白菜田的杂草识别研究

发布时间：2023-03-02 20:41

　　除草是农业生产的重要组成部分,现在国内主要是中耕除草和除草剂除草,前者效率低,工作量大;后者危害高。随着机械和人工智能的发展,除草机器人渐渐进入人们的视野。但现有的除草机器人视觉识别系统一般都体积庞大,其整体价格较为昂贵。基于传统除草机器人视觉系统的缺点,本文提出以采用Android智能手机作为本实验的视觉识别系统,它同时具备了图像采集和预处理的功能,且自身体积小,功耗低,不会在除草机器人本体上占据大的空间,并且当下中等性能的手机价格不高,从而降低了除草机器人整体的成本,进而实验开发了一款简单的具有图像预处理功能的APP。传统图像识别过程一般是将采集来的图像进行一步或者几步的预处理,然后对处理后的图像进行分割,提取分割出来的目标物体的体征数据,最后根据模式识的方式判断该物体类别。本文将RGB彩色图像转换到HSV和L*a*b*色彩空间,使用单通道分离方式获取灰度图像,经对比分析选择a*通道图像进行高斯滤波去噪。然后采用固定阈值分割算法和OTSU阈值分割算法分割灰度图像,对比分割结果,分析得到OTSU阈值分割算法在自然光照下分割效果更好,适应性较强。最后根据同一生产时期的白菜和杂草特征,选...

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究的背景
    1.2 课题研究意义
    1.3 机器视觉在农业中的应用
        1.3.1 国外的应用状况
        1.3.2 国内的应用状况
    1.4 杂草识别的国内外发展现状
        1.4.1 国外发展现状
        1.4.2 国内发展现状
    1.5 本课题主要完成的工作
第二章 除草机器人的视觉系统设计
    2.1 引言
    2.2 传统农业机器人视觉系统结构组成
    2.3 基于Android手机的视觉检测系统
        2.3.1 Android手机软硬件介绍
        2.3.2 基于Android手机视觉系统
        2.3.3 图像处理APP开发
    2.4 本章小结
第三章 基于阈值分割的杂草识别
    3.1 引言
    3.2 常见的彩色模型
    3.3 图像预处理
        3.3.1 图像灰度化
        3.3.2 图像去噪
    3.4 阈值分割
        3.4.1 固定阈值分割
        3.4.2 OTSU阈值分割
        3.4.3 分割结果对比
    3.5 形态学处理
    3.6 杂草识别
    3.7 本章小结
第四章 基于Mask R-CNN的实例分割
    4.1 引言
    4.2 卷积神经网络发展
        4.2.1 卷积神经网络分类模型
        4.2.2 卷积神经网络的目标检测模型
    4.3 Mask R-CNN算法
        4.3.1 特征提取
        4.3.2 RPN(Region Proposal Network)网络结构
        4.3.3 掩模分支
    4.4 本章小结
第五章 实验对比与分析
    5.1 数据集
    5.2 超参数的选择
    5.3 实验对比分析
    5.4 本章小结
第六章 总结与展望
    工作总结
    展望
致谢
参考文献
附录 本人在攻读硕士学位期间的科研成果



本文编号：3752589