【原】苗中华等：基于图像处理多算法融合的杂草检测方法及试验（2020年第4期）

基于图像处理多算法融合的杂草检测方法及试验

苗中华1， 余孝有1， 徐美红2， 何创新1， 李楠1， 孙腾1*
（1.上海大学 机电工程与自动化学院，上海 200444；2.上海新弘生态农业有限公司，上海 202162）

摘要：自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题，针对上述问题，本研究提出了基于图像处理多算法融合的田间杂草检测方法，设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式，综合权衡上述三种方法，实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究，结果表明，使用融合多图像处理算法的投票方法进行作物和杂草识别定位，杂草识别平均错误率为1.79%，识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法，基于投票权重识别杂草的精度平均提升5.71%。同时，针对复杂多变的农业场景，进行了存在雨滴和阴影干扰的鲁棒性测试，实现了90%以上的作物识别结果，表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。

关键词：杂草检测；投票权重；算法融合；图像处理；自动识别

点击直达知网（搜索阅读）

点击直达官网阅读（免费）

引文格式：
苗中华, 余孝有, 徐美红, 何创新, 李楠, 孙腾. 基于图像处理多算法融合的杂草检测方法及试验[J]. 智慧农业(中英文), 2020, 2 (4): 103-115.
MIAO Zhonghua, YU Xiaoyao, XU Meihong, HE Chuangxin, LI Nan, SUN Teng. Automatic weed detection method based on fusion of multiple image processing algorithms[J]. Smart Agriculture, 2020, 2 (4): 103-115. (in Chinese with English abstract)

文章图片

图1 移动机器人平台 

Fig. 1 Mobile robot platform

图2 技术方法流程图 

Fig. 2 Flow chart of technical methods

图3 图像预处理流程图 

Fig. 3 Flow chart of image data preprocessing

图4 RGB到HSV色域转换结果 

Fig. 4 Color gamut transform results of RGB to HSV

图5 基于三种灰度图指标的背景分割图 

Fig. 5 Background segmentation image based on three gray-scale indexes

图6 背景分割图像预处理结果 

Fig. 6 Preprocessing results of background segmentation image

图7 作物和杂草面积评估流程图 

Fig. 7 Area evaluation flow chart of crop and weed

图8 完整作物图像模板匹配杂草检测结果 

Fig. 8 Weed detection results of complete crop image template matching

图9 作物叶片图像模板匹配杂草检测结果 

Fig. 9 Weed detection results of crop leaf image template matching

图10 大豆作物与杂草背景分割图及其S分量图 

Fig. 10 Background segmentation diagram and its S component diagram

图11 杂草检测投票处理流程图 

Fig. 11 Flowchart of weed detection vote processing

图12 原图杂草质心检测 

Fig. 12 Weed centroid detection results of original image center

图13 样本1~4面积阈值法杂草检测结果 

Fig. 13 Weed detection results of Sample 1－4 using area threshold method

图14 样本1~4模板匹配杂草检测结果 

Fig. 14 Weed detection results of Sample 1－4 using template matching

图15 样本1~4饱和度阈值检测结果 

Fig. 15 Weed detection results of Sample 1－4 using template saturation threshold

图16 样本1~4杂草投票检测结果 

Fig. 16 Weed voting results of Sample 1－4

图17 样本1~4杂草质心检测结果 

Fig. 17 Weed centroid detection results of Sample 1－4

图18 基于投票权重方法的作物和杂草雨滴情况检测 

Fig. 18 Crop and weed detection with raindrops based on voting weight

图19 基于投票权重方法的阴影下作物和杂草 

Fig. 19 Detection of plants under shadow based on voting weight

来源：《智慧农业（中英文）》2020年第4期