專利名稱：一種對雜草進行分類識別的裝置和方法
技術領域：
本發明涉及一種對雜草進行分類識別的裝置和方法，屬于數字圖像處理技術領域。
背景技術：
在傳統的農業生產中，雜草肆虐及病害是困擾莊稼生長的基本問題，在不能確定作物和雜草分布的情況下，覆蓋性的噴灑化學制劑，如化肥或是除草剤，不僅造成大量浪 費，而且嚴重污染環境危害人類健康。因此，研究利用機器視覺技術識別雜草種類，有選擇的變量施用化學制劑顯得尤為重要與迫切。目前，基于機器視覺的雜草識別系統主要由攝像機、圖像采集卡及計算機軟件硬件組成，其中攝像機可采用黑白/彩色攝像機、近紅外攝像機及多光譜攝像機等。系統軟件是雜草識別系統的關鍵部分，采用的算法主要利用植物的形狀、紋理、顔色及多光譜特征這四種特征中的某一種特征或者特征組合進行雜草識別。雖然基于機器視覺的雜草分類識別方法受到了廣泛的研究和應用，但是也具有一定的局限性。因為攝像機采集處理的都是雜草的各類模式的ニ維圖像，并且ニ維圖像的預處理、特征選擇與提取、分類識別等步驟都需要較大的計算量，所以ニ維雜草圖像的分類識別裝置及計算復雜度都比較高，很難滿足實際野外田間環境下雜草分類識別快速實時的要求。
發明內容
本發明的目的是為了解決現有的雜草識別方法計算復雜度高、野外環境下無法快速實時的對雜草進行分類識別、抗干擾性差的問題，提供一種對雜草進行分類識別的裝置和方法。一種對雜草進行分類識別的裝置，它包括圖像采集裝置、可移動支架和導軌，所述圖像采集裝置固定在可移動支架的圖像采集裝置連接端，可移動支架的另一端嵌套在水平設置的導軌上，
所述圖像采集裝置用于采集雜草的光譜反射率；
所述可移動支架用于固定支撐圖像采集裝置，所述可移動支架還用于在導軌上滑動； 所述導軌用于預先設定雜草的檢測路徑。進ー步地,所述圖像采集裝置為FieldSpec的ProFR便攜式多光譜福射分析儀。一種對雜草進行分類識別的方法，所述方法包括
步驟A圖像采集裝置沿著導軌運動，多方位的采集待檢測雜草的光譜反射率并獲得待檢測雜草的光譜反射率曲線；
步驟B圖像采集裝置采集各種雜草的標準光譜反射率，將獲得的各種雜草的標準光譜反射率傳遞至計算機，計算機將該種雜草的標準光譜反射率曲線設定為該種雜草在ActiveContour曲線模型下的初始化光譜反射率曲線；步驟C將步驟B中得到的該種雜草在Active Contour曲線模型下的初始化光譜反射率曲線，向步驟A中圖像采集裝置采集的待檢測雜草的光譜反射率曲線進行收斂；
步驟D計算收斂后Active Contour曲線的匹配率和變形率,并獲得待測雜草與標準雜草的相似性指數。進ー步地，步驟A前還包括設定圖像采集裝置的采集參數，所述采集參數包括 光譜波段范圍設定為波長34(Tl070nm，光譜采樣間隔設定為I. 4nm，測量不同波長的
光譜反射率的次數設定為512。進ー步地，步驟B中所述使用圖像采集裝置獲得各種雜草的標準光譜反射率曲線的方法是
步驟B-I針對每ー種雜草，使用圖像采集裝置對該種雜草進行光譜反射率采集，井形成M組光譜反射率曲線；
步驟B-2選取步驟B-I中獲得的M組光譜反射率曲線中的N組光譜反射率曲線，對這N組光譜反射率曲線的數據取算術平均值,并將該數據的算術平均值構成的曲線作為該種雜草的標準光譜反射率曲線；
所述M為不小于250的整數，N為大于或者等于150且小于M的整數。進一步地，步驟B中所述Active Contour曲線模型為參數型Active Contour曲線模型。進ー步地，步驟C中所述該種雜草在Active Contour曲線模型下的初始化光譜反射曲線向待檢測雜草的光譜反射率曲線進行收斂的過程為
參數型Active Contour的能量函數
定義如下
4-=I10S^mds=
其中，表示雜草的初始化光譜反射率曲線；
4# =[4)|K(s}f+Ms腳f]a表示內部力，該參數對雜草的初始化光譜反射率曲線施加分段的光滑性限制；
(鳴=Μ^φΨ(Φ* 4)￡-鳴表示外部力，該參數吸引雜草的初始化光譜反射率曲線向圖像特征運動；
參數α(4沖レ(4斗)分別用來表示控制曲線的連續性、光滑性、圖像勢能力及外部約束力的參數；
所述的收斂過程是指，雜草的初始化光譜反射率曲線在內部力和外部力的共同作用下尋找其能量函數的極小值的過程。進ー步地，獲得所述雜草的初始化光譜反射率曲線的能量極小值使用動態規劃法或者貪心算法；所述動態規劃法是ー種全局優化算法，即在每一優化循環過程中，都使用一次動態規劃過程，Active Contour的姆段曲線看作是動態規劃的一個階段；于所述貪心算法是ー種局部優化算法，即在每一優化循環過程中，只考慮局部控制點的極小化，并且假定Active Contour的整體能量也隨之變小。進ー步地，所述步驟D中所獲得待測雜草與標準雜草的相似性指數U，其形式為α =
其中，表示收斂后Active Contour曲線模型的匹配率,Cij表示收斂后ActiveContour曲線模型的變形率,-表示參數1 的權重系數，_表示參數0^的權重系數，
ぼ鳥a2均為ο到I之間的小數，#、$均為大于ο的小數。進ー步地，所述參數_的權重系數#= 1.50,所述參數G2的權重系數g = 0 55°本發明的優點
1、本發明所述的ー種對雜草進行分類識別的裝置結構簡單、易于實現，所述裝置只需要使用多光譜輻射分析儀采集一維光譜反射率數據，不需要攝像機和圖像采集卡，數據計算量小及分類識別速度快的優點；
2、本發明所述的ー種對雜草進行分類識別的方法，具有較低的計算復雜度、較強的抗 干擾性，適合于野外田間環境下雜草分類處理。
圖I是本發明具體實施方式
一對雜草進行分類識別的裝置的結構示意圖；圖2是具體實施方式
七中所述的待檢測雜草的光譜反射率曲線、初始化光譜反射率曲線和收斂后的光譜反射率曲線的^(I) I曲線圖。
具體實施例方式具體實施方式
一結合圖I說明本實施方式，一種對雜草進行分類識別的裝置，包括圖像采集裝置I、可移動支架2和導軌3，所述圖像采集裝置I固定在可移動支架2的圖像采集裝置連接端，可移動支架2的另一端嵌套在水平設置的導軌3上，
所述圖像采集裝置I用于采集雜草的光譜反射率；
所述可移動支架2用于固定支撐圖像采集裝置1，所述可移動支架2還用于在導軌3上滑動；
所述導軌3用于預先設定雜草的檢測路徑。本實施方式中，由于不同種類的雜草葉綠素a、葉綠素b、水、氮等化學成分含量的差異及其葉片紋理粗糙程度的差異，導致不同雜草在不同波段的光譜反射和吸收能力存在很大差異。另外，土壌的反射和吸收光譜比較穩定，因此可以利用這種差異來分類識別雜草。在使用圖像采集裝置I對不同種類的雜草進行采集的過程中，圖像采集裝置I采集各種雜草在各波段的光譜反射率或者光譜透射率曲線，然后提取相應波段的差異較大的反射率或者透射率加和作為分類識別特征進行分類。由于透射率是通過軟件間接計算獲取的，容易引入計算誤差，本實施方式選用反射光譜特性作為雜草分類識別的特征。本實施方式中，由于植物的葉片表面可以看作是漫反射體,其光譜反射率由下式決定
M謂Jg
其中，I)是對被測植物表面測量得到的光譜反射率是對標準白板測量得到的光譜反射率,均由圖像采集裝置I采集獲得為修正值，該修正值由精密的測量儀器測量標準白板來確定。不同種類植物表面的光譜反射率P(J)與入射光波長;!間的光譜反射率曲線Ml) I是不同的，因此，本實施方式基于不同種類雜草的光譜反射率曲線-)!的差異來進行雜草的分類識別。實際的野外田間測量光譜反射率時，需要將圖像采集裝置I安裝固定在可移動支架2上，該可移動支架2能夠在導軌3上進行平移，從而實現了不同位置的雜草光譜反射率數據的運動采集，具有結構簡易、形式靈活的特點。
具體實施方式
ニ 本實施方式與實施方式一的不同之處在于，所述圖像采集裝置I為FieldSpec的ProFR便攜式多光譜福射分析儀。本實施方式中所述的圖像采集裝置I為多光譜輻射分析儀，雜草的透射率是通過反射率使用ProFR便攜式多光譜輻射分析儀提供的ASDVIEW軟件方法計算得到的。圖像采集裝置I用于采集一維光譜數據，由于處理的是ー維光譜曲線，因此采用本實施方式所述的裝置能夠降低計算復雜度、提高分類識別速度，適合于野外田間環境下的雜草分類處理。
具體實施方式
三一種對雜草進行分類識別的方法，包括
步驟A圖像采集裝置I沿著導軌3運動，多方位的采集待檢測雜草的光譜反射率并獲得待檢測雜草的光譜反射率曲線；
步驟B圖像采集裝置I采集各種雜草的標準光譜反射率，將獲得的各種雜草的標準光譜反射率曲線傳遞至計算機，計算機將該種雜草的標準光譜反射率曲線設定為該種雜草在Active Contour曲線模型下的初始化光譜反射率曲線；
步驟C將步驟B中得到的該種雜草在Active Contour曲線模型下的初始化光譜反射率曲線，向步驟A中圖像采集裝置I采集的待檢測雜草的光譜反射率曲線進行收斂；
步驟D計算收斂后Active Contour曲線的匹配率和變形率,并獲得待測雜草與標準雜草的相似性指數。應用具體實施方式
一所述的裝置對雜草進行分類識別，其分類識別抗對比干擾性較差。首先，當所述裝置應用于野外田間雜草環境時，采集到的雜草光譜反射率曲線經常受到光照、灰塵、煙霧等外界環境產生的干擾，導致所述光譜反射率曲線具有較大誤差；其次，即使是同一種類的雜草，由于種內個體間不同的生長條件、生長階段等因素影響，使得采集到的光譜反射率曲線產生一定的種內差異，這種差異也會產生一定的雜草的分類識別誤差。
因此，為了克服外界環境帶來的干擾，同時有效區分/鑒別雜草光譜反射率的種內個體差異和種間群體差異，本實施方式使用Active Contour曲線模型開發了ー種新型的抗干擾的光譜反射率曲線的雜草分類識別方法。本實施方式所述的Active Contour曲線模型最早由Kass于1988年提出，它是ー種變形的ニ維曲線，它在圖像作用力的影響下產生變形運動。所述圖像カ分為內部力與外部力，內部力起到平滑性限制的作用，外部カ引導其向圖像特征運動。ニ維曲線在內部力和外部力的共同作用下進行Active Contour收斂。
具體實施方式
四本實施方式與實施方式三的不同之處在于，步驟A前還包括設定圖像采集裝置I的采集參數，所述采集參數包括
光譜波段范圍設定為波長34(Tl070nm，光譜采樣間隔設定為I. 4nm，測量不同波長的光譜反射率的次數設定為512。
具體實施方式
五本實施方式與實施方式三的不同之處在于，步驟B中所述使用圖像采集裝置I獲得各種雜草的標準光譜反射率曲線的方法是
步驟B-I針對每ー種雜草，使用圖像采集裝置I對該種雜草進行光譜反射率采集，并形成M組光譜反射率曲線；
步驟B-2選取步驟B-I中獲得的M組光譜反射率曲線中的N組光譜反射率曲線，對這N組光譜反射率曲線的相應數據取算術平均值,并將該數據的算術平均值構成的曲線作為該種雜草的標準光譜反射率曲線；
步驟B-3剰余的M-N組光譜反射率曲線用于檢驗該種雜草的標準光譜反射率曲線的實驗數據；
所述M為不小于250的整數，N為大于或者等于150且小于M的整數。本實施方式中，測量了試驗田中常見的雜草，如藜草、龍葵、狗尾草等的光譜反射率。對每ー種雜草，分別采集了 250組光譜反射率曲線數據，每組數據包括該雜草在各波段的光譜反射率。其中選出150組作為學習訓練數據，計算出所述150組光譜反射率曲線數據的算木平均值，作為該種雜草的標準光譜反射率曲線。其余的100組光譜反射率曲線數據作為具體實施方式
中所述的ー種對雜草進行分類識別的裝置的檢測實驗數據。
具體實施方式
六本實施方式與實施方式三的不同之處在于，步驟B中所述Active Contour曲線模型為參數型Active Contour曲線模型。Active Contour曲線模型分為參數型Active Contour曲線模型和短程線ActiveContour曲線模型，本實施方式中，所述Active Contour曲線模型選擇為參數型ActiveContour曲線模型。
具體實施方式
七結合圖2說明本實施方式，本實施方式與實施方式六的不同之處在于，步驟C中所述該種雜草在Active Contour曲線模型下的初始化光譜反射曲線向待檢測雜草的光譜反射率曲線進行收斂的過程為
參數型Active Contour的能量函數定義如下
4- = 春=|[1馘(_+‘嘛,
其中，(ι|4γ(5|ι，表示雜草的初始化光譜反射率曲線；
: [4)|^(s)f + _Fjsf]a表示內部力，該參數對雜草的初始化光譜反射率曲線施加分段的光滑性限制；
樣-(曝，表示外部力，該參數吸引雜草的初始化光譜反
射率曲線向圖像特征運動；
參數α(4バ4 Η4αψ)分別用來表示控制曲線的連續性、光滑性、圖像勢能力及外部約束力的參數；
所述的收斂過程是指，雜草的初始化光譜反射率曲線在內部力和外部力的共同作用下尋找其能量函數的極小值的過程。
本實施方式中，當！1胃=-|冒(ff時，外部力吸引雜草的初始化光譜反射率曲線向圖像中附近的物體邊緣運動。在雜草分類識別過程中，每種雜草的標準光譜反射率曲線設定為初始化光譜反射率曲線，記為&0，該初始化光譜反射率曲線將會向待檢測雜草的光譜反射率曲線收斂，設最終收斂后的光譜反射率曲線，記為isi。圖2為本實施方式所述的待檢測雜草的光譜反射率曲線、初始化光譜反射率曲線
和收斂后的光譜反射率曲線的Ml) ~ I曲線圖，其中，曲線“---”表示待檢測雜草的光
譜反射率曲線；曲線“~ *---- ”表示初始化光譜反射率曲線；曲線“ ·…—”表示收斂后
的光譜反射率曲線。本實施方式所述的Active Contour曲線模型和原始的Kass提出的ActiveContour曲線模型比較,本實施方式所述的Active Contour曲線模型具有以下優點。第一，Active Contour曲線模型的初始化過程自動完成，即將每種雜草的標準光譜反射率曲線設定為初始化光譜反射率曲線，實現了該曲線模型的全自動收斂。而在原始的Kass提出的Active Contour曲線模型中，Active Contour曲線模型的初始化位置由操作者手工確定，這只能實現該曲線模型的半自動收斂。第二，使用Active Contour曲線模型只是在豎直ー維方向上，即光譜反射率方向上進行收斂，它具有較快的收斂速度。而Kass提出的原始Active Contour曲線模型在收斂時進行了ニ維方向的收斂,其收斂速度較慢。
具體實施方式
八本實施方式與實施方式七的不同之處在于，獲得所述雜草的初始化光譜反射率曲線的能量極小值使用動態規劃法或者貪心算法；
所述動態規劃法是ー種全局優化算法，即在每一優化循環過程中，都使用一次動態規劃過程，Active Contour的每段曲線看作是動態規劃的ー個階段。該算法的優點是具有精確的收斂結果，缺點是收斂速度較慢。于所述貪心算法是ー種局部優化算法，即在每一優化循環過程中，只考慮局部控制點的極小化，并且假定Active Contour的整體能量也隨之變小。該算法的優點是具有較快的收斂速度，缺點是有時容易陷入到局部極小值而無法得到全局最優解。
具體實施方式
九本實施方式與實施方式三的不同之處在于，所述步驟D中所獲
得待測雜草與標準雜草的相似性指數α,其形式為α =
其中，Clli表示收斂后Active Contour曲線模型的匹配率,表示收斂后ActiveContour曲線模型的變形率，#表示參數,的權重系數,g表示參數的權重系數,
a、,、a2均為ο到I之間的小數，均為大于ο的小數。每種雜草的標準光譜反射率曲線完成Active Contour的初始化及收斂過程后，需要計算待測雜草與標準雜草的相似性指數12，并該數值將作為最終雜草分類識別的判據，其中最大的α對應的雜草種類即為待識別雜草的種類。本實施方式所述的用于表示某種雜草的標準光譜反射率曲線和待檢測雜草的光譜反射率曲線的相似性，具體定義為這兩條反射率曲線的交集中的像素數與兩條曲線的合集中的像素數的比值。aI越大，兩條反射率曲線相似性越好，反之，兩條光譜反射率曲線相似性越差，它本質上表征了不同種類雜草的光譜反射率的種間群體差異。本實施方式中所述的用于表示Active Contour曲線模型由初始化光譜反射率曲線向收斂后的光譜反射率曲線的變形程度的大小，具體定義為初始化光譜反射率曲線和收斂后的光譜反射率曲線的交集中的像素數與兩條曲線的合集中的像素數的比值。越大，Active Contour曲線模型的變形程度越小，反之,兩條光譜反射率曲線的變形程度越大，它本質上表征了雜草的光譜反射率受到外界環境干擾及種內個體差異影響后產生的相應的反射率曲線變異。
具體實施方式
十:本實施方式與實施方式九的不同之處在于,所述參數%的權重系數#= 1.50,所述參數モ的權重系數 本實施方式中雜草光譜反射率的種間群體差異應該大于其種內個體差異和外界環境干擾這兩種情況下產生的差異，因此經過反復實驗，確定參數_的權重系數#= 1.50,
參數^的權重系數|= 0.55。權利要求
1.一種對雜草進行分類識別的裝置，其特征在于，它包括圖像采集裝置(I)、可移動支架(2)和導軌(3)，所述圖像采集裝置(I)固定在可移動支架(2)的圖像采集裝置連接端，可移動支架(2)嵌套在水平設置的導軌(3)上， 所述圖像采集裝置(I)用于采集雜草的光譜反射率； 所述可移動支架(2 )用于固定支撐圖像采集裝置(I)，所述可移動支架(2 )還用于在導軌(3)上滑云力； 所述導軌(3)用于預先設定雜草的檢測路徑。
2.根據權利要求I所述的裝置，其特征在于所述圖像采集裝置(I)為FieldSpec的ProFR便攜式多光譜福射分析儀。
3.ー種利用權利要求I所述的裝置對雜草進行分類識別的方法，其特征在干所述方法包括 步驟A圖像采集裝置(I)沿著導軌(3)運動，多方位的采集待檢測雜草的光譜反射率并獲得待檢測雜草的光譜反射率曲線； 步驟B圖像采集裝置(I)采集各種雜草的標準光譜反射率，將獲得的各種雜草的標準光譜反射率曲線傳遞至計算機，計算機將該種雜草的標準光譜反射率曲線設定為該種雜草在Active Contour曲線模型下的初始化光譜反射率曲線； 步驟C將步驟B中得到的該種雜草在Active Contour曲線模型下的初始化光譜反射率曲線，向步驟A中圖像采集裝置(I)采集的待檢測雜草的光譜反射率曲線進行收斂； 步驟D計算收斂后Active Contour曲線的匹配率和變形率,并獲得待測雜草與標準雜草的相似性指數。
4.根據權利要求3所述的方法，其特征在于步驟A前還包括設定圖像采集裝置(I)的采集參數，所述采集參數包括 光譜波段范圍設定為波長34(Tl070nm，光譜采樣間隔設定為I. 4nm，測量不同波長的光譜反射率的次數設定為512。
5.根據權利要求3所述的方法，其特征在于步驟B中所述使用圖像采集裝置(I)獲得各種雜草的標準光譜反射率曲線的方法是 步驟B-I針對每ー種雜草，使用圖像采集裝置(I)對該種雜草進行光譜反射率采集，并形成M組光譜反射率曲線； 步驟B-2選取步驟B-I中獲得的M組光譜反射率曲線中的N組光譜反射率曲線，對這N組光譜反射率曲線的數據取算術平均值,并將該數據的算術平均值構成的曲線作為該種雜草的標準光譜反射率曲線； 所述M為不小于250的整數，N為大于或者等于150且小于M的整數。
6.根據權利要求3所述的方法,其特征在于步驟B中所述ActiveContour曲線模型為參數型Active Contour曲線模型。
7.根據權利要求6所述的方法，其特征在干步驟C中所述該種雜草在ActiveContour曲線模型下的初始化光譜反射曲線向待檢測雜草的光譜反射率曲線進行收斂的過程為 參數型Active Contour的能量函數
8.根據權利要求7所述的方法，其特征在于 獲得所述雜草的初始化光譜反射率曲線的能量極小值使用動態規劃法或者貪心算法; 所述動態規劃法是ー種全局優化算法，即在每一優化循環過程中，都使用一次動態規劃過程，Active Contour的姆段曲線看作是動態規劃的一個階段； 所述貪心算法是ー種局部優化算法，即在每一優化循環過程中，只考慮局部控制點的極小化，并且假定Active Contour的整體能量也隨之變小。
9.根據權利要求3所述的方法，其特征在于 所述步驟D中所獲得待測雜草與標準雜草的相似性指
10.根據權利要求9所述的方法，其特征在于 所述參數
全文摘要
一種對雜草進行分類識別的裝置和方法，屬于數字圖像處理技術領域，解決現有的雜草識別方法計算復雜度高、野外環境下無法快速實時的對雜草進行分類識別、抗干擾性差的問題。所述裝置包括圖像采集裝置、可移動支架和導軌，所述圖像采集裝置用于采集雜草的光譜反射率。所述方法包括A設定圖像采集裝置的采集參數，采集待檢測雜草的光譜反射率；B采集各種雜草的標準光譜反射率；C將該種雜草的標準光譜反射率曲線向待檢測雜草的光譜反射率曲線進行收斂；D計算收斂后ActiveContour曲線的匹配率和變形率，并獲得待測雜草與標準雜草的相似性指數。本發明用于雜草的分類識別。
文檔編號G01N21/25GK102661920SQ201210164690
公開日2012年9月12日 申請日期2012年5月25日 優先權日2012年4月11日
發明者趙鵬 申請人:東北林業大學