机器视觉技术在玉米苗期杂草识别中的应用

机器视觉技术在玉米苗期杂草识别中的应用 颜秉忠 河北对外经贸职业学院 摘 要： 杂草严重影响我国的玉米产量, 化学除草剂是防治杂草的有效方法, 但通常采用粗放的喷洒方式, 防治效果较差。精准喷洒极大地降低了除草剂的用量, 提高了使用效率。除草剂实现精准喷洒的前提是识别玉米田中杂草位置和种类等信息, 而机器视觉是一种开始广泛应用于识别作物田间杂草的方法。为此, 设计了一种基于机器视觉的玉米苗期杂草识别方法, 采集的图片经过畸变矫正、HSI 颜色空间转换和阈值分割后, 根据形状和颜色特征提取并识别杂草。田间试验结果表明:在不同播种方式下对玉米和杂草的识别率超过 85%, 处理单张图片的平均耗时为 67ms, 能为除草剂的精准喷洒提供信息。关键词： 机器视觉; 玉米; 苗期; 杂草识别; 作者简介：颜秉忠 (1964-) , 男, 内蒙古通辽人, 副教授, 硕士, (E-mail) lcfexa163.com。收稿日期：2007-01-12基金：河北省生产性实训建设研究项目 (A201609) Identification of Weeds in Maize Seedling Stage by Machine Vision TechnologyYan Bingzhong Hebei Institute Ofinternaional Business and Economics; Abstract： Weed seriously affect the yield of corn in China, chemical herbicides is an effective way to control weeds, but usually by extensive spraying methods, control less effective. Precise spraying greatly reduced the amount of herbicides, improve the efficiency. Herbicides to achieve precision spraying on the premise that the identification of corn fields in the weed position and type of information. Machine vision is a widely used method to identify crop weeds. This paper designs a weed recognition method for maize seedling based on machine vision. After distorted correction, HSI color space transform and threshold segmentation, the collected images are extracted and identified according to their shape and color characteristics. Field experiments showed that the recognition rate of maize and weed was over 85% under different sowing methods, and the average time spent on processing single leaf was 67 ms, which could provide information for the accurate spraying of herbicides.Keyword： machine vision; corn; seedling stage; weed recognition; Received： 2007-01-120 引言玉米是一种重要的粮食作物和经济作物, 不仅可以作为主食, 还可以作为家畜、家禽的理想饲料。此外, 玉米也可以作为能源开发和食品加工等行业的原料, 用途极为广泛。玉米对种植条件的要求不高, 环境适应性较强, 同时具有很高的产量。我国是仅次于美国的玉米大国, 玉米种植主要集中在东北、华北和西南地区, 面积仅次于水稻。同时, 玉米的单产比其它作物高出许多, 再加上用其加工的食品深受消费者的欢迎, 因此广大农民种植玉米的积极性很高, 使玉米在国民经济和社会生活中占有重要的地位1。玉米生长季节的田间气温高、湿度大, 导致杂草成为严重影响玉米产量的因素, 且夏玉米遭受的杂草危害尤为严重2。化学除草剂能够杀灭或抑制杂草的生长, 是防治玉米杂草危害的有效方法。但是, 我国利用除草剂防治杂草时通常采取粗放的大面积喷洒方式, 浪费较大, 且除草剂的残留也不利于农田生态环境和玉米食品安全的保护, 个别地区还会因使用不当而出现药害的情况。随着科技的进步和农业现代化的发展, 玉米的种植已经在很大程度上实现了全程机械化, 在发达国家甚至开始了自动化和智能化的进程3。在此背景下, 人们提出了除草剂变量喷洒的概念, 即选择性喷洒。它是对整个田块仅喷洒最小剂量的除草剂, 是对出现杂草的区域喷洒正常剂量的除草剂, 从而极大地降低了除草剂的喷洒量, 提高了使用效率4。除草剂要实现变量喷洒, 首要前提是准确测定出玉米田中杂草的位置、密度、种类和生长情况等信息, 并将其与正常生长的作物区分开来。目前, 识别作物田间杂草的方法主要有人工识别、遥感识别和机器视觉识别 3 种。其中, 人工识别最为简单, 是在技术水平不高的时期广泛采用的传统方法。人工识别法依赖于劳动者的经验知识, 效率很低、劳动强度大, 无法应对杂草疯长泛滥的状况。遥感识别是通过装载在载具上的遥感设备采集农田的空间和光谱信息, 进行自动分析后识别出田间杂草。遥感设备一般距离作物较远, 因此其空间和光谱的分辨率较低, 对杂草的识别能力有限, 导致只能识别那些体积或群体规模较大的杂草, 限制了其在该农业领域的应用。机器视觉的核心是图像理解和图像分析, 这一技术在 20 世纪 80 年代最早被提出用以引导机器人采摘水果, 后来其用途被扩展到农业生产的各个领域。机器视觉可以对田间杂草实现准确快速的定位识别, 是现代数字化精准农业研究和发展的主要方向5-9。任何的识别技术都要针对杂草的一些具体特征, 基于机器视觉的技术所针对的是杂草的形状特征、纹理特征、光谱特征和颜色特征10。形状是植物最直观的特征之一, 又以叶片的形状最为明显。例如, 单子叶植物的叶片狭长挺立, 而双子叶植物的叶片则宽短和横披, 容易识别区分。在实际研究中, 用以描述植物叶片形状特征的参数有长度、宽度、周长和面积等。将这些部分参数进行组合, 便可以反映物种的特异性, 从而区分作物和杂草。即便如此, 由于图片拍摄的角度、植物随风移动等因素的影响, 难以找到一个具有良好不变性的特征因子来对杂草进行确认。另外, 杂草之间及作物对杂草的遮挡也会对算法造成影响, 降低识别的准确性。这些都是基于性状特征的杂草识别所要解决的问题。光照射到物体的表面后, 一部分被吸收, 一部分被反射。不同物体、不同植物对各种波长的光线的吸收和反射能力不同, 形成了各自的光谱特征。例如, 土壤和岩石等非生命体一般反射红光, 而植物的叶片由于含有叶绿素, 因此可以吸收红蓝光, 反射绿光。其中, 叶绿素含量的差异又会引起光谱特征的改变, 从而成为鉴别植物种类的依据。杂草的光谱特征识别技术简便性和实时性很好, 但是需要昂贵的硬件设备;同时, 这种方法识别的准确性容易受到自然环境下的其它因素影响11-12。植物纹理是由其基本单元排列组合而成的线条或图案, 不同植物的纹理具有自身的规律和特征。植物最明显的纹理是其叶脉, 单子叶植物的叶脉为平行脉, 双子叶植物的叶脉为网状脉。这些不同的叶脉类型可作为区分作物和杂草的依据。基于纹理特征对杂草的识别率可达到 100%, 但该方法须要分析处理的信息量太大, 导致对杂草的识别速度慢, 不能满足实时作业的要求。为此, 需要简化数据模型, 优化计算方法, 实现对纹理特征的实时快速识别。植物一般为绿色, 而其自然背景多为黄色和褐色, 因此能根据颜色特征进行区分。若要识别同属于植物的作物和杂草, 则要依赖于某些部位的颜色差异, 如雀麦、红根藜等杂草的茎秆为红色, 可以作为颜色特征用于识别。这种方法受自然环境因素的影响较小, 可行性高;但需要针对明显的颜色特征, 所以能够识别的杂草种类受到很大的限制。总之, 上述 4 方法有各自的优缺点, 单独使用都有很大的局限性, 只有结合使用才能对杂草实现快速有效地识别。本文针对我国玉米种植面积大、杂草危害严重和除草剂使用效率不高的问题, 设计了一种基于机器视觉的玉米苗期杂草识别方法。该方法采用数码摄像机拍摄自然环境中不同播种方式的玉米田间图像, 然后经过对图像畸变矫正、HIS颜色空间转换和阈值分割后, 根据形状和颜色特征提取并识别杂草。同时, 用该方法在田间进行实时图像的处理试验, 以验证其对杂草的识别速度和精度。1 图像的处理1.1 图像的采集玉米的田间图像在本单位的实验基地内采集, 种植的为夏玉米, 采用了条播和撒播两种栽培方式。杂草主要为双子叶的牵牛花和鸭跖草, 以及少量单子叶的狗尾草和莎草, 自然背景中存在少量的植物残留物。本文基于颜色和形状特征对杂草进行识别, 图像采集时间太早时杂草植株较小, 上述特征未完全显现;时间太晚则玉米和杂草枝叶茂盛, 二者间会相互遮挡而增加识别的难度。因此, 兼顾这些问题, 选择在玉米的 5 叶期采集田间图像。图像采集时间为上午 10 时, 天气为阴天有微风。图像采集设备为 Nikon DL24-500 型数码相机, 不同播种方式的田块分别拍摄 20 张图像, 拍摄俯仰角为 45°或 75°, 形成 2 080 万像素的 JEPG 格式图片。图片输入到计算机中后转换成 BMP 格式, 再用 Mat Lab 软件进行处理。两种播种方式的田间代表性原始图片, 如图 1 所示。图 1 不同播种方式的玉米田间原始图像 Fig.1 Original images of corn field under different seeding method 下载原图受拍摄设备高度和俯仰角的影响, 采集的图片存在不同程度的畸变。本文参考纪寿文等的方法, 对图像进行了畸变的矫正5。另外, 还通过中值滤波消除了拍摄时随机扰动产生的噪音干扰。1.2 图像的灰度化原始图片中的玉米和杂草都是绿色, 土壤背景为黄色和褐色, 还夹杂少量灰白色的植物残留物。因此, 可以首先利用这些部分之间颜色的明显差异将植物从背景中分离出来。对于彩色图像的分割, 选择合适的颜色空间是必不可少的。本文根据玉米田间图像会受到光照强度影响的实际情况, 选用 HSI 模型的颜色空间, 即以色调 H, 饱和度 S 和亮度 I 作为分量来对图像进行处理。图 2 为在 HSI 颜色空间下对 I 分量灰度化的结果。图 2 不同播种方式的玉米田间灰度化图像 Fig.2 Gray images of corn field under different seeding method 下载原图2 杂草的识别2.1 阈值分割根据玉米与杂草叶片不同的形态特征, 这里选用长宽比和圆度两个特征用于杂草的识别。长宽比为最小外接矩形的长度与宽度的比值, 圆度为面积与周长平方的比值, 二者在对图像进行旋转、平移和缩放处理时都能保持不变。图像分割是利用形状和颜色特征对杂草进行识别的必要步骤, 其方法有多种, 需要根据图片处理的目的和要求来选择。阈值分割法的计算模型简单, 运行速度较快, 适合用于对玉米田间图像的实时处理和杂草识别, 因此在本文中采用。选择