基于支持向量机的玉米田间杂草识别方法研究

摘要

农业机器人是21世纪精准农业的重要装备之一，通过农业机器人实现除草剂的变量施药是未来智能农业机械的一个发展方向。其中实现变量喷洒除草剂的首要步骤是完成田间杂草识别。本文在充分了解国内外田间杂草识别方法的基础上，以在玉米田间复杂环境中识别杂草为目的，提出了创新的背景分割方法和杂草识别方法，着重研究了图像分割方法、多尺度形状特征、支持向量机分类技术。主要研究成果如下:
　　 1.以相同田间环境中采集、变换得到的超绿特征(2G-R-B)灰度图像为研究对象，以像素点邻域组成的灰度直方图特征作为输入特征向量，利用支持向量机分类方法实现背景分割，并通过与手工标记图像进行帧差比较，选出最优支持向量机模型和最优邻域窗口模型。
　　 2.针对不同田间环境造成图像颜色差异，结合半监督支持向量机分类方法，利用已有的有标签训练样本的同时，利用聚类算法自动从待分割图像中提取无标签训练样本，使用直推式支持向量机进行分类训练，得到最适合当时环境的分类模型，实现支持向量机动态建模，以此提高图像的分割质量。
　　 3.提出了一种基于多尺度形状特征和支持向量机分类技术的玉米和杂草识别方法。考虑玉米与杂草在整株形状和叶片分布结构上都存在差异,提出了多尺度圆环形状特征和米字分块形状特征，并利用支持向量机分类方法进行玉米和杂草的分类。室外实验结果表明:利用植物多尺度形状特征能够很好的将玉米和杂草进行分类。
　　 本文方法提高了玉米田间杂草识别的准确性和可靠性，为农田精确喷洒除草剂提供了技术基础。

目录

声明

摘要

第一章 绪论

1．1 杂草识别的研究目的与意义

1．2 杂草识别的国内外研究现状

1．2．1 背景分割技术研究现状

1．2．2 杂草与作物分类技术研究概况

1．3 杂草识别研究存在的的问题

1．4 课题研究内容和技术路线

1．4．1 研究内容

1．4．2 技术路线

第二章 机器视觉系统及支持向量机理论介绍

2．1 机器视觉系统

2．1．1 机器视觉硬件

2．1．2 图像处理软件

2．2 图像的采集

2．3 SVM的基本思想

2．3．1 最优分类面

2．3．2 广义的最优分类面

2．3．3 核函数

2．4 半监督支持向量机

2．4．1 半监督学习思想

2．4．2 直推式支持向量机

2．5 基于聚类和半监督支持向量机的变量学习算法

2．5．1 算法设计思想

2．5．2 K-means聚类算法

2．5．3 算法实现步骤

2．6 本章小结

第三章 绿色植物与土壤背景图像分割

3．1 引言

3．2 基于邻域灰度直方图的背景分割方法

3．2．1 彩色特征模型的选择

3．2．2 二维直方图阈值分割法

3．2．3 邻域灰度直方图特征

3．2．4 特征提取与统计

3．2．5 支持向量机模型的选择

3．2．6 图像分割质量评价

3．2．7 邻域窗口模型的选择

3．3 基于聚类和半监督支持向量机的背景分割方法

3．3．1 不同环境颜色特征分析

3．3．2 基于半监督支持向量机的分类实验

3．3．3 基于聚类算法的无标签训练样本自动提取方法

3．3．4 不同地块验证实验

3．3．5 不同光照验证实验

3．4 本章小结

第四章 基于多尺度形状特征的杂草识别方法

4．1 引言

4．2 多尺度圆环形状特征提取

4．2．1 特征提取步骤

4．2．2 轮廓提取

4．2．3 重心坐标提取

4．2．4 多尺度圆环像素统计

4．2．5 二次曲线拟合

4．3 米字分块特形状征提取

4．3．1 最小包围矩形

4．3．2 米字分块形状特征计算

4．4 形状特征比较

4．5 实验数据统计

4．6 基于支持向量机的杂草识别实验

4．7 玉米田室外验证实验

4．8 本章小结

第五章 结论与展望

5．1 工作总结

5．2 主要创新点

5．3 对未来工作的建议

参考文献

附录A：形状特征提取图像

致谢

攻读硕士学位期间发表的学术论文