Mustererkennung unter Echtzeit-Bedingungen mit deren Anwendung bei der Unterscheidung von Mais und Beikräutern

Diplomarbeit von Steffen Klamt

Gang der Untersuchung:

Die Bildverarbeitung ist eine sich rasant entwickelnde Disziplin der Informatik, erobert sie doch dank fortschreitender Technik und neuer innovativer Methoden immer breitere Anwendungsfelder. Nun aber sogar ein Echtzeit-Einsatz in der Landwirtschaft ... ? - Das Projekt "Querhacke" unternimmt den Versuch, mit Hilfe mehrerer unterschiedlicher Sensoren eine echtzeitfähige Unterscheidung von Mais- und Beikrautpflanzen zu ermöglichen, um daraus eine Alternative für eine nichtchemische Beikrautbekämpfung zu entwickeln. Im Abschnitt 2 wird dieses Projekt vorgestellt. Ziel der vorliegenden Arbeit ist es, im Rahmen dieses Projektes Möglichkeiten zu untersuchen, ob und wie aus Aufnahmen eines speziellen Bildsensors (Kapitel 2.3) durch eine echtzeitfähige Bildanalyse (hier relevante) visuelle Pflanzenmerkmale bereitgestellt werden können. Die aus den Bildern extrahierten Größen können dann zusammen mit allen anderen Sensorsignalen für eine Unterscheidung von Mais- und Beikrautpflanzen genutzt werden.

Im 3. Abschnitt soll zunächst ein allgemeiner Überblick über Verfahren und Methoden der Bildverarbeitung gegeben werden, um die später tatsächlich verwendeten Techniken einordnen zu können.

Bevor Merkmale aus einem Bild gewonnen werden können, muß aus dem von der Kamera gelieferten Grauwertbild ein möglichst gut interpretierbares Binärbild generiert werden. Abschnitt 4 beschreibt die dafür implementierten und getesteten Algorithmen.

Kern der gesamten Diplomarbeit ist der Abschnitt 5. Hier werden insgesamt fünf verschiedene Bildmerkmale zur Erkennung von Maispflanzen vorgestellt, davon drei zum Teil einfachere geometrische Formmerkmale (Kap. 5.2 - 5.4).

Ein besonderer Schwerpunkt ist die Untersuchung zweier Methoden der assoziativen Mustererkennung, inwieweit diese zur Generierung von Objektmerkmalen eingesetzt werden können. Im Vordergrund steht dabei die Anwendung im "Querhacke"-Projekt, es wird aber auch Wert auf Aussagen zur allgemeinen Anwendbarkeit gelegt. Insbesondere die neuronalen Hopfield-Netze (Kap. 5.5) sollen hinsichtlich ihrer Eignung zur Mustererkennung und -rekonstruktion (hier von Maismustern) analysiert werden. Da die Echtzeitfähigkeit für den angestrebten Einsatz einen wichtigen Gesichtspunkt darstellt, sind dafür zwei spezielle Derivate von Hopfield-Netzen entwickelt und getestet worden, auf die ausführlicher im Kapitel 5.5.6 eingegangen wird.

Im Kap. 5.6 wird mit dem Pattern-Matching aus einem heuristischen Ansatz heraus eine andere mustererkennende Methode konstruiert. Die Ergebnisse sollen mit denen des Hopfield-Netzes hinsichtlich Echtzeit-Fähigkeit und Assoziationsvermögen verglichen werden. Ergänzend zu den hier verwendeten Mustern von Maispflanzen werden im Anhang A die beiden Techniken zur assoziativen Mustererkennung noch einmal an anderen, symbolförmigen Mustern getestet.

Im Abschnitt 6 wird kurz das gesamte entwickelte Bildverarbeitungssystem vorgestellt, mit dem schließlich auch Testaufnahmen einiger relevanter Pflanzen ausgewertet wurden. Mit den angegebenen Merkmalsdatensätzen, die mit diesem Programm aus den Testbildern ermittelt wurden, sollen erste Schlußfolgerungen zur Eignung der einzelnen Merkmale für eine spätere Klassifikation gezogen werden. Im Abschnitt 7 werden noch einmal alle Ergebnisse zusammengefaßt und eine Einschätzung über die Realisierbarkeit der Echtzeit-Erkennung von Maispflanzen bzw. Beikräutern mit den hier verwendeten Methoden abgegeben.

In den Abschnitten 4 und 5 werden stellenweise Quelltext-Auszüge aus den erstellten C-Programmen angegeben, um die programmtechnische Umsetzung der verwendeten Verfahren zu erläutern. Es wurde darauf geachtet, diese Passagen möglichst kurz zu halten, um den Leser nicht unnötig zu sehr ins Detail zu führen. Sie dienen dem Verständnis der beigefügten Programme, so daß der spätere Nutzer bei Bedarf auch Anpassungen vornehmen kann.

Die in der Studie erwähnte CD-ROM ist nicht im Lieferumfang enthalten, da sie für das Verständnis der Studie nicht notwendig ist.

Inhaltsverzeichnis:

1.	Einleitung	1
2.	Das Projekt "Querhacke"	3
2.1	Motivation und Ziele des Projektes "Querhacke"	3
2.2	Multisensortechnik zur Erfassung von Pflanzenmerkmalen	5
2.3	Voraussetzungen und Anforderungen für ein Echtzeit-Bildverarbeitungssystem im Projekt "Querhacke"	6
3.	Grundbegriffe der digitalen Bildverarbeitung und Einordnung der verwendeten Methoden	10
3.1	Bildaufnahme	11
3.2	Bildvorverarbeitung	13
3.3	Segmentierung	16
3.4	Merkmalsextraktion	18
3.5	Klassifikation	20
4.	Binarisierung und Bildvorverarbeitung für das echtzeitfähige Maispflanzen-Erkennungssystem	22
4.1	Bildaufnahme	22
4.2	Binarisierung	23
4.3	Entrauschen des Binärbildes	29
4.4	Zentrieren des Binärbild-Schwerpunktes	32
5.	Möglichkeiten der echtzeitfähigen Erkennung von Merkmalen und Mustern der Maispflanze	34
5.1	Landwirtschaftlicher Anbau, Gestalt und Eigenschaften von Maispflanzen	35
5.2	Flächenbelegung	37
5.3	Konnektivität der Pixel	38
5.4	Hauptkomponentenanalyse zur Untersuchung des Längen-Breiten-Verhältnisses	40
5.5	Mustererkennung mit Hopfield-Netzen	49
5.5.1	Künstliche neuronale Netze	49
5.5.2	Aufbau, Funktionsweise und Eigenschaften von Hopfield-Netzen	56
5.5.3	Nutzung der Hopfield-Netze zur Unterstützung der Objekterkennung	65
5.5.4	Erzeugung der Maismuster zum Trainieren des Hopfield-Netzes	68
5.5.5	Implementierungen der Hopfield-Netze und Tests	69
5.5.5.1	Repräsentation des Hopfield-Netzes im Programm	70
5.5.5.2	Relaxation des Hopfield-Netzes	72
5.5.5.3	Lernverfahren zum Trainieren des Hopfield-Netzes	75
5.5.5.4	Tests der mit Maismustern gelernten Hopfield-Netze	83
5.5.6	Zwei modifizierte Hopfield-Netz-Strukturen zur Reduzierung von Zeit- und Speicheraufwand	89
5.5.6.1	Hopfield-Netz mit nur lokalen Verbindungen (Ansatz "lokale_w")	90
5.5.6.1.1	Prinzip	90
5.5.6.1.2	Hinweise zur Implementierung des lokale w-Ansatzes	93
5.5.6.1.3	Tests der mit Maismustern gelernten Netze	98
5.5.6.2	Aufteilung des Hopfield-Netzes in Unternetze (Ansatz "subnetze")	102
5.5.6.2.1	Prinzip	102
5.5.6.2.2	Hinweise zur Implementierung des subnetze-Ansatzes	107
5.5.6.2.3	Tests der mit Maismustern gelernten Netze	114
5.6	Pattern-Matching als eine Alternative zu Hopfield-Netzen	118
5.6.1	Prinzip	118
5.6.2	Implementierung des Pattern-Matching	121
5.6.3	Test der mustererkennenden Fähigkeiten des Pattern-matching bei Maismustern	122
5.6.4	Vergleich der Mustererkennung mit Pattern-Matching und mit Hopfield-Netzen	125
6.	Test der Merkmale an Aufnahmen realer Pflanzen	128
7.	Zusammenfassende Betrachtungen und Ausblick	137
	Anhang A: Tests zur Mustererkennung mit symbolischen Mustern	140
	Anhang B: Hinweise zu den mitgelieferten Programmen	143
	Literaturverzeichnis	156
	Danksagung	158
	Selbständigkeitserklärung	159