株间机械除草剂的应用.docxVIP

株间机械除草剂的应用 0 利用小波和其他方法对作物的识别 近年来，国内外科学家积极开展牧草技术和设备，促进农业可持续发展，减少或取代使用于环境的化学杂草。机械稻草技术是一种非化学杂草技术，尤其是智能植物间杂草机械化草技术和装置。利用机器视觉识别作物和杂草已成为研究热点。美国爱荷华州立大学利用立体摄像头提取景物深度信息,通过图像分割、骨架化等8个基本步骤,在实验室环境下识别出玉米植株中心。Bossu等利用小波变换区别作物杂草,Alchanatis等利用多光谱特征区别杂草和作物,邓巍等研究了基于支持向量机的玉米苗期杂草光谱图像识别方法,吴兰兰等提出了利用支持向量机和分形维数来识别玉米和杂草,龙满生等利用计算机视觉技术和人工神经网络技术对玉米苗期田间杂草识别进行了研究,朱宝国等基于颜色特征研究了棉田杂草识别方法,毛文华等研究了基于多特征的田间杂草识别方法。以上研究的目的主要是针对化学精确喷施,需要分辨的杂草种类繁多。株间机械除草与化学精确喷施不同,机械除草目标是保护作物除去杂草,通常只需识别出作物,其余均按杂草处理,无需分辨出杂草种类。目前适应株间机械除草的作物图像识别和定位研究还较少,Tillett等利用基于二维小波技术识别目标作物个体并获得坐标信息。张春龙等在实验室内以最小时耗和最大包容准确度为目标,利用图像行像素直方图的参数组合确定苗株中心沿机器人前进方向的一维坐标,可满足试验要求。 作物的识别以及作物与除草装置的位置关系是株间机械除草装置进行株间区域杂草控制和避免作物损伤的重要信息。为了给智能化株间机械除草装置提供作物位置信息,本文基于机器视觉技术,提出了一种株间机械除草作物识别与定位的方法,从二值图像中利用作物行内植株个体间的几何关系识别出作物,结合特定区域作物连通域质心实现作物定位,并选用棉苗和生菜苗进行了试验验证。 1 材料和方法 1.1 生菜苗图像拍摄 采集的棉苗图像和生菜苗图像共120张。其中,棉苗图像80张,用CANON IXUS 860 CCD数码相机于2011年5月在湖北省应城市黄滩镇拍摄,棉苗株距约40 cm,拍摄时焦距为5 mm,且尽量保证镜头垂直向下,与地面距离约60 cm,图像大小为640×480像素,格式为JPG。生菜苗图像40张,用CANON IXUS 860 CCD数码相机于2011年10月在华南农业大学试验田拍摄,生菜苗株距约25 cm,拍摄方式、图像大小和格式与棉苗拍摄一致。 图像处理软件采用Math Works公司的Matlab R2010b,运行计算机为Lenovo X220,Windows 7 64位操作系统,CPU为Intel i5-2410M,2.30 GHz。 1.2 超绿法与ostu法图像组成 图像中的对象主要为植物(作物和杂草,颜色呈绿色)和背景(土壤、植物残渣和石头等,颜色以土壤的颜色为主),如图1a和图1b所示,图像处理时常将24-bit彩色图像的RGB各个分量进行适当的组合转化,以增强植物,抑制背景。对于作物识别或杂草的识别最常用的灰度化方法为超绿色法。 超绿色提取绿色植物图像效果较好,阴影、枯草和土壤图像等均能较明显的被抑制,植物图像更为突出。棉苗图像和生菜苗图像经超绿色法灰度化的结果分别如图1c和图1d所示。 为将植物和背景分割需先确定一个阈值,然后将每个像素点的灰度值和阈值相比较,根据比较的结果将该像素划分为植物或者背景。最大类间方差法(Ostu法)不需要人为设定其他参数,是一种自动选择阈值的方法,其计算过程简单、稳定。 利用Ostu法计算出最优阈值Th后可根据下式将图像分成植物和背景2个部分。 其中,B=0为背景(黑色),B=255为植物或噪声点(白色)。 对超绿法灰度化后的棉苗图像和生菜图像利用Ostu法计算出最优阈值并二值化后的结果分别如图1e和图1f所示,白色区域包括作物、杂草和噪声等。二值图像形态学腐蚀能较好地消除图像噪声和独立像素点,并可将部分交叉的杂草与作物分离,然而腐蚀操作同时也缩小了作物垂直投影面积,为保持作物的特征,将腐蚀后的图像经相同次数的膨胀操作可使体积恢复到原始大小。棉苗和生菜苗的二值图经连续3次腐蚀和膨胀后的结果分别如图1g和图1h所示。 1.3 提取和定位目标品种的信息提取 1.3.1 作物行区域识别扫描线确定 为获取作物行信息,将分割后的二值图像按各行向量分别累加(行像素直方图),由于行间区域杂草的影响,不能简单利用行像素直方图波峰或波谷划分出作物行区域,如图2所示。作物行区域信息提取步骤如下: 1)行像素累加及滤波 将分割后的二值图像按各行向量分别累加,如式(3)所示,获得行像素直方图。为增强行像素直方图变化趋势,将各行累加和减去此幅图像的像素平均值,以分离轻度相交的杂草与作物。 式中,Si为第i行像素累加和;i为图像行序号;j