CN110765927A - 一种植被群落中伴生杂草的识别方法 - Google Patents

一种植被群落中伴生杂草的识别方法 Download PDF

Info

Publication number
CN110765927A
CN110765927A CN201911000818.2A CN201911000818A CN110765927A CN 110765927 A CN110765927 A CN 110765927A CN 201911000818 A CN201911000818 A CN 201911000818A CN 110765927 A CN110765927 A CN 110765927A
Authority
CN
China
Prior art keywords
corrosion
binary image
area
weed
binary
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.)
Granted
Application number
CN201911000818.2A
Other languages
English (en)
Other versions
CN110765927B (zh
Inventor
胡波
杨延朋
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 CN201911000818.2A priority Critical patent/CN110765927B/zh
Publication of CN110765927A publication Critical patent/CN110765927A/zh
Application granted granted Critical
Publication of CN110765927B publication Critical patent/CN110765927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Abstract

本发明公开了一种植被群落中伴生杂草的识别方法，田间图像依次经过二值化分割、腐蚀操作、膨胀操作、提取骨架操作得到四幅二值图像，获取四幅二值图像中杂草区域的像素个数作为第一组杂草识别特征；获取腐蚀后二值图像中每个白色区域与黑色区域相邻的像素点个数、腐蚀后二值图像每个白色区域周长之和平方与腐蚀后二值图像的面积之比，以及腐蚀后二值图像每个白色区域周长平方之和与腐蚀后二值图像的面积之比，作为第二组杂草识别特征。以两组杂草识别特征为输入，建立BP神经网络，BP神经网络输出0表示不需要喷洒除草剂，输出层输出1表示需要喷洒除草剂。

Description

一种植被群落中伴生杂草的识别方法
技术领域
本发明涉及田间杂草识别技术领域，尤其是一种植被群落中伴生杂草的识别方法。
背景技术
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技术难点。识别杂草主要是从作物群落与杂草群落的区别出发寻找图像特征，而过往研究中采用的田间图像多为苗期单株植株的图像，回避了多植株之间枝叶相互覆盖遮挡的情况，但实际上，这样的情况是不可回避的。因此，针对植被群落进行杂草识别的研究开始成为精确农业杂草识别的一个新方向。此外，在过往研究中，都是以是不是杂草为目标，需不需要喷洒除草剂仍然需要进一步判断，同时杂草识别精度也无法满足使用设备开发的需要。
发明内容
针对上述问题，本发明提供一种植被群落中伴生杂草的识别方法，用于判断多株植物枝叶相互遮挡的田间植被群落图像中是否有伴生杂草，是否需要喷洒除草剂。
一种植被群落中伴生杂草的识别方法，利用二值化分割以及腐蚀、膨胀、提取骨架形态学操作从田间图像中提取杂草识别特征。
优选的，田间图像依次经过二值化分割、腐蚀操作、膨胀操作、提取骨架操作得到四幅二值图像，获取四幅二值图像中杂草区域的像素个数作为第一组杂草识别特征；获取腐蚀后二值图像中每个白色区域与黑色区域相邻的像素点个数、腐蚀后二值图像每个白色区域周长之和平方与腐蚀后二值图像的面积之比，以及腐蚀后二值图像每个白色区域周长平方之和与腐蚀后二值图像的面积之比，作为第二组杂草识别特征。
优选的，以两组杂草识别特征为输入，建立BP神经网络，BP神经网络输出0表示无杂草伴生或不需要喷洒除草剂，输出层输出1表示有杂草伴生或需要喷洒除草剂。
本发明提出了以植被群落是否出现伴生杂草群落为研究对象，以是否喷洒除草剂为研究目标，利用二值化分割以及腐蚀、膨胀、提取骨架等形态学操作提取杂草识别特征，同时定义并结合杂草区域的周长、致密度、圆形度概念，准确判断多株植物枝叶相互遮挡的田间植被群落图像中是否有伴生杂草，以是否需要喷洒除草剂为直接输出，便于喷洒设备的控制。
附图说明
图1为田间图像；
图2为分割后的二值图像Ⅰ；
图3为腐蚀后的二值图像Ⅱ；
图4为膨胀后的二值图像Ⅲ；
图5为提取骨架后的二值图像Ⅳ。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
一种植被群落中伴生杂草的识别方法，包括以下步骤：
1、拍摄田间植被群落的图像，如图1所示。
2、将田间图像分割为二值图像Ⅰ，提取杂草轮廓，如图2所示，杂草对应的区域为白色，其余部分为黑色。
在杂草颜色与作物颜色较为相近时，分割时有可能把大片作物分割为杂草区域，所以单纯将田间图像二值化难以达到较高的辨识杂草的准确度，甚至无法辨识。
3、对二值图像Ⅰ进行腐蚀操作，得到二值图像Ⅱ，如图3所示；对二值图像Ⅱ进行膨胀操作，得到二值图像Ⅲ，如图4所示；对二值图像Ⅲ进行提取骨架操作，得到二值图像Ⅳ，如图5所示。
4、分别提取二值图像Ⅰ、二值图像Ⅱ、二值图像Ⅲ、二值图像Ⅳ的像素个数。由于伴生杂草相较于作物而言在田间图像中分布较为分散，二值图像中的白色区域对于腐蚀、膨胀、提取骨架等形态学操作较为敏感，像素点个数的变化比大片的作物区域更为明显。
与二值图像Ⅰ对比，二值图像Ⅱ、二值图像Ⅲ、二值图像Ⅳ中白色区域的像素点个数变化明显，据此进行植被群落中杂草识别特征的提取。以二值图像Ⅰ、二值图像Ⅱ、二值图像Ⅲ、二值图像Ⅳ的像素个数作为第一组杂草识别特征。
5、通过腐蚀操作后，若二值图像Ⅱ中伴生杂草为主，白色区域会被去除掉很多像素点，因此以二值图像Ⅱ提取形状特征描述像素点的分布情况。为描述腐蚀后，伴生杂草分布较为分散、杂乱的情况，提出周长、致密度、圆形度三种识别特征。
①提取二值图像Ⅱ中杂草区域的周长，周长是二值图像Ⅱ中每个白色区域与黑色区域相邻的像素点个数。若图像中仅仅为作物，分割出来的白色区域一般为整块的白色区域。
②提取二值图像Ⅱ中杂草区域的致密度，致密度是二值图像Ⅱ每个白色区域周长之和的平方与二值图像Ⅱ的面积之比。如果二值图像Ⅱ中有n个白色区域，每个白色区域的周长则为l 1、l 2、l 3、l 4、…、l n ，则每个白色区域周长之和的平方为（l 1+l 2+l 3+l 4+……l n ）2。
③提取二值图像Ⅱ中杂草区域的圆形度，圆形度是二值图像Ⅱ每个白色区域周长平方之和与二值图像Ⅱ面积之比。如果存在大块的白色区域，那么可以用白色区域的周长计算白色区域当量圆的面积，若白色区域的个数越少则周长估算的当量椭圆越接近二值图像Ⅱ的面积，所以用周长平方之和表示当量圆面积。如果二值图像Ⅱ中有n个白色区域，每个白色区域的周长则为l 1、l 2、l 3、l 4、…、l n ，则每个白色区域周长平方之和为l 1 2+l 2 2+l 3 2+l 4 2+……l n 2。
6、以步骤4和步骤5获取的7个识别特征为输入，建立BP神经网络，输入层7个节点，隐层5个节点，输出层1个节点，输出0表示不需要喷洒除草剂，输出层输出1需要喷洒除草剂。
BP神经网络是非线性的模式识别方法，已经在工程应用中广泛使用，本发明利用BP神经网络实现从输入识别特征到输出是否需要喷洒除草剂的操作，具体操作简述如下：（1）输入层中每个输入变量乘以一个系数，输入到隐层，7个输入节点、5个隐层节点，就是35个系数；（2）隐层每个节点根据激励函数计算出一个值，再乘上系数传送到输出层；（3）根据训练样本，神经网络可以计算初始状态得到各个样本的计算结果，然后根据计算结果与样本结果的范数计算误差；（4）由误差出发，根据不同的学习机制得到系数调整方案；（5）调整系数，重复（3）和（4），直到符合要求，得到一个训练好的神经网络；（6）用训练好的神经网络计算测试样本的结果与标准结果对比，得到神经网络的泛化能力。
显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

Claims (3)

1.一种植被群落中伴生杂草的识别方法，其特征在于，利用二值化分割以及腐蚀、膨胀、提取骨架形态学操作从田间图像中提取杂草识别特征。
2.根据权利要求1所述的植被群落中伴生杂草的识别方法，其特征在于，田间图像依次经过二值化分割、腐蚀操作、膨胀操作、提取骨架操作得到四幅二值图像，获取四幅二值图像中杂草区域的像素个数作为第一组杂草识别特征；获取腐蚀后二值图像中每个白色区域与黑色区域相邻的像素点个数、腐蚀后二值图像每个白色区域周长之和平方与腐蚀后二值图像的面积之比，以及腐蚀后二值图像每个白色区域周长平方之和与腐蚀后二值图像的面积之比，作为第二组杂草识别特征。
3.根据权利要求2所述的植被群落中伴生杂草的识别方法，其特征在于，以两组杂草识别特征为输入，建立BP神经网络，BP神经网络输出0表示不需要喷洒除草剂，输出层输出1表示需要喷洒除草剂。
CN201911000818.2A 2019-10-21 2019-10-21 一种植被群落中伴生杂草的识别方法 Active CN110765927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911000818.2A CN110765927B (zh) 2019-10-21 2019-10-21 一种植被群落中伴生杂草的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911000818.2A CN110765927B (zh) 2019-10-21 2019-10-21 一种植被群落中伴生杂草的识别方法

Publications (2)

Publication Number Publication Date
CN110765927A true CN110765927A (zh) 2020-02-07
CN110765927B CN110765927B (zh) 2022-11-25

Family

ID=69331493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911000818.2A Active CN110765927B (zh) 2019-10-21 2019-10-21 一种植被群落中伴生杂草的识别方法

Country Status (1)

Country Link
CN (1) CN110765927B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113647212A (zh) * 2021-05-07 2021-11-16 天津理工大学 一种基于作物茎秆定位的锄草机器人及锄草方法
WO2021249560A1 (zh) * 2020-06-12 2021-12-16 广州极飞科技股份有限公司 作物缺失的检测方法及检测装置
CN114419407A (zh) * 2021-12-14 2022-04-29 中国农业大学 一种用于移栽作物苗期的行内杂草自动识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361330A (zh) * 2014-12-01 2015-02-18 郑州轻工业学院 一种玉米精准施药系统的作物行识别方法
CN106951836A (zh) * 2017-03-05 2017-07-14 北京工业大学 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) * 2018-09-21 2019-02-12 南京邮电大学 一种基于深度神经网络建模的作物图像分割系统及方法
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
CN110046578A (zh) * 2019-04-18 2019-07-23 广西科技大学 一种基于非下采样剪切波算法的杂草群落识别算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361330A (zh) * 2014-12-01 2015-02-18 郑州轻工业学院 一种玉米精准施药系统的作物行识别方法
CN106951836A (zh) * 2017-03-05 2017-07-14 北京工业大学 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) * 2018-09-21 2019-02-12 南京邮电大学 一种基于深度神经网络建模的作物图像分割系统及方法
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
CN110046578A (zh) * 2019-04-18 2019-07-23 广西科技大学 一种基于非下采样剪切波算法的杂草群落识别算法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ADEL BAKHSHIPOUR等: "Evaluation of support vector machine and artificial neural networks in weed detection using shape features", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 *
LIANG GAO等: "Research of Weeds Classification System Based on Shape Feature", 《JOURNAL OF SOFTWARE》 *
李东明: "基于机器视觉的田间杂草识别方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
沈宝国等: "基于颜色特征的棉田绿色杂草图像识别方法", 《农业工程学报》 *
邓向武等: "基于多特征融合和深度置信网络的稻田苗期杂草识别", 《农业工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021249560A1 (zh) * 2020-06-12 2021-12-16 广州极飞科技股份有限公司 作物缺失的检测方法及检测装置
CN113647212A (zh) * 2021-05-07 2021-11-16 天津理工大学 一种基于作物茎秆定位的锄草机器人及锄草方法
CN114419407A (zh) * 2021-12-14 2022-04-29 中国农业大学 一种用于移栽作物苗期的行内杂草自动识别方法及装置
CN114419407B (zh) * 2021-12-14 2024-04-05 中国农业大学 一种用于移栽作物苗期的行内杂草自动识别方法及装置

Also Published As

Publication number Publication date
CN110765927B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN110765927B (zh) 一种植被群落中伴生杂草的识别方法
CN106951836B (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
CN106384081B (zh) 一种基于高分辨率遥感影像的坡耕地提取方法和系统
US20200250428A1 (en) Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron
Kolhar et al. Convolutional neural network based encoder-decoder architectures for semantic segmentation of plants
CN107067043A (zh) 一种农作物病虫害检测方法
CN108388905B (zh) 一种基于卷积神经网络和邻域上下文的光源估计方法
CN108492294B (zh) 一种图像色彩和谐程度的评估方法及装置
CN109409170B (zh) 农作物的虫害识别方法和装置
CN109740483A (zh) 一种基于深层神经网络的水稻生长期检测方法
CN109859101B (zh) 农作物冠层热红外图像识别方法及系统
CN108629289B (zh) 农田的识别方法及系统、应用于农业的无人机
CN110826556A (zh) 改进深度学习的广谱农作物杂草识别与定位方法
CN109063660B (zh) 一种基于多光谱卫星影像的作物识别方法
Shete et al. Tasselgan: An application of the generative adversarial model for creating field-based maize tassel data
CN112597870A (zh) 一种土地覆盖分类模型的构建方法
CN117557914B (zh) 一种基于深度学习的农作物病虫害识别方法
CN111353412B (zh) 端到端的3D-CapsNet火焰检测方法及装置
CN114187189A (zh) 一种飞行器多光谱影像辐射一致性校正方法
CN111666914B (zh) 基于曲线间距离的耕地识别方法、系统、设备及存储介质
CN116310548A (zh) 一种进口种子产品中的入侵植物种子检测方法
CN105043554B (zh) 一种热像仪的最小可分辨温差客观测试方法
KR100991146B1 (ko) 신경 회로망을 이용한 위성 영상 보정 방법 및 장치
Shafik et al. Using transfer learning-based plant disease classification and detection for sustainable agriculture
CN114202687A (zh) 基于无人机影像的烟草植株自动提取和计数方法及系统

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