基于K-means和Harris角點檢測的麥苗識別研究

許 鑫,李海洋,馮洋洋,馬新明,沈帥杰,喬新昱

(1.河南農業大學 信息與管理科學學院,河南 鄭州 450002; 2.河南糧食作物協同創新中心,河南 鄭州 450002; 3.河南農業大學 農學院,河南 鄭州 450002)

小麥是我國最重要的口糧之一，小麥生產直接關系到國家糧食安全和社會穩定。小麥基本苗的調查和計數是確保小麥高產穩產的最基本農藝活動，是預測小麥產量的重要參數[1]。目前小麥基本苗測定主要有2種方法，一是確定1 m長度的雙行小麥標本區，數出總苗數，獲取小麥的平均行距，計算基本苗數量[2-3]；二是選取若干點，每點對應于1 m2方格的中心查計方格內苗數，求這些點苗數的平均值，換算為基本苗數量[4]。采用人工計數的方法需要耗費大量的人力、物力和時間，還受寒冷天氣條件影響，而且數據準確度受人為因素影響大。因此，迫切需要一種快速、準確的小麥基本苗計數方法來解決上述問題。

隨著信息技術的發展，手機等移動設備已成為獲取數據的重要手段，采用便攜移動設備對小麥基本苗采樣點進行拍照，利用機器視覺和圖像處理技術，對小麥基本苗計數是一種新的計數方法。目前圖像處理和機器視覺技術等信息技術已廣泛應用于農業生產[5]，常見的應用包括作物病蟲害診斷與識別[6-8]、田間雜草識別[9-11]、生物量估算[12-13]、營養狀況診斷[14-15]、植株和果實識別計數[16-18]等。FERNANDEZ-GAIIGEO等[19]利用拉普拉斯濾波器和中值濾波去噪，使用局部最大峰值進行麥穗計數，LIU等[20-21]利用無人機圖像獲取小麥出苗均勻性和缺苗信息，實現了1～3葉期小麥基本苗的識別計數。但目前的目標計數研究對環境和設備要求較高，缺乏操作簡單、快速識別小麥基本苗的技術方法。因此，利用機器視覺與圖像處理技術，研究小麥基本苗圖像獲取過程中的拍攝器材、拍攝角度和拍攝時期等關鍵問題，開發小麥基本苗圖像特征分割與檢測識別方法，以期為小麥基本苗的快速識別計數提供技術支撐。

1 材料和方法

1.1 試驗設計

試驗于2017、2018年在河南省安陽、許昌、漯河三地進行，以矮抗58、豫麥49-198、西農509、周麥27為供試材料。為了貼合實際生產，盡可能多地收集不同情況下的圖像特征來提高識別精度，試驗設置品種和施氮水平2個因素，氮肥選用尿素(含氮量為46%)，設置4個施氮水平，分別是0、120、225、330 kg/hm2(純氮)，氮肥基追比為6∶4。試驗采用裂區設計，氮肥為主區，品種為副區，試驗主區長13 m、寬10 m，小區面積130 m2，重復3次。為了便于取樣及田間操作，每個小區之間設置1 m寬的通道。播種采用播種機，20 cm行距，播量為180 kg/hm2，全生育期澆越冬水、拔節水，其他管理措施同一般高產田。

1.2 圖像獲取

使用4個5 cm×10 cm白卡片作為地面標志物放置在小麥一米雙行區域4個角，在圖像上標記出一米雙行所在區域(圖1)。拍攝設備選取智能手機、單反相機和平板電腦3種拍攝器材，像素分別為1 200萬、1 800萬和800萬像素。采用俯視角30°和45°2種拍攝方式。取樣時間是2017年10—11月、2018年10—11月。試驗采集有效的麥苗圖像975張，其中平板電腦拍攝81張1～2葉期照片，單反相機拍攝314張1～2葉期照片，智能手機拍攝580張，其中1～2葉期俯視角30°拍攝110張、45°拍攝240張共350張，3～4葉期230張。選取3種設備拍攝的麥苗圖像各50張，用于圖像分割精度比較，智能手機拍攝圖像隨機選取俯視角30°和45°各100張用于對比拍攝角度對分割精度的影響，隨機選擇20張1～2葉期，15張3～4葉期圖像用于圖像識別結果與人工計數結果對比，其他的圖像用于特征提取，以便提高識別精度。

圖1 標志物實拍

1.3 圖像預處理

由于拍攝器材和環境會造成拍攝過程中圖像中存在噪點，需要對圖像進行濾波去噪。利用中值濾波和椒鹽濾波2種濾波算法[22-25]，針對高斯白噪聲選取高斯濾波算法[26]對小麥基本苗圖像進行去噪。利用圖像中的地面標志物和圖像閾值分割技術，獲取標志物的輪廓信息，實現一米雙行區域自動識別定位，在此基礎上提取一米雙行中的小麥基本苗，與原圖進行掩膜，得到一米雙行區域，如圖2所示。

圖2 一米雙行區域分割

1.4 特征分析與圖像分割

為了分析小麥基本苗的圖像特征，先后采用了RGB、HSV與LAB 3類顏色空間閾值分割和K-means聚類分割算法[27-29]對麥苗圖像進行特征分析與圖像分割，以區分麥苗與背景區域，便于麥苗特征提取，圖像分割效果如圖3所示。

圖3 麥苗圖像聚類分割

1.5 麥苗特征提取與識別

對小麥一米雙行區域分割后的圖像進行橫向投影，把小麥行分割為2個一行的麥苗圖像，以縱向投影提取各行麥苗連通域，對每一個連通域掩蓋上部角點，留下的下端角點代表小麥主莖基，1個角點代表1株小麥，最后利用Harris角點檢測算法[30-32]檢測角點，把檢測出的角點個數相加，計算出一米雙行小麥基本苗數目，麥苗的檢測識別效果如圖4所示。

a:提取連通域;b:上角點掩蓋;c:角點檢測結果

1.6 圖像分割精度評價方法

圖像分割的好壞直接影響麥苗識別的精度，對圖像的分割效果的評價需要把圖像分割效果量化，量化圖像分割算法好壞的方法有ROC曲線、Dice重合率、基于GT圖像法。本研究選取基于GT圖像法來評價圖像分割的優劣。其主要量化分割精度(SA)計算如公式(1)所示。

(1)

其中，Rs代表實際分割面積，Ts是實際誤分的面積。

2 結果與分析

2.1 不同圖像分割方法對圖像分割精度的影響

對選取的50張小麥基本苗圖像，先通過人工提取小麥像素區域，然后用公式(1)分別計算K-means聚類分割和HSV、LAB、RGB顏色空間閾值分割4種不同的分割算法精度，結果如圖5所示，4種分割方法的分割精度均在0.90以上，但LAB和RGB顏色空間閾值分割算法對于不同的圖像分割精度波動大，說明LAB和RGB顏色空間閾值分割算法穩定性相對較差，而HSV顏色空間閾值分割算法精度明顯好于LAB和RGB顏色空間閾值分割算法，其分割精度保持在0.96以上，而K-means聚類分割算法精度穩定且分割精度基本保持在0.98以上，說明K-means聚類分割算法優于其他3種方法。

圖5 LAB、RGB、HSV和K-means分割算法精度對比

2.2 不同拍攝設備對分割精度的影響

對3種設備拍攝的圖像進行K-means聚類分割，利用公式(1)計算分割精度，結果如圖6所示，3種拍攝器材的分割精度均保持在0.95以上，三者沒有明顯的區別，說明單反相機、智能手機和平板電腦3種拍攝器材不是影響小麥基本苗識別的主要因素。

圖6 智能手機、單反相機、平板電腦分割精度對比

2.3 不同拍攝角度對分割精度的影響

對隨機選取的2種拍攝角度圖像進行K-means聚類分割，利用公式(1)計算分割精度，如圖7所示，俯拍30°的圖像分割精度要明顯低于俯拍45°的圖像，這與LIU等[20]用無人機拍攝識別麥苗的研究結果一致，原因在于30°俯拍角距離地面過高，小麥莖部被葉子遮擋，有礙于小麥連通域的特征提取。

圖7 俯視角30°和45°拍攝分割精度對比

2.4 不同拍攝時期對識別精度的影響

如表1所示，在1～2葉期小麥基本苗識別精度在0.97以上；3～4葉期，由于葉子數目增多的干擾，麥苗之間重疊粘連造成圖像識別難度加大，相比1～2葉期，識別精度有小幅度下降，但是仍然保持較高的識別精度，精度達0.95以上。

表1 1～4葉期小麥基本苗圖像識別結果與人工計數結果對比

進一步采用回歸分析對麥苗圖像識別結果和人工計數進行相關性分析，如圖8所示，圖像識別的麥苗數量與人工統計的麥苗數具有較高的線性相關性，其中1～2葉期麥苗識別的R2為0.99，3～4葉期麥苗識別的R2為0.93，說明本研究方法與人工計數高度相關。

圖8 1～4葉期小麥基本苗圖像識別與人工計數線性擬合圖

3 結論與討論

本試驗系統研究了不同拍攝時期、拍照設備和拍照角度對小麥苗期麥苗識別的影響，對原始圖像通過地標進行目標區域裁剪，然后采用K-means聚類分割算法圖像進行特征提取，利用Harris角點檢測算法對小麥苗莖基部端點進行識別，1～2葉期麥苗識別精度在0.97以上，3～4葉期識別精度在0.95以上，說明對麥苗的識別應該在小麥出苗至三葉期以前進行能夠達到最好的效果，三葉期后隨著小麥植株葉片數的增加和相互遮擋造成識別精度有所下降。結果表明，以移動設備俯視角45°拍攝小麥圖像，采用K-means聚類分割算法提取圖像特征，利用Harris角點檢測算法對小麥基本苗進行計數是可行的。

本試驗研究方法為小麥基本苗的識別提供了一套相對簡單低廉、易操作實現的技術方案，可以提高現有人工調查基本苗的效率，利用智能手機拍攝圖像進行麥苗識別可以替代現有的無人機、相機等高昂設備，能夠有效降低技術使用門檻，對于實現小麥基本苗的快速計數具有重要意義，未來可以利用本研究的技術方案建立基于移動設備的小麥基本苗識別系統來提高工作效率，但本研究的方案仍需基于地面標志物來確定拍攝范圍，在將來的研究中可以考慮利用增強現實和機器視覺技術來實現拍攝范圍的實時量算，同時也可以結合機器學習技術對麥苗的數量進行識別，從而進一步提高技術的適用性。