文档介绍：该【基于改进AdaBoost算法的秸秆识别与覆盖率检测技术 】是由【史湘云】上传分享，文档一共【7】页，该文档可以免费在线阅读，需要了解更多关于【基于改进AdaBoost算法的秸秆识别与覆盖率检测技术 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。万方数据
基于改进算法的秸秆识别与覆盖率检测技术农业机械学报杨光张洪熙方涛张彩丽.,㈣蜤阭扣纭增愕,吼皀踟讹恪蜸頲璐K纁,㈨彰,,弹矗㈨引言目前,保护性耕作技术已经成为我国农业主推耕作技术,吉林省将该技术列为农业生产先进技术重点推广项目。推广实施保护性耕作技术的关键是提供性能和质量可靠的专用配套机具,,长春;贾莺?灯等砑邢薰境怂⒊挡凡浚贾摘要:针对目前秸秆覆盖率自动识别准确率低的问题,提⋯了一种秸秆图像畸变校正与算法阈值分割相结合的图像处理算法。并采用该方法计算田问秸秆覆盖率。首先。通过单目摄像头采集免耕播种机的作业环境信息,采用改进的算法对目前工作环境是否为免耕地进行自动判断;其次,对现场采集的秸秆覆盖图像进行预处理,通过彩色空间距离化、图像增强等方式提高图像中秸秆的可识别特征;然后,建直逆向映射模型并结合最邻近插值的方法解决图像畸变问题:最后,裁剪出用于秸秆识别的图像部分,通过算法进行阈值分割、计算秸秆覆盖率。,运用算法能有效识别免耕播种机的工作环境,采用本文图像处理算法计算田问秸秆覆盖率,与实际测量误差在ヒ阅凇关键词:免耕;秸秆覆盖率;识别;算法;算法中图分类号:籘文献标识码:餴餴文章编号:——旬癴鼁埃鍯琇￡狧“兽暑矗:,瑃—ⅡⅡ—.,.,琣,騜矗,ィ簄猼;;籄收稿日期:——修回日期:一—基金项目:古林省教育厅科学计划项目图A质】萍继蒲Ъ苹钅作者简介:杨光,男,副教授,博士,主要从事免耕机械智能临测系统研究,:甤痠..—...甁皊,皉辍舊,凡￡,—皀鲁暑矗狧“’:..簅簅.:.—
万方数据
半∞￡,。4酢!!!!R籐‰,,。:生里上笋型小,却,吣#蝗延 蔻旷丢·孚又有理。牛琻,占。#騟又有理。耹,占。拢騟。∑∞。一“,,辏免耕播种机工作环境自动识别技术分类器分类完成后,下一个才进行。本文关注的式中戈——待检测窗口戈!<扑闾卣髦档暮式中!H醴掷嗥鞣掷辔蟛!9橐换蜃∞,,——样本权重!Q臼戈:!W罴讶醴掷嗥是其中最重要的配套装备。而秸秆覆盖率的识别与检测是我国免耕播种机实行大面积推广过程中需要解决的主要问题。检测秸秆覆盖率比较典型的方法有纹理法及以秸秆和土壤亮度作为检测基础的二值化方法。文献『提出一种基于纹理的秸秆覆盖率检测方法,并将神经网络方法融人检测算法之中,实现了秸秆覆盖率的高精度检测,但是神经网络需要进行训练,在不同实际情况下都需要重新训练权值,效率偏低。文献『一褂米远兄捣指钏法进行秸秆覆盖率检测,主要根据土壤和秸秆亮度不同通过二值化处理计算出覆盖率,但对于光照不均的情况适应性较差。文献『岢鲆恢謘和相结合的方法对图像进行二值化处理,再计算出秸秆覆盖率,其检测速度快,能准确测算秸秆覆盖率。但对光照变化带来的影响适应性较差。针对秸秆覆盖率识别存在的问题,本文在已有技术方法的基础上,提出一种改进后的算法,对骰肪呈欠裎C飧亟凶远觳猓云谔高秸秆覆盖率计算的准确性。免耕播种机在工作时通过单目摄像机采集作业环境,因此对作业环境的分类显得极其重要,本文提出了一种基于特征的算法的自动识别技术”。算法是由多个分类效果较差的弱分类器逐步迭代组成一个分类效果较好的强分类器的过程。。算法存组成强分类器的过程中弱分类器不是并行的,而是一个弱是上一个弱分类器分类错误的数据样本,也就是用当前分类器来弥补上一个弱分类器分类错误的数据样本。弱分类器的训练过程是针对每一个特征扑所有训练样本的特征值,目的是将弱分类器戈,分类误差档阶钚 F渲凶罟丶牟问阈值臼和偏置现行算法的样本权重更新公式为其中由式芍#舻鼻叭醴掷嗥鱣,没有对某训练样本戈。正确分类,则戈。瑈。,或戈。一瑈。,即,辍,贝#豢悸枪橐换蜃觶。,有綣⋯。蕖!若当前弱分类器戈阅逞盗费靖辍U贩类,贝戈,一騡。辍,。辍,则有豢悸枪橐换蜃觶,,有∞⋯。蓿!,赋予错分样本一个更大的样本权重,即学****算法后续会更加重视被错分的样本,但缺点也较为明显:①算法在训练样本中遇到噪声或一些困难样本时,算法会专注分析这些困难样本,导致困难样本的权重急剧增加,最终使算法出现退化现象。②由于算法使用了权重归一化,如果存在噪声与困难样本,将导致已经被正确分类的样本的权重呈指数减小,导致算法性能降低。本文改进了算法权重的更新规则,在每次弱分类器的训练过程中都计算样本权重平均值农业机械学报算法流程图冈∞。厶、,
万方数据
冉砉癿旷丢·孚马梗ァ荷江’⋯,铲咖抟恍 巍危摹圳辍!!!!!蠡∑∞。,,。!##:。,,。:∞。澹海后膡“,戈啤啊,式中!Q盗费咀苁憾 "俚饔萌醴掷嗥魉惴ǎ扑慵尤式中叫.——第:个样本权重』——示性函数③令④更新样本权重式中——符号函数崭咽侗鸺际算㈣。捅曜疾疃ⅲ毖救ㄖ赜肴ㄖ仄骄祄的偏差大于⑹保蚋醚救ㄖ夭辉僭龃蟆>咛逅惴ㄈ缦拢ㄑ盗费戈,,,辏海瑈:戈。,,其中砻飧正样本瑈,代表非免耕地貉;确定弱分类器戈,琾,臼暗代次数即弱分类器的个数跏蓟救ㄖ辧蕖住辢分类误差,找到最小分类误差对应的弱分类器,记录、直鹞。、!⒕省!4俗罴讶醴掷嗥鞯姆掷辔蟛杀硎疚《多令戈戈,#琾,,臼。渲衵,、,为占,的最小化因子。计算当前轮样本权重平均值捅曜疾疃籨,。,辍偕戈。摇蔻笠籱≤【偕戈。摇蕖R籱盯玫阶钪盏那糠掷嗥免耕播种机采集到图像信息由第诟慕算法进行自动分类后,如果确定为免耕播种作业环境,系统会对其进行秸秆覆盖率检测计由于单目摄像头在采集信息时会受到环境的污染,并且采集到的图像会存在图像畸变的问题,因此本文在进行秸秆覆盖率计算之前会先对图像进行预处理。,环境中的光、灰尘、噪声都会影响免耕播种机采集图像的质量,从而影响最终的计算结果。因此本文通过图像降噪的方式解决图像上的噪声问题。常见的滤波方式有均值滤波、中值滤波、高斯滤波等。图是单目摄像头采集到的免耕播种机作业环境。图是将图经过均值滤波处理后的图像,该图像与原图像相比较,滤除了大部分的噪声,但同时使图像中秸秆部分的细节信息变得模糊。图是经过中值滤波处理后的图像,相比较均值滤波较好地保存了细节的信息,但也使局部的图像发生了畸变,不利于后期处理。图是高斯滤波后的图像,经高斯滤波处理后,降低了图像噪声,保存了图像的细节特征,更真实地反映了免耕播种机的作业环境信息。所以本文选择高斯滤波进行图像的降噪处理。目标与背景区域分离彩色向量空间距离目标区分的原理是在颜色空间中分别把图像的、ǖ赖难丈征统计出来。。当图像的目标背景区分出来之后再将图像进行灰度处理。提高免耕播种机秸秆覆盖率识别准确率的有效且简单的方法可以通过距离化使其目标与背景区域分离出来,:
万方数据
漕蚕庇骸5逊Α:关妻:舅/\.//’近插值法相结合的方式对图像进行处理⋯。逆向映射是相对前向映射而言的图尽S捎谏阆裢返慕嵌群透叨裙潭ǎ耘￡一戈。一式中!H≌待定系数。因此可推得逆向映射关系式为『狶灰度化,图是将图进行灰度化,两者相比,图中秸秆与土地的差异更大,更利于后期的计算处理。因此选择彩色空问距离化后再对其进行灰度化。.枷裥U由于采用单目摄像头进行拍摄,目标会在图像中呈现近大远小的***畸变,严重影响了计算秸秆覆盖率的准确性。因此,。而,【,形辏瑈瑈辏瑈式中辏瑈腔渫枷竦南袼刈曛担琜表示校正后的图像的像素坐标值。、形、像素坐标之间的函数关系。其中为前向映射关系,形、王,为逆向映射关系。用双线性几何畸变的方法进行坐标变换。。匕蹦办在摄像头采集的畸变图像上标注龅悖摄的地表图像的范围固定,近大远小的比例也相同。存田间每列秸秆是沿直线种植的,因此在图像中沿着两列秸秆做了醺ㄖ菹撸芍C啃械个秸秆在实际中是在一条水平线上,因此沿着薪崭眩做了醺ㄖ嵯摺如图荆个点中,辏瑈,阌戈,,点在一条纵线上,辏瑈。阌戈:,点在一条横线上,但由于摄像头畸变的影响,坐标点在拍摄图像中围成了一个近似梯形的四边形,,、、艹А、矗是前向映射中的陏叫将、龅愦胧锌梢郧蟮眯正后的’、个顶点坐标,将其代人逆向映射关系式中,便得到图像坐标点对应的畸变图像的坐标点,〉悴灰馔冈纳阃枷褡瓯浠图嫦蛴成渥瓯浠图⋯⋯蚋戈了。娇痜滤波噬ǹ占渚嗬牖叶然噬ǹ占浯佣然口。.∥⋯∥.皁痟.,琂,骸痩磷騦￡工
万方数据
鲁×%式中!=崭迅哺锹剩Ⅳ——二值化处理后统计值为牡闶朋——图像中总的点数结论向映射模型处理后变为,,但当,不为整数时,无法得到该像素点的灰度,因此采用最邻近插值法进行弥补‘。。最邻近插值法的髁啃〉却可以最大限度地保留图像中的灰度信息。经过最邻近插值法处理后的图像如图尽从图锌梢钥闯觯夹涡U螅芎玫亟决了摄像机拍摄免耕地引起的近大远小的问题,有利于提高秸秆覆盖率计算的准确性。秸秆覆盖率计算采用算法计算秸秆覆盖率,但经过最邻近插值后的图像会出现楹谏颍饨ɑ嵊跋算法的计算。因此在计算前需要先将其进行图像裁剪。然后通过算法求得最适阈值,并通过该值对图像进行二值化处理,分离秸秆和土地,秸秆覆盖率计算公式为通过裁剪及算法处理后的图像如图尽人工测量法采用以覆盖秸秆的面积占土地总面积的百分比作为秸秆覆盖率。图H斯と隙ń崭面积图,图中的红线包围区域是人工判定的秸秆覆盖区域,通过在田问计算其实际面积为恋刈苊积为扑愕贸鋈薚秸秆覆盖率对比实验通过摄像头拍摄田问的图像,然后取不同覆盖率区间的图像幅对其进行算法处理,并与人工测量的秸秆覆盖率结果进行对比。选取的幅图像中秸秆覆盖率区间在%~%各种方式的测量值绘制曲线,可得出本文算法在秸秆覆盖率为%~%,误差小于ァ蒙阆裢凡杉枷裥畔ⅲ缓蠖圆杉的图像通过算法进行分类,判断免耕播种机的骰肪呈欠袷粲诿飧兀梅椒ㄓ行У亟饩了免耕播种机的工作环境识别问题。第杨光等:基于改进算法的秸秆识别与覆盖率检测技术冈盍诮逯低枷图眉艏惴ù图斯と隙ń崭衙婊图秸秆覆盖率对比曲线%、%~%、%~%、%~%、%~.图像序号
万方数据
捎惴ḿ扑鉳秸秆覆盖率,并通过诜厦飧饕档奶跫拢ü瞬ǘ云进行降噪,通过彩色空间距离化、灰度化使图像中秸秆与土地分离,采用逆向映射模型与最邻近插值法相结合的方式,解决了图像中秸秆近大远小的问题。实验验证了算法的有效性,解决了秸秆覆盖率计算的问题,在秸秆覆盖率为%~%时,检测误差小于ァ农业机械学报参考文献于国庆,郝若帆,马洪涛,,段宏兵。李东臣,/。┮祷笛Пǎ:—./甌时永刚,程坤,:.市十志伟,郝凤琦,程广河,┗Пǎ—许良风,徐小兵,胡敏,ⅰ緆萄Пǎ—苗伟,张铁,杨学军,⋯苗质量评价方法/笛Пǎ:—.李佳,吕程序,苑严伟,、【程学报,,:『王金武,唐汉,/┮祷笛Пǎ:篔/.李洪文,李慧,何进,┮祷笛Пǎ:—..刘媛媛,王跃勇,于海业,/┮祷笛ПǎⅡ..∥痗痳痸猘產&“猲&『钪炬茫醪ィ讼驼拢龋谀D釲一莸男÷,,,张东远,李洪文,┗芯浚:.,:.癳,,:.,,,,.—『.—,,:.『瑉,.篔/甌:—.:∥甹—.痠//痸猘··產&——瓺:./甶琇『.琖:甴骸蝫..痡鳎痗痳/—.&—猧瓺:./甶:—.『,:./甹琖,,—酗,.,—.痠螅痗痳痸.—...,.癳,,琫琘..】.....猼蟫:.琫瑉琀痠’.“.纁甃琀甌琘皔琫....
万方数据
第杨光等:基于改进算法的秸秆识别与覆盖率检测技术王丽丽,徐岚俊,魏舒,╗.农业工程,,:—.『.吴汤婷,刘丽品,陈江楠,:篔甁郑智旗,王树东,何进,“篔/甌.:∥甹—.∥Ⅱ∥//—.騛—:长春理工大学,.,.刘媛媛,张硕,于海业,:.·..:∥甶—.器/瑚///—.騛——.『.∥甌李世卫,┗芯浚:一,..刘继龙,李佳文,周延,/┮祷笛Пǎ:..王韦韦,吴晓芳,王晴晴,/┮祷笛Пǎ:痮..:∥甹—.痡蝐痳痸猘產&“—巧—.,张喜英,,,:—.篔瓹.,—產,甶,,,—甒—痠..—...¨’:.纠瓹,,/甶.·叭:—.,,:.:∥甹畂蝚Ⅱ∥疘’..—...,,,:.猙琀琫山.,,.—珻,甹,,甌猚.’甊琫’,痠痑琫癱鐁瑀痑