基于机器视觉的杂草识别方法研究答辩研讨.pptx

基于机器视觉的杂草识别方法研究 2015 ‘ 目录 研究背景 图像特征提取 BP神经网络 研究的总结及展望 实现过程及结果 01 第一部分：研究背景及意义 论文研究的背景　　论文研究的意义　　本课题研究的内容及工作 论文研究的背景 2015-06-05 农间杂草的危害性 农田杂草是指那些生长在农田、分布广、危害农作物、非人工有意栽培的草本植物。它是长期适应当地作物、耕作、气候、土壤等生态条件和其它因素而生存下来的，是农业生态系统中的一个组成部分，是自然环境中适应性最强、最繁茂的植物。根据联合国粮农组织报道，全世界共有杂草近5万种，其中农田杂草为8000多种，而危害粮食作物的杂草约250多种。我国农田杂草约巧1500多种，其中恶性杂草有38种，区域性杂草有94种，常见杂草有364种。农田杂草对农作物的生长有极大的危害性： 同农作物激烈地竞争水分和养分； 侵占地上和地下部分空间，影响作物光合作用，干扰作物生长； 杂草是作物病害、虫害的中间寄生； 增加管理用工和生产成本； 降低作物的产量和质量；· 影响人畜健康，影响水利设施。 论文研究的意义 2015-06-05 杂草是影响我国农产品质量和产量的重要因素之一。目前除草主要靠喷洒除草剂,而且是大面积的均匀喷洒。这种喷洒方法不仅提高了农业的成本，也破坏了土地的质量，污染了环境，不利于农业的可持续发展。大量的实验表明田间杂草的分布是不均匀的，因此就要研究一种变量喷洒的方法，为了实现变量喷洒，首要问题就是要实现田间杂草的识别。基于此，本文进行了基于机器视觉的杂草识别方法的研究。 论文研究的意义 本课题研究内容与工作 2015-06-05 本课题研究内容是以黄瓜田中的作物叶片与杂草为主要研究对象，在机器视觉的基础上，研究行间杂草识别方法，建立BP神经网络系统。 ： 本课题研究的工作有： 图像的采集，包括30幅杂草图片，30幅黄瓜作物叶片。 采集图像的纹理特征：通过MATLAB编程求出每幅图像的灰度共生矩阵，并求出4个特征参数。 采集图像的形状特征：求出每幅图像的7个Hu不变矩。 创建BP神经网络系统 训练与测试；通过训练杂草和作物叶片各18幅图像，并测试其余12幅图像，达到识别杂草与作物叶片的最终目的。 02 第二部分：图像特征提取 纹理特征 形状特征 提取特征总结 纹理特征的提取 2015-06-05 纹理（Texture）是按一定规则进行排列所形成的重复模式，或以一定的形式变化而产生的图案。自然界中，许多植物、动物、矿物，都有其独特的纹理特征。利用它，人们可以方便地识别或区分事物。在本次实验中，研究对象杂草与作物其表面纹理具有极大的差异，如下图所示，分别是杂草图像和作物图像，通过观察杂草叶片纹理较粗糙，纹理简单；黄瓜叶片纹理光滑，纹理复杂。分析得到存在较大差异，因此我们为了将杂草和作物叶片区分出来，需要提取图像的纹理特征。 为什么要提取纹理特征 2015-06-05 灰度共生矩阵是一种用来分析图像纹理特征的重要方法，由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。 利用灰度共生矩阵提取纹理特征 基于灰度共生矩阵的纹理特征分析方法 灰度共生矩阵形式： 用灰度共生矩阵可提取多种特征值，最常用的是以下四个特征： 角二阶矩或能量：它是纹理灰度变化均一的度量，反映了灰度分布均匀程度和纹理粗细度。 熵：熵可以度量纹理的随机性。当共生矩阵中所有值均相等时，它取得最大值；相反，如果共生矩阵中的值非常不均匀时，其值较小。 对比度：对比度是灰度共生矩阵主对角线附近的惯性矩，它度量矩阵值的分布和局部变化，可反映了清晰度和纹理的沟纹深浅。 相关性：它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了局部灰度相关性。） 形状特征的提取 2015-06-05 当物体从图象中分割出来以后，形状描述特征与尺寸测量结合起来可以作为区分不同物体的依据，在机器视觉系统中起着十分重要的作用。由于几何形状代表物体的本质特征，并具有平移，缩放，旋转不变等特点，因此提取图像的形状特征就成为重中之重。在本次实验中，通过观察我们发现杂草与作物叶片的形状存在差异，如下图所示，分别是杂草和作物叶片，通过观察可以发现杂草叶片形状称椭圆形，作物叶片呈心形，分析得出形状存在较大差异，因此我们可以提取形状特征实现杂草识别的方法。 为什么要提取形状特征 2015-06-05 不变矩：矩特征主要表征了图像区域的几何特征，又称为几何矩，由于其具有旋转、平移、尺度等特性的不变特征，所以称其为不变矩。矩在统计学中表征随机量的分布，一幅灰度图像可以用二