一种基于视觉反馈和RBF神经网络的玉米田杂草识别方法

本发明涉及杂草识别，具体为一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法。

背景技术：

1、玉米是我国主要的农作物之一，玉米的味道鲜美，深受人们的喜爱，因为其对生长环境的要求并不严格，产量稳定，在全国各个地区均有种植，部分地区会进行大面积的种植，在大面积种植区域，通常需要统一的田间管理，会对玉米大田的生长情况进行实时的监控和处理，其中就包括对玉米大田中杂草的监控；

2、在中国公开的文件中基于玉米根系保护的株间除草机器人系统设计与试验(权龙哲)、基于深度学习的智能除草机器人视觉导航与控制(贺正彦)都有相关的说明，但是目前玉米田杂草的识别方式较为传统，只能通过在大田图像中直接查找，耗费的时间较多，识别效率低。

技术实现思路

1、本发明提供一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，可以有效解决上述背景技术中提出目前玉米田杂草的识别方式较为传统，只能通过在大田图像中直接查找，耗费的时间较多，识别效率低的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，包括如下识别步骤：

3、s1、在玉米大田中选择合适的位置，获取玉米大田图像；

4、s2、对玉米大田图像进行特征提取，获得玉米大田图像特征信息；

5、s3、获取玉米苗不同时期的图像，通过rbf神经网络对不同时期的玉米苗图像进行处理，提取玉米苗特征；

6、s4、通过视觉反馈将处理后的不同时期的玉米苗图像与玉米大田图像进行特征对比，确定玉米大田中的玉米苗分布位置；

7、s5、再获取杂草不同时期的图像，通过rbf神经网络对不同时期的杂草图像进行处理，提取杂草特征；

8、s6、通过视觉反馈将处理后的不同时期的杂草图像与玉米大田图像进行特征对比，确定玉米大田中杂草分布位置；

9、s7、将玉米大田图像中的玉米植株和杂草植株进行提取，将剩余图像内部进行再次处理，确定剩余部分的植株进行提取；

10、s8、将剩余部分提取的植株进行特征分析，将其特征进行对比，确定植株类型。

11、根据上述技术方案，所述s1中，拍摄的位置距离玉米大田地面高度为4-8m；

12、所述玉米大田的拍摄照片为8-16张。

13、根据上述技术方案，所述s2中，玉米大田图像的特征信息包括植株颜色、植株宽度、植株高度、植株形状、植株叶片形状、和植株果实形状；

14、特征提取后将图像按照特征进行分类。

15、根据上述技术方案，所述s3中，玉米苗不同时期的图像通过网络进行查找，玉米苗的特征包括高度、叶片长度、叶片宽度、叶片个数、果实长度、果实宽度和果实个数。

16、根据上述技术方案，所述s4中，在确定玉米植株后，在玉米植株位置进行标记，并记录特征对比的情况。

17、根据上述技术方案，所述s5中，在获取杂草数据后，对杂草数据进行筛选，按照季节、土壤和光照选择杂草品种，对杂草的特征进行提取；

18、所述杂草提取的特征包括整体颜色、整体形状、叶片形状、花朵形状、花朵颜色、果实形状和果实颜色。

19、根据上述技术方案，所述s6中，将玉米大田中标记的玉米植株去除，将提取的杂草特征在去除玉米植株的大田图像中进行对比查找，确定杂草位置，并对杂草位置进行标记。

20、根据上述技术方案，所述s7中，在去除玉米植株的大田图像中，再去除标记的植株图像，对剩余图像内部进行识别，并选择一块没有植物的土壤图像进行对比，提取存在植株的部分。

21、根据上述技术方案，所述s8中，将存在植株的部分进行特征提取，先提取边缘轮廓，判断边缘轮廓的形状，再由边缘向中心位置提取轮廓，直至全部提取完成。

22、根据上述技术方案，所述s8中，从植株的轮廓中提取茎叶特征，将茎叶特征依次与玉米植株、杂草植株对比，确定植株类型。

23、与现有技术相比，本发明的有益效果：

24、1、通过对玉米植株特征的提取，再与玉米大田图像对比能够快速的查找玉米植株的位置和图像，且玉米植株特征较少，能够快速识别从而为后续的识别节省时间，避免每次识别杂草时都识别一次玉米植株，能够提高后续识别的效率。

25、2、通过对不同杂草的特征的提取，在去除玉米植株的图像中对比杂草特征进行查找，减少了特征对比的时间，能够快速高效的对杂草进行识别，且能够根据不同杂草的特征，识别出不同种类的杂草。

26、3、通过将大田图像中的玉米、杂草和土壤部分去除，将剩余的植株部分由外向内进行轮廓的提取，确定植株特征，再将确定的植株与玉米植株、杂草植株的特征进行对比，方便对剩余部分植株的确定。

27、综合上述，本发明通过依次对玉米植株的特征识别、对杂草植株的特征识别、对剩余植株的特征识别，能够快速的识别玉米植株、杂草植株和其他植株，能够提升杂草识别的效率，从而能够帮助确定杂草位置，方便及时对杂草进行清除。

技术特征：

1.一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于：包括如下识别步骤：

2.根据权利要求1所述的一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于，所述s1中，拍摄的位置距离玉米大田地面高度为4-8m；

3.根据权利要求1所述的一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于，所述s2中，玉米大田图像的特征信息包括植株颜色、植株宽度、植株高度、植株形状、植株叶片形状、和植株果实形状；

4.根据权利要求1所述的一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于，所述s3中，玉米苗不同时期的图像通过网络进行查找，玉米苗的特征包括高度、叶片长度、叶片宽度、叶片个数、果实长度、果实宽度和果实个数。

5.根据权利要求1所述的一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于，所述s4中，在确定玉米植株后，在玉米植株位置进行标记，并记录特征对比的情况。

6.根据权利要求1所述的一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于，所述s5中，在获取杂草数据后，对杂草数据进行筛选，按照季节、土壤和光照选择杂草品种，对杂草的特征进行提取；

7.根据权利要求1所述的一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于，所述s6中，将玉米大田中标记的玉米植株去除，将提取的杂草特征在去除玉米植株的大田图像中进行对比查找，确定杂草位置，并对杂草位置进行标记。

8.根据权利要求1所述的一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于，所述s7中，在去除玉米植株的大田图像中，再去除标记的植株图像，对剩余图像内部进行识别，并选择一块没有植物的土壤图像进行对比，提取存在植株的部分。

9.根据权利要求1所述的一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于，所述s8中，将存在植株的部分进行特征提取，先提取边缘轮廓，判断边缘轮廓的形状，再由边缘向中心位置提取轮廓，直至全部提取完成。

10.根据权利要求1所述的一种基于视觉反馈和rbf神经网络的玉米田杂草识别方法，其特征在于，所述s8中，从植株的轮廓中提取茎叶特征，将茎叶特征依次与玉米植株、杂草植株对比，确定植株类型。

技术总结
本发明公开了一种基于视觉反馈和RBF神经网络的玉米田杂草识别方法，包括如下识别步骤：S1、在玉米大田中选择合适的位置，获取玉米大田图像，S2、对玉米大田图像进行特征提取，获得玉米大田图像特征信息，S3、获取玉米苗不同时期的图像，通过RBF神经网络对不同时期的玉米苗图像进行处理，提取玉米苗特征，S4、通过视觉反馈将处理后的不同时期的玉米苗图像与玉米大田图像进行特征对比，本发明通过依次对玉米植株的特征识别、对杂草植株的特征识别、对剩余植株的特征识别，能够快速的识别玉米植株、杂草植株和其他植株，能够提升杂草识别的效率，从而能够帮助确定杂草位置，方便及时对杂草进行清除。

技术研发人员：杨晓惠,王彩霞,尹晓琳,胡静,李翠芳
受保护的技术使用者：邯郸科技职业学院
技术研发日：
技术公布日：2024/1/13