专利名称：一种对杂草进行分类识别的装置和方法
技术领域：
本发明涉及一种对杂草进行分类识别的装置和方法，属于数字图像处理技术领域。
背景技术：
在传统的农业生产中，杂草肆虐及病害是困扰庄稼生长的基本问题，在不能确定作物和杂草分布的情况下，覆盖性的喷洒化学制剂，如化肥或是除草剤，不仅造成大量浪 费，而且严重污染环境危害人类健康。因此，研究利用机器视觉技术识别杂草种类，有选择的变量施用化学制剂显得尤为重要与迫切。目前，基于机器视觉的杂草识别系统主要由摄像机、图像采集卡及计算机软件硬件组成，其中摄像机可采用黑白/彩色摄像机、近红外摄像机及多光谱摄像机等。系统软件是杂草识别系统的关键部分，采用的算法主要利用植物的形状、纹理、顔色及多光谱特征这四种特征中的某一种特征或者特征组合进行杂草识别。虽然基于机器视觉的杂草分类识别方法受到了广泛的研究和应用，但是也具有一定的局限性。因为摄像机采集处理的都是杂草的各类模式的ニ维图像，并且ニ维图像的预处理、特征选择与提取、分类识别等步骤都需要较大的计算量，所以ニ维杂草图像的分类识别装置及计算复杂度都比较高，很难满足实际野外田间环境下杂草分类识别快速实时的要求。

发明内容
本发明的目的是为了解决现有的杂草识别方法计算复杂度高、野外环境下无法快速实时的对杂草进行分类识别、抗干扰性差的问题，提供一种对杂草进行分类识别的装置和方法。一种对杂草进行分类识别的装置，它包括图像采集装置、可移动支架和导轨，所述图像采集装置固定在可移动支架的图像采集装置连接端，可移动支架的另一端嵌套在水平设置的导轨上，
所述图像采集装置用于采集杂草的光谱反射率；
所述可移动支架用于固定支撑图像采集装置，所述可移动支架还用于在导轨上滑动； 所述导轨用于预先设定杂草的检测路径。进ー步地,所述图像采集装置为FieldSpec的ProFR便携式多光谱福射分析仪。一种对杂草进行分类识别的方法，所述方法包括
步骤A图像采集装置沿着导轨运动，多方位的采集待检测杂草的光谱反射率并获得待检测杂草的光谱反射率曲线；
步骤B图像采集装置采集各种杂草的标准光谱反射率，将获得的各种杂草的标准光谱反射率传递至计算机，计算机将该种杂草的标准光谱反射率曲线设定为该种杂草在ActiveContour曲线模型下的初始化光谱反射率曲线；步骤C将步骤B中得到的该种杂草在Active Contour曲线模型下的初始化光谱反射率曲线，向步骤A中图像采集装置采集的待检测杂草的光谱反射率曲线进行收敛；
步骤D计算收敛后Active Contour曲线的匹配率和变形率,并获得待测杂草与标准杂草的相似性指数。进ー步地，步骤A前还包括设定图像采集装置的采集參数，所述采集參数包括 光谱波段范围设定为波长34(Tl070nm，光谱采样间隔设定为I. 4nm，測量不同波长的
光谱反射率的次数设定为512。进ー步地，步骤B中所述使用图像采集装置获得各种杂草的标准光谱反射率曲线的方法是
步骤B-I针对每ー种杂草，使用图像采集装置对该种杂草进行光谱反射率采集，井形成M组光谱反射率曲线；
步骤B-2选取步骤B-I中获得的M组光谱反射率曲线中的N组光谱反射率曲线，对这N组光谱反射率曲线的数据取算术平均值,并将该数据的算术平均值构成的曲线作为该种杂草的标准光谱反射率曲线；
所述M为不小于250的整数，N为大于或者等于150且小于M的整数。进一步地，步骤B中所述Active Contour曲线模型为參数型Active Contour曲线模型。进ー步地，步骤C中所述该种杂草在Active Contour曲线模型下的初始化光谱反射曲线向待检测杂草的光谱反射率曲线进行收敛的过程为
參数型Active Contour的能量函数
定义如下
4-=I10S^mds=
其中，表示杂草的初始化光谱反射率曲线；
4# =[4)|K(s}f+Ms脚f]a表示内部力，该參数对杂草的初始化光谱反射率曲线施加分段的光滑性限制；
(鳴=Μ^φΨ(Φ* 4)￡-鳴表示外部力，该參数吸引杂草的初始化光谱反射率曲线向图像特征运动；
參数α(4冲レ(4斗)分别用来表示控制曲线的连续性、光滑性、图像势能力及外部约束力的參数；
所述的收敛过程是指，杂草的初始化光谱反射率曲线在内部力和外部力的共同作用下寻找其能量函数的极小值的过程。进ー步地，获得所述杂草的初始化光谱反射率曲线的能量极小值使用动态规划法或者贪心算法；所述动态规划法是ー种全局优化算法，即在每一优化循环过程中，都使用一次动态规划过程，Active Contour的姆段曲线看作是动态规划的一个阶段；于所述贪心算法是ー种局部优化算法，即在每一优化循环过程中，只考虑局部控制点的极小化，并且假定Active Contour的整体能量也随之变小。进ー步地，所述步骤D中所获得待测杂草与标准杂草的相似性指数U，其形式为α =
其中，表示收敛后Active Contour曲线模型的匹配率,Cij表示收敛后ActiveContour曲线模型的变形率,-表示參数1 的权重系数，_表示參数0^的权重系数，
ぼ鳥a2均为ο到I之间的小数，#、$均为大于ο的小数。进ー步地，所述參数_的权重系数#= 1.50,所述參数G2的权重系数g = 0 55°本发明的优点
1、本发明所述的ー种对杂草进行分类识别的装置结构简单、易于实现，所述装置只需要使用多光谱辐射分析仪采集一维光谱反射率数据，不需要摄像机和图像采集卡，数据计算量小及分类识别速度快的优点；
2、本发明所述的ー种对杂草进行分类识别的方法，具有较低的计算复杂度、较强的抗 干扰性，适合于野外田间环境下杂草分类处理。


图I是本发明具体实施方式
一对杂草进行分类识别的装置的结构示意图；图2是具体实施方式
七中所述的待检测杂草的光谱反射率曲线、初始化光谱反射率曲线和收敛后的光谱反射率曲线的^(I) I曲线图。
具体实施例方式具体实施方式
一结合图I说明本实施方式，一种对杂草进行分类识别的装置，包括图像采集装置I、可移动支架2和导轨3，所述图像采集装置I固定在可移动支架2的图像采集装置连接端，可移动支架2的另一端嵌套在水平设置的导轨3上，
所述图像采集装置I用于采集杂草的光谱反射率；
所述可移动支架2用于固定支撑图像采集装置1，所述可移动支架2还用于在导轨3上滑动；
所述导轨3用于预先设定杂草的检测路径。本实施方式中，由于不同种类的杂草叶绿素a、叶绿素b、水、氮等化学成分含量的差异及其叶片纹理粗糙程度的差异，导致不同杂草在不同波段的光谱反射和吸收能力存在很大差异。另外，土壌的反射和吸收光谱比较稳定，因此可以利用这种差异来分类识别杂草。在使用图像采集装置I对不同种类的杂草进行采集的过程中，图像采集装置I采集各种杂草在各波段的光谱反射率或者光谱透射率曲线，然后提取相应波段的差异较大的反射率或者透射率加和作为分类识别特征进行分类。由于透射率是通过软件间接计算获取的，容易引入计算误差，本实施方式选用反射光谱特性作为杂草分类识别的特征。本实施方式中，由于植物的叶片表面可以看作是漫反射体,其光谱反射率由下式决定
M謂Jg
其中，I)是对被测植物表面測量得到的光谱反射率是对标准白板測量得到的光谱反射率,均由图像采集装置I采集获得为修正值，该修正值由精密的测量仪器测量标准白板来确定。不同种类植物表面的光谱反射率P(J)与入射光波长;!间的光谱反射率曲线Ml) I是不同的，因此，本实施方式基于不同种类杂草的光谱反射率曲线-)!的差异来进行杂草的分类识别。实际的野外田间测量光谱反射率时，需要将图像采集装置I安装固定在可移动支架2上，该可移动支架2能够在导轨3上进行平移，从而实现了不同位置的杂草光谱反射率数据的运动采集，具有结构简易、形式灵活的特点。
具体实施方式
ニ 本实施方式与实施方式一的不同之处在于，所述图像采集装置I为FieldSpec的ProFR便携式多光谱福射分析仪。本实施方式中所述的图像采集装置I为多光谱辐射分析仪，杂草的透射率是通过反射率使用ProFR便携式多光谱辐射分析仪提供的ASDVIEW软件方法计算得到的。图像采集装置I用于采集一维光谱数据，由于处理的是ー维光谱曲线，因此采用本实施方式所述的装置能够降低计算复杂度、提高分类识别速度，适合于野外田间环境下的杂草分类处理。
具体实施方式
三一种对杂草进行分类识别的方法，包括
步骤A图像采集装置I沿着导轨3运动，多方位的采集待检测杂草的光谱反射率并获得待检测杂草的光谱反射率曲线；
步骤B图像采集装置I采集各种杂草的标准光谱反射率，将获得的各种杂草的标准光谱反射率曲线传递至计算机，计算机将该种杂草的标准光谱反射率曲线设定为该种杂草在Active Contour曲线模型下的初始化光谱反射率曲线；
步骤C将步骤B中得到的该种杂草在Active Contour曲线模型下的初始化光谱反射率曲线，向步骤A中图像采集装置I采集的待检测杂草的光谱反射率曲线进行收敛；
步骤D计算收敛后Active Contour曲线的匹配率和变形率,并获得待测杂草与标准杂草的相似性指数。应用具体实施方式
一所述的装置对杂草进行分类识别，其分类识别抗对比干扰性较差。首先，当所述装置应用于野外田间杂草环境时，采集到的杂草光谱反射率曲线经常受到光照、灰尘、烟雾等外界环境产生的干扰，导致所述光谱反射率曲线具有较大误差；其次，即使是同一种类的杂草，由于种内个体间不同的生长条件、生长阶段等因素影响，使得采集到的光谱反射率曲线产生一定的种内差异，这种差异也会产生一定的杂草的分类识别误差。
因此，为了克服外界环境带来的干扰，同时有效区分/鉴别杂草光谱反射率的种内个体差异和种间群体差异，本实施方式使用Active Contour曲线模型开发了ー种新型的抗干扰的光谱反射率曲线的杂草分类识别方法。本实施方式所述的Active Contour曲线模型最早由Kass于1988年提出，它是ー种变形的ニ维曲线，它在图像作用力的影响下产生变形运动。所述图像カ分为内部力与外部力，内部力起到平滑性限制的作用，外部カ引导其向图像特征运动。ニ维曲线在内部力和外部力的共同作用下进行Active Contour收敛。
具体实施方式
四本实施方式与实施方式三的不同之处在于，步骤A前还包括设定图像采集装置I的采集參数，所述采集參数包括
光谱波段范围设定为波长34(Tl070nm，光谱采样间隔设定为I. 4nm，測量不同波长的光谱反射率的次数设定为512。
具体实施方式
五本实施方式与实施方式三的不同之处在于，步骤B中所述使用图像采集装置I获得各种杂草的标准光谱反射率曲线的方法是
步骤B-I针对每ー种杂草，使用图像采集装置I对该种杂草进行光谱反射率采集，并形成M组光谱反射率曲线；
步骤B-2选取步骤B-I中获得的M组光谱反射率曲线中的N组光谱反射率曲线，对这N组光谱反射率曲线的相应数据取算术平均值,并将该数据的算术平均值构成的曲线作为该种杂草的标准光谱反射率曲线；
步骤B-3剰余的M-N组光谱反射率曲线用于检验该种杂草的标准光谱反射率曲线的实验数据；
所述M为不小于250的整数，N为大于或者等于150且小于M的整数。本实施方式中，測量了试验田中常见的杂草，如藜草、龙葵、狗尾草等的光谱反射率。对每ー种杂草，分别采集了 250组光谱反射率曲线数据，每组数据包括该杂草在各波段的光谱反射率。其中选出150组作为学习训练数据，计算出所述150组光谱反射率曲线数据的算木平均值，作为该种杂草的标准光谱反射率曲线。其余的100组光谱反射率曲线数据作为具体实施方式
中所述的ー种对杂草进行分类识别的装置的检测实验数据。
具体实施方式
六本实施方式与实施方式三的不同之处在于，步骤B中所述Active Contour曲线模型为參数型Active Contour曲线模型。Active Contour曲线模型分为參数型Active Contour曲线模型和短程线ActiveContour曲线模型，本实施方式中，所述Active Contour曲线模型选择为參数型ActiveContour曲线模型。
具体实施方式
七结合图2说明本实施方式，本实施方式与实施方式六的不同之处在于，步骤C中所述该种杂草在Active Contour曲线模型下的初始化光谱反射曲线向待检测杂草的光谱反射率曲线进行收敛的过程为
參数型Active Contour的能量函数定义如下
4- = 春=|[1馘(_+‘嘛,
其中，(ι|4γ(5|ι，表示杂草的初始化光谱反射率曲线；
: [4)|^(s)f + _Fjsf]a表示内部力，该參数对杂草的初始化光谱反射率曲线施加分段的光滑性限制；
樣-(曝，表示外部力，该參数吸引杂草的初始化光谱反
射率曲线向图像特征运动；
參数α(4バ4 Η4αψ)分别用来表示控制曲线的连续性、光滑性、图像势能力及外部约束力的參数；
所述的收敛过程是指，杂草的初始化光谱反射率曲线在内部力和外部力的共同作用下寻找其能量函数的极小值的过程。
本实施方式中，当！1胃=-|冒(ff时，外部力吸引杂草的初始化光谱反射率曲线向图像中附近的物体边缘运动。在杂草分类识别过程中，每种杂草的标准光谱反射率曲线设定为初始化光谱反射率曲线，记为&0，该初始化光谱反射率曲线将会向待检测杂草的光谱反射率曲线收敛，设最终收敛后的光谱反射率曲线，记为isi。图2为本实施方式所述的待检测杂草的光谱反射率曲线、初始化光谱反射率曲线
和收敛后的光谱反射率曲线的Ml) ~ I曲线图，其中，曲线“---”表示待检测杂草的光
谱反射率曲线；曲线“~ *---- ”表示初始化光谱反射率曲线；曲线“ ·…—”表示收敛后
的光谱反射率曲线。本实施方式所述的Active Contour曲线模型和原始的Kass提出的ActiveContour曲线模型比较,本实施方式所述的Active Contour曲线模型具有以下优点。第一，Active Contour曲线模型的初始化过程自动完成，即将每种杂草的标准光谱反射率曲线设定为初始化光谱反射率曲线，实现了该曲线模型的全自动收敛。而在原始的Kass提出的Active Contour曲线模型中，Active Contour曲线模型的初始化位置由操作者手工确定，这只能实现该曲线模型的半自动收敛。第二，使用Active Contour曲线模型只是在竖直ー维方向上，即光谱反射率方向上进行收敛，它具有较快的收敛速度。而Kass提出的原始Active Contour曲线模型在收敛时进行了ニ维方向的收敛,其收敛速度较慢。
具体实施方式
八本实施方式与实施方式七的不同之处在于，获得所述杂草的初始化光谱反射率曲线的能量极小值使用动态规划法或者贪心算法；
所述动态规划法是ー种全局优化算法，即在每一优化循环过程中，都使用一次动态规划过程，Active Contour的每段曲线看作是动态规划的ー个阶段。该算法的优点是具有精确的收敛結果，缺点是收敛速度较慢。于所述贪心算法是ー种局部优化算法，即在每一优化循环过程中，只考虑局部控制点的极小化，并且假定Active Contour的整体能量也随之变小。该算法的优点是具有较快的收敛速度，缺点是有时容易陷入到局部极小值而无法得到全局最优解。
具体实施方式
九本实施方式与实施方式三的不同之处在于，所述步骤D中所获
得待测杂草与标准杂草的相似性指数α,其形式为α =
其中，Clli表示收敛后Active Contour曲线模型的匹配率,表示收敛后ActiveContour曲线模型的变形率，#表示參数,的权重系数,g表示參数的权重系数,
a、,、a2均为ο到I之间的小数，均为大于ο的小数。每种杂草的标准光谱反射率曲线完成Active Contour的初始化及收敛过程后，需要计算待测杂草与标准杂草的相似性指数12，并该数值将作为最终杂草分类识别的判据，其中最大的α对应的杂草种类即为待识别杂草的种类。本实施方式所述的用于表示某种杂草的标准光谱反射率曲线和待检测杂草的光谱反射率曲线的相似性，具体定义为这两条反射率曲线的交集中的像素数与两条曲线的合集中的像素数的比值。aI越大，两条反射率曲线相似性越好，反之，两条光谱反射率曲线相似性越差，它本质上表征了不同种类杂草的光谱反射率的种间群体差异。本实施方式中所述的用于表示Active Contour曲线模型由初始化光谱反射率曲线向收敛后的光谱反射率曲线的变形程度的大小，具体定义为初始化光谱反射率曲线和收敛后的光谱反射率曲线的交集中的像素数与两条曲线的合集中的像素数的比值。越大，Active Contour曲线模型的变形程度越小，反之,两条光谱反射率曲线的变形程度越大，它本质上表征了杂草的光谱反射率受到外界环境干扰及种内个体差异影响后产生的相应的反射率曲线变异。
具体实施方式
十:本实施方式与实施方式九的不同之处在于,所述參数%的权重系数#= 1.50,所述參数モ的权重系数 本实施方式中杂草光谱反射率的种间群体差异应该大于其种内个体差异和外界环境干扰这两种情况下产生的差异，因此经过反复实验，确定參数_的权重系数#= 1.50,
參数^的权重系数|= 0.55。权利要求
1.一种对杂草进行分类识别的装置，其特征在于，它包括图像采集装置(I)、可移动支架(2)和导轨(3)，所述图像采集装置(I)固定在可移动支架(2)的图像采集装置连接端，可移动支架(2)嵌套在水平设置的导轨(3)上， 所述图像采集装置(I)用于采集杂草的光谱反射率； 所述可移动支架(2 )用于固定支撑图像采集装置(I)，所述可移动支架(2 )还用于在导轨(3)上滑云力； 所述导轨(3)用于预先设定杂草的检测路径。
2.根据权利要求I所述的装置，其特征在于所述图像采集装置(I)为FieldSpec的ProFR便携式多光谱福射分析仪。
3.ー种利用权利要求I所述的装置对杂草进行分类识别的方法，其特征在干所述方法包括 步骤A图像采集装置(I)沿着导轨(3)运动，多方位的采集待检测杂草的光谱反射率并获得待检测杂草的光谱反射率曲线； 步骤B图像采集装置(I)采集各种杂草的标准光谱反射率，将获得的各种杂草的标准光谱反射率曲线传递至计算机，计算机将该种杂草的标准光谱反射率曲线设定为该种杂草在Active Contour曲线模型下的初始化光谱反射率曲线； 步骤C将步骤B中得到的该种杂草在Active Contour曲线模型下的初始化光谱反射率曲线，向步骤A中图像采集装置(I)采集的待检测杂草的光谱反射率曲线进行收敛； 步骤D计算收敛后Active Contour曲线的匹配率和变形率,并获得待测杂草与标准杂草的相似性指数。
4.根据权利要求3所述的方法，其特征在于步骤A前还包括设定图像采集装置(I)的采集參数，所述采集參数包括 光谱波段范围设定为波长34(Tl070nm，光谱采样间隔设定为I. 4nm，測量不同波长的光谱反射率的次数设定为512。
5.根据权利要求3所述的方法，其特征在于步骤B中所述使用图像采集装置(I)获得各种杂草的标准光谱反射率曲线的方法是 步骤B-I针对每ー种杂草，使用图像采集装置(I)对该种杂草进行光谱反射率采集，并形成M组光谱反射率曲线； 步骤B-2选取步骤B-I中获得的M组光谱反射率曲线中的N组光谱反射率曲线，对这N组光谱反射率曲线的数据取算术平均值,并将该数据的算术平均值构成的曲线作为该种杂草的标准光谱反射率曲线； 所述M为不小于250的整数，N为大于或者等于150且小于M的整数。
6.根据权利要求3所述的方法,其特征在于步骤B中所述ActiveContour曲线模型为參数型Active Contour曲线模型。
7.根据权利要求6所述的方法，其特征在干步骤C中所述该种杂草在ActiveContour曲线模型下的初始化光谱反射曲线向待检测杂草的光谱反射率曲线进行收敛的过程为 參数型Active Contour的能量函数
8.根据权利要求7所述的方法，其特征在于 获得所述杂草的初始化光谱反射率曲线的能量极小值使用动态规划法或者贪心算法; 所述动态规划法是ー种全局优化算法，即在每一优化循环过程中，都使用一次动态规划过程，Active Contour的姆段曲线看作是动态规划的一个阶段； 所述贪心算法是ー种局部优化算法，即在每一优化循环过程中，只考虑局部控制点的极小化，并且假定Active Contour的整体能量也随之变小。
9.根据权利要求3所述的方法，其特征在于 所述步骤D中所获得待测杂草与标准杂草的相似性指
10.根据权利要求9所述的方法，其特征在于 所述參数
全文摘要
一种对杂草进行分类识别的装置和方法，属于数字图像处理技术领域，解决现有的杂草识别方法计算复杂度高、野外环境下无法快速实时的对杂草进行分类识别、抗干扰性差的问题。所述装置包括图像采集装置、可移动支架和导轨，所述图像采集装置用于采集杂草的光谱反射率。所述方法包括A设定图像采集装置的采集参数，采集待检测杂草的光谱反射率；B采集各种杂草的标准光谱反射率；C将该种杂草的标准光谱反射率曲线向待检测杂草的光谱反射率曲线进行收敛；D计算收敛后ActiveContour曲线的匹配率和变形率，并获得待测杂草与标准杂草的相似性指数。本发明用于杂草的分类识别。
文档编号G01N21/25GK102661920SQ201210164690
公开日2012年9月12日 申请日期2012年5月25日 优先权日2012年4月11日
发明者赵鹏 申请人:东北林业大学