快速傅里叶变换结合SVM算法识别地表玉米秸秆覆盖率

李 佳，吕程序，苑严伟，李亚硕，伟利国，秦秋生

快速傅里叶变换结合SVM算法识别地表玉米秸秆覆盖率

李 佳，吕程序，苑严伟※，李亚硕，伟利国，秦秋生

（中国农业机械化科学研究院，北京 100083）

针对田间环境复杂、秸秆形态多样、秸秆覆盖率判断主观性影响过大、补贴面积测量耗时耗力等问题，该文开展了秸秆覆盖率自动识别方法研究和监测设备研制。首先，提出利用时频变换进行秸秆识别，设计高通滤波器提取了图像的频域特征进行自适应分割。基于集成分类器利用已有的秸秆识别数据训练支持向量机分类器，对秸秆图像进行再识别和筛选。最后，设计多尺度占比滤波器，对识别图像中的噪声和空洞进行修补，生成适应多种情况的秸秆覆盖率识别算法。与北斗定位模块、无线通讯模块、摄像头、传感器、服务器等设备共同组成秸秆覆盖率识别系统。试验结果表明，设备的秸秆覆盖率识别误差为4.55%，平均单张图像耗时0.05 s。研究结果满足保护性耕作中的自动化监测要求，可为保护性耕作作业质量评测提供有效的技术支持。

秸秆；自动识别；快速傅里叶变换；支持向量机；多尺度占比滤波

0 引 言

中国是农业大国，秸秆作为农业生产的副产物，产量巨大，据估算2015年全国秸秆总量高达10.2亿t，其中玉米秸秆产量最大，约2.9亿t[1]。现阶段在秸秆的处理过程中，主要以焚烧方式为主，严重影响着大气环境、存在火灾隐患。秸秆还田具有够改善土壤质量，减缓土壤中碳元素的流失、维持农田肥力，提高陆地土壤碳汇能力等优点[2]。为了鼓励农民有效的秸秆还田操作，国家对部分地区进行了秸秆还田补贴。秸秆覆盖率是保护性耕作技术指标，是秸秆还田补贴的重要依据，因此准确高效的秸秆覆盖率监测对于推进智能农业和保护性耕作具有重要作用[3-5]。为了研发一种商业化秸秆覆盖率监测设备，本文对玉米秸秆覆盖率自动识别方法和设备进行研究。

目前，地表秸秆覆盖率主要通过拉绳、目测、采样、仪器、模型等人工法测量，测得的数据受人为因素影响大、误差大、作业效率低、劳动强度大[6]。图像法成本低且效率高，成为了秸秆监测的热门研究方向和手段，它的飞速发展为地表秸秆覆盖率自动测量提供了可能。Daughtry等[7]根据不同秸秆光谱反射率特性进行研究，能够对秸秆和地表进行区分，但利用卫星高光谱系统成本较高。Jafari等[8]将图像转换不同色域进行秸秆识别，误差可到2.3%，但该方法易受摄像角度和摄像环境的干扰，复杂场景下误差较大。王昌昆[9]基于室内光谱以及卫星遥感影像对9种常用光谱指数的秸秆覆盖率估算能力进行了研究，但遥感图像尺度较大，尚无法成为秸秆还田补贴依据。苏艳波等[10]利用摄像头获取图像，将图像进行对数变换后进行直方图处理，采用最大类间方差法自动选取阈值，该方法提取目标时易丢失细碎秸秆，抗环境干扰能力不足。李洪文等[11]将纹理特征的熵值结合反向传播神经网络，进行秸秆覆盖率检测，该方法运算为矩阵运算，对于硬件设备的计算力消耗较大[12]，无法满足商业化检测要求。目前基于图像的秸秆覆盖率识别研究多针对秸秆纹理清晰、特征明显的情况，但真实田间环境复杂，地表颜色差异大，土块、沟壑、阴影等因素影响识别，秸秆形状、大小和姿态各异，细碎秸秆难以精准辨别。本文针对复杂环境中玉米秸秆识别问题，建立一种能够对光照、土块、车辙、阴影等多种环境干扰具有一定抵抗力的普适识别方法。

图像中获取的秸秆多为高频数据，快速傅里叶变换（fast Fourier transformation，FFT）恰好善于提取数据中的高频/低频部分。而机器学习能够从大量历史数据中挖掘其隐含规律，使学习到的函数更好的适用于“新样本”，对预测或者分类问题都表现出较高的泛化能力。故本文利用FFT进行图像前期处理，再利用机器学习方法建立具有较高鲁棒性的识别模型进行地表玉米秸秆覆盖率识别。同时，为了满足商业化秸秆识别要求，设计算法不宜太过复杂和耗时过长。根据监测要求，设备每5 min上传1张图片，同一时间有200台设备工作，则单张图片的处理时间不能超过1.5 s。

针对上述问题，本文提出了一种融合快速傅里叶变换和支持向量机（support vector machine, SVM）的秸秆覆盖率自动识别方法。由于SVM 的最终决策函数只由少数的支持向量确定，其计算的复杂性取决于支持向量的数目，而不是样本空间的维数，一定程度上避免了“维数灾难”，更适合解决高维问题。通过FFT（fast Fourier transformation）及IFFT（inverse fast Fourier transformation）进行图像频域特征的处理，并基于颜色特征训练最优SVM分类器对图像进行再识别，设计多尺度占比滤波器对识别图像进行微调。同时开发了相应的秸秆覆盖监测设备并进行田间试验验证。

1 秸秆自动识别算法

FFT是一种快速计算离散傅里叶变换的算法，可区分图像中表征图像轮廓的高频信号和表征图像内容的低频信号[13-15]。高低频信号有利于提取图像的轮廓信息，有利于提高形态破碎、大小不一的秸秆类目标的识别率。

SVM是一种监督式学习方法[16]。对于非线性问题，SVM通过不同的核函数将线性不可分的数据映射到高维空间，转换为线性可分数据[17-18]。在高维空间建立一个最大间隔超平面，分开数据超平面的两边建立2个互相平行的超平面，使2个平行超平面的距离最大化[19]。SVM对复杂背景下的目标识别具有较高的区分能力，可用于环境复杂的田间地表秸秆识别。

研究表明，单分类器对目标识别有局限性，而集成决策有助于提升识别效率[20]。本文利用集成分类的上述特性，设计了融合FFT和SVM的秸秆覆盖率识别算法。

融合FFT和SVM识别算法分为3个模块，包括：训练SVM分类器、秸秆一次识别和秸秆二次识别。在训练SVM分类器模块中，利用秸秆覆盖原图，分别截取秸秆图和非秸秆图像作为训练数据的正负样本。将其进行多参数族训练，并获得最优SVM分类模型。在秸秆一次识别模块中，将秸秆覆盖原图分别进行FFT处理、高通滤波、IFFT处理、归一化处理和自适应阈值分割后，获得秸秆一次识别图。在秸秆二次识别模块中，将获得的秸秆一次识别图进行SVM分类器再识别。同时，为了获得更准确的秸秆覆盖识别图，提出了一种多尺度占比滤波，将再识别图中的噪声和空洞分别进行剔除和修补，最终获得秸秆识别图

1.1 SVM分类器的训练

图1 不同样本大小和核函数下最佳参数组合的ROC曲线族

1.2 基于FFT的秸秆一次识别

1.2.1 高通滤波器设计

假设图像(,)分辨率为×，进行FFT变换之后可得频谱图像[23](,)。本文设计了3种滤波核：方形滤波核、圆形滤波核和菱形滤波核。滤波核的表示如下：

式中H，H，H分别为方形滤波核、圆形滤波核和菱形滤波核。0表示通带半径。,分别为图像高度和宽度，,为傅里叶变换后像素行列位置。则高通滤波可表示为

1.2.2 归一化处理

(,)为滤波之后的频域图像，通过IFFT处理可以将频域图像重新变换到时域图像[24-25](,)。对(,)进行像素归一化处理，使像素值所在区间为[0,1]。其归一化方法如公式（7）所示，min()为中的像素最小值，max()为中的像素最大值，(,)为归一化结果。

1.2.3 自适应阈值选择

为了获得秸秆一次识别图，将归一化处理后的图像(,)进行自适应阈值分割处理。图2a为(,)直方图分布。从图中可以看出，图像大部分像素值集中在低像素值区域，即地表区域。算法期望选择合适的阈值，能够在前期处理中最大程度保留秸秆像素，剔除大部分非秸秆像素。对于误保留的非秸秆点，可通过再识别进行剔除。

本文利用积分方法寻找合适的阈值对地表和秸秆进行分割，并将积分比命名为能量比。假设为候选阈值，()为能量比，其计算方法如下：

其中hist为直方图分布序列，n为直方图总离散区间数量。图2b为直方图能量比变化图。从图中可以看出，后半段能量比基本不变，与直方图的分布状态相吻合。

为了选择合适的分割阈值，从本地数据库中随机选择400张秸秆覆盖图像。根据能量比变化趋势，分别选择0.6，0.65，0.7，0.75，0.8，0.85，0.9作为阈值。将分割结果与计算机标注结果比对从而获得像素平均保留率。（非）秸秆平均保留率为识别结果中真实（非）秸秆像素数占总（非）秸秆像素数的平均比例。表1为不同阈值下（非）像素平均保留率试验结果。从表中可以看出，随着阈值增加，非秸秆像素平均保留率逐渐增加，而秸秆像素平均保留率逐渐下降。综合比较秸秆像素平均保留率和非秸秆像素平均保留率，选定()=0.8为阈值。该阈值可在最大程度不损失秸秆像素点的情况下，剔除大部分非秸秆像素点。

表1 不同阈值试验结果

将所得的归一化结果图进行阈值分割之后可得秸秆一次识别图(,)，如式（9）所示，0为分割阈值对应的归一化像素值。

1.3 基于SVM的秸秆二次识别

1.3.1 SVM分类器再识别

基于秸秆一次识别图，利用SVM分类器对地表秸秆覆盖图进行秸秆二次识别。在二次识别中，以秸秆一次识别图(,)为蒙版，利用训练所得的分类器对(,)值为1的像素点进行逐像素再识别。如图3所示，提取秸秆原图(,)中以待识别像素为中心，11×11大小的3通道彩色候选区域作为特征向量fature输入SVM分类器进行判断。若判断为秸秆则保留该像素，若判断为非秸秆则删除该像素。最终获得秸秆二次识别图(,)。其计算方法如式（10）所示。

1.3.2 多尺度占比滤波

为了获得最终的秸秆覆盖识别图，需要在秸秆二次识别的基础上，对识别结果进行处理。传统的图像腐蚀膨胀算法是对所有像素点进行处理，而未考虑其可信度，因此容易出现误处理情况（包括腐蚀掉了应保留的区域，或者膨胀了应去除的噪声区域）。针对上述问题，本文基于图像金字塔思想[26]，设计了一种多尺度占比滤波器。

根据文献[26]，算法设计了7×7和3×3两种尺度的滤波核，其计算如式（11）所示，为识别图与滤波核对应的位置向量，()为秸秆二次识别图在位置处的像素值，为比例阈值，为滤波尺度。

值的大小表征了该部分为秸秆区域的置信度。将该问题等价为二分类概率决策问题，则置信度大于等于0.5可认定为秸秆区域，小于0.5可认定为非秸秆区域，故本文=0.5。通过判断滤波核中被识别为秸秆的像素点占整个滤波核的比例，对待滤波区域进行处理。先将秸秆二次识别图进行7×7大尺度占比滤波，滤除小面积噪点；再进行3×3小尺度滤波，意在填充秸秆像素之间的空隙，使识别更加准确。

对于分辨率为×的图像，其秸秆覆盖率是识别为秸秆的像素点（即(,)=1）总数与图像总像素数之比，即

列出增量现金流量表，通过财务评价分析计算，本项目财务内部收益率为7.5%，大于基准收益率7%；财务净现值 532万元，说明本改造项目财务评价可行，经济效益显著。

2 秸秆覆盖监测设备

远程秸秆覆盖监测设备由移动端和硬件设备组成。硬件设备和移动端通过云网络连接，实现远程监测，如图4所示。

2.1 硬件设备

硬件设备主要包括主机、摄像头、传感器、定位天线、远程通讯等部分组成。定位模块采用ATK1218-BD模组，精度达2.5 m。定位模块与通信模块采用高增益双模定位，定位天线与远程通讯设备配合，通过北斗定位系统获取本机坐标信息。摄像头选用YB-DB015A车载相机。前置摄像头用来获取机器前方秸秆图像信息，后置摄像头用来获取机器工作图像。传感器与主机均为自主研发设备。传感器用来监测机具工作状态等其他参数信息。主机将获取的所有信息进行融合和打包，通过4G高速通讯模块上传至云端服务器，进而进行秸秆覆盖率计算。12V（或24V）蓄电池为整个硬件系统提供电力保证。

图4 秸秆覆盖监测设备组成图

根据设备安装要求，设备主机放置在驾驶室内，方便驾驶员实时监控。电源线、摄像头、传感器、定位天线和远程通讯天线均与主机通过线缆连接。GPS/BD定位模块平放在拖拉机顶部的中心位置，保证无遮挡。远程通信天线放置在拖拉机驾驶室内。传感器固定在打捆机打捆针U形架上。摄像头水平向下倾斜约60°，安装在驾驶室车顶正前方，设备安装如图5所示。

图5 监测设备安装示意图

2.2 移动端

移动端包括手机端和电脑端。试验数据的获取与处理基于移动端数据平台。秸秆监测设备利用北斗/GPS卫星定位系统，采用5模13频4G高速通讯方式，利用数据断点续传，在弱信号或者信号丢失的情况下进行本地数据缓存，当信号恢复时继续数据传输。将摄像头采集的图像数据、卫星定位数据及其他传感器数据打包，传输到云监管平台。云平台对获得的数据进行解包并对图像数据进行编码和本地数据存储。

3 试验验证

3.1 试验方法

从数据库中随机抽取1000张图像作为试验数据，图像大小为320×240，利用计算机标记图像秸秆区域得到的覆盖率作为标签覆盖值。如图6所示。

图6 计算机标注示意图

3.2 通带半径的选择

注：D0为通带半径。

从图7中可以看出，阴影对滤波有较大影响。这是由于阴影边缘属于高频信息，在高通滤波变换中不能完全除尽。通带半径的选择原则是最大程度消除干扰的影响下，保留更多的秸秆像素点。根据试验结果，当0=8时，阴影对FFT处理效果影响较大，对于后面的SVM模型容易产生误识别；当0=32时，虽然减少了阴影的影响，但秸秆的纹理细节损失较为严重；当0=16时，能最大程度减少阴影的影响并保留秸秆细节特征，故采用16为通带半径。

3.3 滤波核的选择

为了使高通滤波在最短时间内最大程度提取目标区域，算法设计了3种滤波核：方形滤波核、圆形滤波核和菱形滤波核。为了选取合适的滤波核进行高通滤波，对相同图片分别采用不同滤波核进行处理。从1 000张数据中随机选择330张进行滤波核选择测试。对每张图像高通滤波处理耗时和最终秸秆覆盖率误差进行统计分析。其绝对误差平均值与平均耗时如表2所示。

表2 不同滤波核处理性能表现

从表2中可以看出，采用方形滤波核的处理速度最快，仅用0.006s，圆形滤波核的计算复杂度较高，耗时最长，平均为0.055s。菱形与方形滤波核的处理精度相差无几，圆形滤波核误差微高，平均4.90%。综合速度与精度表现，算法采用方形滤波核作为高通滤波的滤波模板。

3.4 秸秆覆盖识别试验

田间环境复杂，光照强度、车辙、垄沟、土块和阴影均会影响秸秆的识别效果。将本文提出的算法在采集的数据集中进行试验验证，其部分效果图如图8所示。

从图8中可以看出，在不同光照强度和有阴影的干扰下，算法都能较好地识别秸秆。这是因为区别于仅基于颜色或形状特征的识别方法，本文算法是基于图像频域特征，对光照和阴影带来的颜色干扰不敏感，有较强的鲁棒性。在垄沟、车辙和土块的干扰下，本文算法仍能正确识别秸秆。这是因为区别于单分类器识别方法，本文算法采用集成决策的思想，在一次识别后进行了二次识别。尽管垄沟和车辙有可能在高频滤波和自适应分割后被误认为秸秆，但本文训练的基于颜色特征的SVM分类器在二次识别中将上述干扰剔除，使整个算法依然能准确识别秸秆。

将图8中不同干扰下秸秆覆盖识别结果与计算机标注的标签值进行对比，其结果如表3所示。从表中可以看出，光照和车辙影响的样本1误差相对较大，这是因为强光照和机械抖动影响了图像成像质量，其他测试样本的识别结果与标签值误差均小于5%。

综上所述，本文提出的算法结合频域特征与颜色特征，对各种环境干扰有较强的鲁棒性，且对不同形态秸秆都有较高的识别能力。

3.5 秸秆覆盖率识别对比

将本文提出的方法与人工拉绳法、文献[10]提出的自动阈值法和文献[11]提出的人工神经网络法从速度和精度两方面进行秸秆识别性能比较。人工拉绳法采用行列分别均匀拉绳5次，以覆盖秸秆的交点数占交点总数的百分比作为秸秆覆盖率。人工神经网络法采用单隐藏层，输入层采用角二阶矩、惯性矩、相关系数和逆差矩作为5种输入特征。自动阈值法通过最大类间方差确定分割阈值。

表3 不同干扰下秸秆覆盖率识别结果

选用数据集中剩余670张图像作为测试集。对每张图像分别利用自动阈值法、神经网络法和本文提出的方法进行秸秆覆盖率计算，对相应地块进行人工拉绳测量，并统计计算时间。将上述所有方法的结果与计算机标注结果分别进行比较，取对应覆盖率的差值绝对值为误差值。试验结果如表4所示。从表4中可以看出，人工法的平均误差最大，且平均耗时最长，单张地块平均耗时72 s。基于图像的计算方法明显优于人工拉绳法。而基于图像的方法中，基于FFT与SVM的算法平均误差最低且耗时最短，基于人工神经网络的方法虽然精度也较高，但平均耗时较长，单张图片耗时为8 s，难以满足前文所述的商业化秸秆覆盖率计算要求。综合各指标，本文提出的基于融合FFT和SVM的秸秆覆盖率识别方法表现突出，性能较高。

表4 秸秆覆盖率计算方法性能比较

4 结 论

本文对玉米秸秆覆盖率自动识别算法和设备进行了研究。提出了利用时频域变换来快速提取秸秆信息的新思路，并基于集成决策的思想，设计了融合FFT和SVM的集成识别模型。在秸秆识别中，分别设计了自适应能量比分割方法和基于置信度的金字塔滤波的识别校正方法，实现了对真实地表秸秆覆盖率的快速识别。同时，基于云服务平台开发了一套秸秆覆盖监测设备。

试验表明，融合快速傅里叶变换和支持向量机的秸秆覆盖率自动识别方法识别平均误差为4.55%，平均单张图像耗时0.05 s，对光照、垄沟、车辙、阴影和土块等干扰有较好的鲁棒性和识别度，具有较高的研究价值和应用前景。

[1] 王亚静，王飞，石祖梁，等.基于农业供给侧结构性改革背景的秸秆资源与利用研究[J]. 中国农业资源与区划，2017，38(6)：13－20.

Wang Yajing, Wang Fei, Shi Zuliang, et al. Straw resources and its utilization in China from the perspective of agricultural supply-side structural reform[J].Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(6): 13－20. (in Chinese with English abstract)

[2] 陈丽鹃，周冀衡，陈闺，等. 秸秆还田对作物土传病害的影响及作用机制研究进展[J]. 作物研究，2018，32(6)：535－540.

Chen Lijuan, Zhou Jiheng, Chen Gui, et al. Research progress of influence and mechanism of field straw residue incorporation on soil-borne diseases in crops[J]. Crop Research, 2018, 32(6): 535－540. (in Chinese with English abstract)

[3] 李志婷，王昌昆，潘贤章，等. 基于模拟Landsat-8 OLI数据的小麦秸秆覆盖度估算[J]. 农业工程学报，2016，32(增刊1)：145－152.

Li Zhiting, Wang Changkun, Pan Xianzhang, et al. Estimation of wheat residue cover using simulated Landsat-8 OLI datas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(Supp.1): 145－152. (in Chinese with English abstract)

[4] 王金武，唐汉，王金峰. 东北地区作物秸秆资源综合利用现状与发展分析[J]. 农业机械学报，2017，48(5)：1－21.

Wang Jinwu, Tang Han, Wang Jinfeng. Comprehensive utilization status and development analysis of crop straw resource in northeast China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(5): 1－21. (in Chinese with English abstract)

[5] 闫宗正，陈素英，张喜英，等. 秸秆覆盖时间和覆盖量对冬小麦田温度效应及地上地下生长的影响[J]. 中国生态农业学报，2017，25(12)：1779－1791.

Yan Zongzheng, Chen Suying, Zhang Xiying, et al. Effects of amount and time of straw mulching on soil temperature, root growth and yield of winter wheat[J]. Chinese Journal of Eco-Agriculture, 2017, 25(12): 1779－1791. (in Chinese with English abstract)

[6] 王丽丽，徐岚俊，魏舒，等. 基于Sauvola与Otsu算法的秸秆覆盖率图像检测方法[J]. 农业工程，2017，7(4)：29－35.

Wang Lili, Xu Lanjun, Wei Shu, et al. Straw coverage detection method based on sauvola and otsu segmentation algorithm[J]. Agricultural Engineering, 2017, 7(4): 29－35. (in Chinese with English abstract)

[7] Daughtry C S T, Hunt Jr E R, Mcmurtrey III J E. Assessing crop residue cover using shortwave infrared reflectance[J]. Remote Sensing of Environment, 2004, 90(1): 126－134.

[8] Jafari, Asadi V, Rasekhi R, et al. Precise measurement of residue cover by means of image processing techniques[C]// International Conference on Agricultural Engineering Ageng, 1995.

[9] 王昌昆. 秸秆覆盖度遥感估算及其水分影响校正研究[D].北京：中国科学院大学，2013.

Wang Changkun. Remote Sensing Estimation of Straw Coverage and Its Water Impact Correction[D]. Beijing: University of Chinese Academy of Sciences, 2013. (in Chinese with English abstract)

[10] 苏艳波，张东远，李洪文，等. 基于自动取阈分割算法的秸秆覆盖率检测系统[J]. 农机化研究，2012，34(8)：138－142.

Su Yanbo, Zhang Dongyuan, Li Hongwen, et al. Measuring system for residue cover rate based on automation threshold[J]. Journal of Agricultural Mechanization Research, 2012, 34(8): 138－142. (in Chinese with English abstract)

[11] 李洪文，李慧，何进，等. 基于人工神经网络的田间秸秆覆盖率检测系统[J]. 农业机械学报，2009，40(6)：58－62.

Li Hongwen, Li Hui, He Jin, et al. Measuring system for residue cover rate in field based on BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(6): 58－62. (in Chinese with English abstract)

[12] Li J, Cheng J, Shi J, et al. Brief introduction of back propagation (BP) neural network algorithm and its improvement[M]//Advances in computer science and information engineering, Springer, Berlin, Heidelberg, 2012.

[13] Dillenseger J L, Esneault S. Fast FFT-based bioheat transfer equation computation[J]. Computers in Biology and Medicine, 2010, 40(2): 119－123.

[14] Kristy F Tiampo, Henning Rasmussen,Dawit Assefa, et al. Local quaternion fourier transform and color image texture analysis[J]. Signal Processing: The Official Publication of the European Association for Signal Processing (EURASIP), 2010, 90(6): 1825－1835.

[15] Rao K R, Yip P. Discrete cosine transform: Algorithms, advantages, applications[M]. Academic Press, 2014.

[16] Scholkopf B, Smola A J. Learning with kernels: Support vector machines, regularization, optimization, and beyond[M]. MIT press, 2001.

[17] Islam M, Dinh A, Wahid K, et al. Detection of potato diseases using image segmentation and multiclass support vector machine[C]//2017 IEEE 30th canadian conference on electrical and computer engineering (CCECE). IEEE, 2017: 1－4.

[18] Zhang Yudong, Dong Zhengchao, Liu Aijun, et al. Magnetic resonance brain image classification via stationary wavelet transform and generalized eigenvalue proximal support vector machine[J]. Journal of Medical Imaging and Health Informatics, 2015, 5(7): 1395－1403.

[19] 时永刚，程坤，刘志文. 结合深度学习和支持向量机的海马子区图像分割[J]. 中国图象图形学报，2018，23(4)：542－551.

Shi Yonggang, Cheng Kun, Liu Zhiwen. Segmentation of hippocampal subfields by using deep learning and support vector machine[J]. Journal of Image and Graphics, 2018, 23(4): 542－551. (in Chinese with English abstract)

[20] 许良凤，徐小兵，胡敏，等. 基于多分类器融合的玉米叶部病害识别[J]. 农业工程学报，2015，31(14)：194－201.

Xu Liangfeng, Xu Xiaobing, Hu Min, et al. Corn leaf disease identification based on multiple classifiers fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(14): 194－201. (in Chinese with English abstract)

[21] Zhang Ziming, Torr Philip H S. Object proposal generation using two-stage cascade SVMs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(1): 102－115.

[22] Kanimozhi T, Latha K. An integrated approach to region based image retrieval using firefly algorithm and support vector machine[J]. Neurocomputing, 2015, 151: 1099－1111.

[23] Rajneesh Bansal, Won Suk Lee, Saumya Satish. Green citrus detection using fast Fourier transform (FFT) leakage[J]. Precision Agriculture, 2013, 14(1): 59－70.

[24] Naidu VPS. Multi-resolution image fusion by FFT[C]//2011 International Conference on Image Information Processing, 2011: 1－6.

[25] 周传刚，谭学元. 基于机器视觉的离散傅里叶变换目标识别方法[J]. 光学技术，2006，32(z1)：212－214，217.

Zhou Chuangang, Tan Xueyuan. Identifying image methods based on machine vision and DFT[J]. Optical Technique, 2006, 32(z1): 212-214, 217. (in Chinese with English abstract)

[26] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 2117－2125.

Automatic recognition of corn straw coverage based on fast Fourier transform and SVM

Li Jia, Lü Chengxu, Yuan Yanwei※, Li Yashuo, Wei Liguo, Qin Qiusheng

(,100083)

The crop residues auto-detection is an important technology for intelligent agriculture. However, the farmland condition is complicated that it’s difficult to detect the crop residues and calculate its coverage. The field is always unevenly distributed with clays and gullies, besides that, the crop residues have various shapes and sizes. Those variables affect the detection accuracy. The research shows that FFT (fast Fourier transformation) can distinguish both the high frequency and low frequency signals in the image. The high frequency signals characterize the outline of the image and the low frequency signals characterize the content of the image. The crop residues belong to high frequency information exactly. Meanwhile, SVM (support vector machine) has a high distinguishing ability for target recognition in complex backgrounds. It maps linearly indivisible data to high dimensional space through different kernel functions and converts it into linearly separable data. It establishes a maximum interval hyperplane in high dimensional space and two mutually parallel hyperplanes on both sides of the data hyperplane. On the basis above, this paper proposed a novel fusion algorithm for crop residues auto-detection with Fast Fourier Transformation (FFT) and Support Vector Machine (SVM). We also designed and realized an intelligent monitoring equipment for crop coverage auto-detection which consists camera, embedded board, location module, communication module and other sensors through 4G cloud network. In order to detect residues, we extracted the high frequency information (residues region) by designing high pass filter after FFT with different kernels. We tested three different filter kernels including square, circle and diamond filter with three shapes. The results of the experiments indicated that the square filter with size 11×11 was the best choice considering speed and accuracy. Then, an adaptive threshold segmentation method was put forward to process the normalization image we obtained. The threshold was set by calculate the energy score we defined based on the idea of integral. The experiments showed that 0.8 was the best threshold choice for our algorithm. It can preserve the most crop region and remove the un-crop region as much as possible. We used the segmentation result as the detection mask for the next step. On the other hand, we trained a SVM classifier using our database with different input sizes and kernels and selected the parameter group with best performance as final choice. The classifier was utilized to re-classify the adaptive threshold segmentation result. Finally, we found that the traditional image erosion and dilation algorithm treated all pixels without considering its credibility. So it was prone to misprocessing (including etching away areas that should be preserved, or expanding the noise area that should be removed). To avoid this misprocessing, we raised a multi-scale filter to erase noises and fill tiny holes which was similar to image pyramid. There were two filters with size 3×3 and 7×7. The bigger one was to filter the image noise with tinny size and the smaller one was to expand the residues region with holes. We benchmarked the algorithm on our database and the results indicated that our method was state of the art. The error was about 4.55% and it just used 0.05 s.

crops; automatic recognition; fast Fourier transform; support vector machine; multi-scale filter

10.11975/j.issn.1002-6819.2019.20.024

S126

A

1002-6819(2019)-20-0194-08

李 佳，吕程序，苑严伟，李亚硕，伟利国，秦秋生. 快速傅里叶变换结合SVM算法识别地表玉米秸秆覆盖率[J]. 农业工程学报，2019，35(20)：194－201.doi：10.11975/j.issn.1002-6819.2019.20.024 http://www.tcsae.org

Li Jia, Lü Chengxu, Yuan Yanwei, Li Yashuo, Wei Liguo, Qin Qiusheng. Automatic recognition of corn straw coverage based on fast Fourier transform and SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(20): 194－201. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.20.024 http://www.tcsae.org

2019-06-25

2019-08-24

江苏省现代农业装备与技术协同创新中心开放基金（4091600016）；国家重点研发计划（2017YFD0700601；2018YFF0213603）

李 佳，主要从事计算机视觉研究。Email：lijia677@sina.com

苑严伟，研究员，博士生导师，主要从事农机智能化技术研究。Email:yyw215@163.com

中国农业工程学会会员：苑严伟（E040100027M）