全 文 ：第 引 卷第 3期
2X() 5年 6月
农业装备拒芝州长 V o l. 3 1 南. 3
E q u i卿 e n t & 介 e h n o l。 )群 Ju n . 2X() 5
(江苏大学 )
摘 要 :杂草影响作物生长 , 除草剂的大面积使用既增加 了农民的经济负担 , 又污染了环境 。 根据茄
科类作物及其杂草的形状特点 ,提取其有效的形状特征参数 , 并用神经网络进行验证 。 试验证明 , 提
取的形状特征能有效地识别出杂草 。
关健词 :特征提取 ;形状特征分析法 ;神经网络
R砚犯 a r由 on 扒gU r e C h a r a c t e sr of T h e W e e ds W h ich G or w A r o u n d
ht
e N igh st h ad
e C r o PS
P a n Y i n g
,
M a o H a n P i n g (J i
a n g s u U n i v e sr i t y )
A b 蛇r a c t : W e e d a fe e t t h e 『 o w o f t h e e or P· T h e af 嗯 o i n g u s e o f h e br i e id e n o t o n ly i n e er a s e af n n e sr ’
e e o n o m i e b u dr e n
,
bu t al
s o 即l l u te t h e e n v ior n m e n t . Th e a u t h o r p i e k u P e fe e t iv e if gu er e hacr t
e r
p
amr
e t e sr a n d v a l id at e t h e m b y n e vr e n e t
,
ac e o dr i n g ot ht e if ,
r e e h ar ac t e sr o f th e n ihg t
s h a d e e or Ps ha d
w e e d s
·
Ex a m i n a ti o n s h o w
,
t h e w e e d s e a n b e e o m m e dn ab ly d i
s ti n , i
s h ofr m t h
e e or p b y u s i n g d i st i ll e d
if gu er hc
a ar ct e .sr
K盯 ow r d s : e h a ar e t e r e x er a e t i o n ; a n a ly t i e al
1 引言
m e t h o d o f if gu er
e h a ar e te r ; n e vr e n e t
杂草识别采用的主要分析方法是 : 颜色特征分
析法 、纹理分析法 、形状特征分析法 。 本文主要利用
杂草的生长对农作物的生长很不利 。 它与农作
物争夺土壤 、阳光和养分 , 而且极易蔓延生长 。 如不
及时控制 , 会导致作物的产量下降 , 质量降低 。 除草
剂的使用效果虽好 , 但由于使用方式都是大面积喷
洒 , 不仅大大增加了农民的投入 , 而且除草剂淋溶 、
雾滴的飘移和挥发 , 既污染了空气和水源 ,也会伤害
敏感作物 。 用计算机视觉来识别杂草的面积和种类 ,
不仅能有效减少草害 ,提高农产品的产量和质量 , 而
且能大大节约除草剂的使用 、降低投入 ,还能保护生
态环境 ,有着重要经济意义和生态意义川 。
形状特征分析法识别茄科类作物杂草 。
2 形状特征参数
植物的形状特征有很多 , 如面积 、周长 、宽长比 、
第一不变距 、伸长率 、圆满度 、致密度等 。 .面积 、周长
这些形状特征会随叶片的生长而变化 , 不具可 比性 。
作者选取了宽长比 、第一不变中心矩 、伸长率 、圆满
度和致密度五个形状特征参数 。 它们是规范化后的
无量纲参数 ,与叶片的大小 、方向无关 。
.2 1 宽长比 r
,嗬悦饭,角尸匆分叹归倪甲年 ,翎 2 喊丫尸询尸 、 尸侧甲、 尸贷尸、 尸侧日、 日 、 尸戈口 、 日、 日、 曰
h耐 ,而人工作业每天每人只能修剪 .0 0 2 h而 , 机械
修剪工效是人工的 48 倍 , 具有较高劳动生产率 。 人
工修剪成本为 9 0 刀 h m Z (人工工资为每班 20 元 /
人 ) 。 机修成本为 l加 .9 元 h时 , 机剪比手工修剪要
少支出 7 7 9 . 1刃 hm Z。 由此可见 ,机械修剪的经济效
益也很明显 , 它确实是茶园生产中一项省一工 、省力 、
省成本的先进技术 , 能提高作业质量和生产效率 。
综上所述 , 我们认为茶树修剪机的引进和试验
是必要的 , 也是成功的 。 今后在做好典型示范工作的
基础上 ,机手经过适当培训后 ,可 以进行大面积示范
推广 ,使茶树修剪作业早 日实现机械化 。
全 ,形成积炭 。 这主要是机手不熟悉引起的。
该试验样机采用 日本配件组装的汽油机 , 启动
性能较好 ,运转平稳 , 工作可靠 。 整机配套结构简单 ,
刀片的切割能力和寿命都较高 , 调整保养也比较方
便 。 但风机噪声较大 ,而且有部分修剪下的枝叶灰尘
直接吹到面对风口的机手身上 ,造成不适 。 可考虑在
上端加装一小块活动护栏 ,加以防护 。
5 经济效益较好
根据茶树修剪试验得知 : 双人抬式茶树修剪机
按试验数据的 70 %计算 , 班次生产率平均可达 1 . 06
总第1 25 期 .
E AT 农如壮备扣芝洲片 2 05.3
r =当些.
编砍
r即 ME R 宽与长的比值。 利用 r可以将细长的
物体与圆形或方形的物体区分开 。
2. 2 第一不变中心矩
第一不变中心矩是相对于主轴计算并用面积规
一化的中心矩 ,在物体放大 、平移 、旋转时保持不变 。
只有三阶或更高阶的矩经过这样的归一化后才能保
持不变性 。 需要计算距* 中心矩、 不变距 。
①矩蛛
一幅图像可用二维连续函数 f(x, y)来描述
, 它的
仃+k 脸的矩定义为
M , = J J
x , , ` , ( x
,
, )娜 j , k 一 o , ` , 2 , · …
中心矩以质心作为圆心进行计算 , 故具有位置
无关性质 。
③不变矩 ( In v a “ a n t e e n t耐 M o m e n ts )冈
对于 j +k 二么3, .4 · ·… 的高阶矩 , 可 以定义归一化
的中心矩为 :
尸kj = M介
(M o
_ ,
J + k
. , 、
, r 二 气— 十 1)2
矩之所以可以用来描述一幅二维图像 , 是因为
它具有唯一性的特征 。 为了描述物体的形状 , 假设
爪y) 的目标物体取值为 1 ,背景为 0 。 参数 +j k 称为矩的阶。 零阶矩就是物体的面积 ,即
零阶矩 :
M 。 = J J了(
x , , )娜
离散的 :
M o = 艺艺f x( , y)
所有的一有凝和旬介娜叙又吻后 ,与物本瑰划厌羡 ,② 中心矩 M弘
当j =l 弄=0 时 , M :。对二值图像来讲就是物体上
所有点的 : 坐标的总和 ,类似地 , M0 ,就是物体上所
有点的 y 坐标的总和 ,所以
一阶矩 :
M
l。 =
J犷 (
x
,
, )坳 , 、 。 ,
离散的 :
材: 。 = 艺艺犷 ( x , , ) M 。 ,
子伪
=
J扩 (
x , y )坳
= 艺艺了 (x, , )
二值图像中一个物体的质心坐标 。
一 M 、 n _
x = 下户 y
M田
M
。 ,
二二 ~ - - 竺盆
为了获得矩的不变特征
M o
往往采用中心矩以及
归一化的中心矩 。 中心矩的定义为 :
、 二= J J ( x 一又) , ( , 一于)` f ( x , , )娜
第一不变距 ( Fi sr t l n v iar a n t C e n tar l M o me n t , I C M )为 :
叭 二户20 + 浅2
2
.
3 伸长率 ( E !o n gaet d n es s )物体面积与当量椭圆面积之比 , 当量椭圆的长
短轴是指物体最小外接矩形的长和宽 。
2
.
4 回满度 ( R o u n d n e s s )日
物体面积与外接圆面积之比 , 外接圆半径为最
小外接矩形长 。
2 5 致密度
度量圆形度最常用的是致密度 , 即周长 ()P 的平
方与面积 ()A的比 : _ 尸 ,
C 二 二 .一
A
3 形状特征参数的分析比较
图 1分别是移栽后第 1d5 到第 3d0 之间作物与
杂草在宽长比 、第一不变距 、伸长率 、矩形度 、圆满度
和致密度五个形态特征的比较 。
从 a() 可以看出除了千金子的宽长比随着天数的
增加而变小 , 其它的都是变大 。 这是因为千金子长度
的生长远远大于宽度 , 这与它细长的形状特征也是
相符的。 而茄子和青椒的叶片呈卵形 ,所以宽长比的
特征变化不是很明显 。 总体看来 ,它们各自的宽长比
取值都有一定的范围 , 除了茄子和马齿览在开始几
天数值有所交叉外 , 其余的都比较清晰 , 所以 , 宽长
比是较好的识别参数 。
第一不变中心矩 a() 是五种植物的第一不变中心
矩 。 可 以看出 , 千金子的与其它四种植物的差别较
大 。 而这四种植物几乎在一条直线上 , 作者把它们重
新制表 ,如图第一不变中心矩向 。 可以看出 ,马唐和
茄子的第一不变中心矩较为明显 , 虽然偶尔有几个
点重合 。 茄子和马齿觅的比较接近 ,不太容易分离 。
五种植物的伸长率没有太大的分别 。 除了千金
子的较为明显 , 其余的取值范围都不是很清晰 。 伸长
率不是太好的识别参数 。
圆满度图的层次较为分明 。 千金子最小 。 其余的
. 总第 125 期
2(X) 5
.
3潘颖等 : 茄科类作物杂草的形状特征研究 AE 】,
合点 ,但总的对正确的识别影响不大 。
致密度a() 的图层次也比较分明 。 千金子和马齿芜
的取值都在各自的范围内。 致密度向是其余的三种植
物。 茄子的较容易识别 。 青椒和马唐有几个重合点 。
综合上图 , 抛开取值明显的植物 ( 如第一不变
中心矩的千金子 , 致密度的马齿览 ) , 观察形状特征
参数值相似的植物 ,作者发现第 2d7 ,这些相似的特
征参数值差别最大 ,植物最容易区别 。
4 试验验证
作者用网络结构为 4 一 9 一 2 、学习误差为 .0 03 、
学习速率为 .0 01 、 动量因子为 .0 95 的 B P 神经网络
检验已知的类别样本 , 测试其正确识别率 。
神经网络分类结果人工分类结果 ( 个 )—作物 ( 个 ) 杂草 ( 个 ) 正确识别率 ( % )茄子 50 4 8 2 一 O{骊 —青椒 50 47 3 0 . 9 4千金子 50 0 50 1X()马唐 50 3 4 7 0 . 9 4马齿觅 50 5 4 5 0 . 9()试验结果如上表 ,总的正确识别率为 .0 95 % 。 可以看出 , 千金子能完全识别出来 , 而其它的杂草都出现了错误的分类 ,马齿觅的最严重 。 这是因为马齿览的宽长比和第一不变中心矩与作物的较相似 , 因此
在神经网络 一识别时 ,就错误地把马齿觅当作是作物 。
所以 , 应该找出马齿览和作物更有效的形状特征参
数 , 提高马齿觅的识别精度 。
5 小 结
作者观察茄科类作物及杂草的形状特点 , 提取
了宽长比 、 第一不变中心矩 、 圆满度 、致密度和伸长
率五个无量纲形状特征参数 , 试验证明前四个能有
效地识别出杂草 , 经 4一9一 2 的 B P 神经网络验证 , 正
确识别率为 .0 95 % 。
圈 ,
取值也有一定的范围 。 虽然青椒和马唐的有几个重
参考文献 :
1 蒋正荣 .计算机杂草识别的实现及应用 lJ[ ,杂草科学 . 199 , 4
2I] 阮秋琦编著 .数字图像处理学附 .l 电子工业出版社 , 2以x〕
[3 ] F~
E
,
eG b h酬 t M R , U n k l o hay K B . Sh a eP d流 ir m in a it o n if
e o m v le t e l y v is i b l e an d 详时i al l y 佣c l u d ed l ea v es fo r id e n t沂 in g
p la n t s i n d igl alt i m ag
e s
.
T阳 n s , it on fO ht e AS AE, 19 1, 34(2 ):
6 73 ~ 6 8 1
总第 12 5 期 .
补 乞