下载文档原格式
我国森林资源结构复杂、分布广泛、类型多样。
遥感具有大尺度、多时相、连续观测的特性，可作为森林资源信息获取及动态变化监测的有效手段。
自20世纪70年代美国宇航局发射第1号地球资源卫星（Landsat 1）后，逐步开始了利用遥感技术进行森林植被分类、植被信息提取的研究。
新型遥感平台及传感器的出现，促进了遥感技术的快速发展，航空航天乃至地面成像传感器的时空分辨率不断提高[1]，遥感数据的获取能力不断增强[2]，遥感技术正向着“三多”（多传感器、多遥感平台、多方位）“四高”（高空间分辨率、高光谱分辨率、高时相分辨率、高辐射分辨率）方向发展[3]。
马浩然等[4]、王婷等[5]，分别选取QuickBird 、ZY-3遥感数据，结合不同方法开展森林植被分类研究；周小成等[6]采用多特征优选方法对无人机可见光遥感林分类型进行分类；杨丹等[7]探讨了U-Net 模型在多时相Landsat 8影像上的森林植被分类效果；Churches 等[8]基于2010、2011年的Landsat TM 影像，对海地的森林植被分类；Ke 等[9]将QuickBird 数据与低密度LiDAR 数据协同，验证了多数据源的森林分类精度高于单一数据源；Chang 等[10]将合成孔径雷达和多光谱数据融合，展现了多源遥感数据融合后提高森林类型分类精度的优势；向海燕等[11]选取Landsat8-OLI 和Sentinel-1A 数据，余笑之[12]整合ZY-3、Sentinel-2MSI 、Landsat8-OLI 数据，探寻多源遥感数据在地物识别分类中的潜力。
本文以云南省普洱市思茅区为研究区，选取2016年相同时相的Landsat 8光学遥感数据和Sentinel-1微波遥感数据为数据源，结合2016年云南省森林资源现地调查数据，参考森林资源监测技术标准和高分辨率遥感图像分析等相关理论[13]，通过对比不同影像融合方法、植被分类方法的分类精度，探索多源遥感数据在森林植被分类上的优势，为基于多元遥感数据的森收稿日期：2021-12-21基金项目：云南省科技厅重大科技专项（202002AA100007-015）。
基于机器视觉和深度学习的杂草识别系统研究摘要：本文探讨了基于机器视觉和深度学习的杂草识别系统。
杂草是农业生产中的主要问题之一，对作物产量和品质造成严重威胁。
传统的杂草识别方法面临着特征提取难、分类效果有限等挑战。
而近年来，深度学习技术的快速发展在杂草识别领域展现出了强大的潜力，为实现高效、准确的杂草识别提供了新的解决方案。
本文将首先介绍传统的杂草识别方法，然后重点探讨深度学习在杂草识别中的应用，以及深度学习方法相较于传统方法的优势。
关键字：机器视觉、深度学习、杂草识别、目标检测、农业智能化一、杂草识别技术与方法（一）传统的杂草识别方法传统的杂草识别方法主要基于计算机视觉技术，包括图像处理、特征提取和分类算法等。
这些方法通常需要手动设计特征来表示杂草的形态和纹理等信息。
然而，由于杂草的外形和颜色差异巨大，手动提取适用于所有杂草种类的有效特征变得十分困难。
此外，传统方法的分类准确率受到光照、阴影和图像噪声等因素的影响，难以满足复杂多变的农田环境需求。
（二）深度学习在杂草识别中的应用深度学习作为一种基于神经网络的机器学习技术，在杂草识别领域取得了显著的进展。
首先，深度学习模型具备强大的表征学习能力，能够自动从原始图像数据中学习到高层次的特征表示，克服了传统方法中手动特征设计的缺陷。
其次，卷积神经网络（CNN）是深度学习中常用于图像识别任务的模型，其卓越的特征提取能力使其在杂草识别中表现出色。
此外，随着深度学习模型的不断发展和优化，如ResNet、Inception等，其识别准确率得到了进一步提升。
深度学习方法在杂草识别中的应用不仅限于单一图像识别，还包括目标检测、实例分割等领域。
通过目标检测技术，可以实现对农田中杂草的自动定位和识别，为后续的精确除草提供指导。
此外，深度学习还可结合多光谱图像、红外图像等数据源，进一步提高杂草识别的准确率和鲁棒性。
二、杂草图像数据集构建杂草图像数据集的构建是基于机器视觉和深度学习的杂草识别系统研究的关键步骤之一。
基于随机森林法的农作物遥感识别方法研究作者：包珺玮于利峰乌兰吐雅来源：《河南农业·综合版》2020年第12期科技迅速发展，农业遥感技术用于农业资源监测已成为当今人们研究和应用的热点。
传统的农业信息获取方式往往采用统计汇总，以行政区域为统计单位，逐级统计汇总，需要投入大量的人力、财力，而统计结果时效性差、干扰因素多。
遥感技术具有监测范围广、时效性强、信息量大、成本低、数据及时准确等特点，被广泛应用于农情监测中，为农业产业规划、乡村振兴提供了科技支撑。
随着遥感影像数据源的不断丰富，高分辨率影像已广泛应用于大范围农作物面积的提取研究。
自2015年6月欧空局成功发射Sentinel-2A以来，因其影像覆盖范围大、分辨率高、光谱信息风度等优势被广泛应用于土地覆盖分类、农作物识别、物种分类等领域，取得了很好的效果。
朱琳利用Sentinel-2A多源遥感数据进行了农作物分类和面积的提取研究，取得了不错的效果，分类精度及Kappa系数都比光学遥感分类结果好。
王蓉等利用Sentinel-2A影像结合DEM高程模型提取雨养区和灌溉区的冬小麦种植面积，Sentinel-2A影像对冬小麦提取效果明显。
农作物面积提取是农作物估产、长势等农情信息分析的基础，如何提高农作物提取的准确性，改善分类时效性就显得尤为重要。
随机森林法作为一种集成学习方法，具有高效、灵活、准确、选择能力强等特点，被广泛应用于中高分辨率影像分类中。
黄春燕等基于Sentinel-2A数据，采用机器学习法以地块特征基元为基本单元，提取农作物分类信息，有效解决了“椒盐”效应，提高了农作物分类精度。
雷小雨等利用随机森林法结合构建差值特征对南方水稻种植面积进行提取，改善了水稻面积的提取精度。
王娜等利用单变量特征和随机森林法进行苏北地区主要农作物识别和提取，有效降低了数据冗余，提高了农作物的分类精度。
因此，如何利用遥感数据源、特征变量及面积提取算法模型提高分类精度已成为农作物识别的主要研究内容。
杂草种子视觉不变特征提取及其种类识别研究赵文仓 王军欣 曹海青（青岛科技大学自动化与电子工程学院 青岛 266042）摘 要 本文在杂草种子生物稳定遗传特征的基础上针对杂草种子进行了视觉不变特征提取的研究，首先分析了杂草种子和种脐的形状特征，提取了具有视觉不变性的16个特征值；然后利用BP 神经网络实现了杂草种子的识别；最后分析了其特征维数的变化与识别率、识别时间的关系。
实验结果显示,提出的特征具有较好的视觉不变性，基于该方法能够快速地对杂草种子进行检测，并且具有较高的识别率。
关键字：杂草种子、视觉不变性、特征提取、生物稳定遗传特征0 引言杂草对农业生产的危害触目惊心。
全世界每年都会因草害致使农作物减产，造成巨大损失。
我国在农业生产水平上的损失也相当严重。
加强和提高对杂草种子检疫鉴定手段和方法，以符合和适应检疫鉴定准确、快速之要求，至关重要[1]。
目前，国内外对种子形态特征的研究已经达到了较好的识别效果，Zayas 等在对样本中小麦和非小麦的图像识别中，采用了两种模式识别方法:用多元判别分析识别小麦、非小麦及杂草种子，但由于选用的参数不全是旋转不变的，所以需要手工按一定方向摆好颗粒，增加了工作的负担；龙满生等人以玉米苗期杂草为研究对象，用形状因子：长宽比、圆度、第一不变矩识别玉米和杂草，采用BP 神经网络识别杂草种子幼苗和杂草,但实验结果显示对杂草种子幼苗与杂草的识别率仅为87.5%和93.0%[2]。
杂草种子的分布极为广泛，可以生长在各种不同的环境中，但研究限于开花物候、繁殖系统、花期以及交配方式等方面。
近年来对杂草种子视觉不变性的研究比较少，还没有系统的讨论杂草种子的特征维数对识别有效性的研究。
并且每种杂草种子都具有自身的生殖生态学特点来适应不同的生境。
杂草种子的形状特征是进行分类识别的重要依据，本文提取了杂草种子的9个形状特征和HU 不变矩的7个特征，这16个特征不仅具有可区别性、可靠性、独立性、数目小等特点，同时具有平移、尺度和旋转不变性。
前言精细农业的发展，对农业生产的增产、减少浪费、生产效率的提高、农药使用量的减少、耕地环境的保护已经取得了显著的成果。
其中，田间杂草的识别与定位技术的发展已成为精细农业的重要组成部分[1]。
目前，我国对田间杂草识别定位技术的主要研究成果集中在图像处理领域，利用色彩空间、形态特征、光谱特性等原理。
多应用双目视觉技术，相较于单目视觉技术，双目视觉技术系统更为复杂。
随着相关领域新成果的不断问世，在杂草的识别定位方面的技术亦更加成熟，本文讨论的是基于图像处理的杂草识别定位相关技术。
1杂草定位技术发展历史及国内外研究现状1.1 发展历史数字图像处理出现于20世纪50年代，作为一门学科大约形成于20世纪60年代初期。
从20世纪70年代中期开始，随着各国的重视与研究力度的加大，图像处理技术在各个领域取得了长足发展。
同时在该时期，出现了第一部关于图像处理的著作，结合Marr 发表的视觉计算理论，主导了近20a 的研究方法[2]。
在随后的20世纪80年代，随着相关硬件、软件技术的发展，图像处理技术开始在农业生产中大量应用。
从作物生长状态的监测、病虫害的监测，到农业机器人领域关于果实采摘、杂草识别、杂草定位给药,涌现出了大量的成果。
1.2 发展现状该研究因其基于图像处理的特性，在进行识别时往往在目标的形态特征、纹理特征、颜色特征等之中选择一种或综合多种来进行处理，因此如何选择特征与如何准确快速的利用算选特征进行识别就成为了研究的关键所在。
国内外的研究人员在这两方面进行了大量的尝试。
1.2.1 国外研究现状欧美等发达国家在该领域起步比我国早很多，在1986年就开始利用图像处理技术进行植物的识别定位研究，目前很多成熟的方法已实际应用。
美国加利福尼亚大学戴维斯分校推出了一种基于图像的精确自动除草装置[3]，通过摄像装置获得目标区域的图像，识别出其中的杂草，在利用农药喷嘴在杂草区域进行精准喷药，或用激光枪将杂草直接杀死。
2000年，Majumdar.S 等[4]分别应用形状、纹理、颜色3个特征进行研究。
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010300123.2(22)申请日 2020.04.16(71)申请人 南京卓宇智能科技有限公司地址 210012 江苏省南京市雨花台区宁双路19号云密城8号楼4层-055(72)发明人 刘磊 赵彦峰 (74)专利代理机构 合肥方舟知识产权代理事务所(普通合伙) 34158代理人 刘跃(51)Int.Cl.G06N 20/10(2019.01)G06K 9/62(2006.01)(54)发明名称一种基于支持向量机和杂草算法结合的目标分类方法(57)摘要本发明涉及机器学习及目标分类领域，具体涉及一种基于支持向量机和杂草算法结合的目标分类方法，包括杂草算法优化步骤、支持向量机进行二分类步骤，杂草算法优化步骤包括种群初始化、生长繁殖、空间扩散、竞争排斥、重复。
本发明的有益效果：利用杂草算法不断调优核函数参数的选择，能够快速找到支持向量机核函数的最优参数，从而支持向量机在目标分类过程中精度更高，可靠性高，精度高，适应面广泛。
权利要求书1页 说明书4页CN 111523684 A 2020.08.11C N 111523684A1.一种基于支持向量机和杂草算法结合的目标分类方法，其特征在于，包括：1)杂草算法优化步骤1.1)种群初始化，一定数目的杂草以随机方式在D维空间扩散分布；1.2)生长繁殖，每个杂草种子生长到开花,然后根据其适应性产生种子，父代杂草产生的种子个数与母体的适应度成线性关系；1.3)空间扩散，以父代为轴线(均值)，子代个体以正态分布方式扩散在D维空间中，迭代过程中，每一代的标准差按如下规律进行变化，其中：σiter 为第iter次迭代的标准差值，σinitial 为起始标准差值，σfinal 为最终标准差值，iter max 为最大迭代次数，n为非线性调和指数；1.4)竞争排斥，经过数代的繁殖后，克隆产生的后代数目将超过环境资源的承受能力，通过预先设定的最大种群数目确定最大种群大小，当达到最大种群数目时先按前面规则自由繁殖，扩散完成后，再将父代和子代一起进行排列，按适应值大小进行淘汰，以达到种群上限要求；1.5)：重复步骤1.2)至步骤1.4)，直至满足设定的最优解条件或者达到最大迭代次数；2)支持向量机进行二分类步骤设所求的分类面表达式为：该分类面若能将训练样本线性分开，则：对于有限个数的样本，存在ε，s.t.即：其中综上所述，线性SVM的数学模型可以描述为：给定的训练样本集(x 1,y 1)，......，(x l ,y l )y i ∈{+1,-1}本质上是求解如下优化问题：优化目标：约束条件：y i (＜w ,x i ＞+b)≥1i＝1,2,3,......,l，引进核函数，将内积从＜x (i),x＞，映射到＜φ(x (i)),φ(x)＞。
