摘 要：在草莓苗期雜草防治中，由于除草劑殘留的危害使得噴灑方法成為研究的熱點。本文提出了一種基于機器視覺的除草劑噴灑方法。在圖像分割去除背景后，通過開操作刪除雜草的像素點，得到只有草莓像素點的處理結果。接著將草莓圖像分為6行8列的子區域，根據每個子區域是否有草莓的像素點決定是否噴灑除草劑。在實驗結果中，該方法基本上實現了草莓苗期雜草的防治，并節省了50%左右的除草劑。 關鍵詞：雜草、機器視覺、除草劑噴灑、草莓 [b][align=center]Strawberry seedling weed control with machine vision Hu Bo[/align][/b] Abstract: The potential impact of residual herbicide pollution has stimulated research into spray method in strawberry seedling weed control. A novel spray method based on machine vision has been proposed. After the weed image segmented for distinguishing plants and background, the elements of weed are deleted with open operation. So there are only the elements of strawberry in the results of image process. Then each strawberry image is divided into 6 rows by 8 columns spray grids. Whether every grid spray is decided by whether there are any strawberry elements in it. The result shows that the new method has good effect on strawberry weed control with nearly reducing herbicide 50%. Key words: Weed, Machine vision, Herbicide spray, Strawberry, 　　草莓富含多種營養元素，是一種重要的水果。隨著我國種植結構的調整，草莓種植面積逐年擴大。由于草莓基肥施用量大、需水多，雜草生長茂盛。另外草莓植株低矮，種植密度大，除草困難。據研究，雜草危害可使草莓減產15%～20%，因此草害防治成為草莓生產中的主要工作。草莓田間除草可通過人工除草，覆膜壓草，輪作換茬等綜合措施進行。James等2002年指出通過輪作、混作可以減少草莓雜草[1]。Haar等2003年研究了在草莓移栽前使用熏蒸劑三氯硝基甲烷的雜草防治效果[2]。這些措施都減少了雜草的危害，但是現階段草莓苗期雜草的防治還是離不開化學防治。除草劑對草莓的質量和產量都會產生極大的影響，特別是無公害草莓生產要求的提出，使得對通過除草劑防治的要求進一步提高。而人工除草工作量大，由于我國人口老齡化、農村人口城鎮化，這一方法也面臨挑戰。近年來，利用機器視覺，通過分析田間圖像、自動控制噴頭、智能噴灑除草劑已成為現代農業中雜草防治的主要方向。因此使用機器視覺防治草莓雜草是降低農藥污染、增加產量、減少人工的重要途徑。 1 草莓苗期雜草的防治策略 　　現有利用機器視覺識別雜草的算法中，主要是以形狀特征為識別特征。Onyango等2003年通過形狀特征識別作物和雜草，實驗中識別率分別達到82%～92%和68%～92%[3]。Aitkenhead等2003年使用人工神經網絡對形狀特征進行研究，對胡蘿卜幼苗與黑麥草和藜的識別率超過75%[4]。Søgaard2005年利用形狀模板進行雜草識別達到65%～90%以上的識別率[5]。得到識別結果后，現有相關研究一般是將一幅圖像分成若干子區域，根據子區域中雜草的情況噴灑除草劑。2002年田磊開發除草劑精確噴灑系統時使用多個噴頭排成一列，行進中每個噴頭負責一個子區域[6]。2003年Gillis等開發自動除草設備時，將目標區域分為15cm×15cm的子區域，每個區域中心設置一個噴頭[7]。通過這樣的操作，實現盡量把除草劑噴在雜草上，在作物、土壤上少噴甚至不噴除草劑。 　　草莓雜草防治中，由于除草劑對草莓的生長影響很大，首先要求除草劑盡量不噴灑到草莓上。但是在苗期，雜草剛剛出現的時候，雜草植株小不易識別;另一方面，使用現有的識別方法識別率無法達到100%，存在將草莓識別為雜草的情況。所以使用傳統的識別策略噴灑除草劑容易傷害草莓植株。如果將草莓識別出來，在不是草莓的區域噴灑除草劑，就可以保護草莓并防治雜草。雖然這一方法未明顯改善土壤中農藥殘留的問題，但是對于保護草莓，特別在無公害草莓的生產中效果明顯。另外，這樣噴灑除草劑也一定程度上減少了除草劑的使用量。因此，利用機器視覺識別出草莓后將除草劑噴灑在不是草莓的區域是針對草莓苗期雜草防治的有效策略。 2 圖像處理算法和除草劑的噴灑方法 　　從田間獲取的原始圖像包括草莓、雜草和背景，首先需要通過分割操作將背景去除。通過硬件設備得到的彩色數字圖像初始狀態均為RGB圖像，如圖1（a）所示。在RGB圖像中，每一個RGB彩色像素由R、G、B三個值表示，三個分量的取值范圍由存儲方式決定。目前使用的全彩色圖像，每個像素24個字節，每個分量8個字節，所以每個分量都分為256（28）個灰度級。由于閾值分割是雜草圖像分割中的主要算法，分割操作主要是確定分割時使用的特征。Woebbecke等1995年提出超綠特征（2g-r-b）用于雜草圖像的分割，并分析了r-b、g-b、（g-b）/（r-g）和H等其它顏色特征，結果認為 （2g-r-b）最為可取[8]。在現有的雜草圖像分割研究中，這一結果被廣泛接受，超綠特征為代表的顏色特征成為最主要的雜草分割特征。但是分割誤差的問題依然沒有解決，2006年毛罕平等分析了影響分割誤差的因素[9]。作者通過大量實驗，利用遺傳算法優化分割特征，得到優化后的特征為：-149R+218G-73B，減少了這些因素的影響。本文采用優化后的特征進行雜草圖像的分割。若分割處理后的像素點為g，則： 　　其中標記為1的像素為草莓和雜草，而標記為0的像素為背景。T表示分割閾值。 　　分割后雜草由于剛剛出現、植株體積小，在圖像中所占像素點相對較少。通過形態學開操作可以在較少改變草莓輪廓的情況下去除圖像中的雜草像素，這樣就得到了草莓的圖像。因此，利用機器視覺防治草莓苗期雜草的方法為： 　　STEP1：利用特征-149R+218G-73B，通過閾值分割去除土壤等背景; 　　STEP2：對分割結果二值化后進行開操作得到草莓圖像; 　　STEP3：將草莓圖像分為6行8列共6×8=48個子區域，根據是否有草莓的像素確定每個區域是否噴灑除草劑。 [align=center] 圖1 草莓苗期雜草圖像 （a）原圖（b）分割后的圖像（c）識別結果（d）噴灑子區域（e）噴灑方法[/align] 　　如圖1（a）所示，在原始圖像中，雜草植株小，不易發現，人工作業難以清除。圖1（a）分割去除土壤后背景變為白色，雜草零星分布于圖像中，顏色差異明顯，如圖1（b）所示。圖1（b）二值化后通過形態學開操作得到圖1（c） ，圖中清除了雜草對應的像素，剩下黑色部分為草莓在圖像中對應的像素。然后將圖1（c）分為6行8列共6×8=48個子區域，如圖1（d）所示。再根據每個區域有無草莓像素確定是否噴灑除草劑，因此圖1（d）得到的噴灑方法如圖1（e）所示，其中顏色加深了的子區域為噴灑除草劑的區域，顏色未改變的子區域不噴灑除草劑。 3 實驗結果與分析 　　使用Canon A75數碼相機2006年10月22日下午17：30左右在柳州市西鵝鄉草莓地采集20幅草莓苗期雜草圖像。按本文方法進行圖像處理，識別結果和噴灑結果如表1所示。 　　表1 識別結果和噴灑方法 　　如表1所示，按本文方法處理后，可節省50%左右的除草劑，并且基本上沒有將除草劑噴灑到草莓上，同時漏噴除草劑的區域也很少，基本上實現了草莓苗期雜草的防治。在有草莓的子區域卻噴灑了除草劑的情況中，草莓在區域中面積很少，多是一些葉片邊緣，這主要是開操作刪除了一些葉片邊緣。這類情況的數量較少而且主要是草莓葉片邊緣，所以對草莓的危害也不大。在沒有草莓而未噴灑除草劑的區域中，主要是雜草植株已經長大，所占面積相對較多，開操作無法將其從圖像中清除。顯然本方法適用于草莓移栽后，雜草尚未長大的時期，隨著雜草的不斷生長，本方法的有效性逐漸下降。 　　顯然，圖像被分為若干子區域的過程中，子區域的大小直接影響最后的識別結果。子區域過大，容易出現雜草和草莓在同一區域中，從而未噴灑除草劑，影響了除草效果。另一方面，由于開操作對草莓邊緣有一些改變，若區域過小，被刪除的草莓葉片邊緣單獨占據子區域的數量增加，這些子區域都被噴灑除草劑，從而影響草莓生長。通過大量實驗，對于草莓苗期圖像，子區域面積為圖像中草莓葉片大小相若時得到的效果較優。 4 結論 　　針對草莓苗期雜草防治的特點，本文提出利用機器視覺識別出草莓后在不是草莓的區域噴灑除草劑的噴灑策略，并根據這一噴灑策略得到了相應的處理方法。實驗結果顯示該方法很少將除草劑噴灑到草莓上，同時漏噴除草劑的區域也不多，基本上實現了草莓苗期雜草的防治，并節省了50%左右的除草劑。該方法可應用于類似草莓這樣對農藥殘留要求高的作物的雜草防治中。 參考文獻 　　[1]James.A.LaMondiaa Wade.H.Elmera Todd.L.Mervoshb Richard.S.Cowles. Integrated management of strawberry pests by rotation and intercropping[J]. Crop Protection 21（2002）:837–846 　　[2]M.J.Haara S.A.Fennimorea H.A.Ajwaa C.Q.Winterbottom. Chloropicrin effect on weed seed viability[J]. Crop Protection 22（2003）:109–115 　　[3]Christine.M.Onyango, J.A.Marchant. Segmentation of row crop plants from weeds using colour and morphology[J]. Computers and electronics in agriculture. 39（3）:141-155,2003 　　[4]M.J.Aitkenhead, I.A.Dalgetty, C.E.Mullins, A.J.S.McDonald. Weed and crop discrimination using image analysis and artificial intelligence methods[J]. Computers and electronics in agriculture. 39（3）:157-171,2003 　　[5]Søgaard.H.T. Weed classification by active shape models[J]. Biosystems engineering, 91（3）:271-281,2005 　　[6]Lei Tian. Development of a sensor-based precision herbicide application system[J]. Computers and Electronics in Agriculture. 36（2）:133-149,2002 　　[7]K.P.Gillis, D.K.Giles, D.C.Slaughter, D.Downey. Injection mixing system for boomless, target-activated herbicide herbicide spraying[J]. Transactions of the ASAE. 46（4）:997-1008,2003 　　[8]D.M.Woebbecke, G.E.Meyer, K.Von.Bargen, D.A.Mortensen. Color Indices for Weed Identification Under Various Soil, Residual, and Lighting Conditions[J]. Transactions of the ASAE,1995,38（1）:259-269 　　[9]毛罕平,錢丹. 作物數字圖像分割誤差的影響因素研究[J]. 微計算機信息. 2006,10-3:296-297