株間機(jī)械除草劑的應(yīng)用

株間機(jī)械除草劑的應(yīng)用

0利用小波和其他方法對(duì)作物的識(shí)別近年來(lái)，國(guó)內(nèi)外科學(xué)家積極開(kāi)展牧草技術(shù)和設(shè)備，促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展，減少或取代使用于環(huán)境的化學(xué)雜草。機(jī)械稻草技術(shù)是一種非化學(xué)雜草技術(shù)，尤其是智能植物間雜草機(jī)械化草技術(shù)和裝置。利用機(jī)器視覺(jué)識(shí)別作物和雜草已成為研究熱點(diǎn)。美國(guó)愛(ài)荷華州立大學(xué)利用立體攝像頭提取景物深度信息,通過(guò)圖像分割、骨架化等8個(gè)基本步驟,在實(shí)驗(yàn)室環(huán)境下識(shí)別出玉米植株中心。Bossu等利用小波變換區(qū)別作物雜草,Alchanatis等利用多光譜特征區(qū)別雜草和作物,鄧巍等研究了基于支持向量機(jī)的玉米苗期雜草光譜圖像識(shí)別方法,吳蘭蘭等提出了利用支持向量機(jī)和分形維數(shù)來(lái)識(shí)別玉米和雜草,龍滿生等利用計(jì)算機(jī)視覺(jué)技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)玉米苗期田間雜草識(shí)別進(jìn)行了研究,朱寶國(guó)等基于顏色特征研究了棉田雜草識(shí)別方法,毛文華等研究了基于多特征的田間雜草識(shí)別方法。以上研究的目的主要是針對(duì)化學(xué)精確噴施,需要分辨的雜草種類繁多。株間機(jī)械除草與化學(xué)精確噴施不同,機(jī)械除草目標(biāo)是保護(hù)作物除去雜草,通常只需識(shí)別出作物,其余均按雜草處理,無(wú)需分辨出雜草種類。目前適應(yīng)株間機(jī)械除草的作物圖像識(shí)別和定位研究還較少,Tillett等利用基于二維小波技術(shù)識(shí)別目標(biāo)作物個(gè)體并獲得坐標(biāo)信息。張春龍等在實(shí)驗(yàn)室內(nèi)以最小時(shí)耗和最大包容準(zhǔn)確度為目標(biāo),利用圖像行像素直方圖的參數(shù)組合確定苗株中心沿機(jī)器人前進(jìn)方向的一維坐標(biāo),可滿足試驗(yàn)要求。作物的識(shí)別以及作物與除草裝置的位置關(guān)系是株間機(jī)械除草裝置進(jìn)行株間區(qū)域雜草控制和避免作物損傷的重要信息。為了給智能化株間機(jī)械除草裝置提供作物位置信息,本文基于機(jī)器視覺(jué)技術(shù),提出了一種株間機(jī)械除草作物識(shí)別與定位的方法,從二值圖像中利用作物行內(nèi)植株個(gè)體間的幾何關(guān)系識(shí)別出作物,結(jié)合特定區(qū)域作物連通域質(zhì)心實(shí)現(xiàn)作物定位,并選用棉苗和生菜苗進(jìn)行了試驗(yàn)驗(yàn)證。1材料和方法1.1生菜苗圖像拍攝采集的棉苗圖像和生菜苗圖像共120張。其中,棉苗圖像80張,用CANONIXUS860CCD數(shù)碼相機(jī)于2011年5月在湖北省應(yīng)城市黃灘鎮(zhèn)拍攝,棉苗株距約40cm,拍攝時(shí)焦距為5mm,且盡量保證鏡頭垂直向下,與地面距離約60cm,圖像大小為640×480像素,格式為JPG。生菜苗圖像40張,用CANONIXUS860CCD數(shù)碼相機(jī)于2011年10月在華南農(nóng)業(yè)大學(xué)試驗(yàn)田拍攝,生菜苗株距約25cm,拍攝方式、圖像大小和格式與棉苗拍攝一致。圖像處理軟件采用MathWorks公司的MatlabR2010b,運(yùn)行計(jì)算機(jī)為L(zhǎng)enovoX220,Windows764位操作系統(tǒng),CPU為Inteli5-2410M,2.30GHz。1.2超綠法與ostu法圖像組成圖像中的對(duì)象主要為植物(作物和雜草,顏色呈綠色)和背景(土壤、植物殘?jiān)褪^等,顏色以土壤的顏色為主),如圖1a和圖1b所示,圖像處理時(shí)常將24-bit彩色圖像的RGB各個(gè)分量進(jìn)行適當(dāng)?shù)慕M合轉(zhuǎn)化,以增強(qiáng)植物,抑制背景。對(duì)于作物識(shí)別或雜草的識(shí)別最常用的灰度化方法為超綠色法。超綠色提取綠色植物圖像效果較好,陰影、枯草和土壤圖像等均能較明顯的被抑制,植物圖像更為突出。棉苗圖像和生菜苗圖像經(jīng)超綠色法灰度化的結(jié)果分別如圖1c和圖1d所示。為將植物和背景分割需先確定一個(gè)閾值,然后將每個(gè)像素點(diǎn)的灰度值和閾值相比較,根據(jù)比較的結(jié)果將該像素劃分為植物或者背景。最大類間方差法(Ostu法)不需要人為設(shè)定其他參數(shù),是一種自動(dòng)選擇閾值的方法,其計(jì)算過(guò)程簡(jiǎn)單、穩(wěn)定。利用Ostu法計(jì)算出最優(yōu)閾值Th后可根據(jù)下式將圖像分成植物和背景2個(gè)部分。其中,B=0為背景(黑色),B=255為植物或噪聲點(diǎn)(白色)。對(duì)超綠法灰度化后的棉苗圖像和生菜圖像利用Ostu法計(jì)算出最優(yōu)閾值并二值化后的結(jié)果分別如圖1e和圖1f所示,白色區(qū)域包括作物、雜草和噪聲等。二值圖像形態(tài)學(xué)腐蝕能較好地消除圖像噪聲和獨(dú)立像素點(diǎn),并可將部分交叉的雜草與作物分離,然而腐蝕操作同時(shí)也縮小了作物垂直投影面積,為保持作物的特征,將腐蝕后的圖像經(jīng)相同次數(shù)的膨脹操作可使體積恢復(fù)到原始大小。棉苗和生菜苗的二值圖經(jīng)連續(xù)3次腐蝕和膨脹后的結(jié)果分別如圖1g和圖1h所示。1.3提取和定位目標(biāo)品種的信息提取1.3.1作物行區(qū)域識(shí)別掃描線確定為獲取作物行信息,將分割后的二值圖像按各行向量分別累加(行像素直方圖),由于行間區(qū)域雜草的影響,不能簡(jiǎn)單利用行像素直方圖波峰或波谷劃分出作物行區(qū)域,如圖2所示。作物行區(qū)域信息提取步驟如下:1)行像素累加及濾波將分割后的二值圖像按各行向量分別累加,如式(3)所示,獲得行像素直方圖。為增強(qiáng)行像素直方圖變化趨勢(shì),將各行累加和減去此幅圖像的像素平均值,以分離輕度相交的雜草與作物。式中,Si為第i行像素累加和;i為圖像行序號(hào);j為圖像列序號(hào);w為圖像寬度,像素;h為圖像高度,像素;f(i,j)為圖像第i行第j列像素值;aveSi為第i行像素平均值;Sdi為第i行像素累加和與像素平均值的差;S′i為第i行像素累加和經(jīng)濾波后的值。2)作物行區(qū)域識(shí)別掃描線確定定義式(6)中S′i的標(biāo)準(zhǔn)偏差為作物行區(qū)域識(shí)別掃描值,垂直掃描線VVSL計(jì)算如式(7)所示。結(jié)果如圖2中垂直的虛線所示。3)作物行區(qū)域提取沿垂直掃描線,從上到下尋找出所有的目標(biāo)區(qū)域,滿足S′i≥VVSL和S′i-1<VVSL條件的點(diǎn)為區(qū)域n起點(diǎn)邊界xrn,滿足S′i≤VVSL和S′i>VVSL條件的點(diǎn)為區(qū)域n終點(diǎn)邊界xln。所有的目標(biāo)區(qū)域中若相鄰的兩區(qū)域終點(diǎn)邊界與起點(diǎn)邊界距離小于目標(biāo)區(qū)域的平均寬度MWA時(shí)將此兩相鄰目標(biāo)區(qū)域合并為同一目標(biāo)區(qū)域,如式(8)和式(9)所示。合并目標(biāo)區(qū)域后根據(jù)新的目標(biāo)區(qū)域數(shù)量重新計(jì)算目標(biāo)區(qū)域的平均值,若新的目標(biāo)區(qū)域?qū)挾却笥谄骄?則認(rèn)為此目標(biāo)區(qū)域?yàn)樽魑镄袇^(qū)域,該目標(biāo)區(qū)域的起點(diǎn)邊界為作物行區(qū)域起點(diǎn)邊界,終點(diǎn)邊界為作物行區(qū)域終點(diǎn)邊界。若檢測(cè)到多個(gè)作物區(qū)域,則認(rèn)為最上端起點(diǎn)邊界為作物行區(qū)域的起點(diǎn)邊界,最下端終點(diǎn)邊界為作物行區(qū)域的終點(diǎn)邊界。式中,MWA為所有目標(biāo)區(qū)域平均寬度,單位(像素);N為目標(biāo)區(qū)域個(gè)數(shù);n為目標(biāo)區(qū)域序號(hào);xrn為第n個(gè)目標(biāo)區(qū)域起點(diǎn)邊界;xln為第n個(gè)目標(biāo)區(qū)域終點(diǎn)邊界。按上述作物行區(qū)域識(shí)別方法提取的棉苗作物行區(qū)域和生菜苗作物行區(qū)域分別如圖2a和圖2b所示。1.3.2作物行結(jié)構(gòu)的正弦波曲線擬合在分割后的二值圖像中從作物行區(qū)域起點(diǎn)至終點(diǎn)將各列像素分別累加,獲得作物行區(qū)域列像素直方圖。同樣,為分離輕度相交的雜草與作物,將各行累加和減去此幅圖像的像素平均值。對(duì)于按一定株距播種或移栽的作物,其株距服從高斯分布,且可用高斯鐘曲線作為作物行內(nèi)作物位置的描述模型,然而利用高斯鐘曲線擬合像素列向量累加曲線較復(fù)雜,運(yùn)行速度較慢。Olsen提出采用正弦波曲線方法擬合找出作物行的結(jié)構(gòu)而提取作物行中心線,本研究利用正弦波曲線提取作物行內(nèi)的作物,正弦波曲線函數(shù)s為式(10)所示,式(11)用于只截取正弦波函數(shù)的正半部分。式中,a,b為決定正弦波曲線函s數(shù)相位的參數(shù),采用最小二乘法從累加和曲線中擬合得到;d為圖像中作物的株距,以像素為單位。以作物行區(qū)域列像素累加和曲線的標(biāo)準(zhǔn)偏差為掃描線找出區(qū)域?qū)挾却笥谒袇^(qū)域平均寬度的區(qū)域作為作物目標(biāo)區(qū)域,并用目標(biāo)區(qū)域的邊界值計(jì)算出該目標(biāo)區(qū)域的中心點(diǎn),如圖3。利用所有目標(biāo)區(qū)域的中心點(diǎn)通過(guò)最小二乘法求得正弦波曲線相位參數(shù)a,b。若目標(biāo)區(qū)域的中心點(diǎn)在正弦波曲線的正半波峰內(nèi)則認(rèn)為該目標(biāo)區(qū)域?yàn)樽魑飬^(qū)域,而同一個(gè)正半波身內(nèi)有多個(gè)目標(biāo)區(qū)域時(shí)取中心點(diǎn)的平均值作為此株作物中心點(diǎn),如圖3。1.3.3橫坐標(biāo)的正弦波特性由于上一步的作物中心點(diǎn)縱坐標(biāo)選取的是標(biāo)準(zhǔn)偏差,在圖像中沒(méi)有任何意義。作物應(yīng)處于作物行區(qū)域內(nèi)且橫坐標(biāo)在正弦波曲線的正半波峰內(nèi)。為獲得作物精確的縱坐標(biāo),本研究先將二值圖像中作物行區(qū)域內(nèi)的像素面積較大的綠色作物區(qū)域(即白色連通域)進(jìn)行標(biāo)記,并求得各連通域質(zhì)心,然后將連通域質(zhì)心的橫坐標(biāo)在同一正弦波曲線的正半波峰內(nèi)的質(zhì)心縱坐標(biāo)歸為同一組,取同組縱坐標(biāo)的平均作為該株作物的縱坐標(biāo)。2作物定位分析為描述作物定位精確度,即作物在圖像中的真實(shí)位置與圖像處理識(shí)別定位出的位置之間的相差程度,定義作物位置為植物莖與土壤表面交點(diǎn),并設(shè)式中,X為作物在圖像中的真實(shí)位置行方向像素序號(hào);Y為作物在圖像中的真實(shí)位置列方向像素序號(hào);x為圖像處理識(shí)別出的作物位置行方向像素序號(hào);y為圖像處理識(shí)別出的作物位置列方向像素序號(hào);ex為行方向定位誤差;ey為列方向定位誤差;e為定位誤差。處理生菜圖像時(shí)正弦波曲線擬合選取的生菜苗株距d為116個(gè)像素,每幅圖像包含3株生菜苗。圖4a和圖4b分別為晴天和陰天不同天氣狀況下采集的生菜圖像的處理結(jié)果,其中圖4a為圖1b的處理結(jié)果。本方法能正確識(shí)別出作物行區(qū)域,即圖中橫向兩直線間區(qū)域,并能正確識(shí)別出作物并獲得作物位置,如圖4a。2幅生菜苗的定位結(jié)果見(jiàn)表1。由表中生菜苗定位數(shù)據(jù)可以看出,雖在圖4a和圖4b中生菜苗均被識(shí)別并定位,但每株生菜苗的定位都存在一定的誤差。誤差引起的主要原因是生菜苗葉片部分由于破損、蟲(chóng)害、遮擋、生長(zhǎng)不均勻等并非對(duì)稱分布,如圖4a中從左至右第3株生菜苗,由于缺損了1片葉子,導(dǎo)致列方向定位誤差ey遠(yuǎn)大于ex,且定位誤差e達(dá)到38.6個(gè)像素點(diǎn),而其余2株生菜苗的定位誤差在16個(gè)像素點(diǎn)左右。圖4b中從左至右第2株生菜苗整體向圖像下方方向生長(zhǎng),因此列方向誤差ey達(dá)到20個(gè)像素點(diǎn),定位誤差e為20.2個(gè)像素點(diǎn),而行方向誤差ex僅3個(gè)像素點(diǎn)。雖然本方法受生菜葉片生長(zhǎng)等因素影響存在一定的誤差,但能從所采集的40幅生菜圖像中正確地識(shí)別出作物并獲得作物位置信息,說(shuō)明圖像分割方法能適應(yīng)晴天和陰天不同天氣狀況,作物識(shí)別和定位方法能達(dá)到預(yù)期效果。圖4c至圖4f為棉苗圖像處理結(jié)果,正弦波曲線擬合選取的棉苗圖像中株距d為185個(gè)像素,其中圖1a、圖2a和圖3a分別是圖4f的原圖、棉苗行區(qū)域提取過(guò)程和棉苗識(shí)別與定位過(guò)程。從圖示棉苗圖像處理結(jié)果可知,在不同密度的雜草環(huán)境中,單張圖像中包括1株棉苗、1.5株棉苗或2株棉苗的棉苗行區(qū)域均能被識(shí)別(即圖中橫向2直線間區(qū)域)并能正確識(shí)別出棉苗并獲得其位置,如圖4,各棉苗的定位結(jié)果見(jiàn)表1。由表中數(shù)據(jù)可知,棉苗的行方向定位誤差ex,列方向定位誤差ey和定位誤差e均小于10個(gè)像素點(diǎn)。在所拍攝的80幅棉苗圖像中,共95株完整棉苗,正確識(shí)別91株,其中4幅圖像中各有1株未能正確識(shí)別和準(zhǔn)確定位,正確識(shí)別率為95.8%。未能正確識(shí)別和準(zhǔn)確定位的原因:1)圖像中局部雜草密度大,且靠近棉苗;2)個(gè)別棉苗長(zhǎng)勢(shì)慢,體積上明顯小于其他棉苗。在定位方面,本方法能較準(zhǔn)確地在圖像中定位出作物位置,且對(duì)葉片分散的作物有一定優(yōu)勢(shì),如試驗(yàn)選取的棉苗。然而,若以植物根或莖與土壤接觸點(diǎn)為作物的真實(shí)位置,依靠作物葉片部位定位存在一定的誤差,如圖4a中從左至右第3株生菜,定位結(jié)果向圖像上方偏離。引起誤差的主要原因有葉片生長(zhǎng)不均勻,作物倒伏生長(zhǎng)和部分葉片缺失(蟲(chóng)害或腐爛等)等。3作物位置信息的識(shí)別本文提出了一種農(nóng)田環(huán)境下株間機(jī)械除草所需的作物識(shí)別與定位方法。通過(guò)2G-R-B方法實(shí)現(xiàn)作物RGB彩色圖像灰度化,再利用Ostu二值化、腐蝕和膨脹等方法對(duì)圖像進(jìn)行了初步處理。根據(jù)行像素累加曲線和曲線的標(biāo)準(zhǔn)偏差掃描線獲得作物行區(qū)域信息,以作物區(qū)域?yàn)樘幚韰^(qū)域,利用