為提高無(wú)人機(jī)噴灑除草劑的精準(zhǔn)度,以闊葉型雜草、禾本科雜草作為研究對(duì)象,針對(duì)傳統(tǒng)圖像識(shí)別技術(shù)準(zhǔn)確率低,邊緣信息丟失嚴(yán)重等問(wèn)題,提出基于改進(jìn)Canny邊緣檢測(cè)算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的大豆雜草圖像識(shí)別方法。首先采用改進(jìn)后的Canny算法對(duì)圖像進(jìn)行特征提取,然后將提取到的結(jié)果轉(zhuǎn)化為特征矩陣向量,作為BP神經(jīng)網(wǎng)絡(luò)的輸入層,最后通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行大豆雜草圖像識(shí)別,區(qū)分出不同種類的雜草。試驗(yàn)結(jié)果表明,改進(jìn)后的Canny算法同BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法在闊葉型雜草和禾本科雜草識(shí)別上,準(zhǔn)確率分別為95.67%和93.33%,較傳統(tǒng)Canny算法同BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法準(zhǔn)確率分別提升5.83%和5.66%。

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
0 引言
1 數(shù)據(jù)采集與預(yù)處理
    1.1 數(shù)據(jù)來(lái)源
    1.2 圖像預(yù)處理
2 邊緣檢測(cè)和BP神經(jīng)網(wǎng)絡(luò)
    2.1 改進(jìn)Canny邊緣檢測(cè)算法
        2.1.1 自適應(yīng)中值—高斯濾波
        2.1.2 改進(jìn)的梯度計(jì)算方法
        2.1.3 結(jié)合Otsu算法設(shè)定高低閾值
        2.1.4 試驗(yàn)結(jié)果與分析
    2.2 BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型
3 試驗(yàn)結(jié)果與分析
    3.1 Canny算法改進(jìn)前后對(duì)比分析
    3.2 Canny算法改進(jìn)前后與BP神經(jīng)網(wǎng)絡(luò)結(jié)合對(duì)比分析
4 結(jié)論



本文編號(hào)：4013177