CN110232344B - 使用计算机识别杂草的程序和杂草识别装置 - Google Patents

使用计算机识别杂草的程序和杂草识别装置 Download PDF

Info

Publication number
CN110232344B
CN110232344B CN201910488757.2A CN201910488757A CN110232344B CN 110232344 B CN110232344 B CN 110232344B CN 201910488757 A CN201910488757 A CN 201910488757A CN 110232344 B CN110232344 B CN 110232344B
Authority
CN
China
Prior art keywords
matching
patterns
reliability value
reliability
classifying
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.)
Active
Application number
CN201910488757.2A
Other languages
English (en)
Other versions
CN110232344A (zh
Inventor
吴明毅
杨玉婷
黎玉常
杨鹤帆
张立强
王有鹏
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.)
Seberi Robot Technology Nanjing Co ltd
Original Assignee
Cyberature Robot Technology Changsha Co ltd
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 Cyberature Robot Technology Changsha Co ltd filed Critical Cyberature Robot Technology Changsha Co ltd
Priority to CN201910488757.2A priority Critical patent/CN110232344B/zh
Publication of CN110232344A publication Critical patent/CN110232344A/zh
Application granted granted Critical
Publication of CN110232344B publication Critical patent/CN110232344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Abstract

本发明主要涉及一种使用计算机识别杂草的程序和杂草识别装置，该装置包括摄像机、图像采集卡、处理器和存贮器，还包括执行如下步骤的程序：对采集的草苗图像进行预处理；在处理后的图像中标记所有植株的位置；按位置特征识别出部分杂草；对未识别的植株图样提取光谱特征并分类，在数据库中匹配，根据匹配的相似度给出所有图样可信度值。所述程序还包括对图样提取形状特征及纹理特征信息并分类，在数据库匹配，根据匹配的相似度给出可信度值，这个值与之前的可信度值加权运算，得出一个新的可信度；可信度达到阈值以上的认为匹配成功。本发明提升了系统的实时性和识别的准确率，提高了识别效率。

Description

使用计算机识别杂草的程序和杂草识别装置
技术领域
本发明涉及一种使用计算机识别杂草的程序和杂草识别装置。
背景技术
田间杂草是指那些生长在农田、危害农作物、分布广、非人工有意栽培的草本植物，它是长期适应当地作物、耕作、气候、土壤等生态条件和其它因素而生存下来的，是农业生态系统中的一个组成部分。田间杂草数量众多，种类众多，并且田间杂草会同作物竞争水分和养分，侵占地上和地下空间，影响作物光合作用，干扰作物生长,如不及时控制，会导致作物产量下降、质量受损。
虽然机器视觉已经有了比较成熟的理论，但是，基于机器视觉的田间杂草识别技术还是一个新的应用研究领域。一般，基于机器视觉的杂草识别系统的硬件主要由摄像机、图像采集卡和计算机组成，系统软件主要由绿色植物和土壤背景的分割和不同植物品种的识别两部分组成，所采用的算法根据物体本身的形状、纹理、颜色、多光谱四个特征进行。既可以采用单一特征进行识别，也可综合多种特征进行识别。如何有效表达和利用这些特征是基于机器视觉的田间杂草识别技术的关键所在。
国内外的学者对此进行了多方面的研究和探索，但现有的杂草机器视觉识别技术仍具有如下的缺点：多数研究是在植物单株存在的理想情况下进行的，而在田间环境中，存在着植物叶片的交叠或遮挡问题，作物和杂草叶片交叠在一起图像分割功能的处理显得异常麻烦和困难，正确识别率随着遮挡程度的增强而降低，对杂草识别率造成了很大的影响。
发明内容
本发明要解决的技术问题是提供一种使用计算机识别杂草的程序和杂草识别装置，它们可以提升系统的识别效率。
本发明的使用计算机识别杂草的程序，包括多条指令，其特征是：所述指令适于处理器加载并执行如下步骤：
对采集的草苗图像进行预处理；
在处理后的图像中标记所有植株的位置；
按位置特征识别出部分杂草；
对未识别的植株图样提取光谱特征并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出所有图样一个可信度值；
可信度达到阈值以上的认为匹配成功。
还包括如下步骤：
对图样提取形状特征信息并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出可信度值，这个值与之前的可信度值加权运算，得出一个新的可信度；
可信度达到阈值以上的认为匹配成功。
还包括如下步骤：
对图样提取纹理特征并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出可信度值，这个值与之前的可信度值加权运算，得出一个新的可信度；
可信度达到阈值以上的认为匹配成功。
所述在数据库匹配是指在杂草数据库的相应储存区块进行数据匹配。
所述预处理包括灰度化处理，均值滤波处理和开运算处理。
本发明的杂草识别装置，包括摄像机、图像采集卡、处理器和存贮器，其特征是还包括执行如下步骤的程序：
对采集的草苗图像进行预处理；
在处理后的图像中标记所有植株的位置；
按位置特征识别出部分杂草；
对未识别的植株图样提取光谱特征并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出所有图样一个可信度值；
可信度达到阈值以上的认为匹配成功。
所述程序还包括如下步骤：
对图样提取形状特征信息并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出可信度值，这个值与之前的可信度值加权运算，得出一个新的可信度；
可信度达到阈值以上的认为匹配成功。
所述程序还包括如下步骤：
对图样提取纹理特征并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出可信度值，这个值与之前的可信度值加权运算，得出一个新的可信度；
可信度达到阈值以上的认为匹配成功。
所述图像采集卡基于DSP芯片。
本发明的有益技术效果是: 本发明可依次提取位置特征、光谱特征、形状特征和纹理特征，排除一部分杂草后再进行下一识别步骤，将最难处理和占用时间的纹理处理放在最后，可以减少运算速度较慢的形状和纹理特征提取对资源的占用，提升了系统的实时性和识别的准确率，极大地提高了识别效率；二、本发明的杂草数据库区块匹配，能极大减小匹配运算时间。三、本发明使用DSP芯片的多功能图像卡，对图像识别提供更稳定和快速地硬件支持，基于硬件支持的图像处理功能进一度加强了运算的速度，提高了系统实时性。
附图说明
图1是本发明的使用计算机识别杂草的程序的流程图。
具体实施方式
现结合附图，对本发明的实施例作详细说明。
如图1所示，其为本发明的工作流程，首先通过摄像头捕获农田里的图像信息，为了方便后续处理，利用图像增强技术，对图像进行预处理，预处理过程为：灰度化处理，均值滤波处理，开运算处理。根据预处理结果标记所有植株位置并且得到位置信息，得到多个标记的植株图样，之后的特征提取会依照这些植株图样进行提取。
最简单也是最快速的识别步骤是把非作物区的植株一律视为杂草，如此，根据位置特征就能区分出部分杂草，这一步是整个识别系统的第一种识别，它排除了部分杂草，使后面的识别工作量减轻。一般此时还会有一些和作物生长在一起的杂草未识别出来。
随后对未识别的植株图样进行光谱特征提取，在分类器分类，分类器根据光谱信息的相似度分类，然后根据分类结果在杂草数据库的相应储存区块进行数据匹配。根据匹配的相似度给出所有图样一个可信度的值。可信度达到阈值以上的认为匹配成功，从而得到识别结果，可信度未达阈值的标记可信度，进入形状特征识别。
形状特征识别及纹理特征识别同光谱特征识别相似。不过在进行识别时会加入前面标记的可信度信息进行计算，达到识别更精确的效果。比如，进入形状识别时会提取形状信息，形状信息经过分类后与数据库匹配，得到一个可信度值，这个值会与之前的可信度值加权运算，得出一个新的可信度，判断这个可信度值是否达到阈值以上，排除部分杂草，再进入纹理识别。纹理识别过程同上，也会参考前两次的可信度值，加权运算得出最终结果。
在形状和纹理识别时鉴于现有技术对杂草识别的软件识别时间复杂度高，运算复杂，又多是重复性运算，实时性不强的缺点，在此提出使用DSP芯片的多功能图像卡，对图像识别提供更稳定和快速地硬件支持。基于硬件支持的图像处理功能进一度加强了运算的速度，提高了系统实时性。
在所有特征识别完毕后仍有可信度不超过阈值的可以选择人工矫正，将该植株定义为新植株并且储存入资料库。
以上这种算法综合考虑了“重要程度和“执行效率”，依次提取位置特征、光谱特征、形状特征和纹理特征。将最难处理和占用时间的纹理处理放在最后，排除一部分杂草再进行下一步的识别方法，极大地提高了识别效率和实时性，同时对采集的各种特征在不同的环境下（如不同的作物时期，不同的季节）也具有良好的区分能力。这种算法，不是单纯的按照特定的几种特征全部提取再识别，因为在大多数情况下，位置和光谱特征就能区分出绝大多数杂草，减少了运算速度较慢的形状和纹理特征提取对资源的占用。
杂草数据库区块匹配也能极大减小匹配运算时间。
本发明设计了新的杂草识别流程和区块数据库匹配方法，该方法既提升了算法的实时性，又加强了识别的准确度。在某些图像信息清晰且植物量少时算法用相对简单的位置特征或者光谱特征来识别；在某些复杂情况下某些变异植株的光谱特征相似，难以用实时性强的光谱特征识别时YOLOV2算法会依次加入植株形状和纹理特征来识别。
如果以上特征均不能得出可信的运算结果，则系统会依靠历史识别结果和人工矫正以及系统数据资料给出每个特征的识别结果一个权值进行智能综合计算，根据识别结果计算出最后结果并进行相应的处理。最终计算结果可能是已识别过或者数据库有资料的植物，也可能是新植株。
以上所述仅是本发明的较佳实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (5)

1.一种计算机可读存贮介质，其上存贮有计算机程序，包括多条指令，其特征是：所述指令适于处理器加载并执行如下识别杂草的步骤：
对采集的草苗图像进行预处理；
在处理后的图像中标记所有植株的位置；
按位置特征识别出部分杂草；
对未识别的植株图样进行光谱特征提取，在分类器分类，分类器根据光谱信息的相似度分类，然后根据分类结果在杂草数据库的相应储存区块进行数据匹配，根据匹配的相似度给出所有图样一个可信度的值；
对图样提取形状特征信息并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出可信度值，这个值与之前的可信度值加权运算，得出一个新的可信度；
对图样提取纹理特征并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出可信度值，这个值与之前的可信度值加权运算，得出一个更新的可信度；
可信度达到阈值以上的认为匹配成功。
2.如权利要求1所述的计算机可读存贮介质，其特征是：所述在数据库匹配是指在杂草数据库的相应储存区块进行数据匹配。
3.如权利要求1所述的计算机可读存贮介质，其特征是：所述预处理包括灰度化处理，均值滤波处理和开运算处理。
4.一种杂草识别装置，包括摄像机、图像采集卡、处理器和存贮器，其特征是还包括执行如下步骤的程序：
对采集的草苗图像进行预处理；
在处理后的图像中标记所有植株的位置；
按位置特征识别出部分杂草；
对未识别的植株图样进行光谱特征提取，在分类器分类，分类器根据光谱信息的相似度分类，然后根据分类结果在杂草数据库的相应储存区块进行数据匹配，根据匹配的相似度给出所有图样一个可信度的值；
对图样提取形状特征信息并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出可信度值，这个值与之前的可信度值加权运算，得出一个新的可信度；
对图样提取纹理特征并分类，然后根据分类结果在数据库匹配，根据匹配的相似度给出可信度值，这个值与之前的可信度值加权运算，得出一个更新的可信度；
可信度达到阈值以上的认为匹配成功。
5.如权利要求4所述的杂草识别装置，其特征是：所述图像采集卡基于DSP芯片。
CN201910488757.2A 2019-06-06 2019-06-06 使用计算机识别杂草的程序和杂草识别装置 Active CN110232344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910488757.2A CN110232344B (zh) 2019-06-06 2019-06-06 使用计算机识别杂草的程序和杂草识别装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910488757.2A CN110232344B (zh) 2019-06-06 2019-06-06 使用计算机识别杂草的程序和杂草识别装置

Publications (2)

Publication Number Publication Date
CN110232344A CN110232344A (zh) 2019-09-13
CN110232344B true CN110232344B (zh) 2022-07-08

Family

ID=67858678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910488757.2A Active CN110232344B (zh) 2019-06-06 2019-06-06 使用计算机识别杂草的程序和杂草识别装置

Country Status (1)

Country Link
CN (1) CN110232344B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
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
CN102661920A (zh) * 2012-04-11 2012-09-12 东北林业大学 一种对杂草进行分类识别的装置和方法
CN103988826A (zh) * 2014-05-20 2014-08-20 江苏大学 一种基于光谱识别的对靶喷雾施药机
CN109522929A (zh) * 2018-10-16 2019-03-26 南京农业大学 一种基于多源图像融合的自然环境下麦田杂草识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160205917A1 (en) * 2015-01-15 2016-07-21 Elwha Llc Weed eradication method and apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
CN102661920A (zh) * 2012-04-11 2012-09-12 东北林业大学 一种对杂草进行分类识别的装置和方法
CN103988826A (zh) * 2014-05-20 2014-08-20 江苏大学 一种基于光谱识别的对靶喷雾施药机
CN109522929A (zh) * 2018-10-16 2019-03-26 南京农业大学 一种基于多源图像融合的自然环境下麦田杂草识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多光谱图像和SVM的玉米田间杂草识别;乔永亮等;《农机化研究》;20130801(第08期);全文 *
浅淡图像处理技术在杂草识别中的应用;李漪;《科技创新导报》;20091101(第31期);全文 *

Also Published As

Publication number Publication date
CN110232344A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
Li et al. Detection of fruit-bearing branches and localization of litchi clusters for vision-based harvesting robots
Zhou et al. Using colour features of cv.‘Gala’apple fruits in an orchard in image processing to predict yield
CN109447945B (zh) 基于机器视觉和图形处理的小麦基本苗快速计数方法
CN111666883B (zh) 一种葡萄采摘机器人目标识别及果梗夹切点定位方法
CN109255757B (zh) 一种机器视觉自然放置葡萄串果梗区域分割方法
Zhou et al. An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images
Pastrana et al. Novel image processing approach for solving the overlapping problem in agriculture
CN110598619B (zh) 一种利用无人机影像进行果树识别和计数的方法和系统
CN112990103B (zh) 一种基于机器视觉的串采二次定位方法
Nagar et al. Pest detection on leaf using image processing
Zermas et al. Extracting phenotypic characteristics of corn crops through the use of reconstructed 3D models
CN115292334A (zh) 基于视觉智能种植方法、系统、电子设备及存储介质
CN112329506A (zh) 枸杞采摘机器人的果实识别方法及系统、定位方法及系统
CN106683069A (zh) 农田苗期行内作物-杂草识别方法
CN110232344B (zh) 使用计算机识别杂草的程序和杂草识别装置
CN110232345A (zh) 使用计算机生成杂草识别模型的程序和杂草识别装置
CN116385271A (zh) 一种遥感图像耕地撂荒识别方法
CN117036926A (zh) 一种融合深度学习与图像处理的杂草识别方法
Kaur et al. Automatic crop furrow detection for precision agriculture
Dhole et al. Review of leaf unhealthy region detection using image processing techniques
CN114758139A (zh) 基坑积水检测方法
Yihang et al. Automatic recognition of rape seeding emergence stage based on computer vision technology
CN114022717A (zh) 一种基于图像识别的叶片病害识别方法及系统
CN110135481B (zh) 一种农作物病变检测方法以及检测装置
Habib et al. Wavelet frequency transformation for specific weeds recognition

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Room 220, Floor 2, Building 10, Yangzijiang New Financial Demonstration Zone, No. 396, Binjiang Avenue, Jiangbei New District, Nanjing, Jiangsu 211899

Patentee after: Seberi robot technology (Nanjing) Co.,Ltd.

Address before: 410000 Room 101, zone E-4, Lugu Yuyuan, No. 27, Wenxuan Road, high tech Development Zone, Changsha County, Changsha City, Hunan Province

Patentee before: CYBERATURE ROBOT TECHNOLOGY (CHANGSHA) CO.,LTD.

CP03 Change of name, title or address