基于RGB-D多源图像融合的农田麦草识别方法研究

【作者】 徐可； 李怀民； 曹卫星； 朱艳； 倪军；

【机构】 国家信息农业工程技术中心；

【摘要】 【研究背景】小麦是世界上分布范围最广泛的主要粮食作物,其产量和播种面积约占粮食作物的1/3。随着麦田中杂草种类不断增加,杂草发生面积不断增大,麦田杂草成为制约小麦产量与品质的主要生物灾害。杂草与小麦争光、争水、争肥、争夺生长空间,通过影响小麦的叶面积及干物质积累等指标,最终导致小麦减产。当前麦田除草的方式主要依赖于化学防治,由于麦草识别率低且无法精确地定位杂草位置,导致农药过量喷洒,利用率低,污染严重。【材料与方法】本文提出一种基于RGB图像特征与深度特征融合的麦草识别方法,实现了自然环境下的麦草精确识别,突破了从RGB图像中提取的二维空间特征在识别与小麦外形相似的禾本科杂草问题上的局限。针对深度图像的空洞信息问题,根据RGB图像与深度图像采集的物体一致性,提出了基于RGB图像信息引导的深度信息修复方法。接着对麦田中的杂草种类、分布情况和发生高峰期的特征进行了分析,根据分析结果提取了分蘖期与拔节期麦草RGB图像与深度图像中的颜色、位置、纹理和深度特征。提出了针对杂草种类更为鲁棒的麦草分类算法,利用Ada Boost算法进行多种分类器的集成学习,实现了麦草识别。【结果与分析】深度特征与纹理特征在阔叶类杂草上的识别准确率相近,但是在禾本科杂草识别准确率上纹理特征的2.2倍。通过Ada Boost算法对表现优异的三种分类器(KNN、SVM和基于深度的线性分类器)进行集成学习,禾本科杂草的识别准确率提升至81.08%,是基于纹理特征识别结果的2.5倍。对分蘖期的麦草识别速度为0.2s,准确率为88%;对拔节期的麦草识别速度为0.69s,杂草识别正确率为81.08%,显著高于基于纹理特征的杂草识别率54.28%,并且对阔叶类杂草和禾本科杂草的鲁棒性较高。【结论】试验结果表明,该方法对不同生育期麦草均能够快速、精确地实现分类。更多还原