基于位置特征的穴间杂草快速识别算法
基于机器视觉的田间杂草识别技术研究共3篇剖析
可编辑修改精选全文完整版基于机器视觉的田间杂草识别技术研究共3篇基于机器视觉的田间杂草识别技术研究1随着现代农业技术的发展,机器视觉在农业领域的应用越来越广泛。
其中,田间杂草识别技术是一项重要的研究方向。
本文将介绍最近一些关于基于机器视觉的田间杂草识别技术研究进展,并对该技术的未来前景进行展望。
杂草是影响农田产量和作物质量的主要因素之一。
传统的除草方法往往需要大量的人力和时间,而且效果并不稳定。
而机器视觉技术可以自动地对田间杂草进行快速的识别和分类,为精准除草提供了有力的支持。
目前,欧美和日韩等发达国家已经开始在农田中使用机器视觉技术进行除草,对于提高农业生产效率和降低成本具有重要意义。
一些研究人员使用机器学习算法来训练计算机识别各类杂草,并取得了一些可观的成果。
他们首先采集了不同种类和不同生长阶段的杂草图像,选取其中一部分进行标注,然后使用这些标注数据进行模型训练。
经过多次实验和迭代,这些模型可以在测试集上达到较高的准确率。
例如,在一篇研究中,研究人员使用了深度学习算法,在4类常见杂草上取得了97%以上的分类准确率。
这种方法虽然需要大量的标注数据,但是可以处理大量的杂草图像,适用性较广。
另外一些研究人员则注重设计高效的图像处理算法,以提高识别的速度和准确率。
他们采用了各种图像增强和特征提取算法,如边缘检测、形态学变换、色彩空间转换等。
同时,他们还使用了自动阈值选择和分块处理等技术来进一步优化算法。
例如,在一篇研究中,研究人员使用形态学变换和自适应阈值分割算法,成功实现了对杂草和健康作物的准确区分,达到了98%以上的分类准确率。
这种方法虽然相对于机器学习算法不需要大量标注数据,但是需要专业的图像处理知识和技术。
除了图像处理算法和机器学习算法之外,另一种方法是使用多种数据源进行综合分析。
例如,在一篇研究中,研究人员使用了多光谱图像、热红外图像和三维测量数据等多种数据源,综合考虑植物的生长情况和形态特征,成功地实现了杂草和健康作物的准确分类。
农田杂草识别技术的研究现状及应用
|四川农业与农机/2023年4期|>>>李万福张洪¤陈天虹西南科技大学生命科学与工程学院,四川绵阳摘要:我国是人口大国也是粮食消费大国,保障我国粮食安全生产是关系到国计民生的大事。
杂草是农田作物生产的阻碍之一,而杂草识别技术是实现杂草分布监测、农药精准喷施、杂草精准防除的前提。
本文就几种常见杂草识别技术的研究现状及在常见农田作物中的应用进行了概述,并讨论了杂草识别技术存在的问题及优化措施,以期为我国智能杂草防除系统的建立提供参考。
关键词:杂草识别技术;农田作物;杂草防除*基金项目:国家现代农业产业技术体系四川创新团队油菜草害绿色防控技术集成应用岗位(SCCXTD-2023-03)。
作者简介:李万福(1998年-),在读研究生。
研究方向:农艺与种业。
E-mail :liwanfu347069843@ 。
¤通讯作者:张洪(1983年-),博士,讲师。
研究方向:植物保护。
E-mail :**********************.cn 。
我国的杂草危害十分严重,能造成约10%的作物产量损失。
常见农田杂草防除主要依靠化学药剂防除,然而不科学大面积施用除草剂会造成土壤和作物中农药残留、环境污染、加速杂草群落更替等问题[1]。
因此,寻求生态、高效的除草方法受到广大研究者的关注。
通过杂草识别技术搭配智能除草机器人或精准变量喷洒装置等,能够做到杂草的精准识别和防除,而精准作业的前提便是杂草识别技术。
因此,分析杂草识别技术的研究及应用现状,可为我国农田杂草绿色防治方案的制定提供参考,对实现农业杂草精准防治、农药减量增效、耕地环境保护,具有重要作用[2]。
1杂草识别技术国内外研究现状目前,国内外对于农田杂草识别技术已开展了大量研究,并取得一定成效。
传统的识别技术主要包括机器视觉识别法、光谱分析法和光谱成像法。
当前的研究热点是基于深度学习的识别方法,因其方便、高效而被广泛应用于杂草识别中[3]。
基于机器视觉的田间杂草识别方法研究的开题报告
基于机器视觉的田间杂草识别方法研究的开题报告一、研究背景和意义随着现代农业的发展,除了预测气候和管理土壤以提高农业生产力之外,化学农药和机械处理也被广泛应用以控制杂草。
在现代农业中,合理使用化学农药是一个主要的策略,但是不当使用可能会导致不良后果,如对环境和人类健康的负面影响,对土壤生态系统的破坏等。
根据美国环保署的一份报告,每年可能有数百万人受到农药的污染,其中包括儿童和农民。
因此,发展一种更安全,更可持续的杂草管理方法是非常必要的。
机器视觉技术在农业中的应用已经引起了广泛的关注,其可以提高农业生产效率和降低成本。
随着深度学习技术的发展和计算机硬件性能的提高,机器视觉技术在农业中被广泛应用。
其中,杂草检测和分类便是其中的一项关键技术。
本研究通过机器视觉和深度学习技术,研究一种新的基于机器视觉的田间杂草识别方法,该方法能够有效地检测和分类杂草,以降低农业生产成本和对环境的影响。
二、研究内容和方案本研究的主要研究内容是:1. 收集农田中常见的杂草图像数据。
2. 使用卷积神经网络(CNN)进行训练和分类,通过迁移学习的技术,使用ImageNet预训练网络的权值初始化来提高训练效率和分类精度。
3. 在训练过程中,主要考虑数据样本的数量和质量、网络结构的优化和参数调试。
4. 对所选的数据集进行预测和测试,使用评价指标(如准确率,精确率和召回率)对所训练的网络进行评估。
5. 分析实验结果,并对研究方法进行总结和探讨。
三、研究进展目前,我们已经完成了数据集的收集和处理,利用深度学习算法进行杂草图像分类的初步实验,并获得了较好的分类效果。
我们计划进一步提高算法的鲁棒性和实现遥感图像中的杂草分类,以适应现代农业生产的需求,为农业提供更可持续、环保的管理方法。
四、预期结果和意义预期结果是:开发出一种基于机器视觉的田间杂草识别方法,达到较高的分类精度和可重复性。
研究意义主要有以下几个方面:1.提高农业生产效率和降低成本。
基于TransUnet的田间杂草分割研究
第15期2023年8月无线互联科技Wireless Internet TechnologyNo.15August,2023基金项目:吉林省科技发展计划项目;项目名称:基于数据挖掘技术的全基因组选择方法研发及云计算平台体系构建;项目编号:YDZJ202201ZYTS692㊂作者简介:高皓章(1995 ),男,甘肃天水人,硕士研究生;研究方向:计算机视觉㊂∗通信作者:唐友(1979 ),男,黑龙江龙江人,教授,博士;研究方向:生物信息学,农业信息化㊂基于TransUnet 的田间杂草分割研究高皓章1,2,唐㊀友1,2∗,辛㊀鹏1,朱国东3(1.吉林化工学院,吉林吉林132022;2.吉林农业科技学院,吉林吉林132101;3.一汽东机工减振器有限公司,吉林长春130001)摘要:农业生产是人类生存的基础,而农作物的生长过程中总是受到杂草的影响,造成农作物的减产,因此实现田间杂草的智能分割具有重要意义㊂文章采用TransUnet 算法模型进行田间杂草分割,旨在提高分割的准确性和效率㊂TransUnet 是一种新型的深度学习网络㊂该模型的训练使用了公开数据集,并结合迁移学习的思想对模型进行了优化㊂本实验通过测试和评估,发现经过迁移学习的TransUnet 模型在田间杂草的分割任务中表现突出,其像素准确率可以达到97%以上㊂此外,文章还对模型进行了可视化分析,证实了模型的实用价值和应用前景㊂综上所述,TransUnet 模型对于杂草的分割有积极效果㊂希望本研究成果可以为计算机视觉技术在农业行业的应用提供更多的思路和借鉴㊂关键词:杂草分割;语义分割;机器视觉;深度学习中图分类号:TP391.41㊀㊀文献标志码:A 0㊀引言㊀㊀农业生产是国人关注的民生问题,粮食问题也一直处于国家战略核心地位㊂大豆作为重要的经济作物,我国每年进口量占据全球总出口量的近六成㊂大豆生长过程中存在众多因素制约大豆的最终产量,其中杂草的消极影响非常明显,杂草不止争夺豆苗生长过程中所需的土地肥力,也容易滋生病害传染豆苗㊂因此,在农业生产中,识别出作物与非作物,解决作物生长环境中的杂草是不可避免的重要任务㊂在传统生产过程中,处理杂草一般是用喷洒农药的方式,但这种方法不仅效率低下,还会造成人力浪费和环境污染㊂随着计算机技术的不断发展,机器学习和计算机视觉技术得到了广泛的应用㊂为了实现无污染除草,研究者需要找到理想的作物与杂草图像分割算法,帮助机器人实现自动除草,这对未来农业有重大意义㊂目前,计算机技术在农业发展中发挥着越来越重要的作用,而图像分割是目前图像处理技术中最理想的方法之一,但是分割算法仍有很大的改进空间㊂本研究使用大豆田间杂草分割数据集,旨在提高对自然环境下杂草进行识别分割的精度与效率,这将驱动农机装备升级,为杂草的精准识别做出贡献㊂1㊀相关研究1.1㊀深度学习算法㊀㊀卷积神经网络[1]在计算机视觉领域中的应用一直是主流方式之一,它的应用范围涵盖了图像分类㊁目标检测以及语义分割等各种任务㊂在不同的变体算法模型中也是最常见的基础算法,但是卷积神经网络由于其像素级的运算对计算机的运算负担过大,严重影响着实际应用中的效率和速度,所以研究人员提出了多种优化方案,如减少卷积核数量或者使其与其他算法融合创新等㊂Version Transformer 的设计基于上下文关系的注意力机制,自2021年由Google 团队提出后[2],便受到研究者的广泛关注㊂该模型将输入的图像分割成一个个小块,将每个小块看作是单独的向量,经过全连接层的编码及Transformer多头注意力机制的处理,使各个小块之间的语义关系不被运算所掩盖[3]㊂这种模型设计在各计算机视觉领域的应用效果也得到广泛认可㊂TransUNet算法旨在通过融合卷积神经网络和Transformer,弥补Transformer在特征处理方面的不足㊂该算法利用CNN提取更加细致的像素细节,并使用12个Transformer层对CNN特征提取模块中获得的特征向量进行长距离上下文建模[4],从而关注到全局信息,表现更加卓越㊂此外,TransUNet算法采用了U形结构,以减少在提取细致像素信息的过程中的损失,并通过加入Transformer对空间细节进行补充,从而提高了分割效果㊂1.2㊀植物叶片分割研究㊀㊀在智慧农业中,准确分割植物叶片是植物表型检测工作以及机器人作业规划的关键步骤㊂为了提高植物叶片分割精度,众多研究者基于叶片的形状㊁颜色等特征进行分割㊂Omrani等[5]利用K均值聚类算法对多种植物叶片进行识别及分割㊂该算法以聚类中心的特征分布,完成对目标区域的叶片划分,最终将分割结果映射回原图像㊂最后,他们采用支持向量机对不同植物叶片进行分类检测㊂Praveen Kumar 等[6]提出了一种基于深度卷积神经网络的植物叶片分割算法㊂该算法主要运用DCNN来提取目标区域中的叶片信息,并通过正交变换,实现对莲座植物叶片的精确分割㊂在分割过程中,他们还使用了CMYK 颜色空间来进行去噪处理,从而进一步提高对叶片边缘的检测效率[7]㊂邹龙等[8]提出了一种LU-ReNet 模型,结合使用Unet和ResNet模型结构㊂该模型保证了植物叶片有高的分割准确度,同时提高了模型的泛化能力[9]㊂2 材料和方法2.1㊀数据集㊀㊀本文的数据集来源于公开数据集:https://doi. org/10.15454/JMKP9S,该数据集使用六波段的多光谱相机采集于真实的大豆种植基地,并考虑了多种天气因素的影响㊂此外,每张图像中叶片的多边形边界都考虑了真实的地形情况,使得数据集中包含各种天然杂草,与本研究的内容和目标高度契合㊂虽然对该数据集的语义分割挑战并不多,本实验仍确定在此数据集上进行实验,为后续的研究提供基础依据和支持㊂2.2㊀实验准备㊀㊀该数据集中的每张图片基本具有1200ˑ900的分辨率㊂然而,分辨率过高会导致对计算机的运算负担过大㊂本实验在参数设置时将图片的预处理分辨率设置为496ˑ496㊂实验环境为两个4110处理器和NVIDIA RTX3090GPU平台,使用的是Linux系统, Pytorch框架和Anaconda环境,学习率设置为0.0025, Epoch设置为300,Batch Size设置为6㊂2.3㊀算法说明㊀㊀TransUNet算法采用了CNN与Transformer的融合结构㊂该算法借鉴了U型结构并结合卷积神经网络提取的高分辨率特征信息与Transformer编码的全局上下文信息[4],实现了图像上采样还原㊂具体而言,算法采用了Transformer作为编码器[10]㊂在该步骤中,首先对输入图像进行序列化㊂若输入图片大小为HˑW,图像块大小为PˑP,则分割数量为N=(HˑW)/(PˑP)㊂接着进行跳跃连接,以提取精确的低级细节来提高分割细节㊂Chen等[11]对跳跃连接的数量进行了消融实验,发现添加更多的跳跃连接通常会带来更好的分割性能㊂TransUNet的算法结构如图1所示㊂2.4㊀迁移学习㊀㊀图像分割中,迁移学习能够充分利用已有的训练数据和模型,从而加快模型的训练过程㊂通过将已有模型的部分或全部参数应用于新的分割任务,可以大大减少模型所需的训练时间和数据量,并且可以提高分割的精度和效果㊂此外,迁移学习可以在不同领域之间传输知识㊂例如,将在自然图像领域上训练得到的模型应用于医学图像分割或航空图像分割领域,都能取得明显的效果提升㊂因此,本实验引入迁移学习,将其他实验的训练权重作为本实验初始化权重㊂首先,引入迁移学习提升了算法训练速度㊂其次,使用大数据预训练权重,极大地提高了叶片分割精度㊂但由于算法结构的不同,直接引用迁移学习存在不适配问题,因此在初始化过程中,实验增加了权重自适应调整,使得迁移学习权重文件适应本算法结构㊂通㊀㊀图1㊀TransUNet 算法结构过权重自适应代码,可以更加便捷地实现迁移学习的可替代性,增加实验代码的替代集成化㊂3㊀评价指标㊀㊀本实验采用了多种评价指标来评估该算法在大豆田间杂草数据集上的表现,如平均交并比mIoU ,像素准确率Accuracy ,模型准确率和召回率的加权平均值F 1Score ,召回率Sensitivity ,特异度Specifity ,Dice 相似系数等㊂mIoU :它是交并比(Intersection over Union,IoU )的平均值,其中交集指的是预测的分割结果和真实标签的交集,而并集则是两者的并集㊂mIoU 的计算方式就是对图像中每个像素的IoU 求平均数:mIoU =1/N ˑð(x ,y )(TP /(TP +FN +FP )),其中,TP 表示真阳性(True Positive ),TN 表示真阴性(TrueNegative),FN 表示假阴性(False Negative),FP 表示假阳性(False Positive)㊂像素准确率Aaccuracy :即预测正确的像素数量除以总像素数,计算方式为:Aaccuracy =(TP +TN )/(TP +FP +TN +FN )㊂在U -Net 模型预测二分类问题中,像素准确率通常需要和其他指标一起考虑,以全面地评估模型预测能力㊂F 1-score 是评估二分类模型精度的一种常用指标,它是模型准确率和召回率的加权平均值㊂F 1-score 值越高,表示模型预测的准确性和召回率都比较高㊂Sensitivity 用于衡量所有实例中被正确地预测为正类的比例㊂Specificity 用于衡量负例中被正确预测为负例的比例㊂Dice 系数是基于集合的相似性度量,计算公式为:Dice =2ˑTP /(2ˑTP +FP +FN )㊂本实验评价指标的记录,如表1所示㊂表1㊀算法结果评价指标指标数值mIoU 0.8162Accuracy 0.9665F 1Score0.8428Sensitivity 0.8867Specifity0.9755Dice0.8428㊀㊀从以上所有的评价指标所示信息可知,由于使用了迁移学习,实验能达到较高性能水平,多种方式也能全面地对实验性能给出合理的评价㊂4㊀结语㊀㊀为解决田间杂草的分割问题,本文利用Transformer 与卷积神经网络结合算法TransUNet 在杂草分割数据集上进行实验,验证了该算法在此数据集上的可行性与优越性㊂从评价指标结果可知,该算法在此数据集上的表现也非常出色,效果显著,验证了Transformer与卷积神经网络结合的算法设计思路的可行性,为后期实验的算法设计提供了参考,也为杂草分割研究提供了新的实验方案㊂对于分割效果来说,目前还有很大的提升空间㊂具体而言,在边缘精细程度和微小目标识别方面,仍需要进一步优化㊂本实验的结果并不是杂草分割实验的最终成果,而仅仅是该研究的起始实验㊂未来的研究将在本实验的基础之上展开,以进一步完善该算法的分割能力㊂参考文献[1]周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017(6):1229-1251.[2]田永林,王雨桐,王建功,等.视觉Transformer研究的关键问题:现状及展望[J].自动化学报,2022 (4):957-979.[3]何伟,刘佳欢.英汉语小句间逻辑语义关系及表征方式对比研究[J].北京科技大学学报(社会科学版),2019(2):1-17.[4]王媛媛,董芳,尚丽娜,等.基于改进TransUnet网络的血管内超声图像边界提取方法研究[J].中国生物医学工程学报,2023(1):41-50.[5]OMRANI E,KHOSHNEVISAN B,SHAMSHIRBAND S,et al.Potential of radial basis function-based support vector regression for apple disease detection[J]. Measurement,2014(55):512-519.[6]PRAVEENKUMAR J,DOMNIC S.Rosette plant segmentation with leaf count using orthogonal transform and deep convolutional neural network[J].Machine Vision and Applications,2020(31):1-2.[7]刘阳歆.植物叶片图像分割算法研究[D].桂林:广西师范大学,2022.[8]邹龙,吕惠,宋然.LU-ReNet植物叶片分割与计数模型[J].农业机械学报,2022(1):253-260. [9]孙俊,谭文军,毛罕平,等.基于改进卷积神经网络的多种植物叶片病害识别[J].农业工程学报,2017 (19):209-215.[10]LI X,CHEN H,QI X,et al.H-DenseUNet:hybrid densely connected UNet for liver and tumor segmentation from CT volumes[J].IEEE transactions on medical imaging,2018(12):2663-2674.[11]CHEN J,LU Y,YU Q,et al.Transunet: Transformers make strong encoders for medical image segmentation[EB/OL].(2021-02-08)[2023-08-21].https:///abs/2102.04306.(编辑㊀李春燕)Research on field weed segmentation based on TransUnetGao Haozhang1 2Tang You1 2∗Xin Peng1Zhu Guodong31.Jilin Institute of Chemical Technology Jilin132022 China2.Jilin University of Agricultural Science and Technology Jilin132101 China3.Faw East Mechanical Shock Absorber Co. Ltd. Changchun130001 ChinaAbstract Agricultural production is the basis of human survival and the growth of crops are always affected by weeds resulting in crop production reduction.Therefore it is of great significance to realize the intelligent segmentation of weeds in the field.In this study the TransUnet algorithm model was used for weed segmentation in the field aiming to improve the accuracy and efficiency of segmentation.TransUnet is a new type of deep learning network.The training of the model uses the public data set and the model is optimized by combining the idea of transfer learning.In this experiment through testing and evaluation it is found that the TransUnet model after transfer learning performs outstanding in the field weed segmentation task and its pixel accuracy can reach more than97%.In addition the visual analysis of the model is carried out which confirms the practical value and application prospect of the model.In summary the TransUnet model has a positive effect on weed segmentation.It is hoped that the results of this research can provide more ideas and references for the application of computer vision technology in the agricultural industry.Key words。
基于TransUnet的田间杂草分割研究
基于TransUnet的田间杂草分割研究随着人工智能技术的快速发展,计算机视觉领域的研究也取得了显著进展。
其中,图像分割是计算机视觉领域中重要的研究方向之一。
在农业领域中,田间杂草的准确分割对于提高农作物产量和降低农药使用具有重要意义。
本文将基于TransUnet模型,探讨田间杂草分割的研究进展和应用前景。
一、研究背景随着全球人口的增加和农业生产需求的不断提升,田间杂草的控制成为农民面临的重要问题。
传统的人工除草方法效率低下且耗时耗力,而机械除草则需要大量的能源和资金投入。
因此,利用计算机视觉技术实现田间杂草的自动分割成为一种可行的解决方案。
二、TransUnet模型介绍TransUnet是一种基于Transformer和U-Net结构的图像分割模型。
相比传统的卷积神经网络,TransUnet在处理长距离依赖关系时具有更好的效果。
其优点包括:1)适用于不同尺度的图像分割任务;2)在处理大尺寸图像时具有更好的性能;3)对于局部和全局上下文的建模能力更强。
三、田间杂草分割研究方法1. 数据收集和预处理为了进行田间杂草分割研究,首先需要收集具有代表性的田间杂草图像数据集。
同时,对数据进行预处理,包括图像增强、标注等操作,以提高模型的训练效果。
2. 模型训练与优化利用收集到的数据集,对TransUnet模型进行训练。
在训练过程中,可以采用多种优化算法,如Adam、SGD等,以提高模型的收敛速度和分割准确度。
3. 田间杂草分割实验与评估利用训练好的模型,对新的田间杂草图像进行分割实验,并评估模型的性能。
评估指标包括精确度、召回率、F1值等,通过与人工标注结果的比较,确定模型的准确性和稳定性。
四、田间杂草分割应用前景田间杂草分割技术有着广阔的应用前景。
首先,它可以辅助农民准确识别和控制田间杂草,提高农作物的生长质量和产量。
其次,它可以减少农药的使用,降低农业生产对环境的污染。
此外,基于田间杂草分割技术还可以开发智能农机,实现自动化的除草操作。
基于Mask R-CNN的玉米田间杂草检测方法
进行测试ꎬ当交并比( IoU) 为 0 5 时ꎬ本文方法均值平均精度 ( mAP) 为 0 853ꎬ优于 SharpMask、DeepMask 的 0 816、
ቤተ መጻሕፍቲ ባይዱ
0 795ꎬ本文方法的单样本耗时为 280 msꎬ说明本 文 方 法 可 快 速、 准 确 检 测 分 割 出 杂 草 类 别、 位 置 和 轮 廓ꎬ 优 于
position deviation caused by quantizationꎬ and the region of interest ( RoI) feature map was transformed
into a fixed ̄size feature map. The output module calculated the classificationꎬ regression and
and segmentation method based on Mask R ̄CNN was proposed. The ResNet ̄101 network was used to
extract the feature map of weed semantic and spatial information. The characteristic map was classified by
JIANG Honghua1 ZHANG Chuanyin1 ZHANG Zhao2 MAO Wenhua3 WANG Dong4 WANG Dongwei5
(1. College of Information Science and Engineeringꎬ Shandong Agricultural Universityꎬ Taian 271018ꎬ China
利用颜色和形状特征的杂草识别方法研究的开题报告
利用颜色和形状特征的杂草识别方法研究的开题报告一、研究背景和意义:在农业生产中,杂草是严重影响农作物生长和产量的因素之一。
传统的杂草防治方式主要是人工除草和化学除草剂的使用,但这些方法不仅费时费力,而且存在较大的安全风险和环境污染问题。
因此,研究一种能够快速、准确、经济、环保的杂草识别方法具有重要的现实意义。
目前,随着计算机视觉技术的不断发展和深度学习算法的广泛应用,基于图像特征的杂草识别方法受到越来越多的关注。
其中,利用颜色和形状特征的杂草识别方法是一种广泛应用的技术。
二、研究内容和目标:本研究主要利用计算机视觉技术和机器学习算法,开发一种基于颜色和形状特征的杂草识别方法。
通过收集不同杂草的数字图像数据集,利用图像处理技术提取颜色和形状特征,然后采用支持向量机(SVM)等机器学习算法对数据进行训练和分类,最终实现对杂草的自动识别。
三、研究方法和原理:1.颜色特征提取采用OpenCV图像处理库提取杂草图像的HSV颜色空间中的颜色特征,以色调(H)和饱和度(S)为特征向量进行描述。
2.形状特征提取采用形状分析技术对杂草的边缘轮廓进行处理,提取周长、面积、矩形度等特征,以此作为形状特征向量。
3.机器学习算法采用支持向量机(SVM)等机器学习算法对提取出的颜色和形状特征向量进行训练和分类,最终实现对杂草的自动识别。
四、研究预期结果和创新点:1.研究预期结果:通过对不同杂草图像数据的颜色和形状特征提取,建立杂草的特征向量库,应用机器学习算法训练特征向量库,实现对杂草的自动识别,最终达到准确快速地对杂草进行分类的目的。
2.创新点:本研究利用颜色和形状特征作为杂草的分类特征,建立了杂草的特征向量库和分类模型。
基于颜色和形状特征的杂草识别方法,具有准确性高、识别速度快、操作简便等优点,具有较好的应用前景。
五、研究过程和工作计划:本研究的具体实施过程包括数据采集、图像处理、特征提取、模型训练和测试等多个环节。
具体的工作计划如下:1.数据采集和预处理(1个月)2.颜色和形状特征提取(2个月)3.建立特征向量库(1个月)4.特征库的训练和分类(2个月)5.算法评估和性能分析(1个月)六、研究存在的问题和解决方案:1.数据量不足的问题:通过网上搜索、农田采集等多种渠道获取杂草图像数据集,尽可能扩充数据集,提高识别精度。
基于机器视觉和深度学习的杂草识别系统研究
基于机器视觉和深度学习的杂草识别系统研究摘要:本文探讨了基于机器视觉和深度学习的杂草识别系统。
杂草是农业生产中的主要问题之一,对作物产量和品质造成严重威胁。
传统的杂草识别方法面临着特征提取难、分类效果有限等挑战。
而近年来,深度学习技术的快速发展在杂草识别领域展现出了强大的潜力,为实现高效、准确的杂草识别提供了新的解决方案。
本文将首先介绍传统的杂草识别方法,然后重点探讨深度学习在杂草识别中的应用,以及深度学习方法相较于传统方法的优势。
关键字:机器视觉、深度学习、杂草识别、目标检测、农业智能化一、杂草识别技术与方法(一)传统的杂草识别方法传统的杂草识别方法主要基于计算机视觉技术,包括图像处理、特征提取和分类算法等。
这些方法通常需要手动设计特征来表示杂草的形态和纹理等信息。
然而,由于杂草的外形和颜色差异巨大,手动提取适用于所有杂草种类的有效特征变得十分困难。
此外,传统方法的分类准确率受到光照、阴影和图像噪声等因素的影响,难以满足复杂多变的农田环境需求。
(二)深度学习在杂草识别中的应用深度学习作为一种基于神经网络的机器学习技术,在杂草识别领域取得了显著的进展。
首先,深度学习模型具备强大的表征学习能力,能够自动从原始图像数据中学习到高层次的特征表示,克服了传统方法中手动特征设计的缺陷。
其次,卷积神经网络(CNN)是深度学习中常用于图像识别任务的模型,其卓越的特征提取能力使其在杂草识别中表现出色。
此外,随着深度学习模型的不断发展和优化,如ResNet、Inception等,其识别准确率得到了进一步提升。
深度学习方法在杂草识别中的应用不仅限于单一图像识别,还包括目标检测、实例分割等领域。
通过目标检测技术,可以实现对农田中杂草的自动定位和识别,为后续的精确除草提供指导。
此外,深度学习还可结合多光谱图像、红外图像等数据源,进一步提高杂草识别的准确率和鲁棒性。
二、杂草图像数据集构建杂草图像数据集的构建是基于机器视觉和深度学习的杂草识别系统研究的关键步骤之一。
农田杂草识别技术的研究现状及应用
农田杂草识别技术的研究现状及应用近年来,农田杂草给农业生产带来了严重的威胁,对农作物的生长发育、水分和养分的利用,乃至产量和品质均产生负面影响。
因此,研究并应用先进的农田杂草识别技术,成为了提高农田管理的重要手段和途径。
本文将介绍农田杂草识别技术的研究现状,并探讨其在实际应用中的潜力和前景。
一、图像识别技术在农田杂草识别中的应用随着计算机技术和图像处理技术的不断发展,图像识别技术已经成为农田杂草识别的重要手段之一。
通过采集农田中的杂草图像,运用图像处理算法和人工智能技术,可以实现对农田杂草的自动识别和分类。
这种技术具有快速、准确、非破坏性等特点,被广泛应用于农田管理和农作物防治等领域。
在农田杂草识别技术中,深度学习算法是目前应用较为广泛的方法之一。
深度学习模型,如卷积神经网络(CNN)和循环神经网络(RNN),可以学习和提取图像特征,从而实现对不同杂草的准确识别。
同时,随着硬件设备的升级和计算能力的提高,深度学习模型的训练和应用也变得更加高效和可行。
二、农田杂草识别技术的研究现状目前,国内外学者已经开展了大量的农田杂草识别技术研究。
其中,针对不同农作物和不同气候环境下的杂草识别进行了深入研究。
例如,在水稻田中,通过图像采集和图像处理算法,可以有效识别和区分稗草、稻草和谷子等常见杂草。
在小麦田和玉米田中,也通过图像识别技术实现了对草芋、苋菜和谷草等杂草的自动识别。
此外,研究者还开展了杂草图像库的构建和优化工作。
通过采集大量杂草的图像和相关数据,并应用图像处理和特征提取算法,构建了丰富的杂草图像库。
这为杂草识别技术的研究和应用提供了重要的数据支持和参考。
三、农田杂草识别技术的应用前景农田杂草识别技术的应用前景广阔。
一方面,通过采集农田杂草的图像和其他相关数据,建立杂草数据库和图像库,有助于农业部门实时了解农田杂草的分布和数量,为制定杂草防治措施提供科学依据。
另一方面,农田杂草识别技术的推广应用,可以实现对杂草的快速、准确、高效识别,极大提高了农田管理的工作效率和质量。
基于MATLAB数字图像处理杂草识别
基于数字图像处理的杂草识别班级:信息 5 班组员:李辉李少杰李港深胡欣阳学号:04141394 04141395 04141393 0414139 指导教师:蔡利梅组员分工:李辉:部分程序,查找资料李少杰:实验报告,PPT演讲李港深:部分程序,实验报告胡欣阳:部分程序,实验报告摘要杂草同农田作物争夺阳光和养分,严重影响了农作物的生长。
为了达到除草的目的,人们开始喷洒大量的除草剂来进行除草。
可是却忽略了除草剂的不当使用给人、畜以及环境造成的危害。
本文从实际应用出发,设计了一个基于数字图像处理的杂草图像特征提取及识别设计方案。
运行在参考了前人研究成果的基础上,不断将算法改进,找出适合于MATLAB杂草识别的可行性方法。
本文对杂草图像的处理和识别方法进行研究。
采集来的图像经常会有模糊现象的发生,对模糊图像的恢复处理做了大量的研究试验,得出维纳滤波具有较好的恢复效果;绿色植物和土壤背景的分割试验中,提出了一种基于彩色图像的二值化方法,可以不经过彩色图像灰度化就能够直接把绿色植物与土壤背景分割开,和以往的分割方法相比处理速度快,分割效果好,更加满足实时性;杂草和作物的分割主要研究了行间杂草和作物的分割,参考国内外资料,并进行研究试验,表明运用位置特征识别法有很好的分割效果,寻找作物中心行采用了简单快速的像素位置直方图法,采用了区域生长,和其他方法相比减少了重复操作,节省了时间,满足实时处理的要求;分割后的图像为只含有杂草的二值图像,通常会有一些残余的叶片和颗粒的噪声,通过形态学滤波或中值滤波去除噪声。
1、研究目的及意义杂草是生态系统中的一员, 农田杂草是农业生态系统中的一个组成部分,它直接或间接的影响着农业生产,给经济作物带来很大的危害。
杂草不仅与农作物争夺阳光、水分、肥料、还与作物争夺生存空间,不经过及时的处理,会阻碍作物生长,导致作物产量的下降,产品质量受损,甚至妨碍农作物收获,增加生产费用[1]。
据统计,目前世界上共有杂草近5 万种, 农田杂草8000 多种,而危害主要粮食作物的约有250 多种。
基于人工智能的水稻杂草识别研究
基于人工智能的水稻杂草识别研究作者:张黎黎来源:《新农业》2022年第12期杂草是水稻生产中的重要有害生物,其影响水稻的产量、品质且威胁粮食安全和农业生产安全。
为保障农地质量通常采用对农田大面积无差别喷施除草剂的手段来做杂草治理,但其农药残留也造成了环境污染。
精准变量施药模式能够在保证作物的产量和质量的前提下有效减少对环境的污染。
随着人工智能在农业中的应用领域不断扩展,也为杂草的精准识别与定位提供了新的方法和思路;依据高分辨率数码影像构建水稻杂草识别模型,形成喷施标准指导变量施药,对于农田智能化管理和无人机精准喷施具有重要意义。
面向对象的图像分析方法将无人机遥感图像分割成包含丰富语义信息的多尺度对象,针对每个对象提取其特征信息并完成图像分类任务。
首先,从分割准确率和分割速度两个尺度对比不同的图像分割算法,对遥感图像进行多尺度分割,引入局部最优思想合并分割对象进一步提高分割精度;通过改进的K-means算法对图像做相似区域融合。
其次,提取无人机遥感图像中对象的空间语义信息,统计如颜色、纹理、形状等能够有效区分水稻和杂草的空间特征和拓扑关系。
取灰度颜色空间转化成局部二值模式图像后的灰度特征作为纹理特征,与颜色特征的均值组成特征向量作为分类依据,再次,通过决策树、支持向量机(SVM)、随机森林、BP神经网络等分类器对分割算法的超参更新以提高分类性能。
经有学者验证,在BP神经网络的调参指导下,多尺度分割算法的分類执行用时最短,效果最佳,总体精度达到83.4%,利用该模型构建的施药处方图能够为是否施药提供执行依据。
目标检测算法定位图像数据的感兴趣区域并确定目标类别,在图像中生成目标检测框,该算法以其识别准确率高且鲁棒性强的特点受到越来多学者的青睐。
目标检测算法又可分为两阶段和单阶段。
其中,两阶段算法以Faster R-CNN、MASK R-CNN等典型代表;单阶段算法以SSD、Yolo模型为代表。
首先通过图像滤波算法、伽马矫正、灰度变换、几何矫正等方法对图像进行预处理来减少图像本身来自于自然环境或拍摄噪声的干扰。
基于机器视觉的智能农业作物杂草检测
基于机器视觉的智能农业作物杂草检测智能农业技术的迅猛发展促进了现代农业的转型升级。
其中,基于机器视觉的智能农业作物杂草检测是一项备受关注的研究课题。
本文将深入探讨该技术的意义、原理和应用前景。
在传统农业生产中,农民常常需要耗费大量时间和精力来进行作物杂草检测与清理。
而该项工作通常具有一定的困难度,涉及大面积的作物覆盖以及杂草的多样性。
因此,引入基于机器视觉的智能农业作物杂草检测技术,将极大地提高作物杂草检测的效率和精准度。
基于机器视觉的智能农业作物杂草检测技术利用计算机视觉和图像处理算法,将传感器获取的作物图像进行处理和分析,实现自动化的杂草检测。
该技术主要包括图像采集、图像预处理、特征提取和分类识别等步骤。
首先,图像采集是整个检测过程的基础,通过高分辨率的图像采集设备,实时获取作物生长情况。
然后,进行图像预处理,主要是将采集到的图像去噪、增强对比度、图像分割等,以便更好地进行后续处理。
接下来,通过特征提取算法,从图像中提取出与作物和杂草相关的特征信息,例如形状、颜色、纹理等。
最后,利用分类识别算法对提取到的特征进行分类和识别,判断出作物和杂草的位置和种类。
基于机器视觉的智能农业作物杂草检测技术具有许多独特的优势。
首先,该技术可以大幅度减少人工干预,提高工作效率。
农民不再需要花费大量时间和人力资源进行杂草检测与清理,可以更好地利用时间和资源进行其他重要的农业工作。
其次,该技术可以实现杂草的精准识别和分布情况的详细记录,为农民提供农药使用和土壤调理的科学依据,减少农药使用量,降低对环境的污染。
此外,智能农业作物杂草检测技术还可以实现实时监测和预警,提前应对可能的灾害,保障农作物的安全和质量。
基于机器视觉的智能农业作物杂草检测技术不仅在理论上具有广阔的应用前景,而且在实际生产中已经取得了一些成功的应用案例。
例如,许多农业机械化企业已经研发出基于机器视觉的智能喷药机,通过自动识别和定位杂草,实现了高效、精准的喷药操作。
基于深度学习的穴盘苗缺苗穴位检测
基于深度学习的穴盘苗缺苗穴位检测
曹丹丹;朱玉桃;王寅初;张鑫宇;卫咏哲;崔永杰
【期刊名称】《农机化研究》
【年(卷),期】2023(45)3
【摘要】密集性穴盘苗缺苗穴位的检测,是机械化移栽及后续管理过程中的一项重要工作。
为提高缺苗检测的准确率,提出了一种基于深度学习的密集性穴盘苗缺苗穴位的检测方法。
检测时,对采集的图像进行穴盘区域自动剪裁,基于YOLOv4卷积网络,提取正常光照、较强光照、苗叶越界、蛭石泛青情况下的缺苗穴位特征进行训练。
最后,在测试集上进行试验,结果表明:上述4种条件下缺苗穴位检测的准确率均值为95.2%。
此外,与传统图像法相比,该检测方法提高了缺苗穴位在复杂条件下的检测适应性及准确率,能够为温室穴盘育苗模式下苗株个体的生长管理及后续的自动化作业提供依据。
【总页数】6页(P210-215)
【作者】曹丹丹;朱玉桃;王寅初;张鑫宇;卫咏哲;崔永杰
【作者单位】西北农林科技大学机械与电子工程学院;陕西省农业信息感知与智能服务重点实验室;农业农村部农业物联网重点实验室
【正文语种】中文
【中图分类】S24;S126
【相关文献】
1.蔬菜穴盘苗自动补苗试验台穴孔定位与缺苗检测系统
2.穴盘苗自动移栽机苗钵夹持力检测系统设计与试验
3.穴盘苗移栽机漏苗检测及补苗控制系统的设计
4.基于机器视觉的穴盘苗检测试验研究
5.基于叶片下苗茎侧视图像的白掌穴盘苗品质检测
因版权原因,仅展示原文概要,查看原文内容请购买。
除草机器人杂草识别与视觉导航技术研究的开题报告
除草机器人杂草识别与视觉导航技术研究的开题报告一、题目除草机器人杂草识别与视觉导航技术研究二、研究背景随着人们生活水平的提高,园林绿化需求日益增加,而人工除草效率低,成本高,且对人类身体健康有着潜在的威胁。
因此,研发一种能够智能、自主除草的机器人已成为一个热门话题。
除草机器人是指一种可以自主巡航、识别杂草、切割杂草的机器人。
其可以代替人工进行园林绿化的草坪面积大、杂草生长快、难以整理的工作。
然而,当前市面上的除草机器人以及已有的科研成果,大都是基于激光雷达或红外线传感器的技术。
但是,这些技术仅仅只是能够检测到草的位置,不能准确识别出杂草,切割时往往无法精确切割,不能达到最优的除草效果。
因此,开发一种基于视觉识别的除草机器人,在杂草识别与目标导航方面具有更高的准确性和精度,对于园林绿化领域具有较高的应用价值。
三、研究目的本研究目的主要是研究开发一种基于视觉识别的除草机器人,在解决杂草识别和视觉导航方面具有更高的准确性和精度。
本研究具体目标包括:1. 开发一套基于图像处理技术的杂草识别算法,实现对杂草的准确识别。
2. 研究开发一套针对杂草的导航算法,使机器人在巡航过程中可以快速、准确地定位目标。
3. 利用ROS(Robot Operating System)平台,集成硬件控制和软件实现,并验证成果。
四、研究方法本研究采用以下研究方法,实现杂草识别和目标导航的最优效果:1. 图像采集:采用摄像头进行图像采集,获取机器人周围的环境及杂草的图像信息。
2. 图像预处理:对图像进行预处理,包括图像分割、颜色空间转换、特征提取等操作,提取出杂草图像的关键特征。
3. 杂草识别算法设计:根据杂草图像的关键特征,设计一套基于机器学习算法的杂草识别模型。
4. 目标导航算法设计:根据杂草位置信息,设计一套针对杂草的导航算法,使机器人能够准确地找到杂草的位置。
5. 系统集成:将硬件和软件集成在ROS平台上,完成机器人的控制和实现。
基于形状特征的玉米苗期杂草识别方法的研究
基于形状特征的玉米苗期杂草识别方法的研究熊利荣;吴兰兰【摘要】为了从玉米苗中准确识别杂草,在获取其轮廓图像的基础上,提取了叶片的5个形状参数,包括周长、叶片长和宽、宽长比、圆形度和矩形度,并通过试验验证了其中的3个无量纲参数(宽长比、圆形度和矩形度).结果表明,宽长比能将玉米、窄叶杂草、宽叶杂草三大类植物区分开来,圆形度能将宽叶杂草从三大类中区分开来.【期刊名称】《湖北农业科学》【年(卷),期】2010(049)010【总页数】3页(P2548-2550)【关键词】形状特征;玉米;杂草;识别【作者】熊利荣;吴兰兰【作者单位】华中农业大学工学院,武汉,430070;华中农业大学工学院,武汉,430070【正文语种】中文【中图分类】TP391.41玉米苗田间杂草对作物的生长有极大的危害[1],应及时加以控制。
在诸多的杂草防除方式中,化学除草法由于其高效的除草能力而备受广大农民的青睐,但化学除草剂的使用方式普遍为粗放式的大面积喷洒,喷洒到作物和土壤等无杂草区域的防草剂不仅造成了浪费,还造成了潜在的生态环境危害。
实现有选择喷洒除草剂技术的前提条件就是准确、智能地检测田间杂草的特征(位置、密度或种类等)。
只有准确地从含有杂草的玉米苗中识别出杂草,才能正确指导除草装置的动作。
1 试验方法试验以点播的苗期玉米为研究对象,玉米播后杂草便开始出土,播后10d达到出土高峰,15 d内出草总数占总出草量的80%以上,播后30d占97.5%,这一规律正好与夏玉米苗期生长同步。
玉米2~5叶时,杂草2~3叶时是化学除草的有利时期。
Woebbecke等[2]认为从形态上区分单子叶杂草与双子叶杂草的最佳时间是杂草出土后14~23 d。
若采集时间过晚,则叶片遮挡严重,增加了杂草检测难度。
因此,图像采集在玉米2~5叶时进行。
2 形状特征参数的提取2.1 轮廓跟踪轮廓跟踪[3]的目的都是为了获得图像的外部轮廓特征,基本方法是:先根据某些严格的“探测准则”找出目标物体轮廓上的像素,再根据这些像素的某些特征用一定的“跟踪准则”找出目标体上的其他像索,本文选用八邻域跟踪法[4]。
基于多光谱图像和数据挖掘的多特征杂草识别方法
V o 1 . 2 9 N o . 2
J a n . 2 0 1 3
基于多光谱 图像和数据挖掘 的多特 征杂草识别方法
赵川源,何东健※ ,乔永亮
( 西北农林科技大学机 电学院,杨凌 7 1 2 1 0 0 )
摘
要:为满足变量喷洒对 杂草识别 正确率 的要求 , 提 出一种基于 多光谱 图像和数据挖掘 的杂草多特征识别方法 。
赵 川源 ,何东健 ,乔永亮.基于 多光谱 图像和数据挖掘 的多特征杂草识别方法 [ J ] .农业工程学报 ,2 0 1 3 ,2 9 ( 2 ) :
1 92— 1 n y u a n , H e D o n g j i n, a Qi a o Y o n g l i a n g . I d e n t i i f c a t i o n me t h o d o f mu l t i — f e a t u r e w e e d b a s e d o n mu l t i — s p e c t r a l i ma g e s a n d d a t a mi n i n g [ J ] . T r a n s a c t i o n s o f he t C h i n e s e S o c i e y t o f A g r i c u l ur t a l E n g i n e e r i n g( T r a n s a c t i o n s o f he t C S AE ) , 2 0 1 3 , 2 9 ( 2 ) : 1 9 2 —1 9 8 . ( i n C h i n e s e wi t h E n g l i s h a b s t r a c t )
为提 高玉米 田间杂草 识别 的准 确率 ,本 文拟 研
通信技术
形态非抽样 小波及其在冲击信 号特征提取 中的应 用:Mop o rh 。
lg c l n e i t d wa e e d i p lc t n t e tr xr c o i a d cma e v l ta t a p i ai o f au e e ta — u n s o
O O 1 3 86 O 3 5 0・4 1 0
将光的偏振概念引入机器视觉领域 ,并应用于智能机器人野外 导航中水体障碍物的检测.该方法基于如下物理准则 :非偏振 光通过平滑水面反射后成 为部分线性偏振光 ,其偏振相位相对 周 围环 境具有 更大 的相似性 .通过 综合 比较偏振度 的大 小和 偏振相位 的相似性 ,可 以检测 出场景 中的水体障碍物.实验结 果表 明,该方法对 复杂 自然环境 下水 体障碍物的检测,特别是 包含 周 围植 物倒影 的水体 部分 的检测具 有 良好 的效果 .与传 统机器视觉方法相 比,偏振视觉手段计算简单,可 以与现有 图 像处理技术结合使用. 图 4表 1 8 参 关键词 :偏振相位 ;水面检测 ;图像处 理;偏振 视觉
京农业大学工学 院,南京 2 0 3) 10 1,沈明霞 ,姬长英 ∥农业机 械学报. 2 0 ,3 ( 1. 7  ̄7 ,8 一 0 7 81)~ 7 9 7 为 了给机械手 自动采摘棉桃提供运动参数 ,提 出了一种棉桃识 别方法 ,可 以从背景环境 中准确识别棉桃 ,获取棉桃准确 的位 置信息.通过对棉花不 同部分颜色数据 的分析 ,建立 了基于色 差信息 的识别模型 ,为进一步提 高识 别准确性 ,利用形状特征 建立动态 Fema 编码 方法去除噪声.实验结果表 明这种方法 re n 具有 良好的棉桃识别效果 ,识别率达到 8%. 图 5表 1 1 5 参 0 关键词:棉桃 ;识别 ;机器视觉 ;颜色空间 ;形状特 征
Labview下实现棉田株间杂草实时识别与定位
L b i 下 实 现 棉 田 株 间 杂 草 实 时 识 别 与 定 位 av w e
李 炎 ,毛 罕平 ,陈树 人
22 1) 10 3
( 苏 大学 现 代农 业 装备 与 技术 省 部 共建 教 育部 重 点实 验 室/ 苏 省 重点 实 验室 ,江苏 镇 江 江 江
片 轮廓 , 直接 影 响到 形状 特征 参数 的提取 ;02年 , . 20 R
D Lm .a m等通过腐蚀膨胀操作识别棉 田禾本科杂草取 得较好结果 , 但对于叶片相互覆盖严重的情况并不适
用 ]另外 将 相互 遮盖 的叶 片 区 分开 以现 阶段 图像 处 ,
理技 术来 处 理结 果误 差较 大 。
域 的干 扰点 块 , 而 起 到二 值 图像 的滤 波 效果 。 从 S E 3 腐 蚀 二值 图像 , 离 作 物 和 杂 草 对 应 的 区 TP : 分 域 。为 了便 于 利 用 整 株 棉 苗 坐 标 在 绿 色 二 值 图 像 中 进 行 位 置 信 息 融 合 , 膨 胀 二 值 图像 , 取 各 个 区 域 再 提
现 杂 草 和株 苗 的 位 置 信 息 的获 取 , 两 个 数 组 分 别 表 用 示 杂 草 和 株苗 的坐 标 。
作 为基 础 的 。通 过 分 割 得 到 棉 花 植 株 和 马 唐 杂 草 的 二 值 图像 , 后 分 别取 骨 架 , 图 1所 示 。 然 如
3 图像处 理与分析
对 图像 进 行 另 外 的 处 理 , 以便 得 到 想 要 的 目标 物 体 , 对 图像 进 行 了一 系 列 的 形 态 运 算 。形 态 运 算 主要 包 括腐蚀 、 胀 、 膨 开启 和 闭合 等 。首 先 , 过 面 积 滤 波法 通
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
基 于位 置 特征 的过分 割投 影 定 位 算 法 , 速 实 现 玉 米 快 植 株 的实 时 、 确 定 位 , 后 通 过 穴 间 区 块 像 素 的 统 准 然
对原 始 图 像 分 割 利 用 图 像 中植 物 和 背 景 的颜 色 特 征 差 异将 植 物 和背 景 分 割开 来 I 。基 于 R B颜 G 色 空 间 的超 绿 色 法 ( G—R—B) 绿 色植 物 与 背 景 有 2 对 很 好 的分 割 效 果 。 本 试 验 系 统 摄 像 机 采 集 图像 的格
点 和 田间场 景 中植 物 叶 片交 叠 等 问题 , 以穴 播 玉米 为研 究 对 象提 出 了一 种 基 于 作 物 位 置特 征 的 过 分 割 区块 投 影
定 位 作 物株 心 的 方 法 , 此确 定 出穴 间 喷 雾 操作 区块 并 进 行各 区块 像 素 统 计 、 别 , 现 穴 间 杂 草 的 识 别 。 试 验 据 判 实 表 明 :穴 间 区块 杂 草 实 时识 别 的正 确 率 在 8 . % 以 上 ,在 MA L B . 77 T A 6 5环 境 下 处 理 一 幅 6 0×5 2图像 , 读 入 4 1 从 图像 至 给 出杂 草 控 制指 令 耗 时 在 5 0 s以 内 , 0m 具有 较 好 的 实 时性 , 可适 用 于 作 物 苗 期各 阶段 的杂 草识 别 。 且 关键词 :杂草识别 ;位 置特 征 ;图像处理 ;变量喷雾
D —H 3 2 C彩 色 数 字摄 像机 以 2 H V10 U 4位 真 彩 色 的格 式 动态 摄 取 , 集 的 原 始 图 像 ( 图 1所 示 ) B 采 如 为 MP
是影 响农作物生长的主要 因素 , 针对杂草和作物在空
间 区域 上 的分 布 特点 , 除 草 剂 、 虫 剂 、 养 剂 等 精 将 杀 营 确 喷洒 到有 效 部位 上 , 现 变 量 喷雾 , 节 约 能 源 , 实 对 提 高农 产 品 的产 量 , 低 环 境 污 染 具 有 重 要 意 义 。喷 雾 降 目标 的正确 识 别 定 位 是 实 现 变 量 喷 洒 技 术 的 关 键 所 在 。玉米 等 穴播 作 物 田 内杂 草 的种 类 很 多 、 规则 的 无 分 布于 作 物 行 与 穴 之 间 , 由 于 植 物 叶 片 的 交 叠 作 并 用, 给运 用植 物 的形 状 或 纹 理 特 征 识 别 造成 了 特 征 提
特有 的 位 置 特 征 为 其 正 确 识 别 提 供 了 有 效 的 途 径 -1 l g t _ 和 G l _ 等 人 曾指 出 : 作 物 早 6。Sa he 7 u r i s8 e 在 期 , 用作 物 的位置 特 征 来 确 定 药 物 的 喷洒图像 中 , 去 作 物 以外 的所 除
基金项 目:沈 阳市科学技术计划资助项 目(0 14 18 2 0一l一 1 19 19— 0 ;0 17
1 3 —0 )
R— B时效果 最好 。因此 , 本算法先 计算原 始 图像 的 修正超绿颜色指标 , 以灰度化 图像 ; 然后利 用最大方 差 自动阈值法二值 化 图像 , 现背景去 除 , 实 分割结果
取 的 困难 ¨-J识 别 杂 草 有 一 定 的 困难 。而 穴 播 作 物 4,
格 式 , 小 为 60X 1 素 , 平 面与 地 面平 行 且 长 大 4 5 2像 像
度方 向对 应 垄 行 。实 际所 拍 摄 的 区域 为 07 mX . 5
0 6 每 幅 图像 中包 含 单行 2— .m, 3穴 位 。
2l 0 0年 9月
农 机 化 研 究
第 9期
基 于 位 置 特 征 的 穴 间 杂 草 快 速 识 别 算 法
陈丽 君 ,李永 奎
( 阳 农业 大 学 工 程 学 院 ,沈 阳 1 0 6 ) 沈 1 1 1 摘 要 : 研 究 了利 用穴 播 作 物 的 位 置 特征 进 行 穴 间 区 块 杂 草 识 别 的 算 法 。 针 对 穴 播 作 物 按 规 律 分 布生 长 的 特
图 1 静 态 原 始 图 像
F g 1 Org n li g i. i i a ma e
有 绿 色植 物 都是 杂 草 , 因此 可 以采 用 识 别 作 物 的方 法 来 间接 地 实 现 杂 草 的识 别 。本 文 结 合 我 国农 业 生 产
的实 际 ,以玉 米 的 田 间场 景 为 研究 对 象 ,提 出了一 种
中图分类号 :T 3 1 4 P9 . 1 文献标识 码 :A 文章编号 :1 0 0 3—1 8 2 1 ) 9—0 1 0 8 X( 0 0 0 0 9— 4
0 引 言
在 对农 作 物 的 田 间管 理 过 程 中 , 、 、 害 一 直 病 虫 草
等进 行 准 确 的 识 别 , 先 需 要 采 集 苗 田动 态 图 像 , 首 建 立 数 据库 进 行算 法 静 态 设 计 , 后 通 过 实 时 获 得 的 图 然 像 对 算 法进 行 实 时 验 证 。 在 静 态 研 究 中 以 沈 阳农 业 大 学试 验 田 中的夏 玉 米 及 杂 草 为 研 究 对 象 , 用 大恒 利
计判别间接地实现玉米穴间杂草 的实时、 准确定位。
1 图像采集与预处理
为 了使 系统 能 够 准 确 地 对 玉 米 植 株 、 草 和 土 壤 杂
收 稿 日期 :20 09—1 0 2— 3
式为 Byr ae 格式 , ae 格式在转化为 2 Byr 4位彩 色图像
时为 R G G B形 式 , 体 图 像 绿 色 分 量 偏 高 , 使 过 多 整 易 背 景 被错 误 分割 为 绿 色 像 素 , 此 必 须 对 超 绿 色 法进 因 行 修 正 。经 过试 验 , 正 后 的超 绿 色 指 标 为 14 G— 修 .5