【摘要】：除草是保證農(nóng)作物高產(chǎn)的必要工作。針對機械化除草和智能噴藥中存在的雜草識別問題,以2~5葉苗期玉米及雜草為研究對象,進行了融合高度特征與單目圖像特征的雜草識別方法研究。首先從單目圖像中提取16個形態(tài)特征和2個紋理特征;然后基于雙目圖像,提出了針對植株的高度特征提取方法,所得高度特征與實際測量值間誤差在±12 mm以內(nèi);利用max-min ant system算法對形態(tài)特征進行優(yōu)化選擇,將形態(tài)特征減少到6個,有效減少數(shù)據(jù)量62.5%,并與紋理和高度特征進行融合;將2~5葉玉米幼苗的可除草期劃分為3個階段,分別構建融合高度特征與單目圖像特征的SVM識別模型,并與相應不含高度特征模型進行對比。經(jīng)測試,3個階段模型的識別準確率分別為96.67%,100%,98.33%;平均識別準確率達98.33%。不含高度特征模型的識別準確率分別為93.33%,91.67%,95%;平均識別準確率為93.33%。結果表明,融合高度特征與單目圖像特征的SVM識別模型優(yōu)于不含高度特征模型,平均識別準確率提高了5百分點。該方法實現(xiàn)了高準確率的雜草識別,研究結果為農(nóng)業(yè)精確除草的發(fā)展提供參考。
【圖文】：

差別，因此本研究以玉米的相鄰葉期為一組，將除草劃分為3個階段，即2~3葉期、3~4葉期和4~5葉期。在試驗中，分別建立3個除草階段的高度特征融合模型，分別記為Model1，Model2，Model3。為每個模型分配對應時期的100對玉米圖像樣本和120對雜草圖像樣本，其中隨機劃分70對玉米圖像樣本和90對雜草圖像樣本作為訓練集，其余60對圖像樣本歸為測試集。利用測試集對融合高度特征模型進行測試分析，并建立相應不含高度特征模型進行對比試驗，以驗證融合高度特征模型確有提高雜草識別準確率的能力。1.2雙目圖像采集系統(tǒng)構建如圖1所示的雙目圖像采集系統(tǒng)，該系統(tǒng)主要由數(shù)字雙目攝像機(MV-VS220，維視圖像，中國)、IEEE1394圖像采集卡、連接線、支架和計算機組成。經(jīng)過調(diào)整與測試，最終確定雙目相機基線長度8cm，相機距地面50cm，左右相機光軸與基線夾角相等。為獲取目標景物的精確空間信息，采用MATLAB標定工具對系統(tǒng)進行標定，相比OpenCV具有更高的精度和魯棒性[19-20]。利用重投影誤差法對標定結果進行評估，結果如圖2所示。表明每幅圖像的平均重投影誤差為0.08像素，不超過0.1像素，可知系統(tǒng)具有較高的標定精度。1.3單目圖像特征參數(shù)提取形態(tài)特征與紋理特征是有效的圖像識別依據(jù)，因此基于單目圖像提取這2類特征參數(shù)，，其中單目圖像統(tǒng)一采用雙目圖像中的左側圖像。在特征提取前對單目圖像進行預處理，比較Weobbecke等[21-25]的預處理算法，最終采用改進的超綠特征將原始圖像灰度化；綜合考慮類間方差與類內(nèi)方差的Otsu算法進行二值化；對二值圖像進行面積濾波，消除噪聲和干擾；使用Canny算法準確提取目標區(qū)域輪廓線。在預處理基礎上，根據(jù)韓瑞珍和何勇[26]計算復雜度等16個形態(tài)特征參數(shù)，其中9項具有RST不變性

高度特征模型進行對比試驗，以驗證融合高度特征模型確有提高雜草識別準確率的能力。1.2雙目圖像采集系統(tǒng)構建如圖1所示的雙目圖像采集系統(tǒng)，該系統(tǒng)主要由數(shù)字雙目攝像機(MV-VS220，維視圖像，中國)、IEEE1394圖像采集卡、連接線、支架和計算機組成。經(jīng)過調(diào)整與測試，最終確定雙目相機基線長度8cm，相機距地面50cm，左右相機光軸與基線夾角相等。為獲取目標景物的精確空間信息，采用MATLAB標定工具對系統(tǒng)進行標定，相比OpenCV具有更高的精度和魯棒性[19-20]。利用重投影誤差法對標定結果進行評估，結果如圖2所示。表明每幅圖像的平均重投影誤差為0.08像素，不超過0.1像素，可知系統(tǒng)具有較高的標定精度。1.3單目圖像特征參數(shù)提取形態(tài)特征與紋理特征是有效的圖像識別依據(jù)，因此基于單目圖像提取這2類特征參數(shù)，其中單目圖像統(tǒng)一采用雙目圖像中的左側圖像。在特征提取前對單目圖像進行預處理，比較Weobbecke等[21-25]的預處理算法，最終采用改進的超綠特征將原始圖像灰度化；綜合考慮類間方差與類內(nèi)方差的Otsu算法進行二值化；對二值圖像進行面積濾波，消除噪聲和干擾；使用Canny算法準確提取目標區(qū)域輪廓線。在預處理基礎上，根據(jù)韓瑞珍和何勇[26]計算復雜度等16個形態(tài)特征參數(shù)，其中9項具有RST不變性。根據(jù)He和Dash等[27-28]計算2個最具代表性的紋理特征參數(shù)。具體參數(shù)名及其對應標記號如表1所示。1.4基于雙目圖像的高度特征參數(shù)提取1.4.1雙目圖像預處理田間光照與圖像采集時的機械振動會影響雙目圖像1.連接線2.雙目攝像機3.IEEE1394圖像采集卡4.玉米幼苗5.計算機1.Line2.Binocularcamera3.IEEE1394imageacquisitioncard4.Maizeseedling5.Computer圖1雙目圖像采集系統(tǒng)Fig.1Binocularimage

【相似文獻】

相關期刊論文 前10條

1 范德耀;姚青;楊保軍;周營烽;管澤鑫;唐健;;田間雜草識別與除草技術智能化研究進展[J];中國農(nóng)業(yè)科學;2010年09期

2 毛文華;曹晶晶;姜紅花;王一鳴;張小超;;基于多特征的田間雜草識別方法[J];農(nóng)業(yè)工程學報;2007年11期

3 趙德升;毛罕平;陳樹人;張元;;雜草識別中背景分割方法的比較研究[J];農(nóng)機化研究;2009年11期

4 黃士凱;祁力鈞;張建華;王俊;;基于行寬的玉米行間雜草識別算法[J];中國農(nóng)業(yè)大學學報;2013年01期

5 蔣正榮;計算機雜草識別技術的研究現(xiàn)狀[J];上海環(huán)境科學;1999年10期

6 吳蘭蘭;劉劍英;文友先;鄧曉炎;;基于支持向量機的玉米田間雜草識別方法[J];農(nóng)業(yè)機械學報;2009年01期

7 趙博;王宗甲;周鵬;毛文華;張小超;;智能雜草識別系統(tǒng)的設計與試驗(英文)[J];農(nóng)業(yè)工程學報;2012年S2期

8 張小龍;謝正春;張念生;曹成茂;;豌豆苗期田間雜草識別與變量噴灑控制系統(tǒng)[J];農(nóng)業(yè)機械學報;2012年11期

9 龍滿生;何東健;;玉米苗期雜草的計算機識別技術研究[J];農(nóng)業(yè)工程學報;2007年07期

10 蔣正榮;計算機雜草識別的實現(xiàn)及應用[J];雜草科學;1999年04期

相關會議論文 前1條

1 毛文華;胡小安;張小超;;基于機器視覺的田間雜草識別系統(tǒng)[A];農(nóng)業(yè)機械化與新農(nóng)村建設——中國農(nóng)業(yè)機械學會2006年學術年會論文集（下冊）[C];2006年

相關博士學位論文 前1條

1 李先鋒;基于特征優(yōu)化和多特征融合的雜草識別方法研究[D];江蘇大學;2010年

相關碩士學位論文 前10條

1 周果;基于圖像處理技術的大田玉米苗期雜草識別方法研究[D];吉林農(nóng)業(yè)大學;2013年

2 官林;面向雜草識別的特征提取方法研究[D];東北農(nóng)業(yè)大學;2015年

3 龍滿生;玉米苗期雜草識別的機器視覺研究[D];西北農(nóng)林科技大學;2002年

4 徐辛穎;面向雜草識別的K近鄰算法研究[D];東北農(nóng)業(yè)大學;2013年

5 李攀;基于多光譜圖像的玉米田間雜草識別方法研究[D];西北農(nóng)林科技大學;2014年

6 曲昆鵬;基于支持向量機的雜草識別研究[D];哈爾濱工程大學;2010年

7 廉寧;基于變量噴藥的雜草識別關鍵技術研究[D];吉林農(nóng)業(yè)大學;2015年

8 齊平;基于圖像處理的雜草識別研究[D];西華大學;2010年

9 肖超云;基于機器視覺的雜草識別研究[D];江蘇大學;2007年

10 邵喬林;基于支持向量機的玉米田間雜草識別方法研究[D];南京農(nóng)業(yè)大學;2011年

本文編號：2565998