基于多光谱图像和SVM的玉米田间杂草识别

(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 201910267513.1(22)申请日 2019.04.03(71)申请人 山东理工大学地址 255086 山东省淄博市高新技术产业开发区高创园A座313室(72)发明人 赵静　李志铭　杨焕波　闫春雨　孟沌超　贾鹏　鲁力群　兰玉彬　(74)专利代理机构 淄博佳和专利代理事务所 37223代理人 孙爱华(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)G06K 9/34(2006.01)G06N 3/00(2006.01)

(54)发明名称一种基于无人机遥感的玉米田间杂草识别方法(57)摘要一种基于无人机遥感的玉米田间杂草识别方法，属于图像处理技术领域。其特征在于：包括如下步骤：步骤1，通过无人机获取玉米种植区域的图像数据，得到玉米种植区域的多光谱图像；步骤2，对玉米种植区域的多光谱图像进行图像分割；步骤3，对主成分分析处理后转换波段组合的伪彩色图像进行纹理特征提取，得到纹理特征参数；步骤4，对步骤3中得到的纹理特征参数进行降维处理，得到降维后的纹理特征参数；步骤5，建立分类监督模型，并对分类监督模型进行训练，通过分类监督模型对玉米种植区域内的杂草进行识别。通过本基于无人机遥感的玉米田间杂草识别方法，实现了试验区域的均布采样，同时

具有较高的识别率。

权利要求书2页 说明书8页 附图1页CN 109977901 A2019.07.05

CN 109977901

A1.一种基于无人机遥感的玉米田间杂草识别方法，其特征在于：包括如下步骤：步骤1，在玉米种植区域，通过无人机获取玉米种植区域的图像数据，对图像数据进行预处理，得到玉米种植区域的多光谱图像；步骤2，使用主成分分析法对玉米种植区域的多光谱图像进行图像分割；步骤3，利用灰度共生矩阵法作为纹理分析方法对主成分分析处理后转换波段组合的伪彩色图像进行纹理特征提取，得到纹理特征参数；步骤4，对步骤3中得到的纹理特征参数进行降维处理，得到降维后的纹理特征参数；步骤5，建立分类监督模型，并对分类监督模型进行训练，通过分类监督模型对玉米种植区域内的杂草进行识别。2.根据权利要求1所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：步骤1中所述预处理的过程为：首先对单幅图像进行辐射校正、几何校正，然后根据飞行POS数据寻找同名点，通过空三测量计算原始影像生成点云模型，最后添加纹理并将单通道图像组合为多光谱图像，得到玉米种植区域的多光谱图像。3.根据权利要求1所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：步骤3中所述的纹理特征参数包括：选择均值、方差、协同性、对比度、相异性、信息熵、二阶矩、相关性。4.根据权利要求1所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：在步骤1中，通过无人机得到玉米种植区域中蓝光、绿光、红光、红外、近红外五个通道的图像数据。5.根据权利要求1所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：步骤4中所述降维后的纹理特征参数包括：红色方差、蓝色方差、红边方差、蓝色对比度、近红外方差、近红外对比度、红边对比度、蓝色相异性。6.根据权利要求1所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：在步骤3中进采用Relief算法或主成分分析法行降维处理。7.根据权利要求1所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：在步骤5中建立的分类监督模型为随机森林模型或C4.5模型。8.根据权利要求7所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：所述的分类监督模型为随机森林模型，且将基决策树数量5的识别精度作为随机森林模型的识别精度。9.根据权利要求1所述的基于无人机遥感的玉米田间杂草识别方法，其特征在于：在执行步骤5之后，对步骤5中建立的分类监督模型进行结果分析与精度评价，并采用查准率P、查全率R以及F1值作为精度评价指标，查准率P、

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。一个高质量的数据集对于训练和评估杂草识别模型的性能至关重要。

|四川农业与农机/2023年4期|>>>农田杂草识别技术的研究现状及应用*

李万福张洪¤陈天虹西南科技大学生命科学与工程学院，四川绵阳摘要：我国是人口大国也是粮食消费大国，保障我国粮食安全生产是关系到国计民生的大事。杂草是农田作物生产的阻碍之一，而杂草识别技术是实现杂草分布监测、农药精准喷施、杂草精准防除的前提。本文就几种常见杂草识别技术的研究现状及在常见农田作物中的应用进行了概述，并讨论了杂草识别技术存在的问题及优化措施，以期为我国智能杂草防除系统的建立提供参考。关键词：杂草识别技术；农田作物；杂草防除

*基金项目：国家现代农业产业技术体系四川创新团队油菜草害绿色防控技术集成应用岗位(SCCXTD-2023-03)。作者简介：李万福(1998年-)，在读研究生。研究方向：农艺与种业。E-mail：liwanfu347069843@。¤通讯作者：张洪（1983年-），博士，讲师。研究方向：植物保护。E-mail：**********************.cn。我国的杂草危害十分严重，能造成约10%的作物产量损失。常见农田杂草防除主要依靠化学药剂防除，然而不科学大面积施用除草剂会造成土壤和作物中农药残留、环境污染、加速杂草群落更替等问题[1]。因此，寻求生态、高效的除草方法受到广大研究者的关注。通过杂草识别技术搭配智能除草机器人或精准变量喷洒装置等，能够做到杂草的精准识别和防除，而精准作业的前提便是杂草识别技术。因此，分析杂草识别技术的研究及应用现状，可为我国农田杂草绿色防治方案的制定提供参考，对实现农业杂草精准防治、农药减量增效、耕地环境保护，具有重要作用[2]。1杂草识别技术国内外研究现状目前，国内外对于农田杂草识别技术已开展了大量研究，并取得一定成效。传统的识别技术主要包括机器视觉识别法、光谱分析法和光谱成像法。当前的研究热点是基于深度学习的识别方法，因其方便、高效而被广泛应用于杂草识别中[3]。1.1基于机器视觉技术法的杂草识别随着计算机技术和人工智能的发展，计算机视觉技术得到了快速发展和广泛应用。利用机器视觉技术法对农田杂草进行识别的关键在于特征提取，通常利用杂草与作物之间的颜色、形状、纹理、位置等差异进行识别[4]。王佳玉等利用颜色特征将绿色植物从周边环境中分离，再通过图像分割得到只剩杂草的图像，方便后续杂草的定位[5]。1.2基于光谱分析法的杂草识别技术光谱检测分析技术的原理主要是根据杂草与作物的光谱特征反射率不同而进行识别和区分。该方法具有速度快、不破坏样品、实时性好等特点。光谱分析技术可分为可见光谱分析技术、近红外光谱分析技术、中红外光谱分析技术等[6]。白敬等[7]利用光谱分析技术，对冬油菜苗期杂草进行了快速识别。然而，植物的光谱特性易受光照、土壤、病虫害等多种因素影响而造成误判，在实际应用上受到一定限制。1.3基于光谱成像法的杂草识别技术光谱成像法是光谱分析技术与机器视觉技术的结合，可同时获得样本的外部形态特征和光谱特征，因此，相较于机器视觉技术和光谱分析技术，其识别精度更高。光谱成像技术常用的有高光谱成像技术和多光谱成像技术。高光谱成像技术的利用波段较多，其光谱分辨率相较于多光谱成像技术更高，一般用于研究。多光谱成像技术实时性好、响应速度快，更适合田间杂草识别。乔永亮等[8]采用多光谱图像识别法对玉米田中杂草进行识别研究，识别率达97.22%。1.4基于人工智能深度学习法的杂草识别技术深度学习法的出现有效地解决了传统的基于机器视觉或光谱识别受主观因素影响大、依赖人工手动提取特征的问题。深度学习中的卷积神经网络(CNN)能够从大量训练样本中自动提取特征，并且得到的特征描述比原始数据表达效果更好[9]，从而在杂草识别方面表现出强大的能力。杨泽宇等[10]研究表明基于深度学习CNN相较于传统支持向量机(SVM)和随机森林(RF)方法，提取的冬油菜空间分布精度和面积精度更好，为进一步实现冬油菜提取自动化提供了试验基础。2杂草识别技术在常见农田作物中的应用2.1稻田中杂草的识别和分类桂越等[11]利用卷积神经网络对农田杂草与水稻进行分类识别，其识别正确率达85.00%以上。邓向武[12]采用深度卷积特征的识别方法对6种稻田苗期杂草进行识别，识别精度高于94.00%。范德耀[13]应用BP神经网络分类器对5种常见水稻田间杂草的颜色特征、纹理特征参数进行了种类识别研究，表现出较好的识别效果。Barrero等[14]利用神14Copyright©博看网. All Rights Reserved. 调查研究

如何使用多光谱遥感图像进行农作物分类

遥感技术作为一种获取地球表面信息的方法，正被越来越广泛地应用于农业领域。其中，多光谱遥感图像被用来进行农作物分类，可以帮助农业生产者快速准确地了解农田的种植情况，提高农作物管理的效率和决策的准确性。

农业是人类社会的基石，而农作物的分类是农业生产管理的重要一环。在过去，传统的农作物分类方法主要依靠人工观察和地面调查，但这种方法需要耗费大量的时间、人力和物力，而且结果往往有一定的主观性和不准确性。多光谱遥感图像则提供了一种更加高效、准确的农作物分类技术。

多光谱遥感图像是通过采集地球表面不同波段的光谱信息来获取农田的遥感数据。传感器可以捕捉不同植被类型的反射特征，根据不同植被在不同波段的光谱响应，可以将农田中的植被按照其类型进行分类。

首先，多光谱遥感图像可以通过准确捕捉不同波段的反射光谱特征，对农田中的不同植被进行分类。例如，在红外光谱波段中，植被的反射率较高，而土壤的反射率较低。因此，通过解析多光谱图像中的红外波段，可以清楚地区分出植被和土壤区域，从而实现农作物的分类。

其次，多光谱遥感图像可以识别和区分不同农作物。不同的农作物具有不同的反射光谱特征，通过比对多光谱图像和农作物光谱库的数据，可以将农田中的不同农作物进行分类。例如，小麦和玉米在绿光波段的反射率差异较大，因此可以通过解析多光谱图像中的绿光波段，对小麦和玉米进行分类。

此外，多光谱遥感图像还可以提供农作物生长状况的评估。不同农作物在不同生长时间段具有不同的反射光谱特征。通过定期获取多光谱遥感图像，可以对农田中的农作物生长情况进行监测和评估。例如，在农作物生长的初期，由于植被覆盖较少，土壤的反射率较高；随着农作物生长，植被的反射率逐渐增加。通过解析多光谱图像中的近红外波段，可以对农作物的生长情况进行快速评估。 最后，多光谱遥感图像的分类结果可以为农业生产和管理提供决策依据。通过对农田的分类，可以了解农田中不同农作物的分布情况，对农田的利用和种植计划进行优化和调整。例如，可以合理安排不同农作物的种植面积，以最大程度地提高农田的产出效益。同时，通过对农作物生长情况的评估，可以及时调整农业生产的管理措施，提高农作物的质量和产量。