CN110232345A - 使用计算机生成杂草识别模型的程序和杂草识别装置 - Google Patents
使用计算机生成杂草识别模型的程序和杂草识别装置 Download PDFInfo
- Publication number
- CN110232345A CN110232345A CN201910488758.7A CN201910488758A CN110232345A CN 110232345 A CN110232345 A CN 110232345A CN 201910488758 A CN201910488758 A CN 201910488758A CN 110232345 A CN110232345 A CN 110232345A
- Authority
- CN
- China
- Prior art keywords
- processing
- image
- identification model
- training sample
- weed
- 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
- 241000196324 Embryophyta Species 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 244000025254 Cannabis sativa Species 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 244000287680 Garcinia dulcis Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明主要涉及一种使用计算机生成杂草识别模型的程序,包括多条指令,所述指令适于处理器加载并执行下述步骤:调用训练样本图进行预处理,包括对图像灰度化、滤波、开运算和二值化处理;对预处理后的图进行图像增强处理,包括获取HS色域图处理,纹理特征图处理,去背景图处理;将图像增强处理后的图与原训练样本图一起送入YOLO算法的输入端,进行机器学习;使学习后参数权重偏向目标颜色,纹理和形状,并经多次迭代得出识别模型。本发明既提升了学习速度,又加强了识别的准确度,大大提高了识别效率。
Description
技术领域
本发明涉及一种使用计算机生成杂草识别模型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,对杂草识别效率造成了很大的影响。
发明内容
针对现有技术的不足,本发明要解决的技术问题是提供一种使用计算机生成杂草识别模型的程序和杂草识别装置,它们可以极大地提高杂草识别的效率。
本发明的使用计算机生成杂草识别模型的程序,包括多条指令,其特征是所述指令适于处理器加载并执行下述步骤:
调用训练样本图进行预处理,包括对图像灰度化、滤波、开运算和二值化处理;
对预处理后的图进行图像增强处理,包括获取HS色域图处理,纹理特征图处理,去背景图处理;
将图像增强处理后的图与原训练样本图一起送入YOLO算法的输入端,进行机器学习;
使学习后参数权重偏向目标颜色,纹理和形状,并经多次迭代得出识别模型。
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:该装置还包括执行如下步骤的程序:
使用摄像机、图像采集卡获取农田图片;
调用训练样本图进行预处理,包括对图像灰度化、滤波、开运算和二值化处理;
对预处理后的图进行图像增强处理,包括获取HS色域图处理,纹理特征图处理,去背景图处理;
将图像增强处理后的图与原训练样本图一起送入YOLO算法的输入端,进行机器学习;
使学习后参数权重偏向目标颜色,纹理和形状,并经多次迭代得出识别模型;
经由识别模型识别杂草目标,得其位置信息。
所述图像采集卡为DSP芯片的多功能图像卡。
本发明的有益技术效果是:一、为了加快运算速度,提高实时性,本发明抛弃了图像处理时的图像分割的处理方法,在图像增强与深度学习融合的基础上,综合考虑了算法的复杂度,样本数据复杂度与识别率的问题,本发明设计的新的最优化组合识别方法,既提升了学习速度,又加强了识别的准确度,提高了识别效率。二、通过图像在颜色,形状,纹理,种类等方面的预处理为我们最终识别大大节省了时间,加快了整体识别速度。三、本发明采用了更为通用的摄像机,降低了设备制造成本。
附图说明
图1是本发明的杂草识别装置的主流程图。
图2是本发明的使用计算机生成杂草识别模型的程序流程图。
具体实施方式
现结合附图,对本发明的实施例作详细说明。
参看图1~图2,本发明的杂草识别装置的工作过程包括:步骤1,通过摄像头(含多光谱摄像机)捕获农田里的图像信息,步骤2,调用杂草识别模型,步骤3,识别目标,得到位置信息。
在非理想条件下,杂草的识别是很复杂的,所以采用基于卷积神经网络的机器学习进行智能检测。而对于杂草识别这个专门领域而言,在查阅大量论文后,发现杂草主要靠颜色,纹理,形状识别出,所以在用原图训练的同时,将原图中的背景去掉或者弱化。当YOLOV3算法与杂草技术识别结合在一起时,能够更快更好的识别杂草小尺寸图片,在速度和精度上达到了平衡。不同于固定网络输入图片尺寸的方法,每经过10批训练就会随机选择新的图片尺寸。 调整网络到相应维度然后继续进行训练。 这种机制使得网络可以更好地预测不同尺寸的图片,同一个网络可以进行不同分辨率的检测任务。在低分辨率图片检测中,YOLOV3是检测速度快(计算消耗低),精度较高的检测器。
在识别模型中,为了更方便后续处理,首先对采集的图像进行预处理,预处理过程为:灰度化处理,均值滤波,开运算。
根据预处理结果对图像进行优化,突出杂草和植株特征,再对各种特征进行提取对比,后续处理会依据特征识别植物。特征提取分为:形状特征图,纹理特征图,颜色特征图等等。由多种特征组合识别可以极大提高识别正确率,再结合最优识别组合又能加快运算效率。根据提取的特征,运用分类器分类最后识别植物类型是作物还是杂草,达到提高识别效率的目的。
具体地说,在获取了一定数量的训练样本图后,就进行机器学习,步骤如下:
调用训练样本图进行预处理:对图像灰度化,滤波,开运算,二值化;
对预处理后的图进行图像增强处理,获取HS色域图,纹理特征图,去背景图;
将图像增强处理后的图与原训练样本图一起送入YOLOV3进行机器学习,使学习后识别模型权重更偏向目标颜色,纹理,形状;
迭代;
多次机器学习得出识别模型。
为了加快运算速度,提高实时性,我们抛弃了图像处理时的图像分割的处理方法,在实际情况下农田作物茂盛时期,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,而本发明采用特定图像增强+深度学习,在图像增强与深度学习融合的基础上,综合考虑了算法的复杂度,样本数据复杂度与识别率的问题,本发明设计了新的最优化组合识别方法,该方法既提升了学习速度,又加强了识别的准确度,识别效率大大提高。
进一步地,利用DSP技术以硬件的方式对图像进行处理加强了杂草识别的实时性。
利用多光谱特征的苗草识别方法是一种具有商业潜力的可行方法, 较之利用形状、纹理和颜色这三种特征的方法,其算法实现比较简单,在实时性方面具有一定的优势。但是,目前,阻碍这种方法广泛应用的主要因素是设备费用成本较高、通用性较差。市场上还没有通用的多光谱摄像机,要根据区分植物的种类进行特征波长的筛选以确定所采集的波段。本发明采用了更为通用的光谱摄像机,降低了设备制造成本。
虽然纹理特征分析的苗草识别法的识别准确率很高,但是,纹理分析的分割算法要进行大量的计算和比较共生矩阵,因此识别速度较慢,不利于实时性的实现。本发明通过图像在颜色,形状,纹理,种类等方面的预处理为我们在最终识别的时候大大节省了时间,加快了整体识别速度。
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 (3)
1.一种使用计算机生成杂草识别模型的程序,包括多条指令,其特征是所述指令适于处理器加载并执行下述步骤:
调用训练样本图进行预处理,包括对图像灰度化、滤波、开运算和二值化处理;
对预处理后的图进行图像增强处理,包括获取HS色域图处理,纹理特征图处理,去背景图处理;
将图像增强处理后的图与原训练样本图一起送入YOLO算法的输入端,进行机器学习;
使学习后参数权重偏向目标颜色,纹理和形状,并经多次迭代得出识别模型。
2.一种杂草识别装置,包括摄像机、图像采集卡、处理器和存贮器,其特征是:该装置还包括执行如下步骤的程序:
使用摄像机、图像采集卡获取农田图片;
调用训练样本图进行预处理,包括对图像灰度化、滤波、开运算和二值化处理;
对预处理后的图进行图像增强处理,包括获取HS色域图处理,纹理特征图处理,去背景图处理;
将图像增强处理后的图与原训练样本图一起送入YOLO算法的输入端,进行机器学习;
使学习后参数权重偏向目标颜色,纹理和形状,并经多次迭代得出识别模型;
经由识别模型识别杂草目标,得其位置信息。
3.如权利要求2所述的杂草识别装置,其特征是:所述图像采集卡为DSP芯片的多功能图像卡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910488758.7A CN110232345A (zh) | 2019-06-06 | 2019-06-06 | 使用计算机生成杂草识别模型的程序和杂草识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910488758.7A CN110232345A (zh) | 2019-06-06 | 2019-06-06 | 使用计算机生成杂草识别模型的程序和杂草识别装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110232345A true CN110232345A (zh) | 2019-09-13 |
Family
ID=67859277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910488758.7A Pending CN110232345A (zh) | 2019-06-06 | 2019-06-06 | 使用计算机生成杂草识别模型的程序和杂草识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232345A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114747360A (zh) * | 2022-04-24 | 2022-07-15 | 佛山科学技术学院 | 一种除杂草机 |
US11783207B2 (en) | 2020-02-18 | 2023-10-10 | International Business Machines Corporation | Robotic Toxicodendron weeding |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017194399A1 (en) * | 2016-05-12 | 2017-11-16 | Bayer Cropscience Aktiengesellschaft | Recognition of weed in a natural environment |
CN109241918A (zh) * | 2018-09-13 | 2019-01-18 | 樊江岩 | 一种基于植物信息的植物管控方法、装置及系统 |
CN109376728A (zh) * | 2018-12-28 | 2019-02-22 | 华南农业大学 | 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 |
-
2019
- 2019-06-06 CN CN201910488758.7A patent/CN110232345A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017194399A1 (en) * | 2016-05-12 | 2017-11-16 | Bayer Cropscience Aktiengesellschaft | Recognition of weed in a natural environment |
CN109241918A (zh) * | 2018-09-13 | 2019-01-18 | 樊江岩 | 一种基于植物信息的植物管控方法、装置及系统 |
CN109376728A (zh) * | 2018-12-28 | 2019-02-22 | 华南农业大学 | 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 |
Non-Patent Citations (2)
Title |
---|
乔永亮等: "基于多光谱图像和SVM的玉米田间杂草识别", 《农机化研究》 * |
李漪: "浅淡图像处理技术在杂草识别中的应用", 《科技创新导报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11783207B2 (en) | 2020-02-18 | 2023-10-10 | International Business Machines Corporation | Robotic Toxicodendron weeding |
CN114747360A (zh) * | 2022-04-24 | 2022-07-15 | 佛山科学技术学院 | 一种除杂草机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A high-precision detection method of hydroponic lettuce seedlings status based on improved Faster RCNN | |
Lippi et al. | A yolo-based pest detection system for precision agriculture | |
Zhou et al. | Using colour features of cv.‘Gala’apple fruits in an orchard in image processing to predict yield | |
Ying et al. | Weed detection in images of carrot fields based on improved YOLO v4. | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
Le et al. | Detecting weeds from crops under complex field environments based on Faster RCNN | |
CN112084977B (zh) | 一种融合图像和时间特征的苹果物候期自动识别方法 | |
CN113657326A (zh) | 一种基于多尺度融合模块和特征增强的杂草检测方法 | |
CN111727457A (zh) | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 | |
Murawwat et al. | Weed detection using SVMs | |
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 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
Ramesh et al. | Comparison and analysis of Rice Blast disease identification in Greenhouse Controlled Environment and Field Environment using ML Algorithms | |
Zhou et al. | Research on cucumber downy mildew detection system based on SVM classification algorithm | |
CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
He et al. | Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method | |
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 | |
Reza et al. | Automatic counting of rice plant numbers after transplanting using low altitude uav images | |
Huang et al. | A survey of deep learning-based object detection methods in crop counting | |
CN106683069A (zh) | 农田苗期行内作物-杂草识别方法 | |
CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
CN108537164A (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
Fang et al. | Classification system study of soybean leaf disease based on deep learning |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190913 |