王路軍　石峻全　黃津津

摘要：為解決傳統(tǒng)基于植物葉片形狀特征的雜草識別中識別率不高的問題，該文以生長中期的生菜與四種伴生雜草稗草、小飛蓬、鬼針草和車軸草為主要研究對象，提出了一種基于植株整體形狀特征的雜草識別算法。實驗結(jié)果表明，利用BP神經(jīng)網(wǎng)絡(luò)對單株植物進(jìn)行識別，準(zhǔn)確率達(dá)99.20%以上，對多角度拍攝的單株生菜圖像的識別準(zhǔn)確率為98.60%，對生菜與雜草的混合圖像的識別準(zhǔn)確率達(dá)99.10%，大大提高了雜草識別率，同時本算法對其他一些作物也有一定的適用性。

關(guān)鍵詞：雜草識別；植株整體；形狀特征；生菜；神經(jīng)網(wǎng)絡(luò)

引言

農(nóng)田中與作物爭奪陽光和養(yǎng)分的雜草的存在嚴(yán)重影響了農(nóng)作物的生長，若對農(nóng)作物不進(jìn)行識別而大范圍的使用化學(xué)除草劑會造成浪費以及污染。現(xiàn)在，自動除草已成為現(xiàn)代農(nóng)業(yè)的一個發(fā)展基礎(chǔ)，因此通過圖像處理技術(shù)識別雜草來達(dá)到自動除草的目的已經(jīng)成為研究的熱點。雜草識別通常采用基于機(jī)器視覺的方法來采集和處理圖像[1]，利用顏色特征可以區(qū)分植物和土壤。近年來，形態(tài)特征、光譜特征和紋理特征[2]等也被用來識別雜草。2008年，袁海波等利用超綠特征和像素位置直方圖結(jié)合BP神經(jīng)網(wǎng)絡(luò)，在圖像處理技術(shù)基礎(chǔ)上識別出雜草，并確定其位置、面積[3]。2013年，喬永亮等用基于多光譜和SVM建立的雜草識別模型，采用PCA降維后的前三個主成分作為輸入，使得雜草識別率達(dá)到85%[4]。這些對雜草識別的研究主要針對植株葉片進(jìn)行識別或者特征提取，所以本文提出了從整體植株來提取特征并用BP神經(jīng)網(wǎng)絡(luò)[5]進(jìn)行識別的算法。

1 圖像的分割

以生長中期的生菜、稗草、小飛蓬、鬼針草和車軸草為主要研究對象，在生菜田間用攝像機(jī)拍攝各單株植物圖像50幅，生菜與雜草的混合圖像21幅。在選取二值圖像分割算法時，本實驗對比了直方圖的閾值分割算法[6]、最大類間方差法[7]和超綠特征法三種方法，對比發(fā)現(xiàn)超綠特征法繼承了最大類間方差法程序簡短容易的優(yōu)點，也避免了含有多種顏色的圖像分割時容易參雜其他顏色的問題，因此，本文選用超綠特征進(jìn)行分割。如下，圖1中（a）為灰度圖，（b）為超綠特征分割后的圖像，（c）為分割后續(xù)提取長短軸特征的示意圖。為消除圖像分割中混入的噪聲，對二值化后的圖像進(jìn)行線性平滑濾波處理。為了方便植株的特征提取和去除面積及其小的綠色植被，如青苔，對濾波后的圖像進(jìn)行適當(dāng)?shù)母g和膨脹操作[8]。

2 對作物和雜草進(jìn)行整株形狀特征提取

對拍攝的50幅單株植物圖像分別提取出它們的形狀特征值，其中包括：長軸L、短軸W、面積A、周長S、內(nèi)切圓半徑r、圓度R、伸長度E、重心Cen、離心率Ecc。在這9個特征中長軸L、短軸W、面積A、周長S、內(nèi)切圓半徑r受到拍攝距離的影響，所以拍攝時取定50 cm作為拍攝距離，其余特征不受拍攝距離的影響。

通過分析生菜整體形狀可知，生菜葉片相對集中且形狀較圓，面積與派生雜草相差較大等特點，結(jié)合單株生菜以及四種派生雜草的九種特征值對比以及實驗測試，發(fā)現(xiàn)生菜的內(nèi)切圓半徑r，圓度R，伸長度E和離散度e這四種特征與四種派生雜草差異較大，因此選取內(nèi)切圓半徑r，圓度R，伸長度E和離散度e四種特征作為特征參考值對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

3 利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識別

3.1 對單株植物的識別

BP神經(jīng)網(wǎng)絡(luò)通過模擬人的思維，以一定的學(xué)習(xí)準(zhǔn)則進(jìn)行學(xué)習(xí)。它可以學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前建立描述這種映射關(guān)系的數(shù)學(xué)方程。因此通過輸入值和目標(biāo)值的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)就可以建立某種映射關(guān)系，從而避免了復(fù)雜的數(shù)學(xué)方程的建立。

實驗中隨機(jī)選取各類植物25株進(jìn)行特征值提取，利用選定的四種特征參數(shù)值即內(nèi)切圓半徑r，圓度R，伸長度和E離散度e，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對剩余的各植株進(jìn)行判斷，從而實現(xiàn)對單株生菜與派生雜草的識別。

3.2 對不同角度拍攝的單株生菜進(jìn)行識別

為了驗證本算法可以解決拍攝角度的問題，下面將對不同角度（與地面的夾角為90°、60°、45°30°、0°）拍攝的單株生菜進(jìn)行識別，實驗株數(shù)為15株，識別結(jié)果如表1所示。

3.3 對含生菜與雜草的混合圖像的識別

為了更好的適應(yīng)實際需要并且證明本算法具有良好的適應(yīng)性，用實驗中提出的算法進(jìn)一步對含有生菜與雜草的混合圖像進(jìn)行進(jìn)行識別。

如圖3中（a）是一幅含有生菜與派生雜草的混合圖像，（b）是經(jīng)過一系列處理得到的最小面積矩陣圖，矩陣的個數(shù)在一定程度上可以表征圖像的復(fù)雜程度。因生菜與雜草的混合的圖像較為復(fù)雜，為了簡化處理，假設(shè)雜草與生菜無葉片交疊情況，并且將區(qū)域矩陣個數(shù)默認(rèn)為圖像所含生菜與雜草總數(shù)。對于最小面積矩陣圖，分別計算出矩陣包圍區(qū)域的四種特征值，然后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，表2為圖3中（a）的識別結(jié)果。實驗中對21幅具有不同復(fù)雜程度的混合圖像進(jìn)行識別，識別的準(zhǔn)確率如圖4所示。

4 實驗結(jié)果及誤差分析

4.1 實驗結(jié)果

由實驗可得本算法對單株生菜與派生雜草圖像識別的準(zhǔn)確率達(dá)到99.20%以上，對多角度拍攝的單株生菜圖像的識別準(zhǔn)確率為98.60%，對生菜與雜草的混合圖像的識別準(zhǔn)確率達(dá)99.10%。

4.2 誤差分析

在圖像采集及圖像處理效果中發(fā)現(xiàn)，光照強(qiáng)度的強(qiáng)弱對超綠特征的影響較大，對于少部分背光顏色較暗的葉片，不能很好的被完整識別，這對一些整體特征的提取造成一定誤差，對后期BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以及測試造成影響。

在圖像分割中為了去除一些殘留的噪聲和面積極小的植被，實驗雖采用適當(dāng)?shù)母g與膨脹操作，但是不論是生菜還是雜草，在腐蝕、膨脹處理去除面積小的植被同時，對整體植株的邊緣細(xì)節(jié)以及提取的特征會造成少量的影響。

在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，BP網(wǎng)絡(luò)隱含層節(jié)點數(shù)的選擇影響訓(xùn)練能力，從而影響預(yù)測能力，再加上神經(jīng)網(wǎng)絡(luò)本身存在的局限性，必然會產(chǎn)生一定誤差。

個別生菜由于環(huán)境原因不能正常生長，導(dǎo)致植株面積過小不在特征參考值范圍內(nèi)，被錯誤識別為雜草。

5 結(jié)論及展望

本文提出了一種新的基于植株整體形狀特征的雜草識別算法，經(jīng)實驗表明，本算法對單株生菜和派生雜草圖像、多角度拍攝的單株生菜圖像以及生菜與雜草的混合圖像的識別率均很高，成功克服了傳統(tǒng)基于葉片形狀特征的雜草識別方法的弊端。本實驗雖然是在固定高度50cm，針對生長中期的生菜做實驗的，但對于不同高度不同時期的生菜只要重新選取適當(dāng)?shù)奶卣鲄⒖贾导纯?。此外，不僅針對生菜可以采用提取植株整體形狀特征的算法，對于葉片連貫性較好且較集中的作物依然適用。

參考文獻(xiàn)

[1] 毛文華，曹晶晶. 基于多特征的田間雜草識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2007，23（ 11）：206-208.

[2] 王懷宇，李景麗. 基于紋理特征的玉米苗期田間雜草識別[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（7）：143-145.

[3] 袁海波，史 巖，梁安波，等. 基于神經(jīng)網(wǎng)絡(luò)的雜草識別試驗研究[J]. 機(jī)電工程，2008，（25）：29-33.

[4] 喬永亮，何東健，趙川源，等. 基于多光譜圖像和SVM的玉米田間雜草識別[J]. 農(nóng)機(jī)化研究，2013.

[5] 馬兆敏，黃 玲，胡 波，等. 基于神經(jīng)網(wǎng)絡(luò)的雜草圖像分割算法[J]. 計算機(jī)工程與應(yīng)用，2009，45（24）：216-218.

[6] 胡 波，毛罕平，張艷誠. 基于二維直方圖的雜草圖像分割算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2007，（38）：200-202.

[7] 李 敏，羅洪艷，鄭小林，等. 一種改進(jìn)的最大類間方差圖像分割法[J]. 南京理工大學(xué)學(xué)報，2012，（36）：333-337.

[8] 李 然. 基于數(shù)學(xué)形態(tài)學(xué)的植物葉片圖像預(yù)處理[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2008，（1）：43-45.