基本信息
- 項目名稱：
- 基于機器視覺的小麥與雜草的識別
- 小類：
- 信息技術(shù)
- 大類：
- 科技發(fā)明制作A類
- 簡介：
- 以本校小麥試驗田苗期圖片為研究對象，本項目基于機器視覺技術(shù)進行了小麥與雜草的識別，主要分為土壤背景分割，特征參數(shù)提取，分類器設(shè)計三步。在土壤背景分割中，對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)計中，重點研究基于BP網(wǎng)絡(luò)和支持向量機（SVM）的分類器模型，包括特征參數(shù)提取、分類器的設(shè)計（分類器學(xué)習(xí)與測試），通過實驗結(jié)果得出SVM有更高的識別精度，并且滿足實時性要求。系統(tǒng)以C#為開發(fā)語言，集成先進的第三方組件，具有實現(xiàn)技術(shù)先進，用戶使用方便、識別過程可視化等優(yōu)點。
- 詳細介紹：
- 除草是常見農(nóng)事活動，提高除草效果和質(zhì)量，降低勞動成本是廣大農(nóng)業(yè)科技工作者研究的熱點話題之一。目前，生產(chǎn)活動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環(huán)境產(chǎn)生污染，同時又可能對作物生長產(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，實現(xiàn)除草過程的自動化操作，有力的推進精準農(nóng)業(yè)實現(xiàn)進程，具有重要的現(xiàn)實意義。本研究以北方種植面積最大的作物小麥為載體，研究利用機器視覺技術(shù)識別小麥與雜草的方法和計算機實現(xiàn)技術(shù)，開發(fā)小麥與雜草智能識別系統(tǒng)，并能方便的指導(dǎo)農(nóng)業(yè)生產(chǎn)活動，不僅有重要的理論研究價值而且有廣闊的應(yīng)用前景。 研究的總體思路是：實地拍攝我校小麥試驗田苗期圖片作為研究對象；研究分析土壤背景分割的有效方法，對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際情況相吻合的方法；研究分析識別小麥和雜草的方法和技術(shù)，對比不同方法的優(yōu)缺點，重點研究基于BP網(wǎng)絡(luò)和支持向量機（SVM）的分類器模型，包括特征參數(shù)提取、分類器設(shè)計（分類器學(xué)習(xí)與測試），并通過實驗進行不同方法的對比分析，選擇性能優(yōu)、良，識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、分類器的計算機實現(xiàn)技術(shù)和方法，重點研究軟件系統(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現(xiàn)技術(shù)，充分利用第三方組件，提高識別軟件開發(fā)速度和質(zhì)量。 本項目研究了基于機器視覺的小麥與雜草的識別，主要分為三步進行識別：土壤背景分割，特征參數(shù)提取，分類器的設(shè)計。在土壤背景分割中，比較了過綠特征灰度化、改進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，雜草識別系統(tǒng)通過對形狀特征參數(shù)各數(shù)值的折線圖，以及對分類器（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(Cross Validation)功能對小麥與雜草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)自動尋優(yōu)功能。通過訓(xùn)練結(jié)果得出：SVM模型有更高的識別精度，且對樣本的測試有較快的速度，滿足實時性要求。
作品圖片
作品專業(yè)信息
設(shè)計、發(fā)明的目的和基本思路、創(chuàng)新點、技術(shù)關(guān)鍵和主要技術(shù)指標
- 本作品以C#為開發(fā)語言，采用圖像處理和機器視覺等技術(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，然后進行雜草的識別，從而針對性的噴灑除草劑，減少噴藥勞動力，實現(xiàn)其自動化管理。 研究的總體思路是：實地拍攝我校小麥試驗田苗期圖片作為研究對象；研究分析土壤背景分割的有效方法，對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際情況相吻合的方法；研究分析識別小麥和雜草的方法和技術(shù)，對比不同方法的優(yōu)缺點，重點研究基于BP網(wǎng)絡(luò)和支持向量機（SVM）的分類器模型，包括特征參數(shù)提取、分類器設(shè)計（分類器學(xué)習(xí)與測試），并通過實驗進行不同方法的對比分析，選擇性能優(yōu)、良，識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、分類器的計算機實現(xiàn)技術(shù)和方法，重點研究軟件系統(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現(xiàn)技術(shù)，充分利用第三方組件，提高識別軟件開發(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（SVM）等等。
科學(xué)性、先進性
- 1)土壤背景分割方法科學(xué)合理 通過實驗對比過綠特征灰度化、一種改進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）具有識別小麥與雜草的能力較強的結(jié)論，與田間的實際情況保持一致性。 2)人工智能的思想應(yīng)用在分類器設(shè)計中 將人工智能BP神經(jīng)網(wǎng)絡(luò)與支持向量機（SVM）具有較強自適應(yīng)性和魯棒性等優(yōu)點應(yīng)用在分類器設(shè)計中，提高識別精度和分類效果。 3）開發(fā)的識別系統(tǒng)具有實現(xiàn)技術(shù)先進，用戶使用方便、識別過程可視化的特點。
獲獎情況及鑒定結(jié)果
- 第七屆“挑戰(zhàn)杯”陜西省大學(xué)生課外學(xué)術(shù)科技作品競賽中獲特等獎
作品所處階段
- 實驗室階段
技術(shù)轉(zhuǎn)讓方式
- 無
作品可展示的形式
- 磁盤，現(xiàn)場演示，圖片
使用說明,技術(shù)特點和優(yōu)勢,適應(yīng)范圍,推廣前景的技術(shù)性說明,市場分析,經(jīng)濟效益預(yù)測
- 使用說明：此系統(tǒng)中不僅有進行小麥和雜草識別的功能，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，提高識別軟件開發(fā)速度和質(zhì)量。 該項目在精準農(nóng)業(yè)生產(chǎn)過程中有著廣泛的應(yīng)用，而且前景看好，這是由于計算機視覺比人類視覺具有很多優(yōu)越性：如無損、快速、準確和安全等。 利用計算機視覺技術(shù)，對小麥與雜草進行識別，從而對田間雜草針對性的變量噴灑除草劑，可以提高生產(chǎn)率，實現(xiàn)農(nóng)業(yè)生產(chǎn)與管理的自動化和智能化，必將對傳統(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
- 雖然機器視覺已經(jīng)有了比較成熟的理論，但是，基于機器視覺的田間雜草識別技術(shù)還是一個新的應(yīng)用研究領(lǐng)域。從二十世紀八十年代至今，基于機器視覺的雜草識別系統(tǒng)，經(jīng)歷了從室內(nèi)到田間、從非實時到實時的發(fā)展過程。至今，只有國外的少數(shù)基于機器視覺系統(tǒng)實現(xiàn)了田間雜草的實時識別。 國外早在二十世紀八十年代就開始了計算機雜草識別的研究，研究方法大體上可分為兩大類：計算機圖像識別法和光譜分析法。 圖像的特征識別方法主要包括三個方面:顏色特征、形狀特征和紋理特征的識別。國外一些專家、學(xué)者多數(shù)都是采用這些方法進行雜草識別方面的研究。 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庫。他們先提取了17項定量的形狀特征，然后經(jīng)過組合得到了13項定性的形狀特征。 1999年，Lee等人從番茄地里的植物葉片中提取了7項形狀特征參數(shù)，運用貝葉斯統(tǒng)計分類器進行識別，結(jié)果表明:伸長度和分散度這兩個形狀參數(shù)的分類效果最佳。 2006年，Karimi等通過高光譜圖像識別玉米田間雜草。 目前，基于機器視覺的雜草識別技術(shù)在我國也逐漸成為研究熱點之一，但是由于我國機器視覺技術(shù)起步較晚，因此在雜草識別中的應(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象，分析了不同的顏色指標分割背景的可行性以及應(yīng)用形狀因子識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)用計算機視覺技術(shù)對壟間雜草的識別做了研究，根據(jù)苗期田間作物的位置特征定位壟間和壟上，建立了基于計算機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)計列方向植物像素數(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)計像素法來確定作物中心行的位置。使用計算機自動檢測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)的運行速度和準確性得到了提高。
