題-1_100_100.jpg)
基本信息
- 項(xiàng)目名稱：
- 基于機(jī)器視覺的小麥與雜草的識(shí)別
- 小類：
- 信息技術(shù)
- 大類：
- 科技發(fā)明制作A類
- 簡(jiǎn)介：
- 以本校小麥試驗(yàn)田苗期圖片為研究對(duì)象，本項(xiàng)目基于機(jī)器視覺技術(shù)進(jìn)行了小麥與雜草的識(shí)別，主要分為土壤背景分割，特征參數(shù)提取，分類器設(shè)計(jì)三步。在土壤背景分割中，對(duì)比不同分割方法在二值化應(yīng)用后的效果，選擇信息丟失少并與實(shí)際情況相吻合的方法。在特征參數(shù)提取和分類器的設(shè)計(jì)中，重點(diǎn)研究基于BP網(wǎng)絡(luò)和支持向量機(jī)（SVM）的分類器模型，包括特征參數(shù)提取、分類器的設(shè)計(jì)（分類器學(xué)習(xí)與測(cè)試），通過實(shí)驗(yàn)結(jié)果得出SVM有更高的識(shí)別精度，并且滿足實(shí)時(shí)性要求。系統(tǒng)以C#為開發(fā)語言，集成先進(jìn)的第三方組件，具有實(shí)現(xiàn)技術(shù)先進(jìn)，用戶使用方便、識(shí)別過程可視化等優(yōu)點(diǎn)。
- 詳細(xì)介紹：
- 除草是常見農(nóng)事活動(dòng)，提高除草效果和質(zhì)量，降低勞動(dòng)成本是廣大農(nóng)業(yè)科技工作者研究的熱點(diǎn)話題之一。目前，生產(chǎn)活動(dòng)中多采用人工除草和噴灑除草劑等方法完成，存在著工作量大、效率低等問題，特別是大量使用除草劑既對(duì)環(huán)境產(chǎn)生污染，同時(shí)又可能對(duì)作物生長產(chǎn)生不利影響。用信息技術(shù)提升傳統(tǒng)農(nóng)業(yè)的生產(chǎn)模式，實(shí)現(xiàn)除草過程的自動(dòng)化操作，有力的推進(jìn)精準(zhǔn)農(nóng)業(yè)實(shí)現(xiàn)進(jìn)程，具有重要的現(xiàn)實(shí)意義。本研究以北方種植面積最大的作物小麥為載體，研究利用機(jī)器視覺技術(shù)識(shí)別小麥與雜草的方法和計(jì)算機(jī)實(shí)現(xiàn)技術(shù)，開發(fā)小麥與雜草智能識(shí)別系統(tǒng)，并能方便的指導(dǎo)農(nóng)業(yè)生產(chǎn)活動(dòng)，不僅有重要的理論研究?jī)r(jià)值而且有廣闊的應(yīng)用前景。 研究的總體思路是：實(shí)地拍攝我校小麥試驗(yàn)田苗期圖片作為研究對(duì)象；研究分析土壤背景分割的有效方法，對(duì)比不同分割方法在二值化應(yīng)用后的效果，選擇信息丟失少并與實(shí)際情況相吻合的方法；研究分析識(shí)別小麥和雜草的方法和技術(shù)，對(duì)比不同方法的優(yōu)缺點(diǎn)，重點(diǎn)研究基于BP網(wǎng)絡(luò)和支持向量機(jī)（SVM）的分類器模型，包括特征參數(shù)提取、分類器設(shè)計(jì)（分類器學(xué)習(xí)與測(cè)試），并通過實(shí)驗(yàn)進(jìn)行不同方法的對(duì)比分析，選擇性能優(yōu)、良，識(shí)別率高的模型作為小麥與雜草分類器；研究分析土壤背景分割、特征參數(shù)提取、分類器的計(jì)算機(jī)實(shí)現(xiàn)技術(shù)和方法，重點(diǎn)研究軟件系統(tǒng)的體系結(jié)構(gòu)、分割算法、特征參數(shù)提取和分類器的算法和實(shí)現(xiàn)技術(shù)，充分利用第三方組件，提高識(shí)別軟件開發(fā)速度和質(zhì)量。 本項(xiàng)目研究了基于機(jī)器視覺的小麥與雜草的識(shí)別，主要分為三步進(jìn)行識(shí)別：土壤背景分割，特征參數(shù)提取，分類器的設(shè)計(jì)。在土壤背景分割中，比較了過綠特征灰度化、改進(jìn)的過綠特征灰度化和Lab顏色空間的a值灰度化三種方法，得出Lab顏色空間的a值灰度化對(duì)復(fù)雜環(huán)境有較好的土壤背景分割效果。在特征參數(shù)提取中，雜草識(shí)別系統(tǒng)通過對(duì)形狀特征參數(shù)各數(shù)值的折線圖，以及對(duì)分類器（BP神經(jīng)網(wǎng)絡(luò)分類器與SVM分類器）中通過不同參數(shù)結(jié)合所得訓(xùn)練結(jié)果的分析對(duì)比中，選擇了分類器所需的適當(dāng)特征參數(shù)；在分類器的設(shè)計(jì)中，比較了BP神經(jīng)網(wǎng)絡(luò)和SVM兩種模型，應(yīng)用了LIBSVM組件所提供的交互檢驗(yàn)(Cross Validation)功能對(duì)小麥與雜草SVM分類器影響比較重要的參數(shù)（比如參數(shù)gamma,參數(shù)C）提供了參數(shù)自動(dòng)尋優(yōu)功能。通過訓(xùn)練結(jié)果得出：SVM模型有更高的識(shí)別精度，且對(duì)樣本的測(cè)試有較快的速度，滿足實(shí)時(shí)性要求。
作品圖片
作品專業(yè)信息
設(shè)計(jì)、發(fā)明的目的和基本思路、創(chuàng)新點(diǎn)、技術(shù)關(guān)鍵和主要技術(shù)指標(biāo)
- 本作品以C#為開發(fā)語言，采用圖像處理和機(jī)器視覺等技術(shù)，主要研究的是如何在苗期麥田中通過攝像頭獲取圖像并加以處理，然后進(jìn)行雜草的識(shí)別，從而針對(duì)性的噴灑除草劑，減少噴藥勞動(dòng)力，實(shí)現(xiàn)其自動(dòng)化管理。 研究的總體思路是：實(shí)地拍攝我校小麥試驗(yàn)田苗期圖片作為研究對(duì)象；研究分析土壤背景分割的有效方法，對(duì)比不同分割方法在二值化應(yīng)用后的效果，選擇信息丟失少并與實(shí)際情況相吻合的方法；研究分析識(shí)別小麥和雜草的方法和技術(shù)，對(duì)比不同方法的優(yōu)缺點(diǎn)，重點(diǎn)研究基于BP網(wǎng)絡(luò)和支持向量機(jī)（SVM）的分類器模型，包括特征參數(shù)提取、分類器設(shè)計(jì)（分類器學(xué)習(xí)與測(cè)試），并通過實(shí)驗(yàn)進(jìn)行不同方法的對(duì)比分析，選擇性能優(yōu)、良，識(shí)別率高的模型作為小麥與雜草分類器；研究分析土壤背景分割、特征參數(shù)提取、分類器的計(jì)算機(jī)實(shí)現(xiàn)技術(shù)和方法，重點(diǎn)研究軟件系統(tǒng)的體系結(jié)構(gòu)、分割算法、特征參數(shù)提取和分類器的算法和實(shí)現(xiàn)技術(shù)，充分利用第三方組件，提高識(shí)別軟件開發(fā)速度和質(zhì)量。 所采用的主要技術(shù)有圖像形態(tài)學(xué)處理、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）等等。
科學(xué)性、先進(jìn)性
- 1)土壤背景分割方法科學(xué)合理 通過實(shí)驗(yàn)對(duì)比過綠特征灰度化、一種改進(jìn)的過綠特征灰度化和Lab顏色空間的a值灰度化三種土壤背景分割方法，得出了使用Lab顏色空間中a值灰度化方法，在復(fù)雜環(huán)境下（光照、土壤等）具有識(shí)別小麥與雜草的能力較強(qiáng)的結(jié)論，與田間的實(shí)際情況保持一致性。 2)人工智能的思想應(yīng)用在分類器設(shè)計(jì)中 將人工智能BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)（SVM）具有較強(qiáng)自適應(yīng)性和魯棒性等優(yōu)點(diǎn)應(yīng)用在分類器設(shè)計(jì)中，提高識(shí)別精度和分類效果。 3）開發(fā)的識(shí)別系統(tǒng)具有實(shí)現(xiàn)技術(shù)先進(jìn)，用戶使用方便、識(shí)別過程可視化的特點(diǎn)。
獲獎(jiǎng)情況及鑒定結(jié)果
- 第七屆“挑戰(zhàn)杯”陜西省大學(xué)生課外學(xué)術(shù)科技作品競(jìng)賽中獲特等獎(jiǎng)
作品所處階段
- 實(shí)驗(yàn)室階段
技術(shù)轉(zhuǎn)讓方式
- 無
作品可展示的形式
- 磁盤，現(xiàn)場(chǎng)演示，圖片
使用說明,技術(shù)特點(diǎn)和優(yōu)勢(shì),適應(yīng)范圍,推廣前景的技術(shù)性說明,市場(chǎng)分析,經(jīng)濟(jì)效益預(yù)測(cè)
- 使用說明：此系統(tǒng)中不僅有進(jìn)行小麥和雜草識(shí)別的功能，而且一些常用的圖像處理方法都已經(jīng)在軟件中得到實(shí)現(xiàn)，在菜單中各功能已經(jīng)分類顯示，并且此系統(tǒng)充分利用第三方組件，提高識(shí)別軟件開發(fā)速度和質(zhì)量。 該項(xiàng)目在精準(zhǔn)農(nóng)業(yè)生產(chǎn)過程中有著廣泛的應(yīng)用，而且前景看好，這是由于計(jì)算機(jī)視覺比人類視覺具有很多優(yōu)越性：如無損、快速、準(zhǔn)確和安全等。 利用計(jì)算機(jī)視覺技術(shù)，對(duì)小麥與雜草進(jìn)行識(shí)別，從而對(duì)田間雜草針對(duì)性的變量噴灑除草劑，可以提高生產(chǎn)率，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)與管理的自動(dòng)化和智能化，必將對(duì)傳統(tǒng)農(nóng)業(yè)模式具有較大的挑戰(zhàn)性。
同類課題研究水平概述
- 雖然機(jī)器視覺已經(jīng)有了比較成熟的理論，但是，基于機(jī)器視覺的田間雜草識(shí)別技術(shù)還是一個(gè)新的應(yīng)用研究領(lǐng)域。從二十世紀(jì)八十年代至今，基于機(jī)器視覺的雜草識(shí)別系統(tǒng)，經(jīng)歷了從室內(nèi)到田間、從非實(shí)時(shí)到實(shí)時(shí)的發(fā)展過程。至今，只有國外的少數(shù)基于機(jī)器視覺系統(tǒng)實(shí)現(xiàn)了田間雜草的實(shí)時(shí)識(shí)別。 國外早在二十世紀(jì)八十年代就開始了計(jì)算機(jī)雜草識(shí)別的研究，研究方法大體上可分為兩大類：計(jì)算機(jī)圖像識(shí)別法和光譜分析法。 圖像的特征識(shí)別方法主要包括三個(gè)方面:顏色特征、形狀特征和紋理特征的識(shí)別。國外一些專家、學(xué)者多數(shù)都是采用這些方法進(jìn)行雜草識(shí)別方面的研究。 早在1986年，Guyer等人研究了利用葉片的形狀特征參數(shù)(復(fù)雜度、伸長度、中心矩和主軸矩)識(shí)別不同植物的可行性，并在1993年開發(fā)和構(gòu)建了基于植物形狀特征的知識(shí)庫。他們先提取了17項(xiàng)定量的形狀特征，然后經(jīng)過組合得到了13項(xiàng)定性的形狀特征。 1999年，Lee等人從番茄地里的植物葉片中提取了7項(xiàng)形狀特征參數(shù)，運(yùn)用貝葉斯統(tǒng)計(jì)分類器進(jìn)行識(shí)別，結(jié)果表明:伸長度和分散度這兩個(gè)形狀參數(shù)的分類效果最佳。 2006年，Karimi等通過高光譜圖像識(shí)別玉米田間雜草。 目前，基于機(jī)器視覺的雜草識(shí)別技術(shù)在我國也逐漸成為研究熱點(diǎn)之一，但是由于我國機(jī)器視覺技術(shù)起步較晚，因此在雜草識(shí)別中的應(yīng)用尚處于探索階段。 2002年，西北農(nóng)林科技大學(xué)龍滿生等人以玉米苗期雜草為研究對(duì)象，分析了不同的顏色指標(biāo)分割背景的可行性以及應(yīng)用形狀因子識(shí)別玉米和雜草的方法。 2004年，中國農(nóng)業(yè)大學(xué)毛文華、王一鳴等人應(yīng)用計(jì)算機(jī)視覺技術(shù)對(duì)壟間雜草的識(shí)別做了研究，根據(jù)苗期田間作物的位置特征定位壟間和壟上，建立了基于計(jì)算機(jī)視覺的分割苗期田間雜草的算法DBW，選用最大方差法二值化圖像，通過統(tǒng)計(jì)列方向植物像素?cái)?shù)濾去壟上作物，分割出雜草。 2006年，東北農(nóng)業(yè)大學(xué)沈維政、張長利等人采用可變閾值法濾除了土壤背景，并根據(jù)雜草投影中心的像素位置確定雜草的實(shí)際位置。 2007年，河北農(nóng)業(yè)大學(xué)的李欣使用直方圖縱向統(tǒng)計(jì)像素法來確定作物中心行的位置。使用計(jì)算機(jī)自動(dòng)檢測(cè)作物行邊界閾值的方法確定邊界閾值后濾除作物行，濾除掉作物行后得到了雜草與土壤背景的圖像，并且系統(tǒng)的運(yùn)行速度和準(zhǔn)確性得到了提高。
