1、提高生產(chǎn)力和系統(tǒng)升級(jí)對(duì)于加快農(nóng)業(yè)發(fā)展至關(guān)重要。雜草在農(nóng)田中生長(zhǎng)和繁衍，它們與農(nóng)作物競(jìng)爭(zhēng)水、光、土壤養(yǎng)分和空間，擾亂農(nóng)業(yè)生產(chǎn)和農(nóng)產(chǎn)品質(zhì)量，阻礙了農(nóng)業(yè)發(fā)展，因此，通過雜草控制策略來維護(hù)農(nóng)作物的生長(zhǎng)至關(guān)重要。目前，控制雜草的一些策略包括人類手工清除雜草，機(jī)械除草，或使用除草劑。其中，最經(jīng)濟(jì)實(shí)惠效率最高的玉米田雜草清除方式是化學(xué)除草防草，而對(duì)除草劑的濫用與過度噴灑不僅會(huì)使雜草產(chǎn)生抗藥性還會(huì)造成環(huán)境污染甚至使除草劑殘毒進(jìn)入人體。機(jī)器視覺系統(tǒng)能夠區(qū)

2、分農(nóng)作物和雜草，通過一個(gè)自動(dòng)化系統(tǒng)在農(nóng)田的不同部分采集圖像，對(duì)相應(yīng)的雜草區(qū)域識(shí)別和噴灑藥劑，有效地應(yīng)用除草劑從而提高收益性并且減少環(huán)境污染。在總結(jié)國(guó)內(nèi)外相關(guān)研究的基礎(chǔ)上，針對(duì)傳統(tǒng)的雜草識(shí)別算法存在識(shí)別精度低且實(shí)時(shí)性能差等的缺陷，本文提出了一種基于人工蜂群(Artificial Bee Colony, ABC)算法和概率神經(jīng)網(wǎng)絡(luò)(Probabilistic NeuralNetwork, PNN)的玉米與雜草識(shí)別方法，主要工作如下:

3、　　(1)采集大量玉米雜草圖像并做超綠色法處理使其綠色特征增強(qiáng)。對(duì)采集的圖像進(jìn)行編碼為后續(xù)圖像處理算法做準(zhǔn)備，針對(duì)采集的圖片主要是綠色植物與土壤背景的情況，對(duì)圖像RGB顏色空間模型的顏色分量進(jìn)行分析，選擇了合適的特征量，對(duì)彩色圖像的三個(gè)分量處理后，使其綠色特征增強(qiáng)，得到了植物突出的灰度圖像。
　　(2)使用二維的最大類間方差法(Otsu)快速將圖像分成前景和背景兩部分。針對(duì)雜草圖像的特點(diǎn)及其識(shí)別的實(shí)時(shí)性需求，將上文處理過的植物圖像

4、采用了二維Otsu分割算法得到二值圖像。
　　(3)數(shù)學(xué)形態(tài)學(xué)可對(duì)圖像形狀的細(xì)節(jié)進(jìn)行處理，在圖像檢測(cè)、機(jī)器視覺等方面有著廣泛而成功的應(yīng)用先例。針對(duì)本文圖像預(yù)處理分割出的二值圖像存在野點(diǎn)的情況，采用了形態(tài)學(xué)處理算法的開運(yùn)算(Open)和閉運(yùn)算(Close)，使圖像特點(diǎn)凸顯出來。
　　(4)研究如何提取玉米雜草葉片的特征:第一，通過對(duì)每一幅圖片的植物像素點(diǎn)分析運(yùn)算，提取了植物的6個(gè)顏色特征。第二，不變矩主要體現(xiàn)了圖像區(qū)域的幾何特

5、征，其具有平移、尺度、旋轉(zhuǎn)等特性的不變特征，提取了7個(gè)不變矩特征。
　　(5)研究提取最優(yōu)特征組合的方法并構(gòu)造玉米雜草分類器:提出了基于ABC算法和PNN的玉米與雜草識(shí)別。用ABC算法從上述提取的特征中選取出玉米與雜草最優(yōu)的特征組合可改進(jìn)大量冗余特征輸入費(fèi)時(shí)費(fèi)力的缺陷;并應(yīng)用ABC算法對(duì)PNN平滑因子進(jìn)行迭代最優(yōu)得自適應(yīng)選取，以便提高PNN的識(shí)別性能;最后將優(yōu)選出的特征向量作為PNN的輸入，雜草或者玉米的二值數(shù)據(jù)作為輸出訓(xùn)練神經(jīng)網(wǎng)