一“双”能分辨出杂草和农作物的“火眼金睛”

采用决策树状图(DT)和模糊逻辑技术相结合的方法，建立了一个区分花生植物和杂草的模糊模型。从花生植物及其三种常见杂草的图像中提取颜色特征和基于小波的纹理特征。

在所有情况下，当使用CFS选择的特征作为输入数据时，获得了最好的整体分类精度。分类器也被用于区分花生植物和杂草群。根据研究结果，可以得出结论，所开发的基于DT的模糊逻辑模型可以有效地用于基于机器视觉的栽培系统中杂草与花生植株的区分。本文以“Development of a fuzzy model for differentiating peanut plant from broadleaf weeds using image features”为题于2020年11月16日发布于《Plant Methods》杂志上。

研究背景

尽管近年来农业产业取得了显著的进步，但杂草管理仍然是一个具有挑战性的复杂问题。

农田杂草防治主要有三种方法，即人工除草、机械锄草和化学除草。在花生田中，传统的人工清除杂草仍是一种常见的做法。人工锄草是一种非常有效的作业方式，只要操作得当。然而，这是一种繁琐、极度耗费人力和时间的操作，对健康有不利影响。此外，通过手工工具进行人工除草只能在小规模农业或家庭花园中采用，在大规模种植中并不是一种好的做法。

在杂草的消除中，最普遍的方法是使用除草剂。根据田间不同部位杂草的存在和强度，可变率地施用除草剂，可以使化学药剂的使用达到最优化，从而降低成本，将环境污染降到最低。

无论是在不损害作物植株的情况下机械消灭行内杂草，还是变幅喷洒，都主要需要它精确检测和定位作物行内杂草。因地制宜的杂草管理是向经济和环境可持续发展的杂草管理迈进的重要环节。田间精准除草主要需要杂草分布信息。

确定杂草分布和密度的第一步是检测和分离杂草与主要作物。计算机视觉和图像处理技术提供了在从场景中获取的数字图像或视频中检测所需对象的能力。计算机视觉系统的接受和利用非常迅速和广泛。

离散小波变换(DWT)是一种多分辨率图像分析工具，它通过应用连续的高通和低通滤波将图像分解为低频和高频子带。通过在图像上实现DWT，可以得到近似系数和细节系数。近似系数子图像包含低频，表达了图像的整体趋势，而细节系数子图像包含高频，表达了局部的陡峭变化。因此，DWT是强大的纹理特征分析技术之一。

通过使用合适的分类器，可以根据提取的特征将图像中的不同对象区分为不同的组。决策树和模糊逻辑模型是计算机视觉系统中流行的两种学习技术。

应注意的是，在大多数情况下的杂草和作物分类过程中，由于杂草和主要作物的相似度很高，必须研究非常不同的基于图像的信息，以找到那些能满意地区分植物类型的特征集。此外，由于模糊逻辑规则的数量随着输入变量的增加而呈指数级增长，当输入变量较多时，很难调整模糊规则。

而且，根据人为调整的结果，不能保证得出最优解。因此，如果打算使用模糊系统来解决这样一个复杂的问题，就需要调用策略将众多类型的图像提取特征有效地融入到模糊化的杂草检测系统中。通过结合DT和模糊逻辑的方法，将DT自动选取的特征和生成的规则应用于模糊分类器的构建和调优。

将模糊学习算法与基于DT的方法相结合，利用了模糊分类器所获得的平稳决策的优势。基于DT的模糊模型的应用，既得益于模糊系统的优势，又保持了DT分类器的可理解性和可解释性等优点。

图为研究植物样品图像；a花生和维叶，b花生和假雏菊c花生和尼坎德拉

为了提取四种类型植物的图像小波信息，利用Photoshop CS 6软件(AdobeSystems，USA)，从每种植物的图像中手工裁剪出50个100×100像素的子波信息(共50×4=200个图像块)。

有大量的输入特征需要输入到分类器中(18种颜色特征+16种纹理特征+64种基于小波的纹理特征=98种输入特征)。输入数据的大维数会影响分类器的性能，因为大多数模式识别技术最初都不是为了处理大量无关的特征而设计的。

大量的输入变量鼓励应用特征选择/约简方法提取最突出的输入向量。CFS方法选取12个特征作为输入特征向量进行植物类型预测(4个目标类)。在作物/杂草分类(2个目标类)的情况下，CFS算法选择9个特征作为输入向量。

PCA方法从原始特征中提取出18个主成分，用于预测植物类型(4个目标类)和作物/杂草分类(2个目标类)。由于PCA方法是无监督的，主成分不会因目标类的数量而变化。

图为CFS和PCA特征选择方法选择的特征数目

图为总体结构aJ48-CFS，和b植物分类决策树

图为总体结构aJ48-全部，和bJ48-CFS，花生和杂草分类决策树

图为总体结构a代表-所有人，b代表-CFS，和c用于花生和杂草分类的RT-CFS决策树

图为基于J48CFS的花生杂草分类模糊模型的总体形式

图为利用J48-CFS分类器对花生/杂草分类的模糊隶属函数的总体形式：aAVB；b和熵HH；cAVE_S；d相关LL；和e簇影LL；f花生/杂草

图为基于J48CFS分类器的花生杂草分类模糊规则的图解

图为基于J48-CFS分类器考虑不同输入变量组合的花生/杂草分类模糊规则的表面视图

图为基于REP-CFS的花生/杂草分类模糊模型的总体形式

图为利用REP-CFS分类器对花生/杂草分类的模糊隶属函数的总体形式：aAVB；b簇影LL；c花生/杂草

图为基于REP-CFS分类器考虑不同输入变量组合的花生杂草分类模糊规则的表面视图

研究报道了利用模糊多准则决策(FMDM)对单子叶植物和双子叶杂草的形态描述子进行早期分类的准确率为92.9%。报道了一种基于叶片纹理和模糊技术的甘蔗田间杂草实时检测精度。虽然DT-模糊系统在杂草检测中的应用尚未见报道，但DT-模糊模型已成功地应用于其它分类中。利用REP树结构进行模糊系统开发的干燥无花果的分类精度为91.74%。

研究结论

该研究采用DT和模糊逻辑相结合的方法，开发了基于图像颜色和小波特征的花生植株与杂草分类的模糊计算机视觉系统。采用PCA和CFS策略来减少DT输入特征的数量，并选择最重要的特征。利用CFS选择日期开发的J48和REP树，是作物-杂草区分最准确的DT。

J48-CFS和REP-CFS模型的作物-杂草分类精度分别达到95.56%和92.78%。这两棵树还具有简单的配置，使其适合于根据其方案设计模糊集。

根据DTs中提供的节点、分支、叶子和阈值，建立了模糊规则的 "if-then "语句。从该研究结果可以宣称，模糊DT分类技术可以成功地应用于计算机视觉系统，对花生田的主要作物与杂草进行智能分类。

参考文献：Adel Bakhshipour & Hemad Zareiforoush Development of a fuzzy model for differentiating peanut plant from broadleaf weeds using image features  Plant Methods 153 (2020)