基于机器视觉杂草识别研究

关鹏 邓学峰 杨健琪

摘要：针对去除杂草的检测技术研究在农作物生长、识别监测等领域均有广泛的应用价值。本文运用快速作物识别图像处理算法的载体，利用二维空间与三维空间的转换技术，运用小孔成像原理进行参数计算，得到图像中作物中心位置在地面上的实际位置，从而进行除草作业。试验结果表明：本文计算机视觉系统对田间单张图像的处理时间为170ms，机械的最佳作业速度为1m/s和1.5m/s，具有较高的除草效率并且伤苗率最低，该研究可为田间除草机对杂草识别处理影响提供参考。

关键词：杂草识别;机器视觉;图像处理;除草

引言

随着人们的环保意识的不断提高以及对食品安全问题日渐重视，如何精准进行除草是迫在眉睫的问题。对此国内外相关学者进行了大量研究2016年Inaci等选择贝叶斯网络识别田间的杂草[1--8]。目前田间的机械除草和计算机视觉识别都取得了很大的进步，但是之前关于二者结合应用的报导还较少，主要是受到机械自主导航和杂草快速准备识别问题限制。本文根据除草机所作业的田间情况，按上基于机械视觉自动识别系统，基于小孔成像原理建立了视觉系统成像模型的机器视觉系统结构。

1.自动识别除草机的结构设计

杂草自动识别除草机设计是已传统形式除草机为基础，同时结合了除草机在农作物行间、株间除草的作业特点对工作在行间、株间除草机的控制系统、机械部件、运动机构进行引用，使除草机具备行间除草、株间除草、自动识别杂草的功能。自动识别杂草除草机的机械结构主要包括导向机构、移动机构、刀具单元和机架以及最重要的识别装置。通过光源、镜头、相机、图像采集卡、图像处理器、图像分析处理软件等构成了典型的相机视觉系统。

2.除草机的机器视觉虚拟坐标识别过程设计

视觉系统视线范围下边缘到除草刀中心的距離，由除草机的机械结构决定，通过手工测量获得。即图1中的d2。

2.1图像采集

本文图像处理系统是基于OpenCV图像处理软件，通过使用C语言编写图像处理程序完成杂草任务。在OpenCV软件中编写程序读取摄像头采集到的数据，用函数读取每一帧图像并将图像显示出来，为了提高植株根部位置识别精准度，降低损伤率，对采集到的图像设置目标区域，只有当植株株心出现在目标区域才对植株标记。

2.2.预处理

首先使用CVSp11t函数将RGB图像分为B，G，R三个单通道图像，分别取每个通道的像素值，使用加权函数，计算加权后的灰度值，结果赋值给一个新的八位单通道图像，并将其输出图像的每一个像素为输入图像对应像素的平均值。

3.自动识别除草的实现

相机成像几何模型俯视图如图2所示。取图像传感器所对地面镜头中点O1为坐标原点，图像传感器上点的坐标用（Xa，Ya）表示。O1对应的田间平面的实物点O2为视场平面坐标原点，田间平面上点的坐标用（Xb，Yb）表示。h为自动识别除草机的镜头焦点离地高度，f为自动识别除草机的镜头焦距，z为自动识别除草机的镜头焦点到O2的距离，∮为自动识别除草机的相机主光轴前倾角度，d为自动识别除草机的镜头焦点到O2的水平距离。代表图像像素宽度， 为图像像素单位高度。

式中 为归一化焦距，由于 ， 。 属于相机基本参数，可通对照相机说明书获得。角度∮和距离z可通过测量h和d获得。

4 试验与结果

在一块田间只需依托人识别的联合机械除草，另一块田间机械上安装计算机视觉识别，在两块田间中验证除草机的识别除草效果，选择4个杂草生长密度相似的行间进行除草试验，使用流线型刀头，田间的行间为0.5m，长度为10m。除草刀头行进速度分布设置为0.5、1、1.5、2m/s，通过除草率和伤苗率来评价变量调整除草的准确性。

5 结  论

1）计算机识别模块对田间单张图像的处理时间为170ms，联合除草机最佳的作业速度为1m/s和1.5m/s，具有较高的除草效果和工作效率，在田间生产中有应用潜力。

参考文献：

[1] Burks T F，Shearer S A，Payne F A.Classification of weed species using color texture features and discriminant analysis.[J].Transactions of the Asae，2000，43（2）：441-448.

[2] Eddy P，Heckenberg R，Wertheim E H，et al.A systematic review and meta-analysis of the effort-reward imbalance model of workplace stress with indicators of immune function.[J].Journal of Psychosomatic Research，2016，91：1-8.

[3] Inacio H.Yano，Jose R.Aloes，Wesley E.Santiago，Barbara J.T.Mederos.Identification of weeds in sugarcane fields through images taken by UAV and Random Forest classifier[J].IFAC PapersOnLine，2016，49（16）：415-420.

[4] 马兆敏，黄玲，胡波，等.基于神经网络的杂草图像分割算法[J].计算机工程与应用，2009，45（24）：216-218.

[5] Tellaeche A，Pajares C} Burgos-Artizzu X P，et al.A computer vision approach for weeds identification through Support Vector Machines}J}.Applied Soft Computing，2011，11（1）：908-915.

[6] 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.

[7] 袁海波，史岩，梁安波，等.基于神经网络的杂草识别试验研究[J].机电工程，2008，25（4）：28-30.

[8] Geng X，Lu S，Jiang M，et al.Research on FBG-Based CFRP Structural Damage Identification Using BP Neural Network[J].Photonic Sensors，2018（11–12）：1-8.

[9] 颜秉忠.机器视觉技术在玉米苗期杂草识别中的应用[J].农机化研究，2018，40（3）：212-216.

基金项目：

农业物联网模型检测技术研究，基金编号：SXYBKY201721

作者简介：

关鹏（1994-），男，山西朔州人，山西农业大学硕士生。

（作者单位：山西农业大学信息科学与工程学院）