准确和快速检测水培生菜的异常叶片是机器人分拣的重要技术，黄叶和枯叶是水培生菜中异常叶片的主要类型。本研究旨在证明通过机器学习模型，即多元线性回归(MLR)、K-近邻(KNN)和支持向量机(SVM)检测水培生菜黄叶和枯叶的可行性。利用单因素方差分析减少水培生菜图像的RGB、HSV和L*a*b*特征数量，采用图像二值化、掩膜和填充方法从图像中分割出水培生菜用于模型测试。结果表明，从RGB、HSV和L*a*b*中选择G、H和a*作为训练模型，用KNN检测一张3024×4032的图像需要20.25秒，比MLR(0.61秒)和SVM(1.98秒)长很多。MLR对黄叶和枯叶的检测准确率分别为89.48%和99.29%，而SVM分别达到98.33%和97.91%。在检测水培的黄叶和枯叶方面，SVM比MLR更强大。因此，通过机器学习方法能够实现水培生菜异常叶片的准确和快速检测。

　　图1 (a)图像采集系统实物图;(b)图(a)水培生菜图像采集系统原理图

　　图2 水培生菜检测方法的结构图

　　表1 水培生菜叶片图像中不同颜色特征的单因素方差分析结果

　　图3 通过改变SVM参数来选择适合的(a)γ和(b)C

　　图4 (a)H上的二值化结果，大多数背景信息与水培生菜部分相同，(b)a*和b*的背景信息与水培生菜几乎分离

　　图5 水培生菜原始图像与背景信息的比较(a)，以及掩膜图像与从背景信息分割的水培生菜的比较(b)。

　　图6 在水培生菜图像上，(a)用一些缺失的部分A进行漫水填充和(b)用大部分的背景信息B进行膨胀填充

　　表2 KNN、MLR 和 SVM 检测水培生菜图像的速度

　　图7 (a)原始水培生菜图像和水培生菜图像中黄叶(b)和枯叶(c)的分割结果

　　图8 (a)原始水培生菜图像SVM(b)和MLR(c)的标记检测结果，蓝色区域为枯叶，红色区域为黄叶。

　　表3 不同模型检测结果

　　来源：Yang R, Wu Z, Fang W, et al. Detection of abnormal hydroponic lettuce leaves based on image processing and machine learning[J]. Information Processing in Agriculture, 2021.

　　https://doi.org/10.1016/j.inpa.2021.11.001

　　编辑：小王博士在努力