Computer vision-based size estimation module for selective harvesting of lettuce
Erhan Kahya · Fatma Funda Özdüven
开发基于RGB图像处理的生菜尺寸估计软件，用于选择性采收决策。
C#图像处理，USB摄像头采集，RGB分割与轮廓检测，标定像素-实际尺寸转换。
视觉冠幅与重量强相关（r=0.97-0.99），回归模型R²达0.94-0.99，误差低。
可集成到机器人采收系统，并探索多品种、多光照条件下的鲁棒性及实时边缘部署。
该研究开发了基于RGB图像的轻量级生菜尺寸估计模块，与人工测量高度一致，为机器人选择性采收提供了可靠感知方案，具有较高的技术参考价值。
叶菜类蔬菜的选择性收获仍是农业自动化领域的一项重大挑战，尤其是对符合预定大小或成熟度标准的生菜而言。基于视觉的感知系统通过识别符合预定大小或成熟度标准的植株，在实现选择性收获中发挥着关键作用。本研究介绍了一款基于计算机视觉的大小估算软件的开发与验证，该软件旨在为叶菜类蔬菜生产中的选择性收获决策提供支持。研究开发了一款基于C#的图像处理应用程序，利用标准通用串行总线（USB）网络摄像头采集的图像，执行红绿蓝（RGB）颜色分割、轮廓检测以及像素到实际尺寸的估算。该系统通过经过校准的缩放因子将像素测量值转换为实际尺寸，并考虑了摄像头与植株之间距离的变化。田间试验采用三个商业化生菜品种——罗马生菜、结球生菜和皱叶生菜。基于视觉的冠幅测量结果与人工测量结果高度一致（N = 60），并与植株重量呈现极强的相关性（罗马型：r = 0.9803；结球型：r = 0.9935；皱叶型：r = 0.9707；p < 0.001）。线性回归模型取得了较高的预测性能（R² = 0.942–0.987），误差指标显示预测误差较低（平均绝对误差（MAE）：5.62–8.64 g；均方根误差（RMSE）：7.30–11.06 g）。Bland-Altman分析进一步证实了基于视觉的估算值与人工测量值之间的高度一致性。本研究主要验证了一种轻量级视觉测量算法，旨在未来集成到机器人收获系统中。结果表明，简单的基于RGB的图像处理能够为叶菜类蔬菜生产系统中的选择性收获决策提供可靠的大小估算。