張　震，高　雄，陳鐵英，王海超

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué) 機電工程學(xué)院，呼和浩特 　010018；2. 內(nèi)蒙古農(nóng)牧業(yè)機械技術(shù)推廣站，呼和浩特　010010)

?

農(nóng)業(yè)自動化噴霧機械標(biāo)靶害蟲自動識別系統(tǒng)的研究

張震1，高雄1，陳鐵英2，王海超1

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué) 機電工程學(xué)院，呼和浩特 010018；2. 內(nèi)蒙古農(nóng)牧業(yè)機械技術(shù)推廣站，呼和浩特010010)

摘要：農(nóng)業(yè)噴霧對象的識別和定位是農(nóng)業(yè)自動化噴霧機械研究中的核心技術(shù)之一。對病蟲害甘藍進行精準(zhǔn)噴灑農(nóng)藥，實現(xiàn)病蟲害準(zhǔn)確自動識別成為關(guān)鍵。為此，利用機器視覺的歐氏距離甘藍夜蛾蟲害自動識別檢測系統(tǒng)，結(jié)合由Qualityspec光譜儀組成的光譜成像系統(tǒng)，對甘藍正常葉片和遭受甘藍夜蛾蟲害的甘藍葉片的顏色特征和光譜特征進行分析,并采用機器視覺分割閾值選取中的Otsu算法和自適應(yīng)波段選擇方法提取出了顏色差異的最佳幾何閾值和兩種葉片的特征波段。試驗結(jié)果表明:綜合機器視覺和光譜技術(shù)能夠?qū)崿F(xiàn)甘藍夜蛾蟲害的自動且準(zhǔn)確的識別，準(zhǔn)確率可達94%。因此，建立機器視覺和光譜技術(shù)綜合識別體系，可為農(nóng)作物病蟲害自動防治噴霧機器人的研制奠定基礎(chǔ)，以達到農(nóng)作物病蟲害實時識別和及時治理的目的。

關(guān)鍵詞：農(nóng)業(yè)自動化；噴霧機械；機器視覺；光譜成像系統(tǒng)；甘藍夜蛾；自動識別；特征波段

0引言

近年來，農(nóng)作物的農(nóng)藥殘留問題越來越突出;而農(nóng)作物生長中，引起作物減產(chǎn)的最重要原因是病蟲害。目前，在農(nóng)業(yè)上，因農(nóng)藥殘留而導(dǎo)致的農(nóng)產(chǎn)品食用安全與因病蟲害導(dǎo)致農(nóng)業(yè)大量減產(chǎn)這一矛盾日益尖銳。為了緩和這一矛盾，必須實現(xiàn)智能化噴霧。如何在保證病蟲害及時有效治理的前提下，有效地減小農(nóng)藥殘留帶給人們帶來的危害，針對不同病蟲害感染區(qū)域有選擇性地進行合理噴霧，是確保作物產(chǎn)量和品質(zhì)的關(guān)鍵。針對自然環(huán)境下機器視覺識別率低的缺點，本研究將機器視覺技術(shù)和光譜技術(shù)相結(jié)合應(yīng)用到病蟲害檢測中，為農(nóng)作物病蟲害自動防治噴霧機器人的研制奠定基礎(chǔ)，以實現(xiàn)智能化噴霧。

近年來，國內(nèi)外專家學(xué)者運用機器視覺技術(shù)和光譜成像技術(shù)在農(nóng)業(yè)領(lǐng)域中進行了相關(guān)的研究，并取得了一定成果。由美國加利福尼亞大學(xué)開發(fā)的基于機器視覺的雜草自動識別和噴霧控制系統(tǒng)，其系統(tǒng)可根據(jù)雜草密度和長勢，精確控制除草劑劑量，實現(xiàn)了精準(zhǔn)噴霧，減小了環(huán)境污染。研究提出的有關(guān)植物和雜草的圖像識別、決策控制算法可在3.7m×0.43m的范圍內(nèi)分辨出植物、雜草和土壤，并在0.37s內(nèi)做出噴霧決策[1]。韓國釜山國立大學(xué)的Yan Li等研究了采用立體視覺實現(xiàn)溫室植物病蟲害檢測和自動噴霧系統(tǒng)。該系統(tǒng)采用雙目視覺利用植物葉片和蟲害區(qū)域不同顏色特征進行圖像分割，并以質(zhì)心點為匹配目標(biāo)，獲得蟲害位置的信息進行噴霧[2]。

南京林業(yè)大學(xué)的鄭加強等利用機器視覺設(shè)計了農(nóng)藥精確對靶噴霧系統(tǒng)，通過對采集的圖像進行基于相對色彩因子的樹木圖像分割獲得綠色目標(biāo)，對分割圖像測量獲取目標(biāo)的形態(tài)和位置特征，然后由噴霧執(zhí)行系統(tǒng)完成噴霧作業(yè)[3]。為了實現(xiàn)精準(zhǔn)噴霧，馬凱對樹木灰度圖像使用特征提取與區(qū)域相關(guān)的立體匹配算法進行視覺匹配，并完成了圖像三維重建[4]。通過對水稻冠層光譜與地上生物量相關(guān)分析，王秀珍等得出紅谷反射率最小值、綠峰反射率最大值、紅邊波長、紅邊振幅及多種組合方式與生物量顯著相關(guān);經(jīng)過試驗分析得出采用藍邊面積和紅邊面積構(gòu)建比值植被指數(shù)構(gòu)建的生物量估算模型效果最好[5]。為了有效防治冬小麥病蟲害，喬紅波等運用高光譜檢測冬小麥病蟲害，通過試驗分析得出小麥冠層光譜反射率隨百株蚜量和病情指數(shù)的變化規(guī)律[6]。

1試驗材料與路線

1.1　試驗材料與儀器設(shè)備

本試驗研究選用內(nèi)蒙古農(nóng)業(yè)大學(xué)試驗基地試驗田種植的“京豐一號”系列、生長時間為60天左右、外葉6～8片、葉長約15cm、寬約20cm的甘藍作為試驗對象，選取完好的甘藍菜葉和遭甘藍夜蛾浸染的甘藍菜葉各50片。

試驗用到的機器視覺圖像識別硬件系統(tǒng)由專用CCD照相機、專用計算機、特制光源、專用圖像采集卡及試驗對象(甘藍菜葉)等組成[7]，如圖1所示。其中，機器視覺圖像識別軟件系統(tǒng)主要由MatLab軟件編輯程序組成，來實現(xiàn)對甘藍夜蛾蟲害圖像識別和標(biāo)記。試驗中光譜成像系統(tǒng)使用美國ASD公司(Analytical Spectral Devices)生產(chǎn)的Qualityspec光譜儀，使用Matlab軟件進行數(shù)據(jù)處理。

1.專用CCD照相機　2.特制光源　3.特制光照箱

1.2　試驗技術(shù)路線

試驗技術(shù)路線如圖2所示。

圖 2　試驗流程

2試驗過程

2.1　機器視覺圖像和光譜的采集

機器視覺圖像采集是將試驗對象甘藍菜葉放置在特制光照箱的載物臺白色硬紙板上，為了減小因光線不足和不均勻給采集圖像質(zhì)量帶來的影響，在光照箱內(nèi)部的4個頂角處安置4個白色光源。圖像采集使用專用CCD照相機，其主要參數(shù)如下：型號 DS-UM501-H SENSOR，尺寸1/2.5，CMOS彩色，有效像素 2592H×1944V(5M)。將專用CCD照相機設(shè)置在光照箱頂部80 cm中心處，對試驗對象甘藍菜葉垂直拍攝進行圖像采集。光譜采集是用Qualityspec光譜儀進行甘藍葉片光譜測定，其采集波段為444～676 nm,每間隔4nm進行一次掃描，光譜分辨率為10nm。光譜采集時間選擇在光照充足且均勻，平均溫度為22.5℃，北京時間10:00-14:00之間進行。采集時探頭垂直向下，距甘藍葉片0.5m左右，探頭視場角為20°,每個樣點測量5次光譜，平均后作為采樣光譜，光譜測定前進行標(biāo)準(zhǔn)參考白板校正。

2.2　對機器視覺圖像和光譜預(yù)處理

經(jīng)過機器視覺圖像硬件和軟件系統(tǒng)采樣、量化，得到24位甘藍菜葉真彩圖像。為了提高甘藍菜葉圖像數(shù)據(jù)處理的效率和準(zhǔn)確度，在對甘藍菜葉真彩圖像進行分析和處理時，必須要把真彩甘藍菜葉圖像變換為灰度圖像。使用MatLab圖像處理軟件對真彩甘藍菜葉圖像進行轉(zhuǎn)換，可獲得R、G、B等3個通道的灰度圖像，如圖3所示。試驗發(fā)現(xiàn)：在B通道中遭甘藍夜蛾浸染的區(qū)域與甘藍菜葉完好部位的灰度成分差別比較明顯，而其余兩個通道圖像灰度成分差異不明顯，所以選用B通道的灰度圖像進行后續(xù)的機器視覺圖像識別和標(biāo)記。

圖3　數(shù)字化圖像灰度化處理甘藍夜蛾圖像結(jié)果

灰度圖像直方圖是反應(yīng)圖像各灰度值統(tǒng)計特性與圖像灰度值的一種函數(shù)關(guān)系，其統(tǒng)計一幅圖像中各個灰度級出現(xiàn)的個數(shù)或概率，表征一幅圖像的灰度級內(nèi)容，適用于圖像灰度變換和圖像分割等處理過程中[8]?；叶葓D像直方圖x軸表示圖像中各像素點的灰度等級，y軸表示各個灰度級上圖像各個像素點出現(xiàn)的個數(shù)。運用MatLab軟件獲得甘藍菜葉的灰度圖像三通道直方圖，如圖4所示。

圖4　三通道灰度圖像直方圖

Qualityspec光譜儀在農(nóng)業(yè)檢測識別領(lǐng)域中應(yīng)用十分廣泛。在本研究中，光譜儀采集樣品的光譜信號后，采用自適應(yīng)波段選擇的方法來提取完好甘藍葉片和遭甘藍夜蛾浸染的甘藍葉片的特征值波長。該方法的數(shù)學(xué)算法模型中的指數(shù)可表示為

(1)

其中，Indexi是第i幅圖像的指數(shù)大?。籗i為第i個波長的標(biāo)方準(zhǔn)差；Ri-1,i是第i個波長與第i-1個波長的相關(guān)系數(shù)。同理，第i個波長與第i+1個波長的相關(guān)系數(shù)，用Ri,i+1表示。式(1)中的標(biāo)準(zhǔn)方差Si可表示為

其中，M為采集圖像的行像素；N為采集圖像的列像素；fi,和μi分別為采集圖像的第i幀像素和第i幀像素平均值。式(1)的Ri,j可表示為

(3)

其中，E{}為圖像像素的數(shù)學(xué)期望。為了解決光譜數(shù)據(jù)具有的波段數(shù)目多、波段寬度窄、數(shù)據(jù)量龐大等缺點給圖像的解譯帶來的困難, 本試驗研究采用自適應(yīng)波段選擇方法，充分考慮了光譜圖像波段的信息量和波段間的相關(guān)性。

2.3　機器視覺圖像和光譜的特征提取

為了將標(biāo)靶甘藍菜葉目標(biāo)區(qū)域從機器視覺背景圖像中分離出來，本試驗研究采用一種自適應(yīng)的閾值確定的方法—最大類間方差法，也稱大津法，簡稱OTSU。最大類間方差法根據(jù)圖像的灰度特性，將圖像分成背景和目標(biāo)兩部分。其閾值分割圖像如5所示。

歐幾里得度量(euclidean metric)[9]是一個通常采用的距離定義，指在m維空間中兩個點之間的真實距離，或者向量的自然長度，用每個變量值差的平方和再平方根表示。在三維數(shù)據(jù)空間中，歐幾里得度量計算公式為

(4)

其中，p為甘藍菜葉機器視覺圖像任意點；q為甘藍菜葉機器視覺圖像的平均顏色向量；1、2、3代表3個顏色分量的坐標(biāo)值。在1張圖像中，歐氏距離變換是指將前景色中的像素的值轉(zhuǎn)化為該點到達最近的背景色中的像素點的距離。歐氏距離變換在數(shù)字圖像處理中的應(yīng)用范圍很廣泛，尤其對于圖像的骨架提取，是一個很好的參照[10]。本試驗選擇合理的分割閾值，采用歐氏距離變換對甘藍夜蛾機器視覺圖像進行提取和標(biāo)記。提取和標(biāo)記圖像如圖6所示。

圖5　閾值分割后的圖像

圖6　提取標(biāo)記后甘藍夜圖像

農(nóng)作物葉片中葉綠素對光波的吸收和反射是形成農(nóng)作物光譜特征的關(guān)鍵因素。試驗對象甘藍菜葉的光譜數(shù)據(jù)中存在一個共同性，主要表現(xiàn)為：在波長454、554、660nm附近出現(xiàn)兩個明顯的吸收帶和一個反射率為百分之二十幾的反射峰。表1是采用自適應(yīng)波長選擇方法，利用式(2)和式(3)求出不同波段區(qū)間中具有代表性部分波長的相關(guān)系數(shù)[11]。由表1可以看出：波長672nm 和460nm與其他波長的R值均較小，而波長536、620、624nm與其他波長的R值均較大。

表 1完好甘藍葉片部分不同波長的相關(guān)系數(shù)

Table 1Correlation coefficient of different wavelengths of intact cabbage leaves

波長/nm6206246286326366404600.420.480.500.510.520.545360.620.890.910.790.800.936201.120.910.830.870.860.816240.781.111.021.051.011.07672-0.12-0.18-0.20-0.19-0.16-0.26

本試驗采用由Qualityspec光譜儀組成的多光譜系統(tǒng)和MatLab軟件求得表1數(shù)據(jù)之后，利用式(1)和式(2)計算出完好甘藍菜葉不同波長的指數(shù)值和遭甘藍夜蛾浸染的甘藍菜葉不同波長的指數(shù)值，并用MatLab軟件繪出Index桿狀圖，如圖7和圖8所示。由完好甘藍菜葉不同波長指數(shù)圖可以看出：波長536、616、620、624nm附近波長指數(shù)值較大，表示這些波長所含光譜信息量就比較大，所以完全可以把536、616、620、624nm作為完好甘藍菜葉最優(yōu)特征波長。由遭甘藍夜蛾浸染的甘藍菜葉不同波長指數(shù)圖可以看出：波長540、544、560、568、672nm附近波長指數(shù)值較大，表示這些波長所含光譜信息量比較大，所以完全可以把540、544、560、568、672nm作為遭甘藍夜蛾浸染的甘藍菜葉最優(yōu)特征波長。

圖7　完好甘藍葉片指數(shù)圖

圖8　遭甘藍夜蛾浸染的葉片指數(shù)圖

為了驗證試驗所得特征波長分別為完好甘藍菜葉和遭甘藍夜蛾浸染的甘藍菜葉的最優(yōu)特征波長，現(xiàn)在利用歐幾里得度量法對甘藍菜葉進行聚類分析。掃描完好甘藍菜葉和遭甘藍夜蛾浸染的甘藍菜葉，得到的光譜波長灰度值作為聚類分析的標(biāo)準(zhǔn)集，然后將上述特征波段數(shù)據(jù)作為樣本集，求出樣本集與標(biāo)準(zhǔn)集的歐氏距離(見表2)，依據(jù)歐氏距離大小來進行聚類分析。

表2甘藍葉片特征值波長聚類分析所獲得歐氏距離

Table 2The Euclidean distance of the characteristic wavelengths of cabbage leaves in clustering analysis

波長/nm與健康葉片歐氏距離與蟲害葉片歐氏距離5366.5014.2154016.100.0554410.051.5256014.509.6856813.058.526160.050.5262011.7114.556240.051.6767215.335.85

由表2可知：樣本集中遭甘藍夜蛾浸染的甘藍菜葉的特征波長數(shù)據(jù)與標(biāo)準(zhǔn)集中遭甘藍夜蛾浸染的甘藍菜葉的光譜波長灰度值的歐氏距離，遠(yuǎn)小于其與標(biāo)準(zhǔn)集中完好甘藍菜葉的光譜波長灰度值的歐氏距離；而樣本集中完好甘藍菜葉的特征波長數(shù)據(jù)與標(biāo)準(zhǔn)集中遭甘藍夜蛾浸染的甘藍菜葉的光譜波長灰度值的歐氏距離，遠(yuǎn)大于其與標(biāo)準(zhǔn)集中完好甘藍菜葉的光譜波長灰度值的歐氏距離。所以，把波長540、544、560、568、672nm作為遭甘藍夜蛾浸染的甘藍菜葉的最優(yōu)特征波長，把波長536、616、620、624nm作為完好甘藍菜葉最優(yōu)特征波長是完全正確的。

3試驗結(jié)果及分析

使用機器視覺歐氏距離算法和Qualityspec光譜儀組成的光譜成像系統(tǒng)對50片沒有病變和甘藍夜蛾蟲害的完整甘藍菜葉及50片完好的有甘藍夜蛾蟲害的甘藍菜葉進行機器視覺圖像和光譜特征分析識別，結(jié)果如表3所示。

表3　實驗結(jié)果

試驗結(jié)果顯示：利用機器視覺歐氏距離識別檢測系統(tǒng)和由Qualityspec光譜儀組成的光譜成像系統(tǒng)進行信息融合對甘藍夜蛾蟲害進行識別，具有識別率較高及準(zhǔn)確等優(yōu)點，因此本方法更適用于蟲害的檢測，同時也為農(nóng)業(yè)自動化噴霧機器人研制奠定了基礎(chǔ)。

參考文獻：

[1]鄔國良.植保西安:技術(shù)簡明教程[M].蘭州:西北農(nóng)林科技大學(xué)出版社,2009: 248-250.

[2]Yan Li. Vision guided insect handling system,modeling and simulation[J].Proceedings of the Annual Pittsburgh Confe rence,1990,21(5):1995-2001.

[3]鄭加強,周宏平,徐幼林,等.農(nóng)藥精確對靶噴霧及其系統(tǒng)設(shè)計[J].農(nóng)業(yè)工程學(xué)報,2005,21(11):62-70.

[4]馬凱.基于立體視覺的樹木圖像深度信息提取研究[D].南京：南京林業(yè)大學(xué),2007:8-10.

[5]王秀珍，黃敬峰，李云梅，等. 水稻地上鮮生物量的高光譜遙感估算模型研究[J].作物學(xué)報,2003,29(6):815-821.

[6]喬紅波.麥蚜、白粉病危害后冬小麥冠層的測量與分析[D].北京:中國農(nóng)業(yè)科學(xué)院,2004：32-35.

[7]王海超.甘藍菜青蟲害自動識別系統(tǒng)的開發(fā)與試驗研究--基于機器視覺[J].農(nóng)機化研究,2015,37(1):205-206.

[8]岑喆鑫.基于計算機視覺技術(shù)的黃瓜葉部病害自動診斷研究[D].北京:中國農(nóng)業(yè)科學(xué)院,2008：22-25.

[9]何東健,耿楠,張義寬，等.數(shù)字圖像處理：2版[M].西安:西安電子科技大學(xué)出版社,2008:55-100.

[10]蕭湘.骨髓細(xì)胞圖像分割方法研究[D].長沙：中南林業(yè)科技大學(xué),2010:30-32.

[11]趙春暉,陳萬海.高光譜遙感圖像最優(yōu)波段選擇方法的研究進展與分析[J].黑龍江大學(xué)：自然科學(xué)學(xué)報,2007,24(5):592-602.

Research on Automatic Identification System of Target Pests in Agricultural Automation Spraying Machine

Zhang Zhen1， Gao Xiong1， Chen Tieying2， Wang Haichao1

(1.College of Mechanical and Electrical Engineering，Inner Mongolia Agricultural University, Hohhot 010018, China;2.Inner Mongolia Agricultural and Animal Husbandry Machinery Technology Extersion Station, Hohhot 010010, China)

Abstract：The spray object recognition and localization is one of the core technology of automatic spray mechanization research. For precision spraying pesticide plant diseases and insect pests of cabbage, the accurate and automatic identification of plant diseases and insect pests of cabbage becomes the key. Therefore, using machine vision automatic identification of the Euclidean distance of cabbage moth pests detection system, combined with spectral imaging system composed of qualityspec spectrometer, Cabbage normal blade and suffer from the cabbage moth pests of cabbage leaf color features and spectral characteristics were analyzed. The best geometric threshold of color difference and characteristic bands of two kinds of leaves were extracted, using the Otsu threshold value image segmentation algorithm and adaptive band selection method. The test results show that the technology compositing image processing with spectrum can realize automatic and accurate identification of Cabbage moth pests, accuracy reaching 94%. Therefore, the establishment of comprehensive image processing and spectroscopy identification system can lay the foundation for the development of the automatic control of spray robot, in order to achieve the purpose of crop diseases and pests identification and real-time treatment.

Key words：agricultural automation; spraying machine; machine vision; spectral imaging systems; cabbage moth; automatic recognition; characteristic wave band

中圖分類號：S49;S24

文獻標(biāo)識碼：A

文章編號：1003-188X(2016)08-0126-05

作者簡介：張震(1986-)，男，河南商丘人，碩士研究生，(E-mail)2483617865@qq.com。通訊作者：高雄(1957-)，男，呼和浩特人，副教授，碩士生導(dǎo)師， (E-mail)gao0927cn@ aliyun.com。

基金項目：國家自然科學(xué)基金項目(41161045)

收稿日期：2015-07-31