劉媛媛，孫嘉慧，張書杰，于海業(yè)，王躍勇

用多閾值多目標無人機圖像分割優(yōu)化算法檢測秸稈覆蓋率

劉媛媛1，孫嘉慧1，張書杰1，于海業(yè)2，王躍勇3※

（1. 吉林農(nóng)業(yè)大學信息技術學院，長春 130118；2. 吉林大學工程仿生教育部重點實驗室，長春 130025；3. 吉林農(nóng)業(yè)大學工程技術學院，長春 130118）

為了適應航拍采集秸稈覆蓋圖像大尺度處理需求，提高當前多閾值差分灰狼優(yōu)化算法（Differential Evolution Grey Wolf Optimizer，DE-GWO）的圖像分割質量和速度，提出一種用于檢測秸稈覆蓋率的圖像分割優(yōu)化算法。該研究借鑒了人工蜂群多目標灰狼優(yōu)化算法（Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimizer，AS-MOGWO），在DE-GWO算法中加入了多目標灰狼優(yōu)化算法（Multi-Objective Grey Wolf Optimizer，MOGWO）的外部存檔，引入多目標的概念，并添加了人工蜂群算法（Artificial Bee Colony，ABC）中觀察蜂的搜索策略，提出了基于多閾值的多目標秸稈覆蓋圖像自動分割的優(yōu)化算法（Differential Evolution Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimization，DE-AS-MOGWO）。該算法不僅繼承了DE-GWO算法的自動分割特性，還兼?zhèn)銩S-MOGWO算法的高效收斂性，提高了圖像分割的準確性和處理速度。分析結果顯示，在無外界影響的情況下，該研究提出的DE-AS-MOGWO優(yōu)化算法與人工實際測量法匹配的誤差可控制在8%以內(nèi)。在算法性能方面，DE-AS-MOGWO相比于PSO（Particle Swarm Optimization）、GWO（Grey Wolf Optimizer）、DE-GWO和DE-MOGWO在平均匹配率上分別提高了4.967、3.617、2.188和3.404個百分點，平均誤分率分別降低了0.168、0.131、0.089和0.116個百分點，而算法耗時分別降低了82%、84%、17%和32%。試驗結果表明，多閾值多目標圖像分割方法在大尺度無人機圖像中可獲得較好的分割效果，且針對不同秸稈覆蓋率圖像均具有普遍適用性，為大面積秸稈覆蓋率檢測以及其他相關圖像檢測提供了高效算法支持。

秸稈; 算法;灰狼優(yōu)化算法；多閾值；多目標；觀察策略；秸稈覆蓋率

0 引 言

基于無人機采集圖像進行秸稈覆蓋率檢測，有效利用無人機靈活的特點獲取待測區(qū)域的完整圖像，采用圖像分割的方法簡單、易行，亦為監(jiān)督作物長勢[1-3]、預估作物產(chǎn)量[4]等提供了圖像和方法依據(jù)。因此，針對無人機航拍采集圖像，開發(fā)高效的智能算法來檢測秸稈覆蓋率成為了當務之急。

針對航拍圖像秸稈覆蓋率檢測，目前已有的差分灰狼優(yōu)化算法（DE-GWO）[5]是一種將灰狼優(yōu)化算法（Grey wolf optimizer，GWO）[6]和差分進化算法（Differential evolution，DE）[7-10]相結合的一種高效的多閾值圖像分割優(yōu)化處理方法，該算法可以有效地解決傳統(tǒng)灰狼優(yōu)化算法易于陷入局部最優(yōu)和處理速度較慢等特點，實現(xiàn)航拍圖像的多閾值分割[11]。但是，實際應用中，基于航拍的秸稈覆蓋采集圖像尺寸較大，圖像處理速度和處理效果往往不能同時令人滿意，因此，亟待尋求一種兼容處理效果和耗時較短的圖像智能分割算法。

多目標灰狼優(yōu)化算法（Multi-Objective Grey Wolf Optimizer，MOGWO）[12]是在灰狼優(yōu)化算法（GWO）中加入了一個外部存檔Archive，用該存檔來保存或檢索灰狼所獲得的非支配的Pareto最優(yōu)解[13]，然后利用該存檔來定義狼群的社會層次結構，模擬多目標空間[14]中灰狼的狩獵行為，進而對所擁有多個不同解的問題中的各個解之間能夠進行協(xié)調處理，使所有目標盡可能達到最優(yōu)。MOGWO算法不僅繼承了傳統(tǒng)灰狼優(yōu)化算法的特點，而且擁有更快的收斂速度，實現(xiàn)了多目標優(yōu)化，但容易陷入局部最優(yōu)的缺陷[15]仍然有待改善。

本文將DE-GWO算法從單目標擴展到多目標DE-MOGWO，實現(xiàn)多目標優(yōu)化，大大提升了多閾值圖像分割的準確度，增強了算法對采集圖像中不同的地物提取和分類[16]，但是算法也擁有了MOGWO算法的容易陷入局部最優(yōu)的缺陷[15]。人工蜂群算法（Artificial Bee Colony，ABC）[17]是一種模擬蜜蜂采食行為提出的一種優(yōu)化方法，該算法通過對所求問題的解進行優(yōu)劣的比較，使群體中的全局最優(yōu)解脫穎而出。為了進一步提高算法在秸稈覆蓋率檢測應用中圖像自動分割的質量和處理速度，本文又借鑒了AS-MOGWO算法[15]通過在多目標灰狼算法中添加蜂群算法的觀察階段，以此來解決MOGWO算法不穩(wěn)定、易陷入局部最優(yōu)的缺點，從而增強算法穩(wěn)定性和尋優(yōu)能力的思維。在DE-MOGWO算法加入了人工蜂群算法[17-20]中觀察蜂的觀察策略，提出了改進的差分灰狼優(yōu)化算法（Differential Evolution Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimization，DE-AS-MOGWO），在質量和速度方面更加高效地解決秸稈覆蓋率圖像分割問題，使得檢測效果進一步提高。

1 秸稈覆蓋率檢測設計方案

1.1 圖像采集

圖像采集來源于無人機實地高空俯視平行地面拍攝的田間現(xiàn)場圖像。在無人機拍攝采集的圖像中除秸稈和土壤外，還有雜草、雜物等因素的干擾，其中秸稈覆蓋部分和雜草部分顏色極其接近，已還田的部分和土壤的顏色較為接近。雜草的識別可以進行作物下一周期的針對性處理，提高土地的養(yǎng)分利用率和生長空間，達到穩(wěn)產(chǎn)、增產(chǎn)的作用，也可以根據(jù)用戶需求將雜草和秸稈部分合并計算覆蓋率，如圖1（部分截?。?。

1.農(nóng)具 2.秸稈 3.已耕作土地 4.土壤 5.雜草

1.2 檢測目標

利用無人機拍攝獲取的田間秸稈圖像，結合秸稈覆蓋率現(xiàn)場復雜情況及圖像灰度直方圖的特點，設計算法尋求最優(yōu)閾值，利用該閾值來對圖像進行分割，快速準確地將感興趣區(qū)域進行分割，并計算出各部分像素點個數(shù)，利用秸稈部分的像素點個數(shù)與圖像總像素點的個數(shù)比來求得秸稈的覆蓋率[5]，如公式（1）。

本文提出DE-AS-MOGWO算法來對所得秸稈覆蓋圖進行分割，并利用形態(tài)學算法[21-22]對圖像分割出的各部分進行提取，再對秸稈覆蓋的面積進行計算，秸稈覆蓋率檢測方法流程圖如圖2所示。

本文利用多閾值圖像分割算法，可根據(jù)圖像內(nèi)容選擇適當數(shù)量的閾值，對圖像灰度級進行分類。因此，灰度級范圍在相同閾值區(qū)域內(nèi)時，光照等外界條件不影響檢測結果。

圖2 秸稈覆蓋率檢測方法流程圖

此外，利用無人機現(xiàn)場拍攝的照片通常會受到采集設備等外界因素的影響，具有明顯的噪聲，直接影響圖像分割的準確性，進而導致秸稈覆蓋率檢測結果的偏差。本文采用了基于頻域的平滑濾波方法[23]對圖像的亮度不均的問題進行修正，消除圖像在數(shù)字化過程中的噪聲，為后續(xù)的圖像閾值分割做好準備。

2 多閾值多目標圖像分割算法原理

2.1 DE-GWO算法原理

灰狼算法（GWO）[6]通過模擬狼群的狩獵行為來處理函數(shù)的優(yōu)化問題，在狼群社會中有著嚴格的等級制度，從高到低依次為：頭狼、探狼、猛狼和最低層次的狼。

灰狼算法的基本思想是：在某一待尋優(yōu)空間中，選取其中適應度值最佳的狼作為頭狼，在圖像分割過程中即是最佳閾值。

由于田間實際圖像干擾因素較多，且圖像灰度級相近。本文選擇可以推廣到非廣義系統(tǒng)的Tsallis熵[24-25]作為核心算法的適應度函數(shù)[5]。在確定了Tsallis熵后，使用灰狼算法讓灰狼個體的位置不斷迭代更新，并將當前位置的最好的前3個解分別標記為狼、狼和狼，將其他的解記為狼，在狼群狩獵的過程中，狼、狼和狼會領導整個狼群向目標獵物逼近，找到最優(yōu)解。該過程可以用如下方程表示

DE-GWO算法[5]是在灰狼算法（GWO）算法[6]的基礎上混入差分算法（DE）[7]，DE算法流程類似于遺傳算法，采用迭代方法逐步進化完成最優(yōu)解的搜索過程，其中變異、交叉和選擇操作增加了尋優(yōu)的多向性、加快了收斂速度，解決了基本灰狼算法閾值局部最優(yōu)的缺陷，加快了圖像分割的處理速度。針對實際采集的田間秸稈圖像處理顏色接近、圖像信息量大的實際應用問題，DE-GWO算法從分割處理效果和處理速度較GWO算法明顯占優(yōu)勢。

2.2 AS-MOGWO算法原理

AS-MOGWO算法是由崔明朗等[15]在多目標灰狼優(yōu)化算法（Multi-Objective Grey Wolf Optimizer，MOGWO）[12]的基礎上通過借鑒人工蜂群算法（Artificial Bee Colony，ABC）[17]中的觀察蜂的觀察策略，提出的一種改進型優(yōu)化算法。通過在多目標灰狼算法中添加狼群的觀察階段，和對控制參數(shù)的調整策略的改進，克服了MOGWO算法不穩(wěn)定、易陷入局部最優(yōu)的缺點，增強了算法的穩(wěn)定性和尋優(yōu)能力。

MOGWO算法在原有的GWO中集成了一個固定大小的外部存檔，保存或檢索當前獲得的非支配的Pareto最優(yōu)解[13]，然后利用該存檔來定義狼群社會層次結構，模擬多目標空間中灰狼的狩獵行為。在算法迭代的過程中，將新得到的非優(yōu)勢解與存檔內(nèi)的數(shù)據(jù)進行比較和更新。在外部存檔并對狼群位置進行更新的過程中存在3種可能的更新策略：1）如果新的非優(yōu)勢解被至少一個存檔內(nèi)的數(shù)據(jù)主導，該解決方案不允許存入存檔；2）如果新的非優(yōu)勢解主導存檔中的一個或多個方案，將該非優(yōu)勢解替換原存檔中的數(shù)據(jù)；3）如果新的非優(yōu)勢解和存檔中的數(shù)據(jù)互不主導，將新的非優(yōu)勢解存入存檔中。如果存檔文件已滿，則重新安排目標空間，插入新的解，以確保Pareto最優(yōu)解的多樣性。

在多目標狼群算法中，由于Pareto解的最優(yōu)性很難選擇出像原GWO算法中的狼領導狼群向有希望的區(qū)域空間進行搜索，但是存檔中所儲存的數(shù)據(jù)為當前的最優(yōu)解，沒有優(yōu)劣之分，因此，該算法采用輪流選擇的方法對存檔中的所有數(shù)據(jù)進行選擇，選出3個頭狼引領狼群，稱之為頭狼選擇策略。每一個數(shù)據(jù)被選擇的概率如下

然而在實際運行中，因為個體狼會盲目的跟隨頭狼逼近目標，所以存在著探索能力不足，容易陷入局部最優(yōu)而導致效果不穩(wěn)定的問題。針對這些缺陷，AS-MOGWO算法借鑒了ABC[17-19]中觀察蜂的搜索策略，使狼群中的每只狼在位置更新后，都會觀察附近的狀況并評估自己所在的位置，進行移動和更新，其遵循的公式如下

2.3 DE-AS-MOGWO算法原理

DE-AS-MOGWO算法的核心思想是在DE-GWO算法的基礎上加入了MOGWO算法的外部存檔，嵌入多目標算法的搜索機制，采用Tsallis熵對算法效率進行評估，同時為了彌補多目標灰狼算法探索能力不足，容易陷入局部最優(yōu)而導致效果不穩(wěn)定的問題，該算法又引入了蜂群算法中觀察蜂的觀察策略，從而得到了一種高效的全局優(yōu)化多目標隨機搜索方法。

DE-AS-MOGWO算法原理如下：首先，建立外部存檔，更新狼群位置，將優(yōu)秀個體存檔；其次，對存檔內(nèi)種群差分進化，保留優(yōu)秀個體，實現(xiàn)多目標優(yōu)秀種群全局優(yōu)化隨機搜索；再次，采用Tsallis熵求個體適應度函數(shù)，輪盤賭[26]方式選出3只頭狼；然后，采用人工蜂群算法中觀察蜂的觀察策略，避免局部最優(yōu)，提升狼群探索能力；最后，使用變異和交叉操作更新種群位置，直至達到最大迭代次數(shù)，得出理想目標閾值，并依照該閾值對圖像進行分割。算法流程示意如圖3。

圖3 DE-AS-MOGWO流程圖

3 多閾值的多目標無人機圖像分割的秸稈覆蓋率檢測

3.1 模擬試驗

運用基于DE-AS-GWO算法對玉米秸稈圖像進行二閾值分割，并與DE-GWO算法和DE-MOGWO算法所求得的秸稈覆蓋率進行比較，驗證算法的有效性和準確性。采用Photoshop CS6軟件中手動精準檢測面積的方法來手動標準分割圖像，通過匹配率，誤分率和準確率（見公式11-13）來評判算法對秸稈覆蓋圖像的分割效果[27]。手動精準測量方法步驟為：調整圖像的色階直方圖，將土地部分調整到最暗，并且調整全部通道視圖，選擇秸稈部分和雜草部分，從直方圖中的像素部分可以得出手動檢測像素值。

此外，本文采用平均值和標準差[28]衡量算法匹配率，誤分率和準確率的穩(wěn)定性。

為控制變量得到精準數(shù)據(jù)，全程試驗環(huán)境為：Mircrosoft Windows 10 Professional；CPU: Inter ?Core? i5-9400 @ 2.90 GHZ-2.90 GHZ；RAM：16GB；顯卡：GeForce GTX 1650；Visual Studio 2015 Professional軟件開發(fā)環(huán)境。

本文算法參數(shù)設置如下：灰狼種群規(guī)模設為50，迭代次數(shù)為100，交叉概率為0.9，Archive種群最大個體數(shù)為100。為了避免隨機性，每張圖像運行100次，每10次為一組取平均值。為了加強秸稈覆蓋率檢測的準確性，將圖像分割為秸稈圖像、土壤圖像和雜草圖像。5種算法對圖像的分割結果如圖4。

注：從左到右依次為：原始圖像、秸稈圖像、土壤圖像、雜草圖像。

表1 算法判定結果對比

注：MR為匹配率，%；MER為誤分率，%；AR為準確率，%，下同。

Note:MRis the matching rate，%；MERis the error rate，%；ARis the accuracy，%，the same below.

由圖4可以看出，DE-AS-MOGWO算法用于秸稈覆蓋率檢測圖像分割時較PSO、GWO、DE-GWO和DE-MOGWO算法具有更佳的秸稈、土地以及雜草的分割效果。由表1可知，DE-AS-MOGWO算法的平均匹配率高達96.562%，較PSO、GWO、DE-GWO和DE-MOGWO分別提高了4.967、3.617、2.029和3.288個百分點；DE-AS-MOGWO算法平均準確率達到96.444%，對比另外4種算法分別提高了5.135、3.748、2.188和3.404個百分點；DE-AS-MOGWO算法平均誤分率為0.118%，對比另外4種算法分別降低了0.168、0.131、0.089和0.116個百分點；同時，衡量算法耗時，DE-AS-MOGWO算法比另外4種算法耗時分別降低了82%、84%、17%和32%。綜上所述，DE-AS-MOGWO算法通過DE算法解決傳統(tǒng)灰狼優(yōu)化算法易于陷入局部最優(yōu)和處理速度較慢，擴展多目標提升了多閾值圖像分割的準確度，ABC算法對所求問題的解進行優(yōu)劣的比較，增強算法穩(wěn)定性和尋優(yōu)能力。DE-AS-MOGWO算法應用于秸稈覆蓋率檢測圖像分割時較PSO、GWO、DE-GWO和DE-MOGWO算法可靠性更高，分割效果更佳，耗時更短。

3.2 秸稈特征圖像分割

為了驗證本文算法的普遍適用性，本文運用基于DE-AS-MOGWO圖像分割的算法對4幅具有不同特征的代表性秸稈圖像進行二閾值分割。圖像A為旋耕后耕地圖像，秸稈和雜草含量較少；圖像B為秸稈粉碎還田后圖像，含有大量秸稈和少量雜草；圖像C為秸稈收割后莖茬殘余圖像，僅含有莖茬，不含有雜草；圖像D為秸稈焚燒后耕地圖像，僅含有少量殘余秸稈。每張圖像運行100次，每10次為一組取平均值求得秸稈的覆蓋率，并利用與3.1中相同的方法求得匹配率、誤分率、準確率以及標準差。其處理結果如圖5，試驗結果見表2。

由表2可以得知，對于4種不同特征的秸稈覆蓋圖像，本文提出的DE-AS-MOGWO算法均可以得到較高的匹配率和準確率，較低的誤分率，且耗時較短，因此說明該算法在秸稈檢測分割處理時具有普遍適用性。

3.3 秸稈覆蓋率檢測應用試驗

本文采用DJI大疆悟2代inspire2無人機搭載X5S云臺相機，采集時間為2017年10月21日、2018年11月5日，采集地點為中國吉林省榆樹市大崗鄉(xiāng)，采集范圍地理坐標分別為（126.261 675°E，45.097 652°N）、（126.287 043°E，45.101 012°N）、（126.262 969°E，45.074 335°N）、（126.300 194°E，45.075 098°N），采集條件為自然光照，垂直地面距離：50 m。

為了驗證DE-AS-MOGWO算法不同閾值下對秸稈圖像分割的效果，本文選取了3組采集的圖像，分別用DE-MOGWO算法，DE-GWO算法和本文提出的DE-AS-MOGWO算法，根據(jù)圖像的復雜程度使用了不同的閾值進行分割處理。根據(jù)灰度分級[29-30]，已耕作部分為0～56，土壤部分為56～109，其他部分為109～165，秸稈部分為165～214，雜草部分為214～255。利用本文的DE-AS-MOGWO算法，不同閾值分割結果如圖6，提取出圖像中的不同元素，并記錄時間，通過提取的秸稈的像素點和整個圖像的像素點求出秸稈覆蓋的面積。

圖像面積與無人機fov視角有關[31]，本文圖像與實際面積轉換公式為

注：從左到右依次為：原始圖像、秸稈圖像、土壤圖像、雜草圖像。

表2 秸稈特征圖像分割結果

表3 不同閾值分割數(shù)據(jù)

注：Ⅰ～Ⅶ依次為：原始圖像、分割圖像、已耕作圖像、土壤圖像、其他（農(nóng)具）圖像、秸稈覆蓋圖像、雜草圖像。

Note: From Ⅰ to Ⅶ, they are original image,segmentation image, cultivated image,soil image, other (farm tools) image,straw mulching image,weed image.

圖6 不同閾值的分割圖像

Fig.6 Segmentation images with different thresholds

為避免偶然性，對每個圖片每個閾值的每種算法運行30次求平均值得到表3，通過圖6以及表3可知，3種算法對秸稈覆蓋圖像進行不同閾值的分割處理，DE-AS-MOGWO算法耗時明顯少于其他兩種算法，且該算法可以根據(jù)復雜程度對不同圖像進行準確的多閾值分割處理。

3.4 算法計算與人工測量對比試驗

將表3中的數(shù)據(jù)與在Photoshop軟件中手動精準檢測所得到的數(shù)據(jù)進行比較可以得知，DE-AS-MOGWO算法分割的結果與人工測得的秸稈覆蓋面積最為接近，其中在二閾值分割圖像中，手動精準檢測得到實際秸稈覆蓋面積為2 092 m2，DE-AS-MOGWO算法求得面積為2 027.93 m2，本文算法準確度高達96.94 %，時間縮短為手動測量時間的1/2 603。在3閾值圖像中，2種方法分別求得面積為2 089 m2和2 038.26 m2，本文算法時間縮短為手動測量的1/2 305，準確度高達97.54%；在4閾值圖像中，兩種方法分別求得面積為2 072 m2和1 915.85 m2，本文算法準確度高達92.43%，時間縮短為手動的1/2 628。其誤差主要來源于農(nóng)具等外界因素影響。應用本文所提出的DE-AS-MOGWO算法來檢測秸稈的覆蓋面積相對手動精準檢測的測量結果，不同的閾值及不同的圖像的精確度均可高達92.4%以上，平均耗時可縮短至1/2 511。考慮到圖像的大小可能會對算法的檢測結果產(chǎn)生影響。

為了能夠更加直觀的體現(xiàn)出本文算法對于不同圖像以及不同閾值的分割效果，本文從兩個方面：1）利用3種算法對10幅采集圖像進行不同閾值的分割，并將最終的計算數(shù)據(jù)與手動檢測所得的數(shù)據(jù)進行對比；2）選取了10幅大小不同的采集圖像進行分割，并將計算數(shù)據(jù)與手準檢測進行對比。結果如圖7。

圖7 人工測量與算法計算對比圖

由圖7可知，本文算法對不同像素大小的圖片的處理結果與人工測量的數(shù)據(jù)均可達到較高的匹配度，然而當圖像越大時，該算法的準確度越高，二閾值的分割效果最佳。

4 秸稈覆蓋面積檢測應用

為方便使用及推廣，在本文算法的基礎上開發(fā)了一套秸稈覆蓋面積檢測軟件系統(tǒng)，系統(tǒng)由輸入圖像，參數(shù)設置以及結果輸出3個部分組成。其中，系統(tǒng)的輸入采用了路徑選擇的方式對已經(jīng)儲存在計算機內(nèi)部的圖像進行選擇，圖像輸入系統(tǒng)后，即可設置所需的算法以及參數(shù)，該系統(tǒng)可以選擇GWO、DE-GWO、DE-MOGWO和本文所提出的DE-AS-MOGWO算法，用于不同算法處理結果的對比，所需設置的參數(shù)根據(jù)不同的算法包括種群規(guī)模、迭代次數(shù)、交叉概率，Archive種群數(shù)目及相機fov視角、拍攝的高度等。輸出部分則包括原始的輸入圖像，算法處理后秸稈覆蓋部分的圖像，已耕作部分的圖像，土壤部分的圖像和其他部分的圖像，以及各部分圖像的像素數(shù)量；并根據(jù)這些數(shù)值計算出圖像采集區(qū)域的秸稈覆蓋面積和秸稈覆蓋率。該軟件系統(tǒng)的部分界面如圖8、9。

圖8 秸稈覆蓋面積檢測軟件參數(shù)界面

圖9 秸稈覆蓋面積檢測軟件主界面

5 結論

1）提出一種圖像自動分割的優(yōu)化算法多閾值差分灰狼優(yōu)化算法DE-AS-MOGWO，運用該算法可以實現(xiàn)對圖像的多閾值分割處理，并對秸稈覆蓋率進行精確的檢測。

2）DE-AS-MOGWO算法較PSO、GWO、DE-GWO、DE-MOGWO算法分別耗時縮短82%、84%、17%、32%，具有更高的匹配率和準確率、更小的誤分率，大大縮短了時間消耗。

3）將本文算法實際應用于秸稈覆蓋率的檢測，結果表明，使用DE-AS-MOGWO算法對秸稈覆蓋率檢測的誤差被控制在了8%以內(nèi)，為人工測量平均耗時的1/2 511，且算法對較大尺度圖像分割準確率較高，適合秸稈覆蓋率大面積檢測需求，極大地提高了檢測效率，滿足實際的檢測需求。

4）依據(jù)本文算法開發(fā)了秸稈覆蓋面積檢測軟件，大大地方便了人員對秸稈覆蓋率的實地檢測，亦為基于航拍圖像處理提供了高效的分割算法支持。

[1] Lucas-Borja M E, Plaza-álvarez P A, Romero J G, et al. Short-term effects of prescribed burning in Mediterranean pine plantations on surface runoff, soil erosion and water quality of runoff[J]. Science of The Total Environment in press, 2019, (674): 615-622.

[2] 田慎重，張玉鳳，邊文范，等. 深松和秸稈還田對旋耕農(nóng)田土壤有機碳活性組分的影響[J]. 農(nóng)業(yè)工程學報，2020，36(2)：185-192. Tian Shenzhong, Zhang Yufeng, BianWenfan, et al. Effects of subsoiling and straw return on soil labile organic carbon fractions in continuous rotary tillage cropland[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 185-192. (in Chinese with English abstract)

[3] 龔振平，杜婷婷，閆超，等. 玉米秸稈還田及施磷量對黑土磷吸附與解吸特性的影響[J]. 農(nóng)業(yè)工程學報，2019，35(22)：161-169. Gong Zhenping, Du Tingting, Yan Chao, et al. Effects of corn straw returning and phosphorus application rate on phosphorus adsorption and desorption characteristics of black soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(22): 161-169. (in Chinese with English abstract)

[4] Yang Q, Zheng J, Zhu H. Influence of spatiotemporal change of temperature and rainfall on major grain yields in southern Jiangsu Province, China[J]. Global Ecology and Conservation, 2020, 21.

[5] 劉媛媛，王躍勇，于海業(yè)，等. 基于多閾值圖像分割算法的秸稈覆蓋率檢測[J]. 農(nóng)業(yè)機械學報，2018，49(12)：34-42，62. Liu Yuanyuan, Wang Yueyong, Yu Haiye, et al. Detection of straw coverage rate based on multi-threshold image segmentation algorithm[J]. Transactions of The Chinese SocietyforAgricultural Machinery, 2018, 49(12): 34-42，62. (in Chinese with English abstract)

[6] Mirjalili S, Mirjalili S M, Lewis A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69(3): 46-61.

[7] Storn R, Price K. Differential evolution – A simple and efficient heuristic for global optimization over continuous spaces[J]. Journal of Global Optimization, 1997, 11(4): 341-359.

[8] 劉暢，何俊杰，肖可，等. 一種基于差分進化神經(jīng)網(wǎng)絡的模糊控制方法[J]. 福建電腦，2018，34(3)：3-6，167.

[9] 姜海燕，趙空暖，湯亮，等. 基于自適應差分進化算法的水稻物候期預測模型參數(shù)自動校正[J]. 農(nóng)業(yè)工程學報，2018，34(21)：176-184. Jiang Haiyan, Zhao Kongnuan, Tang Liang, et al. Automatic calibration of parameters for crop phenological predicting model based on adaptive differential evolution algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 176-184. (in Chinese with English abstract)

[10] 厲玉康，王玉琳，黃海鴻. 改進差分進化算法在大型工件平面度評定中的應用[J]. 光學精密工程，2019，27(12)：2659-2667. Li Yukang, Wang Yulin, Huang Haihong. Application of improved differential evolution algorithm in flatness evaluation of large work-pieces[J]. Optics and Precision Engineering, 2019, 27(12): 2659-2667. (in Chinese with English abstract)

[11] 巢淵，戴敏，陳愷，等. 基于廣義反向粒子群與引力搜索混合算法的多閾值圖像分割[J]. 光學精密工程，2015，23(3)：879-886. Chao Yuan, Dai Min, Chen Kai, et al. Image segmentation of multilevel threshold using hybrid PSOGSA with generalized opposition-based learning[J]. Optics and Precision Engineering, 2015, 23(3): 879-886. (in Chinese with English abstract)

[12] Mirjalili S, Saremi S, Mirjalili S M, et al. Multi-objective grey wolf optimizer: A novel algorithm for multi-criterion optimization[J]. Expert Systems with Applications, 2016, 47: 106-119.

[13] Engau A, Sigler D. Pareto solutions in multicriteria optimization under uncertainty[J]. European Journal of Operational Research, 2020, 281(2): 357-368.

[14] 宋懷波，牛滿堂，姬存慧，等. 基于視頻分析的多目標奶牛反芻行為監(jiān)測[J]. 農(nóng)業(yè)工程學報，2018，34(18)：211-218. Song Huaibo, Niu Mantang, Ji Cunhui, et al. Monitoring of multi-target cow ruminant behavior based on video analysis technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(18): 211-218. (in Chinese with English abstract)

[15] 崔明朗，杜海文，魏政磊，等. 多目標灰狼優(yōu)化算法的改進策略研究[J]. 計算機工程與應用，2018，54(5)：156-164. Cui Minglang, Du Haiwen, Wei Zhenglei, et al. Research on improved strategy for multi-objective gray wolf optimization[J]. Computer Engineering and Application, 2018, 54(5): 156-164. (in Chinese with English abstract)

[16] 楊晨，黃雪冰，劉文俊，等. 山麻鴨卵泡發(fā)育的形態(tài)學及激素分泌調控基因的表達研究[J]. 仲愷農(nóng)業(yè)工程學院學報，2019，32(2)：17-22. Yang Chen, Huang Xuebing, Liu Wenjun, et al. Morphology of the follicular development and the expression of hormone secretion regulating genes in Shan Partridge duck[J]. Journal of Zhongkai University of Agricultural Engineering, 2019, 32(2): 17-22. (in Chinese with English abstract)

[17] Akay B, Karaboga D. Artificial bee colony algorithm for large-scale problems and engineering design optimization[J]. Journal of Intelligent Manufacturing, 2012, 23(4): 1001-1014.

[18] 董娜，劉欣宇，吳愛國. 基于人工蜂群的新型圓形交通標志識別算法[J]. 天津大學學報(自然科學與工程技術版)，2019，52(6)：585-593. Dong Na, Liu Xinyu, Wu Aiguo. Detection method for circular traffic signs based on artificial bee colony[J]. Journal of Tianjin University (Science and Technology), 2019, 52(6): 585-593. (in Chinese with English abstract)

[19] Lo ChiChun, Tsai ShangHo, Lin BorShyh. Economic dispatch of chiller plant by improved ripple bee swarm optimization algorithm for saving energy[J]. Applied Thermal Engineering, 2016, 100(5): 1140-1148.

[20] 孫俊，叢孫麗，毛罕平，等. 基于高光譜的油麥菜葉片水分CARS-ABC-SVR預測模型[J]. 農(nóng)業(yè)工程學報，2017，33(5)：178-184. Sun Jun, Cong Sunli, Mao Hanping, et al. CARS-ABC-SVR model for predicting leaf moisture of leaf-used lettuce based on hyperspectral[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 178-184. (in Chinese with English abstract)

[21] 王春雷，盧彩云，陳婉芝，等. 基于遺傳算法和閾值濾噪的玉米根茬行圖像分割[J]. 農(nóng)業(yè)工程學報，2019，35(16)：198-205. Wang Chunlei, Lu Caiyun, Chen Wanzhi, et al. Image segmentation of maize stubble row based on genetic algorithm and threshold filtering noise[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(16): 198-205. (in Chinese with English abstract)

[22] 王躍勇，于海業(yè)，劉媛媛. 基于形態(tài)學圖像檢測的機械手移栽穴苗識別技術[J]. 光學精密工程，2016，24(3)：651-658. Wang Yueyong, Yu Haiye, Liu Yuanyuan. Recognition of seedlings in mechanical transplanting processing by morphological image detection [J]. Optics and Precision Engineering, 2016, 24(3): 651-658. (in Chinese with English abstract)

[23] 孫穎，張志佳. 基于頻域濾波的自適應條帶噪聲去除算法[J]. 儀表技術與傳感器，2006，43(2)：57-59. Sun Ying, Zhang Zhijia. Adaptively de-striping algorithm based on frequency filtering[J]. Instrument Technique and Sensor, 2006, 43(2): 57-59. (in Chinese with English abstract)

[24] 張新明，張貝，涂強. 廣義概率Tsallis熵的快速多閾值圖像分割[J]. 數(shù)據(jù)采集與處理，2016，31(3)：502-511. Zhang Xinming, Zhang Bei, Tu Qiang. Fast multilevel thresholding for image segmentation based on Generalized Probability Tsallis entropy[J]. Journal of Data Acquisition and Processing, 2016, 31(3): 502-511. (in Chinese with English abstract)

[25] Sholehkerdar A, Tavakoli J, Liu Z. Theoretical analysis of Tsallis entropy-based quality measure for weighted averaging image fusion[J]. Information Fusion, 2020, 58: 69-81.

[26] 余敏建，游航航，韓其松，等. 基于改進煙花算法的空戰(zhàn)指揮引導對策生成[J]. 系統(tǒng)工程與電子技術，2019，41(12)：2780-2788. Yu Minjian, You Hanghang, Han Qisong, et al. Generation of air combat command and guidance countermeasures based on improved fireworks algorithm[J]. Systems Engineering and Electronic, 2019, 41(12): 2780-2788. (in Chinese with English abstract)

[27] Camargo A, Smith J S. An image-processing based algorithm to automatically identify plant disease visual symptoms[J]. Biosystems Engineering, 2009, 102(1): 9-21.

[28] 張解語，仇原鷹，寧博，等. 筒形件姿態(tài)的非接觸無靶標自動綜合測量及求解[J]. 光學精密工程，2018，26(12)：2963-2970. Zhang Jieyu, Qiu Yuanying, Ning Bo, et al. Automatic comprehensive noncontact measurement and solution method for cylindrical workpieces without targets[J]. Optics and Precision Engineering, 2018, 26(12): 2963-2970. (in Chinese with English abstract)

[29] Dey A, Dey S, Bhattacharyya S, et al. Novel quantum inspired approaches for automatic clustering of gray level images usingparticle swarm optimization, spider monkey optimization and ageist spider monkey optimization algorithms[J]. Applied Soft Computing, 2020, 88: 1-29.

[30] Kamoona A M, Patra J C. A novel enhanced cuckoo search algorithm for contrast enhancement of gray scale images[J]. Applied Soft Computing Journal, 2019, 85: 1-20.

[31] 呂振義，何誠，舒立福，等. 無人機視角下的林木爆燃火特性研究[J]. 光譜學與光譜分析，2019，39(12)：3946-3952. Lv Zhenyi, He Cheng, Shu Lifu, et al. Deflagration characteristics of forest trees from the perspective of UAV[J]. Spectroscopy and Spectral Analysis, 2019, 39(12): 3946-3952. (in Chinese with English abstract)

Detection of straw coverage based on multi-threshold and multi-target UAV image segmentation optimization algorithm

Liu Yuanyuan1, Sun Jiahui1, Zhang Shujie1, Yu Haiye2, Wang Yueyong3※

(1.,130118,; 2.,,,130025,; 3.,,130118,)

Straw mulching has been an efficient solution to reduce soil loss in environmental protection and sustainable development in modern agriculture. Therefore, a rapid detection of straw coverage can contribute to the efficiency and accuracy in the process of straw mulching. In this study, a novel algorithm was proposed to optimize large-scale image segmentation for the aerial image of straw coverage during straw mulching. An artificial bee colony survey multi-objective grey wolf optimization algorithm (AS-MOGWO) was used to upgrade via introducing the design concept of multi-objective integration. Specifically, an external archive of multi-objective grey wolf optimization algorithm (MOGWO) was added into the differential evolution (DE) GWO, and the search strategy of observed bees in artificial colony algorithm. The DE algorithm can be used to solve the problem that the traditional gray wolf optimization algorithm (GWO) is easy to fall into the local optimal and the slow processing speed. Extending to multi-objective can also improve the accuracy of multi-threshold image segmentation. The Observation phase of artificial bee colony algorithm (ABC) can be used to compare the solution of problem, and further to enhance the stability and optimization ability of algorithm. The DE-GWO algorithm was extended from single target to multi-target DE-MOGWO, thereby to achieve multi-objective optimization. The accuracy of multi-threshold image segmentation was greatly improved, while, the algorithm was enhanced to extract and classify different ground objects in the collected images. The observation phase of ABC algorithm was added in the detection of straw coverage, further to improve the quality and processing speed of automatic image segmentation. The stability and optimization ability of algorithm can be enhanced after the integration of various methods. The upgraded algorithm inherited the automatic segmentation of DE-GWO, while gained the efficient convergence of AS-MOGWO, indicating an improved stability and processing speed for image segmentation. An optimal threshold was set using the gray-scale histogram of straw image, then to segment the images, and finally to calculate the number of pixels in each part and the coverage of straw. The experimental results showed that the matching error was less than 8% between the DE-AS-MOGWO optimization algorithm and the manual measurement method. Compared with the PSO, GWO, DE-GWO, and DE-MOGWO algorithms, the average matching rate of DE-AS-MOGWO improved 4.967, 3.617, 2.188 and 3.404 percentage point, respectively, whereas, the average error rate reduced 0.168, 0.131, 0.089 and 0.116 percentage point, respectively. Furthermore, the algorithm time reduced 82%, 84%, 17% and 32%, respectively. A software system was also developed for the area detection of straw coverage based on the proposed algorithm, where the straw covering area and straw coverage rate can be calculated from the acquisition area of aerial images. The GWO, DE-GWO, DE-MOGWO and DE-AS-MOGWO algorithms can also be selected for the comparison of different results. The DE-AS-MOGWO algorithm can produce a better segmentation, while processing with large-scale UAV images in a short time, indicating an excellent applicability under various conditions in the images of straw coverage. The finding can provide a promising potential way to improve the segmentation accuracy for the detection of straw coverage in modern agriculture.

straw; algorithm;grey wolf optimizer; multi-threshold; multi-objective; observe the strategy; straw coverage

劉媛媛，孫嘉慧，張書杰，等. 用多閾值多目標無人機圖像分割優(yōu)化算法檢測秸稈覆蓋率[J]. 農(nóng)業(yè)工程學報，2020，36(20)：134-143.doi：10.11975/j.issn.1002-6819.2020.20.016 http://www.tcsae.org

Liu Yuanyuan, Sun Jiahui, Zhang Shujie, et al. Detection of straw coverage based on multi-threshold and multi-target UAV image segmentation optimization algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2020, 36(20): 134-143.(in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.20.016 http://www.tcsae.org

2020-06-17

2020-10-02

國家自然科學基金（42001256）；吉林省科技廳重點科技項目(20180201014NY)；吉林省發(fā)改委創(chuàng)新資金項目（2019C054）

劉媛媛，博士，講師，主要從事農(nóng)業(yè)信息化圖像和視頻信號處理方面研究。Email：liuyuanyuan@jlau.edu.cn

王躍勇，博士，副教授，主要從事智能系統(tǒng)、生物環(huán)境與能源工程研究。Email：yueyongw@jlau.edu.cn

10.11975/j.issn.1002-6819.2020.20.016

S24；TP751

A

1002-6819(2020)-20-0134-10