论文部分内容阅读
随着科学技术的快速发展,视觉技术在农机作业中的应用也越来越广泛。应用视觉技术来识别与定位目标作物,可以显著提高除草机械的作业能力。目前广泛使用的除草机械只能清除行间杂草,对株间杂草显得无能为力。基于视觉的株间除草技术能针对性地清除作物周边杂草,可以有效地解决作物行间、株间的除草问题。针对苗期作物与杂草的分割,本文以田间玉米幼苗为研究对象,作物图像涵盖晴天、阴天两种光照环境和杂草较多、较少、少三种情况,分别探讨了基于常规轮廓骨架特征方法、融合SIFT特征和HARRIS角点特征的SVM分类器方法和基于Faster R-CNN模型的深度学习方法等三种方法,分别针对相同的玉米幼苗图像进行识别,以期筛选出识别准确率高且实时性好的方法。论文主要完成如下工作:(1)研究了基于骨架特征的作物识别定位方法。该方法在选取误差距离在10mm以内为的定位精准度为85.9%,图像的平均处理时间为516ms。(2)研究了通过SVM分类器,融合SIFT特征和HARRIS角点特征的特征向量进行训练,得到可分类的训练模型,并使用训练好的模型对图像进行识别分类。对比试验发现,使用RBF核函数的SVM分类器的效果最好,玉米幼苗的识别准确率为88.7%,图像的平均处理时间为1524ms。(3)针对人工选取的特征局限性较大和识别的实时性较差的问题,研究了基于深度学习模型Faster R-CNN模型的玉米幼苗识别方法。首先采集玉米幼苗图像并建立数据集,然后对样本图像进行标注,通过改进RPN网络候选框的方法,提高识别效率和准确率。玉米幼苗的识别准确率为96.1%。图像的平均处理时间为1242ms。实验结果表明:基于骨架提取方法对图像识别处理速度较快,识别准确率不高,在成像干扰和叶片相互遮挡的复杂情况下无法正确识别的问题;SVM分类器进行训练可以通过试验对比找到较好的分类效果及分类器参数以及核函数,分类准确率稍有提高,但图像处理速度较慢;基于深度学习的方法,通过类别标注,对Faster R-CNN网络模型及参数的调整和改进,训练得到的数据集,玉米幼苗识别效率非常高,且相比SVM识别速度有了不小提高。