水敏紙圖像預(yù)處理及農(nóng)藥液滴參數(shù)測(cè)量

亢潔 劉港 郭國(guó)法

摘要：快速獲取噴施農(nóng)藥后農(nóng)藥液滴在水敏紙表面的沉積分布，對(duì)了解農(nóng)藥的田間分布情況有十分重要的意義。針對(duì)目前水敏紙圖像處理軟件缺少對(duì)水敏紙圖像的旋轉(zhuǎn)等預(yù)處理操作，以及現(xiàn)有的水敏紙自動(dòng)分割方法對(duì)水敏紙圖像分割不完整而導(dǎo)致液滴參數(shù)檢測(cè)精度低的問題，首先對(duì)水敏紙圖像進(jìn)行預(yù)處理，自動(dòng)裁剪得到水敏紙感興趣區(qū)域，然后測(cè)量水敏紙液滴參數(shù)。該方法首先通過基于顏色特征的自動(dòng)選取種子點(diǎn)與人工交互選取種子點(diǎn)相結(jié)合的種子區(qū)域生長(zhǎng)法對(duì)彩色水敏紙圖像進(jìn)行分割，然后通過Radon變換求取圖像的傾斜角，并對(duì)圖像進(jìn)行旋轉(zhuǎn)和裁剪，最后統(tǒng)計(jì)液滴尺寸、液滴個(gè)數(shù)和液滴覆蓋率等參數(shù)。通過與DepositScan軟件進(jìn)行比較，本研究算法能夠得到水敏紙上92.515 0%以上的霧滴，較DepositScan軟件準(zhǔn)確率提升了6.227 4百分點(diǎn)，可以看出本研究算法計(jì)數(shù)準(zhǔn)確率高;對(duì)于液滴的最大值、平均值和中值，分別對(duì)2種方法進(jìn)行了相關(guān)性分析，實(shí)際得到的相關(guān)系數(shù)r全部大于r0.01（6）=0.834，這說明2種方法間呈現(xiàn)極顯著的相關(guān)性。本研究算法可以有效應(yīng)用于水敏紙農(nóng)藥液滴的參數(shù)測(cè)量中。

關(guān)鍵詞：水敏紙; 種子區(qū)域生長(zhǎng)法; Randon變換; 液滴

中圖分類號(hào)：TP391.41;TP317.4 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2022）12-0220-09

收稿日期：2021-08-07

基金項(xiàng)目：陜西省重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2021GY-022）;陜西省西安市科技計(jì)劃（編號(hào)：2019216514GXRC001CG002-GXYD1.7）; 國(guó)家留學(xué)基金（編號(hào)：201708615011）。

作者簡(jiǎn)介：亢 潔（1973—），女，陜西潼關(guān)人，博士，副教授，碩士生導(dǎo)師，從事機(jī)器視覺、智慧農(nóng)業(yè)研究。E-mail：kangjie@sust.edu.cn。

農(nóng)藥在控制農(nóng)作物病蟲害方面具有成本低、有效、快速的特點(diǎn)，是作物病蟲害控制最有力的方法。大量噴灑農(nóng)藥會(huì)造成浪費(fèi)，嚴(yán)重危害環(huán)境和人們的身體健康[1]。因此，如何提高農(nóng)藥利用率、減少農(nóng)藥使用量成為亟待解決的問題?？焖偾矣行Й@取施藥后液滴在目標(biāo)上沉積的噴霧量、液滴尺寸和液滴在目標(biāo)上的覆蓋均勻性等信息，可以對(duì)農(nóng)藥噴施效果進(jìn)行定量評(píng)價(jià)，為優(yōu)化農(nóng)藥噴施技術(shù)提供進(jìn)一步的參考。目前比較普遍應(yīng)用的液滴尺寸測(cè)量以及分布特性主要分為3種方法，第1種是機(jī)械方法，比如將液滴冷凍或者冷卻成固體顆粒進(jìn)行測(cè)量，利用不同尺寸液滴的運(yùn)動(dòng)慣性、速度差異特性來區(qū)分液滴尺寸的范圍等;第2種是電氣方法，比如充電線法（charged-wire）、熱線法（hot-wire）等，如測(cè)量流體（包括氣體、液體）導(dǎo)熱系數(shù)的方法，此方法具有速度快、精度高的特點(diǎn);第3種是光學(xué)方法，比如利用液滴的一些物理特性（相差、光照度、極化和熒光等）進(jìn)行測(cè)量，利用激光全息、高速攝影、掃描技術(shù)和激光圖像化等。一般來說光學(xué)測(cè)量系統(tǒng)價(jià)格昂貴，而且調(diào)試使用比較繁瑣[2]。水敏紙（water-sensitive paper ，簡(jiǎn)稱WSP）是提供噴霧覆蓋快速評(píng)估的一種簡(jiǎn)單的機(jī)械法，是一種黃色表面的涂布紙，在與水滴接觸時(shí)變成深藍(lán)色，它具有便于圖像處理和保存、顯色明顯的特點(diǎn)，目前是最常用的液滴收集器[3-4]。近年來，國(guó)外已經(jīng)開發(fā)了多種水敏紙圖像處理軟件，其中Fox等提出了一種WSP視覺分級(jí)噴霧覆蓋方法的結(jié)果[5];Panneton開發(fā)了一種相機(jī)照明系統(tǒng)，測(cè)量WSP上斑點(diǎn)覆蓋面積的百分比[6];Cunha等評(píng)估了幾種水敏紙圖像處理軟件分析噴霧質(zhì)量的能力[7];Zhu等基于個(gè)人計(jì)算機(jī)和掃描儀開發(fā)了一種便攜式液滴參數(shù)測(cè)量系統(tǒng)[8]。Machado 等提出并試驗(yàn)評(píng)估了一種基于智能手機(jī)的移動(dòng)應(yīng)用程序，名為DropLeaf，通過水敏紙來測(cè)量農(nóng)藥覆蓋率[9]。Ferguson 等將SnapCard智能手機(jī)應(yīng)用程序與DropletScan、SwathKit、DepositScan、ImageJ、Drop Vision-Ag 這些水敏紙圖像處理軟件進(jìn)行了比較[10]。zlüoymak等基于美國(guó)國(guó)家儀器的vision acquisition software （VAS） 開發(fā)了一種水敏紙圖像處理軟件[11]。國(guó)內(nèi)雖然起步較晚研究較少，但也取得了較好的研究成果[2，3，12-18]。在這些水敏紙圖像處理軟件中，目前比較常用的水敏紙圖像處理軟件有DepositScan[19-20]、ImageJ[21-22]、SnapCard[10]， 這些軟件都可以用于確定噴霧參數(shù)覆蓋率。DepositScan、ImageJ軟件還可以計(jì)算液滴數(shù)目，而SnapCard軟件不能計(jì)算液滴數(shù)目。ImageJ 軟件在處理水敏紙圖像時(shí)首先使用大津法（OTSU）將圖像轉(zhuǎn)換為灰度圖像再進(jìn)行后續(xù)處理。DepositScan軟件首先利用手動(dòng)或自動(dòng)選取閾值將彩色水敏紙圖像轉(zhuǎn)換為8位灰度圖像，然后再進(jìn)行后續(xù)處理。SnapCard軟件是一款智能手機(jī)應(yīng)用軟件，它首先使用智能手機(jī)自帶的相機(jī)獲取水敏紙圖像。SnapCard軟件的缺陷是在獲取水敏紙圖像和人工選擇感興趣區(qū)域時(shí)造成的誤差。由于水敏紙圖像在進(jìn)行掃描或拍照的過程中往往會(huì)發(fā)生不同程度的傾斜，上述這些軟件缺少對(duì)水敏紙圖像的旋轉(zhuǎn)和水敏紙感興趣區(qū)域提取等預(yù)處理操作，須要先借助其他軟件得到水敏紙的水平圖像并提取感興趣區(qū)域，然后才能進(jìn)行后續(xù)處理，而且這些軟件在進(jìn)行水敏紙圖像分割時(shí)均采用將水敏紙轉(zhuǎn)換為灰度圖像再使用OTSU進(jìn)行分割，這樣在轉(zhuǎn)換的過程中會(huì)失去一些有用信息導(dǎo)致檢測(cè)精度不高。

為提高液滴檢測(cè)的精度和效率，本研究基于顏色特征的自動(dòng)選取種子點(diǎn)與人工交互選取種子點(diǎn)相結(jié)合的種子區(qū)域生長(zhǎng)法直接對(duì)彩色水敏紙圖像進(jìn)行分割，而不需要事先將彩色圖像轉(zhuǎn)換為灰度圖像再進(jìn)行分割，并對(duì)水敏紙圖像進(jìn)行旋轉(zhuǎn)、自動(dòng)提取水敏紙感興趣區(qū)域，然后統(tǒng)計(jì)測(cè)量液滴參數(shù)，最后通過試驗(yàn)驗(yàn)證本研究方法的檢測(cè)效果。

1 試驗(yàn)數(shù)據(jù)的獲取D498D58D-9934-4195-8966-D0B98489D122

本研究通過田間噴霧實(shí)際情況，以水敏紙收集液滴，然后通過掃描儀獲取液滴的數(shù)字圖像，再基于顏色特征的自動(dòng)選取種子點(diǎn)與人工交互選取種子點(diǎn)相結(jié)合的種子區(qū)域生長(zhǎng)法對(duì)彩色水敏紙圖像進(jìn)行分割，并對(duì)水敏紙圖像進(jìn)行旋轉(zhuǎn)、自動(dòng)提取水敏紙感興趣區(qū)域，然后統(tǒng)計(jì)測(cè)量液滴參數(shù)，最后基于Matlab驗(yàn)證算法。水敏紙是一種高靈敏度的專業(yè)試紙，未使用的水敏紙是黃色的，與液體接觸后接觸區(qū)域會(huì)變成藍(lán)色，水敏紙可以用來檢查液滴分布情況，噴霧的密度和液滴的尺寸等。未使用過的水敏紙見圖 收集農(nóng)藥液滴后的1張水敏紙圖像見圖2。本試驗(yàn)的設(shè)計(jì)是為了研究噴嘴的型號(hào)和噴霧的壓力對(duì)農(nóng)藥噴灑系統(tǒng)的眾多影響，因此，試驗(yàn)具體的過程為通過改變噴灑農(nóng)藥的噴嘴型號(hào)和噴藥的壓力，攜帶農(nóng)藥的農(nóng)用機(jī)械在試驗(yàn)麥田中分別做2次試驗(yàn)，每次進(jìn)行15組不同的試驗(yàn)，事先將水敏紙纏繞固定在與麥苗基本同高的鐵桿上（圖3），這樣水敏紙中間的1/2區(qū)域面向農(nóng)用機(jī)械噴灑農(nóng)藥的方向，而水敏紙左側(cè)1/4區(qū)域和右側(cè) 1/4 區(qū)域貼在一起，是在農(nóng)用機(jī)械噴灑農(nóng)藥的背面，每組試驗(yàn)在農(nóng)用機(jī)械駛過的不同位置可獲得A、B、C、D 4張水敏紙，將4張水敏紙貼在同一張A4紙上，通過掃描儀掃描得到1次試驗(yàn)收集的水敏紙數(shù)字圖像（圖4）。1次試驗(yàn)液滴采集點(diǎn)分布見圖5。

2 樣本圖像處理

由于采集到的樣本圖像存在一定角度的傾斜，在預(yù)處理后還需對(duì)樣本圖像進(jìn)行旋轉(zhuǎn)，以使圖像歸正。因此在進(jìn)行圖像分析前，先對(duì)樣本圖像進(jìn)行處理。本研究對(duì)樣本圖像的處理包括水敏紙圖像分割、水敏紙圖像自動(dòng)旋轉(zhuǎn)和裁剪以及水敏紙圖像拼接。

2.1 水敏紙圖像分割

2.1.1 基于顏色特征的自動(dòng)選取種子點(diǎn)與人工交互選取種子點(diǎn)相結(jié)合的種子區(qū)域生長(zhǎng)算法的水敏紙圖像分割 區(qū)域生長(zhǎng)法是一種基于區(qū)域的圖像分割方法，充分利用圖像顏色信息和空域關(guān)系。區(qū)域生長(zhǎng)法假定同一對(duì)象的像素具有較高的相似性，其基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域[23]。自動(dòng)分割往往由于圖像背景受干擾等因素不能很好地對(duì)水敏紙圖像進(jìn)行分割，導(dǎo)致后續(xù)液滴參數(shù)計(jì)算不準(zhǔn)確，因此本研究采用基于顏色特征的自動(dòng)選取種子點(diǎn)與人工交互選取種子點(diǎn)相結(jié)合的種子區(qū)域生長(zhǎng)法對(duì)彩色水敏紙圖像進(jìn)行分割，經(jīng)過多次種子點(diǎn)的選取可以得到較好的分割結(jié)果。具體算法如下：（1）讀取RGB彩色圖像。（2）基于顏色特征自動(dòng)選取種子點(diǎn)，并將該種子點(diǎn)加入到已生長(zhǎng)區(qū)域，并以此作為生長(zhǎng)起點(diǎn)。

基于顏色特征的自動(dòng)選取種子點(diǎn)具體如下：因?yàn)橐旱螄姙⑦^的水敏紙圖像主要有黃色和藍(lán)色，黃色為水敏紙圖像的背景區(qū)域，且黃色像素?cái)?shù)多于藍(lán)色像素?cái)?shù)，又因?yàn)辄S色的RGB值為（255，255，0），即R和G分量都為255，B分量為0，通過直方圖統(tǒng)計(jì)發(fā)現(xiàn)，水敏紙的R和G分量的直方圖呈現(xiàn)明顯的雙峰特性，而且有1個(gè)峰在R和G分量的取值分別為200左右時(shí)特別顯著，說明這些像素屬于黃色背景區(qū)域，中間100～150是明顯的平坦區(qū)域，因此本研究根據(jù)水敏紙顏色特征來自動(dòng)選取種子點(diǎn)。從圖像左上角的第1個(gè)像素開始掃描，行和列的步長(zhǎng)均為10，分別計(jì)算1個(gè)3×3區(qū)域的R分量和G分量的平均值mi（i=R，G）和中值di（i=R，G），當(dāng)mi>T1時(shí)（根據(jù)R分量和G分量的直方圖特性選擇閾值T1=150）且同時(shí)滿足當(dāng)di>T2時(shí)（根據(jù)R分量和G分量的直方圖特性選擇閾值T2=100），則選擇這個(gè)3×3區(qū)域中心點(diǎn)作為種子點(diǎn)。

（3）判斷生長(zhǎng)起點(diǎn)的8個(gè)鄰域中是否存在符合生長(zhǎng)準(zhǔn)則的像素點(diǎn)，若存在則將其劃分為已生長(zhǎng)區(qū)域，這就完成了1次迭代。本研究的生長(zhǎng)規(guī)則為：若種子點(diǎn)的8鄰域內(nèi)像素的R、G和B分量值都分別同時(shí)在（種子點(diǎn)R、G和B分量值-5、種子點(diǎn)R、G和B分量值+5）這個(gè)范圍內(nèi)，則將其劃入已生長(zhǎng)區(qū)域。

（4）第1次迭代完成后，把符合生長(zhǎng)準(zhǔn)則的像素點(diǎn)作為新的生長(zhǎng)起點(diǎn)，重復(fù)步驟（3），直至沒有滿足條件的鄰域像素點(diǎn)劃分為已生長(zhǎng)區(qū)域?yàn)橹?，這樣算作第1次區(qū)域生長(zhǎng)結(jié)束。

（5）如果分割結(jié)果中還有未分割區(qū)域，通過鼠標(biāo)人為選擇目標(biāo)區(qū)域中的1個(gè)點(diǎn)（即種子點(diǎn)）加入到已生長(zhǎng)區(qū)域，并以此點(diǎn)作為生長(zhǎng)起點(diǎn)，重復(fù)步驟（3）～（5），直至水敏紙圖像中所有區(qū)域都分割完為止。本研究的種子區(qū)域生長(zhǎng)算法的程序流程見圖6。

圖7-a和圖7-b為待分割水敏紙?jiān)瓐D及紅色方框區(qū)域的放大圖，圖7-c和圖7-d分別為基于顏色特征的自動(dòng)選取種子點(diǎn)的種子區(qū)域生長(zhǎng)法分割結(jié)果以及相應(yīng)分割結(jié)果紅色方框區(qū)域的放大圖，圖 7-e至圖7-h分別為2次人工選取種子點(diǎn)進(jìn)行種子區(qū)域生長(zhǎng)的分割結(jié)果以及相應(yīng)分割結(jié)果紅色方框區(qū)域的放大圖。從圖7-c和圖7-d中可以看出，自動(dòng)選取種子點(diǎn)的種子區(qū)域分割算法可以分割出水敏紙圖像的絕大部分區(qū)域，但是分割結(jié)果中仍出現(xiàn)了欠分割現(xiàn)象，由于圖7-b中1、2這2個(gè)圓形區(qū)域的顏色和液滴顏色接近，而且被液滴完全包圍，所以未分割出圖中2個(gè)圓形區(qū)域。通過鼠標(biāo)選取圖 7-b 中1所對(duì)應(yīng)的較大圓形區(qū)域內(nèi)的一個(gè)點(diǎn)作為第2次分割的種子點(diǎn)，分割結(jié)果如圖7-e和圖7-f所示，可以看出圖7-b中1所對(duì)應(yīng)的較大圓形區(qū)域可以較好地分割出來，但是圖7-b中2所對(duì)應(yīng)的較小圓形區(qū)域仍未分割出來，因此，選擇該區(qū)域較小圓形區(qū)域內(nèi)的點(diǎn)作為第3次分割的種子點(diǎn)，得到的分割結(jié)果見圖7-g和圖7-h，這時(shí)，圖7-b中2所對(duì)應(yīng)的較小圓形區(qū)域也得到較好的分割。如果分割結(jié)果中還存在未分割區(qū)域，可以繼續(xù)選擇種子點(diǎn)進(jìn)行分割，直至水敏紙圖像中所有區(qū)域都分割完為止，這樣通過基于顏色特征的自動(dòng)選取種子點(diǎn)與人工交互選取種子點(diǎn)相結(jié)合的種子區(qū)域生長(zhǎng)算法對(duì)水敏紙圖像進(jìn)行分割可以得到令人滿意的分割結(jié)果，為后續(xù)液滴參數(shù)的計(jì)算奠定良好的基礎(chǔ)。

2.1.2 水敏紙圖像分割效果對(duì)比 針對(duì)K均值（K-means）聚類算法、DepositScan軟件使用的大津法（OTSU）和本研究算法這3種圖像分割方法，本研究以數(shù)據(jù)集中2幅水敏紙圖像為例進(jìn)行分割效果的測(cè)試，并對(duì)算法結(jié)果進(jìn)行對(duì)比，結(jié)果見表1。從表1的第1行圖的紅色方框區(qū)域可以看出，圖中出現(xiàn)顏色不均現(xiàn)象，K-means算法和本研究算法的分割結(jié)果基本一致，而OTSU算法沒有完全分割出液滴，出現(xiàn)欠分割現(xiàn)象。從表1的第2行圖的紅色方框區(qū)域可以看出，對(duì)于細(xì)長(zhǎng)形的液滴，OTSU算法和本研究算法能夠較好地分割出液滴，而K-means算法在液滴的末端出現(xiàn)斷裂現(xiàn)象。綜合以上分析，本研究算法對(duì)這2種情況都能較完整地分割出液滴，效果好，解決了水敏紙圖像分割不準(zhǔn)確的問題。D498D58D-9934-4195-8966-D0B98489D122

2.2 水敏紙圖像的自動(dòng)旋轉(zhuǎn)和裁剪

1次試驗(yàn)收集到的樣本水敏紙或多或少都會(huì)有一定的傾斜，這給后期水敏紙中液滴參數(shù)的統(tǒng)計(jì)帶來困難，所以首先要對(duì)水敏紙進(jìn)行自動(dòng)旋轉(zhuǎn)，使得水敏紙呈水平狀態(tài)。本研究采用Radon變換來求取圖像的傾斜角，并對(duì)圖像進(jìn)行旋轉(zhuǎn)。Radon變換的本質(zhì)是將原來的函數(shù)進(jìn)行空間轉(zhuǎn)換，也就是，將原來的xy平面上的點(diǎn)映射到AB平面上，則原來xy平面中的一條直線上的所有點(diǎn)在AB平面上都位于同一個(gè)點(diǎn)，這時(shí)記錄AB平面上的點(diǎn)的積累厚度，就可以知道xy平面上線的存在性[24]。另外在獲取水敏紙時(shí)存在背景圖像，須要提取感興趣區(qū)域，即水敏紙區(qū)域。本研究通過區(qū)域分析得到水敏紙區(qū)域的外輪廓，然后按照?qǐng)D像外輪廓繪制矩形框，并對(duì)圖像進(jìn)行裁剪。對(duì)水敏紙圖像進(jìn)行自動(dòng)旋轉(zhuǎn)和裁剪的過程見圖8。

經(jīng)過“2.1.1”節(jié)方法分割后的水敏紙圖像見圖9-a。經(jīng)Randon變換求得水敏紙圖像的傾斜角為 -2°;圖9-b所示為將圖像順時(shí)針旋轉(zhuǎn)2°（傾斜角為負(fù)數(shù)，則為順時(shí)針旋轉(zhuǎn)，否則為逆時(shí)針旋轉(zhuǎn)）后得到的水敏紙圖像;圖9-c所示為經(jīng)區(qū)域分析得到的水敏紙圖像外輪廓（紅色矩形框所示）;圖9-d為裁剪得到的水敏紙圖像。

2.3 水敏紙圖像拼接

根據(jù)田間噴施農(nóng)藥的真實(shí)情況，噴施裝置在田間從前往后行進(jìn)對(duì)農(nóng)作物噴灑農(nóng)藥，水敏紙中間 1/2 區(qū)域面向農(nóng)用機(jī)械噴灑農(nóng)藥的方向，而水敏紙左側(cè)1/4區(qū)域和右側(cè)1/4區(qū)域粘貼在一起，位于農(nóng)用機(jī)械不能直接噴灑農(nóng)藥的地方，即定義為水敏紙的背面。因此采集到的水敏紙圖像，須要被裁剪成3個(gè)部分，分別為圖像的左側(cè)1/4區(qū)域，中間1/2區(qū)域，右側(cè)1/4區(qū)域。然后將左側(cè)1/4與右側(cè)1/4拼接在一起，作為農(nóng)作物背面的水敏紙。分割的水敏紙圖像及拼接完成后的圖像見圖10。

3 液滴參數(shù)統(tǒng)計(jì)

通過本研究2種方法對(duì)水敏紙圖像進(jìn)行分割、自動(dòng)旋轉(zhuǎn)和裁剪以及拼接等預(yù)處理操作之后，得到圖10-b、圖10-c，可以看出每個(gè)液滴用一個(gè)黑色連通區(qū)域表示，這些連通區(qū)域的個(gè)數(shù)即為統(tǒng)計(jì)的液滴個(gè)數(shù)，為求得連通區(qū)域的個(gè)數(shù)，對(duì)圖像進(jìn)行標(biāo)記處理，即對(duì)屬于同一個(gè)像素連通區(qū)域的所有像素分配一個(gè)編號(hào)，用bwlabel函數(shù)實(shí)現(xiàn)，并通過label2rgb函數(shù)將各個(gè)不同編號(hào)的連通區(qū)域進(jìn)行彩色顯示。最后，用regionprops函數(shù)，提取和度量液滴圖像上每個(gè)標(biāo)記連通區(qū)域的像素面積，然后對(duì)液滴參數(shù)進(jìn)行統(tǒng)計(jì)。本研究對(duì)液滴各項(xiàng)參數(shù)的計(jì)算統(tǒng)計(jì)，主要包括了液滴覆蓋率、液滴的最大值、最小值、中間值及平均值（本研究計(jì)算的液滴最大值、最小值、中間值及平均值是以圖像的像素?cái)?shù)計(jì)算的，通過一定的換算，即可獲得液滴的粒徑參數(shù)。）。

3.1 液滴個(gè)數(shù)統(tǒng)計(jì)結(jié)果比較

本研究對(duì)2次在試驗(yàn)麥田獲得的水敏紙圖像（每次進(jìn)行15組試驗(yàn)，每組獲得4張水敏紙圖像）共計(jì)120張進(jìn)行統(tǒng)計(jì)。這里選取其中8張水敏紙圖像為例，分別統(tǒng)計(jì)水敏紙的正面和背面，共計(jì)16張水敏紙正面和背面圖像，采用3種方法統(tǒng)計(jì)液滴個(gè)數(shù)，分別為人工計(jì)數(shù)法、DepositScan軟件計(jì)數(shù)和本研究采用的方法計(jì)數(shù)。處理得到的液滴數(shù)量，不同方法的計(jì)數(shù)結(jié)果見表2。

液滴個(gè)數(shù)誤差率計(jì)算公式為

ε=|αβ|α×100%。（1）

式中：ε為誤差率;α為人工計(jì)數(shù);β為DepositScan軟件方法或本研究方法計(jì)數(shù)[12]。

由表2分析可知，DepositScan軟件對(duì)所選8張液滴圖像計(jì)數(shù)，誤差率范圍為3.592 8%～13.712 4%;用本研究方法分割、旋轉(zhuǎn)、裁剪后計(jì)數(shù)，誤差率范圍為0.000 0%～7.485 0%。從表2還可以看出，本研究方法和人工統(tǒng)計(jì)各個(gè)試紙上的液滴個(gè)數(shù)的差，依次為75、0、41、3、22、7、28、7、22、2、10、37、31、3、27、14個(gè)，本研究算法相對(duì)于人工統(tǒng)計(jì)方法的平均相對(duì)誤差為4.407 1%。DepositScan軟件的最大誤差率為13.712 4%，這樣DepositScan軟件能夠得到試紙上86.287 6%以上的液滴。而本研究算法的最大誤差率為7.485 0%，因此本研究算法能夠得到試紙上92.515 0%以上的液滴。

基于相同的樣本，與人工計(jì)數(shù)法結(jié)果對(duì)比表明，本研究方法較DepositScan軟件計(jì)數(shù)結(jié)果精準(zhǔn)度高，且對(duì)于較淺的細(xì)小液滴提取效果有所提高。

3.2 液滴覆蓋率結(jié)果比較

液滴覆蓋率可通過液滴覆蓋區(qū)域面積占統(tǒng)計(jì)總面積的百分比計(jì)算，公式為

C=AsAp×100%。（2）

式中：C為液滴覆蓋率;As為液滴區(qū)域像素?cái)?shù);Ap為水敏紙區(qū)域總像素?cái)?shù)[14]。

應(yīng)用DepositScan軟件以及本研究方法，求取8張水敏紙圖像（與“3.1”節(jié)試驗(yàn)相同）的液滴覆蓋率，結(jié)果見表3。

公式（3）為計(jì)算8張水敏紙圖像在2種方法下覆蓋率的平均相對(duì)誤差。

δ=1n∑ni=1|ei|L×100%。（3）

式中：δ為平均相對(duì)誤差;n為統(tǒng)計(jì)樣本的個(gè)數(shù);ei為絕對(duì)誤差（本研究方法與其他算法的差）;L為對(duì)比基準(zhǔn)（這里為本研究檢測(cè)的結(jié)果）[3]。

從計(jì)算結(jié)果可以得出，DepositScan軟件與本研究算法在液滴圖像正面的液滴覆蓋率平均相對(duì)誤差為9.471 4%，在液滴圖像背面的液滴覆蓋率平均相對(duì)誤差為9.656 7%。其中液滴圖像正面中，8號(hào)試紙的效果最好，這2種方法計(jì)算的液滴覆蓋率相對(duì)誤差最小，為4.357 1%;液滴圖像背面中，img1試紙的效果最好，這2種方法計(jì)算的液滴覆蓋率相對(duì)誤差最小，為2.880 9%。

3.3 種測(cè)量方法的相關(guān)分析

對(duì)所選8張水敏紙圖像（與“3.1”節(jié)試驗(yàn)相同）的液滴最大值、平均值和中值進(jìn)行相關(guān)性分析，用Excel計(jì)算相關(guān)系數(shù)并繪出散點(diǎn)圖。圖11為DepositScan軟件與本研究方法對(duì)樣本圖像的液滴最大值、液滴平均值和液滴中值的測(cè)量結(jié)果的相關(guān)關(guān)系散點(diǎn)圖。D498D58D-9934-4195-8966-D0B98489D122

分析2種方法的相關(guān)性可知，DepositScan法與本研究方法測(cè)得的圖像正面和圖像背面液滴最大值之間相關(guān)系數(shù)分別為0.988 9和0.999 5，液滴平均值之間相關(guān)系數(shù)分別為0.978 9和0.981 0，液滴中值之間相關(guān)系數(shù)分別為 0.964 6 和0.991 4。通過統(tǒng)計(jì)檢驗(yàn)，實(shí)際得到的r全部大于r0.01（6）=0.834 0，這說明2種方法間呈現(xiàn)極為顯著的相關(guān)性，本研究處理法可用于水敏紙圖像的實(shí)際測(cè)量工作。

4 結(jié)論

針對(duì)目前水敏紙圖像處理軟件缺少對(duì)水敏紙圖像的旋轉(zhuǎn)等預(yù)處理操作，以及將水敏紙圖像先轉(zhuǎn)換為灰度圖像再進(jìn)行分割而導(dǎo)致檢測(cè)精度低的問題，本研究首先通過基于顏色特征的自動(dòng)選取種子點(diǎn)與人工交互選取種子點(diǎn)相結(jié)合的種子區(qū)域生長(zhǎng)法對(duì)彩色水敏紙圖像進(jìn)行分割，然后通過Randon變換來求取圖像的傾斜角，并對(duì)圖像進(jìn)行旋轉(zhuǎn)和裁剪，最后統(tǒng)計(jì)液滴尺寸、液滴個(gè)數(shù)和液滴覆蓋率等參數(shù)。選取8張水敏紙樣本進(jìn)行相關(guān)試驗(yàn)，試驗(yàn)結(jié)果表明：針對(duì)液滴個(gè)數(shù)，用本研究的方法計(jì)數(shù)，誤差率范圍為0.000 0%～7.485 0%，而用DepositScan軟件計(jì)數(shù)，誤差率范圍為3.592 8%～13.712 4%，本研究算法的最大誤差率為7.485 0%，因此本研究算法能夠得到試紙上92.515 0%以上的液滴。本研究方法計(jì)數(shù)準(zhǔn)確率高。針對(duì)液滴覆蓋率，DepositScan法與本研究算法在液滴圖像正面的液滴覆蓋率平均相對(duì)誤差為9.471 4%，在液滴圖像背面的液滴覆蓋率平均相對(duì)誤差為9.656 7%。針對(duì)液滴的最大值、平均值和中值，分別對(duì)2種方法進(jìn)行了相關(guān)性分析，實(shí)際得到的相關(guān)系數(shù)r全部大于r0.01（6）=0.834，這說明2種方法間呈現(xiàn)極顯著的相關(guān)性，驗(yàn)證了本研究方法的有效性。

致謝：感謝美國(guó)肯塔基大學(xué)Tim Stombaugh教授提供的水敏紙樣本。

參考文獻(xiàn)：

[1]Zhang W J，Jiang F B，Ou J F. Global pesticide consumption and pollution：with China as a focus[J]. Proceedings of the International Academy of Ecology and Environmental Sciences，201 1（2）：125-144.

[2]鄭加強(qiáng). 基于計(jì)算機(jī)視覺的霧滴尺寸測(cè)量技術(shù)[J]. 南京林業(yè)大學(xué)學(xué)報(bào)，2000，24（6）：47-50.

[3]郭 娜，劉思瑤，須 暉，等. 霧滴沉積特性參數(shù)的圖像檢測(cè)算法改進(jìn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（17）：176-182.

[4]鄭琦琦，吳 堅(jiān). 基于NO-2顯色反應(yīng)的抗?jié)裥試婌F霧滴密度和大小的檢測(cè)體系[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（3）：107-112.

[5]Fox R D，Derksen R C，Cooper J A，et al. Visual and image system measurement of spray deposits using water-sensitive paper[J]. Applied Engineering in Agriculture，2003，19（5）：549-554.

[6]Panneton B. Image analysis of water-sensitive cards for spray coverage experiments[J]. Applied Engineering in Agriculture，2002，18（2）：179-182.

[7]Cunha M，Carvalho C，Marcal A R S. Assessing the ability of image processing software to analyse spray quality on water-sensitive papers used as artificial targets[J]. Biosystems Engineering，2012，111（1）：11-23.

[8]Zhu H P，Salyani M，F(xiàn)ox R D. A portable scanning system for evaluation of spray deposit distribution[J]. Computers and Electronics in Agriculture，201 76（1）：38-43.

[9]Machado B B，Spadon G，Arruda M S，et al. A smartphone application to measure the quality of pest control spraying machines via image analysis[C]//SAC 18：Proceedings of the 33rd Annual ACM Symposium on Applied Computing，2018：956-963.

[10]Ferguson J C，Chechetto R G，ODonnell C C，et al. Assessing a novel smartphone application-SnapCard，compared to five imaging systems to quantify droplet deposition on artificial collectors[J]. Computers and Electronics in Agriculture，2016，128：193-198.

[11]zlüoymakB，Bolat A. Development and assessment of a novel imaging software for optimizing the spray parameters on water-sensitive papers[J]. Computers and Electronics in Agriculture，2020，168：105104.D498D58D-9934-4195-8966-D0B98489D122

[12]吳亞壘，祁力鈞，張 亞，等. 霧滴圖像粘連特征改進(jìn)判斷及分離計(jì)數(shù)方法優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（增刊1）：220-227.

[13]祁力鈞，胡開群，莽 璐，等. 基于圖像處理的霧滴檢測(cè)技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（增刊1）：48-51.

[14]邱白晶，沙俊炎，湯伯敏，等. 密閉空間霧滴沉積狀態(tài)參數(shù)的顯微圖像解析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（2）：55-58.

[15]袁江濤，楊 立，王小川，等. 基于機(jī)器視覺的細(xì)水霧液滴尺寸測(cè)量與分析[J]. 光學(xué)學(xué)報(bào)，2009，29（10）：2842-2847.

[16]史春建，邱白晶，湯伯敏，等. 基于高速圖像的霧滴尺寸分布統(tǒng)計(jì)與運(yùn)動(dòng)分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37（5）：63-66.

[17]梁 萍. 基于計(jì)算機(jī)視覺的霧滴尺寸參數(shù)檢測(cè)系統(tǒng)研究[D]. 南京：南京林業(yè)大學(xué)，2008.

[18]宋 睿，沈國(guó)清，張永濤，等. 植保無人機(jī)飛防助劑的篩選及其性能評(píng)價(jià)[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，202 37（2）：333-339.

[19]薛秀云，許旭鋒，李 震，等. 基于葉墻面積的果樹施藥量模型設(shè)計(jì)及試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（2）：16-22.

[20]王 娟，蘭玉彬，姚偉祥，等. 單旋翼無人機(jī)作業(yè)高度對(duì)檳榔霧滴沉積分布與飄移影響[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（7）：109-119.

[21]Sies M F，Madzlan N F，Asmuin N，et al. Determine spray droplets on water sensitive paper （WSP） for low pressure deflector nozzle using image J[J]. Materials Science and Engineering，2017，243：012047.

[22]Alahmad W，Tungkijanansin N，Kaneta T，et al. A colorimetric paper-based analytical device coupled with hollow fiber membrane liquid phase microextraction （HF-LPME） for highly sensitive detection of hexavalent chromium in water samples[J]. Talanta，2018，190：78-84.

[23]Shrivastava N，Bharti J. Automatic seeded region growing image segmentation for medical image segmentation：a brief review[J]. International Journal of Image and Graphics，2020，20（3）：2050018.

[24]彭 然，胡立文，鄧中民. 基于Radon變換和能量曲線的機(jī)織物密度檢測(cè)[J]. 棉紡織技術(shù)，202 49（4）：16-20.D498D58D-9934-4195-8966-D0B98489D122