基于图像处理多算法融合的杂草检测方法及试验

发布时间：2022-06-02 19:48

　　自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题,针对上述问题,本研究提出了基于图像处理多算法融合的田间杂草检测方法,设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式,综合权衡上述三种方法,实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究,结果表明,使用融合多图像处理算法的投票方法进行作物和杂草识别定位,杂草识别平均错误率为1.79%,识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法,基于投票权重识别杂草的精度平均提升5.71%。同时,针对复杂多变的农业场景,进行了存在雨滴和阴影干扰的鲁棒性测试,实现了90%以上的作物识别结果,表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。 

【文章页数】：13 页

【文章目录】：
1 引言
2 设备与方法
    2.1 移动机器人平台
    2.2 杂草识别与定位算法
        2.2.1 图像预处理
        2.2.2 基于特征的检测
    2.3 杂草识别与定位
        2.3.1 杂草检测投票算法
        2.3.2 杂草定位算法
3 结果与分析
    3.1 杂草识别结果
        3.1.1 面积特征检测结果
        3.1.2 模板匹配算法
        3.1.3 基于饱和度阈值特征检测结果
    3.2 投票算法杂草检测结果
    3.3 最终杂草质心检测
    3.4 算法鲁棒性检测
4 结论与讨论


【参考文献】：
期刊论文
[1]基于核相互子空间法的番茄叶部病害快速识别模型[J]. 张燕,李庆学,吴华瑞.  智慧农业(中英文). 2020(03)
[2]基于深度学习与特征可视化方法的草地贪夜蛾及其近缘种成虫识别[J]. 魏靖,王玉亭,袁会珠,张梦蕾,王振营.  智慧农业(中英文). 2020(03)
[3]基于深度卷积神经网络的水稻田杂草识别研究[J]. 彭文,兰玉彬,岳学军,程子耀,王林惠,岑振钊,卢杨,洪金宝.  华南农业大学学报. 2020(06)
[4]基于深度学习的杂草识别系统[J]. 尚建伟,蒋红海,喻刚,陈颉颢,王博,李兆旭,张伟平.  软件导刊. 2020(07)
[5]基于边缘检测和BP神经网络的大豆杂草识别研究[J]. 侯雨,曹丽英,丁小奇,李静.  中国农机化学报. 2020(07)
[6]图像处理技术在田间杂草识别中应用研究[J]. 任全会,杨保海.  中国农机化学报. 2020(06)
[7]基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 王璨,武新慧,李志伟.  农业工程学报. 2018(05)



本文编号：3652983