提出了一种基于计算机视觉技术和概率神经网络技术的玉米幼苗和杂草识别方法。首先利用类间方差最大自动阈值法对杂草图像的修正的超绿特征进行二值化处理;然后提取目标对象的形状特征参数作为输入向量,由概率神经网络(PNN)分类器识别出玉米幼苗。试验结果表明,该方法的有效性,对不同田间环境的玉米幼苗与杂草的准确识别率分别为92.5%和95%,效果优于使用BP网络。
21 0 0年 1 1月
农机化研究
第 1 1期
利用 Ma a7 0神经网络工具箱中的 n w n (函 tb . l epn )
景,土壤湿度、照条件不敏感,对光受作物残余覆盖率的影响小,能适应不同的田间环境。
数设计 P N模型,码为 nt e p n P tsra ) N代 e=nw n (,,ped。其中, J p为输入向量,7为目标向量。sra 1 ped为径向基函数的分布密度。sra够对网络的分类性能产生 ped能 比较严重的影响,文通过测试, ra本 s ed设为 0 1时, p .测
试效果最好。核心代码如下: T=id vc T; n 2 e ( ) s e d=0. pr a 1;
2 )使用 P N分类器能有效地对玉米幼苗和杂草 N进行分类,确率达 9.% (米幼苗 ) 9% (准 25玉和 5杂 草 )效果优于 B, P网络。
3本文的杂草识别算法适于玉米幼苗与杂草交 )义轻微的场合,交叉严重时,于形状特征的杂草当基识别算法的识别率降低。因此,把握图像采集 (要和 除草 )时间,宜在玉米苗生长的晚期时进行。的不 参考文献: [] K of 1 r .M, Wa ig。J, o .L . dln r rc i p, ln a . L t .Mo eigf ei o l z l o p sn w e a ae n[/ Pei o gi l r,9 7 12— edm n gmet C]/ rc inA r ut e 19: 8 s c u 2 4 0 .
nt e p n P T sra ) e=nw n (,, ped; Y=s ntP; i e, ) m( Y=vc id Y) 1 e2n (。
2 3分类试验 .
利用 Os t u自动阂值法对 6 0幅玉米苗期杂草图像修正的超绿特征进行二值化处理,效分割出植物对有 象与土壤背景;用 A I工具中选择 2利 O O个玉米幼苗样本和 8 O个杂草样本,算出 4个形状特征后输入计
[]毛文华, 2王一鸣,张小超,基于机器视觉的苗期杂草实等.时分割算法[]农业机械学报,0 5 3 ( )8—8 . J. 20,6 1:3 6
P N网络进行训练;另外 4玉米幼苗样本和 2 0 N将 0个 0 个杂草样本的 4个形状特征输入 P N网络中进行测 N试。测试结果,表 2所示。如 表 2玉米幼苗与杂草 P NN识别结果 I e t id r s l fc r e d i g n e s i g s b NN d n i e e u t o o n s e l s a d we d ma e y P f s n
[]陈佳娟, 3纪寿文,马成林,基于遗传神经网络的玉米叶等. 色的自动测定研究[]农业工程学报,0 0 6 3:1 J. 20,1 ( ) 15 —
1 7. 1
[ Vco Ac aa s end Rdl m t H t n,e a. 4] i r l nt,L oi ie,A os e r i t 1 t h i z o W e
d d tc in i l e ee t n mu t o i— s e ta ma e f c t n f l s p cr l i g s o ot e d o i
[] C m ue n l t nc n A r ut e 0 5 4: J . o p t sad Ee r i i g cl r,20,7 r co s i u 24— 2 o. 3 6
[] Abr e ace ozl aae,X v rP,e a A 5 l t T l eh,G na Pjr eo l o s ai . t 1 e . c mp tr vso a p o c o e d ie t c t n h o g o u e iin p r a h f r w e s d ni a i tr u h i f o
Sp ot et c ie[] A pidS fC mpt g2 1 u pr V co Mahns J . p l o o ui,0 0 r e t n
P N分类器对玉米幼苗与杂草目标的准确识别率 N分别为 9 .%和 9%。分类错误主要发生在玉米幼 25 5 苗较小以及单子叶杂草较宽的情况下,过缩短杂草通检测的时间跨度可以减少该类错误。导致分类错误的 另外一种原因是双子叶杂草与玉米幼苗严重交叉,导致玉米幼苗被分为双子叶杂草,双子叶杂草被分为或
( )8 1:.
[] Ateha .M.. agt .IA,Mul s . . e a. 6 i ned k J,D l t . . ey ln.C E, t 1 i W e d a d c o s rmi ai n u i ma n lssa d a t— e n r p dici n to sngi ge a ay i n ri i f
ca i e i neme o s J . o p t n l t nc n i tlg c t d[] C m ue adEe r i i ln l e h s r co s Ag iulu e, 00 3: 5~ 1 . rc t r 2 3, 9 1 7 71
[] S err H l e .Patd n f ao s gcl 7 hae A, om s G l et ct nui o r O S R ni i i i n oC —
玉米幼苗。这种情况主要出现在玉米苗期晚期,由此可见图像采集时间对基于形状特征的杂草识别算法影响很大。 将上述样本的形状特征输入 B网络进行训练和 P
oc r nemaie[] Tasco so teA A cur c tcs J . rnat n
f h S E,19 e r i 90
3 6) 20 7—20 4. 3(: 3 4
[] C egJD,D S 8 hn aw .Mut—cas ct no i a uig l i lsi ao fp z s i f i z n cmpt io n up r vc rmahn[] Jun lo o ue v i a dsp o et c ie J . ora f r sn t o F o n i eig 20,6 2:3 2 2 oE gn r, 0 8 8 ( )2 4— 4 . e n
测试,P网络对玉米幼苗与杂草目标的准确识别率分 B 别为 8 .%和 9%,于 P N分类器。 75 3低 N
[] B r o R, i n . C nt ci a i f rbb— 9 e h M. . Da dJ. os ut et i n o oai td mo r v rn g p
lt e rl e ok[] N u cm ui, 9 8 1 17— i i nua n t rs J . er o p t g 19,9:6 sc w o n 1 3. 8
3结论 1利用修正的超绿特征能够有效分割植物与背 )
(转第 4下 7页 )
4 3

基于形状特征的玉米苗期杂草识别方法的研究_专业资料。为了从玉米苗中准确识别杂草...玉米田常见杂草及其防除... 18人阅读 1页 0.50 基于概率神经网络的玉米....
基于形状特征的玉米苗期... 暂无评价 3页 2.00 基于概率神经网络的玉米....玉米苗期杂草 的计 算机识别技术研究 龙满生 ,何东健※ ( 西北 农林科技大学...
毛文华.胡小安.张小超 基于机器视觉的田间杂草识别系统[会议论文]-2006 2. 侯晨伟.陈丽.Hou Chenwei.Chen Li 基于概率神经网络的玉米苗期杂草识别方法的研究[...
基于概率神经网络的玉米苗... 暂无评价 4页 2.00元 基于遗传算法和支持向量机...,SVIvI)算法应 用于杂草的光谱识别,为杂草识别分类提供一种科学研究方 法。...
实验结果表明 , 此方法可有效地识别出玉米苗期田间细长的单子叶杂草 。 关键词...基于概率神经网络的玉米... 暂无评价 4页 2.00 玉米田间常见杂草主要类....
基于概率神经网络的玉米苗... 暂无评价 4页 2.00元 基于成像光谱技术的作物杂...基于光谱和神经网络模型的作物与杂草识别方法研究基于光谱和神经网络模型的作物与杂...
基于颜色分量与直方图的玉米苗期背景分割方法研究_专业资料。对土壤背景进行有效分割是玉米苗期田间杂草识别的前提和基础。本研究利用颜色分量G-R和G-B与灰度直方图来...
南京 林业大学 研究了基 于 直接施药方法的玉米苗期...目前, 杂草识别通常采用基于机器视觉的方 法来 采集...而在玉米抽雄期和完全生长期使用人 工神经网络方法...
不同除草剂对夏玉米田杂草的防治效果研究_农学_农林牧渔_专业资料 暂无评价
热门文档