基于ABC算法和概率神经网络的玉米与杂草识别
提高生产力和系统升级对于加快农业发展至关重要。杂草在农田中生长和繁衍，它们与农作物竞争水、光、土壤养分和空间，扰乱农业生产和农产品质量，阻碍了农业发展，因此，通过杂草控制策略来维护农作物的生长至关重要。目前，控制杂草的一些策略包括人类手工清除杂草，机械除草，或使用除草剂。其中，最经济实惠效率最高的玉米田杂草清除方式是化学除草防草，而对除草剂的滥用与过度喷洒不仅会使杂草产生抗药性还会造成环境污染甚至使除草剂残毒进入人体。机器视觉系统能够区分农作物和杂草，通过一个自动化系统在农田的不同部分采集图像，对相应的杂草区域识别和喷洒药剂，有效地应用除草剂从而提高收益性并且减少环境污染。在总结国内外相关研究的基础上，针对传统的杂草识别算法存在识别精度低且实时性能差等的缺陷，本文提出了一种基于人工蜂群(Artificial Bee Colony, ABC)算法和概率神经网络(Probabilistic NeuralNetwork, PNN)的玉米与杂草识别方法，主要工作如下: (1)采集大量玉米杂草图像并做超绿色法处理使其绿色特征增强。对采集的图像进行编码为后续图像处理算法做准备，针对采集的图片主要是绿色植物与土壤背景的情况，对图像RGB颜色空间模型的颜色分量进行分析，选择了合适的特征量，对彩色图像的三个分量处理后，使其绿色特征增强，得到了植物突出的灰度图像。 (2)使用二维的最大类间方差法(Otsu)快速将图像分成前景和背景两部分。针对杂草图像的特点及其识别的实时性需求，将上文处理过的植物图像采用了二维Otsu分割算法得到二值图像。 (3)数学形态学可对图像形状的细节进行处理，在图像检测、机器视觉等方面有着广泛而成功的应用先例。针对本文图像预处理分割出的二值图像存在野点的情况，采用了形态学处理算法的开运算(Open)和闭运算(Close)，使图像特点凸显出来。 (4)研究如何提取玉米杂草叶片的特征:第一，通过对每一幅图片的植物像素点分析运算，提取了植物的6个颜色特征。第二，不变矩主要体现了图像区域的几何特征，其具有平移、尺度、旋转等特性的不变特征，提取了7个不变矩特征。 (5)研究提取最优特征组合的方法并构造玉米杂草分类器:提出了基于ABC算法和PNN的玉米与杂草识别。用ABC算法从上述提取的特征中选取出玉米与杂草最优的特征组合可改进大量冗余特征输入费时费力的缺陷;并应用ABC算法对PNN平滑因子进行迭代最优得自适应选取，以便提高PNN的识别性能;最后将优选出的特征向量作为PNN的输入，杂草或者玉米的二值数据作为输出训练神经网络，从而判别其属于玉米或杂草。 (6)基于ABC算法对PNN平滑因子进行迭代最优得自适应选取。PNN参数平滑因子的选定，传统方法是经验取值，不能针对不同的训练集测试集自适应性地选取最有效的参数用于数字图像玉米和杂草的分类，增加了ABC算法的PNN杂草识别方法弥补了这个不足，且对特征的选择提高了分类效率，因此相对传统的PNN和支持向量机杂草识别算法，结合了ABC算法的PNN杂草识别算法识别精度和识别速度都显著提高。
玉米;杂草;图像识别;概率神经网络;人工蜂群算法
河南师范大学
硕士
软件工程
张新明
2015
中文
TP391.41
61
2015-12-29（万方平台首次上网日期，不代表论文的发表时间）