基于K-means聚類和分區(qū)尋優(yōu)的秸稈覆蓋率計算方法

安曉飛 王 培 羅長海 孟志軍 陳立平 張安琪

(1.北京農(nóng)業(yè)智能裝備技術(shù)研究中心， 北京 100097； 2.國家農(nóng)業(yè)智能裝備工程技術(shù)研究中心， 北京 100097)

0 引言

農(nóng)田秸稈覆蓋率是保護(hù)性耕作評價的重要指標(biāo)之一，實現(xiàn)秸稈覆蓋率快速檢測對黑土地保護(hù)評價非常重要。保護(hù)性耕作是以秸稈覆蓋地表、免少耕播種為主要內(nèi)容的現(xiàn)代耕作技術(shù)體系，具有防治農(nóng)田揚(yáng)塵和水土流失、蓄水保墑、培肥地力、節(jié)本增效、減少秸稈焚燒和溫室氣體排放等作用[1-4]。2020年4月，農(nóng)業(yè)農(nóng)村部發(fā)布的《東北黑土地保護(hù)性耕作行動計劃(2020—2025年)》中提出，到2025年，保護(hù)性耕作實施面積達(dá)到9.33×106hm2，形成較為完善的保護(hù)性耕作政策支持體系、技術(shù)裝備體系和推廣應(yīng)用體系。

秸稈覆蓋率作為保護(hù)性耕作重要技術(shù)指標(biāo)，更是秸稈還田補(bǔ)貼的重要依據(jù)，準(zhǔn)確高效的秸稈覆蓋率檢測對于推進(jìn)保護(hù)性耕作具有重要作用。而國標(biāo)GB/T 20865—2017《免(少)耕施肥播種機(jī)》中采用人工“拉繩法”進(jìn)行秸稈覆蓋率測量，作業(yè)效率低，勞動強(qiáng)度大，已嚴(yán)重落后于當(dāng)前農(nóng)機(jī)“互聯(lián)網(wǎng)+”模式下的實際生產(chǎn)需要。

隨著大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)等新一代信息技術(shù)在現(xiàn)代農(nóng)業(yè)中的推廣應(yīng)用，將這些技術(shù)與農(nóng)業(yè)場景深度融合，利用計算機(jī)圖像處理技術(shù)快速而準(zhǔn)確地識別秸稈覆蓋圖像已成為一種趨勢。圖像法成本低且效率高，成為秸稈檢測的熱門研究方向和手段。國內(nèi)外很多學(xué)者都致力于這方面的研究，并取得了重要成果[5-23]。文獻(xiàn)[5-7]基于航拍圖像，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(yùn)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(jìn)行精確的檢測。文獻(xiàn)[8-9]基于衛(wèi)星遙感影像開展了地表秸稈覆蓋度估算研究，但遙感圖像尺度較大，缺乏地面數(shù)據(jù)驗證，尚無法成為秸稈還田補(bǔ)貼依據(jù)。文獻(xiàn)[10-11]將紋理特征的熵值結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)，進(jìn)行秸稈覆蓋度檢測，該方法計算耗時較長，無法滿足商業(yè)化檢測要求。目前基于圖像的秸稈覆蓋度識別研究多針對靜態(tài)條件下，秸稈紋理清晰、特征明顯的情況，但農(nóng)機(jī)田間作業(yè)真實環(huán)境復(fù)雜，土塊、溝壑等因素影響識別；秸稈形狀、尺寸、姿態(tài)各異，細(xì)碎秸稈難于精準(zhǔn)辨別。傳統(tǒng)機(jī)器視覺算法泛化能力弱，難以解決田間不同環(huán)境中的秸稈精準(zhǔn)識別問題。

本文針對農(nóng)田秸稈形態(tài)多樣、細(xì)碎秸稈難以識別的問題，提出一種基于K-means聚類和分區(qū)尋優(yōu)方法結(jié)合的玉米秸稈覆蓋率算法，并通過不同天氣、不同種植模式、不同地塊條件進(jìn)行田間實際驗證。

1 試驗材料與方法

1.1 圖像采集設(shè)備

采集農(nóng)田秸稈圖像的設(shè)備為自主研發(fā)的前后雙置攝像頭的保護(hù)性耕作作業(yè)計量遠(yuǎn)程監(jiān)測系統(tǒng)，系統(tǒng)主要由前置攝像頭(采集農(nóng)田秸稈圖像)、后置攝像頭(采集機(jī)具圖像)、機(jī)具識別傳感器、數(shù)據(jù)采集器、顯示器和衛(wèi)星定位天線組成(圖1)。該裝置可以實現(xiàn)保護(hù)性耕作作業(yè)面積計量、秸稈圖像采集、機(jī)具圖像采集、作業(yè)質(zhì)量分析等功能。

其中秸稈圖像采集攝像頭選用廣州譜泰通信科技有限公司PTC02-200型200萬像素串口防水?dāng)z像頭，5 V供電，圖像傳感器類型為CMOS,模塊核心DSP芯片集成了新一代ISP算法，圖像尺寸為1 920像素×1 080像素，輸出格式為標(biāo)準(zhǔn)JPEG格式，拖拉機(jī)田間行進(jìn)速度為3.6～5.0 km/h，采樣間隔10 s，串口通信速率為115 200 b/s。

本批圖像采集時間為2021年4月26—28日，選取吉林省長春市雙陽區(qū)10個地塊，采集100幅不同時間段、不同天氣、不同種植模式下的秸稈覆蓋圖像，其中陰天、晴天秸稈圖像數(shù)量比為2∶8，壟作、平作秸稈圖像數(shù)量比為1∶3，土塊根茬與平整秸稈圖像數(shù)量比為1∶9。圖2為6種典型條件下的農(nóng)田秸稈圖像。

1.2 農(nóng)田實際秸稈覆蓋率人工獲取方法

采用人工拉繩法測定秸稈覆蓋率，用長2 m的繩子，每隔10 cm做記號，測定時沿地塊對角線鋪放繩子，統(tǒng)計標(biāo)記點(diǎn)上有秸稈的點(diǎn)數(shù)，將統(tǒng)計點(diǎn)數(shù)除以總標(biāo)記點(diǎn)數(shù)，即為秸稈覆蓋率，具體計算公式為

(1)

式中F——人工法秸稈覆蓋率，%

D1——測定有秸稈的點(diǎn)數(shù)

D2——測定點(diǎn)數(shù)

圖3為人工拉繩法獲取玉米秸稈覆蓋率示意圖。

由于田間秸稈覆蓋變異性比較大，同一地塊變異系數(shù)達(dá)到0.71，采用人工拉繩法，無法與采集的秸稈圖像做到嚴(yán)格一一對應(yīng)，本研究中進(jìn)一步采用了“人工標(biāo)注+二值化識別”方法獲得玉米秸稈圖像覆蓋率真實值，與采集到的秸稈圖像實現(xiàn)真值、測量值嚴(yán)格一一對應(yīng)。圖4為人工標(biāo)記法獲得秸稈覆蓋率方法。

1.3 基于K-means聚類的秸稈覆蓋率計算方法

1.3.1經(jīng)典K-means方法

聚類是無監(jiān)督學(xué)習(xí)的一種重要形式，其主要作用是將數(shù)據(jù)對象分為多個簇，保證同一簇內(nèi)的數(shù)據(jù)對象相似度盡可能大，而不同簇間的數(shù)據(jù)對象相似度盡可能小。其中，K-means聚類是解決聚類問題的一種經(jīng)典算法，使用非常廣泛。

由于圖像分割可以看成聚類問題，即圖像中像素點(diǎn)類別未知的前提下，根據(jù)像素點(diǎn)的特征值，將圖像劃分為若干個區(qū)域。因此，本文利用K-means聚類算法實現(xiàn)對秸稈圖像的分割，即將其分為2類：秸稈和背景。

1.3.2分區(qū)尋優(yōu)聚類迭代

K-means聚類有2個參數(shù)確定比較困難：聚類數(shù)量、聚類中心。在玉米秸稈圖像中，目標(biāo)物和背景清晰，聚類數(shù)量可確定為2。聚類中心在經(jīng)典K-means聚類算法中是隨機(jī)確定的，造成了聚類算法效果不穩(wěn)定，無法達(dá)到最優(yōu)。本研究在一次聚類基礎(chǔ)上，提出了一種分區(qū)尋優(yōu)的方法確定了新的聚類中心，并進(jìn)行聚類迭代，直到秸稈聚類中心收斂不再發(fā)生變化時停止聚類迭代。

首先將原始圖像(1 920像素×1 080像素)分隔為16區(qū)；然后依次判斷各分塊中第1類(秸稈類)和第2類(土壤類)，通常情況下，土壤背景灰度小于100，秸稈灰度大于160，如果每個分塊中均有2類，則利用統(tǒng)計學(xué)方法分別計算各區(qū)秸稈中位數(shù)和眾數(shù)灰度平均值，如果分塊中只有一類，則判斷類別屬性后計算對應(yīng)類別的灰度平均值，并計入對應(yīng)類別總數(shù)組中。根據(jù)16分區(qū)中的秸稈中位數(shù)和眾數(shù)灰度平均值及數(shù)量，按照公式

(2)

式中Ci——秸稈中心灰度

Aj——各區(qū)眾數(shù)灰度

Mj——各區(qū)中位數(shù)灰度

n——實際有效分區(qū)個數(shù)

計算獲得秸稈中心灰度，同理獲得土壤中心灰度。

在獲得16區(qū)平均值后分別獲得秸稈中心灰度和土壤背景灰度后，將其作為新的分類中心，重新采用K-means聚類方法對玉米秸稈圖像進(jìn)行分割，直到秸稈中心灰度不再發(fā)生變化，則停止K-means聚類迭代。

K-means聚類迭代停止后，基于灰度差異判斷秸稈和土壤背景，對秸稈像素和土壤背景像素分別進(jìn)行二值化，并計算秸稈像素數(shù)量，則玉米秸稈覆蓋率計算式為

(3)

式中Pi——分區(qū)尋優(yōu)K-means聚類法計算的秸稈覆蓋率，%

Ti——秸稈像素點(diǎn)數(shù)

N——圖像像素點(diǎn)總數(shù)

圖5為分區(qū)尋優(yōu)聚類迭代流程圖。

1.4 評價方法

為了評價農(nóng)田秸稈覆蓋率計算方法，采用相關(guān)系數(shù)、相對誤差和誤判率3個指標(biāo)進(jìn)行，其中相關(guān)系數(shù)用于評價農(nóng)田秸稈覆蓋率計算結(jié)果和人工檢測結(jié)果相關(guān)程度；相對誤差用于判斷本計算方法的誤差偏離程度；誤判率是結(jié)合實際作業(yè)補(bǔ)貼發(fā)放場景，根據(jù)計算結(jié)果和實際補(bǔ)貼檔次結(jié)果的判斷準(zhǔn)確率。相關(guān)系數(shù)r、相對誤差E、誤判率Je計算式為

(4)

(5)

(6)

式中x1k——農(nóng)田秸稈覆蓋率標(biāo)準(zhǔn)值

x2k——農(nóng)田秸稈覆蓋率檢測值

Pc——秸稈覆蓋率檢測值

Jn——等級判斷錯誤數(shù)

Jr——等級判斷正確數(shù)

2 結(jié)果與討論

2.1 K-means和分塊尋優(yōu)法結(jié)合的圖像處理結(jié)果

從圖6中可以看出，分塊尋優(yōu)聚類迭代后秸稈分割效果和一次聚類相比較，細(xì)碎秸稈部分的識別效果得到提高。通過對不同場景的100幅圖像分別進(jìn)行分區(qū)尋優(yōu)聚類迭代，獲得結(jié)果如圖7所示，與人工拉繩法和人工標(biāo)記法相關(guān)系數(shù)分別為0.716 1和0.906 8。如圖8所示表明該方法可以有效獲取玉米秸稈覆蓋率。

相關(guān)系數(shù)差別大的原因主要是田間秸稈變異系數(shù)較大，拉繩法覆蓋區(qū)域與圖像采集區(qū)域無法做到嚴(yán)格一一對應(yīng)，造成相關(guān)系數(shù)較低，但也仍然達(dá)到了0.70以上，采用人工標(biāo)記識別提高了一一對應(yīng)度，相關(guān)系數(shù)達(dá)到0.90以上。

2.2 與Otsu及經(jīng)典K-means方法對比

運(yùn)用Otsu方法、經(jīng)典K-means方法、分區(qū)尋優(yōu)K-means聚類迭代法對100個樣本分別進(jìn)行處理，與人工標(biāo)記法進(jìn)行比較，結(jié)果如表1所示，結(jié)果表明分區(qū)尋優(yōu)K-means聚類迭代法在平均誤差和誤判率上明顯優(yōu)于Otsu方法、經(jīng)典K-means方法，其中平均誤差降低了45.6%和29.2%，誤判率最小，為7%。與Otsu方法和經(jīng)典K-means方法相比較，本文算法由于增加了中心點(diǎn)優(yōu)化更新、聚類迭代的環(huán)節(jié)，所需時間最長，為810 ms，但處理時間小于1 s，可以滿足田間條件下的圖像檢測響應(yīng)速度。

表1 秸稈覆蓋計算方法性能比較Tab.1 Performance of different corn straw coverage detection algorithms

該方法實現(xiàn)了在不同環(huán)境條件下(不同天氣、不同種植模式)均可實現(xiàn)秸稈的準(zhǔn)確識別，在農(nóng)機(jī)上連續(xù)穩(wěn)定運(yùn)行，具有一定的普適性。但在根茬裸露條件下，分區(qū)尋優(yōu)聚類迭代容易將根茬底部識別為土壤，主要是因為只有根茬的地塊中，根茬造成的陰影部分和根茬底部顏色與土壤背景相近，兩者疊加影響，容易將秸稈錯誤識別為土壤，此種情況還需要進(jìn)一步研究。

3 結(jié)論

(1)基于機(jī)器視覺技術(shù)，提出了一種基于K-means聚類和分區(qū)尋優(yōu)結(jié)合的玉米秸稈覆蓋率檢測算法，實現(xiàn)了秸稈覆蓋率快速檢測，在不同環(huán)境條件下(不同天氣、不同種植模式)均可實現(xiàn)秸稈的準(zhǔn)確識別。

(2)該算法與人工標(biāo)記法相關(guān)系數(shù)達(dá)到0.906 8，平均誤差為6.8%，誤判率為7%，該算法為秸稈覆蓋率在線計算提供了一種新的技術(shù)手段。