CN110046578A - 一种基于非下采样剪切波算法的杂草群落识别算法 - Google Patents

一种基于非下采样剪切波算法的杂草群落识别算法 Download PDF

Info

Publication number
CN110046578A
CN110046578A CN201910311037.9A CN201910311037A CN110046578A CN 110046578 A CN110046578 A CN 110046578A CN 201910311037 A CN201910311037 A CN 201910311037A CN 110046578 A CN110046578 A CN 110046578A
Authority
CN
China
Prior art keywords
image
community
sub
lower sampling
shearing wave
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
Application number
CN201910311037.9A
Other languages
English (en)
Inventor
胡波
方华
尚万增
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University of Science and Technology
Original Assignee
Guangxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University of Science and Technology filed Critical Guangxi University of Science and Technology
Priority to CN201910311037.9A priority Critical patent/CN110046578A/zh
Publication of CN110046578A publication Critical patent/CN110046578A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Catching Or Destruction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于非下采样剪切波算法的杂草群落识别算法，将田间图像分解为若干子图，每个子图在1、3、5尺度下用非下采样剪切波算法求取各方向系数的平均值和方差，如果作物群落与杂草群落伴生必然影响图像中各方向系数的稳定性，而光照等环境因素只能影响平均值或方差，不能同时影响平均值和方差两个量。对单个子块图像进行模式识别，判断单个图像是否有伴生杂草群落。通过对图像中所有子块图像的判断结果进行分析，判断杂草群落的长势。在减少单个子块图像误判的基础上，进行是否喷洒除草剂的决策。本发明以决策是否喷洒除草剂为目标，通过多个子块图像识别结果的判断分析减少了因单个子块图像识别误差带来的影响。

Description

一种基于非下采样剪切波算法的杂草群落识别算法
技术领域
本发明涉及的是，具体涉及一种基于非下采样剪切波算法的杂草群落识别算法。
背景技术
现有研究中，针对杂草识别主要是从杂草的位置特征、形状特征、纹理特征、光谱特征对单株杂草出发进行杂草识别。已有研究提取的杂草特征主要是从单株杂草的外形特征出发进行相关研究。特别是对于纹理特征的研究多是从单株杂草的外形特征进行分析。
已有研究从单株杂草出发研究图像特征，与实际田间情况存在差异。一般田间种植过程中，少量的杂草一般不需要喷洒除草剂，作物形成生长优势后，一段时间可以通过抢肥、抢光抑制杂草的生长。所以，田间需要喷洒除草剂的情况一般是在作物群落生长过程中形成了与之伴生的杂草群落，因此田间实际情况（如图1所示）是需要对作物群落是否伴生杂草群落进行识别，而不是区分作物群落与杂草群落。现有研究从单株杂草和作物出发主要研究的是作物群落与杂草群落的区别，离实际应用仍存在较大差异。
在除草剂变量喷洒中，识别是否需要喷洒除草剂成为相关技术开发的前提，在已有研究中通过图像处理技术对田间图像进行杂草识别成为解决这一问题的一个重要发展方向。在已有研究中，对于杂草的识别多是从杂草的位置特征、形状特征、纹理特征、光谱特征对单株杂草出发进行杂草识别。本发明从作物群落生长过程中是否有伴生杂草群落出现出发，拟从识别是否存在杂草群落进行是否需要喷洒除草剂的工作。
综上所述，本发明设计了一种基于非下采样剪切波算法的杂草群落识别算法。
发明内容
针对现有技术上存在的不足，本发明目的是在于提供一种基于非下采样剪切波算法的杂草群落识别算法，提出以作物生长过程中，田间图像中作物群落是否出现了伴生杂草群落为研究对象。根据伴生杂草群落出现，必然影响图像的纹理特征，提出引入非下采样剪切波算法求取各方向系数的平均值和方差作为特征值描述图像是否存在伴生杂草群落。
为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于非下采样剪切波算法的杂草群落识别算法，包括以下步骤：
（1）通过RGB空间超绿特征（2G-R-B）或HIS空间的H特征将田间图像灰度化；
（2）将灰度图像分解为n×m个子块图像；
（3）每个子块图像在1、3、5尺度下用非下采样剪切波算法求取各方向系数的平均值和方差作为特征值；
（4）采用判别分析法或k近邻法对每个字块图像进行模式识别判断是否有杂草群落；
（5）对图像中所有子块图像的判断结果进行综合判断杂草群落是否需要喷洒农药。
本发明具有以下有益效果：
（1）本发明以作物群落是否伴生杂草群落为研究对象，而与传统研究杂草群落与作物群落差异的区别不同，从而提出采用非下采样剪切波算法描述作物群落因出现伴生杂草群落带来的变化。特征值选用各方向系数平均值和方差，减少了因光照等环境因素影响导致的特征值变化，能更好的表征伴生杂草群落出现带来的图像纹理变化。
（2）本发明提出将图像分解为多个子块图像进行模式识别，然后对所有子块的识别结果进行分析，从而进行是否喷洒除草剂的决策。已有技术以识别杂草为目标不同，本发明以决策是否喷洒除草剂为目标，通过多个子块图像识别结果的判断分析减少了因单个子块图像识别误差带来的影响。
附图说明
下面结合附图和具体实施方式来详细说明本发明；
图1为本发明的背景技术的田间实际情况图；
图2为本发明的田间图像灰化示意图；
图3为本发明的灰度图像分解成n×m个子块图像示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参照图2-3，本具体实施方式采用以下技术方案：一种基于非下采样剪切波算法的杂草群落识别算法，包括以下步骤：
（1）通过RGB空间超绿特征（2G-R-B）或HIS空间的H特征将田间图像灰度化；
（2）将灰度图像分解为n×m个子块图像；如图3所示，分解为4×5个子块图像。
（3）每个子块图像在1、3、5尺度下用非下采样剪切波算法求取各方向系数的平均值和方差作为特征值；
（4）采用判别分析法或k近邻法对每个字块图像进行模式识别判断是否有杂草群落；
（5）对图像中所有子块图像的判断结果进行综合判断杂草群落是否需要喷洒农药。
本具体实施方式中的非下采样剪切波算法是指在剪切波变换的基础上实现的,复合了小波概念且利用具有合成膨胀的仿射系统原理，同时结合几何和多尺度分析的方法，是一种常见的图像纹理识别算法。杂草群落指以田间作物种植过程中杂草是否取得一定的生长空间，在田间作物群落的生长过程中，形成与之伴生的杂草群落，不指单株杂草。
本具体实施方式将田间图像分解为若干子图，每个子图在1、3、5尺度下用非下采样剪切波算法求取各方向系数的平均值和方差，如果作物群落与杂草群落伴生必然影响图像中各方向系数的稳定性，而光照等环境因素只能影响平均值或方差，不能同时影响平均值和方差两个量。对单个子块图像进行模式识别，判断单个图像是否有伴生杂草群落。通过对图像中所有子块图像的判断结果进行分析，判断杂草群落的长势。在减少单个子块图像误判的基础上，进行是否喷洒除草剂的决策。
田间杂草识别技术一直是开发变量喷洒除草剂实用设备的难点，已有研究以识别杂草为目标，主要从作物群落与杂草群落的区别出发寻找图像特征，实验中多采用单株作物和杂草进行特征提取，这与田间实际情况差别较大。因此，针对本发明提出的以作物群落是否出现伴生杂草群落为研究对象，并以是否喷洒除草剂为研究目标，已有技术中不存在替代方案。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种基于非下采样剪切波算法的杂草群落识别算法，其特征在于，包括以下步骤：
(1)通过RGB空间超绿特征(2G-R-B)或HIS空间的H特征将田间图像灰度化；
(2)将灰度图像分解为n×m个子块图像；
(3)每个子块图像在1、3、5尺度下用非下采样剪切波算法求取各方向系数的平均值和方差作为特征值；
(4)采用判别分析法或k近邻法对每个字块图像进行模式识别判断是否有杂草群落；
(5)对图像中所有子块图像的判断结果进行综合判断杂草群落是否需要喷洒农药。
CN201910311037.9A 2019-04-18 2019-04-18 一种基于非下采样剪切波算法的杂草群落识别算法 Pending CN110046578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910311037.9A CN110046578A (zh) 2019-04-18 2019-04-18 一种基于非下采样剪切波算法的杂草群落识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910311037.9A CN110046578A (zh) 2019-04-18 2019-04-18 一种基于非下采样剪切波算法的杂草群落识别算法

Publications (1)

Publication Number Publication Date
CN110046578A true CN110046578A (zh) 2019-07-23

Family

ID=67277686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910311037.9A Pending CN110046578A (zh) 2019-04-18 2019-04-18 一种基于非下采样剪切波算法的杂草群落识别算法

Country Status (1)

Country Link
CN (1) CN110046578A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101961003A (zh) * 2010-08-10 2011-02-02 江苏大学 一种精确对靶喷药除草装置
CN105139367A (zh) * 2015-07-27 2015-12-09 中国科学院光电技术研究所 一种基于非下采样剪切波的可见光偏振图像融合方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101961003A (zh) * 2010-08-10 2011-02-02 江苏大学 一种精确对靶喷药除草装置
CN105139367A (zh) * 2015-07-27 2015-12-09 中国科学院光电技术研究所 一种基于非下采样剪切波的可见光偏振图像融合方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴兰兰等: "一种从土壤背景中分离出作物的图像分割方法", 《湖北农机化》 *
曹晶晶等: "基于纹理和位置特征的麦田杂草识别方法", 《农业机械学报》 *
王海华等: "基于剪切波变换和无人机麦田图像的区域杂草识别方法", 《农业工程学报》 *
魏远远等: "基于NSST和MCM纹理特征提取算法", 《大学数学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
Liang et al. A visual detection method for nighttime litchi fruits and fruiting stems
Zhang et al. Branch detection for apple trees trained in fruiting wall architecture using depth features and Regions-Convolutional Neural Network (R-CNN)
CN102789579B (zh) 基于计算机视觉技术的温室作物水肥胁迫状态识别方法
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
CN104331682B (zh) 一种基于傅里叶描述子的建筑物自动识别方法
CN110837768B (zh) 一种面向珍稀动物保护的在线检测与识别方法
CN105608692B (zh) 基于反卷积网络和稀疏分类的极化sar图像分割方法
CN108855988A (zh) 基于机器视觉的核桃仁分级方法及核桃仁分级装置
CN106327467A (zh) 一种苹果采摘机器人目标果实快速跟踪识别方法
Li et al. Multi-class detection of kiwifruit flower and its distribution identification in orchard based on YOLOv5l and Euclidean distance
CN109115770A (zh) 一种大范围农作物遥感监测方法及装置
CN109711317A (zh) 基于区域特征的成熟柑橘果实及枝叶的分割识别方法
CN104751117A (zh) 一种用于采摘机器人的莲蓬目标图像识别方法
CN103729621B (zh) 基于叶片骨架模型的植物叶片图像自动识别方法
CN105893977A (zh) 一种基于自适应特征选择的水稻制图方法
CN102542560A (zh) 一种水稻移栽后密度自动检测的方法
CN110046578A (zh) 一种基于非下采样剪切波算法的杂草群落识别算法
Zhang et al. Citrus canker detection based on leaf images analysis
CN106772572B (zh) 一种微地震监测初至的拾取方法
Liu et al. An improved lightweight network based on deep learning for grape recognition in unstructured environments
CN106980864B (zh) 一种基于支持样本间接式的行人再识别方法
Sakthiprasad et al. A Survey on Machine Learning in Agriculture-background work for an unmanned coconut tree harvester
CN112183164A (zh) 一种监控视频下的行人属性识别方法
CN115984625A (zh) 一种复杂背景下的柑橘病害机器视觉识别方法
CN105866040B (zh) 基于测线图的水稻白叶枯病高光谱图像降维方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190723