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。
【关键词】：杂草分类 支持向量机 图像处理 形状特征 纹理特征 【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：TP391.41
【目录】：
- 摘要5-6
- Abstract6-10
- 第一章 绪论10-19
- 1.1 研究目的及意义10-11
- 1.2 国内外研究现状及发展趋势11-17
- 1.2.1 背景分割技术研究概况12-13
- 1.2.2 植物识别技术研究概况13-16
- 1.2.3 精确除草技术研究概况16-17
- 1.3 主要研究内容和方法17-18
- 1.3.1 主要研究内容17
- 1.3.2 拟定实验方案17-18
- 1.4 本章小结18-19
- 第二章 实验系统的构成及图像预处理19-26
- 2.1 系统构成19-21
- 2.1.1 机器视觉系统19-20
- 2.1.2 图像处理软件20-21
- 2.2 图像预处理21-25
- 2.2.1 图像的噪声分析21-23
- 2.2.2 图像的空域滤波23-25
- 2.2.3 滤波效果比较25
- 2.3 本章小节25-26
- 第三章 绿色植物与土壤背景的分割26-41
- 3.1 图像分割概述26-27
- 3.2 颜色空间的选择27-31
- 3.2.1 彩色图像的颜色空间27-30
- 3.2.2 图像分割颜色空间的选择30-31
- 3.3 图像的阈值分割31-35
- 3.3.1 直方图分割法32
- 3.3.2 最大类间方差法32-34
- 3.3.3 最大熵阈值法34-35
- 3.4 分割图像的后续处理35-40
- 3.4.1 形态学处理36-38
- 3.4.2 区域标记算法38-40
- 3.5 本章小节40-41
- 第四章 植物叶片及其形状纹理特征的获取41-55
- 4.1 利用颜色特征获得植物区域41-44
- 4.1.1 利用颜色特征分割植物与背景41-42
- 4.1.2 利用形态学方法获得植物区域42-44
- 4.2 形状特征提取44-50
- 4.2.1 形状特征及其参数44-48
- 4.2.2 植物形状特征参数提取48-50
- 4.3 纹理特征提取50-54
- 4.3.1 纹理特征及其参数50-52
- 4.3.2 植物纹理特征参数提取52-54
- 4.4 本章小节54-55
- 第五章 田间杂草模式识别55-67
- 5.1 模式识别概述55
- 5.2 支持向量机55-61
- 5.2.1 支持向量机的理论基础55-58
- 5.2.2 支持向量机的多分类方法58-61
- 5.3 基于支持向量机的杂草识别模型61-66
- 5.3.1 SVM核函数及其参数选择61-62
- 5.3.2 SVM模型选择62-63
- 5.3.3 小麦和杂草的多分类63-65
- 5.3.4 小麦和杂草的二分类65-66
- 5.4 本章小结66-67
- 第六章 结论与展望67-69
- 6.1 结论67-68
- 6.2 后续工作与展望68-69
- 参考文献69-74
- 致谢74-75
- 攻读硕士学位期间完成的论文75
|
|
|
|
| 1 |
杜艳红,高庆吉,曾浩,牛国臣;基于颜色和形状特征的目标检测与识别[J];东北电力学院学报;2005年02期 |
| 2 |
刘洪臣;陈忠建;冯勇;;结合颜色和形态特征的杂草实时识别方法[J];光电工程;2006年07期 |
| 3 |
朱永生,张优云;支持向量机分类器中几个问题的研究[J];计算机工程与应用;2003年13期 |
| 4 |
宋培华;高敦岳;;边界跟踪与序贯算法在二值连通区域标记中的应用[J];计算机科学;2002年03期 |
| 5 |
于铂;郑丽敏;田立军;;基于颜色和纹理特征提取彩色图像的有意义区域[J];计算机工程;2006年03期 |
| 6 |
姚鸿勋,刘明宝,高文,范旭彤,张洪明,吕雅娟;基于彩色图像的色系坐标变换的面部定位与跟踪法[J];计算机学报;2000年02期 |
| 7 |
王晶;卫金茂;;一种改进的支持向量机及其在癌症诊断中的应用[J];计算机应用;2006年02期 |
| 8 |
纪寿文,王荣本,陈佳娟,赵学笃;应用计算机图像处理技术识别玉米苗期田间杂草的研究[J];农业工程学报;2001年02期 |
| 9 |
何东健,张海亮,宁纪锋,龙满生;农业自动化领域中计算机视觉技术的应用[J];农业工程学报;2002年02期 |
| 10 |
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 |
|
|
|
|
|
| 1 |
刘洪臣;陈忠建;冯勇;;结合颜色和形态特征的杂草实时识别方法[J];光电工程;2006年07期 |
| 2 |
杜奇,向健勇,袁胜春;一种改进的最大类间方差法[J];红外技术;2003年05期 |
| 3 |
汪国有,邹玉兰,凌勇;基于显著性的OTSU局部递归分割算法[J];华中科技大学学报(自然科学版);2002年09期 |
| 4 |
孙亦南,刘伟军,王越超,孙亦蓬;一种用于圆检测的改进Hough变换方法[J];计算机工程与应用;2003年20期 |
| 5 |
姚鸿勋,刘明宝,高文,范旭彤,张洪明,吕雅娟;基于彩色图像的色系坐标变换的面部定位与跟踪法[J];计算机学报;2000年02期 |
| 6 |
毛罕平,徐贵力,李萍萍;基于遗传算法的蔬菜缺素叶片图像特征选择研究[J];江苏大学学报(自然科学版);2003年02期 |
| 7 |
李红俊,韩冀皖;数字图像处理技术及其应用[J];计算机自动测量与控制;2002年09期 |
| 8 |
阎威武,常俊林,邵惠鹤;一种贝叶斯证据框架下支持向量机建模方法的研究[J];控制与决策;2004年05期 |
| 9 |
张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期 |
| 10 |
宁纪锋,何东健,张海亮,龙满生;基于图像形态学的球形果实品质检测研究[J];农机化研究;2001年03期 |
|
|
|
|
|
| 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 |
|
手机打开
快捷付款方式
订购知网充值卡
订购热线
帮助中心