亢潔 劉港 郭國法

摘要：快速獲取噴施農(nóng)藥后農(nóng)藥液滴在水敏紙表面的沉積分布，對了解農(nóng)藥的田間分布情況有十分重要的意義。針對目前水敏紙圖像處理軟件缺少對水敏紙圖像的旋轉(zhuǎn)等預(yù)處理操作，以及現(xiàn)有的水敏紙自動分割方法對水敏紙圖像分割不完整而導(dǎo)致液滴參數(shù)檢測精度低的問題，首先對水敏紙圖像進行預(yù)處理，自動裁剪得到水敏紙感興趣區(qū)域，然后測量水敏紙液滴參數(shù)。該方法首先通過基于顏色特征的自動選取種子點與人工交互選取種子點相結(jié)合的種子區(qū)域生長法對彩色水敏紙圖像進行分割，然后通過Radon變換求取圖像的傾斜角，并對圖像進行旋轉(zhuǎn)和裁剪，最后統(tǒng)計液滴尺寸、液滴個數(shù)和液滴覆蓋率等參數(shù)。通過與DepositScan軟件進行比較，本研究算法能夠得到水敏紙上92.515 0%以上的霧滴，較DepositScan軟件準確率提升了6.227 4百分點，可以看出本研究算法計數(shù)準確率高;對于液滴的最大值、平均值和中值，分別對2種方法進行了相關(guān)性分析，實際得到的相關(guān)系數(shù)r全部大于r0.01（6）=0.834，這說明2種方法間呈現(xiàn)極顯著的相關(guān)性。本研究算法可以有效應(yīng)用于水敏紙農(nóng)藥液滴的參數(shù)測量中。

關(guān)鍵詞：水敏紙; 種子區(qū)域生長法; Randon變換; 液滴

中圖分類號：TP391.41;TP317.4 文獻標志碼： A

文章編號：1002-1302（2022）12-0220-09

收稿日期：2021-08-07

基金項目：陜西省重點研發(fā)計劃（編號：2021GY-022）;陜西省西安市科技計劃（編號：2019216514GXRC001CG002-GXYD1.7）; 國家留學基金（編號：201708615011）。

作者簡介：亢 潔（1973—），女，陜西潼關(guān)人，博士，副教授，碩士生導(dǎo)師，從事機器視覺、智慧農(nóng)業(yè)研究。E-mail：kangjie@sust.edu.cn。

農(nóng)藥在控制農(nóng)作物病蟲害方面具有成本低、有效、快速的特點，是作物病蟲害控制最有力的方法。大量噴灑農(nóng)藥會造成浪費，嚴重危害環(huán)境和人們的身體健康[1]。因此，如何提高農(nóng)藥利用率、減少農(nóng)藥使用量成為亟待解決的問題?？焖偾矣行Й@取施藥后液滴在目標上沉積的噴霧量、液滴尺寸和液滴在目標上的覆蓋均勻性等信息，可以對農(nóng)藥噴施效果進行定量評價，為優(yōu)化農(nóng)藥噴施技術(shù)提供進一步的參考。目前比較普遍應(yīng)用的液滴尺寸測量以及分布特性主要分為3種方法，第1種是機械方法，比如將液滴冷凍或者冷卻成固體顆粒進行測量，利用不同尺寸液滴的運動慣性、速度差異特性來區(qū)分液滴尺寸的范圍等;第2種是電氣方法，比如充電線法（charged-wire）、熱線法（hot-wire）等，如測量流體（包括氣體、液體）導(dǎo)熱系數(shù)的方法，此方法具有速度快、精度高的特點;第3種是光學方法，比如利用液滴的一些物理特性（相差、光照度、極化和熒光等）進行測量，利用激光全息、高速攝影、掃描技術(shù)和激光圖像化等。一般來說光學測量系統(tǒng)價格昂貴，而且調(diào)試使用比較繁瑣[2]。水敏紙（water-sensitive paper ，簡稱WSP）是提供噴霧覆蓋快速評估的一種簡單的機械法，是一種黃色表面的涂布紙，在與水滴接觸時變成深藍色，它具有便于圖像處理和保存、顯色明顯的特點，目前是最常用的液滴收集器[3-4]。近年來，國外已經(jīng)開發(fā)了多種水敏紙圖像處理軟件，其中Fox等提出了一種WSP視覺分級噴霧覆蓋方法的結(jié)果[5];Panneton開發(fā)了一種相機照明系統(tǒng)，測量WSP上斑點覆蓋面積的百分比[6];Cunha等評估了幾種水敏紙圖像處理軟件分析噴霧質(zhì)量的能力[7];Zhu等基于個人計算機和掃描儀開發(fā)了一種便攜式液滴參數(shù)測量系統(tǒng)[8]。Machado 等提出并試驗評估了一種基于智能手機的移動應(yīng)用程序，名為DropLeaf，通過水敏紙來測量農(nóng)藥覆蓋率[9]。Ferguson 等將SnapCard智能手機應(yīng)用程序與DropletScan、SwathKit、DepositScan、ImageJ、Drop Vision-Ag 這些水敏紙圖像處理軟件進行了比較[10]。zlüoymak等基于美國國家儀器的vision acquisition software （VAS） 開發(fā)了一種水敏紙圖像處理軟件[11]。國內(nèi)雖然起步較晚研究較少，但也取得了較好的研究成果[2，3，12-18]。在這些水敏紙圖像處理軟件中，目前比較常用的水敏紙圖像處理軟件有DepositScan[19-20]、ImageJ[21-22]、SnapCard[10]， 這些軟件都可以用于確定噴霧參數(shù)覆蓋率。DepositScan、ImageJ軟件還可以計算液滴數(shù)目，而SnapCard軟件不能計算液滴數(shù)目。ImageJ 軟件在處理水敏紙圖像時首先使用大津法（OTSU）將圖像轉(zhuǎn)換為灰度圖像再進行后續(xù)處理。DepositScan軟件首先利用手動或自動選取閾值將彩色水敏紙圖像轉(zhuǎn)換為8位灰度圖像，然后再進行后續(xù)處理。SnapCard軟件是一款智能手機應(yīng)用軟件，它首先使用智能手機自帶的相機獲取水敏紙圖像。SnapCard軟件的缺陷是在獲取水敏紙圖像和人工選擇感興趣區(qū)域時造成的誤差。由于水敏紙圖像在進行掃描或拍照的過程中往往會發(fā)生不同程度的傾斜，上述這些軟件缺少對水敏紙圖像的旋轉(zhuǎn)和水敏紙感興趣區(qū)域提取等預(yù)處理操作，須要先借助其他軟件得到水敏紙的水平圖像并提取感興趣區(qū)域，然后才能進行后續(xù)處理，而且這些軟件在進行水敏紙圖像分割時均采用將水敏紙轉(zhuǎn)換為灰度圖像再使用OTSU進行分割，這樣在轉(zhuǎn)換的過程中會失去一些有用信息導(dǎo)致檢測精度不高。

為提高液滴檢測的精度和效率，本研究基于顏色特征的自動選取種子點與人工交互選取種子點相結(jié)合的種子區(qū)域生長法直接對彩色水敏紙圖像進行分割，而不需要事先將彩色圖像轉(zhuǎn)換為灰度圖像再進行分割，并對水敏紙圖像進行旋轉(zhuǎn)、自動提取水敏紙感興趣區(qū)域，然后統(tǒng)計測量液滴參數(shù)，最后通過試驗驗證本研究方法的檢測效果。

1 試驗數(shù)據(jù)的獲取D498D58D-9934-4195-8966-D0B98489D122

本研究通過田間噴霧實際情況，以水敏紙收集液滴，然后通過掃描儀獲取液滴的數(shù)字圖像，再基于顏色特征的自動選取種子點與人工交互選取種子點相結(jié)合的種子區(qū)域生長法對彩色水敏紙圖像進行分割，并對水敏紙圖像進行旋轉(zhuǎn)、自動提取水敏紙感興趣區(qū)域，然后統(tǒng)計測量液滴參數(shù)，最后基于Matlab驗證算法。水敏紙是一種高靈敏度的專業(yè)試紙，未使用的水敏紙是黃色的，與液體接觸后接觸區(qū)域會變成藍色，水敏紙可以用來檢查液滴分布情況，噴霧的密度和液滴的尺寸等。未使用過的水敏紙見圖 收集農(nóng)藥液滴后的1張水敏紙圖像見圖2。本試驗的設(shè)計是為了研究噴嘴的型號和噴霧的壓力對農(nóng)藥噴灑系統(tǒng)的眾多影響，因此，試驗具體的過程為通過改變噴灑農(nóng)藥的噴嘴型號和噴藥的壓力，攜帶農(nóng)藥的農(nóng)用機械在試驗麥田中分別做2次試驗，每次進行15組不同的試驗，事先將水敏紙纏繞固定在與麥苗基本同高的鐵桿上（圖3），這樣水敏紙中間的1/2區(qū)域面向農(nóng)用機械噴灑農(nóng)藥的方向，而水敏紙左側(cè)1/4區(qū)域和右側(cè) 1/4 區(qū)域貼在一起，是在農(nóng)用機械噴灑農(nóng)藥的背面，每組試驗在農(nóng)用機械駛過的不同位置可獲得A、B、C、D 4張水敏紙，將4張水敏紙貼在同一張A4紙上，通過掃描儀掃描得到1次試驗收集的水敏紙數(shù)字圖像（圖4）。1次試驗液滴采集點分布見圖5。

2 樣本圖像處理

由于采集到的樣本圖像存在一定角度的傾斜，在預(yù)處理后還需對樣本圖像進行旋轉(zhuǎn)，以使圖像歸正。因此在進行圖像分析前，先對樣本圖像進行處理。本研究對樣本圖像的處理包括水敏紙圖像分割、水敏紙圖像自動旋轉(zhuǎn)和裁剪以及水敏紙圖像拼接。

2.1 水敏紙圖像分割

2.1.1 基于顏色特征的自動選取種子點與人工交互選取種子點相結(jié)合的種子區(qū)域生長算法的水敏紙圖像分割 區(qū)域生長法是一種基于區(qū)域的圖像分割方法，充分利用圖像顏色信息和空域關(guān)系。區(qū)域生長法假定同一對象的像素具有較高的相似性，其基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域[23]。自動分割往往由于圖像背景受干擾等因素不能很好地對水敏紙圖像進行分割，導(dǎo)致后續(xù)液滴參數(shù)計算不準確，因此本研究采用基于顏色特征的自動選取種子點與人工交互選取種子點相結(jié)合的種子區(qū)域生長法對彩色水敏紙圖像進行分割，經(jīng)過多次種子點的選取可以得到較好的分割結(jié)果。具體算法如下：（1）讀取RGB彩色圖像。（2）基于顏色特征自動選取種子點，并將該種子點加入到已生長區(qū)域，并以此作為生長起點。

基于顏色特征的自動選取種子點具體如下：因為液滴噴灑過的水敏紙圖像主要有黃色和藍色，黃色為水敏紙圖像的背景區(qū)域，且黃色像素數(shù)多于藍色像素數(shù)，又因為黃色的RGB值為（255，255，0），即R和G分量都為255，B分量為0，通過直方圖統(tǒng)計發(fā)現(xiàn)，水敏紙的R和G分量的直方圖呈現(xiàn)明顯的雙峰特性，而且有1個峰在R和G分量的取值分別為200左右時特別顯著，說明這些像素屬于黃色背景區(qū)域，中間100～150是明顯的平坦區(qū)域，因此本研究根據(jù)水敏紙顏色特征來自動選取種子點。從圖像左上角的第1個像素開始掃描，行和列的步長均為10，分別計算1個3×3區(qū)域的R分量和G分量的平均值mi（i=R，G）和中值di（i=R，G），當mi>T1時（根據(jù)R分量和G分量的直方圖特性選擇閾值T1=150）且同時滿足當di>T2時（根據(jù)R分量和G分量的直方圖特性選擇閾值T2=100），則選擇這個3×3區(qū)域中心點作為種子點。

（3）判斷生長起點的8個鄰域中是否存在符合生長準則的像素點，若存在則將其劃分為已生長區(qū)域，這就完成了1次迭代。本研究的生長規(guī)則為：若種子點的8鄰域內(nèi)像素的R、G和B分量值都分別同時在（種子點R、G和B分量值-5、種子點R、G和B分量值+5）這個范圍內(nèi)，則將其劃入已生長區(qū)域。

（4）第1次迭代完成后，把符合生長準則的像素點作為新的生長起點，重復(fù)步驟（3），直至沒有滿足條件的鄰域像素點劃分為已生長區(qū)域為止，這樣算作第1次區(qū)域生長結(jié)束。

（5）如果分割結(jié)果中還有未分割區(qū)域，通過鼠標人為選擇目標區(qū)域中的1個點（即種子點）加入到已生長區(qū)域，并以此點作為生長起點，重復(fù)步驟（3）～（5），直至水敏紙圖像中所有區(qū)域都分割完為止。本研究的種子區(qū)域生長算法的程序流程見圖6。

圖7-a和圖7-b為待分割水敏紙原圖及紅色方框區(qū)域的放大圖，圖7-c和圖7-d分別為基于顏色特征的自動選取種子點的種子區(qū)域生長法分割結(jié)果以及相應(yīng)分割結(jié)果紅色方框區(qū)域的放大圖，圖 7-e至圖7-h分別為2次人工選取種子點進行種子區(qū)域生長的分割結(jié)果以及相應(yīng)分割結(jié)果紅色方框區(qū)域的放大圖。從圖7-c和圖7-d中可以看出，自動選取種子點的種子區(qū)域分割算法可以分割出水敏紙圖像的絕大部分區(qū)域，但是分割結(jié)果中仍出現(xiàn)了欠分割現(xiàn)象，由于圖7-b中1、2這2個圓形區(qū)域的顏色和液滴顏色接近，而且被液滴完全包圍，所以未分割出圖中2個圓形區(qū)域。通過鼠標選取圖 7-b 中1所對應(yīng)的較大圓形區(qū)域內(nèi)的一個點作為第2次分割的種子點，分割結(jié)果如圖7-e和圖7-f所示，可以看出圖7-b中1所對應(yīng)的較大圓形區(qū)域可以較好地分割出來，但是圖7-b中2所對應(yīng)的較小圓形區(qū)域仍未分割出來，因此，選擇該區(qū)域較小圓形區(qū)域內(nèi)的點作為第3次分割的種子點，得到的分割結(jié)果見圖7-g和圖7-h，這時，圖7-b中2所對應(yīng)的較小圓形區(qū)域也得到較好的分割。如果分割結(jié)果中還存在未分割區(qū)域，可以繼續(xù)選擇種子點進行分割，直至水敏紙圖像中所有區(qū)域都分割完為止，這樣通過基于顏色特征的自動選取種子點與人工交互選取種子點相結(jié)合的種子區(qū)域生長算法對水敏紙圖像進行分割可以得到令人滿意的分割結(jié)果，為后續(xù)液滴參數(shù)的計算奠定良好的基礎(chǔ)。

2.1.2 水敏紙圖像分割效果對比 針對K均值（K-means）聚類算法、DepositScan軟件使用的大津法（OTSU）和本研究算法這3種圖像分割方法，本研究以數(shù)據(jù)集中2幅水敏紙圖像為例進行分割效果的測試，并對算法結(jié)果進行對比，結(jié)果見表1。從表1的第1行圖的紅色方框區(qū)域可以看出，圖中出現(xiàn)顏色不均現(xiàn)象，K-means算法和本研究算法的分割結(jié)果基本一致，而OTSU算法沒有完全分割出液滴，出現(xiàn)欠分割現(xiàn)象。從表1的第2行圖的紅色方框區(qū)域可以看出，對于細長形的液滴，OTSU算法和本研究算法能夠較好地分割出液滴，而K-means算法在液滴的末端出現(xiàn)斷裂現(xiàn)象。綜合以上分析，本研究算法對這2種情況都能較完整地分割出液滴，效果好，解決了水敏紙圖像分割不準確的問題。D498D58D-9934-4195-8966-D0B98489D122

2.2 水敏紙圖像的自動旋轉(zhuǎn)和裁剪

1次試驗收集到的樣本水敏紙或多或少都會有一定的傾斜，這給后期水敏紙中液滴參數(shù)的統(tǒng)計帶來困難，所以首先要對水敏紙進行自動旋轉(zhuǎn)，使得水敏紙呈水平狀態(tài)。本研究采用Radon變換來求取圖像的傾斜角，并對圖像進行旋轉(zhuǎn)。Radon變換的本質(zhì)是將原來的函數(shù)進行空間轉(zhuǎn)換，也就是，將原來的xy平面上的點映射到AB平面上，則原來xy平面中的一條直線上的所有點在AB平面上都位于同一個點，這時記錄AB平面上的點的積累厚度，就可以知道xy平面上線的存在性[24]。另外在獲取水敏紙時存在背景圖像，須要提取感興趣區(qū)域，即水敏紙區(qū)域。本研究通過區(qū)域分析得到水敏紙區(qū)域的外輪廓，然后按照圖像外輪廓繪制矩形框，并對圖像進行裁剪。對水敏紙圖像進行自動旋轉(zhuǎn)和裁剪的過程見圖8。

經(jīng)過“2.1.1”節(jié)方法分割后的水敏紙圖像見圖9-a。經(jīng)Randon變換求得水敏紙圖像的傾斜角為 -2°;圖9-b所示為將圖像順時針旋轉(zhuǎn)2°（傾斜角為負數(shù)，則為順時針旋轉(zhuǎn)，否則為逆時針旋轉(zhuǎn)）后得到的水敏紙圖像;圖9-c所示為經(jīng)區(qū)域分析得到的水敏紙圖像外輪廓（紅色矩形框所示）;圖9-d為裁剪得到的水敏紙圖像。

2.3 水敏紙圖像拼接

根據(jù)田間噴施農(nóng)藥的真實情況，噴施裝置在田間從前往后行進對農(nóng)作物噴灑農(nóng)藥，水敏紙中間 1/2 區(qū)域面向農(nóng)用機械噴灑農(nóng)藥的方向，而水敏紙左側(cè)1/4區(qū)域和右側(cè)1/4區(qū)域粘貼在一起，位于農(nóng)用機械不能直接噴灑農(nóng)藥的地方，即定義為水敏紙的背面。因此采集到的水敏紙圖像，須要被裁剪成3個部分，分別為圖像的左側(cè)1/4區(qū)域，中間1/2區(qū)域，右側(cè)1/4區(qū)域。然后將左側(cè)1/4與右側(cè)1/4拼接在一起，作為農(nóng)作物背面的水敏紙。分割的水敏紙圖像及拼接完成后的圖像見圖10。

3 液滴參數(shù)統(tǒng)計

通過本研究2種方法對水敏紙圖像進行分割、自動旋轉(zhuǎn)和裁剪以及拼接等預(yù)處理操作之后，得到圖10-b、圖10-c，可以看出每個液滴用一個黑色連通區(qū)域表示，這些連通區(qū)域的個數(shù)即為統(tǒng)計的液滴個數(shù)，為求得連通區(qū)域的個數(shù)，對圖像進行標記處理，即對屬于同一個像素連通區(qū)域的所有像素分配一個編號，用bwlabel函數(shù)實現(xiàn)，并通過label2rgb函數(shù)將各個不同編號的連通區(qū)域進行彩色顯示。最后，用regionprops函數(shù)，提取和度量液滴圖像上每個標記連通區(qū)域的像素面積，然后對液滴參數(shù)進行統(tǒng)計。本研究對液滴各項參數(shù)的計算統(tǒng)計，主要包括了液滴覆蓋率、液滴的最大值、最小值、中間值及平均值（本研究計算的液滴最大值、最小值、中間值及平均值是以圖像的像素數(shù)計算的，通過一定的換算，即可獲得液滴的粒徑參數(shù)。）。

3.1 液滴個數(shù)統(tǒng)計結(jié)果比較

本研究對2次在試驗麥田獲得的水敏紙圖像（每次進行15組試驗，每組獲得4張水敏紙圖像）共計120張進行統(tǒng)計。這里選取其中8張水敏紙圖像為例，分別統(tǒng)計水敏紙的正面和背面，共計16張水敏紙正面和背面圖像，采用3種方法統(tǒng)計液滴個數(shù)，分別為人工計數(shù)法、DepositScan軟件計數(shù)和本研究采用的方法計數(shù)。處理得到的液滴數(shù)量，不同方法的計數(shù)結(jié)果見表2。

液滴個數(shù)誤差率計算公式為

ε=|αβ|α×100%。（1）

式中：ε為誤差率;α為人工計數(shù);β為DepositScan軟件方法或本研究方法計數(shù)[12]。

由表2分析可知，DepositScan軟件對所選8張液滴圖像計數(shù)，誤差率范圍為3.592 8%～13.712 4%;用本研究方法分割、旋轉(zhuǎn)、裁剪后計數(shù)，誤差率范圍為0.000 0%～7.485 0%。從表2還可以看出，本研究方法和人工統(tǒng)計各個試紙上的液滴個數(shù)的差，依次為75、0、41、3、22、7、28、7、22、2、10、37、31、3、27、14個，本研究算法相對于人工統(tǒng)計方法的平均相對誤差為4.407 1%。DepositScan軟件的最大誤差率為13.712 4%，這樣DepositScan軟件能夠得到試紙上86.287 6%以上的液滴。而本研究算法的最大誤差率為7.485 0%，因此本研究算法能夠得到試紙上92.515 0%以上的液滴。

基于相同的樣本，與人工計數(shù)法結(jié)果對比表明，本研究方法較DepositScan軟件計數(shù)結(jié)果精準度高，且對于較淺的細小液滴提取效果有所提高。

3.2 液滴覆蓋率結(jié)果比較

液滴覆蓋率可通過液滴覆蓋區(qū)域面積占統(tǒng)計總面積的百分比計算，公式為

C=AsAp×100%。（2）

式中：C為液滴覆蓋率;As為液滴區(qū)域像素數(shù);Ap為水敏紙區(qū)域總像素數(shù)[14]。

應(yīng)用DepositScan軟件以及本研究方法，求取8張水敏紙圖像（與“3.1”節(jié)試驗相同）的液滴覆蓋率，結(jié)果見表3。

公式（3）為計算8張水敏紙圖像在2種方法下覆蓋率的平均相對誤差。

δ=1n∑ni=1|ei|L×100%。（3）

式中：δ為平均相對誤差;n為統(tǒng)計樣本的個數(shù);ei為絕對誤差（本研究方法與其他算法的差）;L為對比基準（這里為本研究檢測的結(jié)果）[3]。

從計算結(jié)果可以得出，DepositScan軟件與本研究算法在液滴圖像正面的液滴覆蓋率平均相對誤差為9.471 4%，在液滴圖像背面的液滴覆蓋率平均相對誤差為9.656 7%。其中液滴圖像正面中，8號試紙的效果最好，這2種方法計算的液滴覆蓋率相對誤差最小，為4.357 1%;液滴圖像背面中，img1試紙的效果最好，這2種方法計算的液滴覆蓋率相對誤差最小，為2.880 9%。

3.3 種測量方法的相關(guān)分析

對所選8張水敏紙圖像（與“3.1”節(jié)試驗相同）的液滴最大值、平均值和中值進行相關(guān)性分析，用Excel計算相關(guān)系數(shù)并繪出散點圖。圖11為DepositScan軟件與本研究方法對樣本圖像的液滴最大值、液滴平均值和液滴中值的測量結(jié)果的相關(guān)關(guān)系散點圖。D498D58D-9934-4195-8966-D0B98489D122

分析2種方法的相關(guān)性可知，DepositScan法與本研究方法測得的圖像正面和圖像背面液滴最大值之間相關(guān)系數(shù)分別為0.988 9和0.999 5，液滴平均值之間相關(guān)系數(shù)分別為0.978 9和0.981 0，液滴中值之間相關(guān)系數(shù)分別為 0.964 6 和0.991 4。通過統(tǒng)計檢驗，實際得到的r全部大于r0.01（6）=0.834 0，這說明2種方法間呈現(xiàn)極為顯著的相關(guān)性，本研究處理法可用于水敏紙圖像的實際測量工作。

4 結(jié)論

針對目前水敏紙圖像處理軟件缺少對水敏紙圖像的旋轉(zhuǎn)等預(yù)處理操作，以及將水敏紙圖像先轉(zhuǎn)換為灰度圖像再進行分割而導(dǎo)致檢測精度低的問題，本研究首先通過基于顏色特征的自動選取種子點與人工交互選取種子點相結(jié)合的種子區(qū)域生長法對彩色水敏紙圖像進行分割，然后通過Randon變換來求取圖像的傾斜角，并對圖像進行旋轉(zhuǎn)和裁剪，最后統(tǒng)計液滴尺寸、液滴個數(shù)和液滴覆蓋率等參數(shù)。選取8張水敏紙樣本進行相關(guān)試驗，試驗結(jié)果表明：針對液滴個數(shù)，用本研究的方法計數(shù)，誤差率范圍為0.000 0%～7.485 0%，而用DepositScan軟件計數(shù)，誤差率范圍為3.592 8%～13.712 4%，本研究算法的最大誤差率為7.485 0%，因此本研究算法能夠得到試紙上92.515 0%以上的液滴。本研究方法計數(shù)準確率高。針對液滴覆蓋率，DepositScan法與本研究算法在液滴圖像正面的液滴覆蓋率平均相對誤差為9.471 4%，在液滴圖像背面的液滴覆蓋率平均相對誤差為9.656 7%。針對液滴的最大值、平均值和中值，分別對2種方法進行了相關(guān)性分析，實際得到的相關(guān)系數(shù)r全部大于r0.01（6）=0.834，這說明2種方法間呈現(xiàn)極顯著的相關(guān)性，驗證了本研究方法的有效性。

致謝：感謝美國肯塔基大學Tim Stombaugh教授提供的水敏紙樣本。

參考文獻：

[1]Zhang W J，Jiang F B，Ou J F. Global pesticide consumption and pollution：with China as a focus[J]. Proceedings of the International Academy of Ecology and Environmental Sciences，201 1（2）：125-144.

[2]鄭加強. 基于計算機視覺的霧滴尺寸測量技術(shù)[J]. 南京林業(yè)大學學報，2000，24（6）：47-50.

[3]郭 娜，劉思瑤，須 暉，等. 霧滴沉積特性參數(shù)的圖像檢測算法改進[J]. 農(nóng)業(yè)工程學報，2018，34（17）：176-182.

[4]鄭琦琦，吳 堅. 基于NO-2顯色反應(yīng)的抗?jié)裥試婌F霧滴密度和大小的檢測體系[J]. 農(nóng)業(yè)工程學報，2015，31（3）：107-112.

[5]Fox R D，Derksen R C，Cooper J A，et al. Visual and image system measurement of spray deposits using water-sensitive paper[J]. Applied Engineering in Agriculture，2003，19（5）：549-554.

[6]Panneton B. Image analysis of water-sensitive cards for spray coverage experiments[J]. Applied Engineering in Agriculture，2002，18（2）：179-182.

[7]Cunha M，Carvalho C，Marcal A R S. Assessing the ability of image processing software to analyse spray quality on water-sensitive papers used as artificial targets[J]. Biosystems Engineering，2012，111（1）：11-23.

[8]Zhu H P，Salyani M，F(xiàn)ox R D. A portable scanning system for evaluation of spray deposit distribution[J]. Computers and Electronics in Agriculture，201 76（1）：38-43.

[9]Machado B B，Spadon G，Arruda M S，et al. A smartphone application to measure the quality of pest control spraying machines via image analysis[C]//SAC 18：Proceedings of the 33rd Annual ACM Symposium on Applied Computing，2018：956-963.

[10]Ferguson J C，Chechetto R G，ODonnell C C，et al. Assessing a novel smartphone application-SnapCard，compared to five imaging systems to quantify droplet deposition on artificial collectors[J]. Computers and Electronics in Agriculture，2016，128：193-198.

[11]zlüoymakB，Bolat A. Development and assessment of a novel imaging software for optimizing the spray parameters on water-sensitive papers[J]. Computers and Electronics in Agriculture，2020，168：105104.D498D58D-9934-4195-8966-D0B98489D122

[12]吳亞壘，祁力鈞，張 亞，等. 霧滴圖像粘連特征改進判斷及分離計數(shù)方法優(yōu)化[J]. 農(nóng)業(yè)機械學報，2017，48（增刊1）：220-227.

[13]祁力鈞，胡開群，莽 璐，等. 基于圖像處理的霧滴檢測技術(shù)[J]. 農(nóng)業(yè)機械學報，2009，40（增刊1）：48-51.

[14]邱白晶，沙俊炎，湯伯敏，等. 密閉空間霧滴沉積狀態(tài)參數(shù)的顯微圖像解析[J]. 農(nóng)業(yè)機械學報，2008，39（2）：55-58.

[15]袁江濤，楊 立，王小川，等. 基于機器視覺的細水霧液滴尺寸測量與分析[J]. 光學學報，2009，29（10）：2842-2847.

[16]史春建，邱白晶，湯伯敏，等. 基于高速圖像的霧滴尺寸分布統(tǒng)計與運動分析[J]. 農(nóng)業(yè)機械學報，2006，37（5）：63-66.

[17]梁 萍. 基于計算機視覺的霧滴尺寸參數(shù)檢測系統(tǒng)研究[D]. 南京：南京林業(yè)大學，2008.

[18]宋 睿，沈國清，張永濤，等. 植保無人機飛防助劑的篩選及其性能評價[J]. 江蘇農(nóng)業(yè)學報，202 37（2）：333-339.

[19]薛秀云，許旭鋒，李 震，等. 基于葉墻面積的果樹施藥量模型設(shè)計及試驗[J]. 農(nóng)業(yè)工程學報，2020，36（2）：16-22.

[20]王 娟，蘭玉彬，姚偉祥，等. 單旋翼無人機作業(yè)高度對檳榔霧滴沉積分布與飄移影響[J]. 農(nóng)業(yè)機械學報，2019，50（7）：109-119.

[21]Sies M F，Madzlan N F，Asmuin N，et al. Determine spray droplets on water sensitive paper （WSP） for low pressure deflector nozzle using image J[J]. Materials Science and Engineering，2017，243：012047.

[22]Alahmad W，Tungkijanansin N，Kaneta T，et al. A colorimetric paper-based analytical device coupled with hollow fiber membrane liquid phase microextraction （HF-LPME） for highly sensitive detection of hexavalent chromium in water samples[J]. Talanta，2018，190：78-84.

[23]Shrivastava N，Bharti J. Automatic seeded region growing image segmentation for medical image segmentation：a brief review[J]. International Journal of Image and Graphics，2020，20（3）：2050018.

[24]彭 然，胡立文，鄧中民. 基于Radon變換和能量曲線的機織物密度檢測[J]. 棉紡織技術(shù)，202 49（4）：16-20.D498D58D-9934-4195-8966-D0B98489D122