[发明专利]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

权利要求书

1.一种基于多特征融合和BP神经网络的稻田杂草识别方法，其特征在于：首先是基于图像处理技术对稻田杂草的多种类特征进行提取；然后将这些特征融合作为BP神经网络的输入数据进行训练与检测；最后采用训练完的BP网络分类器对新的杂草进行辨识；多种类特征包括颜色、形态和纹理三类特征；BP神经网络，看作输入杂草的多种类特征参数到输出对应杂草类别的非线性映射。

2.按照权利要求1所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法，其特征在于：具体包括以下步骤：s1，图像采集；s2，图像预处理；s3，多特征提取；s4，BP神经网络设计；s5，BP网络分类器训练；s6，BP网络分类器检测；s7，训练后的BP网络分类器对新杂草图像识别。

3.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法，其特征在于：步骤s1中，图像采集是采用两个高清摄像头，成左右互补对称安装在作业机具上；工作时沿作物行进行拍摄，获得高清图像。

4.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法，其特征在于：步骤s2中，图像预处理包括：使用颜色因子灰度化、滤波处理、阈值分割二值化和形态学后处理；颜色因子灰度化为使用G-R颜色因子对图像灰度化，分割杂草和水田背景，获得灰度化图像；滤波处理为使用中值滤波，滤除背景杂噪音，获得滤波后的图像；阈值分割二值化为采用0.15固定阈值分割图像，获得二值化图像；形态学后处理为通过使用腐蚀、膨胀和菱形结构闭运算，获得适合特征提取的最终图像。

5.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法，其特征在于：步骤s3中，多特征提取包括，通过预处理后图像，对杂草颜色、形态和纹理这三类特征进行提取；颜色特征具有旋转、尺度和平移不变性优点；形态特征包括杂草的形状参数，与人的视觉感知系统具有关联性；纹理特征是反映像素空间分布的区域特征，也是杂草颜色和形态特征另一重要特征的补充；颜色特征提取是提取图像RGB和HSV颜色空间模型下R、G、B、H、S颜色分量的一阶矩、二阶矩及三阶矩的颜色矩特征；形态特征提取，包括面积、周长、长度、宽度基本形状参数提取；以及通过基本形状参数计算得到的分散度、致密度、宽长比、圆型度、伸长度的无量纲几何形态特征提取；纹理特征提取，基于灰度共生矩阵，将对比度、能量、同质性、相关性、均值、标准差、平滑度、三阶矩、一致性及纹理特征提取。

6.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法，其特征在于：步骤s4中，BP神经网络设计，具体步骤包括：1)输入结点个数确定；2)隐含层结点个数确定；3)输出结点的个数确定；4)学习速率的选择；5)期望误差的选取。

7.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法，其特征在于：步骤s5中，BP网络分类器训练，随机抽取预处理后的图像样本中的80％作为训练样本，对BP网络分类器进行训练；输入数据时利用归一化处理，加快BP神经网络学习时收敛速度。

8.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法，其特征在于：步骤s6中，BP网络分类器检测，预处理后的图像样本中80％作为训练样本，剩余的20％作为检测样本，对训练后的BP网络分类器进行仿真测试；1)若准确率不满足要求，则继续对BP网络分类器进行反馈，增加样本继续训练；2)若识别速度不满足要求，则重新设计或优化BP神经网络；3)若两者满足要求，则完成对BP网络分类器检测。

9.按照权利要求2所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法，其特征在于：步骤s7中，训练后的BP网络分类器对新杂草图像识别，通过安装在作业机具上的高清摄像头，获得新杂草图像，通过预处理后，输入到完成训练后的BP网络分类器，实现对稻田杂草的位置、密度和种类精准辨别。

10.按照权利要求1至9中任一项所述的一种基于多特征融合和BP神经网络的稻田杂草识别方法的应用，其特征在于：应用于复杂水稻田环境下的杂草识别。