机器人系统中小麦病害识别与施药算法研究

刁智华+刁春迎+魏玉泉+毋媛媛+钱晓亮+刘玉翠

摘要：为解决传统施药机械农药利用率低且在施药过程中不能对作物病害进行检测等问题，根据常见农作物小麦的生长规律，提出了一种适用于施药机器人系统的病害识别与施药算法。研究方法能使机器人根据在行进过程中拍摄的作物图片识别出作物的病害种类并根据受害面积得出受害程度；通过改进的Hough变换算法识别出作物行；将病害信息和作物行信息作为精准施药依据，在不改变喷药压力和流量的基础上，通过中间控制器调节机器人喷杆行走速度以作物行中心线为轨迹进行变量施药。试验结果表明，机器人系统算法工作稳定，具有良好的稳定性和较高的实用性。

关键词：精准施药；机器人；病害识别；作物行

中图分类号： TP242文献标志码： A文章编号：1002-1302（2017）17-0192-04

收稿日期：2017-03-09

基金项目：国家自然科学基金（编号：61501407），河南省科技厅科技攻关项目（编号：162102110118）；河南省高等学校重点科研项目（编号：15A413006）；河南省高等学校青年骨干教师培养计划（编号：2016GGJS-088）；郑州轻工业学院研究生科技创新基金资助项目（编号：2016040）。

作者简介：刁智华（1982—），男，河南郑州人，博士，副教授，主要从事图像处理及模式识别的有关研究。E-mail：diaozhua@163.com。我国是一个农业大国，据相关研究数据统计，每年的农作物感染病害面积多达2亿hm2，造成巨大的经济损失。每年用于病害防治的农药约25万t（有效利用率仅为20%～30%），真正施在病害部位的仅占0.02%左右，其余的农药都散布在农田、水域、空气中，造成严重的水土资源污染[1-3]。农业操作如病害检测、喷洒农药等十分繁琐，大多数情况下作物病害识别是人工进行的，通过人工测量或显微镜，但是这需要有经验的专业人士，而且有些病害的症状非常相似，通过肉眼很难分辨，难以达到精准的效果[4-7]；传统施药时会采取过多的防护措施，如穿防水的衣服、戴口罩和手套等，这些措施可以避免农药对他们造成伤害，但也不能完全避免[8-10]。在这样的情况下，使用施药机器人便成了最好的解决方案，因此对机器人系统下作物病害识别及施药算法的研究具有重大的意义。

自20世纪80年代发达国家开始研究农业机器人后，相继出现了采摘、嫁接、施药机器人，但早期的施药机器人各方面性能低、智能化程度不高，没有针对性的病害检测系统和精准施药系统，后来由于人工智能、机器视觉等新技术的发展及应用，有效促进了施药机器人的自动化和精准化研发[11-13]。在国外，Arima等提出了一種多操作机器人作物信息获取及精准施药的方法，达到了传感、控制和数据管理3种功能的融合。Kozlowski等提出了一种机器人系统中精准施药自动控制方法，解决了复杂的精准施药问题。在国内，耿长兴等设计了机器人系统下PLC控制的精准施药方法，在3种病情等级上对机器人进行了试验，药液节省率达到60%以上。彭吴琦等使用MATLAB对小麦叶部图像依次进行图像转换反映病害分布情况，根据病害覆盖率识别出作物病害程度，为本研究的病害识别方法的研究提供了可行性依据。目前，国内外对精准施药机器人的研究尚处于研究试验阶段，环境的复杂性、作业对象形态的多义性、光照条件的不可控制性等都给机器人系统中信息获取和决策实施带来很大的困难。本研究以生长早中期的小麦常见病害为喷雾研究对象，利用机器视觉来获取小麦的病害信息，以病害的分布及受害面积作为施药依据，最终实现以作物行中心线为轨迹的精准施药。

1材料与方法

1.1系统原理

施药机器人系统中小麦病害识别与施药算法的研究由图像采集部分、信息识别部分以及精准施药控制部分组成。图像采集部分是通过工业相机对农作物信息进行采集；信息识别部分是通过hough变换提取出作物行中心线以及通过分析采集图片上病斑的颜色、形状、纹理等特征识别出病害的种类，进而根据病斑所占面积得出受害程度，在得到施药决策后，精准施药控制部分通过控制喷雾杆行走速度进行变量喷雾。

1.2试验规划

小麦种植密度大而集中，一般按照等间距行种植，在生长早期植株间距大，叶片分布均匀，无遮挡现象，但很少出现病害信息；生长中期小麦植株间距缩小，叶片呈层次分布，行距分明，病害信息明显易查，开始出现遮挡现象；而生长晚期小麦植株间距最小，叶片遮挡严重，病害信息杂乱不易检测，基本无行距。鉴于以上分析，生长早中期的小麦行距分明，叶片遮挡率小，便于施药，病害的症状明显，易于区分，所以研究选择生长早中期的小麦进行试验。本研究在河南农业大学毛庄农业科研实验基地进行，利用试验基地现存条件，结合小麦种植模式及叶面积分布构造了适用于机器人系统的病害识别与施药算法。

2系统设计

2.1图像采集与预处理

为实现精准施药首先要准确获取作物的病害信息，即对作物病害部位进行准确的衡量。作物在感染病害后叶部形状、颜色、纹理会出现变化，且感染不同的病害会出现不同的症状，系统根据这些症状的不同区分病害的种类。系统采用西安艾菲特光电技术有限公司生产的MV-VDM033SC型号的工业摄像机，分辨率为640×480，输出为RGB彩色图像，相机在试验中每隔2 s采集一次图像，为保证图像处理的精确度每次采集2张图片，一张近距离图像，一张远距离图像，分别用于病害识别和作物行检测。

2.1.1灰度变换采集的图像由于环境、光照度等的影响会存在噪声及其他物体的干扰，因此要对图像进行一定的预处理，包括灰度变换、中值滤波等。采集的图片中，小麦的正常叶片及阴影部分呈现绿色，而感染病害的叶片呈现异于绿色的白色、黄白色等，可以利用这一特性使用超绿颜色特征2G-R-B 将感染病害的小麦叶部病斑提取出来。超绿算法表达式为式（1）所示。endprint

exg=0，2G-R-B<0

255，2G-R-B>255

2G-R-B，0≤2G-R-B≤255。（1）

图1-a、图1-c为普通灰度化图像，图1-b、图1-d为超绿灰度化图像。通过分析可知，超绿灰度化后的图1-b更能突出作物行的走势，可清晰地观察到作物行的形态特征；图1-d更加突出了小麦叶片的病斑位置、大小、形状等形态特征，减少了冗余的复杂背景信息。

2.1.2中值滤波为对灰度化后的图像除去噪声对病斑及作物行提取的影响，采用3×3的模板对采集图像进行中值滤波，即对模板的9个灰度值进行从小到大或从大到小的排序，选择中间的灰度值来替代处理的灰度值。

2.2图像分割

对预处理后的图像进行图像分割是识别病害必不可少的一部分，分割的效果直接影响分析的结果，因此选择的分割方法对病害识别有很大的影响。由于图像中非病害部位与病害部位存在较大的颜色差异，阈值分割因简单快速是解决此类问题的最优方法。为减少阈值分割参与数据，提高图像处理速度，本研究选择一种改进的适用于本次图像分割的自动选择阈值的最大类间方差比阈值分割方法，具体算法如下：

（1）找出整个图像像素最多点对应的灰度级K，并求出K之前的灰度级像素总数N以及所有像素的灰度均值μ和分布概率p0，p1，p2，…，pk；

μ=1N∑mi=1∑nj=1f（i，j）。（2）

式中：f（i，j）为点（i，j）的像素灰度值。

（2）给定一个非零初始阈值T=T0，将图像分为C1、C2两类；

（3）计算灰度均值μ1、μ2和两类方差δ12、δ22；

μi=1NCi∑（x，y）∈Cif（x，y），（i=1，2）；（3）

δi2=∑（x，y）∈Ci[f（x，y）-μi]2，（i=1，2）。（4）

（4）计算C1、C2的发生概率P1、P2；

P1=∑Ti=0pi，P2=1-P1。（5）

（5）计算类内方差δm2和类间方差δb2；

δm2=P1·δ12+P2·δ22；（6）

δb2=P1·（μ1-μ）2+P2·（μ2-μ）2。（7）

令T=δb2/δm2，重复步骤2～5，第二次运算时取T0=1/2（μ1+μ2），当且仅当T=Tmax时的T为最佳阈值。本研究选择的白粉病病斑分割图片经计算后得出阈值为200时分割效果为最佳，分割病斑后的图像效果如图2所示。

对分割后的病害区域作面积统计，根据受害面积比例设置4种不同的受害程度，结果如表1所示。

2.3病害识别

病害识别中颜色是最明显、直观的特征，根据颜色特征能够分辨出一部分病害，纹理和形状特征可作为分辨类别的辅助依据，通过分析病害的颜色、纹理及形状特征能够分析出病害的种类。本研究根据病斑颜色特征的颜色矩和标准颜色直方图，纹理特征的角二阶矩（ASM）、对比度（CON）及相关度（COR）和形状特征的不变矩（μp）、偏心率（E）的计算方法[14]，对小麦几种常见病害进行了识别，病害识别结果如表2所示。

由于图像分割后的病害特征明显，识别率达到85%以上；但光照条件或相似病害的特征参数数据重叠存在一定的影响，因此病害识别存在少量的误差。

2.4作物行识别

作物行的背景信息复杂，直接提取具有较大的困难，且不能保证提取的精度，因此要进行一定的图像处理步骤。二值化是识别作物行的第一步，不仅简化了作物行信息，而且可以减少图像处理时间；二值化后进行细化处理突出作物行骨架，在提取作物行时只保留中间2行，最后通过Hough变换拟合直线检测出作物行的中心线。

2.4.1二值化为了播种和收割等的方便，大多数的农作物都是以等间距行的形式种植，这也为农作物的施药提供了方便。提取作物行信息首先要对采集的作物行图片进行二值化处理，采用膨胀和腐蚀算法消除二值化后的图像噪声，本研究采用3×3结构元素进行图像膨胀，采用5×1的结构元素进行图像腐蚀，二值化后图像如图3-a所示。

2.4.2提取作物行二值化后的图像已经得到作物行的大致轮廓，为清晰地提取出作物行的骨架信息，对图像采取细化处理，提取作物行中心骨骼，减少冗余的部分突出形状特点，细化后图像如图3-b所示。考虑到作物行的间距一般是相等的，只要对准其中2行，其他行按等距排列就可以实现所有行的对准，一般选取图像的中心2行为参考行。

2.4.3改进的Hough变换Hough变换具有较好的抗干扰性和鲁棒性，是用于直线检测的一种常用方法，但传统的Hough变换具有运算量大、断线错连、运算时间长等缺陷，在快速运算中失去了本来的应用意义。本研究提出一种改进的基于定向处理的快速Hough变换，减少了传统Hough变换巨大的运算量，降低了计算复杂度。

Hough变换将作物行拟合为直线，其基本思想是利用点线的对偶性把图像中的直线检测问题转换为对参数空间中点的检测问题，通过参数空间中点的累加统计完成直线检测。提高Hough变换的速度有2种方法，一是减少参与的点数，二是缩小计算的空间，本文提出的基于定向处理的快速Hough变换是这2种方法的结合。为了减少计算的复杂度采用直线极坐标方程表示，如式（8）所示。

ρ=xcosθ+ysinθ。（8）

式中：ρ是原点到直线的距离，θ是x轴与直线的夹角。计算时首先把整体图像量化为几个子区域，在细化图像中近直线段上随机选取两点（xm，ym）、（xn，yn）确定一条直线，参数如式（9）、（10）所示。

θ=arctanym-ynxm-xn；（9）

ρ=xmcosθ+ymsinθ。（10）

把每段近直线中所有像素点组成一集合A，随机取集合A中两点求斜率，如不满足近直线要求，重新选择。由于只提取作物行图像的中间2行，因此可以把θ的取值范围压缩为30°～150°，根据ρ=x2+y2sin（θ+）计算ρ的值，其中θ=sin-1（x/x2+y2）。最后根据ρ和θ的值对累加数组进行累加，得到共线点的个数，由ρ和θ的取值范围及它们的分辨率可以确定累加器的大小，从而检测直线。Hough變换后的图像如图3-d所示。endprint

2.5施藥决策

通过对采集的图像进行灰度化转换、中值滤波、分割、作物行提取等一系列处理后，将得到的小麦病害种类、分布、受病害程度以及作物行信息作为施药依据，根据识别出的病害类型选择相应的药液，4种病害等级相应地设置4种不同的施药速度，使其保持在0.15～0.45 m/s的变化范围内，在不改变喷药压力（0.8 MPa）和喷头流量（6.5 L/min）的情况下，只调节机器人喷杆行走的速度实现自动变量施药。为使精准施药机器人在一次喷雾中能够有效覆盖尽量多的小麦植株，

研究采取可移动六喷嘴式喷雾系统，每个喷嘴位于作物行中心线的正上方向下垂直喷雾，以喷嘴距离工作区域为300 mm时对应120 mm×120 mm的喷幅为标准。实际施药时由于相机与作物行底部中心存在偏差，因此可根据偏差信息进行适量的调整。

3算法实现形式

本研究的机器人系统中病害识别与精准施药的实现形式如图4所示，首先根据相机获取小麦图像，对图像进行预处理；然后进行作物行检测及病害检测，根据分割病斑后图像计算出感染病害面积，继而划分病害等级及施药等级；最后将病害及作物行信息发送给精准施药控制系统，由精准施药控制系统给控制阀发送命令控制药箱的启闭并控制压力泵给药箱施加恒等的压力，药液流出时通过流量计检测药液流出量的多少，并把信息传递给精准施药控制系统进行信息负反馈，从而进行相应的调整，通过流量计实时监测的喷头进行喷药，实现了喷头的自动对准和药液流量的自动控制。

4结论

本研究提出的机器人系统中病害识别与施药算法有效地减少了农药的浪费，通过机器视觉来获取病害信息，采用基于小麦叶片颜色、形状及纹理信息的图像处理方法实现了小麦病害的精准识别，并根据受害面积建立了病害病情等级评价标准，为后续的精准施药系统提供了施药依据。通过VC++6.0的开发语言实现小麦常见病害的分割、识别及提取作物行等算法以及对精准施药系统的控制，一幅图像300 ms左右的处理时间满足了实际的需求，在精度和准确度上都达到了较好的效果，且使用软件处理极大地节约了成本，为精准施药机器人的广泛使用提供了可能。但是，研究过程中由于光照、叶片遮挡等的影响，获取的病害信息仍然存在一定的误差，从采集图像到处理结束中间算法步骤稍多，因此如何准确地获取病害信息、提高图像处理时间仍然是需要解决的问题。

参考文献：

[1]赵春江，陈天恩，陈立平，等. 迁飞性害虫精准施药决策分析方法研究[J]. 农业工程学报，2008，24（增刊2）：149-155.

[2]傅锡敏，薛新宇. 基于我国施药技术与装备现状的发展思路[J]. 中国农机化，2008（6）：72-76.

[3]You G，Wang X，Yang S，et al. Precision spraying system of crops disease stress based on acoustic emission[J]. Journal of Computers，2011，6（4）：635-642.

[4]邵庆，张楠，路阳. 小麦病害图像识别处理及形状特征提取研究[J]. 农机化研究，2013（8）：35-37.

[5]刁智华，王欢，宋寅卯，等. 复杂背景下棉花病叶害螨图像分割方法[J]. 农业工程学报，2013，29（5）：147-152.

[6]王献锋，张善文，王震，等. 基于叶片图像和环境信息的黄瓜病害识别方法[J]. 农业工程学报，2014，30（14）：148-153.

[7]王翔宇，温皓杰，李鑫星，等. 农业主要病害检测与预警技术研究进展分析[J]. 农业机械学报，2016，47（9）：266-277.

[8]刘雪美，李扬，李明，等. 喷杆喷雾机精确对靶施药系统设计与试验[J]. 农业机械学报，2016，47（3）：37-44.

[9]Dammer K. Real-time variable-rate herbicide application for weed control in carrots[J]. Weed Res，2016，56（3）：237-246.

[10]Tackenberg M，Volkmar C，Dammer K. Sensor-based variable-rate fungicide application in winter wheat[J]. Pest Manag Sci，2016，72（10）：1888-1896.

[11]Aishwarya B V，Archana G，Umayal C. Agriculture robotic vehicle based pesticide sprayer with efficiency optimization[C]. Technological Innovation in ICT for Agriculture and Rural Development，2015：59-65.

[12]Neudecker S，Bruns C，Gerbers R，et al. A new robotic spray technology for generative manufacturing of complex concrete structures without formwork[J]. Procedia Cirp，2016，43：333-338.

[13]刁智华，赵明珍，宋寅卯，等. 基于机器视觉的玉米精准施药系统作物行识别算法及系统实现[J]. 农业工程学报，2015，31（7）：47-52.

[14]刘涛，仲晓春，孙成明，等. 基于计算机视觉的水稻叶部病害识别研究[J]. 中国农业科学，2014，47（4）：664-674.何玲，陈长喜. 生猪屠宰自动化监管系统的物联网构建[J]. 江苏农业科学，2017，45（17）：196-199.endprint