郭 娜，刘思瑶，须 晖，田素博,3，李天来



雾滴沉积特性参数的图像检测算法改进

郭 娜1,2,3，刘思瑶2，须 晖1,3，田素博2,3，李天来1,3※

（1. 沈阳农业大学园艺学院，沈阳 110866；2. 沈阳农业大学工程学院，沈阳 110866； 3. 设施园艺省部共建教育部重点试验室，沈阳 110866）

快速获取施药后雾滴在靶标表面的沉积分布有助于了解农药的田间分布情况，水敏试纸雾滴图像处理算法是检测喷药沉积特性参数常用的方法，但常因光照不均、试纸上沉积的雾滴斑痕粘连而引起雾滴识别误差。为解决这一问题，针对手机拍摄的照片，该文提出了与位置相关的动态阈值法提取雾滴区域，并设计基于圆形度的循环分割算法对粘连雾滴分割。以水代替农药利用背负式喷雾器喷洒，选取8张不同稀疏程度和碰撞角度的试纸作为样本进行试验，以验证上述算法的检测效果。试验结果表明，该方法不受亮度不均影响，覆盖率比固定阈值与分块阈值法分别高12.57%和8.74%，提取到的雾滴区域更加完整，能够提取92.64%以上的雾滴，且粘连分割效果较好，雾滴识别的正确率为97.2%，覆盖密度检测误差为3.31%，能够满足实际生产要求，为下一步开发雾滴检测APP打下基础。

图像处理；图像分割；算法；水敏试纸；雾滴；沉积分布；动态阈值；粘连分割

0 引 言

设施蔬菜病虫害频发，化学防治仍然是主要手段，农民为了追求高产，农药滥用现象十分严重，导致农产品农药残留超标、农田环境污染等一系列问题。如何提高农药利用率、减少农药使用量成为亟待解决的问题。国内外学者将传感器技术、变量喷雾技术、航空技术、现代控制技术等先进技术与施药技术相结合以提高农药利用率，但如何准确快速评价各种先进施药技术的喷施效果一直是田间测试中的难题。为了发挥农药的最佳效力达到有效防治的效果，雾化后的药液雾滴必须均匀、适当地分布在植物叶片等靶标上，并达到一定的富集量，雾滴在作物上的沉积分布与农作物的病虫害防治效果密切相关。快速获取施药后雾滴田间沉积分布情况是目前衡量农药喷施效果的重要手段之一，可对施药效果进行定量评价，为进一步优化农药喷施技术提供参考[1-3]。

目前雾滴沉积分布特性的田间检测方法主要有直接检测和间接检测2种。直接检测法利用荧光染色剂代替农药喷洒，然后用蒸馏水洗脱叶片上沉积的药液，通过洗脱溶液的荧光剂浓度来得到雾滴的沉积量[4]，该方法能够直接得到作物叶片上的雾滴沉积量，但洗脱效果直接决定检测结果，准确性不高。间接检测法是利用油盘、氧化镁采样板、水敏试纸等各种雾滴收集器代替叶片承接雾滴，再以人工统计或图像处理的方法对收集器内雾滴进行分析统计，具有直观，适用性广的优点[5-12]。其中水敏试纸显色明显，易于图像处理和保存，是目前最常用的雾滴收集器[13-15]。目前，国外已开发了多种水敏试纸图像处理软件[16-21]，国内大疆公司也推出与智能移动设备配合使用的雾滴分析设备和App，实现田间雾滴沉积分布的快速检测，但雾滴图像识别效果有待进一步提高。

水敏试纸上雾滴斑痕的图像识别主要包括雾滴区域提取和粘连雾滴分割两步。雾滴区域提取将图像中显色的雾滴区域与背景分割开，目前常用的算法有固定阈值法[22-24]、分块阈值法[25]，Ostu自动阈值法[14,26]，上述算法采用一个或多个固定阈值对图像进行分割，在图像亮度不均的情况下提取效果较差。粘连雾滴分割将试纸上部分重叠的雾滴进行分割，常用的算法有基于分水岭分割法[27]和寻找分离点对的算法，前者对微弱边缘十分敏感，图像中的噪声、细微的灰度变化，都有可能产生过度分割的现象，导致雾滴图像信息的丢失；后者不适于许多雾滴粘连在一起的情况[28]。

为提高喷药沉积特性检测的精度与效率，本文对水敏试纸上雾滴的图像处理算法进行了优化改进：利用动态阈值算法解决图像亮度不均对雾滴区域提取的影响；采用基于圆形度的循环判断分割法，解决粘连雾滴区域不易分割或过度分割的问题，实现对雾滴沉积性能参数的检测，并试验验证本文图像处理算法的检测效果。

1 材料与方法

1.1 水敏试纸图像采集

水敏试纸本色为黄色，遇水区域迅速变为蓝绿色，反应迅速，对比明显，易于图像处理。本文采用普兰迪机电设备公司生产的背负式电动喷雾机（工作压力0.2～0.4 MPa，额定电压12 V）及杭州美琪公司生产的L334单孔锥形喷头搭建喷雾系统，喷头雾化角为67°，试验获得的水敏试纸放在自制的图像采集装置上，智能手机放到水平支架上，并保持水敏试纸平行，如图1所示，在自然光照条件下拍摄水敏试纸图像，然后上传到电脑上进行图像处理。图像处理程序采用德国MVTec公司研发的HALCON专业图像处理软件进行编制，可提供丰富的函数库，分析方便精准，应用广泛[29-30]。

1.智能手机 2.水敏试纸 3.标定板 4.支架

1.2 雾滴沉积特征参数表示方法

利用水敏试纸法测量雾滴沉积特性时，采用雾滴覆盖率和雾滴密度来衡量采样点的雾滴沉积情况，进而以各采样点的变异系数作为雾滴田间分布均匀性的指标。

1.2.1 雾滴覆盖率

雾滴覆盖率（coverage percentage）用雾滴覆盖区域面积占统计总面积的百分比表示，如公式（1）所示。

式中为喷雾覆盖率，%；A为雾滴区域像素数；A为试纸区域总像素数。

1.2.2 雾滴覆盖密度

雾滴覆盖密度（coverage density）是影响雾滴防治效果的重要参数，是指雾滴收集装置单位面积上所承接的雾滴个数，如公式（2）所示。

式中为雾滴覆盖密度，个/cm2；为雾滴的总数；为试纸的总面积，cm2。

1.3 水敏试纸图像处理算法

水敏试纸图像经过图像预处理、雾滴区域提取、粘连雾滴分割后即可得到雾滴沉积特征参数。

1.3.1 图像预处理

本文对水敏试纸图像进行傅里叶变换增强后，利用标定板校正镜头畸变，确定物理尺寸和像素间的换算关系，避免拍摄角度等因素的影响，提高图像检测精度，然后将彩色图像分为R-G-B三通道图像，如图2所示。其中R通道试纸区域与背景的对比度更强，B通道图像除试纸区域外灰度值与R通道相近，因此本文选取R通道图像与B通道图像做差，得到仅有水敏试纸区域与背景对比非常明显的灰度图像，利用灰度的明显差异分割出水敏试纸，并计算水敏试纸区域实际面积。

图2 水敏试纸图像预处理

1.3.2 雾滴区域提取

雾滴区域提取是将水敏试纸的灰度图像进行分割，将显色的雾滴区域图像与背景分割开。阈值法是最常用的快速分割算法，设图像中某一像素点的灰度值为(,)，根据一定的方法选取某个灰度值作为阈值，根据公式 （3）进行对图像进行灰度变换，变换后的图像灰度为(,)，对于雾滴图像元素灰度为0（黑），对于背景的图像元素灰度为255（白）。

选择正确的阈值是分割成功的关键。目前水敏试纸图像处理中最常用的阈值化算法为固定阈值法、Ostu自动阈值法和分块阈值法。前两种方法利用图像灰度直方图或类间方差准则标准选取分割阈值，后一种先将图像分成几块，根据每块图像的实际情况选择分割阈值。本文利用智能手机在自然光条件下采集水敏试纸图像，图像亮度均匀性较差，较亮处雾滴的灰度值甚至高于较暗处背景的灰度值，利用一个或几个阈值进行雾滴区域提取的效果较差。

本文采用动态阈值法进行雾滴区域提取。动态阈值法选用与像素位置相关的一组阈值(,)来对图像进行分割。在水敏试纸的灰度图像中，雾滴区域的灰度值远低于其邻域背景的灰度值，因此本文以待分割点(,)为中心，矩形区域×上所有像素的平均灰度值作为该点的分割阈值，如公式（4）所示。

由于采取的均值滤波的结构元素过小会使得雾滴区域提取不全面，过大会使得雾滴与背景对比信息损失，本文经过多次试验调整，最终确定以25×25 pixel的矩形作为结构元素，对待分割的水敏试纸灰度图像进行均值滤波处理，得到待分割图像每个像素点的阈值，并构成阈值图像。比较待分割图像和阈值图像的每个像素点的灰度值，会发现雾滴区域边缘的像素灰度值会增大，而背景区域某些的像素灰度值也会稍有变化，为防止这些灰度值增加的背景像素对提取精度的影响，因此需要对处理后的图像进行灰度值补偿Offset（本文选取－15），然后根据公式（5）即可对水敏试纸图像进行二值化处理

利用动态阈值法对雾滴区域的分割过程如图3所示。分割后即可根据公式（1）求取雾滴覆盖率。

图3 动态阈值法对雾滴区域的分割过程

1.3.3 粘连雾滴分割

雾滴撞击水敏试纸时经常出现2个或多个雾滴落在相近位置，造成雾滴斑痕重叠的现象，因此欲得到水敏试纸上准确的雾滴个数，需将粘连的雾滴区域进行分割。这些粘连的雾滴有许多形状特性与单独的雾滴不同，如圆形度。一个区域的圆形度表示该区域与圆形的相似度，其计算方法如公式（6）所示。

式中为区域的面积，mm2；max为区域边界点距中心点的最大距离，mm；

圆形度0.5常被作为判断雾滴粘连的阈值[18]，本文对试纸上肉眼容易辨别的独立雾滴与粘连雾滴各500个进行圆形度统计分析，结果表明独立雾滴平均圆形度为0.75，粘连雾滴平均圆形度为0.41，圆形度差异较大，但部分粘连严重的雾滴区域圆形度接近于0.5，因此本文选定圆形度0.6作为区分粘连雾滴与单独雾滴的阈值，然后对粘连雾滴区域进行先腐蚀再膨胀的结构化分割操作，通过腐蚀操作将粘连雾滴区域分割开，并进行连通域处理和标记，然后进行膨胀操作避免了雾滴区域大小的改变。

粘连雾滴区域分割中发现单次分割对于2个以上雾滴粘连区域效果不好，因此本文设计了如图4所示的循环判断分割算法对试纸上粘连雾滴进行多次分割。首先将二值化的雾滴图像进行连通域处理和标记，然后选取圆形度小于0.6的区域，作为待分割区域，选取半径为(0=1 pixel)的圆形为结构元素，对粘连区域进行一次先腐蚀后膨胀的结构化分割操作，接着对分割后的区域重新进行连通域处理及圆形度计算，再次提取分割后区域中圆形度小于0.6的区域，并增加腐蚀和膨胀的系数=+1，进入下一轮分割操作，直至所有雾滴区域的圆形度均大于0.6，则认为粘连的雾滴区域全部分割完成。分割过程中对圆形度大于0.6的区域不进行处理，防止细小独立雾滴被腐蚀后丢失。经过循环分割后，统计图像中所有分割后互不相连的雾滴区域个数，然后再除以水敏试纸图像面积，即可得到雾滴密度。

注：r为腐蚀膨胀系数。

2 试验验证

本文将背负式喷雾器喷杆水平放置，以水代替农药，从水敏试纸（30 cm×35 cm）上方50 cm向下喷洒，并调整试纸距离喷出雾锥中心轴的距离，使雾滴约以角度撞击到试纸上，从中挑选8张试纸作为样本进行分析，依次进行雾滴覆盖率和覆盖密度试验，以验证本文算法的检测效果。根据人工计数得到的雾滴密度大小，分为稀疏、适中、密集3组[21]，如图5所示。其中，稀疏组雾滴密度<80，碰撞角度=90°；适中组雾滴密度80<<110，撞击角度依次为=70°、50°、30°、15°；密集组雾滴密度>110，碰撞角度=90°。

2.1 雾滴覆盖率检测

2.1.1 雾滴区域提取算法对比试验

在自然光照下采集稀疏2试纸的图像，如图6所示，因光照不均造成图像左暗右亮，分别应用固定阈值法、分块阈值法以及动态阈值算法对其进行雾滴区域提取，对比不同雾滴区域提取算法对亮度不均图像的处理效果，前两种方法的分割阈值按照参考文献[14]确定，结果如图6所示。

注：K为雾滴覆盖密度，个·cm-2；α为雾滴撞击试纸角度，（°）。

图6 雾滴区域提取方法对比试验结果

对比图6b和6a可知，左侧提取的雾滴区域明显比原图大，造成许多本未粘连的雾滴反而粘连在一起，而右侧提取的雾滴区域则明显小于原图，其原因是分割阈值对于左侧暗区较大，部分较暗试纸被提取为雾滴，同理该阈值对右侧亮区较小，较浅雾滴区域未被提取。由图6c可知，试纸图像被分成4个区域，每个区域选用不同的分割阈值，与固定阈值相比，左侧雾滴区域明显减小，右侧雾滴区域明显增加，且与原图中雾滴大小更接近，但仍有部分较浅雾滴斑痕无法准确提取，如图6c中方框所示；由图6d可知，图像亮度不均匀对本文提出的动态阈值法影响并不大，试纸上显色的雾滴均被准确提取出来，与分块阈值相比，左上部细小雾滴也被提取出来，且提取的雾滴区域面积更接近于原图。

2.1.2 雾滴覆盖率对比试验

分别应用固定阈值法、分块阈值法以及本文所述动态阈值算法求取8张样本的雾滴覆盖密度，结果如表1所示。

表1 雾滴覆盖率检测结果

根据公式（7）计算8张图像在3种阈值分割方法下覆盖率的平均相对误差。固定阈值法和分块阈值法与本文算法的雾滴覆盖率平均相对误差分别为12.57%和8.74%，其中密集2试纸的效果最明显，雾滴覆盖率提高了19.6%和15.4%。

人工统计各个试纸上未提取的雾滴个数，按照图5中试纸的顺序依次为5、9、0、55、8、65、117、138个，占雾滴总个数的0.96%、1.21%、0、6.48%、1.04%、7.36%、5.13%、4.57%，平均相对误差为3.35%，因此本文雾滴提取算法能够提取试纸上92.64%以上的雾滴。由图5可知，对于雾滴较清晰的稀疏1、稀疏2、适中1、适中3试纸，未提取的雾滴个数较少，其他试纸因存在部分颜色极浅细小雾滴，雾滴提取难度大，未提取雾滴个数较多。

因此，本文算法提取的雾滴区域更加完整，不受图像亮度不均的影响，且对于较浅的细小雾滴提取效果有所提高。

2.2 雾滴覆盖密度检测

2.2.1 粘连雾滴分割试验

本试验以图5f雾滴覆盖密度=102.67个/cm2，撞击角度=15°的试纸为例，直观体现本文所述算法对粘连雾滴的分割效果，识别出的雾滴以空心圆表示，并将4个识别错误粘连雾滴以方框标记，如图7所示。

注：1为过度分割雾滴，2为未正确分割雾滴。

由图7可知，粘连雾滴循环分割算法能够准确分割大部分粘连雾滴，尤其是多个雾滴粘连的情况，但仍有部分粘连雾滴被过度分割或未识别。由于雾滴与试纸f的碰撞角度较小，大雾滴斑痕均细长且拖尾，图中部分狭长雾滴因圆形度过小而被过度分割，如方框1中单个细长雾滴被分割为3个雾滴；另外部分与大雾滴相连的细小雾滴也未被准确分割，如图中方框2中左侧凸起的小雾滴，其原因是雾滴粒径相差较大，小雾滴对整个连通区域的圆形度影响较小，因此该区域被划分为独立雾滴而未被分割。

人工统计8张试纸中因过度分割而增加的雾滴以及未准确分割而丢失的雾滴总个数，按照图5中试纸的顺序依次为3、8、17、5、33、72、80、53个，占雾滴个数的0.57%、1.07%、2.3%、0.58%、4.29%、8.16%、3.51%、1.76%，雾滴识别的正确率为97.2%。稀疏1和适中2试纸雾滴粘连程度较轻，本文所设计的雾滴循环分割算法能够准确分割粘连雾滴，雾滴识别误差较小。图7中试纸因雾滴细长造成分割误差较多，因此水敏试纸应用时应水平放置，避免雾滴以小角度碰撞试纸。

各个试纸粘连雾滴循环分割时间依次为89、108、151、138、153、180、176、238 ms，分割时间随雾滴个数和粘连程度的增加而增加，但总体耗时较少。因此，本文的雾滴循环分割算法能够有效分割2个尤其多个雾滴粘连的情况，对于少数细长雾滴和粘连严重且形状不规则的雾滴分割效果较差，需进一步优化改进。

2.2.2 雾滴覆盖密度对比试验

本文分别计算了8张试纸样本上的覆盖密度，将其与人工计数法检测的结果进行对比分析，结果如表2所示。

表2 雾滴覆盖密度检测结果

本文分割算法得到的雾滴覆盖密度，与人工计算方法结果相比，平均相对误差为3.31%，最大相对误差为6.78%，表明本文的粘连雾滴分割算法能够有效分割人眼所能识别的大部分粘连雾滴，满足实际应用的要求。

3 结 论

为实现喷药沉积特性参数的快速检测，本文利用日益强大的智能手机拍照功能代替专用的图像采集系统，对水敏试纸的图像处理算法进行了改进，并进行了试验验证，主要研究内容包括：

1）针对雾滴覆盖检测时，光照条件不均导致的雾滴区域提取困难问题，提出了基于动态阈值的水敏试纸图像二值化方法，提取到的雾滴区域信息完整。试验证明本文算法不受亮度不均影响，覆盖率检测结果分别比固定阈值法与分块阈值法高12.57%和8.74%，且能够提取试纸上92.64%以上的雾滴。

2）针对雾滴覆盖密度检测时粘连雾滴区域对雾滴个数统计的干扰，本文提出了基于圆形度的循环分割法对粘连雾滴区域进行分割，本文的算法能够有效分割大部分粘连严重雾滴和细长雾滴，雾滴识别的正确率为97.2%，覆盖密度与人工计数误差为3.31%，对于细长雾滴和粘连严重雾滴的分割可进一步优化算法。

综上所述，本文所设计的雾滴沉积特性参数图像检测算法可以满足实际生产中对雾滴覆盖率及覆盖密度检测的需求。为实现在实际生产条件下快速准确地检测，还需进一步对图像处理算法进行改进以适应环境的干扰，并开发配套的手机APP。

[1] Holownicki R, Doruchowski G, Godyn A, et al. Variation of sprav deposit and loss with air-jet directions applied in orchards[J]. Journal of Agricultural Engineering Research, 2000, 77(2): 129－136.

[2] Murphy S D, Miller P C H, Parkin C S. The Effect of boom section and nozzle configuration on the risk of spray drift[J]. Journal of Agricultural Engineering Research, 2000, 75: 127－137.

[3] Wise J C, Jenkins P E, Schilder A M C, et al. Sprayer type and water volume influence pesticide deposition and control of insect pests and diseases in juice grapes[J]. Crop Protection, 2010, 29: 378－385.

[4] 陈菁菁，彭彦昆，李永玉，等. 基于高光谱荧光技术的叶菜农药残留快速检测[J]．农业工程学报，2010，26(增刊2)：1－5.

Chen Jingjing, Peng Yankun, Li Yongyu, et al. Rapid detection of vegetable pesticide residue based on hypersectral fluorescence imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.2): 1－5. (in Chinese with English abstract)

[5] 冯斌，汪懋华. 基于颜色分形的水果计算机视觉分级技术[J]. 农业工程学报，2002，18(2)：141－144.

Feng Bin, Wang Maohua. Computer vision classification of fruit based on fractal color[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(2): 141－144. (in Chinese with English abstract)

[6] 陈怡群，常春，汤伯敏. 雾滴显微图像分析中处理亮度不均匀性的算法[J]. 农业工程学报，2009，25(1)：149－153.

Chen Yiqun, Chang Chun, Tang Bomin. Algorithm for handling uneven brightness in image processing of fogdrop micrograph[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(1): 149－153. (in Chinese with English abstract)

[7] 韩仲志，赵友刚，杨锦忠. 基于籽粒RGB图像独立分量的玉米胚部特征检测[J]. 农业工程学报，2010，26(3)：222－226.

Han Zhongzhi, Zhao Yougang, Yang Jinzhong. Detection of embryo based on independent components for kernel RGB images in maize[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(3): 222－226. (in Chinese with English Abstract)

[8] 张京，宋坚利，何雄奎，等. 扇形雾喷头雾化过程中雾滴运动特性[J]. 农业机械学报，2011，42(4)：66－69. Zhang Jing, Song Jianli, He Xiongkui, et al. Droplets movement characteristics in atomization process of flat fan nozzle[J]. Transactions of The Chinese Society for Agricultural Machinery, 2011, 42(4): 66－69. (in Chinese with English Abstract)

[9] 宋淑然，王卫星，洪添胜，等. 水稻田农药喷雾上层植株雾滴截留影响的试验研究[J]. 农业工程学报，2003，19(6)：115－117.

Song Shuran, Wang Weixing, Hong Tiansheng, et al. Testing research on effects of top layer rice fog drop interception on pesticide spraying distribution in rice fields [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(6): 115－117. (in Chinese with English Abstract)

[10] 杨洲，牛萌萌，李君，等. 果园在线混药型静电喷雾机的设计与试验[J]. 农业工程学报，2015，31(21)：60－67.

Yang Zhou, Niu Mengmeng, Li Jun, et al. Design and experiment of an electrostatic sprayer with on-line mixing system for orchard[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 60－67. (in Chinese with English abstract)

[11] 陈益民，张性雄，何金成，等. 微雾滴取样与数据采集方法[J]. 福建农林大学学报：自然科学版，2006，35(4)：445－448.

Chen Yimin, Zhang Xingxiong, He Jincheng, et al. Sprayed droplet sampling and data gathering[J]. Journal of Fujian Agriculture and Forestry University: Natural Science Edition, 2006, 35(4): 445－448. (in Chinese with English abstract)

[12] 李彦，史慧勤，杨振洲，等. 卫生杀虫剂雾滴直径测定方法的比较研究[J]. 中华卫生杀虫药械，2014，20(1)：34－36.

Li Yan. Shi Huiqin, Yang Zhenzhou, et al. A comparative study on methods for testing the size of health insecticide droplet[J]. Chinese Journal of Hygienic Insecticides & Equipments, 2014, 20(1): 34－36. (in Chinese with English abstract)

[13] 茹煜，金兰，贾志成，等. 无人机静电喷雾系统设计及试验[J]. 农业工程学报，2015，31(8)：42－47.

Ru Yu, Jin Lan, Jia Zhicheng, et al. Design and experiment on electrostatic spraying system for unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(8): 42－47. (in Chinese with English abstract)

[14] 蒋焕煜，张利君，刘光远，等. 基于PWM变量喷雾的单喷头动态雾量分布均匀性试验[J]. 农业机械学报，2017，48(4)：41－46.

Jiang Huanyu, Zhang Lijun, Liu Guangyuan, et al. Experiment on dynamic spray deposition uniformity for PWM variable spray of single nozzle[J]. Journal of Agricultural Machinery, 2017, 48(4): 41－46. (in Chinese with English Abstract)

[15] 郑琦琦，吴坚. 基于NO2-显色反应的抗湿性喷雾雾滴密度和大小的检测体系[J]. 农业工程学报，2015，31(3)：107－112.

Zheng Qiqi, Wu Jian. Humidity resistance test system for spray droplet density and size based on NO2-color reaction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 107－112. (in Chinese with English abstract)

[16] Nansen C, Ferguson J C, Moore J, et al. Optimizing pesticide spray coverage using a novel web and smartphone tool, SnapCard[J]. Agronomy for Sustainable Development, 2015, 35(3): 1075－1085.

[17] Salyani M, Serdynski J. Development of a sensor for spray deposition assessment[J]. Transactions of the ASAE, 1990, 90: 1464－1469.

[18] Cunha J P A R, Farnese A C, Olivet J J. Computer programs for analysis of droplets sprayed on water sensitive papers[J]. Planta Daninha, 2013, 31(3): 715－720.

[19] Ferguson J C, Hewitt A J, Donnell C C. Pressure, droplet size classification, and nozzle arrangement effects on coverage and droplet number density using air-inclusion dual fan nozzles for pesticide applications[J]. Crop Protection, 2016, 89: 231－238.

[20] Ferguson J C, Chechetto R G, O’Donnell C C, et al. Assessing a novel smart phone application-SnapCard, compared to five imaging systems to quantify droplet deposition on artificial collectors[J]. Computers and Electronics in Agriculture, 2016, 728: 793－798.

[21] Cunha M, Carvalho C, Ars M. Assessing the ability of image processing software to analyse spray quality on water-sensitive papers used as artificial targets[J]. Biosystems Engineering, 2012, 111(1): 11－23.

[22] 杜慧茜，梅文博，苏广川. 一种固定阈值的毫米波图像边缘检测方法[J]. 微电子学与计算机，2005，22(4)：1－3，7.

Du Huiqian, Mei Wenbo, Su Guangchuan. A fixed threshold edge detection approach for millimeter wave images[J]. Microelectronics & Computer, 2005, 22(4): 1－3,7. (in Chinese with English Abstract)

[23] 段晋英，史建芳. 改进的高低帽变换对固定阈值二值化算法的优化[J]. 科学技术与工程，2014，14(15)：245－249.

Duan Jinying, Shi Jianfang. The optimization of binary conversion with a definite value by the improved top-hat and bottom-hat transformation[J]. Science Technology and Engineering, 2014, 14(15): 245－249. (in Chinese with English Abstract)

[24] 祁力钧，胡开群，莽璐，等. 基于图像处理的雾滴检测技术[J]. 农业机械学报，2009，40(增刊1)：48－51. Qi Lijun, Hu Kaiqun, Mang Lu, et al. Droplet detection based on image processing[J]. Journal of Agricultural Machinery, 2009, 40(Supp.1): 48－51. (in Chinese with English Abstract)

[25] 袁江涛，杨立，王小川，等. 基于机器视觉的细水雾液滴尺寸测量与分析[J]. 光学学报，2009，29(10)：2842－2847.

Yuan Jiangtao, Yang Li, Wang Xiaochuan, et al. Measurement and analysis of water mist droplet size based on machine vision[J]. Acta Optica Sinica, 2009, 29(10): 2842－2847. (in Chinese with English Abstract)

[26] 邱白晶，沙俊炎，汤伯敏，等. 密闭空间雾滴沉积状态参数的显微图像解析[J]. 农业机械学报，2008，39(2)：55－58.

Qiu Baijing, Sha Junyan, Tang Bomin, et al. Analysis of droplets deposition parameters based on micrograph in airtight space[J]. Transactions of the Chinese Society for Agricultural Machinery, 2008, 39(2): 55－58. (in Chinese with English Abstract)

[27] 梁萍，程伟，基于分水岭的粘连雾滴图像分割方法[J]. 重庆理工大学学报：自然科学版，2008，22(10)：170－174.

Liang Ping, Cheng Wei. Research of conglutinated droplets image segmentation based on watershed algorithm[J]. Journal of Chongqing Institute of Technology：Natural science, 2008, 22(10): 170－174. (in Chinese with English Abstract)

[28] Guimaraes L V, Suzim A A, Maeda J. A new automatic circular decomposition algorithm applied to blood cells image[C]//Proceedings of IEEE International Symposium on Bio-Informatics and Biomedical, 2000: 277－280.

[29] 黄亦其，黄体森，黄媚章，等. 基于局部均值的甘蔗茎节识别[J]. 中国农机化学报，2017，38(2)：76－80.

Huang Yiqi, Huang Tisen, Huang Meizhang, et al. Recognition of sugarcane based on local mean[J]. Journal of Chinese Agricultural Mechanization, 2017, 38(2): 76－80. (in Chinese with English Abstract)

[30] 罗陆锋，邹湘军，叶敏，等. 基于双目立体视觉的葡萄采摘防碰空间包围体求解与定位[J]. 农业工程学报，2016，32(8)：41－47.

Luo Lufeng, Zou Xiangjun, Ye Min, et al. Calculation and localization of bounding volume of grape for undamaged fruit picking based on binocular stereo vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(8): 41－47. (in Chinese with English Abstract)

Improvement on image detection algorithm of droplets deposition characteristics

Guo Na1,2,3, Liu Siyao2, Xu Hui1,3, Tian Subo2,3, Li Tianlai1,3※

(1.,,110866,; 2.,,110866,; 3.,110866,)

Droplets deposition characteristics estimation is helpful to know the pesticides deposition distribution on crops, which is related to the crop spray quality directly, and especially the fast detection method will provide the basis for improving the pesticides spraying technology. Droplets image processing based on the water sensitive paper is one of the most common methods to detect the droplets deposition characteristics. The droplets coverage percentage and coverage density were selected to evaluate deposition distribution in this paper. With the development of science and technology, a smart phone was selected as image acquiring tool to replace the special image acquisition system, and the improved image processing algorithm of the water sensitive paper was developed. There are 3 steps in the image processing algorithm to obtain each droplet stain, which are image preprocessing, droplets area segmentation, and overlapped droplets segmentation. Firstly, the image was enhanced and calibrated by a calibration board, and then the image of water sensitive paper was segmented from the R channel and B channel image and transferred to a gray scale image. Secondly, the blue droplets stain area was segmented from yellow paper background, and the dynamic threshold method based on the pixel position was used to solve the problem of the influence of uneven brightness in this step, in which the gray mean value of an area of 25×25 pixels was calculated as the segmentation threshold for the middle pixel, and the droplets coverage percentage was calculated by the stains pixel number divided by the pixel number of water sensitive paper area. Thirdly, the circulatory segmentation method based on region circularity was designed to segment the multiple-droplet overlapped regions.Based on the statistical analysis, 0.6 was selected as the circularity threshold, less than 0.6 was considered to be overlapped droplets, and first erosion and then dilation based on a coefficient of corrosion and expansionwas performed; next the segmented area circularity was recalculated, the area with the circularity of less than 0.6 was selected again and segmented by the coefficient (+1), and the erosion-dilation operation would be repeated over and over until the circularity of all stains was greater than 0.6. Finally, the identified droplets were marked as circle, and the droplets coverage density was calculated by droplets number divided by the water sensitive paper area. Experiments were conducted to test and verify the detection advancement of the proposed image processing algorithm. Experimental results showed that the dynamic threshold segmentation method is not affected by the uneven brightness and can extract 92.64% of droplets, and the droplet coverage percentage detection result is 12.57% and 8.74% greater than constant threshold and partitioned threshold method respectively. Moreover, the proposed overlapped droplets segmentation algorithm can segment successfully more than 2 droplets and the long and thin droplets, the accuracy of droplets identification is 97.2%, and the coverage density detection results showed that the relative error between the algorithm in this paper and manual counting is only 3.31%. The results indicated that the proposed image detection algorithm of droplets deposition characteristics is efficient and convenient, and can completely fulfill the demand of droplets deposition characteristics detection in the field, and the corresponding smartphone applications are in development.

image processing; image segmentation; algorithm; water sensitive paper; droplets; spray deposition; dynamic threshold; overlapped region segmentation

10.11975/j.issn.1002-6819.2018.17.023

TP391.41

A

1002-6819(2018)-17-0176-07

2018-03-02

2018-05-23

国家重点研发计划（2016YFD0200708）

郭 娜，讲师，博士，研究方向：设施园艺智能装备的研究。Email：guona_stacy@163.com

李天来，院士，博士生导师，主要从事蔬菜设施栽培研究。Email：ltl@syau.edu.cn

郭 娜，刘思瑶，须 晖，田素博，李天来. 雾滴沉积特性参数的图像检测算法改进[J]. 农业工程学报，2018，34(17)：176－182. doi：10.11975/j.issn.1002-6819.2018.17.023 http://www.tcsae.org

Guo Na, Liu Siyao, Xu Hui, Tian Subo, Li Tianlai. Improvement on image detection algorithm of droplets deposition characteristics[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(17): 176－182. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.17.023 http://www.tcsae.org