基于植株整体形状特征杂草识别算法研究.docVIP

基于植株整体形状特征杂草识别算法研究 　　摘要：为解决传统基于植物叶片形状特征的杂草识别中识别率不高的问题，该文以生长中期的生菜与四种伴生杂草稗草、小飞蓬、鬼针草和车轴草为主要研究对象，提出了一种基于植株整体形状特征的杂草识别算法。实验结果表明，利用BP神经网络对单株植物进行识别，准确率达99.20%以上，对多角度拍摄的单株生菜图像的识别准确率为98.60%，对生菜与杂草的混合图像的识别准确率达99.10%，大大提高了杂草识别率，同时本算法对其他一些作物也有一定的适用性。 　　关键词：杂草识别；植株整体；形状特征；生菜；神经网络 　　引言 　　农田中与作物争夺阳光和养分的杂草的存在严重影响了农作物的生长，若对农作物不进行识别而大范围的使用化学除草剂会造成浪费以及污染。现在，自动除草已成为现代农业的一个发展基础，因此通过图像处理技术识别杂草来达到自动除草的目的已经成为研究的热点。杂草识别通常采用基于机器视觉的方法来采集和处理图像[1]，利用颜色特征可以区分植物和土壤。近年来，形态特征、光谱特征和纹理特征[2]等也被用来识别杂草。2008年，袁海波等利用超绿特征和像素位置直方图结合BP神经网络，在图像处理技术基础上识别出杂草，并确定其位置、面积[3]。2013年，乔永亮等用基于多光谱和SVM建立的杂草识别模型，采用PCA降维后的前三个主成分作为输入，使得杂草识别率达到85%[4]。这些对杂草识别的研究主要针对植株叶片进行识别或者特征提取，所以本文提出了从整体植株来提取特征并用BP神经网络[5]进行识别的算法。 　　1 图像的分割 　　以生长中期的生菜、稗草、小飞蓬、鬼针草和车轴草为主要研究对象，在生菜田间用摄像机拍摄各单株植物图像50幅，生菜与杂草的混合图像21幅。在选取二值图像分割算法时，本实验对比了直方图的阈值分割算法[6]、最大类间方差法[7]和超绿特征法三种方法，对比发现超绿特征法继承了最大类间方差法程序简短容易的优点，也避免了含有多种颜色的图像分割时容易参杂其他颜色的问题，因此，本文选用超绿特征进行分割。如下，图1中（a）为灰度图，（b）为超绿特征分割后的图像，（c）为分割后续提取长短轴特征的示意图。为消除图像分割中混入的噪声，对二值化后的图像进行线性平滑滤波处理。为了方便植株的特征提取和去除面积及其小的绿色植被，如青苔，对滤波后的图像进行适当的腐蚀和膨胀操作[8]。 　　2 对作物和杂草进行整株形状特征提取 　　对拍摄的50幅单株植物图像分别提取出它们的形状特征值，其中包括：长轴L、短轴W、面积A、周长S、内切圆半径r、圆度R、伸长度E、重心Cen、离心率Ecc。在这9个特征中长轴L、短轴W、面积A、周长S、内切圆半径r受到拍摄距离的影响，所以拍摄时取定50 cm作为拍摄距离，其余特征不受拍摄距离的影响。 　　通过分析生菜整体形状可知，生菜叶片相对集中且形状较圆，面积与派生杂草相差较大等特点，结合单株生菜以及四种派生杂草的九种特征值对比以及实验测试，发现生菜的内切圆半径r，圆度R，伸长度E和离散度e这四种特征与四种派生杂草差异较大，因此选取内切圆半径r，圆度R，伸长度E和离散度e四种特征作为特征参考值对神经网络进行训练。 　　3 利用BP神经网络进行识别 　　3.1 对单株植物的识别 　　BP神经网络通过模拟人的思维，以一定的学习准则进行学习。它可以学习和存贮大量的输入-输出模式映射关系，而无需事前建立描述这种映射关系的数学方程。因此通过输入值和目标值的训练，神经网络就可以建立某种映射关系，从而避免了复杂的数学方程的建立。 　　实验中随机选取各类植物25株进行特征值提取，利用选定的四种特征参数值即内切圆半径r，圆度R，伸长度和E离散度e，对BP神经网络进行训练，然后利用训练好的神经网络对剩余的各植株进行判断，从而实现对单株生菜与派生杂草的识别。 　　3.2 对不同角度拍摄的单株生菜进行识别 　　为了验证本算法可以解决拍摄角度的问题，下面将对不同角度（与地面的夹角为90°、60°、45°30°、0°）拍摄的单株生菜进行识别，实验株数为15株，识别结果如表1所示。 　　3.3 对含生菜与杂草的混合图像的识别 　　为了更好的适应实际需要并且证明本算法具有良好的适应性，用实验中提出的算法进一步对含有生菜与杂草的混合图像进行进行识别。 　　如图3中（a）是一幅含有生菜与派生杂草的混合图像，（b）是经过一系列处理得到的最小面积矩阵图，矩阵的个数在一定程度上可以表征图像的复杂程度。因生菜与杂草的混合的图像较为复杂，为了简化处理，假设杂草与生菜无叶片交叠情况，并且将区域矩阵个数默认为图像所含生菜与杂草总数。对于最小面积矩阵图，分别计算出矩阵包围区域的四种特征值，然后利用训练好的神经网络进行识别，表