基于DSP的水稻杂草识别研究

论文摘要

水稻杂草对水稻生长带来极大危害,它是长期适应水稻耕种、气候、土壤等生态环境而生存下来的,具有很强的适应能力。杂草与水稻争夺养分、水分及光照等,易于助长病虫害的滋生和蔓延,降低水稻产量和质量,给水稻粮食生产造成巨大损失。面对严重的水稻杂草危害,目前主要的除草方式有人工除草和化学除草。人工除草需要大量劳动力,效率低；化学除草由于高效的除草能力而备受广大农民的青睐,成为目前最主要的水稻除草方式。化学除草一般采用大面积喷洒农药,这种喷洒方式不仅提高了农业成本,而且破坏了土壤质量,污染了环境,不利于农业的可持续发展。大量实验表明水稻田间杂草分布是不均匀的,因此要研究一种变量喷洒的方法,即在有杂草的地方喷药,在没有杂草或杂草密度低的地方停止喷药。为实现变量喷药,首先要实现对水稻田间杂草的实时识别。本研究以DSP为主处理芯片,搭建水稻杂草识别系统,实现对水稻杂草的实时识别与标记,为后续定点变量喷药除草系统的开发奠定基础。本论文主要研究内容、结果与创新点包括：（1）选用TI公司的TMS320DM642为主处理芯片,搭建水稻杂草识别硬件平台,完成水稻杂草识别算法编程,实现系统对水稻杂草的实时识别与标记。（2）研究提取水稻田间图像感兴趣区域方法,通过对各颜色特征的分析,得出2g-r-b、2G-R-B和色度H三种颜色特征值都可以用来进行水稻田间背景的分割。对于水稻、杂草与背景的分割,提出结合超绿和超红颜色因子组合,应用最大类间方差法实现对水稻田间背景的自动分割；（3）研究水稻田间图像采集方法,提出针对此采集方式的杂草区域分割算法,实现对水稻田间杂草区域的识别,并完成对杂草区域的区域标记和面积计算；（4）在对五种水稻田间杂草（稗草（Echinochloaphyllopogon Koss）、矮慈菇（Sagittaria Pygmaea Miq）、丁香蓼（Ludwigia prostrata Roxb）、四叶萍（Marsilea quadrifolia）、鸭舌草（Monochoria vaginalis Presl））的特征提取上,利用非均匀量化的直方图提取颜色特征,提高系统识别鲁棒性。利用灰度共生矩阵提取纹理特征,压缩了杂草图像的灰度级,减少了3/4的计算量,降低杂草特征提取的复杂度；在对五种常见水稻田间杂草的种类识别种,分别应用贝叶斯、支持向量机以及BP神经网络三种分类器对颜色参数集、形态参数集、纹理参数集以及所有参数集进行了种类识别研究,结果表明,BP神经网络在水稻田间杂草种类的识别中更具优越性；

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究目的与意义
• 1.2 国内外研究进展
• 1.2.1 基于机器视觉的农田杂草识别系统研究进展
• 1.2.2 基于图像的农田杂草识别算法研究进展
• 1.3 研究内容与技术路线
• 1.3.1 研究内容
• 1.3.2 技术路线
• 1.4 本章小结
• 第二章 基于DSP的水稻杂草识别系统设计
• 2.1 DSP概述
• 2.2 DSP水稻杂草识别系统硬件设计
• 2.2.1 系统硬件平台总体结构
• 2.2.2 图像采集
• 2.2.3 系统视频端口
• 2.2.4 图像显示
• 2.3 DSP水稻杂草识别系统软件设计
• 2.3.1 集成开发环境CCS简介
• 2.3.2 系统软件设计
• 2.3.3 系统初始化模块
• 2.3.4 图像采集和存储模块
• 2.3.5 图像处理模块
• 2.3.6 图像显示模块
• 2.4 本章小结
• 第三章 基于DSP的水稻杂草识别算法研究
• 3.1 图像预处理
• 3.1.1 颜色空间模型
• 3.1.2 图像去噪的常用方法
• 3.1.3 水稻杂草图像去噪
• 3.2 图像分割
• 3.2.1 图像感兴趣区域颜色测定与分析
• 3.2.2 图像分割的定义与分类
• 3.2.3 直方图双峰法
• 3.2.4 自适应闽值分割法
• 3.2.5 水稻田间背景分割
• 3.2.6 水稻杂草分割
• 3.2.7 杂草区域标记与面积计算
• 3.4 本章小结
• 第四章 基于图像的水稻杂草种类识别研究
• 4.1 水稻杂草特征提取
• 4.1.1 颜色特征
• 4.1.2 形态特征
• 4.1.3 纹理特征
• 4.1.4 特征参数优化分析
• 4.2 水稻杂草种类识别
• 4.2.1 模式识别方法
• 4.2.4 水稻杂草种类识别
• 4.3 本章小结
• 第五章 系统测试结果与分析
• 5.1 基于DSP的水稻杂草识别系统
• 5.2 基于DSP的杂草分割效果测试与分析
• 5.2.1 图像采集与预处理
• 5.2.2 水稻田间背景分割
• 5.2.3 图像灰度化与二值化
• 5.2.4 杂草区域分割
• 5.2.5 杂草区域标记与面积统计
• 5.3 水稻杂草种类识别结果与分析
• 5.3.1 贝叶斯分类识别结果与分析
• 5.3.2 支持向量机识别结果与分析
• 5.3.3 神经网络识别结果与分析
• 5.4 本章小结
• 第六章 结论与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间所取得的相关科研成果