基于圖像處理的田間雜草識別定位技術(shù)的研究

胡迎思 于躍 朱鳳武

摘 要：自20世紀(jì)80年代，基于圖像處理的相關(guān)技術(shù)開始被應(yīng)用于農(nóng)業(yè)生產(chǎn)，隨著相關(guān)學(xué)科與硬件技術(shù)的發(fā)展，在田間雜草的識別定位這一方向已取得顯著成績。結(jié)合國內(nèi)外的研究現(xiàn)狀，對現(xiàn)階段的研究成果進(jìn)行總結(jié)分析，列出了田間雜草識別定位的各項技術(shù)的關(guān)鍵技術(shù)和存在的問題，最后對我國田間雜草識別定位研究的發(fā)展趨勢進(jìn)行了預(yù)測。

關(guān)鍵詞：圖像處理；雜草識別；雜草定位；機(jī)器視覺

中圖分類號：S-1 文獻(xiàn)標(biāo)識碼：A DOI：10.11974/nyyjs.20180329008

前言

精細(xì)農(nóng)業(yè)的發(fā)展，對農(nóng)業(yè)生產(chǎn)的增產(chǎn)、減少浪費(fèi)、生產(chǎn)效率的提高、農(nóng)藥使用量的減少、耕地環(huán)境的保護(hù)已經(jīng)取得了顯著的成果。其中，田間雜草的識別與定位技術(shù)的發(fā)展已成為精細(xì)農(nóng)業(yè)的重要組成部分[1]。目前，我國對田間雜草識別定位技術(shù)的主要研究成果集中在圖像處理領(lǐng)域，利用色彩空間、形態(tài)特征、光譜特性等原理。多應(yīng)用雙目視覺技術(shù)，相較于單目視覺技術(shù)，雙目視覺技術(shù)系統(tǒng)更為復(fù)雜。

隨著相關(guān)領(lǐng)域新成果的不斷問世，在雜草的識別定位方面的技術(shù)亦更加成熟，本文討論的是基于圖像處理的雜草識別定位相關(guān)技術(shù)。

1 雜草定位技術(shù)發(fā)展歷史及國內(nèi)外研究現(xiàn)狀

1.1 發(fā)展歷史

數(shù)字圖像處理出現(xiàn)于20世紀(jì)50年代，作為一門學(xué)科大約形成于20世紀(jì)60年代初期。從20世紀(jì)70年代中期開始，隨著各國的重視與研究力度的加大，圖像處理技術(shù)在各個領(lǐng)域取得了長足發(fā)展。同時在該時期，出現(xiàn)了第一部關(guān)于圖像處理的著作，結(jié)合Marr發(fā)表的視覺計算理論，主導(dǎo)了近20a的研究方法[2]。在隨后的20世紀(jì)80年代，隨著相關(guān)硬件、軟件技術(shù)的發(fā)展，圖像處理技術(shù)開始在農(nóng)業(yè)生產(chǎn)中大量應(yīng)用。從作物生長狀態(tài)的監(jiān)測、病蟲害的監(jiān)測，到農(nóng)業(yè)機(jī)器人領(lǐng)域關(guān)于果實(shí)采摘、雜草識別、雜草定位給藥，涌現(xiàn)出了大量的成果。

1.2 發(fā)展現(xiàn)狀

該研究因其基于圖像處理的特性，在進(jìn)行識別時往往在目標(biāo)的形態(tài)特征、紋理特征、顏色特征等之中選擇一種或綜合多種來進(jìn)行處理，因此如何選擇特征與如何準(zhǔn)確快速的利用算選特征進(jìn)行識別就成為了研究的關(guān)鍵所在。國內(nèi)外的研究人員在這兩方面進(jìn)行了大量的嘗試。

1.2.1 國外研究現(xiàn)狀

歐美等發(fā)達(dá)國家在該領(lǐng)域起步比我國早很多，在1986年就開始利用圖像處理技術(shù)進(jìn)行植物的識別定位研究，目前很多成熟的方法已實(shí)際應(yīng)用。

美國加利福尼亞大學(xué)戴維斯分校推出了一種基于圖像的精確自動除草裝置[3]，通過攝像裝置獲得目標(biāo)區(qū)域的圖像，識別出其中的雜草，在利用農(nóng)藥噴嘴在雜草區(qū)域進(jìn)行精準(zhǔn)噴藥，或用激光槍將雜草直接殺死。

2000年，Majumdar.S 等[4]分別應(yīng)用形狀、紋理、顏色3個特征進(jìn)行研究。綜合常規(guī)參數(shù)和無量綱參數(shù)，用24個形態(tài)參數(shù)對作物葉片進(jìn)行了分級研究。面積、長寬比、橢圓的短軸長度、長軸長度、葉片的周長、最大半徑、最小半徑和半徑的標(biāo)準(zhǔn)差等。在進(jìn)行了大量試驗后，得到了效果顯著的參數(shù)組合，在理論上達(dá)到了極高的準(zhǔn)確率。

Meyer 等[5]利用均勻度、慣性和角二次積率對2種禾本科雜草[牛筋草（Eleusine indica）、狐尾草（Alopecurus pratensis L.）]和2種闊葉雜草[絨毛葉（Abutilon theophrasti）、紅根藜（Amaranthus retroflexus）]進(jìn)行識別，識別率分別為 93.3%和 85%。

美國堪薩斯州大學(xué)El-Faki等[6]根據(jù)目標(biāo)作物與其伴生雜草顏色上的差別，設(shè)計了不同的顏色組合區(qū)分雜草和農(nóng)作物，在設(shè)計分類器時又用人工神經(jīng)網(wǎng)絡(luò)和判別式分析法進(jìn)行了對比試驗，雖然試驗結(jié)果表明，統(tǒng)計分析分類算法更精確，但結(jié)果差強(qiáng)人意。利用統(tǒng)計分類法對大豆和小麥的識別率分別為54%和62.2%。

1.2.2 國內(nèi)研究現(xiàn)狀

我國在該領(lǐng)域的研究投入開始略晚，但在國家大力度支持之下，近些年也取得了理想成果。

2009年，夏利兵等[7]人提出了針對角點(diǎn)特征檢測，基于SUSAN的棋盤角點(diǎn)檢測算法及基于連通域的改進(jìn)角點(diǎn)算法的想法。其思路是在角點(diǎn)處多個頂角相交一起時角點(diǎn)處的USAN不符合SAUN算法的要求而可以通過多個連通域的方法來檢測該角點(diǎn)。在選擇研究方法時，作者對比了基于邊緣、基于參數(shù)模型、基于灰度3種方法?；谶吘壍姆椒ㄓ嬎懔看笄艺`差較大；基于參數(shù)模型的方法由于其通用性差，最后考慮了應(yīng)用環(huán)境對于實(shí)時性的較高要求，選擇了基于灰度的SUSAN算子。

但是該方法研究的是純雜草環(huán)境，在真實(shí)田間環(huán)境中未進(jìn)行試驗，在區(qū)分雜草與作物方面還有待研究；且真實(shí)田間作業(yè)時，機(jī)械震動、光照、天氣等影響因素也有待解決。

2015年，陳亞軍等[8]利用逆向思維提出了雜草逆向定位的方法。針對研究環(huán)境中伴生雜草在種類與數(shù)量上都大于經(jīng)濟(jì)作物這一事實(shí)，將識別對象從傳統(tǒng)的雜草改為經(jīng)濟(jì)作物，使多目標(biāo)定位問題簡化為單目標(biāo)定位問題。應(yīng)用HU不變矩，設(shè)計了8項無量綱指標(biāo)（矩形度、圓形度、偏心率等）。定位出作物的位置，然后將其他綠色植物均認(rèn)定為雜草。

該方法在進(jìn)行大豆田間試驗時，綜合準(zhǔn)確率達(dá)到90%。產(chǎn)生識別錯誤的原因是作物與雜草的葉片重疊所導(dǎo)致，因為在作物幼生期伴生雜草也比較小，所以該方法在作物生長早期取得了效果，而在中后期，由于作物葉片與雜草葉片重疊現(xiàn)象的出現(xiàn)，試驗效果受到了明顯影響。

2009年，沈?qū)殗萚9]采用針孔成像模型和攝像機(jī)隱參數(shù)矩陣的定位方法，在標(biāo)定靶圖像中，獲取48個靶點(diǎn)質(zhì)心的坐標(biāo)，確定攝像機(jī)的隱參數(shù)矩陣。為獲得實(shí)際的田間雜草定位作業(yè)精度，同時準(zhǔn)備有序與無序雜草圖像。利用攝像機(jī)隱參數(shù)矩陣，分別獲取了靶點(diǎn)、有序雜草和無序雜草的定位精度為0.15cm、1.92cm和2.28cm。經(jīng)比較分析，確定最大定位誤差為2.3cm，該方法不但滿足除草劑精確噴施的要求，同時簡化了標(biāo)定算法。

試驗中，致使產(chǎn)生較大誤差的原因是算法上的。算法中近似的將雜草的分生組織處與區(qū)域的質(zhì)心認(rèn)定為同一點(diǎn)，事實(shí)上并非如此。

2 基于圖像處理的雜草定位研究的關(guān)鍵技術(shù)

2.1 定位特征提取

在實(shí)際作業(yè)環(huán)境中，植物與土壤背景、不同植物的形態(tài)顏色之間有著顯著不同的圖像特征。因此利用這些特征為研究提供數(shù)據(jù)是非?？尚械??；趫D像處理的雜草識別定位研究重要利用的就是顏色、紋理、形態(tài)特征。

2.1.1 顏色特征

在所有的視覺特征中，最直觀、最穩(wěn)定的就是顏色特征，相比形態(tài)特征，顏色特征對對象的大小和位姿不敏感，魯棒性強(qiáng)。圖像的顏色特征信息提取與處理方式，在很大程度上決定了系統(tǒng)識別的速度和精度。顏色特征提取方法常規(guī)的直方圖、顏色集、顏色矩、顏色聚合向量以及顏色相關(guān)圖等[10]。

由于雜草識別定位系統(tǒng)對實(shí)時性的要求，必須考量算法的復(fù)雜程度。如果目標(biāo)作物與其伴生雜草在顏色上高度接近，那么，單一的使用顏色特征是不可取的。通常情況下，還是需要結(jié)合其他特征。

2.1.2 形態(tài)特征

田間雜草識別中形態(tài)特征的應(yīng)用同樣很多，形態(tài)特征包括形狀特征與矩特征2部分。形狀特征參數(shù)主要包括面積、周長、長度、寬度等常規(guī)參數(shù)，以及其衍生的無量綱形狀特征參數(shù)，如分散度（compactness）、圓度（roundness）、伸長度（elongation）、葉狀（location）等[11]。矩特征常用的有質(zhì)心、等效橢圓的長軸和短軸、環(huán)度（cir）、朝向比（aspect ratio）、中心矩等[12]。形態(tài)特征參數(shù)的提取相對于顏色與紋理參數(shù)來說，既簡化了算法，又提高了效率。

2.1.3 紋理特征

紋理特征只與灰度值相關(guān)，表現(xiàn)了圖像在局部區(qū)域內(nèi)呈現(xiàn)的不規(guī)則性和在整體上表現(xiàn)出的某種規(guī)律性。描述圖像區(qū)域紋理的方法主要有4種，統(tǒng)計分析法、模型分析法、結(jié)構(gòu)分析法和頻譜分析方法[13]。在雜草識別研究中，常用的方法是頻譜分析和以灰度級的空間相關(guān)矩陣為基礎(chǔ)的灰度共生矩陣?；叶裙采仃嚪从沉藞D像灰度關(guān)于方向、相鄰間隔、變化幅度等綜合信息，是分析圖像的局部模式和排序規(guī)則的基礎(chǔ)[14]。

應(yīng)用紋理特征參數(shù)識別雜草的準(zhǔn)確率雖然很高，但是，紋理分析算法比較復(fù)雜，影響試驗效果，因此，如何優(yōu)化紋理特征提取算法，提高執(zhí)行速度是該方法的研究重點(diǎn)。

2.2 雜草定位技術(shù)

2.2.1 雙目視覺定位

雙目立體視覺是一種模擬人類視覺成像原理的計算機(jī)視覺技術(shù)。它利用2臺平行放置的攝像機(jī)模擬人的雙目，用于重構(gòu)場景的三維信息。該研究已在實(shí)際生產(chǎn)生活中發(fā)揮了重要的作用，在移動機(jī)器人的自主導(dǎo)航系統(tǒng)、航空及遙感測量、工業(yè)自動化、農(nóng)業(yè)自動化等場合中起到了關(guān)鍵作用。雙目立體視覺技術(shù)在應(yīng)用中主要有圖像獲取、攝像機(jī)標(biāo)定、圖像預(yù)處理和特征提取、立體匹配、三維重建等5個步驟[15]。

雙目視覺技術(shù)在進(jìn)行空間坐標(biāo)計算時多利用極線幾何這一數(shù)學(xué)模型。由相機(jī)投影原理，對于空間物體表面上任意一點(diǎn)，通過一臺照相機(jī)能夠看到它在成像圖像上的投影點(diǎn)，但是反過來卻無法由投影點(diǎn)得知物體上點(diǎn)的三維位置，只能知道空間點(diǎn)位于相機(jī)光心和投影點(diǎn)的連線上，即圖像上一點(diǎn)對應(yīng)空間中一條直線，無法僅由一幅圖像重建出三維空間的結(jié)構(gòu)。于是研究者模擬人類視覺成像原理，用2個相機(jī)同時觀察物體點(diǎn)，在2幅圖像上獲得空間中同一點(diǎn)的2個對應(yīng)點(diǎn)，獲得經(jīng)過空間點(diǎn)的2條不同直線上，因此，物體點(diǎn)就是兩條直線的交點(diǎn)，它的三維位置是唯一確定的，這就是三維空間位置計算的基本原理。

由于2臺攝像機(jī)的視角不同，其獲得的信號光強(qiáng)存在差異，使各攝像機(jī)的增益、電平無法完全同步；而且即使是同一張圖像采集卡，其不同信道的物理誤差也不同，這些都會導(dǎo)致獲得立體圖像時同一場景的圖像其灰度值存在差異。這一問題的出現(xiàn)，對圖像預(yù)處理的要求增加。

2.2.2 單目視覺定位

單目視覺技術(shù)作為最基礎(chǔ)的視覺形式，在具體的實(shí)現(xiàn)過程中，特征提取與圖像匹配、攝像機(jī)標(biāo)定、深度估計、位姿參數(shù)估計是關(guān)鍵的技術(shù)環(huán)節(jié)，是單目視覺技術(shù)研究的關(guān)鍵問題。單目視覺定位技術(shù)目前有2種研究思路，一種是利用雙幀或多幀圖像，利用攝像機(jī)在運(yùn)動中捕捉同一場景不同時刻的多幀圖像，根據(jù)拍攝圖像像素間的位置偏差實(shí)現(xiàn)目標(biāo)的定位。此定位方法類似雙目視覺定位中的非平行光軸模型。一種是單幀圖像定位。利用透視畸變原理，還原三維場景，通過特征匹配進(jìn)行定位[16]。

3 發(fā)展中面臨的困難

3.1 雜草特征的多樣性和復(fù)雜性

為了盡量精確地識別出雜草進(jìn)而進(jìn)行定位，特征的選取成為了減少計算量的關(guān)鍵所在。如果利用多特征組合的方式，那么如何進(jìn)行圖像分割以及特征優(yōu)化又成了一大難點(diǎn)。在今后的研究中，智能算法與組合優(yōu)化理論應(yīng)該成為研究的重點(diǎn)。

3.2 硬件的處理速度有待于提高

由于計算機(jī)視覺技術(shù)對于硬件性能的依賴，硬件性能必然很大程度上影響運(yùn)算速度，而該領(lǐng)域的研究對于實(shí)時性又有著較高要求，在研究者改進(jìn)算法的同時，對于硬件的性能與成本也提出了更高的要求。

4 結(jié)論

歸納了我國目前在雜草識別定位領(lǐng)域的研究現(xiàn)狀，發(fā)現(xiàn)多數(shù)研究都是針對作物幼生期的伴生雜草，此時雜草植株較小，識別定位結(jié)果理想；當(dāng)雜草較大時雜草與作物的葉片重疊現(xiàn)象顯著影響了識別定位結(jié)果。且多數(shù)研究應(yīng)用雙目視覺原理，這使整個定位系統(tǒng)的硬件設(shè)計更加復(fù)雜，2臺或以上的攝像機(jī)使需要處理的數(shù)據(jù)量增加，而拖慢了數(shù)據(jù)處理的速度，降低了定位實(shí)時性。

隨著數(shù)據(jù)處理技術(shù)的升級，單目視覺技術(shù)已經(jīng)可以完成雜草定位的目的，通過算法的選擇優(yōu)化，對葉片重疊現(xiàn)象也有較好表現(xiàn)。同時單目視覺技術(shù)本身的特性又使系統(tǒng)的硬件設(shè)計更簡單，在實(shí)時性上可以滿足要求。

參考文獻(xiàn)

[1]陳德潤，王叔茂，王秀.農(nóng)田雜草識別技術(shù)的現(xiàn)狀與展望[J].中國農(nóng)機(jī)化，2001，5（04）：30.

[2]李紅俊，韓冀皖.數(shù)字圖像處理技術(shù)及其應(yīng)用[J].計算機(jī)測量與控制，2002.10（9）：620-622.

[3]吉林農(nóng)機(jī)網(wǎng).信息革命將農(nóng)業(yè)引入“精確”時代[EB/OL].http：//www.amic.agri.gov.cn/pages/infopage.asp ino=3570.2003.

[4]YANG C C，PRASHER S O.Development of Neural Networks for Weed Recognition in Corn Fields[J].Transactions of the ASAE，2002，45（3）：859-864.

[5]Meyer G E ，Mehta T，Kocher M F ，et al.Textural imaging and discriminant analysis for distinguishing weeds for spot spraying[J].Transaction of the ASAE，1998，41（4）：1189-1197.

[6]El-Faki，Zhang，Peterson D.Weed detection using colormachine vision[J].Transactions of the ASAE，2000，43（6）：1969-1978.

[7]夏利兵.基于角點(diǎn)特征的雙目視覺雜草定位系統(tǒng)研究[D].江蘇大學(xué).2009.

[8]陳亞軍.趙博.李樹君.劉磊.苑嚴(yán)偉.張延立.基于多特征的雜草逆向定位方法與試驗[J].農(nóng)業(yè)機(jī)械學(xué)報，2015（16）：09.

[9]沈?qū)殗?，陳樹人，尹建?基于機(jī)器視覺的棉田雜草精確定位研究[C].紀(jì)念中國農(nóng)業(yè)工程學(xué)會成立30周年暨中國農(nóng)業(yè)工程學(xué)會2009年學(xué)術(shù)年會（CSAE 2009）論文集，2009.

[10]陳琴，邰曉英，巴特爾.基于鄰域顏色矩直方圖的胃窺鏡圖像檢索[J].計算機(jī)工程與應(yīng)用，2008，44（11）：205-207.

[11]D M Woebbecke，G E Meyer，K Von Bargen，D A Mortensen.Shape features for identifying young weeds using image analysis.Transactions of ASAE，1995，38（1）：271～281.

[12]劉立.基于多尺度特征的圖像匹配與目標(biāo)定位研究[D].武漢：華中科技大學(xué)，2008.

[13]王龍.圖像紋理特征提取及分類研究[D].中國海洋大學(xué)，2014.

[14]B.L.Steward，L.F.Tian.Machine-Vision weed density estimation for realtime，outdoor lighting conditions[J].Transaction of the ASAE.1999，42（6）：1897-1909.

[15]Marr，D.and Poggio，T.A computational theory of human stereo vision[J].Proc.R.Soc.Lond B.1979（204）：301-328.

[16]張治國.基于單目視覺的定位系統(tǒng)研究 [D].武漢：華中科技大學(xué)，2009.

作者簡介：胡迎思（1989-），男，吉林省公主嶺，吉林農(nóng)業(yè)大學(xué)工程技術(shù)學(xué)院，碩士研究生，農(nóng)業(yè)電氣化及其自動化；于躍（1992-），女，遼寧省錦州市，吉林農(nóng)業(yè)大學(xué)工程技術(shù)學(xué)院，碩士研究生，農(nóng)業(yè)電氣化及其自動化；朱鳳武（1968-），男，吉林省公主嶺，吉林農(nóng)業(yè)大學(xué)工程技術(shù)學(xué)院，教授，農(nóng)業(yè)電氣化及其自動化。