基于計(jì)算機(jī)視覺的水稻雜株識(shí)別

李 寧,余 斌

(平頂山工業(yè)職業(yè)技術(shù)學(xué)院,河南 平頂山 467000)

0 引言

我國人口眾多,隨著城市化進(jìn)程的加快,可耕種土地越來越少,對(duì)于糧食的需求量也在逐年增加。水稻是我國的主要糧食作物之一,其產(chǎn)量嚴(yán)重影響著我國的糧食安全問題[1]。為保證糧食產(chǎn)量,解決水稻產(chǎn)量持續(xù)增長的難題,我國發(fā)展了強(qiáng)優(yōu)勢(shì)雜交水稻技術(shù)[2]。近年來,在水稻的生長過程中發(fā)現(xiàn)了雜草稻的現(xiàn)象,雜草稻在生長過程中侵占水稻的陽光、養(yǎng)分等,嚴(yán)重影響了水稻的產(chǎn)量。因此,迫切需要一種能夠準(zhǔn)確識(shí)別水稻雜株的方法,并進(jìn)行有效的控制。

雜草稻是一種具有野生稻和栽培稻特性的一類雜草[3],具有長勢(shì)快、成型植株松散及谷粒少的特點(diǎn),生長范圍為稻田或者稻田的周邊。由于其與水稻的外形近似,因此需要通過提取水稻雜株的相關(guān)特性進(jìn)行準(zhǔn)確的識(shí)別。目前,我國識(shí)別水稻雜株的方法主要包括人工方法、光譜方法和計(jì)算機(jī)視覺的方法:人工方法的效率較低,容易漏檢導(dǎo)致是被準(zhǔn)確率較低;水稻和雜株的特性相近,使用光譜的方法難以識(shí)別;急速三級(jí)視覺的方法相比傳統(tǒng)的缺陷識(shí)別方法準(zhǔn)確率和效率均較高,因此可以用于水稻的雜株識(shí)別。

計(jì)算機(jī)視覺識(shí)別方法是通過提取水稻和雜株圖像的二值化形狀,對(duì)比雜株的形狀特征進(jìn)行識(shí)別[4],識(shí)別率可以高達(dá)90%以上,因此本文將基于計(jì)算機(jī)視覺技術(shù)對(duì)水稻雜株進(jìn)行識(shí)別。

1 硬件組成

1.1 技術(shù)路線

水稻雜株識(shí)別系統(tǒng)的主要組成為圖像獲取系統(tǒng)、特征提取系統(tǒng)和模式識(shí)別方法系統(tǒng),以計(jì)算機(jī)識(shí)別技術(shù)作為技術(shù)基礎(chǔ),總體流程如圖1所示。

圖1 水稻雜株識(shí)別系統(tǒng)總體流程圖

1.2 圖像獲取系統(tǒng)

圖像獲取系統(tǒng)主要包括光源、相機(jī)、圖像采集卡、數(shù)據(jù)傳輸模塊和圖像處理模塊。圖像處理系統(tǒng)的示意圖如圖2所示。

圖2 圖像處理系統(tǒng)示意圖

為保證采集到的圖像質(zhì)量,相機(jī)采用單反數(shù)碼相機(jī)。為保持相機(jī)拍攝時(shí)的穩(wěn)定性,需要在相機(jī)下部安裝三角支架進(jìn)行拍攝。相機(jī)內(nèi)部安裝存儲(chǔ)卡,儲(chǔ)存拍攝到的水稻和雜株水稻的圖像;在拍攝時(shí)或拍攝完成后,可以將存儲(chǔ)卡的數(shù)據(jù)傳輸至計(jì)算機(jī)進(jìn)行查看,以便后續(xù)進(jìn)行圖像處理。相機(jī)與計(jì)算機(jī)的圖像傳輸采用數(shù)據(jù)線進(jìn)行,保證數(shù)據(jù)傳輸?shù)姆€(wěn)定性和準(zhǔn)確性。

在采集水稻雜株圖像時(shí),需要采集不同生長期和各種常見類型雜株的圖像。為了保證算法的適應(yīng)性,在不同的天氣狀況下(包括晴天、陰天和雨天)及不同的時(shí)段進(jìn)行水稻雜株圖像的采集。

1.3 特征提取系統(tǒng)

在獲得水稻雜株圖像后,一般采取對(duì)圖像預(yù)處理再進(jìn)行分割的方式,但考慮到預(yù)處理會(huì)損失水稻雜株的一些圖像細(xì)節(jié),本文將直接對(duì)采集到的圖像進(jìn)行分割。首先,利用雜株的顏色特征將雜株從圖片背景中篩選出來,通過改進(jìn)的Ostu方法[5]對(duì)圖像進(jìn)行閾值分割,計(jì)算公式為

1)膨脹:用于填報(bào)圖像匯總的雜株水稻孔洞,即

M⊕N={x|(N+x)∪x≠φ}

2)腐蝕:用于簡化圖像這個(gè)雜株水稻的結(jié)構(gòu),即

MθN={x|(N+x)?M}

3)開運(yùn)算:用于使圖像中雜株水稻的毛刺等消除,使圖像邊緣變平滑,即

M°N=(MθN)⊕N

4)閉運(yùn)算:用于填補(bǔ)圖像中小的空洞,即

M·N=(M⊕N)θN

通過以上處理后,即可得到圖像的二值圖像。水稻雜株和水稻的主要區(qū)別在于形狀和紋理方面,在顏色方面則很難講雜株區(qū)分出來,因此可以利用雜株的形狀特征包括頁片的寬長比及葉莖的直徑進(jìn)行識(shí)別,或者采用灰度共生矩陣獲得雜株的整體紋理特征[6]。

1.4 模式識(shí)別方法系統(tǒng)

通過比較雜株水稻的顏色、形狀和紋理特征,采用形狀和紋理特征進(jìn)行雜株識(shí)別。識(shí)別模型采用支持向量機(jī)。

2 軟件設(shè)計(jì)

2.1 雜株形狀特征提取

水稻雜株和水稻的主要區(qū)別在于整個(gè)植株,而且水稻的葉子和雜株葉子存在覆蓋的情況,很難將其分開,識(shí)別率較低,因此選用整個(gè)植株為提取對(duì)象。特征提取的方法如下:首先對(duì)圖像集合M進(jìn)行連續(xù)的k腐蝕,即

(MθkN)=(...((MθN)θN)θ...)θN

其中,第k次腐蝕為

K=max{k|(MθkN)≠φ}

然后,將上面的結(jié)果進(jìn)行開運(yùn)算,即

由此得到水稻和雜株的二值圖的框架。

2.2 雜株紋理特征提取

灰度共生矩陣是一種對(duì)植物進(jìn)行分析和測(cè)量的方法[7],其紋理特征提取步驟如圖3所示。

圖3 紋理特征提取步驟

1)對(duì)于圖像中的任一點(diǎn)(x,y)與其偏離點(diǎn)(x+p,y+q)形成點(diǎn)對(duì),對(duì)應(yīng)灰度分別為i和j。假設(shè)圖像中的灰度總級(jí)數(shù)為K,固定偏離值p和q,則可以得到圖像中i和j的組合數(shù)為K2。

2)統(tǒng)計(jì)每一個(gè)灰度出現(xiàn)的概率,并將其形成矩陣Pij,則該矩陣即為灰度共生矩陣,此時(shí)有

其中,i=f(x1,y1),j=f(x2,y2),分別為圖像中(x1,y1)和(x2,y2)點(diǎn)的灰度值,則

(x2,y2)=(x1,y1)+(dcosθ,dsinθ)

其中,d為對(duì)應(yīng)點(diǎn)對(duì)的距離,取d=1;θ為角度,為方便計(jì)算,需要將灰度級(jí)數(shù)由256級(jí)降為16級(jí),因此一般取θ為0°、45°、90°、135°。

3)計(jì)算該灰度矩陣的能量A、熵E、反差L和相關(guān)性C,即

A=∑∑{f(i,j/d,θ)}2

通過對(duì)二值圖像進(jìn)行以上計(jì)算即可得出圖像的紋理特征。

2.3 水稻雜株識(shí)別

采用單個(gè)的分類器對(duì)水稻雜株進(jìn)行識(shí)別,容易出現(xiàn)識(shí)別不均衡現(xiàn)象,降低識(shí)別率。為此,可以融合多個(gè)識(shí)別器,取各分類器的優(yōu)勢(shì)對(duì)雜株進(jìn)行識(shí)別。本文采用D-S證據(jù)理論[8],融合支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和K近鄰分類器作為基本分類器,通過以上3個(gè)分類器的識(shí)別結(jié)果構(gòu)建D-S理論分配函數(shù),最終輸出識(shí)別結(jié)果。D-S理論識(shí)別過程如圖4所示。

圖4 D-S理論識(shí)別過程

首先利用支持向量機(jī)(SVM)對(duì)采集到的雜株樣本集學(xué)習(xí),通過下式求最優(yōu)解,即

Mi:P(y=1|x)≈PA,B[g(x)]

其中,g(x)為支持向量機(jī)中雜株樣本標(biāo)準(zhǔn)輸出值,通過求解最大似然問題得到A和B。通過上式即可構(gòu)造雜株識(shí)別的概率模型,將采集到的雜株圖片利用每個(gè)分類器對(duì)雜株進(jìn)行識(shí)別,并將結(jié)果進(jìn)行計(jì)算和統(tǒng)計(jì),得到每個(gè)分類器識(shí)別的準(zhǔn)確率ri,然后按照下式構(gòu)造基本概率分配函數(shù)m(A),則

其中,A為特征值,Q為識(shí)別框架,T為框架中含有的元素?cái)?shù)量。由此得到每個(gè)分類器的概率分配函數(shù)值,在進(jìn)行雜株識(shí)別時(shí)可以根據(jù)特征值選擇哪一個(gè)分類器進(jìn)行分類識(shí)別并統(tǒng)計(jì),即可得到雜株類型。此方法即為DS融合理論程序?qū)λ倦s株的識(shí)別。

3 試驗(yàn)結(jié)果

為保證該水稻雜株識(shí)別系統(tǒng)的準(zhǔn)確率,首先需要對(duì)該系統(tǒng)進(jìn)行訓(xùn)練。在確定每個(gè)分類器對(duì)水稻雜株類型的識(shí)別準(zhǔn)確率后,確定每個(gè)分類器的概率分配函數(shù)值;然后,隨機(jī)選取雜株圖片對(duì)雜株類型進(jìn)行驗(yàn)證。

3.1 水稻雜株類型識(shí)別準(zhǔn)確率確定

水稻的雜株類型主要有保持系和變異株兩種,選取每種雜株類型的圖片50幅進(jìn)行預(yù)處理后,提取每個(gè)雜株圖片的顏色、形狀和紋理特征,利用每個(gè)分類器進(jìn)行識(shí)別。識(shí)別準(zhǔn)確率的結(jié)果如表1所示。

表1 單個(gè)分類器雜株識(shí)別準(zhǔn)確率 %

由表1可知:3個(gè)分類器中支持向量機(jī)的識(shí)別準(zhǔn)確率最高,但各分類器的識(shí)別準(zhǔn)確率均未超過90%。因此,通過統(tǒng)計(jì)圖片的特征值和準(zhǔn)確率構(gòu)造基本概率分配函數(shù),確定各特征所對(duì)應(yīng)的識(shí)別概率,并將其輸入系統(tǒng),即可進(jìn)行DS融合理論對(duì)水稻雜株進(jìn)行識(shí)別。

3.2 水稻雜株類型識(shí)別

為驗(yàn)證該系統(tǒng)的可行性,選取5組圖片進(jìn)行雜株類型識(shí)別,每一組圖片包含已確定雜株保持系和變異株類型的圖片各50幅和正常的水稻圖片100幅,將其混合輸入系統(tǒng)進(jìn)行識(shí)別。識(shí)別結(jié)果如表2所示。

表2 DS分類器對(duì)雜株類型識(shí)別準(zhǔn)確率

由表2可知:DS分類器可以識(shí)別水稻雜株類型,準(zhǔn)確率達(dá)到了90%以上;在識(shí)別過程中,系統(tǒng)運(yùn)行良好,可以滿足農(nóng)業(yè)人員對(duì)水稻雜株識(shí)別系統(tǒng)的要求。

4 結(jié)論

1)水稻雜株識(shí)別系統(tǒng)以計(jì)算機(jī)視覺技術(shù)作為基礎(chǔ),主要組成為圖像獲取系統(tǒng)、特征提取系統(tǒng)和模式識(shí)別方法系統(tǒng)。

2)水稻雜株識(shí)別系統(tǒng)利用顏色特征識(shí)別雜株,通過對(duì)雜株圖像進(jìn)行閾值分割,獲取二值圖像,再提取圖像的形狀特征和紋理特征,利用DS融合理論程序?qū)λ倦s株圖片進(jìn)行訓(xùn)練,并進(jìn)行雜株識(shí)別。

3)試驗(yàn)結(jié)果表明:該系統(tǒng)可以完成對(duì)水稻雜株的識(shí)別,識(shí)別準(zhǔn)確率達(dá)到92%以上,能夠滿足農(nóng)業(yè)人員對(duì)水稻雜株識(shí)別系統(tǒng)的要求。