壓縮包內含有CAD圖紙和說明書,均可直接下載獲得文件，所見所得，電腦查看更方便。Q 197216396 或 11970985
畢業(yè)設計(論文)外文資料翻譯
院 系
?！ I(yè)
學生姓名
班級學號
外文出處
農業(yè)機械學刊
附件：1.外文資料翻譯譯文（約3000漢字）；
2.外文資料原文(與課題相關的1萬印刷符號左右)。
指導教師評語：
指導教師簽名：
年 月 日
附件：1.外文資料翻譯譯文
機器視覺識別番茄幼苗的自動化控制雜草
L. Tian MEMBER ASAE D. C. Slaughter MEMBER ASAE R. F. Norris
摘要 :機器視覺系統(tǒng)在番茄幼苗和雜草來檢測和定位商業(yè)農業(yè)生態(tài)環(huán)境的開發(fā)和測試。圖片收購農產(chǎn)品自然光照下番茄領域進行廣泛的研究，以及環(huán)保自適應圖像分割算法的開發(fā)是為了提高植物的機器識別根據(jù)這些條件。該系統(tǒng)能夠識別大多數(shù)的非閉塞目標植物子葉，找到植物中心，甚至當植物被部分遮擋。所有正確識別個人目標作物的65％至78％和小于5％雜草被錯誤地認定為作物
關鍵詞 :機器視覺，圖案識別，番茄，雜草
引言
農業(yè)生產(chǎn)在過去一個世紀的革命經(jīng)歷了機械化。然而，由于工作環(huán)境，植物的特點，或費用，有仍然任務大體保持不變的革命。在1990年的手工勞動者的仍可能有百年沒有改變的執(zhí)行繁瑣領域的操作。鑒定個別作物在外地和他們的確切位置的定位是最重要的之一任務需要進一步自動化養(yǎng)殖。隨著技術的發(fā)展，只有找到個別工廠，“聰明”的田間作業(yè)機械發(fā)展到自動，準確地執(zhí)行治療如除草，間苗，化學應用。
機器視覺系統(tǒng)的早期研究集中戶外領域的應用主要是水果收獲機器人。帕里什和Goksel（1977）的首次研究使用機器水果收獲于1977年的遠景。在法國，是發(fā)達國家在視覺系統(tǒng)CEMAGREF中心摘蘋果（大的Esnon等，1987）。屠宰和Harrel（1989）開發(fā)機器視覺系統(tǒng)，成功地采摘橘子樹林。水果一般有規(guī)則形狀，而且往往比較時，其獨特的顏色區(qū)別背景樹葉的顏色。室外植物鑒定，少的工作已經(jīng)完成。（1990）研究利用機器視覺定位玉米植株，發(fā)現(xiàn)的主要葉脈從頂視圖。不幸的是，這種技術是不適用的大多數(shù)雙子葉行作物。 A組在美國加州大學戴維斯分校的研究人員已經(jīng)開發(fā)出一種機器 。
機器視覺系統(tǒng)的早期研究集中戶外領域的應用主要是水果收獲機器人帕里什和Goksel（1977）的首次研究使用機器水果收獲于1977年的遠景在法國，是發(fā)達國家在視覺系統(tǒng)CEMAGREF中心摘蘋果（大的Esnon等，1987）屠宰和Harrel（1989）開發(fā)機器視覺系統(tǒng)，成功地采摘橘子樹林水果一般有規(guī)則形狀，而且往往比較時，其獨特的顏色區(qū)別背景樹葉的顏色室外植物鑒定，少的工作已經(jīng)完成（1990）研究利用機器視覺定位玉米植株，發(fā)現(xiàn)的主要葉脈從頂視圖不幸的是，這種技術是不適用的大多數(shù)雙子葉行作物。 A組在美國加州大學戴維斯分校的研究人員已經(jīng)開發(fā)機器視覺引導中耕行間種植（屠宰等，1996）這種顏色的機如作物領域的圖像視覺系統(tǒng)可以識別的作物，如番茄，生菜或棉花甚至當雜草鏟除，但它沒有找出個別植物 。
物體的形狀已被證明是描述生物的最重要途徑之一。控制室內環(huán)境下，一些研究人員研究的問題利用機器視覺識別個人的生物指標語義形狀描述在細胞學用于檢測異常細胞（塔克，1979年）。對于非閉塞植物幼苗物種鑒定，古耶等 （1986年），用于四個語義的形態(tài)特征和分類器表明，高達91％的樣本植物可以正確識別woebbecke等。 （1992年）在其研究中使用的一組語義的形態(tài)特征，對植物物種鑒定。使用五個實驗廠在花盆里種在溫室長大，他們指出，其特點表現(xiàn)為植物的生長階段的職能他們還發(fā)現(xiàn)，特點是敏感的植物物種，一些有用的功能，只有某些植物物種作為一個信息源，弗蘭茨等葉形 （1991）試圖創(chuàng)建一個植物的葉子一般描述實驗結果表明，完全可見葉（無遮擋）。，可確定通過調整每個葉與葉的曲率函數(shù)曲率模型對于部分遮擋的樹葉，被用來傅里葉梅林相關計算重采樣的曲率與每一個模型，然后對齊功能 。
植物葉片形狀的機器視覺識別仍然是在個人學習階段這是可控的室內環(huán)境下的盆栽。之間的差異不受控制的室外工作環(huán)境，農業(yè)和受控環(huán)境室內設施的要求，為農業(yè)部門設計的機器人系統(tǒng)必須更加比工業(yè)和這樣的機器人系統(tǒng)傳感器適應需要這些非結構化環(huán)境中運作的能力。
本研究的目的是探討使用機器視覺的可行性系統(tǒng)以區(qū)別于自然的室外環(huán)境中的個別作物的雜草商業(yè)農業(yè)領域在加工領域的番茄（番茄L.）。被選定為這項研究的目標作物種苗工廠階段被選為因為它是適合許多勞工密集的工序（如除草和間伐）。和因為植物葉片閉塞是在其至少在這個早期階段 。
許多不同的種雜草生長在番茄領域常見的雜草和物種其生長條件的變化在字段為了簡化問題的植物鑒定，番茄植株視覺系統(tǒng)區(qū)別于其他所有的植物物種在這項研究中，發(fā)現(xiàn)在該領域的所有非番茄植物被列為雜草叢生這種做法是符合自動除草，把所有的機器視覺系統(tǒng)的使用雜草中以同樣的方式。
材料與方法
實驗數(shù)據(jù)的收集在體內正常加州商業(yè)養(yǎng)殖條件。來自13個不同的商業(yè)番茄領域采取這項研究的圖像1994年春天本研究選擇的領域的商業(yè)番茄含有番茄植株在發(fā)育年齡不等，從子葉到第一真葉期番茄品種包括哈雷3155，旅和許多其他流行的商業(yè)品種，生長在北加利福尼亞州。在圖像中最常見的雜草包括毛茄。地面櫻桃（酸漿屬），曼陀羅（曼陀羅L.）。黃河莎草（香附黃秋葵L.）。，旋花場（空心菜薄荷L.）。，約翰遜（假高粱（L.）。PERS），和小錦葵（錦葵小花L.）。
圖1所示為戶外圖像采集設備安裝有兩個在視覺系統(tǒng)的攝像機：一個指導的前置攝像頭，后置攝像頭為中排個別工廠的檢測前置攝像頭向前傾斜，面臨的行駛方向，允許作物了1至2米的部分，使視覺系統(tǒng)計算被視為準確的中心線（屠宰等，1996），正上方的后置攝像頭的位置seedline后方攝像頭直接安裝在鏡頭背后的視覺引導工具欄指出植物向垂直向下，捕捉到的頂視圖圖像覆蓋約130×95毫米的床面積圖像邊緣不再是平行的，這也是旅行的方向平行的seedline索尼CCD-VX3彩色攝像機（索尼）。被用作后置攝像頭實時視頻圖像記錄在Hi8金屬錄像帶所有的圖像進行數(shù)字化（脫線）。到24位640×480使用Macintosh IIfx計算機，，RasterOps（模型24XLTV）。顏色的像素的RGB彩色圖像圖像采集卡，擷取媒體2.1軟件。
蛇紋石在同一模式，在他們種植的作物，行走過因此，從到，現(xiàn)場實地的陽光，不時角度攝錄一體機快門速度為1/500秒，以防止圖像模糊，不僅因為旅行速度，但由于戶外領域的植物可能由于風高頻率振蕩 。
基于知識的視覺（KBV，美國人工情報公司，阿默斯特，MA）。用于系統(tǒng)軟件在Sun SPARC工作站（Sun Microsystems公司，模型的IPX）。算法開發(fā)和評估在C語言編寫的算法，和Common Lisp集成的KBV系統(tǒng)的例行任務圖像analyis的用于形態(tài)學特征選擇的SAS / STAT（SAS Institute公司，北卡羅來納州Cary）。統(tǒng)計和古典判別分析系統(tǒng)評估 。
一個番茄有一般的綠色，一個高度不規(guī)則的葉形，和一個開放式工廠結構，這有助于它是一個具有挑戰(zhàn)性的作物，以確定在外地至番茄植株和區(qū)分他們從雜草兩個階段的植物鑒定算法開發(fā)第一階段是一個顏色前處理段的所有操作植物的背景第二階段是一個模式識別分析來定位中心，并確定每一個人的植物類型這些算法進行了培訓與培訓設置30個圖像獨立設置的271圖像被用來評估系統(tǒng)的性能根據(jù)照明條件和植物的葉子形狀，這些圖像被分為三個不同的質量名為高，公正，貧困群體有在訓練集圖像和那些在評價集和圖像之間沒有重疊在評價集包
彩色圖像的背景對象，以區(qū)別于植物材料，彩色分割圖像處理步驟進行對象分為兩個分類他們在紅，綠，藍顏色空間的色差類（植物和背景）。在這研究中，在戶外領域遇到的照明條件的變化無法使用靜態(tài)分割算法。
環(huán)境自適應分割算法（EASA）。的想法模擬這使得必要的調整，以適應人類視覺系統(tǒng)戶外工作時，改變照明環(huán)境 EASA的目的是學習當?shù)氐臈l件，在各個領域或每次，包括特定的照明和顏色不同的作物品種，雜草和土壤條件 EASA的一個內核自適應或自學習過程由于我們的數(shù)據(jù)結構特性圖像被稱為（例如，對象應該是綠色，背景什么，但綠色，既對象和背景類分布接近灰度軸，和對象類非常接近正態(tài)分布等）。，修改后的聚類方法稱為partiallysupervised學習（PSL），進行了介紹。 PSL的過程開始從以前的集每類種子顏色選擇在樣品圖像的像素，然后聚集近鄰（杜達等人1973年）。，直到所需數(shù)量的一類技術被發(fā)現(xiàn)然后程序會顯示操作的分類結果的顯示方式類對象中的每個圖像使用不同的顏色運營商決定哪些組（S組）。集群地區(qū)，應被視為“對象”（番茄子葉）。每個類的均值和協(xié)方差矩陣進行處理，使用貝葉斯分類器（杜達等人1973年）。發(fā)展一個查找表（LUT）的實時彩色圖像分割
可能要平滑，以消除噪聲的圖像中的物體的邊界邏輯圖像處理用于消除噪音，流暢的不規(guī)則物體邊界，單獨的對象，稍微觸摸（田等，1993）為了提高識別的準確性，被用于一個特殊的對象分割算法稱為流域（文森特等，1991）分離部分閉塞的植物葉子（田等，1993）
確定的13個形態(tài)特征似乎有承諾為番茄子葉和雜草之間的區(qū)別是：周長（PRI）的邊界像素數(shù)的計數(shù)，（CEN）的質心為對象的區(qū)域的如，所有像素的平均位置圖像中的像素數(shù)（PXC）。是一個對象的面積，高度。（HET）之間的最大和最小垂直坐標加上差異一，寬度（WID中）。之間的最大和最小的水平坐標的區(qū)別加一，（MJX和MNX）。的最合適的對象橢圓的長軸和短軸，面積長度（ATL）。的比率被定義為：
（CMP），面積比周邊平方。在這項研究中，它是定義為：
伸長率（ELG）是長而窄的對象是如何測量。這是作為最好的長軸和短軸的長度之間的差異計算適合橢圓形，除以長度的總和
高度寬度（低雜波）比值的對數(shù)了對稱的措施方面對象的比例。的定義是：
廣度（PTB）的周長比是一個凸區(qū)域的測量。這是定義為：
周長（LTP）的長度比是衡量的2-D的分布格局邊界對象。它被定義為：、
在實時系統(tǒng)，以方便他們使用的功能僅限于少超過5個。由于復雜的功能之間的互相關，兩個啟發(fā)式方法選擇一個最終的特征子集。個別的功能，性能和經(jīng)典的判別分析（SAS）表示，CMP，ELG，低雜波，和LTP的子集以下4個特點：出的13個研究會提供最好的結果（田，1995年）。
為了提高精度和簡化的算法，貝葉斯分類器（耆那教，1989年）被用來建立查找表的實時實現(xiàn)。有了這個分類，所有的圖像中的對象分為子葉類或雜草類。如果子葉沒有遮擋的分類是有可能成功的雜草或其他子葉。閉塞子葉只能承認使用更復雜的過程。鑒定閉塞子葉被認為是必要的解釋全廠的位置。
子葉一旦發(fā)現(xiàn)圖像中，全廠鑒定過程發(fā)起。子葉之間的距離是第一個屬性，用于確定哪些的子葉應該被視為同廠的一部分。從同一植物子葉通常接近對方，通常超過1/2子葉長，除了少。在一個領域，在其中植物相當良好的分離，使用本標準的方法效果相當不錯。然而，在戶外領域的作物種植彼此非常接近的情況下，與位于任何地方的雜草，這種方法往往會導致到子葉配對不正確。圖4E節(jié)目預計每個工廠干位置的黑色方塊時，整個工廠的定義只根據(jù)子葉之間的距離。為了克服這個問題，用于在句法結構特征，如葉片大小，相對位置和方向程序來描述整個廠房結構。一個算法，采用全廠性質領域的植物也可以克服一些以間接的方式部分遮擋的問題。 “這里開發(fā)的算法是基于以下幾點意見。
規(guī)則1。必須有一個初步的番茄子葉（ITC）的開始。
第2條。干始終是在子葉擴展長軸的線。
第3條。一個閉塞子葉總是屬于一個更大的PXC值（二進制對象圖像對象的面積）作為分類子葉相比。
第4條。閉塞的子葉是在雜草中的子集最近在眼前的對象鄰里分類子葉。
第5條。造成不正確的顏色，極端的立場，或扭曲的形狀不完整的子葉總是有較完整的子葉小PXC值。
第6條。如果有另一個番茄子葉（ATC）在不久的居委會（定義為圓直徑1.5* MJX國貿中心），與ITC配對以下屬性：
1）。必須最接近的ITC MJX內向的結束點（EDP）;
2）。電算化是最接近德祥岑;
3）。的PXC德祥PXC之間60％至130％;
4）。角度之間MJXs的（一）是最小的和不大于20度，如圖2所示。
第7條。如果沒有子葉內的近鄰，但一個可能的部分閉塞的番茄子葉（OTC）的退出，與ITC配對具有以下特點：
1）。閉塞子葉配對是PXC了一個更大的比國際貿易中心，位于附近的EDP，在一個角度B <80度。所示在圖3中。
2）。最大距離，在圖3，兩者之間的邊界相交在從ITC接近年底的徑向線點是大于80％德祥MJX。
圖2 圖3
第8條。如果有沒有在附近鄰里子葉（或可能閉塞之一），但可能不完整的番茄子葉（S）系統(tǒng)（ETC），將與ITC配對是：
1）。與岑最接近德祥MJX。
2）。與岑德祥岑國際貿易中心的EDP之一。
第9條。如果沒有其他的對象，這將成為在不久的子葉對居委會，挑選一個的電算化隨機，并延長了25％，從這個電算化的MJX干。
結果與討論
訓練與一個或兩個圖像相同的圖像顏色分割的LUT數(shù)據(jù)集正在處理中。這意味著他們從類似現(xiàn)場條件。這相當于在現(xiàn)實生活制度，按需培訓過程。實際野外條件下，系統(tǒng)捕獲培訓LUT的照明或現(xiàn)場條件改變時，每個新形象。在實驗室系統(tǒng)，創(chuàng)建一個新的LUT時，發(fā)現(xiàn)一個新的形象相當其照明和野外條件下的不同。圖4b顯示了一個字段分割的結果使用彩色LUT的形象。分水嶺算法處理閉塞葉片的例子確定在黑番茄子葉和灰色的“野草”，圖4d所示。
四個形態(tài)特征（CMP，ELG，低雜波，和LTP）被發(fā)現(xiàn)，以提供高兩個類（子葉葉片和非子葉葉片），數(shù)字之間的分離度5。葉識別進行了實驗，測試訓練數(shù)據(jù)選定4個功能子集的性能。這種分類的結果是非常有前途的。在訓練集，超過95％的番茄子葉進行正確分類。更多超過98％非子葉雜草類被分配正確。整體誤差為3.27％。
例如使用整個工廠syntatic算法的最終干的位置顯示在圖4F（預測莖黑色正方形）。當與使用結果基于距離的配對（圖4E）在正確的干安置的改善可以看出。這個句法過程經(jīng)常導致正確的干的位置，甚至當植物接近對方。
超過65％的番茄幼苗，在271場的雜草和超過95％試驗驗證集圖像被正確識別，機器視覺算法表3。表3中，“子葉”是指葉片檢測結果有4個功能分類和“植物”是指成功確認整個番茄植物的百分比句法過程。在所有三種不同的圖像質量組，主要是由于失敗嚴重重疊的樹葉，植物葉片的位置，不容許其形態(tài)待觀察（即垂直葉）的功能，或光照條件較差。算法失敗前兩個發(fā)生隨機原因造成。算法故障造成照明變化會發(fā)生在一個幀序列。這可以很容易地檢測到故障計算機。在原型系統(tǒng)中，一個新的分類將培訓和創(chuàng)建一個新的LUT當一個失敗的幀序列進行了觀察。
表3.整個工廠的識別結果.
為了提供最大的作物的立場估計和剩余的雜草沿seedline后一個假設的雜草控制操作使用機器視覺算法，整個番茄植株，正確認識和雜草葉片錯誤地確認每米計算，表4。從理論上講，平均每米1.2雜草葉片會離開后，應用后，這臺機器視覺算法為基礎的除草作業(yè)。在作為番茄子葉確定每個葉全廠syntatic算法導致系統(tǒng)定位在該領域的全廠。因此，錯誤地確定為番茄葉雜草會被錯誤地允許0.82除草后在這項研究中號每一次生存。如果變薄被刪除一半，余下的植物，雜草的數(shù)量可能生存將下降到每1.6米。
表4.植物沿seedline識別的結果.
為正確的番茄識別率明顯高于子葉。許多植物的鑒定只是基于一個子葉和信息立即面積，子葉。超過所有的成功識別率在外地的番茄植株大于在圖像的番茄植株的65％。這是遠遠高于后，通常保持目前的除草和植物的百分比細化操作。從理論上說，每米的番茄植株提供所需的產(chǎn)量在一個典型的加工番茄領域。如果是在外地使用的原型系統(tǒng)，番茄，其余基于機器視覺的除草操作后（每米）植物的數(shù)如表4所示。所需的番茄植株總數(shù)的兩倍以上細化操作后，將繼續(xù)除草。
結論
采用室外自然光的機器視覺系統(tǒng)的可行性番茄幼苗和雜草的區(qū)別是證明。環(huán)保自適應圖像分割算法被用來減少與變化相關的問題在光照變化時發(fā)生的，由于天時間，現(xiàn)場條件，甚至在顏色番茄植株的特點。該算法擴展動態(tài)范圍的眼光傳感系統(tǒng)，以滿足室外照明條件。
對象分割方法，以盡量減少阻塞問題經(jīng)常出現(xiàn)在現(xiàn)場時，番茄和雜草幼苗生長并攏。二進制分水嶺算法表明，子葉，可以成功地分離阻斷植物重疊小時。四個語義的形態(tài)特征，用來區(qū)分番茄子葉雜草樹葉和整個工廠syntatic算法被用來預測全廠干的位置。使用這種技術超過65％的番茄植株成功偵破。
致 謝
一直支持這項研究由加州番茄研究所（中央煙草研究所）和大學加州有害生物綜合治理項目。
（a）
圖1。安裝的設備，（一）設置的頂視圖（二）相機詳細架。工具欄被控制在該領域的種子行。
一）原彩色圖像的灰度版本 B）彩色分割圖像（平滑處理）
C）平滑后的二進制圖像 D）切割后的子葉鑒定
E）基于距離子葉配對干細胞的位置 F）基于語法的的子葉配對干的位置
圖4。
圖5訓練集葉功能的散點圖選擇分類。=子葉; X =其他植物的葉子。