CN109376728A - 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 - Google Patents
一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 Download PDFInfo
- Publication number
- CN109376728A CN109376728A CN201811620704.3A CN201811620704A CN109376728A CN 109376728 A CN109376728 A CN 109376728A CN 201811620704 A CN201811620704 A CN 201811620704A CN 109376728 A CN109376728 A CN 109376728A
- Authority
- CN
- China
- Prior art keywords
- weeds
- paddy field
- neural network
- image
- color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多特征融合和BP神经网络的稻田杂草识别方法,首先是基于图像处理技术对稻田杂草的多种类特征进行提取;然后将这些特征融合作为BP神经网络的输入数据进行训练与检测;最后采用训练完的BP网络分类器对新的杂草进行辨识;多种类特征包括颜色、形态和纹理三类特征;BP神经网络,看作输入杂草的多种类特征参数到输出对应杂草类别的非线性映射。还涉及一种基于多特征融合和BP神经网络的稻田杂草识别方法的应用。本发明可实现对稻田杂草的位置、密度和种类精准辨别;可对复杂水稻田环境下的杂草进行精确快速地识别,解决了目前稻田杂草识别速度慢、准确率低的问题,属于农业机械智能识别领域。
Description
技术领域
本发明属于农业机械智能识别领域,具体涉及一种基于多特征融合和BP神经网络的稻田杂草识别方法及其应用。
背景技术
稻田杂草对水稻的生长及产量会产生影响。杂草的适应性以及繁殖力强,会与水稻争夺养分、水分、阳光以及生长空间,妨碍其通风、透气,影响土壤表层的温度,直接造成农作物严重减产,更不利于土壤的可持续利用。为了维持水稻的高产,去除杂草是十分必要的。目前,杂草防除的方法除人力除草外,主要有化学除草和机械除草。化学除草有着节省劳力、除草及时、经济效益高、适合大面积作业等优势,己经成为现代农业主要的除草方式,但靠大面积喷洒化学除草剂会带来的环境污染问题。机械式除草具有环境友好,疏松土质等优点,但不具备根据杂草类型、分布密度等特点施以差异化的机械防除。因此,田间杂草的自动识别是实现设计精准式变量喷洒除草或智能化除草机的前提。
综合国内外对杂草识别的文献可知,对稻田杂草的精确、快速、自动识别是精准化、智能化除草的前提。国内外,有许多学者都进行过研究并发表了大量论文和成果。但目前大多数杂草识别方法,只能适合旱田杂草、农作物与杂草特征差别较大的情况。还有一些识别方法受水稻田背景反光、禾本科杂草与水稻形态相似、环境因素等复杂因素影响,杂草识别的准确度不高,无法达到实际应用的需要。
为解决上述问题,本发明提出了一种基于多特征融合和BP神经网络的稻田杂草识别方法及其应用。本发明可对复杂水稻田环境下的杂草进行精确快速地识别,可解决目前稻田杂草识别速度慢、准确率低的问题。
发明内容
针对现有技术中存在的技术问题,本发明的目的是:提供一种有效提高识别速度和准确率的基于多特征融合和BP神经网络的稻田杂草识别方法及其应用。
为了达到上述目的,本发明采用如下技术方案:
一种基于多特征融合和BP神经网络的稻田杂草识别方法,首先是基于图像处理技术对稻田杂草的多种类特征进行提取;然后将这些特征融合作为BP神经网络的输入数据进行训练与检测;最后采用训练完的BP网络分类器对新的杂草进行辨识;多种类特征包括颜色、形态和纹理三类特征;BP神经网络,看作输入杂草的多种类特征参数到输出对应杂草类别的非线性映射。
一种基于多特征融合和BP神经网络的稻田杂草识别方法,具体包括以下步骤:s1,图像采集;s2,图像预处理;s3,多特征提取;s4,BP神经网络设计;s5,BP网络分类器训练;s6,BP网络分类器检测;s7,训练后的BP网络分类器对新杂草图像识别。
步骤s1中,图像采集是采用两个高清摄像头,成左右互补对称安装在作业机具上;工作时沿作物行进行拍摄,获得高清图像。
步骤s2中,图像预处理包括:使用颜色因子灰度化、滤波处理、阈值分割二值化和形态学后处理;颜色因子灰度化为使用G-R颜色因子对图像灰度化,分割杂草和水田背景,获得灰度化图像;滤波处理为使用中值滤波,滤除背景杂噪音,获得滤波后的图像;阈值分割二值化为采用0.15固定阈值分割图像,获得二值化图像;形态学后处理为通过使用腐蚀、膨胀和菱形结构闭运算,获得适合特征提取的最终图像。
步骤s3中,多特征提取包括,通过预处理后图像,对杂草颜色、形态和纹理这三类特征进行提取;颜色特征具有旋转、尺度和平移不变性优点;形态特征包括杂草的形状参数,与人的视觉感知系统具有关联性;纹理特征是反映像素空间分布的区域特征,也是杂草颜色和形态特征另一重要特征的补充;颜色特征提取是提取图像RGB和HSV颜色空间模型下R、G、B、H、S颜色分量的一阶矩、二阶矩及三阶矩的颜色矩特征;形态特征提取,包括面积、周长、长度、宽度基本形状参数提取;以及通过基本形状参数计算得到的分散度、致密度、宽长比、圆型度、伸长度的无量纲几何形态特征提取;纹理特征提取,基于灰度共生矩阵,将对比度、能量、同质性、相关性、均值、标准差、平滑度、三阶矩、一致性及纹理特征提取。
步骤s4中,BP神经网络设计,具体步骤包括:1)输入结点个数确定;2)隐含层结点个数确定;3)输出结点的个数确定;4)学习速率的选择;5)期望误差的选取。
步骤s5中,BP网络分类器训练,随机抽取预处理后的图像样本中的80%作为训练样本,对BP网络分类器进行训练;输入数据时利用归一化处理,加快BP神经网络学习时收敛速度。
步骤s6中,BP网络分类器检测,预处理后的图像样本中80%作为训练样本,剩余的20%作为检测样本,对训练后的BP网络分类器进行仿真测试;1)若准确率不满足要求,则继续对BP网络分类器进行反馈,增加样本继续训练;2)若识别速度不满足要求,则重新设计或优化BP神经网络;3)若两者满足要求,则完成对BP网络分类器检测。
步骤s7中,训练后的BP网络分类器对新杂草图像识别,通过安装在作业机具上的高清摄像头,获得新杂草图像,通过预处理后,输入到完成训练后的BP网络分类器,实现对稻田杂草的位置、密度和种类精准辨别。
一种基于多特征融合和BP神经网络的稻田杂草识别方法的应用,应用于复杂水稻田环境下的杂草识别。
总的说来,本发明具有如下优点:
(1)本发明可实现对稻田杂草的位置、密度和种类精准辨别;可对复杂水稻田环境下的杂草进行精确快速地识别,解决了目前稻田杂草识别速度慢、准确率低的问题。
(2)本发明采用BP神经网络,提高了杂草识别准确率,最大识别时间短,满足了实际应用的需要。
(3)本发明为精准变量喷洒除草或智能机械除草机的设计奠定了基础,具有推广实用意义。
附图说明
图1为本发明作业流程图。
图2为本发明图像采集示意图。
图3为本发明图像预处理流程图。
图4为本发明BP神经网络示意图。
图2中,1为摄像头,2为杂草,3为秧苗。
图4中,M11为R颜色分量的一阶矩,M12为R颜色分量的二阶矩,M13为R颜色分量的三阶矩,A为叶片的面积,E为伸长度,Ccon对比度、Hho同质性等。
Ccon
具体实施方式
下面将结合具体实施方式来对本发明做进一步详细的说明。
一种基于多特征融合和BP神经网络的稻田杂草识别方法,首先是基于图像处理技术对稻田杂草的多种类特征进行提取;然后将这些特征融合作为BP神经网络的输入数据进行训练与检测;最后采用训练完的BP网络分类器对新的杂草进行辨识;多种类特征包括颜色、形态和纹理三类特征;BP神经网络,看作输入杂草的多种类特征参数到输出对应杂草类别的非线性映射。
一种基于多特征融合和BP神经网络的稻田杂草识别方法,具体包括以下步骤:s1,图像采集;s2,图像预处理;s3,多特征提取;s4,BP神经网络设计;s5,BP网络分类器训练;s6,BP网络分类器检测;s7,训练后的BP网络分类器对新杂草图像识别。
步骤s1:
如图2所示,使用两个高清摄像头成左右互补对称安装在作业机具上,沿作物行进拍摄,获得左、右互相补偿的(分辨率640×480像素)高清图像,图像背景和光照条件都不同,背景包括有水、泥土、阴影和秸秆,光照条件有太阳直射、斜射、阴天和多云。采集摄像头为室外高清摄像头(品牌萤石,型号C3A,清晰度1080p,镜头大小规格:2.8mm),安装在田间管理除草机器上。
步骤s2:
在获得(分辨率640×480像素)高清稻田杂草图像后,对其进行如图3所示预处理。首先,使用G-R颜色因子对图像灰度化,分割杂草和水田背景,获得灰度化图像。然后,使用中值滤波,滤除背景杂噪音,获得滤波后图像。接着,采用0.15阈值分割图像,获得二值化图像。最后使用腐蚀、膨胀、菱形结构闭运算等形态学运算,除去背景上会出现噪声点,最终获得适合特征提取的图像。
步骤s3:
从预处理后的图像中,分别提取叶片的颜色、形态、纹理三类特征。
颜色特征,提取图像RGB和HSV颜色空间模型下R、G、B、H、S颜色分量的一阶矩、二阶矩及三阶矩的颜色矩特征,总15个颜色特征。计算公式:
式中Mi1、Mi2和Mi3表示颜色的一阶矩、二阶矩和三阶矩,N表示图像中像素的个数,Pij表示RGB图像中第i个颜色通道分量中灰度的像素出现的概率。
形态特征,提取叶片的面积A、周长P、长度L和宽度W基本形状4个参数,并计算得到的伸长度E、圆型度R、分散度C和致密度D等4个无量纲几何形态特征以及原始图像、缩小一半、水平反转、旋转45°的4个不变矩等共12个形态特征,计算公式:
纹理特征,在灰度共生矩阵上,可提取10种纹理特征参数,其中对比度Ccon、相关性Ccor、能量Eener和同质性Hho是最重要的4个纹理特征,计算公式:
式中
式中,μx、μy和σx、σy分别是相应的边缘分布的标准差和均值。
步骤s4:
如图4所示,BP神经网络示意图。具体设计步骤包括:
1.输入结点个数确定,颜色特征参数有15个,形态特征有16个,纹理特征有10个,总共36个特征,优选地,故输入神经结点个数为36个。
2.隐含层结点个数确定,采用最小二乘法拟合值为隐含层结点个数,并在试验基础上进行调整,以确定隐含层结点个数;计算公式为:
式中结果取整,其中N代表隐含层结点单个数、I代表输入层结点个数,O代表输出层结点个数。
通过计算完整,优选地,隐含层结点个数为3。
3.输出结点的个数确定,由于华南稻区常规恶性杂草有6种,分别是空心莲子草、丁香蓼、鳢肠、野慈姑、稗草、千金子。优选地,优选地,输出结点个数为6个。
4.学习速率的选择,学习速率决定了每次循环训练的权值变化。优选地,初试学习速率设置为0.001,训练时采用自适应学习速率方法,以提高训练速度。
5.期望误差的选取,根据隐含层的结点个数来确定期望误差值,优选地,目标误差值选择为0.005。
步骤s5:
BP网络分类器训练,优选地,利用MATLAB的人工神经网络工具箱构建一个BP网络杂草识别系统。输入矢量P为杂草叶片的颜色、形态和纹理36个特征,目标输出矢量含有6个,代表6种不同的稻田杂草。隐含层激活函数选取tansig,输出层激活函数为logsig,网络输出限制在0-1之间。优选地,通过learndgm学习函数确定学习率为0.01、动量因子为0.75,利用神经网络专业软件Neural Shell2学习函数进行训练与检测。从步骤二获取幅稻田杂草二值图像中,选取80%作为训练样本。将每个样本的36个参数特征值作为神经网络的输入信号进行训练。当网络输出小于0.01时一设置为0,当输出大于0.99时设置输出为1。将网络的输入和输出反复作用于网络并调整其权值,使达到最小,以便实现从输入到输出的非线性映射。
步骤s6:
BP网络分类器检测,用剩余20%样本对神经网络仿真测试。提取特征参数后输入训练好的BP神经,测定平均测试正确率和平均仿真测试时间。若识别率不满足要求,则增加训练样本,重复步骤s5;若识别速度不满足要求,则优化BP神经网络,重复步骤s4;若两者满足要求,则完成对BP网络分类器检测,进入步骤s7。本次测得平均正确识别率为91.3%,最高正确识别率达98.5%,测试时间为30.1ms,最大识别时间为50.2ms。满足要求,具有较强的识别能力。
步骤s7:
训练后的BP网络分类器对新杂草图像识别,通过摄像头获得新杂草高清图像(分辨率640×480像素),经预处理、提取和计算特征参数后,输入到训练后的BP网络分类器对杂草进行识别。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于多特征融合和BP神经网络的稻田杂草识别方法,其特征在于:首先是基于图像处理技术对稻田杂草的多种类特征进行提取;然后将这些特征融合作为BP神经网络的输入数据进行训练与检测;最后采用训练完的BP网络分类器对新的杂草进行辨识;多种类特征包括颜色、形态和纹理三类特征;BP神经网络,看作输入杂草的多种类特征参数到输出对应杂草类别的非线性映射。
2.按照权利要求1所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法,其特征在于:具体包括以下步骤:s1,图像采集;s2,图像预处理;s3,多特征提取;s4,BP神经网络设计;s5,BP网络分类器训练;s6,BP网络分类器检测;s7,训练后的BP网络分类器对新杂草图像识别。
3.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法,其特征在于:步骤s1中,图像采集是采用两个高清摄像头,成左右互补对称安装在作业机具上;工作时沿作物行进行拍摄,获得高清图像。
4.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法,其特征在于:步骤s2中,图像预处理包括:使用颜色因子灰度化、滤波处理、阈值分割二值化和形态学后处理;颜色因子灰度化为使用G-R颜色因子对图像灰度化,分割杂草和水田背景,获得灰度化图像;滤波处理为使用中值滤波,滤除背景杂噪音,获得滤波后的图像;阈值分割二值化为采用0.15固定阈值分割图像,获得二值化图像;形态学后处理为通过使用腐蚀、膨胀和菱形结构闭运算,获得适合特征提取的最终图像。
5.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法,其特征在于:步骤s3中,多特征提取包括,通过预处理后图像,对杂草颜色、形态和纹理这三类特征进行提取;颜色特征具有旋转、尺度和平移不变性优点;形态特征包括杂草的形状参数,与人的视觉感知系统具有关联性;纹理特征是反映像素空间分布的区域特征,也是杂草颜色和形态特征另一重要特征的补充;颜色特征提取是提取图像RGB和HSV颜色空间模型下R、G、B、H、S颜色分量的一阶矩、二阶矩及三阶矩的颜色矩特征;形态特征提取,包括面积、周长、长度、宽度基本形状参数提取;以及通过基本形状参数计算得到的分散度、致密度、宽长比、圆型度、伸长度的无量纲几何形态特征提取;纹理特征提取,基于灰度共生矩阵,将对比度、能量、同质性、相关性、均值、标准差、平滑度、三阶矩、一致性及纹理特征提取。
6.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法,其特征在于:步骤s4中,BP神经网络设计,具体步骤包括:1)输入结点个数确定;2)隐含层结点个数确定;3)输出结点的个数确定;4)学习速率的选择;5)期望误差的选取。
7.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法,其特征在于:步骤s5中,BP网络分类器训练,随机抽取预处理后的图像样本中的80%作为训练样本,对BP网络分类器进行训练;输入数据时利用归一化处理,加快BP神经网络学习时收敛速度。
8.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法,其特征在于:步骤s6中,BP网络分类器检测,预处理后的图像样本中80%作为训练样本,剩余的20%作为检测样本,对训练后的BP网络分类器进行仿真测试;1)若准确率不满足要求,则继续对BP网络分类器进行反馈,增加样本继续训练;2)若识别速度不满足要求,则重新设计或优化BP神经网络;3)若两者满足要求,则完成对BP网络分类器检测。
9.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法,其特征在于:步骤s7中,训练后的BP网络分类器对新杂草图像识别,通过安装在作业机具上的高清摄像头,获得新杂草图像,通过预处理后,输入到完成训练后的BP网络分类器,实现对稻田杂草的位置、密度和种类精准辨别。
10.按照权利要求1至9中任一项所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法的应用,其特征在于:应用于复杂水稻田环境下的杂草识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811620704.3A CN109376728A (zh) | 2018-12-28 | 2018-12-28 | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811620704.3A CN109376728A (zh) | 2018-12-28 | 2018-12-28 | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376728A true CN109376728A (zh) | 2019-02-22 |
Family
ID=65372017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811620704.3A Pending CN109376728A (zh) | 2018-12-28 | 2018-12-28 | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376728A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057291A (zh) * | 2019-05-26 | 2019-07-26 | 苏州大学 | 园林绿化工程中乔灌植物规格的施工验收方法 |
CN110232345A (zh) * | 2019-06-06 | 2019-09-13 | 塞伯睿机器人技术(长沙)有限公司 | 使用计算机生成杂草识别模型的程序和杂草识别装置 |
CN110457989A (zh) * | 2019-06-19 | 2019-11-15 | 华南农业大学 | 基于卷积神经网络提取多维度扩展特征的稻田杂草识别方法 |
CN110502978A (zh) * | 2019-07-11 | 2019-11-26 | 哈尔滨工业大学 | 一种基于bp神经网络模型的激光雷达波形信号分类方法 |
CN110598516A (zh) * | 2019-06-19 | 2019-12-20 | 华南农业大学 | 基于随机森林的多方位分层采集组合稻田杂草识别方法 |
CN110765927A (zh) * | 2019-10-21 | 2020-02-07 | 广西科技大学 | 一种植被群落中伴生杂草的识别方法 |
CN110827299A (zh) * | 2019-11-07 | 2020-02-21 | 陕西师范大学 | 一种基于哈里斯鹰优化算法的图像分割方法 |
CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
CN111881922A (zh) * | 2020-07-28 | 2020-11-03 | 成都工业学院 | 一种基于显著性特征的绝缘子图像识别方法及系统 |
CN112036470A (zh) * | 2020-08-28 | 2020-12-04 | 扬州大学 | 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法 |
CN112329506A (zh) * | 2020-07-15 | 2021-02-05 | 宁夏工商职业技术学院(宁夏化工技工学校、宁夏机电工程学校、宁夏农业机械化学校) | 枸杞采摘机器人的果实识别方法及系统、定位方法及系统 |
CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184392A (zh) * | 2011-05-25 | 2011-09-14 | 中国水稻研究所 | 基于dsp的水稻杂草识别系统及其识别方法 |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
-
2018
- 2018-12-28 CN CN201811620704.3A patent/CN109376728A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184392A (zh) * | 2011-05-25 | 2011-09-14 | 中国水稻研究所 | 基于dsp的水稻杂草识别系统及其识别方法 |
CN106446942A (zh) * | 2016-09-18 | 2017-02-22 | 兰州交通大学 | 基于增量学习的农作物病害识别方法 |
Non-Patent Citations (2)
Title |
---|
T.F.BURKS等: "Evaluation of Neural-network Classifiers for Weed Species Discrimination", 《BIOSYSTEMS ENGINEERING》 * |
张正昊: "基于图像处理的牧草形状特征提取与识别系统设计", 《信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110057291A (zh) * | 2019-05-26 | 2019-07-26 | 苏州大学 | 园林绿化工程中乔灌植物规格的施工验收方法 |
CN110232345A (zh) * | 2019-06-06 | 2019-09-13 | 塞伯睿机器人技术(长沙)有限公司 | 使用计算机生成杂草识别模型的程序和杂草识别装置 |
CN110457989A (zh) * | 2019-06-19 | 2019-11-15 | 华南农业大学 | 基于卷积神经网络提取多维度扩展特征的稻田杂草识别方法 |
CN110598516A (zh) * | 2019-06-19 | 2019-12-20 | 华南农业大学 | 基于随机森林的多方位分层采集组合稻田杂草识别方法 |
CN110502978A (zh) * | 2019-07-11 | 2019-11-26 | 哈尔滨工业大学 | 一种基于bp神经网络模型的激光雷达波形信号分类方法 |
CN110765927A (zh) * | 2019-10-21 | 2020-02-07 | 广西科技大学 | 一种植被群落中伴生杂草的识别方法 |
CN110827299A (zh) * | 2019-11-07 | 2020-02-21 | 陕西师范大学 | 一种基于哈里斯鹰优化算法的图像分割方法 |
CN110827299B (zh) * | 2019-11-07 | 2022-12-09 | 陕西师范大学 | 一种基于哈里斯鹰优化算法的图像分割方法 |
CN111339954A (zh) * | 2020-02-27 | 2020-06-26 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
CN112329506A (zh) * | 2020-07-15 | 2021-02-05 | 宁夏工商职业技术学院(宁夏化工技工学校、宁夏机电工程学校、宁夏农业机械化学校) | 枸杞采摘机器人的果实识别方法及系统、定位方法及系统 |
CN111881922A (zh) * | 2020-07-28 | 2020-11-03 | 成都工业学院 | 一种基于显著性特征的绝缘子图像识别方法及系统 |
CN111881922B (zh) * | 2020-07-28 | 2023-12-15 | 成都工业学院 | 一种基于显著性特征的绝缘子图像识别方法及系统 |
CN112036470A (zh) * | 2020-08-28 | 2020-12-04 | 扬州大学 | 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法 |
CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
CN114749342B (zh) * | 2022-04-20 | 2023-09-26 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376728A (zh) | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
Anand et al. | An application of image processing techniques for detection of diseases on brinjal leaves using k-means clustering method | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN106951836A (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN102214306B (zh) | 叶片病斑识别方法及装置 | |
CN107844797A (zh) | 一种基于深度图像的哺乳母猪姿态自动识别的方法 | |
CN103530643A (zh) | 基于农作物行间自动识别技术的农药定位喷洒方法及系统 | |
CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
Xu et al. | Recognition method for apple fruit based on SUSAN and PCNN | |
CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
CN109934256A (zh) | 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法 | |
CN110457989A (zh) | 基于卷积神经网络提取多维度扩展特征的稻田杂草识别方法 | |
CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
CN108596195A (zh) | 一种基于稀疏编码特征提取的场景识别方法 | |
Ramesh et al. | Comparison and analysis of Rice Blast disease identification in Greenhouse Controlled Environment and Field Environment using ML Algorithms | |
CN109190571A (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
Kumar et al. | An identification of crop disease using image segmentation | |
Wang et al. | Accurate detection and precision spraying of corn and weeds using the improved YOLOv5 model | |
CN110363103A (zh) | 虫害识别方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |
|
RJ01 | Rejection of invention patent application after publication |