论文部分内容阅读
【摘 要】为了提高杂草识别的准确率，根据形态学特征提取后的作物和杂草的面积和周长特征参数，判别出杂草后，通过BP神经网络来建立杂草在图像中的位置和它的实际位置之间的非线性映射关系。实验表明，行间杂草的准备识别率较高。
【关键词】杂草;识别;位置;形态学
引言
杂草识别是实现机器视觉变量喷施除草剂除草的关键技术。现在国内外对杂草识别的研究方法有多种，主要是多特征融合、颜色和形状特征、纹理和位置特征[1][2][3][4]，已有研究对于杂草实际位置的表达并不充分，如何明确杂草的实际位置并进行识别成为提高杂草识别实用效果的有效途径。
1.基于数字形态学的田间杂草识别方法
在考虑杂草实际位置的情况下，作物和杂草的叶片重叠情况对杂草识别造成困难。可以考虑通过数学形态学的方法把作物图像特征和杂草图像特征有效提取出来。利用数学形态学的膨胀腐蚀骨架提取二值田间图像的图像特征。形态学骨架化具有平移不变性，能够实现对存在形状差异的不同物体的识别，是一种有效的形状描述，处理叶片重叠的方法。
通过图像分割后可以获得二值图像，在二值图像中各个像素点是点阵排列构成的，所以可以利用一个平面结构元素与目标图像集合“与”运算。结构元素在与目标图像做与运算过程中，如果计算结果为0，则目标图像输出0，图像变暗;如果计算结果为1，则目标图像输出为1，图像变亮。在目标图像中几乎没有缺陷的地方，在经过腐蚀操作后可以明显看到叶片中有缺陷，叶片边缘的粗糙部分也被腐蚀得较为平滑;明显看出杂草叶片边缘突出部分已经被腐蚀完全，腐蚀后的图像轮廓更清晰。用一个无穷大的结构元素对目标进行连续的腐蚀操作直到目标图像仅含骨架。在二值图像中如果包含了叶片重叠的情况，把叶片的骨架提取出来，可以完整保持叶片骨架的信息，没有发生断裂情况。在骨架段裂的地方多是杂草枝茎。
2.田间杂草识别结果
对数学形态学处理后的目标图像进行特征信息提取，将图像的面积周长统计出来，及对信息进行识别。在研究中分别对四种作物和杂草进行了分析，得到的结果如下表。
表1 甘蓝等作物面积统计（单位：像素点个数）
名称 膨胀面积 腐蚀面积 骨架面积
甘蓝 24670 14434 1960
油麦菜 30376 19009 2026
生菜 20294 15751 884
菜花苗 21822 17604 734
表2 马齿苋等杂草面积统计（单位：像素点个数）
名称 膨胀面积 腐蚀面积 骨架面积
马齿苋 8702 457 771
小飞蓬 17866 7296 1597
墨草 5276 1693 375
反枝苋 8198 5358 566
表3 甘蓝等作物周长统计（单位：像素点个数）
名称 膨胀周长 腐蚀周长 骨架周長
甘蓝 1715.5 1596.6 4259.8
油麦菜 2213.6 2249.9 4587.7
生菜 747.44 769.44 2036.2
菜花苗 865.95 927.44 1814.4
表4 马齿苋等杂草周长统计（单位：像素点个数）
名称 膨胀周长 腐蚀周长 骨架周长
马齿苋 490.81 299.11 494.10
小飞蓬 2068.7 2059.0 3449.8
墨草 731.13 556.54 858.69
反枝苋 571.37 588.88 1267.5
通过对上述几个表中的四种作物和杂草处理了68组图像信息，得到的面积周长数据，利用贝叶斯统计学理论分析杂草的识别效果，结果显示对杂草的识别率达到了94.44%。因此田间杂草被识别出来。
3.田间杂草定位
杂草定位就是要根据植被的图像计算出它在田间的实际位置。为此，可以利用BP神经网络非线性逼近能力的特性来建立植被图像像素坐标和实际位置坐标之间的非线性映射关系，实现了田间植被定位的目的。在此环节中，将实验分为室内和室外两个部分进行，采集的数据包括杂草在三维世界中的坐标和它在图像上的像素坐标。室内实验数据用作网络训练，室外实验数据用作网络测试。
3.1 BP神经网络的训练
室内地面平整，条件容易控制，测量的精度较高，因此将室内采集到的数据用于网络的训练。在网络的训练过程中，用事先采集到的数据作为网络的训练，以杂草图像上的像素坐标作为网络的训练输入，每个点的实测坐标作为网络的期望输出，进行网络训练，训练误差定义为网络的实际输出减去期望输出，训练后的网络的误差以（△X ，△Y）的形式来表示，当误差在很小的范围内波动时，表示训练出来的网络性能良好，可以使用。把训练好的网络保存下来，这时的神经网络能很好地反映出杂草在图片位置和实际位置之间的关系。
3.2 BP神经网络的测试
BP网络训练好以后，用室外拍摄到的图片像素点坐标作为输入，此时网络会输出一系列的数据，该数据就是网络的实际输出，而将实测点世界坐标作为网络期望输出，期望输出和实际输出的差值就是误差，误差的大小决定了本次标定的效果。网络的误差以（△X ，△Y）的形式来表示，最大误差点误差为（-1.4547cm，1.7495cm），因此，网络的测试效果良好，杂草的定位精度较高。
杂草定位就是要根据植被的图像计算出它在田间的实际位置。为此，将实验分为室内和室外两个部分进行，采集的数据包括杂草在三维世界中的坐标和它在图像上的像素坐标。室内实验数据用作网络训练，室外实验数据用作网络测试。
4.结论
（1）描述了形态学的基本算法。在形态学基本运算子的基础上得到骨架算子，骨架能将图像的拓扑结构信息完整描述出来，是处理叶片重叠重要方法。应用形态学方法提取膨胀，腐蚀和骨架的图像特征，是进一步的模式识别的关键环节。形态学算法在处理双子叶植物时如果形状上有明显差异的植物情况下，能够很好的分辨不同类型的植株。
（2）通过建立图像像素坐标和实际坐标之间投影矩阵来实现定位的方法简单可行，很大程度上避免标定过程中坐标系多次转换带来的误差叠加，由于忽略了摄像机的镜头畸变，适合用于一些精度要求不是特别高的场合，但是由于误差控制在一个较小的范围内，很多时候依然能满足田间植被定位的需求。
参考文献：
[1]沈宝国，陈树人，尹建军，等. 基于颜色特征的棉田绿色杂草图像识别方法[J].农业工程学报，2009，25（6）：163-167.
[2]刘洪臣 陈忠建冯勇，结合颜色和形态特征的杂草实时识别方法，光电工程，2006，33（7）.
[3]谈蓉蓉，朱伟兴.基于图像处理技术的杂草特征提取方法研究木.传感器与微系统.2009.28（2）.
[4]李炎，毛罕平，陈树人. Labview下实现棉田株间杂草实时识别与定位.农机化研究，2011.2.
基金项目：
2014年广西大学生创新创业训练计划项目（201410594070）
【关键词】杂草;识别;位置;形态学
引言
杂草识别是实现机器视觉变量喷施除草剂除草的关键技术。现在国内外对杂草识别的研究方法有多种，主要是多特征融合、颜色和形状特征、纹理和位置特征[1][2][3][4]，已有研究对于杂草实际位置的表达并不充分，如何明确杂草的实际位置并进行识别成为提高杂草识别实用效果的有效途径。
1.基于数字形态学的田间杂草识别方法
在考虑杂草实际位置的情况下，作物和杂草的叶片重叠情况对杂草识别造成困难。可以考虑通过数学形态学的方法把作物图像特征和杂草图像特征有效提取出来。利用数学形态学的膨胀腐蚀骨架提取二值田间图像的图像特征。形态学骨架化具有平移不变性，能够实现对存在形状差异的不同物体的识别，是一种有效的形状描述，处理叶片重叠的方法。
通过图像分割后可以获得二值图像，在二值图像中各个像素点是点阵排列构成的，所以可以利用一个平面结构元素与目标图像集合“与”运算。结构元素在与目标图像做与运算过程中，如果计算结果为0，则目标图像输出0，图像变暗;如果计算结果为1，则目标图像输出为1，图像变亮。在目标图像中几乎没有缺陷的地方，在经过腐蚀操作后可以明显看到叶片中有缺陷，叶片边缘的粗糙部分也被腐蚀得较为平滑;明显看出杂草叶片边缘突出部分已经被腐蚀完全，腐蚀后的图像轮廓更清晰。用一个无穷大的结构元素对目标进行连续的腐蚀操作直到目标图像仅含骨架。在二值图像中如果包含了叶片重叠的情况，把叶片的骨架提取出来，可以完整保持叶片骨架的信息，没有发生断裂情况。在骨架段裂的地方多是杂草枝茎。
2.田间杂草识别结果
对数学形态学处理后的目标图像进行特征信息提取，将图像的面积周长统计出来，及对信息进行识别。在研究中分别对四种作物和杂草进行了分析，得到的结果如下表。
表1 甘蓝等作物面积统计（单位：像素点个数）
名称 膨胀面积 腐蚀面积 骨架面积
甘蓝 24670 14434 1960
油麦菜 30376 19009 2026
生菜 20294 15751 884
菜花苗 21822 17604 734
表2 马齿苋等杂草面积统计（单位：像素点个数）
名称 膨胀面积 腐蚀面积 骨架面积
马齿苋 8702 457 771
小飞蓬 17866 7296 1597
墨草 5276 1693 375
反枝苋 8198 5358 566
表3 甘蓝等作物周长统计（单位：像素点个数）
名称 膨胀周长 腐蚀周长 骨架周長
甘蓝 1715.5 1596.6 4259.8
油麦菜 2213.6 2249.9 4587.7
生菜 747.44 769.44 2036.2
菜花苗 865.95 927.44 1814.4
表4 马齿苋等杂草周长统计（单位：像素点个数）
名称 膨胀周长 腐蚀周长 骨架周长
马齿苋 490.81 299.11 494.10
小飞蓬 2068.7 2059.0 3449.8
墨草 731.13 556.54 858.69
反枝苋 571.37 588.88 1267.5
通过对上述几个表中的四种作物和杂草处理了68组图像信息，得到的面积周长数据，利用贝叶斯统计学理论分析杂草的识别效果，结果显示对杂草的识别率达到了94.44%。因此田间杂草被识别出来。
3.田间杂草定位
杂草定位就是要根据植被的图像计算出它在田间的实际位置。为此，可以利用BP神经网络非线性逼近能力的特性来建立植被图像像素坐标和实际位置坐标之间的非线性映射关系，实现了田间植被定位的目的。在此环节中，将实验分为室内和室外两个部分进行，采集的数据包括杂草在三维世界中的坐标和它在图像上的像素坐标。室内实验数据用作网络训练，室外实验数据用作网络测试。
3.1 BP神经网络的训练
室内地面平整，条件容易控制，测量的精度较高，因此将室内采集到的数据用于网络的训练。在网络的训练过程中，用事先采集到的数据作为网络的训练，以杂草图像上的像素坐标作为网络的训练输入，每个点的实测坐标作为网络的期望输出，进行网络训练，训练误差定义为网络的实际输出减去期望输出，训练后的网络的误差以（△X ，△Y）的形式来表示，当误差在很小的范围内波动时，表示训练出来的网络性能良好，可以使用。把训练好的网络保存下来，这时的神经网络能很好地反映出杂草在图片位置和实际位置之间的关系。
3.2 BP神经网络的测试
BP网络训练好以后，用室外拍摄到的图片像素点坐标作为输入，此时网络会输出一系列的数据，该数据就是网络的实际输出，而将实测点世界坐标作为网络期望输出，期望输出和实际输出的差值就是误差，误差的大小决定了本次标定的效果。网络的误差以（△X ，△Y）的形式来表示，最大误差点误差为（-1.4547cm，1.7495cm），因此，网络的测试效果良好，杂草的定位精度较高。
杂草定位就是要根据植被的图像计算出它在田间的实际位置。为此，将实验分为室内和室外两个部分进行，采集的数据包括杂草在三维世界中的坐标和它在图像上的像素坐标。室内实验数据用作网络训练，室外实验数据用作网络测试。
4.结论
（1）描述了形态学的基本算法。在形态学基本运算子的基础上得到骨架算子，骨架能将图像的拓扑结构信息完整描述出来，是处理叶片重叠重要方法。应用形态学方法提取膨胀，腐蚀和骨架的图像特征，是进一步的模式识别的关键环节。形态学算法在处理双子叶植物时如果形状上有明显差异的植物情况下，能够很好的分辨不同类型的植株。
（2）通过建立图像像素坐标和实际坐标之间投影矩阵来实现定位的方法简单可行，很大程度上避免标定过程中坐标系多次转换带来的误差叠加，由于忽略了摄像机的镜头畸变，适合用于一些精度要求不是特别高的场合，但是由于误差控制在一个较小的范围内，很多时候依然能满足田间植被定位的需求。
参考文献：
[1]沈宝国，陈树人，尹建军，等. 基于颜色特征的棉田绿色杂草图像识别方法[J].农业工程学报，2009，25（6）：163-167.
[2]刘洪臣 陈忠建冯勇，结合颜色和形态特征的杂草实时识别方法，光电工程，2006，33（7）.
[3]谈蓉蓉，朱伟兴.基于图像处理技术的杂草特征提取方法研究木.传感器与微系统.2009.28（2）.
[4]李炎，毛罕平，陈树人. Labview下实现棉田株间杂草实时识别与定位.农机化研究，2011.2.
基金项目：
2014年广西大学生创新创业训练计划项目（201410594070）