利用先驗知識的小麥生長環境下雜草識別研究

胡曉斌

摘要隨著土地流轉機制的成熟和完善，以及由傳感器、通信和計算機等技術組成的物聯網系統的發展，為農業現代化管理提供了制度和技術的保障，其中農作物生長環境下雜草的識別和清除是家庭農場管理的重要組成部分。首先利用家庭農場作物先驗幾何特性，擬合小麥正常生長條件下的中心線，根據小麥種植時固定的行間距，識別小麥生長環境下的雜草，對比實地調查的統計數據，該研究算法識別雜草的正確率達到92.8%，可為家庭農場管理裝備提供技術支撐。

關鍵詞土地流轉；先驗知識；小麥；雜草識別

中圖分類號S24；TP39文獻標識碼A文章編號0517-6611（2018）25-0176-03

Weed Recognition in Wheat Growing Environment Using Prior Knowledge

HU Xiaobin1，2

（1.School of Environmental and Geomatics Engineering， Suzhou University， Suzhou，Anhui 234000；2.College of Surveying and Mapping， Wuhan University， Wuhan，Hubei 430079）

AbstractWith the maturity and perfection of the land transfer mechanism， as well as the development of the Internet of things， such as sensor， communication and computer technology， the system and technology are provided for the management of agricultural modernization. First， we use the prior geometric characteristics of family farm crops to fit the central line of wheat under normal growth conditions， identify weeds under the fixed row spacing of wheat， and compare the statistical data of field survey. The accuracy of this algorithm is 92.8%， which can be provided for family farm management equipment.

Key wordsLand transfer；Prior knowledge；Wheat；Weed identification

隨著我國農業土地流轉政策的出臺，以國有企業、農民合作社、種糧大戶、家庭農場等為代表的農業社會化服務組織承包了越來越多的農場土地，帶來的是如何科學合理地管理農場土地的問題，其中的雜草識別和清除是現代農業管理的重要組成部分。針對農田作物生長環境下的雜草識別問題，可以從圖像的物理特性和幾何特性2個方面分析[1-6]。依據農田作物和雜草在光譜上的差異，采用圖像分割算法，分離土壤和綠色植被，再結合形態學方法，最終識別雜草[4-8]。同樣，直接從圖像幾何形狀和紋理特征參數分析，建立農田雜草識別的先驗知識，進而識別農田作物環境下的雜草[6-10]。筆者針對無人機拍攝的低空圖像，根據作物種植時固定的小麥行間距條件，識別了小麥行之間的雜草部分，正確率達到92.8%。該算法簡單，可實現性高，可以作為雜草清除設備重要的理論支撐。

1超綠模型

無論是近景攝影還是中低空攝影，甚至是衛星攝影，采集的農田場景圖像基本包括土壤和綠色植被2種大類。為了識別場景圖像中的雜草，首先要區分土壤和包含雜草的綠色植被部分，而綠色波段則是保留綠色植被信息最為豐富的波段。由于圖像采集設備和無人機載荷平臺等限定因素，一般采集的多為RGB圖像。該試驗的原始圖像，采用大疆DJ精靈4無人機專業版，搭載GoPro-Hero4相機，在安徽省宿州市埇橋區國家現代農業示范區進行拍攝，飛行高度距離地面5 m，獲取實驗區內小麥正常生長RGB圖像，如圖1所示。

針對RGB圖像，該研究采用超綠模型提取場景圖像中的綠色植被部分，超綠模型計算公式如（1）所示。

I=2×G-R-B（1）

式（1）中，I表示超綠圖像，G表示RGB圖像的綠色波段，R表示RGB圖像的紅色波段，B表示RGB圖像的藍色波段。

這里需要注意的是，圖像處理過程中會出現負值。一般處理方法，直接賦值為0。該試驗中，為了減少圖像紋理結構的損失，將超綠圖像灰度值[min，max]映射到[0，255]范圍內，大大保留了超綠圖像的紋理結構。采用超綠模型處理后，結果如圖2所示，對比可以發現，超綠模型把綠色植被和土壤背景可有效區分。

2迭代閾值分割算法

為了分割綠色植被和土壤背景，進行圖像形態學分析。該試驗過程中，采用了改進雙峰圖像分割法，即為迭代閾值分割算法。該算法原理是基于逼近的思想，具體實現步驟如下[9-12]：

（1）求解圖象的最大灰度值和最小灰度值，分別記為Zmax和Zmin，令初始閾值為T0，T0=（Zmax+Zmin）/2。

（2）根據閾值TK將圖象分割為綠色植被和土壤背景，并求出兩者的平均灰度值ZO和ZB。

（3）根據綠色植被和土壤背景的平均值，求出新閾值TK+1=（ZO+ZB）/2。

（4）如果閾值TK=TK+1，則表明計算出的TK為閾值；否則轉到步驟（2），繼續執行迭代計算。

將上文實驗得到的超綠圖像經過迭代閾值分割算法，并經過二值化處理后，結果如圖3所示。其中，白色表示場景圖像中綠色植被信息部分，黑色表示土壤背景等其他信息。

3行間距算法

雜草識別屬于非此即彼的數學優化問題。根據冬季小麥形態特征、生理特性等方面發生一系列變化，小麥生長周期可分為：

①播種期：9月底10月初，株高0 cm。

②出苗期：10月上中旬，小麥幼苗第1片真葉伸出胚芽鞘1.5～2.0 cm。

③分蘗期：10月中下旬，小麥第1個分蘗伸出葉鞘1.5～2.0 cm左右。

④越冬期：11月底12月初，日平均氣溫降到3 ℃以下，小麥植株基本停止生長。

⑤返青期：2月下旬至3月上旬，春季氣溫上升到3 ℃以上，小麥葉色由暗綠變為青綠色。

⑥起身期：3月中旬，小麥主莖開始生長。

⑦拔節期：4月中上旬，小麥主莖第1節距離地面1.5～2.0 cm。

⑧挑旗：4月下旬，小麥旗葉全部漏出葉鞘。

⑨抽穗：4月下旬至5月上旬，麥穗長出總長度的50%。

⑩開花：5月上、中旬，麥穗中部開花。

B11灌漿：5月中旬，麥穗籽粒長度達到總程度的80%，可從籽粒中擠出汁液。

B12成熟期：6月上旬，麥穗籽粒變硬，呈現小麥固有特征。

根據小麥生長周期和播種時的行距，該研究提出了基于行間距的雜草識別算法。同時，該算法有2個限定前提約束條件：

條件1，現代農業作物播種前，會噴施除草劑等化學藥品，大大抑制了大面積雜草的出現。因此，雜草清除更多是在局部小范圍內的識別問題。

條件2，根據小麥生長周期，雜草對小麥生長影響內較為顯著階段有⑤、⑥和⑦這樣3個階段。因此，選擇這3個階段內的圖像進行識別研究，具有很強的現實價值。

行間距雜草識別算法具體實現步驟如下：

（1）選擇小麥行中心點（X行中心點，Y行中心點）和行邊界點（X行邊界點，Y行邊界點）。

（2）計算小麥行間距，如公式（2）。

Distance=（X行中心點-X行邊界點）2+（Y行中心點-Y行邊界點）2（2）

（3）根據點直線公式，擬合小麥行中心線，如公式（3）。

y-Y行中心點=X行邊界點-X行中心點Y行邊界點-Y行中心點（x-X行中心點）（3）

其中，（x，y）表示圖像像素坐標。

（4）根據小麥行間距和行中心線，確定小麥生長區域。在該實驗過程中，結果如圖4所示。其中，紅色虛線部分表示小麥行中心，藍色部分表示小麥生長區域邊界。

（5）判斷迭代閾值分割圖像中，小麥行生長區域外的綠色植被部分，判定為雜草。根據該研究提出的算法，經過處理后，結果如圖5所示。

在后期雜草清除設備上，為了便于進行疊加分析，將雜草識別結果和原始圖像疊加，如圖6所示，便于后期設備的精準作業。

為了評價該研究算法識別雜草的正確率，根據野外實地測量的雜草面積和該研究算法提取的雜草面積比值結果作為正確率，結合無人機飛行高度，確定攝影圖像比例尺，最終計算兩者面積比值為92.8%[13-16]。剔除實地測量過程中的誤差等因素，表明該研究算法具有很高的實用價值。

4結論

雜草識別是農業現代化特別是精準農業需要解決的經典問題，該研究從小麥播種時固定的小麥行間距先驗知識，提出了雜草識別的行間距算法，通過實驗可以得出以下結論：

①基于先驗知識的小麥行間距可以有效識別小麥生長重要時期的雜草。

②該研究算法識別雜草的正確率達到928%，可以作為智能雜草清除設備的理論依據。

該研究的算法仍存在錯誤識別等現象，如何結合小麥行直線和Hough

變換，自動識別小麥行中心點和邊界點提高該算法的雜草識別正確率是后續需要完善的。

參考文獻

[1] JI R H，FU Z T，QI L J.Realtime plant image segmenttation algorithm under natural outdoor light conditons[J].New Zealand journal of agricultural research，2007，50（5）：847-854.

[2] SLAUGHTER D C，GILES D K，DOWNEY D.Autonomous robotic weed control systems：A review[J].Computers and electronics in agriculture，2008，61（1）：63-78.

[3] 李濤，溫廣月，錢振官，等.不同類型雜草危害對小麥產量的影響[J].中國植保導刊，2013，33（4）：28-30.

[4] 錢永濤.基于計算機視覺的小麥長勢監控研究[J].農機化研究，2018，40（4）：225-229.

[5] 黃士凱，祁力鈞，張建華，等.基于行寬的玉米行間雜草識別算法[J].中國農業大學學報，2013，18（1）：165-171.

[6] 祖琴，張水發，曹陽，等.結合光譜圖像技術和SAM 分類法的甘藍中雜草識別研究[J].光譜學與光譜分析，2015，35（2）：479-485.

[7] 祖琴，趙春江，鄧巍，等.基于可見-近紅外光譜分析的圓白菜與雜草識別技術[J].光譜學與光譜分析，2013，33（5）：1202-1205.

[8] 趙川源，何東健，喬永亮.基于多光譜圖像和數據挖掘的多特征雜草識別方法[J].農業工程學報，2013，29（2）：192-198.

[9] 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別[J].農業工程學報，2013，29（20）：128-134.

[10] 紀壽文，王榮本，陳佳娟，等.應用計算機圖像處理技術識別玉米苗期田間雜草的研究[J].農業工程學報，2001，17（2）：154-156.

[11] 吳蘭蘭，劉儉英，文友先.基于分形維數的玉米和雜草圖像識別[J].農業機械學報，2009，40（3）：176-179.

[12] 王海華，朱夢婷，李莉，等.基于剪切波變換和無人機麥田圖像的區域雜草識別方法[J].農業工程學報，2017，33（S1）：99-106.

[13] 毛文華，王一鳴，張小超，等.基于機器視覺的苗期雜草實時分割算法[J].農業機械學報，2005，36（1）：83-86.

[14] 陶飛翔，吳一全.非下采樣Shearlet 變換與參數化對數圖像處理相結合的遙感圖像增強[J].測繪學報，2015，44（8）：884-892.

[15] DEMIREL H，ANBARJAFARI G.Image resolution enhancement by using discrete and stationary wavelet decomposition[J].IEEE Transactions on Image Processing，2011，20（5）：1458-1460.

[16] FENG W S，LEI H.Singleimage superresolution with total generalised variation and shearlet regularisations[J].IEEE Transactions on Image Processing，2014，8（12）：833-845.