基于莖基部分區(qū)邊緣擬合的稻株定位方法

蔣 郁 崔宏偉 區(qū)穎剛 馬 旭，3 齊 龍,3 鄭文漢

(1.華南農(nóng)業(yè)大學工程學院， 廣州 510642； 2.華南農(nóng)業(yè)大學現(xiàn)代教育技術中心， 廣州510642；3.南方糧油作物協(xié)同創(chuàng)新中心， 長沙 410128)

基于莖基部分區(qū)邊緣擬合的稻株定位方法

蔣 郁1，2崔宏偉1區(qū)穎剛1馬 旭1，3齊 龍1,3鄭文漢1

(1.華南農(nóng)業(yè)大學工程學院， 廣州 510642； 2.華南農(nóng)業(yè)大學現(xiàn)代教育技術中心， 廣州510642；3.南方糧油作物協(xié)同創(chuàng)新中心， 長沙 410128)

準確地定位稻株是水稻株間除草機械作業(yè)的前提，提出了側位俯拍的圖像采集方式獲取稻株莖基部圖像，采用莖基部分區(qū)邊緣擬合的方法定位稻株，解決了除草期內(nèi)水稻冠層接連引起的定位不準確問題。首先分析稻株生長形態(tài)，探究側位俯拍稻株莖基部的相機安裝參數(shù)設定，以及影響成像質量的相關因素，提出了遮光條件下采集圖像的方法，構建了具有遮光功能的圖像采集系統(tǒng)；其次采用2G-R-B彩色圖像灰度化、自動閾值、形態(tài)學操作等方法處理并分割稻株圖像，檢測莖基部邊緣并分析其形態(tài)特征，并提出了分區(qū)邊緣擬合定位方法：劃分擬合區(qū)間為3個子區(qū)間，在子區(qū)間內(nèi)進行邊緣擬合，以擬合邊緣線段中點坐標均值作為子區(qū)間莖基部中點，根據(jù)中點擬合莖基部中線，以中線中點作為定位的莖基部中心。最后進行了基于莖基部與冠層的稻株定位精度田間對比試驗，結果顯示：插秧后10～20 d內(nèi)，基于莖基部的稻株定位誤差均在7.0 mm以下，其中10 d、15 d、20 d時的定位誤差分別為6.9 mm/6.8 mm、5.9 mm/5.8 mm、6.3 mm/6.5 mm(有水條件/無水條件)；基于冠層的稻株定位誤差在8.0 mm以上，其中插秧20 d后，定位誤差超過15 mm以上。試驗結果表明，所提出的基于莖基部分區(qū)邊緣擬合的稻株定位方法，定位精度高，除草適用期長，可滿足株間機械除草過程中對稻株精準定位的技術要求。

水稻； 機械除草； 株間除草； 定位； 莖基部

引言

避開作物選擇性地對株間雜草進行防除是機械除草的最大難點[1]。機插秧雖理論上株距分布均勻，但實際生產(chǎn)中由于單位面積上的取秧量不同、漏插以及漂秧現(xiàn)象的存在，致使水稻株距分布不均勻，因此，要實現(xiàn)水稻株間機械除草，首先需要對稻株進行精準識別和定位。

目前，作物自動識別與定位常采用機器視覺技術，然而識別與定位精度常受圖像背景的復雜度、作物與雜草形態(tài)的相似性以及環(huán)境因素等影響，給田間智能機械除草裝備的研究和應用帶來很大困難。TILLETT等[2]應用二維小波技術結合Kalman跟蹤算法識別目標作物萵苣個體并獲得其位置信息，形成決策后控制除草部件完成株間除草作業(yè)。ASTRAND等[3]對大量甜菜及其雜草的顏色、形狀和不變矩特征信息進行提取，并建立了k-NN分類器，對甜菜的識別正確率達到80%以上。翟志強等[4]提出一種基于Census變換的作物行識別算法，通過改進超綠-超紅方法灰度化圖像提取綠色作物特征，以最小核值相似算子檢測作物行特征角點，運用基于Census變換的立體匹配方法和寬度閾值提取作物行特征點，最后利用主成分分析法得到作物行中心線。胡煉等[5]在超綠顏色空間，利用Otsu圖像分割及形態(tài)學運算方法，識別棉苗和生菜苗，根據(jù)行列像素累加結合綠色植物連通域的質心獲取作物的位置信息。

以上研究均采用機器視覺技術從目標作物的冠層進行識別和定位；識別和定位的作物多為葉菜類作物，株距較大；作物冠層形態(tài)特征相對簡單，相鄰植株無接連；圖像背景多為旱地。然而，對于水稻這種小株距作物而言，不僅冠層形態(tài)特征較為復雜，而且水稻開始分蘗后，相鄰稻穴冠層葉片出現(xiàn)接連，采用機器視覺技術通過冠層定位與根部實際位置存在較大偏差。此外，水田背景環(huán)境復雜、水層反光，也給稻苗的識別和定位帶來一定困難。近年來，NAKARMI等[6]采用莖部定位的圖像處理方式定位作物，通過3D相機采集玉米莖基部圖像，進而提取出作物株距信息，該方法可以適應作物不同生長時期的定位要求。

本研究通過分析稻株的形態(tài)特征，提出側位俯拍的圖像采集方式，通過合理設定圖像采集參數(shù)獲取稻株莖基部圖像；同時構建具有遮光功能的圖像采集系統(tǒng)，以提高自然光下稻苗與背景的差異。

1 材料與方法

1.1 稻苗樣本培育

供試水稻品種為天優(yōu)173。2016年4月19日，在試驗基地溫室內(nèi)(113.35°E、23.16°N)培育稻苗，溫室內(nèi)相對濕度為60%～70%，晝夜平均溫度分別為28、20℃。水稻種子經(jīng)浸泡消毒24 h后，沖洗、催芽，然后進行播種、育秧。肥水按照常規(guī)措施均一管理。2016年5月15日，當?shù)久缙骄叨燃s為25 cm，冠層平均直徑約為13 cm時，將稻苗分別移栽到3個試驗土槽(長×寬×高為200 cm×90 cm×40 cm)內(nèi)。每個試驗土槽移栽稻苗20株，即每行10穴，每列2穴。根據(jù)目前機插秧的相關作業(yè)參數(shù)，行距設定為30 cm，株距12～17 cm隨機。試驗槽放置地點的相對濕度為65%～75%，晝夜平均溫度分別為26、20℃。試驗槽土壤選取稻田土，模擬實際水田情況，并有雜草分布。

1.2 圖像采集

1.2.1 圖像采集系統(tǒng)

圖像采集系統(tǒng)主要由彩色相機(acA640-90gc，BASLER，德國)、鏡頭(M0814-MP，COMPUTAR，日本)、計算機(B470，Lenovo)、遮光裝置、移動平臺、軌道等組成，如圖1所示。其中相機分辨率為640像素×480像素，鏡頭焦距8 mm，光圈F1.4～F16C，采集幀率60 f/s，遮光裝置的框架材料為鋁合金，遮光布的材料為聚酯纖維。圖像采集及處理程序均在In-Sight Explorer 4.9.3(COGNEX，美國)下完成。

圖像采集時，首先將相機安裝在移動平臺上；然后控制移動平臺沿平行于作物行的軌道運動，保持相機與稻苗的相對位置固定，不發(fā)生橫向偏移。

圖1 圖像采集系統(tǒng)俯拍圖像Fig.1 Image acquisition system1.計算機 2.相機 3.遮光裝置 4.移動平臺 5.稻苗 6.軌道 7.土槽

1.2.2 系統(tǒng)參數(shù)設定

1.2.2.1 側位俯拍的相機安裝參數(shù)設定

圖2 不同生長時期的稻株俯拍圖像Fig.2 Top views of rice seedlings at different growth stages

稻苗冠層形態(tài)特征復雜，除草時相鄰稻株葉片接連，基于冠層識別和定位稻株存在誤差。參考側位圖像采集的相關研究[7-8]，并結合稻株莖基部成束的生長特點，本研究提出側位俯拍稻株莖基部的圖像采集方法。側位俯拍是指：在與目標行相鄰的行間，略高于稻株冠層的部位對目標稻株莖基部進行圖像采集。

因水稻除草期一般為插秧后10～20 d，為探究除草期內(nèi)，側位俯拍稻株莖基部的適用性，本研究選取插秧后10 d、15 d、20 d，進行稻株冠層與莖基部圖像樣本采集，并對比分析。圖像采集結果如圖2所示。

圖2a、圖2b 3幅圖分別為稻苗插秧后10 d、15 d、20 d采集的圖像。對比圖2a、2b可以看出，在除草期內(nèi)，隨著稻株生長，相鄰稻株冠層接連狀態(tài)愈加明顯，難以區(qū)分，而相鄰稻株莖基部始終易于區(qū)分。由此可見，在除草期內(nèi)，側位俯拍稻株莖基部的方式與垂直俯拍冠層的方式相比更利于稻株的識別和定位。

然而，由圖2b可以看出，目標稻株莖基部的識別與定位易受相鄰行稻株影響，其原因是相機視野不適合，而相機視野與物距有關，物距增大，則視野增大[9]。側位俯拍時相機物距與相機安裝的高度、俯角等參數(shù)相關，因此，為獲得清晰且不受鄰行干擾的稻株莖基部圖像，應對相機的相關拍攝參數(shù)進行合理的設定。

圖3為相機安裝不同位置的示意圖。圖中點O1、O2表示相機安裝位置。h1、h2表示相機安裝高度，l表示相機安裝位置與目標稻株水平距離，γ1、γ2表示相機安裝俯角，Rh1、Rh2表示株高和莖基部高度，設定稻株莖基部高度為株高的2/3，即Rh2=2Rh1/3。

圖3 相機安裝位置示意圖Fig.3 Schematic diagram of camera installation position

相機安裝時需避免相鄰行稻株冠層對鏡頭視野的遮擋，同時需避免機具行進過程中設備對稻株的影響。設行距L，相機安裝于行間，安裝水平距離l約為2L/3。在水平距離l=2L/3時，縱向調整相機位置，同時調整俯角γ，使視野滿足要求，即視野中不包含相鄰行稻株莖基部。如圖3位置O1、O2。當相機位于O1上方時，物距過大導致相機視野中稻株變小，稻株莖基部在圖像中所占面積較小，不利于莖基部邊緣的提取，進而影響莖基部中心的定位；當相機安裝于O1點與O2點之間，即h2≤h≤h1時，可調整俯角γ，使視野滿足要求；當相機位于點O2下方時，分析可知不存在滿足視野要求的俯角。

圖4 合理安裝相機時稻株莖基部圖像Fig.4 Stem base images of rice seedlings with reasonable installation parameters of camera

由圖3，根據(jù)相似三角形原理，得h1=5Rh1/3，h2=10Rh1/9，因此相機安裝高度范圍為10Rh1/9≤h≤5Rh1/3，本研究中取相機安裝高度為4Rh1/3。此時根據(jù)反正切函數(shù)求得γ范圍為arctan(L/Rh1)≤γ≤arctan(5L/(4Rh1))，本研究中選定俯角γ為arctan(L/Rh1)。綜上所述，相機安裝水平距離為2L/3，安裝高度為4Rh1/3，俯角γ為arctan(L/Rh1)。進行相機安裝時，可根據(jù)稻株生長形態(tài)，對高度、俯角進行適當調整，以期達到稻株成像部位適合，視野中僅包含目標稻株莖基部的目的。

本研究中秧苗行距為300 mm，因此相機安裝水平距離約為200 mm；插秧后10～20 d范圍，稻株平均高度約為270 mm，因此安裝高度約為360 mm，俯角約為48°。

根據(jù)上述參數(shù)安裝相機，采集不同時期稻株莖基部圖像，如圖4所示。由圖4可以看出，經(jīng)過合理設置相機安裝參數(shù)可以采集到較好的稻株莖基部圖像，進一步減小了定位難度，因此本研究圖像采集均采用上述參數(shù)安裝相機。

1.2.2.2 移動平臺前進速度設定

相機采集幀率為60 f/s。進行株間除草作業(yè)實時采集圖像時，為避免重復計算稻株，設置只有當視野中圖像滿足條件時(條件見1.4.3節(jié))，才進行后續(xù)圖像處理，從而避免重復計算稻株。

1.2.2.3 圖像采集環(huán)境因素設定

Phong光照模型將照射到物體表面的光照分類為漫反射光和鏡面反射光。所謂鏡面反射光是指由于物體表面光滑，光線照射到物體表面時產(chǎn)生鏡面反射，鏡面反射使物體表面產(chǎn)生一塊亮度特高的區(qū)域[10]。水田環(huán)境中，由于水面的鏡面反射作用，使視覺系統(tǒng)成像區(qū)域出現(xiàn)亮度較高的區(qū)域，影響稻株的識別和定位[11]。

為提高圖像樣本中稻株與背景的灰度差異，減少圖像噪聲，需調控影響成像質量的相關因素，主要包括成像區(qū)域是否具有水層，以及成像區(qū)域是否遮光。本研究中成像區(qū)域遮光是指通過遮光裝置屏蔽鏡面反射光，使稻苗處于光照漫反射區(qū)，從而使水中無倒影、亮斑，遮光裝置布置如圖1所示。為探究以上兩種因素對成像質量的影響，分別選擇無水無遮光、有水無遮光、無水有遮光、有水有遮光4種條件進行圖像采集，有水時的水層厚度約為2 cm，圖像采集結果如圖5所示。

圖5 不同光照條件下圖像采集結果Fig.5 Images captured under different light conditions

對比圖5a和圖5c可見，稻田無水、自然光照條件下，泥土反光，稻苗與泥土灰度差異不明顯；遮光條件下圖像中稻株與背景的灰度差異較大，易于后續(xù)的圖像分割。稻田有水時，由于水面反射，無遮光時水面倒映移動平臺、天空、云等物體，導致圖5b背景中包含較多噪聲，影響后續(xù)圖像處理，而采用遮光的方式，圖像質量明顯改善。綜上所述，本研究圖像采集均在遮光條件下進行。

1.2.3 圖像采集步驟

圖像采集步驟為：①調整安裝相機，使第1株稻株莖基部位于圖像中部。②調整鏡頭焦距與光圈，使稻株成像清晰。調整移動平臺前進速度為0.15 m/s。③將試驗槽中的水層厚度調整至2 cm左右。④啟動圖像采集系統(tǒng)與移動平臺，來回2次完成一試驗槽稻株的采集。⑤將試驗槽中的水全部排出，重復步驟④。⑥一試驗槽圖像樣本采集完成后，進行另一個試驗槽圖像樣本采集，重復以上步驟。

圖像采集在插秧后10 d、15 d、20 d進行，采集有水、無水圖像各50幅，共300幅圖像用于定位方法分析。

1.3 圖像分割

為突出稻株灰度，弱化背景，需將RGB彩色圖像各顏色分量適當組合轉換。秧苗灰度化最常用方法為[12-13]：用2G-R-B對原圖像進行灰度化，計算式為

(1)

式中Gray(x,y)——像素坐標(x，y)的灰度R、G、B——像素的紅、綠、藍顏色分量

圖7 無分區(qū)邊緣擬合定位方法Fig.7 Edge fitting in non-separated region of stem base

該方法可以突出綠色顏色空間灰度，而陰影和土壤得到較好的抑制效果。其中無水遮光圖像樣本灰度化后所得效果如圖6b所示。

圖像采集時，光照強度變化影響圖像的灰度分布，因此，無法采用固定閾值的方法進行圖像分割。本研究選取最大類間方差法(Otsu 法)自動確定閾值對圖像進行二值化處理。最大類間方差法是一種自動選擇閾值的方法[14-16]。利用Otsu 法計算出最優(yōu)閾值Th,使用閾值Th對灰度圖像二值化后的結果如圖6c所示。由圖6c可知，二值化后的稻株莖基部外邊緣不平滑，內(nèi)部存在較多孔洞，不利于稻株莖基部邊緣提取和中心定位。為平滑稻株莖基部外邊緣，同時填充莖基部內(nèi)部孔洞，減少噪聲，本研究選用先進行3次腐蝕，后進行3次膨脹的形態(tài)學操作對二值圖像進行處理[17-18]。將處理結果進行面積濾波，過濾像素面積小于1 500像素的連通區(qū)域[19]，然后通過孔洞填充操作，填充稻株莖基部內(nèi)部存在的孔洞，形態(tài)學操作處理結果如圖6d所示。

圖6 圖像分割結果Fig.6 Image segmentation results

1.4 定位方法分析

1.4.1 邊緣檢測

邊緣的定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。根據(jù)灰度變化的劇烈程度，通常將邊緣劃分為階躍狀和屋頂狀兩種類型[20]。階躍邊緣兩邊的灰度變化明顯，而屋頂邊緣位于灰度增加與減小的交界處[21]。二值圖像中邊緣兩邊的灰度變化明顯，屬于階躍狀邊緣。其中較優(yōu)的階躍狀邊緣檢測算法為Canny邊緣檢測，先使用高斯濾波器平滑圖像，接著用一階偏導的有限差分來計算梯度的幅值和方向，然后對梯度幅值進行非極大值抑制，最后用雙閾值算法檢測邊緣。

運用Canny邊緣檢測算子在圖像內(nèi)檢測稻株莖基部邊緣，檢測結果如圖7a、8a所示，圖7b、8b為檢測到的邊緣示意圖。

圖8 分區(qū)邊緣擬合定位方法Fig.8 Edge fitting in separated region of stem base

1.4.2 分區(qū)與邊緣擬合

1.4.2.1 設定莖基部邊緣的擬合區(qū)間

由于莖基部定位稻株不需要稻株冠層，因此在莖基部中下部設計擬合區(qū)間。由于稻株莖基部直徑不一，為使擬合區(qū)間充分包含莖基部，設計擬合區(qū)間寬W=3Rr(Rr表示圖像中莖基部直徑)，而莖基部定位不需要稻株冠層，因此設計擬合區(qū)間高度H為圖像高度的3/4。

本研究測量50穴稻株插秧后20 d時莖基部的直徑(表1)。由表1知，稻株莖基部直徑均小于50 mm。經(jīng)坐標轉換為像素坐標系，稻株莖基部直徑均小于90像素，因此設計擬合區(qū)間寬度(W)為270像素；本研究圖像高度為480像素，因此設計擬合區(qū)間高度(H)為360像素。根據(jù)擬合區(qū)間的尺寸，將區(qū)間放置到圖像中間位置，區(qū)間左上角頂點坐標為(185,60)。擬合區(qū)間如圖7c、8c中的大矩形所示，其中虛線又將矩形區(qū)域分2個虛擬小區(qū)間，表示邊緣擬合分別在兩側進行。

表1 莖基部直徑分布

1.4.2.2 劃分擬合區(qū)間與邊緣擬合

采用Hough變換中的直線擬合算法進行邊緣擬合[22-23]。Hough變換中的直線擬合算法在極坐標下表示為

ρ=xcosθ+ysinθ

(2)

式中ρ——原點到直線交點間的距離θ——垂直于圖像中直線的直線角度

Hough變換中的直線擬合采用極坐標方程，將檢測的邊緣像素點變換到極坐標系中，根據(jù)圖像分辨率確定ρ和θ范圍，同時分配累加器，然后進行Hough變換，不斷調整θ值，得出ρ值，并在對應的累加器累積加1。最后，檢測整個參數(shù)空間累加器的峰值，此峰值即為對應圖像中直線的參數(shù)。邊緣離散點擬合直線主要由In-Sight Explorer中的FindLine函數(shù)實現(xiàn)，在此工具中設定邊緣擬合的方向為縱向，橫向邊緣不進行擬合。

采用Hough變換算法在擬合區(qū)間的左右兩側對邊緣像素點進行擬合，得到代表邊緣的線段，如圖7d中黃色實線為邊緣擬合結果；計算兩條線段中點坐標均值，作為該方法定位的稻株中心，定位中心的橫坐標顯示在圖右上方，如圖7e所示。此過程稱為無分區(qū)邊緣擬合定位方法，定位過程如圖7a、7c、7d、7e所示。由圖7e可以看出，定位中心向左側偏離，其原因如下：①由圖7b可以看出，莖基部邊緣生長姿態(tài)不對稱，僅左側邊緣向左側傾斜，而右側邊緣基本保持豎直狀態(tài)，導致擬合的兩側邊緣線段不對稱，如圖7d所示，兩側邊緣線段中點坐標均值向實際莖基部中心左側偏離，從而造成定位誤差。②如圖7b所示，檢測到的莖基部邊緣不平滑，存在凸起的尖銳邊緣，采用Hough變換的直線擬合算法在整個區(qū)間內(nèi)進行邊緣擬合，擬合結果易受到凸起尖銳邊緣的影響。

為減小以上原因造成的定位誤差，本研究提出分區(qū)邊緣擬合的方法。所謂分區(qū)邊緣擬合是指：將擬合區(qū)間分為上、中、下3個子區(qū)間，在每個子區(qū)間內(nèi)進行邊緣擬合。邊緣擬合結果如圖8d所示，圖中黃色實線表示擬合的邊緣，可以看出僅上部區(qū)間內(nèi)擬合的邊緣線段不對稱，其邊緣線段中點坐標均值較實際莖基部中點向左側偏離；中、下部區(qū)間內(nèi)的邊緣線段基本保持對稱狀態(tài)，其邊緣線段中點坐標均值可代表莖基部中點。為進一步減小邊緣不對稱造成的誤差，利用3個子區(qū)間內(nèi)的莖基部中點擬合線段，求線段中點作為莖基部中心，詳述見下文。

1.4.3 中心定位

在區(qū)間邊緣擬合完成后，對擬合結果進行判定，若子區(qū)間兩側均存在擬合邊緣，則求兩側邊緣線段中點坐標均值作為該區(qū)間內(nèi)莖基部的中點；若子區(qū)間不存在或僅一側存在邊緣，則認為該區(qū)間無莖基部中點；若中點數(shù)小于2，則無法進行直線擬合，圖像不滿足要求。

利用子區(qū)間存在的莖基部中點，結合最小二乘法擬合莖基部中線。最小二乘法原理為：設擬合的直線x和y之間的函數(shù)關系為

y=a+bx

(3)

式中有2個待定參數(shù)，a表示截距，b表示斜率。用最小二乘法估計參數(shù)時，要求觀測值yi偏差的加權平方和Q為最小，即

(4)

式中，(xi,yi)表示子區(qū)間莖基部中點。分別對a、b求偏導得

(5)

式(5)可得到參數(shù)a、b的值，即可得到擬合的直線。最小二乘法擬合直線通過LineFromNPoints函數(shù)實現(xiàn)。

圖8d中3個紅色小圓表示各子區(qū)間莖基部中點，由子區(qū)間莖基部中點擬合中線的結果如圖8d中莖基部中間的線所示。以擬合中線的中點作為定位中心，定位結果如圖8e所示，圖中數(shù)值為定位中心的橫坐標。

2 試驗與分析

2.1 田間莖基部定位試驗與分析

2.1.1 橫向糾偏系統(tǒng)

在田間進行機械除草作業(yè)時，機具在行進的過程中會產(chǎn)生橫向偏移，為此研制了橫向糾偏系統(tǒng)，實時控制機具的橫向偏移。橫向糾偏系統(tǒng)主要包括苗帶線視覺提取系統(tǒng)和液壓控制系統(tǒng)，其原理為：安裝垂直俯拍苗帶的相機(圖9b)，實時采集苗帶圖像，運用基于Hough變換統(tǒng)計學特性的作物行線提取算法[24]，進行苗帶線提取，提取結果如圖10b所示，圖中紅色實線為提取苗帶線，綠色實線為當前相機指示方向，測量2條線之間的夾角β為苗帶偏轉角。通過液壓控制系統(tǒng)實時調整除草機架，使除草部件與苗帶保持平行(苗帶偏轉角β約為0°)，避免傷苗。液壓控制系統(tǒng)電路圖如圖9a所示，當檢測到苗帶發(fā)生偏轉時，發(fā)出信號到IO模塊，通過PLC控制液壓缸伸縮實現(xiàn)除草機架的實時調整糾偏。

本研究進行稻苗莖基部圖像采集時，通過橫向糾偏系統(tǒng)實時調整側位俯拍相機(圖9b)的橫向偏移，保持側位俯拍相機與稻苗相對位置不變。控制系統(tǒng)實物圖如圖9b所示。

圖9 橫向糾偏系統(tǒng)Fig.9 Control system of lateral offset1.液壓缸 2.側位俯拍相機 3.垂直俯拍相機

圖10 苗帶線提取Fig.10 Seedlings line extraction

2.1.2 莖基部中心線標定

在廣東省江門市試驗田進行田間測試時，將橫向糾偏系統(tǒng)和莖基部圖像采集系統(tǒng)安裝在水田拖拉機上(圖11)，按照1.2.2節(jié)中關于系統(tǒng)參數(shù)的設置要求安裝側位俯拍相機，設置拖拉機行駛速度為0.15 m/s。

圖11 田間測試現(xiàn)場Fig.11 Experiment in paddy field

供試稻苗為五山絲苗，每穴苗數(shù)平均5株，稻田水層厚度約為2 cm。在水稻插秧后10 d、15 d、20 d時采集圖像，分別采集有水、無水條件下圖像樣本各50幅，共300幅稻株莖基部圖像樣本用于方法驗證。

稻株中心標定是判斷定位是否準確的關鍵。本研究通過人工標定得到像素坐標下稻株中心的精確坐標。圖像采集前，在稻株莖基部中間插入一根黑色標桿，如圖12a所示。圖像二值化后，檢測并擬合該標桿的邊緣成線段，計算兩側邊緣線段中點坐標均值作為標定稻株中心。擬合的邊線如圖12b中紅色虛線所示，標定中心如圖12b中的點所示，其橫坐標顯示在圖12b右上角。

圖12 中心線標定Fig.12 Center line calibration

2.1.3 莖基部邊緣擬合定位

為驗證本文所述分區(qū)邊緣擬合定位方法的定位精度，分別采用無分區(qū)邊緣擬合定位方法和本文所述分區(qū)邊緣擬合的定位方法對稻株進行定位，并將定位中心的橫坐標和標定中心的橫坐標由像素坐標轉換為實際坐標，然后計算定位橫坐標的偏移δi。定位誤差由均方根誤差(RMSE)表示，均方根誤差公式為

(6)

式中σ——均方根誤差，即定位誤差δi——第i幅圖像中的定位偏移

稻株定位結果如表2所示。

表2 莖基部定位結果

對比分區(qū)邊緣擬合與無分區(qū)邊緣擬合兩種定位方法的定位誤差發(fā)現(xiàn)，分區(qū)邊緣擬合定位方法的定位精度優(yōu)于無分區(qū)邊緣擬合定位方法，說明因稻株莖基部邊緣不平滑、莖基部頂端單側傾斜，無分區(qū)邊緣擬合定位莖基部中心容易造成較大定位誤差。由表2中分區(qū)條件下的定位誤差可知，在有水或無水條件下，定位誤差保持在7.0 mm下，其中插秧后15 d時的定位精度最高。分析原因如下：插秧后10 d時，影響定位誤差的主要原因是稻株莖基部未分蘗，部分穴稻株擁有苗數(shù)較少(1～3株)，穴內(nèi)稻株的莖基部未能呈現(xiàn)成束的生長狀態(tài)，由側面對莖基部進行圖像采集，圖像中穴內(nèi)稻株之間存在間隙，圖像分割后，稻株莖基部中間存在黑色的背景區(qū)域，進行邊緣擬合時，此類區(qū)域的邊緣易被識別為稻株莖基部邊緣，從而對邊緣擬合造成干擾，影響定位誤差；插秧后20 d時，影響定位誤差的主要原因是目標行或相鄰行稻株冠層長勢較好，葉片被采集到圖像中，葉片邊緣被誤識別為稻株莖基部邊緣，影響定位誤差。

2.2 冠層定位試驗與分析

為分析本研究所提出的區(qū)間邊緣擬合的稻株定位方法，進行了傳統(tǒng)的基于植株冠層的定位方法研究[25]。垂直俯拍插秧后10 d、15 d、20 d時的稻株冠層圖像，采集環(huán)境條件與上述保持一致，每種條件下均采集50幅，共300幅圖像樣本。進行圖像分割后，在二值圖像中部采用Blob算法對稻株冠層進行連通區(qū)域質心提取，提取結果即為該方法定位的稻株中心。稻株的標定中心采用在稻株中心插入一黑色標桿并計算該標桿圓心的方式得到。該方法的定位結果見表3。

表3 冠層定位結果

由表3可知，在插秧后10～20 d內(nèi)，隨著稻株的生長，Blob算法的定位誤差不斷增大，其原因是隨著稻株的生長，稻株冠層形態(tài)更加復雜，生長到一定時期后，相鄰稻株葉片接連，影響目標稻株的定位誤差。

2.3 莖基部與冠層定位試驗對比分析

為更好地對比分析本研究提出的基于稻株莖基部的定位方法與傳統(tǒng)的基于稻株冠層的定位方法，定義除草適用期為：該方法在稻苗插秧后，分蘗盛期之前的除草期內(nèi)，滿足定位精度要求的時間段(定位誤差小于10 mm)。對比分析分區(qū)邊緣擬合定位方法與冠層定位方法的定位誤差發(fā)現(xiàn)，在插秧后10～20 d內(nèi)，本文所述稻株定位方法的定位誤差均低于7.0 mm，而由冠層定位的方法定位誤差均高于8.0 mm，且15 d時其定位誤差已超過10 mm，由此可見由冠層定位稻株的方法定位誤差較大，僅適用于插秧初期(10 d內(nèi))，除草適用期較短。而本文所述莖基部分區(qū)邊緣擬合的稻株定位方法，除草適用期較長，定位誤差較小，可滿足株間除草機械對稻株定位的精度要求。

3 結論

(1)構建了具有遮光功能的圖像采集系統(tǒng)，該方法減少了自然光下，亮斑、倒影等因素對稻株定位精度的影響；提出了側位俯拍的圖像采集方式獲取稻株莖基部圖像并進行定位，探究了側位俯拍時相機的相關安裝參數(shù)設定。

(2)提出了基于莖基部分區(qū)邊緣擬合的稻株定位方法，該方法解決了因稻株莖基部邊緣生長姿態(tài)不對稱、邊緣不平滑，無分區(qū)邊緣擬合的定位方法存在較大誤差的問題。該方法綜合運用2G-R-B彩色圖像灰度化、自動閾值、形態(tài)學操作等方法處理并分割稻株圖像，在二值圖像中劃分稻株莖基部擬合區(qū)間，并在每個子區(qū)間內(nèi)進行莖基部中點提取，根據(jù)中點擬合莖基部中線，以中線的中點作為定位的稻株莖基部中心，進而實現(xiàn)稻株的定位。

(3)進行了田間基于莖基部與冠層的稻株定位對比試驗。試驗結果表明：在插秧后10～20 d內(nèi)，基于莖基部的定位誤差均保持在7.0 mm以下，10 d、15 d、20 d時的定位誤差分別為6.9 mm/6.8 mm、5.9 mm/5.8 mm、6.3 mm/6.5 mm(有水條件/無水條件)；基于冠層定位的誤差分別為8.2 mm/9.0 mm、11.3 mm/10.7 mm、15.4 mm/16.1 mm(有水條件/無水條件)，均在8.0 mm以上，其中插秧20 d后，定位誤差達到15 mm以上。試驗結果表明：本研究所提出稻株定位方法的定位誤差優(yōu)于傳統(tǒng)的基于冠層的定位方法，適用于水稻插秧后10～20 d的除草期，滿足株間除草機械除草期內(nèi)對稻株定位的精度要求。

1 馬旭,齊龍,梁柏, 等.水稻田間機械除草裝備與技術研究現(xiàn)狀及發(fā)展趨勢[J].農(nóng)業(yè)工程學報,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 CSAE, 2011, 27(6): 162-168. (in Chinese)

2 TILLETT N D, HAGUE T, GRUNDY A C, et al. Mechanical within-row weed control for transplanted crops using computer vision[J].Biosystems Engineering, 2008, 99(2): 171-178.

3 ASTRAND B, BAERVELDT A J. An agricultural mobile robot with vision-based perception for mechanical weed control[J].Autonomous Robots, 2002, 13(1): 21-35.

4 翟志強,朱忠祥,杜岳峰,等. 基于Census變換的雙目視覺作物行識別方法[J]. 農(nóng)業(yè)工程學報,2016,32(11):205-213. ZHAI Zhiqiang, ZHU Zhongxiang, DU Yuefeng, et al. Method for detecting crop rows based on binocular vision with Census transformation[J].Transactions of the CSAE, 2016, 32(11): 205-213.(in Chinese)

5 胡煉,羅錫文,曾山,等. 基于機器視覺的株間機械除草裝置的作物識別與定位方法[J].農(nóng)業(yè)工程學報, 2013, 29(10): 12-18. HU Lian, LUO Xiwen, ZENG Shan, et al. Plant recognition and localization for intra-row mechanical weeding device based on machine vision[J].Transactions of the CSAE, 2013, 29(10): 12-18. (in Chinese)

6 NAKARMI A D, TANG L. Automatic inter-plant spacing sensing at early growth stages using a 3D vision sensor[J].Computers and Electronics in Agriculture, 2012,82:23-31.

7 KURTULMUS F, KAVDIR I. Detecting corn tassels using computer vision and support vector machines[J].Expert Systems with Applications, 2014, 41(16):7390-7397.

8 CHOI K H, HAN S K, HAN S H, et al. Morphology-based guidance line extraction for an autonomous weeding robot in paddy fields[J].Computers and Electronics in Agriculture,2015,113:266-274.

9 車佳斯. 零件圓度與圓柱度的圖像測量研究[D].長春：吉林大學,2007. CHE Jiasi. Research of the mechanical part roundness error and cylindricity error based on the image measurement technology[D]. Changchun: Jilin University, 2007.(in Chinese)

10 戚瑋瑋. 光照變化條件下中型組足球機器人目標識別與定位方法研究[D].青島：中國海洋大學,2011. QI Weiwei. Research onobject recognition and localization for middle size league soccer robot under variant illumination[D]. Qingdao: Ocean University of China,2011.(in Chinese)

11 毛文華,張銀橋,王輝,等.雜草信息實時獲取技術與設備研究進展[J/OL].農(nóng)業(yè)機械學報, 2013,44(1):190-195. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130136&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2013.01.036. MAO Wenhua, ZHANG Yinqiao, WANG Hui, et al. Advance techniques and equipments for real-time weed detection[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2013,44(1):190-195.(in Chinese)

12 張勤,黃小剛,李彬. 基于彩色模型和近鄰法聚類的水田秧苗列中心線檢測方法[J].農(nóng)業(yè)工程學報,2012,28(17):163-171，295-296. ZHANG Qin, HUANG Xiaogang, LI Bin. Detection of rice seedlings rows’ centerlines based on color model and nearest neighbor clustering algorithm[J].Transactions of the CSAE, 2012, 28(17): 163-171,295-296. (in Chinese)

13 MIDTIBY H S, MATHIASSEN S K, ANDERSSONK J, et al. Performance evaluation of a crop/weed discriminating microsprayer[J].Computers and Electronics in Agriculture, 2011,77(1):35-40.

14 張錚,王艷平,薛桂香. 數(shù)字圖像處理與機器視覺-VisualC++與Matlab實現(xiàn)[M].北京：人民郵電出版社，2010.

15 陳嬌,姜國權,杜尚豐, 等.基于壟線平行特征的視覺導航多壟線識別[J].農(nóng)業(yè)工程學報, 2009, 25(12): 107-113. CHEN Jiao, JIANG Guoquan, DU Shangfeng, et al. Crop rows detection based on parallel characteristic of crop rows using visual navigation[J].Transaction of the CSAE, 2009,25(12): 107-113. (in Chinese)16 曹倩,王庫,李寒. 基于機器視覺的旱田多目標直線檢測方法[J].農(nóng)業(yè)工程學報, 2010, 26(增刊1): 187-191. CAO Qian, WANG Ku, LI Han. Detection algorithm for crop target multi-lines of the field image based on machine vision[J].Transactions of the CSAE,2010, 26(Supp.1): 187-191. (in Chinese)

17 項榮,應義斌,蔣煥煜. 田間環(huán)境下果蔬采摘快速識別與定位方法研究進展[J/OL].農(nóng)業(yè)機械學報,2013,44(11):208-223. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20131137&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2013.11.037. XIANG Rong, YING Yibin, JIANG Huanyu. Development of real-time recognition and localization methods for fruits and vegetables in field[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(11):208-223.(in Chinese)

18 胡煉,羅錫文,張智剛,等. 株間除草裝置橫向偏移量識別與作物行跟蹤控制[J].農(nóng)業(yè)工程學報,2013,29(14):8-14. HU Lian, LUO Xiwen, ZHANG Zhigang, et al. Side-shift offset identification and control of crop row tracking for intra-row mechanical weeding[J].Transactions of the CSAE,2013, 29(14): 8-14. (in Chinese)

19 毛文華,王輝,趙博,等. 基于株心顏色的玉米田間雜草識別方法[J].農(nóng)業(yè)工程學報,2009,25(增刊2):161-164. MAO Wenhua, WANG Hui, ZHAO Bo, et al. Weed detection method based the centre color of corn seedling[J].Transactions of the CSAE, 2009,25(Supp.2): 161-164.(in Chinese)

20 徐建華. 圖像處理與分析[M].北京:科學出版社,1992.

21 段瑞玲,李慶祥,李玉和. 圖像邊緣檢測方法研究綜述[J].光學技術,2005,31(3):415-419. DUAN Ruiling, LI Qingxiang, LI Yuhe. Summary of image edge detection[J].Optical Technique, 2005,31(3):415-419.(in Chinese)

22 高國琴,李明. 基于K-means算法的溫室移動機器人導航路徑識別[J].農(nóng)業(yè)工程學報,2014,30(7):25-33. GAO Guoqin, LI Ming. Navigating path recognition for greenhouse mobile robot based on K-means algorithm[J].Transactions of the CSAE,2014,30(7):25-33. (in Chinese)

23 吳露露,馬旭,齊龍,等. 改進Hough變換的農(nóng)作-物病斑目標檢測方法[J].農(nóng)業(yè)工程學報,2014,30(10):152-159. WU Lulu, MA Xu, QI Long, et al. A method of target detection for crop disease spots by improved Hough transform[J].Transactions of the CSAE, 2014, 30(10): 152-159. (in Chinese)

24 侯學貴,陳勇,郭偉斌. 除草機器人田間機器視覺導航[J].農(nóng)業(yè)機械學報,2008,39(3):106-108,112. HOU Xuegui, CHEN Yong, GUO Weibin. Machine vision-based navigation for a weeding robot[J].Transactions of the Chinese Society for Agricultural Machinery,2008,39(3):106-108,112.(in Chinese)

25 JIANG Yu, CUI Hongwei, QI Long, et al. Recognition and positioning method of rice seedlings based on machine vision[J].International Journal of Signal Processing, Image Processing and Pattern Recognition, 2016,9(9):265-278.

Positioning Method of Rice Seedlings Based on Edge Fitting in Separated Region of Stem Base

JIANG Yu1,2CUI Hongwei1OU Yinggang1MA Xu1,3QI Long1,3ZHENG Wenhan1

(1.CollegeofEngineering,SouthChinaAgriculturalUniversity,Guangzhou510642,China2.ModernEducationalTechnologyCenter,SouthChinaAgriculturalUniversity,Guangzhou510642,China3.SouthernRegionalCollaborativeInnovationCenterforGrainandOilCropsinChina,Changsha410128,China)

Positioning of rice seedlings is an important step of mechanical intra-row weeding. Aiming to minimize the positioning errors based on canopy of rice, a system that could capture RGB images of rice stem base on the side view was built to position the rice seedlings according to edge fitting in separated region of the stem base. Firstly, relevant factors, including the morphology of rice seedlings, the installation parameters of camera on the side-view and affecting image quality were analyzed, and a method of grabbing image under shading conditions was proposed, contributing to a system with shading device. The original RGB images were distinguished from soil by analyzing the excessive green (2G-R-B) rice seedlings index images. The Otsu algorithm method was employed to transform a gray image to a binary image, and then the binary images were smoothed by morphological operation to remove noise for subsequent analysis. After that the edges of stem base were extracted by the Canny operator, and the fitting region of edges was set up. A method was presented in fitting region based on edge fitting in non-separated region of the stem base. However, the results showed that this positioning method was not accurate because of effect of unsmooth and unilateral sloping edges of stem base. Therefore, the fitting region was separated into three subintervals where the edges of stem base were fitted by the Hough transform. The center of rice seedlings was gained by the center coordinates of the mid-line fitted by the mean of midpoint coordinates of fitting edges. The positioning experiments of rice seedlings in terms of stem base and the canopy were carried out respectively. The results of positioning based on stem base showed that the positioning errors were less than 7.0 mm, and the positioning errors were 6.9 mm, 5.9 mm and 6.3 mm under the condition of including water and 6.8 mm, 5.8 mm and 6.5 mm under the anhydrous condition on the 10th, 15th and 20th day after transplanting, respectively. The results of positioning based on canopy showed that the positioning errors were above 8.0 mm, and the positioning errors were 8.2 mm, 11.3 mm and 15.4 mm under the condition of including water and 9.0 mm, 10.7 mm and 16.1 mm under the anhydrous condition on the 10th, 15th and 20th day after transplanting, respectively. The results suggested that the innovative positioning method that based on edge fitting in separated region of the stem base of rice seedlings met the technical requirement of mechanical weeding in terms of high precision and long applicable period.

rice seedlings; mechanical weeding; intra-row weeding; positioning; stem base

10.6041/j.issn.1000-1298.2017.06.003

2017-01-10

2017-04-02

國家自然科學基金項目(51575195)、廣東省自然科學基金項目(2015A030313402)、廣東省科技計劃重點項目(2014B020207003)、現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術體系建設專項資金項目(CARS-01-33)、廣東省科技計劃項目(2014A020208112)和廣州市珠江科技新星專項(2014J2200041)

蔣郁(1983—)，女，博士生，實驗師，主要從事圖像與信息處理研究，E-mail： nova_yy@scau.edu.cn

區(qū)穎剛(1947—)，男，教授，博士生導師，主要從事農(nóng)業(yè)機械設計研究，E-mail： ouying@scau.edu.cn

S224.1+5； TP391.4

A

1000-1298(2017)06-0023-09