【摘要】：除草是保證農(nóng)作物高產(chǎn)的必要工作。針對(duì)機(jī)械化除草和智能噴藥中存在的雜草識(shí)別問題,以2~5葉苗期玉米及雜草為研究對(duì)象,進(jìn)行了融合高度特征與單目圖像特征的雜草識(shí)別方法研究。首先從單目圖像中提取16個(gè)形態(tài)特征和2個(gè)紋理特征;然后基于雙目圖像,提出了針對(duì)植株的高度特征提取方法,所得高度特征與實(shí)際測(cè)量值間誤差在±12 mm以內(nèi);利用max-min ant system算法對(duì)形態(tài)特征進(jìn)行優(yōu)化選擇,將形態(tài)特征減少到6個(gè),有效減少數(shù)據(jù)量62.5%,并與紋理和高度特征進(jìn)行融合;將2~5葉玉米幼苗的可除草期劃分為3個(gè)階段,分別構(gòu)建融合高度特征與單目圖像特征的SVM識(shí)別模型,并與相應(yīng)不含高度特征模型進(jìn)行對(duì)比。經(jīng)測(cè)試,3個(gè)階段模型的識(shí)別準(zhǔn)確率分別為96.67%,100%,98.33%;平均識(shí)別準(zhǔn)確率達(dá)98.33%。不含高度特征模型的識(shí)別準(zhǔn)確率分別為93.33%,91.67%,95%;平均識(shí)別準(zhǔn)確率為93.33%。結(jié)果表明,融合高度特征與單目圖像特征的SVM識(shí)別模型優(yōu)于不含高度特征模型,平均識(shí)別準(zhǔn)確率提高了5百分點(diǎn)。該方法實(shí)現(xiàn)了高準(zhǔn)確率的雜草識(shí)別,研究結(jié)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(gè)階段，即2~3葉期、3~4葉期和4~5葉期。在試驗(yàn)中，分別建立3個(gè)除草階段的高度特征融合模型，分別記為Model1，Model2，Model3。為每個(gè)模型分配對(duì)應(yīng)時(shí)期的100對(duì)玉米圖像樣本和120對(duì)雜草圖像樣本，其中隨機(jī)劃分70對(duì)玉米圖像樣本和90對(duì)雜草圖像樣本作為訓(xùn)練集，其余60對(duì)圖像樣本歸為測(cè)試集。利用測(cè)試集對(duì)融合高度特征模型進(jìn)行測(cè)試分析，并建立相應(yīng)不含高度特征模型進(jìn)行對(duì)比試驗(yàn)，以驗(yàn)證融合高度特征模型確有提高雜草識(shí)別準(zhǔn)確率的能力。1.2雙目圖像采集系統(tǒng)構(gòu)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(jī)(MV-VS220，維視圖像，中國(guó))、IEEE1394圖像采集卡、連接線、支架和計(jì)算機(jī)組成。經(jīng)過調(diào)整與測(cè)試，最終確定雙目相機(jī)基線長(zhǎng)度8cm，相機(jī)距地面50cm，左右相機(jī)光軸與基線夾角相等。為獲取目標(biāo)景物的精確空間信息，采用MATLAB標(biāo)定工具對(duì)系統(tǒng)進(jìn)行標(biāo)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(duì)標(biāo)定結(jié)果進(jìn)行評(píng)估，結(jié)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(biāo)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(shí)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(cè)圖像。在特征提取前對(duì)單目圖像進(jìn)行預(yù)處理，比較Weobbecke等[21-25]的預(yù)處理算法，最終采用改進(jìn)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(jìn)行二值化；對(duì)二值圖像進(jìn)行面積濾波，消除噪聲和干擾；使用Canny算法準(zhǔn)確提取目標(biāo)區(qū)域輪廓線。在預(yù)處理基礎(chǔ)上，根據(jù)韓瑞珍和何勇[26]計(jì)算復(fù)雜度等16個(gè)形態(tài)特征參數(shù)，其中9項(xiàng)具有RST不變性

高度特征模型進(jìn)行對(duì)比試驗(yàn)，以驗(yàn)證融合高度特征模型確有提高雜草識(shí)別準(zhǔn)確率的能力。1.2雙目圖像采集系統(tǒng)構(gòu)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(jī)(MV-VS220，維視圖像，中國(guó))、IEEE1394圖像采集卡、連接線、支架和計(jì)算機(jī)組成。經(jīng)過調(diào)整與測(cè)試，最終確定雙目相機(jī)基線長(zhǎng)度8cm，相機(jī)距地面50cm，左右相機(jī)光軸與基線夾角相等。為獲取目標(biāo)景物的精確空間信息，采用MATLAB標(biāo)定工具對(duì)系統(tǒng)進(jìn)行標(biāo)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(duì)標(biāo)定結(jié)果進(jìn)行評(píng)估，結(jié)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(biāo)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(shí)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(cè)圖像。在特征提取前對(duì)單目圖像進(jìn)行預(yù)處理，比較Weobbecke等[21-25]的預(yù)處理算法，最終采用改進(jìn)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(jìn)行二值化；對(duì)二值圖像進(jìn)行面積濾波，消除噪聲和干擾；使用Canny算法準(zhǔn)確提取目標(biāo)區(qū)域輪廓線。在預(yù)處理基礎(chǔ)上，根據(jù)韓瑞珍和何勇[26]計(jì)算復(fù)雜度等16個(gè)形態(tài)特征參數(shù)，其中9項(xiàng)具有RST不變性。根據(jù)He和Dash等[27-28]計(jì)算2個(gè)最具代表性的紋理特征參數(shù)。具體參數(shù)名及其對(duì)應(yīng)標(biāo)記號(hào)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(yù)處理田間光照與圖像采集時(shí)的機(jī)械振動(dòng)會(huì)影響雙目圖像1.連接線2.雙目攝像機(jī)3.IEEE1394圖像采集卡4.玉米幼苗5.計(jì)算機(jī)1.Line2.Binocularcamera3.IEEE1394imageacquisitioncard4.Maizeseedling5.Computer圖1雙目圖像采集系統(tǒng)Fig.1Binocularimage

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 范德耀;姚青;楊保軍;周營(yíng)烽;管澤鑫;唐健;;田間雜草識(shí)別與除草技術(shù)智能化研究進(jìn)展[J];中國(guó)農(nóng)業(yè)科學(xué);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(shí)別方法[J];農(nóng)業(yè)工程學(xué)報(bào);2007年11期

3 趙德升;毛罕平;陳樹人;張?jiān)?;雜草識(shí)別中背景分割方法的比較研究[J];農(nóng)機(jī)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(shí)別算法[J];中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào);2013年01期

5 蔣正榮;計(jì)算機(jī)雜草識(shí)別技術(shù)的研究現(xiàn)狀[J];上海環(huán)境科學(xué);1999年10期

6 吳蘭蘭;劉劍英;文友先;鄧曉炎;;基于支持向量機(jī)的玉米田間雜草識(shí)別方法[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2009年01期

7 趙博;王宗甲;周鵬;毛文華;張小超;;智能雜草識(shí)別系統(tǒng)的設(shè)計(jì)與試驗(yàn)(英文)[J];農(nóng)業(yè)工程學(xué)報(bào);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(shí)別與變量噴灑控制系統(tǒng)[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2012年11期

9 龍滿生;何東健;;玉米苗期雜草的計(jì)算機(jī)識(shí)別技術(shù)研究[J];農(nóng)業(yè)工程學(xué)報(bào);2007年07期

10 蔣正榮;計(jì)算機(jī)雜草識(shí)別的實(shí)現(xiàn)及應(yīng)用[J];雜草科學(xué);1999年04期

相關(guān)會(huì)議論文 前1條

1 毛文華;胡小安;張小超;;基于機(jī)器視覺的田間雜草識(shí)別系統(tǒng)[A];農(nóng)業(yè)機(jī)械化與新農(nóng)村建設(shè)——中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)2006年學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2006年

相關(guān)博士學(xué)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(shí)別方法研究[D];江蘇大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

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

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

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

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

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

6 曲昆鵬;基于支持向量機(jī)的雜草識(shí)別研究[D];哈爾濱工程大學(xué);2010年

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

8 齊平;基于圖像處理的雜草識(shí)別研究[D];西華大學(xué);2010年

9 肖超云;基于機(jī)器視覺的雜草識(shí)別研究[D];江蘇大學(xué);2007年

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

本文編號(hào)：2565998