機(jī)器人系統(tǒng)中小麥病害識別與施藥算法研究

刁智華+刁春迎+魏玉泉+毋媛媛+錢曉亮+劉玉翠

摘要：為解決傳統(tǒng)施藥機(jī)械農(nóng)藥利用率低且在施藥過程中不能對作物病害進(jìn)行檢測等問題，根據(jù)常見農(nóng)作物小麥的生長規(guī)律，提出了一種適用于施藥機(jī)器人系統(tǒng)的病害識別與施藥算法。研究方法能使機(jī)器人根據(jù)在行進(jìn)過程中拍攝的作物圖片識別出作物的病害種類并根據(jù)受害面積得出受害程度；通過改進(jìn)的Hough變換算法識別出作物行；將病害信息和作物行信息作為精準(zhǔn)施藥依據(jù)，在不改變噴藥壓力和流量的基礎(chǔ)上，通過中間控制器調(diào)節(jié)機(jī)器人噴桿行走速度以作物行中心線為軌跡進(jìn)行變量施藥。試驗結(jié)果表明，機(jī)器人系統(tǒng)算法工作穩(wěn)定，具有良好的穩(wěn)定性和較高的實用性。

關(guān)鍵詞：精準(zhǔn)施藥；機(jī)器人；病害識別；作物行

中圖分類號： TP242文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2017）17-0192-04

收稿日期：2017-03-09

基金項目：國家自然科學(xué)基金（編號：61501407），河南省科技廳科技攻關(guān)項目（編號：162102110118）；河南省高等學(xué)校重點科研項目（編號：15A413006）；河南省高等學(xué)校青年骨干教師培養(yǎng)計劃（編號：2016GGJS-088）；鄭州輕工業(yè)學(xué)院研究生科技創(chuàng)新基金資助項目（編號：2016040）。

作者簡介：刁智華（1982—），男，河南鄭州人，博士，副教授，主要從事圖像處理及模式識別的有關(guān)研究。E-mail：diaozhua@163.com。我國是一個農(nóng)業(yè)大國，據(jù)相關(guān)研究數(shù)據(jù)統(tǒng)計，每年的農(nóng)作物感染病害面積多達(dá)2億hm2，造成巨大的經(jīng)濟(jì)損失。每年用于病害防治的農(nóng)藥約25萬t（有效利用率僅為20%～30%），真正施在病害部位的僅占0.02%左右，其余的農(nóng)藥都散布在農(nóng)田、水域、空氣中，造成嚴(yán)重的水土資源污染[1-3]。農(nóng)業(yè)操作如病害檢測、噴灑農(nóng)藥等十分繁瑣，大多數(shù)情況下作物病害識別是人工進(jìn)行的，通過人工測量或顯微鏡，但是這需要有經(jīng)驗的專業(yè)人士，而且有些病害的癥狀非常相似，通過肉眼很難分辨，難以達(dá)到精準(zhǔn)的效果[4-7]；傳統(tǒng)施藥時會采取過多的防護(hù)措施，如穿防水的衣服、戴口罩和手套等，這些措施可以避免農(nóng)藥對他們造成傷害，但也不能完全避免[8-10]。在這樣的情況下，使用施藥機(jī)器人便成了最好的解決方案，因此對機(jī)器人系統(tǒng)下作物病害識別及施藥算法的研究具有重大的意義。

自20世紀(jì)80年代發(fā)達(dá)國家開始研究農(nóng)業(yè)機(jī)器人后，相繼出現(xiàn)了采摘、嫁接、施藥機(jī)器人，但早期的施藥機(jī)器人各方面性能低、智能化程度不高，沒有針對性的病害檢測系統(tǒng)和精準(zhǔn)施藥系統(tǒng)，后來由于人工智能、機(jī)器視覺等新技術(shù)的發(fā)展及應(yīng)用，有效促進(jìn)了施藥機(jī)器人的自動化和精準(zhǔn)化研發(fā)[11-13]。在國外，Arima等提出了一種多操作機(jī)器人作物信息獲取及精準(zhǔn)施藥的方法，達(dá)到了傳感、控制和數(shù)據(jù)管理3種功能的融合。Kozlowski等提出了一種機(jī)器人系統(tǒng)中精準(zhǔn)施藥自動控制方法，解決了復(fù)雜的精準(zhǔn)施藥問題。在國內(nèi)，耿長興等設(shè)計了機(jī)器人系統(tǒng)下PLC控制的精準(zhǔn)施藥方法，在3種病情等級上對機(jī)器人進(jìn)行了試驗，藥液節(jié)省率達(dá)到60%以上。彭吳琦等使用MATLAB對小麥葉部圖像依次進(jìn)行圖像轉(zhuǎn)換反映病害分布情況，根據(jù)病害覆蓋率識別出作物病害程度，為本研究的病害識別方法的研究提供了可行性依據(jù)。目前，國內(nèi)外對精準(zhǔn)施藥機(jī)器人的研究尚處于研究試驗階段，環(huán)境的復(fù)雜性、作業(yè)對象形態(tài)的多義性、光照條件的不可控制性等都給機(jī)器人系統(tǒng)中信息獲取和決策實施帶來很大的困難。本研究以生長早中期的小麥常見病害為噴霧研究對象，利用機(jī)器視覺來獲取小麥的病害信息，以病害的分布及受害面積作為施藥依據(jù)，最終實現(xiàn)以作物行中心線為軌跡的精準(zhǔn)施藥。

1材料與方法

1.1系統(tǒng)原理

施藥機(jī)器人系統(tǒng)中小麥病害識別與施藥算法的研究由圖像采集部分、信息識別部分以及精準(zhǔn)施藥控制部分組成。圖像采集部分是通過工業(yè)相機(jī)對農(nóng)作物信息進(jìn)行采集；信息識別部分是通過hough變換提取出作物行中心線以及通過分析采集圖片上病斑的顏色、形狀、紋理等特征識別出病害的種類，進(jìn)而根據(jù)病斑所占面積得出受害程度，在得到施藥決策后，精準(zhǔn)施藥控制部分通過控制噴霧桿行走速度進(jìn)行變量噴霧。

1.2試驗規(guī)劃

小麥種植密度大而集中，一般按照等間距行種植，在生長早期植株間距大，葉片分布均勻，無遮擋現(xiàn)象，但很少出現(xiàn)病害信息；生長中期小麥植株間距縮小，葉片呈層次分布，行距分明，病害信息明顯易查，開始出現(xiàn)遮擋現(xiàn)象；而生長晚期小麥植株間距最小，葉片遮擋嚴(yán)重，病害信息雜亂不易檢測，基本無行距。鑒于以上分析，生長早中期的小麥行距分明，葉片遮擋率小，便于施藥，病害的癥狀明顯，易于區(qū)分，所以研究選擇生長早中期的小麥進(jìn)行試驗。本研究在河南農(nóng)業(yè)大學(xué)毛莊農(nóng)業(yè)科研實驗基地進(jìn)行，利用試驗基地現(xiàn)存條件，結(jié)合小麥種植模式及葉面積分布構(gòu)造了適用于機(jī)器人系統(tǒng)的病害識別與施藥算法。

2系統(tǒng)設(shè)計

2.1圖像采集與預(yù)處理

為實現(xiàn)精準(zhǔn)施藥首先要準(zhǔn)確獲取作物的病害信息，即對作物病害部位進(jìn)行準(zhǔn)確的衡量。作物在感染病害后葉部形狀、顏色、紋理會出現(xiàn)變化，且感染不同的病害會出現(xiàn)不同的癥狀，系統(tǒng)根據(jù)這些癥狀的不同區(qū)分病害的種類。系統(tǒng)采用西安艾菲特光電技術(shù)有限公司生產(chǎn)的MV-VDM033SC型號的工業(yè)攝像機(jī)，分辨率為640×480，輸出為RGB彩色圖像，相機(jī)在試驗中每隔2 s采集一次圖像，為保證圖像處理的精確度每次采集2張圖片，一張近距離圖像，一張遠(yuǎn)距離圖像，分別用于病害識別和作物行檢測。

2.1.1灰度變換采集的圖像由于環(huán)境、光照度等的影響會存在噪聲及其他物體的干擾，因此要對圖像進(jìn)行一定的預(yù)處理，包括灰度變換、中值濾波等。采集的圖片中，小麥的正常葉片及陰影部分呈現(xiàn)綠色，而感染病害的葉片呈現(xiàn)異于綠色的白色、黃白色等，可以利用這一特性使用超綠顏色特征2G-R-B 將感染病害的小麥葉部病斑提取出來。超綠算法表達(dá)式為式（1）所示。endprint

exg=0，2G-R-B<0

255，2G-R-B>255

2G-R-B，0≤2G-R-B≤255。（1）

圖1-a、圖1-c為普通灰度化圖像，圖1-b、圖1-d為超綠灰度化圖像。通過分析可知，超綠灰度化后的圖1-b更能突出作物行的走勢，可清晰地觀察到作物行的形態(tài)特征；圖1-d更加突出了小麥葉片的病斑位置、大小、形狀等形態(tài)特征，減少了冗余的復(fù)雜背景信息。

2.1.2中值濾波為對灰度化后的圖像除去噪聲對病斑及作物行提取的影響，采用3×3的模板對采集圖像進(jìn)行中值濾波，即對模板的9個灰度值進(jìn)行從小到大或從大到小的排序，選擇中間的灰度值來替代處理的灰度值。

2.2圖像分割

對預(yù)處理后的圖像進(jìn)行圖像分割是識別病害必不可少的一部分，分割的效果直接影響分析的結(jié)果，因此選擇的分割方法對病害識別有很大的影響。由于圖像中非病害部位與病害部位存在較大的顏色差異，閾值分割因簡單快速是解決此類問題的最優(yōu)方法。為減少閾值分割參與數(shù)據(jù)，提高圖像處理速度，本研究選擇一種改進(jìn)的適用于本次圖像分割的自動選擇閾值的最大類間方差比閾值分割方法，具體算法如下：

（1）找出整個圖像像素最多點對應(yīng)的灰度級K，并求出K之前的灰度級像素總數(shù)N以及所有像素的灰度均值μ和分布概率p0，p1，p2，…，pk；

μ=1N∑mi=1∑nj=1f（i，j）。（2）

式中：f（i，j）為點（i，j）的像素灰度值。

（2）給定一個非零初始閾值T=T0，將圖像分為C1、C2兩類；

（3）計算灰度均值μ1、μ2和兩類方差δ12、δ22；

μi=1NCi∑（x，y）∈Cif（x，y），（i=1，2）；（3）

δi2=∑（x，y）∈Ci[f（x，y）-μi]2，（i=1，2）。（4）

（4）計算C1、C2的發(fā)生概率P1、P2；

P1=∑Ti=0pi，P2=1-P1。（5）

（5）計算類內(nèi)方差δm2和類間方差δb2；

δm2=P1·δ12+P2·δ22；（6）

δb2=P1·（μ1-μ）2+P2·（μ2-μ）2。（7）

令T=δb2/δm2，重復(fù)步驟2～5，第二次運算時取T0=1/2（μ1+μ2），當(dāng)且僅當(dāng)T=Tmax時的T為最佳閾值。本研究選擇的白粉病病斑分割圖片經(jīng)計算后得出閾值為200時分割效果為最佳，分割病斑后的圖像效果如圖2所示。

對分割后的病害區(qū)域作面積統(tǒng)計，根據(jù)受害面積比例設(shè)置4種不同的受害程度，結(jié)果如表1所示。

2.3病害識別

病害識別中顏色是最明顯、直觀的特征，根據(jù)顏色特征能夠分辨出一部分病害，紋理和形狀特征可作為分辨類別的輔助依據(jù)，通過分析病害的顏色、紋理及形狀特征能夠分析出病害的種類。本研究根據(jù)病斑顏色特征的顏色矩和標(biāo)準(zhǔn)顏色直方圖，紋理特征的角二階矩（ASM）、對比度（CON）及相關(guān)度（COR）和形狀特征的不變矩（μp）、偏心率（E）的計算方法[14]，對小麥幾種常見病害進(jìn)行了識別，病害識別結(jié)果如表2所示。

由于圖像分割后的病害特征明顯，識別率達(dá)到85%以上；但光照條件或相似病害的特征參數(shù)數(shù)據(jù)重疊存在一定的影響，因此病害識別存在少量的誤差。

2.4作物行識別

作物行的背景信息復(fù)雜，直接提取具有較大的困難，且不能保證提取的精度，因此要進(jìn)行一定的圖像處理步驟。二值化是識別作物行的第一步，不僅簡化了作物行信息，而且可以減少圖像處理時間；二值化后進(jìn)行細(xì)化處理突出作物行骨架，在提取作物行時只保留中間2行，最后通過Hough變換擬合直線檢測出作物行的中心線。

2.4.1二值化為了播種和收割等的方便，大多數(shù)的農(nóng)作物都是以等間距行的形式種植，這也為農(nóng)作物的施藥提供了方便。提取作物行信息首先要對采集的作物行圖片進(jìn)行二值化處理，采用膨脹和腐蝕算法消除二值化后的圖像噪聲，本研究采用3×3結(jié)構(gòu)元素進(jìn)行圖像膨脹，采用5×1的結(jié)構(gòu)元素進(jìn)行圖像腐蝕，二值化后圖像如圖3-a所示。

2.4.2提取作物行二值化后的圖像已經(jīng)得到作物行的大致輪廓，為清晰地提取出作物行的骨架信息，對圖像采取細(xì)化處理，提取作物行中心骨骼，減少冗余的部分突出形狀特點，細(xì)化后圖像如圖3-b所示?？紤]到作物行的間距一般是相等的，只要對準(zhǔn)其中2行，其他行按等距排列就可以實現(xiàn)所有行的對準(zhǔn)，一般選取圖像的中心2行為參考行。

2.4.3改進(jìn)的Hough變換Hough變換具有較好的抗干擾性和魯棒性，是用于直線檢測的一種常用方法，但傳統(tǒng)的Hough變換具有運算量大、斷線錯連、運算時間長等缺陷，在快速運算中失去了本來的應(yīng)用意義。本研究提出一種改進(jìn)的基于定向處理的快速Hough變換，減少了傳統(tǒng)Hough變換巨大的運算量，降低了計算復(fù)雜度。

Hough變換將作物行擬合為直線，其基本思想是利用點線的對偶性把圖像中的直線檢測問題轉(zhuǎn)換為對參數(shù)空間中點的檢測問題，通過參數(shù)空間中點的累加統(tǒng)計完成直線檢測。提高Hough變換的速度有2種方法，一是減少參與的點數(shù)，二是縮小計算的空間，本文提出的基于定向處理的快速Hough變換是這2種方法的結(jié)合。為了減少計算的復(fù)雜度采用直線極坐標(biāo)方程表示，如式（8）所示。

ρ=xcosθ+ysinθ。（8）

式中：ρ是原點到直線的距離，θ是x軸與直線的夾角。計算時首先把整體圖像量化為幾個子區(qū)域，在細(xì)化圖像中近直線段上隨機(jī)選取兩點（xm，ym）、（xn，yn）確定一條直線，參數(shù)如式（9）、（10）所示。

θ=arctanym-ynxm-xn；（9）

ρ=xmcosθ+ymsinθ。（10）

把每段近直線中所有像素點組成一集合A，隨機(jī)取集合A中兩點求斜率，如不滿足近直線要求，重新選擇。由于只提取作物行圖像的中間2行，因此可以把θ的取值范圍壓縮為30°～150°，根據(jù)ρ=x2+y2sin（θ+）計算ρ的值，其中θ=sin-1（x/x2+y2）。最后根據(jù)ρ和θ的值對累加數(shù)組進(jìn)行累加，得到共線點的個數(shù)，由ρ和θ的取值范圍及它們的分辨率可以確定累加器的大小，從而檢測直線。Hough變換后的圖像如圖3-d所示。endprint

2.5施藥決策

通過對采集的圖像進(jìn)行灰度化轉(zhuǎn)換、中值濾波、分割、作物行提取等一系列處理后，將得到的小麥病害種類、分布、受病害程度以及作物行信息作為施藥依據(jù)，根據(jù)識別出的病害類型選擇相應(yīng)的藥液，4種病害等級相應(yīng)地設(shè)置4種不同的施藥速度，使其保持在0.15～0.45 m/s的變化范圍內(nèi)，在不改變噴藥壓力（0.8 MPa）和噴頭流量（6.5 L/min）的情況下，只調(diào)節(jié)機(jī)器人噴桿行走的速度實現(xiàn)自動變量施藥。為使精準(zhǔn)施藥機(jī)器人在一次噴霧中能夠有效覆蓋盡量多的小麥植株，

研究采取可移動六噴嘴式噴霧系統(tǒng)，每個噴嘴位于作物行中心線的正上方向下垂直噴霧，以噴嘴距離工作區(qū)域為300 mm時對應(yīng)120 mm×120 mm的噴幅為標(biāo)準(zhǔn)。實際施藥時由于相機(jī)與作物行底部中心存在偏差，因此可根據(jù)偏差信息進(jìn)行適量的調(diào)整。

3算法實現(xiàn)形式

本研究的機(jī)器人系統(tǒng)中病害識別與精準(zhǔn)施藥的實現(xiàn)形式如圖4所示，首先根據(jù)相機(jī)獲取小麥圖像，對圖像進(jìn)行預(yù)處理；然后進(jìn)行作物行檢測及病害檢測，根據(jù)分割病斑后圖像計算出感染病害面積，繼而劃分病害等級及施藥等級；最后將病害及作物行信息發(fā)送給精準(zhǔn)施藥控制系統(tǒng)，由精準(zhǔn)施藥控制系統(tǒng)給控制閥發(fā)送命令控制藥箱的啟閉并控制壓力泵給藥箱施加恒等的壓力，藥液流出時通過流量計檢測藥液流出量的多少，并把信息傳遞給精準(zhǔn)施藥控制系統(tǒng)進(jìn)行信息負(fù)反饋，從而進(jìn)行相應(yīng)的調(diào)整，通過流量計實時監(jiān)測的噴頭進(jìn)行噴藥，實現(xiàn)了噴頭的自動對準(zhǔn)和藥液流量的自動控制。

4結(jié)論

本研究提出的機(jī)器人系統(tǒng)中病害識別與施藥算法有效地減少了農(nóng)藥的浪費，通過機(jī)器視覺來獲取病害信息，采用基于小麥葉片顏色、形狀及紋理信息的圖像處理方法實現(xiàn)了小麥病害的精準(zhǔn)識別，并根據(jù)受害面積建立了病害病情等級評價標(biāo)準(zhǔn)，為后續(xù)的精準(zhǔn)施藥系統(tǒng)提供了施藥依據(jù)。通過VC++6.0的開發(fā)語言實現(xiàn)小麥常見病害的分割、識別及提取作物行等算法以及對精準(zhǔn)施藥系統(tǒng)的控制，一幅圖像300 ms左右的處理時間滿足了實際的需求，在精度和準(zhǔn)確度上都達(dá)到了較好的效果，且使用軟件處理極大地節(jié)約了成本，為精準(zhǔn)施藥機(jī)器人的廣泛使用提供了可能。但是，研究過程中由于光照、葉片遮擋等的影響，獲取的病害信息仍然存在一定的誤差，從采集圖像到處理結(jié)束中間算法步驟稍多，因此如何準(zhǔn)確地獲取病害信息、提高圖像處理時間仍然是需要解決的問題。

參考文獻(xiàn)：

[1]趙春江，陳天恩，陳立平，等. 遷飛性害蟲精準(zhǔn)施藥決策分析方法研究[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（增刊2）：149-155.

[2]傅錫敏，薛新宇. 基于我國施藥技術(shù)與裝備現(xiàn)狀的發(fā)展思路[J]. 中國農(nóng)機(jī)化，2008（6）：72-76.

[3]You G，Wang X，Yang S，et al. Precision spraying system of crops disease stress based on acoustic emission[J]. Journal of Computers，2011，6（4）：635-642.

[4]邵慶，張楠，路陽. 小麥病害圖像識別處理及形狀特征提取研究[J]. 農(nóng)機(jī)化研究，2013（8）：35-37.

[5]刁智華，王歡，宋寅卯，等. 復(fù)雜背景下棉花病葉害螨圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（5）：147-152.

[6]王獻(xiàn)鋒，張善文，王震，等. 基于葉片圖像和環(huán)境信息的黃瓜病害識別方法[J]. 農(nóng)業(yè)工程學(xué)報，2014，30（14）：148-153.

[7]王翔宇，溫皓杰，李鑫星，等. 農(nóng)業(yè)主要病害檢測與預(yù)警技術(shù)研究進(jìn)展分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47（9）：266-277.

[8]劉雪美，李揚，李明，等. 噴桿噴霧機(jī)精確對靶施藥系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47（3）：37-44.

[9]Dammer K. Real-time variable-rate herbicide application for weed control in carrots[J]. Weed Res，2016，56（3）：237-246.

[10]Tackenberg M，Volkmar C，Dammer K. Sensor-based variable-rate fungicide application in winter wheat[J]. Pest Manag Sci，2016，72（10）：1888-1896.

[11]Aishwarya B V，Archana G，Umayal C. Agriculture robotic vehicle based pesticide sprayer with efficiency optimization[C]. Technological Innovation in ICT for Agriculture and Rural Development，2015：59-65.

[12]Neudecker S，Bruns C，Gerbers R，et al. A new robotic spray technology for generative manufacturing of complex concrete structures without formwork[J]. Procedia Cirp，2016，43：333-338.

[13]刁智華，趙明珍，宋寅卯，等. 基于機(jī)器視覺的玉米精準(zhǔn)施藥系統(tǒng)作物行識別算法及系統(tǒng)實現(xiàn)[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（7）：47-52.

[14]劉濤，仲曉春，孫成明，等. 基于計算機(jī)視覺的水稻葉部病害識別研究[J]. 中國農(nóng)業(yè)科學(xué)，2014，47（4）：664-674.何玲，陳長喜. 生豬屠宰自動化監(jiān)管系統(tǒng)的物聯(lián)網(wǎng)構(gòu)建[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（17）：196-199.endprint