李 林，魏新華，毛罕平，吳 姝

?

冬油菜田雜草探測光譜傳感器設(shè)計與應(yīng)用

李 林，魏新華，毛罕平，吳 姝

（江蘇大學現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點實驗室，鎮(zhèn)江 212013）

雜草的精確識別是對靶施藥和自動化機械除草的關(guān)鍵前提，基于光譜分析技術(shù)的光譜傳感器可以實現(xiàn)快速、無損的雜草識別。該文以冬油菜苗期雜草為研究對象，根據(jù)試驗選取的4個特征波長點（595、710、755和950 nm），設(shè)計了一種能自動識別雜草的光譜傳感器。根據(jù)光學系統(tǒng)原理和田間實際操作要求，提出了該光譜傳感器的結(jié)構(gòu)設(shè)計方案，選擇了合適的光學器件，并開發(fā)了光譜傳感器信號調(diào)理電路。對光譜傳感器進行了標定和試驗驗證，根據(jù)便攜式光譜儀和光譜傳感器在4個波長下的測量結(jié)果建立了相應(yīng)的標定方程，方程的決定系數(shù)分別為0.799、0.812、0.892和0.867，驗證試驗結(jié)果的相對誤差絕大多數(shù)都在10%以內(nèi)，可以識別冬油菜苗期田間雜草。該傳感器為雜草自動探測裝置的開發(fā)提供了參考。

傳感器；設(shè)計；試驗；雜草探測；光譜傳感器；信號調(diào)理；光學系統(tǒng)

0 引 言

田間雜草的精確識別是實現(xiàn)除草劑變量噴施和機械除草的關(guān)鍵因素，國內(nèi)外學者運用機器視覺[1-3]、光譜檢測[4-5]、多光譜成像[6-8]等技術(shù)在該方面進行了大量研究，并設(shè)計了田間雜草信息獲取設(shè)備[9-11]。其中，基于光譜檢測分析技術(shù)進行雜草識別的方法根據(jù)一定波段內(nèi)作物、雜草和土壤的反射率差異進行識別。該方法識別速度快，具有無污染以及不破壞樣品等優(yōu)點，并且光譜傳感器結(jié)構(gòu)簡單、成本低[12]。

Wang等[13]利用光敏晶體管和中心波長分別為496、546、614、676和752 nm的帶通濾光片研制了光學雜草傳感器，并開發(fā)了一套除草劑變量噴灑裝置，經(jīng)過良好訓練，雜草的實時識別精度優(yōu)于70%。鄧巍等[14-15]利用便攜式野外光譜儀，分別測量了田間3種作物（玉米、馬唐和稗草）植株冠層的光譜數(shù)據(jù)（波長范圍在350～2 500 nm）。對預處理的光譜數(shù)據(jù)采用支持向量機建立分類模型，試驗驗證該方法識別精度達到80%以上，并在此基礎(chǔ)上研究了基于單片機和光電器件OPT101的綠色植物靶標探測器。在國外能區(qū)分綠色植物和土壤的光譜傳感器已經(jīng)商業(yè)化，如美國NTech公司開發(fā)的雜草探測傳感器WeedSeeker[16]、荷蘭Rometron公司的Weed-IT系列雜草探測傳感器[17]等。其中，WeedSeeker選用770 nm近紅外光和656 nm紅外光作為特征光譜進行植被檢測，并對檢測到的植被進行針對性噴灑，Weed-IT通過探測紅外光的強度識別植被和土壤。在實際應(yīng)用中能精確區(qū)分雜草和作物的光譜傳感器尚處于研究階段。

本文擬以冬油菜苗期田間雜草識別為目標，根據(jù)已有研究成果[18]所得特征波長710、755、950、595 nm與識別模型，研究設(shè)計基于光譜敏感波段的雜草識別光譜傳感器，以期為雜草自動識別裝置的開發(fā)提供參考。

1 光譜傳感器設(shè)計

1.1 光譜傳感器測量原理

光譜信息本身是由物體的內(nèi)在性質(zhì)決定的，由于作物與雜草組成成分和結(jié)構(gòu)有所差異，其對光譜有不同的反射特性，因此，可以利用光譜反射率之間的差異來研究雜草的種類鑒別問題[2]。光譜傳感器采集特征波長對應(yīng)的光譜信息，通過光電池轉(zhuǎn)換成電信號，并對微弱的電信號進行轉(zhuǎn)換、放大和濾波處理，根據(jù)傳感器的輸出信號即可識別田間常見雜草。

1.2 傳感器總體結(jié)構(gòu)

光譜傳感器由主動光源、凸透鏡、濾光片、光電池和信號調(diào)節(jié)裝置組成，如圖1所示。其中主動光源選擇中心波長為595、710、755、950 nm的LED燈，每4個波長的LED燈交替緊密排列組成一個正方形陣列；凸透鏡選擇型號為GL-016-016、直徑為16 mm、焦距為16 mm的K9雙凸透鏡；濾光片選擇中心波長為595、710、755 、950 nm，半峰值帶寬為10 nm，通光孔徑為16 mm的窄帶干涉濾光片；信號調(diào)理電路[19-21]主要包含I/V轉(zhuǎn)換電路、信號放大電路和濾波電路部分。

圖1 光譜傳感器的組成部分示意圖

1.3 光路系統(tǒng)設(shè)計

在田間實際應(yīng)用中，冬油菜苗期油菜苗和雜草的面積較小，則光譜傳感器的視場直徑在80 mm左右，傳感器工作時其實際測試距離即物距在500 mm左右。光譜傳感器的光路系統(tǒng)設(shè)計如圖2所示。

注：ω為視角，(°)。

綜合考慮各個因素，選取視場直徑=80 mm、物距=500 mm。選用光電池的大小2.65 mm×2.65 mm，光電池直徑為2.65 mm。通過式（1）可確定該光路系統(tǒng)的物距為16.6 mm。由于物距遠遠大于像距，根據(jù)透鏡成像式（2）可知，光電池安裝在接近凸透鏡的焦平面處。根據(jù)式（3）可知，此時系統(tǒng)的視場角=9°。

式中為視場直徑，mm；為光電池直徑，mm；為物距，mm；為焦距，mm；為像距，mm；為視場角，rad。

光譜傳感器[22-23]以光電池為光電轉(zhuǎn)換器件，光電池的光敏面積與其頻率響應(yīng)特性有關(guān)，面積越大，響應(yīng)頻率越慢，且產(chǎn)生噪聲也越多。但是光電池的光敏面積受到光學系統(tǒng)和大視場的制約，最小光敏面直徑應(yīng)滿足式（4）[24-25]。

式中1為光學系統(tǒng)入瞳有效直徑，mm；為空氣的折射率，取1.0。

光學系統(tǒng)入瞳有效直徑的大小影響反射光進入通光孔徑的數(shù)量，進而影響光電池的響應(yīng)電流。為防止外界雜光的進入，通光孔徑不宜過大，根據(jù)式（4）可知，光學系統(tǒng)入瞳有效直徑1滿足：

通過計算可知：通光孔徑1應(yīng)小于17 mm；由此可以確定凸透鏡和濾光片通光孔徑均稍微小于17 mm。此時，光電池可以有效地接收到被測物體的反射光線。

1.4 傳感器內(nèi)部結(jié)構(gòu)設(shè)計

在田間進行實際測量時，光譜傳感器的測試距離很難恒定為500 mm。物距的變化會引起反射到光電池上的光線不穩(wěn)定，導致測量信號產(chǎn)生誤差，從而傳感器精度下降。為保證光譜信息傳遞的準確性，需要對光譜傳感器的內(nèi)部結(jié)構(gòu)進行設(shè)計。光譜傳感器內(nèi)部每個波長（710、755、950、595 nm）對應(yīng)一個光學通道，則傳感器共有4個光學通道。4個通道的排列情況如下：1個通道處于中心位置，其余3個通道依次圍繞中心通道等角度均布。

為了確保田間探測時4個通道的視場范圍基本一致，需要確定中心位置通道與其他3個通道光軸的夾角。圖3給出了中心光軸與周圍光軸夾角示意圖，其中光電池1對應(yīng)的光軸為中心光軸，其方向與視場中心垂直；光電池2對應(yīng)的光軸與主光軸夾角為。試驗中3個通道依次圍繞中心通道等角度均布，因此僅分析其中一個通道與中心光軸之間的關(guān)系即可。

由圖3可知，為了保證中心通道與周圍通道視場范圍基本一致，需要滿足2個光軸交點在視場的中心，并且滿足式（6）。當物距=500 mm，視場=80mm時，通過式（6）可以得到4.4°。隨視場增大而減少，根據(jù)實際需要，試驗時設(shè)置為5°。

光譜傳感器機械結(jié)構(gòu)如圖4所示，光電池、凸透鏡、濾光片在通道內(nèi)依次排開，通過內(nèi)凹槽固定，橡膠墊圈用于保護光學器件、減少磨損。光電池與凸透鏡的距離為16.6 mm，凸透鏡與濾光片、濾光片與鏡頭外側(cè)的距離均為10 mm；中心通道光軸與外側(cè)圓周通道光軸的夾角為3°，鏡頭的通光孔徑為16 mm。鏡頭平均分為3部分，各個部分之間通過側(cè)向螺釘連接，便于安裝內(nèi)部器件，兩側(cè)端蓋均用螺紋連接。

1.光電池 2.凸透鏡 3.濾光片 4.保護鏡片 5.外殼 6.LED光源 7.信號調(diào)理板

1.Photocell 2.Convex lens 3.Light filter 4.Cover lens 5.Shell 6.LED light source 7.Signal control circuit board

圖4 光譜傳感器機械結(jié)構(gòu)

Fig.4 Mechanical structure of spectral sensor

由于田間作業(yè)時，測量結(jié)果易受天氣狀況的影響，故本文采用主動光源為發(fā)光方式。根據(jù)光譜傳感器探測鏡頭的結(jié)構(gòu)，設(shè)計3組LED光源，每組光源內(nèi)部即一個正方形陣列，3組光源與3個周圍通道依次交錯排列一周。根據(jù)聚光原理，每組光源內(nèi)部安裝一個拋物線反射器，LED光源產(chǎn)生的光線照射到反射器上，反射器對光線進行反射，經(jīng)過500 mm的物距反射光線照射到樣本上。當反射器包角為240°時，1個陣列產(chǎn)生的中心光圈直徑為80 mm，設(shè)置3個LED陣列能保證光強以及中心光圈的大小，便于傳感器探測其視野范圍內(nèi)的樣本。其具體排列方式如圖4所示。

當光譜傳感器的物距為500 mm時，周圍通道的視場范圍與中心通道的視場范圍基本重合，為直徑80 mm的區(qū)域；當物距變小時，周圍通道與中心通道視場重合范圍稍微變小，在物距為400 mm時，其視場范圍是直徑為60 mm左右的區(qū)域，此時周圍通道與中心通道的視場范圍大部分都重合，可以進行光譜探測；如果物距繼續(xù)變小，則周圍通道與中心通道視場范圍的重合部分就會過小，進入各個通道的光線不同，導致探測結(jié)果不準確，識別困難。當物距增大時，周圍通道與中心通道視場重合范圍同樣也會變小，為700 mm時，其視場范圍是直徑為100 mm左右的區(qū)域，此時重合范圍較大，可以進行光譜探測；當物距繼續(xù)增大時，其重合范圍也會過小。因此，光譜傳感器的物距為400～700 mm，其對應(yīng)視場范圍的直徑為60～100 mm。

1.5 電路部分設(shè)計

測量光譜作物信息時，光譜傳感器的輸出信號為微安級微弱信號，易受到背景噪聲的干擾。因此，設(shè)計的信號調(diào)理電路能夠滿足可靠、不失真地將光譜傳感器的輸出信號進行放大、濾波等要求。

芯片ICL7650[26]是采用動態(tài)校零技術(shù)和CMOS工藝制作的斬波穩(wěn)零式高精度運算放大器，輸入偏置電流小、失調(diào)小、增益高、共模抑制能力強、響應(yīng)快、漂移低、性能穩(wěn)定。故選擇由ICL7650和若干電阻組成的T型I/V轉(zhuǎn)換放大電路將電流信號轉(zhuǎn)換為電壓信號，其輸出信號變?yōu)楹练塠27]。選擇1A的電流信號轉(zhuǎn)化成100 mV的電壓信號等級，對應(yīng)計算電路參數(shù)為：（1+2）=10 kΩ，（1+4/3）=10，考慮到微控制器A/D轉(zhuǎn)換的要求，需將轉(zhuǎn)換后的毫伏數(shù)量級電壓信號轉(zhuǎn)換為0～3.3 V電壓信號，因此，本文選擇由INA121與若干電阻組成的典型放大電路對毫伏數(shù)量級的電壓信號進行信號放大，選擇外接電阻4的阻值為2 kΩ，得到電路的增益為26，可以將毫伏數(shù)量級的電壓轉(zhuǎn)換到伏級，從而滿足實際采樣電壓要求；然后通過二階低通濾波電路濾除電壓信號中的高頻干擾，以提高光譜傳感器的靈度敏。根據(jù)直流信號處理原則和截至頻率n=1/2π，設(shè)定截至頻率10 Hz，計算出6=7=16 kΩ，2=3=1 F，其信號調(diào)理電路原理如圖5所示，光譜傳感器的實物如圖6所示。

注：A1為調(diào)理電路輸入信號；AD1為調(diào)理電路輸出信號；Ri(i=1,2,…,8)為電阻，Ω；Ci (i=1,2,…,4)為電容，F(xiàn)；ICL7650為斬波穩(wěn)零式高精度運算放大器；INA121為低功耗運算放大器；LF247為高速運算放大器。

圖6 光譜傳感器實物

2 試驗與結(jié)果分析

2.1 光譜傳感器標定試驗

光譜傳感器的標定試驗于2016年1月20日在江蘇大學農(nóng)業(yè)工程研究院實驗室內(nèi)進行。分別采集冬油菜苗、雜草、土壤的樣本放入保鮮袋，立即送往實驗室，進行試驗。其中冬油菜苗樣本為田間隨機選取的3～6葉處于苗期且正常生長的樣本，雜草樣本選擇5種冬油菜中最常見的處于生長期的雜草（婆婆納、刺兒菜、薺菜、小飛蓬、粘毛卷耳），土壤樣本為田間隨機采集的土壤。

試驗中，采用研制的光譜傳感器測試樣本，并得到輸出電壓；同時，使用美國ASD公司的FieldSpec?3便攜式光譜分析儀[28-29]同步測量樣本的光譜數(shù)據(jù)信息，在視場范圍內(nèi)隨機測量5個點的光譜信息，并取其平均值。FieldSpec?3便攜式光譜分析儀的光譜范圍為350～2 500 nm，光譜分辨率分別為3（350～1 000 nm）和10 nm（>1 000～2 500 nm），在350～1 000 nm范圍內(nèi)采樣間隔為1.4 nm，在>1 000～2 500范圍內(nèi)采樣間隔為2 nm。為確保試驗精度，測量時探測鏡頭在500 mm處垂直于樣本表面放置，此時視場范圍為80 mm。圖7為不同波段下光譜反射率與傳感器電壓擬合曲線。

圖7 不同波段下光譜反射率與傳感器電壓擬合曲線

為保證測量范圍，把各個種類的葉片拼接成直徑為110 mm的圓，由雙面膠固定在卡紙上，每個樣本所得的大范圍面積為：油菜4個樣本；5種雜草，每種雜草各4個樣本；干土壤2個，濕土壤2個樣本。為了確保數(shù)據(jù)的可重復性和模型的魯棒性，在每個大范圍面積的樣本表面選擇合適的位置采集5個點，每個點測5次取平均值。分別記錄便攜式光譜儀和光譜傳感器在710、755、950和595 nm處對應(yīng)點的測量結(jié)果，結(jié)果見圖7，同時對測量數(shù)據(jù)進行擬合[30-31]。

通過以上分析可知，各個標定方程的決定系數(shù)均較高，595、710、755和950 nm共4波段處的決定系數(shù)2分別為0.799、0.812、0.892、0.867。

2.2 驗證試驗

為了驗證傳感器的可靠性，試驗以冬油菜苗為例，在校內(nèi)實驗室進行。于江蘇大學試驗田采集冬油菜苗樣本放入保鮮袋，立即送往實驗室，進行試驗。試驗現(xiàn)場如圖8所示。

1.光源 2.處理器 3.被測物 4.光纖探頭 5.光譜儀主機 6.試驗支架 7.直流電源 8.萬用表 9.被測物 10.光譜傳感器

光譜傳感器測試結(jié)果通過標定試驗公式進行計算，轉(zhuǎn)化成光譜反射率。驗證結(jié)果如表1所示。

表1 不同波段下光譜傳感器和光譜儀測定光譜反射率對比

由傳感器測量結(jié)果計算所得的光譜反射率，通過與FieldSpec?3便攜式光譜分析儀測試結(jié)果進行對比分析可知：在各個特征波長下的大部分相對誤差均小于10%，有小部分超過10%，其中最大相對誤差為16.58%。在測量時，傳感器和便攜式光譜儀在每個葉片的相同位置均測量1次，由于葉子的移動可能造成測試位置點的重合度有所偏差，其造成相對誤差較大。但總體來看，該光譜傳感器能實現(xiàn)光譜反射率的測量。

分別采集油菜樣本20組，土壤樣本20組，常見5種雜草（婆婆納、刺兒菜、薺菜、小飛蓬、粘毛卷耳）樣本各20組，每組數(shù)據(jù)采集3次，取其平均值。為了驗證該雜草傳感器的有效性，采用前期建立的貝葉斯判別函數(shù)模型，對采集的數(shù)據(jù)進行識別，識別結(jié)果如表2所示。140組數(shù)據(jù)平均識別時間為76.3 ms，滿足實際應(yīng)用的需求。

表2 雜草識別結(jié)果

由表2可知，試驗中土壤的正確識別率為100%。美國NTech公司成功開發(fā)的雜草探測傳感器WeedSeeker[16]對區(qū)分綠色植物和土壤也具有很高的識別率，但WeedSeeker僅能識別綠色植物和土壤，無法實現(xiàn)雜草與作物的識別。在實際應(yīng)用中，迫切需要進行雜草與作物的識別并將其用于變量噴施及機械除草。本文主要針對冬油菜苗期田間雜草進行作物與雜草的識別，從試驗識別結(jié)果中可以看出，對于油菜常見的5種雜草，平均分類正確率為90.7%，該傳感器具有較好的識別效果。

本文設(shè)計的傳感器中采樣時間主要是光信號轉(zhuǎn)換成電信號的時間，本試驗選用的光電池響應(yīng)時間為500 ns，采樣速率最高可達每秒2×108次。此外，該傳感器目前主要針對處于苗期的冬油菜苗，目前可對油菜最常見的5種雜草（婆婆納、刺兒菜、薺菜、小飛蓬以及粘毛卷耳）進行有效識別。

3 結(jié)論與討論

1）基于試驗選定的4個波長595、710、755、950 nm，設(shè)計了一種光譜傳感器，用于識別冬油菜苗期田間雜草。光譜傳感器包括4個光學通道和3個主動LED光源，其中凸透鏡、濾光片、光電池在各光學通道內(nèi)依次排列，以進行光譜信息的探測，開發(fā)了傳感器硬件電路部分。

2）通過對傳感器進行標定試驗，得到4個波長下的標定方程，其決定系數(shù)分別為0.799、0.812、0.892、0.867，模型具有較好的相關(guān)性；試驗驗證結(jié)果的相對誤差大部分都在10%以內(nèi)。

3）使用該傳感器進行冬油菜中常見雜草的識別試驗，平均分類正確率為90.7%，具有較好的識別效果。

在實際試驗中，本文設(shè)計的雜草探測光譜傳感器測得的光譜數(shù)據(jù)容易受到田間光照變化的影響，而且路面顛簸及傳感器本身的機械振動也會給識別精度帶來影響，因此如何降低干擾因素影響，提高傳感器的魯棒性尚需進一步深入研究。

[1] Slaughter D C, Giles D K, Downey D. Autonomous robotic weed control systems: A review[J]. Computers and Electronics in Agriculture, 2008, 61: 63－78.

[2] Tang J, Chen X, Miao R, et al. Weed detection using image processing under different illumination for site-specific areas spraying[J]. Computers and Electronics in Agriculture, 2016, 122: 103－111.

[3] 吳迪，黃凌霞，何勇，等. 作物和雜草葉片的可見-近紅外反射光譜特性[J]. 光學學報，2008，28(8)：1618－1622.

Wu Di, Huang Lingxia, He Yong, et al. Visible-near infrared reflection spectroscopy for crop-weed discrimination[J]. Acta Optica Sinica, 2008, 28(8): 1618－1622. (in Chinese with English abstract)

[4] 祖琴，鄧巍，王秀，等. 主成分分析和SIMCA的甘藍與雜草光譜識別方法研究[J]. 光譜學與光譜分析，2013，33(10)：2745－2750.

Zu Qin, Deng Wei, Wang Xiu, et al. Research on spectra recognition method for cabbages and weeds based on PCA and SIMCA[J]. Spectroscopy and Spectral Analysis, 2013, 33(10): 2745－2750. (in Chinese with English abstract)

[5] Go’mez-Casero M T, Castillejo-Gonza’lez I L, Garc’a-Ferrer A, et al. Spectral discrimination of wild oat and canary grass in wheat fields for less herbicide application[J]. Agronomy for Sustainable Development, 2010, 30(3): 689－699.

[6] Wendel A, Underwood J. Self-supervised weed detection in vegetable crops using ground based hyperspectral imaging[C]//IEEE International Conference on Robotics and Automation, 2016.

[7] 祖琴，張水發(fā)，曹陽，等. 結(jié)合光譜圖像技術(shù)和SAM分類法的甘藍中雜草識別研究[J]. 光譜學與光譜分析，2015，35(2)：479－485.

Zu Qin, Zhang Shuifa, Cao Yang, et al. Research on Identification of cabbages and weeds combing spetralimaging technology and SAM taxonomy[J]. Spectroscopy and Spectral Analysis, 2015, 35(2): 479－485. (in Chinese with English abstract)

[8] 趙川源，何東健，喬永亮. 基于多光譜圖像和數(shù)據(jù)挖掘的多特征雜草識別方法[J]. 農(nóng)業(yè)工程學報，2013，29(2)：192－198.

Zhao Chuanyuan, He Dongjian, Qiao Yongliang. Identification method of multi-feature weed based on multi-spectral images and data mining[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2): 192－198. (in Chinese with English abstract)

[9] 張小龍，謝正春，張念生，等. 豌豆苗期田間雜草識別與變量噴灑控制系統(tǒng)[J]. 農(nóng)業(yè)機械學報，2012，43(11)：220－225，273.

Zhang Xiaolong, Xie Zhengchun, Zhang Niansheng, et al. Weed recognition from pea seedling images and variable spraying control system[J]. Transaction of the Chinese Society for Agricultural Machinery, 2012, 43(11): 220－225, 273. (in Chinese with English abstract)

[10] Wang N, Zhang N, Wei J, et al. A real-time embedded weed-detection system for use in wheat fields[J]. Biosystems Engineering, 2007, 98(3): 276－285.

[11] Nieuwenhuizen A T, Hofstee J W, Henten E J. Performance evaluation of an automated detection and control system for volunteer potatoes in sugar beet fields[J]. Biosystems Engineering, 2010, 107(1): 46－53.

[12] Hurado M, Lopez-Granados F, Stenciano S, et al. Discrimination of weed seedlings, wheat (Triticum aestivum) stubble and sunflower (Helianthus annuus) by near-infrared reflectance spectroscopy (NIRS)[J]. Crop Protection, 2003, 22(3): 1177－1180.

[13] Wang N, Zhang N, Dowell F E, et al. Design of an optical weed sensor using plant spectral characteristics[J]. Transactions of the ASAE, 2001, 44(2): 409－419.

[14] 鄧巍，張錄達，何雄奎，等. 基于支持向量機的玉米苗期田間雜草光譜識別[J]. 光譜學與光譜分析，2009，29(7)：1906－1910.

Deng Wei, Zhang Luda, He Xiongkui, et al. SVM-based spectral recognition of corn and weeds at seedling stage in fields[J]. Spectroscopy and Spectral Analysis, 2009, 29(7): 1906－1910. (in Chinese with English abstract)

[15] 鄧巍，趙春江，何雄奎，等. 綠色植物靶標的光譜探測研究[J]. 光譜學與光譜分析，2010，30(8)：2179－2183.

Deng Wei, Zhao Chunjiang, He Xiongkui, et al. Study on spectral detection of green plant target[J]. Spectroscopy and Spectral Analysis, 2010, 30(8): 2179－2183. (in Chinese with English abstract)

[16] 馬旭，齊龍，梁柏，等. 水稻田間機械除草裝備與技術(shù)研究現(xiàn)狀及發(fā)展趨勢[J]. 農(nóng)業(yè)工程學報，2011，27(6)：162－168.

Ma Xu, Qi Long, Liang Bai, et al. Present status and prospects of mechanical weeding equipment and technology in paddy field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(6): 162－168. (in Chinese with English abstract)

[17] 毛文華，張銀橋，王輝，等. 雜草信息實時獲取技術(shù)與設(shè)備研究進展[J]. 農(nóng)業(yè)機械學報，2013，44(1)：190－195.

Mao Wenhua, Zhang Yinqiao, Wang Hui, et al. Advance techniques and equipment for real-time weed detection[J]. Transaction of the Chinese Society for Agricultural Machinery, 2013, 44(1): 190－195. (in Chinese with English abstract)

[18] 白敬，徐友，魏新華，等. 基于光譜特性分析的冬油菜苗期田間雜草識別[J]. 農(nóng)業(yè)工程學報，2013，29(20)：128－134.

Bai Jing, Xu You, Wei Xinhua, et al. Weed identification from winter rape at seedling stage based on spectrum characteristics analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(20): 128－134. (in Chinese with English abstract)

[19] 孫思成，付躍文. 脈沖渦流檢測微弱信號調(diào)理電路設(shè)計[J]. 無損檢測，2013，35(6)：17－22.

Sun Sicheng, Fu Yuewen. Design of weak signal conditioning circuit for pulsed eddy current[J]. Nondestructive Testing, 2013, 35(6): 17－22. (in Chinese with English abstract)

[20] 李鑫星，王聰，李振波，等. 水體葉綠素a光學傳感器信號調(diào)理電路設(shè)計與測試[J]. 農(nóng)業(yè)機械學報，2015，46(9)：314－318.

Li Xinxing, Wang Cong, Li Zhenbo, et al. Signal conditioning circuit design and test of chlorophyll a optical sensor of water[J]. Transaction of the Chinese Society for Agricultural Machinery, 2015, 46(9): 314－318. (in Chinese with English abstract)

[21] 趙亮，劉先勇，袁長迎，等. 微弱信號調(diào)理電路的設(shè)計及研究[J]. 西南科技大學學報，2010，25(1)：64－68.

Zhao Liang, Liu Xianyong, Yuan Changying, et al. Design and study of weak signal conditioning circuit[J]. Journal of Southwest University of Science and Technology, 2010, 25(1): 64－68. (in Chinese with English abstract)

[22] Zrelli A, Bouyahi M, Ezzedine T. Monitoring of temperature in distributed optical sensor: Raman and Brillouin spectrum[J]. Optik-International Journal for Light and Electron Optics, 2016, 127(8): 4162－4166.

[23] 倪軍，王婷婷，姚霞，等. 作物生長信息獲取多光譜傳感器設(shè)計與試驗[J]. 農(nóng)業(yè)機械學報，2013，44(5)：207－212.

Ni Jun, Wang Tingting, Yao Xia, et al. Design and experiments of multi-spectral sensor for rice and wheat growth information[J]. Transaction of the Chinese Society for Agricultural Machinery, 2013, 44(5): 207－212. (in Chinese with English abstract)

[24] 李景鎮(zhèn). 光學手冊[M]. 北京：兵器工業(yè)出版社，1985：168.

[25] 王婷婷. 多光譜作物生長智能傳感器的研制[D]. 南京：南京農(nóng)業(yè)大學，2012.

Wang Tingting. Development of Multi-Spectral Intelligent Sensor for Crop Growth[D]. Nanjing: Nanjing Agricultural University, 2012. (in Chinese with English abstract)

[26] 盧少林，倪軍，曹衛(wèi)星，等. 基于主動光源的作物生長信息監(jiān)測儀的設(shè)計與試驗[J]. 農(nóng)業(yè)工程學報，2014，30(23)：199－206.

Lu Shaolin, Ni Jun, Cao Weixing, et al. Design and experiment for crop growth information monitoring instrument based on active light source[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(23): 199－206. (in Chinese with English abstract)

[27] 蔣錕林. 一種傳感器微弱信號放大電路的設(shè)計[J]. 電聲技術(shù)，2013，37(11)：25－28.

Jiang Kunlin. Design of a sensor weak signal amplifier circuit[J]. Audio Engineering, 2013, 37(11): 25－28. (in Chinese with English abstract)

[28] 趙明家. 東北春玉米冠層光譜特征與氮營養(yǎng)診斷依據(jù)的研究[D]. 長春：吉林農(nóng)業(yè)大學，2014.

Zhao Mingjia. The Canopy Spectrum Characteristic of Northeast Spring Corn and Nitrogen Nutrition Diagnosis Research[D]. Changchun: Jilin Agricultural University, 2014. (in Chinese with English abstract)

[29] 劉海. 基于變分模型的紅外光譜超分辨率方法研究[D]. 武漢：華中科技大學，2014.

Liu Hai. Research on Infrared Spectra Super-Resolution Based on Variational Models[D]. Wuhan: The Huazhong University of Science and Technology, 2014. (in Chinese with English abstract)

[30] 孫瑜. 基于光譜特性的玉米葉片水氮含量快速檢測方法研究[D]. 西安：西北農(nóng)林科技大學，2014.

Sun Yu. Methods Research of Corn Leaf Moisture Content and Nitrogen Detecting Based on Spectral Reflectance[D]. Xi’an: North West Agriculture and Forestry University, 2014. (in Chinese with English abstract)

[31] 焦學磊，曹衛(wèi)星，田永超，等. 用于作物光譜信息監(jiān)測的微弱信號調(diào)理方法與電路設(shè)計[J]. 儀器儀表學報，2008，29(11)：2461－2464.

Jiao Xuelei, Cao Weixing, Tian Yongchao, et al. Feeble light signal conversion method and circuit design used in crop spectrum information inspection[J]. Chinese Journal of Scientific Instrument, 2008, 29(11): 2461－2464. (in Chinese with English abstract)

Design and application of spectrum sensor for weed detection used in winter rape field

Li Lin, Wei Xinhua, Mao Hanping, Wu Shu

(,,,212013,)

Due to lack of weed identification and positioning equipment，farmers usually use large area uniform spraying of chemical herbicides, which not only wastes herbicides and labor, but also leads to ecological environment pollution and agricultural product quality problem. At the same time, the weed control accuracy using existing mechanical weed control method is low with a high crop injury rate. Therefore, accurate weed identification is a key issue in target pesticide application and mechanical weed control. There are three kinds of weed identification method: image-based weed identification method, spectrum-based weed identification method, and spectral-image-based weed identification method. At present, spectrum sensor based on spectrum analysis has been most widely accepted in actual weed control due to its advantages of simple system configuration, lossless and high processing speed. Based on the four characteristic wavelengths (595, 710, 755 and 950 nm) selected by the investigation of weeds in the winter rape field, in this paper, we presented our research on weed spectrum sensor. According to the principle of optical system and the actual operation requirements in field, the structure design scheme of the spectrum sensor was proposed, which consisted of five parts, active light source, convex lens, light filter, photocell, and signal conditioning device. As the field measurement results vulnerable to weather conditions, we used LED as an active light source. There were four optical channels (595, 710, 755 and 950 nm) and three active LED light sources in the spectrum sensor. A K9 lenticular lens with diameter of 16 mm and focal length of 16 mm was chosen. A narrow-band interference filter with a center wavelength of 595, 710, 755, 950 nm was applied, whose half-peak bandwidth is 10 nm and aperture is 16 mm. The size of the photocell is 2.65 mm × 2.65 mm. The convex lens, the light filter and the photocell were sequentially arranged in the optical channels in order to detect the spectral information. Signal processing circuits were developed to meet the reliable output signal amplification, filtering and other requirements without distortion. The spectral distance of the spectral sensor is 400-700 mm while the diameter of the field of view is 60-100 mm. After that, the spectral sensor was applied to do calibration test and experimental verification. The calibration test established four mathematical models between the four output results by intelligent spectral sensor and the four measuring results of FieldSpec?3 spectrometer. The determination coefficients of each model were 0.799, 0.812, 0.892, and 0.867. The results of the experimental verification showed that most of the relative errors were within 10%, indicating that the designed sensor could separate winter rape from weeds. Therefore, the spectrum sensor could make its contribution to the exploration of weed automatic identification equipment. Experiments on actual weed identification showed that the average recognition rate was 90.7%, which had a good weed recognition effect. The main factors affecting the recognition results were the nature light and the mechanism vibration. How to reduce the influence of interference factors on the recognition precision will be the focus of the next research.

sensors; design; experiments; weeds identification; spectrum sensor; signal conditioning; optical system

10.11975/j.issn.1002-6819.2017.18.017

S237/TP73

A

1002-6819(2017)-18-0127-07

2017-04-11

2017-06-04

國家自然科學基金項目（51575244）；江蘇省高校自然科學研究項目（14KJA210001）；公益性行業(yè)（農(nóng)業(yè)）科研專項經(jīng)費項目（201503130）；江蘇高校優(yōu)勢學科建設(shè)工程資助項目（2014-37）；江蘇大學高級人才基金資助項目（14JDG149）

李 林，女，助理研究員，主要從事智能化農(nóng)業(yè)裝備研究。鎮(zhèn)江 江蘇大學現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點實驗室，212013。Email：lilin@ujs.edu.cn