[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

说明书

本发明涉及一种基于多特征融合和BP神经网络的稻田杂草识别方法，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。还涉及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。本发明可实现对稻田杂草的位置、密度和种类精准辨别；可对复杂水稻田环境下的杂草进行精确快速地识别，解决了目前稻田杂草识别速度慢、准确率低的问题，属于农业机械智能识别领域。

技术领域

本发明属于农业机械智能识别领域，具体涉及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。

背景技术

稻田杂草对水稻的生长及产量会产生影响。杂草的适应性以及繁殖力强，会与水稻争夺养分、水分、阳光以及生长空间，妨碍其通风、透气，影响土壤表层的温度，直接造成农作物严重减产，更不利于土壤的可持续利用。为了维持水稻的高产，去除杂草是十分必要的。目前，杂草防除的方法除人力除草外，主要有化学除草和机械除草。化学除草有着节省劳力、除草及时、经济效益高、适合大面积作业等优势，己经成为现代农业主要的除草方式，但靠大面积喷洒化学除草剂会带来的环境污染问题。机械式除草具有环境友好，疏松土质等优点，但不具备根据杂草类型、分布密度等特点施以差异化的机械防除。因此，田间杂草的自动识别是实现设计精准式变量喷洒除草或智能化除草机的前提。

综合国内外对杂草识别的文献可知，对稻田杂草的精确、快速、自动识别是精准化、智能化除草的前提。国内外，有许多学者都进行过研究并发表了大量论文和成果。但目前大多数杂草识别方法，只能适合旱田杂草、农作物与杂草特征差别较大的情况。还有一些识别方法受水稻田背景反光、禾本科杂草与水稻形态相似、环境因素等复杂因素影响，杂草识别的准确度不高，无法达到实际应用的需要。

为解决上述问题，本发明提出了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。本发明可对复杂水稻田环境下的杂草进行精确快速地识别，可解决目前稻田杂草识别速度慢、准确率低的问题。

发明内容

针对现有技术中存在的技术问题，本发明的目的是：提供一种有效提高识别速度和准确率的基于多特征融合和BP神经网络的稻田杂草识别方法及其应用。

为了达到上述目的，本发明采用如下技术方案：

一种基于多特征融合和BP神经网络的稻田杂草识别方法，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。

一种基于多特征融合和BP神经网络的稻田杂草识别方法，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。

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。

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。