基于分水岭算法的植株叶片沉积参数检测

岳松儒 陆军 曹冬林 周建华 金天澍

doi：10.15889/j.issn.1002-1302.2024.10.030

摘要：针对当前农田作物喷洒农药后，植株表面出现的粘连雾滴影响沉积参数且未能及时检测药液分布情况的问题，搭建植株采集图像装置，提出改进的分水岭算法分割粘连雾滴的方法来快速检测雾滴沉积参数。首先采集了自然生长下喷洒药液的3种不同类型的盆栽植株共9幅图像，为了准确提取植株表面的雾滴，去除了复杂的背景区域；然后用R-G算法准确提取雾滴图像和以形状因子为0.9为阈值结合迭代腐蚀运算识别粘连雾滴；最后对强、弱粘连雾滴分别采用基于距离标记的改进分水岭算法和腐蚀算法分割。结果表明，改进的基于距离标记的分水岭算法分割粘连雾滴平均准确率达到92.31%，且对2～4个粘连雾滴的分割效果较好；本研究算法对比迭代全局阈值算法、大津算法的雾滴覆盖率分别提高39.83%和35.36%；雾滴密度与ImageJ计数、腐蚀运算和传统分水岭算法平均相对误差分别为4.03%、8.05%、7.09%；基于距离标记的改进分水岭的变异系数对比传统分水岭算法和腐蚀算法的相对误差分别为10.80%、18.78%。本研究的改进分水岭算法提高了植株的沉积参数检测准确率，可为执行农田植保作业时检测雾滴分布情况提供参考。

关键词：沉积参数；粘连雾滴；分水岭算法；形状因子；植保作业

中图分类号：TP391.41  文献标志码：A

文章编号：1002-1302（2024）10-0217-08

收稿日期：2023-05-29

基金项目：上海市新农科研究与改革实践项目（编号：沪教委高［2020］42号）；泰州市高层次创新创业人才（团队）引进计划（编号：泰人才办［2021］1号）；浙江省自然科学基金（编号：LY16C130008）；上海电机学院科研启动项目（编号：B1-0288-21-007-01-003）。

作者简介：岳松儒（1997—），男，四川巴中人，硕士研究生，主要从事喷雾装备视觉检测的研究。E-mail： yuesongru@163.com。

通信作者：陆  军，广西南宁人，博士，副教授，主要从事农机装备与技术研究。E-mail： lujun@sdju.edu.cn。

植保作业时喷雾施药是一个动态过程，药液雾滴颗粒群会在作物叶片表面发生碰撞、凝并、破碎、沉积等动力学事件，其中多个颗粒液滴的叠加行为直接影响其在作物表面的沉积、持留、铺展和渗透等，进而影响和决定施药效果［1］。研究农作物叶片上的粘连雾滴分割，进一步计算雾滴沉积密度、覆盖率、变异系数对于评价药液分布状态、优化喷施技术来说具有重要的指导作用［2］。目前，常用的检测方法有水敏试纸和荧光试剂的直接检测方法、作业单个叶片的雾滴覆盖率间接检测方法和深度学习检测方法。Martin等将荧光试剂与水混合，在田间棉花上进行喷洒试验，将棉花叶片发生的荧光反应图像传输至计算机进行处理，实现检测叶片上的沉积参数［3］。Wang等将表面增强拉曼光谱应用在水果和果汁中农药检测方面，用于检测和定量不同基质中的多种农药，与传统色谱方法相比，具有高灵敏度和稳定性［4］。亢洁等针对目前水敏纸图像处理软件缺少对水敏纸图像的旋转等预处理操作，基于ImagePy开发了一种可以快速准确检测雾滴尺寸及分布特性的水敏纸图像处理软件，该软件可测量雾滴尺寸、分布、总雾滴数和雾滴密度等雾滴参数，并用DepositScan软件计数比较，可以提高雾滴的提取率［5］。

曹军琳等采用超红算子与最大类间方差法（OTSU）相结合，模拟田间喷雾对叶片直接进行喷洒，截取了叶片仅含有药液的一部分区域图像，研究了叶片表面形态特征等因素对雾滴覆盖率的影响［6］。李睿等采用阈值边缘提取和HSV颜色模型相结合的算法，对完整的辣椒幼苗期叶片模拟喷雾后进行研究，能较好地反映出整个叶面积的雾滴覆盖率情况［7］。马凯等以荧光图像的方法为基础，设计了一种不会破坏植株的便携式雾滴叶面沉积检测系统，对整株植物检测了雾滴沉积率和覆盖密度［8］。Zheng等提出了一种基于激光雷达反射原理的测量新方法，验证的数据集足够多，但计算沉积参数的时间比较短，对液滴分布检测有显著效果［9］。Wang等采用了一种新型电容器传感器系统，用于在施用除草剂后立即测量喷雾沉积物，测试了不同配方和不同模式类型喷嘴的除草剂对该系统电容的影响，结果表明，沉积质量和除草剂溶液与传感器电容的数字电压信号呈线性关系［10］。Lü等提出了运用红外热成像原理检测液滴沉积参数，建立了带有机载喷雾系统的无人机模拟平台，并开发了处理水敏纸的分析程序液滴分析；研究结果证明红外热成像在空中喷洒领域评估液滴沉降的实用性［11］。Machado等为准确预测农药喷洒覆盖预期作物区域的评估方法，提出了基于智能手机的DropLeaf应用程序，分别对水敏试纸和真实叶片进行试验［12］。Yang等由于农药在农田作物表面喷洒的液滴粘连影响沉积参数检测，用水代替农药喷洒，对采集图像利用深度学习网络的黏性液滴识别，并基于一种卷积神经网络的凹点匹配分割算法来分割黏附液滴，结果表明，该方法检测液滴覆盖率和沉积密度均提高了至少3%的正确率［13］。

目前研究完整的植株和单双植株以及多植株的雾滴沉积参数的论文较少，本研究运用直接检测方法，用配制的溶液代替农药进行喷洒，采集图像并提取含有药液的二值图像。检测单植株、双植株和多植株鸡毛菜表面的雾滴沉积参数。若未对雾滴区域出现的粘连情况进行分割，直接获得的雾滴数以及相关联的沉积参数都会导致数值结果不精确［14］，本研究提出改进分水岭算法，并与其他算法对分割粘连雾滴的效果进行对比，并用雾滴覆盖率、雾滴沉积密度、变异系数的检测结果进行验证。

1  材料与方法

1.1  材料及设备

本试验以自种植盆栽鸡毛菜叶片（生长20 d）为采集对象，试验时间为2023年5月12—14日，试验地点在上海电机学院机械楼，用可食用的诱惑红染色剂（上海染料研究所有限公司）和水配制成质量分数为3%的诱惑红溶液代替农药［15］。通过电动喷雾机（蓝天植保器械厂，ZS型，工作压力0.2～0.6 MPa，额定电压12 V，自带雾化喷头的雾化角90°）模拟作业进行试验。采集装置主要包括背负式电动喷雾机、智能手机（摄像头为 1 200 万像素）、手机固定支架、智能手机、背景板、滑轨、植株、喷雾机。试验采集装置如图1所示。

1.2  试验方法

预先试验调节喷雾机距植株上方40 cm的喷洒高度并固定高度不变，左侧以智能手机采集图像，推动滑轨至右侧进行喷洒作业，智能手机可上下自由调节选择最好的拍摄角度便于提取整幅植株，采集图像利用标定板矫正镜头畸变。对采集的图像用MATLAB R2021b软件进行图像处理，可调用相关的函数进行预处理、粘连分割、统计雾滴参数。

1.3  植株样本

用“1.1”节中的装置分别对单植株、双植株和多植株进行模拟喷雾喷洒并采集盆栽植株样本图像，将上述的植株分为3组，每组都采集3幅图像，共9幅图像，编号依次为a～i。采集的图像具体如图2所示。

1.4  叶片图像处理

对叶片图像经预处理、去噪、二值化、形态学运算提取雾滴区域；基于形状因子判别单独雾滴和粘连雾滴，粘连雾滴每迭代一次判断比较上次迭代腐蚀后是否新增单独雾滴，不满足条件的先边缘检测凹点，再进行距离变换标记的改进分水岭算法分割得到雾滴沉积参数。系统流程如图3所示。

1.4.1  预处理

由“2.1”节中雾滴沉积参数公式可知，能否准确体现雾滴的喷洒效果，关键在于准确提取叶片雾滴区域以及去除含叶片表面之外的背景图像。图2中9组图像均含有复杂的背景信息，提取单植株a图像的RGB三通道颜色分量如图4所示。

1.4.2  叶片提取

由图4可知，R分量较多，在提取植株时盆栽中的泥土颜色与药液颜色较接近，加大了提取难度。首要步骤须去除除去叶片外的背景，用图像处理软件（Photoshop）将RGB图像a去除背景，然后转换为二值图像就可得到图像b，用

MATLAB软件采用大津算法和形态学运算可以达

到理想的提取效果；得到去除背景的RGB图像c，整个植株中枝干含有药液会直接影响雾滴的个数与沉积参数，去除枝干以及不必要的细小叶片对于后续的雾滴提取是非常有必要的，最终得到仅含叶片的图像d，具体如图5 所示。

1.4.3  去噪

为实现雾滴图像的准确提取和分割效果，需消除图像在传输过程中的噪声干扰，对叶片图像采用模板为3×3的高斯函数去除雾滴图像噪声，增强雾滴图像细节信息。

1.4.4  雾滴区域提取

根据RGB图像的三通道颜色分量对单植株a图像分别运用2G-R-B、2R-G-B、R-G算法进行灰度化操作［16］。观察3幅灰度图像，超绿算法未能将雾滴与叶片分开，超红算法仍显示部分叶片区域，而R-G算法对比前2种算法能较好地将雾滴与叶片完全分开以及能更准确地提取完整的雾滴图像。对单植株a的灰度图像1用R分量减去G分量得到图像2，图像2经形态学运算得到叶片二值图像3，图像2再与图像3“异或”得到图像4，叶片边界与图像4“位与”得到去除毛刺的图像5，填充空洞得到图像6，再将图像6与边界图像“异或”可得到雾滴图像7。雾滴区域提取过程如图6所示。

1.5  粘连雾滴判别

从“1.4.4”节提取的雾滴图像中可以观察到叶片区域部分出现2个及多个雾滴的粘连情况，为了准确得到叶片上的雾滴个数，需要对粘连雾滴进行分割。雾滴形状因子的阈值可以判别雾滴是否粘连，计算公式如式（1）所示。

S0=4πSC2。（1）

式中：S0为雾滴形状因子；S为连通区域雾滴面积，像素；C为连通区域雾滴周长，像素。

1.5.1  粘连雾滴提取方法

图6中f图像粘连雾滴的形态不一，粘连的类型和个数也不尽相同，从9幅图像中选取2幅雾滴二值图像截取10个强弱粘连类型雾滴，如图7所示。由公式（1）计算，图7-a中编号为1～6的为强粘连雾滴，7为弱粘连雾滴，其形状因子分别为0.452、0.342、0.273、0.271、0.356、0.370、0.533；图7-b中，8～10为严重粘连雾滴，其形状因子分别为0.155、0.794、0.885。对于强粘连雾滴以及严重粘连雾滴未采用算法分割会严重影响沉积参数结果。仅依赖于形状因子参数获取完全分离的单独雾滴与粘连雾滴是无法实现的［17］，本研究运用形状因子结合迭代腐蚀处理，可以有效地提取单独雾滴和粘连雾滴。

1.5.2  形状因子分布图

图7中严重强粘连雾滴的形状因子高达0.885，经过多次预试验选择形状因子0.9为阈值结合迭代腐蚀运算，在判断前分别选择单独雾滴和粘连雾滴各200个，统计各自的形状因子分布如图8所示。

经过多次提取试验，统计各雾滴形状因子分布规律，观察提取出单独雾滴的形状因子以0.9为阈值，对于判断单独雾滴大于0.9提取准确率可达到93%，对于粘连雾滴小于等于0.9提取准确率可达到95%，单独雾滴的形态不规则使得形状因子值大致分布在0.85～1.47之间。

2  结果与分析

2.1  雾滴沉积特性参数表示方法

2.1.1  雾滴覆盖率计算

雾滴覆盖率表示作业时植株叶面上雾滴面积与叶面总面积的比值，具体如式（2）所示。

C=S1S2×100%。（2）

式中：C为雾滴覆盖率；S1为叶面上药液面积，S2为叶面总面积，用像素表示。在提取叶面和雾滴二值图后，通过式（2）可快速了解叶面雾滴覆盖率。

2.1.2  雾滴沉积密度计算

雾滴沉积密度表示叶片上接收的药液雾滴总数，具体如式（3）所示。

I=NM。（3）

式中：I为雾滴沉积密度，个/cm2；N为药液雾滴总数，个；M为叶片实际面积，cm2。

2.1.3  雾滴变异系数计算

变异系数表示叶片雾滴参数的分布均匀性，变异系数越小则分布均匀性越好，计算方法如式（4）、式（5）所示。

CV=σμ；（4）

σ=∑ni=1（μi-μ）2n-1。（5）

式中：CV为变异系数，无量纲；σ为标准差，表示各叶片的雾滴数，个；μ为各叶片平均雾滴数，个；μi为单位面积的雾滴数，个；μ为单位面积平均雾滴数；n为叶片总数。

2.2  雾滴分割结果

运用不同的算法对粘连雾滴进行分割，改进的分水岭算法流程如图9所示。图10呈现出改进的算法对比传统分水岭算法和腐蚀算法避免了过分割和有效地保留原雾滴的轮廓特征信息。图11呈现的是分别对2～4个强粘连程度的雾滴进行分割，且分割效果较好。

用ImageJ软件对粘连雾滴的分割结果进行标记计数，9幅图像中按照编号统计未被分割或难以分割的雾滴数分别为2、4、6、8、18、13、53、70、83个，分别占雾滴总数的4.08%、5.19%、6.97%、6.89%、11.32%、8.44%、7.61%、8.73%、9.92%，分割平均准确率达到92.32%。

2.3  雾滴覆盖率算法对比

将图像a～i编号为1～9，9组的原灰度图像分别用本研究算法、大津算法和迭代全局阈值法提取雾滴的二值图像。使用MATLAB R2021b分别计算叶片表面的雾滴像素面积和叶片的像素面积，最后取两者的比值即可得到雾滴覆盖率。由表1可以看出，本研究算法的覆盖率明显高于其他2种算法，相对误差平均值分别为39.83%和35.36%。相对误差的计算公式如式（6）所示。

E=｜P-G｜P。（6）

式中：E表示相对误差（%）；G表示与改进算法对比的数值；P表示改进的算法数值。

2.4  雾滴沉积密度

雾滴类型判断中粘连雾滴分别运用改进的分水岭算法、传统的分水岭算法、腐蚀算法分割。将改

进的算法与ImageJ软件统计分割结束后的雾滴个数进行比较［18-19］，雾滴沉积密度结果如表2所示。

由表2可知，后2种算法统计的沉积密度低于改进分水岭算法的沉积密度，主要原因在于出现了图7中较多的强粘连雾滴以及多个粘连雾滴。对于生长的植株喷洒药液过程中由于雾滴本身的重力、叶片表面复杂的脉络结构以及较弱的吸附力和生长的方向对药液的分布都有影响。传统分水岭算法由于欠分割和未能匹配到正确的分割位置，腐蚀算法虽能有效分割但以减少雾滴数为代价，结果使得分割雾滴个数少于改进算法，按照式（3）可知结果都会偏小。改进算法的分割效果与ImageJ计数、腐蚀运算和传统分水岭算法的平均相对误差分别为4.03%、8.05%、7.09%。

2.5  雾滴数变异系数

按单株、双株、多株3类图像进行试验，对改进的分水岭算法、腐蚀运算以及传统的分水岭算法计算各自雾滴数变异系数。不同的类型图像混合计算该参数会严重影响本身的分布结果，其中1号图像的变异系数数值大于7，随着雾滴个数增加，9号图像该参数数值达到0.4附近。故对3类图像分开统计其平均变异系数结果，由公式（4）、公式（5）、公式（6）分别得到变异系数和相对误差，结果分别如表3、图12所示。

各算法变异系数平均值分别为0.213、0.236、0.173，与改进算法相比传统分水岭算法和腐蚀运算的相对误差分别为10.80%和18.78%；研究改进分水岭算法的变异系数相对传统分水岭算法改善了均匀性，平均值越小，表明雾滴的分布均匀性越好。

3  结论

针对目前农田作物喷洒农药后，植株表面出现的粘连雾滴影响沉积参数的结果，且未有较好的精准识别粘连雾滴的方法进行及时检测药液分布情

况的问题，改进的基于距离标记的分水岭算法分割粘连雾滴平均准确率达到92.31%；本研究算法与迭代全局阈值算法和大津算法相比较，雾滴覆盖率分别提高了39.83%和35.36%；雾滴密度与ImageJ计数、腐蚀运算和传统分水岭算法平均相对误差分别为4.03%、8.05%、7.09%；变异系数对比传统分水岭算法和腐蚀算法的相对误差为10.80%、18.78%；依据形状因子判断单独雾滴的准确率可达93%，粘连雾滴准确率可达95%。

为了在后期研究中对多种农作物试验中的沉积参数进行检测，需要确保在作业后能够立即检测药液的分布情况，继续优化算法并开发相应的APP应用于农业检测中。

参考文献：

［1］陆  军. 喷雾药液在靶标植株上的沉积与润湿研究［D］. 镇江：江苏大学，2010.

［2］Musiu E M，Qi L J，Wu Y L. Spray deposition and distribution on the targets and losses to the ground as affected by application volume rate，airflow rate and target position［J］. Crop Protection，2019，116：170-180.

［3］Martin D E，Latheef M A. Aerial electrostatic spray deposition and canopy penetration in cotton［J］. Journal of Electrostatics，2017，90：38-44.

［4］Wang S Y，Shi X C，Zhu G Y，et al. Application of surface-enhanced Raman spectroscopy using silver and gold nanoparticles for the detection of pesticides in fruit and fruit juice［J］. Trends in Food Science & Technology，2021，116：583-602.

［5］亢  洁，刘  港，郭国法. 水敏纸图像预处理及农药液滴参数测量［J］. 江苏农业科学，2022，50（12）：220-228.

［6］曹军琳，祁力钧，杨知伦，等. 基于图像处理的雾滴沉积分布试验研究［J］. 中国农业大学学报，2019，24（1）：130-137.

［7］李  睿，张  伟，王訢丞，等. 叶面雾滴沉积分布直接检测算法研究［J］. 中国农机化学报，2020，41（3）：74-78.

［8］马  凯，张宗宇，董晓娅，等. 便携式雾滴沉积检测系统的设计与试验［J］. 农机化研究，2023，45（5）：49-54.

［9］Zheng Y J，Yang S H，Lan Y B，et al. A novel detection method of spray droplet distribution based on LIDARs［J］. International Journal of Agricultural and Biological Engineering，2017，10（4）：54-65.

［10］Wang P，Yu W，Ou M X，et al. Monitoring of the pesticide droplet deposition with a novel capacitance sensor［J］. Sensors，2019，19（3）：537.

［11］Lü M Q，Xiao S P，Tang Y，et al. Influence of UAV flight speed on droplet deposition characteristics with the application of infrared thermal imaging［J］. International Journal of Agricultural and Biological Engineering，2019，12（3）：10-17.

［12］Machado B B，Spadon G，Arruda M S，et al. A smartphone application to measure the quality of pest control spraying machines via image analysis［C］//Proceedings of the 33rd Annual ACM Symposium on Applied Computing.Pau France.ACM，2018：956-963.

［13］Yang W，Li X Z，Li M Z，et al. Droplet deposition characteristics detection method based on deep learning［J］. SSRN Electronic Journal，2022（11）：107038.

［14］郭  娜，刘思瑶，须  晖，等. 雾滴沉积特性参数的图像检测算法改进［J］. 农业工程学报，2018，34（17）：176-182.

［15］石  鑫，高赛超，杨代斌，等. 农药沉积利用率喷雾指示剂诱惑红的酶标仪测定方法［J］. 现代农药，2021，20（1）：35-37.

［16］刘立波，程晓龙，戴建国，等. 基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割［J］. 农业工程学报，2017，33（12）：201-208.

［17］吴亚垒，祁力钧，张  亚，等. 雾滴图像粘连特征改进判断及分离计数方法优化［J］. 农业机械学报，2017，48（增刊1）：220-227.

［18］Schroeder A B，Dobson E T A，Rueden C T，et al. The ImageJ ecosystem：open-source software for image visualization，processing，and analysis［J］. Protein Science，2021，30（1）：234-249.

［19］Mahmoudzadeh R，Salabati M，Hsu J，et al. Agreement of optical coherence tomography thickness measurements between Heidelberg Eye Explorer and ImageJ software［J］. Canadian Journal of Ophthalmology，2022，57（5）：344-349.