基于机器视觉杂草识别研究
2019-09-10关鹏邓学峰杨健琪
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)