基于计算机视觉的水稻杂株识别

李 宁,余 斌

(平顶山工业职业技术学院,河南 平顶山 467000)

0 引言

我国人口众多,随着城市化进程的加快,可耕种土地越来越少,对于粮食的需求量也在逐年增加。水稻是我国的主要粮食作物之一,其产量严重影响着我国的粮食安全问题[1]。为保证粮食产量,解决水稻产量持续增长的难题,我国发展了强优势杂交水稻技术[2]。近年来,在水稻的生长过程中发现了杂草稻的现象,杂草稻在生长过程中侵占水稻的阳光、养分等,严重影响了水稻的产量。因此,迫切需要一种能够准确识别水稻杂株的方法,并进行有效的控制。

杂草稻是一种具有野生稻和栽培稻特性的一类杂草[3],具有长势快、成型植株松散及谷粒少的特点,生长范围为稻田或者稻田的周边。由于其与水稻的外形近似,因此需要通过提取水稻杂株的相关特性进行准确的识别。目前,我国识别水稻杂株的方法主要包括人工方法、光谱方法和计算机视觉的方法:人工方法的效率较低,容易漏检导致是被准确率较低;水稻和杂株的特性相近,使用光谱的方法难以识别;急速三级视觉的方法相比传统的缺陷识别方法准确率和效率均较高,因此可以用于水稻的杂株识别。

计算机视觉识别方法是通过提取水稻和杂株图像的二值化形状,对比杂株的形状特征进行识别[4],识别率可以高达90%以上,因此本文将基于计算机视觉技术对水稻杂株进行识别。

1 硬件组成

1.1 技术路线

水稻杂株识别系统的主要组成为图像获取系统、特征提取系统和模式识别方法系统,以计算机识别技术作为技术基础,总体流程如图1所示。

图1 水稻杂株识别系统总体流程图

1.2 图像获取系统

图像获取系统主要包括光源、相机、图像采集卡、数据传输模块和图像处理模块。图像处理系统的示意图如图2所示。

图2 图像处理系统示意图

为保证采集到的图像质量,相机采用单反数码相机。为保持相机拍摄时的稳定性,需要在相机下部安装三角支架进行拍摄。相机内部安装存储卡,储存拍摄到的水稻和杂株水稻的图像;在拍摄时或拍摄完成后,可以将存储卡的数据传输至计算机进行查看,以便后续进行图像处理。相机与计算机的图像传输采用数据线进行,保证数据传输的稳定性和准确性。

在采集水稻杂株图像时,需要采集不同生长期和各种常见类型杂株的图像。为了保证算法的适应性,在不同的天气状况下(包括晴天、阴天和雨天)及不同的时段进行水稻杂株图像的采集。

1.3 特征提取系统

在获得水稻杂株图像后,一般采取对图像预处理再进行分割的方式,但考虑到预处理会损失水稻杂株的一些图像细节,本文将直接对采集到的图像进行分割。首先,利用杂株的颜色特征将杂株从图片背景中筛选出来,通过改进的Ostu方法[5]对图像进行阈值分割,计算公式为

1)膨胀:用于填报图像汇总的杂株水稻孔洞,即

M⊕N={x|(N+x)∪x≠φ}

2)腐蚀:用于简化图像这个杂株水稻的结构,即

MθN={x|(N+x)⊆M}

3)开运算:用于使图像中杂株水稻的毛刺等消除,使图像边缘变平滑,即

M∘N=(MθN)⊕N

4)闭运算:用于填补图像中小的空洞,即

M·N=(M⊕N)θN

通过以上处理后,即可得到图像的二值图像。水稻杂株和水稻的主要区别在于形状和纹理方面,在颜色方面则很难讲杂株区分出来,因此可以利用杂株的形状特征包括页片的宽长比及叶茎的直径进行识别,或者采用灰度共生矩阵获得杂株的整体纹理特征[6]。

1.4 模式识别方法系统

通过比较杂株水稻的颜色、形状和纹理特征,采用形状和纹理特征进行杂株识别。识别模型采用支持向量机。

2 软件设计

2.1 杂株形状特征提取

水稻杂株和水稻的主要区别在于整个植株,而且水稻的叶子和杂株叶子存在覆盖的情况,很难将其分开,识别率较低,因此选用整个植株为提取对象。特征提取的方法如下:首先对图像集合M进行连续的k腐蚀,即

(MθkN)=(...((MθN)θN)θ...)θN

其中,第k次腐蚀为

K=max{k|(MθkN)≠φ}

然后,将上面的结果进行开运算,即

由此得到水稻和杂株的二值图的框架。

2.2 杂株纹理特征提取

灰度共生矩阵是一种对植物进行分析和测量的方法[7],其纹理特征提取步骤如图3所示。

图3 纹理特征提取步骤

1)对于图像中的任一点(x,y)与其偏离点(x+p,y+q)形成点对,对应灰度分别为i和j。假设图像中的灰度总级数为K,固定偏离值p和q,则可以得到图像中i和j的组合数为K2。

2)统计每一个灰度出现的概率,并将其形成矩阵Pij,则该矩阵即为灰度共生矩阵,此时有

其中,i=f(x1,y1),j=f(x2,y2),分别为图像中(x1,y1)和(x2,y2)点的灰度值,则

(x2,y2)=(x1,y1)+(dcosθ,dsinθ)

其中,d为对应点对的距离,取d=1;θ为角度,为方便计算,需要将灰度级数由256级降为16级,因此一般取θ为0°、45°、90°、135°。

3)计算该灰度矩阵的能量A、熵E、反差L和相关性C,即

A=∑∑{f(i,j/d,θ)}2

通过对二值图像进行以上计算即可得出图像的纹理特征。

2.3 水稻杂株识别

采用单个的分类器对水稻杂株进行识别,容易出现识别不均衡现象,降低识别率。为此,可以融合多个识别器,取各分类器的优势对杂株进行识别。本文采用D-S证据理论[8],融合支持向量机、BP神经网络和K近邻分类器作为基本分类器,通过以上3个分类器的识别结果构建D-S理论分配函数,最终输出识别结果。D-S理论识别过程如图4所示。

图4 D-S理论识别过程

首先利用支持向量机(SVM)对采集到的杂株样本集学习,通过下式求最优解,即

Mi:P(y=1|x)≈PA,B[g(x)]

其中,g(x)为支持向量机中杂株样本标准输出值,通过求解最大似然问题得到A和B。通过上式即可构造杂株识别的概率模型,将采集到的杂株图片利用每个分类器对杂株进行识别,并将结果进行计算和统计,得到每个分类器识别的准确率ri,然后按照下式构造基本概率分配函数m(A),则

其中,A为特征值,Q为识别框架,T为框架中含有的元素数量。由此得到每个分类器的概率分配函数值,在进行杂株识别时可以根据特征值选择哪一个分类器进行分类识别并统计,即可得到杂株类型。此方法即为DS融合理论程序对水稻杂株的识别。

3 试验结果

为保证该水稻杂株识别系统的准确率,首先需要对该系统进行训练。在确定每个分类器对水稻杂株类型的识别准确率后,确定每个分类器的概率分配函数值;然后,随机选取杂株图片对杂株类型进行验证。

3.1 水稻杂株类型识别准确率确定

水稻的杂株类型主要有保持系和变异株两种,选取每种杂株类型的图片50幅进行预处理后,提取每个杂株图片的颜色、形状和纹理特征,利用每个分类器进行识别。识别准确率的结果如表1所示。

表1 单个分类器杂株识别准确率 %

由表1可知:3个分类器中支持向量机的识别准确率最高,但各分类器的识别准确率均未超过90%。因此,通过统计图片的特征值和准确率构造基本概率分配函数,确定各特征所对应的识别概率,并将其输入系统,即可进行DS融合理论对水稻杂株进行识别。

3.2 水稻杂株类型识别

为验证该系统的可行性,选取5组图片进行杂株类型识别,每一组图片包含已确定杂株保持系和变异株类型的图片各50幅和正常的水稻图片100幅,将其混合输入系统进行识别。识别结果如表2所示。

表2 DS分类器对杂株类型识别准确率

由表2可知:DS分类器可以识别水稻杂株类型,准确率达到了90%以上;在识别过程中,系统运行良好,可以满足农业人员对水稻杂株识别系统的要求。

4 结论

1)水稻杂株识别系统以计算机视觉技术作为基础,主要组成为图像获取系统、特征提取系统和模式识别方法系统。

2)水稻杂株识别系统利用颜色特征识别杂株,通过对杂株图像进行阈值分割,获取二值图像,再提取图像的形状特征和纹理特征,利用DS融合理论程序对水稻杂株图片进行训练,并进行杂株识别。

3)试验结果表明:该系统可以完成对水稻杂株的识别,识别准确率达到92%以上,能够满足农业人员对水稻杂株识别系统的要求。