基本信息
- 项目名称：
- 基于机器视觉的小麦与杂草的识别
- 来源：
- 第十一届“挑战杯”国赛作品
- 小类：
- 信息技术
- 大类：
- 科技发明制作A类
- 简介：
- 以本校小麦试验田苗期图片为研究对象，本项目基于机器视觉技术进行了小麦与杂草的识别，主要分为土壤背景分割，特征参数提取，分类器设计三步。在土壤背景分割中，对比不同分割方法在二值化应用后的效果，选择信息丢失少并与实际情况相吻合的方法。在特征参数提取和分类器的设计中，重点研究基于BP网络和支持向量机（SVM）的分类器模型，包括特征参数提取、分类器的设计（分类器学习与测试），通过实验结果得出SVM有更高的识别精度，并且满足实时性要求。系统以C#为开发语言，集成先进的第三方组件，具有实现技术先进，用户使用方便、识别过程可视化等优点。
- 详细介绍：
- 除草是常见农事活动，提高除草效果和质量，降低劳动成本是广大农业科技工作者研究的热点话题之一。目前，生产活动中多采用人工除草和喷洒除草剂等方法完成，存在着工作量大、效率低等问题，特别是大量使用除草剂既对环境产生污染，同时又可能对作物生长产生不利影响。用信息技术提升传统农业的生产模式，实现除草过程的自动化操作，有力的推进精准农业实现进程，具有重要的现实意义。本研究以北方种植面积最大的作物小麦为载体，研究利用机器视觉技术识别小麦与杂草的方法和计算机实现技术，开发小麦与杂草智能识别系统，并能方便的指导农业生产活动，不仅有重要的理论研究价值而且有广阔的应用前景。 研究的总体思路是：实地拍摄我校小麦试验田苗期图片作为研究对象；研究分析土壤背景分割的有效方法，对比不同分割方法在二值化应用后的效果，选择信息丢失少并与实际情况相吻合的方法；研究分析识别小麦和杂草的方法和技术，对比不同方法的优缺点，重点研究基于BP网络和支持向量机（SVM）的分类器模型，包括特征参数提取、分类器设计（分类器学习与测试），并通过实验进行不同方法的对比分析，选择性能优、良，识别率高的模型作为小麦与杂草分类器；研究分析土壤背景分割、特征参数提取、分类器的计算机实现技术和方法，重点研究软件系统的体系结构、分割算法、特征参数提取和分类器的算法和实现技术，充分利用第三方组件，提高识别软件开发速度和质量。 本项目研究了基于机器视觉的小麦与杂草的识别，主要分为三步进行识别：土壤背景分割，特征参数提取，分类器的设计。在土壤背景分割中，比较了过绿特征灰度化、改进的过绿特征灰度化和Lab颜色空间的a值灰度化三种方法，得出Lab颜色空间的a值灰度化对复杂环境有较好的土壤背景分割效果。在特征参数提取中，杂草识别系统通过对形状特征参数各数值的折线图，以及对分类器（BP神经网络分类器与SVM分类器）中通过不同参数结合所得训练结果的分析对比中，选择了分类器所需的适当特征参数；在分类器的设计中，比较了BP神经网络和SVM两种模型，应用了LIBSVM组件所提供的交互检验(Cross Validation)功能对小麦与杂草SVM分类器影响比较重要的参数（比如参数gamma,参数C）提供了参数自动寻优功能。通过训练结果得出：SVM模型有更高的识别精度，且对样本的测试有较快的速度，满足实时性要求。
作品图片
作品专业信息
设计、发明的目的和基本思路、创新点、技术关键和主要技术指标
- 本作品以C#为开发语言，采用图像处理和机器视觉等技术，主要研究的是如何在苗期麦田中通过摄像头获取图像并加以处理，然后进行杂草的识别，从而针对性的喷洒除草剂，减少喷药劳动力，实现其自动化管理。 研究的总体思路是：实地拍摄我校小麦试验田苗期图片作为研究对象；研究分析土壤背景分割的有效方法，对比不同分割方法在二值化应用后的效果，选择信息丢失少并与实际情况相吻合的方法；研究分析识别小麦和杂草的方法和技术，对比不同方法的优缺点，重点研究基于BP网络和支持向量机（SVM）的分类器模型，包括特征参数提取、分类器设计（分类器学习与测试），并通过实验进行不同方法的对比分析，选择性能优、良，识别率高的模型作为小麦与杂草分类器；研究分析土壤背景分割、特征参数提取、分类器的计算机实现技术和方法，重点研究软件系统的体系结构、分割算法、特征参数提取和分类器的算法和实现技术，充分利用第三方组件，提高识别软件开发速度和质量。 所采用的主要技术有图像形态学处理、BP神经网络、支持向量机（SVM）等等。
科学性、先进性
- 1)土壤背景分割方法科学合理 通过实验对比过绿特征灰度化、一种改进的过绿特征灰度化和Lab颜色空间的a值灰度化三种土壤背景分割方法，得出了使用Lab颜色空间中a值灰度化方法，在复杂环境下（光照、土壤等）具有识别小麦与杂草的能力较强的结论，与田间的实际情况保持一致性。 2)人工智能的思想应用在分类器设计中 将人工智能BP神经网络与支持向量机（SVM）具有较强自适应性和鲁棒性等优点应用在分类器设计中，提高识别精度和分类效果。 3）开发的识别系统具有实现技术先进，用户使用方便、识别过程可视化的特点。
获奖情况及鉴定结果
- 第七届“挑战杯”陕西省大学生课外学术科技作品竞赛中获特等奖
作品所处阶段
- 实验室阶段
技术转让方式
- 无
作品可展示的形式
- 磁盘，现场演示，图片
使用说明,技术特点和优势,适应范围,推广前景的技术性说明,市场分析,经济效益预测
- 使用说明：此系统中不仅有进行小麦和杂草识别的功能，而且一些常用的图像处理方法都已经在软件中得到实现，在菜单中各功能已经分类显示，并且此系统充分利用第三方组件，提高识别软件开发速度和质量。 该项目在精准农业生产过程中有着广泛的应用，而且前景看好，这是由于计算机视觉比人类视觉具有很多优越性：如无损、快速、准确和安全等。 利用计算机视觉技术，对小麦与杂草进行识别，从而对田间杂草针对性的变量喷洒除草剂，可以提高生产率，实现农业生产与管理的自动化和智能化，必将对传统农业模式具有较大的挑战性。
同类课题研究水平概述
- 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。从二十世纪八十年代至今，基于机器视觉的杂草识别系统，经历了从室内到田间、从非实时到实时的发展过程。至今，只有国外的少数基于机器视觉系统实现了田间杂草的实时识别。 国外早在二十世纪八十年代就开始了计算机杂草识别的研究，研究方法大体上可分为两大类：计算机图像识别法和光谱分析法。 图像的特征识别方法主要包括三个方面:颜色特征、形状特征和纹理特征的识别。国外一些专家、学者多数都是采用这些方法进行杂草识别方面的研究。 早在1986年，Guyer等人研究了利用叶片的形状特征参数(复杂度、伸长度、中心矩和主轴矩)识别不同植物的可行性，并在1993年开发和构建了基于植物形状特征的知识库。他们先提取了17项定量的形状特征，然后经过组合得到了13项定性的形状特征。 1999年，Lee等人从番茄地里的植物叶片中提取了7项形状特征参数，运用贝叶斯统计分类器进行识别，结果表明:伸长度和分散度这两个形状参数的分类效果最佳。 2006年，Karimi等通过高光谱图像识别玉米田间杂草。 目前，基于机器视觉的杂草识别技术在我国也逐渐成为研究热点之一，但是由于我国机器视觉技术起步较晚，因此在杂草识别中的应用尚处于探索阶段。 2002年，西北农林科技大学龙满生等人以玉米苗期杂草为研究对象，分析了不同的颜色指标分割背景的可行性以及应用形状因子识别玉米和杂草的方法。 2004年，中国农业大学毛文华、王一鸣等人应用计算机视觉技术对垄间杂草的识别做了研究，根据苗期田间作物的位置特征定位垄间和垄上，建立了基于计算机视觉的分割苗期田间杂草的算法DBW，选用最大方差法二值化图像，通过统计列方向植物像素数滤去垄上作物，分割出杂草。 2006年，东北农业大学沈维政、张长利等人采用可变阈值法滤除了土壤背景，并根据杂草投影中心的像素位置确定杂草的实际位置。 2007年，河北农业大学的李欣使用直方图纵向统计像素法来确定作物中心行的位置。使用计算机自动检测作物行边界阈值的方法确定边界阈值后滤除作物行，滤除掉作物行后得到了杂草与土壤背景的图像，并且系统的运行速度和准确性得到了提高。
