基于多光谱图像和数据挖掘的多特征杂草识别方法.docVIP

基于多光谱图像和数据挖掘的多特征杂草识别方法 赵川源，何东健※，乔永亮 （西北农林科技大学机电学院，杨凌 712100 摘 要：为满足变量喷洒对杂草识别正确率的要求，提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到L*a*b*颜色空间，用K-means聚类算法将图像分为土壤和绿色植物，随后用形态学处理提取出植物叶片图像，在此基础上提取叶片形状、纹理及分形维数3类特征，并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明，多特征识别率比单特征识别率高，3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性，将C4.5算法与BP算法以及SVM算法进行比较，试验结果表明C4.5算法的平均识别率高于另2种算法，该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据C4.5算法，K-means聚类算法，多特征识别 doi：TP391.41 文献标志码：A 文章编号：1002-6819(20)-24-0000-07 赵川源，何东健，乔永亮. 基于多光谱图像和数据挖掘的多特征杂草识别方法[J]. 农业工程学报，2012，28(24)：×－×. Zhao Chuanyuan, He Dongjian, Qiao Yongliang. Multi-feature weed detection based on multi-spectral image and data mining [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(24): －. (in Chinese with English abstract 0 引 言( 杂草在田间呈无规则的随机分布，对农作物的生长有极大危害，及时除草是提高作物产量和质量的重要农事活动。为了有效杀灭杂草并保护农业环境，精确变量施药方法和技术成为精准农业的发展方向，为实现精确变量施药，关键技术之一是如何智能、准确地检测田间杂草分布信息，即将杂草滋生区分割出来，并通过杂草的特征识别杂草种类。 目前，国内外学者多以颜色特征、纹理特征、形状特征和多光谱特征等单一特征为主进行杂草识别。Meyer[1]等综合模糊分类算法与颜色特征（超绿特征和超红特征）识别小麦与杂草。Burks等[2]利用颜色共生矩阵得到的纹理特征识别土壤和5种杂草并对杂草进行分类，研究表明提取的11个纹理特征进行分类的准确度可达到93%。龙满生[3]利用形态学处理后图像的长宽比、圆度、第一不变矩3个形状特征作为输入，用BP网络识别玉米幼苗与杂草的正确识别率分别为87.5%和93.0%，平均耗时约58ms。唐晶磊[4]根据近红外波段的光谱特性对植物和土壤背景进行分割，结合多光谱反射特性、纹理特征和形状特征，采用基于SVM（support vector machine）的对玉米和杂草进行多类识别的平均识别率为89.7%。但在田间复杂环境中，仅依靠某一种特征的识别准确率较低、稳定性较差，不能有效地利用多特征信息进行识别[5-11]。 为提高玉米田间杂草识别的准确率，本文拟研究通过多光谱图像识别杂草的有效特征及特征组合的杂草识别方法，以期为玉米苗期精确喷洒除草剂提供技术依据。 1 图像获取与分割 1.1 试验图像的获取及预处理 将MS4100高分辨率多光谱照相机（Camera MS4100 Duncan Camera, 3CCD Camera）置于悬臂梁上，距离样本高度约为50?cm。调整照相机的光轴垂直于地面，以避免图像几何失真，并可获取完整的植物形态。 在西北农林科技大学试验田里，采集玉米苗期约生长2～3片叶时的玉米和田里的杂草图像，采集图像中包括玉米和随机生长的灰菜、刺儿菜、喇叭等3种常见杂草。试验图像包括玉米幼苗和3种杂草样本及杂草与玉米混合样本图像共计280幅，其中单株植物各60幅共计240幅，混合图像40幅。为节省图像处理时间、增强杂草识别的实时性，将采集的图像批量裁剪，保留目标植株，去除原始图像中的多余背景（土壤），裁剪后的图像为640×640像素。玉米及杂草的多光谱图像如图1所示。 a. 玉米 b. 灰 c. 刺儿菜 d. 喇 图1 玉Fig.1 Multi-spectral images of maize and weeds 1.2 图像的分割 为了识别杂草，需要将植物从背景中提取出来，并将绿色植物叶