摘要:水稻杂株是品种形成过程中的干扰因素，对水稻产业具有较大的危害。水稻杂株的防除以识别为前提，但目前的识别方法消耗大量人力，识别的效率也不理想。计算机视觉是一种图像分析处理技术，在农业领域的应用较广。为此，设计了基于计算机视觉的水稻杂株识别方法，拍摄图像后依次进行预处理、灰度化和二值化，最后根据外观特征采用阈值分割法将杂株识别并提取出来。试验结果表明:秧苗期水稻杂株的性状特征最少，导致计算机视觉的识别效果较差;计算机视觉在抽穗期的识别率最高，误识率最低，具有良好的识别效果。因此，这种识别方法最适合在水稻的抽穗期使用，可以为水稻的品种形成提供技术支撑。
关键词:计算机视觉;水稻;杂株识别;亮度特征
0引言
水稻是我国的重要粮食作物，一半以上的人口以水稻为主食。水稻在我国的大部分省份都可以种植，面积位居世界第二，总产量为世界第一。水稻的分布地域较广，具有多种生态类型，但对所有的地域和类型来说，优良品种都是水稻高产的基础。
水稻品种的形成要经过选育、大面积制种和区域试验等环节，这些环节面临的一个共同问题就是水稻杂株。水稻杂株的类型多样，来源也十分复杂，有自然变异或遗传分离产生的杂株，也有操作过程中混杂的植株。亲本中的杂株包括不育系亲本中的保持系和迟不育株，保持系亲本中的不育系和常规稻，恢复系亲本中的常规稻和变异株。子代中的杂株种类较多，包括亲本植株和远源杂交后代[1-2]。杂株的性状表现也有多种类型，如当代表现、隔代表现和多代表现，甚至存在变异的表现型[3]。
杂株对水稻产业具有较大的危害，在选育阶段会干扰对正常植株农艺性状的观察和评判，延缓性状改良的进程。制种阶段的杂株显著降低收获种子的纯度，甚至造成制种的失败。区域试验中的杂株会影响候选品种的展示效果，并降低产量，可能导致优良的候选品种被错误地淘汰。杂交水稻推广种植后，植株的混杂随着年代的增加日益明显，已经开始削弱水稻的杂种优势，严重影响了杂交水稻的增产效果[4]。尹大杰等研究表明，生产田中的杂株率每增加1%，则水稻亩产减少7.8kg[5]。
因此，在水稻的品种选育、大面积制种和区域试验等环节中要加强对水稻杂株的防范清除，以达到增产增效的目的。针对复杂的杂株类型和性状表现，人们设计了多种杂株防除措施，包括选育阶段重视亲本的繁殖保纯，制种阶段进行严格的田间隔离，区域试验阶段做好播种和移栽工作，避免品种之间及与外界的混杂[6]。水稻杂株的防除以识别为前提，特别是在制种环节中，杂株的识别是决定种子纯度的关键。当前杂株识别主要依靠经验进行肉眼观察，根据不同生长发育时期的各个性状表现差异来判断[7]。在秧苗期，一般根据叶片大小、颜色的深浅和秧苗的高矮来识别杂株。抽穗扬花期是水稻由营养生长向生殖生长转变的时期，用于识别杂株的性状较多，如抽穗时间、包颈程度和穗部形态等;在成熟期则通过结实率、谷粒大小形状及穗层的整齐程度来识别杂株[8]。总体上来说，目前的水稻杂株识别须要消耗大量的人力，识别的效果也不理想，影响了品种形成的速度。
随着科学技术的发展，许多新型技术如无人机、物联网和计算机视觉等在农业领域得到了广泛的应用，提升了农业现代化的水平。水稻杂株识别大都是基于外观性状的差异，因此可以通过图像处理来实现，为计算机视觉的应用提供了空间。计算机视觉技术是拍摄图像并分析视觉参数，然后根据目标特征将需要识别的对象从图像中提取出来。计算机视觉在农业中主要用于瓜果的收获和分级检测，以及田间杂草和机械行驶路径的识别[9-12]。在水稻上，计算机视觉还可以用于对裂颖种子、叶部病害的识别，都能取得良好的效果[13-14]。龚红菊等基于分形理论分析设计了计算机视觉系统，根据与图像特征参数的线性相关性准确预测出单位面积的水稻产量[15]。陈诚等通过计算机视觉对水稻叶片多种颜色指标的分析，建立相关模型，能够准确预测叶绿素的相对含量[16]。
为了拓展计算机视觉技术在农业领域的应用范围，本文提出了基于计算机视觉的水稻杂株识别方法。水稻田间图像依次进行预处理、灰度化和二值化，然后根据杂株的外观特征选择合适的参数进行阈值分割，将杂株从背景中识别并提取出来。最后，在水稻各个生长发育时期测试该方法的识别效果，为水稻的品种选育、大面积制种和区域试验提供技术支撑。
期刊推荐：《农业科技与装备》杂志是在《农业机械化与电气化》杂志的基础上，于2007年变刊创办的公开发行的省级科技期刊。重点刊登农学、植保、园艺、土壤与环境、农业工程以及农产品加工等领域研发成果，宣传推广农业新品种、新产品、新技术、新工艺;坚持高起点和高质量，择优登载对农业生产具有指导价值并能反映农业科技与装备前沿成果的文章，积极探讨农机与农技共同发展和有效结合的途径;坚持学术性和技术性，重点满足农业院校、科研单位、农业(农机)推广等层面读者需求。
1设备和软件
视觉分析的设备是数码相机和计算机，数码相机为NikonD700型，采集的图像为2080万像素的JEPG格式，模拟信号由2400型A/D转换器转变成BMP格式后导入计算机。计算机是联想T6900C型台式电脑，配置包括Intel酷睿i76700型CPU，8GB的DDR4型内存，在Windows10操作系统中运行。视觉分析软件为MatLab工具箱，运行速度快，可以用于对图像的快速处理。
2视觉分析
2.1图像预处理
在无风的阴天采集水稻田间图像，拍摄时相机离地高度3m，俯视角45°。由于受到环境因素的影响，且拍摄时相机可能出现抖动，导致图像中含有各种噪音，会对后续的视觉分析造成影响。这里利用5×5的中值滤波对图像做平滑处理，消除噪音后得到便于分析的原始图像，如图1所示。相机俯视拍摄导致不同距离上的相同大小物体所对应的像素数量有差异，获得的图像存在畸变。本文采用立体几何算法，在像平面上任选一点，得到垂直于相机光轴且与该点相交于拍摄范围中心点的物平面坐标，随机产生对应图像平面的坐标，从而完成对图像畸变的校正。
2.2图像灰度化
原始图像中的背景是正常水稻植株，叶片形态和颜色表现一致。水稻杂株也是以绿色为主，但是在植株高度、生长发育时期或颜色深浅上与正常植株之间存在差异。对于植株高度存在差异的杂株，若其株较矮，原有的位置会被后方的植株替代，形成较暗的区域;若其株较高，则会遮挡后方的植株形成较亮的区域。水稻抽穗开花期的叶片为绿色，稻穗为黄色，生长发育时期存在差异的杂株可以通过颜色进行识别。因此，可以利用亮度和颜色的差异将各种类型的杂株从背景中分离出来。为提高彩色图像的分割效果，关键在于选择合适的颜色空间。
本文根据田间水稻图像的光照强度特征，以HSI模型建立颜色空间，分别采用色调H，饱和度S和亮度I作为分量分析图像，在I分量下对图像进行灰度化处理。处理得到的灰度化图像颜色差异明显增强，杂株图像区域与背景的区分更加容易，如图2所示。
2.3阈值分割
图像分割是利用颜色和亮度特征识别杂株的必要步骤，图像分割有多种方法，一般根据目标特征和分析目的来选择。阈值分割法具有模型简单、运行速度较快的优点，适合用于水稻杂株的快速识别。本文通过分析灰度化图像的直方图，获得合适的阈值作为分割杂株和背景的依据。杂株的亮度和颜色特征受光照影响不大，因此将原始图像的I分量和灰度化图像分别做最大类间方差分析和二值化处理，得到灰度化的直方图，从直方图上选取分割特征的阈值上限T1和下限T2，如图3所示。
2.4杂株识别
将田间水稻图像划分为基本的区域单元，分析每个单元中的亮度特征值，当特征值小于T2或大于T1时，即判定为目标单元。最后将所有相邻的目标单元拼接成为一个整体，即杂株的图像区域，用黑色表示出来，如图4所示。同理，将特征值介于T2和T1之间的单元拼接成为背景区域，用白色表示出来。
3试验结果分析
在本单位的试验基地内选取一块水稻杂株较多区域，对计算机视觉的杂株识别效果进行测试。种植区域的面积约为200m2，在水稻的秧苗期、分蘖期、抽穗期和成熟期人工调查记载杂株的数量和分布位置，随后通过计算机视觉拍摄并分析图像;以人工调查记载的数据为标准，评价计算机视觉的杂株识别效果。
试验结果如表1所示。水稻杂株的性状特征涉及多个方面，是随着生长发育的进程而逐渐显现的。因此，人工调查也无法在早期识别出所有的杂株，导致秧苗期的漏检数量较多。秧苗期水稻杂株的性状特征最少，计算机视觉的识别率较低，仅为89.1%，误识率也较高。在后面的3个时期计算机视觉识别率都超过94%，在抽穗期的识别率最高，误识率最低，具有最好的识别效果。
4结论
设计了基于计算机视觉的水稻杂株识别方法，首先拍摄水稻图像，通过平滑处理消除噪音，然后利用坐标变换校正图像的畸变。在HSI颜色空间以I分量对图像进行灰度化，再做最大类间方差分析和二值化处理，从直方图上获得特征的分割阈值，将杂株从背景图像中提取出来。试验结果表明:秧苗期水稻杂株的性状特征最少，导致计算机视觉的识别效果较差;在分蘖期、抽穗期和成熟期计算机视觉识别率都超过94%，且在抽穗期具有最好的识别效果。因此，计算机视觉的水稻杂株识别方法最适合在抽穗期使用，可以为水稻的品种选育、大面积制种和区域试验提供技术支撑。
