趙 娜

（天津農(nóng)學(xué)院 計算機與信息工程學(xué)院，天津 300384）

基于機器視覺的田間雜草識別技術(shù)研究

趙 娜

（天津農(nóng)學(xué)院 計算機與信息工程學(xué)院，天津 300384）

在農(nóng)業(yè)生產(chǎn)中，雜草會影響農(nóng)作物的生長。為了實現(xiàn)雜草處理自動化，需要采用基于機器視覺的雜草識別技術(shù)幫助機器人快速、準(zhǔn)確地識別雜草，從而精確使用除草劑以提高藥物的利用率、減少環(huán)境污染。通過文獻(xiàn)研究，文章分析了提高雜草識別率的圖像預(yù)處理技術(shù)和基于人工神經(jīng)網(wǎng)絡(luò)的模式識別算法，提出了雜草識別技術(shù)存在的問題及改進方法。

機器視覺；雜草識別；人工神經(jīng)網(wǎng)絡(luò)

1 基于機器視覺的田間雜草識別研究背景

雜草對農(nóng)作物生長危害極大，必須及時加以控制。在諸多雜草防除方法中，由于化學(xué)除草的高效性，已成為國內(nèi)外田間除草的主要方式[1]。但是，粗放型的化學(xué)除草劑的應(yīng)用，不僅造成大量藥物浪費，而且給生態(tài)環(huán)境帶來危害。隨著精細(xì)農(nóng)業(yè)概念的提出，田間雜草精確識別除草技術(shù)已應(yīng)用于農(nóng)業(yè)信息技術(shù)。

基于機器視覺的田間雜草識別，通過拍攝田間雜草圖像，智能地檢測出田間雜草分布信息，即將雜草滋生區(qū)分割出來，確定田間雜草的情況（位置、密度和種類等）。實現(xiàn)田間雜草的精確識別，必需有較高的雜草圖像識別精度。為了提高圖像識別精度，在模式識別前要進行圖像預(yù)處理。圖像預(yù)處理可以突出圖像中有用的信息，從而提高模式識別的準(zhǔn)確度。模式識別技術(shù)可以將雜草從圖像中提取出來。目前基于機器視覺技術(shù)的田間雜草定位誤差小于22.8 mm，已經(jīng)滿足精細(xì)化農(nóng)業(yè)中除草劑噴施的要求[2]。本文分析了現(xiàn)有的圖像預(yù)處理技術(shù)和基于人工神經(jīng)網(wǎng)絡(luò)的模式識別算法。

2 圖像預(yù)處理技術(shù)

圖像預(yù)處理技術(shù)主要有邊緣增強、圖像增強、去噪等。農(nóng)作物的實際生長情況和生長環(huán)境復(fù)雜，同時受采集圖像時環(huán)境的影響，無法準(zhǔn)確地從圖像中識別雜草。為了能夠更好地完成識別，必須對圖像進行預(yù)處理，以便進行圖像識別。

2.1 基于微分的邊緣檢測

邊緣為灰度值急劇變化的部分，利用微分的方法可以提取圖像邊緣。常用的邊緣檢測算子有：Roberts算子、Sobel算子、LoG算子和Canny算子等[3]。

Reborts算子、Sobel算子，LoG算子對噪聲敏感，抑制噪聲能力差，都完整清晰地檢測出了果實的邊緣，但圖中存在大量枝葉、莖的邊緣；而Canny算子在選定一定的參數(shù)后可以去掉一些枝葉和莖的邊緣，突出主體目標(biāo)的輪廓[4]。

2.2 圖像增強

圖像增強的目的是改善圖像的視覺效果，或者將圖像轉(zhuǎn)換成更適合機器進行分析處理的形式。在雜草識別的預(yù)處理中主要采用空間域增強的方法，即在空間域內(nèi)對像素灰度值直接進行運算處理。方法主要有灰度變換法和直方圖調(diào)整法。

根據(jù)文獻(xiàn)[5]中的實驗結(jié)果，對于雜草圖像的預(yù)處理，使用直方圖調(diào)整方法效果更好，變換后的圖像更為清晰，更能突出圖像的細(xì)節(jié)。而灰度變換法要正確地選擇變換函數(shù)，目前沒有很明確的方法，只能依靠多次嘗試來獲得較理想的變換函數(shù)。

2.3 圖像濾波方法

圖像濾波是對圖像進行降噪處理，從而減少噪聲對圖像的影響。雜草識別采用的濾波方法[6]有均值濾波法和中值濾波法。

第一種濾波方法[7]抑制噪聲是有效的，但是隨著鄰域的加入，圖像的模糊程度也愈加嚴(yán)重，而第二種濾波方法降低噪聲的效果比較明顯，圖像邊界部分更清晰。針對雜草圖像的特征，為了能較好地保護雜草的葉片邊緣及中間葉脈部分的細(xì)節(jié)信息，需要選取合適的窗口進行中值濾波。

3 模式識別

模式識別就是對事物或現(xiàn)象的各種形式的信息進行處理和分析，對事物或現(xiàn)象進行描述、分辨和解釋的過程。在雜草識別中，常用的模式識別方法是人工神經(jīng)網(wǎng)絡(luò)。

3.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)[8]屬于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，也是人工神經(jīng)網(wǎng)絡(luò)的一種，是局部逼近網(wǎng)絡(luò)，特別適合用于解決分類問題。

朱登勝[9]等應(yīng)用植物光譜特性及神經(jīng)網(wǎng)絡(luò)模型對大豆幼苗及雜草進行研究，采用db12小波經(jīng)過3層分解后，將其小波系數(shù)作為輸入數(shù)據(jù)，構(gòu)造一個徑向基神經(jīng)網(wǎng)絡(luò)模型，隨機抽取樣本檢測模型識別能力。結(jié)果表明，該模型對作物和雜草光譜具有極強的識別能力。

3.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[10]是使用誤差反向傳播算法的前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)模型結(jié)構(gòu)簡單，易于實現(xiàn)。Burks等[11]應(yīng)用BP算法對向日葵田間雜草進行識別，通過選擇合適的網(wǎng)絡(luò)模型和參數(shù)，雜草識別率為92%。

4 結(jié)語

基于機器視覺的田間雜草識別技術(shù)，可以實現(xiàn)智能噴灑農(nóng)藥，有利于保護生態(tài)環(huán)境，適合我國農(nóng)業(yè)生產(chǎn)的需求。但田間雜草環(huán)境復(fù)雜，圖像預(yù)處理和模式識別精度有待提高?，F(xiàn)有的雜草識別技術(shù)仍需要進一步改進：

（1）機器視覺系統(tǒng)采集的圖像精度直接影響圖像處理精度，因此可以設(shè)計開發(fā)新型高分辨率的視覺傳感器。

（2）模式識別算法的模型參數(shù)可以通過實驗進一步調(diào)整，提高模式識別精度。

[1]SOGAARD H T，LUND I，GRALIA E.Real-time application of herbicides in seed lines by computer vision and microspray system[J]. American Society of Agricultural and Biological Engineers，2006（12）：118-127.

[2] 尹建軍，沈?qū)殗?，陳樹?基于機器視覺的田間雜草定位技術(shù)[J].農(nóng)業(yè)機械學(xué)報，2010（6）：163-166.

[3] 王軍敏，姬鵬飛. 基于微分算子的邊緣檢測及其應(yīng)用[J].平頂山學(xué)院學(xué)報，2015（2）：85-89.

[4] 李寒，基于機器視覺的目標(biāo)檢測在精細(xì)農(nóng)業(yè)中的關(guān)鍵技術(shù)研究[D].北京：中國農(nóng)業(yè)大學(xué)，2014.

[5] 楊會清，孫麗燕，劉紅.田間雜草識別的機器視覺系統(tǒng)及機械除草研究[J].農(nóng)業(yè)機械，2011（28）：126-129.

[6]YAN H.Skew correetion of document images using interline cross-correlation[J].Cvgip Graphical Models & Image Processing，1993（6）：538-543.

[7]李東明.基于機器視覺的田間雜草識別方法研究[D].天津：河北工業(yè)大學(xué)，2008.

[8]黃鋒.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的圖像識別研究[D].太原：太原理工大學(xué)，2007.

[9]朱登勝，潘家志，何勇.基于光譜和神經(jīng)網(wǎng)絡(luò)模型的作物與雜草識別方法研究[J].光譜學(xué)與光譜分析，2008（5）：1102-1106.

[10]卜富清，王茂芝，于慶剛.基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識別[J].長江大學(xué)學(xué)報（自科科學(xué)版），2009（2）：293-294.

[11]BURKS T F，SHEARER S A，HEATH J R，et al.Evaluation of neuralnetwork classifiers for weed species discrimination[J]. Biosystems Engineering，2005（3）：293-304.

Study on identification method of weeds based on machine vision

Zhao Na
（Computer and Information Engineering College of Tianjin Agricultural University, Tianjin 300384, China）

In agriculture, weeds can affect the growth of crops. In order to realize the process automation, the weed identification based on machine vision technology can help the robot quickly and accurately identify weeds, thus the robot can accurately use herbicides in order to improve the utilization of drugs and reduce environmental pollution. Based on the research, this paper analyzed the image preprocessing techniques which can enhance the rate of identification and pattern recognition algorithm based on artificial neural network, and present the weed identification method problems and improving methods.

machine vision; weeds identification; artificial neural networks

天津農(nóng)學(xué)院科技發(fā)展基金；項目編號：2013N12。

趙娜（1981— ），女，天津，碩士，講師；研究方向：機器視覺，位姿測量。