2015
基于机器视觉的杂草识别方法研究
01
研究背景
02 图像特征提取 04 实现过程及结果
目录
03 BP 神经网络 05
研究的总结及展望
01
第一部分：研究背景及意义
论文研究的背景 论文研究的意义 本课题研究的内容及工作
论文研究的背景
农间杂草的危害性
农田杂草是指那些生长在农田、分布广、危害农作物、非人工有意栽培的草本植物 。它是长期适应当地作物、耕作、气候、土壤等生态条件和其它因素而生存下来的，是农 业生态系统中的一个组成部分，是自然环境中适应性最强、最繁茂的植物。根据联合国粮 农组织报道，全世界共有杂草近5万种，其中农田杂草为8000多种，而危害粮食作物的杂草 约250多种。我国农田杂草约巧1500多种，其中恶性杂草有38种，区域性杂草有94种，常见 杂草有364种。农田杂草对农作物的生长有极大的危害性： 同农作物激烈地竞争水分和养分； 侵占地上和地下部分空间，影响作物光合作用，干扰作物生长； 杂草是作物病害、虫害的中间寄生； 增加管理用工和生产成本； 降低作物的产量和质量；· 影响人畜健康，影响水利设施。
2015-06-05
本课题研究内容与工作
本课题研究内容是以黄瓜田中的作 物叶片与杂草为主要研究对象，在机器视 觉的基础上，研究行间杂草识别方法，建 立BP神经网络系统。 ：
本课题研究的工作有：
•图像的采集，包括30幅杂草图片，30幅黄瓜作物 叶片。 •采集图像的纹理特征：通过MATLAB编程求出每幅 图像的灰度共生矩阵，并求出4个特征参数。 •采集图像的形状特征：求出每幅图像的7个Hu不 变矩。 •创建BP神经网络系统 •训练与测试；通过训练杂草和作物叶片各18幅图 像，并测试其余12幅图像，达到识别杂草与作物叶 片的最终目的。
2015-06-05
实验结果及误差分析
3）杂草与作物混合测试结果如表3-2所示，分别测试6幅杂草叶子，6幅作物叶子，通过BP网络进行测 试，正确率为66.7%，其中作物识别率为83.3%，杂草识别率仅为50%，原因是作物叶子种类单一，杂草叶 子种类繁多，测试的杂草叶子与预训练的叶子类型不一致，故混合测试正确率仅为66.7%。 光合速率模型因素偏少
2015-06-05
形状特征的提取
为什么要提取形状特征
当物体从图象中分割出来以后，形状描述特征与尺寸测量结合起来可以作为区分不 同物体的依据，在机器视觉系统中起着十分重要的作用。由于几何形状代表物体的本质特 征，并具有平移，缩放，旋转不变等特点，因此提取图像的形状特征就成为重中之重。在 本次实验中，通过观察我们发现杂草与作物叶片的形状存在差异，如下图所示，分别是杂 草和作物叶片，通过观察可以发现杂草叶片形状称椭圆形，作物叶片呈心形，分析得出形 状存在较大差异，因此我们可以提取形状特征实现杂草识别的方法。
01
02
03
算法存在一定的随机性
算法所需运行时间较长
杂 草 叶 片
黄瓜作物叶片
2015-06-05
创建BP神经网络
01
使用函数建立，训练并仿真神经网络 使用函数来建立神经网络，这里使用newff函数来建立一个前馈网络，并存放 光合速率模型因素偏少 到net这个结构中。函数如下所示
%%网络的建立 net=newff(minmax(inputmodel),*10,1+,,‘tansig’,‘purelin’-, ‘trainlm’);%建立网络 net.trainParam.epochs=300;%设置训练周期 net.trainParam.lr=0.1;%设置训练步长 net.trainParam.goal=0.00004;%设置训练的误差限 %%网络的训练 [net,tr]=train(net,inputmodel,outputmodel); %%网络的测试 an=sim(net,inputmodeltest);
2015-06-05
04
第三部分：实现过程及结果
数据采集 提取特征参数 创建BP网络 训练与测试 实验结果及误差分析
数据采集
杂草与黄瓜叶片原始图像： 本次实验中所用到的杂草与黄瓜叶片图像均是在 西北农林科技大学北校区北门外的实验大棚中拍摄 的。其中共包括30光合速率模型因素偏少 张黄瓜叶片图像，30张杂草图像 。以下选取其中各4副图像作为例子：
2015-06-05
02
第二部分：图像特征提取
纹理特征 形状特征 提取特征总结
纹理特征的提取 为什么要提取纹理特征
纹理（Texture）是按一定规则进行排列所形成的重复模式，或以一定的形式变化而 产生的图案。自然界中，许多植物、动物、矿物，都有其独特的纹理特征。利用它，人们 可以方便地识别或区分事物。在本次实验中，研究对象杂草与作物其表面纹理具有极大的 差异，如下图所示，分别是杂草图像和作物图像，通过观察杂草叶片纹理较粗糙，纹理简 单；黄瓜叶片纹理光滑，纹理复杂。分析得到存在较大差异，因此我们为了将杂草和作物 叶片区分出来，需要提取图像的纹理特征。
运算步骤
1、从训练集中取出某一样本，把信息输入网络中。 2、通过各节点间的连接情况正向逐层处理后，得 到神经网络的实际输出。 3、计算网络实际输出与期望输出的误差。 4、将误差逐层反向回传至之前各层，并按一定原 则将误差信号加载到连接权值上，使整个神经网络 的连接权值向误差减小的方向转化。 5、対训练集中每一个输入—输出样本对重复以上 步骤，直到整个训练样本集的误差减小到符合要求 为止。
BP神经网络概念即运算步骤
BP（Back Propagation）神经网络（如下图所示） 是一种按误差逆传播算法训练的多层前馈网络，是目前 应用最广泛的神经网络模型之一。BP网络能学习和存贮 大量的输入-输出模式映射关系，而无需事前揭示描述这 种映射关系的数学方程。它的学习规则是使用最速下降 法，通过反向传播来不断调整网络的权值和阈值，使网 络的误差平方和最小。BP神经网络模型拓扑结构包括输 入层（input）、隐层(hidden layer)和输出层(output layer)。
01 02
算法存在一定的随机 误差分析： 由BP网络对植物叶子与杂草叶子的识别，关键在于网络的预训练即学习，本实验只通 过了36幅目标图像对网络进行仿真训练，样本数较少无法精确的训练出杂草叶子与作物叶子的特征差 异，故实验结果正确率低仅为58.3%，又因为BP网络的参数设置需要一定的经验，而本人经验浅薄， 无法设置最为合适的BP网络参数，只有改善了以上两点模型建立缺陷才能够很好的对输入对象进行分 类识别。
2015-06-05
1 20 02
提取特征总结
本章通过灰度共生矩阵和Hu不变矩分别提取了图像的纹理特征和 形状特征，其中纹理特征具有4个特征参数，形状特征由7个Hu不变矩 体现。在下来的工作中每幅图像特征提取都要要用到以上共计11个的特 征参数。
结论
2015-06-05
03
第三部分：BP 神经网络
2015-06-05
论文研究的意义
论文研究的意义 杂草是影响我国农产品质量和产量的重要因素之一 。目前除草主要靠喷洒除草剂,而且是大面积的均匀喷洒 。这种喷洒方法不仅提高了农业的成本，也破坏了土地 的质量，污染了环境，不利于农业的可持续发展。大量 的实验表明田间杂草的分布是不均匀的，因此就要研究 一种变量喷洒的方法，为了实现变量喷洒，首要问题就 是要实现田间杂草的识别。基于此，本文进行了基于机 器视觉的杂草识别方法的研究。
2015-06-05
基于灰度共生矩阵的纹理特征分析方法
利用灰度共生矩阵提取纹理特征
用灰度共生矩阵可提取多种特征值，最常用的是以下 四个特征： 角二阶矩或能量：它是纹理灰度变化均一的度量，反 映了灰度分布均匀程度和纹理粗细度。 熵：熵可以度量纹理的随机性。当共生矩阵中所有值 均相等时，它取得最大值；相反，如果共生矩阵中的 值非常不均匀时，其值较小。 对比度：对比度是灰度共生矩阵主对角线附近的惯性 矩，它度量矩阵值的分布和局部变化，可反映了清晰 度和纹理的沟纹深浅。 相关性：它度量空间灰度共生矩阵元素在行或列方向 上的相似程度，因此，相关值大小反映了局部灰度相 关性。） 灰度共生矩阵是一种用来分析图像纹理 特征的重要方法，由于纹理是由灰度分布在空 间位置上反复出现而形成的，因而在图像空间 中相隔某距离的两象素之间会存在一定的灰度 关系，即图像中灰度的空间相关特性。灰度共 生矩阵就是一种通过研究灰度的空间相关特性 来描述纹理的常用方法。
2015-06-05
02
03
训练与测试
训练 设置完成训练的参数以后，就可以对网络进行训练了。使用train函数对网络进行训练，该函数需要提 供三个参数。第一个是刚才建立的网络，第二个是训练输入，第三个是期望输出。下面的语句中，我们对 刚刚建立的net网络进行训练，所用的训练输入是inputmodel，期望输出是outputmodel，训练好的网络仍 将会存放在net中。 [net,tr]=train(net,inputmodel,outputmodel);%使用inputmodel和outputmodel作为训练样本对net进行 优化模型， 参数的自动 接收准则的 训练，得到的结果存放到net中。 融入更多因 设置 改 测试 素 训练完成后，采用sim函数进行网络识别。将随机拍摄的测试输入inputmodeltest输入网络net中，得到的 结果存放在an里面，an就是一个包含测试结果的矩阵。 %测试数据预测 an=sim(net,inputmodeltest);%仿真网络，将inputmodeltest对应的输出存放到an中。
2015-06-05
基于Hu不变矩的形状特征分析方法
为了显示图像的形状特征，可以求出以下7个Hu不 变矩：以下七个由不高于三阶的中心矩构造的矩函数 式对于平移、旋转、尺度缩放都具有不变性。
利用Hu不变矩提取形状特征
不变矩：矩特征主要表 2 征了图像区域的几何特征，又 2 (20 02 )2 411 称为几何矩，由于其具有旋转 3 (30 312 )2 (03 321 )2 4 (30 12 )2 (21 03 )2 、平移、尺度等特性的不变特 5 (30 312 )(30 12 )[(30 12 )2 3(21 03 )2 ] 征，所以称其为不变矩。矩在 统计学中表征随机量的分布， (321 03 )(21 03 )[3(30 12 )2 (21 03 )2 ] 一幅灰度图像可以用二位灰度 6 (20 02 )[(30 12 )2 (21 03 )2 ] 411 (30 12 )(21 03 ) 密度函数来表示，因此可以用 7 (321 03 )(30 12 )[(30 12 ) 2 3(21 03 ) 2 ] 不变矩来描述灰度图像的形状 (312 30 )(21 03 )[3(30 12 ) 2 (21 03 ) 2 ] 特征。