雜草是農作物生產中的一大威脅，因為它與農作物爭奪養(yǎng)分、水分、空間和光照。每年，雖然投入了大量的勞力、除草劑和精力，但雜草的侵襲給全世界的農業(yè)生產造成了巨大的損失。目前，化學除草仍是農業(yè)生產體系中控制雜草的主要方式。通過在全田均勻噴灑除草劑，可以迅速消滅大部分雜草，成本低、效率G。隨著人們對食品安全和環(huán)境保護的日益重視，盡量減少化學除草劑的使用是大勢所趨。通過以非化學方式自動清除雜草或準確施用除草劑，機器人系統(tǒng)被認為是減少傳統(tǒng)農業(yè)中二氧化碳排放和農用化學品環(huán)境負荷的可行選擇。為了實現G性能的機器人除草，特別是行內處理，需要正確檢測和定位作物和雜草。世界各地的研究人員已經探索出了廣泛的植物檢測和定位方法，這些方法基于RTK GPS(實時運動學定位系統(tǒng))、機器視覺、激光傳感器、X射線、超聲波等。RTK GPS系統(tǒng)可以為機器人除草提供作物植株和雜草的J對位置，其前提是在處理前利用RTK GPS引導種植系統(tǒng)對作物進行種植，或者已經建立了作物/雜草分布圖[1，2]。基于RTK-GPS的除草系統(tǒng)不會受到雜草密度、陰影、缺株的不利影響，但會受到衛(wèi)星分布、天氣狀況、無線電干擾和地理環(huán)境的影響。一些研究者研究了用激光傳感器檢測植物的方法[3，4，5]。激光傳感器通常價格相對較G，并且需要復雜的程序來處理輸出的三維點云。X射線可以用于作物檢測，因為植物的主莖會吸收X射線能量[6]。然而，X射線系統(tǒng)的安全性和成本是人們關心的問題。在這一L域的研究報道非常少。隨著計算機技術、圖形學和圖像處理技術的快速發(fā)展，機器視覺已被廣泛應用于各種農業(yè)任務中。沿作物行的自主引導、單個植株的檢測、機器人除草的雜草圖繪制等都是應用機器視覺的重要L域。由于機器視覺可以提供目標物的顏色、形狀、紋理、深度等豐富的信息，且精度相當G，成本相對較低，因此以往關于植物檢測的研究大多基于機器視覺。                       

 圖1 各類農業(yè)機器人
田間環(huán)境是復雜多變的非結構化環(huán)境，受氣候、時間、農藝措施等因素影響。因此，研究人員在設計機器視覺系統(tǒng)和圖像處理算法時，需要考慮到除草作業(yè)的要求以及田間環(huán)境的特點。基于機器視覺的系統(tǒng)應用于機器人除草中，一個值得關注的問題是，它們很可能受到自然光的影響，而自然光會隨著時間的變化而變化。這主要給植被(作物和雜草)和背景(裸露的土壤、巖石和殘留物)之間的分割以及特征提取帶來困難。另一個挑戰(zhàn)是區(qū)分外表相似的農作物和雜草。此外，當植物之間發(fā)生嚴重遮擋時，識別單個植物是非常具有挑戰(zhàn)性的。到目前為止已經在1）應對不同的室外光照，2）作物/雜草識別方面付出了大量的努力。本文根據近期發(fā)表的論文Review of Machine-Vision-Based Plant Detection Technologies forRobotic Weeding，一起了解相關工作。
 
二、處理多變的自然光
當機器視覺系統(tǒng)在野外環(huán)境中工作時，日光的強度和光譜內容可能會隨著時間的推移而變化。在晴天，由于圖像中存在G光和陰影，圖像處理變得更加困難。因此，有必要設計出對光線變化具有魯棒性的系統(tǒng)及其算法。許多研究者已經研究了在不同自然光照下提G機器視覺系統(tǒng)性能的方法，如使用陰影、特別注意選擇分割指數，或其他方法使圖像處理算法對可變光照更加強大。

A. 陰影和人工照明
在許多研究中，為了獲得恒定的光照條件，采用了人工照明和遮光等物理方法。如圖1(a)所示，[7]所述的雜草識別系統(tǒng)擁有三盞400 W金屬鹵素燈的專用植物燈來照亮視野，并有一個防光的聚乙烯薄膜罩來遮擋自然光。商用機器人除草系統(tǒng)Steketee IC[8]的金屬罩下安裝有攝像頭和大功率LED燈，用于監(jiān)控每行作物，如圖1(b)所示。金屬罩保證了不會受到陽光和陰影的影響。圖1(c)中的BoniRob農業(yè)田間機器人[9]也是利用陰影以及人工照明來控制作業(yè)區(qū)域的光照度。有些系統(tǒng)只采用人工照明來維持相對穩(wěn)定的照明條件。如圖1(d)所示，Robovator行內除草系統(tǒng)[10]在每個攝像頭后面安裝了一個鹵素燈，以保持相對穩(wěn)定的照明。但在圖像采集區(qū)域上方沒有配備遮擋物。AgBot II[11，12]在攝像頭后面配備了脈沖照明模塊，以提G采集圖像的質量，如圖1(e)所示。至于這兩套系統(tǒng)，從環(huán)境中反射的自然光及其機械部件的陰影仍可能影響機器視覺系統(tǒng)。對于視場較窄的視覺系統(tǒng)來說，通過拼接機械方案和人工照明來應對多變的自然光，降低開發(fā)圖像處理算法的難度。然而，一些除草系統(tǒng)，如圖1(f)所示的Garford Robocrop InRow除草機[13]，使用每臺攝像機監(jiān)視多行作物。為了獲得足夠寬的視野，攝像機應安裝在較G的位置。在這種情況下，陰影和人工照明會導致機器更加笨重和昂貴。許多研究人員堅持不懈地致力于設計對可變光照更為穩(wěn)健的圖像處理算法。
 
B. 考慮光照變化的圖像處理
在大多數植物檢測方法中，先要對植被(農作物和雜草)和土壤背景進行分割，然后進行農作物/雜草識別和定位程序。因此，植被和土壤背景的分割直接受到光照條件變化的影響。目前大多方法均在自然光照下采集的圖像上進行了測試，取得了一些良好的效果。但是，現場條件復雜多變，一種指數或分割方法很難具有普遍適用性。在更具挑戰(zhàn)性的情況下，如處理中午在強烈陽光下采集的帶有部分陰影的圖像，需要進一步的測試和驗證，以改進現有的方法，開發(fā)出更通用、更穩(wěn)健的方法。
 
三、作物/雜草識別  
在機器人除草的作物和雜草檢測程序中，重要的一步是正確區(qū)分作物植株和雜草。由于雜草的種類繁多且分布不規(guī)則，而農作物和雜草在物理特征上又有相似之處，因此區(qū)分農作物和雜草并不是一件容易的事情。傳統(tǒng)的方法通常是利用農作物和雜草在顏色（或光譜特征）、形狀、質地、大小、G度和分布等特征上的差異。隨著深度學習技術的興起，越來越多的研究者開始應用深度神經網絡來進行端到端的作物/雜草識別。
 
A. 基于顏色的作物/雜草識別
雖然大多數作物和雜草都是綠色的，但它們的光譜特征是不同的。直觀地說，它們呈現出不同的綠色。顏色特征的提取比較簡單快速，這對于根據顏色的區(qū)別來區(qū)分農作物和雜草是有利的�；�于顏色特征的方法與基于紋理或形狀特征的方法相比，通常不那么復雜。當待區(qū)分植物的顏色（光譜特征）比較接近時，使用顏色特征不能達到滿意的區(qū)分效果。在更多的研究中，研究人員將顏色與其他特征結合起來進行作物/雜草的識別。
 
B. 基于形狀的作物/雜草識別
由于田間植物的葉子形狀各異，為視覺上區(qū)分不同植物提供了重要的信息來源。因此，許多方法設計并提取形狀特征來區(qū)分作物和雜草。當植物葉子完好無損且無遮擋時，基于形狀的方法可以非常有效。當植物葉片上有重疊和損傷時，提取形狀特征的難度明顯增加。此外，由于作物和雜草種類繁多，目前還缺乏一套通用的形狀特征用于作物/雜草的識別。
 
C. 基于紋理的作物/雜草識別
 在田間圖像中，由于植物在葉子大小、輪廓、脈絡分布和密度上的差異，植物呈現出不同的紋理。因此，可以利用紋理特征來區(qū)分作物和雜草�；�于紋理的方法在植物G層的紋理頻率存在顯著差異的情況下非常有用。與形狀特征類似，紋理特征提取也是一個相對復雜、計算量大的圖像處理過程。通常情況下，特征選擇和降維算法來選擇貢獻度較好的特征作為分類器的輸入。紋理特征的優(yōu)點是當作物和雜草的葉子相互遮擋時，它比形狀特征在分離和識別方面更加穩(wěn)健。
 
D. 基于G度的作物/雜草識別
通常，在同一田塊中，作物植株的G度與雜草的G度大體相近，而與雜草的G度不同。特別是在移栽的作物田中，作物植物在G度上比雜草有明顯的優(yōu)勢。立體視覺系統(tǒng)可以獲得視野內的深度信息，這為根據作物和雜草的G度進行分割提供了一種方法�；�于立體視覺的方法優(yōu)勢明顯，因為它們可以利用二維圖像的信息，同時引入植物的G度。另一方面，它們的缺點是需要復雜而耗時的程序來處理三維點云數據。
 
E. 基于分布的作物/雜草識別
由于大部分農作物都是按一定的行距種植的，現有的很多方法都是根據農作物植株的線性分布來提取農作物行，在此基礎上可以有效地將農作物與行間雜草分開。植物的空間排列可以成為一個可靠的特征，因為它受視覺外觀變化的影響更小。但是，它需要根據作物種植模式對每塊田地進行調整，并且受到缺株和種植不準確的干擾。
 
F. 基于深度學習的作物/雜草識別
由于作物和雜草種類繁多，且缺乏一個通用的特征，大多數方法通過結合多個特征來判別作物和雜草。針對不同的識別對象和環(huán)境，選擇合適的特征和分類方法是提G算法魯棒性的關鍵。與傳統(tǒng)方法相比，深度學習技術J大地改變了特征選擇和分類方式。深度卷積神經網絡(CNN)呈現出強大的特征提取能力，可以進行端到端的預測。深度學習技術在作物和雜草識別中的應用已成為新的研究前沿。深度學習方法的性能明顯優(yōu)于依靠手工制作特征的傳統(tǒng)方法。它們還呈現出良好的泛化能力，這對于在真實的農業(yè)環(huán)境中工作是一個重要的特征，因為植物的種類和外觀會隨著田地和表象的變化而變化。然而，J大多數基于深度學習的方法都采用監(jiān)督學習，需要大量的訓練數據才能獲得佳性能。
 
G. 現有數據集
目前，能夠找到的開源野外圖像數據集非常少。這主要是由于植物種類和田間條件的多樣性，而且田間圖像的標注過程具有挑戰(zhàn)性，非常耗時。其中一個被廣泛使用的公開田間圖像數據集是由Chebrolu等人創(chuàng)建的[9]。該數據集包含了一個農業(yè)機器人上配備的傳感器收集的5TB數據，包括一個4通道多光譜相機、一個RGB-D傳感器和其他傳感器，在三個月的時間里從甜菜田里收集到的數據。目前，仍缺乏大規(guī)模、G質量、多物種、開源的田間圖像數據集，用于訓練植物深度識別模型，進行公平比較，促進該研究L域的技術進步。
  
四、結論
從目前研究情況可以明確以下幾點：1)為了應對野外環(huán)境中多變的自然光，已經提出了大量的物理解決方案以及算法，而物理解決方案被認為更可靠，更容易實現。2）雖然基于深度學習的方法已經優(yōu)于傳統(tǒng)的手工的特征方法，但將手工的特征和其他先驗知識與深度學習模型相結合，有望減少訓練和重新調整模型的標注工作；3）立體相機和多光譜相機可以參與到更多的系統(tǒng)中，因為它們可以提供更多的信息，有助于提G系統(tǒng)在挑戰(zhàn)性條件下的準確性和魯棒性。我們預計，未來在在線大數據和計算源的支持下，基于人工智能和通信技術的進步，植物識別將更加準確和精細。

查看更多相似文章