李 林，魏新華，毛罕平，吳 姝

?

冬油菜田雜草探測(cè)光譜傳感器設(shè)計(jì)與應(yīng)用

李 林，魏新華，毛罕平，吳 姝

（江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，鎮(zhèn)江 212013）

雜草的精確識(shí)別是對(duì)靶施藥和自動(dòng)化機(jī)械除草的關(guān)鍵前提，基于光譜分析技術(shù)的光譜傳感器可以實(shí)現(xiàn)快速、無(wú)損的雜草識(shí)別。該文以冬油菜苗期雜草為研究對(duì)象，根據(jù)試驗(yàn)選取的4個(gè)特征波長(zhǎng)點(diǎn)（595、710、755和950 nm），設(shè)計(jì)了一種能自動(dòng)識(shí)別雜草的光譜傳感器。根據(jù)光學(xué)系統(tǒng)原理和田間實(shí)際操作要求，提出了該光譜傳感器的結(jié)構(gòu)設(shè)計(jì)方案，選擇了合適的光學(xué)器件，并開(kāi)發(fā)了光譜傳感器信號(hào)調(diào)理電路。對(duì)光譜傳感器進(jìn)行了標(biāo)定和試驗(yàn)驗(yàn)證，根據(jù)便攜式光譜儀和光譜傳感器在4個(gè)波長(zhǎng)下的測(cè)量結(jié)果建立了相應(yīng)的標(biāo)定方程，方程的決定系數(shù)分別為0.799、0.812、0.892和0.867，驗(yàn)證試驗(yàn)結(jié)果的相對(duì)誤差絕大多數(shù)都在10%以內(nèi)，可以識(shí)別冬油菜苗期田間雜草。該傳感器為雜草自動(dòng)探測(cè)裝置的開(kāi)發(fā)提供了參考。

傳感器；設(shè)計(jì)；試驗(yàn)；雜草探測(cè)；光譜傳感器；信號(hào)調(diào)理；光學(xué)系統(tǒng)

0 引 言

田間雜草的精確識(shí)別是實(shí)現(xiàn)除草劑變量噴施和機(jī)械除草的關(guān)鍵因素，國(guó)內(nèi)外學(xué)者運(yùn)用機(jī)器視覺(jué)[1-3]、光譜檢測(cè)[4-5]、多光譜成像[6-8]等技術(shù)在該方面進(jìn)行了大量研究，并設(shè)計(jì)了田間雜草信息獲取設(shè)備[9-11]。其中，基于光譜檢測(cè)分析技術(shù)進(jìn)行雜草識(shí)別的方法根據(jù)一定波段內(nèi)作物、雜草和土壤的反射率差異進(jìn)行識(shí)別。該方法識(shí)別速度快，具有無(wú)污染以及不破壞樣品等優(yōu)點(diǎn)，并且光譜傳感器結(jié)構(gòu)簡(jiǎn)單、成本低[12]。

Wang等[13]利用光敏晶體管和中心波長(zhǎng)分別為496、546、614、676和752 nm的帶通濾光片研制了光學(xué)雜草傳感器，并開(kāi)發(fā)了一套除草劑變量噴灑裝置，經(jīng)過(guò)良好訓(xùn)練，雜草的實(shí)時(shí)識(shí)別精度優(yōu)于70%。鄧巍等[14-15]利用便攜式野外光譜儀，分別測(cè)量了田間3種作物（玉米、馬唐和稗草）植株冠層的光譜數(shù)據(jù)（波長(zhǎng)范圍在350～2 500 nm）。對(duì)預(yù)處理的光譜數(shù)據(jù)采用支持向量機(jī)建立分類模型，試驗(yàn)驗(yàn)證該方法識(shí)別精度達(dá)到80%以上，并在此基礎(chǔ)上研究了基于單片機(jī)和光電器件OPT101的綠色植物靶標(biāo)探測(cè)器。在國(guó)外能區(qū)分綠色植物和土壤的光譜傳感器已經(jīng)商業(yè)化，如美國(guó)NTech公司開(kāi)發(fā)的雜草探測(cè)傳感器WeedSeeker[16]、荷蘭Rometron公司的Weed-IT系列雜草探測(cè)傳感器[17]等。其中，WeedSeeker選用770 nm近紅外光和656 nm紅外光作為特征光譜進(jìn)行植被檢測(cè)，并對(duì)檢測(cè)到的植被進(jìn)行針對(duì)性噴灑，Weed-IT通過(guò)探測(cè)紅外光的強(qiáng)度識(shí)別植被和土壤。在實(shí)際應(yīng)用中能精確區(qū)分雜草和作物的光譜傳感器尚處于研究階段。

本文擬以冬油菜苗期田間雜草識(shí)別為目標(biāo)，根據(jù)已有研究成果[18]所得特征波長(zhǎng)710、755、950、595 nm與識(shí)別模型，研究設(shè)計(jì)基于光譜敏感波段的雜草識(shí)別光譜傳感器，以期為雜草自動(dòng)識(shí)別裝置的開(kāi)發(fā)提供參考。

1 光譜傳感器設(shè)計(jì)

1.1 光譜傳感器測(cè)量原理

光譜信息本身是由物體的內(nèi)在性質(zhì)決定的，由于作物與雜草組成成分和結(jié)構(gòu)有所差異，其對(duì)光譜有不同的反射特性，因此，可以利用光譜反射率之間的差異來(lái)研究雜草的種類鑒別問(wèn)題[2]。光譜傳感器采集特征波長(zhǎng)對(duì)應(yīng)的光譜信息，通過(guò)光電池轉(zhuǎn)換成電信號(hào)，并對(duì)微弱的電信號(hào)進(jìn)行轉(zhuǎn)換、放大和濾波處理，根據(jù)傳感器的輸出信號(hào)即可識(shí)別田間常見(jiàn)雜草。

1.2 傳感器總體結(jié)構(gòu)

光譜傳感器由主動(dòng)光源、凸透鏡、濾光片、光電池和信號(hào)調(diào)節(jié)裝置組成，如圖1所示。其中主動(dòng)光源選擇中心波長(zhǎng)為595、710、755、950 nm的LED燈，每4個(gè)波長(zhǎng)的LED燈交替緊密排列組成一個(gè)正方形陣列；凸透鏡選擇型號(hào)為GL-016-016、直徑為16 mm、焦距為16 mm的K9雙凸透鏡；濾光片選擇中心波長(zhǎng)為595、710、755 、950 nm，半峰值帶寬為10 nm，通光孔徑為16 mm的窄帶干涉濾光片；信號(hào)調(diào)理電路[19-21]主要包含I/V轉(zhuǎn)換電路、信號(hào)放大電路和濾波電路部分。

圖1 光譜傳感器的組成部分示意圖

1.3 光路系統(tǒng)設(shè)計(jì)

在田間實(shí)際應(yīng)用中，冬油菜苗期油菜苗和雜草的面積較小，則光譜傳感器的視場(chǎng)直徑在80 mm左右，傳感器工作時(shí)其實(shí)際測(cè)試距離即物距在500 mm左右。光譜傳感器的光路系統(tǒng)設(shè)計(jì)如圖2所示。

注：ω為視角，(°)。

綜合考慮各個(gè)因素，選取視場(chǎng)直徑=80 mm、物距=500 mm。選用光電池的大小2.65 mm×2.65 mm，光電池直徑為2.65 mm。通過(guò)式（1）可確定該光路系統(tǒng)的物距為16.6 mm。由于物距遠(yuǎn)遠(yuǎn)大于像距，根據(jù)透鏡成像式（2）可知，光電池安裝在接近凸透鏡的焦平面處。根據(jù)式（3）可知，此時(shí)系統(tǒng)的視場(chǎng)角=9°。

式中為視場(chǎng)直徑，mm；為光電池直徑，mm；為物距，mm；為焦距，mm；為像距，mm；為視場(chǎng)角，rad。

光譜傳感器[22-23]以光電池為光電轉(zhuǎn)換器件，光電池的光敏面積與其頻率響應(yīng)特性有關(guān)，面積越大，響應(yīng)頻率越慢，且產(chǎn)生噪聲也越多。但是光電池的光敏面積受到光學(xué)系統(tǒng)和大視場(chǎng)的制約，最小光敏面直徑應(yīng)滿足式（4）[24-25]。

式中1為光學(xué)系統(tǒng)入瞳有效直徑，mm；為空氣的折射率，取1.0。

光學(xué)系統(tǒng)入瞳有效直徑的大小影響反射光進(jìn)入通光孔徑的數(shù)量，進(jìn)而影響光電池的響應(yīng)電流。為防止外界雜光的進(jìn)入，通光孔徑不宜過(guò)大，根據(jù)式（4）可知，光學(xué)系統(tǒng)入瞳有效直徑1滿足：

通過(guò)計(jì)算可知：通光孔徑1應(yīng)小于17 mm；由此可以確定凸透鏡和濾光片通光孔徑均稍微小于17 mm。此時(shí)，光電池可以有效地接收到被測(cè)物體的反射光線。

1.4 傳感器內(nèi)部結(jié)構(gòu)設(shè)計(jì)

在田間進(jìn)行實(shí)際測(cè)量時(shí)，光譜傳感器的測(cè)試距離很難恒定為500 mm。物距的變化會(huì)引起反射到光電池上的光線不穩(wěn)定，導(dǎo)致測(cè)量信號(hào)產(chǎn)生誤差，從而傳感器精度下降。為保證光譜信息傳遞的準(zhǔn)確性，需要對(duì)光譜傳感器的內(nèi)部結(jié)構(gòu)進(jìn)行設(shè)計(jì)。光譜傳感器內(nèi)部每個(gè)波長(zhǎng)（710、755、950、595 nm）對(duì)應(yīng)一個(gè)光學(xué)通道，則傳感器共有4個(gè)光學(xué)通道。4個(gè)通道的排列情況如下：1個(gè)通道處于中心位置，其余3個(gè)通道依次圍繞中心通道等角度均布。

為了確保田間探測(cè)時(shí)4個(gè)通道的視場(chǎng)范圍基本一致，需要確定中心位置通道與其他3個(gè)通道光軸的夾角。圖3給出了中心光軸與周圍光軸夾角示意圖，其中光電池1對(duì)應(yīng)的光軸為中心光軸，其方向與視場(chǎng)中心垂直；光電池2對(duì)應(yīng)的光軸與主光軸夾角為。試驗(yàn)中3個(gè)通道依次圍繞中心通道等角度均布，因此僅分析其中一個(gè)通道與中心光軸之間的關(guān)系即可。

由圖3可知，為了保證中心通道與周圍通道視場(chǎng)范圍基本一致，需要滿足2個(gè)光軸交點(diǎn)在視場(chǎng)的中心，并且滿足式（6）。當(dāng)物距=500 mm，視場(chǎng)=80mm時(shí)，通過(guò)式（6）可以得到4.4°。隨視場(chǎng)增大而減少，根據(jù)實(shí)際需要，試驗(yàn)時(shí)設(shè)置為5°。

光譜傳感器機(jī)械結(jié)構(gòu)如圖4所示，光電池、凸透鏡、濾光片在通道內(nèi)依次排開(kāi)，通過(guò)內(nèi)凹槽固定，橡膠墊圈用于保護(hù)光學(xué)器件、減少磨損。光電池與凸透鏡的距離為16.6 mm，凸透鏡與濾光片、濾光片與鏡頭外側(cè)的距離均為10 mm；中心通道光軸與外側(cè)圓周通道光軸的夾角為3°，鏡頭的通光孔徑為16 mm。鏡頭平均分為3部分，各個(gè)部分之間通過(guò)側(cè)向螺釘連接，便于安裝內(nèi)部器件，兩側(cè)端蓋均用螺紋連接。

1.光電池 2.凸透鏡 3.濾光片 4.保護(hù)鏡片 5.外殼 6.LED光源 7.信號(hào)調(diào)理板

1.Photocell 2.Convex lens 3.Light filter 4.Cover lens 5.Shell 6.LED light source 7.Signal control circuit board

圖4 光譜傳感器機(jī)械結(jié)構(gòu)

Fig.4 Mechanical structure of spectral sensor

由于田間作業(yè)時(shí)，測(cè)量結(jié)果易受天氣狀況的影響，故本文采用主動(dòng)光源為發(fā)光方式。根據(jù)光譜傳感器探測(cè)鏡頭的結(jié)構(gòu)，設(shè)計(jì)3組LED光源，每組光源內(nèi)部即一個(gè)正方形陣列，3組光源與3個(gè)周圍通道依次交錯(cuò)排列一周。根據(jù)聚光原理，每組光源內(nèi)部安裝一個(gè)拋物線反射器，LED光源產(chǎn)生的光線照射到反射器上，反射器對(duì)光線進(jìn)行反射，經(jīng)過(guò)500 mm的物距反射光線照射到樣本上。當(dāng)反射器包角為240°時(shí)，1個(gè)陣列產(chǎn)生的中心光圈直徑為80 mm，設(shè)置3個(gè)LED陣列能保證光強(qiáng)以及中心光圈的大小，便于傳感器探測(cè)其視野范圍內(nèi)的樣本。其具體排列方式如圖4所示。

當(dāng)光譜傳感器的物距為500 mm時(shí)，周圍通道的視場(chǎng)范圍與中心通道的視場(chǎng)范圍基本重合，為直徑80 mm的區(qū)域；當(dāng)物距變小時(shí)，周圍通道與中心通道視場(chǎng)重合范圍稍微變小，在物距為400 mm時(shí)，其視場(chǎng)范圍是直徑為60 mm左右的區(qū)域，此時(shí)周圍通道與中心通道的視場(chǎng)范圍大部分都重合，可以進(jìn)行光譜探測(cè)；如果物距繼續(xù)變小，則周圍通道與中心通道視場(chǎng)范圍的重合部分就會(huì)過(guò)小，進(jìn)入各個(gè)通道的光線不同，導(dǎo)致探測(cè)結(jié)果不準(zhǔn)確，識(shí)別困難。當(dāng)物距增大時(shí)，周圍通道與中心通道視場(chǎng)重合范圍同樣也會(huì)變小，為700 mm時(shí)，其視場(chǎng)范圍是直徑為100 mm左右的區(qū)域，此時(shí)重合范圍較大，可以進(jìn)行光譜探測(cè)；當(dāng)物距繼續(xù)增大時(shí)，其重合范圍也會(huì)過(guò)小。因此，光譜傳感器的物距為400～700 mm，其對(duì)應(yīng)視場(chǎng)范圍的直徑為60～100 mm。

1.5 電路部分設(shè)計(jì)

測(cè)量光譜作物信息時(shí)，光譜傳感器的輸出信號(hào)為微安級(jí)微弱信號(hào)，易受到背景噪聲的干擾。因此，設(shè)計(jì)的信號(hào)調(diào)理電路能夠滿足可靠、不失真地將光譜傳感器的輸出信號(hào)進(jìn)行放大、濾波等要求。

芯片ICL7650[26]是采用動(dòng)態(tài)校零技術(shù)和CMOS工藝制作的斬波穩(wěn)零式高精度運(yùn)算放大器，輸入偏置電流小、失調(diào)小、增益高、共模抑制能力強(qiáng)、響應(yīng)快、漂移低、性能穩(wěn)定。故選擇由ICL7650和若干電阻組成的T型I/V轉(zhuǎn)換放大電路將電流信號(hào)轉(zhuǎn)換為電壓信號(hào)，其輸出信號(hào)變?yōu)楹练?jí)[27]。選擇1A的電流信號(hào)轉(zhuǎn)化成100 mV的電壓信號(hào)等級(jí)，對(duì)應(yīng)計(jì)算電路參數(shù)為：（1+2）=10 kΩ，（1+4/3）=10，考慮到微控制器A/D轉(zhuǎn)換的要求，需將轉(zhuǎn)換后的毫伏數(shù)量級(jí)電壓信號(hào)轉(zhuǎn)換為0～3.3 V電壓信號(hào)，因此，本文選擇由INA121與若干電阻組成的典型放大電路對(duì)毫伏數(shù)量級(jí)的電壓信號(hào)進(jìn)行信號(hào)放大，選擇外接電阻4的阻值為2 kΩ，得到電路的增益為26，可以將毫伏數(shù)量級(jí)的電壓轉(zhuǎn)換到伏級(jí)，從而滿足實(shí)際采樣電壓要求；然后通過(guò)二階低通濾波電路濾除電壓信號(hào)中的高頻干擾，以提高光譜傳感器的靈度敏。根據(jù)直流信號(hào)處理原則和截至頻率n=1/2π，設(shè)定截至頻率10 Hz，計(jì)算出6=7=16 kΩ，2=3=1 F，其信號(hào)調(diào)理電路原理如圖5所示，光譜傳感器的實(shí)物如圖6所示。

注：A1為調(diào)理電路輸入信號(hào)；AD1為調(diào)理電路輸出信號(hào)；Ri(i=1,2,…,8)為電阻，Ω；Ci (i=1,2,…,4)為電容，F(xiàn)；ICL7650為斬波穩(wěn)零式高精度運(yùn)算放大器；INA121為低功耗運(yùn)算放大器；LF247為高速運(yùn)算放大器。

圖6 光譜傳感器實(shí)物

2 試驗(yàn)與結(jié)果分析

2.1 光譜傳感器標(biāo)定試驗(yàn)

光譜傳感器的標(biāo)定試驗(yàn)于2016年1月20日在江蘇大學(xué)農(nóng)業(yè)工程研究院實(shí)驗(yàn)室內(nèi)進(jìn)行。分別采集冬油菜苗、雜草、土壤的樣本放入保鮮袋，立即送往實(shí)驗(yàn)室，進(jìn)行試驗(yàn)。其中冬油菜苗樣本為田間隨機(jī)選取的3～6葉處于苗期且正常生長(zhǎng)的樣本，雜草樣本選擇5種冬油菜中最常見(jiàn)的處于生長(zhǎng)期的雜草（婆婆納、刺兒菜、薺菜、小飛蓬、粘毛卷耳），土壤樣本為田間隨機(jī)采集的土壤。

試驗(yàn)中，采用研制的光譜傳感器測(cè)試樣本，并得到輸出電壓；同時(shí)，使用美國(guó)ASD公司的FieldSpec?3便攜式光譜分析儀[28-29]同步測(cè)量樣本的光譜數(shù)據(jù)信息，在視場(chǎng)范圍內(nèi)隨機(jī)測(cè)量5個(gè)點(diǎn)的光譜信息，并取其平均值。FieldSpec?3便攜式光譜分析儀的光譜范圍為350～2 500 nm，光譜分辨率分別為3（350～1 000 nm）和10 nm（>1 000～2 500 nm），在350～1 000 nm范圍內(nèi)采樣間隔為1.4 nm，在>1 000～2 500范圍內(nèi)采樣間隔為2 nm。為確保試驗(yàn)精度，測(cè)量時(shí)探測(cè)鏡頭在500 mm處垂直于樣本表面放置，此時(shí)視場(chǎng)范圍為80 mm。圖7為不同波段下光譜反射率與傳感器電壓擬合曲線。

圖7 不同波段下光譜反射率與傳感器電壓擬合曲線

為保證測(cè)量范圍，把各個(gè)種類的葉片拼接成直徑為110 mm的圓，由雙面膠固定在卡紙上，每個(gè)樣本所得的大范圍面積為：油菜4個(gè)樣本；5種雜草，每種雜草各4個(gè)樣本；干土壤2個(gè)，濕土壤2個(gè)樣本。為了確保數(shù)據(jù)的可重復(fù)性和模型的魯棒性，在每個(gè)大范圍面積的樣本表面選擇合適的位置采集5個(gè)點(diǎn)，每個(gè)點(diǎn)測(cè)5次取平均值。分別記錄便攜式光譜儀和光譜傳感器在710、755、950和595 nm處對(duì)應(yīng)點(diǎn)的測(cè)量結(jié)果，結(jié)果見(jiàn)圖7，同時(shí)對(duì)測(cè)量數(shù)據(jù)進(jìn)行擬合[30-31]。

通過(guò)以上分析可知，各個(gè)標(biāo)定方程的決定系數(shù)均較高，595、710、755和950 nm共4波段處的決定系數(shù)2分別為0.799、0.812、0.892、0.867。

2.2 驗(yàn)證試驗(yàn)

為了驗(yàn)證傳感器的可靠性，試驗(yàn)以冬油菜苗為例，在校內(nèi)實(shí)驗(yàn)室進(jìn)行。于江蘇大學(xué)試驗(yàn)田采集冬油菜苗樣本放入保鮮袋，立即送往實(shí)驗(yàn)室，進(jìn)行試驗(yàn)。試驗(yàn)現(xiàn)場(chǎng)如圖8所示。

1.光源 2.處理器 3.被測(cè)物 4.光纖探頭 5.光譜儀主機(jī) 6.試驗(yàn)支架 7.直流電源 8.萬(wàn)用表 9.被測(cè)物 10.光譜傳感器

光譜傳感器測(cè)試結(jié)果通過(guò)標(biāo)定試驗(yàn)公式進(jìn)行計(jì)算，轉(zhuǎn)化成光譜反射率。驗(yàn)證結(jié)果如表1所示。

表1 不同波段下光譜傳感器和光譜儀測(cè)定光譜反射率對(duì)比

由傳感器測(cè)量結(jié)果計(jì)算所得的光譜反射率，通過(guò)與FieldSpec?3便攜式光譜分析儀測(cè)試結(jié)果進(jìn)行對(duì)比分析可知：在各個(gè)特征波長(zhǎng)下的大部分相對(duì)誤差均小于10%，有小部分超過(guò)10%，其中最大相對(duì)誤差為16.58%。在測(cè)量時(shí)，傳感器和便攜式光譜儀在每個(gè)葉片的相同位置均測(cè)量1次，由于葉子的移動(dòng)可能造成測(cè)試位置點(diǎn)的重合度有所偏差，其造成相對(duì)誤差較大。但總體來(lái)看，該光譜傳感器能實(shí)現(xiàn)光譜反射率的測(cè)量。

分別采集油菜樣本20組，土壤樣本20組，常見(jiàn)5種雜草（婆婆納、刺兒菜、薺菜、小飛蓬、粘毛卷耳）樣本各20組，每組數(shù)據(jù)采集3次，取其平均值。為了驗(yàn)證該雜草傳感器的有效性，采用前期建立的貝葉斯判別函數(shù)模型，對(duì)采集的數(shù)據(jù)進(jìn)行識(shí)別，識(shí)別結(jié)果如表2所示。140組數(shù)據(jù)平均識(shí)別時(shí)間為76.3 ms，滿足實(shí)際應(yīng)用的需求。

表2 雜草識(shí)別結(jié)果

由表2可知，試驗(yàn)中土壤的正確識(shí)別率為100%。美國(guó)NTech公司成功開(kāi)發(fā)的雜草探測(cè)傳感器WeedSeeker[16]對(duì)區(qū)分綠色植物和土壤也具有很高的識(shí)別率，但WeedSeeker僅能識(shí)別綠色植物和土壤，無(wú)法實(shí)現(xiàn)雜草與作物的識(shí)別。在實(shí)際應(yīng)用中，迫切需要進(jìn)行雜草與作物的識(shí)別并將其用于變量噴施及機(jī)械除草。本文主要針對(duì)冬油菜苗期田間雜草進(jìn)行作物與雜草的識(shí)別，從試驗(yàn)識(shí)別結(jié)果中可以看出，對(duì)于油菜常見(jiàn)的5種雜草，平均分類正確率為90.7%，該傳感器具有較好的識(shí)別效果。

本文設(shè)計(jì)的傳感器中采樣時(shí)間主要是光信號(hào)轉(zhuǎn)換成電信號(hào)的時(shí)間，本試驗(yàn)選用的光電池響應(yīng)時(shí)間為500 ns，采樣速率最高可達(dá)每秒2×108次。此外，該傳感器目前主要針對(duì)處于苗期的冬油菜苗，目前可對(duì)油菜最常見(jiàn)的5種雜草（婆婆納、刺兒菜、薺菜、小飛蓬以及粘毛卷耳）進(jìn)行有效識(shí)別。

3 結(jié)論與討論

1）基于試驗(yàn)選定的4個(gè)波長(zhǎng)595、710、755、950 nm，設(shè)計(jì)了一種光譜傳感器，用于識(shí)別冬油菜苗期田間雜草。光譜傳感器包括4個(gè)光學(xué)通道和3個(gè)主動(dòng)LED光源，其中凸透鏡、濾光片、光電池在各光學(xué)通道內(nèi)依次排列，以進(jìn)行光譜信息的探測(cè)，開(kāi)發(fā)了傳感器硬件電路部分。

2）通過(guò)對(duì)傳感器進(jìn)行標(biāo)定試驗(yàn)，得到4個(gè)波長(zhǎng)下的標(biāo)定方程，其決定系數(shù)分別為0.799、0.812、0.892、0.867，模型具有較好的相關(guān)性；試驗(yàn)驗(yàn)證結(jié)果的相對(duì)誤差大部分都在10%以內(nèi)。

3）使用該傳感器進(jìn)行冬油菜中常見(jiàn)雜草的識(shí)別試驗(yàn)，平均分類正確率為90.7%，具有較好的識(shí)別效果。

在實(shí)際試驗(yàn)中，本文設(shè)計(jì)的雜草探測(cè)光譜傳感器測(cè)得的光譜數(shù)據(jù)容易受到田間光照變化的影響，而且路面顛簸及傳感器本身的機(jī)械振動(dòng)也會(huì)給識(shí)別精度帶來(lái)影響，因此如何降低干擾因素影響，提高傳感器的魯棒性尚需進(jìn)一步深入研究。

[1] Slaughter D C, Giles D K, Downey D. Autonomous robotic weed control systems: A review[J]. Computers and Electronics in Agriculture, 2008, 61: 63－78.

[2] Tang J, Chen X, Miao R, et al. Weed detection using image processing under different illumination for site-specific areas spraying[J]. Computers and Electronics in Agriculture, 2016, 122: 103－111.

[3] 吳迪，黃凌霞，何勇，等. 作物和雜草葉片的可見(jiàn)-近紅外反射光譜特性[J]. 光學(xué)學(xué)報(bào)，2008，28(8)：1618－1622.

Wu Di, Huang Lingxia, He Yong, et al. Visible-near infrared reflection spectroscopy for crop-weed discrimination[J]. Acta Optica Sinica, 2008, 28(8): 1618－1622. (in Chinese with English abstract)

[4] 祖琴，鄧巍，王秀，等. 主成分分析和SIMCA的甘藍(lán)與雜草光譜識(shí)別方法研究[J]. 光譜學(xué)與光譜分析，2013，33(10)：2745－2750.

Zu Qin, Deng Wei, Wang Xiu, et al. Research on spectra recognition method for cabbages and weeds based on PCA and SIMCA[J]. Spectroscopy and Spectral Analysis, 2013, 33(10): 2745－2750. (in Chinese with English abstract)

[5] Go’mez-Casero M T, Castillejo-Gonza’lez I L, Garc’a-Ferrer A, et al. Spectral discrimination of wild oat and canary grass in wheat fields for less herbicide application[J]. Agronomy for Sustainable Development, 2010, 30(3): 689－699.

[6] Wendel A, Underwood J. Self-supervised weed detection in vegetable crops using ground based hyperspectral imaging[C]//IEEE International Conference on Robotics and Automation, 2016.

[7] 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.

Zu Qin, Zhang Shuifa, Cao Yang, et al. Research on Identification of cabbages and weeds combing spetralimaging technology and SAM taxonomy[J]. Spectroscopy and Spectral Analysis, 2015, 35(2): 479－485. (in Chinese with English abstract)

[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.

Zhao Chuanyuan, He Dongjian, Qiao Yongliang. Identification method of multi-feature weed based on multi-spectral images and data mining[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 192－198. (in Chinese with English abstract)

[9] 張小龍，謝正春，張念生，等. 豌豆苗期田間雜草識(shí)別與變量噴灑控制系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(11)：220－225，273.

Zhang Xiaolong, Xie Zhengchun, Zhang Niansheng, et al. Weed recognition from pea seedling images and variable spraying control system[J]. Transaction of the Chinese Society for Agricultural Machinery, 2012, 43(11): 220－225, 273. (in Chinese with English abstract)

[10] Wang N, Zhang N, Wei J, et al. A real-time embedded weed-detection system for use in wheat fields[J]. Biosystems Engineering, 2007, 98(3): 276－285.

[11] Nieuwenhuizen A T, Hofstee J W, Henten E J. Performance evaluation of an automated detection and control system for volunteer potatoes in sugar beet fields[J]. Biosystems Engineering, 2010, 107(1): 46－53.

[12] Hurado M, Lopez-Granados F, Stenciano S, et al. Discrimination of weed seedlings, wheat (Triticum aestivum) stubble and sunflower (Helianthus annuus) by near-infrared reflectance spectroscopy (NIRS)[J]. Crop Protection, 2003, 22(3): 1177－1180.

[13] Wang N, Zhang N, Dowell F E, et al. Design of an optical weed sensor using plant spectral characteristics[J]. Transactions of the ASAE, 2001, 44(2): 409－419.

[14] 鄧巍，張錄達(dá)，何雄奎，等. 基于支持向量機(jī)的玉米苗期田間雜草光譜識(shí)別[J]. 光譜學(xué)與光譜分析，2009，29(7)：1906－1910.

Deng Wei, Zhang Luda, He Xiongkui, et al. SVM-based spectral recognition of corn and weeds at seedling stage in fields[J]. Spectroscopy and Spectral Analysis, 2009, 29(7): 1906－1910. (in Chinese with English abstract)

[15] 鄧巍，趙春江，何雄奎，等. 綠色植物靶標(biāo)的光譜探測(cè)研究[J]. 光譜學(xué)與光譜分析，2010，30(8)：2179－2183.

Deng Wei, Zhao Chunjiang, He Xiongkui, et al. Study on spectral detection of green plant target[J]. Spectroscopy and Spectral Analysis, 2010, 30(8): 2179－2183. (in Chinese with English abstract)

[16] 馬旭，齊龍，梁柏，等. 水稻田間機(jī)械除草裝備與技術(shù)研究現(xiàn)狀及發(fā)展趨勢(shì)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(6)：162－168.

Ma Xu, Qi Long, Liang Bai, et al. Present status and prospects of mechanical weeding equipment and technology in paddy field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(6): 162－168. (in Chinese with English abstract)

[17] 毛文華，張銀橋，王輝，等. 雜草信息實(shí)時(shí)獲取技術(shù)與設(shè)備研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(1)：190－195.

Mao Wenhua, Zhang Yinqiao, Wang Hui, et al. Advance techniques and equipment for real-time weed detection[J]. Transaction of the Chinese Society for Agricultural Machinery, 2013, 44(1): 190－195. (in Chinese with English abstract)

[18] 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.

Bai Jing, Xu You, Wei Xinhua, et al. Weed identification from winter rape at seedling stage based on spectrum characteristics analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(20): 128－134. (in Chinese with English abstract)

[19] 孫思成，付躍文. 脈沖渦流檢測(cè)微弱信號(hào)調(diào)理電路設(shè)計(jì)[J]. 無(wú)損檢測(cè)，2013，35(6)：17－22.

Sun Sicheng, Fu Yuewen. Design of weak signal conditioning circuit for pulsed eddy current[J]. Nondestructive Testing, 2013, 35(6): 17－22. (in Chinese with English abstract)

[20] 李鑫星，王聰，李振波，等. 水體葉綠素a光學(xué)傳感器信號(hào)調(diào)理電路設(shè)計(jì)與測(cè)試[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(9)：314－318.

Li Xinxing, Wang Cong, Li Zhenbo, et al. Signal conditioning circuit design and test of chlorophyll a optical sensor of water[J]. Transaction of the Chinese Society for Agricultural Machinery, 2015, 46(9): 314－318. (in Chinese with English abstract)

[21] 趙亮，劉先勇，袁長(zhǎng)迎，等. 微弱信號(hào)調(diào)理電路的設(shè)計(jì)及研究[J]. 西南科技大學(xué)學(xué)報(bào)，2010，25(1)：64－68.

Zhao Liang, Liu Xianyong, Yuan Changying, et al. Design and study of weak signal conditioning circuit[J]. Journal of Southwest University of Science and Technology, 2010, 25(1): 64－68. (in Chinese with English abstract)

[22] Zrelli A, Bouyahi M, Ezzedine T. Monitoring of temperature in distributed optical sensor: Raman and Brillouin spectrum[J]. Optik-International Journal for Light and Electron Optics, 2016, 127(8): 4162－4166.

[23] 倪軍，王婷婷，姚霞，等. 作物生長(zhǎng)信息獲取多光譜傳感器設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(5)：207－212.

Ni Jun, Wang Tingting, Yao Xia, et al. Design and experiments of multi-spectral sensor for rice and wheat growth information[J]. Transaction of the Chinese Society for Agricultural Machinery, 2013, 44(5): 207－212. (in Chinese with English abstract)

[24] 李景鎮(zhèn). 光學(xué)手冊(cè)[M]. 北京：兵器工業(yè)出版社，1985：168.

[25] 王婷婷. 多光譜作物生長(zhǎng)智能傳感器的研制[D]. 南京：南京農(nóng)業(yè)大學(xué)，2012.

Wang Tingting. Development of Multi-Spectral Intelligent Sensor for Crop Growth[D]. Nanjing: Nanjing Agricultural University, 2012. (in Chinese with English abstract)

[26] 盧少林，倪軍，曹衛(wèi)星，等. 基于主動(dòng)光源的作物生長(zhǎng)信息監(jiān)測(cè)儀的設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(23)：199－206.

Lu Shaolin, Ni Jun, Cao Weixing, et al. Design and experiment for crop growth information monitoring instrument based on active light source[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 199－206. (in Chinese with English abstract)

[27] 蔣錕林. 一種傳感器微弱信號(hào)放大電路的設(shè)計(jì)[J]. 電聲技術(shù)，2013，37(11)：25－28.

Jiang Kunlin. Design of a sensor weak signal amplifier circuit[J]. Audio Engineering, 2013, 37(11): 25－28. (in Chinese with English abstract)

[28] 趙明家. 東北春玉米冠層光譜特征與氮營(yíng)養(yǎng)診斷依據(jù)的研究[D]. 長(zhǎng)春：吉林農(nóng)業(yè)大學(xué)，2014.

Zhao Mingjia. The Canopy Spectrum Characteristic of Northeast Spring Corn and Nitrogen Nutrition Diagnosis Research[D]. Changchun: Jilin Agricultural University, 2014. (in Chinese with English abstract)

[29] 劉海. 基于變分模型的紅外光譜超分辨率方法研究[D]. 武漢：華中科技大學(xué)，2014.

Liu Hai. Research on Infrared Spectra Super-Resolution Based on Variational Models[D]. Wuhan: The Huazhong University of Science and Technology, 2014. (in Chinese with English abstract)

[30] 孫瑜. 基于光譜特性的玉米葉片水氮含量快速檢測(cè)方法研究[D]. 西安：西北農(nóng)林科技大學(xué)，2014.

Sun Yu. Methods Research of Corn Leaf Moisture Content and Nitrogen Detecting Based on Spectral Reflectance[D]. Xi’an: North West Agriculture and Forestry University, 2014. (in Chinese with English abstract)

[31] 焦學(xué)磊，曹衛(wèi)星，田永超，等. 用于作物光譜信息監(jiān)測(cè)的微弱信號(hào)調(diào)理方法與電路設(shè)計(jì)[J]. 儀器儀表學(xué)報(bào)，2008，29(11)：2461－2464.

Jiao Xuelei, Cao Weixing, Tian Yongchao, et al. Feeble light signal conversion method and circuit design used in crop spectrum information inspection[J]. Chinese Journal of Scientific Instrument, 2008, 29(11): 2461－2464. (in Chinese with English abstract)

Design and application of spectrum sensor for weed detection used in winter rape field

Li Lin, Wei Xinhua, Mao Hanping, Wu Shu

(,,,212013,)

Due to lack of weed identification and positioning equipment，farmers usually use large area uniform spraying of chemical herbicides, which not only wastes herbicides and labor, but also leads to ecological environment pollution and agricultural product quality problem. At the same time, the weed control accuracy using existing mechanical weed control method is low with a high crop injury rate. Therefore, accurate weed identification is a key issue in target pesticide application and mechanical weed control. There are three kinds of weed identification method: image-based weed identification method, spectrum-based weed identification method, and spectral-image-based weed identification method. At present, spectrum sensor based on spectrum analysis has been most widely accepted in actual weed control due to its advantages of simple system configuration, lossless and high processing speed. Based on the four characteristic wavelengths (595, 710, 755 and 950 nm) selected by the investigation of weeds in the winter rape field, in this paper, we presented our research on weed spectrum sensor. According to the principle of optical system and the actual operation requirements in field, the structure design scheme of the spectrum sensor was proposed, which consisted of five parts, active light source, convex lens, light filter, photocell, and signal conditioning device. As the field measurement results vulnerable to weather conditions, we used LED as an active light source. There were four optical channels (595, 710, 755 and 950 nm) and three active LED light sources in the spectrum sensor. A K9 lenticular lens with diameter of 16 mm and focal length of 16 mm was chosen. A narrow-band interference filter with a center wavelength of 595, 710, 755, 950 nm was applied, whose half-peak bandwidth is 10 nm and aperture is 16 mm. The size of the photocell is 2.65 mm × 2.65 mm. The convex lens, the light filter and the photocell were sequentially arranged in the optical channels in order to detect the spectral information. Signal processing circuits were developed to meet the reliable output signal amplification, filtering and other requirements without distortion. The spectral distance of the spectral sensor is 400-700 mm while the diameter of the field of view is 60-100 mm. After that, the spectral sensor was applied to do calibration test and experimental verification. The calibration test established four mathematical models between the four output results by intelligent spectral sensor and the four measuring results of FieldSpec?3 spectrometer. The determination coefficients of each model were 0.799, 0.812, 0.892, and 0.867. The results of the experimental verification showed that most of the relative errors were within 10%, indicating that the designed sensor could separate winter rape from weeds. Therefore, the spectrum sensor could make its contribution to the exploration of weed automatic identification equipment. Experiments on actual weed identification showed that the average recognition rate was 90.7%, which had a good weed recognition effect. The main factors affecting the recognition results were the nature light and the mechanism vibration. How to reduce the influence of interference factors on the recognition precision will be the focus of the next research.

sensors; design; experiments; weeds identification; spectrum sensor; signal conditioning; optical system

10.11975/j.issn.1002-6819.2017.18.017

S237/TP73

A

1002-6819(2017)-18-0127-07

2017-04-11

2017-06-04

國(guó)家自然科學(xué)基金項(xiàng)目（51575244）；江蘇省高校自然科學(xué)研究項(xiàng)目（14KJA210001）；公益性行業(yè)（農(nóng)業(yè)）科研專項(xiàng)經(jīng)費(fèi)項(xiàng)目（201503130）；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目（2014-37）；江蘇大學(xué)高級(jí)人才基金資助項(xiàng)目（14JDG149）

李 林，女，助理研究員，主要從事智能化農(nóng)業(yè)裝備研究。鎮(zhèn)江 江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，212013。Email：lilin@ujs.edu.cn