Unkrautkartierung mit digitaler Bildverarbeitung Weed mapping using digital image processing Dr. agr. M. Sökefeld, Institut für Landtechnik, Universität Bonn Priv. Doz. Dr. R. Gerhards, Institut für Pflanzenbau, Universität Bonn 1 Einleitung Ein verändertes Umweltbewusstsein sowie sinkende Erlöse für Agrarprodukte erfordern eine reduzierte Anwendung von Pflanzenschutzmitteln und somit eine Minimierung der eingesetzten Betriebsmittel. Einen wesentlichen Anteil an den Produktionskosten stellen die Aufwendungen für die chemische Unkrautkontrolle dar. Eine Möglichkeit den Herbizidaufwand zu verringern, ohne Ertragseinbußen hinnehmen zu müssen, besteht in der teilschlagspezifischen Unkrautkontrolle. Der Grundgedanke dieses Verfahrens besteht in der Ausnutzung der Tatsache, dass Unkräuter nicht homogen über eine Ackerfläche verteilt sind, sondern das sie in Nestern oder Streifen auftreten. Es werden nur die Teilflächen eines Schlages mit einem an die lokale Verunkrautung angepassten Herbizid oder einer Herbizidmischung behandelt, bei denen eine ökonomische Schadensschwelle überschritten wird. Damit der Landwirt das Konzept der teilschlagspezifischen Unkrautkontrolle anwenden kann, benötigt er ortsbezogene Informationen über die Art und Dichte der Verunkrautung auf seinen Ackerschlägen. Hierzu sind Systeme notwendig, die Unkräuter mit einem vertretbaren Zeitaufwand und zu akzeptablen Kosten automatisch erkennen und unterscheiden können. Eine Möglichkeit zur Erfassung der Unkrautsituation auf Ackerschlägen besteht in der Verwendung von Kameras mit nachgeschalteter Bildauswertung [1, 2]. In Verbindung mit Ortungssystemen und Geoinformationssystemen zur visuellen Darstellung der Geodaten, können Unkrautverteilungskarten einzelner Ackerschläge erzeugt werden [3]. Der vorliegende Beitrag stellt ein System zur Erkennung und Unterscheidung von Unkrautarten auf der Basis von Bildverarbeitungs- und Mustererkennungsalgorithmen vor. Mit Hilfe einer Kartierungssoftware werden die geokodierten Daten der Unkrautverteilung eines Schlages als Karten dargestellt. 2 Material und Methoden 2.1 Bildaufnahme Für die Bildaufnahme wurde der Reflexionsunterschied von vitalem Pflanzenmaterial und Boden im sichtbaren und nahen Infrarot Spektrum genutzt [4]. Um diesen Effekt für die Bildaufnahme zu verwenden wurde ein bispektrales Kamerasystem konzipiert und entwickelt. Die Hauptbestandteile dieser Kamera sind zwei Monochromkameraköpfe, welche so in ein Kameragehäuse montiert sind, dass mit einer Aufnahme zwei pixelsynchrone Bilder einer Szene mit unterschiedlichen Wellenlängen aufgenommen wurden. Hierzu ist vor der Optik der beiden Kameraköpfe ein Kaltlichtspiegel angebracht, der das einfallende Licht in
Industrie-PC CCD- Kamera Farbfilter EPROM CCD- Kamera VIS NIR Kaltlichtspiegel NIR & VIS Abb. 1: Funktionsprinzip eines bispektralen Kamerasystems zur pixelsynchronen Aufnahme von zwei Bildern in unterschiedlichen Wellenlängenbereichen Fig. 1: Principle of a bispectral camera system for the pixel synchrony acquisition of two images in different spectral bands einen infraroten und einen sichtbaren Wellenlängenbereich teilt. Der Infrarot Anteil wird direkt auf einen Kamerakopf projiziert. Über auswechselbare Filter wird der Wellenlängenbereich für das zweite Bild festgelegt. Beide Bilder werden über ein nachgeschaltetes EPROM online berechnet und als einzelnes, kombiniertes Bild an den Framegrabber eines PCs weitergeleitet (Abb. 1). Drei dieser Kamerasysteme sind im Abstand von jeweils drei Metern an einem Trägerfahrzeug ca. 1,5 m über dem Boden befestigt. Bei einer geometrischen Auflösung der Kameras von 750 * 580 Pixel wird bei der angegebenen Aufnahmehöhe ein Bildausschnitt von ca. 55 * 42 cm realisiert. Die Aufnahmefrequenz beträgt etwa eine Bildsequenz (3 Bilder) pro Sekunde, so dass bei einer Vorfahrtsgeschwindigkeit von ca. 7 km/h etwa alle 2 m pro Kamera ein Bild aufgenommen und mit den zugehörigen GPS-Daten gespeichert wird. Durch eine automatische an die Aufnahmebedingungen angepasste Gain- und Shutterregelung werden auch bei der oben angegebene Vorfahrtsgeschwindigkeit und bei durch die Witterung wechselnde Aufnahmebedingungen konturscharfe und kontrastreiche Bilder erzeugt. Die so erzeugten Grauwertbilder werden auf der Festplatte des Bordrechners gespeichert, oder auf einem zweiten Rechner parallel zur Bildaufnahme ausgewertet. 2.2 Bildverarbeitung und Bildauswertung Das Prinzip der Bildauswertung besteht in einer wissensbasierten Mustererkennung, es werden charakteristische Merkmale von bekannten Pflanzen extrahiert und zwecks eines Vergleiches mit unbekannten Pflanzen in einer Datenbank gespeichert. Im ersten Verarbeitungsschritt werden die Grauwertbilder durch eine Analyse des Grauwerthistogrammes und einer darauf beruhenden Schwellenwertoperation in die Bestandteile Boden und Pflanze getrennt. Aus dem so erhaltenen Binärbild werden die Konturen der Pflanzen mit einem objektorientierten Verfahren extrahiert. Aufgrund der Extraktionsvorschrift ist die Geschlossenheit der Konturen gewährleistet [5]. Anhand der Konturlänge können eventuell auftretende Störungen beseitigt werden. Die verbleibenden Konturen werden im Uhrzeigersinn in kettencodierter Form beschrieben (Abb. 2). Der für die äußere Kontur einer Pflanze charakteristische Kettencode besteht aus einer Abfolge von Einheitsvektoren, die den Konturverlauf von Pixel zu Pixel beschreiben. Die Abfolge und
4 3 5 2 6 1 7 Kettensequenz: 000700107766665 666756600076666 554444354433222 211100012222444 433222211 Startpunkt Abb. 2: Prinzip der Kettencodierung zur Konturbeschreibung am Beispiel einer vereinfachten Unkrautpflanze Fig. 2: Principle of contour description by chain coding for a simplified weed 0 Anzahl der Kettenelemente ist abhängig von Größe, Drehung und Position der Pflanze in der Bildvorlage sowie dem Startpunkt der Codierung. Um invariante Parameter bezüglich der genannten Größen zu erhalten, wird der Kettencode als Winkelfunktion dargestellt; auf der Abszisse ist die Länge der Konturabschnitte, auf der Ordinate die Winkeländerung im Vergleich zum Startwinkel abgetragen. Aufgrund dieser Approximation wird eine Invarianz bezüglich Rotation und Translation der Objekte im Bild erreicht. Durch die anschließende Normierung des Definitionsbereich der Winkelfunktion auf das Intervall (0,2π) wird eine weitgehende Größeninvarinz erzeugt. Die normierte Winkelfunktion wird einer Fourierreihenentwicklung unterworfen, die gewonnenen Amplitudenwerte (Fourierdeskriptoren) der verwendeten Funktionen (Sinus bzw. Kosinus) sind für den Funktionsverlauf spezifisch und vom Startpunkt der Kettencodierung unabhängig. Zur weiteren Charakterisierung der Pflanzen werden die Kompaktheit, berechnet aus dem Verhältnis von Umfang zu Fläche, sowie der Quotient aus minimaler und maximaler Spannweite bestimmt. Nun stehen numerische Werte zur Verfügung die den Habitus einer Pflanze unabhängig von Größe, Rotation und Translation beschreiben. Diese Parameter werden für eine Auswahl an Pflanzenarten in einer Datenbank (Wissensbasis) abgelegt und können so für einen wissensbasierten Vergleich mit unbekannten Pflanzen verwendet werden. Die Klassifizierung von unbekannten Pflanzen erfolgt auf Grundlage der Wissensbasis mit Hilfe der euklidischen Metrik für n Fourierdeskriptoren nach Formel 1: n d = k = 1 ( A A ) M 2 k k < (1) d: Distanz n: Anzahl der Fourierdeskriptoren A k : Amplituden der Fourierdeskriptoren der in der Wissensbasis enthaltenen Pflanze A k: Amplituden der Fourierdeskriptoren der zu erkennenden Pflanze M: kleine reelle Zahl
Die geometrischen Parameter werden mit Hilfe eines direkten Vergleiches ausgewertet. Alle beschriebenen Merkmale können für die Auswertung gewichtet werden, so dass der Erklärungsanteil der einzelnen Parameter für die Identifikation einer Pflanze sehr unterschiedlich sein kann (Erkennungsstrategie). Als Ergebnis der Klassifikation einer Bildserie erhält man für jedes ausgewertete Bild Informationen über Art, Anzahl und überdeckte Fläche der Verunkrautung sowie Anzahl und überdeckte Fläche der Kulturpflanze. Die Ergebnisse werden zusammen mit den geographischen Koordinaten in einer Tabelle gespeichert (Tab. 1). Diese Tabelle bildet die Datenbasis für die graphische Darstellung der Unkrautverteilung als Karte. Tab. 1: Ausschnitt einer Ergebnisdatei der automatischen Unkrauterkennung als Grundlage zur Erstellung einer Unkrautverteilungskarte am Beispiel eines Maisbestandes Table 1: Cutting of the classification results by automatic weed detection as a basis for weed mapping Bild-Nr. GPS-Koordinaten Anzahl u. Fläche (mm²) Kulturpflanze/Unkräuter Mais Unkraut I Unkraut II Unkraut III F00304-1 50.807.353 6.960.094 1 1535.42 6 278.45 2 581.10 2 42.82 F00304-2 50.807.350 6.960.046 1 1478.10 4 122.54 1 229.93 1 15.48 F00304-3 50.807.334 6.960.011 0 0.00 3 162.07 0 0.00 1 14.82 F00305-1 50.807.366 6.960.081 2 1321.96 0 0.00 0 0.00 2 51.39 F00305-2 50.807.364 6.960.032 1 1355.89 0 0.00 0 0.00 0 0.00 F00305-3 50.807.348 6.959.996 1 1484.36 2 82.35 0 0.00 0 0.00 F00306-1 50.807.379 6.960.067 0 0.00 3 104.10 2 349.18 0 0.00 F00306-2 50.807.376 6.960.018 0 0.00 1 39.53 1 517.85 0 0.00 F00306-3 50.807.360 6.959.983 2 2492.05 7 325.47 2 611.40 1 28.00 F00307-1 50.807.392 6.960.053 2 3011.88 2 141.32 0 0.00 1 26.02 F00307-2 50.807.388 6.960.003 1 1966.30 1 65.88 0 0.00 0 0.00 F00307-3 50.807.372 6.959.968 0 0.00 5 216.76 0 0.00 0 0.00 2.3 Erstellung der Unkrautverteilungskarten Aus den Werten der Klassifikationstabelle werden mit Hilfe einer Kartierungssoftware Unkrautverteilungskarten erstellt. Nach dem Einlesen der Daten aus der Unkrauterkennung und einer Schwellenwertsetzung zwecks einer Einteilung in Unkrautdichteklassen werden die Unkrautverteilungskarten automatisch erzeugt. Abweichend zu früheren Arbeiten [6, 7] wird zwischen den einzelnen Messwerten keine Interpolation durchgeführt. Unkrautverteilungskarte Unkrautklasse I Schwellenwerte Pflanzen/m²: 0-5 >5-25 >25-45 >45 Abb. 3: Automatisch erzeugte Unkrautverteilungskarte für eine Unkrautklasse Fig. 3: Automatically generated weed distribution map for one weed class
Aufgrund der hohen Aufnahmedichte wird jeder durch die Unkrauterkennung ermittelte Wert eines Bildes als repräsentativ für eine Fläche von ca. 3 * 2 m angesehen; diese Fläche ergibt sich aus der Vorfahrtsgeschwindigkeit bei der Aufnahme und dem Abstand zwischen den Kameras (Abb. 3). 3 Ergebnisse und Diskussion Mit der dargestellten Kameratechnik wurden qualitativ hochwertige Aufnahmen erzeugt, die weitgehend frei von Störungen waren. Steine oder abgestorbenes organisches Material wie Stroh und Wurzelreste wurden durch die verwendete Aufnahmetechnik in den Bildern nicht abgebildet. Dadurch wurden bei der Bildauswertung nur die relevanten Pflanzen berücksichtigt. Für das Schreiben einer Bildsequenz (3 Bilder) auf die Festplatte wurde etwa 1 s benötigt; bei einer Fahrgeschwindigkeit von 7 km/h wurden nach jeweils 2 m eine Bildsequenz aufgenommen. Bei dem oben angegebenen Abstand zwischen den Kameras und der aufgenommenen Fläche pro Kamera ergab sich eine Aufnahmefläche von 7,7% der Gesamtfläche. Dieser Flächenanteil ist für eine repräsentative Kartierung ausreichend, so dass die gewonnenen Daten der Unkrautverteilung ohne den Einsatz von Interpolationsverfahren als Karte dargestellt wurden (Abb. 3). Unter Verwendung von Schwellenwerten und einer Überlagerung von Verteilungskarten mehrer Unkrautklassen können die Daten der automatischen Bildauswertung für eine teilschlagspezifische Unkrautkontrolle verwendet werden. Bei einer schnellen Auswertung der Bilder bzw. einem ausreichenden Abstand zwischen Bildaufnahme und Aktor (Düse der Pflanzenschutzspritze) ist es auch denkbar eine online Unkrautkontrolle auf Basis der automatischen Unkrauterkennung durchzuführen. Neben der benötigten Zeit für die Unkrauterkennung und dem Stichprobenumfang der Unkrautbonitur ist ein wesentlicher Faktor für die Operationalität eines solchen Systems die Zuverlässigkeit und die Genauigkeit der Unkrauterkennung. Zur Bestimmung der Klassifikationsgenauigkeit wurde ein Versuch durchgeführt, bei dem anhand von im Freiland aufgenommenen Unkrautpflanzen die Erkennungsraten in Abhängigkeit von variierenden Erkennungsstrategien ermittelt wurden. Grundlage für die Erkennung war eine Wissensbasis mit 25 Unkrautarten im Keimblattstadium mit einer Individuenanzahl von ca. 40 Pflanzen pro Unkrautart. Weitere, ca. 2500 Pflanzenbilder, die nicht in der Wissensbasis enthalten waren, wurden für die Klassifikation benützt. Unter Verwendung der optimalen Erkennungsstrategie wurde eine über die 25 Arten gemittelte Erkennungsrate von 70% erreicht, wobei die Spannweite der Erkennungsrate zwischen 44 und 100% lag. Bei der Verwendung einer bildanalytischen Unkrauterkennung zur teilschlagspezifischen Unkrautkontrolle steht nicht die Erkennung und Unterscheidung von einzelnen Unkrautarten im Vordergrund, sondern Unkrautgruppen mit ähnlicher Empfindlichkeit gegenüber einem Herbizid bzw. einer Herbiziddosis müssen unterschieden werden. Nach einer solchen praxisrelevanten Unterteilung der 25 Unkrautarten in 5 Unkrautklassen wurden eine mittlere Erkennungsrate von 80% erreicht, die Spannweite der Klassifikation lag zwischen 67 und 93%. Weitere Untersuchungen, auch im Freiland, sind für eine Verifizierung der Ergebnisse notwendig und geplant. Anhand eines Vergleiches mehrerer Untersuchungen zur teilschlagspezifischen Unkrautkontrolle auf Praxisflächen konnte das ökonomische Potential der Verfahren
verdeutlicht werden [8] trotz einer mehrjährigen Anwendung der teilschlagspezifischen Unkrautkontrolle in unterschiedlichen Kulturen wurde kein erhöhter Unkrautdruck bzw. eine Zunahme der Verunkrautung in den Folgejahren festgestellt [9]. Diese Ergebnisse bestätigen die Anwendbarkeit der teilschlagspezifischen Unkrautkontrolle in Praxisschlägen und das Potential dieses Verfahrens zur Verringerung der eingesetzten Betriebsmittel im Sinne einer Reduzierung der Produktionskosten und einer Minimierung der Belastung des Naturhaushaltes. 4 Literatur [1] Chapron, M., Requena-Esteso, M., Boissard, P., Assemat, L. 1999. A method for recognizing vegetal species from multispectral images. In: Precision Agriculture 99, Proceedings of the 2 nd European Conference on Precision Agriculture, ed. J.V. Stafford, Sheffield Academic Press Ltd, Sheffield UK, 239-247. [2] Sökefeld, M., Gerhards, R., Kühbauch, W. 1996. Automatische Erkennung von Unkräutern im Keimblattstadium mit digitaler Bildverarbeitung. In: Innovative Verfahren zur Unkrauterkennung. KTBL Arbeitspapier 236, 47-58. [3] Gerhards, R., Sökefeld, M., Knuf, D., Kühbauch, W. 1996. Kartierung und geostatistische Analyse der Unkrautverteilung in Zuckerrübenschlägen als Grundlage für eine teilschlagspezifische Bekämpfung. J. Agronomy & Crop Science 176, 259-266. [4] Guyer, D.E., Miles, G.E., Schreiber, M.M., Mitchell, O.R., Vanderbilt, V.C. 1986. Machine vision and image processing for plant identification. Transactions of the ASAE 29 (6), 1500-1507. [5] Abou-Nabout, A. 1993. Modulares Konzept und Methodik zur wissensbasierten Erkennung komplexer Objekte in CAQ-Anwendungen. Fortschr.-Ber. VDI Reihe 20 Nr. 92 [6] Heisel, T., Christensen, S., Walter, A.M. 1999. Whole-field experiments with site-specific weed management. In: Precision Agriculture 99, Proceedings of the 2nd European Conference on Precision Agriculture, ed. J.V. Stafford, Sheffield Academic Press Ltd, Sheffield UK, 759-768. [7] Gerhards, R., Sökefeld, M., Timmermann, C., Krohmann, P., Kühbauch, W. 2000. Precision weed control more than just saving herbicides. Z. PflKrankh. PflSchutz, Sonderh. XVII, 179-186. [8] KTBL 2001. Precision Farming im Pflanzenschutz am Beispiel Unkrautbekämpfung. KTBL-Schrift 402, Landwirtschafsverlag Münster. [9] Gerhards, R., Sökefeld, M., Abou-Nabout, A., Therburg, R.-D., Kühbauch, W. 2002. Online weed control using digital image analysis. Z. PflKrankh. PflSchutz, Sonderh. XVIII, 421-427. 5 Summary In this paper an approach for automatic weed detection based on image analysis is presented. The system consists of three bispectral CCD-cameras mounted on a boom in front of a vehicle. Geocoded images were taken on the go automatically and stored on a computers hard disk. Afterwards the images were preprocessed and reduced to the outer contours of the objects within an image. Weeds and crop species were identified using shape analysis and pattern recognition. The actual weed identification was based on a comparison of multi invariant parameters, which were stored in a knowledge base. The average time for image
acquisition and weed recognition for a set of three images was around 2 s. The results were documented in a file that was used for weed mapping. The average identification rate with a knowledge base based on 5 weed classes concerning to their sensitivity against herbicides was around 80%.