论文部分内容阅读
农田杂草是农业生产的大敌,也是困扰农作物生长的基本问题之一。传统农业中主要采用覆盖性喷洒除草剂的方式控制和防除杂草,这种粗放式喷洒方式不仅浪费除草剂和人力资源,同时还造成环境的严重污染。精确农业是现代农业的发展方向,是集成了电子、计算机、信息处理、人工智能等高新技术的现代农业技术和管理体系,旨在减少污染,保护生态,实现农业的可持续发展。利用机器视觉和图像处理技术将杂草从背景中识别出来进行准确定位和变量喷洒农药、实现杂草控制的自动化和科学化已成为精确变量农作的关键技术之一。田间杂草自动识别技术是变量喷洒技术实现的首要问题,更是制约其实现的瓶颈所在,需要从研究新的思路、新的智能模式识别方法以及图像处理新硬件的开发等多方面着手,提高杂草识别的准确性和效率。本文在总结国内外杂草特征提取及识别研究成果的基础上,应用图像处理、智能优化、模式识别、信息融合和嵌入式平台实现技术对棉田杂草的识别进行了基础性研究。主要研究内容和结果如下:1、分别从颜色、形态、纹理以及多特征综合利用等四个方面综述了近年来机器视觉技术在杂草识别中的国内外研究现状以及杂草识别智能化研究的进展,分析并指出了国内外同类研究存在的问题,提出了特征优化和多特征融合的杂草识别方法。2、以江苏苏北棉田5种主要发生杂草马唐、鳢肠、婆婆纳、铁苋菜、马齿苋为研究对象,采集田间图像并对其进行图像增强、滤波去噪等预处理,在此基础上进行图像分割,将植物从土壤等田间背景中分离出来。重点研究了重叠叶片的分割方法,针对叶片形状差异和交叠程度不同,分别采用形态学处理、基于距离变换和分水岭算法的阈值分割方法分离轻度和深度交叠叶片。3、在图像处理的基础上研究了叶片颜色、形态和纹理特征的提取方法。在HIS颜色空间提取3个低阶颜色矩作为颜色特征,分别描述平均颜色、颜色方差和颜色偏移性;从叶片轮廓中提取了包含几何形状和Hu不变矩的共17项形态特征;采用灰度-梯度共生矩阵法,利用灰度和梯度分别描述图像中叶片的内部和边缘信息,提取能量、相关性、惯性、熵等4个二次统计参数作为纹理特征。4、采用封装式特征选择方法,充分利用群智能求解复杂组合优化问题的优势以及支持向量机(SVM)的学习能力,将SVM分类算法嵌入到蚁群优化(ACO)的特征选择过程中。通过定义评价函数,以SVM的最大分类准确率引导特征选择操作获得最优特征向量和分类器最优超参数,实现叶片特征选择和分类器参数的同步优化。结果表明,经特征优化,保留了对分类贡献最大的特征,剔除了次要和冗余特征,植物叶片的形态特征由原来的17维下降为6维,极大地压缩了特征空间,从而降低了分类器输入维数和学习复杂度,实现了特征的优化组合。经优化组合得到的最优特征子集用于杂草识别的准确率达90%左右。5、在特征选择和单特征识别的基础上,提出一种SVM和D-S证据理论相结合的多特征融合杂草识别方法。针对杂草特征提取易受光照变化、叶片遮挡及图像处理误差积累等因素影响而导致单特征识别结果可靠性和稳定性差的缺陷,本研究利用D-S证据理论组合不完全、不确定信息的优势,分别以颜色、形态和纹理3类特征的SVM分类结果作为独立证据,引入SVM的后验概率构造基本信度分配(BPA),运用D-S证据组合规则进行证据融合,根据分类判决门限得决策输出识别结果,从而进一步提高识别准确率和稳定性。实验结果表明,多特征决策融合识别方法正确识别率达到96%以上,与基于单特征的杂草识别方法相比,此方法准确率高,稳定性好。6、通过代码移植,在DSP平台以TMS320DM642为主处理器实现了杂草识别算法。用CCS性能评测工具进行算法的耗时测试,并针对性实施代码级和平台级优化;与PC平台的识别效果进行性能对比,分析了用硬件实现耗时算法的可行性,并基于FPGA验证了中值滤波的硬件实现效果,提出了以软硬件综合开发模式设计嵌入式杂草识别系统的思路。最后,在总结全文的基础上,提出有待进一步研究的课题和今后工作的重点。