CN109975296A - 一种针对绿色叶菜类蔬菜的杂草识别方法 - Google Patents
一种针对绿色叶菜类蔬菜的杂草识别方法 Download PDFInfo
- Publication number
- CN109975296A CN109975296A CN201910311044.9A CN201910311044A CN109975296A CN 109975296 A CN109975296 A CN 109975296A CN 201910311044 A CN201910311044 A CN 201910311044A CN 109975296 A CN109975296 A CN 109975296A
- Authority
- CN
- China
- Prior art keywords
- area
- interest
- vegetables
- green
- vegetation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种针对绿色叶菜类蔬菜的杂草识别方法,包括以下步骤:(1)通过均匀分割,选择n×m个位置的像素点,并以该像素点为中心提取感兴趣区域;(2)根据n×m个感兴趣区域的颜色特征值,提取田间图像中相近颜色特征的区域,得到分割图像,分割出植被区域;(3)比较各分割图像间的绿色植被区域面积差异,若出现植被区域较大差异(出现伴生杂草,存在一定颜色差异),且感兴趣区域为绿色(排除土壤背景、光照反光等干扰)则判断存在伴生杂草。本发明由于感兴趣区域均匀选取,从概率的角度看,有较大几率出现感兴趣区域落在杂草区域的情况,从而实现杂草区域的分割。
Description
技术领域
本发明涉及的是一种杂草识别方法,具体涉及一种针对绿色叶菜类蔬菜的杂草识别方法。
背景技术
绿色叶菜类蔬菜:主要指以食用绿色菜叶为主的蔬菜,如菠菜、油菜、生菜、芥菜等。绿色叶菜类蔬菜在生长中有可能出现杂草,如果希望使用变量喷洒除草剂减少农药残留,那么首先需要识别是否出现杂草。针对绿色叶菜类蔬菜叶片颜色与伴生杂草均为绿色,较难识别的问题,本发明提出引入感兴趣区域进行杂草区域与蔬菜区域的识别。
已有利用机器视觉识别杂草的研究缺乏绿色叶菜类蔬菜的针对性研究,多是从杂草位置、形状、光谱特征进行分析。绿色叶菜类蔬菜由于叶片面积大,颜色与伴生杂草相近,一直是杂草识别的难点。
现有基于机器视觉的杂草识别技术中,对于绿色叶菜类蔬菜缺乏针对性研究,主要是由于绿色叶菜类蔬菜叶片颜色与伴生杂草相近难于识别。本发明,引入感兴趣区域进行叶菜类蔬菜的提取。在图像中均匀分布若干个区域分别为感兴趣区域。然后根据感兴趣区域的颜色特征值进行图像分割,从而提取与感兴趣区域特征值相近的区域。从概率的角度上看,所提取的感兴趣区域包括杂草区域的概率较大,因此可以提取出杂草区域。
如图1原图在将图像分为6×6个区域后,在4×4个中心点选取感兴趣区域,分别根据感兴趣区域提取颜色特征值相近区域的16个结果如下图2所示。当感兴趣区域落在杂草区域时,就能将杂草区域识别出来。(感兴趣区域:感兴趣区域是图像中最能引起观察者兴趣、最能表现图像内容的区域,它含有的信息量最大,用这些区域就足以描述整幅图像,更加接近观察者想要获得的内容。)
综上所述,本发明设计了一种针对绿色叶菜类蔬菜的杂草识别方法。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种针对绿色叶菜类蔬菜的杂草识别方法,由于感兴趣区域均匀选取,从概率的角度看,有较大几率出现感兴趣区域落在杂草区域的情况,从而实现杂草区域的分割。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种针对绿色叶菜类蔬菜的杂草识别方法,包括以下步骤:
(1)通过均匀分割,选择n×m个位置的像素点,并以该像素点为中心提取感兴趣区域;
(2)根据n×m个感兴趣区域的颜色特征值,提取田间图像中相近颜色特征的区域,得到分割图像,分割出植被区域;
(3)比较各分割图像间的绿色植被区域面积差异,若出现植被区域较大差异(出现伴生杂草,存在一定颜色差异),且感兴趣区域为绿色(排除土壤背景、光照反光等干扰)则判断存在伴生杂草。
所述的感兴趣区域个数在50-150个之间,感兴趣区域等效长方形的大小为相邻两个感兴趣区域间距离的5%-50%之间。
本发明均匀分布设置感兴趣区域,然后根据感兴趣区域的颜色特征对田间图像进行分割获得植被区域。根据不同感兴趣区域对应植被区域面积的大小,判断是否有伴生杂草。
本发明具有以下有益效果:
绿色叶菜类蔬菜与杂草颜色相近,但是存在一定差别,若以颜色特征进行分割则可能受光照等环境因素的影响,较难对杂草面积进行判断。本发明针对叶菜类蔬菜叶片面积较大,提出从感兴趣区域进行图像分割,提取与感兴趣区域颜色特征相近的植被区域,再通过植被区域的大小判断是否存在杂草。由于感兴趣区域均匀选取,从概率的角度看,有较大几率出现感兴趣区域落在杂草区域的情况,从而实现杂草区域的分割。那么,这时候该感兴趣区域对应植被面积就会较为明显的存在差异,既不是面积较小(感兴趣区域落在土壤、光斑等干扰上),也不是面积较大(感兴趣区域落在叶菜类蔬菜叶片上),从而实现杂草识别。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1为本发明背景技术中的原图;
图2为本发明识别结果图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参照图1-2,本具体实施方式采用以下技术方案:一种针对绿色叶菜类蔬菜的杂草识别方法,包括以下步骤:
(1)通过均匀分割,选择n×m个位置的像素点,并以该像素点为中心提取感兴趣区域;
(2)根据n×m个感兴趣区域的颜色特征值,提取田间图像中相近颜色特征的区域,得到分割图像,分割出植被区域;
(3)比较各分割图像间的绿色植被区域面积差异,若出现植被区域较大差异(出现伴生杂草,存在一定颜色差异),且感兴趣区域为绿色(排除土壤背景、光照反光等干扰)则判断存在伴生杂草。
所述的感兴趣区域个数在50-150个之间,感兴趣区域等效长方形的大小为相邻两个感兴趣区域间距离的5%-50%之间。
现有基于机器视觉的杂草识别技术,首先根据植被颜色特征进行图像分割,分割过程受光照等环境因素的影响,较难区分绿色叶菜类蔬菜的叶片和杂草。本发明提出在图像中假设若干感兴趣区域,通过颜色特征相近提取植被区域,再根据植被区域的面积判断是否存在伴生杂草,较好的利用的绿色叶菜类蔬菜叶片面积大的特点,放大了蔬菜叶片与杂草叶片颜色差异,现有技术尚无替代方案。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种针对绿色叶菜类蔬菜的杂草识别方法,其特征在于,包括以下步骤:
(1)通过均匀分割,选择n×m个位置的像素点,并以该像素点为中心提取感兴趣区域;
(2)根据n×m个感兴趣区域的颜色特征值,提取田间图像中相近颜色特征的区域,得到分割图像,分割出植被区域;
(3)比较各分割图像间的绿色植被区域面积差异,若出现植被区域较大差异,出现伴生杂草,存在一定颜色差异,且感兴趣区域为绿色,并排除土壤背景、光照反光干扰,则判断存在伴生杂草。
2.根据权利要求1所述的一种针对绿色叶菜类蔬菜的杂草识别方法,其特征在于,所述的感兴趣区域个数在50-150个之间,感兴趣区域等效长方形的大小为相邻两个感兴趣区域间距离的5%-50%之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311044.9A CN109975296A (zh) | 2019-04-18 | 2019-04-18 | 一种针对绿色叶菜类蔬菜的杂草识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311044.9A CN109975296A (zh) | 2019-04-18 | 2019-04-18 | 一种针对绿色叶菜类蔬菜的杂草识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109975296A true CN109975296A (zh) | 2019-07-05 |
Family
ID=67085190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910311044.9A Pending CN109975296A (zh) | 2019-04-18 | 2019-04-18 | 一种针对绿色叶菜类蔬菜的杂草识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109975296A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09257577A (ja) * | 1996-03-18 | 1997-10-03 | Seibutsukei Tokutei Sangyo Gijutsu Kenkyu Suishin Kiko | 分光反射率を利用した牧草地内の広葉雑草の識別方法 |
CN1936919A (zh) * | 2005-09-23 | 2007-03-28 | 中国农业机械化科学研究院 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
CN1945601A (zh) * | 2005-10-08 | 2007-04-11 | 中国农业机械化科学研究院 | 一种自动识别田间杂草的方法与喷药装置 |
CN101961003A (zh) * | 2010-08-10 | 2011-02-02 | 江苏大学 | 一种精确对靶喷药除草装置 |
CN102172233A (zh) * | 2011-03-04 | 2011-09-07 | 江苏大学 | 一种棉田杂草实时识别对靶喷施的方法 |
CN102184392A (zh) * | 2011-05-25 | 2011-09-14 | 中国水稻研究所 | 基于dsp的水稻杂草识别***及其识别方法 |
CN109522929A (zh) * | 2018-10-16 | 2019-03-26 | 南京农业大学 | 一种基于多源图像融合的自然环境下麦田杂草识别方法 |
-
2019
- 2019-04-18 CN CN201910311044.9A patent/CN109975296A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09257577A (ja) * | 1996-03-18 | 1997-10-03 | Seibutsukei Tokutei Sangyo Gijutsu Kenkyu Suishin Kiko | 分光反射率を利用した牧草地内の広葉雑草の識別方法 |
CN1936919A (zh) * | 2005-09-23 | 2007-03-28 | 中国农业机械化科学研究院 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
CN1945601A (zh) * | 2005-10-08 | 2007-04-11 | 中国农业机械化科学研究院 | 一种自动识别田间杂草的方法与喷药装置 |
CN101961003A (zh) * | 2010-08-10 | 2011-02-02 | 江苏大学 | 一种精确对靶喷药除草装置 |
CN102172233A (zh) * | 2011-03-04 | 2011-09-07 | 江苏大学 | 一种棉田杂草实时识别对靶喷施的方法 |
CN102184392A (zh) * | 2011-05-25 | 2011-09-14 | 中国水稻研究所 | 基于dsp的水稻杂草识别***及其识别方法 |
CN109522929A (zh) * | 2018-10-16 | 2019-03-26 | 南京农业大学 | 一种基于多源图像融合的自然环境下麦田杂草识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | A novel image processing algorithm to separate linearly clustered kiwifruits | |
Li et al. | In-field cotton detection via region-based semantic image segmentation | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及*** | |
Font et al. | Counting red grapes in vineyards by detecting specular spherical reflection peaks in RGB images obtained at night with artificial illumination | |
CN102013021B (zh) | 基于颜色和区域生长的茶叶嫩芽分割和识别方法 | |
CN102214306B (zh) | 叶片病斑识别方法及装置 | |
CN107316289A (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
Alencastre-Miranda et al. | Robotics for sugarcane cultivation: Analysis of billet quality using computer vision | |
CN106951836A (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN110610506B (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
CN104949981A (zh) | 一种棉花五真叶期自动检测方法及*** | |
Wang et al. | Vision-based judgment of tomato maturity under growth conditions | |
Chen et al. | A practical solution for ripe tomato recognition and localisation | |
Li et al. | Review of machine-vision-based plant detection technologies for robotic weeding | |
CN103729621B (zh) | 基于叶片骨架模型的植物叶片图像自动识别方法 | |
Febrinanto et al. | The implementation of k-means algorithm as image segmenting method in identifying the citrus leaves disease | |
Amatya et al. | Integration of visible branch sections and cherry clusters for detecting cherry tree branches in dense foliage canopies | |
CN113807132B (zh) | 植物生长区域的灌水状态的识别方法、装置和存储介质 | |
CN109975296A (zh) | 一种针对绿色叶菜类蔬菜的杂草识别方法 | |
CN111753903B (zh) | 一种基于叶脉拓扑特征的大豆品种识别方法 | |
Hogeweg et al. | Smart insect cameras | |
Wongtanawijit et al. | Rubber tapped path detection using k-means color segmentation and distance to boundary feature | |
Quan et al. | Selecting candidate regions of clustered tomato fruits under complex greenhouse scenes using RGB-D data | |
CN113723291A (zh) | 一种基于多光谱图像的坡地地物精细化分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |