Bibliografiska uppgifter för Bildanalys som ett redskap för platsspecifik ogräsbekämpning i vårsäd Författare Utgivningsår 2008 Lorén N., Larsolle A., Söderström M., Nilsson J., Nissen K., Börjesson T. Tidskrift/serie Ingår i... Utgivare Huvudspråk Målgrupp Regional växtodlings- och växtskyddskonferens. Uddevalla 10-11 jan 2008 SLU, Institutionen för markvetenskap, avd. för precisionsodling Svenska Rådgivare Denna skrift (rapport, artikel, examensarbete etc.) är hämtad från VäxtEko, http://www.vaxteko.nu, databasen som samlar fulltexter om ekologisk odling, växtskydd och växtnäring. Utgivaren har upphovsrätten till verket och svarar för innehållet.
Bildanalys som ett redskap för platsspecifik ogräsbekämpning i vårsäd Niklas Lorén 1, Anders Larsolle 2, Mats Söderström 3, Johan Nilsson 4, Knud Nissen 5, och Thomas Börjesson 5 1 SIK Institutet för Livsmedel och Bioteknik AB, Box 5401, 402 29 Göteborg 2 SLU, institutionen för biometri och teknik, Box 7032, 750 07 Uppsala 3 SLU, institutionen för markvetenskap, avd. för precisionsodling, Box 234, 532 23 Skara 4 SLU, Jordbruk-odlingssystem, teknik och prod, Box 66, 250 53 Alnarp 5 Lantmännen Lantbruk, 531 87 Lidköping E-post: thomas.borjesson@lantmannen.com Bakgrund Förra året användes 2,4 miljoner hektardoser ogräsbekämpningsmedel i jordbruket. Ogräsmedlen utgör den största gruppen bekämpningsmedel och antalet hektardoser har ökat något på senare år (SCB, 2007). Det finns ett stort tryck från konsumenter att minska användningen av bekämpningsmedel inom lantbruket, dessutom berör det nationella miljömålet om En giftfri miljö användningen av pesticider. EU s vattendirektiv kommer sannolikt också att innebära ökade krav på en minskad användning av pesticider inom jordbruket. Enligt utländska beräkningar är det möjligt att spara upp till 80% av ogräsmedlen (Gerhards & Oebel, 2006) om man tar hänsyn till inomfältsvariationer i ogräsförekomst och i genomsnitt för flera olika stråsädesgrödor kan 20-30% sparas (Gerhards & Sökefeld, 2003, Dammer m.fl., 2003). I utländska arbeten har man arbetat grundläggande med själva bildanalysen och kommit en bra bit på väg att identifiera olika ogräsarter (Sögaard & Heisel, 2002). I några arbeten har man också försökt applicera bildanalysen fältmässigt och anpassa sprutning efter behovet (Gerhards & Oebel, 2006). Dock är avverkningshastigheten ganska låg och man har inte i någon större omfattning testat möjligheten att koppla bildanalysdata till position på fältet för att t.ex. koppla till andra data. I de svenska arbetena som här redovisas har målsättningarna varit att ta fram en enkel och snabb bildanalysalgoritm som skulle kunna användas on-line, d.v.s. det skall gå att utföra sprutning samtidigt som bildanalysdata insamlas. Konceptet skulle kunna användas för att rutinmässigt ta fram styrfiler, men även för sprutning i realtid. Dessutom har ogräsfördelning inom några olika fält studerats för att få en uppfattning om hur stora inomfältsvariationerna kan vara, vilken betydelse variationerna har för val av ekonomiskt optimal dos och hur kopplad ogräsförekomsten är till markdata. Vi har även tittat på hur man kan effektivisera insamlandet av bilder och hur dosen kan anpassas med två olika sprutsystem, ett i Västergötland och ett i Skåne. Bildanalysalgoritmen bygger huvudsakligen på separation mellan växtmaterial och bakgrund (jord, stenar, grenar osv.), grödradsidentifiering samt morfologiska operationer som utnyttjar skillnader i storlek och form mellan grödan och ogräs för att särskilja dessa. Algoritmen behandlar endast det växtmaterial som finns mellan grödraderna. De två olika projekten är dels ett SLF-projekt som pågått sedan 2005 och dels ett parallellt projekts som stöds av SL-stiftelsen och Partnerskap Alnarp som enbart pågått under 2007. Det förra har varit mer grundläggande medan det senare siktar in sig mer på en praktisk användning. I det följande kommer framförallt SLF-projektet att beskrivas, där fältarbetet bedrivits med SW som värd på Bjertorp. 18:1
Figur 1. Bildtagning i fält Material och metoder Bildinsamling Till att börja med togs bilder med kamera monterade på stativ, men under 2007 hade en digitalkamera monterats fram på en 4-hjulig motorcykel och vi kunde effektivt ta många bilder på fälten (figur 1). Vi tog bilder med 10-12 meters mellanrum i längd- och sidled i förhållande till såraderna. På ett kornfält på Bjertorp (skifte 11, figur 2) togs 814 bilder på 11 hektar. Referensmätningar Under projektets gång har vi framförallt satsat på att räkna antalet ogräs i rutor på ½-1 m 2 efter det att digitala bilder tagits på platsen. Detta har totalt gjorts på ca. 150 rutor och på 20-30 rutor per år fördelade på 1-2 fält gjordes även bestämningar av biomassa och ogräsarter. Dessa räkningar har utgjort referensmaterial till bildanalysen. Ett försök lades ut på skifte 10 på Bjertorp 2006 med varierande sprutdoser på tre olika platser på fältet med olika ogräsförekomst. Under 2007 gjordes ett förenklat försök där obekämpade rutor (på platser med blå rektanglar i figur 2) jämfördes med den dos som anpassats efter ogräsförekomsten (se nedan). Ungefär en månad efter besprutning räknades ogräsen i försöken från 2006 och i och strax utanför de obehandlade kontrollrutorna 2007. Dessutom tröskades ytorna med försökströska. Figur 2. De svarta punkter visar 814 fotoplatser. De röda punkter är manuellt räknade kontrollplatser och siffrorna anger antalet ogräs/m 2. Blå rektanglar markerar platser för obekämpade rutor. Den interpolerad bakgrundskartan visar mängden ogräs utifrån de 814 bilderna. Mörk färg = mycket ogräs Ljus färg = få ogräs. Bildanalys Niklas Lorén och Anders Larsolle har tillsammans utvecklat en bildanalysalgoritm som huvudsakligen bygger på separation mellan växtmaterial och bakgrund (jord, stenar, grenar osv.). Detta görs med hjälp av s.k. Excess green transform, grödradsidentifiering via Houghtransform och en formanalys som utnyttjar skillnader i storlek och form mellan grödan och ogräs för att särskilja dessa. Algoritmen behandlar endast det växtmaterial som finns mellan grödraderna. Ett exempel på de olika delstegen och slutresultatet syns i figur 3. Resultatet från bildanalysen redovisar hur stor del av bildytan som är växtlighet, vad som är ogräs respektive gröda samt antal ogräs mellan raderna. Utifrån detta kan också mått på grödans utveckling och ogräsens storlek erhållas. 18:2
Figur 3. Exempel på olika delsteg i bildanalysalgoritmen. Överst till vänster: Originalbilden; Överst till höger: Bilden efter Excess green transform, där man separerat bakgrund från gröda; Nederst till vänster: Radidentifieringen visas som röda linjer; Nederst till höger: De delar som inte har analyserats av algoritmen (grödraderna) är svarta och detekterade ogräs visas som röda objekt. Behovsanpassad bekämpning Vid 2007 års ogräsbekämpning gjordes en uträkning av dos utifrån en kombination av antalet ogräs, ogräsens biomassa och stråsädens biomassa. Jordbruksverkets dosnyckel användes om stöd för uträkningen. För varje fotopunkt beräknades dosen i form av vätskemängd (L/ha). Utifrån dessa punkter skapades, genom interpolation (kriging), en styrfil i form av ett raster med samma cellstorlek som sprutans arbetsbredd (24 m). Rutnätet anpassades till de körspår som skulle användas vid sprutningen. En Hardi Commander Twin Force med en Hardi Nova användes för sprutningen. Denna var kopplad till en Yara N-Sensors styrdator som reglerade vattenmängden Figur 4. Styrfil för ogräsbekämpning utifrån styrfilen. De munstycken som användes var vanliga spaltspridare. Sprutvätskans preparatkoncentration var konstant och därför varierades dosen genom ändrad vätskemängd, vilken i sin tur reglerades av kontrollsystemet genom att spruttrycket ändrades. Vätskemängden varierade från 140 L/ha i blått fält i figur 4 till 80 L/ha i orange fält. Normaldosen, 1 tablett Express och 30 g Platform anpassades till 124 L/ha. Körhastigheten varierades manuellt av föraren för att spruttrycket skulle hållas inom, för munstyckena, lämpligt intervall (1,5 4,0 bar). Kontrollsystemet lagrade sprutans position och vätskemängd en gång per sekund i en loggfil. 18:3
Resultat och diskussion Bra samstämmighet uppnåddes mellan bildanalysen och antalet manuellt räknade ogräs. Mycket bra precision uppnåddes 2006 för havregröda på skifte 10 då ca. 100 rutor räknades (r 2 0,91 mellan bildanalys och räkning). Figur 5 visar resultatet från korngrödan på skifte 11 2007. Även här var precisionen tämligen god ( r 2 = 0,72). Figur 6 Ogräsantalet från bildanalysen (numobjects) och antalet i de manuellt räknade rutorna (Weed_m2) på skifte 11 (se figur 2) på Bjertorp. De försök som lades ut 2006 visade att optimal dos kan variera mycket mellan olika fältdelar (Figur 6). 250 200 150 100 50 6000 5000 4000 3000 2000 1000 ogräsvikt g/m2 ogräsantal/m2 Skörd kg/ha 0 Obek., lite ogräs Full dos, lite ogräs Obek., mycket ogräs Full dos, mycket ogräs 0 Figur 6. Obekämpade led och full dos led (1 tablett Express + 30 g Platform per ha) led i block med lite respektive mycket ogräs på skifte 10, Bjertorp 2006. 18:4
Liknande samband såg vi även 2007. Genom att jämföra ogräsmängd i bekämpade och obekämpade rutor kunde man konstatera att det var motiverat att variera dosen. En nollruta låg i område med lite ogräs där dosen dragits ner till ca. ¾ dos (Figure 2 och 4). Här var skillnaden i ogräsantal och skörd mycket liten mellan bekämpad och obekämpad ruta samtidigt som skörden var hög. Skillnaderna mellan obekämpad och bekämpad ruta var större i områden med mer ogräs. Detta kan tolkas som att det var motiverat att platsanpassa dosen och att skillnaderna i dos kanske borde ha varit ännu större. En preliminär utvärdering av inbesparing av ogräsmedel antyder att det borde gå att dra ner med minst en tredjedel på de fält där projektet bedrivits. Slutsatser Projektet visar på möjligheterna att effektivt samla in bilddata från stråsädesfält som sedan kan användas för att sedan utföra platsanpassad ogräsbekämpning. En betydande minskning av dosen verkar fullt möjlig med testat koncept. Referenser Dammer, K.-H., Böttger, H. & Ehlert, D. 2003. Sensor-controlled variable rate real-time application of herbicides and fungicides. Proc. 4 th European Conference on Precision Agriculture, Stafford, J and Werner, A (eds). Wageningen Academic Publishers, Wageningen, the Netherlands.pp. 129-134. Gerhards, R. & Oebel, H. 2006. Practiccal experiences with a system for site-specific weed control in arable crops using real-time image analysis and GPS-controlled patch spraying. Weed Res. 46, 185-193. Gerhards, R. & Sökefeld, M. 2003. Precision farming in weed control system components economic benefits. Proc. 4 th European Conference on Precision Agriculture, Stafford, J and Werner, A (eds). Wageningen Academic Publishers, Wageningen, the Netherlands.pp. 229-234. Sögaard, H. T, & Heisel, T. 2002. Weed classification by active shape models. AgEng 2002, International Conference on Agricultural Engineering, Budapest, Hungary, June.July 2002. 18:5