基于支持向量机的田间杂草识别方法研究
【摘要】:
目前,除草剂的粗放式喷洒会污染环境,破坏耕作土地质量,同时加大农业生产成本。为此,国内外提出了“精细农业”,即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,而后根据杂草分布实行除草剂的定点喷洒。本文在总结国内外相关研究的基础上,以苗期小麦及麦田四种杂草为研究对象,运用机器视觉技术,重点研究植物的颜色特征、形状与纹理特征相结合的提取及识别方法,设计和开发杂草的图像处理及识别软件系统,实现小麦和杂草的分类识别。
农田杂草分类在本质上是一个复杂的小样本、高维数、非线性的多类识别,符合支持向量机分类方法的分类特性,故本文提出了一种基于支持向量机(SVM)的杂草识别方法。本文的主要研究内容如下:
1.土壤背景分割。利用植物和土壤不同的颜色特征,选取L~*a~*b~*颜色空间中a~*分量作为特征量。实验比较了三种分割算法的分割效果,决定采用改进的最大类间差法将灰度图像转化为二值图像。利用形态学方法和基于区域标记的算法对分割后的二值图像进行处理,获得完整的植物叶片图像。
2.识别特征参数的提取。研究图像特征包括区域几何特征,无量纲参数,纹理特征,并对植物图像进行了特征提取。通过对特征数据的统计分析,决定取植物的纹理特征参数和RST不变性(即对于图像的旋转、比例、平移变化都是恒定)的形状特征参数各三个作为识别特征。
3.分类器设计。构建了以支持向量机为分类方法的4-折交叉验证的植物形状分类器和纹理分类器,实验采用网格搜索法来选择最优的核函数参数和惩罚参数C,并比较了多项式、径向基、Sigmoid核函数的分类效果。结果表明:径向基核函数最适合用做小麦与杂草的多分类识别。形状和纹理特征融合的SVM分类器对小麦、马齿苋、反枝苋、刺儿菜、马唐的识别率分别为:95%,87.5%,92.5%,90%,90%。
本文提出的结合形状纹理特征的SVM杂草识别方法,实现了小麦和四种杂草的分类,为实现后续除草剂的变量喷洒提供了理论支持及可行方案。与其他分类方法相比,基于SVM的该杂草分类方法识别率高、算法简单、识别速度快、推广度强。
|
|
|
|
1 |
蒋正荣;计算机杂草识别技术的研究现状[J];上海环境科学;1999年10期 |
2 |
蒋正荣;计算机杂草识别的实现及应用[J];杂草科学;1999年04期 |
3 |
张健钦,屈平,邝朴生;计算机视觉技术在杂草识别中的应用研究进展[J];河北大学学报(自然科学版);2002年04期 |
4 |
王月青,毛文华,王一鸣;麦田杂草的实时识别系统研究[J];农机化研究;2004年06期 |
5 |
刘振恒,张长利,房俊龙;应用机器视觉技术识别田间杂草的研究[J];农机化研究;2004年02期 |
6 |
毛文华,王一鸣,张小超,王月青;基于机器视觉的田间杂草识别技术研究进展[J];农业工程学报;2004年05期 |
7 |
杨照华,浦昭邦,祁振强;计算机视觉技术在杂草识别中的研究进展[J];黑龙江大学自然科学学报;2005年01期 |
8 |
毛文华,王一鸣,张小超;基于机器视觉的苗期杂草实时分割算法[J];农业机械学报;2005年01期 |
9 |
戴青玲;张胜波;靳冬梅;;基于近红外图像的杂草识别研究[J];安徽农业科学;2009年06期 |
10 |
吴国瑞;朱瑞祥;;基于图像处理的杂草叶片识别参数研究[J];农机化研究;2009年05期 |
11 |
马兆敏;胡波;黄玲;李克俭;;利用机器视觉识别杂草图像特征的研究进展[J];安徽农业科学;2008年07期 |
12 |
田淑梅;高辉;张长利;;动态喷洒系统计算机视觉的研究与设计[J];农机化研究;2009年02期 |
13 |
马兆敏;黄玲;胡波;李克俭;;基于神经网络的杂草图像分割算法[J];计算机工程与应用;2009年24期 |
14 |
郑丽颖;肖健;;农田杂草识别模糊专家系统的设计与实现[J];应用科技;2009年08期 |
15 |
李漪;;浅淡图像处理技术在杂草识别中的应用[J];科技创新导报;2009年31期 |
16 |
龙满生;何东健;;玉米苗期杂草的计算机识别技术研究[J];农业工程学报;2007年07期 |
17 |
袁海波;史岩;梁安波;葛艳艳;;基于神经网络的杂草识别试验研究[J];机电工程;2008年04期 |
18 |
侯晨伟;陈丽;;基于概率神经网络的玉米苗期杂草识别方法的研究[J];农机化研究;2010年11期 |
19 |
王焱;王磊明;孙雁鸣;;SOFM模型在杂草图像识别中的应用[J];计算机工程与科学;2011年04期 |
20 |
陈丽君;李永奎;;基于位置特征的穴间杂草快速识别算法[J];农机化研究;2010年09期 |
|