基于机器视觉的杂草对准喷药控制系统研究

摘要

化学除草剂的使用方式普遍为粗放式的大面积喷洒,一方面容易造成人身伤害,另一方面因为喷药时不是精确对准目标物,往往也喷在了无目标的土壤上。这种喷药方式不仅浪费了农药,还造成了生态环境危害,增加了作物的农药残留量,随着农药的大量使用,其残留在农作物和土壤中的农药对人身和环境的危害也与日俱增,这跟现代农业要求精准高效、绿色环保的要求是背道而驰的。为了减少成本和保护环境,人们开展了除草剂的精确喷药技术的研究,希望替代传统的大面积喷药技术,以降低人的劳动强度,提高药效和保护农田环境。 杂草在田间的分布是随机的,不均匀的,而且具有簇生性。正是这种杂草分布的不连续性,为精确施药技术的可行性提供了依据。因为条播作物的行距基本恒定,条播作物都成行排列,从而有利于基于机器视觉的杂草识别,在总结国内外相关研究的基础上,本文以条播作物-小麦为主要研究对象,设计和开发了基于机器视觉的杂草对准喷药控制系统.本文的主要研究内容如下： 1.研究了基于颜色特征的图像背景分割,对十三个分割因子就分割质量和分割所需的时间进行了对比研究。通过研究发现过绿的2G-R-B是最佳的分割因子。 2.自动取闽值法分割图像能够大大提高图像处理的实时性,本文设计了最大类间方差和最小错误率相结合的自动取阈值算法,并与最大方差自动取阈值法和最小错误率自动取阈值法进行了对比研究,实验证明该算法好于其它两个算法。 3.针对杂草类植物的形态结构具有自相似特征,研究了杂草整体形态和杂草叶的分形特征,设计了计算分形维数的算法和程序,对杂草分形维数的分析显示,运用杂草的分形维数能够有效地识别杂草。 4.本文分析和讨论了基于灰度共生矩阵的纹理统计值的计算方法以及在不同光照条件下的杂草和麦苗的纹理统计值,结果显示杂草和麦苗的纹理统计值对光照不是很敏感,能够运用杂草和麦苗的纹理统计值识别杂草。 5.针对条播作物的行距基本恒定,条播作物都成行排列的位置特征,本文着重研究了作物中心行的提取方法,设计了改进的像素直方图法提取作物中心行的算法。通过分段提取作物中心行,有效地提高了算法的田间适应度。还研究了另外三种提取作物中心行的方法。 6.针对人工神经网络在模式识别上的优势,设计了三层BP人工神经网络,并运用三层BP人工神经网络进行了杂草识别的实验。结果显示,无论是基于纹理还是基于分形,运用人工神经网络都能够很好地识别杂草。 7.设计和开发了基于机器视觉的麦田除草剂对准喷药控制系统,该系统的视觉子系统首先用过绿的2G-R-B进行植物与土壤背景的分割,其次用改进像素直方图法识别作物中心行,用阈值法识别行间杂草区域,用BP神经网络基于分形和纹理的共同特征识别行内杂草区域,设计并开发了计算机与PLC的通信程序,设计了PLC的运行程序。设计并装配了喷药执行系统。 8.在校园里的一块水泥地上的模拟麦田进行了除草剂的对准杂草喷药控制的实验,实验结果表明喷头能够有选择地对准杂草区域喷药。

目录

文摘

英文文摘

论文说明：图表目录

声明

第一章绪论

1.1机器视觉在农业中的应用

1.2课题研究的背景及意义

1.2.1我国喷药技术的现状及存在的问题

1.2.2除草剂精确施药的研究背景及意义

1.3除草剂精确施药技术简介

1.4杂草识别的方法

1.4.1人工识别

1.4.2遥感识别

1.4.3计算机视觉技术识别方法

1.4.4地面传感器识别方法

1.5除草剂精确施药技术的国内外研究状况

1.5.1国外的研究状况

1.5.2国内的研究状况

1.6除草剂精确施药技术实施的难点和须解决的核心困难

1.6.1杂草识别

1.6.2精确施药系统的运行速度

1.6.3流量控制

1.7研究内容和技术路线

1.7.1研究内容

1.7.2技术路线

参考文献

第二章绿色植物与土壤背景的分割

2.1背景分割的有关概念和方法

2.2基于颜色特征的绿色植物与土壤背景的分割

2.2.1图像分割的几种常用的颜色模型

2.2.2试验方法和试验材料

2.2.3分割结果与分析

2.3基于自动取阈值的背景分割

2.3.1图像的二值化

2.3.2最大类间方差自动取阈值法

2.3.3最小错误自动取阈值法

2.3.4基于最大类间方差和最小错误相结合的阈值法

2.3.5图像采集与处理

2.3.6分割结果与分析

2.4结论

2.5本章小结

参考文献

第三章杂草识别特征的提取

3.1分形特征

3.1.1杂草叶的分形特征

3.1.2整株麦苗和杂草的分形特征

3.1.3结论

3.2纹理特征

3.2.1空间灰度共生矩阵

3.2.2纹理特征值的计算与分析

3.3位置特征

3.3.1改进的像素直方图法识别条播作物中心行

3.3.2质心法识别作物中心行

3.3.3低通滤波法识别作物中心行

3.3.4直线拟合法识别作物中心行

3.3.5四种识别作物中心行方法的比较

3.4本章小结

参考文献

第四章基于人工神经网络的杂草的分类与识别

4.1引言

4.2人工神经网络在模式识别上的特点

4.2.1固有的并行结构和并行处理

4.2.2知识的分布存储

4.2.3容错性

4.2.4自适应性

4.2.5模式识别能力

4.3人工神经网络结构

4.3.1人工神经元

4.3.2人工神经网络模型

4.4三层BP神经网络设计

4.4.1BP神经网络设计需要考虑的问题

4.4.2学习算法设计

4.5实验方法

4.5.1基于杂草叶的分形维数的六种杂草分类器设计

4.5.2基于纹理的杂草和麦苗分类器设计

4.5.3基于植株整体分形维数的杂草和麦苗分类器设计

4.5.4基于纹理和分形维数的杂草和麦苗分类器设计

4.6本章小结

参考文献

第五章喷药整体系统设计

5.1视觉系统

5.1.1硬件

5.1.2软件

5.2控制系统

5.2.1施药决策

5.2.2 PLC

5.3喷药执行系统

5.4试验结果与分析

5.4.1试验材料与方法

5.4.2试验结果分析

5.5本章小结

参考文献

第六章结论及建议

6.1主要结论

6.2主要创新点

6.3对今后工作的建议

附录A 攻读博士学位期间发表的论文

致谢