自动对靶精准施药机研究—基于图像边缘检测和目标识别

廖启明

(郑州澍青医学高等专科学校，郑州 450064)

0 引言

果园管理的首要任务是消除病虫害，果树在一年的生长周期内要喷药8～15次，传统的喷药方式是大面积的喷药，不仅造成了农药的浪费，提高了农药成本，对环境造成了负担，喷药效果也不理想，大大降低了喷药作业的效率和实际的着药量。精确对靶施药平台可以根据施药目标的具体方位和设定施药量的阈值，进行准确与精量的施药作业，其技术难点在于施药目标具体位置信息的检测和识别。随着计算机技术的飞速发展，机器视觉被应用到各个领域，在农业方面，通过计算机图像处理已经可以识别到作物的特征信息，将其使用在自动对靶施药平台中，可以为自动对靶控制系统提供重要的作物位置信息，为准确和精量施药提供重要的信息数据。

1 自动对靶精准施药平台作业原理和系统构成

自动精准对靶施药平台和传统的施药机械类似，被安装在农用拖拉机车载平台上，并通过拖拉机的牵引动力在农作物的两侧自动行进；在行进的过程中，通过搭载在平台上的PC处理器获取环境和施药目标的图像信息，图像通过传感器进行采集；当传感器采集到果树的全局范围信息时，通过激光测距来判断距离农作物的长度。其过程如图1所示。

图1 施药平台作业过程示意图

在施药平台通过PC图像处理器获得树木大体方位信息后，利用激光测距方法测试其距离果树的距离；当距离较近时，信息反馈到主控单元，发出停车信号，然后利用计算机图像处理计算识别具体的果树果实和枝叶的目标信息，其原理和系统构成如图2所示。自动对靶施药平台主要由3部分构成，包括对靶图像检测与识别处理器、自动对靶控制系统和施药执行末端。当距离施药目标较近停车后，对靶图像处理系统可以采集到施药目标的图像，并通过坐标转换与图像处理计算得到施药目标的具体方位；将信息传递给自动对靶控制系统后，施药执行末端开始施药；当施药量达到限定值后，停止施药，移动到下一目标。

图2 自动对靶施药平台原理和系统构成

2 基于图像边缘检测和识别的自动对靶系统

随着计算机应用的普及，数字图像被广泛的应用于各个领域。数字图像最核心的技术之一便是图像边缘检测和识别算法，边缘是数字图像的基本特征，包含了图像的重要信息，因此对边缘的检测和识别非常重要。本次采用该技术拟对果园果树的果实和枝叶等信息进行准确的识别，以达到精确对靶的目的。图像的边缘在数字灰度图像中是两个灰度明显不同的交界线，利用图像边缘可以对图像进行分割，进而识别图像的有效信息，图像的边缘模型如图3所示。

(a) 理想边缘模型 (b) 斜坡边缘

图3(a)表示理想的图像边缘，每个像素都处在灰度级跃变的一个垂直的台阶上，但在实际进行图像采集时，受到采集条件的限制无法得到理想的图像，图像边缘往往是模糊的，因此图像边缘被描述为图3(b)所示的斜坡边缘剖面。图像的局部边缘是灰度级明显不同的两个区域的过渡，在过渡边界上，灰度变化速率存在最大值，目前边缘检测算法常用的方法是微分方法，图像函数f(x,y)在点(x,y)的梯度是一个矢量，即

(1)

mag(f)

(2)

方向角为

(3)

根据这种原理，人们提出了很多边缘检测的算法，包括Roberts算子、Sobel算子和Log算子等。其中，Log 算法是基于二阶导数的边缘检测算法，准确程度和精度较高，因此选用Log 算法。在进行边缘检测时，首先需要对图像进行滤波，Log算法采用高斯函数进行滤波，滤波完成后对图像进行二阶求导，然后利用旋转对称的Log模板与图像做卷积，确定滤波器输出的零交叉位置。其中，高斯型函数形式为

h(r)=-e-(r2/2σ2),r2=x2+y2

(4)

其中，σ表示标准差。h的拉普拉斯算子为

(5)

这便是Log算子，一般常用的是5×5的算子模板，如图4所示。

图4 5×5算子模板

在使用Log算法进行图像边缘检测时，图像要与高斯滤波器进行卷积，在进行卷积时实现图像的平滑作用，也降低了图像的干扰噪声，且较为明显的孤立噪声将被直接滤除掉。其特点是图像首先与高斯滤波器进行卷积，这样在平滑图像的同时降低了噪声，孤立的点噪声和较小的结构组织将被滤除。一般来说，边缘检测主要分为4个步骤，本次精准对靶施药机在进行图像边缘检测和识别时也主要是4个步骤：

1)滤波。滤波是边缘检测时的一个重要步骤，因为在进行边缘检测时要进行一阶和二阶求导，用以对图像进行增强。由于导数对噪声的敏感度比较高，所以在边缘检测前必须进行滤波。

2)增强。图像增强可以使边缘的灰度变化更加凸出，从而有助于图像的边缘检测。

3)检测。根据图像梯度的阈值，采用相应的算法确定图像的边缘，如Log算法。

4)定位。边缘检测完成后，要得到图像中的目标信息，还要根据边缘位置对目标进行定位。

基于以上步骤可以实现精准对靶施药平台的喷药目标位置的检测和识别，具体流程如图5所示。

图5 施药平台施药目标位置检测和识别流程

为了提高施药平台的自主化作业能力，在进行施药目标检测前可以对全局的果树位置进行定位，当到达果树位置时，再对果树的果实和枝叶位置进行定位；然后，通过对图像的滤波和边缘检测的等处理，识别果实和枝叶的位置，对准果实和枝叶进行精准的施药动作，从而提高施药的准确性和作业效率，进而提高着药率。

3 自动对靶精准施药平台实验研究

为了验证基于计算图像边缘检测和智能识别算法的自动对靶施药系统的可行性，对平台的靶标识别的准确性进行了实验验证，并对施药的实际着药量进行统计，以验证平台的可靠性。

图6为本次实验采用的精准对靶施药平台，该平台通过在普通施药机上搭载PC处理器改造而成。为保证实验的顺利进行，选择了地势平坦的果园作为实验区，首先对苹果和枝叶的图像进行捕捉，如图7所示。

为了验证施药平台图像处理系统对环境的适应能力，选择在光线较暗的条件下采集了苹果树的果实和枝叶，并利用PC图像处理系统对其边缘进行了检测，得到了如图8所示的结果。

图6 自动对靶施药平台实验

图7 苹果果实和枝叶图像捕捉

图8 边缘检测初步结果

通过初步的边缘检测，得到了果实和枝叶的大体位置，从而验证了图像处理系统的可靠性，对图像的果实做进一步的边缘检测和目标识别，其结果如图9所示。

图9 果实识别图像

通过对图像的果实进一步图像处理后，得到了果实的明显边缘位置，可以利用边缘位置的坐标和坐标系的转换得到果实的具体位置，为施药平台提供准确的施药目标方位。

如表1所示，分别对传统方法的实际着药量和成本进行了统计。为了使实验数据更加可靠，采用了笔直型和弯曲型两种类型的果树，分别得到了实际的着药量和所需成本。

表1 传统施药方法实际着药量和成本测试

由自动对靶精准施药平台实际着药量和成本测试结果表明(见表2)，相比传统施药方法，该施药平台的着药率有了明显的提高，降低了施药成本，从而验证了该方案的可行性。

表2 自动对靶精准施药平台实际着药量和成本测试

4 结论

为了提高施药的准确性和精量性，将计算机图像处理的边缘检测与目标图像识别技术引入到了施药控制系统中，设计了完整的自动对靶精确施药平台，并以传统的施药平台为载体，对精确对靶施药平台进行了实验研究。为了降低实验难度，选择了地势平坦的果园作为实验场地，对平行的两侧果树施药进行了实验研究，并对目标检测的准确性和实际着药量与施药成本进行了统计。研究结果表明：利用施药平台的图像处理系统可以准确地得到待施药果实和枝叶的准确目标信息，相比传统施药方法，自动对靶施药平台的实际着药量更高，成本更低，从而验证了平台的可行性，为精确施药技术的研究提供了较有价值的参考。