基于细化操作的草莓杂草识别的研究

时间:2022-09-18 08:45:33

基于细化操作的草莓杂草识别的研究

【摘 要】针对杂草识别中图像分割误差对识别效果影响较大的现状,提出了基于细化操作草莓杂草图像的识别方法,通过图像细化后区域中像素点数量和细化前植被面积的比值描述区域中草莓与杂草的分布差异,从而确定除草剂的喷洒区域,这将有助于自动除草设备的开发。

【关键词】细化;杂草;识别

随着现代农业的发展,通过机器视觉技术自动识别杂草、变量喷洒除草剂逐渐成为未来农业发展的一个方向。在已有研究中,杂草图像中识别的精度相对较低,无法达到实用设备的要求。针对这一现象,现有杂草识别的研究主要针对图像分割、特征提取等图像处理操作引入专家系统[1]、小波变换[2]、支持向量机[3]、遗传算法[4]等智能算法。但是,由于田间环境复杂,图像分割误差对识别精度影响较大,相关研究成果的精度仍有待提高。另外在已有的图像处理技术中,通过数学形态学操作后提取图像特征能较好的表示图像中某些特定目标的形态信息[5][6][7] ,而细化操作是一种常见的形态学操作。所以,可以考虑在细化操作后提取田间图像的特征,然后直接确定图像中需喷洒除草剂的区域。

1.杂草图像分割

草莓是常见的一种水果,其杂草在苗期危害巨大,而在草莓地使用除草剂容易产生残留,所以对草莓苗期杂草进行除草剂的定点变量喷洒成为现代农业的一个发展方向。为此,首先需要将杂草从草莓图像中识别出来,而杂草图像的分割则是杂草识别的前提。

在已有杂草识别的研究中,杂草分割一般采用阈值分割算法,而分割特征多为超绿特征。草莓的原始图像如图1(a)所示,该图采用超绿特征进行灰度化后的图像如图1(b)所示,图中绿色植被颜色相对较浅,而土壤等背景的颜色相对较深。图1(b)的灰度图采用阈值分割算法得到的二值图如图1(c)所示。图中黑色的像素点表示绿色的植被,包括杂草和草莓,白色的像素点表示土壤等背景信息。

如图1(c)所示,杂草图像的分割结果受光照等因素影响较大,如图下方中间的草莓苗分割后由于出现反光现象存在较大分割误差。在已有的研究中,所提取的形状特征容易受到这些分割误差的影响,从而影响了识别效果。

2.杂草二值图像的细化

细化是图像处理中形态学操作较为常见的一种操作,在杂草图像中细化可以将二值图像中宽度大于1个像素的植被区域对应的线条细化成只有一个像素宽的“骨架”。在操作过程中,细化的基本思想是多次操作,每次从植被区域的边缘开始一层一层向里剥夺,直到植被区域只剩下一个像素的为止。图1所示图像的细化结果如图2所示。

对比图1(a)和图2可以发现细化操作后,与杂草区域相比,草莓区域由于叶片较为宽大同样面积细化后的像素点相对较少。

3.杂草区域的识别与除草剂喷洒区域的确定

相同面积的区域进行细化操作,对于杂草区域,由于杂草间缝隙较大细化后得到的像素点较多,而草莓由于叶片较大相互折叠覆盖,细化后像素点相对较少。因此,可以根据细化后像素点数量与细化前植被区域面积的比值进行杂草区域与草莓区域的识别。图2的识别结果如图3所示。

如图3所示所圈中的两块区域被识别为杂草区域,对照原图图1(a),这一结果较好的将较为集中的杂草区域识别出来了,这将为相应实用设备的开发提供理论基础。

参考文献:

[1] J. Romeo,G. Pajares,M.Montalvo. A new Expert System for greenness identification in agricultural images, Expert Systems with Applications, 40(6):2275-2286,2013.

[2] Yongming Chen,Ping Lin,Yong He. Classification of broadleaf weed images using Gabor wavelets and Lie group structure of region covariance on Riemannian manifolds, Biosystems Engineering, 109(3):220-227,2011.

[3] Alberto Tellaechea,Gonzalo Pajaresa,Xavier P.Burgos-Artizzub. A computer vision approach for weeds identification through Support Vector Machines , Applied Soft Computing, 11(1):908-915, 2011.

[4] 毛罕平,胡波,张艳诚, 杂草识别中颜色特征和阈值分割算法的优化,农业工程学报, 23(9):154-157,2007.

[5] Wei Shen, XiangBai, RongHu, Skeleton growing and pruning with bending potential ratio, Pattern Recognition, 44(2):196-209, 2011.

[6] Luca Serino, Carlo Arcelli, Gabriella Sanniti di Baja, On the computation of the curve skeleton of 3D objects, Pattern Recognition Letters, 32:1406-1414, 2011.

[7]Gisela Klette, Recursive computation of minimum-length polygons, Computer Vision and Image Understanding, 117(4):386-392, 2013.

基金项目:

广西高校科研2008年项目资助“基于数字形态学的杂草识别算法的研究”(200808LX322)

作者简介:

高远(1975.10-),男,硕士,广西科技大学电气与信息工程学院,副教授,主要从事混沌控制与同步、智能控制等方面的研究。

上一篇:浅析煤矿立井多绳摩擦式提升系统 下一篇:一种变压器试验用补偿电容塔控制系统概述