胡曉斌

摘要隨著土地流轉(zhuǎn)機(jī)制的成熟和完善，以及由傳感器、通信和計(jì)算機(jī)等技術(shù)組成的物聯(lián)網(wǎng)系統(tǒng)的發(fā)展，為農(nóng)業(yè)現(xiàn)代化管理提供了制度和技術(shù)的保障，其中農(nóng)作物生長(zhǎng)環(huán)境下雜草的識(shí)別和清除是家庭農(nóng)場(chǎng)管理的重要組成部分。首先利用家庭農(nóng)場(chǎng)作物先驗(yàn)幾何特性，擬合小麥正常生長(zhǎng)條件下的中心線，根據(jù)小麥種植時(shí)固定的行間距，識(shí)別小麥生長(zhǎng)環(huán)境下的雜草，對(duì)比實(shí)地調(diào)查的統(tǒng)計(jì)數(shù)據(jù)，該研究算法識(shí)別雜草的正確率達(dá)到92.8%，可為家庭農(nóng)場(chǎng)管理裝備提供技術(shù)支撐。

關(guān)鍵詞土地流轉(zhuǎn)；先驗(yàn)知識(shí)；小麥；雜草識(shí)別

中圖分類號(hào)S24；TP39文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)0517-6611（2018）25-0176-03

Weed Recognition in Wheat Growing Environment Using Prior Knowledge

HU Xiaobin1，2

（1.School of Environmental and Geomatics Engineering， Suzhou University， Suzhou，Anhui 234000；2.College of Surveying and Mapping， Wuhan University， Wuhan，Hubei 430079）

AbstractWith the maturity and perfection of the land transfer mechanism， as well as the development of the Internet of things， such as sensor， communication and computer technology， the system and technology are provided for the management of agricultural modernization. First， we use the prior geometric characteristics of family farm crops to fit the central line of wheat under normal growth conditions， identify weeds under the fixed row spacing of wheat， and compare the statistical data of field survey. The accuracy of this algorithm is 92.8%， which can be provided for family farm management equipment.

Key wordsLand transfer；Prior knowledge；Wheat；Weed identification

隨著我國(guó)農(nóng)業(yè)土地流轉(zhuǎn)政策的出臺(tái)，以國(guó)有企業(yè)、農(nóng)民合作社、種糧大戶、家庭農(nóng)場(chǎng)等為代表的農(nóng)業(yè)社會(huì)化服務(wù)組織承包了越來(lái)越多的農(nóng)場(chǎng)土地，帶來(lái)的是如何科學(xué)合理地管理農(nóng)場(chǎng)土地的問(wèn)題，其中的雜草識(shí)別和清除是現(xiàn)代農(nóng)業(yè)管理的重要組成部分。針對(duì)農(nóng)田作物生長(zhǎng)環(huán)境下的雜草識(shí)別問(wèn)題，可以從圖像的物理特性和幾何特性2個(gè)方面分析[1-6]。依據(jù)農(nóng)田作物和雜草在光譜上的差異，采用圖像分割算法，分離土壤和綠色植被，再結(jié)合形態(tài)學(xué)方法，最終識(shí)別雜草[4-8]。同樣，直接從圖像幾何形狀和紋理特征參數(shù)分析，建立農(nóng)田雜草識(shí)別的先驗(yàn)知識(shí)，進(jìn)而識(shí)別農(nóng)田作物環(huán)境下的雜草[6-10]。筆者針對(duì)無(wú)人機(jī)拍攝的低空?qǐng)D像，根據(jù)作物種植時(shí)固定的小麥行間距條件，識(shí)別了小麥行之間的雜草部分，正確率達(dá)到92.8%。該算法簡(jiǎn)單，可實(shí)現(xiàn)性高，可以作為雜草清除設(shè)備重要的理論支撐。

1超綠模型

無(wú)論是近景攝影還是中低空攝影，甚至是衛(wèi)星攝影，采集的農(nóng)田場(chǎng)景圖像基本包括土壤和綠色植被2種大類。為了識(shí)別場(chǎng)景圖像中的雜草，首先要區(qū)分土壤和包含雜草的綠色植被部分，而綠色波段則是保留綠色植被信息最為豐富的波段。由于圖像采集設(shè)備和無(wú)人機(jī)載荷平臺(tái)等限定因素，一般采集的多為RGB圖像。該試驗(yàn)的原始圖像，采用大疆DJ精靈4無(wú)人機(jī)專業(yè)版，搭載GoPro-Hero4相機(jī)，在安徽省宿州市埇橋區(qū)國(guó)家現(xiàn)代農(nóng)業(yè)示范區(qū)進(jìn)行拍攝，飛行高度距離地面5 m，獲取實(shí)驗(yàn)區(qū)內(nèi)小麥正常生長(zhǎng)RGB圖像，如圖1所示。

針對(duì)RGB圖像，該研究采用超綠模型提取場(chǎng)景圖像中的綠色植被部分，超綠模型計(jì)算公式如（1）所示。

I=2×G-R-B（1）

式（1）中，I表示超綠圖像，G表示RGB圖像的綠色波段，R表示RGB圖像的紅色波段，B表示RGB圖像的藍(lán)色波段。

這里需要注意的是，圖像處理過(guò)程中會(huì)出現(xiàn)負(fù)值。一般處理方法，直接賦值為0。該試驗(yàn)中，為了減少圖像紋理結(jié)構(gòu)的損失，將超綠圖像灰度值[min，max]映射到[0，255]范圍內(nèi)，大大保留了超綠圖像的紋理結(jié)構(gòu)。采用超綠模型處理后，結(jié)果如圖2所示，對(duì)比可以發(fā)現(xiàn)，超綠模型把綠色植被和土壤背景可有效區(qū)分。

2迭代閾值分割算法

為了分割綠色植被和土壤背景，進(jìn)行圖像形態(tài)學(xué)分析。該試驗(yàn)過(guò)程中，采用了改進(jìn)雙峰圖像分割法，即為迭代閾值分割算法。該算法原理是基于逼近的思想，具體實(shí)現(xiàn)步驟如下[9-12]：

（1）求解圖象的最大灰度值和最小灰度值，分別記為Zmax和Zmin，令初始閾值為T0，T0=（Zmax+Zmin）/2。

（2）根據(jù)閾值TK將圖象分割為綠色植被和土壤背景，并求出兩者的平均灰度值ZO和ZB。

（3）根據(jù)綠色植被和土壤背景的平均值，求出新閾值TK+1=（ZO+ZB）/2。

（4）如果閾值TK=TK+1，則表明計(jì)算出的TK為閾值；否則轉(zhuǎn)到步驟（2），繼續(xù)執(zhí)行迭代計(jì)算。

將上文實(shí)驗(yàn)得到的超綠圖像經(jīng)過(guò)迭代閾值分割算法，并經(jīng)過(guò)二值化處理后，結(jié)果如圖3所示。其中，白色表示場(chǎng)景圖像中綠色植被信息部分，黑色表示土壤背景等其他信息。

3行間距算法

雜草識(shí)別屬于非此即彼的數(shù)學(xué)優(yōu)化問(wèn)題。根據(jù)冬季小麥形態(tài)特征、生理特性等方面發(fā)生一系列變化，小麥生長(zhǎng)周期可分為：

①播種期：9月底10月初，株高0 cm。

②出苗期：10月上中旬，小麥幼苗第1片真葉伸出胚芽鞘1.5～2.0 cm。

③分蘗期：10月中下旬，小麥第1個(gè)分蘗伸出葉鞘1.5～2.0 cm左右。

④越冬期：11月底12月初，日平均氣溫降到3 ℃以下，小麥植株基本停止生長(zhǎng)。

⑤返青期：2月下旬至3月上旬，春季氣溫上升到3 ℃以上，小麥葉色由暗綠變?yōu)榍嗑G色。

⑥起身期：3月中旬，小麥主莖開(kāi)始生長(zhǎng)。

⑦拔節(jié)期：4月中上旬，小麥主莖第1節(jié)距離地面1.5～2.0 cm。

⑧挑旗：4月下旬，小麥旗葉全部漏出葉鞘。

⑨抽穗：4月下旬至5月上旬，麥穗長(zhǎng)出總長(zhǎng)度的50%。

⑩開(kāi)花：5月上、中旬，麥穗中部開(kāi)花。

B11灌漿：5月中旬，麥穗籽粒長(zhǎng)度達(dá)到總程度的80%，可從籽粒中擠出汁液。

B12成熟期：6月上旬，麥穗籽粒變硬，呈現(xiàn)小麥固有特征。

根據(jù)小麥生長(zhǎng)周期和播種時(shí)的行距，該研究提出了基于行間距的雜草識(shí)別算法。同時(shí)，該算法有2個(gè)限定前提約束條件：

條件1，現(xiàn)代農(nóng)業(yè)作物播種前，會(huì)噴施除草劑等化學(xué)藥品，大大抑制了大面積雜草的出現(xiàn)。因此，雜草清除更多是在局部小范圍內(nèi)的識(shí)別問(wèn)題。

條件2，根據(jù)小麥生長(zhǎng)周期，雜草對(duì)小麥生長(zhǎng)影響內(nèi)較為顯著階段有⑤、⑥和⑦這樣3個(gè)階段。因此，選擇這3個(gè)階段內(nèi)的圖像進(jìn)行識(shí)別研究，具有很強(qiáng)的現(xiàn)實(shí)價(jià)值。

行間距雜草識(shí)別算法具體實(shí)現(xiàn)步驟如下：

（1）選擇小麥行中心點(diǎn)（X行中心點(diǎn)，Y行中心點(diǎn)）和行邊界點(diǎn)（X行邊界點(diǎn)，Y行邊界點(diǎn)）。

（2）計(jì)算小麥行間距，如公式（2）。

Distance=（X行中心點(diǎn)-X行邊界點(diǎn)）2+（Y行中心點(diǎn)-Y行邊界點(diǎn)）2（2）

（3）根據(jù)點(diǎn)直線公式，擬合小麥行中心線，如公式（3）。

y-Y行中心點(diǎn)=X行邊界點(diǎn)-X行中心點(diǎn)Y行邊界點(diǎn)-Y行中心點(diǎn)（x-X行中心點(diǎn)）（3）

其中，（x，y）表示圖像像素坐標(biāo)。

（4）根據(jù)小麥行間距和行中心線，確定小麥生長(zhǎng)區(qū)域。在該實(shí)驗(yàn)過(guò)程中，結(jié)果如圖4所示。其中，紅色虛線部分表示小麥行中心，藍(lán)色部分表示小麥生長(zhǎng)區(qū)域邊界。

（5）判斷迭代閾值分割圖像中，小麥行生長(zhǎng)區(qū)域外的綠色植被部分，判定為雜草。根據(jù)該研究提出的算法，經(jīng)過(guò)處理后，結(jié)果如圖5所示。

在后期雜草清除設(shè)備上，為了便于進(jìn)行疊加分析，將雜草識(shí)別結(jié)果和原始圖像疊加，如圖6所示，便于后期設(shè)備的精準(zhǔn)作業(yè)。

為了評(píng)價(jià)該研究算法識(shí)別雜草的正確率，根據(jù)野外實(shí)地測(cè)量的雜草面積和該研究算法提取的雜草面積比值結(jié)果作為正確率，結(jié)合無(wú)人機(jī)飛行高度，確定攝影圖像比例尺，最終計(jì)算兩者面積比值為92.8%[13-16]。剔除實(shí)地測(cè)量過(guò)程中的誤差等因素，表明該研究算法具有很高的實(shí)用價(jià)值。

4結(jié)論

雜草識(shí)別是農(nóng)業(yè)現(xiàn)代化特別是精準(zhǔn)農(nóng)業(yè)需要解決的經(jīng)典問(wèn)題，該研究從小麥播種時(shí)固定的小麥行間距先驗(yàn)知識(shí)，提出了雜草識(shí)別的行間距算法，通過(guò)實(shí)驗(yàn)可以得出以下結(jié)論：

①基于先驗(yàn)知識(shí)的小麥行間距可以有效識(shí)別小麥生長(zhǎng)重要時(shí)期的雜草。

②該研究算法識(shí)別雜草的正確率達(dá)到928%，可以作為智能雜草清除設(shè)備的理論依據(jù)。

該研究的算法仍存在錯(cuò)誤識(shí)別等現(xiàn)象，如何結(jié)合小麥行直線和Hough

變換，自動(dòng)識(shí)別小麥行中心點(diǎn)和邊界點(diǎn)提高該算法的雜草識(shí)別正確率是后續(xù)需要完善的。

參考文獻(xiàn)

[1] JI R H，F(xiàn)U Z T，QI L J.Realtime plant image segmenttation algorithm under natural outdoor light conditons[J].New Zealand journal of agricultural research，2007，50（5）：847-854.

[2] SLAUGHTER D C，GILES D K，DOWNEY D.Autonomous robotic weed control systems：A review[J].Computers and electronics in agriculture，2008，61（1）：63-78.

[3] 李濤，溫廣月，錢振官，等.不同類型雜草危害對(duì)小麥產(chǎn)量的影響[J].中國(guó)植保導(dǎo)刊，2013，33（4）：28-30.

[4] 錢永濤.基于計(jì)算機(jī)視覺(jué)的小麥長(zhǎng)勢(shì)監(jiān)控研究[J].農(nóng)機(jī)化研究，2018，40（4）：225-229.

[5] 黃士凱，祁力鈞，張建華，等.基于行寬的玉米行間雜草識(shí)別算法[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，18（1）：165-171.

[6] 祖琴，張水發(fā)，曹陽(yáng)，等.結(jié)合光譜圖像技術(shù)和SAM 分類法的甘藍(lán)中雜草識(shí)別研究[J].光譜學(xué)與光譜分析，2015，35（2）：479-485.

[7] 祖琴，趙春江，鄧巍，等.基于可見(jiàn)-近紅外光譜分析的圓白菜與雜草識(shí)別技術(shù)[J].光譜學(xué)與光譜分析，2013，33（5）：1202-1205.

[8] 趙川源，何東健，喬永亮.基于多光譜圖像和數(shù)據(jù)挖掘的多特征雜草識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（2）：192-198.

[9] 白敬，徐友，魏新華，等.基于光譜特性分析的冬油菜苗期田間雜草識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（20）：128-134.

[10] 紀(jì)壽文，王榮本，陳佳娟，等.應(yīng)用計(jì)算機(jī)圖像處理技術(shù)識(shí)別玉米苗期田間雜草的研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2001，17（2）：154-156.

[11] 吳蘭蘭，劉儉英，文友先.基于分形維數(shù)的玉米和雜草圖像識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（3）：176-179.

[12] 王海華，朱夢(mèng)婷，李莉，等.基于剪切波變換和無(wú)人機(jī)麥田圖像的區(qū)域雜草識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（S1）：99-106.

[13] 毛文華，王一鳴，張小超，等.基于機(jī)器視覺(jué)的苗期雜草實(shí)時(shí)分割算法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36（1）：83-86.

[14] 陶飛翔，吳一全.非下采樣Shearlet 變換與參數(shù)化對(duì)數(shù)圖像處理相結(jié)合的遙感圖像增強(qiáng)[J].測(cè)繪學(xué)報(bào)，2015，44（8）：884-892.

[15] DEMIREL H，ANBARJAFARI G.Image resolution enhancement by using discrete and stationary wavelet decomposition[J].IEEE Transactions on Image Processing，2011，20（5）：1458-1460.

[16] FENG W S，LEI H.Singleimage superresolution with total generalised variation and shearlet regularisations[J].IEEE Transactions on Image Processing，2014，8（12）：833-845.