快速傅里葉變換結合SVM算法識別地表玉米秸稈覆蓋率

李 佳，呂程序，苑嚴偉，李亞碩，偉利國，秦秋生

快速傅里葉變換結合SVM算法識別地表玉米秸稈覆蓋率

李 佳，呂程序，苑嚴偉※，李亞碩，偉利國，秦秋生

（中國農業機械化科學研究院，北京 100083）

針對田間環境復雜、秸稈形態多樣、秸稈覆蓋率判斷主觀性影響過大、補貼面積測量耗時耗力等問題，該文開展了秸稈覆蓋率自動識別方法研究和監測設備研制。首先，提出利用時頻變換進行秸稈識別，設計高通濾波器提取了圖像的頻域特征進行自適應分割。基于集成分類器利用已有的秸稈識別數據訓練支持向量機分類器，對秸稈圖像進行再識別和篩選。最后，設計多尺度占比濾波器，對識別圖像中的噪聲和空洞進行修補，生成適應多種情況的秸稈覆蓋率識別算法。與北斗定位模塊、無線通訊模塊、攝像頭、傳感器、服務器等設備共同組成秸稈覆蓋率識別系統。試驗結果表明，設備的秸稈覆蓋率識別誤差為4.55%，平均單張圖像耗時0.05 s。研究結果滿足保護性耕作中的自動化監測要求，可為保護性耕作作業質量評測提供有效的技術支持。

秸稈；自動識別；快速傅里葉變換；支持向量機；多尺度占比濾波

0 引 言

中國是農業大國，秸稈作為農業生產的副產物，產量巨大，據估算2015年全國秸稈總量高達10.2億t，其中玉米秸稈產量最大，約2.9億t[1]。現階段在秸稈的處理過程中，主要以焚燒方式為主，嚴重影響著大氣環境、存在火災隱患。秸稈還田具有夠改善土壤質量，減緩土壤中碳元素的流失、維持農田肥力，提高陸地土壤碳匯能力等優點[2]。為了鼓勵農民有效的秸稈還田操作，國家對部分地區進行了秸稈還田補貼。秸稈覆蓋率是保護性耕作技術指標，是秸稈還田補貼的重要依據，因此準確高效的秸稈覆蓋率監測對于推進智能農業和保護性耕作具有重要作用[3-5]。為了研發一種商業化秸稈覆蓋率監測設備，本文對玉米秸稈覆蓋率自動識別方法和設備進行研究。

目前，地表秸稈覆蓋率主要通過拉繩、目測、采樣、儀器、模型等人工法測量，測得的數據受人為因素影響大、誤差大、作業效率低、勞動強度大[6]。圖像法成本低且效率高，成為了秸稈監測的熱門研究方向和手段，它的飛速發展為地表秸稈覆蓋率自動測量提供了可能。Daughtry等[7]根據不同秸稈光譜反射率特性進行研究，能夠對秸稈和地表進行區分，但利用衛星高光譜系統成本較高。Jafari等[8]將圖像轉換不同色域進行秸稈識別，誤差可到2.3%，但該方法易受攝像角度和攝像環境的干擾，復雜場景下誤差較大。王昌昆[9]基于室內光譜以及衛星遙感影像對9種常用光譜指數的秸稈覆蓋率估算能力進行了研究，但遙感圖像尺度較大，尚無法成為秸稈還田補貼依據。蘇艷波等[10]利用攝像頭獲取圖像，將圖像進行對數變換后進行直方圖處理，采用最大類間方差法自動選取閾值，該方法提取目標時易丟失細碎秸稈，抗環境干擾能力不足。李洪文等[11]將紋理特征的熵值結合反向傳播神經網絡，進行秸稈覆蓋率檢測，該方法運算為矩陣運算，對于硬件設備的計算力消耗較大[12]，無法滿足商業化檢測要求。目前基于圖像的秸稈覆蓋率識別研究多針對秸稈紋理清晰、特征明顯的情況，但真實田間環境復雜，地表顏色差異大，土塊、溝壑、陰影等因素影響識別，秸稈形狀、大小和姿態各異，細碎秸稈難以精準辨別。本文針對復雜環境中玉米秸稈識別問題，建立一種能夠對光照、土塊、車轍、陰影等多種環境干擾具有一定抵抗力的普適識別方法。

圖像中獲取的秸稈多為高頻數據，快速傅里葉變換（fast Fourier transformation，FFT）恰好善于提取數據中的高頻/低頻部分。而機器學習能夠從大量歷史數據中挖掘其隱含規律，使學習到的函數更好的適用于“新樣本”，對預測或者分類問題都表現出較高的泛化能力。故本文利用FFT進行圖像前期處理，再利用機器學習方法建立具有較高魯棒性的識別模型進行地表玉米秸稈覆蓋率識別。同時，為了滿足商業化秸稈識別要求，設計算法不宜太過復雜和耗時過長。根據監測要求，設備每5 min上傳1張圖片，同一時間有200臺設備工作，則單張圖片的處理時間不能超過1.5 s。

針對上述問題，本文提出了一種融合快速傅里葉變換和支持向量機（support vector machine, SVM）的秸稈覆蓋率自動識別方法。由于SVM 的最終決策函數只由少數的支持向量確定，其計算的復雜性取決于支持向量的數目，而不是樣本空間的維數，一定程度上避免了“維數災難”，更適合解決高維問題。通過FFT（fast Fourier transformation）及IFFT（inverse fast Fourier transformation）進行圖像頻域特征的處理，并基于顏色特征訓練最優SVM分類器對圖像進行再識別，設計多尺度占比濾波器對識別圖像進行微調。同時開發了相應的秸稈覆蓋監測設備并進行田間試驗驗證。

1 秸稈自動識別算法

FFT是一種快速計算離散傅里葉變換的算法，可區分圖像中表征圖像輪廓的高頻信號和表征圖像內容的低頻信號[13-15]。高低頻信號有利于提取圖像的輪廓信息，有利于提高形態破碎、大小不一的秸稈類目標的識別率。

SVM是一種監督式學習方法[16]。對于非線性問題，SVM通過不同的核函數將線性不可分的數據映射到高維空間，轉換為線性可分數據[17-18]。在高維空間建立一個最大間隔超平面，分開數據超平面的兩邊建立2個互相平行的超平面，使2個平行超平面的距離最大化[19]。SVM對復雜背景下的目標識別具有較高的區分能力，可用于環境復雜的田間地表秸稈識別。

研究表明，單分類器對目標識別有局限性，而集成決策有助于提升識別效率[20]。本文利用集成分類的上述特性，設計了融合FFT和SVM的秸稈覆蓋率識別算法。

融合FFT和SVM識別算法分為3個模塊，包括：訓練SVM分類器、秸稈一次識別和秸稈二次識別。在訓練SVM分類器模塊中，利用秸稈覆蓋原圖，分別截取秸稈圖和非秸稈圖像作為訓練數據的正負樣本。將其進行多參數族訓練，并獲得最優SVM分類模型。在秸稈一次識別模塊中，將秸稈覆蓋原圖分別進行FFT處理、高通濾波、IFFT處理、歸一化處理和自適應閾值分割后，獲得秸稈一次識別圖。在秸稈二次識別模塊中，將獲得的秸稈一次識別圖進行SVM分類器再識別。同時，為了獲得更準確的秸稈覆蓋識別圖，提出了一種多尺度占比濾波，將再識別圖中的噪聲和空洞分別進行剔除和修補，最終獲得秸稈識別圖

1.1 SVM分類器的訓練

圖1 不同樣本大小和核函數下最佳參數組合的ROC曲線族

1.2 基于FFT的秸稈一次識別

1.2.1 高通濾波器設計

假設圖像(,)分辨率為×，進行FFT變換之后可得頻譜圖像[23](,)。本文設計了3種濾波核：方形濾波核、圓形濾波核和菱形濾波核。濾波核的表示如下：

式中H，H，H分別為方形濾波核、圓形濾波核和菱形濾波核。0表示通帶半徑。,分別為圖像高度和寬度，,為傅里葉變換后像素行列位置。則高通濾波可表示為

1.2.2 歸一化處理

(,)為濾波之后的頻域圖像，通過IFFT處理可以將頻域圖像重新變換到時域圖像[24-25](,)。對(,)進行像素歸一化處理，使像素值所在區間為[0,1]。其歸一化方法如公式（7）所示，min()為中的像素最小值，max()為中的像素最大值，(,)為歸一化結果。

1.2.3 自適應閾值選擇

為了獲得秸稈一次識別圖，將歸一化處理后的圖像(,)進行自適應閾值分割處理。圖2a為(,)直方圖分布。從圖中可以看出，圖像大部分像素值集中在低像素值區域，即地表區域。算法期望選擇合適的閾值，能夠在前期處理中最大程度保留秸稈像素，剔除大部分非秸稈像素。對于誤保留的非秸稈點，可通過再識別進行剔除。

本文利用積分方法尋找合適的閾值對地表和秸稈進行分割，并將積分比命名為能量比。假設為候選閾值，()為能量比，其計算方法如下：

其中hist為直方圖分布序列，n為直方圖總離散區間數量。圖2b為直方圖能量比變化圖。從圖中可以看出，后半段能量比基本不變，與直方圖的分布狀態相吻合。

為了選擇合適的分割閾值，從本地數據庫中隨機選擇400張秸稈覆蓋圖像。根據能量比變化趨勢，分別選擇0.6，0.65，0.7，0.75，0.8，0.85，0.9作為閾值。將分割結果與計算機標注結果比對從而獲得像素平均保留率。（非）秸稈平均保留率為識別結果中真實（非）秸稈像素數占總（非）秸稈像素數的平均比例。表1為不同閾值下（非）像素平均保留率試驗結果。從表中可以看出，隨著閾值增加，非秸稈像素平均保留率逐漸增加，而秸稈像素平均保留率逐漸下降。綜合比較秸稈像素平均保留率和非秸稈像素平均保留率，選定()=0.8為閾值。該閾值可在最大程度不損失秸稈像素點的情況下，剔除大部分非秸稈像素點。

表1 不同閾值試驗結果

將所得的歸一化結果圖進行閾值分割之后可得秸稈一次識別圖(,)，如式（9）所示，0為分割閾值對應的歸一化像素值。

1.3 基于SVM的秸稈二次識別

1.3.1 SVM分類器再識別

基于秸稈一次識別圖，利用SVM分類器對地表秸稈覆蓋圖進行秸稈二次識別。在二次識別中，以秸稈一次識別圖(,)為蒙版，利用訓練所得的分類器對(,)值為1的像素點進行逐像素再識別。如圖3所示，提取秸稈原圖(,)中以待識別像素為中心，11×11大小的3通道彩色候選區域作為特征向量fature輸入SVM分類器進行判斷。若判斷為秸稈則保留該像素，若判斷為非秸稈則刪除該像素。最終獲得秸稈二次識別圖(,)。其計算方法如式（10）所示。

1.3.2 多尺度占比濾波

為了獲得最終的秸稈覆蓋識別圖，需要在秸稈二次識別的基礎上，對識別結果進行處理。傳統的圖像腐蝕膨脹算法是對所有像素點進行處理，而未考慮其可信度，因此容易出現誤處理情況（包括腐蝕掉了應保留的區域，或者膨脹了應去除的噪聲區域）。針對上述問題，本文基于圖像金字塔思想[26]，設計了一種多尺度占比濾波器。

根據文獻[26]，算法設計了7×7和3×3兩種尺度的濾波核，其計算如式（11）所示，為識別圖與濾波核對應的位置向量，()為秸稈二次識別圖在位置處的像素值，為比例閾值，為濾波尺度。

值的大小表征了該部分為秸稈區域的置信度。將該問題等價為二分類概率決策問題，則置信度大于等于0.5可認定為秸稈區域，小于0.5可認定為非秸稈區域，故本文=0.5。通過判斷濾波核中被識別為秸稈的像素點占整個濾波核的比例，對待濾波區域進行處理。先將秸稈二次識別圖進行7×7大尺度占比濾波，濾除小面積噪點；再進行3×3小尺度濾波，意在填充秸稈像素之間的空隙，使識別更加準確。

對于分辨率為×的圖像，其秸稈覆蓋率是識別為秸稈的像素點（即(,)=1）總數與圖像總像素數之比，即

列出增量現金流量表，通過財務評價分析計算，本項目財務內部收益率為7.5%，大于基準收益率7%；財務凈現值 532萬元，說明本改造項目財務評價可行，經濟效益顯著。

2 秸稈覆蓋監測設備

遠程秸稈覆蓋監測設備由移動端和硬件設備組成。硬件設備和移動端通過云網絡連接，實現遠程監測，如圖4所示。

2.1 硬件設備

硬件設備主要包括主機、攝像頭、傳感器、定位天線、遠程通訊等部分組成。定位模塊采用ATK1218-BD模組，精度達2.5 m。定位模塊與通信模塊采用高增益雙模定位，定位天線與遠程通訊設備配合，通過北斗定位系統獲取本機坐標信息。攝像頭選用YB-DB015A車載相機。前置攝像頭用來獲取機器前方秸稈圖像信息，后置攝像頭用來獲取機器工作圖像。傳感器與主機均為自主研發設備。傳感器用來監測機具工作狀態等其他參數信息。主機將獲取的所有信息進行融合和打包，通過4G高速通訊模塊上傳至云端服務器，進而進行秸稈覆蓋率計算。12V（或24V）蓄電池為整個硬件系統提供電力保證。

圖4 秸稈覆蓋監測設備組成圖

根據設備安裝要求，設備主機放置在駕駛室內，方便駕駛員實時監控。電源線、攝像頭、傳感器、定位天線和遠程通訊天線均與主機通過線纜連接。GPS/BD定位模塊平放在拖拉機頂部的中心位置，保證無遮擋。遠程通信天線放置在拖拉機駕駛室內。傳感器固定在打捆機打捆針U形架上。攝像頭水平向下傾斜約60°，安裝在駕駛室車頂正前方，設備安裝如圖5所示。

圖5 監測設備安裝示意圖

2.2 移動端

移動端包括手機端和電腦端。試驗數據的獲取與處理基于移動端數據平臺。秸稈監測設備利用北斗/GPS衛星定位系統，采用5模13頻4G高速通訊方式，利用數據斷點續傳，在弱信號或者信號丟失的情況下進行本地數據緩存，當信號恢復時繼續數據傳輸。將攝像頭采集的圖像數據、衛星定位數據及其他傳感器數據打包，傳輸到云監管平臺。云平臺對獲得的數據進行解包并對圖像數據進行編碼和本地數據存儲。

3 試驗驗證

3.1 試驗方法

從數據庫中隨機抽取1000張圖像作為試驗數據，圖像大小為320×240，利用計算機標記圖像秸稈區域得到的覆蓋率作為標簽覆蓋值。如圖6所示。

圖6 計算機標注示意圖

3.2 通帶半徑的選擇

注：D0為通帶半徑。

從圖7中可以看出，陰影對濾波有較大影響。這是由于陰影邊緣屬于高頻信息，在高通濾波變換中不能完全除盡。通帶半徑的選擇原則是最大程度消除干擾的影響下，保留更多的秸稈像素點。根據試驗結果，當0=8時，陰影對FFT處理效果影響較大，對于后面的SVM模型容易產生誤識別；當0=32時，雖然減少了陰影的影響，但秸稈的紋理細節損失較為嚴重；當0=16時，能最大程度減少陰影的影響并保留秸稈細節特征，故采用16為通帶半徑。

3.3 濾波核的選擇

為了使高通濾波在最短時間內最大程度提取目標區域，算法設計了3種濾波核：方形濾波核、圓形濾波核和菱形濾波核。為了選取合適的濾波核進行高通濾波，對相同圖片分別采用不同濾波核進行處理。從1 000張數據中隨機選擇330張進行濾波核選擇測試。對每張圖像高通濾波處理耗時和最終秸稈覆蓋率誤差進行統計分析。其絕對誤差平均值與平均耗時如表2所示。

表2 不同濾波核處理性能表現

從表2中可以看出，采用方形濾波核的處理速度最快，僅用0.006s，圓形濾波核的計算復雜度較高，耗時最長，平均為0.055s。菱形與方形濾波核的處理精度相差無幾，圓形濾波核誤差微高，平均4.90%。綜合速度與精度表現，算法采用方形濾波核作為高通濾波的濾波模板。

3.4 秸稈覆蓋識別試驗

田間環境復雜，光照強度、車轍、壟溝、土塊和陰影均會影響秸稈的識別效果。將本文提出的算法在采集的數據集中進行試驗驗證，其部分效果圖如圖8所示。

從圖8中可以看出，在不同光照強度和有陰影的干擾下，算法都能較好地識別秸稈。這是因為區別于僅基于顏色或形狀特征的識別方法，本文算法是基于圖像頻域特征，對光照和陰影帶來的顏色干擾不敏感，有較強的魯棒性。在壟溝、車轍和土塊的干擾下，本文算法仍能正確識別秸稈。這是因為區別于單分類器識別方法，本文算法采用集成決策的思想，在一次識別后進行了二次識別。盡管壟溝和車轍有可能在高頻濾波和自適應分割后被誤認為秸稈，但本文訓練的基于顏色特征的SVM分類器在二次識別中將上述干擾剔除，使整個算法依然能準確識別秸稈。

將圖8中不同干擾下秸稈覆蓋識別結果與計算機標注的標簽值進行對比，其結果如表3所示。從表中可以看出，光照和車轍影響的樣本1誤差相對較大，這是因為強光照和機械抖動影響了圖像成像質量，其他測試樣本的識別結果與標簽值誤差均小于5%。

綜上所述，本文提出的算法結合頻域特征與顏色特征，對各種環境干擾有較強的魯棒性，且對不同形態秸稈都有較高的識別能力。

3.5 秸稈覆蓋率識別對比

將本文提出的方法與人工拉繩法、文獻[10]提出的自動閾值法和文獻[11]提出的人工神經網絡法從速度和精度兩方面進行秸稈識別性能比較。人工拉繩法采用行列分別均勻拉繩5次，以覆蓋秸稈的交點數占交點總數的百分比作為秸稈覆蓋率。人工神經網絡法采用單隱藏層，輸入層采用角二階矩、慣性矩、相關系數和逆差矩作為5種輸入特征。自動閾值法通過最大類間方差確定分割閾值。

表3 不同干擾下秸稈覆蓋率識別結果

選用數據集中剩余670張圖像作為測試集。對每張圖像分別利用自動閾值法、神經網絡法和本文提出的方法進行秸稈覆蓋率計算，對相應地塊進行人工拉繩測量，并統計計算時間。將上述所有方法的結果與計算機標注結果分別進行比較，取對應覆蓋率的差值絕對值為誤差值。試驗結果如表4所示。從表4中可以看出，人工法的平均誤差最大，且平均耗時最長，單張地塊平均耗時72 s。基于圖像的計算方法明顯優于人工拉繩法。而基于圖像的方法中，基于FFT與SVM的算法平均誤差最低且耗時最短，基于人工神經網絡的方法雖然精度也較高，但平均耗時較長，單張圖片耗時為8 s，難以滿足前文所述的商業化秸稈覆蓋率計算要求。綜合各指標，本文提出的基于融合FFT和SVM的秸稈覆蓋率識別方法表現突出，性能較高。

表4 秸稈覆蓋率計算方法性能比較

4 結 論

本文對玉米秸稈覆蓋率自動識別算法和設備進行了研究。提出了利用時頻域變換來快速提取秸稈信息的新思路，并基于集成決策的思想，設計了融合FFT和SVM的集成識別模型。在秸稈識別中，分別設計了自適應能量比分割方法和基于置信度的金字塔濾波的識別校正方法，實現了對真實地表秸稈覆蓋率的快速識別。同時，基于云服務平臺開發了一套秸稈覆蓋監測設備。

試驗表明，融合快速傅里葉變換和支持向量機的秸稈覆蓋率自動識別方法識別平均誤差為4.55%，平均單張圖像耗時0.05 s，對光照、壟溝、車轍、陰影和土塊等干擾有較好的魯棒性和識別度，具有較高的研究價值和應用前景。

[1] 王亞靜，王飛，石祖梁，等.基于農業供給側結構性改革背景的秸稈資源與利用研究[J]. 中國農業資源與區劃，2017，38(6)：13－20.

Wang Yajing, Wang Fei, Shi Zuliang, et al. Straw resources and its utilization in China from the perspective of agricultural supply-side structural reform[J].Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(6): 13－20. (in Chinese with English abstract)

[2] 陳麗鵑，周冀衡，陳閨，等. 秸稈還田對作物土傳病害的影響及作用機制研究進展[J]. 作物研究，2018，32(6)：535－540.

Chen Lijuan, Zhou Jiheng, Chen Gui, et al. Research progress of influence and mechanism of field straw residue incorporation on soil-borne diseases in crops[J]. Crop Research, 2018, 32(6): 535－540. (in Chinese with English abstract)

[3] 李志婷，王昌昆，潘賢章，等. 基于模擬Landsat-8 OLI數據的小麥秸稈覆蓋度估算[J]. 農業工程學報，2016，32(增刊1)：145－152.

Li Zhiting, Wang Changkun, Pan Xianzhang, et al. Estimation of wheat residue cover using simulated Landsat-8 OLI datas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp.1): 145－152. (in Chinese with English abstract)

[4] 王金武，唐漢，王金峰. 東北地區作物秸稈資源綜合利用現狀與發展分析[J]. 農業機械學報，2017，48(5)：1－21.

Wang Jinwu, Tang Han, Wang Jinfeng. Comprehensive utilization status and development analysis of crop straw resource in northeast China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(5): 1－21. (in Chinese with English abstract)

[5] 閆宗正，陳素英，張喜英，等. 秸稈覆蓋時間和覆蓋量對冬小麥田溫度效應及地上地下生長的影響[J]. 中國生態農業學報，2017，25(12)：1779－1791.

Yan Zongzheng, Chen Suying, Zhang Xiying, et al. Effects of amount and time of straw mulching on soil temperature, root growth and yield of winter wheat[J]. Chinese Journal of Eco-Agriculture, 2017, 25(12): 1779－1791. (in Chinese with English abstract)

[6] 王麗麗，徐嵐俊，魏舒，等. 基于Sauvola與Otsu算法的秸稈覆蓋率圖像檢測方法[J]. 農業工程，2017，7(4)：29－35.

Wang Lili, Xu Lanjun, Wei Shu, et al. Straw coverage detection method based on sauvola and otsu segmentation algorithm[J]. Agricultural Engineering, 2017, 7(4): 29－35. (in Chinese with English abstract)

[7] Daughtry C S T, Hunt Jr E R, Mcmurtrey III J E. Assessing crop residue cover using shortwave infrared reflectance[J]. Remote Sensing of Environment, 2004, 90(1): 126－134.

[8] Jafari, Asadi V, Rasekhi R, et al. Precise measurement of residue cover by means of image processing techniques[C]// International Conference on Agricultural Engineering Ageng, 1995.

[9] 王昌昆. 秸稈覆蓋度遙感估算及其水分影響校正研究[D].北京：中國科學院大學，2013.

Wang Changkun. Remote Sensing Estimation of Straw Coverage and Its Water Impact Correction[D]. Beijing: University of Chinese Academy of Sciences, 2013. (in Chinese with English abstract)

[10] 蘇艷波，張東遠，李洪文，等. 基于自動取閾分割算法的秸稈覆蓋率檢測系統[J]. 農機化研究，2012，34(8)：138－142.

Su Yanbo, Zhang Dongyuan, Li Hongwen, et al. Measuring system for residue cover rate based on automation threshold[J]. Journal of Agricultural Mechanization Research, 2012, 34(8): 138－142. (in Chinese with English abstract)

[11] 李洪文，李慧，何進，等. 基于人工神經網絡的田間秸稈覆蓋率檢測系統[J]. 農業機械學報，2009，40(6)：58－62.

Li Hongwen, Li Hui, He Jin, et al. Measuring system for residue cover rate in field based on BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(6): 58－62. (in Chinese with English abstract)

[12] Li J, Cheng J, Shi J, et al. Brief introduction of back propagation (BP) neural network algorithm and its improvement[M]//Advances in computer science and information engineering, Springer, Berlin, Heidelberg, 2012.

[13] Dillenseger J L, Esneault S. Fast FFT-based bioheat transfer equation computation[J]. Computers in Biology and Medicine, 2010, 40(2): 119－123.

[14] Kristy F Tiampo, Henning Rasmussen,Dawit Assefa, et al. Local quaternion fourier transform and color image texture analysis[J]. Signal Processing: The Official Publication of the European Association for Signal Processing (EURASIP), 2010, 90(6): 1825－1835.

[15] Rao K R, Yip P. Discrete cosine transform: Algorithms, advantages, applications[M]. Academic Press, 2014.

[16] Scholkopf B, Smola A J. Learning with kernels: Support vector machines, regularization, optimization, and beyond[M]. MIT press, 2001.

[17] Islam M, Dinh A, Wahid K, et al. Detection of potato diseases using image segmentation and multiclass support vector machine[C]//2017 IEEE 30th canadian conference on electrical and computer engineering (CCECE). IEEE, 2017: 1－4.

[18] Zhang Yudong, Dong Zhengchao, Liu Aijun, et al. Magnetic resonance brain image classification via stationary wavelet transform and generalized eigenvalue proximal support vector machine[J]. Journal of Medical Imaging and Health Informatics, 2015, 5(7): 1395－1403.

[19] 時永剛，程坤，劉志文. 結合深度學習和支持向量機的海馬子區圖像分割[J]. 中國圖象圖形學報，2018，23(4)：542－551.

Shi Yonggang, Cheng Kun, Liu Zhiwen. Segmentation of hippocampal subfields by using deep learning and support vector machine[J]. Journal of Image and Graphics, 2018, 23(4): 542－551. (in Chinese with English abstract)

[20] 許良鳳，徐小兵，胡敏，等. 基于多分類器融合的玉米葉部病害識別[J]. 農業工程學報，2015，31(14)：194－201.

Xu Liangfeng, Xu Xiaobing, Hu Min, et al. Corn leaf disease identification based on multiple classifiers fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 194－201. (in Chinese with English abstract)

[21] Zhang Ziming, Torr Philip H S. Object proposal generation using two-stage cascade SVMs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(1): 102－115.

[22] Kanimozhi T, Latha K. An integrated approach to region based image retrieval using firefly algorithm and support vector machine[J]. Neurocomputing, 2015, 151: 1099－1111.

[23] Rajneesh Bansal, Won Suk Lee, Saumya Satish. Green citrus detection using fast Fourier transform (FFT) leakage[J]. Precision Agriculture, 2013, 14(1): 59－70.

[24] Naidu VPS. Multi-resolution image fusion by FFT[C]//2011 International Conference on Image Information Processing, 2011: 1－6.

[25] 周傳剛，譚學元. 基于機器視覺的離散傅里葉變換目標識別方法[J]. 光學技術，2006，32(z1)：212－214，217.

Zhou Chuangang, Tan Xueyuan. Identifying image methods based on machine vision and DFT[J]. Optical Technique, 2006, 32(z1): 212-214, 217. (in Chinese with English abstract)

[26] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 2117－2125.

Automatic recognition of corn straw coverage based on fast Fourier transform and SVM

Li Jia, Lü Chengxu, Yuan Yanwei※, Li Yashuo, Wei Liguo, Qin Qiusheng

(,100083)

The crop residues auto-detection is an important technology for intelligent agriculture. However, the farmland condition is complicated that it’s difficult to detect the crop residues and calculate its coverage. The field is always unevenly distributed with clays and gullies, besides that, the crop residues have various shapes and sizes. Those variables affect the detection accuracy. The research shows that FFT (fast Fourier transformation) can distinguish both the high frequency and low frequency signals in the image. The high frequency signals characterize the outline of the image and the low frequency signals characterize the content of the image. The crop residues belong to high frequency information exactly. Meanwhile, SVM (support vector machine) has a high distinguishing ability for target recognition in complex backgrounds. It maps linearly indivisible data to high dimensional space through different kernel functions and converts it into linearly separable data. It establishes a maximum interval hyperplane in high dimensional space and two mutually parallel hyperplanes on both sides of the data hyperplane. On the basis above, this paper proposed a novel fusion algorithm for crop residues auto-detection with Fast Fourier Transformation (FFT) and Support Vector Machine (SVM). We also designed and realized an intelligent monitoring equipment for crop coverage auto-detection which consists camera, embedded board, location module, communication module and other sensors through 4G cloud network. In order to detect residues, we extracted the high frequency information (residues region) by designing high pass filter after FFT with different kernels. We tested three different filter kernels including square, circle and diamond filter with three shapes. The results of the experiments indicated that the square filter with size 11×11 was the best choice considering speed and accuracy. Then, an adaptive threshold segmentation method was put forward to process the normalization image we obtained. The threshold was set by calculate the energy score we defined based on the idea of integral. The experiments showed that 0.8 was the best threshold choice for our algorithm. It can preserve the most crop region and remove the un-crop region as much as possible. We used the segmentation result as the detection mask for the next step. On the other hand, we trained a SVM classifier using our database with different input sizes and kernels and selected the parameter group with best performance as final choice. The classifier was utilized to re-classify the adaptive threshold segmentation result. Finally, we found that the traditional image erosion and dilation algorithm treated all pixels without considering its credibility. So it was prone to misprocessing (including etching away areas that should be preserved, or expanding the noise area that should be removed). To avoid this misprocessing, we raised a multi-scale filter to erase noises and fill tiny holes which was similar to image pyramid. There were two filters with size 3×3 and 7×7. The bigger one was to filter the image noise with tinny size and the smaller one was to expand the residues region with holes. We benchmarked the algorithm on our database and the results indicated that our method was state of the art. The error was about 4.55% and it just used 0.05 s.

crops; automatic recognition; fast Fourier transform; support vector machine; multi-scale filter

10.11975/j.issn.1002-6819.2019.20.024

S126

A

1002-6819(2019)-20-0194-08

李 佳，呂程序，苑嚴偉，李亞碩，偉利國，秦秋生. 快速傅里葉變換結合SVM算法識別地表玉米秸稈覆蓋率[J]. 農業工程學報，2019，35(20)：194－201.doi：10.11975/j.issn.1002-6819.2019.20.024 http://www.tcsae.org

Li Jia, Lü Chengxu, Yuan Yanwei, Li Yashuo, Wei Liguo, Qin Qiusheng. Automatic recognition of corn straw coverage based on fast Fourier transform and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 194－201. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.20.024 http://www.tcsae.org

2019-06-25

2019-08-24

江蘇省現代農業裝備與技術協同創新中心開放基金（4091600016）；國家重點研發計劃（2017YFD0700601；2018YFF0213603）

李 佳，主要從事計算機視覺研究。Email：lijia677@sina.com

苑嚴偉，研究員，博士生導師，主要從事農機智能化技術研究。Email:yyw215@163.com

中國農業工程學會會員：苑嚴偉（E040100027M）