基于特征優(yōu)化和多特征融合的雜草識(shí)別方法研究.pdf

1、農(nóng)田雜草是農(nóng)業(yè)生產(chǎn)的大敵，也是困擾農(nóng)作物生長(zhǎng)的基本問(wèn)題之一。傳統(tǒng)農(nóng)業(yè)中主要采用覆蓋性噴灑除草劑的方式控制和防除雜草，這種粗放式噴灑方式不僅浪費(fèi)除草劑和人力資源，同時(shí)還造成環(huán)境的嚴(yán)重污染。精確農(nóng)業(yè)是現(xiàn)代農(nóng)業(yè)的發(fā)展方向，是集成了電子、計(jì)算機(jī)、信息處理、人工智能等高新技術(shù)的現(xiàn)代農(nóng)業(yè)技術(shù)和管理體系，旨在減少污染，保護(hù)生態(tài)，實(shí)現(xiàn)農(nóng)業(yè)的可持續(xù)發(fā)展。利用機(jī)器視覺(jué)和圖像處理技術(shù)將雜草從背景中識(shí)別出來(lái)進(jìn)行準(zhǔn)確定位和變量噴灑農(nóng)藥、實(shí)現(xiàn)雜草控制的自動(dòng)化和科學(xué)

2、化已成為精確變量農(nóng)作的關(guān)鍵技術(shù)之一。田間雜草自動(dòng)識(shí)別技術(shù)是變量噴灑技術(shù)實(shí)現(xiàn)的首要問(wèn)題，更是制約其實(shí)現(xiàn)的瓶頸所在，需要從研究新的思路、新的智能模式識(shí)別方法以及圖像處理新硬件的開發(fā)等多方面著手，提高雜草識(shí)別的準(zhǔn)確性和效率。本文在總結(jié)國(guó)內(nèi)外雜草特征提取及識(shí)別研究成果的基礎(chǔ)上，應(yīng)用圖像處理、智能優(yōu)化、模式識(shí)別、信息融合和嵌入式平臺(tái)實(shí)現(xiàn)技術(shù)對(duì)棉田雜草的識(shí)別進(jìn)行了基礎(chǔ)性研究。主要研究?jī)?nèi)容和結(jié)果如下：
　　 1、分別從顏色、形態(tài)、紋理以及多特

3、征綜合利用等四個(gè)方面綜述了近年來(lái)機(jī)器視覺(jué)技術(shù)在雜草識(shí)別中的國(guó)內(nèi)外研究現(xiàn)狀以及雜草識(shí)別智能化研究的進(jìn)展，分析并指出了國(guó)內(nèi)外同類研究存在的問(wèn)題，提出了特征優(yōu)化和多特征融合的雜草識(shí)別方法。
　　 2、以江蘇蘇北棉田5種主要發(fā)生雜草馬唐、鱧腸、婆婆納、鐵莧菜、馬齒莧為研究對(duì)象，采集田間圖像并對(duì)其進(jìn)行圖像增強(qiáng)、濾波去噪等預(yù)處理，在此基礎(chǔ)上進(jìn)行圖像分割，將植物從土壤等田間背景中分離出來(lái)。重點(diǎn)研究了重疊葉片的分割方法，針對(duì)葉片形狀差異和交疊程

4、度不同，分別采用形態(tài)學(xué)處理、基于距離變換和分水嶺算法的閾值分割方法分離輕度和深度交疊葉片。
　　 3、在圖像處理的基礎(chǔ)上研究了葉片顏色、形態(tài)和紋理特征的提取方法。在HIS顏色空間提取3個(gè)低階顏色矩作為顏色特征，分別描述平均顏色、顏色方差和顏色偏移性；從葉片輪廓中提取了包含幾何形狀和Hu不變矩的共17項(xiàng)形態(tài)特征；采用灰度-梯度共生矩陣法，利用灰度和梯度分別描述圖像中葉片的內(nèi)部和邊緣信息，提取能量、相關(guān)性、慣性、熵等4個(gè)二次統(tǒng)計(jì)參數(shù)

5、作為紋理特征。
　　 4、采用封裝式特征選擇方法，充分利用群智能求解復(fù)雜組合優(yōu)化問(wèn)題的優(yōu)勢(shì)以及支持向量機(jī)(SVM)的學(xué)習(xí)能力，將SVM分類算法嵌入到蟻群優(yōu)化(ACO)的特征選擇過(guò)程中。通過(guò)定義評(píng)價(jià)函數(shù)，以SVM的最大分類準(zhǔn)確率引導(dǎo)特征選擇操作獲得最優(yōu)特征向量和分類器最優(yōu)超參數(shù)，實(shí)現(xiàn)葉片特征選擇和分類器參數(shù)的同步優(yōu)化。結(jié)果表明，經(jīng)特征優(yōu)化，保留了對(duì)分類貢獻(xiàn)最大的特征，剔除了次要和冗余特征，植物葉片的形態(tài)特征由原來(lái)的17維下降為6維

6、，極大地壓縮了特征空間，從而降低了分類器輸入維數(shù)和學(xué)習(xí)復(fù)雜度，實(shí)現(xiàn)了特征的優(yōu)化組合。經(jīng)優(yōu)化組合得到的最優(yōu)特征子集用于雜草識(shí)別的準(zhǔn)確率達(dá)90％左右。
　　 5、在特征選擇和單特征識(shí)別的基礎(chǔ)上，提出一種SVM和D-S證據(jù)理論相結(jié)合的多特征融合雜草識(shí)別方法。針對(duì)雜草特征提取易受光照變化、葉片遮擋及圖像處理誤差積累等因素影響而導(dǎo)致單特征識(shí)別結(jié)果可靠性和穩(wěn)定性差的缺陷，本研究利用D-S證據(jù)理論組合不完全、不確定信息的優(yōu)勢(shì)，分別以顏色、形態(tài)

7、和紋理3類特征的SVM分類結(jié)果作為獨(dú)立證據(jù)，引入SVM的后驗(yàn)概率構(gòu)造基本信度分配(BPA)，運(yùn)用D-S證據(jù)組合規(guī)則進(jìn)行證據(jù)融合，根據(jù)分類判決門限得決策輸出識(shí)別結(jié)果，從而進(jìn)一步提高識(shí)別準(zhǔn)確率和穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，多特征決策融合識(shí)別方法正確識(shí)別率達(dá)到96％以上，與基于單特征的雜草識(shí)別方法相比，此方法準(zhǔn)確率高，穩(wěn)定性好。
　　 6、通過(guò)代碼移植，在DSP平臺(tái)以TMS320DM642為主處理器實(shí)現(xiàn)了雜草識(shí)別算法。用CCS性能評(píng)測(cè)工具進(jìn)