自動化除草是現(xiàn)代精確農(nóng)業(yè)科學領域的研究熱點。已有的自動化除草解決方案中普遍存在魯棒性不強、過度依賴大量樣本等問題,針對上述問題,本研究提出了基于圖像處理多算法融合的田間雜草檢測方法,設計了一套田間雜草自動識別算法。首先通過設置顏色空間的閾值從圖像中分割土壤背景。然后采用面積閾值、模板匹配和飽和度閾值三種方法對作物和雜草進行分類。最后基于投票的方式,綜合權衡上述三種方法,實現(xiàn)對作物和雜草的精準識別與定位。以大豆田間除草為對象進行了試驗研究,結果表明,使用融合多圖像處理算法的投票方法進行作物和雜草識別定位,雜草識別平均錯誤率為1.79%,識別精度達到98.21%。相較單一的面積閾值、模板匹配和飽和度閾值方法,基于投票權重識別雜草的精度平均提升5.71%。同時,針對復雜多變的農(nóng)業(yè)場景,進行了存在雨滴和陰影干擾的魯棒性測試,實現(xiàn)了90%以上的作物識別結果,表明本研究方法具有較好的適應性和魯棒性。本研究算法可為智能移動機器人除草作業(yè)等智慧農(nóng)業(yè)領域應用提供技術支持。 

【文章頁數(shù)】：13 頁

【文章目錄】：
1 引言
2 設備與方法
    2.1 移動機器人平臺
    2.2 雜草識別與定位算法
        2.2.1 圖像預處理
        2.2.2 基于特征的檢測
    2.3 雜草識別與定位
        2.3.1 雜草檢測投票算法
        2.3.2 雜草定位算法
3 結果與分析
    3.1 雜草識別結果
        3.1.1 面積特征檢測結果
        3.1.2 模板匹配算法
        3.1.3 基于飽和度閾值特征檢測結果
    3.2 投票算法雜草檢測結果
    3.3 最終雜草質心檢測
    3.4 算法魯棒性檢測
4 結論與討論


【參考文獻】：
期刊論文
[1]基于核相互子空間法的番茄葉部病害快速識別模型[J]. 張燕,李慶學,吳華瑞.  智慧農(nóng)業(yè)(中英文). 2020(03)
[2]基于深度學習與特征可視化方法的草地貪夜蛾及其近緣種成蟲識別[J]. 魏靖,王玉亭,袁會珠,張夢蕾,王振營.  智慧農(nóng)業(yè)(中英文). 2020(03)
[3]基于深度卷積神經(jīng)網(wǎng)絡的水稻田雜草識別研究[J]. 彭文,蘭玉彬,岳學軍,程子耀,王林惠,岑振釗,盧楊,洪金寶.  華南農(nóng)業(yè)大學學報. 2020(06)
[4]基于深度學習的雜草識別系統(tǒng)[J]. 尚建偉,蔣紅海,喻剛,陳頡顥,王博,李兆旭,張偉平.  軟件導刊. 2020(07)
[5]基于邊緣檢測和BP神經(jīng)網(wǎng)絡的大豆雜草識別研究[J]. 侯雨,曹麗英,丁小奇,李靜.  中國農(nóng)機化學報. 2020(07)
[6]圖像處理技術在田間雜草識別中應用研究[J]. 任全會,楊保海.  中國農(nóng)機化學報. 2020(06)
[7]基于卷積神經(jīng)網(wǎng)絡提取多尺度分層特征識別玉米雜草[J]. 王璨,武新慧,李志偉.  農(nóng)業(yè)工程學報. 2018(05)



本文編號：3652983