利用融合高度与单目图像特征的支持向量机模型识别杂草

发布时间：2019-11-26 03:36

【摘要】：除草是保证农作物高产的必要工作。针对机械化除草和智能喷药中存在的杂草识别问题,以2~5叶苗期玉米及杂草为研究对象,进行了融合高度特征与单目图像特征的杂草识别方法研究。首先从单目图像中提取16个形态特征和2个纹理特征;然后基于双目图像,提出了针对植株的高度特征提取方法,所得高度特征与实际测量值间误差在±12 mm以内;利用max-min ant system算法对形态特征进行优化选择,将形态特征减少到6个,有效减少数据量62.5%,并与纹理和高度特征进行融合;将2~5叶玉米幼苗的可除草期划分为3个阶段,分别构建融合高度特征与单目图像特征的SVM识别模型,并与相应不含高度特征模型进行对比。经测试,3个阶段模型的识别准确率分别为96.67%,100%,98.33%;平均识别准确率达98.33%。不含高度特征模型的识别准确率分别为93.33%,91.67%,95%;平均识别准确率为93.33%。结果表明,融合高度特征与单目图像特征的SVM识别模型优于不含高度特征模型,平均识别准确率提高了5百分点。该方法实现了高准确率的杂草识别,研究结果为农业精确除草的发展提供参考。
【图文】：

差别，因此本研究以玉米的相邻叶期为一组，将除草划分为3个阶段，即2~3叶期、3~4叶期和4~5叶期。在试验中，分别建立3个除草阶段的高度特征融合模型，分别记为Model1，Model2，Model3。为每个模型分配对应时期的100对玉米图像样本和120对杂草图像样本，其中随机划分70对玉米图像样本和90对杂草图像样本作为训练集，其余60对图像样本归为测试集。利用测试集对融合高度特征模型进行测试分析，并建立相应不含高度特征模型进行对比试验，以验证融合高度特征模型确有提高杂草识别准确率的能力。1.2双目图像采集系统构建如图1所示的双目图像采集系统，该系统主要由数字双目摄像机(MV-VS220，维视图像，中国)、IEEE1394图像采集卡、连接线、支架和计算机组成。经过调整与测试，最终确定双目相机基线长度8cm，相机距地面50cm，左右相机光轴与基线夹角相等。为获取目标景物的精确空间信息，采用MATLAB标定工具对系统进行标定，相比OpenCV具有更高的精度和鲁棒性[19-20]。利用重投影误差法对标定结果进行评估，结果如图2所示。表明每幅图像的平均重投影误差为0.08像素，不超过0.1像素，可知系统具有较高的标定精度。1.3单目图像特征参数提取形态特征与纹理特征是有效的图像识别依据，因此基于单目图像提取这2类特征参数，，其中单目图像统一采用双目图像中的左侧图像。在特征提取前对单目图像进行预处理，比较Weobbecke等[21-25]的预处理算法，最终采用改进的超绿特征将原始图像灰度化；综合考虑类间方差与类内方差的Otsu算法进行二值化；对二值图像进行面积滤波，消除噪声和干扰；使用Canny算法准确提取目标区域轮廓线。在预处理基础上，根据韩瑞珍和何勇[26]计算复杂度等16个形态特征参数，其中9项具有RST不变性

高度特征模型进行对比试验，以验证融合高度特征模型确有提高杂草识别准确率的能力。1.2双目图像采集系统构建如图1所示的双目图像采集系统，该系统主要由数字双目摄像机(MV-VS220，维视图像，中国)、IEEE1394图像采集卡、连接线、支架和计算机组成。经过调整与测试，最终确定双目相机基线长度8cm，相机距地面50cm，左右相机光轴与基线夹角相等。为获取目标景物的精确空间信息，采用MATLAB标定工具对系统进行标定，相比OpenCV具有更高的精度和鲁棒性[19-20]。利用重投影误差法对标定结果进行评估，结果如图2所示。表明每幅图像的平均重投影误差为0.08像素，不超过0.1像素，可知系统具有较高的标定精度。1.3单目图像特征参数提取形态特征与纹理特征是有效的图像识别依据，因此基于单目图像提取这2类特征参数，其中单目图像统一采用双目图像中的左侧图像。在特征提取前对单目图像进行预处理，比较Weobbecke等[21-25]的预处理算法，最终采用改进的超绿特征将原始图像灰度化；综合考虑类间方差与类内方差的Otsu算法进行二值化；对二值图像进行面积滤波，消除噪声和干扰；使用Canny算法准确提取目标区域轮廓线。在预处理基础上，根据韩瑞珍和何勇[26]计算复杂度等16个形态特征参数，其中9项具有RST不变性。根据He和Dash等[27-28]计算2个最具代表性的纹理特征参数。具体参数名及其对应标记号如表1所示。1.4基于双目图像的高度特征参数提取1.4.1双目图像预处理田间光照与图像采集时的机械振动会影响双目图像1.连接线2.双目摄像机3.IEEE1394图像采集卡4.玉米幼苗5.计算机1.Line2.Binocularcamera3.IEEE1394imageacquisitioncard4.Maizeseedling5.Computer图1双目图像采集系统Fig.1Binocularimage

【相似文献】

相关期刊论文 前10条

1 范德耀;姚青;杨保军;周营烽;管泽鑫;唐健;;田间杂草识别与除草技术智能化研究进展[J];中国农业科学;2010年09期

2 毛文华;曹晶晶;姜红花;王一鸣;张小超;;基于多特征的田间杂草识别方法[J];农业工程学报;2007年11期

3 赵德升;毛罕平;陈树人;张元;;杂草识别中背景分割方法的比较研究[J];农机化研究;2009年11期

4 黄士凯;祁力钧;张建华;王俊;;基于行宽的玉米行间杂草识别算法[J];中国农业大学学报;2013年01期

5 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

6 吴兰兰;刘剑英;文友先;邓晓炎;;基于支持向量机的玉米田间杂草识别方法[J];农业机械学报;2009年01期

7 赵博;王宗甲;周鹏;毛文华;张小超;;智能杂草识别系统的设计与试验(英文)[J];农业工程学报;2012年S2期

8 张小龙;谢正春;张念生;曹成茂;;豌豆苗期田间杂草识别与变量喷洒控制系统[J];农业机械学报;2012年11期

9 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

10 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

相关会议论文 前1条

1 毛文华;胡小安;张小超;;基于机器视觉的田间杂草识别系统[A];农业机械化与新农村建设——中国农业机械学会2006年学术年会论文集（下册）[C];2006年

相关博士学位论文 前1条

1 李先锋;基于特征优化和多特征融合的杂草识别方法研究[D];江苏大学;2010年

相关硕士学位论文 前10条

1 周果;基于图像处理技术的大田玉米苗期杂草识别方法研究[D];吉林农业大学;2013年

2 官林;面向杂草识别的特征提取方法研究[D];东北农业大学;2015年

3 龙满生;玉米苗期杂草识别的机器视觉研究[D];西北农林科技大学;2002年

4 徐辛颖;面向杂草识别的K近邻算法研究[D];东北农业大学;2013年

5 李攀;基于多光谱图像的玉米田间杂草识别方法研究[D];西北农林科技大学;2014年

6 曲昆鹏;基于支持向量机的杂草识别研究[D];哈尔滨工程大学;2010年

7 廉宁;基于变量喷药的杂草识别关键技术研究[D];吉林农业大学;2015年

8 齐平;基于图像处理的杂草识别研究[D];西华大学;2010年

9 肖超云;基于机器视觉的杂草识别研究[D];江苏大学;2007年

10 邵乔林;基于支持向量机的玉米田间杂草识别方法研究[D];南京农业大学;2011年

本文编号：2565998