筑期 毛文华等：基于机器视觉的田间杂草识别技术研究进展 草的识别率达到了87% 不敏感，增加了田间执行的可行性。但该方法只适于 134存在的问题 识别有红色茎的杂草杂草的正确识别率较低。另外 利用多光谱特征识别田间杂草的技术的算法比较 Eki等的研究表明土壤含水率、光照条件和摄像头的 简单，在实时性方面具有明显的优势。但是，光谱成像设 焦距品影响领色特征识别方法的3个士要因素 备是由光谱仪和摄像机组成成本费用较高。而且绿色 总之.形状、纹理、光谱和颜色特征各有优缺点 叶子对光的反射受到含水量、含氨量、描物病虫害和生 Zhag等人在识别小麦地里的杂草时.采用了形状、致 长期等诸多附加因素的影响，而且有些杂草和作物表面 理和颜色分析3种方法，研究表明颜色分析法能识别 的反射波长十分相近。因此。在实际的田间环境下，只利 田间带红色茎的杂草形状分析法能非常有效地把阔叶 一定的 杂草从小麦叶中分离出来，但对阔叶杂草之间的分离作 的要求 用很小 傅里叶频谱分析表明小麦具有单方向的纹理模 ”利用色特征识别田间 式，而阔叶杂草表现为多方向纹理，可用该方法描述 141 ,论 理的粗细。以检测 别 、早期 在自然界，作物呈绿色 土壤呈黄褐色 ,岩石和无 该信 命的植物残渣呈淡黄色。因此可根据植物（呈绿色）和背 息的线 以便 确，快捷的识别 景（土壤颜色为主）的色特征差异将植物从背景中分 割出来。另外，杂草和作物之间也存在颜色特征差异，某 2结语 些杂草茎呈红色，比如野养麦、雀麦俄国鹤、黄狐尾草 从20世纪80年代至今，基于机器视觉的杂草识别 和红根攀等以，而植物和杂草叶片呈绿色。美国的杂 技术的研究经历了从室 到田间、从非 寸到实时的发 草科学协会列出的大豆田里最常见的10种杂草中有7 只有少 1器视觉的 种有红色的茎.麦地里的10种主要杂草中也有7种有 微红的茎。因此，还可根据杂草茎和作物的颜色特征的 史现 田间杂草的实 际应用 更少数的成 美国的Lce等人利用Shaughie 苏异识别田间杂草 人开发的 名为UC Davis Robotic Cultivator"的实时行中 142颜伍特征参 系统，研制 彩色图像有多种颜色空间的表达方式其分割方法 了智能杂草控制系统，该系统能根据植物开 状特征的差异识别作物和杂草并确定其位置，喷酒杂 的作物植株。 法对所有颜色特征 知细分 在番茄地的实验表明：番茄的准确 集的 识别率为731%，杂草的准确识别幸为688% 于RGB 的，在此颜色空间中最 随若图像处理和机器视觉等技术的不断发展再结 里(Extra-green,ExG= 合功能强大、成本低魔的计算机.能精确地识别田间杂 R-B)。为了减少阴影的影响，把RGB颜色空间转换 草的基干机器视觉的技术也会越来越成孰。或日前来 为rgb色度空间，Woebbecke比较分析了(r-g)、(g 看，仍有一些技术难题还须进一步研究解决，耻 b)、(gb)/八rg卜(2g-rb)等颜色特征因子，发 )多数研究是在可以采集高质量图像的具有可控 现(2g下b)这一因子用于植物检测最为有效。在 光照、没有环境影响因素的实验室（温室）内进行的，而 面向彩色处理的最常用的HS颜色空间中，最常用的 田间则有机械震动、光照不匀、风、晴阴天等许多影响 颜色特征参数是色府分量H山e)。 因素，这就增加了图像预处理的难度，尚待研究 143肝究状况 2)多数研究是静态的，先从室内（或田间）采集图 Tang等人还研究了在室外自然光照条件下.以人 工分割的结果为导师信号，在HSI颜色空间利用遗传 十算机立即处理所采集的图像，精 算法分割植物和背景。该算法有效克服了田间光照的 度，决策系统据此 大变化对分割性能的影响， ,笔人评价了颜任 人械上的机我针算机立即处理所汉生的因堂多一 是研 决的 他们指出利 颜色特征能识 ,而多特征的综合利用 %的杂草 是发展方向，也是提高杂草识别率的有效 径。但多特 研究了利 和杂草的颜 特征识别的东 万 正的是取题也是机器视觉识别田间杂草的难点 用4个颜色 并有选择地进行组合， 然后把 4)基于机器视觉的田间杂草识别技术尚没有形成 些组合作为输入变量分别输入 个统计分类器和两 通用的理论和方法。由于各研究的对象、时间、地点以及 人工神经网络分类器。结果表明，统计分类器的效果最 环境条件都有所不同.导致所研究的方法具有一定的局 好，对大豆和小麦的正确分类率为54%、622% 限性.一般只适用于所研究的植物： 144存在的问题 5)基于机器视觉的杂草识别技术在中国尚处在试 较之基于植物形状和纹理的识别方法基于额色特 验研究阶段，与国外差距大。国内学者在这方面已做过 征的方法对叶片重叠、叶方位、摄像机聚焦和风的影响 一些有意义的探索，但距离实际应用尚远。 45 e 1995-2005 Tsinghua Tongfang Optical Disc Co..Lid.All rights reserved 草的识别率达到了 87% [ 15 ]。 1. 3. 4 存在的问题 利用多光谱特征识别田间杂草的技术的算法比较 简单, 在实时性方面具有明显的优势。但是, 光谱成像设 备是由光谱仪和摄像机组成, 成本费用较高。而且, 绿色 叶子对光的反射受到含水量、含氮量、植物病虫害和生 长期等诸多附加因素的影响, 而且有些杂草和作物表面 的反射波长十分相近。因此, 在实际的田间环境下, 只利 用几个较窄的波长范围识别较多植物种类具有一定的 困难, 对传感器的分辨率提出了较高的要求。 1. 4 利用颜色特征识别田间杂草的技术 1. 4. 1 理论依据 在自然界, 作物呈绿色, 土壤呈黄褐色, 岩石和无生 命的植物残渣呈淡黄色。因此可根据植物(呈绿色) 和背 景(土壤颜色为主) 的颜色特征差异将植物从背景中分 割出来。另外, 杂草和作物之间也存在颜色特征差异, 某 些杂草茎呈红色, 比如: 野荞麦、雀麦、俄国蓟、黄狐尾草 和红根藜等[ 12, 16 ] , 而植物和杂草叶片呈绿色。美国的杂 草科学协会列出的大豆田里最常见的 10 种杂草中有 7 种有红色的茎, 麦地里的 10 种主要杂草中也有 7 种有 微红的茎。因此, 还可根据杂草茎和作物的颜色特征的 差异识别田间杂草。 1. 4. 2 颜色特征参数 彩色图像有多种颜色空间的表达方式, 其分割方法 都与颜色特征及颜色坐标的选择有关, 没有一种分类方 法对所有颜色特征都是有效的。摄像机所采集的原始彩 色图像是基于 R GB 颜色空间的, 在此颜色空间中最常 用的颜色特征参数是超绿分量(Ex tra2green, ExG= 2G - R- B)。为了减少阴影的影响, 把R GB 颜色空间转换 为 rgb 色度空间,W oebbecke 比较分析了(r- g) 、(g￾b)、(g- b)öû r- gû、(2g- r- b) 等颜色特征因子, 发 现(2g- r- b) 这一因子用于植物检测最为有效[ 16 ]。在 面向彩色处理的最常用的 H IS 颜色空间中, 最常用的 颜色特征参数是色度分量(H ue)。 1. 4. 3 研究状况 T ang 等人还研究了在室外自然光照条件下, 以人 工分割的结果为导师信号, 在 H S I 颜色空间利用遗传 算法分割植物和背景。该算法有效克服了田间光照的巨 大变化对分割性能的影响[ 17 ]。Zhang 等人评价了颜色 特征在杂草识别中的效力, 观察了 38 种主要杂草, 发现 其中 28 种有淡红的茎。他们指出利用颜色特征能识别 堪萨斯州麦地和大豆地里 80% 的杂草[ 18 ]。据此, E lfak i 研究了利用作物和杂草的颜色特征识别的杂草方法, 采 用 4 个颜色特征参数, 并有选择地进行组合, 然后把这 些组合作为输入变量分别输入一个统计分类器和两个 人工神经网络分类器。结果表明, 统计分类器的效果最 好, 对大豆和小麦的正确分类率为 54%、62. 2% [ 19 ]。 1. 4. 4 存在的问题 较之基于植物形状和纹理的识别方法, 基于颜色特 征的方法对叶片重叠、叶方位、摄像机聚焦和风的影响 不敏感, 增加了田间执行的可行性[ 19 ]。但该方法只适于 识别有红色茎的杂草, 杂草的正确识别率较低。另外, E lfak i 等的研究表明土壤含水率、光照条件和摄像头的 焦距是影响颜色特征识别方法的 3 个主要因素[ 20 ]。 总之, 形状、纹理、光谱和颜色特征各有优缺点。 Zhang 等人在识别小麦地里的杂草时, 采用了形状、纹 理和颜色分析 3 种方法, 研究表明: 颜色分析法能识别 田间带红色茎的杂草; 形状分析法能非常有效地把阔叶 杂草从小麦叶中分离出来, 但对阔叶杂草之间的分离作 用很小; 傅里叶频谱分析表明小麦具有单方向的纹理模 式, 而阔叶杂草表现为多方向纹理, 可用该方法描述纹 理的粗细, 以检测一些杂草的类别[ 18 ]。早期研究, 侧重 单一信息提取, 以检验利用该信息的可行性。如今, 则侧 重于多种信息的综合利用, 以便更准确、快捷的识别杂 草。 2 结 语 从 20 世纪 80 年代至今, 基于机器视觉的杂草识别 技术的研究经历了从室内到田间、从非实时到实时的发 展过程。目前, 只有少数基于机器视觉的杂草识别系统 实现了田间杂草的实时识别, 更少数的成果开始走向实 际应用。美国的L ee 等人利用 Slaugh ter 等人开发的命 名为“U C D avis Robo tic Cu ltivato r”的实时行中心引导 系统, 研制了智能杂草控制系统, 该系统能根据植物形 状特征的差异识别作物和杂草并确定其位置, 喷洒杂草 和细小的作物植株。在番茄地的实验表明: 番茄的准确 识别率为 73. 1% , 杂草的准确识别率为 68. 8% [ 21 ]。 随着图像处理和机器视觉等技术的不断发展, 再结 合功能强大、成本低廉的计算机, 能精确地识别田间杂 草的基于机器视觉的技术也会越来越成熟。就目前来 看, 仍有一些技术难题还须进一步研究解决, 如: 1) 多数研究是在可以采集高质量图像的具有可控 光照、没有环境影响因素的实验室(温室) 内进行的; 而 田间则有机械震动、光照不匀、风、晴ö阴天等许多影响 因素, 这就增加了图像预处理的难度, 尚待研究。 2) 多数研究是静态的, 先从室内(或田间) 采集图 像, 再用计算机处理图像; 而实时(动态) 识别要求除草 机械上的机载计算机立即处理所采集的图像, 精确地确 定杂草的位置和密度, 决策系统据此控制喷嘴的开ö关。 满足实时性的图像处理算法一直是机器视觉技术的瓶 颈所在, 也是研究人员要着重解决的难题。 3) 多数研究以单特征为主, 而多特征的综合利用 是发展方向, 也是提高杂草识别率的有效途径。但多特 征的提取问题也是机器视觉识别田间杂草的难点。 4) 基于机器视觉的田间杂草识别技术尚没有形成 通用的理论和方法。由于各研究的对象、时间、地点以及 环境条件都有所不同, 导致所研究的方法具有一定的局 限性, 一般只适用于所研究的植物。 5) 基于机器视觉的杂草识别技术在中国尚处在试 验研究阶段, 与国外差距大。国内学者在这方面已做过 一些有意义的探索, 但距离实际应用尚远。 54 第 5 期 毛文华等: 基于机器视觉的田间杂草识别技术研究进展 © 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved