利用先验知识的小麦生长环境下杂草识别研究

胡晓斌

摘要随着土地流转机制的成熟和完善，以及由传感器、通信和计算机等技术组成的物联网系统的发展，为农业现代化管理提供了制度和技术的保障，其中农作物生长环境下杂草的识别和清除是家庭农场管理的重要组成部分。首先利用家庭农场作物先验几何特性，拟合小麦正常生长条件下的中心线，根据小麦种植时固定的行间距，识别小麦生长环境下的杂草，对比实地调查的统计数据，该研究算法识别杂草的正确率达到92.8%，可为家庭农场管理装备提供技术支撑。

关键词土地流转；先验知识；小麦；杂草识别

中图分类号S24；TP39文献标识码A文章编号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

随着我国农业土地流转政策的出台，以国有企业、农民合作社、种粮大户、家庭农场等为代表的农业社会化服务组织承包了越来越多的农场土地，带来的是如何科学合理地管理农场土地的问题，其中的杂草识别和清除是现代农业管理的重要组成部分。针对农田作物生长环境下的杂草識别问题，可以从图像的物理特性和几何特性2个方面分析[1-6]。依据农田作物和杂草在光谱上的差异，采用图像分割算法，分离土壤和绿色植被，再结合形态学方法，最终识别杂草[4-8]。同样，直接从图像几何形状和纹理特征参数分析，建立农田杂草识别的先验知识，进而识别农田作物环境下的杂草[6-10]。笔者针对无人机拍摄的低空图像，根据作物种植时固定的小麦行间距条件，识别了小麦行之间的杂草部分，正确率达到92.8%。该算法简单，可实现性高，可以作为杂草清除设备重要的理论支撑。

1超绿模型

无论是近景摄影还是中低空摄影，甚至是卫星摄影，采集的农田场景图像基本包括土壤和绿色植被2种大类。为了识别场景图像中的杂草，首先要区分土壤和包含杂草的绿色植被部分，而绿色波段则是保留绿色植被信息最为丰富的波段。由于图像采集设备和无人机载荷平台等限定因素，一般采集的多为RGB图像。该试验的原始图像，采用大疆DJ精灵4无人机专业版，搭载GoPro-Hero4相机，在安徽省宿州市埇桥区国家现代农业示范区进行拍摄，飞行高度距离地面5 m，获取实验区内小麦正常生长RGB图像，如图1所示。

针对RGB图像，该研究采用超绿模型提取场景图像中的绿色植被部分，超绿模型计算公式如（1）所示。

I=2×G-R-B（1）

式（1）中，I表示超绿图像，G表示RGB图像的绿色波段，R表示RGB图像的红色波段，B表示RGB图像的蓝色波段。

这里需要注意的是，图像处理过程中会出现负值。一般处理方法，直接赋值为0。该试验中，为了减少图像纹理结构的损失，将超绿图像灰度值[min，max]映射到[0，255]范围内，大大保留了超绿图像的纹理结构。采用超绿模型处理后，结果如图2所示，对比可以发现，超绿模型把绿色植被和土壤背景可有效区分。

2迭代阈值分割算法

为了分割绿色植被和土壤背景，进行图像形态学分析。该试验过程中，采用了改进双峰图像分割法，即为迭代阈值分割算法。该算法原理是基于逼近的思想，具体实现步骤如下[9-12]：

（1）求解图象的最大灰度值和最小灰度值，分别记为Zmax和Zmin，令初始阈值为T0，T0=（Zmax+Zmin）/2。

（2）根据阈值TK将图象分割为绿色植被和土壤背景，并求出两者的平均灰度值ZO和ZB。

（3）根据绿色植被和土壤背景的平均值，求出新阈值TK+1=（ZO+ZB）/2。

（4）如果阈值TK=TK+1，则表明计算出的TK为阈值；否则转到步骤（2），继续执行迭代计算。

将上文实验得到的超绿图像经过迭代阈值分割算法，并经过二值化处理后，结果如图3所示。其中，白色表示场景图像中绿色植被信息部分，黑色表示土壤背景等其他信息。

3行间距算法

杂草识别属于非此即彼的数学优化问题。根据冬季小麦形态特征、生理特性等方面发生一系列变化，小麦生长周期可分为：

①播种期：9月底10月初，株高0 cm。

②出苗期：10月上中旬，小麦幼苗第1片真叶伸出胚芽鞘1.5～2.0 cm。

③分蘖期：10月中下旬，小麦第1个分蘖伸出叶鞘1.5～2.0 cm左右。

④越冬期：11月底12月初，日平均气温降到3 ℃以下，小麦植株基本停止生长。

⑤返青期：2月下旬至3月上旬，春季气温上升到3 ℃以上，小麦叶色由暗绿变为青绿色。

⑥起身期：3月中旬，小麦主茎开始生长。

⑦拔节期：4月中上旬，小麦主茎第1节距离地面1.5～2.0 cm。

⑧挑旗：4月下旬，小麦旗叶全部漏出叶鞘。

⑨抽穗：4月下旬至5月上旬，麦穗长出总长度的50%。

⑩开花：5月上、中旬，麦穗中部开花。

B11灌浆：5月中旬，麦穗籽粒长度达到总程度的80%，可从籽粒中挤出汁液。

B12成熟期：6月上旬，麦穗籽粒变硬，呈现小麦固有特征。

根据小麦生长周期和播种时的行距，该研究提出了基于行间距的杂草识别算法。同时，该算法有2个限定前提约束条件：

条件1，现代农业作物播种前，会喷施除草剂等化学药品，大大抑制了大面积杂草的出现。因此，杂草清除更多是在局部小范围内的识别问题。

条件2，根据小麦生长周期，杂草对小麦生长影响内较为显著阶段有⑤、⑥和⑦这样3个阶段。因此，选择这3个阶段内的图像进行识别研究，具有很强的现实价值。

行间距杂草识别算法具体实现步骤如下：

（1）选择小麦行中心点（X行中心点，Y行中心点）和行边界点（X行边界点，Y行边界点）。

（2）计算小麦行间距，如公式（2）。

Distance=（X行中心点-X行边界点）2+（Y行中心点-Y行边界点）2（2）

（3）根据点直线公式，拟合小麦行中心线，如公式（3）。

y-Y行中心点=X行边界点-X行中心点Y行边界点-Y行中心点（x-X行中心点）（3）

其中，（x，y）表示图像像素坐标。

（4）根据小麦行间距和行中心线，确定小麦生长区域。在该实验过程中，结果如图4所示。其中，红色虚线部分表示小麦行中心，蓝色部分表示小麦生长区域边界。

（5）判断迭代阈值分割图像中，小麦行生长区域外的绿色植被部分，判定为杂草。根据该研究提出的算法，经过处理后，结果如图5所示。

在后期杂草清除设备上，为了便于进行叠加分析，将杂草识别结果和原始图像叠加，如图6所示，便于后期設备的精准作业。

为了评价该研究算法识别杂草的正确率，根据野外实地测量的杂草面积和该研究算法提取的杂草面积比值结果作为正确率，结合无人机飞行高度，确定摄影图像比例尺，最终计算两者面积比值为92.8%[13-16]。剔除实地测量过程中的误差等因素，表明该研究算法具有很高的实用价值。

4结论

杂草识别是农业现代化特别是精准农业需要解决的经典问题，该研究从小麦播种时固定的小麦行间距先验知识，提出了杂草识别的行间距算法，通过实验可以得出以下结论：

①基于先验知识的小麦行间距可以有效识别小麦生长重要时期的杂草。

②该研究算法识别杂草的正确率达到928%，可以作为智能杂草清除设备的理论依据。

该研究的算法仍存在错误识别等现象，如何结合小麦行直线和Hough

变换，自动识别小麦行中心点和边界点提高该算法的杂草识别正确率是后续需要完善的。

参考文献

[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] 李涛，温广月，钱振官，等.不同类型杂草危害对小麦产量的影响[J].中国植保导刊，2013，33（4）：28-30.

[4] 钱永涛.基于计算机视觉的小麦长势监控研究[J].农机化研究，2018，40（4）：225-229.

[5] 黄士凯，祁力钧，张建华，等.基于行宽的玉米行间杂草识别算法[J].中国农业大学学报，2013，18（1）：165-171.

[6] 祖琴，张水发，曹阳，等.结合光谱图像技术和SAM 分类法的甘蓝中杂草识别研究[J].光谱学与光谱分析，2015，35（2）：479-485.

[7] 祖琴，赵春江，邓巍，等.基于可见-近红外光谱分析的圆白菜与杂草识别技术[J].光谱学与光谱分析，2013，33（5）：1202-1205.

[8] 赵川源，何东健，乔永亮.基于多光谱图像和数据挖掘的多特征杂草识别方法[J].农业工程学报，2013，29（2）：192-198.

[9] 白敬，徐友，魏新华，等.基于光谱特性分析的冬油菜苗期田间杂草识别[J].农业工程学报，2013，29（20）：128-134.

[10] 纪寿文，王荣本，陈佳娟，等.应用计算机图像处理技术识别玉米苗期田间杂草的研究[J].农业工程学报，2001，17（2）：154-156.

[11] 吴兰兰，刘俭英，文友先.基于分形维数的玉米和杂草图像识别[J].农业机械学报，2009，40（3）：176-179.

[12] 王海华，朱梦婷，李莉，等.基于剪切波变换和无人机麦田图像的区域杂草识别方法[J].农业工程学报，2017，33（S1）：99-106.

[13] 毛文华，王一鸣，张小超，等.基于机器视觉的苗期杂草实时分割算法[J].农业机械学报，2005，36（1）：83-86.

[14] 陶飞翔，吴一全.非下采样Shearlet 变换与参数化对数图像处理相结合的遥感图像增强[J].测绘学报，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.