智慧农业背景下高原夏菜虫害识别与施药算法研究*

刁 鹏 ， 苏军德 ， 高立兵

（甘肃有色冶金职业技术学院，甘肃 金昌 737100）

0 引言

近年来，随着金昌市委、市政府相关政策支持力度的不断加大，金昌市草食畜牧业飞速发展。高原夏菜作为产业链中的重要一环，种植面积逐年扩大。2022年，永昌县预计全年高原夏菜种植面积23万亩以上，产量69万t。

据调查，危害高原夏菜的虫害多达21种[1]，每年因虫害造成的高原夏菜产量损失15%～20%。如何快速、高效地对高原夏菜的虫害进行监测识别并精准施药，对提升高原夏菜的产量有着极其重要的意义。传统的方法主要依靠植保人员目视解译出虫害信息，再采用喷药机器喷洒农药。这种方式不仅效率低，容易造成浪费，还会污染环境。喷药机器人能精准施药，节省人力、物力，提高植保效率，可以实现经济效益、社会效益、生态效益的统一[2]。

20世纪70年代末，植保机器人逐渐被欧美等发达国家所应用，出现了喷药、采摘机器人。但是，初期的机器人算法落后，性能低，误差率大。随着计算机技术、图像识别技术的发展，机器人的智能化程度大幅提升，逐渐具备了自动监测虫害、自动施药等功能[3-4]。赵春江等[5]提出的基于蝗虫生境因子叠置分析的处方图生成技术，实现了基于时间序列动态描述区域虫灾蔓延范围和成灾程度，为精准施药提供了依据。邵庆等[6]采用迭代阈值分割和微分边缘检测提取小麦病斑部位的形状特征，为农作物病害诊断提供了参考。刁智华等[7]提出了一种在复杂条件下分割棉花害螨病斑图像的方法，可以有效识别棉花害螨病斑，准确率高达97.83%。王献锋等[8-9]提出了一种基于病害叶片图像和环境信息的黄瓜等病害识别方法，可以有效识别3种叶部病害，识别率在90%以上。刘雪美等[10-11]设计了喷杆喷雾精确对靶施药系统，可以精确对靶施药，节省药液20%以上。目前，相关研究多侧重对单一虫害的识别，对多种虫害进行监测的研究较少，相关的精准施药方案也较少。本研究以高原夏菜常见虫害为研究对象，基于图片信息提取了蔬菜的虫害信息，以此进行多种虫害的识别。并以虫害种类、受害程度为依据，实现对高原夏菜的精准施药。

1 材料与方法

1.1 系统原理

机器人系统主要由3部分组成：图像采集部分、信息提取部分、施药控制部分。图像采集是借助安装在机器臂上的相机对蔬菜进行拍摄。信息提取部分是指对采集到的图片进行自动处理，包括滤波降噪、超绿灰度化、特征提取、信息比对等。可从图像上叶片的虫斑纹理、颜色、形状等判别虫害，从虫斑面积大小判断虫害严重程度。施药控制部分是指根据获取的信息，调节药物的剂量、控制机器人的施药速度，以达到精准施药的目的[12]。

1.2 试验设计

高原夏菜种植密集，一般各行作物间距相等，幼苗期间距大，叶片较小，没有相互遮挡，虫害发生也较少。随着作物生长，作物间距变小，此时叶片遮挡程度也相对低，虫害逐渐发生，但种类单一，易于发现。生长末期各行作物几乎没有间距，叶片遮挡程度高，虫害密集发生且种类多，不易区分。鉴于此，课题组选择高原夏菜生长中期为研究对象并进行试验。本研究在甘肃永昌县境内的600亩高原夏菜试验田内进行，利用试验田现有的植保机器人，结合研究内容将机器人改装并进行试验作业。

2 系统设计

2.1 图像采集与预处理

精准施药的关键在于虫害信息的获取是否精确。蔬菜发生虫害后，其植株会发生变化，如叶片卷曲变色、叶面出现裂纹等。受害程度不同，其表现出的特征也有很大差异，算法将根据这些特点来进行虫害识别。在机器人上安装AFT-902HC工业摄像机，分辨率为752×582，该摄像机具体参数如表1所示。设置间隔2 s采集一张图像并输出，重复采集一次用于精度检验，近景图像用于观察纹理、颜色，远景用于区分作物行。

表1 AFT-902HC工业摄像机具体参数

工作时的具体路线图如图1所示。

图1 高原夏菜虫害程度与识别研究总体技术路线图

2.1.1 灰度变换

采集过程易受光照、温度、湿度等因素影响，所以，要对采集到的图像进行处理，包括滤波降噪、灰度化等。

由于受虫害影响，健康叶片的图像与患病叶片的图像会产生色彩上的差异，即健康叶片及阴影呈现绿色，患病叶片呈现黄白色、黑灰色。故可以使用超绿算法针对这一特性进行特征提取，即：

图像经超绿灰度化处理后，其作物行区分更加明显，生长特征更明显。处理后的图像剔除了其他背景信息，所以更容易区分出患病叶片的患病位置、纹理、面积等，处理结果如图2所示。普通灰度化效果如图2（a）与图2（c）所示，超绿灰度化效果如图2（b）与图2（d）所示。

图2 灰度转换图像

2.1.2 滤波降噪

将图像进行3×3的分割，分成9个大小相同的块斑并用阿拉伯字母按顺序编号。选取模板中心点的灰度值作为处理值，这样可以降低噪声对虫斑的影响，同时也可以提高作物行的提取精度。

2.2 图像分割

将图像预处理后，要想更准确地识别虫害还需进行图像分割。图像分割的好坏将直接影响识别的精度[13]，所以分割图像的方法十分重要。

从图像上看，健康叶片与受虫害叶片在色彩上有很大的差异，因此可以采用阈值分割法解决问题。为了减少不必要的参数，提高数据处理效率[14]，研究采用最大类间方差比阈值作为参数进行分割，具体过程如下。

1）先解译出像素最密集区的灰度值K，接着解算出K值之前的像素数N、图片中全部像素的灰度平均值u以及它们的概率p0,p1,p2…pk：

式中，f(i,j)指图像上随机点i和j的灰度值。

2）设置起始阈值T=T0（T0＞0），将图像分为两类，分别用C1和C2表示。

3）求解灰度平均值u1、u2，方差δ21、δ22：

4）计算P1，P2：

5）分别计算类内方差δ2m和类间方差δ2b：

设T=δ2b/δ2m，重复上述步骤二至步骤五，二次求解时，取T0=1/2(u1+u2)，当T取最大值时，阈值最佳。本研究的阈值取200时识别效果最好。

根据测定分割后的叶片受虫害面积占总叶片面积的百分比，将虫害严重程度划分为4个等级，等级分类表如表2所示。

表2 虫害程度等级分类表

2.3 虫害种类识别

高原夏菜虫害的识别主要依靠3个指标：受害叶片的颜色、纹理及形状。可先根据叶片的颜色识别出一部分虫害，再用叶片的形状和纹理作为辅助，提升识别准确率。本研究选取了小菜蛾、菜青虫、桃蚜、黄曲条跳甲等4种虫害，每种选择20组样本，共80组。将80组样本通过图像进行目视解译和实地调查，将两种识别结果进行统计分析。通过绘制颜色矩阵、构建纹理的二阶矩阵（ASM），对照参数（CON）和叶片形状的不变矩阵(μ, p)[13]，判别几种常见的高原夏菜虫害，判别结果如表3所示。经过特征提取、图像分割后的虫害图像容易被判别，正确率在90%以上。但由于虫害种类较多以及光照、遮挡等因素的影响，结果也有一定的误差。

表3 高原夏菜常见虫害特征及识别

2.4 作物行识别

高原夏菜生长中期，会出现叶片遮挡、杂草生长的情况，使得蔬菜行间信息复杂。机器人的行进过程将会受到干扰，所以需要对图像进行二值化处理，使蔬菜行间距明显，便于机器人识别。二值化可以将复杂的作物行信息简化，提高图像处理速度。此外，将二值化后的作物行再进行剔除，只保留两个主行，进行Hough 变换后可以直接检测出作物行中心线[15]。

2.4.1 二值化

采用行间距相等的方式种植高原夏菜，既便于管理，也使得人工喷洒农药更方便。机器人在承担喷药任务时，首先要能准确识别作物行信息。为达到这一目的，需要对图像进行二值化处理。本研究先将图像膨胀成3×3矩阵，再利用5×1矩阵法腐蚀图像，以达到消除噪声的目的。图像二值化后的效果如图3（a）所示。

2.4.2 提取作物行

高原夏菜图像经过二值化处理后，已呈现出大致轮廓。要想更清楚地显示，还需提取作物行的骨架信息。对图像进行再处理，提取出作物行的中心轴线，这样就可以突出其特点。图像细化后如图3（b）所示。由于作物是等行距播种的，所以可以先处理2行，其余部分按等距排列对准就可以实现，图3（c）为作物2行主干图。

2.4.3 改进的Hough

直线检测通常采用Hough变换，但是常用的变换方式耗时长、运算量大，容易出错。所以本研究对传统方法进行了改进，新方法能够克服传统方式存在的缺陷。

Hough变换的中心思想是将直线问题转化为点的问题来处理，提升效率的关键在于减少参与计算的点和减小运算空间。本研究结合两种方法的特点，形成改进的Hough变换。为了减小计算量，研究中出现的直线统一采用极坐标来表示，即：

式中，ρ为距离，θ为直线与x轴夹角。运算时先将图像划分区域，然后将图像细化处理，从中随机找出两点（xm, ym），（xn, yn），将这两点组成一条直线，如式（9）和式（10）所示。

将直线点化后得到的所有点构成集合A，随机在其中选择两点求出斜率，如果斜率不满足要求就重新选点计算。为了提升效率，可以设置角度范围[30°, 150°]。根据来计算的ρ值，其中根据上述公式计算，找出所有直线，确定所需要的作物骨架行直线。使用Hough变换后的作物行的图像效果如图3（d）所示。

图3 作物行识别图像

2.5 施药决策

将图像进行预处理、滤波降噪、灰度化[16]、分割、特征提取等处理，划分高原夏菜的虫害类型及受害程度，并将蔬菜作物行提取作为施药量的判断依据。将不同的药液分类存储在机器人携带的药箱内，根据虫害类型选择药液，根据虫害程度设置施药速度，通过对机器人的控制来实现智能化的药液喷洒。机器臂上安装的喷雾设备为六嘴式可转动喷嘴，可以实现对高原夏菜从上至下的垂直喷洒。以喷嘴距离蔬菜上方30 cm、覆盖0.86 m2的范围为标准，在实际操作中可能存在偏差，因此工作过程中需要随时调整。

3 算法实现

本研究的算法流程如图4所示。首先利用工业摄像机拍摄高原夏菜的高清图，然后进行图像的预处理；接着使用Hough变换进行作物行提取，并划分虫害受损程度；将获取的处理信息反馈到系统中作为精准施药的依据；由系统向控制阀发出指令，调节药箱开闭、压力值、药液类型、喷洒速度，并将信息传输到控制系统进行实时调整，从而实现喷药的智能化。

图4 虫害识别及施药流程图

4 结论

本研究提出了一种高原夏菜虫害自动检测和精准施药的新方法。通过图像来获取高原夏菜的生长信息，通过对蔬菜叶片的特征提取来精准识别高原夏菜虫害，可以实现虫害类型自动分类和虫害等级划分，为精准施药提供了参考。开发了基于VC++的虫害识别、图像分割、作物行提取系统，系统处理一幅图像的时间约300 ms，快速、高效且精度好。应用在高原夏菜的智能化种植上可以大大节省人力物力。但是，由于作物背景复杂，在提取拍摄的图像信息时容易受到外界环境的干扰，所以还存在一定的缺陷。此外，过程中的算法较多，仍需改进。