• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

基于改进模糊C均值聚类算法的草坪杂草识别

化春键, 张爱榕, 蒋毅, 俞建峰, 陈莹

化春键, 张爱榕, 蒋毅, 等. 基于改进模糊C均值聚类算法的草坪杂草识别[J]. 华南农业大学学报, 2022, 43(3): 107-115. DOI: 10.7671/j.issn.1001-411X.202109005
引用本文: 化春键, 张爱榕, 蒋毅, 等. 基于改进模糊C均值聚类算法的草坪杂草识别[J]. 华南农业大学学报, 2022, 43(3): 107-115. DOI: 10.7671/j.issn.1001-411X.202109005
HUA Chunjian, ZHANG Airong, JIANG Yi, et al. Lawn weed recognition based on improved fuzzy C-means clustering algorithm[J]. Journal of South China Agricultural University, 2022, 43(3): 107-115. DOI: 10.7671/j.issn.1001-411X.202109005
Citation: HUA Chunjian, ZHANG Airong, JIANG Yi, et al. Lawn weed recognition based on improved fuzzy C-means clustering algorithm[J]. Journal of South China Agricultural University, 2022, 43(3): 107-115. DOI: 10.7671/j.issn.1001-411X.202109005

基于改进模糊C均值聚类算法的草坪杂草识别

基金项目: 国家自然科学基金(62173160)
详细信息
    作者简介:

    化春键,副教授,博士,主要从事机器视觉与传感器技术研究,E-mail: cjhua@jiangnan.edu.cn

  • 中图分类号: TN911.73

Lawn weed recognition based on improved fuzzy C-means clustering algorithm

  • 摘要:
    目的 

    为了实现草坪杂草管理的精准化施药,针对自然环境中杂草与草坪颜色相近导致杂草难以分割的问题,提出一种改进模糊C均值(Fuzzy C-means, FCM)聚类的分割算法。

    方法 

    利用超绿算子提取感兴趣区域,融合HSV空间的多通道信息进行图像预处理,扩大杂草与草坪的特征差异。使用区域面积约束滤波范围,去除预处理图像中的草坪背景噪声,降低中值滤波造成的目标区域灰度级损失。提出一种各向灰度分布差异(Difference of gray distribution, DGD)检测算子,在聚类过程中引入像素周围不同方向的灰度分布差异特征实现草坪杂草分割。

    结果 

    与传统FCM、FCM-S2、FCMNLS以及RSFCM算法相比,本文算法对大多数噪声区域抑制效果较好,可以实现较为理想的杂草分割效果。本文算法能有效分割草坪杂草,平均分割准确率达到91.45%,比FCM、FCM-S2、FCMNLS和RSFCM算法分别提高16.35%、4.12%、6.80%和8.06%。

    结论 

    本文算法可有效地分割自然环境中的草坪杂草,为草坪杂草精准化施药提供了条件,具有实际应用价值。

    Abstract:
    Objective 

    In order to realize the precise application of herbicides for lawn weed management, an improved fuzzy C-means (FCM) clustering segmentation algorithm was proposed to solve the problem that it is difficult to segment weeds due to the similar color between weeds and lawns in natural environment.

    Method 

    The region of interest was extracted by extra-green operator, and the multi-channel information in HSV space was incorporated for image preprocessing to expand the feature difference between weeds and lawns. The filtering range was constrained using region area to remove the lawn background noise in the preprocessed image and reduce the gray level loss in the target region caused by median filtering. An anisotropic detection operator of difference of gray distribution(DGD) was proposed. In the clustering process, the gray distribution difference characteristics in different directions around pixels were introduced to realize lawn weed segmentation.

    Result 

    Compared with the traditional FCM, FCM-S2, FCMNLS and RSFCM algorithms, the algorithm in this paper (DGDFCM) had better suppression effect on most noise areas and could achieve ideal weed segmentation effect. The DGDFCM algorithm could effectively segment lawn weeds, and the average segmentation accuracy was 91.45%, which was 16.35%, 4.12%, 6.80% and 8.06% higher than FCM, FCM-S2, FCMNLS and RSFCM algorithms, respectively.

    Conclusion 

    The DGDFCM algorithm can effectively segment lawn weeds in natural environment, provides the condition of precise application of herbicides for lawn weeds, and has a practical application value.

  • 长江三角洲地区冬季生产设施作物面临着持续低温弱光的气候问题[1],没有加温设备的温室大棚只能依靠积蓄太阳能来提高室内温度,受天气影响很大,低温季节的连续阴雨、雪天时,气温和地温都持续很低,使得蔬菜作物,尤其是喜温蔬菜生长迟缓,甚至出现冷害,严重影响蔬菜的品质和产量[2-3]。为了保证作物在低温环境下安全过冬,一般采用燃煤或者焚烧作物秸秆进行加温,随着环保压力日渐增加,选用空气源[4]或水源热泵[5-8]进行温室加温也是一种新型的加温方式,但是温室整体环境加热仍然存在电能消耗高、价格昂贵等问题,采取作物根区加温是一种节能的替代方式[9]。采用电热元件直接加热作物根区,加温效果明显、热效率高,且设计性强,可根据不同使用场所设计出更符合需求的加热模式。何芬等[10]分别采用发热电缆、自限温发热带、碳晶电热膜对育苗根区进行加热,分析了不同加温材料对栽培基质温度的影响;张红梅等[11]利用一种由金属发热丝嵌入聚丙烯保护膜构成的农用发热膜进行冬季茄果类育苗;周长吉[12]将栽培盆直接放置在地面,加热管道铺在栽培盆底部,直接对其加热;赵云龙等[13]将碳晶加热板系统引入番茄栽培设施中,试验表明将加热板全部掩埋在基质里加温处理番茄幼苗能显著提高番茄的根系活力和光合速率。目前,大多数根区加热主要适用于育苗环节的栽培,因此在长江三角洲地区采用根区加热的方式来验证茄果类作物能否安全过冬,具有非常重要的意义。

    本文拟研制一种保温性能良好的双层嵌套式栽培盆,将硅橡胶加热板放置于栽培基质中,加热板由STM32微控制器进行加热功率控制,分析在不同根区温度下作物地上部分温度变化特性,以期为冬季温室中对茄果类作物进行根区加热提供参考。

    该系统主要由栽培盆、硅橡胶加热板、发泡剂、触摸屏、继电器、电源、SPI通信模块、STM32微控制器及传感器模块等组成。温度传感器与变送电路组成采集模块,完成设备初始化后,通信模块将采集的温度信号传送至控制器,控制器计算采集到的状态值与设定值,通过在线调整模糊PID算法并计算出控制量,从而控制多路加热板加热功率,具体工作原理如图1所示。

    图  1  温度控制系统工作原理图
    Figure  1.  Schematic diagram of temperature control system

    设计一种双层嵌套式栽培盆,外层栽培盆口径尺寸40 cm×40 cm,底径24 cm×24 cm,高35 cm;内层栽培盆口径尺寸30 cm×30 cm,底径18 cm×18 cm,高26 cm。将小盆嵌套在大盆内部,间隙使用发泡剂填充,间隙底部发泡剂厚度为8 cm,四周间隙厚度为5 cm,栽培盆内壁两侧各放入硅橡胶电热板,三维效果图如图2所示。发泡剂的主要成分为聚氨酯,聚氨酯广泛用于建筑、化工、电子等领域的一种新兴的有机高分子材料,该材料导热系数极低,不易吸水,具有黏结、密封、隔热等特点,是一种优质保温材料,在系统运行时起到隔热保温进而节能的作用。

    图  2  节能栽培盆结构示意图
    Figure  2.  Structure of energy saving pot

    加热板采用硅橡胶电热板,它具有良好的柔韧性,可与被加热物体紧密接触,双面散热。电加温线排布如图3所示,外形呈长方形,长×宽×厚为150 mm×120 mm×1 mm,电热板发热形式为面状,相比电热线以自身为辐散中心呈线性散热,可避免栽培盆内局部温度过高、受热不均匀等问题,且相同功率下其表面温度较低,可减少对植物根系的伤害[14-16]

    图  3  硅橡胶电热板结构图
    Figure  3.  Schematic diagram of silicon rubber heating plate

    对于稳态的一维平壁导热问题[17-18],采用第一类边界条件,可利用傅里叶定律求解加热板所需的热流量,其数学描写为:

    $$\mathit{\Phi} \int_0^\delta {\frac{{{\rm{d}}x}}{A}} = - \int_\theta^{\theta'} {\lambda {\rm{d}}x} ,$$ (1)

    即热流量和热流密度为

    $$\left\{ \begin{array}{l} \mathit{\Phi} = \dfrac{{\theta - \theta'}}{{\delta /(\lambda A)}} \text{=}\dfrac{\lambda A\left( \theta -{\theta }' \right)}{\delta } \\ q = \dfrac{{\theta - \theta'}}{{\delta /\lambda }} \text{=}\dfrac{\lambda \left( \theta -{\theta }' \right)}{\delta } \end{array} \right.,$$ (2)

    式中,Φ为热流量,W;q为热流密度,W/m2θθ′为不同平壁面的温度,℃;δ/λA为平壁的导热热阻,K/W;δ/λ为平壁的面积热阻,m2K/W。

    以加温栽培盆为模型,模拟出作物在极端寒冷天气下所需的加温能耗量,计算以单片加热板加热作物根区为例,其中栽培盆与硅橡胶加热板厚度不计,模型示意图见图4

    图  4  栽培盆导热示意图
    λ1:栽培基质的导热系数;λ2:绝缘脂发泡剂的导热系数;θ1:栽培基质层的温度;θ2:绝缘脂发泡剂层的温度;θf:温室的温度;δ1:基质层的厚度;δ2:绝缘脂发泡剂的厚度
    Figure  4.  Schematic diagram of heat conduction in pot
    λ1: Thermal conductivitiy of cultivated substrate; λ2: Thermal conductivitiy of insulating grease foaming agent; θ1: Temperature of cultivated substrate; θ2: Temperature of insulating grease foaming agent; θf: Greenhouse temperature; δ1: Substrate thickness; δ2: Thickness of insulating grease foaming agent

    据文献[19-21]可知辣椒喜温不耐霜冻,生长期间若长期处于0~5 ℃以下低温时,会出现叶绿素减少等冷害表现,即温室气温(θf)的极端值范围为0~5 ℃,计算时θf取1 ℃,试验设定根区温度范围在15~25 ℃,栽培基质层温度(θ1)取最高值25 ℃,此时保温层温度(θ2)维持在40 ℃,将上述数据代入到公式(3)和(4),得到2个方向的热流密度:

    $$ {{q}_{1}}=\frac{{{\theta }_{2}}-{{\theta }_{1}}}{{{\delta }_{1}}/{{\lambda }_{1}}}\text{=}\frac{{{\lambda }_{1}}\left( {{\theta }_{2}}-{{\theta }_{1}} \right)}{\delta_1 }, $$ (3)
    $$ {{q}_{2}}=\frac{{{\theta }_{2}}-{{\theta }_{1}}}{{{\delta }_{2}}/{{\lambda }_{2}}}\text{=}\frac{{{\lambda }_{2}}\left( {{\theta }_{2}}-{{\theta }_{1}} \right)}{{{\delta }_{2}}}, $$ (4)

    加热板的热流为2个方向的热流密度之和:

    $$ q = {q_1} + {q_2}, $$ (5)

    通过公式(3)~(5)算得加热板所需热流密度q为76.7 W/m2,说明在实际试验中采用80 W/m2功率的加热板是较为合理的。

    系统微控制器选用STM32F407,其具有良好的瞬态反应和抗噪声能力,可保证系统的可靠运行,温度采集电路采用Ⅰ级K型热电偶加调理芯片MAX6675,通过SPI串口通讯方式将数据传送至STM32,每路热电偶单独连接一个温度调理芯片,通过译码器译码来选择读取的热电偶通道,输入面板采用TFT显示屏,可通过控制面板设置温度值,电路原理图如图5所示。

    图  5  控制系统电路原理图
    Figure  5.  Schematic diagram of control system circuit

    为了确保系统控制根区温度的稳定性,采用抗干扰能力强、响应迅速的自整定模糊PID控制算法[22-24]。模糊PID控制结构如图6所示,采用二维模糊控制结构,以温度误差e(k)和误差变化率ec(k)作为输入,PID参数调整量∆Kp、∆Ki和∆Kd作为输出。

    图  6  模糊PID控制结构图
    θs:温度信号的采样值;θc:温度信号的设定值;e(k):温度信号误差;ec(k):温度信号误差变化率;∆Kp(k)、∆Ki(k)和∆Kd(k)为PID控制器的参数调整量;θfθh为温度控制量
    Figure  6.  Structural diagram of the PID control block
    θs: The sampling value of temperature signal; θc: The set value of temperature signal; E(k): Error of temperature signal; EC(k): Change rate of E(k); ∆Kp(k), ∆Ki(k), ∆Kd(k) are parameter adjustment quantities of PID controller; θf, θh are control quantities of temperatare

    本系统采用三角形隶属度函数,设定输入输出量的词集取7个模糊子集,即{NB(负大),NM(负中),NS(负小),Z0(零),PS(正小),PM(正中),PB(正大)},其中“大、中、小”表示控制量的程度,“正、负”表示变量的变化趋势方向(正变化或负变化)。设定初始温度θs,开始阶段使用开关控制使加热板开始加温,待土壤温度上升到一定温度后采用模糊PID来控制,PID调节实际温度θc的范围在[θsθeθs+θe]内,误差的变化率ec范围在[∆Us/T−θec,∆Us/T+θec]内,则E和EC的基本论域为[−θeθe]和[−θecθec]。根据工程经验,本文将温度信号误差e和温度信号误差变化率ec的模糊论域设为[−6,6],控制器输出变量∆Kp、∆Ki和∆Kd的论域分别为[−0.12,0.12]、[−0.30,0.30]和[−0.09,0.09]。温度信号误差的量化因子Ke=6/θe,温度信号误差变化率的量化因子Kec=6/θec,这将e和ec从基本论域范围转换为模糊论域范围,比例因子分别是0.020、0.050和0.015,工作时,系统不断读取e、ec值,模糊控制器实时输出∆Kp、∆Ki和∆Kd的值,根据公式(6)得到PID算法的KpKiKd,从而实现PID控制的参数自整定。

    $$ \left\{ {\begin{array}{*{20}{c}} {{K_{\rm{p}}}\left( k \right) = {K_{{\rm{p}}\_{\rm{s}}}} + 0.02\Delta {K_{\rm{p}}}\left( k \right)}\\ {{K_{\rm{i}}}\left( k \right) = {K_{{\rm{i}}\_{\rm{s}}}} + 0.05\Delta {K_{\rm{i}}}\left( k \right)}\\ {{K_{\rm{d}}}\left( k \right) = {K_{{\rm{d}}\_{\rm{s}}}} + 0.015\Delta {K_{\rm{d}}}\left( k \right)} \end{array}} \right., $$ (6)

    式中,Kp_sKi_sKd_s分别为PID参数基值。

    供试辣椒品种为‘苏椒5号’,该品种的辣椒株高最高可达50~60 cm,栽培基质为椰壳(Galuku Group,澳大利亚),辣椒栽培期间定期施用营养液,试验期间外界气温较南京冬季平均气温偏低、风速适中,是典型的南方冬季低温弱光气候。试验于2017年11月4日播种于孔穴盘中,12月6日“四叶一心”时选取长势一致的植株移植到栽培盆中,进入加温栽培期。

    采用TP-300手持式测温仪对根区温度进行检测,测量时温室内温度8 ℃。由于栽培基质质地松软,导热系数较低[25],属于热的不良导体,电热板在基质里放出的热量到达植物根际有一定滞后性,测量时每个栽培盆设置5个测点,以植物根茎5 cm为半径,深度为10 cm的5个点,测量点分布如图7所示。设置3组根区温度:15、20和25 ℃,每组温度处理3株植株,对每株植物进行4次重复观测,取平均值作为测量值,每次测量相互独立。

    图  7  温度采集点分布图
    Figure  7.  Distribution diagram of temperature collection points

    作物地上部分(茎秆、叶片)温度测量时,设置根区温度为15、20和25 ℃,测量时间为每天05:00,试验采用的辣椒株高均在25~35 cm,且作物外形相似,对作物地上部分的温度测量分为茎杆和叶片两部分。茎秆上每隔2 cm设置为一个测点,每一叶片沿着叶脉方向均匀选取3个测点,测点之间间隔相等,测点分布如图8图9所示。使用TYS-4N型植物营养测定仪对整株作物温度进行测量,测量时按下测量压头,使测量位置夹住作物叶片停留约2~3 s,直到蜂鸣器发出提示音,松开测量压头。

    图  8  作物茎秆测点示意图
    Figure  8.  Schematic diagram of measuring points on crop stem
    图  9  作物叶片测点示意图
    Figure  9.  Schematic diagram of measuring points on crop leaf

    对作物地上部分温度进行连续测量,07:00—21:00每隔2 h测量1次。观测点选择作物基底部、作物中部和冠层顶部3个高度,每个高度随机选择4个测点,测点分布如图10所示。采用TYS-4N型植物营养测定仪测量各个测点的温度,为避免环境温度的波动对测量结果产生影响,4次测量均在1 min内完成,观测值为测点温度的平均值。

    图  10  作物地上部测点分布示意图
    Figure  10.  Schematic diagram of measuring points on plant aboveground

    为了验证保温栽培盆的节能性,在相同外界条件下,比较保温栽培盆与普通栽培盆的耗电量。普通栽培盆为内层保温栽培盆,即口径尺寸30 cm×30 cm,底径18 cm×18 cm,高26 cm,单层,不加保温层,加热板放置同保温栽培盆。在不同根区温度(15、20和25 ℃)下分别设置3组保温盆与3组普通盆,采用电量检测仪测量每盆作物的耗电量,每天5:00读取电量检测仪的读数,为当日该盆的能耗量,持续测量2周。最后对保温栽培盆进行实用性分析,与燃煤锅炉进行经济性比较。

    验证系统温度控制准确性的采集结果如表1所示。计算温度平均值时,20 ℃组2的测量值与25 ℃组2的测量值为可信度较低的数值,计算时应剔除,对剩余的数据进行计算,保证得到最优的平均值,由试验结果可知,实际测得的数据比设定温度偏高,相对误差保持在0~4.53%,该系统有较好的稳定性与精确性。

    表  1  根区温度控制试验结果
    Table  1.  Experiment results of controlling root temperature
    测量点
    Test point
    15 ℃ 20 ℃ 25 ℃ CK
    组1
    Group 1
    组2
    Group 2
    组3
    Group 3
    组1
    Group 1
    组2
    Group 2
    组3
    Group 3
    组1
    Group 1
    组2
    Group 2
    组3
    Group 3
       1 15.70 15.80 15.60 20.70 20.70 20.20 25.50 26.00 25.00 8.10
       2 16.00 15.60 15.10 21.00 20.60 20.50 25.60 25.70 25.40 8.80
       3 15.80 15.50 15.40 20.80 22.30 20.80 25.30 25.40 25.80 8.70
       4 15.60 15.40 15.80 20.50 20.50 20.30 25.10 25.60 25.50 8.80
       5 15.30 15.30 15.70 20.60 20.60 20.40 25.00 27.00 25.90 9.00
    平均值 Average 15.68 15.52 15.52 20.72 20.90 20.44 25.30 25.54 25.52 8.68
    相对误差/%
    Relative error
    4.53 3.46 3.46 2.88 4.50 2.20 1.20 2.16 2.08
    下载: 导出CSV 
    | 显示表格

    表2可知,在前3个晴天试验日中,中午时段太阳辐射较强,温室室内温度迅速上升,在15、20和25 ℃ 3种根区处理温度下作物日间平均温度分别为11.0、12.1和13.2 ℃,CK日间平均温度为9.8 ℃,说明该系统的加温模式在有太阳辐射的情况下对作物地上部分温度提升效果明显。试验期间温室气温、对照组作物的平均温度和不同根区温度下作物地上部温度的变化曲线如图11所示。由图11可知,作物地上部每日温度变化呈“单峰”曲线变化,最高温度出现在12:00—14:00区间,同时,12月16、17日为阴雨天,是典型的冬季低温弱光天气,温室内最高气温出现在16日13:00,温度仅为11.2 ℃,作物地上部温度变化不明显,日间平均温度为8.5 ℃,夜间平均温度为6.4 ℃,3组根区加温处理作物的地上部日间平均温度分别为10.2、11.5和12.5 ℃,夜间平均温度分别为8.8、9.7和11.4 ℃,尽管气温骤降,作物整体温度略低于前3个试验日,但没有出现大幅度的温度波动,作物的地上部仍处在一个有利于生长的温度环境。试验期间根区温度为15、20和25 ℃时,作物冠层温度日间平均提高1.4、2.6和3.7 ℃,夜间平均提高2.1、2.9和4.0 ℃。

    表  2  不同根区温度处理的作物地上部平均温度
    Table  2.  Average temperature of aboveground parts of crop under treatment with different root temperature
    θ/℃
    Treatment temperature
    晴天 Sunny day 阴天 Cloudy day
    日间 Daytime 夜间 Night 日间 Daytime 夜间 Night
    15 11.0±2.08 9.4±1.46 10.2±1.60 8.8±1.58
    20 12.1±1.97 10.5±1.04 11.5±1.46 9.7±0.72
    25 13.2±1.66 12.0±1.20 12.5±1.93 11.4±0.77
    CK 9.8±2.55 7.7±1.50 8.5±1.36 6.4±0.83
    下载: 导出CSV 
    | 显示表格
    图  11  不同根区温度处理下作物温度日变化及温室气温变化
    Figure  11.  Changes in crop temperature and greenhouse temperature under different root zone temperatures

    为了使作物的温度分布更为直观,采用RGB相机采集作物图像,基于Colourbar绘制作物温度分布图,结果如图12所示。由图12可知,在没有太阳辐射的情况下,每组作物地上部分温度从底部沿冠层顶部方向呈递减趋势,CK组作物基部采集最高温度为6.53 ℃,该组作物在低温下已经出现了叶片皱缩、叶片黄斑等冷害表现,当给作物根区加热时,由于栽培盆基质上方没有铺设保温隔热材料,加热板散发的热量会垂直向上传递,直接加热作物周围的空气。根区温度为15、20、25 ℃时,3组作物测量到的最高温度分别为7.57、8.61和10.56 ℃,且加温组作物生长状态良好。可见,本研究提出的作物根区加热的方法可有效地提高作物温度,避免作物在夜间低温环境下遭受冷害。

    图  12  不同根区温度处理下作物温度分布图
    Figure  12.  Crop temperature profiles under different root zone temperatures

    图13为保温栽培盆与普通栽培盆的耗电量试验结果,温室温度对能耗量有着重要的影响,当室内温度升高时,能耗明显降低,12月22日至12月24日由于环境温度高,根区温度为15 ℃时不需要加热板提供热量,反之温室温度降低时,根区加热所需能耗明显提升。试验表明填充发泡剂的栽培盆比普通栽培盆节能效果显著,根区温度为15、20和25 ℃时,普通栽培盆耗能分别为5.19、7.51和9.61 kW·h,保温栽培盆分别耗能4.18、5.99和7.76 kW·h,保温栽培盆比普通栽培盆分别节省电量24.2%、25.3%和23.8%,节能效果明显。

    图  13  不同根区温度处理下2种栽培盆的耗电量
    Figure  13.  Power consumptions of two types of pots under different root zone temperatures

    计算单位面积的耗电量,保温栽培盆的口径为40 cm×40 cm,每平方米可放置6.25个栽培盆,但实际种植时考虑盆与盆之间存在一定间隙,即按1 m2放置4个保温栽培盆来计算,一般地666.7 m2可栽培辣椒约为2 600株,即采用保温栽培盆种植辣椒可以达到实际生产中的种植要求。以加热到15 ℃为例,加温栽培2周,每平方米保温栽培盆栽共耗电16.72 kW·h,以电费0.5元/(kW·h)计算,前期投入为每平方米11元。采用燃煤锅炉供暖,达到与保温栽培盆提供相同的热量时,燃煤量为2.4 kg/m2[26],煤的价格每吨900元,前期投入为每平方米27元[27],人工费用为每平方米2.12元,则保温栽培盆电加热与燃煤锅炉的运行总费用分别为19.36和31.28元。

    通过运行费用比较可知,电费比煤的价格高,所以保温栽培盆运行的电费会高于燃煤量的费用,但燃煤锅炉产生的热量在能量传递过程中会有一定损耗,所以在实际过程中耗煤量会高于理论计算值,且燃煤锅炉有着高昂的前期投入以及人工费用,综合比较认为保温栽培盆是一种更为经济的加温方法。燃煤锅炉还存在着环境污染问题,保温栽培盆可循环利用,节能效果良好,从长远性考虑,保温栽培盆更具经济效益和生态效益,有一定的实际应用价值。

    本文设计的双层嵌套栽培盆具有保温、节能的特点,栽培盆内置硅橡胶加热板,加温系统采用模糊PID控制,提高了温度控制精度,将误差控制在0~4.53%,有良好的稳定性与精确性。试验结果表明,在没有太阳辐射的情况下,加热作物根部会使作物地上部分温度往冠层顶部方向递减,当根区温度设置为15、20和25 ℃时,作物冠层温度日间分别平均提高1.4、2.6和3.7 ℃,夜间分别平均提高2.1、2.9和4.0 ℃,保温栽培盆比普通栽培盆分别节省电量24.2%、25.3%和23.8%,节能效果明显,且相比燃煤锅炉,保温栽培盆有着更低的运行费用,具有实用性,且本系统所采用的聚氨酯发泡剂、硅橡胶加热板、热电偶传感器等元件成本低廉,有助于该系统的后期推广。

    根区加温模式不但耗能较低,而且对抵御冬季持续恶劣天气,保证作物安全度过低温冷害期有着重要意义。传统温室加温是通过加热整体环境,然后热量传递到作物各个部分,而根部往往是温度最低的部分;作物根区加热系统往往是根区温度最高,然后温度分布往冠层顶部方向递减,这种温度分布趋势对于抵抗短期的低温冷害具有明显优势,但是对于作物长期的长势,尤其是产量的影响,还需要进一步的试验观测。

  • 图  1   不同生长状态的草坪杂草

    Figure  1.   Lawn weeds in different growth states

    图  2   图像预处理结果

    Figure  2.   The results of preprocessed images

    图  3   不同处理下的中值滤波

    Figure  3.   Median filter under different treatment

    图  4   各向灰度分布差异检测算子

    Figure  4.   The detection operator of gray distribution difference in different direction

    图  5   图像的DGD特征

    Figure  5.   The DGD feature of image

    图  6   本文方法流程图

    Figure  6.   Flow chart of method in this paper

    图  7   不同算法的分割结果 (DGDFCM为本文算法)

    Figure  7.   Segmentation results of different algorithms (DGDFCM is the algorithm in this paper)

    表  1   草坪和杂草样本表型

    Table  1   Phenotypes of lawn and weed samples

    样本编号
    Sample number
    草坪表型
    Lawn phenotype
    杂草表型
    Weed phenotype
    叶片颜色
    Leaf color
    生长状态
    Growth state
    叶片形状
    Leaf shape
    叶片颜色
    Leaf color
    生长状态
    Growth state
    1 青绿 密集 细叶 青绿 丛生
    2 黄绿 密集 大阔叶 黄绿 单株
    3 黄绿 密集 小阔叶 黄绿 单株
    4 青绿 密集 大阔叶 青绿 丛生
    5 嫩绿 密集 细叶 青绿 单株
    6 嫩绿 稀疏 大阔叶 青绿 丛生
    7 青绿 密集 小阔叶 青绿 单株
    8 嫩绿 稀疏 大阔叶 嫩绿 单株
    下载: 导出CSV

    表  2   不同算法的图像分割质量评价

    Table  2   Quality evaluation for image segmentation of different algorithm %

    样本编号 Sample number 指标1) Index FCM FCM-S2 FCMNLS RSFCM DGDFCM
    1 SA 59.07 72.11 54.14 62.81 85.78
    UR 11.83 11.27 11.44 9.34 7.41
    OR 13.23 3.05 2.14 23.43 1.69
    2 SA 95.21 95.74 95.67 96.01 95.87
    UR 2.51 2.55 2.53 2.47 2.51
    OR 1.29 0.85 0.80 1.12 0.88
    3 SA 67.75 86.07 82.99 77.80 87.57
    UR 8.40 8.42 8.43 7.08 7.36
    OR 12.02 2.49 2.46 10.03 2.61
    4 SA 89.21 92.59 92.67 91.71 93.34
    UR 3.86 3.84 3.86 3.71 3.76
    OR 3.69 1.57 1.13 2.72 1.32
    5 SA 79.07 83.79 86.58 83.79 91.61
    UR 9.75 8.17 8.33 5.25 6.13
    OR 9.47 2.78 1.60 10.35 1.39
    6 SA 84.37 93.77 93.98 90.96 94.60
    UR 4.11 3.51 3.53 3.20 3.34
    OR 6.43 1.07 0.71 3.92 0.73
    7 SA 83.81 90.74 90.20 87.84 92.23
    UR 5.88 5.00 5.03 4.66 4.80
    OR 6.08 1.99 1.58 4.50 1.53
    8 SA 70.29 87.84 88.73 86.08 90.60
    UR 8.24 5.91 5.96 4.85 5.33
    OR 12.17 1.21 0.71 7.26 0.19
    平均
    Average
    SA 78.60 87.83 85.62 84.63 91.45
    UR 6.82 6.08 6.14 5.07 5.08
    OR 8.05 1.88 1.39 7.92 1.09
     1) SA: 分割准确率,UR: 欠分割率,OR: 过分割率
     1) SA: Segmentation accuracy, UR: Under segmentation rate, OR: Over segmentation rate
    下载: 导出CSV
  • [1]

    IGNATIEVA M, ERIKSSON F, ERIKSSON T, et al. The lawn as a social and cultural phenomenon in Sweden[J]. Urban Forestry & Urban Greening, 2017, 21: 213-223.

    [2] 杭楠, 王翔宇, 张蕴薇, 等. 结缕草草坪杂草化学防除策略[J]. 草业科学, 2019, 36(9): 2259-2269.
    [3]

    HOCKEMEYER K, KOCH P L. Alternative and low‐use‐rate herbicides offer similar levels of weed control to current standards in turfgrass lawns in the upper midwest[J]. Crop, Forage & Turfgrass Management, 2019, 5(1): 1-6.

    [4]

    MARTELLONI L, FONTANELLI M, CATUREGLI L, et al. Flaming to control weeds in seashore paspalum (Paspalum vaginatum Sw. ) turfgrass[J]. Journal of Agricultural Engineering, 2019, 50(3): 105-112. doi: 10.4081/jae.2019.904

    [5]

    JIN X, CHE J, CHEN Y. Weed identification using deep learning and image processing in vegetable plantation[J]. IEEE Access, 2021, 9: 10940-10950. doi: 10.1109/ACCESS.2021.3050296

    [6]

    YU J, SCHUMANN A W, SHARPE S M, et al. Detection of grassy weeds in bermudagrass with deep convolutional neural networks[J]. Weed Science, 2020, 68(5): 1-31. doi: 10.1017/wsc.2020.76

    [7]

    WATCHAREERUETAI U, MATSUMOTO Y T T, KUDO H, et al. Computer vision based methods for detecting weeds in lawns[J]. Machine Vision & Applications, 2006, 17(5): 287-296.

    [8]

    PARRA L, MARIN J, YOUSFI S, et al. Edge detection for weed recognition in lawns[J]. Computers and Electronics in Agriculture, 2020, 176(2): 105684.

    [9]

    TONGBRAM S, SHIMRAY B A, SINGH L S, et al. A novel image segmentation approach using fcm and whale optimization algorithm[J]. Journal of Ambient Intelligence and Humanized Computing, 2021(1): 1-15.

    [10] 兰蓉, 林洋. 抑制式非局部空间直觉模糊C−均值图像分割算法[J]. 电子与信息学报, 2019, 41(6): 1472-1479.
    [11] 赵泉华, 王春畅, 李玉. 基于混合邻域约束项的改进FCM算法[J]. 控制与决策, 2021, 36(6): 1457-1464.
    [12] 张春龙, 张楫, 张俊雄, 等. 近色背景中树上绿色苹果识别方法[J]. 农业机械学报, 2014, 45(10): 277-281. doi: 10.6041/j.issn.1000-1298.2014.10.043
    [13] 张田, 田勇, 王子, 等. 基于清晰度评价的自适应阈值图像分割法[J]. 东北大学学报(自然科学版), 2020, 41(9): 1231-1238. doi: 10.12068/j.issn.1005-3026.2020.09.003
    [14] 王宁, 殷长春, 高玲琦, 等. 基于曲波变换的航空电磁数据去噪方法研究[J]. 地球物理学报, 2020, 63(12): 4592-4603. doi: 10.6038/cjg2020N0365
    [15]

    CAI W, CHEN S, ZHANG D. Fast and robust fuzzy C-means clustering algorithms incorporating local information for image segmentation[J]. Pattern Recognition, 2007, 40(3): 825-838. doi: 10.1016/j.patcog.2006.07.011

    [16] 毛林, 赵利强, 于明安, 等. 基于图像局部熵的混合水平集模型甲状旁腺分割[J]. 光学学报, 2019, 39(12): 256-264.
    [17] 徐金东, 赵甜雨, 冯国政, 等. 基于上下文模糊C均值聚类的图像分割算法[J]. 电子与信息学报, 2021, 43(7): 2079-2086. doi: 10.11999/JEIT200263
  • 期刊类型引用(6)

    1. 胡瑾,杨永霞,李远方,侯军英,孙章彤,王浩宇,何东健. 温室环境控制方法研究现状分析与展望. 农业工程学报. 2024(01): 112-128 . 百度学术
    2. 冯倩,李邵,王柳,裴庆余,何芬,田婧,李淼,潘守江,鲁少尉. 不同根区加温系统对冬季设施番茄生产的影响. 农业工程技术. 2024(30): 34-39 . 百度学术
    3. 吴仲孝,洪宁宁,倪勇,高磊,刘旌平. 国内外加热电缆的发展现状. 电线电缆. 2023(03): 24-29 . 百度学术
    4. 陈昊,汪小旵,施印炎,张先洁. 基于相变储热材料的温室栽培架设计及性能研究. 西北农林科技大学学报(自然科学版). 2022(02): 135-143+154 . 百度学术
    5. 高振军,司长青,何芬,张彦萍,朱立保. 热风管道加温下日光温室根区温度场的CFD模拟. 中国农业大学学报. 2022(11): 207-216 . 百度学术
    6. 何芬,侯永,李恺,魏晓明,刘雅青. 基于碳晶电热膜的温室育苗保温加温系统研究. 中国农学通报. 2021(04): 85-90 . 百度学术

    其他类型引用(1)

图(7)  /  表(2)
计量
  • 文章访问数:  212
  • HTML全文浏览量:  11
  • PDF下载量:  448
  • 被引次数: 7
出版历程
  • 收稿日期:  2021-09-03
  • 网络出版日期:  2023-05-17
  • 刊出日期:  2022-05-09

目录

/

返回文章
返回