基于机器视觉的田间杂草识别技术研究

赵 娜

（天津农学院 计算机与信息工程学院，天津 300384）

基于机器视觉的田间杂草识别技术研究

赵 娜

（天津农学院 计算机与信息工程学院，天津 300384）

在农业生产中，杂草会影响农作物的生长。为了实现杂草处理自动化，需要采用基于机器视觉的杂草识别技术帮助机器人快速、准确地识别杂草，从而精确使用除草剂以提高药物的利用率、减少环境污染。通过文献研究，文章分析了提高杂草识别率的图像预处理技术和基于人工神经网络的模式识别算法，提出了杂草识别技术存在的问题及改进方法。

机器视觉；杂草识别；人工神经网络

1 基于机器视觉的田间杂草识别研究背景

杂草对农作物生长危害极大，必须及时加以控制。在诸多杂草防除方法中，由于化学除草的高效性，已成为国内外田间除草的主要方式[1]。但是，粗放型的化学除草剂的应用，不仅造成大量药物浪费，而且给生态环境带来危害。随着精细农业概念的提出，田间杂草精确识别除草技术已应用于农业信息技术。

基于机器视觉的田间杂草识别，通过拍摄田间杂草图像，智能地检测出田间杂草分布信息，即将杂草滋生区分割出来，确定田间杂草的情况（位置、密度和种类等）。实现田间杂草的精确识别，必需有较高的杂草图像识别精度。为了提高图像识别精度，在模式识别前要进行图像预处理。图像预处理可以突出图像中有用的信息，从而提高模式识别的准确度。模式识别技术可以将杂草从图像中提取出来。目前基于机器视觉技术的田间杂草定位误差小于22.8 mm，已经满足精细化农业中除草剂喷施的要求[2]。本文分析了现有的图像预处理技术和基于人工神经网络的模式识别算法。

2 图像预处理技术

图像预处理技术主要有边缘增强、图像增强、去噪等。农作物的实际生长情况和生长环境复杂，同时受采集图像时环境的影响，无法准确地从图像中识别杂草。为了能够更好地完成识别，必须对图像进行预处理，以便进行图像识别。

2.1 基于微分的边缘检测

边缘为灰度值急剧变化的部分，利用微分的方法可以提取图像边缘。常用的边缘检测算子有：Roberts算子、Sobel算子、LoG算子和Canny算子等[3]。

Reborts算子、Sobel算子，LoG算子对噪声敏感，抑制噪声能力差，都完整清晰地检测出了果实的边缘，但图中存在大量枝叶、茎的边缘；而Canny算子在选定一定的参数后可以去掉一些枝叶和茎的边缘，突出主体目标的轮廓[4]。

2.2 图像增强

图像增强的目的是改善图像的视觉效果，或者将图像转换成更适合机器进行分析处理的形式。在杂草识别的预处理中主要采用空间域增强的方法，即在空间域内对像素灰度值直接进行运算处理。方法主要有灰度变换法和直方图调整法。

根据文献[5]中的实验结果，对于杂草图像的预处理，使用直方图调整方法效果更好，变换后的图像更为清晰，更能突出图像的细节。而灰度变换法要正确地选择变换函数，目前没有很明确的方法，只能依靠多次尝试来获得较理想的变换函数。

2.3 图像滤波方法

图像滤波是对图像进行降噪处理，从而减少噪声对图像的影响。杂草识别采用的滤波方法[6]有均值滤波法和中值滤波法。

第一种滤波方法[7]抑制噪声是有效的，但是随着邻域的加入，图像的模糊程度也愈加严重，而第二种滤波方法降低噪声的效果比较明显，图像边界部分更清晰。针对杂草图像的特征，为了能较好地保护杂草的叶片边缘及中间叶脉部分的细节信息，需要选取合适的窗口进行中值滤波。

3 模式识别

模式识别就是对事物或现象的各种形式的信息进行处理和分析，对事物或现象进行描述、分辨和解释的过程。在杂草识别中，常用的模式识别方法是人工神经网络。

3.1 RBF神经网络

RBF神经网络[8]属于径向基函数神经网络模型，也是人工神经网络的一种，是局部逼近网络，特别适合用于解决分类问题。

朱登胜[9]等应用植物光谱特性及神经网络模型对大豆幼苗及杂草进行研究，采用db12小波经过3层分解后，将其小波系数作为输入数据，构造一个径向基神经网络模型，随机抽取样本检测模型识别能力。结果表明，该模型对作物和杂草光谱具有极强的识别能力。

3.2 BP神经网络

BP神经网络[10]是使用误差反向传播算法的前馈神经网络，该网络模型结构简单，易于实现。Burks等[11]应用BP算法对向日葵田间杂草进行识别，通过选择合适的网络模型和参数，杂草识别率为92%。

4 结语

基于机器视觉的田间杂草识别技术，可以实现智能喷洒农药，有利于保护生态环境，适合我国农业生产的需求。但田间杂草环境复杂，图像预处理和模式识别精度有待提高。现有的杂草识别技术仍需要进一步改进：

（1）机器视觉系统采集的图像精度直接影响图像处理精度，因此可以设计开发新型高分辨率的视觉传感器。

（2）模式识别算法的模型参数可以通过实验进一步调整，提高模式识别精度。

[1]SOGAARD H T，LUND I，GRALIA E.Real-time application of herbicides in seed lines by computer vision and microspray system[J]. American Society of Agricultural and Biological Engineers，2006（12）：118-127.

[2] 尹建军，沈宝国，陈树人.基于机器视觉的田间杂草定位技术[J].农业机械学报，2010（6）：163-166.

[3] 王军敏，姬鹏飞. 基于微分算子的边缘检测及其应用[J].平顶山学院学报，2015（2）：85-89.

[4] 李寒，基于机器视觉的目标检测在精细农业中的关键技术研究[D].北京：中国农业大学，2014.

[5] 杨会清，孙丽燕，刘红.田间杂草识别的机器视觉系统及机械除草研究[J].农业机械，2011（28）：126-129.

[6]YAN H.Skew correetion of document images using interline cross-correlation[J].Cvgip Graphical Models & Image Processing，1993（6）：538-543.

[7]李东明.基于机器视觉的田间杂草识别方法研究[D].天津：河北工业大学，2008.

[8]黄锋.基于径向基函数神经网络的图像识别研究[D].太原：太原理工大学，2007.

[9]朱登胜，潘家志，何勇.基于光谱和神经网络模型的作物与杂草识别方法研究[J].光谱学与光谱分析，2008（5）：1102-1106.

[10]卜富清，王茂芝，于庆刚.基于BP神经网络的数字识别[J].长江大学学报（自科科学版），2009（2）：293-294.

[11]BURKS T F，SHEARER S A，HEATH J R，et al.Evaluation of neuralnetwork classifiers for weed species discrimination[J]. Biosystems Engineering，2005（3）：293-304.

Study on identification method of weeds based on machine vision

Zhao Na
（Computer and Information Engineering College of Tianjin Agricultural University, Tianjin 300384, China）

In agriculture, weeds can affect the growth of crops. In order to realize the process automation, the weed identification based on machine vision technology can help the robot quickly and accurately identify weeds, thus the robot can accurately use herbicides in order to improve the utilization of drugs and reduce environmental pollution. Based on the research, this paper analyzed the image preprocessing techniques which can enhance the rate of identification and pattern recognition algorithm based on artificial neural network, and present the weed identification method problems and improving methods.

machine vision; weeds identification; artificial neural networks

天津农学院科技发展基金；项目编号：2013N12。

赵娜（1981— ），女，天津，硕士，讲师；研究方向：机器视觉，位姿测量。