王春雷，盧彩云，陳婉芝，李洪文，何 進(jìn)，王慶杰

基于遺傳算法和閾值濾噪的玉米根茬行圖像分割

王春雷，盧彩云，陳婉芝，李洪文※，何 進(jìn)，王慶杰

（1. 中國農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083；2. 農(nóng)業(yè)部河北北部耕地保育農(nóng)業(yè)科學(xué)觀測實驗站，北京 100083）

作物行的識別是農(nóng)業(yè)機(jī)械視覺導(dǎo)航系統(tǒng)的一項重要研究內(nèi)容，針對華北一年兩熟區(qū)玉米利用聯(lián)合收獲機(jī)留茬收獲后，農(nóng)田原始圖像中背景目標(biāo)多（行間秸稈、裸露地表等），且背景目標(biāo)與玉米根茬顏色接近，難以實現(xiàn)玉米根茬行準(zhǔn)確快速分割的問題，該文采用RGB顏色空間，以根茬頂端切口為目標(biāo)，提出了一種基于遺傳算法和閾值濾噪的玉米根茬行圖像分割方法。首先，為了降低圖像分割難度，選取圖像中間位置包含一條完整玉米根茬行的矩形區(qū)域作為感興趣區(qū)域（region of interest，ROI）；然后，利用經(jīng)過遺傳算法優(yōu)化得到的灰度化算子對ROI進(jìn)行灰度化，采用單閾值法分割ROI；最后，通過形態(tài)學(xué)腐蝕處理去除孤立點、毛刺等誤分割情況，同時利用基于連通域面積閾值和偏距閾值的濾噪方法濾除根茬行兩側(cè)噪聲，實現(xiàn)玉米根茬行的有效分割。為評價該分割方法，利用從農(nóng)業(yè)部河北北部耕地保育農(nóng)業(yè)科學(xué)觀測實驗站采集到的200幅玉米根茬行圖像進(jìn)行試驗。結(jié)果表明：該方法能夠較好的適應(yīng)晴天光照條件變化，從含有裸露地表、玉米行間秸稈等復(fù)雜背景下，準(zhǔn)確快速地分割出玉米根茬行，平均相對目標(biāo)面積誤差率為24.68%，處理一幅1 280像素×1 024像素的彩色圖像平均耗時為0.16 s，具有較好的魯棒性、實時性和準(zhǔn)確性。研究結(jié)果驗證了基于遺傳算法和閾值濾噪方法實現(xiàn)玉米利用聯(lián)合收獲機(jī)留茬收獲后根茬行圖像分割的可行性，并為玉米根茬行直線檢測提供良好的基礎(chǔ)。

圖像分割；機(jī)器視覺；遺傳算法；閾值濾噪；玉米根茬行

0 引 言

在華北一年兩熟區(qū)的玉米留茬地，實行小麥對行免耕播種不但可以發(fā)揮免耕播種減少風(fēng)蝕、水蝕，改善土壤理化性質(zhì)的優(yōu)點，還可以減少機(jī)具的堵塞問題[1-3]。然而目前的小麥對行免耕播種普遍都是依賴于駕駛員駕駛經(jīng)驗完成，駕駛員作業(yè)強(qiáng)度大且對行精度和作業(yè)效率無法得到保證。因此，研究利用機(jī)器視覺導(dǎo)航方法實時、準(zhǔn)確檢測玉米根茬行，引導(dǎo)小麥對行免耕播種機(jī)在根茬行間作業(yè)，對于提高對行精度，作業(yè)效率和播種質(zhì)量都有著重要的意義。

作為農(nóng)業(yè)機(jī)械視覺導(dǎo)航系統(tǒng)的基礎(chǔ)，前景目標(biāo)的準(zhǔn)確快速識別直接影響到系統(tǒng)的準(zhǔn)確性和實時性。近年來，國內(nèi)外學(xué)者提出了許多適用于耕、種、管和收等農(nóng)業(yè)機(jī)械化生產(chǎn)過程中農(nóng)田前景目標(biāo)的分割方法。在耕種環(huán)節(jié)，研究人員通過將作業(yè)地塊和未作業(yè)地塊的分界線、劃行器的劃痕、播種行及水稻插秧作業(yè)過程中的已插植秧苗行等作為目標(biāo)特征，分割目標(biāo)[4-7]；在田間管理階段，研究人員將綠色作物作為目標(biāo)，通過凸顯綠色特征分割作物[8-11]；在收獲期，研究人員將收獲作業(yè)過程中收獲地塊與未收獲地塊自然形成的分界線作為前景特征進(jìn)行圖像分割[12-14]。上述研究在各自的應(yīng)用領(lǐng)域都取得了一定的效果，但通過分析發(fā)現(xiàn)，上述分割方法適用于農(nóng)田圖像中的待分割前景目標(biāo)與背景目標(biāo)間存在明顯差異（顏色、亮度等）的情況，而玉米利用聯(lián)合收獲機(jī)留茬收獲后，圖像中含有大量背景目標(biāo)，如裸露地表、行間秸稈等，且顏色與玉米根茬接近，因此上述分割方法并不適用于玉米利用聯(lián)合收獲機(jī)留茬收獲后的根茬行圖像。

遺傳算法作為一種常見的全局優(yōu)化搜索算法已被用于導(dǎo)航線提取、自動控制等領(lǐng)域[15-16]。連通域概念作為圖像處理系統(tǒng)的一項重要內(nèi)容，常用于提取目標(biāo)區(qū)域，并統(tǒng)計目標(biāo)區(qū)域的特征參數(shù)如面積、質(zhì)心等[17-18]。因此，本文在分析玉米利用聯(lián)合收獲機(jī)留茬收獲后根茬行圖像分布特點的基礎(chǔ)上，結(jié)合遺傳算法和連通域概念，提出一種基于遺傳算法和閾值濾噪的根茬行圖像分割方法，以期為后續(xù)準(zhǔn)確快速地檢測出根茬行直線，引導(dǎo)小麥對行免耕播種機(jī)沿導(dǎo)航線進(jìn)行對行免耕播種提供基礎(chǔ)。

1 圖像采集

本文以玉米利用聯(lián)合收獲機(jī)留茬收獲后的根茬行為研究對象，采用嘉恒中自圖像技術(shù)有限公司生產(chǎn)的型號為OK_AC1310的CCD彩色攝像頭，AVENIRLENS公司型號為SE0614MP-3C的鏡頭獲取根茬行圖像，其中圖像傳感器（CCD）尺寸為7.6 mm×6.2 mm，鏡頭焦距為6 mm，相機(jī)視場角為78.52°，拍攝地點是農(nóng)業(yè)部河北北部耕地保育農(nóng)業(yè)科學(xué)觀測實驗站，拍攝時間為2014－2016年每年10月初。參考農(nóng)業(yè)車輛視覺導(dǎo)航、農(nóng)具視覺導(dǎo)航等相關(guān)研究中的相機(jī)安裝位置，在多次前期初步試驗的基礎(chǔ)上確定拍攝時攝像頭距地面的高度約1 m，與水平方向的夾角約40°，且使攝像頭正對一條玉米根茬行[19-20]。按照當(dāng)前高度和夾角拍攝時，相機(jī)能夠獲得前方約3 m的農(nóng)田信息，投射的采集面約是4 m×3 m，投射范圍的尺度比例約是4:3。共采集圖像250張，包括50幅樣本圖像（包括25幅晴天強(qiáng)光條件和25幅晴天弱光條件），用于獲取根茬頂端切口、裸露地表和行間秸稈3類像素的樣本圖像和濾噪閾值的面積閾值和偏距閾值等，100幅晴天強(qiáng)光條件下采集的圖像（如11：00－14：00、天氣晴朗）和100幅晴天弱光照條件下采集的圖像（如早上或傍晚，多云等）作為測試圖像，用于驗證本文提出算法的性能[21-22]，采集圖像格式為.jpg，圖像分辨率為1 280′1 024像素。

2 基于遺傳算法和閾值濾噪的分割方法

基于遺傳算法和閾值濾噪的玉米根茬行分割方法主要分為3個處理流程，如圖1所示。1）ROI選?。哼x取玉米根茬行圖像中間位置包含一條完整玉米根茬行的區(qū)域作為ROI，降低分割難度；2）圖像灰度化及分割：針對現(xiàn)有圖像中目標(biāo)（根茬頂端切口）和背景（行間秸稈、裸露地表）3類像素，利用遺傳算法優(yōu)化灰度化算子以增強(qiáng)目標(biāo)，抑制背景，并通過得到的灰度化算子對ROI進(jìn)行灰度化處理，采用單閾值法分割灰度化的ROI；3）噪聲濾除：先通過形態(tài)學(xué)腐蝕處理濾除ROI二值圖像中的孤立點、毛刺等，然后通過基于連通域面積閾值和偏距閾值的方法濾除根茬行兩側(cè)噪聲（濾噪閾值通過標(biāo)記形態(tài)學(xué)腐蝕處理后的50幅樣本圖像的ROI二值圖手動獲取），最后得到只含有玉米根茬行的二值圖。

圖1 玉米根茬行圖像分割流程圖

2.1 顏色空間選擇

農(nóng)田環(huán)境下獲得的玉米根茬行圖像，由于背景復(fù)雜且顏色與目標(biāo)接近、光照強(qiáng)度不均勻等實際情況，導(dǎo)致玉米根茬行的實際分割效果較差，因此要選取適于目標(biāo)顏色特征表達(dá)的顏色空間。RGB，HSI，YCbCr和Lab等是目前較為常用的4種顏色空間，而這些顏色空間在表達(dá)上又有著各自側(cè)重點[23]。

為準(zhǔn)確描述復(fù)雜農(nóng)田環(huán)境下的玉米根茬行圖像，將圖像分為根茬頂端切口，行間秸稈和裸露地表3部分。首先，人工獲取目標(biāo)和背景3類像素的樣本圖像，其獲取流程如下：1）利用Photoshop軟件矩形選框工具中的固定大小功能，設(shè)定10×10像素的單位像素塊；2）人工通過該單位像素塊從50幅樣本圖像的每幅圖像中，隨機(jī)采樣根茬頂端切口、行間秸稈和裸露地表各2個共計300個；3）利用Photoshop軟件將屬于每類特征的單位像素塊拼成100×100像素的樣本圖像。將3類像素的樣本圖像分別投射到上述4種顏色空間中，對比發(fā)現(xiàn)根茬頂端切口在RGB顏色空間的所有分量通道下與行間秸稈和裸露地表的灰度差異都比較明顯，如圖2所示。但是這種明顯差異僅存在于HSI空間的分量通道、YcbCr空間的分量通道和Lab空間的分量通道，因此選取RGB顏色空間用于完成玉米根茬行圖像分割。

圖2 樣本圖像在RGB各通道下的灰度分布

2.2 玉米根茬行感興趣區(qū)域選取

由于玉米種植行距及攝像頭視場設(shè)定等原因能基本保證采集的圖像中僅包含一條完整的玉米根茬行（本研究中完整的玉米根茬行指圖像采集時與攝像頭相對的且與底邊最接近垂直的根茬行），如圖3a所示。為了降低分割難度，選取采集圖像中間位置包含一條完整玉米根茬行的區(qū)域作為ROI。ROI選取方法：將以平均灰度值最大的像素列為中心列，并向兩側(cè)各取150個像素列的矩形區(qū)域作為玉米根茬行感興趣區(qū)域，如圖3b所示。

圖3 玉米根茬行感興趣區(qū)域選取過程

2.3 圖像灰度化及分割

2.3.1 基于遺傳算法的灰度化算子優(yōu)化

作為一種常見的全局優(yōu)化搜索算法，遺傳算法通過對種群反復(fù)進(jìn)行選擇、交叉、變異操作產(chǎn)生新種群，并采用設(shè)計的適應(yīng)度函數(shù)不斷篩選優(yōu)良個體，使種群向最優(yōu)方向繁衍，最終求出最優(yōu)解[24]。從圖2可以看出，目標(biāo)與背景灰度雖然接近，但仍有不同，因此通過遺傳算法對灰度化算子的3個系數(shù)（，，）進(jìn)行優(yōu)化，以達(dá)到強(qiáng)化根茬頂端切口，抑制背景的目的，具體過程如下：

1）編碼方式及種群數(shù)量

采用浮點數(shù)制編碼方式，定義灰度化算子3個系數(shù)（，，）的取值范圍如公式（1）所示，種群數(shù)量為50。

2）適應(yīng)度函數(shù)設(shè)計

為增強(qiáng)根茬頂端切口和裸露地表或行間秸稈灰度的差異，采用相同適應(yīng)度函數(shù)，分別獲取可增強(qiáng)根茬頂端切口同時抑制裸露地表的灰度化算子，以及可增強(qiáng)根茬頂端切口同時抑制行間秸稈的灰度化算子。

利用種群中每個個體代表的灰度化算子分別處理根茬頂端切口、裸露地表和行間秸稈的樣本圖像。將根茬頂端切口和裸露地表或行間秸稈的灰度重疊率、均值差值和灰度圖像方差作為評價指標(biāo)，重疊率越小，越有利于灰度化根茬行圖像，計算方式如下

式中p為重疊率，%；p為重疊區(qū)域的像素數(shù)；0為根茬頂端切口樣本圖像的灰度圖像對應(yīng)的總像素數(shù)；1為裸露地表或行間秸稈樣本圖像的灰度圖像對應(yīng)的總像素數(shù)。

均值差值越大，越有利于灰度化根茬行圖像，計算方式如下

式中m為根茬頂端切口樣本圖像和裸露地表或行間秸稈樣本圖像各自灰度均值之間的差值；[01，02]和[11，12]為2類樣本圖像的灰度直方圖范圍；為第個直方圖；0i和1i為2類樣本圖像各自第個直方圖的概率；0和1分別為2類灰度圖像對應(yīng)的灰度直方圖。

灰度方差越小，越有利于灰度化根茬行圖像，計算方式如下

式中0為根茬頂端切口樣本灰度圖像的方差。

式中1為裸露地表或行間秸稈樣本灰度圖像方差。

通過賦予不同權(quán)重值的方式將上述評價指標(biāo)構(gòu)造成如下綜合評價函數(shù)()

3）遺傳算子及終止條件

遺傳算子主要包括選擇、交叉和變異，其中選擇操作采取最優(yōu)保存策略，交叉操作選取多點交叉，變異操作選擇自適應(yīng)變異，并設(shè)定最大迭代代數(shù)為50作為算法的終止條件。

以上述根茬頂端切口、行間秸稈及裸露地表3類像素的樣本圖像為樣本，利用MATLAB軟件按上述步驟對灰度化算子和進(jìn)行了優(yōu)化。最終選取最優(yōu)系數(shù)為：p=-0.78，p=1，p=0.8，即灰度化算子為-0.78++ 0.8；q=-0.7，q=0.96，q=0.95，即灰度化算子為-0.7+ 0.96+0.95。、、分別代表彩色圖像中某一像素點紅、綠、藍(lán)3個分量的灰度值，取值范圍為[0, 255]。

分別利用灰度化算子和對玉米根茬行感興趣區(qū)域進(jìn)行灰度化處理，然后對兩幅灰度圖取平均得到最終的玉米根茬行感興趣區(qū)域灰度圖。

2.3.2 單閾值法分割

閾值法分割因具有計算方便，用時短，效率高的優(yōu)點而得到廣泛應(yīng)用，但需選擇合理的分割閾值[25-26]。利用灰度化算子處理根茬頂端切口和裸露地表的樣本圖像，灰度化算子處理根茬頂端切口和行間秸稈的樣本圖像，并對灰度化算子和分別處理后的根茬頂端切口灰度圖像取均值，得到三者在同一坐標(biāo)系下的灰度分布直方圖。從圖4可以看出，三者灰度雖仍有重疊，但裸露地表和行間秸稈的灰度值大部分都在150以下，而根茬頂端切口灰度值大多都在150以上，因此，選取分割閾值為150。

圖4 樣本圖像灰度直方圖

2.4 噪聲濾除

2.4.1 形態(tài)學(xué)腐蝕處理

采用形態(tài)學(xué)濾波方法對分割結(jié)果進(jìn)行優(yōu)化，去除由于閾值誤差造成的毛刺、孤立點及部分行間噪聲等誤分割情況[27-28]。本文在試驗過程中選取形如矩陣的結(jié)構(gòu)元素，通過腐蝕運(yùn)算去除部分行間噪聲和毛刺、清除孤立點以優(yōu)化分割結(jié)果。

2.4.2 基于閾值的噪聲濾除

經(jīng)過腐蝕處理后的ROI二值圖中，根茬行兩側(cè)仍然隨機(jī)分布著部分顆粒狀或塊狀噪聲，且部分塊狀噪聲與根茬頂端切口大小接近。為濾除這些噪聲，結(jié)合連通域概念[29-31]，提出一種基于閾值的噪聲濾除方法。在二值化后的ROI中，連通域i包括連通域面積大于閾值a的根茬頂端切口類和連通域面積小于閾值a的噪聲類，且根茬頂端切口類連通域集中分布在ROI中心列兩側(cè)一定距離o之內(nèi)，噪聲雜散地分布在ROI中心列一定距離o之外。綜上，通過選擇合理的面積閾值和偏距閾值對玉米根茬行兩側(cè)噪聲進(jìn)行濾除，其中連通域面積用其所包含的非零像素個數(shù)表示，偏距用連通域中心橫坐標(biāo)與感興趣區(qū)域中心列橫坐標(biāo)差值的絕對值表示。

a和o的確定方法：將50幅樣本圖像經(jīng)過形態(tài)學(xué)腐蝕運(yùn)算處理后的ROI二值圖作為統(tǒng)計樣本，通過對比手動標(biāo)記二值圖中所有屬于根茬頂端切口的連通域，計算并記錄其連通域面積和中心點位置，得到根茬頂端切口連通域面積和偏距的分布圖（圖5），通過分析將a設(shè)為100，o設(shè)為30。

圖5 閾值選取結(jié)果

3 玉米根茬行分割試驗

3.1 試驗環(huán)境

試驗平臺選擇如下：硬件配置為Intel(R) Xeon(R) Silver 4116 CPU@2.10GHz，64GB RAM，NVIDIA Quadra P5000顯卡的計算機(jī)；軟件環(huán)境則采用Windows 10操作系統(tǒng)，在MATLAB 2018a 編程環(huán)境中實現(xiàn)。

3.2 玉米根茬行分割結(jié)果

試驗測試圖像為晴天強(qiáng)光條件和晴天弱光條件下拍攝的玉米利用聯(lián)合收獲機(jī)留茬收獲后的玉米根茬行圖像，每種條件各100幅，圖像分辨率為1 280×1 024像素。每一幅圖像上不僅包含了待分割的玉米根茬行，同時，還存在分布雜散且量不同的行間秸稈，地表裸露多或少、少量綠色雜草等復(fù)雜背景干擾。試驗?zāi)繕?biāo)設(shè)計為，從玉米利用聯(lián)合收獲機(jī)留茬收獲后的復(fù)雜背景圖像中準(zhǔn)確快速地分割出玉米根茬行。

另外，試驗還選取了應(yīng)用廣泛的迭代法分割[32]、及OTSU法[33-34]替換本文分割過程中的單閾值法分割構(gòu)成OTSU法分割等兩種分割方法，與本文所提出的分割方法對玉米根茬行的分割效果進(jìn)行對比。其中，OTSU法分割后無濾噪處理；迭代法分割選取彩度信息灰度化ROI，初始迭代分割閾值的估算值設(shè)為1=127，同時迭代法分割后也無濾噪處理。通過所選取的上述3種方法分別對強(qiáng)光條件和弱光條件下的試驗圖像進(jìn)行處理，處理過程中獲得的一些典型灰度圖和分割結(jié)果圖如圖6、7所示，同時將對這些結(jié)果展開進(jìn)一步分析。

為了客觀評價本文所提出分割方法的有效性，選用平均相對目標(biāo)面積誤差率（average relative object area error，ARAE）來對圖像分割質(zhì)量進(jìn)行定量評價[21]，計算方式如下

式中表示第幅測試圖像，表示測試圖像的數(shù)量，值是100，1表示參考圖像中目標(biāo)區(qū)域的面積，2表示測試圖像中目標(biāo)區(qū)域的面積，目標(biāo)區(qū)域的面積用區(qū)域內(nèi)像素的個數(shù)表示，像素數(shù)通過MATLAB軟件獲得。參考圖像由人工通過Photoshop手動分割獲得，將圖像中屬于背景的像素標(biāo)記為0，將圖像中屬于根茬行切口類的像素標(biāo)記為255。平均相對目標(biāo)面積誤差率的取值范圍都是0～100%，誤差率的值越小表示分割效果越好，反之則分割效果越差。

4 結(jié)果與討論

彩度灰度圖像雖然能夠有效區(qū)分玉米高留茬收獲且行間無秸稈覆蓋條件下的土壤與根茬，但在玉米利用聯(lián)合收獲機(jī)留茬收獲后，且有行間秸稈覆蓋的情況下，灰度化處理效果欠佳，根茬切口與裸露地表和行間秸稈對比度不明顯，如圖6b和7b所示。而本文通過遺傳算法優(yōu)化得到的灰度算子灰度化處理效果好，根茬切口區(qū)域得到增強(qiáng)，裸露地表和行間秸稈區(qū)域得到抑制，如圖6c和7c所示。

迭代法分割能有效分割出高留茬收獲且行間無秸稈覆蓋條件下的玉米根茬，但在玉米利用聯(lián)合收獲機(jī)留茬收獲后，且有行間秸稈覆蓋的情況下，玉米根茬分割效果欠佳，如圖6d和7d所示。OTSU法分割方法是常用的圖像分割方法，但當(dāng)?shù)孛姹尘皬?fù)雜，目標(biāo)與背景顏色非常接近時，易出現(xiàn)大面積目標(biāo)誤分割，分割效果不佳，如圖6e和7e所示。根據(jù)迭代法和OTSU法分割原理推測造成二者分割效果不佳的原因是：采用迭代法或OTSU法分割對灰度化處理的根茬行圖像進(jìn)行分割時，雖然通過遺傳算法優(yōu)化得到的遺傳算子進(jìn)行灰度化處理時根茬切口區(qū)域得到增強(qiáng)，但由于目標(biāo)（根茬頂端切口）和背景（行間秸稈、裸露地表）顏色接近，使得三者的灰度值差異不大，即灰度直方圖不存在明顯的“雙峰”，不利于通過迭代法或OTSU法對根茬切口進(jìn)行分割，造成采用迭代法或OTSU法分割玉米根茬行效果差。

圖6 晴天弱光條件下玉米根茬行圖像的灰度圖及分割結(jié)果

圖7 晴天強(qiáng)光條件下玉米根茬行圖像的灰度圖及分割結(jié)果

與迭代法和OTSU法的分割結(jié)果相比，本文方法能夠從大量行間秸稈、裸露地表等的復(fù)雜背景中準(zhǔn)確分割出玉米根茬行，如圖6f和7f所示。同時，本文方法能夠比較有效地克服非均勻光照帶來的強(qiáng)光點影響，如圖7a中的太陽強(qiáng)光條件下仍取得良好的分割效果。

綜上，從分割效果直觀看出，本文方法能夠在強(qiáng)光條件和弱光條件下，從玉米根茬行的復(fù)雜背景圖像中，有效分割出玉米根茬行，對光照變化有較好的適應(yīng)性。

表1展示了不同方法在晴天強(qiáng)光條件和晴天弱光條件下玉米根茬行圖像分割的平均相對目標(biāo)面積誤差率，每一種都包含了100幅圖像的平均結(jié)果。由于迭代法分割和OTSU法將行間秸稈和裸露地表等也誤作為目標(biāo)進(jìn)行分割，使得測試圖像目標(biāo)區(qū)域面積遠(yuǎn)大于參考圖像面積，造成平均相對目標(biāo)面積誤差率過高，迭代法（90.67%），OTSU法（86.42%）。從分割性能的平均指標(biāo)上看，晴天弱光條件下的分割效果要比晴天強(qiáng)光條件下分割結(jié)果較好，說明強(qiáng)光照條件對3種算法的分割具有一定的影響。但從整體情況上看，本文方法在強(qiáng)光照條件和弱光條件下均有較好的分割效果，表明本文方法對晴天光照條件變化具有較好的適應(yīng)能力。

表1同時展示了本文方法在200幅測試圖像上的平均運(yùn)行時間，從時間指標(biāo)上看，本文方法相對于OTSU法要耗時一些，但時間花費不是太高，低于迭代法，實時性較好，且平均相對目標(biāo)面積誤差率遠(yuǎn)遠(yuǎn)低于迭代法分割和OTSU法分割。綜上，從分割性能指標(biāo)和運(yùn)行時間上看，本文方法能夠從復(fù)雜自然環(huán)境下分割出完整的玉米根茬行，具有較強(qiáng)的適應(yīng)性和魯棒性，實時性較好[33,35]，分割準(zhǔn)確率較高。

表1 不同方法分割玉米根茬行圖像的性能指標(biāo)

同時，本文方法也存在一些問題，如當(dāng)行間秸稈大于等于面積閾值a且小于偏距閾值o，即行間秸稈也在根茬行上時，將會被視為玉米根茬切口并保留，如圖8b所示。除此之外，后續(xù)將在本文研究基礎(chǔ)上，探索能夠提高玉米根茬行分割效率并降低分割誤差的方法，如機(jī)器學(xué)習(xí)，以滿足對行免耕播種作業(yè)的實時性和準(zhǔn)確性。

注：矩形框用于標(biāo)記采用本文方法處理根茬行圖像時出現(xiàn)的誤分割情況

5 結(jié) 論

本文提出了一種從玉米利用聯(lián)合收獲機(jī)留茬收獲后的復(fù)雜背景下準(zhǔn)確快速地分割玉米根茬行的方法，該方法選取RGB顏色空間，以根茬頂端切口為目標(biāo)特征，通過ROI選取，遺傳算法優(yōu)化得到的灰度化算子灰度化處理ROI，單閾值法分割ROI，形態(tài)學(xué)腐蝕運(yùn)算和基于閾值的噪聲濾除方法濾除根茬行附近噪聲，實現(xiàn)了玉米根茬行的準(zhǔn)確快速分割。通過在強(qiáng)光條件和弱光條件下200幅玉米根茬行圖像的試驗分析表明：

1）本文方法對于光照變化具有一定的適應(yīng)性，在強(qiáng)光條件和弱光條件下，均能較為準(zhǔn)確的從玉米利用聯(lián)合收獲機(jī)留茬收獲后的復(fù)雜背景中分割出玉米根茬行，最大平均相對目標(biāo)面積誤差率為26.54%（強(qiáng)光條件下）。

2）本文方法對玉米利用聯(lián)合收獲機(jī)留茬收獲的圖像分割具有較好的適應(yīng)性和魯棒性，能夠?qū)⒂衩赘缧袕牧舨缡斋@后的復(fù)雜背景中較為準(zhǔn)確快速地分割出來，平均相對目標(biāo)面積誤差率為24.68%，遠(yuǎn)遠(yuǎn)低于迭代法（90.67%）和OTSU法（86.42%）。

3）本文方法平均處理時間為0.16 s，低于迭代法（0.25 s），雖高于OTSU法（0.07 s），但平均相對目標(biāo)面積誤差率遠(yuǎn)低于OTSU法。從分割效果、平均相對目標(biāo)面積誤差率及平均處理時間等綜合指標(biāo)來看，本文方法對于分割玉米利用聯(lián)合收獲機(jī)留茬收獲后的復(fù)雜玉米根茬行圖像具有良好的效果。

[1] 姚宗路，王曉燕，李洪文，等. 2BMD-12型小麥對行免耕施肥播種機(jī)改進(jìn)與試驗研究[J]. 干旱地區(qū)農(nóng)業(yè)研究，2005，23(5)：46－51.Yao Zonglu, Wang Xiaoyan, Li Hongwen, et al. Modification and experiment on 2BMD-12 row-controlled no-till wheat drill[J]. Agricultural Research in the Arid Areas, 2005, 23(5): 46－51. (in Chinese with English abstract)

[2] 李兵，李洪文. 2BMD-12型小麥對行免耕播種機(jī)的設(shè)計[J].農(nóng)業(yè)機(jī)械學(xué)報，2006，37(3)：41－44. Li Bing, Li Hongwen. Design and study of 2BMD 12 no-till planter for wheat[J]. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(3): 41－44. (in Chinese with English abstract)

[3] 李洪文，王曉燕，李兵，等. 小麥對行免耕播種機(jī)試驗研究[J]. 農(nóng)機(jī)化研究，2004，9(5)：179－181. Li Hongwen, Wang Xiaoyan, Li Bing, et al. A new-concept of no-till row-follow wheat planter[J]. Journal of Agricultural Mechanization Research, 2004, 9(5): 179－181. (in Chinese with English abstract)

[4] 李景彬，陳兵旗，劉陽. 棉花鋪膜播種機(jī)導(dǎo)航路線圖像檢測方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2014，45(1)：40－45. Li Jingbin, Chen Bingqi, Liu Yang. Image detection method of navigation route of cotton plastic film mulch planter[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(1): 40－45. (in Chinese with English abstract)

[5] 遲德霞. 水稻插秧機(jī)視覺導(dǎo)航系統(tǒng)設(shè)計與路徑追蹤試驗[D]. 沈陽：沈陽農(nóng)業(yè)大學(xué)，2015. Chi Dexia. Design on Machine Vision Navigation System of Rice Transplanter and Path Tracking Experimnet[D]. Shenyang: Shenyang Agricultural University, 2015. (in Chinese with English abstract)

[6] Leemans V, Destain M F. Application of the hough transform for seed row localisation using machine vision[J]. Biosystems Engineering, 2006, 94(3): 325－336.

[7] 趙穎，陳兵旗，王書茂，等. 基于機(jī)器視覺的耕作機(jī)器人行走目標(biāo)直線檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2006，37(4)：83－86.Zhao Ying, Chen Bingqi, Wang Shumao, et al. Fast detection of furrows based on machine vision on autonomous mobile robot[J]. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(4): 83－86. (in Chinese with English abstract)

[8] García-Santillán I D, Montalvo M, Guerrero J M, et al. Automatic detection of curved and straight crop rows from images in maize fields[J]. Biosystems Engineering, 2017, 156: 61－79.

[9] Zhang Qin, Chen M E, Shaojie, LI Bin. A visual navigation algorithm for paddy field weeding robot based on image understanding[J]. Computers & Electronics in Agriculture, 2017, 143(10): 66－78.

[10] 艾長勝，林洪川，武德林，等. 葡萄園植保機(jī)器人路徑規(guī)劃算法[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(13)：77－85.Ai Changsheng, Lin Hongchuan, Wu Delin, et al. Path planning algorithm for plant protection robots in vineyard[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(13): 77－85. (in Chinese with English abstract)

[11] 張志斌，羅錫文，臧英，等. 基于顏色特征的綠色作物圖像分割算法[J]. 農(nóng)業(yè)工程學(xué)報，2011，27(7)：183－189.Zhang Zhibin, Luo Xiwen, Zang Ying, et al. Segmentation algorithm based on color feature for green crop plants[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(7): 183－189. (in Chinese with English abstract)

[12] 梁習(xí)卉子，陳兵旗，姜秋慧，等. 基于圖像處理的玉米收割機(jī)導(dǎo)航路線檢測方法[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(22)：43－49.Liangxi Huizi, Chen Bingqi, Jiang Qiuhui, et al. Detection method of navigation route of corn harvester based on image processing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 43－49. (in Chinese with English abstract)

[13] 趙騰，野口伸，楊亮亮，等. 基于視覺識別的小麥?zhǔn)斋@作業(yè)線快速獲取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47(11)：32－37.Zhao Teng, Noboru Noguchi, Yang Liangliang, et al. Fast edge detection method for wheat field based on visual recognition[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 32－37. (in Chinese with English abstract)

[14] 李景彬，陳兵旗，劉陽，等. 采棉機(jī)視覺導(dǎo)航路線圖像檢測方法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29(11)：11－19.Li Jingbin, Chen Bingqi, Liu Yang, et al. Detection for navigation route for cotton harvester based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(11): 11－19. (in Chinese with English abstract)

[15] 孟慶寬，張漫，仇瑞承，等. 基于改進(jìn)遺傳算法的農(nóng)機(jī)具視覺導(dǎo)航線檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2014，45(10)：39－46. Meng Qingkuan, Zhang Man, Qiu Ruicheng, et al. Navigation line detection for farm machinery based on improved genetic algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(10): 39－46. (in Chinese with English abstract)

[16] 孔玲君，曾茜，張雷洪，等. 基于遺傳算法選擇多光源下的光譜反射率重構(gòu)研究[J]. 光譜學(xué)與光譜分析，2019，39(4)：1162－1168.Kong Lingjun, Zeng Xi, Zhang Leihong, et al. Research on spectral reflectance reconstruction based on genetic algorithm for selecting multi-illum[J]. Spectroscopy and Spectral Analysis, 2019, 39(4): 1162－1168. (in Chinese with English abstract)

[17] 于瀟宇，郭玉波，陳剛，等. 基于點目標(biāo)連通域標(biāo)記的實時特征提取及其分布式運(yùn)算[J]. 光學(xué)學(xué)報，2015，35(2)：104－114.Yu Xiaoyu, Guo Yubo, Chen Gang, et al. Real-time point feature extraction based on connectedcomponents labeling and distributed computing[J]. Acta Optica Sinica, 2015, 35(2): 104－114. (in Chinese with English abstract)

[18] Jeong J, Lee G, Lee M, et al. A single-pass connected component labeler without label merging period[J]. Journal of Signal Processing Systems, 2016, 84(2): 211－223.

[19] 丁幼春. 聯(lián)合收獲機(jī)視覺導(dǎo)航關(guān)鍵技術(shù)研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2010.Ding Youchun. The Key Technology of Vision Navigation in Combine Harvester[D]. Beijing: China Agricultural University, 2010. (in Chinese with English abstract)

[20] 孟慶寬. 基于機(jī)器視覺的農(nóng)業(yè)車輛—農(nóng)具組合導(dǎo)航系統(tǒng)路徑識別及控制方法研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2014.Meng Qingkuan. Methods of Navigation Control and Path Recognition in the Integrated Guidance System of Agricultural Vehicle and Implemnet Based on Machine Vision[D]. Beijing: China Agricultural University, 2014. (in Chinese with English abstract)

[21] 劉立波，程曉龍，戴建國，等. 基于邏輯回歸算法的復(fù)雜背景棉田冠層圖像自適應(yīng)閾值分割[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(12)：201－208.Liu Libo, Cheng Xiaolong, Dai Jianguo, et al. Adaptive threshold segmentation for cotton canopy image in complex background based on logistic regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 201－208. (in Chinese with English abstract)

[22] 賀付亮，郭永彩，高潮，等. 基于視覺顯著性和脈沖耦合神經(jīng)網(wǎng)絡(luò)的成熟桑葚圖像分割[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(6)：148－155.He Fuliang, Guo Yongcai, Gao Chao, et al. Image segmentation of ripe mulberries based on visual saliency and pulse coupled neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(6): 148－155. (in Chinese with English abstract)

[23] Gonzalez R C, Woods R E, Eddins S L, 等. 數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2013.

[24] 陳黎卿，李艷，曹成茂，等. 基于遺傳算法的山區(qū)微型播種施肥機(jī)減振優(yōu)化設(shè)計[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(3)：17－22.Chen Liqing, Li Yan, Cao Chengmao, et al. Optimization design for vibration reduction of micro planter and fertilizer machinery used in mountain area based on genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 17－22. (in Chinese with English abstract)

[25] 劉媛媛，王躍勇，于海業(yè)，等. 基于多閾值圖像分割算法的秸稈覆蓋率檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49(12)：27－35，55. Liu Yuanyuan, Wang Yueyong, Yu Haiye, et al. Detection of straw coverage rate based on multi-threshold image segmentation algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12): 27－35，55. (in Chinese with English abstract)

[26] 高國琴, 李明. 基于K-means算法的溫室移動機(jī)器人導(dǎo)航路徑識別[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(7)：25－33.Gao Guoqin, Li Ming. Navigating path recognition for greenhouse mobile robot based on K-means algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(7): 25－33. (in Chinese with English abstract)

[27] 畢昆，姜盼，李磊，等. 基于形態(tài)學(xué)圖像處理的麥穗形態(tài)特征無損測量[J]. 農(nóng)業(yè)工程學(xué)報，2010，26(12)：212－216.Bi Kun, Jiang Pan, Li Lei, et al. Non-destructive measurement of wheat spike characteristics based on morphological image processing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(12): 212－216. (in Chinese with English abstract)

[28] 呂谷來，李建平，李鏘，等. 基于機(jī)器視覺的砧木定位識別方法[J]. 浙江大學(xué)學(xué)報工學(xué)版，2011，45(10)：1766－1770.Lv Gulai, Li Jianping, Li Qiang, et al. Method for rootstock position recognition based on machine vision[J]. Journal of Zhejiang University Engineering Science, 2011, 45(10): 1766－1770. (in Chinese with English abstract)

[29] 李毅念，杜世偉，姚敏，等. 基于小麥群體圖像的田間麥穗計數(shù)及產(chǎn)量預(yù)測方法[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(21)：185－194.Li Yinian, Du Shiwei, Yao Min, et al. Method for wheatear counting and yeild predicting based on image of wheatear population in field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 185－194. (in Chinese with English abstract)

[30] Zhu Yanjun, Cao Zhiguo, Lu Hao, et al. In-field automatic observation of wheat heading stage using computer vision[J]. Biosystems Engineering, 2016, 143: 28－41.

[31] Fernandez-Gallego J A, Kefauver S C, Gutiérrez N A, et al. Wheat ear counting in-field conditions: High throughput and low-cost approach using RGB images[J]. Plant Methods, 2018, 14(1): 1－12.

[32] 陳媛. 基于機(jī)器視覺的秸稈行茬導(dǎo)航路徑的檢測研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2008. Chen Yuan. Detection of Stubble Row for Machine Vision Guidance in No-till Field[D]. Beijing: China Agricultural University, 2008. (in Chinese with English abstract)

[33] 王見，周勤，尹愛軍. 改進(jìn)Otsu算法與ELM融合的自然場景棉桃自適應(yīng)分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(14)：173－180. Wang Jian, Zhou Qin, Yin Aijun. Self-adaptive segmentation method of cotton in natural scene by combining improved Otsu with ELM algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 173－180. (in Chinese with English abstract)

[34] Guerrero J M, Ruz J J, Pajares G. Crop rows and weeds detection in maize fields applying a computer vision system based on geometry[J]. Computers & Electronics in Agriculture, 2017, 142: 461－472.

[35] 傅隆生，馮亞利，Elkamil Tola，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的田間多簇獼猴桃圖像識別方法[J].農(nóng)業(yè)工程學(xué)報，2018，34(2)：205－211.Fu Longsheng, Feng Yali, Elkamil Tola, et al. Image recognition method of multi-cluster kiwifruit in field based on convolutional neural networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(2): 205－211. (in Chinese with English abstract)

Image segmentation of maize stubble row based on genetic algorithm and threshold filtering noise

Wang Chunlei, Lu Caiyun, Chen Wanzhi, Li Hongwen※, He Jin, Wang Qingjie

(1.100083; 2.(),,100083)

Green crop is generally used as the foreground in image segmentation of agricultural visual navigation system because of its obvious chromaticity difference from the basic image background. However, for the segmentation of maize stubble row, there are many backgrounds in the field harvested by combine harvester, such as naked land surface, maize residues, which has little color difference with the maize stubble row. To achieve accurate and quick segmentation of maize stubble row, an image segmentation approach of maize stubble row based on genetic algorithm and threshold filtering noise was proposed in this paper. Firstly, the RGB color space was selected to accomplish the segmentation, which is a basic color space and widely used in machine vision automatic guidance systems. Secondly, to reduce the difficulty of image segmentation, the region of interest (ROI) was selected by calculating the maximum of column gray value accumulation. Thirdly, the gray-scale image of the maize stubble row was obtained through the optimized gray-scale operator. Besides, the genetic algorithm was often used in global optimization, which was used to optimize the gray-scale operator. Specially, the maize stubble row image’s pixel was divided into 3 classes: land surface, residues in rows and stubble tip incision, and the 3 classes were selected as the sample to optimize the gray-scale operator by genetic algorithm. Then, the segmentation of single threshold method was used to segment the gray-scale image. Furthermore, the segmentation of single threshold method is widely used in image segmentation because of its high efficiency and convenience. Lastly, the morphological corrosion treatment (MCT) and threshold noise filtering algorithm (TNFA) were applied to guarantee the integrity of the maize stubble row region and the noise points on both sides of the maize stubble row removal. In order to verify the effect of the method proposed in this paper, 200 test images were captured from Scientific Observing and Experimental Station of Arable Land Conservation (North Hebei),Ministry of Agriculture in Baoding City, China in each October during 2014－2016. The acquisition was often on sunny day, aiming at collecting images under different natural lighting conditions, different positions in maize stubble row field. The results showed that the average relative object area error (ARAE) by our method was only 24.68%, while the AREA of the iteration method and the OTSU method were 90.67% and 86.42%, respectively. The average processing time of a test image based on this paper presented algorithm was 0.16 s, which was much more time-consuming than the OTSU method (0.07 s), while the processing time of our method was less than the iteration method (0.25 s). Therefore, the method presented in this paper achieved better performance than other methods in maize stubble row segmentation, and was effective to segment the maize stubble row in the complicated backgrounds. The presented method can provide precise basis for detection of guidance line in maize straw covering field.

image segmentation; machine vision; genetic algorithm; threshold filtering noise; maize stubble row

2019-06-25

2019-07-31

公益性行業(yè)（農(nóng)業(yè)）科研專項（201503136）

王春雷，博士生，主要從事現(xiàn)代農(nóng)業(yè)裝備與計算機(jī)測控技術(shù)研究。Email：chlwang@cau.edu.cn

李洪文，教授，主要從事現(xiàn)代農(nóng)業(yè)裝備與計算機(jī)測控技術(shù)研究。Email：lhwen@cau.edu.cn

10.11975/j.issn.1002-6819.2019.16.022

TP391.4

A

1002-6819(2019)-16-0198-08

王春雷，盧彩云，陳婉芝，李洪文，何 進(jìn)，王慶杰. 基于遺傳算法和閾值濾噪的玉米根茬行圖像分割[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(16)：198－205. doi：10.11975/j.issn.1002-6819.2019.16.022 http://www.tcsae.org

Wang Chunlei, Lu Caiyun, Chen Wanzhi, Li Hongwen, He Jin, Wang Qingjie. Image segmentation of maize stubble row based on genetic algorithm and threshold filtering noise[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(16): 198－205. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.16.022 http://www.tcsae.org