李东明[1]2008年在《基于机器视觉的田间杂草识别方法研究》文中研究表明杂草是影响我国农产品质量和产量的重要因素之一。目前除草主要靠喷洒除草剂,而且是大面积的均匀喷洒。这种喷洒方法不仅提高了农业的成本,也破坏了土地的质量,污染了环境,不利于农业的可持续发展。针对这种情况,本文研究了应用计算机视觉技术来识别杂草并确定杂草的位置和类别,从而为作物田间精确喷洒除草剂的自动化作业提供理论与技术支持。主要研究内容如下:(1)介绍了杂草识别在国内外的发展概况,提出了研究的必要性、可行性及方法步骤。(2)对滤除图像噪声的预处理方法进行了论述,对均值滤波法和中值滤波法进行了比较,本实验选择了中值滤波法。(3)针对杂草识别中较复杂背景,研究利用彩色图像的颜色特征分割绿色植物和土壤背景的方法。文中主要阐述了RGB颜色模型和HIS颜色模型下的分割方法。考虑到操作的实时性,研究采用了适合分割的颜色空间及颜色分量,以此作为表征图像颜色信息的阈值参数。采用自动阈值的分割方法,实现了杂草区和背景区的分割,实验结果表明,对不同颜色分量进行分类统计,得出适合于分割绿色植物和土壤背景的彩色空间和颜色特征分量,以此作为表征图像颜色信急的阈值参数将杂草从背景区分割出来,实用有效。(4)对经过预处理后的图像,引入形态学中的膨胀与腐蚀运算。针对条播作物的特点,考虑到系统执行的速度,首先采用了位置特征法识别行间杂草;对于行内杂草,根据作物和杂草的形状特征,作者提出了利用宽长比、圆满度、圆度、矩形度、骨架面积比、骨架周长比六个无量纲形状特征参数作为模式识别输入特征向量,建立BP神经网络。实验结果表明:该系统对于杂草图像处理获得了较为满意的结果。杂草识别系统的研究对合理使用除草剂,增加农业的自动化水平,保护环境具有一定的现实意义。
李南[2]2017年在《基于机器视觉的锄草机器人快速作物识别方法研究》文中提出随着人们对食品安全问题日渐重视和环保意识的不断提高,化学除草受到越来越多的限制。机械除草相比化学除草和人工除草具有污染少、效率高的优点,顺应农业可持续发展的趋势。锄草机器人被认为是实现高效、自动化的机械除草作业的可行方案。精确、快速地获得作物或杂草的位置信息是实现自动化精准除草作业的必要条件,是锄草机器人的关键技术之一。由于机器视觉系统具有信息量大、精度较高、成本较低、与被测对象无接触等优点,是目前田间苗草信息获取的主要手段。本研究结合锄草机器人作业工况、作物种植模式和锄草机器人总体设计,设计了机器视觉系统结构。基于小孔成像原理建立了视觉系统成像模型。测试表明,视觉系统定位误差小于± 15mm。基于VisualStudio2010编程环境开发了系统软件,作为快速作物识别图像处理算法的载体,并提供了系统参数设置、工作信息显示等人机交互功能。在作物识别方法研究中,针对叁种田间实际作业工况,研究了用于实时作物识别的快速图像处理算法:(1)针对田间移栽作物苗期的除草工况特点,研究了基于像素直方图的快速作物识别方法。该方法根据这一时期苗、草长势悬殊,作物规则分布而杂草无序分布的特点,先利用颜色特征分割田间图像中的绿色植物与土壤背景,再利用面积、位置等特征,基于像素直方图区分田间图像中的作物和杂草,并对作物进行识别和定位,从而计算出锄草机器人控制系统所需刀苗距和对行偏差。叁种光照条件下的田间试验表明,该方法对花椰菜、玉米、生菜叁种作物的正确识别率均大于95%,对640 × 480分辨率的图像的平均处理时间为31ms。(2)针对杂草茂盛、叶片相互粘连,但苗、草在颜色上有较明显差异的工况,研究了基于颜色特征和马氏距离分类器的快速苗草分离方法,从而实现在该工况下的快速作物识别。该方法将田间图像从RGB颜色空间变换到HSI颜色空间中,以色调(H)和饱和度(S)作为特征变量,利用马氏距离构建分类器,将杂草从图像中分离,从而实现快速作物识别与定位。试验表明,通过该方法对基于像素直方图的作物识别方法进行加强后,使其对周围杂草茂盛的西兰花的正确识别率从80.65%提高到93.55%以上。处理一幅640 × 480分辨率的图像平均耗时112ms。(3)针对中后期除草工况下作物周围出现较大的杂草和自生作物时对作物识别造成干扰的问题,研究了基于卷积神经网络的苗草快速分类方法,搭建了包含3层卷积层、3层下采样层和单层感知器的卷积神经网络,作为植物样本图像的分类器,从而进一步提高机器视觉系统在复杂工况下的识别率和鲁棒性。通过测试,该方法对一系列包含田间作物和杂草的图像正确分类率高于96%,处理一幅76 × 76分辨率的图像平均耗时小于lms。本研究紧密结合自动化除草作业工况特点,开展了视觉系统设计和快速作物识别方法研究,为锄草机器人胜任大田作业奠定了基础。
侯学贵[3]2007年在《除草机器人杂草识别与视觉导航技术研究》文中提出农业设备的自动化和智能化是我国农业在21世纪发展的趋势。2007年中央一号文件明确提出,发展现代农业是新农村建设的首要任务,要加强农业科技研发投入。精确农业(Precision Agriculture、Precision Farming)是一个新的农业生产概念,它优化化肥、除草剂、水等的使用,最大程度减少对生态环境的破坏。本文主要研究了除草机器人利用机器视器识别农田行间杂草和视觉导航技术,进而提高农业设备的自动化和智能化。本文在综述机器视觉在杂草识别和农业设备导航方面国内外的研究基础上,采用北京环宇飞扬公司的USB接口摄像头采集农作物行间图像,尝试利用杂草的颜色特性在RGB颜色空间直接完成图像分割,再利用数学形态学完成图像滤波。通过将摄像头的视场区域分成25区,根据欲除杂草的大小和试验确定每区面积阈值,确定了杂草位置,完成了利用机器视觉杂草识别的过程。本文还研究了除草器人以农作物行中心线为基准线进行自动行走。选择美国3Com公司生产Model0776型USB接口摄像头采集导航图像,利用植物颜色特征在RGB颜色空间完成图像分割,利用数学形态学完成图像滤波。尝试利用优化的Hough变化检测出了农作物行中心线,根据摄像头的姿态和透视变换成像原理,计算出除草机器人相对农作物行中心线的除草机器人位姿。为了验证除草机器人杂草识别和导航算法的可行性,制作了室内除草机器人模型,主要由导航摄像头、杂草识别摄像头、计算机、本体、机械臂等组成。经试验表明除草机器人杂草识别率为100%,实时性好。除草机器人位姿计算精度高,实时性好。杂草识别和导航算法能够适应室外条件变化。
金飞剑[4]2007年在《基于机器视觉的杂草图像特征提取及识别研究》文中进行了进一步梳理传统农业中,在不能确定农作物和杂草分布的情况下,使用除草剂方式都是大面积喷洒,不仅造成了除草剂的浪费,而且污染生态环境。利用机器视觉技术将杂草从农作物和土壤背景中识别出来,进行定位、定量的化学制剂施用是实现精细农业关键技术之一。目前,在杂草识别研究领域中,主要有利用植物的位置、植物的特征(包括形状、颜色、纹理、光谱特征)以及叁维图像等多种方法。本文在总结国内外相关研究的基础上,以小麦、棉花田的杂草为研究对象,重点研究杂草的颜色特征、颜色与形状特征相结合的提取及识别方法,并设计和开发了杂草的图像处理及识别软件系统,实现对田间杂草的有效识别。针对小麦田中作物与杂草叶片有交迭情况,本文利用颜色空间YIQ中I作为特征量,并用改进的最大类间方差法分离植物与背景;然后在颜色空间HSI中选取I的同质性量和S作为特征量进行多层分割来分离小麦与杂草;通过逻辑与运算获得杂草二值图像;针对获得的杂草二值图像中出现的白色小区域与黑色孔洞,提出了基于区域标记的孔洞填充算法与小面积消去算法;针对识别后的杂草区域图像,采用模拟化学除草系统从理论上评价系统的除草效率。试验结果表明所提出的方法能有效实现小麦田中的杂草识别。本文还对棉花田的杂草进行分析,通过计算常见杂草叶片的圆形度、伸长度、离散度,圆度四个具有RST不变性形状特征参数及面积、周长等其他参数来建立杂草特征数据库,为杂草的识别提供数据模式。另一方面,针对杂草与作物叶片交迭的情况,提出了基于形态学运算的分割算法与基于标记的分水岭分割算法,为形状特征参数提取进行有益的探索。本文提出的田间杂草特征提取及识别方法,对实现后续除草剂的变量喷洒提供了理论支持及可行方案,对基于机器视觉的田间自动除草系统的开发具有一定的借鉴意义。
李先锋[5]2010年在《基于特征优化和多特征融合的杂草识别方法研究》文中指出农田杂草是农业生产的大敌,也是困扰农作物生长的基本问题之一。传统农业中主要采用覆盖性喷洒除草剂的方式控制和防除杂草,这种粗放式喷洒方式不仅浪费除草剂和人力资源,同时还造成环境的严重污染。精确农业是现代农业的发展方向,是集成了电子、计算机、信息处理、人工智能等高新技术的现代农业技术和管理体系,旨在减少污染,保护生态,实现农业的可持续发展。利用机器视觉和图像处理技术将杂草从背景中识别出来进行准确定位和变量喷洒农药、实现杂草控制的自动化和科学化已成为精确变量农作的关键技术之一。田间杂草自动识别技术是变量喷洒技术实现的首要问题,更是制约其实现的瓶颈所在,需要从研究新的思路、新的智能模式识别方法以及图像处理新硬件的开发等多方面着手,提高杂草识别的准确性和效率。本文在总结国内外杂草特征提取及识别研究成果的基础上,应用图像处理、智能优化、模式识别、信息融合和嵌入式平台实现技术对棉田杂草的识别进行了基础性研究。主要研究内容和结果如下:1、分别从颜色、形态、纹理以及多特征综合利用等四个方面综述了近年来机器视觉技术在杂草识别中的国内外研究现状以及杂草识别智能化研究的进展,分析并指出了国内外同类研究存在的问题,提出了特征优化和多特征融合的杂草识别方法。2、以江苏苏北棉田5种主要发生杂草马唐、鳢肠、婆婆纳、铁苋菜、马齿苋为研究对象,采集田间图像并对其进行图像增强、滤波去噪等预处理,在此基础上进行图像分割,将植物从土壤等田间背景中分离出来。重点研究了重迭叶片的分割方法,针对叶片形状差异和交迭程度不同,分别采用形态学处理、基于距离变换和分水岭算法的阈值分割方法分离轻度和深度交迭叶片。3、在图像处理的基础上研究了叶片颜色、形态和纹理特征的提取方法。在HIS颜色空间提取3个低阶颜色矩作为颜色特征,分别描述平均颜色、颜色方差和颜色偏移性;从叶片轮廓中提取了包含几何形状和Hu不变矩的共17项形态特征;采用灰度-梯度共生矩阵法,利用灰度和梯度分别描述图像中叶片的内部和边缘信息,提取能量、相关性、惯性、熵等4个二次统计参数作为纹理特征。4、采用封装式特征选择方法,充分利用群智能求解复杂组合优化问题的优势以及支持向量机(SVM)的学习能力,将SVM分类算法嵌入到蚁群优化(ACO)的特征选择过程中。通过定义评价函数,以SVM的最大分类准确率引导特征选择操作获得最优特征向量和分类器最优超参数,实现叶片特征选择和分类器参数的同步优化。结果表明,经特征优化,保留了对分类贡献最大的特征,剔除了次要和冗余特征,植物叶片的形态特征由原来的17维下降为6维,极大地压缩了特征空间,从而降低了分类器输入维数和学习复杂度,实现了特征的优化组合。经优化组合得到的最优特征子集用于杂草识别的准确率达90%左右。5、在特征选择和单特征识别的基础上,提出一种SVM和D-S证据理论相结合的多特征融合杂草识别方法。针对杂草特征提取易受光照变化、叶片遮挡及图像处理误差积累等因素影响而导致单特征识别结果可靠性和稳定性差的缺陷,本研究利用D-S证据理论组合不完全、不确定信息的优势,分别以颜色、形态和纹理3类特征的SVM分类结果作为独立证据,引入SVM的后验概率构造基本信度分配(BPA),运用D-S证据组合规则进行证据融合,根据分类判决门限得决策输出识别结果,从而进一步提高识别准确率和稳定性。实验结果表明,多特征决策融合识别方法正确识别率达到96%以上,与基于单特征的杂草识别方法相比,此方法准确率高,稳定性好。6、通过代码移植,在DSP平台以TMS320DM642为主处理器实现了杂草识别算法。用CCS性能评测工具进行算法的耗时测试,并针对性实施代码级和平台级优化;与PC平台的识别效果进行性能对比,分析了用硬件实现耗时算法的可行性,并基于FPGA验证了中值滤波的硬件实现效果,提出了以软硬件综合开发模式设计嵌入式杂草识别系统的思路。最后,在总结全文的基础上,提出有待进一步研究的课题和今后工作的重点。
赵娜[6]2016年在《基于机器视觉的田间杂草识别技术研究》文中认为在农业生产中,杂草会影响农作物的生长。为了实现杂草处理自动化,需要采用基于机器视觉的杂草识别技术帮助机器人快速、准确地识别杂草,从而精确使用除草剂以提高药物的利用率、减少环境污染。通过文献研究,文章分析了提高杂草识别率的图像预处理技术和基于人工神经网络的模式识别算法,提出了杂草识别技术存在的问题及改进方法。
毛文华[7]2004年在《基于机器视觉的田间杂草识别技术研究》文中提出利用机器视觉技术进行田间杂草识别方法的研究,对实现除草剂的变量喷洒,以减少除草剂的使用量、降低生态环境的污染具有重要意义。基于机器视觉的田间杂草识别技术是一个新的应用研究领域,国内在这方面的研究尚处于探索阶段。在总结国内外相关研究的基础上,本文研究了田间杂草识别的位置、形状和多光谱特征方法,设计和开发了基于机器视觉的田间杂草识别系统,为田间杂草实时识别系统的研究与开发进行了基础研究。本文的主要研究内容如下: 1.对运动图像的采集和处理算法进行了研究,分析了在人工照明、室内、动态情况下,适用于田间杂草识别的图像处理算法。实现了动态图像的并行采集和处理,快速的预处理、分割和后处理,为进一步的田间杂草实时识别研究做了准备。 2.在彩色图像分割中,引入的按照场景组成分类统计分析方法,为由复杂场景组成的彩色图像分割提供了新方法。 3.针对小麦等条播作物田间场景中叶片严重交迭致使形状和纹理特征提取困难的问题,利用条播作物3~5叶苗期田间场景中作物成行排列、杂草多数分布于作物行之间的裸土区的特点,研究了位置特征识别行间杂草的方法。 4.根据条播作物行距基本恒定、作物成行排列的位置特征,利用改进的象素位置直方图法识别作物中心行,通过分段统计象素位置直方图,有效地提高了算法的田间适应度。 5.根据杂草多数分布于作物行之间的裸土区的位置特征,首次引入图形学中的种子填充算法识别行间杂草,并且针对传统种子填充算法比较费时的缺点,研究改进的扫描线种子填充算法,显着提高了填充速度。 6.针对玉米等点播作物田间场景中植物叶片交迭问题,研究基于数学形态学的形态算子分割算法和标记分水岭分割算法。标记分水岭分割算法有效的解决了传统分水岭分割算法的过分割现象,在分割效果和处理时间两方面都得到了改善,为算法的硬件实现打下了基础。 7.根据玉米田中玉米和杂草幼苗叶片的形状特征,研究了利用形状特征因子——面积和分散度识别玉米和杂草的方法。 8.针对田间杂草识别的多光谱特征法具有实时性强的优点,在理论分析和方法比较的基础上,对666~1176nm范围内的小麦和几种杂草的光谱特性进行了研究。研究结果表明:利用植物的多光谱特征识别田间杂草是可行的。 9.设计并开发了基于机器视觉的田间杂草识别试验系统。系统软件包括文件管理、系统设定、图像预处理、背景分割、杂草识别等内容。
颜秉忠[8]2018年在《机器视觉技术在玉米苗期杂草识别中的应用》文中研究指明杂草严重影响我国的玉米产量,化学除草剂是防治杂草的有效方法,但通常采用粗放的喷洒方式,防治效果较差。精准喷洒极大地降低了除草剂的用量,提高了使用效率。除草剂实现精准喷洒的前提是识别玉米田中杂草位置和种类等信息,而机器视觉是一种开始广泛应用于识别作物田间杂草的方法。为此,设计了一种基于机器视觉的玉米苗期杂草识别方法,采集的图片经过畸变矫正、HSI颜色空间转换和阈值分割后,根据形状和颜色特征提取并识别杂草。田间试验结果表明:在不同播种方式下对玉米和杂草的识别率超过85%,处理单张图片的平均耗时为67ms,能为除草剂的精准喷洒提供信息。
毛文华, 王一鸣, 张小超, 王月青[9]2004年在《基于机器视觉的田间杂草识别技术研究进展》文中指出田间杂草识别技术是实现变量喷洒除草剂以保护环境的关键所在。针对国内外在精细农业的杂草识别领域,全面、系统地分析了基于机器视觉的田间杂草识别技术的研究进展与应用状况,以促进该项技术在中国的应用和发展。分别阐述了利用植物和背景形状特征、纹理特征、颜色特征和多光谱特征识别田间杂草技术的理论依据、特征参数、研究状况和问题所在,并指出了实现田间实时识别的难点。
邵乔林[10]2011年在《基于支持向量机的玉米田间杂草识别方法研究》文中指出农业机器人是21世纪精准农业的重要装备之一,通过农业机器人实现除草剂的变量施药是未来智能农业机械的一个发展方向。其中实现变量喷洒除草剂的首要步骤是完成田间杂草识别。本文在充分了解国内外田间杂草识别方法的基础上,以在玉米田间复杂环境中识别杂草为目的,提出了创新的背景分割方法和杂草识别方法,着重研究了图像分割方法、多尺度形状特征、支持向量机分类技术。主要研究成果如下:1.以相同田间环境中采集、变换得到的超绿特征(2G-R-B)灰度图像为研究对象,以像素点邻域组成的灰度直方图特征作为输入特征向量,利用支持向量机分类方法实现背景分割,并通过与手工标记图像进行帧差比较,选出最优支持向量机模型和最优邻域窗口模型。2.针对不同田间环境造成图像颜色差异,结合半监督支持向量机分类方法,利用已有的有标签训练样本的同时,利用聚类算法自动从待分割图像中提取无标签训练样本,使用直推式支持向量机进行分类训练,得到最适合当时环境的分类模型,实现支持向量机动态建模,以此提高图像的分割质量。3.提出了一种基于多尺度形状特征和支持向量机分类技术的玉米和杂草识别方法。考虑玉米与杂草在整株形状和叶片分布结构上都存在差异,提出了多尺度圆环形状特征和米字分块形状特征,并利用支持向量机分类方法进行玉米和杂草的分类。室外实验结果表明:利用植物多尺度形状特征能够很好的将玉米和杂草进行分类。本文方法提高了玉米田间杂草识别的准确性和可靠性,为农田精确喷洒除草剂提供了技术基础。
参考文献:
[1]. 基于机器视觉的田间杂草识别方法研究[D]. 李东明. 河北农业大学. 2008
[2]. 基于机器视觉的锄草机器人快速作物识别方法研究[D]. 李南. 中国农业大学. 2017
[3]. 除草机器人杂草识别与视觉导航技术研究[D]. 侯学贵. 南京林业大学. 2007
[4]. 基于机器视觉的杂草图像特征提取及识别研究[D]. 金飞剑. 江苏大学. 2007
[5]. 基于特征优化和多特征融合的杂草识别方法研究[D]. 李先锋. 江苏大学. 2010
[6]. 基于机器视觉的田间杂草识别技术研究[J]. 赵娜. 无线互联科技. 2016
[7]. 基于机器视觉的田间杂草识别技术研究[D]. 毛文华. 中国农业大学. 2004
[8]. 机器视觉技术在玉米苗期杂草识别中的应用[J]. 颜秉忠. 农机化研究. 2018
[9]. 基于机器视觉的田间杂草识别技术研究进展[J]. 毛文华, 王一鸣, 张小超, 王月青. 农业工程学报. 2004
[10]. 基于支持向量机的玉米田间杂草识别方法研究[D]. 邵乔林. 南京农业大学. 2011