發布時間：所屬分類：農業論文瀏覽：1次
摘 要： 摘要:水稻雜株是品種形成過程中的干擾因素，對水稻產業具有較大的危害。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，在農業領域的應用較廣。為此，設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，對水稻產業具有較大的危害。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，在農業領域的應用較廣。為此，設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處理、灰度化和二值化，最后根據外觀特征采用閾值分割法將雜株識別并提取出來。試驗結果表明:秧苗期水稻雜株的性狀特征最少，導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支撐。
關鍵詞: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，總產量為世界第一。水稻的分布地域較廣，具有多種生態類型，但對所有的地域和類型來說，優良品種都是水稻高產的基礎。
水稻品種的形成要經過選育、大面積制種和區域試驗等環節，這些環節面臨的一個共同問題就是水稻雜株。水稻雜株的類型多樣，來源也十分復雜，有自然變異或遺傳分離產生的雜株，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稻，恢復系親本中的常規稻和變異株。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]。雜株的性狀表現也有多種類型，如當代表現、隔代表現和多代表現，甚至存在變異的表現型[3]。
雜株對水稻產業具有較大的危害，在選育階段會干擾對正常植株農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。區域試驗中的雜株會影響候選品種的展示效果，并降低產量，可能導致優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，已經開始削弱水稻的雜種優勢，嚴重影響了雜交水稻的增產效果[4]。尹大杰等研究表明，生產田中的雜株率每增加1%，則水稻畝產減少7.8kg[5]。
因此，在水稻的品種選育、大面積制種和區域試驗等環節中要加強對水稻雜株的防范清除，以達到增產增效的目的。針對復雜的雜株類型和性狀表現，人們設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，制種階段進行嚴格的田間隔離，區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，特別是在制種環節中，雜株的識別是決定種子純度的關鍵。當前雜株識別主要依靠經驗進行肉眼觀察，根據不同生長發育時期的各個性狀表現差異來判斷[7]。在秧苗期，一般根據葉片大小、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生長向生殖生長轉變的時期，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等;在成熟期則通過結實率、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。
隨著科學技術的發展，許多新型技術如無人機、物聯網和計算機視覺等在農業領域得到了廣泛的應用，提升了農業現代化的水平。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，為計算機視覺的應用提供了空間。計算機視覺技術是拍攝圖像并分析視覺參數，然后根據目標特征將需要識別的對象從圖像中提取出來。計算機視覺在農業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計了計算機視覺系統，根據與圖像特征參數的線性相關性準確預測出單位面積的水稻產量[15]。陳誠等通過計算機視覺對水稻葉片多種顏色指標的分析，建立相關模型，能夠準確預測葉綠素的相對含量[16]。
為了拓展計算機視覺技術在農業領域的應用范圍，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處理、灰度化和二值化，然后根據雜株的外觀特征選擇合適的參數進行閾值分割，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、大面積制種和區域試驗提供技術支撐。
期刊推薦：《農業科技與裝備》雜志是在《農業機械化與電氣化》雜志的基礎上，于2007年變刊創辦的公開發行的省級科技期刊。重點刊登農學、植保、園藝、土壤與環境、農業工程以及農產品加工等領域研發成果，宣傳推廣農業新品種、新產品、新技術、新工藝;堅持高起點和高質量，擇優登載對農業生產具有指導價值并能反映農業科技與裝備前沿成果的文章，積極探討農機與農技共同發展和有效結合的途徑;堅持學術性和技術性，重點滿足農業院校、科研單位、農業(農機)推廣等層面讀者需求。
1設備和軟件
視覺分析的設備是數碼相機和計算機，數碼相機為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轉換器轉變成BMP格式后導入計算機。計算機是聯想T6900C型臺式電腦，配置包括Intel酷睿i76700型CPU，8GB的DDR4型內存，在Windows10操作系統中運行。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圖像預處理
在無風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°。由于受到環境因素的影響，且拍攝時相機可能出現抖動，導致圖像中含有各種噪音，會對后續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。相機俯視拍攝導致不同距離上的相同大小物體所對應的像素數量有差異，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，隨機產生對應圖像平面的坐標，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，葉片形態和顏色表現一致。水稻雜株也是以綠色為主，但是在植株高度、生長發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，形成較暗的區域;若其株較高，則會遮擋后方的植株形成較亮的區域。水稻抽穗開花期的葉片為綠色，稻穗為黃色，生長發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，關鍵在于選擇合適的顏色空間。
本文根據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，雜株圖像區域與背景的區分更加容易，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，一般根據目標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。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域單元，分析每個單元中的亮度特征值，當特征值小于T2或大于T1時，即判定為目標單元。最后將所有相鄰的目標單元拼接成為一個整體，即雜株的圖像區域，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域，用白色表示出來。
3試驗結果分析
在本單位的試驗基地內選取一塊水稻雜株較多區域，對計算機視覺的雜株識別效果進行測試。種植區域的面積約為200m2，在水稻的秧苗期、分蘗期、抽穗期和成熟期人工調查記載雜株的數量和分布位置，隨后通過計算機視覺拍攝并分析圖像;以人工調查記載的數據為標準，評價計算機視覺的雜株識別效果。
試驗結果如表1所示。水稻雜株的性狀特征涉及多個方面，是隨著生長發育的進程而逐漸顯現的。因此，人工調查也無法在早期識別出所有的雜株，導致秧苗期的漏檢數量較多。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結論
設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。試驗結果表明:秧苗期水稻雜株的性狀特征最少，導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、大面積制種和區域試驗提供技術支撐。
