关键词：杂草、机器视觉、除草剂喷洒、草莓
Hu Bo
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,
草莓富含多种营养元素，是一种重要的水果。随着我国种植结构的调整，草莓种植面积逐年扩大。由于草莓基肥施用量大、需水多，杂草生长茂盛。另外草莓植株低矮，种植密度大，除草困难。据研究，杂草危害可使草莓减产15%～20%，因此草害防治成为草莓生产中的主要工作。草莓田间除草可通过人工除草，覆膜压草，轮作换茬等综合措施进行。James等2002年指出通过轮作、混作可以减少草莓杂草[1]。Haar等2003年研究了在草莓移栽前使用熏蒸剂三氯硝基甲烷的杂草防治效果[2]。这些措施都减少了杂草的危害，但是现阶段草莓苗期杂草的防治还是离不开化学防治。除草剂对草莓的质量和产量都会产生极大的影响，特别是无公害草莓生产要求的提出，使得对通过除草剂防治的要求进一步提高。而人工除草工作量大，由于我国人口老龄化、农村人口城镇化，这一方法也面临挑战。近年来，利用机器视觉，通过分析田间图像、自动控制喷头、智能喷洒除草剂已成为现代农业中杂草防治的主要方向。因此使用机器视觉防治草莓杂草是降低农药污染、增加产量、减少人工的重要途径。
1 草莓苗期杂草的防治策略
现有利用机器视觉识别杂草的算法中，主要是以形状特征为识别特征。Onyango等2003年通过形状特征识别作物和杂草，实验中识别率分别达到82%～92%和68%～92%[3]。Aitkenhead等2003年使用人工神经网络对形状特征进行研究，对胡萝卜幼苗与黑麦草和藜的识别率超过75%[4]。Søgaard2005年利用形状模板进行杂草识别达到65%～90%以上的识别率[5]。得到识别结果后，现有相关研究一般是将一幅图像分成若干子区域，根据子区域中杂草的情况喷洒除草剂。2002年田磊开发除草剂精确喷洒系统时使用多个喷头排成一列，行进中每个喷头负责一个子区域[6]。2003年Gillis等开发自动除草设备时，将目标区域分为15cm×15cm的子区域，每个区域中心设置一个喷头[7]。通过这样的操作，实现尽量把除草剂喷在杂草上，在作物、土壤上少喷甚至不喷除草剂。
草莓杂草防治中，由于除草剂对草莓的生长影响很大，首先要求除草剂尽量不喷洒到草莓上。但是在苗期，杂草刚刚出现的时候，杂草植株小不易识别;另一方面，使用现有的识别方法识别率无法达到100%，存在将草莓识别为杂草的情况。所以使用传统的识别策略喷洒除草剂容易伤害草莓植株。如果将草莓识别出来，在不是草莓的区域喷洒除草剂，就可以保护草莓并防治杂草。虽然这一方法未明显改善土壤中农药残留的问题，但是对于保护草莓，特别在无公害草莓的生产中效果明显。另外，这样喷洒除草剂也一定程度上减少了除草剂的使用量。因此，利用机器视觉识别出草莓后将除草剂喷洒在不是草莓的区域是针对草莓苗期杂草防治的有效策略。
2 图像处理算法和除草剂的喷洒方法
从田间获取的原始图像包括草莓、杂草和背景，首先需要通过分割操作将背景去除。通过硬件设备得到的彩色数字图像初始状态均为RGB图像，如图1（a）所示。在RGB图像中，每一个RGB彩色像素由R、G、B三个值表示，三个分量的取值范围由存储方式决定。目前使用的全彩色图像，每个像素24个字节，每个分量8个字节，所以每个分量都分为256（28）个灰度级。由于阈值分割是杂草图像分割中的主要算法，分割操作主要是确定分割时使用的特征。Woebbecke等1995年提出超绿特征（2g-r-b）用于杂草图像的分割，并分析了r-b、g-b、（g-b）/（r-g）和H等其它颜色特征，结果认为 （2g-r-b）最为可取[8]。在现有的杂草图像分割研究中，这一结果被广泛接受，超绿特征为代表的颜色特征成为最主要的杂草分割特征。但是分割误差的问题依然没有解决，2006年毛罕平等分析了影响分割误差的因素[9]。作者通过大量实验，利用遗传算法优化分割特征，得到优化后的特征为：-149R+218G-73B，减少了这些因素的影响。本文采用优化后的特征进行杂草图像的分割。若分割处理后的像素点为g，则：
其中标记为1的像素为草莓和杂草，而标记为0的像素为背景。T表示分割阈值。
分割后杂草由于刚刚出现、植株体积小，在图像中所占像素点相对较少。通过形态学开操作可以在较少改变草莓轮廓的情况下去除图像中的杂草像素，这样就得到了草莓的图像。因此，利用机器视觉防治草莓苗期杂草的方法为：
STEP1：利用特征-149R+218G-73B，通过阈值分割去除土壤等背景;
STEP2：对分割结果二值化后进行开操作得到草莓图像;
STEP3：将草莓图像分为6行8列共6×8=48个子区域，根据是否有草莓的像素确定每个区域是否喷洒除草剂。
图1 草莓苗期杂草图像 （a）原图（b）分割后的图像（c）识别结果（d）喷洒子区域（e）喷洒方法
如图1（a）所示，在原始图像中，杂草植株小，不易发现，人工作业难以清除。图1（a）分割去除土壤后背景变为白色，杂草零星分布于图像中，颜色差异明显，如图1（b）所示。图1（b）二值化后通过形态学开操作得到图1（c） ，图中清除了杂草对应的像素，剩下黑色部分为草莓在图像中对应的像素。然后将图1（c）分为6行8列共6×8=48个子区域，如图1（d）所示。再根据每个区域有无草莓像素确定是否喷洒除草剂，因此图1（d）得到的喷洒方法如图1（e）所示，其中颜色加深了的子区域为喷洒除草剂的区域，颜色未改变的子区域不喷洒除草剂。
3 实验结果与分析
使用Canon A75数码相机2006年10月22日下午17：30左右在柳州市西鹅乡草莓地采集20幅草莓苗期杂草图像。按本文方法进行图像处理，识别结果和喷洒结果如表1所示。
表1 识别结果和喷洒方法
如表1所示，按本文方法处理后，可节省50%左右的除草剂，并且基本上没有将除草剂喷洒到草莓上，同时漏喷除草剂的区域也很少，基本上实现了草莓苗期杂草的防治。在有草莓的子区域却喷洒了除草剂的情况中，草莓在区域中面积很少，多是一些叶片边缘，这主要是开操作删除了一些叶片边缘。这类情况的数量较少而且主要是草莓叶片边缘，所以对草莓的危害也不大。在没有草莓而未喷洒除草剂的区域中，主要是杂草植株已经长大，所占面积相对较多，开操作无法将其从图像中清除。显然本方法适用于草莓移栽后，杂草尚未长大的时期，随着杂草的不断生长，本方法的有效性逐渐下降。
显然，图像被分为若干子区域的过程中，子区域的大小直接影响最后的识别结果。子区域过大，容易出现杂草和草莓在同一区域中，从而未喷洒除草剂，影响了除草效果。另一方面，由于开操作对草莓边缘有一些改变，若区域过小，被删除的草莓叶片边缘单独占据子区域的数量增加，这些子区域都被喷洒除草剂，从而影响草莓生长。通过大量实验，对于草莓苗期图像，子区域面积为图像中草莓叶片大小相若时得到的效果较优。
4 结论
针对草莓苗期杂草防治的特点，本文提出利用机器视觉识别出草莓后在不是草莓的区域喷洒除草剂的喷洒策略，并根据这一喷洒策略得到了相应的处理方法。实验结果显示该方法很少将除草剂喷洒到草莓上，同时漏喷除草剂的区域也不多，基本上实现了草莓苗期杂草的防治，并节省了50%左右的除草剂。该方法可应用于类似草莓这样对农药残留要求高的作物的杂草防治中。
参考文献
[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,钱丹. 作物数字图像分割误差的影响因素研究[J]. 微计算机信息. 2006,10-3:296-297
