method of longan location

圖3中紅色框?yàn)閅OLOv5模型的輸出框，黃點(diǎn)為輸出框的中心點(diǎn)。為了提高算法的實(shí)時性，簡化計(jì)算過程，將輸出框的中心點(diǎn)作為龍眼的質(zhì)心，通過以圖像最左上角像素點(diǎn)為原點(diǎn)建立像素坐標(biāo)系，獲取中心點(diǎn)的像素坐標(biāo)并映射到深度圖的像素坐標(biāo)系中，則該點(diǎn)在深度圖的像素值即為龍眼到相機(jī)平面的距離。以kinect的紅外攝像頭為原點(diǎn)建立相機(jī)坐標(biāo)系XcYcZc(圖3中紅色箭頭方向)，其中Zc為相機(jī)的光軸，則龍眼的三維坐標(biāo)(xd，i，yd，i，zd，i)用公式表示為：

(5)

式中：Idep為深度圖像；(ui，vi)為圖像像素坐標(biāo)；(Cx，Cy，fx，fy)為紅外攝像頭的內(nèi)參矩陣，本研究通過張正友相機(jī)標(biāo)定法計(jì)算所得。

2 結(jié)果與分析

2.1 龍眼檢測試驗(yàn)

本試驗(yàn)的軟硬件平臺配置如下：操作系統(tǒng)為Ubuntu16.04；深度學(xué)習(xí)框架為Pytorch；CPU i7-8700，3.2 GHz主頻，六核十二線程；內(nèi)存32 GB；顯卡為GeForce GTX3090。本研究在YOLOv5模型的預(yù)訓(xùn)練權(quán)重YOLOv5-l的基礎(chǔ)上訓(xùn)練龍眼識別網(wǎng)絡(luò)，設(shè)置的學(xué)習(xí)率為0.001，迭代次數(shù)為5 000次。

在實(shí)際的龍眼拍攝環(huán)境中，每張圖像包含的果實(shí)個數(shù)和受到光照的強(qiáng)度往往不同，針對該現(xiàn)象，對龍眼數(shù)量差異較大的圖像進(jìn)行分類，并在不同的光照條件下進(jìn)行測試，部分圖像測試結(jié)果經(jīng)局部放大2.5倍后如圖4所示，分別為圖像果實(shí)個數(shù)較少、中等、較多時的測試結(jié)果。在串果稀少的圖像中，目標(biāo)對象較為完整，大部分果實(shí)都能被正確檢測。而串果較多的圖像中，存在部分果實(shí)過小、粘連和相互遮擋的情況，精確率有所降低。此外，模型在光照度強(qiáng)烈和中等環(huán)境下能取得較好的檢測效果；而光照暗淡環(huán)境下由于存在較多陰影，影響了龍眼的檢測效果。

對圖4中龍眼和輸出框的個數(shù)進(jìn)行人工統(tǒng)計(jì)，其統(tǒng)計(jì)結(jié)果如表2所示。

圖4 檢測結(jié)果Fig. 4 Testing results

表2 人工統(tǒng)計(jì)結(jié)果與本研究算法檢測結(jié)果的對比Table 2 Comparison of results of manual statistics with calculation results

選取精確率(precision，P)和召回率(recall，R)來評價(jià)圖像整體的檢測效果，并用精確率和召回率的調(diào)和平均值，即F1分?jǐn)?shù)(F1-score，F(xiàn)1)來衡量模型的性能。

精確率、召回率、F1值、mAP(mean average precision)作為評估指標(biāo)，經(jīng)常用到分類效果的評測上，且只考慮正樣本的指標(biāo)。精確率是以預(yù)測結(jié)果為判斷依據(jù)，預(yù)測為正例的樣本中預(yù)測正確的比例，即相對正例的預(yù)測結(jié)果而言，正例預(yù)測的準(zhǔn)確度；召回率是以實(shí)際樣本為判斷依據(jù)，實(shí)際為正例的樣本中，被預(yù)測正確的正例占總實(shí)際正例樣本的比例，實(shí)際為正例的樣本中，即評估所有實(shí)際正例是否被預(yù)測出來的覆蓋率占比多少；由于單獨(dú)用精確率或召回率不能全面評估模型好壞，所以結(jié)合F1分?jǐn)?shù)來評估模型的性能；mAP是各類別AP的平均值。以上評估指標(biāo)皆為越大越好。

精確率、召回率和F1分?jǐn)?shù)用公式表示為：

(6)

(7)

(8)

式中：TP表示正確檢測的龍眼框選數(shù)目；FP表示錯誤檢測的框選數(shù)目；FN表示漏檢測的龍眼數(shù)目。

不同圖像的YOLOv5測試結(jié)果如表3所示。最終模型的平均精確率為96.55%，平均召回率為92.02%，F(xiàn)1(F1-score)為0.942。

表3 不同圖像的YOLOv5測試結(jié)果Table 3 Test results of different images using YOLOv5

圖6 不同條件下的框選結(jié)果對比Fig. 6 Comparison of box selection under different conditions

本研究所用方法對于部分粘連龍眼未能有效檢測，如圖5所示，圖中藍(lán)圈里面的粘連龍眼能正確檢測，而黃圈里面的則未能正確檢測。明顯看出，圖5a中黃圈的龍眼比藍(lán)圈的龍眼體積更小，因而導(dǎo)致黃圈內(nèi)一整串果實(shí)未能有效檢測，即使是黃圈內(nèi)僅有的一個紅色輸出框，也是錯誤地框著兩個互相粘連的龍眼；而圖5b中，整體光照暗淡，且黃圈內(nèi)的龍眼由于受到背光的影響，比起藍(lán)圈內(nèi)的更模糊，且目標(biāo)顏色普遍泛白，顏色信息失真，相比藍(lán)圈內(nèi)的更加難以檢測。綜上，對于粘連龍眼，在檢測龍眼體積較小和環(huán)境光照不良情況下，會更容易導(dǎo)致龍眼漏檢。

圖5 粘連龍眼檢測結(jié)果Fig. 5 Test results of overlapping longans

為了更直觀體現(xiàn)本研究檢測算法的優(yōu)越性，筆者設(shè)計(jì)了對比試驗(yàn)，在與YOLOv5同樣的試驗(yàn)硬件配置下搭建Tensorflow框架和Darknet框架，并在不同復(fù)雜場景下擴(kuò)充龍眼數(shù)據(jù)集來訓(xùn)練YOLOv5、YOLOv4和Faster-RCNN 3個不同果實(shí)檢測模型。重新構(gòu)造后的數(shù)據(jù)集一共包含2 219張龍眼圖像，按照70%，15%，15%的比例隨機(jī)拆分為訓(xùn)練集、驗(yàn)證集、測試集。試驗(yàn)結(jié)果以對比的形式顯示，分別使用YOLOv5、YOLOv4和Faster-RCNN 3個算法測試隨機(jī)抽取的兩張測試圖像，效果如圖6所示。

由圖6可知，在多果遠(yuǎn)距離檢測的情況下，3種算法都能有效檢測圖像中大多數(shù)的龍眼，但Faster-RCNN算法存在將重疊果實(shí)識別成單個果實(shí)的缺陷(圖6a)；同時YOLOv4則出現(xiàn)將背景樹葉誤識別為龍眼的情況(圖6b)；而YOLOv5則可以很好地克服其他兩種算法存在的問題(圖6c)。此外，在多果背光遮擋檢測的情況下，YOLOv4和Faster-RCNN算法存在漏識別龍眼的不足，而YOLOv5則可以成功將圖像中被遮擋的龍眼識別出來。

最終Faster-RCNN、YOLOv4與YOLOv5 3種檢測模型的測試結(jié)果如表4所示，在龍眼果實(shí)的檢測上，YOLOv4和YOLOv5的檢測時間明顯較Faster-RCNN短，且檢測速率明顯比Faster-RCNN快，此外YOLOv5的精確度遠(yuǎn)比Faster-RCNN和YOLOv4高，可以滿足果園復(fù)雜環(huán)境下龍眼精準(zhǔn)檢測的需求。

表4 模型測試結(jié)果對比Table 4 Comparison of three model test results

2.2 定位精度分析試驗(yàn)

由于平均誤差和標(biāo)準(zhǔn)偏差可能受到大誤差的影響，本研究將定位精度量化為由檢測算法估計(jì)的坐標(biāo)(xd，i,yd，i,zd，i)與真實(shí)位置坐標(biāo) (xg，i,yg，i,zg，i) 之間的中值誤差(median error, MEDE)和中值絕對偏差(median absolute deviation, MEDAD)，以x軸方向?yàn)槔霉奖硎救缦拢?/p>

MEDE=median{|xd,i-xg,i|}

(9)

MEDAD=median{||xd,i-xg,i|-MEDE|}

(10)

式中：median()為取集合中元素的中值，同理可得y軸和z軸方向上的中值誤差和中值絕對偏差。

試驗(yàn)過程主要是在500～1 200 mm范圍內(nèi)設(shè)定kinect相機(jī)和龍眼果實(shí)的不同距離，每隔50 mm利用kinect相機(jī)對多個方位的龍眼果實(shí)進(jìn)行三維定位，計(jì)算用kinect所得的龍眼三維坐標(biāo)與激光測距儀測量的實(shí)際龍眼三維坐標(biāo)之間的中值誤差，并繪制出誤差曲線。龍眼真實(shí)位置的測量場景見圖7，分別用激光測距儀和游標(biāo)卡尺測出龍眼的z軸和x、y軸的坐標(biāo)。誤差曲線見圖8，可以看出3個坐標(biāo)的誤差都隨著深度變化不同程度地上升，其中z軸坐標(biāo)的誤差上升得最快，在深度值較大時明顯高于x軸和y軸的誤差。

圖7 坐標(biāo)測量場景Fig. 7 Coordinate measurement scene

隨機(jī)挑選多個果實(shí)的中值誤差和中值絕對偏差的計(jì)算結(jié)果見表5，在x、y和z軸方向上的中值誤差分別為5，6和10 mm，深度方向上的誤差略大，但3個方向上的中值誤差都不超過10 mm，能夠被采摘機(jī)器人接受。

此外，本研究在處理器為Inter(R) Core(TM)i5-6500 @ 3.20 GHz、內(nèi)存為8 GB的計(jì)算機(jī)平臺上對60張龍眼圖像進(jìn)行定位，最終算法的平均運(yùn)行時間為0.071 s。

圖8 不同坐標(biāo)的深度誤差曲線Fig. 8 Curves of depth error for different coordinates

表5 誤差計(jì)算結(jié)果Table 5 Error calculation results

3 結(jié) 論

檢測與定位是采摘機(jī)器人的關(guān)鍵技術(shù)之一。針對目前對龍眼果實(shí)進(jìn)行檢測與定位的研究較少，本研究通過RGB-D相機(jī)獲取龍眼彩色和深度圖像，隨后在圖像配準(zhǔn)和深度分割后，利用YOLOv5檢測模型對龍眼果實(shí)進(jìn)行檢測，并結(jié)合深度圖像獲取果實(shí)的三維坐標(biāo)。試驗(yàn)驗(yàn)證了該方法的有效性與可行性。

1)相比Faster-RCNN，YOLOv5能夠更加有效地檢測龍眼果實(shí)，平均檢測時間、精確率、召回率、F1分?jǐn)?shù)分別為0.024 s、96.55%、92.02%、0.942。在果實(shí)數(shù)稀少、中等和較多的情況下精確率分別為98.37%，97.86%和95.57%，召回率分別為93.92%，92.15%，91.57%。而在光照強(qiáng)烈、中等和暗淡的環(huán)境下精確率分別為98.06%，96.34%和95.27%，召回率分別為93.03%，93.37%和89.68%，能夠適應(yīng)不同果實(shí)數(shù)量和中高強(qiáng)度光照的情況，具有一定的魯棒性。

2)構(gòu)建了深度誤差曲線，且測量了龍眼果實(shí)在x、y和z軸方向上定位的中值誤差分別為5，6和10 mm，中值絕對偏差分別為3.7，3.3和5.1 mm，最終定位算法平均運(yùn)行時間為0.071 s，滿足采摘機(jī)器人的采摘需求。

3)驗(yàn)證了YOLOv5模型對龍眼果實(shí)識別的精確性和實(shí)時性，但仍存在識別效果不理想的情況，主要原因是龍眼在光照暗淡的環(huán)境下果實(shí)輪廓不明顯。后續(xù)的研究將考慮利用低光照圖像增強(qiáng)技術(shù)來提升識別效果。

4)本研究設(shè)計(jì)了對比試驗(yàn)，在與YOLOv5同樣的試驗(yàn)硬件配置下搭建Tensorflow框架和Darknet框架，并在不同復(fù)雜場景下擴(kuò)充龍眼數(shù)據(jù)集來訓(xùn)練YOLOv5、YOLOv4和Faster-RCNN 3個不同果實(shí)檢測模型，可以滿足果園復(fù)雜環(huán)境下龍眼精準(zhǔn)檢測的需求。