快速傅里葉變換結(jié)合SVM算法識(shí)別地表玉米秸稈覆蓋率

李 佳，呂程序，苑嚴(yán)偉，李亞碩，偉利國(guó)，秦秋生

快速傅里葉變換結(jié)合SVM算法識(shí)別地表玉米秸稈覆蓋率

李 佳，呂程序，苑嚴(yán)偉※，李亞碩，偉利國(guó)，秦秋生

（中國(guó)農(nóng)業(yè)機(jī)械化科學(xué)研究院，北京 100083）

針對(duì)田間環(huán)境復(fù)雜、秸稈形態(tài)多樣、秸稈覆蓋率判斷主觀性影響過大、補(bǔ)貼面積測(cè)量耗時(shí)耗力等問題，該文開展了秸稈覆蓋率自動(dòng)識(shí)別方法研究和監(jiān)測(cè)設(shè)備研制。首先，提出利用時(shí)頻變換進(jìn)行秸稈識(shí)別，設(shè)計(jì)高通濾波器提取了圖像的頻域特征進(jìn)行自適應(yīng)分割?；诩煞诸惼骼靡延械慕斩捵R(shí)別數(shù)據(jù)訓(xùn)練支持向量機(jī)分類器，對(duì)秸稈圖像進(jìn)行再識(shí)別和篩選。最后，設(shè)計(jì)多尺度占比濾波器，對(duì)識(shí)別圖像中的噪聲和空洞進(jìn)行修補(bǔ)，生成適應(yīng)多種情況的秸稈覆蓋率識(shí)別算法。與北斗定位模塊、無線通訊模塊、攝像頭、傳感器、服務(wù)器等設(shè)備共同組成秸稈覆蓋率識(shí)別系統(tǒng)。試驗(yàn)結(jié)果表明，設(shè)備的秸稈覆蓋率識(shí)別誤差為4.55%，平均單張圖像耗時(shí)0.05 s。研究結(jié)果滿足保護(hù)性耕作中的自動(dòng)化監(jiān)測(cè)要求，可為保護(hù)性耕作作業(yè)質(zhì)量評(píng)測(cè)提供有效的技術(shù)支持。

秸稈；自動(dòng)識(shí)別；快速傅里葉變換；支持向量機(jī)；多尺度占比濾波

0 引 言

中國(guó)是農(nóng)業(yè)大國(guó)，秸稈作為農(nóng)業(yè)生產(chǎn)的副產(chǎn)物，產(chǎn)量巨大，據(jù)估算2015年全國(guó)秸稈總量高達(dá)10.2億t，其中玉米秸稈產(chǎn)量最大，約2.9億t[1]?，F(xiàn)階段在秸稈的處理過程中，主要以焚燒方式為主，嚴(yán)重影響著大氣環(huán)境、存在火災(zāi)隱患。秸稈還田具有夠改善土壤質(zhì)量，減緩?fù)寥乐刑荚氐牧魇А⒕S持農(nóng)田肥力，提高陸地土壤碳匯能力等優(yōu)點(diǎn)[2]。為了鼓勵(lì)農(nóng)民有效的秸稈還田操作，國(guó)家對(duì)部分地區(qū)進(jìn)行了秸稈還田補(bǔ)貼。秸稈覆蓋率是保護(hù)性耕作技術(shù)指標(biāo)，是秸稈還田補(bǔ)貼的重要依據(jù)，因此準(zhǔn)確高效的秸稈覆蓋率監(jiān)測(cè)對(duì)于推進(jìn)智能農(nóng)業(yè)和保護(hù)性耕作具有重要作用[3-5]。為了研發(fā)一種商業(yè)化秸稈覆蓋率監(jiān)測(cè)設(shè)備，本文對(duì)玉米秸稈覆蓋率自動(dòng)識(shí)別方法和設(shè)備進(jìn)行研究。

目前，地表秸稈覆蓋率主要通過拉繩、目測(cè)、采樣、儀器、模型等人工法測(cè)量，測(cè)得的數(shù)據(jù)受人為因素影響大、誤差大、作業(yè)效率低、勞動(dòng)強(qiáng)度大[6]。圖像法成本低且效率高，成為了秸稈監(jiān)測(cè)的熱門研究方向和手段，它的飛速發(fā)展為地表秸稈覆蓋率自動(dòng)測(cè)量提供了可能。Daughtry等[7]根據(jù)不同秸稈光譜反射率特性進(jìn)行研究，能夠?qū)斩捄偷乇磉M(jìn)行區(qū)分，但利用衛(wèi)星高光譜系統(tǒng)成本較高。Jafari等[8]將圖像轉(zhuǎn)換不同色域進(jìn)行秸稈識(shí)別，誤差可到2.3%，但該方法易受攝像角度和攝像環(huán)境的干擾，復(fù)雜場(chǎng)景下誤差較大。王昌昆[9]基于室內(nèi)光譜以及衛(wèi)星遙感影像對(duì)9種常用光譜指數(shù)的秸稈覆蓋率估算能力進(jìn)行了研究，但遙感圖像尺度較大，尚無法成為秸稈還田補(bǔ)貼依據(jù)。蘇艷波等[10]利用攝像頭獲取圖像，將圖像進(jìn)行對(duì)數(shù)變換后進(jìn)行直方圖處理，采用最大類間方差法自動(dòng)選取閾值，該方法提取目標(biāo)時(shí)易丟失細(xì)碎秸稈，抗環(huán)境干擾能力不足。李洪文等[11]將紋理特征的熵值結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)，進(jìn)行秸稈覆蓋率檢測(cè)，該方法運(yùn)算為矩陣運(yùn)算，對(duì)于硬件設(shè)備的計(jì)算力消耗較大[12]，無法滿足商業(yè)化檢測(cè)要求。目前基于圖像的秸稈覆蓋率識(shí)別研究多針對(duì)秸稈紋理清晰、特征明顯的情況，但真實(shí)田間環(huán)境復(fù)雜，地表顏色差異大，土塊、溝壑、陰影等因素影響識(shí)別，秸稈形狀、大小和姿態(tài)各異，細(xì)碎秸稈難以精準(zhǔn)辨別。本文針對(duì)復(fù)雜環(huán)境中玉米秸稈識(shí)別問題，建立一種能夠?qū)庹?、土塊、車轍、陰影等多種環(huán)境干擾具有一定抵抗力的普適識(shí)別方法。

圖像中獲取的秸稈多為高頻數(shù)據(jù)，快速傅里葉變換（fast Fourier transformation，F(xiàn)FT）恰好善于提取數(shù)據(jù)中的高頻/低頻部分。而機(jī)器學(xué)習(xí)能夠從大量歷史數(shù)據(jù)中挖掘其隱含規(guī)律，使學(xué)習(xí)到的函數(shù)更好的適用于“新樣本”，對(duì)預(yù)測(cè)或者分類問題都表現(xiàn)出較高的泛化能力。故本文利用FFT進(jìn)行圖像前期處理，再利用機(jī)器學(xué)習(xí)方法建立具有較高魯棒性的識(shí)別模型進(jìn)行地表玉米秸稈覆蓋率識(shí)別。同時(shí)，為了滿足商業(yè)化秸稈識(shí)別要求，設(shè)計(jì)算法不宜太過復(fù)雜和耗時(shí)過長(zhǎng)。根據(jù)監(jiān)測(cè)要求，設(shè)備每5 min上傳1張圖片，同一時(shí)間有200臺(tái)設(shè)備工作，則單張圖片的處理時(shí)間不能超過1.5 s。

針對(duì)上述問題，本文提出了一種融合快速傅里葉變換和支持向量機(jī)（support vector machine, SVM）的秸稈覆蓋率自動(dòng)識(shí)別方法。由于SVM 的最終決策函數(shù)只由少數(shù)的支持向量確定，其計(jì)算的復(fù)雜性取決于支持向量的數(shù)目，而不是樣本空間的維數(shù)，一定程度上避免了“維數(shù)災(zāi)難”，更適合解決高維問題。通過FFT（fast Fourier transformation）及IFFT（inverse fast Fourier transformation）進(jìn)行圖像頻域特征的處理，并基于顏色特征訓(xùn)練最優(yōu)SVM分類器對(duì)圖像進(jìn)行再識(shí)別，設(shè)計(jì)多尺度占比濾波器對(duì)識(shí)別圖像進(jìn)行微調(diào)。同時(shí)開發(fā)了相應(yīng)的秸稈覆蓋監(jiān)測(cè)設(shè)備并進(jìn)行田間試驗(yàn)驗(yàn)證。

1 秸稈自動(dòng)識(shí)別算法

FFT是一種快速計(jì)算離散傅里葉變換的算法，可區(qū)分圖像中表征圖像輪廓的高頻信號(hào)和表征圖像內(nèi)容的低頻信號(hào)[13-15]。高低頻信號(hào)有利于提取圖像的輪廓信息，有利于提高形態(tài)破碎、大小不一的秸稈類目標(biāo)的識(shí)別率。

SVM是一種監(jiān)督式學(xué)習(xí)方法[16]。對(duì)于非線性問題，SVM通過不同的核函數(shù)將線性不可分的數(shù)據(jù)映射到高維空間，轉(zhuǎn)換為線性可分?jǐn)?shù)據(jù)[17-18]。在高維空間建立一個(gè)最大間隔超平面，分開數(shù)據(jù)超平面的兩邊建立2個(gè)互相平行的超平面，使2個(gè)平行超平面的距離最大化[19]。SVM對(duì)復(fù)雜背景下的目標(biāo)識(shí)別具有較高的區(qū)分能力，可用于環(huán)境復(fù)雜的田間地表秸稈識(shí)別。

研究表明，單分類器對(duì)目標(biāo)識(shí)別有局限性，而集成決策有助于提升識(shí)別效率[20]。本文利用集成分類的上述特性，設(shè)計(jì)了融合FFT和SVM的秸稈覆蓋率識(shí)別算法。

融合FFT和SVM識(shí)別算法分為3個(gè)模塊，包括：訓(xùn)練SVM分類器、秸稈一次識(shí)別和秸稈二次識(shí)別。在訓(xùn)練SVM分類器模塊中，利用秸稈覆蓋原圖，分別截取秸稈圖和非秸稈圖像作為訓(xùn)練數(shù)據(jù)的正負(fù)樣本。將其進(jìn)行多參數(shù)族訓(xùn)練，并獲得最優(yōu)SVM分類模型。在秸稈一次識(shí)別模塊中，將秸稈覆蓋原圖分別進(jìn)行FFT處理、高通濾波、IFFT處理、歸一化處理和自適應(yīng)閾值分割后，獲得秸稈一次識(shí)別圖。在秸稈二次識(shí)別模塊中，將獲得的秸稈一次識(shí)別圖進(jìn)行SVM分類器再識(shí)別。同時(shí)，為了獲得更準(zhǔn)確的秸稈覆蓋識(shí)別圖，提出了一種多尺度占比濾波，將再識(shí)別圖中的噪聲和空洞分別進(jìn)行剔除和修補(bǔ)，最終獲得秸稈識(shí)別圖

1.1 SVM分類器的訓(xùn)練

圖1 不同樣本大小和核函數(shù)下最佳參數(shù)組合的ROC曲線族

1.2 基于FFT的秸稈一次識(shí)別

1.2.1 高通濾波器設(shè)計(jì)

假設(shè)圖像(,)分辨率為×，進(jìn)行FFT變換之后可得頻譜圖像[23](,)。本文設(shè)計(jì)了3種濾波核：方形濾波核、圓形濾波核和菱形濾波核。濾波核的表示如下：

式中H，H，H分別為方形濾波核、圓形濾波核和菱形濾波核。0表示通帶半徑。,分別為圖像高度和寬度，,為傅里葉變換后像素行列位置。則高通濾波可表示為

1.2.2 歸一化處理

(,)為濾波之后的頻域圖像，通過IFFT處理可以將頻域圖像重新變換到時(shí)域圖像[24-25](,)。對(duì)(,)進(jìn)行像素歸一化處理，使像素值所在區(qū)間為[0,1]。其歸一化方法如公式（7）所示，min()為中的像素最小值，max()為中的像素最大值，(,)為歸一化結(jié)果。

1.2.3 自適應(yīng)閾值選擇

為了獲得秸稈一次識(shí)別圖，將歸一化處理后的圖像(,)進(jìn)行自適應(yīng)閾值分割處理。圖2a為(,)直方圖分布。從圖中可以看出，圖像大部分像素值集中在低像素值區(qū)域，即地表區(qū)域。算法期望選擇合適的閾值，能夠在前期處理中最大程度保留秸稈像素，剔除大部分非秸稈像素。對(duì)于誤保留的非秸稈點(diǎn)，可通過再識(shí)別進(jìn)行剔除。

本文利用積分方法尋找合適的閾值對(duì)地表和秸稈進(jìn)行分割，并將積分比命名為能量比。假設(shè)為候選閾值，()為能量比，其計(jì)算方法如下：

其中hist為直方圖分布序列，n為直方圖總離散區(qū)間數(shù)量。圖2b為直方圖能量比變化圖。從圖中可以看出，后半段能量比基本不變，與直方圖的分布狀態(tài)相吻合。

為了選擇合適的分割閾值，從本地?cái)?shù)據(jù)庫中隨機(jī)選擇400張秸稈覆蓋圖像。根據(jù)能量比變化趨勢(shì)，分別選擇0.6，0.65，0.7，0.75，0.8，0.85，0.9作為閾值。將分割結(jié)果與計(jì)算機(jī)標(biāo)注結(jié)果比對(duì)從而獲得像素平均保留率。（非）秸稈平均保留率為識(shí)別結(jié)果中真實(shí)（非）秸稈像素?cái)?shù)占總（非）秸稈像素?cái)?shù)的平均比例。表1為不同閾值下（非）像素平均保留率試驗(yàn)結(jié)果。從表中可以看出，隨著閾值增加，非秸稈像素平均保留率逐漸增加，而秸稈像素平均保留率逐漸下降。綜合比較秸稈像素平均保留率和非秸稈像素平均保留率，選定()=0.8為閾值。該閾值可在最大程度不損失秸稈像素點(diǎn)的情況下，剔除大部分非秸稈像素點(diǎn)。

表1 不同閾值試驗(yàn)結(jié)果

將所得的歸一化結(jié)果圖進(jìn)行閾值分割之后可得秸稈一次識(shí)別圖(,)，如式（9）所示，0為分割閾值對(duì)應(yīng)的歸一化像素值。

1.3 基于SVM的秸稈二次識(shí)別

1.3.1 SVM分類器再識(shí)別

基于秸稈一次識(shí)別圖，利用SVM分類器對(duì)地表秸稈覆蓋圖進(jìn)行秸稈二次識(shí)別。在二次識(shí)別中，以秸稈一次識(shí)別圖(,)為蒙版，利用訓(xùn)練所得的分類器對(duì)(,)值為1的像素點(diǎn)進(jìn)行逐像素再識(shí)別。如圖3所示，提取秸稈原圖(,)中以待識(shí)別像素為中心，11×11大小的3通道彩色候選區(qū)域作為特征向量fature輸入SVM分類器進(jìn)行判斷。若判斷為秸稈則保留該像素，若判斷為非秸稈則刪除該像素。最終獲得秸稈二次識(shí)別圖(,)。其計(jì)算方法如式（10）所示。

1.3.2 多尺度占比濾波

為了獲得最終的秸稈覆蓋識(shí)別圖，需要在秸稈二次識(shí)別的基礎(chǔ)上，對(duì)識(shí)別結(jié)果進(jìn)行處理。傳統(tǒng)的圖像腐蝕膨脹算法是對(duì)所有像素點(diǎn)進(jìn)行處理，而未考慮其可信度，因此容易出現(xiàn)誤處理情況（包括腐蝕掉了應(yīng)保留的區(qū)域，或者膨脹了應(yīng)去除的噪聲區(qū)域）。針對(duì)上述問題，本文基于圖像金字塔思想[26]，設(shè)計(jì)了一種多尺度占比濾波器。

根據(jù)文獻(xiàn)[26]，算法設(shè)計(jì)了7×7和3×3兩種尺度的濾波核，其計(jì)算如式（11）所示，為識(shí)別圖與濾波核對(duì)應(yīng)的位置向量，()為秸稈二次識(shí)別圖在位置處的像素值，為比例閾值，為濾波尺度。

值的大小表征了該部分為秸稈區(qū)域的置信度。將該問題等價(jià)為二分類概率決策問題，則置信度大于等于0.5可認(rèn)定為秸稈區(qū)域，小于0.5可認(rèn)定為非秸稈區(qū)域，故本文=0.5。通過判斷濾波核中被識(shí)別為秸稈的像素點(diǎn)占整個(gè)濾波核的比例，對(duì)待濾波區(qū)域進(jìn)行處理。先將秸稈二次識(shí)別圖進(jìn)行7×7大尺度占比濾波，濾除小面積噪點(diǎn)；再進(jìn)行3×3小尺度濾波，意在填充秸稈像素之間的空隙，使識(shí)別更加準(zhǔn)確。

對(duì)于分辨率為×的圖像，其秸稈覆蓋率是識(shí)別為秸稈的像素點(diǎn)（即(,)=1）總數(shù)與圖像總像素?cái)?shù)之比，即

列出增量現(xiàn)金流量表，通過財(cái)務(wù)評(píng)價(jià)分析計(jì)算，本項(xiàng)目財(cái)務(wù)內(nèi)部收益率為7.5%，大于基準(zhǔn)收益率7%；財(cái)務(wù)凈現(xiàn)值 532萬元，說明本改造項(xiàng)目財(cái)務(wù)評(píng)價(jià)可行，經(jīng)濟(jì)效益顯著。

2 秸稈覆蓋監(jiān)測(cè)設(shè)備

遠(yuǎn)程秸稈覆蓋監(jiān)測(cè)設(shè)備由移動(dòng)端和硬件設(shè)備組成。硬件設(shè)備和移動(dòng)端通過云網(wǎng)絡(luò)連接，實(shí)現(xiàn)遠(yuǎn)程監(jiān)測(cè)，如圖4所示。

2.1 硬件設(shè)備

硬件設(shè)備主要包括主機(jī)、攝像頭、傳感器、定位天線、遠(yuǎn)程通訊等部分組成。定位模塊采用ATK1218-BD模組，精度達(dá)2.5 m。定位模塊與通信模塊采用高增益雙模定位，定位天線與遠(yuǎn)程通訊設(shè)備配合，通過北斗定位系統(tǒng)獲取本機(jī)坐標(biāo)信息。攝像頭選用YB-DB015A車載相機(jī)。前置攝像頭用來獲取機(jī)器前方秸稈圖像信息，后置攝像頭用來獲取機(jī)器工作圖像。傳感器與主機(jī)均為自主研發(fā)設(shè)備。傳感器用來監(jiān)測(cè)機(jī)具工作狀態(tài)等其他參數(shù)信息。主機(jī)將獲取的所有信息進(jìn)行融合和打包，通過4G高速通訊模塊上傳至云端服務(wù)器，進(jìn)而進(jìn)行秸稈覆蓋率計(jì)算。12V（或24V）蓄電池為整個(gè)硬件系統(tǒng)提供電力保證。

圖4 秸稈覆蓋監(jiān)測(cè)設(shè)備組成圖

根據(jù)設(shè)備安裝要求，設(shè)備主機(jī)放置在駕駛室內(nèi)，方便駕駛員實(shí)時(shí)監(jiān)控。電源線、攝像頭、傳感器、定位天線和遠(yuǎn)程通訊天線均與主機(jī)通過線纜連接。GPS/BD定位模塊平放在拖拉機(jī)頂部的中心位置，保證無遮擋。遠(yuǎn)程通信天線放置在拖拉機(jī)駕駛室內(nèi)。傳感器固定在打捆機(jī)打捆針U形架上。攝像頭水平向下傾斜約60°，安裝在駕駛室車頂正前方，設(shè)備安裝如圖5所示。

圖5 監(jiān)測(cè)設(shè)備安裝示意圖

2.2 移動(dòng)端

移動(dòng)端包括手機(jī)端和電腦端。試驗(yàn)數(shù)據(jù)的獲取與處理基于移動(dòng)端數(shù)據(jù)平臺(tái)。秸稈監(jiān)測(cè)設(shè)備利用北斗/GPS衛(wèi)星定位系統(tǒng)，采用5模13頻4G高速通訊方式，利用數(shù)據(jù)斷點(diǎn)續(xù)傳，在弱信號(hào)或者信號(hào)丟失的情況下進(jìn)行本地?cái)?shù)據(jù)緩存，當(dāng)信號(hào)恢復(fù)時(shí)繼續(xù)數(shù)據(jù)傳輸。將攝像頭采集的圖像數(shù)據(jù)、衛(wèi)星定位數(shù)據(jù)及其他傳感器數(shù)據(jù)打包，傳輸?shù)皆票O(jiān)管平臺(tái)。云平臺(tái)對(duì)獲得的數(shù)據(jù)進(jìn)行解包并對(duì)圖像數(shù)據(jù)進(jìn)行編碼和本地?cái)?shù)據(jù)存儲(chǔ)。

3 試驗(yàn)驗(yàn)證

3.1 試驗(yàn)方法

從數(shù)據(jù)庫中隨機(jī)抽取1000張圖像作為試驗(yàn)數(shù)據(jù)，圖像大小為320×240，利用計(jì)算機(jī)標(biāo)記圖像秸稈區(qū)域得到的覆蓋率作為標(biāo)簽覆蓋值。如圖6所示。

圖6 計(jì)算機(jī)標(biāo)注示意圖

3.2 通帶半徑的選擇

注：D0為通帶半徑。

從圖7中可以看出，陰影對(duì)濾波有較大影響。這是由于陰影邊緣屬于高頻信息，在高通濾波變換中不能完全除盡。通帶半徑的選擇原則是最大程度消除干擾的影響下，保留更多的秸稈像素點(diǎn)。根據(jù)試驗(yàn)結(jié)果，當(dāng)0=8時(shí)，陰影對(duì)FFT處理效果影響較大，對(duì)于后面的SVM模型容易產(chǎn)生誤識(shí)別；當(dāng)0=32時(shí)，雖然減少了陰影的影響，但秸稈的紋理細(xì)節(jié)損失較為嚴(yán)重；當(dāng)0=16時(shí)，能最大程度減少陰影的影響并保留秸稈細(xì)節(jié)特征，故采用16為通帶半徑。

3.3 濾波核的選擇

為了使高通濾波在最短時(shí)間內(nèi)最大程度提取目標(biāo)區(qū)域，算法設(shè)計(jì)了3種濾波核：方形濾波核、圓形濾波核和菱形濾波核。為了選取合適的濾波核進(jìn)行高通濾波，對(duì)相同圖片分別采用不同濾波核進(jìn)行處理。從1 000張數(shù)據(jù)中隨機(jī)選擇330張進(jìn)行濾波核選擇測(cè)試。對(duì)每張圖像高通濾波處理耗時(shí)和最終秸稈覆蓋率誤差進(jìn)行統(tǒng)計(jì)分析。其絕對(duì)誤差平均值與平均耗時(shí)如表2所示。

表2 不同濾波核處理性能表現(xiàn)

從表2中可以看出，采用方形濾波核的處理速度最快，僅用0.006s，圓形濾波核的計(jì)算復(fù)雜度較高，耗時(shí)最長(zhǎng)，平均為0.055s。菱形與方形濾波核的處理精度相差無幾，圓形濾波核誤差微高，平均4.90%。綜合速度與精度表現(xiàn)，算法采用方形濾波核作為高通濾波的濾波模板。

3.4 秸稈覆蓋識(shí)別試驗(yàn)

田間環(huán)境復(fù)雜，光照強(qiáng)度、車轍、壟溝、土塊和陰影均會(huì)影響秸稈的識(shí)別效果。將本文提出的算法在采集的數(shù)據(jù)集中進(jìn)行試驗(yàn)驗(yàn)證，其部分效果圖如圖8所示。

從圖8中可以看出，在不同光照強(qiáng)度和有陰影的干擾下，算法都能較好地識(shí)別秸稈。這是因?yàn)閰^(qū)別于僅基于顏色或形狀特征的識(shí)別方法，本文算法是基于圖像頻域特征，對(duì)光照和陰影帶來的顏色干擾不敏感，有較強(qiáng)的魯棒性。在壟溝、車轍和土塊的干擾下，本文算法仍能正確識(shí)別秸稈。這是因?yàn)閰^(qū)別于單分類器識(shí)別方法，本文算法采用集成決策的思想，在一次識(shí)別后進(jìn)行了二次識(shí)別。盡管壟溝和車轍有可能在高頻濾波和自適應(yīng)分割后被誤認(rèn)為秸稈，但本文訓(xùn)練的基于顏色特征的SVM分類器在二次識(shí)別中將上述干擾剔除，使整個(gè)算法依然能準(zhǔn)確識(shí)別秸稈。

將圖8中不同干擾下秸稈覆蓋識(shí)別結(jié)果與計(jì)算機(jī)標(biāo)注的標(biāo)簽值進(jìn)行對(duì)比，其結(jié)果如表3所示。從表中可以看出，光照和車轍影響的樣本1誤差相對(duì)較大，這是因?yàn)閺?qiáng)光照和機(jī)械抖動(dòng)影響了圖像成像質(zhì)量，其他測(cè)試樣本的識(shí)別結(jié)果與標(biāo)簽值誤差均小于5%。

綜上所述，本文提出的算法結(jié)合頻域特征與顏色特征，對(duì)各種環(huán)境干擾有較強(qiáng)的魯棒性，且對(duì)不同形態(tài)秸稈都有較高的識(shí)別能力。

3.5 秸稈覆蓋率識(shí)別對(duì)比

將本文提出的方法與人工拉繩法、文獻(xiàn)[10]提出的自動(dòng)閾值法和文獻(xiàn)[11]提出的人工神經(jīng)網(wǎng)絡(luò)法從速度和精度兩方面進(jìn)行秸稈識(shí)別性能比較。人工拉繩法采用行列分別均勻拉繩5次，以覆蓋秸稈的交點(diǎn)數(shù)占交點(diǎn)總數(shù)的百分比作為秸稈覆蓋率。人工神經(jīng)網(wǎng)絡(luò)法采用單隱藏層，輸入層采用角二階矩、慣性矩、相關(guān)系數(shù)和逆差矩作為5種輸入特征。自動(dòng)閾值法通過最大類間方差確定分割閾值。

表3 不同干擾下秸稈覆蓋率識(shí)別結(jié)果

選用數(shù)據(jù)集中剩余670張圖像作為測(cè)試集。對(duì)每張圖像分別利用自動(dòng)閾值法、神經(jīng)網(wǎng)絡(luò)法和本文提出的方法進(jìn)行秸稈覆蓋率計(jì)算，對(duì)相應(yīng)地塊進(jìn)行人工拉繩測(cè)量，并統(tǒng)計(jì)計(jì)算時(shí)間。將上述所有方法的結(jié)果與計(jì)算機(jī)標(biāo)注結(jié)果分別進(jìn)行比較，取對(duì)應(yīng)覆蓋率的差值絕對(duì)值為誤差值。試驗(yàn)結(jié)果如表4所示。從表4中可以看出，人工法的平均誤差最大，且平均耗時(shí)最長(zhǎng)，單張地塊平均耗時(shí)72 s?；趫D像的計(jì)算方法明顯優(yōu)于人工拉繩法。而基于圖像的方法中，基于FFT與SVM的算法平均誤差最低且耗時(shí)最短，基于人工神經(jīng)網(wǎng)絡(luò)的方法雖然精度也較高，但平均耗時(shí)較長(zhǎng)，單張圖片耗時(shí)為8 s，難以滿足前文所述的商業(yè)化秸稈覆蓋率計(jì)算要求。綜合各指標(biāo)，本文提出的基于融合FFT和SVM的秸稈覆蓋率識(shí)別方法表現(xiàn)突出，性能較高。

表4 秸稈覆蓋率計(jì)算方法性能比較

4 結(jié) 論

本文對(duì)玉米秸稈覆蓋率自動(dòng)識(shí)別算法和設(shè)備進(jìn)行了研究。提出了利用時(shí)頻域變換來快速提取秸稈信息的新思路，并基于集成決策的思想，設(shè)計(jì)了融合FFT和SVM的集成識(shí)別模型。在秸稈識(shí)別中，分別設(shè)計(jì)了自適應(yīng)能量比分割方法和基于置信度的金字塔濾波的識(shí)別校正方法，實(shí)現(xiàn)了對(duì)真實(shí)地表秸稈覆蓋率的快速識(shí)別。同時(shí)，基于云服務(wù)平臺(tái)開發(fā)了一套秸稈覆蓋監(jiān)測(cè)設(shè)備。

試驗(yàn)表明，融合快速傅里葉變換和支持向量機(jī)的秸稈覆蓋率自動(dòng)識(shí)別方法識(shí)別平均誤差為4.55%，平均單張圖像耗時(shí)0.05 s，對(duì)光照、壟溝、車轍、陰影和土塊等干擾有較好的魯棒性和識(shí)別度，具有較高的研究?jī)r(jià)值和應(yīng)用前景。

[1] 王亞靜，王飛，石祖梁，等.基于農(nóng)業(yè)供給側(cè)結(jié)構(gòu)性改革背景的秸稈資源與利用研究[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2017，38(6)：13－20.

Wang Yajing, Wang Fei, Shi Zuliang, et al. Straw resources and its utilization in China from the perspective of agricultural supply-side structural reform[J].Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(6): 13－20. (in Chinese with English abstract)

[2] 陳麗鵑，周冀衡，陳閨，等. 秸稈還田對(duì)作物土傳病害的影響及作用機(jī)制研究進(jìn)展[J]. 作物研究，2018，32(6)：535－540.

Chen Lijuan, Zhou Jiheng, Chen Gui, et al. Research progress of influence and mechanism of field straw residue incorporation on soil-borne diseases in crops[J]. Crop Research, 2018, 32(6): 535－540. (in Chinese with English abstract)

[3] 李志婷，王昌昆，潘賢章，等. 基于模擬Landsat-8 OLI數(shù)據(jù)的小麥秸稈覆蓋度估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(增刊1)：145－152.

Li Zhiting, Wang Changkun, Pan Xianzhang, et al. Estimation of wheat residue cover using simulated Landsat-8 OLI datas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp.1): 145－152. (in Chinese with English abstract)

[4] 王金武，唐漢，王金峰. 東北地區(qū)作物秸稈資源綜合利用現(xiàn)狀與發(fā)展分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(5)：1－21.

Wang Jinwu, Tang Han, Wang Jinfeng. Comprehensive utilization status and development analysis of crop straw resource in northeast China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(5): 1－21. (in Chinese with English abstract)

[5] 閆宗正，陳素英，張喜英，等. 秸稈覆蓋時(shí)間和覆蓋量對(duì)冬小麥田溫度效應(yīng)及地上地下生長(zhǎng)的影響[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2017，25(12)：1779－1791.

Yan Zongzheng, Chen Suying, Zhang Xiying, et al. Effects of amount and time of straw mulching on soil temperature, root growth and yield of winter wheat[J]. Chinese Journal of Eco-Agriculture, 2017, 25(12): 1779－1791. (in Chinese with English abstract)

[6] 王麗麗，徐嵐俊，魏舒，等. 基于Sauvola與Otsu算法的秸稈覆蓋率圖像檢測(cè)方法[J]. 農(nóng)業(yè)工程，2017，7(4)：29－35.

Wang Lili, Xu Lanjun, Wei Shu, et al. Straw coverage detection method based on sauvola and otsu segmentation algorithm[J]. Agricultural Engineering, 2017, 7(4): 29－35. (in Chinese with English abstract)

[7] Daughtry C S T, Hunt Jr E R, Mcmurtrey III J E. Assessing crop residue cover using shortwave infrared reflectance[J]. Remote Sensing of Environment, 2004, 90(1): 126－134.

[8] Jafari, Asadi V, Rasekhi R, et al. Precise measurement of residue cover by means of image processing techniques[C]// International Conference on Agricultural Engineering Ageng, 1995.

[9] 王昌昆. 秸稈覆蓋度遙感估算及其水分影響校正研究[D].北京：中國(guó)科學(xué)院大學(xué)，2013.

Wang Changkun. Remote Sensing Estimation of Straw Coverage and Its Water Impact Correction[D]. Beijing: University of Chinese Academy of Sciences, 2013. (in Chinese with English abstract)

[10] 蘇艷波，張東遠(yuǎn)，李洪文，等. 基于自動(dòng)取閾分割算法的秸稈覆蓋率檢測(cè)系統(tǒng)[J]. 農(nóng)機(jī)化研究，2012，34(8)：138－142.

Su Yanbo, Zhang Dongyuan, Li Hongwen, et al. Measuring system for residue cover rate based on automation threshold[J]. Journal of Agricultural Mechanization Research, 2012, 34(8): 138－142. (in Chinese with English abstract)

[11] 李洪文，李慧，何進(jìn)，等. 基于人工神經(jīng)網(wǎng)絡(luò)的田間秸稈覆蓋率檢測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(6)：58－62.

Li Hongwen, Li Hui, He Jin, et al. Measuring system for residue cover rate in field based on BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(6): 58－62. (in Chinese with English abstract)

[12] Li J, Cheng J, Shi J, et al. Brief introduction of back propagation (BP) neural network algorithm and its improvement[M]//Advances in computer science and information engineering, Springer, Berlin, Heidelberg, 2012.

[13] Dillenseger J L, Esneault S. Fast FFT-based bioheat transfer equation computation[J]. Computers in Biology and Medicine, 2010, 40(2): 119－123.

[14] Kristy F Tiampo, Henning Rasmussen,Dawit Assefa, et al. Local quaternion fourier transform and color image texture analysis[J]. Signal Processing: The Official Publication of the European Association for Signal Processing (EURASIP), 2010, 90(6): 1825－1835.

[15] Rao K R, Yip P. Discrete cosine transform: Algorithms, advantages, applications[M]. Academic Press, 2014.

[16] Scholkopf B, Smola A J. Learning with kernels: Support vector machines, regularization, optimization, and beyond[M]. MIT press, 2001.

[17] Islam M, Dinh A, Wahid K, et al. Detection of potato diseases using image segmentation and multiclass support vector machine[C]//2017 IEEE 30th canadian conference on electrical and computer engineering (CCECE). IEEE, 2017: 1－4.

[18] Zhang Yudong, Dong Zhengchao, Liu Aijun, et al. Magnetic resonance brain image classification via stationary wavelet transform and generalized eigenvalue proximal support vector machine[J]. Journal of Medical Imaging and Health Informatics, 2015, 5(7): 1395－1403.

[19] 時(shí)永剛，程坤，劉志文. 結(jié)合深度學(xué)習(xí)和支持向量機(jī)的海馬子區(qū)圖像分割[J]. 中國(guó)圖象圖形學(xué)報(bào)，2018，23(4)：542－551.

Shi Yonggang, Cheng Kun, Liu Zhiwen. Segmentation of hippocampal subfields by using deep learning and support vector machine[J]. Journal of Image and Graphics, 2018, 23(4): 542－551. (in Chinese with English abstract)

[20] 許良鳳，徐小兵，胡敏，等. 基于多分類器融合的玉米葉部病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(14)：194－201.

Xu Liangfeng, Xu Xiaobing, Hu Min, et al. Corn leaf disease identification based on multiple classifiers fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 194－201. (in Chinese with English abstract)

[21] Zhang Ziming, Torr Philip H S. Object proposal generation using two-stage cascade SVMs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(1): 102－115.

[22] Kanimozhi T, Latha K. An integrated approach to region based image retrieval using firefly algorithm and support vector machine[J]. Neurocomputing, 2015, 151: 1099－1111.

[23] Rajneesh Bansal, Won Suk Lee, Saumya Satish. Green citrus detection using fast Fourier transform (FFT) leakage[J]. Precision Agriculture, 2013, 14(1): 59－70.

[24] Naidu VPS. Multi-resolution image fusion by FFT[C]//2011 International Conference on Image Information Processing, 2011: 1－6.

[25] 周傳剛，譚學(xué)元. 基于機(jī)器視覺的離散傅里葉變換目標(biāo)識(shí)別方法[J]. 光學(xué)技術(shù)，2006，32(z1)：212－214，217.

Zhou Chuangang, Tan Xueyuan. Identifying image methods based on machine vision and DFT[J]. Optical Technique, 2006, 32(z1): 212-214, 217. (in Chinese with English abstract)

[26] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 2117－2125.

Automatic recognition of corn straw coverage based on fast Fourier transform and SVM

Li Jia, Lü Chengxu, Yuan Yanwei※, Li Yashuo, Wei Liguo, Qin Qiusheng

(,100083)

The crop residues auto-detection is an important technology for intelligent agriculture. However, the farmland condition is complicated that it’s difficult to detect the crop residues and calculate its coverage. The field is always unevenly distributed with clays and gullies, besides that, the crop residues have various shapes and sizes. Those variables affect the detection accuracy. The research shows that FFT (fast Fourier transformation) can distinguish both the high frequency and low frequency signals in the image. The high frequency signals characterize the outline of the image and the low frequency signals characterize the content of the image. The crop residues belong to high frequency information exactly. Meanwhile, SVM (support vector machine) has a high distinguishing ability for target recognition in complex backgrounds. It maps linearly indivisible data to high dimensional space through different kernel functions and converts it into linearly separable data. It establishes a maximum interval hyperplane in high dimensional space and two mutually parallel hyperplanes on both sides of the data hyperplane. On the basis above, this paper proposed a novel fusion algorithm for crop residues auto-detection with Fast Fourier Transformation (FFT) and Support Vector Machine (SVM). We also designed and realized an intelligent monitoring equipment for crop coverage auto-detection which consists camera, embedded board, location module, communication module and other sensors through 4G cloud network. In order to detect residues, we extracted the high frequency information (residues region) by designing high pass filter after FFT with different kernels. We tested three different filter kernels including square, circle and diamond filter with three shapes. The results of the experiments indicated that the square filter with size 11×11 was the best choice considering speed and accuracy. Then, an adaptive threshold segmentation method was put forward to process the normalization image we obtained. The threshold was set by calculate the energy score we defined based on the idea of integral. The experiments showed that 0.8 was the best threshold choice for our algorithm. It can preserve the most crop region and remove the un-crop region as much as possible. We used the segmentation result as the detection mask for the next step. On the other hand, we trained a SVM classifier using our database with different input sizes and kernels and selected the parameter group with best performance as final choice. The classifier was utilized to re-classify the adaptive threshold segmentation result. Finally, we found that the traditional image erosion and dilation algorithm treated all pixels without considering its credibility. So it was prone to misprocessing (including etching away areas that should be preserved, or expanding the noise area that should be removed). To avoid this misprocessing, we raised a multi-scale filter to erase noises and fill tiny holes which was similar to image pyramid. There were two filters with size 3×3 and 7×7. The bigger one was to filter the image noise with tinny size and the smaller one was to expand the residues region with holes. We benchmarked the algorithm on our database and the results indicated that our method was state of the art. The error was about 4.55% and it just used 0.05 s.

crops; automatic recognition; fast Fourier transform; support vector machine; multi-scale filter

10.11975/j.issn.1002-6819.2019.20.024

S126

A

1002-6819(2019)-20-0194-08

李 佳，呂程序，苑嚴(yán)偉，李亞碩，偉利國(guó)，秦秋生. 快速傅里葉變換結(jié)合SVM算法識(shí)別地表玉米秸稈覆蓋率[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(20)：194－201.doi：10.11975/j.issn.1002-6819.2019.20.024 http://www.tcsae.org

Li Jia, Lü Chengxu, Yuan Yanwei, Li Yashuo, Wei Liguo, Qin Qiusheng. Automatic recognition of corn straw coverage based on fast Fourier transform and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 194－201. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.20.024 http://www.tcsae.org

2019-06-25

2019-08-24

江蘇省現(xiàn)代農(nóng)業(yè)裝備與技術(shù)協(xié)同創(chuàng)新中心開放基金（4091600016）；國(guó)家重點(diǎn)研發(fā)計(jì)劃（2017YFD0700601；2018YFF0213603）

李 佳，主要從事計(jì)算機(jī)視覺研究。Email：lijia677@sina.com

苑嚴(yán)偉，研究員，博士生導(dǎo)師，主要從事農(nóng)機(jī)智能化技術(shù)研究。Email:yyw215@163.com

中國(guó)農(nóng)業(yè)工程學(xué)會(huì)會(huì)員：苑嚴(yán)偉（E040100027M）