机器视觉技术在玉米苗期杂草识别中的应用

颜秉忠

(河北对外经贸职业学院，河北 秦皇岛 066311)

0 引言

玉米是一种重要的粮食作物和经济作物，不仅可以作为主食，还可以作为家畜、家禽的理想饲料。此外，玉米也可以作为能源开发和食品加工等行业的原料，用途极为广泛。玉米对种植条件的要求不高，环境适应性较强，同时具有很高的产量。我国是仅次于美国的玉米大国，玉米种植主要集中在东北、华北和西南地区，面积仅次于水稻。同时，玉米的单产比其它作物高出许多，再加上用其加工的食品深受消费者的欢迎，因此广大农民种植玉米的积极性很高，使玉米在国民经济和社会生活中占有重要的地位[1]。

玉米生长季节的田间气温高、湿度大，导致杂草成为严重影响玉米产量的因素，且夏玉米遭受的杂草危害尤为严重[2]。化学除草剂能够杀灭或抑制杂草的生长，是防治玉米杂草危害的有效方法。但是，我国利用除草剂防治杂草时通常采取粗放的大面积喷洒方式，浪费较大，且除草剂的残留也不利于农田生态环境和玉米食品安全的保护，个别地区还会因使用不当而出现药害的情况。

随着科技的进步和农业现代化的发展，玉米的种植已经在很大程度上实现了全程机械化，在发达国家甚至开始了自动化和智能化的进程[3]。在此背景下，人们提出了除草剂变量喷洒的概念，即选择性喷洒。它是对整个田块仅喷洒最小剂量的除草剂，是对出现杂草的区域喷洒正常剂量的除草剂，从而极大地降低了除草剂的喷洒量，提高了使用效率[4]。

除草剂要实现变量喷洒，首要前提是准确测定出玉米田中杂草的位置、密度、种类和生长情况等信息，并将其与正常生长的作物区分开来。目前，识别作物田间杂草的方法主要有人工识别、遥感识别和机器视觉识别3种。其中，人工识别最为简单，是在技术水平不高的时期广泛采用的传统方法。人工识别法依赖于劳动者的经验知识，效率很低、劳动强度大，无法应对杂草疯长泛滥的状况。遥感识别是通过装载在载具上的遥感设备采集农田的空间和光谱信息，进行自动分析后识别出田间杂草。遥感设备一般距离作物较远，因此其空间和光谱的分辨率较低，对杂草的识别能力有限，导致只能识别那些体积或群体规模较大的杂草，限制了其在该农业领域的应用。

机器视觉的核心是图像理解和图像分析，这一技术在20世纪80年代最早被提出用以引导机器人采摘水果，后来其用途被扩展到农业生产的各个领域。机器视觉可以对田间杂草实现准确快速的定位识别，是现代数字化精准农业研究和发展的主要方向[5-9]。任何的识别技术都要针对杂草的一些具体特征，基于机器视觉的技术所针对的是杂草的形状特征、纹理特征、光谱特征和颜色特征[10]。

形状是植物最直观的特征之一，又以叶片的形状最为明显。例如，单子叶植物的叶片狭长挺立，而双子叶植物的叶片则宽短和横披，容易识别区分。在实际研究中，用以描述植物叶片形状特征的参数有长度、宽度、周长和面积等。将这些部分参数进行组合，便可以反映物种的特异性，从而区分作物和杂草。即便如此，由于图片拍摄的角度、植物随风移动等因素的影响，难以找到一个具有良好不变性的特征因子来对杂草进行确认。另外，杂草之间及作物对杂草的遮挡也会对算法造成影响，降低识别的准确性。这些都是基于性状特征的杂草识别所要解决的问题。

光照射到物体的表面后，一部分被吸收，一部分被反射。不同物体、不同植物对各种波长的光线的吸收和反射能力不同，形成了各自的光谱特征。例如，土壤和岩石等非生命体一般反射红光，而植物的叶片由于含有叶绿素，因此可以吸收红蓝光，反射绿光。其中，叶绿素含量的差异又会引起光谱特征的改变，从而成为鉴别植物种类的依据。杂草的光谱特征识别技术简便性和实时性很好，但是需要昂贵的硬件设备；同时，这种方法识别的准确性容易受到自然环境下的其它因素影响[11-12]。

植物纹理是由其基本单元排列组合而成的线条或图案，不同植物的纹理具有自身的规律和特征。植物最明显的纹理是其叶脉，单子叶植物的叶脉为平行脉，双子叶植物的叶脉为网状脉。这些不同的叶脉类型可作为区分作物和杂草的依据。基于纹理特征对杂草的识别率可达到100%，但该方法须要分析处理的信息量太大，导致对杂草的识别速度慢，不能满足实时作业的要求。为此，需要简化数据模型，优化计算方法，实现对纹理特征的实时快速识别。

植物一般为绿色，而其自然背景多为黄色和褐色，因此能根据颜色特征进行区分。若要识别同属于植物的作物和杂草，则要依赖于某些部位的颜色差异，如雀麦、红根藜等杂草的茎秆为红色，可以作为颜色特征用于识别。这种方法受自然环境因素的影响较小，可行性高；但需要针对明显的颜色特征，所以能够识别的杂草种类受到很大的限制。总之，上述4方法有各自的优缺点，单独使用都有很大的局限性，只有结合使用才能对杂草实现快速有效地识别。

本文针对我国玉米种植面积大、杂草危害严重和除草剂使用效率不高的问题，设计了一种基于机器视觉的玉米苗期杂草识别方法。该方法采用数码摄像机拍摄自然环境中不同播种方式的玉米田间图像，然后经过对图像畸变矫正、HIS颜色空间转换和阈值分割后，根据形状和颜色特征提取并识别杂草。同时，用该方法在田间进行实时图像的处理试验，以验证其对杂草的识别速度和精度。

1 图像的处理

1.1 图像的采集

玉米的田间图像在本单位的实验基地内采集，种植的为夏玉米，采用了条播和撒播两种栽培方式。杂草主要为双子叶的牵牛花和鸭跖草，以及少量单子叶的狗尾草和莎草，自然背景中存在少量的植物残留物。本文基于颜色和形状特征对杂草进行识别，图像采集时间太早时杂草植株较小，上述特征未完全显现；时间太晚则玉米和杂草枝叶茂盛，二者间会相互遮挡而增加识别的难度。因此，兼顾这些问题，选择在玉米的5叶期采集田间图像。图像采集时间为上午10时，天气为阴天有微风。图像采集设备为Nikon DL24-500型数码相机，不同播种方式的田块分别拍摄20张图像，拍摄俯仰角为45°或75°，形成2 080万像素的JEPG格式图片。图片输入到计算机中后转换成BMP格式，再用MatLab软件进行处理。两种播种方式的田间代表性原始图片,如图1所示。

(a) 条播 (b) 撒播 图1 不同播种方式的玉米田间原始图像Fig.1 Original images of corn field under different seeding method

受拍摄设备高度和俯仰角的影响，采集的图片存在不同程度的畸变。本文参考纪寿文等的方法，对图像进行了畸变的矫正[5]。另外，还通过中值滤波消除了拍摄时随机扰动产生的噪音干扰。

1.2 图像的灰度化

原始图片中的玉米和杂草都是绿色，土壤背景为黄色和褐色，还夹杂少量灰白色的植物残留物。因此，可以首先利用这些部分之间颜色的明显差异将植物从背景中分离出来。对于彩色图像的分割，选择合适的颜色空间是必不可少的。本文根据玉米田间图像会受到光照强度影响的实际情况，选用HSI模型的颜色空间，即以色调H，饱和度S和亮度I作为分量来对图像进行处理。

图2为在HSI颜色空间下对I分量灰度化的结果。

(a) 条播 (b) 撒播 图2 不同播种方式的玉米田间灰度化图像Fig.2 Gray images of corn field under different seeding method

2 杂草的识别

2.1 阈值分割

根据玉米与杂草叶片不同的形态特征，这里选用长宽比和圆度两个特征用于杂草的识别。长宽比为最小外接矩形的长度与宽度的比值，圆度为面积与周长平方的比值，二者在对图像进行旋转、平移和缩放处理时都能保持不变。

图像分割是利用形状和颜色特征对杂草进行识别的必要步骤，其方法有多种，需要根据图片处理的目的和要求来选择。阈值分割法的计算模型简单，运行速度较快，适合用于对玉米田间图像的实时处理和杂草识别，因此在本文中采用。选择合适的阈值对于图像处理分割效果的效果有着决定性影响，它是通过分析直方图获得的。本文中杂草的特征受光照影响不大，因此为了确定阈值，将I分量效果图和原图像灰度图分别做了最大类间方差分析后再进行图像二值化。直方图通过最大阈值分割得到的各形状特征的阈值T1和T2，如图3所示。

(a) 条播 (b) 撒播 图3 不同播种方式的直方图Fig.3 Histograms under different seeding method

2.2 杂草特征识别

分析计算图片中每个区域的2种形状特征值，当长宽比<阈值T1且圆度>阈值T2时，即判定为杂草。玉米细长的叶片和形状不规则的植物残留物被去除，图像中的杂草因其圆形或椭圆形的叶片而被识别出来。部分图片中存在与玉米叶形相识的单子叶杂草，则根据玉米苗期具有淡红色茎的特征，参考毛文华等人的研究，利用绿-红指标分割玉米植株的茎秆，然后提取与其相连的区域为玉米植株，而其它的绿色区域即为杂草[13]。

最后的识别结果如图4所示。

(a)条播 (b)撒播 图4 不同播种方式的杂草识别Fig.4 Weed identifications under different seeding method

3 试验结果与分析

使用该方法对玉米田间苗期杂草进行识别，在条播的田块中，对杂草的识别为87.3%，有9.2%的玉米植株被误识为杂草。在撒播的田块中，对杂草的识别为87.5%，与条播田块相差无几；有12.5%的玉米植株被误识为杂草，高于条播的田块。原因是撒播玉米分布不均匀，部分植株聚在一起，相互遮挡严重，降低了识别的准确性。在不同播种方式下对各种植物种类的识别率都在85%以上，处理单张图片的平均耗时为67ms，能满足对玉米苗期杂草进行实时鉴定的要求玉米田间苗期杂草识别效果如表1所示。

表1 不同光照条件下的杂草识别效果Table 1 Effect of weed identification under different illumination condition

4 结论

本方法可以识别玉米苗期的田间杂草，根据所选择的叶片形态特征，其对双子叶杂草较为有效。单子叶杂草的识别则会受到茎秆颜色和相互遮挡的影响，对正常的玉米植株存在一定程度的误判。

[1] 李少昆，王崇桃.我国玉米产量变化及增产因素分析[J].玉米科学，2008,16(4):26-30.

[2] 张凤海.杂草对夏玉米危害损失率测定[J].江苏农业科学，1998(4):42.

[3] 金小俊，陈勇，孙艳霞.农田杂草识别方法研究进展[J].农机化研究，2011,33(7):23-27.

[4] 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.

[5] 纪寿文，王荣本，陈佳娟，等.应用计算机图形处理技术识别玉米苗期田间杂草的研究[J].农业工程学报，2001, 17(2):154-156.

[6] 龙满生，何东健.玉米苗期杂草的计算机识别技术研究[J].农业工程学报，2007,23(7):139-144.

[7] 侯晨伟，陈丽.基于概率神经网络的玉米苗期杂草识别方法的研究[J].农机化研究，2010, 32(11):41-43.

[8] 李慧，祁力钧，张建华，等.基于PCA-SVM的棉花出苗期杂草类型识别[J].农业机械学报，2012, 43(9):184-189.

[9] 张红旗，刘宇，王春光.改进田间杂草识别图像预处理方法的研究[J].农机化研究，2015, 37(6):70-73.

[10] 毛文华，王一鸣，张小超，等.基于机器视觉的田间杂草识别技术研究进展[J].农业工程学报，2004, 20(5):43-46.

[11] 刘波，方俊永，刘学，等.基于成像光谱技术的杂草识别研究[J].光谱学与光谱分析，2010, 30(7):1830-1833.

[12] 邓巍，陈立平，孟志军，等.大豆田间杂草的光谱识别研究[J].农机化研究，2012, 34(6):118-121.

[13] 毛文华，王辉，赵博，等.基于株心颜色的玉米田间杂草识别方法[J].农业工程学报，2009, 25(s2):161-164.