葛翔，陸軍，曹冬林，金天澍

(1.上海電機(jī)學(xué)院機(jī)械學(xué)院,上海市,201306;2.櫻田農(nóng)機(jī)科技(泰州)有限公司,江蘇泰州,225506;3.浙江省慈溪市觀海衛(wèi)鎮(zhèn)農(nóng)業(yè)農(nóng)村辦公室,浙江寧波,315315)

0 引言

植保作業(yè)時(shí)噴灑的藥液霧滴顆粒群會(huì)在作物葉片表面發(fā)生疊加、凝并、碰撞、破碎等動(dòng)力學(xué)事件,其中部分霧滴顆粒會(huì)形成粘連霧滴,直接影響沉積分布和施藥效果。葉片粘連霧滴的數(shù)目和分布,是計(jì)算霧滴覆蓋率、沉積密度、分布均勻性等噴霧作業(yè)質(zhì)量參數(shù)的重要依據(jù)[1-2]。有效辨識(shí)葉片粘連霧滴可提高霧滴沉積分布檢測(cè)的準(zhǔn)確性,開(kāi)展葉片粘連霧滴圖像分割與算法研究,對(duì)提升植保機(jī)械精準(zhǔn)施藥技術(shù)水平具有重要意義。

目前對(duì)于田間霧滴沉積參數(shù)的測(cè)定主要分為直接法和間接法。直接法一般運(yùn)用化學(xué)試劑代替農(nóng)藥進(jìn)行噴灑后,測(cè)量洗脫溶液中物質(zhì)的濃度來(lái)計(jì)算沉積量。還包括對(duì)葉面的示蹤劑運(yùn)用圖像處理算法直接進(jìn)行檢測(cè)等方法。Kumar等[3]應(yīng)用改進(jìn)的表面增強(qiáng)拉曼散射法,檢測(cè)并追蹤出水果表面上的福美雙農(nóng)藥沉積覆蓋情況。祖琴等通過(guò)分析洗脫溶液的熒光光譜特性等進(jìn)行沉積量的分析。間接法一般利用油盤(pán)、水敏試紙和傳感器等來(lái)代替葉片進(jìn)行沉積參數(shù)檢測(cè)。袁會(huì)珠等[4]論述了霧滴粒徑大小、覆蓋密度與殺蟲(chóng)劑、殺菌劑和除草劑藥效之間的關(guān)系,進(jìn)而分析了農(nóng)藥?kù)F滴致死中密度以及霧滴殺傷面積/殺傷半徑。李民贊等[5]設(shè)計(jì)了一種基于水性丙烯酸樹(shù)脂和數(shù)字圖像處理技術(shù)的無(wú)人機(jī)噴霧質(zhì)量檢測(cè)系統(tǒng)。利用水性丙烯酸樹(shù)脂遇水變色反應(yīng),將其制成霧滴采樣模塊,并對(duì)霧滴采集裝置上的霧滴圖像進(jìn)行獲取,隨后利用數(shù)字圖像處理技術(shù)計(jì)算得出霧滴參數(shù)。Kesterson等[6]基于介電理論設(shè)計(jì)了一套檢測(cè)噴霧霧滴沉積的電子傳感器和數(shù)據(jù)采集系統(tǒng),通過(guò)分析不同的霧滴和系統(tǒng)輸出電壓的關(guān)系確定了在不同溫度下霧滴的大小對(duì)系統(tǒng)電壓輸出的影響,實(shí)現(xiàn)了對(duì)噴霧霧滴的沉積量和尺寸的檢測(cè)。吳亞壘等[7]提出了改進(jìn)的粘連霧滴判斷方法,利用迭代開(kāi)運(yùn)算標(biāo)記的分水嶺分割算法,并對(duì)分割后的霧滴進(jìn)行圓整,更加快速且準(zhǔn)確地對(duì)水敏試紙上的粘連霧滴進(jìn)行了識(shí)別與分割。曹軍琳等[8]采用超紅算子與OTSU算法(最大類間方差法)相結(jié)合,將葉片裁剪固定的大小后,模擬田間噴霧對(duì)葉片直接進(jìn)行噴灑,研究葉片表面形態(tài)特征等因素對(duì)霧滴沉積分布的影響。李睿等[9]采用閾值邊緣提取和HSV(Hue(色調(diào)),Saturation(色飽和度),Value(明度))顏色模型相結(jié)合的算法,對(duì)完整作物葉片模擬噴霧后進(jìn)行研究,較好地反映出整個(gè)葉面積的霧滴覆蓋率情況。

霧滴沉積的圖像檢測(cè)主要分為霧滴區(qū)域識(shí)別和粘連霧滴判斷及分割。其中最難的部分是粘連霧滴的分割。目前針對(duì)粘連霧滴的分割有多種方法,其中形態(tài)學(xué)分割算法[10]適用于簡(jiǎn)單粘連圖像的分割,對(duì)于粘連較復(fù)雜的霧滴分割效果較差。凹點(diǎn)匹配分割算法[11-12]雖然效果較好,但凹點(diǎn)的尋找和凹點(diǎn)的匹配都是較復(fù)雜的過(guò)程。分水嶺分割算法[13-14]能適用于不同粘連程度的物體分割,也比凹點(diǎn)匹配法實(shí)現(xiàn)簡(jiǎn)單,但傳統(tǒng)分水嶺分割算法存在嚴(yán)重的過(guò)分割和欠分割問(wèn)題[15]。目前針對(duì)此問(wèn)題常用的改善方法主要有在分割之前對(duì)分割區(qū)域進(jìn)行前景和背景的最大、最小值標(biāo)記和在分割之后按一定的合并規(guī)則對(duì)相似區(qū)域進(jìn)行合并[16]。

雖然水敏試紙可反映出植保器械作業(yè)后的田間噴霧狀況,但無(wú)法準(zhǔn)確反映霧滴在作物表面的沉積分布。由于缺乏葉片粘連霧滴有效辨識(shí)方法,目前葉面霧滴沉積圖像檢測(cè)的準(zhǔn)確率不高,現(xiàn)有文獻(xiàn)關(guān)于葉面粘連霧滴圖像識(shí)別及動(dòng)態(tài)檢測(cè)的研究報(bào)道較少。為提高葉面霧滴沉積分布檢測(cè)的準(zhǔn)確性,本文采集9組植保作業(yè)噴霧圖像,進(jìn)行葉片區(qū)域和霧滴區(qū)域特征提取和預(yù)處理,提出基于霧滴輪廓固性的霧滴類型判別方法,并以粘連霧滴迭代開(kāi)運(yùn)算的結(jié)果作為標(biāo)記,通過(guò)改進(jìn)傳統(tǒng)距離變換分水嶺圖像分割算法,對(duì)葉面霧滴沉積分布特性進(jìn)行檢測(cè)。

1 材料與方法

1.1 材料與設(shè)備

食品添加著色劑(胭脂紅),新鮮雞毛菜葉片(為保持葉片新鮮,均在采摘后2 h內(nèi)進(jìn)行試驗(yàn))。

背負(fù)式電動(dòng)噴霧機(jī)(ZS型,工作壓力0.2～0.6 MPa,額定電壓12 V);該款噴霧機(jī)自帶霧化噴頭(霧化角90°);智能手機(jī)(攝像頭為1 200萬(wàn)像素);手機(jī)固定支架;標(biāo)定板;背景板。

1.2 試驗(yàn)方案

用胭脂紅染色劑和水配置成質(zhì)量分?jǐn)?shù)為2%的胭脂紅溶液代替農(nóng)藥,經(jīng)過(guò)前期對(duì)多種蔬菜葉片的預(yù)實(shí)驗(yàn),發(fā)現(xiàn)雞毛菜葉片對(duì)于質(zhì)量分?jǐn)?shù)為2%的胭脂紅溶液的對(duì)比效果較好,故采用雞毛菜葉片進(jìn)行試驗(yàn)。圖像采集時(shí),智能手機(jī)固定在垂直高度不變,可水平旋轉(zhuǎn)的支架上,與葉片保持平行,并利用標(biāo)定板矯正鏡頭畸變和計(jì)算霧滴實(shí)際大小。在晴朗天氣戶外背陰處,通過(guò)噴霧機(jī)模擬作業(yè),從雞毛菜葉片上方60 cm處向下噴灑,如圖1所示,調(diào)整噴頭霧錐中心與葉片的距離,使霧滴與葉片的碰撞角度約為90°、50°和10°。采集圖像以JPG格式保存,再利用Matlab R2019a軟件進(jìn)行圖像處理,通過(guò)提出的粘連霧滴識(shí)別算法和改進(jìn)的分水嶺算法獲得葉片霧滴沉積參數(shù),并與人工統(tǒng)計(jì)結(jié)果相比較。

圖1 試驗(yàn)方案示意圖Fig.1 Schematic diagram of test scheme1.背景板 2.智能手機(jī) 3.噴霧機(jī) 4.支架 5.標(biāo)定板 6.葉片

1.3 霧滴沉積特性參數(shù)表示方法

1.3.1 霧滴覆蓋率計(jì)算

霧滴覆蓋率(spray coverage)表示常規(guī)量霧在作物葉面上覆蓋藥液的面積占葉面總面積的百分比,如式(1)所示。

(1)

式中：C——霧滴覆蓋率,%;

Ad——霧滴區(qū)域面積,像素;

Al——葉片區(qū)域面積,像素。

1.3.2 霧滴沉積密度計(jì)算

霧滴沉積密度(droplet deposition density)表示低量噴霧和超低量噴霧沉積在作物單位面積上的霧滴數(shù),如式(2)所示。

(2)

式中：I——霧滴沉積密度,個(gè)/cm2;

N——霧滴總數(shù),個(gè);

M——葉片實(shí)際面積大小,cm2。

1.4 圖像處理算法

葉片圖像經(jīng)以灰度閉運(yùn)算為基礎(chǔ)的霧滴區(qū)域提取算法、基于固性的霧滴類別判斷算法和改進(jìn)的分水嶺分割算法即可得到霧滴沉積參數(shù)。整體流程如圖2所示。

圖2 整體流程圖Fig.2 Overall flow chart

1.4.1 圖像預(yù)處理

對(duì)采集的圖像進(jìn)行處理前通常要進(jìn)行平滑除噪等圖像增強(qiáng)操作,不僅能去除不必要的噪聲,還能對(duì)所需要處理的圖像中的特征進(jìn)行加強(qiáng),以便于對(duì)圖像更好地處理[17]。本文首先采用模板為3×3的高斯濾波器和彩色圖像直方圖增強(qiáng)進(jìn)行預(yù)處理,在去除噪聲的同時(shí),增加圖像對(duì)比度,提高圖像提取的效率。

1.4.2 葉片區(qū)域提取

對(duì)采集的霧滴圖像進(jìn)行不同顏色空間的分析后發(fā)現(xiàn)HSV顏色空間中的V分量葉片區(qū)域與背景對(duì)比最明顯,且直方圖分布符合OTSU算法要求,故選擇其經(jīng)OTSU法二值化后的圖像作為葉片區(qū)域。

1.4.3 霧滴區(qū)域提取

進(jìn)行圖像灰度化時(shí),在RGB(Red(紅色分量),Green(綠色分量),Blue(藍(lán)色分量))顏色空間中,用R分量減去G分量能在不顯示葉片輪廓及葉片脈絡(luò)的情況下,單獨(dú)顯示出完整霧滴圖像,因此本文選用R分量減去G分量得到的圖像作為霧滴灰度圖f進(jìn)行下一步處理。

圖像處理中的形態(tài)學(xué)不僅可以對(duì)二值圖像進(jìn)行處理,還可以擴(kuò)展到灰度圖像中。但與二值圖像的形態(tài)學(xué)處理又存在區(qū)別[18]?；叶雀g可以增強(qiáng)灰度圖中的陰暗細(xì)節(jié),灰度膨脹可以增強(qiáng)灰度圖中的明亮細(xì)節(jié)[19]。

灰度圖二值化步驟如下：(1)選擇半徑為5,高度為5的球形結(jié)構(gòu)元素,對(duì)原灰度圖像f進(jìn)行灰度閉運(yùn)算后得到圖像f1;(2)將得到的圖像f1與圖像f進(jìn)行“異或”操作,得到操作(1)的變化結(jié)果圖像f2;(3)經(jīng)1.4.2節(jié)的方法處理得到葉片輪廓圖f3;(4)對(duì)f3依次進(jìn)行“取反”和“孔洞填充”操作得到圖像f4;(5)選擇半徑為5的圓盤(pán)型結(jié)構(gòu)元素,依次對(duì)圖像f4進(jìn)行開(kāi)運(yùn)算和閉運(yùn)算,得到圖像f5;(6)將圖像f2和圖像f5進(jìn)行“位與”操作,得到去除葉片外區(qū)域的圖像f6;(7)用f6經(jīng)“孔洞填充”處理后得到圖像f7;(8)用圖像f7與圖像f6進(jìn)行“異或”操作得到霧滴圖像f8;(9)選擇半徑為2的圓盤(pán)型結(jié)構(gòu)元素,進(jìn)行“開(kāi)操作”,去除微小噪點(diǎn),得到最終霧滴圖像f9。流程圖如圖3所示。

圖3 霧滴區(qū)域提取流程圖Fig.3 Flow chart for spray droplet area extraction

通過(guò)對(duì)二值圖的分析,發(fā)現(xiàn)只提取了輪廓全部在葉片內(nèi)部的霧滴圖像,對(duì)于在葉片邊緣的霧滴,因?yàn)槿~片邊緣分開(kāi)求取,導(dǎo)致這些霧滴輪廓處于葉片邊緣的部分沒(méi)有被提取到,從而使在孔洞填充時(shí)無(wú)法填充,霧滴圖像提取不全,如圖4所示,因此本文采取對(duì)葉片內(nèi)部霧滴區(qū)域和葉片邊緣霧滴區(qū)域分開(kāi)提取的方法。

(a) 葉片邊緣部分圖

1) 內(nèi)部霧滴區(qū)域提?。喊瓷衔姆椒ㄌ崛〕鋈~片內(nèi)部霧滴圖像。

2) 葉片邊緣霧滴區(qū)域提?。航Y(jié)合上文內(nèi)部霧滴區(qū)域提取,葉片邊緣霧滴區(qū)域提取步驟如下：(1)首先對(duì)圖像f5進(jìn)行輪廓提取,得到圖像f10;(2)將圖像f10和圖像f6進(jìn)行“或”運(yùn)算得到圖像f11;(3)對(duì)圖像f11依次進(jìn)行“取反”操作和“孔洞填充”操作,接著與圖像f5進(jìn)行“與”運(yùn)算,再去除最大連通域,得到單獨(dú)的葉片邊緣霧滴圖像f12;(4)將圖像f12與圖像f9進(jìn)行“或”運(yùn)算,得到完整的總霧滴圖像f13。流程圖如圖5所示。

圖5 葉面邊緣霧滴區(qū)域提取流程圖Fig.5 Flow chart for spray droplet area extraction on the edge of the leaf

1.4.4 粘連霧滴判斷及分割

目前水敏試紙圖像處理中?；趫A形度和形狀因子來(lái)判斷霧滴圖像是否粘連,但水敏試紙表面光滑,而葉片表面存在復(fù)雜的脈絡(luò),導(dǎo)致霧滴形狀也非常復(fù)雜,因此這兩種方法對(duì)于葉片霧滴類別判斷并不完全適用。而固性表示物體的形狀面積與包含物體形狀的最小凸多邊形面積的比值,描述物體形狀復(fù)雜程度更為精確。

1) 粘連霧滴判斷。本文采取霧滴輪廓固性是否大于0.9作為單獨(dú)霧滴或粘連霧滴分類依據(jù),小于0.9的為粘連霧滴,大于等于0.9的為單獨(dú)霧滴。并與水敏試紙判斷霧滴類別常用的圓形度和形狀因子參數(shù)進(jìn)行對(duì)比,其計(jì)算方法分別如式(3)～式(5)所示。

(3)

式中：F——霧滴的固性;

S——霧滴面積,像素;

S0——包含霧滴最小凸邊形面積,像素。

(4)

式中：Y——霧滴圓形度;

Dmax——霧滴輪廓上的點(diǎn)到霧滴質(zhì)心的最大距離,像素。

(5)

式中：D——霧滴形狀因子;

P——霧滴周長(zhǎng),像素。

2) 改進(jìn)標(biāo)記距離變換分水嶺分割。本文利用霧滴輪廓固性<0.9的分類依據(jù)提取出粘連霧滴圖像,對(duì)其進(jìn)行循環(huán)迭代開(kāi)運(yùn)算。設(shè)初始圓形結(jié)構(gòu)元素半徑r0=1進(jìn)行開(kāi)運(yùn)算,提取出開(kāi)運(yùn)算后得到的單獨(dú)霧滴圖像,合并到原單獨(dú)霧滴圖像中,再對(duì)剩下的粘連霧滴圖像以半徑為r1=r0+1(此時(shí)r1=2)再次進(jìn)行開(kāi)運(yùn)算,同樣提取單獨(dú)霧滴圖像,重復(fù)以上步驟,直至無(wú)新增的單獨(dú)霧滴圖像,最后進(jìn)行匯總合并,即可得到粘連霧滴經(jīng)循環(huán)迭代開(kāi)運(yùn)算后得到的圖像,流程如圖6所示。

圖6 粘連霧滴循環(huán)開(kāi)運(yùn)算流程圖Fig.6 Flow chart of cyclic opening of adhesive spray droplets

距離變換是分水嶺分割中的一個(gè)常用工具,它以二值圖中每個(gè)像素到最近非零值像素的距離為灰度圖的灰度值,將二值圖變?yōu)榛叶葓D[20]。距離變換的種類很多,有歐式距離、城區(qū)距離和棋盤(pán)距離等。本文采用最常用的歐氏距離并根據(jù)距離變換圖灰度值的最大值和最小值對(duì)其進(jìn)行歸一化處理,這可以避免某些與其他數(shù)據(jù)差異過(guò)大的值帶來(lái)的誤差[21]。

本文采用粘連霧滴經(jīng)迭代開(kāi)運(yùn)算獲得的圖像對(duì)距離變換圖進(jìn)行標(biāo)記,然后對(duì)標(biāo)記過(guò)的距離變換圖進(jìn)行分水嶺分割,再將脊線疊加至原圖中,完成對(duì)粘連霧滴的分割。統(tǒng)計(jì)所有霧滴個(gè)數(shù),再除以葉片實(shí)際面積,即可得到霧滴沉積密度。

2 試驗(yàn)結(jié)果分析

在獲得的葉片樣本圖像中,根據(jù)人工統(tǒng)計(jì)得到的霧滴密度大小,分為稀疏、適中、密集3組,每組各挑選3個(gè)葉片樣本進(jìn)行統(tǒng)計(jì)分析,如圖7所示。其中,稀疏組霧滴密度K<30,碰撞角度α=90°;適中組霧滴密度3045,碰撞角度α=10°。

圖7 選取的葉片樣本Fig.7 Selected leaf samples

2.1 霧滴覆蓋率檢測(cè)

2.1.1 霧滴區(qū)域提取算法對(duì)比

1) 霧滴圖像灰度化算法對(duì)比。在RGB顏色空間中,分別運(yùn)用對(duì)綠色植物圖像提取效果較好的超綠特征算法2G-R-B和對(duì)紅色霧滴圖像提取效果較好的超紅特征算法2R-G-B進(jìn)行灰度化。對(duì)比1.4.3節(jié)中提及的灰度化算法,運(yùn)用超綠特征算法2G-R-B不能很好地將霧滴圖像和葉片脈絡(luò)圖像分開(kāi),而超紅特征算法2R-G-B雖然效果好于超綠算法,但仍顯示出部分葉片區(qū)域,提取效果不如本文算法,如圖8所示。

(a) 原圖

2) 霧滴圖像二值化算法對(duì)比。將1.4.3節(jié)中霧滴圖像二值化算法與原灰度圖直接經(jīng)OTSU算法和分塊閾值算法轉(zhuǎn)化后的二值圖進(jìn)行對(duì)比,如圖9所示。

(a) 灰度圖

從圖9可以明顯地觀察到本文算法更加準(zhǔn)確地提取了霧滴圖像。對(duì)所選取的9個(gè)樣本從稀疏1到密集3分別編為1～9號(hào),進(jìn)行霧滴類型判別時(shí)間比較,每種方法選取3次判別時(shí)間,取平均值,如圖10所示。雖然本文算法所用時(shí)間長(zhǎng)于其他兩種算法,但霧滴識(shí)別效果優(yōu)于其他兩種算法且能滿足實(shí)際應(yīng)用需求。

圖10 不同算法識(shí)別時(shí)間對(duì)比Fig.10 Comparison of recognition time of different algorithms

3) 霧滴圖像提取正確率對(duì)比。對(duì)各個(gè)葉片樣本霧滴提取圖像中未提取或提取不全的霧滴個(gè)數(shù)通過(guò)Photoshop進(jìn)行人工統(tǒng)計(jì)對(duì)比驗(yàn)證,以未提取或提取不全的霧滴數(shù)除以人工統(tǒng)計(jì)得到的總霧滴數(shù)計(jì)算出霧滴提取正確率,如表1所示。

表1 霧滴提取正確率Tab.1 Correct rate of droplet extraction

由表1可以看出,本文算法霧滴提取平均正確率為97.23%,正確率最低的樣本是適中3,為91.19%,最高的是密集1,為99.73%。對(duì)比樣本適中3和樣本密集1的圖片,分析差異原因,可以明顯看出樣本密集1的圖像亮度高于樣本適中3,且樣本密集1的圖像亮度幾乎高于其他所有樣本圖像的亮度,因此,可以得出在進(jìn)行圖像采集時(shí),保證樣本圖像有充足的亮度可以提升霧滴識(shí)別的正確率。

2.1.2 霧滴覆蓋率對(duì)比

以本文所述算法為基準(zhǔn),分別采用OTSU法和分塊閾值法對(duì)選取的9個(gè)葉片樣本進(jìn)行覆蓋率求取比較,結(jié)果如表2所示。

表2 霧滴覆蓋率檢測(cè)結(jié)果Tab.2 Test results of droplet coverage %

由表2可以看出,本文算法檢測(cè)出的霧滴覆蓋率高于OTSU法和分塊閾值法檢測(cè)出的霧滴覆蓋率,以本文算法結(jié)果為基準(zhǔn),這兩種算法與本文算法的霧滴覆蓋率相對(duì)誤差a和b的平均值分別為31.93%和33.43%。尤其對(duì)于適中1,三種算法得到的覆蓋率相差最大,本文算法對(duì)其他兩種算法分別提高了10.45%和9.59%,如圖11所示,主要的影響因素有兩點(diǎn),一是因?yàn)閳D像亮度不均。二是由于發(fā)生在葉片表面的鋪展和蒸發(fā)行為。霧滴落到葉片后會(huì)向葉面脈絡(luò)凹處聚集,并在流經(jīng)處留下痕跡,顏色淡得多,這一點(diǎn)也是水敏試紙等替代材料無(wú)法表現(xiàn)出的。但本文所采用的霧滴區(qū)域提取算法可以在提取正常霧滴區(qū)域的同時(shí),兼顧到這一類顏色較淺區(qū)域的提取問(wèn)題,降低了亮度不均的影響,提高了葉面霧滴區(qū)域的提取效果。

(a) 適中1

2.2 霧滴類型判別結(jié)果比較

2.2.1 霧滴類型判別準(zhǔn)確率比較

在葉片樣本上各取100個(gè)肉眼可見(jiàn)的粘連霧滴和單獨(dú)霧滴,對(duì)其進(jìn)行參數(shù)統(tǒng)計(jì)分析,如圖12所示。

(a) 單獨(dú)霧滴圓形度分布

對(duì)于單獨(dú)霧滴,基于圓形度判斷,準(zhǔn)確率為53%;基于形狀因子判斷,準(zhǔn)確率為86%;基于固性判斷,準(zhǔn)確率為96%。經(jīng)分析發(fā)現(xiàn),錯(cuò)分類型的霧滴均受葉片表面形貌影響,沿葉片脈絡(luò)發(fā)生了一定程度的鋪展行為,霧滴輪廓多為長(zhǎng)條形,以單獨(dú)霧滴第21號(hào)為例,如圖13(a)和圖13(b)所示,導(dǎo)致了其霧滴參數(shù)與常規(guī)霧滴存在差異。

(a) 第21號(hào)單獨(dú)霧滴

對(duì)于粘連霧滴,三個(gè)參數(shù)分布跨度均存在一定規(guī)則,圓形度都在0.6以下;形狀因子基本都在0.8以下,只有粘連霧滴第68號(hào)的形狀因子>0.8;固性基本都在0.9以下,同樣只有粘連霧滴第68號(hào)的固性>0.9,其圖像如圖13(c)和圖13(d)所示,可以看出其粘連程度較高,屬于強(qiáng)粘連霧滴,故對(duì)其按形狀參數(shù)分類難度較高。

綜合各參數(shù)對(duì)單獨(dú)霧滴和粘連霧滴分類結(jié)果,以錯(cuò)分霧滴數(shù)除以總霧滴數(shù)可以得出,基于圓形度的霧滴類型判別方法準(zhǔn)確率為76.5%,基于形狀因子的霧滴類型判別方法準(zhǔn)確率為92.5%,基于固性的霧滴類型判別方法準(zhǔn)確率為97.5%。因此,本文采取霧滴輪廓固性是否>0.9作為單獨(dú)霧滴或粘連霧滴分類依據(jù),效果好于基于圓形度和基于形狀因子的分類方法。

2.2.2 霧滴類型判別時(shí)間比較

根據(jù)上文所述基于霧滴輪廓的圓形度、形狀因子和固性3種葉片霧滴類型判別方法,對(duì)所選取的9個(gè)樣本從稀疏1到密集3分別編為1至9號(hào),進(jìn)行霧滴類型判別時(shí)間比較,每種方法選取3次判別時(shí)間,取平均值,如圖14所示?？梢钥闯?基于形狀因子和固性這兩種判別方法對(duì)于9個(gè)樣本的霧滴類型判別時(shí)間均相差不大,總體上基于固性的判別方法略優(yōu)于基于形狀因子的判別方法?；趫A形度的判別方法對(duì)于9個(gè)樣本中每一個(gè)樣本的霧滴類型判別時(shí)間均明顯大于另外兩種判別方法。對(duì)于3種判別方法所需時(shí)間隨著霧滴密度的增加,總體趨勢(shì)都是增加的。結(jié)合2.2.1節(jié)中對(duì)三種方法霧滴類型判別準(zhǔn)確率的比較,可以得出,基于固性的葉片霧滴類型判別方法不僅在準(zhǔn)確率,同時(shí)也在判別時(shí)間上優(yōu)于其他兩種方法,可以作為葉片霧滴類型判別方法的參考。

圖14 不同方法霧滴類型判別時(shí)間比較Fig.14 Comparison of different methods of droplet type discrimination time

2.3 霧滴沉積密度檢測(cè)

2.3.1 粘連霧滴分割時(shí)間

對(duì)所選取的9個(gè)樣本從稀疏1到密集3分別編為1至9號(hào),通過(guò)本文分割算法進(jìn)行分割時(shí)間統(tǒng)計(jì),進(jìn)行相同條件的3次分割,取3次分割平均時(shí)間,依次為0.825 s、0.552 s、0.356 s、0.899 s、0.461 s、0.617 s、1.073 s、0.876 s和0.873 s。分割時(shí)間有隨霧滴密度增加而增加的趨勢(shì),但總體耗時(shí)較少。

2.3.2 粘連霧滴分割對(duì)比

對(duì)本文分割算法展開(kāi)分析,發(fā)現(xiàn)仍有部分粘連霧滴未能成功分割或分割線不在霧滴粘連處的情況,通過(guò)Photoshop人工統(tǒng)計(jì)粘連霧滴分割效果,如表3所示。

表3 本文算法粘連霧滴分割效果統(tǒng)計(jì)Tab.3 Statistics of segmentation effect of adhesive droplets in this algorithm

粘連霧滴分割平均錯(cuò)分率為5.26%,其中分割效果較差的是樣本適中1和樣本密集2,錯(cuò)分率分別為8.97%和8.64%。經(jīng)觀察發(fā)現(xiàn),樣本適中1中,有較多霧滴沿著葉片脈絡(luò)發(fā)生了鋪展行為,輪廓多為長(zhǎng)條狀,當(dāng)周圍有霧滴與之粘連時(shí),粘連部分的大小甚至與霧滴的直徑相當(dāng),故難以將其分割開(kāi)來(lái)。樣本密集2中存在較多細(xì)小粘連霧滴,粘連程度很高,故同樣難以對(duì)其進(jìn)行分割。

2.3.3 霧滴沉積密度對(duì)比

將改進(jìn)分水嶺算法與傳統(tǒng)距離變換分水嶺算法分割后的圖像進(jìn)行比較,如圖15所示,可以看出改進(jìn)分水嶺算法有效地改善了過(guò)分割的情況。

(a) 粘連霧滴圖

計(jì)算9個(gè)葉片樣本的霧滴沉積密度,并分別與通過(guò)Photoshop人工統(tǒng)計(jì)粘連霧滴分割的結(jié)果對(duì)比分析,如表4所示。由表4可以看出,與人工統(tǒng)計(jì)相比,傳統(tǒng)距離變換分水嶺分割算法的相對(duì)誤差c較大,不能滿足實(shí)際需求,而本文改進(jìn)標(biāo)記距離變換分水嶺分割算法的相對(duì)誤差d的平均值為6.61%,最小值為4.18%,最大值為8.27%,效果明顯好于傳統(tǒng)距離變換分水嶺分割算法。

表4 霧滴覆蓋密度檢測(cè)結(jié)果Tab.4 Test results of droplet coverage density

3 結(jié)論

1) 葉片上染色劑顏色較淺區(qū)域的圖像特征,通過(guò)比較灰度閉運(yùn)算前后的差異來(lái)進(jìn)行區(qū)域提取,霧滴提取最低正確率為91.19%,平均正確率為97.23%,滿足實(shí)際需求,且霧滴覆蓋率結(jié)果比OTSU法和分塊閾值法分別相對(duì)提高31.93%和33.43%,提取效率顯著提升。

2) 在進(jìn)行葉面霧滴沉積參數(shù)統(tǒng)計(jì)時(shí),提出了以霧滴輪廓固性是否大于0.9作為霧滴的分類依據(jù)和判別方法,小于0.9的為粘連霧滴,小于等于0.9的為單獨(dú)霧滴。結(jié)果表明該判別方法準(zhǔn)確率高達(dá)97.5%,固性大小可作為葉面粘連霧滴判斷依據(jù)。

3) 針對(duì)傳統(tǒng)距離變換分水嶺分割算法存在嚴(yán)重欠分割和過(guò)分割的問(wèn)題,采用了基于迭代循環(huán)開(kāi)運(yùn)算標(biāo)記的改進(jìn)距離變換分水嶺分割算法,霧滴覆蓋密度與人工統(tǒng)計(jì)的平均相對(duì)誤差為6.61%,顯著地改善了傳統(tǒng)距離變換分水嶺分割算法的局限性分割問(wèn)題,且霧滴分割最低正確率為91.03%,平均正確率為94.74%,分割誤差較小。

綜上所述,本文針對(duì)葉片粘連霧滴辨識(shí)提出的霧滴沉積特性參數(shù)圖像檢測(cè)算法,可以滿足常規(guī)植保作業(yè)霧滴覆蓋率及沉積密度檢測(cè)的需求,但還需深入研究戶外強(qiáng)光反射、藥液蒸發(fā)等對(duì)霧滴圖像提取的影響,以提高檢測(cè)的準(zhǔn)確性和實(shí)效性。