發(fā)布時間：2020-02-22所屬分類：農(nóng)業(yè)論文瀏覽：1次
摘 要： 摘要:水稻雜株是品種形成過程中的干擾因素，對水稻產(chǎn)業(yè)具有較大的危害。水稻雜株的防除以識別為前提，但目前的識別方法消耗大量人力，識別的效率也不理想。計算機視覺是一種圖像分析處理技術(shù)，在農(nóng)業(yè)領(lǐng)域的應(yīng)用較廣。為此，設(shè)計了基于計算機視覺的水稻雜株識
摘要:水稻雜株是品種形成過程中的干擾因素，對水稻產(chǎn)業(yè)具有較大的危害。水稻雜株的防除以識別為前提，但目前的識別方法消耗大量人力，識別的效率也不理想。計算機視覺是一種圖像分析處理技術(shù)，在農(nóng)業(yè)領(lǐng)域的應(yīng)用較廣。為此，設(shè)計了基于計算機視覺的水稻雜株識別方法，拍攝圖像后依次進行預(yù)處理、灰度化和二值化，最后根據(jù)外觀特征采用閾值分割法將雜株識別并提取出來。試驗結(jié)果表明:秧苗期水稻雜株的性狀特征最少，導(dǎo)致計算機視覺的識別效果較差;計算機視覺在抽穗期的識別率最高，誤識率最低，具有良好的識別效果。因此，這種識別方法最適合在水稻的抽穗期使用，可以為水稻的品種形成提供技術(shù)支撐。
關(guān)鍵詞:計算機視覺;水稻;雜株識別;亮度特征
0引言
水稻是我國的重要糧食作物，一半以上的人口以水稻為主食。水稻在我國的大部分省份都可以種植，面積位居世界第二，總產(chǎn)量為世界第一。水稻的分布地域較廣，具有多種生態(tài)類型，但對所有的地域和類型來說，優(yōu)良品種都是水稻高產(chǎn)的基礎(chǔ)。
水稻品種的形成要經(jīng)過選育、大面積制種和區(qū)域試驗等環(huán)節(jié)，這些環(huán)節(jié)面臨的一個共同問題就是水稻雜株。水稻雜株的類型多樣，來源也十分復(fù)雜，有自然變異或遺傳分離產(chǎn)生的雜株，也有操作過程中混雜的植株。親本中的雜株包括不育系親本中的保持系和遲不育株，保持系親本中的不育系和常規(guī)稻，恢復(fù)系親本中的常規(guī)稻和變異株。子代中的雜株種類較多，包括親本植株和遠源雜交后代[1-2]。雜株的性狀表現(xiàn)也有多種類型，如當(dāng)代表現(xiàn)、隔代表現(xiàn)和多代表現(xiàn)，甚至存在變異的表現(xiàn)型[3]。
雜株對水稻產(chǎn)業(yè)具有較大的危害，在選育階段會干擾對正常植株農(nóng)藝性狀的觀察和評判，延緩性狀改良的進程。制種階段的雜株顯著降低收獲種子的純度，甚至造成制種的失敗。區(qū)域試驗中的雜株會影響候選品種的展示效果，并降低產(chǎn)量，可能導(dǎo)致優(yōu)良的候選品種被錯誤地淘汰。雜交水稻推廣種植后，植株的混雜隨著年代的增加日益明顯，已經(jīng)開始削弱水稻的雜種優(yōu)勢，嚴(yán)重影響了雜交水稻的增產(chǎn)效果[4]。尹大杰等研究表明，生產(chǎn)田中的雜株率每增加1%，則水稻畝產(chǎn)減少7.8kg[5]。
因此，在水稻的品種選育、大面積制種和區(qū)域試驗等環(huán)節(jié)中要加強對水稻雜株的防范清除，以達到增產(chǎn)增效的目的。針對復(fù)雜的雜株類型和性狀表現(xiàn)，人們設(shè)計了多種雜株防除措施，包括選育階段重視親本的繁殖保純，制種階段進行嚴(yán)格的田間隔離，區(qū)域試驗階段做好播種和移栽工作，避免品種之間及與外界的混雜[6]。水稻雜株的防除以識別為前提，特別是在制種環(huán)節(jié)中，雜株的識別是決定種子純度的關(guān)鍵。當(dāng)前雜株識別主要依靠經(jīng)驗進行肉眼觀察，根據(jù)不同生長發(fā)育時期的各個性狀表現(xiàn)差異來判斷[7]。在秧苗期，一般根據(jù)葉片大小、顏色的深淺和秧苗的高矮來識別雜株。抽穗揚花期是水稻由營養(yǎng)生長向生殖生長轉(zhuǎn)變的時期，用于識別雜株的性狀較多，如抽穗時間、包頸程度和穗部形態(tài)等;在成熟期則通過結(jié)實率、谷粒大小形狀及穗層的整齊程度來識別雜株[8]。總體上來說，目前的水稻雜株識別須要消耗大量的人力，識別的效果也不理想，影響了品種形成的速度。
隨著科學(xué)技術(shù)的發(fā)展，許多新型技術(shù)如無人機、物聯(lián)網(wǎng)和計算機視覺等在農(nóng)業(yè)領(lǐng)域得到了廣泛的應(yīng)用，提升了農(nóng)業(yè)現(xiàn)代化的水平。水稻雜株識別大都是基于外觀性狀的差異，因此可以通過圖像處理來實現(xiàn)，為計算機視覺的應(yīng)用提供了空間。計算機視覺技術(shù)是拍攝圖像并分析視覺參數(shù)，然后根據(jù)目標(biāo)特征將需要識別的對象從圖像中提取出來。計算機視覺在農(nóng)業(yè)中主要用于瓜果的收獲和分級檢測，以及田間雜草和機械行駛路徑的識別[9-12]。在水稻上，計算機視覺還可以用于對裂穎種子、葉部病害的識別，都能取得良好的效果[13-14]。龔紅菊等基于分形理論分析設(shè)計了計算機視覺系統(tǒng)，根據(jù)與圖像特征參數(shù)的線性相關(guān)性準(zhǔn)確預(yù)測出單位面積的水稻產(chǎn)量[15]。陳誠等通過計算機視覺對水稻葉片多種顏色指標(biāo)的分析，建立相關(guān)模型，能夠準(zhǔn)確預(yù)測葉綠素的相對含量[16]。
為了拓展計算機視覺技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用范圍，本文提出了基于計算機視覺的水稻雜株識別方法。水稻田間圖像依次進行預(yù)處理、灰度化和二值化，然后根據(jù)雜株的外觀特征選擇合適的參數(shù)進行閾值分割，將雜株從背景中識別并提取出來。最后，在水稻各個生長發(fā)育時期測試該方法的識別效果，為水稻的品種選育、大面積制種和區(qū)域試驗提供技術(shù)支撐。
期刊推薦：《農(nóng)業(yè)科技與裝備》雜志是在《農(nóng)業(yè)機械化與電氣化》雜志的基礎(chǔ)上，于2007年變刊創(chuàng)辦的公開發(fā)行的省級科技期刊。重點刊登農(nóng)學(xué)、植保、園藝、土壤與環(huán)境、農(nóng)業(yè)工程以及農(nóng)產(chǎn)品加工等領(lǐng)域研發(fā)成果，宣傳推廣農(nóng)業(yè)新品種、新產(chǎn)品、新技術(shù)、新工藝;堅持高起點和高質(zhì)量，擇優(yōu)登載對農(nóng)業(yè)生產(chǎn)具有指導(dǎo)價值并能反映農(nóng)業(yè)科技與裝備前沿成果的文章，積極探討農(nóng)機與農(nóng)技共同發(fā)展和有效結(jié)合的途徑;堅持學(xué)術(shù)性和技術(shù)性，重點滿足農(nóng)業(yè)院校、科研單位、農(nóng)業(yè)(農(nóng)機)推廣等層面讀者需求。
1設(shè)備和軟件
視覺分析的設(shè)備是數(shù)碼相機和計算機，數(shù)碼相機為NikonD700型，采集的圖像為2080萬像素的JEPG格式，模擬信號由2400型A/D轉(zhuǎn)換器轉(zhuǎn)變成BMP格式后導(dǎo)入計算機。計算機是聯(lián)想T6900C型臺式電腦，配置包括Intel酷睿i76700型CPU，8GB的DDR4型內(nèi)存，在Windows10操作系統(tǒng)中運行。視覺分析軟件為MatLab工具箱，運行速度快，可以用于對圖像的快速處理。
2視覺分析
2.1圖像預(yù)處理
在無風(fēng)的陰天采集水稻田間圖像，拍攝時相機離地高度3m，俯視角45°。由于受到環(huán)境因素的影響，且拍攝時相機可能出現(xiàn)抖動，導(dǎo)致圖像中含有各種噪音，會對后續(xù)的視覺分析造成影響。這里利用5×5的中值濾波對圖像做平滑處理，消除噪音后得到便于分析的原始圖像，如圖1所示。相機俯視拍攝導(dǎo)致不同距離上的相同大小物體所對應(yīng)的像素數(shù)量有差異，獲得的圖像存在畸變。本文采用立體幾何算法，在像平面上任選一點，得到垂直于相機光軸且與該點相交于拍攝范圍中心點的物平面坐標(biāo)，隨機產(chǎn)生對應(yīng)圖像平面的坐標(biāo)，從而完成對圖像畸變的校正。
2.2圖像灰度化
原始圖像中的背景是正常水稻植株，葉片形態(tài)和顏色表現(xiàn)一致。水稻雜株也是以綠色為主，但是在植株高度、生長發(fā)育時期或顏色深淺上與正常植株之間存在差異。對于植株高度存在差異的雜株，若其株較矮，原有的位置會被后方的植株替代，形成較暗的區(qū)域;若其株較高，則會遮擋后方的植株形成較亮的區(qū)域。水稻抽穗開花期的葉片為綠色，稻穗為黃色，生長發(fā)育時期存在差異的雜株可以通過顏色進行識別。因此，可以利用亮度和顏色的差異將各種類型的雜株從背景中分離出來。為提高彩色圖像的分割效果，關(guān)鍵在于選擇合適的顏色空間。
本文根據(jù)田間水稻圖像的光照強度特征，以HSI模型建立顏色空間，分別采用色調(diào)H，飽和度S和亮度I作為分量分析圖像，在I分量下對圖像進行灰度化處理。處理得到的灰度化圖像顏色差異明顯增強，雜株圖像區(qū)域與背景的區(qū)分更加容易，如圖2所示。
2.3閾值分割
圖像分割是利用顏色和亮度特征識別雜株的必要步驟，圖像分割有多種方法，一般根據(jù)目標(biāo)特征和分析目的來選擇。閾值分割法具有模型簡單、運行速度較快的優(yōu)點，適合用于水稻雜株的快速識別。本文通過分析灰度化圖像的直方圖，獲得合適的閾值作為分割雜株和背景的依據(jù)。雜株的亮度和顏色特征受光照影響不大，因此將原始圖像的I分量和灰度化圖像分別做最大類間方差分析和二值化處理，得到灰度化的直方圖，從直方圖上選取分割特征的閾值上限T1和下限T2，如圖3所示。
2.4雜株識別
將田間水稻圖像劃分為基本的區(qū)域單元，分析每個單元中的亮度特征值，當(dāng)特征值小于T2或大于T1時，即判定為目標(biāo)單元。最后將所有相鄰的目標(biāo)單元拼接成為一個整體，即雜株的圖像區(qū)域，用黑色表示出來，如圖4所示。同理，將特征值介于T2和T1之間的單元拼接成為背景區(qū)域，用白色表示出來。
3試驗結(jié)果分析
在本單位的試驗基地內(nèi)選取一塊水稻雜株較多區(qū)域，對計算機視覺的雜株識別效果進行測試。種植區(qū)域的面積約為200m2，在水稻的秧苗期、分蘗期、抽穗期和成熟期人工調(diào)查記載雜株的數(shù)量和分布位置，隨后通過計算機視覺拍攝并分析圖像;以人工調(diào)查記載的數(shù)據(jù)為標(biāo)準(zhǔn)，評價計算機視覺的雜株識別效果。
試驗結(jié)果如表1所示。水稻雜株的性狀特征涉及多個方面，是隨著生長發(fā)育的進程而逐漸顯現(xiàn)的。因此，人工調(diào)查也無法在早期識別出所有的雜株，導(dǎo)致秧苗期的漏檢數(shù)量較多。秧苗期水稻雜株的性狀特征最少，計算機視覺的識別率較低，僅為89.1%，誤識率也較高。在后面的3個時期計算機視覺識別率都超過94%，在抽穗期的識別率最高，誤識率最低，具有最好的識別效果。
4結(jié)論
設(shè)計了基于計算機視覺的水稻雜株識別方法，首先拍攝水稻圖像，通過平滑處理消除噪音，然后利用坐標(biāo)變換校正圖像的畸變。在HSI顏色空間以I分量對圖像進行灰度化，再做最大類間方差分析和二值化處理，從直方圖上獲得特征的分割閾值，將雜株從背景圖像中提取出來。試驗結(jié)果表明:秧苗期水稻雜株的性狀特征最少，導(dǎo)致計算機視覺的識別效果較差;在分蘗期、抽穗期和成熟期計算機視覺識別率都超過94%，且在抽穗期具有最好的識別效果。因此，計算機視覺的水稻雜株識別方法最適合在抽穗期使用，可以為水稻的品種選育、大面積制種和區(qū)域試驗提供技術(shù)支撐。
